想象一个我们可以利用驱动恒星的同种力量的世界，这种过程被称为核聚变。为了实现这一目标，科学家们建造了名为托卡马克（tokamaks）的大型甜甜圈形机器。在这些机器内部，超热气体（或称等离子体）被强大的磁场挤压，直到它们融合在一起，释放出巨大的能量。挑战在于，这种等离子体极其混乱且不稳定。为了保持其受控且安全，研究人员依赖于庞大的传感器网络，它们就像是这台机器的神经系统。这些传感器不断测量从气体的温度、压力到维持这一切的磁场强度等各项指标。几十年来，科学家们一直利用这些数据来预测等离子体何时可能变得不稳定，并实时控制机器。然而，随着目标转向建造真正的自持式发电厂，数据的规模和多样性已变得令人难以承受，这创造了一种传统计算机程序难以解决的新型难题。

普林斯顿大学的一个研究小组对这一数据问题进行了全新的审视，重点研究如何为下一代人工智能组织数据。他们正在探索使用“基础模型”（foundation models）——一种能够从海量信息中学习通用模式的高级计算机程序，类似于大型语言模型学习理解人类语言的方式。虽然这些模型已经彻底改变了语言和图像识别领域，但将它们应用于核聚变却非常困难，因为数据并不统一。在典型的聚变实验中，机器会产生一种混乱的混合信息：有些传感器进行简单的、低速的单值测量，而另一些则捕捉波形和模式的高速快照。研究人员发现，试图将这些杂乱、混合的数据直接输入计算机模型，就像试图同时将一桶沙子、一杯水和一把石头倒入同一个漏斗一样；这些不同的材料根本无法顺畅地融合在一起。

为了了解挑战的范围，该团队分析了来自 DIII-D 托卡马克装置（这是一个主要的聚变研究设施）的数据。他们对二十三种不同类型的测量进行了分类，范围从简单的电流读数到复杂的图像和类声波模式。他们发现，数据的变化速度差异巨大。有些传感器每秒仅记录几次信息，而另一些则每秒捕捉数千次快照。这种差异跨越了五个数量级，这意味着最快的传感器比最慢的传感器快了大约十万倍。此外，数据的形态也各不相同。有些测量值只是随时间变化的单行数字，有些是看起来像热图的二维网格，还有些是显示波如何在等离子体中移动的三维数据块。如果计算机模型试图同时学习所有这些内容，它可能会被海量的高速数据搞得晕头转向，从而可能忽略掉那些虽然缓慢但同样重要的、能够反映机器整体健康状况的信号。

研究人员还发现，机器内部的物理特性在不断发生变化且难以预测。等离子体的行为并非稳定、可预测的；由于湍流的存在，其特性会在极短的时间内发生偏移，而等离子体的整体形状则会在更长的时间跨度内演变。这意味着标准的清洗和准备数据的方法（通常假设有一个稳定的背景）无法捕捉到系统的真实本质。团队意识到，要构建一个成功的基础模型，不能简单地将所有数据堆成一堆。相反，他们必须仔细决定如何在时间上对数据进行切片。如果观察一个非常短的时间窗口，可以清晰地看到快速、混乱的波形，但会错过机器如何演变的宏观图景。如果观察一个较长的时间窗口，可以看到缓慢的变化，但会失去对快速波动细节的捕捉。

通过分析，该团队提出了一种组织此类数据以使其能够用于训练这些先进模型的具体策略。他们建议，大约一百毫秒的时间窗口是一个实用的平衡点。这个时长既足以捕捉等离子体缓慢、稳定的运动，又足够短，能够捕捉到重要的快速波动波形。他们还建议了一种处理不同传感器速度的方法。与其强迫所有数据以相同的速度运行（这要么会丢失重要的高速细节，要么会产生难以管理的低速数据），他们提出了一个灵活的处理方案。根据所使用的特定模型架构，他们建议要么预先计算出诸如原始波形的谱图等复杂表示形式以减少数据量，要么在模型训练时进行在线处理，即提取时间窗口并应用归一化和数据增强。这种方法允许计算机在不被迫进入单一、人工模具的情况下，同时学习快速传感器和慢速传感器的信息。

研究结论指出，尽管通往聚变动力未来的道路很复杂，但只要组织得当，所需的数据正变得越来越易于获取。研究人员并未在本研究中建造一座运行中的核聚变发电厂，也没有训练出一个最终的、完美的模型。相反，他们提供了一个至关重要的蓝图。他们描绘了数据的全貌，识别了阻碍科学家在该领域应用大规模人工智能的具体障碍，并提供了一套清晰的行动指南。他们的工作表明，通过尊重数据的独特属性——其不同的速度、形状和行为——科学家们终于可以开始训练那些强大的计算机系统，以掌控地球上的“恒星”那般混沌的物理现象。这种组织工作是迈向未来——即让机器学会控制地球上的恒星——所必需的第一步。