在新一轮以通用人工智能为核心驱动的科技变革中，“算力—科研—数据”的协同能力已从单点投入上升为国家竞争力的底层结构与公共品供给能力。谁能率先把高端算力、可信数据与可审计的安全评测制度化为稳定、可复制、可扩展的公共底座，谁就能把科研范式升级为面向复杂系统的“国家级工程”。

美国以能源部国家实验室体系为枢纽，围绕超算与科研专网、开放用户设施、标准与评测、关键场景示范等形成了从战略目标到可交付成果的闭环。这种将“大科学”传统与现代治理工具深度耦合、以公共基础设施塑造创新秩序的路径，为我们思考如何构筑面向未来的AI基础能力提供了重要镜鉴。本文即以“构筑AI算力、科研和数据的公共底座：美国国家实验室建设的镜鉴”为题，系统梳理其制度逻辑与实施机制。

美国在《美国AI行动计划》的框架下，将能源部（DOE）国家实验室体系视为落实国家级 AI 目标的关键载体。与以企业为中心的技术叙事不同，这一安排强调以公共基础设施为先，通过制度化的算力与数据供给、可审计的安全评测，以及面向重点部门的应用示范，形成可复制、可扩展的执行路径。其制度基础源于二战以来的“大科学”传统与“政府所有、合同方运营”（GOCO）模式，并辅以“用户设施”开放准入、科研专网与百亿亿次级超算集群等长期投入。在当前政策体系中，国家实验室在 AI 领域主要承担三项职能——供给（算力与数据的公共可得）、验证（标准、评测与红队的风险治理）、落地（能源、电网、材料等场景的示范应用）。三者共同作用，构成从联邦政策目标到可交付成果的闭环。

（一）“曼哈顿计划”的遗产

美国的国家实验室制度肇始于二战时期的战略需求。1942年启动的曼哈顿计划聚集全国乃至盟国顶尖科学家，在各地建立研究基地，从事核武器研制等全链条攻关。战后，这些基地陆续演化为国家实验室，并归入新成立的原子能委员会管辖；1970年代能源部（DOE）组建后，全面接管了原子能委员会旗下实验室。由此形成的能源部国家实验室体系规模空前、综合性最强，体现了美国的国家战略意志，成为美国科技创新体系的核心支柱。

目前美国一般所指的“国家实验室”主要是能源部下辖的17所实验室。其中有16个采用了“政府所有、合同方运营”（GOCO）的运营模式。在该模式下，联邦政府拥有土地、建筑和核心设备等固定资产，但实验室的日常管理和运营则通过合同委托给私营实体，如大学、非营利组织、商业公司或其组成的联合体。   

这一模式同样起源于“曼哈顿工程”，当时政府请求加州大学负责运营后来的洛斯阿拉莫斯国家实验室。GOCO模式的核心优势在于，它融合了公共目标与私营部门的灵活性。政府负责设定长远的战略任务，而合同方则可以运用高效的商业实践，在人才招聘和物资采购上规避联邦政府的繁琐程序，并使科学家免受短期政治压力的干扰。

能源部旗下美国国家实验室分布图 

来源：The National Renewable Energy Laboratory

与之相对的是唯一的“政府所有、政府运营”（GOGO）模式的国家能源技术实验室（NETL），其员工均为联邦雇员。尽管GOGO模式在其特定任务领域行之有效，但对于其他16个实验室所从事的广泛、前沿的跨学科研究而言，GOCO模式的灵活性被认为是更优越的选择。   

这种制度设计赋予实验室相对灵活的用人和管理机制，又确保其紧扣国家长期研发需求和公共利益使命。大学侧重前沿基础研究、小团队创新，企业关注市场驱动的产品开发，而国家实验室则专攻那些周期长、跨学科、涉及从基础到工程全链条的系统性课题——这是大学和企业往往无力或不愿承担的领域。例如，从核能安全到尖端材料研究，国家实验室在诸多关键方向上发挥着不可替代的作用。

在科研能力上，能源部国家实验室汇聚了美国顶尖的人才和设备资源，拥有世界上屈指可数的强大科研实力和广度深度。截至2025财年，17所能源部实验室年度经费合计约220亿美元，雇佣全职科研人员8万人，与能源部及其前身机构相关的诺贝尔奖得主累计118位。

实验室承载着大型科学装置和高性能计算中心等“国之重器”：例如在过去几年中，能源部曾经运行着全球运算速度排名前两位的超级计算机“顶点”（Summit）和“塞拉”（Sierra）。2022年起又接连部署了“前沿”（Frontier）、“极光”（Aurora）和“El Capitan”等E级超算系统，大幅提升了美国在超级计算和AI模型训练方面的国家算力储备。

以位于橡树岭国家实验室（ORNL）的“前沿”超级计算机为例，它是美国首台百亿亿次（Exascale）级别的系统。“前沿”的性能达到了每秒超过1.1百亿亿次浮点运算。整个系统由74个机柜中的9408个计算节点构成。该系统的建造成本估计高达6亿美元，运行功耗约为21-29兆瓦，每年的电费开销预计在4000万美元左右，这凸显了其背后巨大的公共投资规模，远非少数全球最大的科技公司之外的任何实体所能企及。

能源部旗下美国国家实验室分布图 

来源：The National Renewable Energy Laboratory

把各国家实验室的算力与大型仪器“串”在一起的是 ESnet（Energy Sciences Network）——由劳伦斯伯克利国家实验室运营的高性能科研专网。它不是商业互联网，而是一条面向科学研究的“数据高速公路”，针对长时程、超大流量的数据传输做了专门优化（常被称为“大象流”，区别于网页浏览这类“小流量”）。

ESnet 连接了包括全部国家实验室及其超算中心在内的50余个能源部站点。最新一代 ESnet6 具备46Tbps骨干容量、400Gbps链路速率、约1.5万英里专用光纤，并配有智能路由。依托这套“数据循环系统”，科研工作流可以跨站点无缝协同：在甲地的光源装置获取数据，在乙地完成初步处理，再在丙地的超级计算机上训练或分析模型，实现不受地理限制的分布式、规模化 AI 研究。

国家实验室将这些重型科研资源统一纳入“用户设施”（User Facilities）体系，对社会有序开放。来自高校、企业和其他政府机构的研究人员均可按规定提交项目申请，获得使用资格。

所有申请须通过严格的同行评审，确保有限的算/机时分配给最具科学价值与创新潜力的课题。面向公开发表的非专有研究免收使用费，最大化公共投资回报，并让更广泛的科研社群得以利用这些独特的国家资产推动进步；而对需要保护知识产权的商业研发，体系则提供付费且受保护的使用通道。

在此基础上，能源部实际上搭建出一套由公共部门管理的“AI公共技术栈”。其结构清晰：硬件层以“前沿”等超级计算机为核心；网络层由 ESnet 贯通分布式设施与数据流；平台/访问层由“用户设施”准入规则与实验室开源软件共同构成，使全国研究者能够合规、便捷地调用底层能力。与私营科技巨头依托自建数据中心、专有网络和平台形成的闭环生态相互平行，这一公共技术栈既能在能力上与之相匹敌，又以中立、可进入、可审计的方式，防止前沿 AI 研发能力被少数商业主体垄断。换言之，美国并非零散供给资源，而是端到端地构建了一套可复用、可扩展、由公共部门主导的 AI 研发底座。

《美国AI行动计划》描绘了美国在新一轮全球AI竞赛中夺取领先的路线图，重点加强三方面支柱：一是夯实算力和数据等AI供给侧基础，二是建立AI评测治理体系确保安全可控，三是推动AI在重点产业领域的落地应用以引领新的创新浪潮。能源部国家实验室在这三大目标中均扮演着不可或缺的角色，具体体现在以下几个方面：

国家实验室提供了关键的算力与数据基础设施。 国家实验室是美国建设 AI算力和数据基础设施的主力军之一。大型预训练模型的研发离不开海量算力和高质量数据，而能源部实验室正是美国超算集群和科学数据资源最集中的地方。实验室还参与打造“云上实验室”等科研数据平台，汇聚物理、化学、材料、生物等领域的大型数据库，为AI创新提供丰富的训练素材。

美国政府深知“高质量数据已成为国家战略资产”的意义，在行动计划中要求联邦机构打破数据孤岛、提高科研数据的开放度和AI就绪度。能源部各实验室积极响应，通过公开发布数据集、建设开放科学工具和模型库等方式，释放科研数据的价值。

同时，实验室也在为AI基础设施的能源供给出谋划策。随着大模型训练对电力需求激增，能源部今年成立了“AI与数据中心供能工作组”，联合实验室和业界专家制定方案以满足AI算力基础设施的用能需求，包括开发更高能效的AI芯片和新型冷却技术等。可以说，在强化AI供给侧方面，国家实验室既提供了算力硬件和数据资源的基座，也贡献了保障算力可持续发展的技术路径。

国家实验室也提供了安全评测与风险治理的验证平台。在人工智能迅速演进的同时，评估其性能可靠性和防范潜在风险变得至关重要。美国政府意识到，“严格的评测是定义和衡量AI安全的重要工具”，并已着手构建AI测试评估生态。

由美国国家标准与技术研究院（NIST）发布的《AI 风险管理框架》（RMF）提供一套自愿采纳、但已被广泛采用的通用做法，指导各类组织在全生命周期内治理—识别—衡量—处置风险。国家实验室既参与该框架的方法验证与落地，也为行业提供实证数据与工具。在标准之上，实验室正牵头推进对前沿模型的系统性评估与红队演练——通过模拟对抗与失效场景查找薄弱环节。按照国家安全指令，能源部及其国家核安全局（NNSA）承担面向核、辐射、化学、生物等高风险领域的前沿模型安全测试任务。

2024年11月20日，美国AI安全研究所宣布牵头成立“AI 国家安全风险测试（TRAINS）任务组”   来源：NIST

“AI 国家安全风险测试（TRAINS）任务组”则由 NIST 下属的美国 AI 安全研究所牵头，汇聚能源部、国防部、国土安全部等机构专家，联合开展风险评估、方法研发与测试平台建设，系统调用国家实验室的专业能力与基础设施。面对企业“自证安全”的天然局限，政府需要一个独立、可审计、技术可信的第三方来核验模型安全这一公共品。传统监管部门往往缺乏所需算力与前沿技术积累，而国家实验室兼具世界级超算资源、顶尖 AI 团队，以及在核安全、电网稳定等高风险场景的长期经验。

这种战略布局背后，反映了一个深层的逻辑：联邦政府正在将国家实验室制度化，使其成为其在AI安全领域值得信赖的、具备高技术能力的第三方验证机构。面对私营企业关于其AI模型安全性的声明，尤其是在涉及国家安全的情况下，政府不能仅仅被动接受，而需要一个独立的、技术上可信的实体来进行核实。传统的监管机构往往缺乏评估前沿大模型所需的深厚技术专长和庞大算力资源。而国家实验室恰好同时拥有这两者：世界级的AI专家团队，以及运行测试所必需的世界级超级计算机。

国家实验室更为AI在能源、材料等重点部门的应用提供了场景。国家实验室作为“国家队”，也是将AI技术加速应用于关键领域的先锋。行动计划强调AI将带来新的产业革命——例如发现新材料、开发清洁能源、革新制造流程等。实际上，这些正是能源部实验室现有优势和重点方向。当前能源部及其实验室牵头开展的AI项目超过600项，旨在强化能源、安全等核心使命并加速科学发现。

在能源领域，实验室运用AI提升油气和地热等地下能源勘探的精准度，既提高产出又减少环境影响。在电力系统中，AI被用于电网负荷预测与优化调度，大幅提升电网的可靠性和弹性，为经济和国家安全提供稳固基石。实验室还将AI应用于电力基础设施的网络安全防护，利用机器学习模型实时检测网络入侵和故障隐患，增强关键能源设施抵御攻击的能力。在材料科学领域，依托超算和AI算法，实验室科学家可以加速新材料的发现和设计。

举例来说，桑迪亚、劳伦斯利弗莫尔等实验室与企业合作，利用晶圆级AI加速器进行材料分子动力学模拟，将计算速度提升了两个数量级，有望“彻底改变材料科学研究，并推动各领域的科学突破”。类似的AI应用还广泛出现于国防和空间等部门：从核武器可靠性评估到航空航天器设计优化，国家实验室正在将AI嵌入这些高技术场景，以实现传统方法无法企及的效率和能力提升。

此外，实验室的AI探索也惠及民生领域。例如利用深度学习提高农作物产量、预测地震等自然灾害，乃至辅佐新药研发和疑难疾病诊断。值得一提的是，新冠疫情暴发时，能源部充分发挥Summit超级计算机和AI专家团队优势，帮助科研人员加速筛选潜在抗疫药物并模拟病毒传播，这证明了国家实验室在紧急关头将AI技术快速转化为实际效益的能力。

总体来看，国家实验室通过承担示范性AI应用项目，发挥了“试验田”和“加速器”的作用：一方面在能源、电力、材料等要害领域率先验证AI技术的价值，解决行业痛点；另一方面将项目成果向全社会扩散，为新兴产业赋能。在美国AI行动计划的落实过程中，国家实验室无疑是连接联邦战略愿景和具体产业实践之间的关键纽带。