1945年7月16日清晨，在新墨西哥州的荒漠深处，罗伯特·奥本海默看着“三位一体”核试验升起的蘑菇云，脑海中浮现出《薄伽梵歌》的诗句：“我现在成了死神，世界的毁灭者”。那是人类第一次试图通过国家力量，强行撬开原子核内部的秘密，将物理能量的极致握在掌心。

　　八十年后的今天，另一场更加宏大的“曼哈顿计划”正在大洋彼岸启动。11月24日，美国总统特朗普签署行政令，正式启动一项被称为“创世纪任务”（The Genesis Mission）的国家级计划。该计划明确对标曼哈顿计划，旨在利用人工智能（AI）的力量，以前所未有的速度加速科学突破。如果说当年的曼哈顿计划是为了制造终结战争的武器，那么今天的“创世纪任务”，则是为了争夺定义人类未来的权力。

　　一、把“AI for Science”打造成国家级创新基础设施

　　长久以来，美国的AI发展主要由私营企业驱动，然而，随着大模型能力的指数级跃升，以及由于数据瓶颈和安全隐患带来的不确定性，美国决策层意识到，AI的战略价值已远超商业范畴——它等同于21世纪的核武器。

　　“创世纪任务”的关键词很直白：建一个集成平台，把高性能计算、模型训练/推理、科学基础模型、数据安全访问、AI agent自动化工作流、以及自主实验与制造工具连接起来。

　　白宫在把它定位为赢得AI竞赛、强化国家安全、能源与产业竞争力的工具，并点名优先领域：生物技术、关键材料、核裂变/聚变、太空、量子信息、半导体与微电子等。能源部国家实验室体系被放在C位，联邦的“独特数据资产”和“世界级超算”被视为可复制门槛最高的国力筹码。

　　该计划还设置了颇具项目管理风格的里程碑要求：60天提出至少20个国家级挑战清单，120天确定首批数据与模型资产，240天盘点机器人实验/产线能力，270天在某个关键挑战上做出“初始运行能力”演示。

　　从政策设计看，该计划解决的不是“AI缺不缺算法”，而是“科研系统缺不缺联动”：数据标准化与溯源、跨机构共享、算力调度、实验自动化、成果转化路径——这些才是让 AI 变成科研生产力的脊梁骨。

　　“创世纪任务”的核心意图非常明确：将“AI for Science”（人工智能驱动的科学研究）上升为最高优先级的国家安全战略。这不仅是一份行政命令，更是一次资源的重新配置。就像二战期间美国在洛斯阿拉莫斯集结了全球最顶尖的物理学家一样，“创世纪任务”试图通过整合政府数据、分配国家级能源网络、提供豁免权保护以及直接的资金注入，打造国家级的创新基础设施。

　　然而，历史虽然常常押韵，却不会简单重复。相比于制造原子弹的明确物理路径，“创世纪任务”可能面临更为复杂的挑战。一方面，硅谷文化与官僚机构可能发生文化排异反应，政府、国家实验室、大学、企业的KPI难以对齐。如果只剩报表式、口号式的协同，创新就会被官僚制磨成齑粉。另一方面，“创世纪任务”承诺要解决安全问题，但安全与创新本身就是一个悖论。为了在竞赛中领先，必须加速实验；而为了确保安全，必须减速验证。当国家意志要求“必须领先”时，安全也许会成为牺牲品。

　　二、镜像与启示：中国视角的“新质”思考

　　当大洋彼岸按下“AI for Science”加速键，中国该如何应对？在笔者看来，“创世纪任务”试图通过暴力堆叠资源实现突破，中国不应被带入这场消耗战的节奏。让AI落地，比让AI上天更重要。

　　1.保持战略定力，让AI赋能千行百业

　　AI不应仅仅是用来展示肌肉的“超级武器”，更应是赋能千行百业的“超级工具”。真正的“创世纪”，不会诞生在行政命令的纸面上，只会涌现在每一个用AI解决实际难题、重塑生产流程的场景里。中国拥有全球最完整的工业门类和最丰富的应用场景。相比于单纯追求打造一个全知全能的“上帝模型”，将AI技术与实体经济深度融合，解决医疗、制造、交通等领域的实际问题，或许是一条更符合中国国情的路径。

　　前不久我国发布的《关于加快场景培育和开放推动新场景大规模应用的实施意见》，强调加快培育拓展经济社会应用场景，正是让真金直面火炼，让新场景赋能、牵引、倒逼技术攻关的必由之路。

　　2.做实跨部门、跨产业闭环

　　“创世纪任务”要求搭建一个综合性AI平台，把国家实验室超算与联邦科学数据糅成统一底座，并用它训练“科学基础模型”、驱动AI智能体去提假说、跑仿真、自动化实验，甚至赋能到机器人实验室与生产设施。这套思路是在押注：未来竞争优势来自“系统吞吐量”（提出—验证—放大）而不只是单点的聪明。

　　对我们而言，AI不应被当成一个部门的工具，而要把它当成一条跨科研—产业的生产线。如果闭环不实，AI再强也容易变成“论文加速器”；闭环扎实，才会变成“发现与转化加速器”。要用任务牵引协同，而不是用口号牵引协同。模型在纸面上往往很强，但真实制造场景的难点众多，必须用仿真实验把真实反馈回流，让模型不断校准不确定性，最后能下沉到中试与制造控制。可以选择一批高价值应用场景，设定可验收指标：迭代周期、命中率、放大成功率、单位成本、良率提升等硬指标把高校、院所、企业平台拧成一股绳才能让产学研真正形成合力。

　　3.把“高质量数据集”当成国家级资产

　　“创世纪任务”一开场就把“联邦科学数据集”摆在王座上：明确提出“利用联邦科学数据集——这是联邦政府历经数十年投资所积累的全球最大规模此类数据集——来训练科学基础模型”，要求“120天内确定一套供该任务使用的初始数据和模型资产包括数字化标准化元数据来源溯源”。由此可见他们非常清楚AI的发展已经从过去以“模型算法”为中心的技术范式逐步转向“以数据为中心”的能力跃升。更重要的是在 AI for Science里数据已经不仅是燃料那么简单它更像“实验室的地基+科学的记忆体”。真正的护城河不是算力而是这些长期积累难以复制越用越值钱的高质量数据资产。

　　对中国而言真正的门槛不在“数据量有多大”而在“数据能否被复用可追溯可授权可组合”。破局点不是每个机构自建多大的数据库而是跨机构的标准与权限机制让数据能在合规前提下有序流动。

　　第一面向材料生物制造等关键领域推动行业级数据标准+元数据规范+溯源链路进一步消除数据孤岛；

　　第二建立分级分类共享开放的数据使用机制让数据既能在产学研间流动又能守得住底线；

　　第三把数据治理变成硬投入：数据工程标注与清洗元数据与溯源等等。

　　数据治理做起来累看起来慢但长期复利巨大。做好之后它就变成组织的记忆与引擎让模型更可靠迭代更快成果更容易从实验室走到中试和产线。

　　一言以蔽之“创世纪任务”提醒中国：下一轮竞争不只比“谁的模型更大”而是比“谁的科研与产业系统吞吐量更高”关键在于用标准平台任务与场景牵引把协同的摩擦磨平才能把突破从偶然变成常态。面对这场“创世纪”的巨浪最好的应对不是盲目跟风筑墙而是俯身耕耘脚下“新质生产力”的沃土将AI从生成论文的“加速器”锻造为驱动产业转化的“发动机”。毕竟科技竞赛的终局不在于谁能绘出最宏伟的蓝图而在于谁能让技术最先在车间与实验室里落地生根。

　　（作者王翔为复旦大学数字与移动治理实验室研究员）