特朗普按下「创世纪」按钮之时，美国举国豪赌「AI 曼哈顿计划」！

白宫给它起名叫——美国创世纪计划（US Genesis Mission）： 让 AI 直接参与提出科学假设、设计实验、分析数据，让「AI 科学家」加速科研创新。

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，联手斯坦福大学教授 Kathryn A. Moler，在《科学》（Science）杂志发表社论，点题只有一句话：

让 AI 加速科研，应该变成一场科研界共同参与的运动。

他们强调两件事：

好的科研，始于对话和好问题；

AI 真正的价值，不止写论文摘要，而是生成可验证的结果。

美国要造「AI 原子弹」

继《AI 行动计划》之后，创世纪计划是美国的又一记重拳。

这一次，美国所图更大——直接把它类比成二战时期的核武器研发计划——「曼哈顿计划」。

这场「AI 曼哈顿计划」，要动员的是全美科研与工业体系：

调动国家实验室的顶级科学家；

联合创新企业和美国顶尖大学；

打通现有科研基础设施、数据存储库、生产设施；

甚至联动国家安全体系中的算力与数据资源。

白宫的目标写得很直白：

训练「科学基础模型」、打造科研智能体，

让 AI 深度嵌入科研流程，验证全新假设、自动化研究步骤，

用数量级的速度提升科学突破率。

在《科学》社论，项目负责人给出了路线图：如果把这类 AI 嵌入科研全流程——「提出假设 → 设计实验 → 采集数据 → 分析结果」，科研生产力有机会迎来数量级的跃迁。

但他们也警告：

如果没有可解释性，AI 可能放大原有偏见；

如果没有责任边界，所谓「AI 科学家」就可能变成危险的黑箱。

AI 科学家是美国新国策

在白宫看来，把 AI 真正嵌入科研工作流，是一个国家级生产力问题。

只要做成一件事：

让每一位科学家，都拥有能力爆表的「AI 搭档」。

本周，白宫重磅宣布启动「美国创世纪计划」（US Genesis Mission），瞬间点燃了关于如何兑现这一潜力的关键探讨。

但科研的成功，始于提出正确的科学问题。

首先，要精准锁定那些能带来颠覆性突破的难题，以此倒逼 AI 方法论的进化和「人机协作」模式的升级，最终更广泛加速科学研究。

看看前沿领域正在发生什么：

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

在分子与材料科学领域，这意味着要开发出能预测动力学和功能特性的模型，从而开启全新的发现之旅；

而在量子前沿，这意味着加速算法的开发，去模拟自然界的奥秘，并攻克那些目前看似无解的顽疾。

换句话说：先把最硬的骨头挑出来，再让 AI 去咬。

研究的成功，更取决于为 AI 模型提供「燃料」的数据。

不妨看看蛋白质数据库（Protein Data Bank）的例子，正是它提供的关键数据集，才成就了如今蛋白质结构预测的辉煌。

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，如今已成为支撑科学发现的核心实验数据全球引领平台。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，是数十年如一日的投入与积累：既要像先进光源这样的实验工具来生成数据，也需要开放获取的存储库来共享信息。

大科学装置，通过提供丰富且结构相对规范的数据，打下了坚实的基础，比如

「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）

问题在于——

真正的科研世界，远不止这些「干净的」大装置数据。

在更广泛的研发体系里，数据往往是这样的：

分散在不同实验室、企业和部门；

格式五花八门，标准各说各话；

元数据缺失，连「这是什么」「怎么来的」都说不清。

这就形成了一个个数据孤岛。对 AI 来说，它们几乎是「不可用」的。

要将这些孤立的数据孤岛转化为统一的创新引擎，需要科学家、美国国家机构以及各方利益相关者通力合作：

既要清洗整理现有的存量数据，使其能被 AI 所用；

更要建立统一标准，让未来的数据从诞生之初就具备「AI 就绪」（AI ready）的基因，且易于获取。

下一代科学家，呼唤的是一种集大成者的计算基础设施：

打通 E 级（Exascale）高性能计算、专用 AI、量子超级计算机；

融合安全网络、按需调用的云算力以及海量数据存储；

更进一步，连接传感器、控制器等边缘设备，并植入专用 AI 算法，实时采集现场实验数据与精准控制。

不止大语言模型

AI 与科学的融合，绝不止于通用大语言模型。

接下来更重要的，是一类混合模型——

把「神经网络的学习能力」和「传统物理模拟的精确预测」，绑在一套系统里。

关键在于「辅助」而非「替代」。

这些新模型将成为经典科学模型的左膀右臂，并在流程中设置「检查点」，利用已知物理模型和真实数据，时刻校验并纠正 AI 生成的结果。

当这种混合模型，和「科学智能体」（Scientific Agents）结合时，奇迹发生了 :

科学发现周期将被大幅压缩，每一次 AI 分析产生的数据，都会注入到一个自我进化的增强循环中。

所谓科学智能体，就是在人类指令下，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「好搭档」，它必须能产出经得起推敲、可验证的成果。

所有数据、方法论、代码和产出，都必须摊在阳光下，接受公众审视。

这就要求研究人员、科研机构、学术期刊乃至资助机构进行全行业动员，共同推动开源模型、标准化工具以及「开箱即用」数据的普及。

AI 组合拳解锁人类级智能

与之呼应，同日《自然》发表的社论提出 :

把大模型的统计学习，与符号推理、规划模块组合在一起，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领跑者。

然而，到了 2010 年代初，它们被更灵活的神经网络远远甩在了身后。这些 AI 模型擅长从海量数据中学习，构成了大语言模型（LLMs）以及 ChatGPT 等应用的基础。

然而现在，计算机科学界正在极力推动这种「新老技术」进行更优化、更大胆的融合。

「神经符号 AI」（Neurosymbolic AI）已成为当前业界最热门的流行词。

马里兰大学帕克分校（University of Maryland, College Park）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 年左右出现激增，且目前毫无减弱的迹象。

不少研究者松了口气：

这意味着，神经网络在 AI 研究中的「不健康垄断」，终于开始被打破。

这两种策略的深度融合，可能会通向通用人工智能（AGI）：即像人类一样，AI 能够推理，还能将知识从一种情境迁移推广到另一种情境。

Colelough 指出，这种技术对于军事或医疗决策等高风险应用场景也可能大有裨益。他解释道，由于符号 AI 具有透明性且易于被人类理解，它不存在那种让人难以信任神经网络的「黑箱综合症」（Black box syndrome）。

神经符号 AI 已有一些成功的先例，包括谷歌 DeepMind 的AlphaGeometry。

但是，如何找出将神经网络与符号 AI 结合成一个通用系统的最佳方式，仍是一个贷借的难题。

「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，相当于给「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」提供了一个高话题度的入口。

终极科学诺言

Darío Gil 等认为，AI 加速科学的引擎，需要公私两股资金的合力注入——

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，绝不止步于科学界，它将辐射至整个经济体。

目前，研发投入占美国 GDP 的 3.5%，这台强大的经济引擎所产出的回报，远远超过了投入成本。

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。它将大幅提升科研的生产力与影响力，引爆创新，驱动经济增长，最终造福人类生活。

这，就是在这个全新发现时代美国许下的终极诺言。

同一个时间窗口，《科学》和《自然》同时发社论，一起盖了两个章：

AI 参与科学发现，不再只是边缘话题，而是被写进国家级议程。

围绕人类与 AI 在知识生产上的分工，公共讨论的门槛被正式抬高。

接下来，我们会越来越频繁地听到 AI 与人类在科学发现中互动出现的问题。

可以确定的是：

当白宫把「AI 科学家」当成国家战略来做， 全球科研和产业的博弈，也会随之加速。