美国能源部:2025年《人工智能战略报告》，重定义国家核心能力

“欧米伽未来研究所”关注科技未来发展趋势，研究人类向欧米伽点演化过程中面临的重大机遇与挑战。将不定期推荐和发布世界范围重要科技研究进展和未来趋势研究。（点击这里查看广义智能体理论）

美国能源部（DOE）近日发布了其2025年《人工智能战略》报告。这份长达45页的文件清晰地表明，人工智能已不再是其庞大科研体系中的辅助工具，而是被提升至关乎美国国家安全、科学发现和能源主导地位的核心驱动力。该战略的核心任务是，将人工智能从国家实验室中零散、专业的科学应用，转变为整个能源部系统性的、可规模化的企业级能力。

这份于2025年10月发布的报告，其雄心并不仅仅局限于技术研发。它直面了在联邦机构内部署尖端技术所面临的深层挑战：根深蒂固的数据竖井、陈旧的基础设施、以及在敏捷创新与高风险后果（尤其是在核安全领域）之间寻求平衡的治理难题。

能源部的使命是“通过变革性的科学技术解决方案，应对美国的能源、环境和核挑战，确保国家安全与繁荣”。新战略的发布，实质上是承认若无人工智能的全面渗透，这一核心使命在未来将难以为继。报告详尽规划了六大支柱，包括AI基础设施、数据、劳动力、研发、治理与风险管理以及资源规划。这不仅是一份技术蓝图，更是一份旨在重塑美国核心能力版图的组织变革宣言。

以“高后果系统”为核心的国家安全应用

与许多专注于商业或消费者应用的AI战略不同，美国能源部的蓝图将国家安全置于最优先的地位，其措辞严谨而紧迫。其应用的核心聚焦于“高后果系统”（high-consequence systems）——一个委婉的术语，其背后直指美国的核威慑力量。

该战略明确指出，人工智能的实施正在确保美国“保持威慑力的最前沿”。这一任务主要由国家核安全局（NNSA）执行。报告详细阐述了几个关键的国家安全应用领域：

首先是核威慑与武库管理。该战略强调，开发和部署新的人工智能能力，包括任务导向的智能体、模型和硬件，旨在“加速核武库（储存）管理任务”。在禁止物理试验的背景下，利用AI和机器学习进行高精度模拟、预测性维护和数字孪生，对于确保核武库的可靠性和安全性至关重要。

其次是核不扩散。能源部正在开发“用于核不扩散的多模态基础模型”。这些模型不仅用于在安全环境中增强任务能力，还被赋予了一项关键的元任务：评估“外部专有模型”所带来的核相关风险。这表明DOE不仅在利用AI，还在防范AI自身（特别是强大的外部模型）可能带来的扩散威胁。此外，NNSA还开发了一种“红队”能力，专门评估AI模型如何被非国家行为者或扩散国家用于推进核武器能力。

第三，在核安全领域引入生成式AI。报告中最具突破性且风险最高的应用之一是“用于高后果系统工程设计的生成式AI”。能源部正引领将生成式AI应用于“核事业”等领域的工程设计与数字保障。这一选择的目的是利用AI加速设计迭代、提升可靠性，确保关键国家安全资产的完整性与现代化。

第四是情报与反情报。该战略提出，开发和部署“基于大语言模型（LLM）的工具，用于情报和反情报分析”。其目标是提高成品情报的及时性、准确性和影响力，为国家安全决策提供关键洞察。

最后是AI自身的安全性。能源部清醒地认识到，在关键基础设施（如电网）或核安全系统中使用AI必须以“信任”为前提。为此，网络安全、能源安全和应急响应办公室（CESER）在劳伦斯利弗莫尔国家实验室（LLNL）领导建立了一个“AI保障测试平台”。该平台将严格测试AI模型的漏洞、对抗性稳健性以及对关键能源应用的适用性，为设计安全的电网AI系统提供可操作的评估。

算力与数据：构建“美国科学云”与自主实验室

美国能源部拥有全球最强大的科研计算资源，新战略明确将其无与伦比的算力（Computing）和庞大的科学数据（Data）视为其AI雄心的两大基石。然而，报告也坦率地指出了最大的障碍：“不均衡的机构采用、持续的数据竖井、数据使用限制以及遗留基础设施的复杂性”。

在基础设施层面，能源部拥有无可匹敌的优势。截至2025年9月，该机构运行着世界上最快的三台超级计算机：LLNL的El Capitan、橡树岭国家实验室（ORNL）的Frontier和阿贡国家实验室（ANL）的Aurora。这些百亿亿级（Exascale）计算系统是DOE训练和部署最先进AI模型的引擎。

但真正的挑战在于数据。能源部作为“首屈一指的科学和数据驱动机构”，其数据集本身就是“关键的国家资产”。问题在于，这些数据分散在17个国家实验室中，格式各异且难以访问。

为了解决这一问题，该战略提出了一个宏大的解决方案：“美国科学云”（American Science Cloud, AmSC）。根据《One Big Beautiful Bill (OBBB) Act》法案的授权，DOE正动员其国家实验室“为人工智能和机器学习应用构建和预处理科学数据”。AmSC的目标是成为一个连接政府、学术界和私营部门的基础设施，利用云计算技术促进跨学科的科研、数据共享和计算分析。

这实质上是一项庞大的数据治理和数据工程任务。为了实现这一目标，该战略详述了“数据”支柱下的几个关键目标：

1. 现代化数据基础设施和管理： 建立强大的数据管理框架和标准，特别是优先采用“API优先”的方法，以减少部署时间并提高数据质量、可用性和共享性。

    

2. 加强数据治理： 能源部已经设立了首席数据官（CDO）职位和企业数据管理计划，并成立了一个“数据治理委员会”。此举旨在将数据作为战略资产进行管理，确保治理在企业层面有效，同时响应特定领域的独特需求，而不是“一刀切”。

    

3. 提高数据可访问性和策展： 能源部正在积极推进其“开放数据计划”，使其在data.gov上的3700多个数据集更易于查找、访问、互操作和重用（即FAIR原则）。报告特别强调，要确保公共数据是“机器可读的”并采用开放格式，以优化其用于AI训练的效用。

    

4. 动员DOE的科学数据： 该战略要求与美国工业界合作，对整个DOE体系的科学数据进行策展，“以便对其进行结构化、清理和预处理，使其适用于AI和机器学习模型”。

   在解决了算力和数据之后，战略描绘了科学发现的未来图景：“自主实验室”（Autonomous Laboratories）。报告明确提出，将“扩大对自主实验室和AI引导设计工作流的投资”。这意味着由人工智能协调、自我驱动的实验室，它们利用DOE生成的独特科学数据湖，在内部和云端计算资源的驱动下开发模型。这种模式将用于加速材料发现、同位素生产或生物技术创新，实现科学发现的自动化。

从能源主导到内部治理：AI的全面渗透

在解决了国家安全和科研基础这两大核心之后，该战略将目光投向了其第三大任务：能源主导。报告详细阐述了AI如何全面渗透到能源生产、分配和监管的各个环节，同时辅以强大的内部治理、劳动力和资源规划作为保障。

在“能源主导”方面，AI的应用极其广泛且具有高度的针对性：

• 核能运行： 报告重点关注“提高反应堆的自主运行能力”和“降低核能运营和维护成本”。其核心项目是GEMINA（Generating Electricity Managed by Intelligent Nuclear Assets），该计划专注于为先进核反应堆开发数字孪生技术，利用AI进行先进控制、预测性维护和故障检测。

   

• 聚变能源： AI/ML技术正被应用于聚变等离子体控制和预测，以加速这一前沿能源的探索。

   

• 电网控制与弹性： 战略强调使用“物理信息机器学习”（Physics-informed ML）来控制电网。这种算法能够显著减少电网控制回路的计算负荷，使运营商能够快速完成复杂的应急评估，这对于维护一个日益复杂和可再生能源驱动的电网的弹性至关重要。

• 基础设施完整性： 先进基础设施完整性模型（AIIM）是一个多模型AI系统，用于评估和预报关键能源基础设施（如天然气管道、海上平台）的完整性，目前正扩展到井筒完整性评估。

   

• 加速审批流程： 官僚主义的拖延是能源基础设施建设的主要障碍之一。能源部推出了“PermitAl”工具，该工具利用AI“简化能源基础设施审批”。通过对过去50年的12万份国家环境政策法（NEPA）文件进行训练，PermitAl可以帮助分析师在几小时内（而非几周）完成新许可证的环境审查摘要和分类。

   

为了支撑如此广泛且高风险的应用，该战略在“治理与风险管理”方面表现得尤为谨慎和成熟。能源部认识到，“一刀切”的治理方法会扼杀创新或在某些领域监管不足。因此，其核心是“比例化的AI治理框架”（Proportional Al Governance Frameworks）：

1. 分级治理方法： 实施一种“分级方法”（graded approach）进行治理和风险管理。这意味着监督的严格程度与AI应用的风险和影响成正比。低风险的内部工具（如生产力套件Joulix AI）可以敏捷创新，而高风险应用（如核系统）则必须接受“强有力的审查”和“多方面的响应以最小化风险暴露”。

    

2. 明确的领导结构： DOE的AI治理由首席信息官办公室（OCIO）、关键和新兴技术办公室（CET）以及首席人工智能官（CAIO）共同领导。此外，还设立了“AI治理委员会”作为协调整个企业AI活动的主要论坛。报告指出，选择这种多方共治模式是为了“利用多样化的专业知识并确保更广泛的部门支持”。

    

3. 内部政策制定： 能源部正在更新和创建内部AI指南，其“GenAl（生成式AI）政策”预计将于2025年12月发布。

在“AI就绪劳动力”方面，该战略的重点不仅仅是招聘数据科学家，而是“交叉培训”。报告敏锐地指出，“实验科学家必须拥有将AI实施到其工作流程中的工具，而AI科学家需要与领域专家密切合作来应对科学挑战”。这需要通过实习、奖学金和学术联盟建立早期职业AI人才管道，并加强国家实验室与区域学术课程的合作。

最后，该战略以一种非常务实的方式结束，直指联邦机构最大的痛点：“资源跟踪和规划”，特别是采购。报告坦率地指出，必须“加快采购时间”。其战略目标包括：为AI技术和数据服务建立“明确的加急采购”和“预先批准的供应商名单”，并为预先审查过的云服务实施“一揽子使用授权（ATU）批准”。这些举措旨在打破官僚主义的瓶颈，使能源部能够“以行业的速度前进”。

结论：一场防御性与进攻性并存的变革

美国能源部2025年《人工智能战略》是一份雄心勃勃的蓝图。它具有显著的双重性：一方面，它是一项防御性战略，旨在利用AI保护和管理美国最敏感的“高后果系统”——核武库；另一方面，它又是一项进攻性战略，旨在释放其无与伦比的计算资源和科学数据，通过“美国科学云”和“自主实验室”等项目，加速科学发现和巩固能源主导地位。

这份报告的深刻之处在于它坦诚地承认了实施这一愿景的巨大障碍——数据竖井、遗留系统和制度惯性。该战略的成败，最终可能不在于其研发出了多么先进的模型，而在于它能否成功执行那些不那么光鲜亮丽，但却至关重要的组织变革：真正实现数据的“API优先”、在17个国家实验室之间推行劳动力“交叉培训”，以及彻底改革其缓慢的“采购”流程。

通过这份战略，美国能源部明确表示，AI不再仅仅是一个研究课题，而是其未来运行的底层操作系统，是从原子到电网，确保美国核心能力在21世纪保持领先的根本保障。