1. CGI 宏观视点 | 迎接科研工业化——从经济学视角读《科学：新黄金时代》

[!abstract] 速览
中金研究院周子彭从经济学视角拆解白宫《科学：新黄金时代》报告。报告试图重塑战后美式科研体系；当 AI 让认知推演可以批量完成，科研的稀缺环节转向问题定义、实验与验证复现，科研组织也由三代“作坊”走向第四代“工业化生产”。作者梳理美国各界围绕经费结构、评审机制与平台权力的分歧与共识，并提出中国可借鉴的四项制度安排，是理解 AI 科研范式变革的宏观框架。

1.1. 推荐理由

文章从经济学视角分析了《科学：新黄金时代》报告提出的美国科研体系向第四代架构演进，探讨了 AI 驱动的科研工业化如何改变科研组织、人才培养与资金配置，并提出中国可借鉴的政策建议。

中金研究院周子彭以经济学视角拆解白宫《科学：新黄金时代》报告：AI 让认知推演可批量完成后，科研稀缺环节转向问题定义、实验与验证复现，科研组织从三代“作坊”走向第四代“工业化生产”。文章梳理美国改革共识与分歧，提出中国可借鉴的四项制度安排，是理解 AI 科研范式变革的宏观框架。

1.2. 摘要

本文聚焦美国白宫科技政策办公室于 2026 年 7 月发布的《科学：新黄金时代》报告，旨在重塑战后美式科研体系。作者从经济学视角，将 AI 推动的科研工业化视为科研架构从第三代（联邦资助、大学承担、同行评议）向第四代（共享设施、跨机构协作、AI 辅助）演进的关键动因。文章系统梳理了 AI 在推理、模型训练、自动化实验方面的突破，以及政策承诺如何落地；随后分析了高校、科技企业、学者等各方对改革的分歧与共识，指出科研组织、人才培养与资金配置正面临深层变革。最后，作者结合中国科研体系现状，提出四项具体建议：推进专注型研究实体、构建算力-数据-实验闭环、降低贡献核查成本、拓宽人才培养路径，以制造优势转化为科研竞争力。

1.3. 主要内容

要点	内容
AI 加速科研工业化，推动架构向第四代演进	AI 通过模型推理、计算模拟和自动化实验等方式改变认知供给，使科研稀缺环节从中间层推演转向问题定义、实验反馈与验证，促使科研组织从课题组“作坊”向规模化生产转变。
美国科研改革引发高校、企业、学者的利益分歧	高校担忧间接费用削减及行政干预，企业期待进入公共科研，学者警惕职业路径与学术规范受冲击，三方围绕经费结构、评审机制与平台权力展开激烈争论。
中国可借鉴的四项政策建议	建议建立专注型研究实体、推行算力-数据-实验闭环置换机制、利用 AI 降低贡献核查成本、拓宽人才培养路径，充分发挥制造优势实现科研转型。

以下文章来源于：中金研究院

中金研究院

中金研究院（CICC Global Institute，缩写 CGI）作为中金公司一级部门，定位为新时代、新形势下的新型智库，服务于中国公共政策研究与决策，参与国际政策讨论和交流，并为中国金融市场尤其是资本市场发展建言献策。

当科研要素的稀缺性发生迁移，组织结构的变化将是一种必然。

1.4. 宏观视点

白宫《科学：新黄金时代》报告试图重塑战后科研框架。报告发布三个月来，行动计划到期、峰会承诺兑现与 AI 应用进展，为评估其能否重构美式科研体系提供了依据。“科研工业化”是指科研能力的扩展从依靠人力转向依靠算力、模型与自动化设施，科研或由课题组“作坊”走向“规模化生产”。从经济学视角看，核心要素的相对稀缺性驱动了现代科研架构的更迭，并大致经历了三代。当前，认知推演可以由机器系统批量完成，科研稀缺环节转向问题定义、实验反馈与验证复现，将推动设施共享与分散探索并存的第四代框架的形成。美国围绕间接费用、同行评议与平台权力的争论依然激烈，但在破除行政冗余、强化科产互补与顺应 AI 趋势方面已近共识。我国科研体系与美国第三代架构有相似之处，变革同样具有迫切性，我国可以在项目期限与尽责免责、实验服务置换数据权益、成果可核验及跨学科人才培养上采取匹配科研工业化的措施，将制造与工程优势转为新的科研优势。

关键词 | 科研工业化 人工智能 科研组织 创新体系

研究员 | 周子彭

2026年7月21日，美国白宫科技政策办公室主任迈克尔·克拉齐奥斯向总统提交《科学：新黄金时代》[1]。在特朗普政府推动科研体系重组的政策语境中，这份报告试图重新回答1945年范内瓦·布什《科学：无尽的前沿》留下的问题：国家应当如何组织和支持科学探索。八十年前，布什报告确立了二战后美国科技领先的制度基础，联邦政府提供长期资金，研究型大学承担基础研究与人才培养，学者共同体通过同行评议筛选项目、确立声誉。然而新报告认为，那套建立在二十世纪中叶的制度架构不仅内部陷入了行政冗余、意识保守与效率低下的泥潭，其赖以成立的现实前提也已发生改变：私人部门正成为研发投入的主力（图表1），科学发现与先进制造的双向联系日益紧密，AI 也开始进入过去高度依赖专业训练与个人经验的认知活动。

图表1：1953-2024年美国研发投入的资金来源变化

注：按资助方统计各类研发支出占 GDP 的比重，反映整体研发的资金结构，基础研究的资金结构与此不同。2024年含估算。

资料来源：美国国家科学基金会国家科学与工程统计中心（NSF NCSES），中金研究院[2]

报告据此主张在每年约两千亿美元的美国联邦研发预算之上，推动一场扩大资助对象、改造拨款机制、连接公私科研设施并加强成果可靠性检验的系统性改革。这些改革包括四个方面：一是让更多资金直接支持研究者，并随个人流动；二是通过快速拨款、“金票”推荐[3]和项目官员主导的任务研究，为高风险探索打开新的资助通道；三是扶持 X-Labs[4]等跨学科组织，以元科学[5]试验检验资助制度本身；四是通过创世纪任务（Genesis Mission）[6]，把企业的 AI 能力与公共科学数据、算力和实验设施连接起来。这些改革触及了大学在科研体系中的地位、同行评议对经费配置的影响，以及企业在下一代科研基础设施中的权力，在美国引发了激烈的讨论。支持者看到的是打破制度僵化的机会，批评者则担心长期积累的科研基础受到侵蚀。

《科学：新黄金时代》发布三个多月来，政策推进、AI 技术突破与各方利益博弈相互交织，勾勒出美国科研体系重构的初期轮廓。从经济学视角看，AI 推动的“科研工业化”正在改变认知能力的供给方式及科研要素的相对稀缺性，推动战后美国形成的第三代科研架构向第四代演进。我国科研体系立足国家发展需要，吸收多国经验，逐步形成了自身的组织架构与治理逻辑。竞争性科研资助、产学研合作和成果转化等机制，也在服务国家战略、推动产业发展和开展自主探索的过程中不断调整。科研工业化带来的变化同样要求我国重新审视人才、资金与设施的配置方式。剖析美国转型的经济动因与现实阻力，有助于我们结合自身制度条件和制造、工程优势，探索适合中国的科研组织路径。

1.5. AI 加速演进验证构想，政策节点如期兑现

《科学：新黄金时代》试图重构美国战后八十年的科研体系，这一目标无疑会面临巨大阻力。但过去三个月的进展表明，这场变革并非纸面文章。AI 在科研一线的应用不仅印证了报告预判，实际进展甚至更为迅猛。与此同时，报告设定的行政节点与资源承诺均已按期兑现，政策推进节奏符合预期。

1.5.1. AI 科研应用超预期落地

报告主张打破“基础研究到应用转化”的单向模式，建立以 AI 为核心、计算模拟与工程制造持续互动的“AI 原生组织”（即围绕 AI 重新安排流程、分工与资源配置）。过去三个月，业界在自主推理、复杂系统建模与自动化实验等领域取得了显著进展，不仅印证了报告的判断，其推进速度与规模还超出了学界的一般预期。

最直接的冲击来自推理与知识生成能力的爆发。10月6日，OpenAI 公开的一批数学成果，其初始目录包含 722 份手稿、372 个相关结果族，部分主要结果附有形式化证明[7]。虽然整批成果仍处于不同验证阶段，并且有三份手稿已因符号错误及其对依赖论证的影响被撤回，这一案例说明，一些过去需要学者长期投入的推演工作，已经开始能够借助模型与算力加速完成。与之相应，产出结果与确认其价值之间的能力缺口也变得越发显著。

与此同时，预测复杂物理与生命系统行为的“科学世界模型”正在以超预期的规模落地。这类模型需要学习研究对象的结构、状态与变化规律，对算力与高质量实验数据的体量要求很高。仅在报告发布三个月后，这一构想就迅速转化为十亿美元级的重资产投入。10月7日，Biohub 宣布扩大虚拟生物学计划，在“虚拟细胞”单一方向上便汇集了政府与企业合计 18 亿美元 的资金及算力资源承诺[8]，投入规模远超传统大学课题组甚至国家级研究中心的常规资助上限。依托这种工业级的资源集结，实验不再是分散在课题组里的逐项试错，而是升级为大规模生成标准化数据、持续反哺模型训练的规模化闭环。

与模型规模扩张同步推进的，还有自动化实验设施的工程化落地。随着模型提出的候选方案激增，样品制备、测量与数据整理逐渐成为制约科研产出的新瓶颈。10月7日，丹纳赫联合 Automata 宣布建设 AI 驱动的自主实验室[9]，打通模型设计、自动化合成、测试和反馈全流程，目标是让亲和试剂[10]从构想走到验证的速度最高提升 8 倍，丹纳赫预计该实验室将于 2027 年初实现规模化运行。在国家层面，创世纪任务则依托美国能源部17个国家实验室推进“美国科学与安全平台”，推动计算、数据、科学模型与大型实验设施的跨机构连接。尽管相关提速和建设尚在推进中，但高通量实验设施正在成为决定模型能力边界的硬性条件。

从推理推演、系统建模到自动化实验的链条打通，正在将报告构想的“AI 原生组织”推向现实。当研究流程高度依赖密集的数据、计算与实验反馈时，单个课题组独立支配的资源已很难走完整个研究流程，共享设施、跨机构协作与专业工程团队的地位随之凸显。如何调整资源配置方式，让分散探索也能接入规模化的平台能力，成为接下来科研组织改革必须回答的问题。

1.5.2. 政策承诺如期兑现

与技术端的快速推进相呼应，政策端的落地也同样保持了紧凑节奏。此次白宫科技政策办公室自7月21日提交报告起，便通过设定刚性的行政倒计时与搭建高规格公私合作机制，从体系内部督导与外部资源动员两条线同步施压。在过去三个月的窗口期内，各部门行动方案与峰会资源承诺均已按时交付，政策层面的初期推进力度符合预期。

首先是报告设定的部门行动期限均已按期兑现。围绕报告提出的重塑科研管理流程、破除行政冗余等核心任务，白宫为主要联邦科研资助与执行机构设定了明确的三个月行动计划交付节点。截至10月下旬的节点期限，能源部、国家科学基金会及国立卫生研究院等核心部门已相继完成配套方案的制定与机制对接，重点围绕简化经费申请流程、调整项目遴选标准以及打通跨机构算力与数据底座展开部署[11]。这表明白宫对科研行政体系的垂直督导正在生效，改革已从顶层设计进入各部门的制度执行层面。

其次是围绕重点科研方向的资源承诺在峰会框架下获得进展。报告明确指出，私人部门正成为美国研发投入的主力，这意味着构建新一代科研框架不能仅靠联邦财政拨款，还需调动产业界与公益基金的实质参与。在白宫及相关机制召集的峰会推动下，联邦机构与科技企业、慈善基金会达成了一系列投入承诺，将外部算力配额、基础模型接口与自动化实验设备定向导入国家重点科研项目中[12]。这种公私协同的资源统筹，支持了科研与产业加速互补的趋势，也为报告构想的落地提供了早期的物质底座支撑。

总体来看，过去三个月相关行政安排按期推进，外部资金支持陆续落实，表明科研架构改革已付诸行动，白宫也展现出较强的动员能力。不过，目前落地的举措大多是各方都能受益的增量合作，真正的难点仍在于调整既有的利益格局。当改革涉及间接费用削减、同行评议机制调整以及科研平台的权力分配时，各方围绕既有利益的争论与阻力便迅速显现出来。

1.6. 美国本土的分歧、忧虑与共识

在美国庞大的科研生态中，每年约两千亿美元联邦研发资金的流向，决定着大学、国家实验室、企业与慈善组织各自的职责与发展空间。过去三个月围绕《科学：新黄金时代》的密集交锋表明，各方虽普遍认同提高科研效率、加强产学研结合与引入 AI 工具的大方向，但在公共经费切分、机构长期支持与学术评价权归属等具体制度安排上仍存在深刻分歧。

[!warning] 分歧所在
高校担忧间接费用削减及行政干预，企业期待进入公共科研，学者警惕职业路径与学术规范受冲击；三方围绕经费结构、评审机制与平台权力展开激烈争论。

1.6.1. 研究型大学担忧机构支持受损与行政干预扩大

以美国大学协会（AAU）及一线学者为代表的高校共同体，对报告的批评集中在经费结构、评审权力与基础保障三个层面。在他们看来，大学同时承担着知识生产、设施维护和人才培养的长期职能，不能简单按单个项目的短期产出来拆解和考核。

大学对经费改革的担忧，集中在间接费用补偿的削减。报告将大学的间接费用视为“行政膨胀”的温床，主张压缩这笔开支，把资金直接投向研究人员和具体项目。大学方面反驳称，间接费用支撑着实验室日常运转、数据服务与安全合规等公共底座。如果经费完全随个人和短期项目流动，缺少为底层设施的长期折旧与维护的预算，大学赖以开展前沿探索的公共科研条件将难以为继。

经费分配由谁决定，则直接关系到科研资助的专业独立性。报告批评传统的共识型同行评议过于保守，主张引入项目官员主导、“金票”推荐、快速拨款与悬赏挑战赛等机制。对此，忧思科学家联盟（UCS）等学界组织明确警告，削弱同行评议的把关作用，易为政治力量干预科研方向与经费分配打开大门。即便是支持制度创新的进步研究所（IFP），也强烈反对赋予政治任命官员事前审查和随时中止资助的权力，认为这会直接摧毁联邦科研资助的长期公信力与专业独立性。

改革承诺与实际支持条件之间的落差，又进一步加深了高校方面的疑虑。AAU 与 UCS 指出，政府一边在报告中宣称要开启科学新黄金时代，另一边却在推进削减基础科研预算、中断既有项目资助以及收紧国际科研人才签证等举措。这种宏观投入收缩与微观高调改革的背离，让大学质疑改革背后存在政治动机。

1.6.2. 科技企业与元科学改革派期待重塑科研机制

与传统高校的防御姿态相反，美国科技企业与元科学改革派[13]将这份报告视为打破既有体制僵局、扩大自身参与空间的契机。以进步研究所（IFP）为代表的改革派主张用实证数据和制度试验改造现行资助体系，提高科研投入的产出效率。产业界则希望凭借模型、算力与自动化设施优势，深度切入国家核心科研任务。

报告提出的开放联邦实验设施、推动科研机构建立元科学单元，以及支持 X-Labs 等独立研究组织，契合了这些参与者对更灵活科研机制的期待[14]。在10月峰会上，11家企业承诺向创世纪任务联盟提供 24 亿美元 的科研工具与算力使用额度[15]，Biohub 与丹纳赫等机构也推进模型、数据和实验设施合作，标志着私营力量正从单纯的软硬件供应商转变为公共科研任务的共同组织者。但从组织权力来看，随着研究活动日益依赖特定模型、算力底座与自动化设施，掌握这些稀缺要素的科技巨头也在顺势主导新一代科研基础设施的技术标准与使用规则，由此也引发了学界对“平台权力”过度集中的警惕。

1.6.3. 一线学者担忧职业路径与学术规范受冲击

除了对报告本身的直接评价以外，过去几个月 AI 科研成果的发布，也让一线研究者开始面对更具体的职业与学术规范问题。这些现象也显示出报告所倡导的 AI 时代的科研方向，在实际研究中将遇到怎样的阻力，又有哪些协调问题需要解决。

对一线研究者而言，AI 带来的冲击已经涉及研究训练、职业发展与成果归属的核心问题。现有学术体系下，研究生群体（包括博士、博士后）主要通过解决局部问题、完成实验和发表论文来积累独立研究能力。随着大模型与自动化设施接管越来越多基础推演与实验任务，青年学者的训练阶梯面临断裂的风险。与此同时，OpenAI 数学手稿的批量发布，更引发了学界对原创贡献被稀释甚至学术首发权受损的担忧。纽约大学数学家特里斯坦·巴克马斯特在10月8日的 CNBC 访谈中，直接对 AI 成果中的人类研究贡献界定及未公开材料的使用提出质疑[16]。这批生成手稿中至少有16个问题与菲尔兹奖得主雨果·迪米尼尔-科潘正在推进的研究密切相关[17]。人类数学协会（Association for Human Mathematics，AHM）则将 AI 一次发布700余份数学稿件批评为“权力展示”，并呼吁数学家停止与 OpenAI 合作[18]。这表明一线学者的焦虑不仅在于岗位替代，更在于拥有算力优势的平台正单方面改写学术首发权与贡献承认规则。

随着 AI 生成的科研成果大量出现，如何核验这些成果、建立可信的评价标准，也成为科学共同体必须面对的挑战。当闭源商业模型开始批量输出高阶科研结论时，传统的同行评议与信任机制很难直接适用。由普林斯顿高等研究院支持的数学与 AI 独立顾问组在9月29日发布指南，明确反对使用不向学界开放的专有模型测试高阶数学问题，并在10月6日 OpenAI 发布成果当天再次声明，认为公开发布仅仅是学术共同体理解和评价这些结果的开始[19]。为应对评议和核验压力，10月15日西蒙斯基金会联合 OpenAI 与 Anthropic 宣布提供1500万美元资金与资源，专门支持数学界评估 AI 辅助成果并探讨共同标准[20]。从抵制闭源测试到专项投入核验，说明当 AI 生成成果的速度远超人工审阅极限时，如何确立机器可审计的验证标准已成为整个科学共同体必须面对的难题。

1.6.4. 分歧背后美国各界对科研转型的三大共识

尽管各方在改革路径上激烈交锋，但这场争论并非完全建立在对立立场之上。透过纷繁复杂的利益博弈，美国各界在三个核心维度上达成了深度共识。

共识	表现
科研运行中的低效与僵化需要改变	无论是力主制度试验的进步研究所（IFP），还是对改革持保留态度的传统学者，都关注到行政负担、审批时滞与成果转化不畅对科研效率的制约；争论核心在于变革的力度与组织路径，而非维持现状。
科学优势必须建立在科研与产业深度支撑之上	无论是报告强调基础研究与先进制造的双向反馈，还是大学、国家实验室与企业在峰会中的频频互动，各方均不再将科技创新视为单向度的线性转化；在科研要素向算力和自动化设施集中的背景下，如何跨越机构边界持续组织科研能力，已取代单一项目的效率评估，成为各界共同的关注焦点。
AI 已成为科研体系重构过程中无法回避的结构性变量	从美国大学协会（AAU）欢迎报告对 AI 科研的重视，到忧思科学家联盟（UCS）肯定将组织改革与 AI 结合进行讨论，各方均指向同一个底层挑战：当 AI 改变了知识生产的工具与能力边界后，资助机制、青年人才培养与机构分工亟待做出根本性调整。

白宫报告之所以能跨越部分立场分歧、吸纳不同参与者，正因为它重新把这些长期被掩盖的行政冗余问题摆上了政策讨论的核心位置。

这三重共识表明，当前围绕《科学：新黄金时代》的种种争论，并非要不要变革的意愿之争，而是关于新一轮科技浪潮中，利益格局如何重新划分、制度成本由谁承担的权力博弈。

1.7. 科研组织演进的经济逻辑与科研工业化

美国各方对科研改革既有共识，也有分歧。理解这些现象，需要考察既有科研组织赖以运行的经济条件发生了什么变化。按交易成本理论，组织的重要作用，是降低获取资源、协调分工与监督履约的成本。当技术进步改变核心生产要素的相对稀缺性，原有组织架构的成本与优势也随之变化，产生重新安排组织边界的压力。改革由此获得动力，也因利益调整和对新制度效果的不同判断而引发争议。

AI 正在带来这样的变化。认知能力开始能够通过模型与算力扩大供给，使科研能力的扩展获得了培养和增加人员之外的新途径。更多研究方案的产生，又会增加实验反馈与可靠验证的需求，推动资本投入向这些环节延伸，促进实验和验证的自动化。科研工业化正是在这一过程中展开的，并逐步改变人才、资金、设施与决策权的配置。将《科学：新黄金时代》放到近四百年现代科研组织演进的历史中考察，可以看清前三代架构如何回应各自时代的稀缺条件，以及今天推动第四代架构重塑的经济力量来自何处。

1.7.1. 科学研究的四大环节与科研架构的体系演变

为分析科研活动的要素需求与组织方式，我们可以将其归纳为四个相互联系的环节[21]：

环节	内容
问题定义与假说提出	依托直觉与跨界深度理解
文献检索、逻辑推演与实验方案搜索	耗费大量认知劳动
实验观测、理论证明与工程迭代	取得证据或实现方案
逻辑核验、实验复现与同行检验	确保知识可靠性

长期以来，人类专业认知能力与熟练实验技能，很难仅靠增加资金投入在短期内迅速扩张。如何培养和组织人才，如何筹集资金、配置设施并验证知识，始终是科研组织需要解决的基本问题。回顾现代科研组织前三代架构的演进，可以看清不同历史时期的组织安排如何回应这些稀缺条件，也为理解 AI 带来的新一轮变革提供基础[22]。

第一代架构是17至18世纪的“贵族恩庇与通信学会制”，以1660年创立的英国皇家学会为标志。 在近代实验科学萌芽期，科学尚未形成成熟的职业体系，主要瓶颈包括精密观测仪器的稀缺，以及分散的自然哲学家之间难以传递信息、建立信任。知识生产依托学者个人及小规模协作，学会通过通信、实验演示、讨论和出版，把分散的探索连接起来。资金多依赖王室恩庇、私人财富与社会赞助，质量控制借助个人名誉、实验证明和相互检验。这种松散架构点燃了近代科学的星火，却难以承担复杂分科知识的系统积累与规模化传承。

第二代架构是19世纪至20世纪上半叶的“洪堡大学研究所与企业工业实验室制”，以1810年创立的德国柏林大学，以及随后发展的德国化工企业实验室与1925年成立的美国贝尔实验室为代表。 随着物理、化学与电气工程纵深演进，单一全才型大脑已难以掌握全部分科知识，核心稀缺要素转向系统化的专业知识传授机制与能够持续培养的职业科研劳动力。以“教学与科研合一”为理念的德国研究型大学，逐步形成以讲座教授为核心的研究所体系，将前沿探索与博士学徒训练绑定，实现专业化认知能力的规模化再生产。大型工业企业则建立垂直一体化的实验室，将科学家与工程师集中起来定向攻关，推动知识向产品、工艺与专利转化。

第三代架构则是1945年以来逐步形成、以美国为代表的战后科研体系。联邦政府提供长期资金，研究型大学承担基础研究与人才培养，科学共同体通过专业评议参与资源配置。 二战中曼哈顿计划与青霉素量产的成功，显示了科学研究、工程开发与国家组织能力相结合的战略价值。战后高能物理、分子生物学等领域所需的资金规模与漫长回报周期，使私人慈善与单一商业企业难以稳定承担全部投入。基础研究的正外部性，又进一步强化了公共资助的必要性[23]。此时更突出的稀缺要素，是支持高风险基础研究的长期资本，以及在高度细分的成百上千个子学科中识别研究潜力的分布式筛选机制。布什在《科学：无尽的前沿》中，为联邦政府持续支持大学基础研究提供了政策蓝图。此后逐步形成的战后安排，由联邦政府提供基础研究所需的重要长期资金。由研究型大学充当核心生产载体，内部采用松散的院系结构与首席研究员（PI）课题组制，并与国家实验室和企业形成分工。由学者共同体通过同行评议参与经费配置，研究成果、专业声誉与教学贡献共同影响晋升与终身教职评定。

第三代科研架构之所以能长期运转，依赖两个重要的体系设计。一是利用“学位授予与未来学术职业机会”，吸引全球优秀的年轻研究者进入课题组，以当期报酬承担认知推演与实验操作，同时获得研究训练。二是依托专业学术共同体的判断与大量非直接付酬的同行审稿，把成果筛选与经费、职位分配连接起来。研究劳动、人才培养与学术信用，由此形成了相互支持的循环。

1.7.2. 认知能力规模化生产推动科研环节稀缺性迁移

前三代科研架构虽不断演进，但科研所需的理解、分析、判断、规划和沟通等认知能力，主要依附于经过长期训练的人。而扩大这类人才的供给，需要培养研究者、细化专业分工，并把分散的知识与经验组织起来[24]。战后大学将科研、人才培养与学术评价紧密结合，正是对这一供给条件的制度回应。

AI 正在改写这一供给约束。越来越多的认知活动能够由模型辅助或承担，资本由此获得了扩大认知能力供给的新途径。图表2表明，前沿模型的训练计算投入不断增加，而达到固定基准测试门槛的模型调用价格持续下降。模型开发完成后，可以供不同团队反复使用，研究者能够按需购买服务，无须自行承担开发投入。过去需要通过培养和聘用专业人员来积累的一部分能力，现在也可以通过调用模型获得。科研团队因而有了增加人员之外的能力扩展方式。

图表2：AI 能力的生产投入与使用价格变化

注：左图为模型训练计算成本估计，主要对应最终训练运行，并非全部研发投入。右图为达到固定 MMLU 基准门槛的最低 API 价格。两者分别反映生产投入与调用价格，不作直接数量比较。基准门槛不等同于科研认知能力或科研产出。

资料来源：Epoch AI，中金研究院[25]

从经济学角度看，这种变化同时涉及研究任务之间的替代与互补。大模型让推演和方案搜索更加便宜，这使得同样的预算能够支持更多研究路线，增加对实验、测量和结果核验的需求。如果这些配套能力扩张较慢，它们就会成为新的约束，增加相关投入对整体科研效率的贡献也可能提高。资金与技术因而有动力向这些环节配置，推动实验和验证的自动化。随着供给继续扩大，科研的约束又会发生新的迁移。

科研工业化正是在这一过程中展开的。认知能力的规模化供给带动实验、验证和工程实现方式的调整，使科研链条中更多环节能够通过资本投入和技术改进扩大能力。不同环节的成本下降速度与供给弹性并不一致，各类要素的相对稀缺性随之变化，原有组织分工也需要重新安排。这种变化主要体现为以下三类迁移。

[!tip] 三类稀缺性迁移
一是从“中间层认知推演稀缺”转向“问题定义与研究统筹稀缺”；
二是从“研究方案生成能力稀缺”转向“高质量实验数据与现实反馈能力稀缺”；
三是从“论文与假说生成稀缺”转向“可靠验证与物理复现能力稀缺”。

第一类稀缺性迁移，是从“中间层认知推演稀缺”转向“问题定义与研究统筹稀缺”，推动大学“PI＋研究生群体”的课题组分工发生调整。 研究生群体的重要职能，是在导师提出方向后，完成文献检索、理论推导、代码编写与实验测量，并在这个过程中学习独立研究。当模型承担越来越多的检索、推演和方案搜索任务时，同样规模的团队便有机会探索更多路径。可调用的研究能力越充足，选择哪些问题、如何配置计算与实验资源、何时继续或放弃一条路线，对科研成效的影响就越突出。AI 也可以参与这些判断，但研究方向与资源配置仍需要在具体任务中不断检验和调整。

科研能力的扩展由增加人手延伸到调用模型与计算设施，团队内部的分工也会改变。过去依靠多人逐级传递信息、分头完成任务的方式，可能难以充分利用模型加快执行带来的收益。能够及时调整研究路线、直接调用外部能力的小团队，因而获得了新的发展空间。在实验与工程领域，这类团队还需要精密仪器、自动化设备和快速试制服务，先进制造能力的重要性也随之上升。与此同时，大学课题组原有的科研与人才培养关系需要重新协调。部分任务交给模型后，当期研究效率可以提高，但学生通过实践积累经验的过程仍需要组织。如何将模型使用、方法理解与独立探索结合起来，将成为科研训练的重要内容。

第二类稀缺性迁移，是从“研究方案生成能力稀缺”转向“高质量实验数据与现实反馈能力稀缺”，对以单个课题组为单位配置实验资源的方式提出新的要求。 模型提出假说和筛选方案越快，对现实反馈的需求就越强，而测量、制备、实验与工程试验仍受到设备、材料、时间和成本的约束。增加推演能力的收益，因而越来越取决于能否及时获得实验结果，并据此修正后续研究。实验能力与模型能力之间的互补关系，使自动化设施、持续的数据生产和工程反馈成为新的投入重点。

传统课题组通常围绕具体项目配置人手与仪器，数据也主要服务于本组的研究目标。科研工业化则提高了对跨项目、跨机构积累数据的需求。除成功结果外，失败实验、测量条件和操作记录也可能帮助研究者判断哪些路径值得继续探索。前述虚拟生物学与自主实验室计划，都体现了模型与实验持续互动的发展方向。数据整理可以获得 AI 辅助，但研究对象如何反应，仍需要通过适当的观测和实验取得证据。

这类投入往往具有较高的前期建设成本，并需要持续维护。单个课题组独立承担整套设施，可能难以获得足够的使用规模；由多个团队共同使用，则有助于分摊成本、提高设备利用率，并积累可重复使用的数据。共享平台和按需获取实验服务，由此成为一种有吸引力的组织选择。其效率不仅取决于设备是否先进，也取决于服务能否稳定提供、数据能否相互衔接，以及平台与研究团队之间的责任是否明确。随着自动化继续推进，实验供给本身也能够扩大，科研约束便可能进一步转向其他环节。

第三类稀缺性迁移，则是从“论文与假说生成稀缺”转向“可靠验证与物理复现能力稀缺”，促使知识确认机制相应调整。 同行评议依靠专业研究者投入时间，对方法、证据和结论作出判断。当 AI 以较低成本生成更多推导、分析和实验方案时，候选成果的增长可能超过评审与复现能力的扩张。科研体系获得了更多可供探索的线索，也需要投入更多资源，识别其中可靠、重要并值得继续投入的成果。

这一变化还会影响科研评价所使用的信号。论文写作、数据整理和代码生成都可以获得 AI 支持，产出数量因而更难直接反映研究贡献。评价需要进一步考察成果解决了什么问题、证据是否可靠，以及能否支持后续研究。验证与复现的收益可以被许多后续研究者共享，而相关成本往往由具体团队承担，因此还需要稳定的资助与认可机制，使质量保障获得与其作用相匹配的投入。

验证能力本身也可以借助 AI 和自动化扩大。形式化证明、计算复现、数据审计与自动化实验，可以分别承担适合标准化的核验任务，并为专业判断提供更充分的依据。不同研究仍需要选择适当的检验方式，逻辑检查、计算复现与新的实验观测各有作用。随着验证服务逐步发展，研究团队也能够通过外部专业网络获得支持，提高成果确认的效率。

图表3与图表4直观展示了资本与算力如何突破传统的人力扩张瓶颈，推动蛋白质结构预测与人均实验规模实现指数级跃升。上述三类迁移则进一步说明，这些能力的增长会改变各环节的投入需求和配合方式，推动课题组内部的人员分工、实验资源配置及知识确认机制共同调整。围绕新的成本结构和供给条件重新组织科研，构成了第四代科研架构探索的经济基础。

图表3：AI 推动蛋白质结构预测规模扩展

注：PDB 为实验解析条目按发布年份的累计数。AlphaFold 为主要版本发布时的预测结构数。

资料来源：RCSB PDB，EMBL-EBI，中金研究院

图表4：AI 研究中人均实验规模急剧扩大

注：每名活跃实验人员的实验次数指数，以2025年平均水平为100，采用过去四周移动平均。

资料来源：OpenAI[26]，中金研究院

1.7.3. 科研工业化催生第四代架构

上述稀缺性迁移，正在改变科研活动适合在多大范围内组织、哪些能力需要内部积累，以及哪些工作可以交由外部机构完成。模型训练、计算设施和自动化实验平台需要较大的前期投入，扩大服务范围有助于分摊建设成本，形成规模经济。具体研究方向则具有差异性和不确定性，需要不同团队并行探索、相互启发。两种力量共同作用，使科研基础设施的建设规模与研究团队的组织规模逐步分离，推动共享能力供给与分散研究决策相结合。

这种分离具有重要的经济意义。过去，扩大研究能力往往需要增加人员、购置设备，并在机构内部组织更多专业分工。随着模型、计算和实验能力可以按需获取，小团队能够调用超出自身人员与资产规模的资源，减少重复建设。基础设施服务更多研究者，也有机会提高利用率、积累数据并改进服务。科研工业化由此为大型平台与灵活团队之间的分工创造了条件，第四代科研架构的轮廓也逐渐显现。

在研究执行端，团队可以围绕问题更加灵活地组合能力。研究者能够根据任务需要，选择培养内部人员、调用模型、聘用专业人才或购买外部服务。哪些工作留在团队内部，取决于专业经验积累、沟通效率和研究连续性的需要；哪些工作由外部提供，则取决于服务质量、获取成本及协作条件。能够及时选择研究路线、整合不同能力的团队，有机会用较小的内部规模开展更广泛的探索。大学课题组、跨机构团队和专注型研究组织，都可以在这一过程中调整自身分工，形成适合不同任务的组织方式。

在设施与数据端，共享平台可以扩大科研能力的供给范围。对计算密集、实验流程较为标准化的研究，跨团队使用设施有助于分摊成本，并使设备运行、数据记录和质量管理形成持续积累。国家实验室、大学与企业可以分别提供科研设施、专业知识、模型工具和工程服务，将分散团队连接起来。要使这种分工有效运行，还需要明确服务标准、费用承担、数据使用许可和成果权益。跨机构合作的协调成本越低，研究团队就越有条件根据任务变化重新选择资源，平台的规模优势也越容易转化为整体科研效率。

在成果确认端，专业验证服务将成为科研体系的重要支撑。随着候选成果增加，依靠每个团队分别建立完整核验能力的成本也会上升。共享的计算复现环境、数据审计工具和独立实验服务，可以帮助研究者获得更充分的检验证据，并减少重复投入。适合标准化的核验任务可以借助机器扩大处理能力，专业评价则进一步考察研究的原创性、解释力和适用范围。评价与验证由此形成更紧密的配合，使成果数量的增长能够转化为可靠知识的积累。

这一架构也将改变公共资金与私人资本的分工。模型和实验平台可以通过向多个团队提供服务获得收入，为私人资本进入科研能力建设创造了条件。基础研究、开放数据、独立复现和人才培养的收益，则往往超出单个出资者能够获取的范围，仍需要公共资金持续支持。科研工业化要求重新考虑不同投入的收益如何形成、由谁承担成本，以及哪些能力应当保持开放。公共支持与商业服务能否相互配合，将影响新架构的效率和发展空间。

沿着这一逻辑审视，《科学：新黄金时代》可以理解为美国面向第四代科研架构的一轮制度探索。报告支持 X-Labs 等新型研究组织，试验更灵活的资助机制，并通过 Genesis Mission 连接公共科研设施与企业的模型、算力和科研工具。这些安排回应了科研能力供给方式变化之后，对组织弹性、共享设施和跨机构协作的需求。报告强调科学发现与先进制造之间的联系，也体现了数字推演能力扩大之后，实验反馈和工程实现对科研效率的重要性。

因此，这份报告的经济合理性，在于尝试使科研组织与新的成本结构、能力供给方式相适应。其探索能否取得成功，还要看共享平台能否降低研究者获取资源的成本，新型团队能否获得持续开展探索的条件，以及人才培养与可靠验证能否同步加强。从经济学视角看，第四代架构的目标，就是在扩大科研能力供给的同时，提高形成可靠知识的效率，并为未来的原创探索积累人才、设施与经验。

1.8. 美国迈向第四代架构的影响与现实掣肘

当科研工业化推动知识生产向第四代架构演进，美国延续八十年的科研生态也迎来了资源、机会与决策权的重新洗牌。党派分歧与利益博弈或许会延缓部分政策的落地速度，却无法逆转 AI 改写认知供给、资本介入知识生产以及科研与先进制造深度绑定所带来的结构性压力。顺应前述要素稀缺性的迁移，这一转型正在重塑美国研究型大学与科技平台的权力格局、改写科研人才的代际培养结构，同时也暴露出美国在实体制造与工程反馈环节的深层短板。

1.8.1. 研究型大学分化伴随着科技平台崛起

随着共享算力、科学大模型与自动化设施成为核心稀缺底座，长期作为美国基础研究与人才培养中心的大学体系正面临严峻的内部洗牌与外部挤压。报告一边扩大研究者个人与 X-Labs 等新型组织的受资助机会，一边通过创世纪任务将企业算力与模型引入公共科研，直接打破了传统高校对基础研究资源的垄断。这一调整不仅关系到单笔经费的归属，更决定了未来由谁提供科研必需的基础设施、由谁制定这些设施的使用规则。

在高校体系内部，科研底座的重资产化与间接费用削减将显著拉大头部名校与普通研究型大学的差距。少数拥有庞大捐赠基金与产业网络的顶尖大学，有能力跨机构共建共享平台、维持高薪的专职工程团队，从而在第四代架构中继续占据枢纽位置。相反，对于大批高度依赖联邦间接费用补贴来维持实验室日常运转的普通公立及中小型研究型大学而言，一旦机构性支持被压缩，而昂贵的算力、自动化设备与数据维护成本又无法从单个项目经费中获得补偿，其基础科研能力将加速萎缩。

与此同时，前沿模型研发已经明显集中于少数科技巨头[27]。若公共研究持续依赖这些企业封闭模型与计算平台，商业机构的定价策略、接口权限乃至产品迭代方向，都将直接左右基础研究的议题选择与试错成本。公私合作虽能在短期内快速扩展科研能力，但如何确保公共投入形成的科学数据与工具持续开放、保障学者在不同平台间的转换自由，也会成为美国重构科研底座时无法回避的体系难题。

1.8.2. 科研分工变化推动人才培养方式更新

AI 扩大了研究团队可以调用的认知能力，也为年轻研究者更早参与完整的科研过程创造了条件。随着文献梳理、代码编写和部分实验操作获得模型与自动化设施的支持，人才培养可以更加注重问题选择、研究设计、证据判断及工程实践，帮助学生理解各环节如何共同形成可靠的知识。

这一变化也要求重新安排研究训练。过去，研究生通过承担局部任务逐步积累经验。如今，大模型能够完成其中一部分工作，高校需要将工具使用与方法理解、结果核验结合起来，使学生在提高研究效率的同时形成独立研究能力。报告提出的青年研究者支持、博士培养和工程实践计划，可以放在这一背景下理解，其效果取决于能否为下一代研究者提供持续成长的条件。

1.8.3. 科研与制造的闭环受制于制造短板

在宏观战略层面，《科学：新黄金时代》指出：

[!quote] 报告原文
单纯的科学领先并不自动保证国家实力或经济活力

为此，报告在第四章中大力建议在全美建设高密度区域创新集群，加强区域算力设施、国家实验室研发与本土先进制造的联系，试图在空间上让研究人员、工程师与熟练技工重新毗邻而居，修复部分领域研发与生产衔接不畅的问题。

但这一构想在美国落地的最大障碍，在于数字能力与实体制造能力之间存在严重的建设周期错配。算力配额、模型接口与软件服务可以通过峰会承诺在数月内快速调配到位，而精密仪器供应链、中试产线以及熟练技工队伍的重建，却需要长达数年的资本沉淀与产业生态培育。美国制造业长期外流所造成的供应链缺口与技术工人短缺，无法仅凭一纸行政命令在短期内补齐。一旦前端数字推演的扩张速度远快于后端物理验证与工程制造的承接能力，AI 科研工业化的整体效率最终仍将受制于现实反馈瓶颈。与此同时，新型组织与重资产平台需要长周期投入才能显现回报，而美国国会拨款博弈与行政周期的频繁摇摆，则为这场跨周期的体系重构能否获得持续稳定的支持增加了不确定性。

1.9. 科研工业化进程中的中国选择

美国围绕《科学：新黄金时代》展开的改革，为中国审视自身科研体系提供了参照。新中国成立以来，我国科研体系在演进中融合了多元的国际科研组织经验，并在国家任务、产业发展和高等教育扩张中形成了自身的组织特点。竞争性科研资助、研究型大学建设和国际学术交流的发展，显著扩大了中国的科研能力。科研院所和课题组是组织研究的重要单元，研究生在承担科研任务的过程中接受训练，论文发表和学术声誉影响经费与职位分配。在中国，这些机制又与单位归属、人才称号及行政考核结合，在部分领域形成了较有粘性的资源配置方式。随着科研瓶颈向实验、数据和验证等环节迁移，资金、人员与设施也需要重新组合，并进一步推动这些环节自动化。中国面临的挑战，是让科研体系调整跟上这一过程，把技术进步转化为持续开展原创探索的能力。

1.9.1. 三类稀缺性迁移对我国科研体系的冲击

第一类迁移首先冲击以研究生劳动支撑科研产出的课题组组织方式。过去，导师确定方向后，需要研究生分头完成文献梳理、理论推导、代码编写和实验分析。增加研究人手，是扩大课题组研究能力的重要途径。当模型能够承担更多这类任务，同样规模的团队就能探索更多研究路径，年轻研究者也有机会更早开展完整的研究。课题组的组织重心随之变化，研究成效越来越取决于如何选择问题、安排任务和使用模型，人员数量与科研能力之间的关系开始松动。

这对我国研究生培养体系提出了直接挑战。研究生过去既是接受训练的学生，也是完成课题的重要劳动力，导师的研究任务与学生的培养过程紧密结合。模型接手部分工作后，最有效率的任务分配未必能够同时提供充分的研究训练。高校需要重新安排学生参与研究的方式，使其能够借助模型开展探索，同时掌握解释方法、检验证据和作出研究判断的能力。随着研究任务的分工发生变化，培养方案与学位评价也应相应调整，更加注重学生对研究过程的理解、对证据的判断，以及独立开展研究的能力。

第二类迁移使仪器、数据与实验支持的分散配置更加难以适应科研需要。模型提出和筛选方案的速度提高，实验执行与结果反馈就要相应加快。科研投入由此需要向自动化设施、数据生产和持续运行能力延伸，而这些投入往往超出单个课题的期限与边界。我国已持续推进大型科研仪器开放共享。2026年修订的评价考核细则进一步规定，对连续两次考核较差的单位，由主管部门按规定对其所属通用性强、使用率低、开放共享差的仪器开展调配划拨[28]。设施共享已成为明确的政策方向，下一步需要使共享真正进入日常研究流程。

设备运行需要经费，自动化流程需要维护，数据需要按统一要求记录，实验结果还要能够返回模型和后续研究。如果这些工作分别受不同单位和项目约束，即使购置了先进设备，也难以形成连续运行的研究系统。共享平台建设因此涉及设备、经费、数据和服务责任的共同调整。谁承担长期运行费用，谁负责质量，使用者如何获得稳定服务，将直接影响科研工业化的推进。

第三类迁移要求科研评价更准确地识别实质贡献。AI 降低了论文写作、数据整理和代码生成的成本，使这些产出的数量更难直接反映研究价值。科研评价因此需要进一步考察成果解决了什么问题、证据是否可靠，以及能否支持后续研究。论文、数据和软件都应依据其质量与实际作用获得认可，避免从“数论文”转向“数数据、数代码”。

当然验证能力本身也可以借助 AI 和自动化扩展。形式化核验、数据审计和自动化实验，可以承担适合标准化的工作，并为专业评价提供更充分的依据。科研评价需要认可这些精力投入，使成果生成与质量保障共同发展。

1.9.2. 防范科研转型中的制度滞后

面对上述稀缺性迁移，我国面临突出的调整压力。近年来，我国持续推进科研经费管理、科研设施开放共享和科技人才评价等改革，着力扩大科研自主权、促进资源共享。但在部分领域和单位，资源配置仍较多受到部门归属、项目类别和既有评价方式的约束，跨机构使用经费、共享设施和组织研究团队的制度衔接尚需完善。科研工业化对共享平台、跨学科团队和持续验证提出了新的要求，也使进一步打通这些环节、推动已有改革落实并顺应科技发展需要变得更加重要。

行政负担、审批时滞与成果转化不畅，是多国科研体系共同面对的问题，美国围绕此次报告的讨论也反映了这一点。AI 加快了研究进程，使管理流程与科研节奏之间的不适应更加突出。我国近年来持续推进科研人员减负、经费管理和科技评价改革。面向科研工业化，需要进一步加强各项改革的衔接，减少重复申报与考核，为跨机构合作、设施共享和研究路线调整提供更灵活的制度支持。

从国际竞争的视角看，美国本轮改革正试图将更强的国家战略统筹（如跨部门整合17个国家实验室与企业算力）与更灵活的微观组织试验（如 X-Labs、项目官员扩权与悬赏赛）结合起来。这表明大国科技博弈不仅比拼技术投入，更取决于科研生产关系的调整速度。如果 AI 与自动化设施已经在技术上打开了规模化探索的通道，而经费拨付、机构分工与考核标准仍受限于分散采购、行政切块与论文指标的传统模式，技术潜力就无法转化为系统性的创新效率。在地缘关系变得更加重要的当下，需要警惕的，正是技术进步与制度调整之间的时间差。

1.9.3. 主动探索适应中国国情的第四代科研架构

顺应科研工业化冲击，我国在发挥新型举国体制的战略组织能力、依托完整制造业体系与庞大工程师红利上具有独特优势。要将这些禀赋转化为 AI 时代的创新优势，可以在以下四个核心机制上推进制度建设。

[!important] 四项制度安排
一是推动行政化配置改造；
二是推行“以公共实验服务置换数据权益”机制；
三是降低检查研究贡献的成本；
四是拓宽人才培养的路径。

第一，推动行政化配置改造，在设立专注型研究实体时，把任务期限、资源退出与尽责免责结合起来。 传统重大攻关多依托既有院系或大型科研机构切块分发，跨部门协同与资源整合面临一定挑战。在新型举国体制下，建议由科技主管部门联合头部企业与长期产业基金，围绕科学基座模型、自主实验室等共性工程任务，探索设立独立治理、灵活用人的专注型研究实体，根据技术成熟度、设施建设周期和预期成果，合理确定支持期限，给予跨年度稳定支持，并通过阶段评估决定后续投入。为防止新型研发机构演变为谋求永久编制与长期预算的实体[29]，在启动之初就确立日落条款、阶段评估与成果转化承接机制，到期依据实质进展决定续期、转制或解散，确保团队动力始终聚焦在攻克科学难题而非维持机构存续上。与此同时，针对科研人员普遍担忧的“机构日落后职业断档”的后顾之忧，应建立“任务实体有期限、核心人才有回流、工程能力可沉淀”的旋转门机制。在项目立项时明确技术路线调整权限与实验记录规范，结题时依据决策当时的信息条件与完整原始记录进行合规审查，避免以成败倒推责任，从而让项目负责人和核心团队敢于及时叫停无效探索、将资源快速切换到高潜力方向。

第二，推行“以公共实验服务置换数据权益”机制，构建国家主导、公私协同的“算力—数据—自动化实验”闭环底座。 科学大模型的训练高度依赖包含失败实验在内的完整、可追溯标准化数据，但仅依靠行政指令推动，难以化解课题组在数据整理成本与知识产权保护方面的实际顾虑。可以考虑将“行政强制汇交”转化为“平台服务交换”——由公共资金依托国家实验室与高校存量大型仪器，组建互联互通的高通量自动化实验服务网络，向全国研究团队提供低成本服务，同时在服务协议中明确约定数据留存与模型训练使用许可。由自动化平台在实验过程中同步采集全量原始记录，既从源头免去了学者事后整理数据的负担，也保证了数据的标准化质量。通过以公共投入掌控底层平台准入、以商业机制引入科技企业的算力与工具能力，既能把分散的课题实验汇聚为国家级科学数据资产，又能有效防范商业巨头对公共科研底座的垄断。

第三，降低检查研究贡献的成本，使评价更多建立在证据之上。 前文所述论文信号的失真在 AI 时代只会加速，取消旧指标而不建立低成本的新核验工具，易导致评价退化为看重头衔与人脉。AI 和自动化工具可以帮助检查推导、代码与数据，使评审者更容易了解研究实际完成了什么。同行评价则应围绕原创性、解释能力和长期价值展开，并说明判断所依据的证据。数据、软件、仪器和实验方法被其他研究者持续使用，也应成为评价贡献的重要依据。评价周期应与研究任务相适应，把项目阶段检查、学位训练和聘期评价中的材料相互衔接，减少重复填报。可靠证据积累得越充分，就越有条件减少对论文数量、期刊等级和个人头衔的依赖。

第四，拓宽人才培养的路径，把中国的工程与制造条件转化为研究训练的优势。 《科学：新黄金时代》之所以花费巨大篇幅呼吁培养本土技工并推动制造业回流，是因为美国在推进“AI 设计—物理验证—工程放大”的科学闭环时，面临严重的制造空心化与技工短缺掣肘。相比之下，中国规模庞大、门类较完整的制造体系，以及积累的工程人才和中试能力，为连接科学探索与工程实践提供了得天独厚的条件[30]。要将这一产业优势转化为科研胜势，建议进一步丰富高校人才培养链条，拓展研究生的系统性能力训练，实现科研探索与全面育人的深度融合。

具体而言，可以考虑建立国家级公私合作平台，并在此平台上重塑研究生的核心训练。一是将“核验与复现训练”作为学位必修环节，组织研究生对模型生成的推演、代码与实验方案进行独立审计与物理复现。二是借助平台汇聚业界真实痛点开展“问题定义训练”，让学生在真实约束下运用 AI 工具练习选题立项与资源统筹，跳出传统课题组切分局部小任务的作坊模式。在此基础上，高校可结合自动化科研平台建设与工程实践需求，完善专业学位研究生培养，加强与科研机构、企业及中试平台的联合培养，提升学生运用 AI 开展研究、实验验证和工程实现的能力。当大模型的生成能力接入高通量自主实验室，并与长三角、珠三角及京津冀的先进制造与中试网络结合起来，中国完全有条件在战略领域率先建成验证成本更低、工程迭代更快的第四代“AI 科研工业体系”。

归根结底，面对科研工业化的历史性浪潮，中国的机遇在于将深厚的制造与工程底蕴，同指数级扩展的 AI 能力结合，改革第三代科研框架，构筑起支撑原始创新的新一代国家科研体系。

1.10. 资料来源

[1] https://www.whitehouse.gov/science/

[2] 图表1采用 NCSES 于2026年2月27日发布的 National Patterns of R&D Resources 数据，覆盖1953-2024年，按资金来源统计。“其他”包括高校、州和地方政府及非营利组织等来源。2023年部分数据为初步值，2024年含估算；2023年企业调查填报口径调整，影响末两年与此前年度的可比性。

[3] “金票”（golden tickets）是让评审专家对少量项目作出强力推荐，降低高风险想法因无法取得评委共识而落选的可能。

[4] X-Labs 是美国国家科学基金会（NSF）支持新型研发组织的计划，以专职跨学科团队为主体，赋予运营自主权，并按里程碑提供资助。团队可以连接大学、企业、国家实验室与非营利机构。

[5] 元科学（metascience）是用科学方法研究科研活动本身，例如比较不同资助、评审和评价规则的效果。参见 IFP 关于元科学单元的建议。

[6] Genesis Mission（创世纪任务）于2025年11月启动，由美国能源部牵头，连接国家实验室、大学、企业的算力、模型、数据与科学仪器。美国能源部在启动公告中提出，十年内使美国科学与工程研究的生产率和影响力翻倍。

[7] https://openai.com/index/sharing-ai-progress-in-mathematics/

https://github.com/openai/math

[8] https://biohub.org/news/virtual-biology-initiative-expansion/

[9] https://www.danaher.com.cn/newsroom/editorial/64

[10] 亲和试剂（Affinity Reagent）是指在生物医学与化学研究中，能够像“钥匙配锁”一样，与特定目标分子（通常是某种蛋白质或病原体标志物）发生高特异性、高强度结合的分子工具。

[11] 目前已落地的核心部门细则包括：能源部（DOE）整合下属17个国家实验室算力与实验设施，启动“美国科学与安全平台”跨机构接口标准制定；国家科学基金会（NSF）与国立卫生研究院（NIH）提交同行评议机制改革与快速资助通道试点方案，并配合 OMB 对研究型大学间接费用（Indirect Cost）补偿上限进行核算审查；联邦层面同步设立1.74亿美元专项资金，用于在核心资助项目中强制推行机器可审计的数据代码开源、自动化复现及 Lean 形式化验证标准。 https://www.energy.gov/national-laboratories

[12] 2026年10月8日至9日，白宫科技政策办公室（OSTP）举办“科学：新黄金时代”峰会，宣布总额逾60亿美元的跨部门、跨行业资源承诺： https://www.whitehouse.gov/fact-sheets/2026/10/fact-sheet-trump-administration-announces-the-most-ambitious-set-of-science-initiatives-this-century/

[13] 本文所称“元科学改革派”，指倡导依据元科学研究、通过制度试验改进科研组织与资源配置的研究者和政策机构，并非一个正式组织，文中以进步研究所（IFP）为代表。

[14] 相关建议见《科学：新黄金时代》第二、三章及 IFP《Science Agencies Need Metascience Units》（2026）： https://ifp.org/science-agencies-need-metascience-units/

[15] https://www.whitehouse.gov/fact-sheets/2026/10/fact-sheet-trump-administration-announces-the-most-ambitious-set-of-science-initiatives-this-century/

[16] Buckmaster 访谈见 CNBC《Squawk Pod》，2026年10月8日： https://www.ainvest.com/news/video-squawk-pod-ai-math-human-math-tariffs-midterms-10-08-26-audio-2610/

[17] https://news.pedaily.cn/202610/570127.shtml

[18] 相关表态见 AHM 关于 OpenAI 于2026年10月6日发布数学成果的声明： https://proofsandprompts.com/2026/10/08/ahm-statement-on-openais-october-6-release-of-mathematical-documents/

[19] 相关建议见数学与 AI 独立顾问组（AGMAI）2026年9月29日发布的指南及10月6日声明： https://agmai.org/

[20] 见西蒙斯基金会2026年10月15日公告： https://www.everytik.com/content/articles%3Am85tn53f7yrq2np8ziay5xwz

[21] 本文将科研活动归纳为四个相互联系的环节，用于分析其要素需求与组织方式。关于问题提出、假说形成、逻辑推理、证据获取及科学共同体检验，参见 National Academies of Sciences, Engineering, and Medicine. Reproducibility and Replicability in Science. Washington, DC: The National Academies Press, 2019, Chapter 2, pp. 27–34. DOI: 10.17226/25303。

[22] “三代科研架构”是本文围绕人才、资金、设施与知识验证方式所作的分析性分期，并非科学史的通行划分，相关历史资料参见英国皇家学会历史、洪堡关于大学组织的论述、贝尔实验室历史、美国国家科学基金会关于战后科研体制的历史介绍。

[23] 研发活动的不确定性、知识收益难以独占和不可分性，参见 Arrow《Economic Welfare and the Allocation of Resources for Invention》（1962）。

[24] 知识积累如何延长训练、推动专业化与团队合作，参见 Jones《The Burden of Knowledge and the “Death of the Renaissance Man”》（2009）。

[25] 图表2左侧采用 Epoch AI 下载表中的59个模型观测，覆盖2016—2025年，成本按2023年美元计，为训练期摊销的硬件与能源开支估计，主要对应最终训练运行，并非全部模型研发投入。右侧采用 MMLU 得分不低于64.8的模型中最低 API 价格的7个更新节点，输入、输出 token 价格按3∶1加权，从2022年11月的20美元降至2024年10月的0.07美元／百万 token。两面板的样本、时期和单位各自独立。

[26] 图表4依据 OpenAI 于2026年9月6日公布的图表，覆盖2026年1月5日至8月10日，保留官方显示精度。原指标将 Neptune 记录的每周实验次数除以当周活跃实验人员数，再取过去四周移动平均，并以2025年平均水平为1；本图换算为100。见 OpenAI 原图表及“View methods”说明。

[27] 斯坦福 HAI《2026 AI Index Report》显示，前沿模型开发高度集中于产业界。平台依赖、定价与访问规则的讨论，是本文据此提出的制度风险分析。

[28] 科技部、财政部修订的《国家重大科研基础设施和大型科研仪器开放共享评价考核实施细则》于2026年1月公布，2月1日起施行。细则规定，对连续两次评价结果为较差的单位，主管部门应对通用性强但使用率比较低、开放共享差的科研仪器开展调配划拨。

[29] 科技部2019年《关于促进新型研发机构发展的指导意见》已提出灵活治理、用人和分类评价要求，本文关注的是收入与存续目标对科研任务的挤压。

[30] 据国家统计局2026年6月4日工业发展总结，2025年我国制造业增加值占全球比重超过28%，连续16年居世界首位。