押注AI for Science
据央视新闻，当地时间（2025年）11月24日，美国白宫发布声明表示，总统特朗普签署了一项行政命令，启动一项旨在利用人工智能（AI）变革科学研究方式、加速科学发现的全新国家计划“创世纪计划”。声明表示，该命令指示能源部创建一个人工智能实验平台，整合美国超级计算机和独特数据资产，以生成科学基础模型并为机器人实验室提供支持。该命令指示总统科学与技术事务助理（APST）协调这项国家计划，并整合联邦政府各部门的数据和基础设施。能源部长、总统科学与技术事务助理以及人工智能与加密技术特别顾问将与学术界和私营部门的创新者合作，支持并加强“创世纪计划”。九个月后，2026年7月22日，美国能源部(DOE)亮出了第一批底牌——278个入选项目，覆盖从量子计算到稀土开采、从核聚变到电网调度的几乎所有硬科技前沿。这 278个项目，就是一份 AI for Science 的"作战地图"。你可以把它想象成一次超大型的超市采购。把购物车里的东西全倒出来，按类目摆好，你不需要听任何口号，就能看清楚这个人到底在过什么样的日子、在为什么样的未来做准备。产业研究也是这个逻辑：不看宣言，看清单。下面对这份清单按机构类型、技术范式拆和学科赛道进行拆解。拆完之后，美国的打法清清楚楚地浮了出来。 本帖最后由 乡下 于 2026-7-31 21:26 编辑
先看谁拿到了钱。278 个项目背后的承接机构，呈现出一个非常清晰的"三层结构"。
枢纽层：国家实验室（87项） 占比31%
广度层：大学与学术机构（168项） 占比60%
卡位层：企业与产业机构（23项）占比8% 乡下 发表于 2026-7-31 21:14
先看谁拿到了钱。278 个项目背后的承接机构，呈现出一个非常清晰的"三层结构"。
枢纽层：国家实验室（87项 ...
大学占60%看似最多，但这 60% 是由100多所大学分摊的，平均每家一两个项目。真正值得琢磨的是另外两个数字。国家实验室是真正的枢纽。 美国 DOE 体系下只有 17 个国家实验室(含本次频繁出现的 Oak Ridge、Pacific Northwest、Lawrence Berkeley、Lawrence Livermore、Argonne、Brookhaven、Los Alamos、Sandia 等)，却一口气吃下了 31% 的项目。这意味着每个大实验室平均承接 5 个以上的 Genesis 项目。为什么是国家实验室？因为 AI for Science 是一门"重资产生意"。它需要三样东西同时在场：大型科学设施(加速器、聚变装置、同步辐射光源、超算)、海量且独家的科学数据、以及横跨物理、化学、材料、计算的多学科团队。这三样东西，全美国只有国家实验室凑得齐。大学擅长单点突破，企业追求快速变现，唯有国家实验室能撑起"AI for Science 平台"这种又重又慢、但回报巨大的基础设施。企业的 8% 全部卡在硬科技咽喉。 23 家产业机构，没有一家是"做通用大模型的互联网公司"。它们的分布精确得令人吃惊：聚变能源：Acceleron Fusion、Realta Fusion、SHINE Technologies能源与电力：Siemens Energy、GE Vernova、Electric Power Research Institute(EPRI，出现 3 次)半导体与计算：Kepler Computing、Inversion Semiconductor、Great Sky(神经形态计算)关键矿物与稀土：Aclara Technologies、Halliburton、Riven合成生物：Invizyne、LiftOFF材料设计：Exabyte这是一份"能商业化变现"的硬科技名单。美国的逻辑很现实：产业界不是来陪跑基础科学的，它只出现在那些"再往前一步就能变成产品、变成供应链、变成国家安全筹码"的节点上。这是"枢纽—广度—卡位"的三层结构。 国家实验室搭平台，大学铺广度，企业锁咽喉。三层各司其职，缺一不可。 ai for science大装置，含产业园：厦大30亿（国内首个），科大100亿 丑国在押注"自主科研智能体"机构是骨架，技术是肌肉。我把278个项目的标题拆开，统计其中四类高频技术范式出现了多少次。结果很有意思。
各技术范式：
1）Agentic(智能体自主闭环)61项，占比21%
2）Digital Twin(数字孪生)24项，占比8%
3）Physics-Informed(物理信息嵌入)22项，占比7%
4）Foundation Model(科学基础模型)19项，占比6%
本帖最后由 乡下 于 2026-7-31 21:55 编辑
乡下 发表于 2026-7-31 21:30
丑国在押注"自主科研智能体"机构是骨架，技术是肌肉。我把278个项目的标题拆开，统计其中四类高频技术范式 ...
Agentic 以 21% 的比例一骑绝尘。 这是最重要的一个数字。
什么叫 Agentic？就是 AI 不再只是"你问我答"的预测工具，而是能自己跑完一个科研循环的智能体：它提出假设，设计实验，调用数字孪生做模拟，用物理定律约束自己别胡说，跑出结果后再自主优化下一步。从"AI 当预言家"升级到"AI 当实验员"。
把这四个范式叠在一起看，就会看到美国正在下注的那个东西："自主科研智能体"(Autonomous Science Agent)。它的公式是：
Agentic(能自主行动)+ Physics-Informed(守物理定律)+ Digital Twin(有可模拟的世界)+ Foundation Model(有跨场景的底座)= 一个能自己干活的科学家
随便挑几个项目感受一下这个组合的真实质感：
①Lawrence Berkeley 实验室的 A-WILD：AI 驱动的"智能实验室发现"工作流——让实验室自己跑起来。
②Oak Ridge 实验室的 Pipit：用智能体代码生成，为制造和材料工程造一个"基础模型工厂"。
③Argonne 的反应堆数字孪生、Princeton 的聚变基础模型平台、Stanford 的机器人操作系统生物可编程物质。
这些都不是"拿大模型算一下"，而是"造一个能替科学家干活的系统"。这是 Genesis Mission 和"通用 AI 狂欢"之间最本质的区别。
Physics-Informed 是护城河。 科学家不会信任一个黑箱。Physics-Informed / Physics-Aware 这类做法，把已知的物理定律(质量守恒、动量守恒、热力学约束)硬编码进神经网络，让 AI 的输出天然满足物理规则。这是 AI 能走进科学家实验室的入场券。 乡老师，这是个比较有意思的话题。 任务导向，而非自由探索最反直觉的发现来自学科赛道。把 278 个项目按领域归类(允许一个项目同时属于多个领域)，热度排名是这样的：
1）计算/AI 基础设施/网络安全45项
2）气候·水·地球系统33项
3）地学·地下·地热31项
4）材料·先进制造30项
5）高能·粒子·核物理28项
6）生物·生物制造26项
7）量子科技24项
8）聚变能源19项
8）关键矿物·稀土19项
10）加速器·光子·探测器设施18项
11）半导体·微电子·神经形态16项
12）核能·燃料·核废料14项
13）电网·能源系统12项
13）电化学·催化·电池12项 乡下 发表于 2026-7-31 21:44
任务导向，而非自由探索最反直觉的发现来自学科赛道。把 278 个项目按领域归类(允许一个项目同时属于多个领 ...
第一，排名第一的不是任何一门科学，而是"AI 基础设施"本身。 45 个项目在做 HPC(高性能计算)、科学工作流编排、科学基础模型工厂、数据管线、对抗鲁棒性、网络安全。这说明美国清醒地知道：AI for Science 要起飞，先把"跑道"修好。算力、数据、平台、安全是底层土壤，没有它们，上面的科学发现都是空中楼阁。
第二，278 个项目几乎全部围绕 DOE 的三大使命打转：能源主导、发现科学、国家安全。 聚变、核能、地热、电网、关键矿物、稀土、电化学——这是"能源主导"线。量子、高能物理、材料、气候——这是"发现科学"线。核废料、网络安全、核数据——这是"国家安全"底座。你几乎找不到一个"纯 AI 方法论"或"通用大模型"项目。这叫"任务导向"(mission-driven)，不叫"自由探索"。 国家把战略目标拆成具体任务清单，再让 AI 去攻坚，而不是撒钱等科学家自己琢磨。
第三，关键矿物和稀土占 19 个，地热和地下占 31 个。 这两个赛道在中国的 AI for Science 讨论里相对冷门，但美国真金白银地在投。为什么？因为它们直接挂钩"供应链安全"和"能源独立"。AI 被用来找矿、提纯稀土、设计地热压裂。AI for Science 在这里不只是"做科研"，更是"抢资源"。
学科主战场可以归成三条线——能源主导线、发现科学线、安全底座线。AI 是贯穿三条线的工具，任务是组织三条线的主线。 ai现在的关联长度不够长，无法处理真实的物理系统，像那些所谓Ai解决数学思想、发表四大刊物，其实都是AI作为特定专家的助手去辅助的。现在的大模型算力和架构都不足以达成这些目标，除非建立一个新的框架以及算力进一步提升。 启示一：
从"造大模型"转向"造自主科研智能体"。咱们 AI for Science 目前的主流叙事，还集中在"AI 加某个具体科学问题"的单点突破，比如蛋白质结构预测、分子生成、气象大模型。这些都很重要，但 Genesis 告诉我们：丑国在押注的下一个层级，是能自主跑完"假设—实验—验证—优化"闭环的科研智能体平台。中国需要补的，正是那一组"四件套"——Agentic 加 Physics-Informed 加 Digital Twin 加 Foundation Model——的组合工程能力。单点模型是"棋子"，自主智能体是"能自己下棋的棋手"。差距不在某一步，而在能不能把棋手造出来。 启示二：
把国家战略科技核心力量当枢纽，而不是当招牌。丑国用17个国家实验室撑起31%的项目，核心是让实验室成为"科学设施+算力 + 数据+跨学科团队"一体化的平台。目前咱们正在建设一批综合性国家科学中心和国家实验室。启示在于：这些战略科技核心力量不能只当"招牌"，而要像 DOE 那样，真正承担起"AI for Science 重资产平台"的角色，把配备的那些顶级科研设施，和 AI 团队、科学数据深度绑定。谁拥有不可替代的科学重资产，谁就拥有 AI for Science 时代的入场券。 本帖最后由 乡下 于 2026-8-1 12:55 编辑
启示三：
用"任务清单"组织攻关，而不是"撒胡椒面"。Genesis 最值得学的不是技术，是组织方式。它没有让278个项目各自为政，而是用"能源主导、发现科学、国家安全"三大使命，把所有项目拧成一股绳。咱们完全可以借鉴这种"任务导向"(mission-driven)机制：围绕国家最紧迫的需求，设立明确的 AI for Science 任务清单，用"使命"组织科学家，而不是只靠科学家个人兴趣分散选题。战略清晰，资源才不会在100多所大学之间稀释成噪声。 本帖最后由 乡下 于 2026-8-1 12:55 编辑
启示四：
让产业界精准卡位"卡脖子"的硬科技节点。丑国企业只占8%，但每一颗子弹都打在能变现、能换供应链、能换国家安全的咽喉上：聚变、稀土、EDA、半导体、合成生物。咱们的 AI for Science 产业参与，应该瞄准那些"卡脖子且能快速产业化"的节点：EDA工具链、高端材料设计、合成生物制造、新能源材料、聚变工程等。让企业牵头或深度参与，而不是把产业界排除在基础研究之外，也不是让企业去做离科学太远的纯应用。8% 的精准卡位，胜过80%的泛泛参与。 启示五：
把"物理信息嵌入"做成护城河，赢得科学家信任Physics-Informed 不是技术细节，是 AI能否被科学共同体接受的生死线。科学家只相信守定律、可解释、可验证的结果。咱们的科学 AI不能只追"模型规模+数据量"这一条路，必须把领域知识、物理先验、守恒约束工程化地嵌进模型。谁先把"可信、可解释、守物理"这一层做扎实，谁就能率先让AI走进真实实验室，而不是停在论文 demo 里。 启示六：
先把"基础设施层"修好。Genesis 把16%的项目，也就是最大的一块，投给了 AI 基础设施：HPC、科学工作流、基础模型工厂、数据管线、安全防护。咱们需要的是国家级的"AI for Science算力+数据+平台"基础设施，而且是开放共享的。地基不牢，上面再多漂亮的应用都是一次性表演。先修跑道，再谈起飞。 "创世纪计划"的50亿美元，丑国正在用国家实验室体系做一件结构性的事，即把科研的数据、算力、模型与实验设施统一到一个国家级平台上，并让AI智能体成为科研闭环的执行者。这套体系一旦跑通，其复利效应将远超任何单笔投资。 zgjyb 发表于 2026-7-31 21:24
ai for science大装置，含产业园：厦大30亿（国内首个），科大100亿
真的100亿吗。好夸张啊 睢园绿竹 发表于 2026-8-1 21:22
真的100亿吗。好夸张啊
真的，科大1000多台机器人（agent）吧，厦大只有300多台
科大：项目总投资逾百亿元，打造集智能科研大科学装置、中试基地、战略性新兴产业集群于一体的国家级重大科技基础设施：https://news.ustc.edu.cn/info/1056/94772.htm
页:
[1]