獨家｜美國如何用 AI 重構 80 年科學基建

這是一份獨家內容，來自閉門實錄

前段時間，白宮簽署行政命令，啟動叫 Genesis 的國家項目
用 AI 重構美國的科學研究基礎設施，「5 年壓縮 25 年的科學進步」

前幾天，Genesis 的技術總監 Brian，去 OpenAI 做了一場對談

Brian 這哥們履歷很硬。他是 Lawrence Livermore 國家實驗室的 AI 主管，美國搞核武器和核聚變的地方

三年前，Brian 帶隊實現了人類首次可控核聚變點火

對談中，Brian 直接說：

全球 AI 競賽，美國的唯一競爭對手，是中國

中國公開宣布要在 2030 年前在 AI 領域超越美國。我們需要創新壓制（innovative overmatch），在任何技術方向上都能以極短時間研發出解決方案

他還說了一段更直接的：

AI 發展到 AGI 可能就在某一天突然發生。可能今天就發生在這棟樓的六樓，我不知道。但那一刻來臨時，美國不能什么都沒準備好

劃重點，他在表達這個意思

• ? 美國有 OpenAI、Anthropic 這些前沿實驗室，他們在沖刺模型能力，

• ? 美國光有模型不夠，還得有超算、實驗設施、生產線準備好接住 AGI，把它變成實際的科學和工業產出

• ? 這些基建，不能等 AGI 來了再想，現在就要就位

Genesis，就是在做這些準備

Genesis 要解決什么問題

先說科學家現在怎么干活

比如想驗證一個物理假設，按流程是：

• ? 根據假設，寫仿真代碼

• ? 跑仿真模擬，再寫代碼分析輸出

• ? 發現結果不對，調參數，重來

• ? ...進入下一波循環

一個假設驗證下來，幾周到幾個月

問題是，科研人員腦子里的假設不止一個，可能有很多
但驗證成本太高，只能賭哪個最靠譜，挑那一個去試

大量的想法，因為驗證成本太高，根本沒機會試

Genesis 要做的事情是：
把「驗證假設」這件事的成本降下來
讓 AI 來處理那些繁瑣的步驟

科研人員去描述假設，AI 自動進行仿真輸入、分析結果、反饋結論
這樣，原來一個假設要幾個月，現在幾個小時

這樣，就可以去實驗更多的想法，然后從里面找到真正值得押注的方向

一年前：AI 已經能給出專家級建議

AI 早就能夠給出專家級的建議了，但苦于沒法真的去調用這些工具

Brian 第一次用 O1 的時候，問了個物理問題：一根不銹鋼棒受到高壓會怎樣

然后不斷加難度，放松各種簡化假設，問更復雜的情況

模型呢？則寫出了完整的方程組，然后說：
「你應該去拿 Lawrence Livermore 的 Hydra 仿真代碼」

注意 Hydra 是他們實驗室的核心仿真工具，出口管制，外人拿不到，Brian 自己學了三年才會用

模型從一個教科書問題，一路推演到「你需要用這個專業工具」，而且推薦的正是 Brian 實際在用的那個

這讓 Brian 意識到，AI 對科學問題的理解深度已經到了一個新的水平，只是「只能給建議，沒法真的去調用」

一年后：AI 能跑完整個流程了

現在的情況，發生了一些改變

Brian 展示了最近在做的一個研究。他給模型描述物理背景，不告訴它怎么算

第一次結果不對，他指出來，模型調整方向。來回幾輪，找到了答案

這些過程，一共只用了幾個小時，而在過去，需要幾個月

Brian 說：現在是「用物理編程」，不是用代碼編程

過去想試一個假設，要改幾百行代碼，門檻太高，很多想法就算了。現在直接和模型討論物理本身

而且不只是人和模型對話

他們現在跑的是完整的 agent 工作流：假設生成 agent 規劃方向，設置 agent 配置參數，執行 agent 跑仿真，分析 agent 處理結果，最后反饋給科學家

人還在環路里，但只負責思考，不負責勞動

12 個月后

最后，Kevin 問 Brian：
一年后回來，怎么算 Genesis 成功了？

Brian 的回答到：

• ? 上百到上千個 agent 在跑復雜工作流

• ? 運行時間從幾天變成幾周

• ? 驅動的系統，從單個設備變成整個設施網絡

• ? 不只是更快，還要做以前認為不可能的事