一、形势判断：人工智能正在重塑国家科技竞争的底层逻辑
人工智能（AI）正在从通用技术工具，加速演变为重构科研范式和创新体系的关键变量。谁能率先将AI深度嵌入科学发现、工程设计和技术迭代全过程，谁就可能在新一轮科技革命和产业变革中掌握战略主动权。
2025年11月24日，美国总统特朗普签署“创世纪计划（Genesis Mission）”行政命令。官方文件明确将其类比为“曼哈顿计划”，实质上是面向AI时代的国家科研体系再动员。该计划试图整合国家实验室、超级计算基础设施、高质量科研数据以及头部AI企业能力，构建“数据-算力-模型-科学发现”的国家级闭环体系，从而系统性提升科研效率，持续巩固其在基础研究、关键技术和产业前沿的全球主导地位。
同期，我国印发《关于深入实施“人工智能+”行动的意见》，明确提出加快推进“人工智能+”科学技术行动，探索建立基于AI的新型科研发范式。这表明，在国家层面，已对AI在科技创新体系中的基础性、变革性作用形成明确共识。
需要指出的是，中美在推进AI赋能科研方面，起点不同、优势结构不同、可行路径亦不相同。美国的优势集中于科研存量和基础设施，而我国的独特优势在于工业体系和产业规模。如何在客观承认差距的同时，将自身优势有效转化为创新突破口，是当前科技创新体系建设中亟需回答的核心命题。
二、结构性差异：科研优势与产业优势的路径分化
（一）我国产业优势支撑“从工程成功到科学原创”反向跃迁
从创新要素结构看，美国推进“创世纪计划”的基础主要来自三方面：一是长期积累的、标准化程度高的科学数据与知识体系；二是以国家实验室为核心的超大规模算力与实验设施；三是学术界、产业界与资本高度耦合的AI创新生态。相比之下，我国在高端基础科研数据、底层算法原创性以及集中式算力规模等方面仍存在短板，但同时具备显著且难以复制的结构性优势：一是覆盖最全的工业门类和最完整的产业链体系；二是贯穿研发、制造和应用的复杂工程场景；三是持续生成的大规模产业数据；四是长期工程实践中沉淀的大量隐性工艺知识和经验规则。
中美之间的这种差异决定了美国更适合在既有科研存量基础上，通过AI加速原始科学发现；我国则更具条件依托工业体系，实现“从工程成功到科学原创”的反向跃迁。
（二）工程实践正在成为重要的“知识生成源头”
在人工智能、芯片设计、新能源电池、生物医药等前沿领域，工业界已经走在学术界前面，往往是工业界先通过工程实践取得突破，学术界再对其机理进行解释和总结。这并不意味着学术研究失去价值，而恰恰说明：工程实践已经成为重要的“知识生成源头”，但尚未被有效纳入科研体系。如果不能打通这条通道，我国“人工智能+”行动很可能停留在应用层面的效率提升，难以孕育真正具有引领性的原创性突破。
三、核心命题：如何把产业优势转化为科学原创能力
我国科技创新面临的根本性问题，并非是否具备应用场景或工程能力，而在于如何将已经取得的工程成功，进一步上溯为可复制、可积累、可演进的科学原创能力。如果不能完成这一跃迁，产业优势将主要停留在“效率红利”和“规模优势”层面，难以转化为长期、可持续的科技竞争力。
从现实情况看，我国大量关键技术突破首先发生在工程一线。复杂系统集成、高端装备制造、新材料制备、先进工艺路线等领域，往往通过反复试验、经验修正和工程优化实现“跑得通”“用得好”。但在这一过程中，支撑工程成功的关键机理、边界条件和普适规律，常常被“成功结果”本身所掩盖，未能被系统抽象为科学问题，更未形成具有原创性的理论表达。这在客观上造成了工程能力与基础研究之间的长期“断层”。
在这一背景下，中国工程院院士、西北工业大学党委书记李言荣提出的“从1到0研究”理念，精准回应了我国科技创新面临的结构性矛盾，具有鲜明的方法论价值和战略意义。“从1到0研究”并非否定工程创新，而是强调在工程已经“跑通”的前提下，回溯并破解支撑工程成功的核心科学问题，将经验性、隐性、局部有效的工程知识，转化为显性化、可验证、可推广的科学认知。
具体而言，“从1到0研究”至少包含三层内涵：一是从工程现象中系统识别尚未被充分解释的基础问题，避免科研选题脱离真实复杂系统；二是从工程经验中提炼可形式化表达的机理假设和理论模型，推动经验知识向科学知识转化；三是通过理论—模型—实验的闭环验证，形成具有原创性的原理、方法和技术范式，实现从“工程领先”向“科学引领”的跃迁。
从更宏观的视角看，“从1到0研究”是将我国庞大的产业体系、复杂工程场景和持续生成的数据资源，转化为新型知识生产机制的关键桥梁，也是我国在AI时代实现差异化赶超的重要突破口。这一理念，正是将我国庞大的产业规模和工程经验，转化为原创科技能力的关键通道。
四、路径选择：以AI为放大器，系统推进“从1到0研究”
在“人工智能+”行动框架下，“从1到0研究”必须从理念倡导走向机制建设。人工智能的发展恰恰为这一转化提供了现实可行的技术条件。
一是以AI增强科学问题生成能力。依托大模型对海量产业数据、工程试验数据及失败案例开展系统分析，识别异常模式和潜在规律，加速从工程现象到科学问题的提炼。
二是以AI降低机理建模与理论反演成本。通过大模型辅助机理建模、参数反演和假设生成，显著缩短“从经验到原理”的研究周期，降低从1到0研究的组织和认知门槛。
三是构建“工程—科研—AI”深度耦合的新型组织模式。以工程背景优势突出的高校和国家实验室为枢纽，推动科研人员长期、深度嵌入产业一线，实现科研活动与工程实践的协同演进。
四是优化科研评价与资源配置机制。在评价体系中明确区分“工程优化型成果”和“机理性原创突破”，对真正实现从1到0跃迁的研究给予长周期、稳定性支持，引导资源向高风险、高价值方向配置。
通过上述机制建设，有望逐步形成以产业问题为源头、以人工智能为工具、以原创突破为目标的新型创新生态。
五、结语：形成不同于美国、但同样通向领跑的创新范式
总体来看，美国“创世纪计划”依托科研存量优势，着力以AI加速“从0到1”的原始科学发现；而我国更具现实可行性、也更具战略纵深的路径，是在“人工智能+”行动引领下，充分发挥工业与产业体系优势，系统推进“从1到0研究”，实现工程成功向科学原创的战略跃迁。这是一条不同于美国、但同样指向原创和领跑的创新道路。谁能率先完成这一范式转型，谁就有可能在新一轮全球科技竞争中掌握主动权。面向2035年科技强国目标，我国亟需以更大定力和系统部署，将产业优势持续转化为原创动力，在AI驱动的科研变革中占据有利位置，为高质量发展提供坚实支撑。
图：网络
文：马洋洋、张勃、黄汉桥
审核：黄汉桥
