新智元報道

編輯：KingHZ

美國開啟AI曼哈頓計劃，舉國豪賭AI科學家！

特朗普按下「創世紀」按鈕之時，美國舉國豪賭「AI曼哈頓計劃」！

白宮給它起名叫——美國創世紀計劃（US Genesis Mission）： 讓AI直接參與提出科學假設、設計實驗、分析數據，讓「AI科學家」加速科研創新。

就在創世紀計劃宣布后的第二天——

美國能源部科學事務副部長兼「創世紀計劃」項目主任Darío Gil，聯手斯坦福大學教授Kathryn A. Moler，在《科學》（Science）雜志發表社論，點題只有一句話：

讓AI加速科研，應該變成一場科研界共同參與的運動。

他們強調兩件事：

好的科研，始于對話和好問題；

AI真正的價值，不止寫論文摘要，而是生成可驗證的結果。

美國要造「AI原子彈」

繼之后，創世紀計劃是美國的又一記重拳。

這一次，美國所圖更大——直接把它類比成二戰時期的核武器研發計劃——「。

這場「AI曼哈頓計劃」，要動員的是全美科研與工業體系：

調動國家實驗室的頂級科學家；

聯合創新企業和美國頂尖大學；

打通現有科研基礎設施、數據存儲庫、生產設施；

甚至聯動國家安全體系中的算力與數據資源。

白宮的目標寫得很直白：

訓練「科學基礎模型」、打造科研智能體，

讓AI深度嵌入科研流程，驗證全新假設、自動化研究步驟，

用數量級的速度提升科學突破率。

在《科學》社論，項目負責人給出了路線圖：如果把這類AI嵌入科研全流程——「提出假設 → 設計實驗 → 采集數據 → 分析結果」，科研生產力有機會迎來數量級的躍遷。

但他們也警告：

如果沒有可解釋性，AI可能放大原有偏見；

如果沒有責任邊界，所謂「AI 科學家」就可能變成危險的黑箱。

AI科學家是美國新國策

在白宮看來，把AI真正嵌入科研工作流，是一個國家級生產力問題。

只要做成一件事：

讓每一位科學家，都擁有能力爆表的「AI搭檔」。

本周，白宮重磅宣布啟動「美國創世紀計劃」（US Genesis Mission），瞬間點燃了關于如何兌現這一潛力的關鍵探討。

但科研的成功，始于提出正確的科學問題。

首先，要精準鎖定那些能帶來顛覆性突破的難題，以此倒逼AI方法論的進化和「人機協作」模式的升級，最終更廣泛加速科學研究。

看看前沿領域正在發生什么：

在核聚變能源領域，這意味著利用AI來「馴服」比太陽核心更熾熱的等離子體——通過精準預測其不穩定性，實現毫秒級的實時控制；

在分子與材料科學領域，這意味著要開發出能預測動力學和功能特性的模型，從而開啟全新的發現之旅；

而在量子前沿，這意味著加速算法的開發，去模擬自然界的奧秘，并攻克那些目前看似無解的頑疾。

換句話說：先把最硬的骨頭挑出來，再讓AI去咬。

研究的成功，更取決于為AI模型提供「燃料」的數據。

不妨看看蛋白質數據庫（Protein Data Bank）的例子，正是它提供的關鍵數據集，才成就了如今蛋白質結構預測的輝煌。

蛋白質數據銀行（PDB）作為生物醫學領域首個開放獲取數字數據資源，如今已成為支撐科學發現的核心實驗數據全球引領平臺。其中，美國的RCSB蛋白質數據庫，負責管理大型生物分子（蛋白質、DNA和RNA）三維結構數據的歸檔工作。這些數據是基礎生物學、健康醫療、能源及生物技術領域研究與教育的重要基石。

這一成就的背后，是數十年如一日的投入與積累：既要像先進光源這樣的實驗工具來生成數據，也需要開放獲取的存儲庫來共享信息。

大科學裝置，通過提供豐富且結構相對規范的數據，打下了堅實的基礎，比如

「薇拉·魯賓天文臺」（Vera C. Rubin Observatory）、

「先進光子源」（Advanced 、Photon Source ）、

「大型強子對撞機」（Large Hadron Collider）

左右滑動查看

問題在于——

真正的科研世界，遠不止這些「干凈的」大裝置數據。

在更廣泛的研發體系里，數據往往是這樣的：

分散在不同實驗室、企業和部門；

格式五花八門，標準各說各話；

元數據缺失，連「這是什么」「怎么來的」都說不清。

這就形成了一個個數據孤島。對AI來說，它們幾乎是「不可用」的。

要將這些孤立的數據孤島轉化為統一的創新引擎，需要科學家、美國國家機構以及各方利益相關者通力合作：

既要清洗整理現有的存量數據，使其能被AI所用；

更要建立統一標準，讓未來的數據從誕生之初就具備「AI就緒」（AI ready）的基因，且易于獲取。

下一代科學家，呼喚的是一種集大成者的計算基礎設施：

打通E級（Exascale）高性能計算、專用AI、量子超級計算機；

融合安全網絡、按需調用的云算力以及海量數據存儲；

更進一步，連接傳感器、控制器等邊緣設備，并植入專用AI算法，實時采集現場實驗數據與精準控制。

不止大語言模型

AI與科學的融合，絕不止于通用大語言模型。

接下來更重要的，是一類混合模型——

把「神經網絡的學習能力」和「傳統物理模擬的精確預測」，綁在一套系統里。

關鍵在于「輔助」而非「替代」。

這些新模型將成為經典科學模型的左膀右臂，并在流程中設置「檢查點」，利用已知物理模型和真實數據，時刻校驗并糾正AI生成的結果。

當這種混合模型，和「科學智能體」（Scientific Agents）結合時，奇跡發生了:

科學發現周期將被大幅壓縮，每一次AI分析產生的數據，都會注入到一個自我進化的增強循環中。

所謂科學智能體，就是在人類指令下，自動協調文獻檢索、假設生成、實驗設計、數據分析等步驟的AI系統。

要讓AI真正成為科學家的「好搭檔」，它必須能產出經得起推敲、可驗證的成果。

所有數據、方法論、代碼和產出，都必須攤在陽光下，接受公眾審視。

這就要求研究人員、科研機構、學術期刊乃至資助機構進行全行業動員，共同推動開源模型、標準化工具以及「開箱即用」數據的普及。

AI組合拳解鎖人類級智能

與之呼應，同日《自然》發表的社論提出:

把大模型的統計學習，與符號推理、規劃模塊組合在一起，可能是邁向「接近人類水平智能」的關鍵路徑之一。

幾十年前，符號系統曾是人工智能領域的領跑者。

然而，到了2010年代初，它們被更靈活的神經網絡遠遠甩在了身后。這些AI模型擅長從海量數據中學習，構成了大語言模型（LLMs）以及ChatGPT等應用的基礎。

然而現在，計算機科學界正在極力推動這種「新老技術」進行更優化、更大膽的融合。

「神經符號AI」（Neurosymbolic AI）已成為當前業界最熱門的流行詞。

馬里蘭大學帕克分校（University of Maryland, College Park）的計算機科學家Brandon Colelough，追蹤了學術論文中這一概念的迅速崛起。

數據顯示，人們對神經符號AI的興趣在2021年左右出現激增，且目前毫無減弱的跡象。

不少研究者松了口氣：

這意味著，神經網絡在AI研究中的「不健康壟斷」，終于開始被打破。

這兩種策略的深度融合，可能會通向通用人工智能（AGI）：即像人類一樣，AI能夠推理，還能將知識從一種情境遷移推廣到另一種情境。

Colelough指出，這種技術對于軍事或醫療決策等高風險應用場景也可能大有裨益。他解釋道，由于符號 AI 具有透明性且易于被人類理解，它不存在那種讓人難以信任神經網絡的「黑箱綜合癥」（Black box syndrome）。

神經符號AI已有一些成功的先例，包括谷歌DeepMind的AlphaGeometry。

但是，如何找出將神經網絡與符號AI結合成一個通用系統的最佳方式，仍是一個貸借的難題。

「你實際上是在構建某種雙頭野獸，」同樣來自馬里蘭大學的計算機科學家 William Regli說道。

兩大頂刊在同一時間窗口集中發聲，相當于給「AI參與科學發現」的路線圖蓋章，也為公眾討論「人類與AI在知識生產上的分工」提供了一個高話題度的入口。

終極科學諾言

Darío Gil等認為，AI加速科學的引擎，需要公私兩股資金的合力注入——

現在正是嘗試新方法的最佳時機：聯合投資算力基建、搭建數據共享框架、針對能催生AI新范式的難題展開協同攻關。

這一戰略的價值，絕不止步于科學界，它將輻射至整個經濟體。

目前，研發投入占美國GDP的3.5%，這臺強大的經濟引擎所產出的回報，遠遠超過了投入成本。

通過賦能跨學科、跨機構的研究人員，AI將全面加速科學與工程的演進。它將大幅提升科研的生產力與影響力，引爆創新，驅動經濟增長，最終造福人類生活。

這，就是在這個全新發現時代美國許下的終極諾言。

同一個時間窗口，《科學》和《自然》同時發社論，一起蓋了兩個章：

AI參與科學發現，不再只是邊緣話題，而是被寫進國家級議程。

圍繞人類與AI在知識生產上的分工，公共討論的門檻被正式抬高。

接下來，我們會越來越頻繁地聽到AI與人類在科學發現中互動出現的問題。

可以確定的是：

當白宮把「AI科學家」當成國家戰略來做，全球科研和產業的博弈，也會隨之加速。

參考資料：

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

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

秒追ASI

?點贊、轉發、在看一鍵三連?

點亮星標，鎖定新智元極速推送！