2025年11月24日，美國(guó)白宮簽署了一項(xiàng)被內(nèi)部稱作“創(chuàng)世紀(jì)計(jì)劃”（Genesis Mission）的行政令。

如果說二戰(zhàn)時(shí)期的“曼哈頓計(jì)劃”、冷戰(zhàn)時(shí)期的“阿波羅登月”代表著原子能和航天時(shí)代的起點(diǎn)，那么“創(chuàng)世紀(jì)計(jì)劃”要押注的，是以人工智能為核心的新一輪科學(xué)革命。
不同的是，這一次的主角不再是某一件具體武器或某一項(xiàng)工程，而是一整套用AI重構(gòu)科學(xué)研發(fā)體系的嘗試。

很多人熟悉的AI，還停留在“寫文案、畫頭像、做PPT”的層面。而在這個(gè)計(jì)劃里，AI被直接推到了“解核聚變、造新材料、找新藥”的臺(tái)前——這背后，既是科學(xué)體系自身的瓶頸，也是國(guó)家競(jìng)爭(zhēng)邏輯的變化。

一、為什么要搞“創(chuàng)世紀(jì)”？——科學(xué)體系的“隱形困境” 1. 科研投入越來越多，產(chǎn)出越來越慢

過去幾十年，一個(gè)不太好說破的現(xiàn)實(shí)是：
錢砸得越來越多，重大突破卻越來越難。

• 新藥研發(fā)動(dòng)輒十年以上、百億美元級(jí)別投入，卻大量止步于臨床試驗(yàn)；

• 摩爾定律漸漸放緩，芯片工藝逼近物理極限；

• 在材料、聚變、生命科學(xué)等領(lǐng)域，模擬和實(shí)驗(yàn)的復(fù)雜度遠(yuǎn)超人類大腦的直覺能力。

從宏觀上看，美國(guó)聯(lián)邦科研經(jīng)費(fèi)在持續(xù)增長(zhǎng)，但單位經(jīng)費(fèi)對(duì)應(yīng)的“重大發(fā)現(xiàn)數(shù)量”卻并沒有線性增加。這種“邊際收益下降”，就是很多科學(xué)家口中的“科研中年危機(jī)”。

2. 人類大腦與傳統(tǒng)方法的極限

蛋白質(zhì)折疊、等離子體湍流、復(fù)雜材料的微觀結(jié)構(gòu)，這些問題的本質(zhì)，是高維度、多變量、強(qiáng)耦合的復(fù)雜系統(tǒng)。
傳統(tǒng)模式是：

人類科學(xué)家基于經(jīng)驗(yàn)提出假設(shè) → 做實(shí)驗(yàn)或數(shù)值模擬 → 失敗 → 調(diào)整參數(shù) → 再試。

這種迭代方式，本質(zhì)上依賴于人類的直覺與有限的算力。隨著問題復(fù)雜度上升，人類單靠腦力和傳統(tǒng)實(shí)驗(yàn)室，很難在可控時(shí)間內(nèi)跑完足夠多的方案。

AI，尤其是數(shù)據(jù)驅(qū)動(dòng)的模型和大規(guī)模計(jì)算平臺(tái)，被視為一種新的“科學(xué)儀器”：
不再只是幫人寫報(bào)告，而是參與到理論假設(shè)的生成、實(shí)驗(yàn)路徑的設(shè)計(jì)、結(jié)果的解釋中。

3. 從“市場(chǎng)驅(qū)動(dòng)”到“國(guó)家意志”的轉(zhuǎn)折

過去十年，AI的大部分動(dòng)力來自商業(yè)世界——

• 為廣告和推薦系統(tǒng)優(yōu)化點(diǎn)擊率；

• 為互聯(lián)網(wǎng)平臺(tái)提升留存和轉(zhuǎn)化；

• 近期則集中在生成內(nèi)容的消費(fèi)級(jí)產(chǎn)品。

在這樣的路徑下，AI的發(fā)展方向很大程度由“流量”和“商業(yè)變現(xiàn)邏輯”決定。
“創(chuàng)世紀(jì)計(jì)劃”的核心變化在于：美國(guó)聯(lián)邦政府決定不再只做“場(chǎng)外觀眾”，而要親自下場(chǎng)，給AI設(shè)定一個(gè)以基礎(chǔ)科學(xué)和硬科技為主的國(guó)家級(jí)目標(biāo)。

官方給出的一個(gè)明確指標(biāo)是：

用十年時(shí)間，讓美國(guó)聯(lián)邦研發(fā)效率“翻倍”。

這個(gè)目標(biāo)本身就釋放了信號(hào)：AI不再只是某幾個(gè)互聯(lián)網(wǎng)公司的業(yè)務(wù)線，而是被納入國(guó)家科技競(jìng)爭(zhēng)的主結(jié)構(gòu)里。

二、“創(chuàng)世紀(jì)計(jì)劃”到底在做什么？——從平臺(tái)到閉環(huán)

如果把“創(chuàng)世紀(jì)計(jì)劃”拆開看，至少有三個(gè)關(guān)鍵組件：一個(gè)國(guó)家級(jí)科研底座、一條高度自動(dòng)化的科研流水線、以及一張由政府與企業(yè)共同編織的合作網(wǎng)絡(luò)。

1. ASSP：把國(guó)家實(shí)驗(yàn)室和超算中心裝進(jìn)一個(gè)“AI大腦”

計(jì)劃的核心基礎(chǔ)設(shè)施，被稱為“美國(guó)科學(xué)與安全平臺(tái)”（ASSP）。

簡(jiǎn)單理解，可以把它看作是：

• 由美國(guó)能源部牽頭；

• 把全國(guó)最強(qiáng)的超級(jí)計(jì)算機(jī)集群接到一起；

• 把散落在各個(gè)聯(lián)邦部門、國(guó)家實(shí)驗(yàn)室里的歷史科研數(shù)據(jù)、實(shí)驗(yàn)記錄，盡可能打通；

• 在這個(gè)基礎(chǔ)之上，構(gòu)建一套面向科學(xué)研究的通用AI平臺(tái)。

這與普通企業(yè)自建的AI平臺(tái)有幾個(gè)顯著差異：

1. 數(shù)據(jù)類型不同

   ：
   重點(diǎn)不再是用戶行為、消費(fèi)數(shù)據(jù)，而是核能、材料、生物、氣候等高價(jià)值科研數(shù)據(jù)。

2. 權(quán)限與保密級(jí)別高

   ：
   很多數(shù)據(jù)涉及國(guó)家安全和關(guān)鍵技術(shù)，民間機(jī)構(gòu)很難獲得同等級(jí)別的訪問權(quán)限。

3. 目標(biāo)函數(shù)不同

   ：
   平臺(tái)的考核不主要看“營(yíng)收和用戶增長(zhǎng)”，而是看是否能顯著縮短科研周期、提高成果數(shù)量與質(zhì)量。

可以預(yù)計(jì)，ASSP會(huì)成為美國(guó)科研機(jī)構(gòu)和企業(yè)在“AI for Science”領(lǐng)域的通用底座，類似過去互聯(lián)網(wǎng)時(shí)代的“國(guó)家級(jí)云基礎(chǔ)設(shè)施”。

2. “閉環(huán)AI”：從人肉實(shí)驗(yàn)室到自動(dòng)化科研流水線

傳統(tǒng)科研流程往往是“斷點(diǎn)式”的：

科學(xué)家構(gòu)思 → 寫項(xiàng)目 → 申請(qǐng)經(jīng)費(fèi) → 搭實(shí)驗(yàn) → 做實(shí)驗(yàn) → 分析數(shù)據(jù) → 再設(shè)計(jì)新實(shí)驗(yàn)。

其中的每一個(gè)環(huán)節(jié)都消耗大量時(shí)間，且高度依賴人工操作。

“創(chuàng)世紀(jì)計(jì)劃”提出的，是一種更接近“工業(yè)生產(chǎn)線”的閉環(huán)模式：

1. AI閱讀文獻(xiàn)和歷史數(shù)據(jù)，自動(dòng)生成假設(shè)或候選方案；
2. AI下發(fā)指令給自動(dòng)化實(shí)驗(yàn)室（機(jī)器人、自動(dòng)化儀器等），執(zhí)行實(shí)驗(yàn)；
3. 實(shí)驗(yàn)結(jié)果實(shí)時(shí)回傳到AI模型；
4. 模型根據(jù)新數(shù)據(jù)修正假設(shè)，篩掉無效方向，放大有前景的路徑；
5. 循環(huán)往復(fù)，7×24小時(shí)運(yùn)轉(zhuǎn)。

如果這種模式落地，理論上可以把原來需要幾年甚至十年的研發(fā)周期，壓縮到以周甚至以天為單位來計(jì)算。

這并不意味著科學(xué)家被“取代”，而是：

• 人的角色，從“親自擰螺絲的工人”，變成“設(shè)定目標(biāo)和評(píng)價(jià)結(jié)果的總工程師”；

• AI+機(jī)器人負(fù)責(zé)高頻試錯(cuò)和重復(fù)操作，人類負(fù)責(zé)提出有意義的問題、做關(guān)鍵決策和倫理把關(guān)。

計(jì)劃的另一大特點(diǎn)，是不搞封閉的“純政府工程”，而是在頂層由聯(lián)邦政府“搭臺(tái)”，再大規(guī)模吸納企業(yè)參與。

從已經(jīng)公開的參與方來看：

• 英偉達(dá)負(fù)責(zé)提供算力芯片及相關(guān)技術(shù)棧；

• AWS宣布將投入約500億美元建設(shè)相關(guān)基礎(chǔ)設(shè)施；

• 其他如AMD、戴爾、甲骨文等也進(jìn)入合作名單。

這種模式在經(jīng)濟(jì)學(xué)上接近“公私合營(yíng)”（PPP）：

• 政府負(fù)責(zé)：目標(biāo)設(shè)定、規(guī)則制定、核心數(shù)據(jù)和科研資源的開放；

• 企業(yè)負(fù)責(zé)：技術(shù)實(shí)現(xiàn)、系統(tǒng)建設(shè)、產(chǎn)品化和部分運(yùn)營(yíng)。

這意味著，“創(chuàng)世紀(jì)計(jì)劃”并不是一個(gè)只存在于文件里的口號(hào)，而是會(huì)通過這些科技巨頭的產(chǎn)品和服務(wù)，滲透到具體的科研項(xiàng)目、產(chǎn)業(yè)場(chǎng)景之中。

三、對(duì)AI產(chǎn)業(yè)的影響：從“會(huì)說話”到“會(huì)做實(shí)驗(yàn)”

“創(chuàng)世紀(jì)計(jì)劃”一旦全面鋪開，AI產(chǎn)業(yè)最顯著的變化，并不在“模型多大”，而在“模型用來干什么”。

1. 從AIGC到“AI for Science”

過去兩年最吸睛的，是能寫、能畫、能剪視頻的生成式AI（AIGC）。這些應(yīng)用門檻低、效果直觀，也的確改變了內(nèi)容行業(yè)的工作方式。

但在“創(chuàng)世紀(jì)計(jì)劃”的邏輯里，真正被寄予厚望的，是另一條路線：

讓AI幫助人類發(fā)現(xiàn)新材料、新藥物、新工藝、新能源路徑。

這會(huì)帶來幾個(gè)可能的行業(yè)重心轉(zhuǎn)移：

• 評(píng)價(jià)標(biāo)準(zhǔn)變化

  ：
  最“值錢”的AI，可能不再是對(duì)話最流暢的聊天機(jī)器人，而是能在某個(gè)細(xì)分學(xué)科上貢獻(xiàn)真實(shí)科學(xué)突破的模型。

• 數(shù)據(jù)壁壘重構(gòu)

  ：
  相比互聯(lián)網(wǎng)公開數(shù)據(jù)，科學(xué)實(shí)驗(yàn)數(shù)據(jù)更加稀缺、昂貴且敏感，誰能積累并利用這些高價(jià)值數(shù)據(jù)，誰就能在行業(yè)中建立新的“護(hù)城河”。

• 人才結(jié)構(gòu)重組

  ：
  既懂AI又懂材料、化學(xué)、物理、生物的“交叉型人才”，會(huì)變得異常搶手；
  傳統(tǒng)只做通用算法而不懂具體領(lǐng)域的工程師，則需要向垂直場(chǎng)景靠攏。

“AI for Science”的一個(gè)直接后果，是對(duì)算力需求的急劇膨脹。

• 科學(xué)模擬和多尺度建模，本身就極其耗算力；

• 加上大模型訓(xùn)練和推理，更容易把超算中心推向極限。

這也解釋了為什么相關(guān)消息公布后，美股的AI硬件板塊迅速走強(qiáng)：市場(chǎng)預(yù)期這是一個(gè)長(zhǎng)期、確定的算力需求來源。

與此同時(shí)，算力背后的“電力問題”也被擺上臺(tái)面：

• 數(shù)據(jù)中心本身就是“吞電獸”；

• 若再疊加大規(guī)模AI科研任務(wù)，現(xiàn)有電網(wǎng)和清潔能源供給都將面臨壓力。

“創(chuàng)世紀(jì)計(jì)劃”在愿景中給出的答案，是讓AI反過來優(yōu)化能源系統(tǒng)：

• 用AI做電網(wǎng)調(diào)度、負(fù)載預(yù)測(cè)，提高整體效率；

• 探索包括核能在內(nèi)的新型能源形式，以支撐長(zhǎng)周期的算力需求。

未來一段時(shí)間，“能源×AI”很可能會(huì)成為投資與政策的焦點(diǎn)交匯點(diǎn)。

3. 監(jiān)管邏輯的調(diào)整：從“謹(jǐn)慎觀望”到“優(yōu)先發(fā)展”

在監(jiān)管層面，“創(chuàng)世紀(jì)計(jì)劃”釋放的信號(hào)也很清晰：

• 為了在AI時(shí)代取得優(yōu)勢(shì)，美國(guó)聯(lián)邦層面強(qiáng)調(diào)要減少不必要的監(jiān)管障礙；

• 盡量避免各州各自為政地設(shè)置零散限制，由聯(lián)邦統(tǒng)一制定規(guī)則和底線；

• 在安全可控的前提下，為科研與產(chǎn)業(yè)應(yīng)用“開綠燈”。

對(duì)于創(chuàng)業(yè)公司而言，這種環(huán)境意味著：

• 在科研相關(guān)的AI應(yīng)用上，試錯(cuò)空間更大；

• 只要能夠證明對(duì)科技創(chuàng)新有實(shí)際促進(jìn)作用，在合規(guī)框架內(nèi)獲取數(shù)據(jù)和算力的難度有望降低。

當(dāng)然，這并不意味著“無監(jiān)管”，而是從“以防范為主”向“發(fā)展與安全并重”傾斜。

四、冷靜看待：機(jī)會(huì)之外的約束與風(fēng)險(xiǎn)

任何大規(guī)模國(guó)家項(xiàng)目，都不會(huì)一帆風(fēng)順。“創(chuàng)世紀(jì)計(jì)劃”也不例外。

1. 數(shù)據(jù)開放的邊界：安全與共享之間的拉扯

理論上，把幾十年積累的聯(lián)邦科研數(shù)據(jù)全面“喂給AI”，可以最大化模型能力。
但在現(xiàn)實(shí)中：

• 涉及國(guó)防、能源核心技術(shù)的數(shù)據(jù)，需要高度管控；

• 企業(yè)也不愿輕易開放自身在藥物、材料等領(lǐng)域積累的獨(dú)家數(shù)據(jù)。

如何在安全可控與高效共享之間劃清邊界，將決定這一平臺(tái)的“含金量”。
如果最終只有部分?jǐn)?shù)據(jù)可用，AI的潛力也會(huì)被相應(yīng)折扣。

2. 能源瓶頸與環(huán)境壓力

算力翻倍，電力需求往往是成倍增長(zhǎng)。

• 若電網(wǎng)和新能源建設(shè)跟不上，“缺電”將成為部署AI科研基礎(chǔ)設(shè)施的現(xiàn)實(shí)掣肘；

• 同時(shí)，大規(guī)模數(shù)據(jù)中心的碳排放和用水問題，也會(huì)引發(fā)新的環(huán)保爭(zhēng)議。

“用AI解決AI帶來的能源壓力”，更像是一場(chǎng)長(zhǎng)期博弈，而不是短期就能兌現(xiàn)的承諾。

3. 復(fù)雜的利益協(xié)調(diào)與官僚成本

要讓聯(lián)邦機(jī)構(gòu)、國(guó)家實(shí)驗(yàn)室、科技巨頭、大學(xué)和中小企業(yè)協(xié)同合作，本身就是一項(xiàng)復(fù)雜工程：

• 不同機(jī)構(gòu)有各自的KPI和利益訴求；

• 數(shù)據(jù)、設(shè)備和人才的流動(dòng)涉及預(yù)算、績(jī)效、知識(shí)產(chǎn)權(quán)等一整套規(guī)則；

• 行政流程過長(zhǎng)，有可能抵消掉部分由AI帶來的“提效”。

某種程度上，“創(chuàng)世紀(jì)計(jì)劃”既是在考驗(yàn)AI的能力，也在考驗(yàn)美國(guó)政府協(xié)調(diào)各方利益的能力。

五、這對(duì)全球和普通人意味著什么？

從更大的視角看，“創(chuàng)世紀(jì)計(jì)劃”標(biāo)志著AI競(jìng)爭(zhēng)正在完成一次“檔位切換”：

• 過去更多是企業(yè)之間的商業(yè)競(jìng)爭(zhēng)；

• 未來則越來越接近“綜合國(guó)力競(jìng)爭(zhēng)”：比的是算力、能源、人才、基礎(chǔ)科研體系的整體實(shí)力。

對(duì)其他國(guó)家而言，這既是壓力，也是參照系：

• 誰能在本國(guó)構(gòu)建起類似的“AI科研基礎(chǔ)設(shè)施”，誰就有機(jī)會(huì)在下一輪科技浪潮中占據(jù)一席之地；

• 單純?cè)趹?yīng)用層跟風(fēng)做“換皮AI產(chǎn)品”，很難應(yīng)對(duì)這種結(jié)構(gòu)性變化。

對(duì)普通人來說，這些國(guó)家級(jí)工程看似遙遠(yuǎn)，但最終會(huì)體現(xiàn)在身邊的具體變化上：

• 新藥物可能更快問世，罕見病的治療路徑有望提前出現(xiàn)；

• 新材料、新能源、新工藝，會(huì)緩慢但持續(xù)地改變出行、居住、消費(fèi)的體驗(yàn)；

• 教育和科研崗位的形態(tài)也會(huì)發(fā)生變化，AI將成為科學(xué)家的“標(biāo)配工具”，而不是可有可無的選項(xiàng)。

“創(chuàng)世紀(jì)計(jì)劃”可以被看作美國(guó)在AI時(shí)代的一次系統(tǒng)性押注：
不滿足于讓AI停留在“工具”和“應(yīng)用”層，而是試圖用它改造知識(shí)生產(chǎn)的底層結(jié)構(gòu)。

這不一定意味著短期內(nèi)就會(huì)誕生多少“革命性奇跡”，但它清晰地透露出一種趨勢(shì)：

• AI從“會(huì)說話的程序”，變成“參與科學(xué)發(fā)現(xiàn)的基礎(chǔ)設(shè)施”；

• 從被動(dòng)服務(wù)市場(chǎng)需求，轉(zhuǎn)向主動(dòng)服務(wù)國(guó)家科技戰(zhàn)略。

如果說上半場(chǎng)是互聯(lián)網(wǎng)公司和算法工程師的舞臺(tái)，那么下半場(chǎng)，很可能是：

國(guó)家、科研機(jī)構(gòu)、企業(yè)和跨學(xué)科人才，共同站在同一條賽道上。

在這條賽道上，最重要的問題，已經(jīng)不再是“AI能不能把文章寫得更像人”，
而是：它能不能幫人類更快、更穩(wěn)地找到那些原本要幾十年才能找到的答案。

*本文由AI工具輔助完成

All rights reserved. Copyright ? 2025

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}

.cls-1{fill:#001e36;}.cls-2{fill:#31a8ff;}