美国启动创世纪计划：AI曼哈顿计划加速科研革命

当特朗普总统按下「创世纪」计划的启动按钮，美国举国上下正豪赌一场「AI曼哈顿计划」，旨在通过人工智能彻底变革科研创新！

白宫将这一战略命名为——美国创世纪计划（US Genesis Mission）： 其核心是让AI直接参与提出科学假设、设计实验流程、分析复杂数据，从而打造「AI科学家」以加速科研突破。

就在创世纪计划宣布后的第二天——

美国能源部科学事务副部长兼「创世纪计划」项目主任Darío Gil，与斯坦福大学教授Kathryn A. Moler联手，在《科学》（Science）杂志发表社论，强调一个关键主题：

将AI融入科研加速，应当成为科研界全体参与的一场广泛运动。

他们着重指出两点：

卓越的科研，始于深度对话和精准提问；

AI的真正潜力，不止于生成论文摘要，而是创造可重复验证的科研成果。

美国打造「AI原子弹」级战略

继《AI行动计划》之后，创世纪计划成为美国的又一记重拳。

这一次，美国的野心更大——直接将其类比为二战时期的核武器研发「曼哈顿计划」，启动一场「AI曼哈顿计划」。

这场计划旨在动员全美科研与工业体系：

调动国家实验室的顶级科学家资源；

联合创新企业和美国顶尖学术机构；

打通现有科研基础设施、数据存储库和生产设施；

甚至整合国家安全体系中的算力与数据资源。

白宫的目标表述得极为明确：

训练「科学基础模型」、开发科研智能体，

让AI深度嵌入科研全流程，验证全新假设、自动化研究步骤，

以数量级的速度提升科学突破率。

在《科学》社论中，项目负责人勾勒出路线图：若将AI嵌入科研全流程——「提出假设 → 设计实验 → 采集数据 → 分析结果」，科研生产力有望实现跨越式跃迁。

但他们也发出警告：

缺乏可解释性，AI可能放大现有偏见；

缺乏责任边界，所谓「AI科学家」可能沦为危险的黑箱工具。

AI科学家上升为国家战略

在白宫视角下，将AI深度融入科研工作流，是一个关乎国家生产力的核心问题。

关键目标在于：

让每一位科学家，都配备能力超群的「AI科研搭档」。

本周，白宫高调宣布启动「美国创世纪计划」，瞬间激发了关于如何实现这一潜力的关键讨论。

但科研的成功，始于提出正确的科学问题。

首先，必须精准锁定那些能带来颠覆性突破的难题，以此驱动AI方法论的演进和「人机协作」模式的优化，最终广泛加速科学研究。

观察前沿领域的动态：

在核聚变能源领域，这意味着利用AI来「驾驭」比太阳核心更炽热的等离子体——通过精确预测其不稳定性，实现毫秒级的实时调控；

在分子与材料科学领域，这意味着开发能预测动力学和功能特性的模型，从而开启全新的发现征程；

而在量子前沿，这意味着加速算法的创新，以模拟自然奥秘并攻克当前棘手的难题。

简言之：先挑选最坚硬的骨头，再让AI去啃。

研究的成功，更依赖于为AI模型提供「燃料」的数据质量。

以蛋白质数据库（Protein Data Bank）为例，正是其提供的关键数据集，成就了如今蛋白质结构预测的突破。

蛋白质数据银行（PDB）作为生物医学领域首个开放获取数字数据资源，已成为支撑科学发现的核心实验数据全球平台。其中，美国的RCSB蛋白质数据库负责管理大型生物分子（蛋白质、DNA和RNA）三维结构数据的归档工作。这些数据是基础生物学、健康医疗、能源及生物技术领域研究与教育的重要基石。

这一成就的背后，是长期投入：既需要如先进光源这样的实验工具生成数据，也离不开开放获取的存储库共享信息。

大科学装置通过提供丰富且结构规范的数据打下基础，例如：

「薇拉·鲁宾天文台」（Vera C. Rubin Observatory）、

「先进光子源」（Advanced PhotonSource）、

「大型强子对撞机」（Large Hadron Collider）

然而，挑战在于——

真实的科研世界，远不止这些「洁净」的大装置数据。

在更广泛的研发体系中，数据往往呈现以下特征：

分散在不同实验室、企业和部门；

格式各异，标准不一；

元数据缺失，连「数据来源与背景」都难以追溯。

这形成了数据孤岛。对AI而言，这些数据几乎「不可用」。

要将孤立的数据孤岛转化为统一的创新引擎，需要科学家、国家机构及利益相关者协同努力：

既要清洗整理现有存量数据，使其AI可用；

更要建立统一标准，让未来数据从源头就具备「AI就绪」（AI ready）特性，且易于获取。

下一代科学家，呼唤集成化的计算基础设施：

融合E级（Exascale）高性能计算、专用AI、量子超级计算机；

整合安全网络、按需云算力及海量数据存储；

进一步，连接传感器、控制器等边缘设备，并嵌入专用AI算法，实现实时实验数据采集与精准控制。

超越大语言模型

AI与科学的融合，绝不限于通用大语言模型。

未来更关键的是混合模型——

将「神经网络的学习能力」与「传统物理模拟的精确预测」整合于一套系统。

核心在于「辅助」而非「替代」。

这些新模型将成为经典科学模型的得力助手，并在流程中设置「检查点」，利用已知物理模型和真实数据，持续校验并纠正AI生成的结果。

当混合模型与「科学智能体」（Scientific Agents）结合时，奇迹显现：

科学发现周期大幅压缩，每一次AI分析产生的数据，都将注入一个自我增强的进化循环。

科学智能体是指在人类指令下，自动协调文献检索、假设生成、实验设计、数据分析等步骤的AI系统。

要让AI真正成为科学家的「卓越搭档」，它必须产出经得起检验、可验证的成果。

所有数据、方法论、代码和产出都必须公开透明，接受公众审视。

这要求研究人员、科研机构、学术期刊及资助机构全行业动员，共同推动开源模型、标准化工具及「即用型」数据的普及。

AI组合拳解锁人类级智能

与此呼应，同日《自然》发表的社论提出：

将大模型的统计学习与符号推理、规划模块结合，可能是迈向「接近人类水平智能」的关键路径之一。

几十年前，符号系统曾是人工智能领域的先驱。

然而，到2010年代初，它们被更灵活的神经网络超越。这些AI模型擅长从海量数据中学习，构成了大语言模型（LLMs）及ChatGPT等应用的基础。

但现在，计算机科学界正积极推动这种「新旧技术」的更深层、更大胆融合。

「神经符号AI」（Neurosymbolic AI）已成为当前业界热门趋势。

马里兰大学帕克分校的计算机科学家Brandon Colelough追踪了学术论文中这一概念的迅速崛起。

数据显示，人们对神经符号AI的兴趣在2021年左右激增，且势头不减。

许多研究者感到欣慰：

这意味着神经网络在AI研究中的「单一主导」，终于开始被打破。

这两种策略的深度融合，可能通向通用人工智能（AGI）：即AI能像人类一样推理，并将知识跨情境迁移。

Colelough指出，这种技术对军事或医疗决策等高危应用场景也大有裨益。他解释，由于符号AI具有透明性且易于理解，它避免了神经网络那种令人难以信任的「黑箱综合症」（Black box syndrome）。

神经符号AI已有成功先例，包括谷歌DeepMind的AlphaGeometry。

但如何最佳地将神经网络与符号AI整合为通用系统，仍是待解难题。

「你实际上是在构建某种双头野兽，」同样来自马里兰大学的计算机科学家 William Regli说道。

两大顶刊在同一时间窗口集中发声，相当于为「AI参与科学发现」的路线图盖章，也为公众讨论「人类与AI在知识生产上的分工」提供了高话题度入口。

终极科学承诺

Darío Gil等人认为，AI加速科学的引擎需要公私资金的合力注入——

现在正是尝试新方法的最佳时机：联合投资算力基建、搭建数据共享框架、针对能催生AI新范式的难题展开协同攻关。

这一战略的价值，绝不限于科学界，它将辐射至整个经济体。

目前，研发投入占美国GDP的3.5%，这台经济引擎的回报远超投入成本。

通过赋能跨学科、跨机构的研究人员，AI将全面加速科学与工程的演进。它将极大提升科研生产力与影响力，引爆创新浪潮，驱动经济增长，最终造福人类社会。

这，就是在这个全新发现时代美国许下的终极承诺。

同一时间窗口，《科学》和《自然》同时发表社论，共同确认：

AI参与科学发现，已从边缘话题晋升为国家议程核心。

围绕人类与AI在知识生产上的分工，公共讨论的门槛正式抬高。

未来，我们将更频繁地见证AI与人类在科学发现中的互动挑战。

可以确定的是：

当白宫将「AI科学家」提升为国家战略，全球科研与产业博弈必将随之加速。

参考资料：

https://www.science.org/doi/10.1126/science.aee0605

https://www.nature.com/articles/d41586-025-03856-1