独家｜美国如何用 AI 重构 80 年科学基建

这是一份独家内容，来自闭门实录

前段时间，白宫签署行政命令，启动叫 Genesis 的国家项目
用 AI 重构美国的科学研究基础设施，「5 年压缩 25 年的科学进步」

前几天，Genesis 的技术总监 Brian，去 OpenAI 做了一场对谈

Brian 这哥们履历很硬。他是 Lawrence Livermore 国家实验室的 AI 主管，美国搞核武器和核聚变的地方

三年前，Brian 带队实现了人类首次可控核聚变点火

对谈中，Brian 直接说：

全球 AI 竞赛，美国的唯一竞争对手，是中国

中国公开宣布要在 2030 年前在 AI 领域超越美国。我们需要创新压制（innovative overmatch），在任何技术方向上都能以极短时间研发出解决方案

他还说了一段更直接的：

AI 发展到 AGI 可能就在某一天突然发生。可能今天就发生在这栋楼的六楼，我不知道。但那一刻来临时，美国不能什么都没准备好

划重点，他在表达这个意思

• • 美国有 OpenAI、Anthropic 这些前沿实验室，他们在冲刺模型能力，
• • 美国光有模型不够，还得有超算、实验设施、生产线准备好接住 AGI，把它变成实际的科学和工业产出
• • 这些基建，不能等 AGI 来了再想，现在就要就位

Genesis，就是在做这些准备

Genesis 要解决什么问题

先说科学家现在怎么干活

比如想验证一个物理假设，按流程是：

• • 根据假设，写仿真代码
• • 跑仿真模拟，再写代码分析输出
• • 发现结果不对，调参数，重来
• • ...进入下一波循环

一个假设验证下来，几周到几个月

问题是，科研人员脑子里的假设不止一个，可能有很多
但验证成本太高，只能赌哪个最靠谱，挑那一个去试

大量的想法，因为验证成本太高，根本没机会试

Genesis 要做的事情是：
把「验证假设」这件事的成本降下来
让 AI 来处理那些繁琐的步骤

科研人员去描述假设，AI 自动进行仿真输入、分析结果、反馈结论
这样，原来一个假设要几个月，现在几个小时

这样，就可以去实验更多的想法，然后从里面找到真正值得押注的方向

一年前：AI 已经能给出专家级建议

AI 早就能够给出专家级的建议了，但苦于没法真的去调用这些工具

Brian 第一次用 O1 的时候，问了个物理问题：一根不锈钢棒受到高压会怎样

然后不断加难度，放松各种简化假设，问更复杂的情况

模型呢？则写出了完整的方程组，然后说：
「你应该去拿 Lawrence Livermore 的 Hydra 仿真代码」

注意
Hydra 是他们实验室的核心仿真工具，出口管制，外人拿不到，Brian 自己学了三年才会用

模型从一个教科书问题，一路推演到「你需要用这个专业工具」，而且推荐的正是 Brian 实际在用的那个

这让 Brian 意识到，AI 对科学问题的理解深度已经到了一个新的水平，只是「只能给建议，没法真的去调用」

一年后：AI 能跑完整个流程了

现在的情况，发生了一些改变

Brian 展示了最近在做的一个研究。他给模型描述物理背景，不告诉它怎么算

第一次结果不对，他指出来，模型调整方向。来回几轮，找到了答案

这些过程，一共只用了几个小时，而在过去，需要几个月

Brian 说：现在是「用物理编程」，不是用代码编程

过去想试一个假设，要改几百行代码，门槛太高，很多想法就算了。现在直接和模型讨论物理本身

而且不只是人和模型对话

他们现在跑的是完整的 agent 工作流：假设生成 agent 规划方向，设置 agent 配置参数，执行 agent 跑仿真，分析 agent 处理结果，最后反馈给科学家

人还在环路里，但只负责思考，不负责劳动

12 个月后

最后，Kevin 问 Brian：
一年后回来，怎么算 Genesis 成功了？

Brian 的回答到：

• • 上百到上千个 agent 在跑复杂工作流
• • 运行时间从几天变成几周
• • 驱动的系统，从单个设备变成整个设施网络
• • 不只是更快，还要做以前认为不可能的事