2023年7月12日清晨，酒泉衛星發射中心的戈壁灘上，朱雀二號運載火箭如銀色巨龍般騰空而起，尾焰在晨光中劃出淡藍軌跡。這枚全球首款成功入軌的液氧甲烷火箭，箭體高49.5米，白色箭身綴以紅色朱雀圖騰，攜帶著219噸的起飛重量和268噸推力，將衛星精準送入軌道。
然而，在發射成功的歡呼背後，擺著更加現實的問題，朱雀二號雖然成功發射，但在承接商業訂單時面臨著運力成本過高的挑戰。2023年之後，藍箭航天開始著手對朱雀二號進行改型，儘管遙二、遙三、改型遙一任務進展順利，但運力成本仍然較高，影響了商業航天運輸實際效益，這是需要解決的關鍵問題。
在這樣的情況下，藍箭航天與北京科學智慧研究院（以下簡稱研究院）開始共同探索如何用AI for Science技術，來系統性的降低成本。
“我們與藍箭的合作目標並非直接降低運力成本，而是透過最佳化天鵲發動機效能間接實現成本下降。採用更保守的估計，合作目標將傳統5年的改型週期縮短至2年，或將2年的週期縮短至1年。”北京大學工學院特聘研究員、北京科學智慧研究院研究員陳幟教授告訴我們。
基於與藍箭航天的合作，以及DeepFlame燃燒流體計算開源平臺，在剛剛過去的2025中關村論壇-AI for Science青年論壇中，釋出了DeepFlame Rocket APP（中文名：臨界熾核），其移動端同期上線。
如今，AI不僅助力朱雀二號的改型，更深度參與了朱雀三號的研發，涵蓋燃料研發等關鍵環節。這場航天與AI的深度融合，正引領著商業航天邁向新的征程。
本期矽星人對話，我們有幸邀請到陳幟——北京大學工學院特聘研究員、北京科學智慧研究院研究員，共同探討如何用AI助力設計製造火箭發動機，造星際旅行中的一張平民船票。
以下是對話實錄：
用AI設計“火箭心臟”，從5000小時到5000秒
矽星人：藍箭航天、研究院、鯤鵬三方在合作中各自承擔哪些角色？例如，藍箭航天提供哪些資料或場景，鯤鵬提供什麼？DeepFlame團隊如何整合技術與需求？
陳幟：整個流程是這樣：藍箭作為應用端企業，為我們提供真實的工程資料和場景，我們透過演算法滿足這些需求；我們再將算力需求提交給鯤鵬，鯤鵬透過硬體的改造來滿足和實現更好的效能。
我們和藍箭最早從2021年開始接觸，直到2023年底至2024年初，我們才獲得他們的真實需求、實際構型和測試引數。與我們之前的理論預期相比，實際情況有很大不同。
對於研究院來說，此前我們只能從國外發表的學術論文中獲取資訊，而這些資料通常隱藏了關鍵引數，我們只能猜測，結果自然有偏差，有些論文中還會採用一些“小技巧”有意隱藏，這使得我們的計算結果參考價值有限。學術論文通常不會將工況引數設定到100%，通常只測試到60-70%的狀態，這與實際工程需求有很大差距。和藍箭合作以後，我們獲得真實需求和資料之後，做出了相應調整。
研究院的角色更多其實是作為閉環生態的發起方和關鍵連結者，主導著將產業鏈各方連線起來的工作。如果沒有研究院來發起，這個生態系統可能無法被串聯起來。研究院提供“玻爾科研空間站”平臺進行雲資源排程，將各種方程求解器整合到平臺上。我們DeepFlame團隊在研究院框架下，負責開發面向火箭發動機模擬的應用程式，將物理模擬、AI和HPC深度耦合到一個計算平臺中。
矽星人：目前雙方合作有哪些具體的案例麼？我們與藍箭做了哪些專案上的合作？
陳幟：我舉幾個例子，比如說朱雀2號雖然已經發射成功，但他整個的運力成本（單位千克載有效載和入軌所需要花費的成本）還是比較高，但是對於商業航天公司來說要接商業訂單，相比於國際先進水平，還有些差距。對於朱雀2號的改型、朱雀3號可回收技術的研發就是要把這個價格降下來。
傳統的改型其實是依賴於試驗。即階段性改型之後進行試車或飛行試驗，再最佳化迭代。透過AI進行虛擬試驗，一是加速了改型的時間，比如天鵲發動機型號的改型從原來的5年變成兩年甚至更短1/4；二是以虛擬試驗來輔助試車，來節省發射成本。
矽星人：我們會在燃料創新上有合作麼？比如合成代替液氧甲烷的新的又輕又高效率的燃料？
陳幟：目前沒有，這塊還是有點難。將來會探索一些合成燃料，因為甲烷畢竟還是便宜，合成材料肯定不比甲烷便宜。當然關於朱雀3號的研發我們也在合作進行中，目前是這兩個比較大的合作專案。
矽星人：目前合作已落地的標誌性成果是什麼？有哪些顯著提升的資料麼？
陳幟：最具代表性的里程碑是我們實現了對藍箭火箭發動機單步模擬的計算效率革命性提升。
用一個具體資料來說明：傳統方法需要使用2000個英特爾CPU，採用常規數值模擬方法計算藍箭火箭發動機的單步模擬需要1小時。而使用我們的DeepFlame Rocket方案，採用雙神經網路架構，僅需4張GPU，同樣的計算只需1秒鐘完成。這相當於從1小時縮短到1秒，效率提升了3600倍。
在實際工程應用中，藍箭的一次完整計算通常需要5000個迭代步，這意味著傳統方法需要5000小時，約6個月的時間，而DeepFlame方法只需5000秒，約1.4小時就能完成。這一突破性進展使得藍箭能夠在朱雀2號的基礎上更快地迭代最佳化設計，為朱雀3號的研發奠定了基礎。
有一點值得注意的是，用傳統方法計算一次的時間和成本甚至超過了直接進行一次實物試驗的時間和成本，這也解釋了為什麼在朱雀二號研發過程中，他們主要依賴實驗而非模擬。而現在，使用我們的解決方案，只需一臺配備4個GPU的機器，僅需1小時左右就能得到參考結果。
目前我們的模擬與實際結果的偏差控制在15%以內，這在航天工業中是可接受的精度。我們主要關注的是燃燒效率這類宏觀指標，即噴入的燃料有多少真正轉化為能量，這直接影響最終的運力成本。
矽星人：合作遇到的最大技術或協調難題是什麼？如何解決的？
陳幟：在這個跨領域合作中，我們確實遇到了一些重大挑戰。最大的技術難題是如何將傳統演算法和AI方法有機結合，並與計算硬體形成良好的協同。
傳統的火箭發動機燃燒模擬涉及複雜的物理和化學過程。即使看似簡單的甲烷燃燒也涉及幾十種物質和幾百個反應鏈路，導致維數爆炸，傳統計算方法難以應對。我們需要在保證物理守恆定律和化學反應準確性的前提下，引入AI方法來加速計算。
特別棘手的挑戰是在物理約束和資料驅動之間找到平衡。嚴格保證物理約束的模型引數規模往往難以擴大，通用表達能力相對較弱，但在特定任務中精度更高。而偏向資料驅動的模型可以做得更大，訓練也相對容易，但缺乏物理保證。在火箭發動機這樣的高風險領域，物理約束是必不可少的，否則會導致嚴重的'幻覺'問題和安全隱患。
我們的解決方案是採用混合方法——將AI主要用於替代複雜化學反應過程的計算（這部分最耗時且難以高效並行化），而對於湍流模型和流體計算這些相對成熟的領域，仍然依賴傳統計算方法。這種智慧組合充分利用了AI在處理高維度、非線性問題上的優勢，同時保留了傳統方法在成熟領域的可靠性。
矽星人：除了技術方面的問題，在協作中有哪些難題麼？
陳幟：還有一個重要挑戰是資料標準化問題。在AI for Science領域，資料普遍分散，且每個小領域都有自己的資料標準。我們需要進行抽象處理——從實際資料中找出規律，然後生成合成資料。這樣既不侵犯資料隱私，又能保證我們訓練出的模型和評測結果具有實際參考價值。
解決這些挑戰的關鍵在於：技術上採取混合方法結合傳統計算和AI優勢，硬體上利用新型一體化架構避免異構計算瓶頸，協調上則透過展示技術價值建立信任和資料共享機制。
AI三要素，關關都需攻克
矽星人：您剛提到了資料分散的問題，這是AI for Science落地應用中的一個難關麼？從AI三要素（資料、演算法、算力）的視角出發，哪個環節是最困難的？
陳幟：在AI for Science領域，這三方面都處於非常基礎的階段。不像通用AI領域已經有了完整的基礎設施可以直接呼叫，我們幾乎要從頭開始構建整個生態系統。
資料方面，正如我前面所述，科學計算領域的資料普遍分散且不統一，首先獲取這些資料都是非常困難的，高校研究人員在進行實驗、計算和論文研究過程中積累了大量資料，企業擁有實際應用場景的資料，產業鏈各環節也有各自的資料。
當然資料的問題不僅僅是資料收集和標準化，還在於多尺度多物理耦合的資料問題。科學現象往往跨越多個時間和空間尺度，如從原子級反應到宏觀流體動力學。不同尺度的物理過程相互耦合，難以用單一模型描述。每個尺度都需要特定型別的資料，而這些資料之間的關聯性也需要建模。例如，在燃燒模擬中，我們需要同時考慮分子層面的化學反應和宏觀層面的湍流混合，如何獲取和整合這些跨尺度的資料是一個巨大挑戰。
第三是先驗知識與資料融合的問題。科學領域已經積累了豐富的理論知識和經驗規律，如何將這些先驗知識有效地融入到基於資料的AI模型中是一個開放性問題。純粹依靠資料的模型可能會忽視重要的物理規律，而過度依賴理論又會限制模型的表達能力。找到兩者之間的平衡點需要大量的探索。
第四是資料不確定性與噪聲處理。科學實驗資料往往伴隨著測量誤差和系統噪聲，而數值模擬資料也可能包含截斷誤差和舍入誤差。這些不確定性如何量化並傳播到模型預測中，是確保模型可靠性的關鍵。在神經網路訓練中，過擬合噪聲可能導致模型完全偏離物理規律，這在科學應用中是不可接受的。
矽星人：那關於資料分散、不統一的各種問題，應該怎樣解決？
陳幟：我們的方法是將基準構建作為一個開放性倡議，做好介面和貢獻準則，鼓勵各方將關心的場景和已有資料放進來，然後由我們進行整合，這類工作看似很簡單在前期常被低估，但它需要深厚的領域知識來確保資料的物理一致性和科學準確性。對於燃燒模擬這樣的領域，資料集需要涵蓋從低負荷到極端工況的全部執行狀態，同時考慮不同的燃料組合、壓力條件和溫度範圍等多種因素。
我們的目標是構建一個類似於科學領域的“ImageNet”，它不僅包含大量高質量資料，還定義了評估標準和基準測試方法，然後對外開源，最終推動演算法的改革。
AI應用在整個燃燒反應計算的哪一個環節？對於演算法的高要求和複雜性體現在哪？
陳幟：我來給大家解釋一下為什麼燃燒反應如此複雜，以及我們是如何用演算法來處理這種複雜性的。
看似簡單的氫氧反應，實際上是一個多尺度、多物理場耦合的複雜過程。大家可能覺得氫氣和氧氣反應就是2H₂ + O₂ → 2H₂O，看起來非常簡單，但實際情況遠非如此。
讓我們深入微觀尺度看看。這個反應實際上包含了數十個基元反應步驟，涉及H、O、OH、HO₂等多種活性自由基。比如，氫分子首先需要分解為氫原子：H₂ → H + H，然後氫原子與氧分子反應：H + O₂ → OH + O，接著OH又會與氫分子反應：OH + H₂ → H₂O + H…如此迴圈往復，形成一個複雜的反應網路。
更復雜的是，每個基元反應的速率都取決於溫度、壓力和濃度，這些引數又受到流體流動和熱傳遞的影響。在湍流條件下，情況變得更加複雜，因為湍流渦旋會導致區域性溫度和濃度的劇烈波動。
傳統CFD方法面臨一個兩難困境：要麼使用詳細化學機理以獲得高精度，但計算成本高得難以接受；要麼使用簡化機理以提高計算效率，但會犧牲精度。在航空發動機或火箭發動機這樣的複雜系統中，完整模擬可能需要幾周甚至幾個月的超算時間。
我們的創新在於開發了一種物理資訊神經網路演算法。以氫氧反應為例，我們首先用量子化學計算和詳細反應動力學生成高精度資料，然後訓練神經網路來表示這種複雜的非線性關係。但我們不是簡單地擬合數據，而是在網路中嵌入關鍵的物理守恆定律和熱力學約束。
具體來說，我們的神經網路不僅要最小化預測誤差，還要滿足質量守恆、能量守恆等物理定律。例如，網路必須保證H原子在反應前後的總數不變，這一點透過我們設計的特殊損失函式來保證。
在實際應用中，這種演算法能將氫氧反應的模擬速度提高約100倍，誤差控制在5%以內。對於更復雜的碳氫化合物燃燒，加速比甚至可達1000倍以上。
更重要的是，我們的演算法具有很強的可遷移性。在火箭發動機燃燒模擬中訓練的模型，經過適當調整後可以應用於電池熱失控、建築火災等場景。這正是我們技術的核心優勢——將物理學的普適性與AI的學習能力相結合，創造出既符合物理規律又高效準確的新一代計算方法。
我們不是用AI替代物理模型，而是用AI增強物理模型，讓複雜的科學計算變得更加高效和易於應用。這也正是AI for Science的精髓所在。
矽星人：如果AI模型在氫-氨燃料場景中表現優異，如何確保其在甲烷-液氧等新燃料中的泛化性？是否會出現一個通用的模型，還是每一個細分場景都需要一個單獨的求解器，嵌在DeepFlame的框架裡？
陳幟：目前的情況是，完全通用的單一模型仍難以實現，但我們正在向這個方向努力，並取得了一些突破性進展。
燃燒過程的物理本質是相似的——都遵循相同的基本物理定律，如能量守恆、質量守恆等。這種普適性為我們構建通用模型提供了理論基礎。但不同燃料體系的具體反應機理、中間產物和反應路徑有顯著差異。例如，氫燃燒相對簡單，涉及的化學種類和反應步驟較少；甲烷燃燒則涉及幾十種物質和幾百個反應鏈路；而更復雜的燃料如煤油可能涉及上千種化學物質和上萬個反應路徑。
我們目前採取的是“通用框架+特定引數”的混合方法。具體來說：
對於物理核心部分，如流體動力學、傳熱傳質等基礎物理過程，我們構建了通用的物理資訊神經網路框架，這些網路嵌入了物理守恆定律，能夠在不同燃料體系間遷移。
對於化學反應部分，我們採用了一種模組化設計，將不同燃料的反應機理封裝為可替換的模組。這些模組可以基於特定燃料的資料單獨訓練，然後插入到整體模型中。
我們還開發了“小樣本學習”和“引數遷移”技術，使得已訓練的模型能夠透過少量新燃料的資料快速適應新場景。這類似於人類專家如何將一種燃料的經驗遷移到新燃料上，只需要少量調整就能適應。
例如，我們在氫-氨體系中訓練的模型，透過提取反應的公共特徵和模式，再加上少量甲烷-液氧資料進行微調，就能在新燃料體系中取得不錯的效能。這比從零開始訓練一個全新模型效率高得多。
矽星人：這在理論上似乎可行，但在實際應用中不會因為現實的情況不同而導致偏差麼？
陳幟：在實際應用中，我們確實發現不同複雜度的燃料體系需要不同程度的模型定製。對於相對簡單的燃料，如氫燃燒，模型的通用性較好；而對於複雜燃料，如煤油，可能需要更多的特定訓練資料和模型調整。
因此，從長遠來看，我們認為DeepFlame框架將會形成一個“模型譜系”，而非單一通用模型。這個譜系包括：
-
基礎通用模型：捕捉所有燃燒過程共有的物理特性
-
燃料類別特定模型：針對氣體燃料、液體燃料等大類進行特化
-
具體燃料專用模型：為特定燃料組合(如甲烷-液氧)最佳化
這種分層設計使我們能夠在通用性和專用性之間取得平衡。使用者可以根據自己的需求，從模型庫中選擇合適的預訓練模型，然後根據自己的資料進行微調。
這種模組化、可遷移的設計與DeepFlame的整體框架理念高度一致。DeepFlame作為一個面向科學計算的開源框架，其核心價值在於提供統一的介面和底層抽象，支援不同求解器的靈活整合。無論是傳統基於方程的求解器，還是基於AI的求解器，都可以嵌入到這個框架中，形成一個生態系統。
目前，我們已經在DeepFlame框架內實現了多個專用求解器，包括針對氫燃料、甲烷燃料和液氧燃料的特定模型。這些模型共享相同的資料處理介面和評估標準，方便使用者根據具體應用場景選擇合適的求解器。
當這一流程打通後，下一個挑戰是效率問題：使用者不希望等待三天才能得到結果。這時算力就變得至關重要。值得一提的是，AI for Science(科學智慧)與通用AI訓練和推理有顯著不同，可能需要新型算力架構，能夠很好地相容傳統演算法並無縫融入AI元件。
從理論到產業落地
在2025中關村論壇年會中，DeepFlame釋出了DeepFlame Rocket ，為什麼要同時釋出一個移動端的產品？它的主要使用者是誰？這是產業落地的重要一步麼？未來，造火箭的技術能力還將衍生到哪些領域？產生什麼樣新的價值？
陳幟：首先DeepFlameRocket APP是我們AI技術能力的最佳展示視窗。將複雜的科學計算壓縮到移動裝置上執行，本身就是對我們技術極致最佳化能力的證明。我們透過玻爾空間站構建了一個能力框架和開放的API介面，這個APP證明了我們可以透過玻爾來打造一個移動端的APP深入到產業使用，不僅準確，而且足夠輕量化，能夠在資源受限的環境中高效執行。
它的使用者其實包括了火箭設計師、工程師等專業人士。他們可以將APP作為隨身攜帶的快速參考工具，用於初步驗證想法或進行快速估算，然後再回到專業工作站進行精確計算。
當然這只是一個場景的APP，我們希望提供像安卓一樣的開放平臺，讓擁有技術能力的企業自己構建移動端的工具，來端到端的解決實際的問題。
DeepFlame不僅面向商業航天，還適用於火災預防、燃氣輪機、汽車氫燃料/甲醇應用等多個領域。實際上，它甚至不侷限於燃燒相關場景，只要涉及化工流體和反應，如反應器內的流動，都可以應用這一技術。
比如預測電池在極端條件下的熱失控行為、火焰蔓延路徑和有害氣體釋放情況。這些模擬可以幫助電池製造商最佳化電池設計和熱管理系統，提高安全性；也可以幫助車企和儲能系統開發商制定更有效的消防策略和安全防護措施。
再比如我們有一個合作方是一家國外的工業保險公司，他們需要預測工廠發生火災的機率，火災傳播模擬與火箭發動機中的燃燒過程有許多相似之處，都涉及複雜的化學反應、多相流動和熱傳遞過程。
未來這種抽象出來的框架能力，才是AI for Science服務產業的關鍵問題。