DOE 授予 $159M，将科学 AI 引入聚变、芯片设计和量子研究

一次聚变实验、一个地热储层以及一款能够承受强辐射的芯片有一个共同点：它们都可能需要研究人员在找到可行方案之前，探索庞大的可能设计空间。美国能源部最新的 Genesis 任务奖项旨在将 AI 融入这一搜索过程，帮助科学家决定接下来模拟、构建和测试什么。

DOE宣布$159 million用于12个新Phase II项目，时间为2026年10月8日，同时还有另外六个Phase I奖励。该部门表示，任务的第一年批次现已完成，共有297个项目。其更广泛的Phase II组合包含14个项目，包括GridFM 2.0和Prometheus，由电力与核能办公室支持。

其范围异常广泛。所选工作涵盖从聚变和地热能源到 RNA 结构、稀土分离、科学软件和量子计算。连接这些项目的是一种务实的抱负：利用 AI 缩短创意与科学有用成果之间的距离。

DOE 所指的“超级智能”是什么

DOE 使用“Super Intelligence”（简称 SI）一词来描述该倡议。该术语需谨慎使用。公告确立了一个研究组合及其预期应用；但并未提供通用 AI 系统已在科学领域超越人类能力的证据。

该7月公布的初始Genesis项目选择描述了一系列先进模型、代理框架、科学软件和高性能计算。这是理解新奖项的一个有用视角：将其视为对AI赋能研究系统的投资，具备针对特定学科和基础设施定制的能力。

在生成一个看似合理的科学答案与完成可靠的科学工作流之间存在重要区别。模型可能会提出一种材料，但其属性仍需测量。代理可能生成模拟代码，但代码必须保留研究人员所设定的方程和假设。优化器可能推荐机器设置，但必须遵守操作限制。

因此，关键问题在于这些项目如何将预测和推理与证据相连接。该连接将决定投资是产生更好的科学，还是仅仅产生更多看似科学的产出。

聚变：用于规划 SPARC 运行的数字孪生

Commonwealth Fusion Systems 正在开发一种 AI 驱动的数字孪生，用于模拟和优化 SPARC 的运行。数字孪生是对物理系统的计算表示，可用于探索该系统在不同条件下的行为。

该公司已经具备相关技术基础。1月，CFS 宣布与 Siemens 和 NVIDIA 的合作，将工程工具与模拟和可视化技术相结合。此前的合作为新奖项提供了背景，尽管 DOE 的公告并未表明1月架构的每个组件都包含在资助项目中。

CFS 在其 AI 与模拟的技术说明 中解释，代理模型可以从计算成本高昂的物理模拟中学习，并更快地近似其输出。这类模型能够帮助研究人员在不为每种情况重新运行最繁重计算的情况下，探索众多候选运行条件。

对于使用磁场约束热等离子体的托卡马克而言，这可成为潜在有价值的规划工具。研究人员可以审查候选情景，识别有前景的实验，并将模型预测与测量结果进行比较。难点在于判断何时快速近似仍可信，何时需要完整的物理计算。

SPARC 是一台聚变示范装置，CFS 目标是在 2027 年实现净聚变能量。该目标关注聚变性能；不应解读为 SPARC 已经向电网供电的声明。该 AI 项目近期的意义在于其提升实验规划和运行的潜力。

地热与稀土：利用 AI 导航复杂物理系统

加州大学欧文分校的 MAESTRO 项目采用多代理方法来绘制、激发和管理深部地热储层。该名称的全称是 Subsurface Reasoning and Optimization 的 Multi-agent AI Expert（地下推理与优化的多代理 AI 专家）。

地质挑战相当巨大。DOE 的 增强型地热系统概述 说明，一个富有生产力的地热资源需要热量、流体和渗透性。当自然条件不足时，工程可以创建或改进通道，使流体在热岩中循环并将热量输送至地表。

这些背景有助于解释为何 AI 系统可能有用。储层决策涉及不完整的地下信息和相互作用的物理过程。多代理架构可以在专门的组件之间分配分析工作，但 DOE 的简短公告并未说明 MAESTRO 的完整实现或自主性限制。

我们的评估是，其价值取决于组合系统处理不确定性的能力。生成一个可靠的油藏描述不如识别已知内容、仍存不确定之处以及哪项测量最能提升下一次运营决策有用。

伊利诺伊大学的 AXIS 项目将人工智能应用于电化学过程，以从国内来源提取稀土元素。其对氧化还原活性配体设计的关注指向了支配选择性分离的化学原理。

其根本设计问题不同于地热工程，但逻辑相似：在遵守物理约束的前提下搜索复杂的候选空间。对于分离技术，意义重大的评估应超越候选在模型中是否看起来有前景。选择性、回收率、能耗以及在真实混合物中的性能都是衡量进展的有用指标。这些是提出的评估标准，而非奖项公告中报告的结果。

普通电子器件无法承受的环境下的芯片

费米实验室的 AXESS 项目针对高辐射、太空和极低温环境的微电子。其名称“Accelerating Extreme Environment Specs-to-Silicon”体现了将工程规格更快转化为芯片设计的雄心。

费米实验室早期对该倡议的描述解释了为何这些设备难以开发。科学仪器可能需要在主流商业芯片设计假设之外的条件下运行的定制电子。实验室描述了使用人工智能加速传统上要求很高的设计过程。

The 十月公告将 AXESS 纳入新的 Genesis 资助。此机会在于自动化更多专用芯片设计中的探索和检查工作，借助实验室、大学和行业的专业知识。

设计速度和器件就绪是不同的里程碑。即使设计工作流显著加快，仍需进行验证、制造和物理测试。用于粒子探测器或低温系统的芯片必须证明其行为能够在规定条件下保持。仅凭 AI 生成的设计文件无法确认这一点。

量子研究：让硬件发挥作用并逆向设计材料

哈佛的 ASQC 项目将人工智能与量子硬件相结合，通过面向应用的协同设计来解决纠错问题。实际而言，协同设计意味着将应用、纠错方案和硬件一起考虑，而不是将它们视为孤立的问题。

量子设备对错误极为敏感。纠错方案将信息编码到多个物理量子比特上，从而使逻辑量子比特更可靠。哈佛的 早期逻辑量子处理器研究提供了关于这一区别的背景以及使用编码量子比特进行计算的努力。

新的奖项不应被解读为容错量子计算已完成的公告。相反，它针对的是一个困难的优化问题：将科学任务与真实硬件的资源和错误行为相匹配。

橡树岭国家实验室的入选项目聚焦另一个量子前沿：面向物理的量子磁体逆向设计，用于传感和低功耗电子。逆向设计从期望的行为出发，搜索能够实现该行为的系统，颠倒了先选材料再计算其属性的常规流程。

对于此类研究，基于物理的建模至关重要，因为看似理想的数值解可能在物理上不可实现。有用的设计最终必须与可制造、可测量的材料相结合。公告指明了研究方向，但并未报告已完成的传感器或商业电子器件。

科学 AI 背后不太显眼的基础设施

其他若干奖项涉及使大规模研究得以实现的系统。麻省理工学院的项目将 AI 与超级计算相结合，用于格点量子色动力学——一种研究强相互作用的计算方法。劳伦斯伯克利国家实验室的 MOAT-Core 开发了用于加速器设计与运行的共享 AI 平台。东北大学的项目将代理式协助应用于稀有同位素束设施。

阿贡的 AI4HPC 项目包括开发、优化和验证科学计算软件。验证环节尤为关键：一个运行更快却悄然改变科学计算结果的程序并不算改进。

生物学领域也有所涉及。加州大学圣地亚哥分校计划将 RNA 结构数据库扩大五倍，华盛顿大学则将通过改进的序列‑结构集合建模开展酶设计工作。

这些项目突显了两个常被模型公告所掩盖的依赖因素：可信的数据和可靠的工具。科学代理的有用性受限于它能够访问和执行的内容。将代理连接到仿真引擎、精选数据集和仪器可以提升其能力，同时也增加了跟踪其行为并验证输出的需求。

正如我们对Anthropic对Genesis任务的支持的报道所示，该倡议还涉及将商业AI能力引入科学生态系统。获资助的项目需要确定这些能力如何转化为可衡量的研究收益。

对使用这些工具的研究人员的两项独立投资

DOE 还宣布了Genesis Mission Graduate Fellowship Pilot。计划投入最高 1亿美元，其中包括 2027 财年的 2000 万美元，后续资金取决于国会拨款。预计首批约有 100 名博士生将通过为期四年的路径，结合 AI 与科学学科获得支持。

计划的安置地点包括 DOE 实验室或用户设施以及工业环境。这种结构有助于研究人员了解从开发 AI 方法到在实验或运营环境中实际使用之间的差距。

另一项早期职业研究计划公告涵盖了$96 million，面向67名科学家，大学奖项约为$875,000，实验室奖项在五年内为$2.75 million。其范围包括AI、量子科学和聚变等研究领域。DOE指出，奖项的最终确定仍需谈判。

这些金额不应合并为单一的完整 Genesis 包。1.59 亿美元涉及新的第二阶段项目；奖学金有条件的未来资金计划；早期职业支持则是独立的项目。

什么算作成功？

该组合的最强检验将是 AI 是否在真实条件下提升科学工作。这意味着要衡量实现经验证结果所需的时间和资源、结果的质量，以及系统识别自身方法不可靠时的能力。

有用的聚变模型应帮助规划更佳实验。芯片设计代理应生成能够通过验证和物理测试的设计。地热系统应支持在新现场测量出现时仍然可靠的决策。科学编码工具应在提升性能的同时保持正确性。

Genesis 奖项为在截然不同的学科中检验这些命题提供了空间。其意义在于将 AI 更贴近科学的机器、数据和约束，并为研究人员提供资源，以发现 AI 实际发挥作用的领域。