特朗普的 Genesis Mission 将 Verge Tech 逻辑置于美国科学的核心

特朗普政府已承诺向 Genesis Mission 投入超过 50 亿美元，将 Verge Tech 的理念置于联邦科学政策的核心。这笔资金支持数百个围绕人工智能、共享计算基础设施、联邦数据集和自动化实验室开展的项目。

这不仅是一项新的拨款计划。Genesis Mission 改变了政府希望美国科学界如何选择问题、分配资源、开展实验并衡量进展。

政府将这项任务的紧迫性和雄心与曼哈顿计划相提并论。但这一比较也暴露了核心冲突：政府一面推动全国范围的科学动员，一面又寻求大幅削减本应执行该任务的研究机构经费。

特朗普总统的科学顾问迈克尔·克拉齐奥斯在其 2026 年 7 月发布的报告《科学：一个新的黄金时代》中阐述了更广泛的理念。其用语一部分来自国家实验室，一部分来自硅谷。它推崇雄心勃勃的任务、个人科研人才、共享技术平台、快速迭代、产业合作以及可量化的成果。

这种方式承诺加快科学发现。但它也对塑造了战后美国科学体系的较慢机制构成挑战——包括同行评审、由研究者主导的研究、大学实验室以及分布式决策。

问题不在于 AI 能否帮助研究人员，它已经在发挥作用。问题在于，风险投资式的运营模式能否在不掏空科学知识生产机构的前提下增强科学研究。

Verge Tech 成为联邦科学政策

Genesis Mission 将 AI 基础设施变成联邦研究体系大部分领域的组织层。

7 月 22 日公布的联邦承诺超过 50 亿美元。超过 15 个机构将为一组共同的国家挑战提供奖项、设施、数据集和其他资源。

美国能源部仍是这项任务的技术中心。其 American Science and Security Platform 旨在连接超级计算机、科学仪器、实验设施、AI 系统以及专门的政府数据。

据资金报道，官员从约 5,000 份申请中选出了 278 个项目。如此庞大的申请量表明，研究人员将 Genesis Mission 视为获得联邦支持的重要新渠道。

入选项目涵盖健康、能源、先进制造、交通、农业、核安全、量子计算和材料研究。它们包括自动化实验、识别疾病成因、模拟地下资源、优化供应链以及分析核特征等工作。

这种结构不同于资助单一学科或机构职责的传统项目。Genesis Mission 围绕由政府选定的挑战组织团队，然后向其开放共享数据和计算基础设施。

这使该计划更具协调性，也让白宫和机构领导层对哪些科学问题值得获得全国关注拥有更大影响力。

官方公告将有组织的数据和强大的计算能力视为关键投入。联邦机构本已拥有二者，尽管其中大量数据仍难以获取，或在不同系统之间不兼容。

在这一模式中，科学家获得的不只是一笔拨款。一个团队将进入更广泛的平台，其中包括模型、计算能力、政府数据集、实验室设备和产业合作伙伴。

政府希望这种组合缩短从假设到获得实验验证结果之间的距离。它希望 AI 能够检索科学文献、生成候选解决方案、运行模拟、操控实验室设备，并协助评估研究结果。

这正是 Verge Tech 前提转化为公共政策：建设平台，组建格外雄心勃勃的团队，集中资源，并为快速、可见的进展进行优化。

这一理念最有力的版本颇具吸引力。研究人员常常要花数月清理数据、协商访问权限、维护软件，或连接那些从未被设计为可相互通信的仪器。

共享基础设施可以消除部分摩擦。协调一致的计划也可以支持对单个大学实验室而言成本过高或跨学科程度过强的项目。

然而，集中化也会带来新的依赖关系。研究人员需要明确的访问规则、兼容的技术标准、可持续的经费，以及确信政治优先事项不会突然改变。

这项公告确立了规模，但尚未证明由此形成的体系会产出更可靠的科学成果。

资金标题掩盖了一场重新分配

真正的故事不仅是华盛顿为 AI 找到了新资金，而是它正在重新界定哪些科学能够获得制度性支持。

白宫称该倡议是一项全政府任务。这一表述很重要，因为公布的总额汇集了不同形式的联邦活动，包括奖项、资金机会、数据集和设施使用权。

不应将这一总额理解为一笔新的、不受限制的研究拨款资金池。一些承诺此前已公布，另一些则涉及机构已经掌控的资源。

美国能源部于 2026 年 3 月公布了一项 2.93 亿美元的申请计划。首批奖项支持为期九个月的项目，而规模更大的第二阶段项目可持续三年。

该部门后来表示，已获得超过 8 亿美元的合作伙伴支持。这些承诺包括计算额度、云基础设施、AI 模型使用权、科学专业知识、合作关系和直接资金。

Genesis Mission Consortium 包括能源部全部 17 个国家实验室、5 个国家核安全管理局工厂和站点，以及 41 家行业、非营利和慈善机构。

这些资源具有真实价值，但它们无法替代用于薪酬、研究生培养、实验室维护或研究者主导研究的稳定拨款。

当政府将这项任务与缩减传统科学预算的提案并列呈现时，这一区别就变得重要。

其 2027 财年预算请求提出，将国家科学基金会经费削减 55%，将 NASA 经费削减 23%，将能源部科学办公室经费削减 15%，并将美国国立卫生研究院经费削减 12%。这些数据来自一项科学预算分析。

国会掌控最终拨款，并已抵制多项拟议削减。但预算请求传递了优先事项，而且在每一场争议最终获得立法结果之前，机构都必须围绕行政决定制定计划。

大学、职业生涯早期研究人员以及不属于入选挑战领域的学科承受着最大压力。他们无法迅速用计算额度或参与国家 AI 平台来替代广泛的联邦支持。

这种反差对基础研究尤为明显。许多重要发现的起点并没有明确的应用、可量化的商业里程碑，或成功保证。

任务导向体系偏好那些能够被清晰界定的问题。AI 又增加了一层筛选，因为当前系统在团队拥有大型数据集、可量化成果和众多候选方案时表现最佳。

蛋白质结构预测符合这一特征，材料筛选和某些形式的自动化实验也是如此。

其他问题则不符合。一个领域可能缺乏标准化数据、广受接受的基准，或能够生成机器可读观测结果的仪器，但其重要性依然可能十分重大。

因此，Genesis Mission 会促使研究变得更便于平台理解。实验室将有动力围绕 AI、国家挑战和短反馈周期来构建提案。

这可能提升聚焦程度，也可能催生“AI 洗白”——团队因为资金依赖 AI 而刻意强调机器学习。

政府的资金选择揭示了更大规模的重新分配。资源正流向选定任务、技术平台、国家实验室，以及掌控模型、芯片和云能力的公司合作伙伴。

正是在分散式研究体系失去制度性保护之际，Verge Tech 的方法正在获得影响力。

核心冲突是速度与科学独立性之间的较量

Genesis Mission 将科学机构视为瓶颈，而批评者则将这些机构视为防范错误和政治控制的保障。

克拉齐奥斯认为，AI 的发展速度将快于围绕它建立的组织。他的科学战略称，现有的资金结构、出版体系和学术贡献认定机制，是为人类节奏的科学发现而设计的。

该报告呼吁建立“AI 原生”机构、更快的出版、更细粒度的贡献认定、对个人研究者的支持、自主实验，以及将资金导向高价值问题的新机制。

其诊断包含一些可辨识的事实。同行评审可能很慢，拨款申请会消耗研究人员数月时间，出版激励机制对新颖性的奖励往往比对重复验证更稳定。

科学数据集经常被遗弃、文档不完善，或受限于许可限制。实验室仪器也常使用专有格式，使自动化工作流程变得复杂。

政府希望将这些问题作为一项综合工程项目来解决。它提出建设通用平台、开放数据、自动化验证，并运用国家采购能力影响仪器制造商。

支持者可以援引成功的历史先例：曼哈顿计划、阿波罗计划、人类基因组计划和早期互联网，都将公共资金与聚焦的技术协调结合在一起。

但这些案例没有一个能为整个研究体系提供简单模板。它们的目标比在十年内“将美国研究的生产力和影响力翻倍”更为狭窄。

科学生产力也很难定义。更多论文、专利、实验、模型预测和候选材料，并不必然带来更多可信的知识。

AI 系统增加假设数量的速度，可能快于实验室检验它们的速度。克拉齐奥斯的报告直接承认了这一点，指出生成主张的成本下降速度快于验证成本。

这一瓶颈应当塑造评判 Genesis Mission 的方式。模型可以提出数千种分子，但研究人员仍需要设备、样本、技术人员、安全程序和重复实验。

政府提出了验证基础设施和持续重复机制。这些想法值得认真关注，因为不可靠的产出会与有用产出一起规模化。

然而，验证依赖于独立性。一个同时选择任务、资助团队、提供平台、定义基准并评估结果的体系，可能会变成自我确认的体系。

传统同行评审并不完美，但它将判断分散给各领域专家。独立实验室可以挑战某项结果，而无需依赖原始团队的基础设施。

批评者也担心拨款决策会受到政治控制。Kratsios 与议员讨论其战略时，国会民主党人提出了这一担忧；共和党人则普遍支持该战略对国家竞争与技术领导力的强调。

这是本文的核心对立图景：集中化速度对阵分布式科学独立性。

这场冲突并非 AI 与科学家之间的对抗。能源部表示，Genesis Mission 的目标是协助研究人员，而不是取代他们。

更棘手的问题是谁来设定议程。一旦有人决定哪些数据、基准和国家问题更重要，平台就可以加速相关工作。

这些决定包含价值取向。健康研究可以优先关注慢性病、传染病、环境暴露、生殖健康或健康差异。优化系统无法仅凭技术依据确定这种优先级。

verge tech 的世界观往往将制度阻力视为过时的流程。科学有时需要这种阻力，因为怀疑、重复验证和方法论分歧能保护公众免受看似诱人的错误影响。

AI 科学仍依赖于人、仪器与信任

模型无法弥补受损的实验室、缺失的专业知识、无法获取的数据，或不再信任拨款体系的研究人员。

Genesis Mission 的技术机制在特定环境中是可信的。国家实验室运行着世界上能力最强的超级计算机和科学仪器。

它们还拥有私营公司难以轻易复制的专业数据集，包括材料测量数据、粒子物理记录、能源系统模型、天气观测和核安全数据。

连接这些资源可以形成有价值的科学工作流。AI 模型或许可以识别有前景的材料成分，将候选方案发送至机器人设备，分析实验结果，并选择下一次试验。

闭环实验室能以有限的人工干预完成这一循环。目标并不是消除研究人员，而是让他们能够评估比传统实验室所允许的更多候选方案。

能源部已支持自主设施。Lawrence Berkeley National Laboratory 的 A-Lab 致力于无机材料合成，而 Argonne 的 Polybot 支持自动化材料表征。

这些项目表明，这一机制不只是连接数据库的聊天机器人。它结合了机器学习、机器人技术、仪器、数据标准和实体实验。

要在全国范围内扩展仍然困难重重。不同实验室使用不同设备、软件、元数据和安全程序。专有接口使许多仪器难以自动化。

科学数据还携带模型可能遗漏的背景信息。一次失败的实验可能反映出传感器故障、样本污染、异常的室内条件，或未记录的程序变更。

研究人员往往将这些知识保存在笔记本、本地文件、电子邮件线程和对话中。将其转化为适用于 AI 的数据需要时间与细致整理。

这一挑战类似于任何组织在构建可检索研究记忆时面临的问题。只有当语境、来源和访问权限保持完整时，技术知识库才能真正发挥作用。

Genesis Mission 必须在具有不同职责与安全要求的机构之间解决这一问题。

健康信息带来的风险尤其重大。Bio Genesis Mission 计划将先进计算能力与生物医学和环境数据结合，用于研究疾病并加快治疗进程。

NIH 表示，其目标是在十年内将从发现到患者获益的时间缩短一半。这是一个目标，而非经过验证的预测。

敏感健康数据不能简单放入共同的训练池中。各机构需要隐私控制、审计追踪、同意规则、网络安全保护措施，以及质疑偏见输出的程序。

国家安全应用则带来另一类访问难题。最有价值的数据集可能属于机密或受限资料，从而限制外部复现与独立评估。

产业合作也带来另一项不确定性。AI 公司和云服务提供商可以贡献稀缺的基础设施，但它们也可能获得对联邦研究优先事项和公共数据的特权访问。

政府尚未为知识产权、模型访问、出版、采购和供应商可迁移性确立所有长期规则。

这些规则将决定 Genesis Mission 是创建公共科学平台，还是形成一套对私有基础设施的长期依赖。

其中还存在劳动力方面的矛盾。能源部估计，未来十年该国需要培养 10 万名从事 AI 赋能研究的科学家和工程师。

培养这支队伍需要大学、导师、稳定的拨款、研究生项目和职业路径。大幅削减机构资源将削弱 Genesis Mission 所需的同一条人才管道。

政府将既有结构描述为缓慢。其中一些确实较慢，是因为科学设备、专业能力、信任与验证无法以软件的速度产出。

成功的 AI 科学计划必须实现这些结构的现代化，而不能假装它们已变得可有可无。

verge tech 愿景接下来必须证明什么

Genesis Mission 应根据经过验证的发现、开放访问和制度韧性来评判，而不是依据承诺或申请总数。

第一个信号是 278 个入选项目的表现。各机构应公布明确的基准、起始条件、方法、负面结果以及独立复现结果。

如果项目能产出更快且可复现的发现，政府的运作模式将获得可信度。如果进展主要通过模型输出或演示来衡量，核心主张就会被削弱。

第二个信号是最终联邦预算及其分配。国会已经质疑拟议的削减方案，但拨款标题数字并不能说明全部情况。

研究人员应关注获奖率、拨款延迟、人员配置水平、间接成本规则、研究生支持，以及被重新导向指定任务的资金比例。

只有当其投资能够强化更广泛的研究基础时，Genesis Mission 才是真正的扩张。如果各机构通过压缩研究者主导的科学来为其融资，它就会成为一种替代策略。

这种替代会减少进入管道的问题多样性，也会让美国科学更依赖于少数政治和技术领导者选择的优先事项。

第三个信号涉及 American Science and Security Platform 的治理。各机构需要说明谁可以访问其模型、数据集、计算资源和实验设施。

它们还必须界定研究人员如何审计输出、质疑访问决定、在供应商之间迁移工作负载，以及发表不利结果。

强有力的访问与验证规则将支持政府关于建设国家基础设施的主张。封闭系统和不透明评估则会使该平台更像一套由政府支持的技术栈。

未来一到三个月应会披露更多关于产业参与、慈善承诺、国际合作、项目里程碑和机构实施的信息。

这些公告将显示 Genesis Mission 是作为协调一致的公共研究计划运作，还是由一系列联系松散的 AI 项目构成。

开发者应当关注，因为该计划可能影响科学数据标准、模型评估、机器人接口和联邦采购。

企业采购方应关注哪些云服务和模型提供商会嵌入政府工作流。这些选择可能塑造远超联邦实验室范围的技术标准。

研究人员和知识工作者应重视来源可追溯性。只有当人们能够追踪底层证据、复现过程，并理解系统如何得出结论时，更快的答案才有价值。

verge tech 的框架捕捉到了一个真实机遇。AI 可以减少行政工作、搜索庞大的科学空间、连接碎片化知识，并指导自动化实验。

它也带着一种熟悉的硅谷弱点：相信规模与速度能够解决根植于制度、激励机制、劳动与信任的问题。

Genesis Mission 已正式将这种信念从会议舞台和风投组合带入联邦科学政策。它能否成功，将取决于政府是否保留检验自身宏大主张所需的独立科学能力。

未来数月，读者应超越这一任务的巨大对比。关注可复现的项目成果、常规研究资金的健康状况，以及共享平台的开放性。

这些信号将回答一个根本问题：Washington 是在为科学家建设更好的基础设施，还是在用一个为 AI 时代优化、但更狭窄的系统取代美国科学？