2025年被称为核聚变元年，回顾聚变产业协会（Fusion Industry Association,FIA）在2025年7月发布的年度报告称全球聚变能源私营企业累计融资已达97.66亿美元，资本正加速向头部企业集中。从实验室走向电站工地，聚变似乎从未如此接近现实。

然而，一个尖锐的问题始终悬而未决：这些耗资数十亿建成的聚变装置成本到底会有多贵？

过去几十年，聚变成本估算一直是个"盲盒"，每个团队用自己的方法、自己的假设、自己的会计科目，算出来的数字跨度惊人。投资人无法横向比较不同技术路线，政策制定者难以判断补贴力度，甚至连研究人员自己都说不清某个设计变更对最终电价的影响有多大。

2026年初，小编留意到一篇刊载在arXiv上的题为《A Costing Framework for Fusion Power Plants》的论文，它或许可以帮助我们了解一二。这份凝聚了ARPA-E七年支持工作的成果，不仅开源了一套名为pyFECONs的成本核算工具，更重要的是建立了一套标准化、可审计、跨技术可比的聚变经济学语言。

本文将深入剖析这套框架的底层逻辑，揭示聚变电站的成本结构，并梳理出一条清晰的降本路径图谱。

一、从"拍脑袋"到"可审计"：聚变成本核算的演进之路

1. ARIES时代：经验缩放的局限

聚变成本核算的故事要从ARIES系列研究说起。这套由加州大学圣迭戈分校（UCSD）主导的研究项目，从1980年代末开始，用一套经验缩放关系（cost-scaling relations）估算聚变电站的资本成本。核心思路很直观：根据已知的物理参数（如等离子体半径、磁场强度），用历史数据拟合出的公式推算设备造价。这种方法在概念设计阶段非常高效，但问题也很明显：

• 盲盒化：缩放公式背后的假设不透明，外人难以追溯

• 不可比：不同团队用不同的基准年份、不同的通胀调整方式，算出来的数字天然不可比

• 过度简化：把复杂的工程系统压缩成一两个参数，忽略了布局、施工方法、供应链成熟度等关键变量ARIES-AT在2003年给出的估算是$4000-4700/kWe，而欧洲DEMO研究同期给出的是€6200/kWe——看似接近，实则口径差异巨大。

2. 2017转折点：EPC视角的引入

真正的转折发生在2017年。ARPA-E意识到，仅靠学术界的缩放关系无法取信于产业界，于是拉来了两家"外援"：Bechtel（全球顶级工程总承包商）和Decysive Systems（核能成本咨询公司）。这次试点的核心任务很简单：用EPC（Engineering, Procurement, Construction）的经验，校准ARIES算出来的数字靠不靠谱。结论令人意外又合理：

BOP（Balance-of-Plant，电厂外围系统）的成本估算大致吻合，但间接成本（indirect costs）被严重低估。什么是间接成本？简单说就是不直接变成设备的钱——工程管理、施工监督、业主方人员培训、备件库存、建设期利息等等。在传统电力项目中，这部分可能占总投资的20-30%；但在聚变研究中，它们常常被压缩成一个"其他"科目，甚至干脆忽略。

3. 2019深化：发现"非聚变岛成本"的主导地位

2019年，ARPA-E又引入了Lucid Catalyst的研究视角。这家公司专门分析核能项目的成本驱动因素，他们带来了一个反直觉的发现：对于很多聚变概念，非聚变岛（non-fusion-island）成本，也就是BOP+间接费用，往往占总成本的大头。

这意味着什么？意味着哪怕你把超导磁铁的成本砍掉一半，对最终LCOE（平准化度电成本）的影响可能也达不到预期。真正决定聚变电价竞争力的，可能是那些看起来"不性感"的部分：土建施工方法、模块化程度、供应链学习曲线。这个发现直接重塑了后续研究的优先级：从"堆芯性能优化"转向"全系统成本优化"。

4. 2023标准化：对齐核能百年会计体系

到了2023年，ARPA-E的聚变投资组合已经扩展到BETHE、GAMOW等多个项目，涉及托卡马克、仿星器、惯性约束等多种技术路线。这时候，一个统一的可比框架变得迫在眉睫。Woodruff团队做了一件"枯燥但至关重要"的事：把聚变成本账户对齐到IAEA（国际原子能机构）-GEN-IV（第四代核能系统）-EPRI（美国电力研究院）的标准。具体做法是采用GEN-IV的6大类账户结构：

• Category 10：预建设成本（设计、许可、场地准备）

• Category 20：直接建设成本（建筑、反应堆设备、涡轮发电机）

• Category 30：间接服务成本（工程管理、施工监理）

• Category 40：所有者成本（业主管理、运营培训）

• Category 50：补充成本（备件、应急准备金、退役基金）

• Category 60：财务成本（建设期利息）

其中CAC为年化资本成本，COM为年化运维成本，CF为年化燃料成本，y为年增长率，Y为电厂寿命年数，PE为净电功率，pa为电厂可用率

论文本身未输出具体的LCOE点估计值，而是提供了一套可以让用户自行输入参数、追踪假设、审计结果的透明框架。

三、降本路径：论文明确提出的四大策略

基于pyFECONs框架和Lucid Catalyst的研究，论文明确提出了四条降本路径。需要强调的是，这些策略的核心目标并非优化聚变岛（fusion island）本身，而是针对占总成本主导地位的"非聚变岛成本"——包括厂房建筑、汽轮机大厅、热交换器、场地工程、施工管理等。

1. 设计优化（Design-for-Cost）

核心方法：

• 标准化布局（standardized layouts）

• 简化建筑设计（simplified buildings where feasible）

• 纪律化的账户结构（disciplined accounting structures）

目标：降低主导成本类别——厂房建筑、汽轮机大厅、热交换器、场地工程、施工管理。

论文指出，2019年的研究关键成果之一是"清晰阐明了非功率核心成本（non-power-core costs）在总成本中的主导地位，从而推动了超越物理性能优化的成本削减策略"。

2. 模块化（Modularization）

论文观点：

• 模块化对直接成本和间接成本均具有影响

• 其核心价值在于量化学习机会和可重复性效益

• 2019年研究提供了"模块化可行性的全面视角及其对成本的影响评估"

论文未给出具体的模块化实施细节或降幅估算，但强调这是需要"全面评估可行性"的策略方向。

3. 集中制造（Centralized Manufacturing）

论文观点：

• 与设计优化、模块化共同作用，量化学习机会和可重复性效益

• 目标同样是降低非功率核心成本（厂房建筑、汽轮机大厅、热交换器、场地工程、施工管理）

论文未展开具体实施路径，但将其列为明确的降本策略之一。

4. 学习效应（Learning）

论文观点：

• Lucid Catalyst的分析强调，学习效应是"决定可实现成本结果的关键因素"

• 学习效应通过模块化和集中制造来量化

• 建筑物、施工方法、模块化和学习对总电厂成本有重大影响，因此在成本核算工作流程中被明确处理

四、pyFECONs：开源工具如何改变游戏规则

说了这么多方法论，最后来看看落地的工具。pyFECONs作为一个开源Python框架（GitHub:Woodruff-Scientific-Ltd/ARPAE-PyFECONS），核心价值在于三点：

1. 透明度：从假设到结果的完整审计链

传统商业成本模型的最大问题是"盲盒"——输入几个参数，输出一个LCOE数字，中间过程外人无从验证。pyFECONs反其道而行：

• 所有缩放公式都有文档引用：每个成本关联函数都标注来源（ARIES报告、NETL基线、供应商报价等）

• 中间结果全部可查：不只是最终LCOE，每个子系统的资本成本、年度O&M、燃料循环成本都单独输出

• 版本可追溯：基于Git的代码管理，确保任何一次分析都能复现

2. 灵活性：支持多技术路线与多燃料循环

pyFECONs不是为某一种聚变概念量身定制的，而是设计了通用接口：

• 磁约束vs惯性约束：通过不同的"热岛"模块适配

• 氘氚vs先进燃料：支持D-D、D-³He等燃料循环的成本建模

• 包层选项：液态金属、固态陶瓷、水冷等不同包层类型可切换

• 财务参数自定义：折现率、税率、折旧年限均可调整

这使得它既能用于早期概念筛选（快速扫描参数空间），也能用于详细设计阶段的成本优化。

3. 扩展性：社区共建的成本数据库

开源的最大红利是集体智慧。随着更多团队使用pyFECONs：

• 成本基线持续更新：用户可以贡献最新的供应商报价、施工合同数据

• 新技术快速纳入：如高温超导带材的价格下跌趋势，社区可以及时更新模型

• 跨项目对标：在保护商业机密前提下，聚合统计数据帮助行业识别共性瓶颈

目前,截至论文发出前，GitHub仓库已有79次提交，包含了多个基准测试案例（Benchmark_Cases），涵盖托卡马克、仿星器等不同构型。虽然用户数量还不多，但已经形成了一个小型的专业社区。

五、挑战与展望：聚变经济学的未竟之业

尽管pyFECONs框架迈出了关键一步，但聚变经济学仍面临若干未解挑战。

1. 不确定性量化不足

当前聚变项目的实际成本分布可能极宽。2026年2月的一篇后续论文（arXiv:2602.19389）尝试将材料价格波动、TRL（技术就绪等级）不确定性、学习曲线方差等纳入蒙特卡洛模拟，输出成本分布而非单一数字。这是值得关注的方向。

2. 退役成本的数据空白

聚变电站的退役成本高度依赖于第一壁材料的活化水平，而这又取决于中子通量、运行年限、材料选择等多重因素。目前pyFECONs将其归入Category50下的（补充成本），但具体数值多借用裂变经验，准确性存疑。需要更多辐照实验和退役模拟来填补这一空白。

3. 电网价值的缺失

LCOE是一个"成本侧"指标，但聚变的真正价值可能体现在"收益侧"——如提供稳定基荷、调频辅助服务、制氢耦合等。普林斯顿大学J.A.Schwartz等人在2024年IAEA会议上提出，应该用系统价值模型（如GenX、PLEXOS）评估聚变在脱碳电网中的边际贡献，而非仅看LCOE。这可能是下一代聚变经济学框架的演进方向。

4. 私营公司的数据壁垒

目前pyFECONs的基准案例主要来自ARPA-E资助的学术研究，但全球聚变投资的主体已是私营公司。这些公司的成本数据属于商业机密，难以纳入开源框架。如何在保护知识产权的前提下促进行业数据共享，是一个治理难题。

六、批判性视角：工程学乐观主义vs经验主义怀疑论

当pyFECONs为聚变经济学提供标准化工具之时，来自苏黎世联邦理工学院（ETH Zurich）的研究者在《Nature Energy》上泼来一盆冷水。

2026年4月，Lingxi Tang等人发表了一篇措辞较为强硬的政策简报，标题直白得近乎刺耳：《聚变发电不太可能具有竞争力》（Fusion power unlikely to become competitive）。

3月23日，同样在《Nature Energy》上，他们还看在了一篇题为《聚变能经验率被高估》（Fusion power experience rates are overestimated）的文章。投资逻辑需重塑？《Nature Energy》论文揭示聚变电厂“高起点、缓降本”的经济性难题

他们指出，当前主流聚。变设计的三大固有特征，大型化、高复杂度、强定制化，其经验率（Experience Rate）应该落在2-8%的区间，与核裂变百年来的缓慢降本轨迹相似。

按照这一逻辑，即便pyFECONs能帮助工程师精确识别成本驱动因素、优化每一个子系统设计，也可能只是在"优化一条走不通的路"。

这场争论的本质，可能是工程学乐观主义与经验主义怀疑论的对撞：

• 前者相信通过设计优化、模块化、学习曲线可以突破历史规律；

• 后者则认为技术基因决定了成本下降的上限；

对于政策制定者而言，答案或许不在二选一，而在于分散下注：

1. 一方面支持主流路线的工程优化（用pyFECONs这样的工具确保每一分钱花得明白）；

2. 另一方面资助颠覆性概念的早期探索，寻找那些真正具备"小型化、简化、标准化"基因的聚变方案。

毕竟，如果聚变真的要成为未来能源系统的核心支柱，它需要的不只是"能点火"，更是"发得起电"。

参考链接：

• https://arxiv.org/pdf/2601.21724

• /articles/s41560-026-02022-9

• /articles/s41560-026-02023-8

• https://einstein-school.ethz.ch/en/news/news/2026/03/science-meets-the-federal-administration.html