8 月 7 日，美国能源部（DOE）宣布启动 Genesis Open Models Initiative（创世纪开放模型计划），计划联合企业、国家实验室和学术机构，开发一系列专门面向科学研究的开放权重基础模型。
首个模型名为 Genesis-Science-1（GS1），由能源部与美国开放模型公司 Arcee AI 联合开发。目前模型本身尚未正式发布，官方也没有公布参数规模和具体架构，但已经开放贡献者入口，开始向大学、国家实验室、企业和科研机构征集训练数据、科研环境、评测体系和技术能力。
(来源：DOE）
相比又一个面向论文问答或科学知识检索的大语言模型，Genesis-Science-1的目标要更进一步。美国能源部希望它真正进入科研工作流：能够接手代码、实验数据和模拟任务，调用工具、处理失败、修改方案，并留下可以由其他科学家重新检查的完整记录。
这也是去年启动的“创世纪计划”迄今最具体的模型层建设之一。
2025 年 11 月，特朗普政府通过行政命令启动“创世纪计划”（Genesis Mission），并交由能源部牵头。目标是连接美国能源部 17 个国家实验室的超级计算机、科学仪器、数据和 AI 系统，建设一个名为 American Science and Security Platform（美国科学与安全平台）的国家级科研平台，并试图在十年内让美国科学和工程研究的生产率与影响力提高一倍。
(来源：AIP.ORG）
随后，这项计划迅速从框架进入资金和项目阶段。2026 年 3 月，能源部推出 2.93 亿美元首轮项目征集；7 月，白宫又宣布 Genesis Mission 获得超过 50 亿美元的联邦资源承诺，并从约 5000 份申请中选出首批 278 个项目，研究方向覆盖核能、聚变、材料、半导体、量子、自动化实验室等领域。与此同时，这项最初由能源部推动的计划已经扩展到 15 个以上联邦机构，NASA、NSF、HHS、NIST 等机构都开始把自己的科学数据和研究项目接入其中。
从这个角度看，新成立的开放模型计划并不是另起炉灶，而是在给 Genesis Mission 补上其中最关键的一层：模型。
搭建一套科学 AI 生态
Genesis Open Models 的第一步，是开发 Genesis-Science-1。
对于这个模型，能源部给出的应用范围相当广，包括材料发现、能源系统、地球系统模拟、聚变、生物学和高能物理。但值得注意的是，官方对 GS1 的描述几乎没有强调传统大模型最常见的参数规模和 Benchmark，而把重点放在了“科研工作流”上。
能源部认为，真实的科学计算很少始于一个干净的 Prompt，或者拥有一个标准答案。摆在科研人员面前的，常常可能是一套已经运行多年的 Fortran 代码、一轮只完成了一半的模拟任务、互相冲突的运行日志，以及几个都看起来合理的下一步方案。真正的科研工作，需要不断判断哪些数据可信、下一项实验应该是什么、什么时候应该重新运行，以及现有证据究竟能不能支持结论。
因此，GS1 将首先在一系列模拟真实科研环境的 “科学工作台”（scientific workbenches）中训练。首批方向包括高性能计算代码现代化、实验分析、模拟任务、材料科学和能源系统。这些环境不会只有论文和问答数据，而会包含代码、实验数据、工具、技术文档、运行日志、不完整结果乃至失败状态。
模型需要处理的工具也更接近真正的科研计算环境：Python、Fortran、C/C++，MPI 和 OpenMP 等并行计算框架，以及 CUDA、HIP、命令行工具、Notebook、模拟软件和计算任务调度系统。
这代表着它的训练目标也发生了变化。一个成功的任务，不只是生成一段看起来正确的答案，而是要从制定方案一路执行到最终报告；如果工具报错或者实验结果与预期不一致，模型还需要修改方案、恢复任务并继续推进。
与此同时，整个执行过程会被记录下来，包括 Prompt、工具调用、代码修改、使用的数据、中间结果和最终结论。科研专家再判断这些结果是否可靠，以及相关证据是否足以让另一个研究人员复现。安全、资源使用和论文发表等关键决定仍然由人类批准，GS1 也不会获得对能源部系统的无限制访问。
这种设计把“科学大模型”的评价标准从知道多少科学知识，向能否完成一项可验证的科学任务移动了一步。
更重要的是，能源部并不准备只靠自己的数据把 GS1 训练出来，而是试图建立一个围绕模型持续贡献的科研社区。
第一类是基础训练数据，包括科学文本、代码、技术文档以及结构化专业数据集，可以用于预训练、中期训练和上下文扩展；第二类是后训练资源，包括专家示范、任务标注、科研软件、完整工作流环境、强化学习任务、独立评测集、评分规则以及验证器。能源部还直接向科研人员征集那些传统 AI Benchmark 很难覆盖的真实科研任务。
2026 年首轮计划分成两条贡献通道。基础阶段数据首个申请截止时间为 8 月 14 日，后训练数据和科研环境首个截止时间为 8 月 25 日，此后预计每三个月继续征集。候选资源需要经过科学价值、数据权利与处理方式、专家与评测准备程度、技术集成以及最终项目选择五道审核。入选团队则可以提前接触模型评测，并参与后续开发。
首个产业合作方 Arcee AI 本身是一家专门开发开放权重模型的美国公司，负责从数据准备、架构设计到预训练、后训练和部署的完整流程，其 Trinity 系列最大的 Trinity Large 是一个 4000 亿参数的稀疏 MoE 模型。不过能源部目前并没有宣布 Genesis-Science-1 会沿用 Trinity 的规模或架构。
（来源：Arcee AI）
能源部特别强调“开放权重”，也有非常现实的考虑。对于国家实验室而言，一个科学模型可能需要在自己的内部计算设施中运行，需要保存某一固定版本数年，也可能需要针对核物理、材料或聚变等小众领域进行深度改造。依赖外部商业 API，不仅限制模型修改，也会让科研系统长期受制于外部服务。开放权重意味着实验室能够真正持有和运行模型，并根据自己的任务继续训练。
按照当前计划，GS1 最终发布时将包含模型权重、技术报告以及公开的工作台和演示材料。
美国为什么现在押注 AI4S？
Genesis Open Models 背后，其实对应着美国正在形成的一套更大的科研政策判断。
就在两周前，白宫科技政策办公室主任迈克尔·克拉齐奥斯（Michael Kratsios）向特朗普提交了 123 页报告《科学：一个新的黄金时代》（Science: A New Golden Age）。它以 1945 年万尼瓦尔·布什的《科学：无尽的前沿》为参照，试图重新讨论政府、大学、企业和科学家在美国科研体系中的分工。
其中一个核心判断是：AI 正在改变科学研究所面对的稀缺资源。
过去，科学家的主要限制之一是人的认知能力。一名研究者一生只能阅读有限数量的论文，只能掌握有限的研究方法，也无法穷举巨大的假设和组合空间。白宫认为，AI 可以帮助科研人员跨越这些限制：读取跨学科文献、搜索人类无法穷举的候选空间、分析海量实验数据，并进一步参与提出假设、设计实验、控制仪器和分析结果。
但报告同时指出，仅仅给每个科学家配一个 AI 助手，并不会自动带来科学革命。如果 AI 只是让研究人员更快生成论文、申请书和实验结果，反而可能进一步压垮现有的同行评议和验证体系。真正的 AI for Science，需要同时改变模型、数据、实验设施和科研组织方式。
因此，白宫给 Genesis Mission 列出了非常具体的关键任务，包括：挑选真正适合 AI 解决的科学问题；建立跨政府、企业和学术界的组织能力；把分散、没有整理甚至无法访问的科学数据变成 AI 可以使用的数据集；最后，再把 AI 与真实实验仪器和自动化实验室连接起来。
Genesis Open Models 正好落在这套体系的模型和数据中间。它不是单纯要求政府训练一个最大的模型，而是希望把科学数据、科研工作流、验证环境和开放权重模型组织成公共基础设施。
这也解释了为什么美国政府在拥有 OpenAI、Google DeepMind、Anthropic 等大量商业前沿模型的情况下，还要推动自己的开放科学模型。白宫报告明确承认，前沿 AI 模型和训练这些模型的工程能力目前主要集中在少数企业手中，而大量最有价值的科学数据、实验装置和专业知识却掌握在政府机构和国家实验室中。AI for Science 真正需要解决的问题，是怎样把这两种资源接起来。
为什么是能源部？
表面上看，让“能源部”负责全美国的 AI 科学基础设施似乎有些反常。但如果看美国战后的科研体系，它其实是最自然的选择之一。
美国能源部并不只是管理电力和石油。其 Office of Science 是美国最大的物理科学基础研究联邦资助机构，长期支持物理、材料、化学、计算科学、聚变和生物环境研究；2026 财年的科研体系覆盖 17 个国家实验室，并拥有 28 个开放科研设施，每年服务超过 4.3 万名科研用户。
(来源：5 digital energy）
更关键的是，这些实验室同时集中了 AI for Science 最稀缺的几种资源：超级计算机、长期积累的科学数据，以及真实世界的实验装置。能源部拥有多个世界领先的高性能计算设施，也运行粒子加速器、同步辐射光源、中子源、纳米科学和基因组设施。换句话说，它既可以训练和运行模型，也可以产生模型需要的数据，还拥有最终验证模型科学判断的物理实验环境。
这与普通互联网 AI 模型最大的不同也正在这里。科学发现最终不能停留在 Token 世界里。一个模型预测出新的材料结构之后，需要真正合成材料；提出新的聚变控制策略之后，需要进入真实装置验证；生成新的实验方案，也必须由仪器和机器人执行。
白宫在《科学：一个新的黄金时代》中因此提出一个很重要的判断：随着“智能”变得越来越充裕，科学进步的瓶颈可能逐渐从产生想法，转向获得数据、制造东西和验证结果。实验仪器、制造能力以及连接数字世界与物理世界的科研基础设施，反而会变得更加重要。
这正是能源部的优势所在。过去一年，AI 已经越来越明显地进入数学证明、材料发现、蛋白质研究和实验自动化。一些模型甚至能够帮助研究人员找到几十年乃至上百年数学猜想的反例。但从“在给定问题中找到新解”，到真正提出此前不存在的科学理论，依然存在明显距离。近期有关 AI 科学发现能力的讨论也指出，当前系统更擅长在已有规则和搜索空间内扩展探索，而能否完成类似爱因斯坦提出新理论那样的“跳跃”，仍然没有答案。
Genesis Open Models 解决不了这个问题本身。但它代表了美国正在尝试的另一条路线：与其等待一个无所不能的“AI 科学家”自然出现，不如先把模型、真实科研数据、超级计算、实验环境和验证机制连接起来，让 AI 从回答科学问题开始，逐渐进入科学研究的完整链条。
1.https://genesisopenmodels.anl.gov/
2.https://www.arcee.ai/blog/genesis-science-1
3.https://www.arcee.ai/science-1
4.https://www.energy.gov/undersecretaryforscience/genesis-mission/genesis-mission
5.https://www.energy.gov/articles/energy-department-launches-genesis-mission-transform-american-science-and-innovation-through
6.https://www.energy.gov/articles/secretary-energy-chris-wright-announces-first-genesis-mission-projects-selected-accelerate