在自家后院建造核电站既违法又不切实际,但自制一块氚核电池就没那么骇人听闻了——只是别指望它能输出什么像样的电量。
你甚至不需要任何专业器材。YouTube博主、电气工程爱好者"Double M Innovations"在近期发布的一段视频中演示了整个制作过程。正如他自己所说,想搭出一座"纳瓦级核电站",只需几块旧太阳能计算器、几根氚气发光管,再加上一卷锡箔纸。别对它的发电量抱太大希望,但这个组合确实能用。
原理其实相当简单:氚气发光管之所以会发光,是因为β衰变激发了管内的荧光涂层,而这种光照射到太阳能电池上,就能产生微弱的电流——虽然效率远不及自然光。氚气发光管在网上价格低廉,通常以小瓶装或钥匙扣的形式出售,后者一般很容易拆开取出内部的发光管。
将发光管夹在从廉价计算器上拆下来的两片太阳能电池之间,做好绝缘处理,再用锡箔纸包裹以遮挡外部光线,一块极为迷你、效率极低的核电池就大功告成了。它的理论寿命约为12年,正好对应氚的半衰期。
当然,Double M从这块电池里获得的可用电量少得可怜。在两片太阳能电池并联之前,整个装置仅能产生约0.5伏电压,电流则完全无法测量。并联之后,电流勉强进入纳安级别,依然无法产生多少实际可用的电量。
不过,它确实在发电——至少在长时间静置后是这样。将电池连接到一个电容器并放置一天后,电容器的电压最终爬升到了2.8伏。但这块电池的输出之微弱,从视频中一个细节便可见一斑:用电压表测量时,读数会迅速下降,因为电表本身的负载就足以将其电量抽空。
这显然不会在短期内颠覆任何能源格局。Double M本人也只是将其定性为一次概念验证,此前他还尝试过以α粒子为基础的电池版本,效果同样有限。
他在视频中坦言:"我确实从这块穷人版核电池里获得了一点点电能,但真的只有一丁点——或许够让一颗LED灯偶尔闪烁一下。"
像Double M这次制作的β衰变电池,实际上已应用于一些对寿命要求远高于输出功率的小众低功耗场景,包括远程传感器、部分植入式医疗器械以及空间科学研究设备。相比之下,许多更高功率的核电池方案则依赖α辐射同位素或衰变热来发电。
α辐射拥有更大的发电潜力,同时对人体的危害也更大,这使其成为DARPA等机构的首选能量来源。DARPA近期已委托私营企业开发高功率α粒子核电池,计划用于太空等偏远环境——在那些地方,即便是穿透力弱、容易屏蔽的α射线,也不会对人体构成威胁。
总而言之,别指望几个钥匙扣和几块坏掉的计算器能产生多少实际电力。不过作为一个有趣的概念,它确实值得把玩。当然,如果有人财力雄厚、时间充裕、空间宽阔,也可以尝试用海量钥匙扣电池堆出一套大型装置,没准真能积累出足够给手机充电的电量。
有兴趣的投资人欢迎随时联系——毕竟,这总好过因为在家私自搭建全功能核反应堆而锒铛入狱。
Q&A
Q1:氚核电池的发电原理是什么?
A:氚气发光管内部发生β衰变,衰变过程中激发管壁的荧光涂层发出光线,该光线照射到太阳能电池上便可产生微弱电流。这与普通光照驱动太阳能电池的原理相同,只是光源换成了氚的自发光,因此效率极低,输出电流仅在纳安级别。
Q2:自制氚核电池大概能用多久?
A:氚的半衰期约为12年,因此理论上这块自制核电池可以持续工作约12年。不过随着时间推移,氚的放射性衰减,发光强度也会逐渐降低,电池的输出功率会相应下降,并非在整个寿命周期内保持恒定输出。
Q3:β衰变电池目前有哪些实际应用?
A:由于β衰变电池寿命极长但功率极低,它主要被用于对寿命要求远高于输出功率的小众场景,例如偏远地区的远程传感器、部分植入式医疗器械(如特定心脏起搏器)以及空间科学研究设备,在这些场合,长期免维护运行比高功率输出更为重要。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。