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。
]article_adlist-->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。
]article_adlist-->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 、Photon Source ）、
「大型强子对撞机」（Large Hadron Collider）
左右滑动查看
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。
]article_adlist-->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。
]article_adlist-->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。
参考资料：https://www.science.org/doi/10.1126/science.aee0605
https://www.nature.com/articles/d41586-025-03856-1
秒追ASI
⭐点赞、转发、在看一键三连⭐
点亮星标，锁定新智元极速推送！
]article_adlist-->
]article_adlist-->
]article_adlist-->
海量资讯、精准解读，尽在新浪财经APP
东兴资本配资提示：文章来自网络，不代表本站观点。
