深度分析（二） | 科学与AI黄金时代不会自动到来

美国科研制度重构的雄心、风险与中国启示

AI打开了新的科学前沿，但技术能力不会自动变成发现能力。真正决定“黄金时代”能否到来的，是一个国家能否重新设计资助、组织、制造、验证和知识治理制度。

2026年7月21日，白宫科技政策办公室主任迈克尔·克拉齐奥斯提交《科学：新的黄金时代》。这份报告借用了81年前《科学：无尽的前沿》的历史位置，却没有简单重复“政府应当支持科学”的战后共识。它提出的是一个更具冲突性的问题：帮助美国赢得20世纪的科研制度，是否仍能帮助它赢得21世纪？

报告的答案是否定的。报告认为，美国科学不是缺少人才、资金和成果，而是这些要素之间的连接方式已经落后。科学家被申请书和行政程序消耗，同行共识排斥高风险研究，大学不再拥有全部关键资源，发现与制造相互脱节，AI则被塞进为人类速度设计的出版、评价和验证体系。

由此，报告呈现出五个相互关联的转向：

•从资助机构和短期项目转向资助科学家与重大问题；

•从共识式同行评议转向多元化、能够承受失败的资助组合；

•从大学中心模式转向政府、大学、企业、国家实验室和新型研究组织共同参与；

•从线性成果转化转向科学、工程与制造的循环；

•从“科研人员使用AI”转向建设AI原生的科学制度。

如果第一篇要回答的是“报告具体说了什么”，那么更重要的问题是：这五个转向为什么在今天出现，它们解决了什么问题，又可能会制造什么新的风险？

一、这份报告修改了“科学契约”

《科学：无尽的前沿》所代表的二战后的社会制度，可以理解为一份科学与国家之间的契约。契约的权利义务是：政府为基础研究提供稳定资金，大学承担主要的研究，科学共同体通过同行评议分配资源，工业界把知识转化为产品。作为交换，科学为国家带来安全、健康、经济增长和长期技术优势。

这份契约曾经极其成功，但其成立依赖几个历史条件：

•大学拥有最集中的科学人才和设备；

•企业主要承担后端开发；

•学术论文是知识传播的核心载体；

•基础研究、应用研究和产品开发大体可以依次衔接；

•美国也能够从本国的发现中获得大部分产业收益。。

然而，现在这些条件正在逐一改变。

科研在跨界，投入在收缩。企业如今每年在美国投入约7000亿美元研发资金，不仅开发产品，也掌握前沿AI所需要的算力、数据和工程团队。一个大学实验室可能提出重要算法，却无法复制科技企业的训练基础设施；一家公司可能拥有最先进的实验平台，却不会独自承担收益外溢到全行业的基础工具。科学资源已经跨越机构边界，资助和治理方式却仍然按旧边界运行。

科研对象本身改变巨大。脑科学图谱、科学基础模型、先进光刻、聚变装置和自主实验室，往往需要几十名乃至数百名科学家、工程师和技术人员连续协作。以一名首席研究者、若干博士生和三年项目为基本单元的制度，仍适合大量自由探索，却无法容纳所有中尺度、工程密集和平台型问题。

科学与产业之间从单向传递改为需要双向互动。半导体制造不断向材料科学和物理学提出新问题，先进仪器决定科学家能够观察什么，工程放大暴露实验室中看不到的机理。制造不是发现完成后的附属环节，而是发现过程的一部分。

因此，报告真正要求重新修改的是，政府、大学与企业的职责边界。政府不再只是把钱交给大学、等待成果自然扩散，而要选择公共问题、建设基础设施、组织跨机构合作、打通工程验证并保护长期基础研究；大学仍是科学自由与人才培养的核心，但不再垄断科学资源和职业定义；企业也不只是成果购买者，而是基础研究、数据、仪器和人才的重要提供者。

这不是简单的“政府多一点”或“市场多一点”，而是重新回答每一类问题应当由谁承担：市场不会建设哪些公共能力，大学无法组织哪些任务，政府又不应干预哪些自由探索。

二、科研制度也会形成技术负债

科技政策经常把科学进步解释为投入函数：更多经费、更多人才、更多设备，理应带来更多成果。但投入只有通过制度才能变成发现。资助周期、评审偏好、组织规模、职业激励和出版规则，会决定哪些问题有人提出、哪些风险有人承担、哪些失败能够留下知识。

从这个意义上说，制度本身就是一件科学仪器。坏掉的光谱仪会产生错误信号，失配的科研制度也会把人的注意力导向错误目标。

项目制的技术债，是要求研究者把高度不确定的发现写成确定计划。为了获得资助，申请书必须表现得方向明确、结果可期；真正陌生的路线反而因缺乏初步数据而处于劣势。资助者以为自己在控制风险，实际可能只是把风险藏在更漂亮的叙事后面。

共识评审的技术债，是把“多数人可以接受”误认为“最值得探索”。同行评议仍是质量控制的基础，但当它同时承担资源配置、职业晋升和学术合法性判定时，熟悉性会逐渐替代原创性。突破性方案往往不是所有评审人都给高分，而是少数真正理解问题的人强烈相信。

大学中心模式的技术债，是用一种组织容器承接所有问题。大学实验室擅长自由探索，却不一定适合建设需要职业工程师长期维护的公共平台；企业擅长工程化，却未必投资回报遥远、成果开放的基础设施；永久机构容易积累能力，也可能把维持机构本身变成目标。FRO、X-Labs和ARPA式团队之所以受到关注，不是因为名称新，而是因为现有组织之间确实存在空白。

线性成果转化的技术债，是把专利和技术许可当成实验室与产业之间的唯一桥梁。专利可以明确权利，却不能替代原型、测试、中试、标准、监管、供应链和首次采购。缺少这些环节，即使论文和专利数量可观，也不等于形成产业能力。

而AI带来的技术债最深。一个围绕申请书、论文和引用量优化的体系，得到生成式AI以后，首先会生成更多申请书、论文和引用，而不是自动产生更多可信发现。AI会放大制度奖励的对象。评价错误，它就规模化生产错误；验证薄弱，它就规模化制造噪声。

这正是五个转向的共同必要性：它们不是五件彼此独立的改革工具，而是在修复一套科研操作系统的不同层面。

三、AI是改变这一切最大的变量

关于AI for Science，人们最容易关注模型能否预测蛋白质结构、设计材料或生成实验方案。但《科学：新的黄金时代》更值得重视的地方，是它没有把AI只当作一种提高个人效率的软件。

报告看到，AI可能改变科学中的稀缺关系。过去，阅读文献、提出假设和处理数据需要大量认知劳动；未来，假设和文本可能急剧增加，真正稀缺的将是高质量数据、实验能力、科学仪器、制造技能以及可信验证。

于是，科研体系可能出现一种新的不平衡：科学生成器越来越强，科学验证器却没有同步建设。提出一万个候选分子可以非常便宜，合成、测试并确认其作用仍然昂贵；生成一篇结构完整的论文只需几分钟，重建数据环境、复现实验并核对结论却需要数周乃至数年。

如果不解决这个不平衡，AI不会终结可重复性危机，而会加速它。错误结论可以被更快包装、传播并进入下一代模型，形成自动强化的知识污染。报告提出机器可审计的复现包、开放接口、持续验证系统和复现奖励，正是试图把验证从偶发的学术善举变成正式基础设施。

“创世纪任务”的意义也在这里。它不是政府再训练一个与企业竞争的通用聊天模型，而是利用17个能源部国家实验室、联邦数据、超级计算机、科学仪器和公共协调能力，建设私人公司难以单独提供的科学基础底座。政府的比较优势不是重复市场已经大量投资的工作，而是整理长期公共数据、开放昂贵设施、确定国家级问题，并建设能够跨机构使用的接口与验证标准。

这也解释了为什么报告把制造、技艺和AI放在同一套逻辑中。当智能变得更丰富，物理世界的约束会更突出。再聪明的模型也不能代替材料合成、仪器校准、芯片制造和工程放大；它只能更快暴露这些环节的稀缺。AI越强，实验、制造和默会知识越可能成为决定进度的瓶颈。

因此，报告最有价值的判断是提出一个洞见，不是“AI将加速科学研究”，而是“旧制度会吞噬AI带来的生产率”。也就是说，限制AI加速科学研究最大的障碍其实是旧的科研制度。技术更新而制度不变，新增能力可能只会变成新增问题。

四、科学正在重新成为国家能力

报告把AI、量子、聚变、太空、机器人和下一代半导体列为六项国家科技任务，并要求基础研究、公共设施、制造、人才和供应链围绕这些任务对齐。这表明，美国科技政策正在把“发现知识”与“占有产业能力”重新连接。

战后模式隐含着一种乐观假设：只要美国率先发现，开放市场、知识产权和企业活力就会把发现转化为本国产业。报告认为，这个被动模型已经失效。全球供应链、产业政策和技术竞争使一项知识可能在美国发现，却在其他国家完成工程化、制造和规模积累。失去制造以后，美国失去的不只是某一代产品，也可能失去下一代研发需要的工艺反馈和熟练人才。

这使科学政策发生了重要位移。科研不再只是文化与知识事业，也不仅是产业政策的上游，而成为国家组织能力的一部分：能否识别关键问题，能否跨部门集中资源，能否建设竞争前公共平台，能否把实验室、工厂和人才网络连在一起，决定一个国家是否能够把知识转化为安全与繁荣。

但报告并未完全回到政府直接规定技术路线的传统计划模式。它反复强调，政府应当“塑造科研竞技场”，而不是指挥每一次发现。国家可以设定任务、开放设施、承担公共风险和创造需求，具体路线仍应让不同团队竞争。其理想模型，是把任务型国家的协调能力与美国私人部门的资本、工程和创业能力结合起来。

这种构想能否成功尚待验证，但它所提出的问题真实而重要：在战略技术高度依赖公共设施、私人算力、复杂制造和长期资本的今天，国家竞争已经不仅是论文、专利或研发投入的比较，而是整套创新体系的比较。

五、雄心背后的五类风险

这份报告触及了真实瓶颈，却并不意味着它的诊断和处方都应被接受。恰恰因为它试图扩大政府对科研组合、机构和国家任务的塑造能力，更需要审视权力如何被约束。

第一，科学生产率很难准确衡量。新药研发成本上升、论文颠覆性下降和科研团队规模扩大，可能反映制度低效，也可能反映可解决问题变得更复杂、监管和安全标准提高，或者科学成果以新的方式出现。用“每十亿美元产生多少新药”评价长期基础研究，容易把科学压缩成工业效率问题。报告提出的生产率追问必要，但不能把任何短期不可见的价值都归为浪费。

第二，扩大个人和项目经理裁量权会同时扩大偏见与寻租空间。“金票”和ARPA式管理能够绕过平庸共识，也可能把资源交给少数人的知识网络。真正的制度改进不能只强调大胆决策，还要公开选择逻辑、记录利益冲突、追踪长期结果，并允许失败项目与资助者本身接受评价。

第三，国家任务可能挤压不可计划的基础研究。阿波罗计划和人类基因组计划说明集中组织能够完成重大目标，但许多真正改变世界的发现，在出现时并没有清晰用途。政府可以建设竞技场、提出挑战，却不能预先决定所有值得发现的知识。任务型研究越强，越需要为好奇心驱动的长期探索保留稳定空间。

第四，“黄金标准科学”既可能改善验证，也可能被政治化。可重复、透明、可证伪、表达不确定性和接受负结果，本来是科学共同体应当坚持的规范；但相关行政令同时带有对前任政府、气候政策和多元化议程的鲜明政治批判。当行政权力既制定标准又判断什么是“无偏科学”时，科学完整性可能被用来排斥不受欢迎的结论。验证制度应尽可能依赖公开方法、可追溯证据和多元独立复核，而不是由政治立场决定真理边界。

第五，AI原生科学中的部分设想带有技术乌托邦色彩。区块链记录贡献、智能合约自动支付、科研悬赏和AI Agent交易实验资源，可能改善协作，也可能把科学中过早商业化的激励推到极端。科学问题的价值常常无法提前标价，负结果的意义需要专业背景解释，跨代积累的公共知识也不能完全变成可交易资产。

此外，开放科学并非没有边界。联邦数据、模型、实验记录和仪器接口越开放，越需要处理国家安全、商业秘密、个人信息、生物安全和知识产权。真正困难的不是在“开放”与“保护”之间选一边，而是建立按数据敏感度、成果类型和研发阶段区分的分层规则。

这些风险并不否定报告的方向。它们说明，科研制度改革不能只设计激励创新的油门，还要设计限制权力、保护多样性和纠正错误的刹车。

六、对中国的启示：不要复制概念，而是重新设计系统

中国并非站在AI for Science的起点。2023年，科技部会同国家自然科学基金委启动“人工智能驱动的科学研究”专项部署，明确提出围绕数学、物理、化学、天文以及药物、基因、生物育种和新材料发展专用模型、算法与科研平台，并推动公共算力和科学数据开放。中国也持续推进新型研发机构、概念验证中心和中试验证平台建设。

中美面对的制度条件并不相同。美国报告主要针对联邦资助、研究型大学和私人科技巨头构成的体系；中国具有更强的集中力量办大事的决心和能力、有最完整制造业体系和大规模工程化优势，但我们也面临项目条块分割、评价指标行政化、科研数据分散、平台重复建设、青年科研人员独立性不足以及基础研究与产业反馈不畅等问题。

因此，我们最值得借鉴的不是“金票”、X-Labs或FRO这些名称和概念，而是根据我们自己面临的问题重新组合资金、组织、数据、实验、知识产权和制造能力。

首先，应当把AI for Science从工具采购提升为国家创新基础设施。真正决定科研速度的，不是每位研究者是否拥有一个通用模型账号，而是能否获得高质量科学数据、领域基础模型、可编程实验环境、标准化仪器接口、算力和可信验证系统。材料、药物、能源、育种和先进制造应建设自己的数据—模型—实验闭环，而不是把AI停留在文献阅读和文本生成。

其次，科研资助应形成明确的投资组合。自由探索、青年科学家长期支持、重大任务、快速概念验证、共性平台和工程攻关，不应使用同一种申请书、同一个专家委员会和同一考核周期。少数高不确定性研究需要制度化空间；同时，应长期追踪不同资助机制的结果，评价资助制度本身，而不仅评价项目承担者。

第三，新型研发机构要按任务内在逻辑设计生命周期。我国已有大量产业技术研究院、创新中心和联合实验室，但“新”不能只表现在名称、法人形式和楼宇空间。应明确哪些机构负责自由探索，哪些建设公共数据和通用工具，哪些承担中试与工程验证，哪些围绕阶段性瓶颈组建并在任务完成后退出。一个机构如果把永久存在和持续获得财政资金变成首要目标，就会逐渐失去解决问题的锐度。

第四，要把发现、工程、中试和制造放在同一条反馈回路中。中试平台不能只是设备清单，应有稳定的工程团队、产业问题入口、质量与标准能力、首批客户机制以及失败数据沉淀。企业提出的工艺问题应能返回基础研究，科研平台形成的共性技术也应能被多家企业低成本使用。

第五，知识产权必须从研发末端提前到科研组织阶段。重大合作启动时，就应划分背景知识产权、项目成果、训练数据、模型参数、实验记录、通用平台和专用工艺的权利边界。公共数据与基础平台可以扩大知识溢出，具体工艺、专用模型和产业化成果则需要清晰的专利、商业秘密和许可机制。知识产权的任务不是在项目结束后“收割专利”，而是让知识能够有秩序地流动、组合和形成持续投入。

第六，中国需要同步建设“生成科学”和“验证科学”。在AI可以批量生成假设、论文和专利文本以后，数量指标会更快失去意义。科研评价应增加数据完整性、可重复性、负结果、工具和平台贡献；AI辅助研发系统也要保留来源追踪、证据链、实验记录和人工责任节点。未来竞争不仅是谁更快提出新分子、新材料和新结构，也是谁能更可信地证明它们成立。

这些借鉴必须同时设定边界：

•重大任务不能挤压无法预先说明用途的基础研究；

•项目经理裁量权不能替代透明程序；

•强调人才不能再次变成对少数头衔的资源集中；

•区域平台不能重复挂牌和闲置设备；

•数据必须进一步扩大开放，但也不能忽视安全、隐私和知识产权。

中国真正需要学习的，不是美国给某种制度工具起了什么名字，而是把科研制度看成可以被设计、测试、评估和更新的对象。

结语：技术打开前沿，制度决定能否穿越

《科学：新的黄金时代》最值得重视的，不是“黄金时代”这一修辞和口号，而是它承认了一项更深刻的现实：当AI时代到来，当AI像人一样开始参与阅读文献、提出问题、设计实验和生成知识，资助、组织、评价、出版、验证和知识产权制度都不能继续停留在上一个世纪。

81年前，《科学：无尽的前沿》回答了政府为什么应当支持科学。今天的问题已经变成：在政府、大学与企业的能力边界发生变化，在知识生成速度迅速提高以后，科学应当怎样被重新组织。

美国的答案带有自己的政治结构、产业条件和国家竞争目标，我们不能直接移植。但报告揭示的一项原则具有普遍性：科研体系不能只追求更多经费、更多项目、更多平台、更多论文和更多专利，而要更准确地选择问题，更耐心地支持人才，更灵活地组织协作，更顺畅地连接实验与制造，也更严格地验证知识。

所谓科学的黄金时代，不会因为模型更大、算力更多或预算增加而自动到来。它只会在新的技术能力与新的制度能力相互匹配时出现。AI打开了新的前沿，而能否穿越这片前沿，最终取决于人类是否有能力重新设计自己的科学制度。

封面来源 | AI生成