پنج میلیارد دلار؛ این مبلغی است که دولت ایالات متحده متعهد شده است تا هوش مصنوعی را به موتور اصلی اکتشافات علمی تبدیل کند. طبق بیانیهای که در وبسایت رسمی کاخ سفید (whitehouse.gov) منتشر شد، این فشار فدرال که با نام «مأموریت جنسیس» (Genesis Mission) شناخته میشود، بهطور رسمی در ۲۲ ژوئیه ۲۰۲۶ آغاز به کار کرد.
این اقدام در حالی صورت میگیرد که رقابت جهانی برای دستیابی به علمی مبتنی بر هوش مصنوعی شدت یافته است. در حالی که ایالات متحده تلاش میکند تا از طریق آزمایشگاههای فدرال هماهنگی ایجاد کند، چین بهطور تهاجمی در حال توسعه مدلهای هوش مصنوعی علمی اختصاصی خود است تا بتواند محدودیتهای صادرات تراشه آمریکا را دور بزند. این رقابت در حالی شدت میگیرد که برخی از توسعهدهندگان جهانی به دلیل محدودیتهای آمریکا، به سمت مدلهای هوش مصنوعی چین کوچ کردهاند. در کنار دولتها، شرکتهای خصوصی نیز با سرعت در حال حرکت هستند؛ نهادهایی مانند CuspAI و NVIDIA در حال ساخت زیرساختهای مستقلی هستند تا سرعت کشف مواد و داروهای جدید را افزایش دهند.
تفاوت میان اجرای هزار آزمایش فیزیکی در یک محیط آزمایشگاهی واقعی و شبیهسازی یک میلیون مورد از آنها در یک ثانیه را تصور کنید؛ این دقیقاً همان جهشی است که ایالات متحده در تلاش برای دستیابی به آن است. هدف دولت این است که با بهکارگیری مدلهای مقیاسبزرگ در حوزههای فیزیک و زیستشناسی، از مدلهای کند و تکراری «آزمون و خطا» به سمت یک مدل پیشبین (Predictive Model) از علم حرکت کند. این رویکرد همسو با تحولات اخیر در صنعت است که در آن مدلهای تخصصی علمی در مقابل رویکردهای همهمنظوره برای کاربردهای دقیقتر بهزیست شدهاند.
سازوکار مأموریت جنسیس
مدیریت این برنامه جامع از طریق وزارت انرژی (DOE) انجام میشود. وزارت انرژی بر ۱۷ آزمایشگاه ملی نظارت دارد که مراکز برجسته و سطح بالایی مانند Oak Ridge، Argonne و Lawrence Livermore را شامل میشوند. این تأسیسات در حال حاضر میزبان قدرتمندترین منابع محاسبات علمی در سراسر کشور هستند.
برای تأمین انرژی محاسباتی مورد نیاز، دولت از سامانههای مقیاس اگزاسکال (Exascale) بهره میبرد که در ابتدا برای شبیهسازیهای پیچیده هستهای و فیزیکی ساخته شده بودند. این سیستمها عبارتند از:
- Frontier (مستقر در Oak Ridge)
- Aurora (مستقر در Argonne)
- El Capitan (مستقر در Lawrence Livermore)
این ماشینهای عظیم اکنون بازطراحی شدهاند تا مدلهای غولآسای هوش مصنوعی را آموزش داده و اجرا کنند. استراتژی فنی این پروژه بر محور «مدلهای جایگزین» (Surrogate Models) میچرخد. این مدلها در واقع شبکههای عصبی هستند که آموزش دیدهاند تا شبیهسازیهای فیزیکی گرانقیمت را تقریب بزنند. به جای اینکه هفتهها زمان محاسباتی برای یک شبیهسازی کامل دینامیک مولکولی صرف شود، یک مدل جایگزین میتواند نتیجه را در کسری از آن زمان پیشبینی کند.
پیادهسازی فنی و منطق عملیاتی
این رویکرد به وزارت انرژی اجازه میدهد تا شدیدترین قدرت محاسباتی اگزاسکال خود را تنها برای تایید و اعتبارسنجی موارد بسیار نامطمئن رزرو کند، در حالی که هوش مصنوعی مسئولیت انجام تقریبهای گستردهتر را بر عهده میگیرد. این الگوی خاص — یعنی آموزش یک مدل کوچک برای جایگزینی یک شبیهسازی گرانقیمت — همان منطق فنی است که پروژههای حساس دیگر را نیز پیش میبرد.
به عنوان مثال، وزارت انرژی همین متد را برای تحقیقات همجوشی هستهای (Nuclear Fusion) و پیشبینی تغییرات اقلیمی به کار میگیرد. شرکت CuspAI نیز همین اصل را در علم مواد پیاده کرده است. تفاوت بنیادین مأموریت جنسیس در مقیاس عملیاتی آن است: هدف این است که این رویکرد مدلهای جایگزین بهطور همزمان و استاندارد در تمامی ۱۷ آزمایشگاه ملی اجرا شود.
برای درک دقیقتر، یک مدل جایگزین معمولی از یک ساختار شبکه عصبی (مانند یک مدل متوالی با لایههای خطی و فعالسازهای ReLU) استفاده میکند تا ابعاد ورودی را به یک نتیجه فیزیکی پیشبینیشده متصل کند. این فرآیند بهطور drastical (شدید) انرژی و زمان مورد نیاز برای هر شبیهسازی را کاهش میدهد.
مدل مشارکت عمومی-خصوصی
شرکت Microsoft به عنوان اولین شریک تجاری بزرگ وارد این عرصه شده و ۶۰ میلیون دلار متعهد شده است. نکته حیاتی این است که مایکروسافت این مبلغ را بهصورت نقد به دولت پرداخت نمیکند؛ بلکه در عوض، زیرساختهای محاسباتی و دادهای لازم را برای آزمایشگاههای شرکتکننده در وزارت انرژی فراهم میکند.
این موضوع بازتابدهنده مدل همکاری خاصی است که در سراسر سال ۲۰۲۶ مشاهده میشود: دولت، دامنه علمی و دادههای تخصصی را فراهم میکند و غولهای فناوری، سختافزار و زیرساخت را تأمین میکنند. این تمرکز بر سختافزار در حالی است که در بازارهای مالی، چرخش سرمایه از زیرساختهای سختافزاری به سمت نرمافزارهای کاربردی AI مشاهده میشود. این الگو مشابه اتحادهای استراتژیک دیگری است که در همین بازه زمانی شکل گرفتهاند:
- Bristol Myers Squibb و NVIDIA: این دو مجموعه در حال ساخت آنچه آن را قدرتمندترین «کارخانه هوش مصنوعی» (AI Factory) اختصاصی برای علوم زیستی مینامند، هستند.
- CuspAI: این استارتآپ اخیراً ۴۵۰ میلیون دلار سرمایه جذب کرد تا «ریختهگری مواد هوش مصنوعی» (AI Materials Foundry) خود را راهاندازی کند. این مرکز به عنوان یک شبکه جهانی برای شتاببخشی به کشف مواد جدید با استفاده از مدلهای مولد (Generative Models) فعالیت میکند.
بستر گستردهتر علمی
مأموریت جنسیس در یک خلأ ایجاد نشده است. از سال ۲۰۲۵، دولت ایالات متحده علمِ کمکگرفته از هوش مصنوعی را به عنوان یک اولویت استراتژیک شناسایی کرده است. این تصمیم با یک چرخش گسترده در صنعت همزمان است که در آن مدلهای بزرگ را فراتر از چتباتها و تولید متن، به سمت علوم سخت (Hard Sciences) سوق میدهد.
طبق مستندات MIT Technology Review در ژوئیه ۲۰۲۶، نوآوری در علم مواد در حال تبدیل شدن به یک ورودی حیاتی برای آموزش نسل بعدی مدلهای هوش مصنوعی است. این وضعیت یک «چرخه بازگشتی» (Recursive Loop) ایجاد میکند: هوش مصنوعی کشف مواد جدید را سرعت میبخشد و این مواد جدید سپس برای ساخت سختافزارهای بهتری به کار میروند تا بتوانند هوش مصنوعیهای پیشرفتهتری را آموزش دهند.
بحران استعدادها
علیرغم بودجههای کلان، این مأموریت با یک شکاف بحرانی در منابع انسانی مواجه است. گزارشی از The Atlantic در ژوئیه ۲۰۲۶ بر یک روند نگرانکننده تأکید کرد: شرکتهای هوش مصنوعی با سرعتی تهاجمی در حال استخدام اساتید علوم کامپیوتر هستند.
این «فرار مغزها» در حال خالی کردن دپارتمانهای دانشگاهی است. دولت اکنون در پارادوکسی قرار دارد که در آن میلیاردها دلار بودجه و سختافزارهای اگزاسکال در اختیار دارد، اما تعداد پژوهشگران دانشگاهی که بتوانند این کارها را در آزمایشگاههای ملی اجرا کنند، در حال کاهش است. متخصصانی که دقیقاً برای رهبری مأموریت جنسیس مورد نیاز هستند، توسط حقوقهای کلان بخش خصوصی جذب میشوند.
دسترسی به اکوسیستم
پژوهشگران برای دسترسی به مأموریت جنسیس از طریق دانلود نرمافزار اقدام نمیکنند. در عوض، آنها از برنامه INCITE (تأثیر محاسباتی نوآورانه و بدیع بر تئوری و آزمایش) استفاده میکنند. این برنامه به پروژههایی که بر اساس شایستگی (merit-based) پذیرفته شدهاند، اجازه میدهد تا بهصورت رایگان از زمان محاسباتی اگزاسکال وزارت انرژی استفاده کنند.
جزئیات مدیریت و ارسال درخواست
فرآیند دسترسی به این منابع بسیار سختگیرانه و بهشدت فنی است:
- مرحله پیشنهاد (Proposal): پژوهشگران باید یک پروپوزال فنی و توجیه دقیقی برای میزان زمان محاسباتی درخواستی ارائه دهند.
- ادغام هوش مصنوعی: در حال حاضر، پیشنهادات باید حتماً شامل شرحی از مدل خاص هوش مصنوعی باشند که قصد آموزش یا استنتاج (Inference) آن را دارند.
- مدیریت حجم کار (Workload): کارهای محاسباتی معمولاً با استفاده از SLURM به سیستمهای HPC (رایانش سطح بالا) ارسال میشوند. برای مثال، یک دستور نمونه ممکن است بخشهای خاصی از GPU، تعداد مشخصی گره (مثلاً ۴ گره با ۸ پردازنده گرافیکی برای هر کدام) و یک محدودیت زمانی معین (مثلاً ۴ ساعت) را درخواست کند.
- حسابداری (Accounting): برای ردیابی سهمیه مصرف شده، پژوهشگران از دستورات حسابداری مانند
sbankیاsaldoاستفاده میکنند تا متوجه شوند چه مقدار از ساعت-گرههای (node-hours) تأیید شده خود را مصرف کردهاند.
برای کسانی که از مدلهای جایگزین یا یادگیری تقویتی (Reinforcement Learning) استفاده میکنند، منابع وزارت انرژی جایگزینی عظیم برای خرید سختافزارهای خصوصی است، به شرط اینکه مؤسسه آنها تحت فراخوانهای فعلی وزارت انرژی واجد شرایط باشد.
تحلیل استراتژیک
این تغییر نشاندهنده یک بازنگری بنیادین در محاسبات علمی ایالات متحده است. در اینجا یک «هزینه فرصت» (Opportunity Cost) واقعی وجود دارد: سیستمهایی که زمانی منحصراً بر شبیهسازیهای اقلیمی یا هستهای متمرکز بودند، اکنون برای آموزش هوش مصنوعی با چرخههای GPU رقابت میکنند.
غولهای فناوری در حال اجرای یک پوشش استراتژیک (Strategic Hedge) هستند. شرکتهایی مانند مایکروسافت در ازای تأمین سختافزار، دسترسی زودهنگام به دادههای علمی منحصربهفرد و باکیفیتی را به دست میآورند که در آزمایشگاههای ملی تولید میشود. این دقیقاً همان حسابی است که انویدیا در بخش بیولوژیکی با شرکت Bristol Myers Squibb انجام داد.
مقایسه جهانی و رقابت
تنش بین ایالات متحده و چین در مرکز این ابتکار قرار دارد. در حالی که آمریکا از یک چتر هماهنگ فدرال بهره میبرد، چین استراتژی هوش مصنوعی علمی خود را به صورت مستقل دنبال میکند. با وجود محدودیتهای صادرات تراشه آمریکا، چین بهشدت روی مدلهای داخلی و سختافزارهای اختصاصی سرمایهگذاری میکند تا اطمینان حاصل کند که در رقابت علم-هوش مصنوعی عقب نمیماند.
اینکه آیا ایالات متحده میتواند پیشتازی خود را حفظ کند یا خیر، تنها به سرمایهگذاری ۵ میلیارد دلاری بستگی ندارد؛ بلکه به این بستگی دارد که آیا دولت فدرال میتواند استعدادها را از بخش خصوصی بازگرداند یا راهی برای همکاری بیابد که سیستم دانشگاهی را تهی نکند.
آنچه در پی میآید
نقاط عطف قابل مشاهده بعدی شامل شناسایی این نکته است که کدام آزمایشگاههای ملی اولین بخشهای (tranches) ۵ میلیارد دلاری را دریافت میکنند و کدام شرکتهای خصوصی دیگر به دنبال مایکروسافت، تعهدات زیرساختی خود را اعلام میکنند.
در سطح داخلی، این پرسش باز باقی است که آیا سرمایهگذاری در سختافزار میتواند فقدان پژوهشگران دانشگاهی را که به صنعت کوچ کردهاند جبران کند یا خیر. در سطح بینالمللی، رقابت با این تعریف مشخص خواهد شد که چه کسی زودتر میتواند انتقال از علم «آزمون و خطا» به یک مدل پیشبین کاملاً مبتنی بر هوش مصنوعی از جهان فیزیکی را به دست آورد.
گفتگو