第1章绪论

1.1 研究背景与问题缘起

美国联邦政府于2025年11月启动了一项被官方定位为"曼哈顿计划与阿波罗计划式"的国家科技动员——Genesis Mission（创世纪计划），并随之在核能领域落地了其迄今最大的一笔AI赋能部署资助：Prometheus（普罗米修斯）项目。这两者的结合，表征着一个值得严肃对待的政策转向：以AI for Science（科学智能）范式改造国家实验室体系，并将核能的"部署周期与成本"这一核心痛点，直接交给AI去攻坚。

然而，这一项目从一开始就伴随着显著的张力。与Genesis Mission所宣称的宏大雄心形成反差的，是同期联邦科研预算被大幅削减的现实——据公开报道，政府提案削减美国国家科学基金会（NSF）预算约40%–50%、削减美国国立卫生研究院（NIH）预算约40%，并裁撤大量科研人员[R4]。批评者（如前白宫科技政策办公室主任Arati Prabhakar、美国科学家联盟CASC的Kathryn Kelley等）将这一行政令形容为"大伤口上的创可贴"；《纽约时报》、Ars Technica等媒体亦对计划的资源基础与可执行性提出质疑[R4]。围绕"科学风险投资化"、政府自建AI平台的数据治理、以及"AI耗电与省电"的能源悖论，争论从启动之初便未曾停歇。

理解这一"雄心—削减"悖论，是把握Genesis Mission历史坐标的关键。传统上，美国国家科研体系建立在二战后由《科学：无尽的前沿》所确立的"布什范式"之上——以稳定的、同行评议驱动的联邦资助支撑大学与实验室的自由探索。Genesis Mission所体现的路径，则更接近"任务导向型"（mission-oriented）动员：以行政权力指定优先方向、以平台集中资源、以量化产出（十年科研产出翻倍）定义成败。这种转向既有应对大国竞争的紧迫逻辑，也引发关于科研自主性与长期主义的深层忧虑。本报告正是将这一范式之争作为贯穿分析的一条暗线。

1.2 事件概述

1.2.1 Genesis Mission的启动：一项行政令驱动的科技动员

2025年11月24日，美国总统特朗普签署行政令第14363号（Executive Order 14363: Launching the Genesis Mission），正式启动Genesis Mission（创世纪计划）[R2]。白宫同日发布事实清单（Fact Sheet），将Genesis Mission定义为一项"以AI加速科学发现"的国家使命[R1]。根据行政令与事实清单，该计划由美国能源部（DOE）主导，并接受白宫科技政策办公室（OSTP）主任Michael Kratsios的监督；DOE负责科学的副部长（Under Secretary for Science）Darío Gil担任计划的重要技术领导角色[R1][R2][R6]。

在政策层面，Genesis Mission被明确类比于曼哈顿计划与阿波罗计划，其官方修辞强调"重建美国在科学上的主导地位"并开启"科学的新黄金时代"。OSTP随后发布的里程碑式报告《Science: A New Golden Age》（科学：一个新的黄金时代）进一步为这一叙事提供论证框架[R4]。这种将科研动员与国家竞争力直接挂钩的表述，既反映了两党在"对华科技竞争"议题上的某种共识底色，也凸显了本届政府试图以行政权力重构联邦科研体制的意图——这一点将在第3章与第8章得到更深入的剖析。

从治理架构看，Genesis Mission呈现"DOE主导、OSTP监督、国家实验室执行"的三层结构：DOE作为资助与执行主体负责挑战设定与项目遴选；OSTP（主任Michael Kratsios）承担跨机构协调与政治监督；而17个国家实验室则构成技术执行的骨干网络。值得注意的还有NNSA（国家核安全管理局）的参与——在278个入选项目中，有87个由DOE/NNSA国家实验室牵头，表明该计划与国家核安全使命存在制度耦合。这种结构既保证了执行的专业性，也使计划的命运与美国能源与国家安全官僚体系的优先级变化紧密相连。

1.2.2 American Science and Security Platform：计划的数字中枢

Genesis Mission的核心工程构想，是建设一个名为American Science and Security Platform（美国科学与安全平台，以下简称ASSP）的联邦级科学与安全平台[R1][R6]。按照规划，ASSP将整合三类关键资产：其一，联邦政府各机构分散的科学数据集；其二，美国17个国家实验室的高性能计算（超算）能力；其三，面向科学发现的AI系统。该平台的宣称目标是：在十年内使美国的科研产出翻倍[R1][R6]。

从技术治理的角度看，ASSP意味着联邦科研资源的"平台化"与"集中化"——它试图把原本分散在大学、实验室与机构之间的数据、算力与算法资产，统合到一个受联邦主导的平台上。这一构想既呼应了AI for Science范式中"数据—算力—模型"三位一体的方法论（参见1.4.6节），也天然地引发关于数据主权、开放科学原则与安全化倾向之间的张力（本报告第8章将专门讨论）。值得注意的是，"Security"一词被嵌入平台名称，暗示该平台在开放科学与国家安全审查之间将保持双重属性，这为后续的数据治理争议埋下伏笔。

就技术构成而言，ASSP的"三要素"（数据、算力、AI）各自面临不同的工程与治理挑战：联邦科学数据集往往分散、异构且带有密级，整合需解决互操作与脱敏问题；17个国家实验室的异构超算（如Aurora、Frontier等E级系统）需要统一的调度层；而AI系统的训练与部署则依赖前述两者的有效耦合。因此，ASSP并非一个可即时上线的产品，而是一套需要长期建设的能力体系，其成熟度将直接制约Genesis Mission各项挑战的兑现速度。

1.2.3 挑战清单与RFA机制：从设题到征集

在行政令签署后，DOE于2026年2月正式启动Genesis Mission并发布了首批26项"国家科学与技术挑战"（National Science and Technology Challenges），此后挑战清单进一步扩展至33项[R5][R6]。这些挑战覆盖了从基础科学到能源、制造、生物、材料等多个领域，其中核能相关的挑战构成了Prometheus项目后续落地的直接入口。

2026年3月，DOE发布首轮资助机会公告（Funding Opportunity Announcement，RFA），并创新性地设置了Phase I（小额资助）与Phase II（大额资助）两档资助机制[R5][R6]。据DOE通报，该轮RFA共收到超过5000份申请，成为DOE历史上响应规模最大的资助机会[R5][R6]。这一超常的申请热度，既说明科研界对联邦AI for Science资源的强烈需求，也在客观上为后续的项目遴选与资金分配增添了政治与行政压力——当申请远超可资助容量时，遴选标准的透明度与公平性本身即会成为争议焦点。

Phase I/II的阶梯设计本身具有明确的信号筛选功能：Phase I以小额、低风险换取大量探索性提案，用以识别真正有潜力的技术路线；Phase II则集中资源攻坚。这种设计在风险资本中颇为常见，但用于联邦科研资助则带有"科学风险投资化"的色彩——批评者担忧，它会使资助向"可演示、可量化"的短期成果倾斜，侵蚀基础研究的长期主义（第8章将专门展开这一争论）。

1.2.4 Genesis Mission Summit与278个项目遴选

2026年7月22日，在华盛顿举行的Genesis Mission Summit上，白宫宣布选定278个入选项目，并同步宣布联邦对Genesis Mission的承诺投入超过50亿美元[R3][R7]。从牵头主体看，这278个项目的结构为：87个由DOE/NNSA国家实验室牵头，168个由大学牵头，19个由企业牵头，4个由非营利机构牵头[R3][R7]。这一结构本身即具有分析价值——它以国家实验室与大学为绝对主力，企业参与相对有限，体现了该计划"以公共科研体系为枢纽"的基本属性。

需要强调的是，50亿美元的联邦承诺带有显著的不确定性。Genesis Mission的资助承诺"subject to appropriations"（须经国会拨款程序），且具体资助前还需经过谈判[R3][R7]。换言之，承诺金额与最终落账金额之间存在制度性落差，这也是本报告后续分析政治可持续性时必须纳入考量的关键变量（见第8章、第10章）。将"承诺"与"到帐"区分开来，是理解本计划真实规模的第一步。

对企业仅牵头19个项目这一现象，可作两种解读：乐观者认为这反映了学术界的主导地位与计划的公共属性；谨慎者则指出，若无产业深度介入，AI赋能的成果可能难以跨越"实验室—市场"的死亡谷。Prometheus以32家产业伙伴的广泛参与，在一定程度上回应了后一担忧——它把企业从"被服务对象"变为"共同出资方"，从而抬高了成果落地的激励。

1.2.5 Prometheus项目：最大单笔Phase II资助

在278个入选项目中，Prometheus（普罗米修斯）项目具有特殊地位：它是Genesis Mission中首个、也是最大单笔的Phase II资助，金额为6000万美元、为期三年[R7][R8][R11]。与Genesis Mission整体承诺一样，该6000万美元同样"subject to appropriations"，且需经资助前谈判方能最终确定[R7]。

Prometheus由爱达荷国家实验室（Idaho National Laboratory, INL；主任John Wagner）牵头，联合橡树岭国家实验室（ORNL）、阿贡国家实验室（ANL）、桑迪亚国家实验室（SNL）等联邦实验室，北卡罗来纳州立大学、宾夕法尼亚州立大学、田纳西大学诺克斯维尔分校、得克萨斯大学奥斯汀分校等高校，以及X-energy、TerraPower、Oklo、Aalo Atomics、AWS、NVIDIA、GE Vernova、Westinghouse、Kiewit、Antares、Deployable Energy、Standard Nuclear、Valar Atomics等20余家企业在内，共32家合作伙伴[R7][R8][R12]。这一"国家实验室+高校+多元产业伙伴"的组合，使其成为观察美国核能产学研协同新形态的一个近乎理想的样本。

就项目内容而言，Prometheus的核心主张是：在human-in-the-loop（人在回路）的前提下，运用AI贯穿反应堆的设计、许可取证、制造、建造与运行全链条；将AI融入核燃料制造（如TRISO-X等）；并利用AI管理核领域数十年积累的技术文档遗产[R7][R13]。其总体目标是：将先进堆的部署周期与运营成本削减50%[R7][R11]。这一目标如能实现，将从根本上改写先进核能的经济性叙事——因为成本与周期恰是先进堆相对天然气与可再生能源的最大短板（相关可行性量化分析见第6章）。

需要客观指出的是，6000万美元的联邦资助规模，相对于一座先进反应堆动辄数十亿美元的造价而言并不算大；其价值更多体现在"催化"与"方法论验证"——即以公共资金证明AI加速路线的可行性，从而撬动私营部门后续的更大投入（这恰是RQ3的核心关切）。换言之，Prometheus的杠杆意义大于其绝对体量，评估它不应只看账面拨款，而要看它能否触发产业侧的连锁投资。

就技术路线而言，Prometheus将AI嵌入的七个环节各有不同的加速逻辑：设计阶段依赖生成式设计与多物理场代理模型；许可阶段依赖文档自动化与证据生成；制造与建造依赖计算机视觉与施工管理优化；运行阶段依赖预测性维护与自主控制；燃料环节依赖工艺参数寻优；核遗留文档管理则依赖检索增强生成（RAG）对海量技术档案的活化。第5、6章将逐一拆解这些环节的可行性与瓶颈，本章仅先建立其总览。

1.2.6 产业配套与前置铺垫

Prometheus并非孤立事件，而是嵌套在一组产业承诺与前期合作之中。行业伙伴已承诺提供超过2亿美元的成本分摊（cost-share），以及3000万美元的产业资本[R7][R12]。其中，X-energy出资1000万美元私营资金，并开放其Xe-100小型模块化反应堆（SMR）设计与TRISO-X燃料数据，作为AI训练与设计的输入[R13]。X-energy还与Energy Northwest在华盛顿州建设Cascade先进能源设施（规划12台Xe-100，最大960 MWe），亚马逊于2024年入股X-energy，并计划于2039年前实现并网[R13]。这一"科技公司—反应堆供应商—公用事业"的链条，正是"AI需要核电、核电需要AI"良性循环论的现实注脚（第7章将展开）。

在Prometheus正式公布之前，2026年2月NVIDIA与INL已宣布在Genesis Mission框架下合作，旨在构建"AI加速核能部署、核能为AI基础设施供电"的良性循环[R9][R10][R12]。这一前置合作不仅为Prometheus提供了算力与平台基础，也清晰揭示了该计划背后的"算力—电力"共生逻辑：AI公司既是核能的赋能者，也是核能的潜在最大客户。

Cascade设施规划的12台Xe-100、最大960 MWe，若如期建成，将成为全球规模最大的SMR集群之一；其时间表（2039年前并网）与Prometheus的三年期形成"短期验证—长期部署"的接力关系——前者验证方法，后者兑现产能。这种时间上的错位配搭，恰恰是"AI—核电"良性循环论能否成立的早期观测窗口。

1.2.7 争议背景：雄心与削减并存

Genesis Mission与Prometheus的推进，始终处于一个充满张力的政治—财政环境之中。据公开报道，同期政府大幅削减NSF（提案削减40%–50%）、NIH（约40%）预算并裁撤科研人员[R4]。批评者称行政令是"大伤口上的创可贴"；媒体则质疑其资源基础与执行确定性[R4]。此外，围绕"科学风险投资化"、政府自建AI平台的数据与治理担忧、以及AI耗电与能源悖论等议题，争论从启动之初便持续发酵[R31][R23]。这些争议不是边缘噪声，而是理解Genesis Mission与Prometheus之真实边界与可执行性的核心背景，本报告第8章将逐一展开并给出立场矩阵。

这些争议的存在，并不自动否定Genesis Mission的价值，但提醒读者：任何关于"AI将重塑核能"的判断，都必须与关于"联邦科研体系正被重构"的判断同时持有——两种力量可能同向，也可能相互掣肘。

1.3 研究问题与分析框架

1.3.1 核心研究问题

基于上述事件脉络与张力，本报告提出以下五个相互嵌套的核心研究问题，贯穿全书九章的论证：

RQ1（技术可行性）： AI for Science的能力边界何在？Prometheus所宣称的"将先进堆部署周期与运营成本削减50%"目标，在技术上是否现实？哪些环节（设计、许可、制造、建造、运行、燃料、文档）最可能被AI显著加速，哪些环节受物理定律、监管刚性或数据稀缺的约束而难以被压缩？其降本承诺的可量化基础是什么[R19][R32][R35]？

RQ2（制度适配性）： 现有的核监管与科研资助制度能否与"AI加速"兼容？NRC在2026年推出的Part 53新反应堆许可流程[R15]、ADVANCE Act（2024年《加速部署先进核能法》）[R17]与Genesis Mission的Phase I/II资助机制之间，存在怎样的衔接与摩擦？GAO此前关于NRC尚未为先进堆取证做好准备的警示[R25]，在AI语境下是被缓解还是被放大？

RQ3（产业生态）： Prometheus所构建的公私合作与成本分摊模式（6000万联邦+2亿成本分摊+3000万资本）能否形成可持续的"AI—核电"良性循环？知识产权归属、数据开放边界与供应链/人才断层[R24]将如何影响这一生态的长期健康（第7章）？

RQ4（政治可持续性）： 在联邦科研预算被大幅削减、且面临政党轮替不确定性的背景下，Genesis Mission与Prometheus的政治基础与资金确定性如何？承诺的50亿美元与6000万美元在"subject to appropriations"原则下有多大概率落账？科学风险投资化是否侵蚀了传统的布什范式科研体制（第8章、第10章）？

RQ5（安全与外部性）： 将AI引入核安全关键系统，会带来哪些可靠性、可解释性与核安全文化风险[R41][R49]？AI辅助设计是否加剧核扩散与安保风险[R42]？政府自建AI平台的数据治理与开放科学之间的张力如何调和（第8章）？

上述五个问题并非孤立：它们共享一个元问题——在国家以行政权力驱动"AI+核能"的当下，我们应如何既不放过一次真实的技术—产业机遇，也不被政治修辞过早说服。本报告各章即围绕这一元问题组织证据，并在第10章给出综合判断。

1.3.2 "技术—制度—产业—政治"四维分析框架

为系统性回答上述研究问题，本报告构建并贯穿全书的"技术—制度—产业—政治"四维分析框架（见表1-1）。该框架借鉴了技术社会学与科技政策研究中"技术嵌套于制度、制度嵌入于产业、产业受制于政治"的嵌套逻辑，力求避免将Prometheus简化为单纯的技术工程或单纯的政治宣言。

在这一框架下，本章后续对概念的界定、对结构的说明与对方法的陈述，都服务于同一个目标：让读者在尚未深入技术细节之前，先建立"AI—核能"议题的多维坐标，从而在第2至第9章面对具体证据时，能随时定位其所属维度与潜在张力。框架不是装饰，而是分析的脚手架。

表1-1 "技术—制度—产业—政治"四维分析框架

维度	核心关切	主要分析对象	判定标准	对应章节
技术	AI能力边界与可转化性	代理模型、数字孪生、HPC、V&V/UQ、human-in-the-loop	50%降本是否技术可行	第5、6章
制度	规则供给与确定性	Phase I/II、Part 53、ADVANCE Act、拨款、数据治理	能否加速且不牺牲安全	第4、8章
产业	市场与组织激励	32伙伴分工、成本分摊、IP、供应链/人才、良性循环	生态是否可持续	第7章
政治	合法性与可持续性	预算矛盾、范式之争、政党轮替、扩散、公众接受	政策能否长续	第8、9、10章

技术维度（Technology）： 聚焦AI for Science的方法论能力及其在核能全生命周期中的可转化性——生成式设计、多物理场代理模型、中子学/热工水力ML加速、数字孪生、核数据与基础模型、高性能计算资源（Aurora、Frontier等）、不确定性量化与验证确认（V&V/UQ），以及human-in-the-loop工作流的工程实现。核心判定标准是"50%降本"目标的技术可行性边界[R19][R32][R44][R46][R53][R59]。
制度维度（Institution）： 聚焦规则供给——Phase I/II资助机制的设计逻辑、NRC Part 53许可现代化[R15]、ADVANCE Act的激励结构[R17]、拨款程序（appropriations）的不确定性、开放科学与安全化之间的数据治理规则，以及核安全级软件的验证规范[R40][R49]。核心判定标准是"制度能否为AI加速提供确定性而不牺牲安全"。
产业维度（Industry）： 聚焦市场与组织——32家伙伴的角色分工、成本分摊结构的激励相容性、知识产权安排、供应链与人才断层[R24]、数据中心电力需求与"AI—核电"良性循环的可量化规模[R22][R23]、传统厂商（Westinghouse、GE Vernova）与新兴SMR企业（X-energy、TerraPower、Oklo等）的差异化定位（第7章）。
政治维度（Politics）： 聚焦合法性与可持续性——科研预算削减与Genesis雄心的结构性矛盾[R4]、科研体制重构（布什范式之争）、政党轮替带来的政策中断风险、核扩散与地缘政治意涵[R42]、公众接受度与环保组织立场[R33][R34]（第8章、第9章）。

四维框架的方法论意义在于，它迫使分析者拒绝单一因果叙事。例如，"50%降本"看似是技术问题，但其实现受制于NRC是否接受AI生成的许可证据（制度）、伙伴是否愿意开放专有数据（产业），以及下一届政府是否延续拨款（政治）。反之，政治承诺的可持续性又取决于技术里程碑能否如期兑现。因此，本报告不预设任一维度具有决定性，而是追踪四者之间的反馈循环——这正是把Prometheus区别于一般"AI+行业"案例的根本所在。

四个维度并非并列，而是互为条件：技术可行是前提，制度适配是关键，产业可持续是载体，政治可续是边界。任一维度的断裂都可能使"50%降本"从承诺退化为愿景。本报告后续各章将依次对四个维度深入剖析，并在第10章以情景分析整合之。

1.4 核心概念界定

为避免概念漂移并保证全书论证的一致性，本节对贯穿全文的七个核心概念作出操作性界定。所谓"操作性界定"，意指这些定义服务于本报告的实证分析，而非追求哲学或法学上的完备；读者若在其他文献中见到不同用法，应结合具体语境理解。

1.4.1 Genesis Mission（创世纪计划）

Genesis Mission是美国联邦政府于2025年11月24日由行政令EO 14363启动的国家科技使命，由DOE主导、OSTP监督，以"用AI加速科学发现"为宗旨，并规划建设American Science and Security Platform（ASSP）以整合联邦科学数据、17个国家实验室超算与AI系统，目标十年内使美国科研产出翻倍[R1][R2][R6]。在本报告中，Genesis Mission既指这一行政令与平台构想，也指由其RFA机制所孕育的278个入选项目整体。需要区分的是，Genesis Mission作为"使命"具有制度上的持续性，而具体项目（如Prometheus）有其固定的资助周期；使命可随政府更迭而更名或转向，但已签署的合作协议与已投入的平台建设具有惯性，不会因一朝一夕的政治风向而完全归零。

1.4.2 American Science and Security Platform（ASSP，美国科学与安全平台）

ASSP是Genesis Mission的核心数字基础设施，定位为统合联邦科学数据集、国家实验室算力与AI系统的联邦级平台[R1][R6]。其"Security"前缀表明该平台在开放科学与国家安全考量之间的双重属性。在本报告中，ASSP被视为Genesis Mission从"政策宣示"走向"能力供给"的技术枢纽，其治理模式（数据归属、访问权限、安全审查）是制度维度分析的重点之一。对核能而言，ASSP的潜在价值在于把分散在各实验室的反应堆物理、材料辐照、燃料循环等专有数据汇聚为可训练语料，从而支撑第5章所述的核数据基础模型与代理模型；但这类数据的密级与出口管制属性，也使"开放到何种程度"成为不可回避的治理难题（第8章专门讨论）。

1.4.3 Phase I / Phase II 资助机制

这是Genesis Mission在2026年3月RFA中设置的双层资助结构[R5][R6]。Phase I为小额资助，意在以较低门槛撬动广泛探索、甄别有潜力的方向；Phase II为大额资助，面向经Phase I验证或本身具备高成熟度的方案，给予集中资源以推进规模化验证。Prometheus即属于Phase II中的最大单笔（6000万美元/三年）[R7][R11]。该机制借鉴了美国小企业创新研究（SBIR）等阶梯式资助的逻辑，其设计意图是以"小额广泛撒网+大额重点突破"兼顾覆盖面与冲击力；但其资金均"subject to appropriations"，存在拨款不确定性。值得补充的是，Phase I/II并非Genesis Mission首创，而是继承自联邦资助体系中成熟的阶梯式机制；其新颖之处仅在于被规模化应用于AI for Science这一新领域，以及Phase II单笔额度达到6000万美元量级的突破——这使它兼具"科研资助"与"产业政策"的双重色彩。

1.4.4 Prometheus（普罗米修斯项目）

Prometheus是Genesis Mission框架下、由INL牵头的AI加速核能部署项目，为最大单笔Phase II资助（6000万美元/三年），联合32家实验室、高校与企业伙伴[R7][R8][R12]。其定义性特征有三：一是"人在回路"（human-in-the-loop）的安全前提；二是覆盖反应堆设计—许可—制造—建造—运行全链条的AI嵌入；三是以"部署周期与成本削减50%"为量化总目标[R7][R11][R13]。在本报告中，Prometheus既是一个具体项目，也是观察"AI for Nuclear"范式的旗舰案例。其名"普罗米修斯"源自希腊神话中盗火授人之神，隐喻"将AI之火引入核能"的雄心，但也隐含"逾越边界必受惩罚"的警示——这恰与核安全文化对"越界"的零容忍形成有趣的互文：AI可以赋能，却不可僭越人类在安全关键决策中的终审地位。

1.4.5 human-in-the-loop（人在回路）

human-in-the-loop指AI系统的决策与输出始终处于人类操作者的监督、校验与最终裁决之下，而非完全自主运行[R41][R49]。在核这样的安全关键领域，human-in-the-loop是调和"AI加速"与"核安全文化"的核心机制：AI承担计算密集与模式识别任务，人类保留安全关键决策的终审权。本报告将其视为Prometheus工程伦理与安全论证的基石，并在第6章讨论其与核安全级软件验证之间的张力。

1.4.6 AI for Science（科学智能）

AI for Science指以机器学习、基础模型与计算建模系统性赋能科学发现与工程设计的范式，其标志性进展包括AlphaFold对蛋白质结构的预测[R28]、物理信息神经网络（PINN）对偏微分方程的求解[R29][R45]、以及科学发现的AI加速综述所概括的方法论变革[R27]。在核能语境下，AI for Science体现为中子学/热工水力代理模型、数字孪生、故障诊断与预测性维护、以及许可文档的自动生成等（第5、6章）。它既是Prometheus的方法论母体，也是ASSP的能力内核。值得注意的是，AI for Science在核能领域的应用并非全新事物——早至1990年代已有研究将专家系统用于核电厂报警处理[R48]；今日的不同在于基础模型与算力的量级跃迁，使"系统性嵌入全链条"第一次具备了工程可行性。换言之，真正新颖的不是"用AI辅助核能"的念头，而是将其规模化、平台化落地的制度与技术条件。

1.4.7 SMR / 先进堆（Small Modular Reactor / Advanced Reactor）

SMR（小型模块堆）指单堆电功率通常小于300 MWe、可工厂化制造与模块化部署的反应堆[R21][R32][R47]；先进堆则泛指在设计理念（如高温气冷、钠冷、熔盐）、安全性与经济性上超越传统轻水堆的新一代反应堆（如X-energy的Xe-100高温气冷堆、TerraPower的Natrium钠冷堆、Oklo的Aurora快堆等）[R19][R24]。二者共同构成了Prometheus"降本50%"所指向的技术对象，也是美国核能"复兴"叙事的核心载体（第2章提供历史纵深）。从历史看，SMR概念并非近年才出现，但其经济性长期未能在首堆（FOAK）之外得到验证[R32][R47]；Prometheus试图用AI压缩的，正是FOAK到NOAK（第n堆）之间的学习曲线成本——能否把"首堆溢价"显著压低，是本报告第2章与第6章的量化焦点，也是判断50%目标是否空泛的关键。

第2章美国核能产业的兴衰：从曼哈顿计划到成本困局

美国今天把"用 AI 加速核能部署"上升为国家使命（见 Genesis Mission 行政令 [R2] 与 Prometheus 项目 [R7]），其背后是一段长达八十余年、充满理想主义与挫折的核能发展史。要理解为什么"部署周期与成本"会成为 Prometheus 项目试图解决的核心痛点，必须回到历史现场：从曼哈顿计划揭开原子时代序幕，到"原子能和平利用"将军事技术转向民用电力；从 1960—70 年代轻水堆的订单狂潮，到三哩岛、切尔诺贝利、福岛三次重大事故的连锁冲击；从成本与工期的系统性失控，到 21 世纪两度"核能复兴"的落空；再到以小型模块堆（SMR）和先进堆为代表的新一波浪潮，以及《通胀削减法案》（IRA）和 ADVANCE Act [R17] 等政策转向。本章沿着"技术—事故—成本—政策—产业基础"的线索，梳理美国核能产业的兴衰逻辑，为后续分析 Prometheus 项目的问题定位提供历史纵深。

需要预先说明本章的方法论立场：核能史既是技术史，也是管制史与政治史。美国核电的每一次起伏，几乎都能在"技术可行性"与"制度/经济可行性"的错位中找到根源。因此，本章不追求编年式的完整罗列，而是围绕"部署周期与成本"这一主线，萃取对理解 Prometheus 最有价值的因果链条——这也是报告论纲对本章的明确定位。读者将会看到，本章所刻画的每一个历史节点，几乎都在为第 5、6 章的"AI 能否破局"提供对照基准。

2.1 曼哈顿计划与"原子能和平利用"

美国核能的故事始于战争。1942 年 12 月，恩里科·费米（Enrico Fermi）团队在芝加哥大学建成人类历史上第一座可控核链式反应堆"芝加哥一号堆"（Chicago Pile-1，CP-1），标志着核能时代的开启；这一成果是"曼哈顿计划"的基石。曼哈顿计划（1942—1946）由美国陆军工程兵团主导，汇聚了奥本海默、费米、西拉德、泰勒等一批顶尖科学家，目标是在二战期间抢先研制出原子弹。1945 年 8 月，两颗原子弹分别投于广岛与长崎，核能在人类历史上第一次以毁灭性力量现身。原子能由此被深深打上"军事—国家战略"的烙印，这种基因在此后美国的核能政策中始终若隐若现：核能既是国家安全的工具，也是大国科技实力的象征。

战后，如何处置庞大的核武工业与核科技人才，成为美国决策层的现实难题。1953 年 12 月，艾森豪威尔总统在联合国大会发表题为" Atoms for Peace "（原子能和平利用）的著名演讲，提出将核技术从"毁灭的武器"转向"造福人类的动力"，倡议建立国际原子能机构（IAEA），并推动在美国国内将反应堆技术转向发电。这一政治叙事具有双重意义：对外，它为美国在冷战背景下争夺核技术与话语权提供了道德与制度框架；对内，它为民用核电的合法化与发展铺平了道路。1954 年《原子能法》（Atomic Energy Act of 1954）允许私人企业参与核电开发，打破了此前原子能完全由国家垄断的局面；1957 年，美国第一座商用示范堆——希平港（Shippingport）压水堆并网发电，被视为"原子能和平利用"的第一个标志性成果。

值得注意的是，"原子能和平利用"从一开始就伴随着"推广"与"防扩散"的内在张力：美国一方面向盟友输出轻水堆技术与燃料（如早期对日本、欧洲的技术转让），另一方面又通过 1968 年《不扩散核武器条约》（NPT）框架试图约束核材料的军事用途。这一矛盾在今天的先进堆出口与 HALEU 燃料供应中依然以新的形式延续（见 2.7 节与报告第 9 章）。

"原子能和平利用"的具体落地还包括一系列制度动作：1957 年成立美国原子能委员会（AEC）的民用分支职能扩张，同年通过《Price-Anderson 法案》为核电运营商提供有限责任与联邦背书（该法案此后多次延期，成为核电融资的法律基石之一）；1968 年 IAEA 保障监督体系逐步成型。美国还以" demonstrates reactor "（示范堆）外交方式，向伊朗（后撤销）、印度、日本、韩国、中国台湾等地区输出早期轻水堆技术，这一技术扩散在日后既培育了盟友的核电能力，也埋下了核燃料循环与防扩散治理的长期议题。从战略层面看，原子能的"和平利用"叙事，使美国核能产业从诞生之初就兼具"民用基础设施"与"地缘政治工具"双重属性，这也解释了为何在 70 年后，当 AI 与能源安全再度成为大国竞争焦点时，核能会被重新纳入国家科技战略的核心（见报告第 3、9 章）。值得注意的是，这种"军民两用"基因也使得核能技术天然处在出口管制与防扩散审视之下，今天先进堆与 HALEU 燃料的对外出口，同样延续着这一张力（见报告第 8、9 章关于核扩散与出口管制的讨论）。

2.2 轻水堆的黄金年代（1960—1970 年代订单潮）

在"原子能和平利用"叙事与冷战战略需求的共同推动下，美国核电在 1960—1970 年代经历了爆发式增长，常被称为轻水堆（Light Water Reactor, LWR）的"黄金年代"。从技术路线看，美国选择了压水堆（PWR，源自海军潜艇反应堆）与沸水堆（BWR，源自通用电气）两条轻水堆路线，而非英国的石墨气冷堆或加拿大的重水堆。这一选择既有海军技术积累的路径依赖，也有美国工业体系对标准化、规模化制造的偏好。

订单潮的数字最能说明问题：1960 年代至 1970 年代初，美国公用事业公司纷纷下单兴建核电站。据历史统计，仅在 1973—1974 年的高峰期，美国就出现了上百台机组的订单（含后来大量取消的项目），顶峰年份（1974 年前后）的年均新增订单规模达到数十吉瓦（GW）量级。截至 1970 年代末，美国已投运和在建的核电机组数量居世界首位，核电一度被视为" Too cheap to meter "（便宜到无需计量）的未来能源。麻省理工学院 2018 年《碳约束世界中的核能未来》报告指出，那一时期核电在美国新建发电容量中占据了相当大比重，反映出产业界对核电经济性、规模化与能源独立的高度信心 [R18]。

若以更细的粒度观察这一轮繁荣，可看到几个结构性特征。第一，厂商集中度与路线分野：西屋（Westinghouse）主推压水堆（PWR），通用电气（GE）主推沸水堆（BWR），另有燃烧工程公司（Combustion Engineering）与巴布科克&威尔科克斯（B&W）等二线供应商，设计口径互不统一。第二，批量下单但批量取消：据行业统计，美国在 1960—1980 年间累计下单逾 250 台机组（含增量与取消），其中有超过 100 台在建设前或建设中因成本、需求或监管原因被取消；到 1980 年代末，实际投运约 100 余台。换句话说，"黄金年代"的订单泡沫本身就预示了后续的脆弱性——当利率高企、需求预期下修、反核运动兴起时，未开工或早期项目首当其冲被砍。第三，成本曲线在繁荣期已现拐点：Lovering 等（2016）的跨国数据揭示，美国核电的单位建设成本自 1970 年代初的约 1,000 美元/kW（名义值，部分早期项目更低）一路攀升，到 1980 年代投运项目已显著抬升，且此后再未回到低位 [R30]。这意味着"便宜核电"的公众印象，其实主要建立在 1960—1970 年代初少数早期机组之上，而行业的边际成本彼时已在悄然恶化。

推动这一轮繁荣的因素主要有四：其一，廉价且稳定的基荷电力需求旺盛；其二，1973 年第一次石油危机使能源安全议题凸显，核能被视为摆脱对进口石油依赖的战略选项；其三，美国核管制委员会（NRC）的前身机构（原子能委员会 AEC）在许可上相对宽松、流程较快；其四，早期机组（如 1960—1970 年代初建成者）确实表现出较好的成本与可靠性，形成了"核电很便宜"的公众与资本预期。

然而，黄金年代埋下了两个日后引爆的隐患：一是标准化程度不足——尽管轻水堆是主流，但各厂商（西屋、通用电气、燃烧工程公司、巴威等）设计各异，难以形成真正流水线式的批量化建造；二是监管与公众预期在事故之后急转，使得原本"快"的许可环境迅速收紧。这两个隐患，连同建设成本的攀升，将在 1970 年代后期集中爆发。

2.3 三次重大事故的冲击与监管强化

美国乃至全球核电的公众接受度与发展节奏，被三次重大事故深刻重塑。它们依次是美国的三哩岛（Three Mile Island, 1979）、苏联的切尔诺贝利（Chernobyl, 1986）与日本的福岛第一核电站（Fukushima Daiichi, 2011）。三次事故发生在不同国家、不同技术路线、不同监管体系下，但都显著强化了安全监管、拖慢了全球核电节奏，并加剧了公众的"风险感知"。

表 2-1 汇总了三次事故的关键对比。

表 2-1 三次重大核事故对比

维度	三哩岛（1979，美国）	切尔诺贝利（1986，苏联）	福岛第一（2011，日本）
反应堆类型	压水堆（PWR）	RBMK 石墨慢化沸水堆	沸水堆（BWR）
事故等级（INES）	5 级	7 级（最高）	7 级（最高）
直接诱因	设备故障叠加人因失误、阀门误关导致堆芯熔毁	低功率试验违规操作、设计缺陷	地震—海啸导致全厂断电（SBO）、冷却丧失
放射性释放	有限（主要惰性气体）	大量（含碘-131、铯-137 等）	大量（铯-137 等）
人员伤亡	无即时致死	28 名急救人员急性辐射致死，长期健康影响有争议	无即时辐射致死，约 2 万人因疏散相关因素死亡（据估算）
对美/全球监管影响	美国此后数十年未批新建反应堆；NRC 强化人因与应急	推动苏联/东欧机组改造，强化 IAEA 保障监督	全球停堆复核（德、日弃核），美方强化防洪/抗灾与"超出设计基准"评审
公众接受度冲击	美国本土核电叙事逆转	欧洲反核情绪高涨	日韩及全球重启疑虑，影响新建决策

三哩岛事故（1979 年 3 月）虽未造成人员伤亡与大规模放射性外泄，却因其发生在美国本土、且通过电视直播放大了公众恐慌，成为美国核电的"分水岭"。事故后，NRC 大幅强化了对人因工程、应急响应、运行规程的要求，并实质上冻结了新的反应堆许可——自 1979 年直至 2012 年 Vogtle 3&4 获批，美国几乎没有新建核电项目开工 [R25]。更具深远影响的是，三哩岛催生了一整套"事后监管"逻辑：事故前 NRC 倾向于以"设计达标即安全"为默认假设，事故后则转向对运行人因、培训、概率安全评估（PSA）与应急准备的密集审查。这种变化虽提升了安全水平，却也显著增加了新建与在运机组的合规成本与时间。MIT 2018 年报告指出，监管复杂度与许可不确定性的上升，是后期美国核电成本恶化的关键制度变量之一 [R18]。

切尔诺贝利（1986 年）虽不在美国，但其 7 级灾难性后果通过媒体传导至全球，强化了"核=灾难"的集体记忆，并推动了 IAEA 保障监督体系的扩展与苏联/东欧机组的改造 [R20]。该事故暴露了 RBMK 石墨堆在正空泡系数与缺乏完整安全壳上的设计缺陷，也间接促使西方轻水堆的"安全壳+纵深防御"理念被全球奉为圭臬——但代价是设计与建造裕度进一步抬高，单位成本随之上升。

福岛（2011 年）则由极端外部事件（地震—海啸）引发全厂断电与堆芯熔毁，暴露了"超出设计基准事故"（Beyond Design Basis）准备的不足。美国 NRC 据此启动了" Fukushima 对标"（Fukushima Near-Term Task Force）行动，要求现役机组强化防洪、抗地震、应急电源与氢气控制等措施；同时德国、日本等国作出弃核或大幅降核的决定，全球核电新增投资意愿受挫 [R20][R33]。福岛还凸显了一个新问题：即便反应堆设计本身可靠，厂址级灾害（外部事件）与"多机组同时失效"情景也会击穿既有安全假设——这对今天拟在数据中心、工业园区等场景密集部署的 SMR/微堆提出了更高的厂址韧性与集成安全设计挑战。

切尔诺贝利（1986 年）虽不在美国，但其 7 级灾难性后果通过媒体传导至全球，强化了"核=灾难"的集体记忆，并推动了 IAEA 保障监督体系的扩展与苏联/东欧机组的改造 [R20]。

关于公众接受度，研究表明重大事故会显著改变风险感知与收益感知的平衡：福岛之后，韩国等国的民意调查显示核电接受度出现明显波动，而风险感知在其中起中介作用 [R33]；跨国的比较研究也指出，社会影响、风险与收益认知共同决定核电等风险能源技术的可接受性 [R34]。这为后来美国试图通过政策与叙事"重启"核电接受度提供了背景——接受度本身已成为部署周期中不可忽略的软性约束。

2.4 成本失控与建设周期恶化：量化分析

如果说事故改变了"许可环境"，那么真正让美国核电在 21 世纪举步维艰的，是成本与工期的系统性失控。这一结论有大量学术量化研究的支撑。

2.4.1 历史建设成本的长期攀升

Lovering、Yip 与 Nordhaus（2016）在《Energy Policy》发表的《Historical construction costs of global nuclear power reactors》一文，系统梳理了全球核反应堆的建设成本数据，得出一个关键发现：美国核电的单位建设成本（每千瓦装机）在 1970 年代之后出现显著、持续的上升，与法国、韩国等通过标准化与系列化建造实现成本下降的国家形成鲜明反差 [R30]。换言之，美国核电并没有像其他制造业那样享受"学习曲线"带来的成本下降，反而陷入了"反学习曲线"（negative learning curve）——每多建一座，经验似乎没有转化为更便宜。

Eash-Gates、Klemun、Kavlak 等（2020）在《Joule》发表的《Sources of Cost Overrun in Nuclear Power Plant Construction Call for a New Approach to Engineering Design》则进一步拆解了"超支从何而来"。他们通过对大量项目的数据分析指出：核电建设超支的重要来源是设计变更与返工（rework），即边设计、边施工导致的工程混乱；当设计在建造过程中不断改动，安全性和审批基础随之变化，进而触发监管重新评审，形成"设计变—工期拖—成本涨—再评审"的恶性循环 [R35]。具体量化上，该研究发现核电项目的成本超支中，有相当大比例可归因于工程设计的"范围蔓延"与现场返工，而非单纯的材料或人工涨价；换言之，超支主要是"可避免的工程管理失败"，而非"行业先天昂贵"。这一结论与下文 Vogtle 案例高度吻合，也为"用 AI 在开工前冻结并验证设计"提供了直接的学术依据——如果设计变更是超支主因，那么能让设计在虚拟环境中被充分仿真、校验、冻结的工具，就具有最高的降本杠杆。

进一步看，Lovering 等（2016）的跨国比较还揭示了"学习率"（learning rate）的悖论：在法国与韩国，核电单位成本随累计装机上升而下降（正向学习率，约 5%—10%/倍）；而在美国，单位成本却随累计经验上升而上升（负向学习率）[R30]。造成这种反差的核心，正是标准化与系列化建造能力的差异——法国由 EDF 单一业主主导、采用系列化设计（如 CPY、N4、EPR），韩国由 KEPCO 主导、采用标准化 OPR-1000/APR-1400；而美国则是多家业主、多种设计、每项目近乎"首堆"（first-of-a-kind, FOAK），难以摊薄工程与许可成本。这一发现对 SMR 浪潮具有直接启示：模块化、系列化、工厂制造，可能是美国重获"学习曲线"的唯一路径，而这也正是 Prometheus 项目所依托的产业假设之一。

2.4.2 Vogtle 3&4：从 140 亿到 350 亿美元的"教科书式"超支

佐治亚州的 Vogtle 核电站扩建（3 号、4 号机组，采用西屋 AP1000 设计）是美国 30 多年来首个新建核电项目，也是成本失控最具代表性的案例。

原始预算与计划：2008 年签署 EPC 合同，最初认证的建设与资本成本约为 140 亿美元，目标商运时间分别为 2016 年与 2017 年。
实际成本：项目最终总成本（含西屋破产后的赔偿等）超过 350 亿美元——其中两家业主向 AP 计算口径下约为 310 亿美元资本成本，叠加西屋支付给业主的约 37 亿美元撤出补偿后，总额逼近 350 亿美元（据公开报道/估算）[R17 背景案例]。换言之，超支超过 210 亿美元，约为原始预算的 2.5 倍。
实际工期：3 号机组 2023 年 7 月商运，4 号机组 2024 年 4 月商运，较原计划延迟约 7 年。

Vogtle 的失控并非单一技术失败，而是 Eash-Gates 等人所刻画的"先施工、后定稿设计"模式的典型后果：西屋 AP1000 设计在开工时并未冻结，施工过程中的设计变更频繁触发 NRC 重新评审；2017 年西屋破产更使项目管理失控，最终由 Southern Nuclear 接管。监管记录显示，项目曾在长达约九年的时间里缺乏统一的集成进度计划 [R35]。Vogtle 因此被普遍视为"美国核电建设不可管理"的反面教材，但也常被先进堆开发者反向解读为：教训不在于核电技术本身，而在于必须在开工前冻结设计、强化配置管理（configuration management）——这恰是 AI 辅助设计有望切入的地方。

2.4.3 V.C. Summer：弃建与"复兴"的破灭

与 Vogtle 同期开工的南卡罗来纳州 V.C. Summer 扩建（2 台 AP1000）则更为惨烈。2017 年 7 月，业主 SCANA 与州属公用事业 Santee Cooper 宣布放弃建设——此时项目完成度不足 40%，却已耗资逾 90 亿美元。若继续建成，估算总成本将高达 180 亿至 240 亿美元，远超 2008 年约 98 亿美元的初始估计。西屋 2017 年 3 月的破产是导火索，但根本仍是成本与工期失控。V.C. Summer 的弃建直接使约 5,100 名建筑工人失业，并引发大规模监管调查、诉讼与政治风波，成为美国"核电复兴"叙事破灭的标志性事件 [R26 背景案例]。

2.4.4 成本演变的横向对比

为直观呈现美国核电成本的演变与跨国差异，表 2-2 归纳了关键节点的单位成本与工期特征（数值为综合公开资料与学术研究的估算，部分来自 [R30][R35]）。

表 2-2 美国核电成本与周期演变（代表性节点）

时期/项目	典型技术	单位建设成本（估算，美元/kW，名义值）	典型建设周期	备注
1960—70 年代黄金期	早期 LWR	较低（数百至约 1,000，随通胀与要求攀升）	约 5—7 年	前期便宜、后期成本已现升势 [R30]
1970 年代末—2000s	LWR（少新建）	成本持续上行，"反学习曲线" [R30]	许可冻结期	三哩岛后几乎无新建
Vogtle 3&4（2009 开工）	AP1000	折算约 6,000—8,000+（含超支，据估算）	约 14—15 年（含延期）	总成本逾 350 亿美元 [R35]
V.C. Summer（弃建）	AP1000	若建成或超 9,000（估算）	未完成即弃	已耗 90+ 亿美元 [R26]
法国/韩国（对照）	EPR/OPR	显著低于美国同类（标准化系列建造）	较短	学习曲线正向 [R30]

表 2-2 的核心信息有两点：其一，美国核电单位成本自 1970 年代起逆势上升，与"制造业通常随规模与经验降本"的直觉相悖；其二，成本失控与工期拉长高度耦合——每延长一年，融资成本、通胀与监管互动成本都会叠加放大。GAO 在 2023 年报告中也指出，NRC 在准备许可先进堆方面仍需采取额外行动，反映出制度性准备不足会进一步放大周期与成本风险 [R25]。这一耦合关系意味着，单纯"砸钱"无法解决美国核电困境：若周期不缩短，追加投资只会被复利与间接费吞噬（Vogtle 正是如此）。真正有效的杠杆，必须同时作用于"成本基数"与"时间基数"——这正是 AI 加速方案的潜在价值所在，也是本报告后续第 5、6 章量化评估 50% 降本目标可行性的逻辑起点。

成本失控的根源可归纳为：① 设计与施工脱节（Eash-Gates 等核心论点 [R35]）；② 缺乏标准化与系列化（Lovering 等跨国对比 [R30]）；③ 监管流程在事故后趋严且不确定性高；④ 供应链与专业劳动力萎缩导致返工率高；⑤ 项目融资结构（如费率基数管制下的"在建工程"计费）弱化了成本约束。这些正是 Prometheus 项目意图用 AI 重构的环节（见报告第 5、6 章）。

2.4.5 一个简化的成本—周期耦合框架

为把上述经验量化呈现，可建立一个简化的"成本—周期耦合"概念模型。设某项目最终单位成本 c_{final} 近似为：

c_{final} = c_{base} \cdot (1+\alpha)^{n} + \beta \cdot T_{delay} + \gamma \cdot R

其中 c_{base} 为基准单位成本，\alpha 为每年因通胀与融资成本叠加的复利系数，n 为实际建设年数，T_{delay} 为延期年数对应的额外利息与间接费，\beta 为单位延期成本率，R 为返工规模，\gamma 为返工单位成本。该式虽为示意，却揭示了三个被实证支持的方向：① 工期 n 与延期 T_{delay} 通过复利被指数级放大——这正是 Vogtle 从 140 亿到 350 亿美元的核心机制；② 返工 R 是 additive 且高单价项（核级系统返工成本可达非核级的数倍乃至十倍）；③ 基准 c_{base} 本身受标准化程度影响，美国 FOAK 模式使 c_{base} 居高不下。Eash-Gates 等（2020）的实质贡献，正是用数据证明 R（返工）在超支中占比极高、且"可避免" [R35]；Lovering 等（2016）则证明美国 c_{base} 随经验不降反升 [R30]。

这一框架的政策含义十分直接：要降本，不能只盯 c_{base}，更要压缩 n、T_{delay} 与 R。而 AI 恰好能在三处同时发力——用生成式设计与多物理场代理模型压低设计迭代（降 R）、用数字孪生与许可文档自动化压缩审评与建造周期（降 n 与 T_{delay}）、用先进制造质检降低返工（降 R）。这正是 Prometheus 项目的逻辑主线，也是本报告后续章节的技术分析对象。需要提醒的是，该框架是示意性的，各系数（c_{base},\alpha,\beta,\gamma）在不同项目间差异巨大，且无法通过单一公开来源精确标定；本章借用其结构而非数值，意在直观说明"为何周期与返工是降本的高杠杆点"，具体量化将在第 6 章结合 Prometheus 的 50% 目标展开。

2.4.6 美国核电 fleet 的结构性数据

表 2-3 以若干结构性指标刻画美国核电 fleet 的规模与状态（综合公开统计与机构报告，数值为估算）。

表 2-3 美国核电 fleet 代表性结构指标（估算）

指标	量级	说明
在运机组数	约 90 余台	多为 1970—1990 年代投运的 LWR [R18][R24]
总净装机	约 95—100 GW	全球前列，提供约 18%—20% 发电量
平均机龄	约 40 年	大量机组已获或待获 20 年延寿
新建（FOAK）成本	6,000—8,000+ 美元/kW（含超支）	见 Vogtle [R35]
提前退役案例	数台（2010s—2020s）	经济性驱动，IRA 后趋缓 [R19]

表 2-3 凸显一个张力：美国拥有全球最大的已建成核电资产之一，却缺乏"新建能力"——存量靠延寿维持，增量则受困于成本与周期。这种"大存量、弱增量"的结构，使任何提升部署速度的努力都具有高杠杆价值。

2.5 2000 年代"核能复兴"的落空

2000 年代初，美国曾掀起被媒体称为"核能复兴"（Nuclear Renaissance）的预期。推动因素包括：天然气价格波动、对气候变化的关注、以及 2005 年《能源政策法》（EPAct 2005）提供的 production tax credit（第 1306 节）与贷款担保等刺激。2007—2009 年间，业主向 NRC 提交了共 28 台新机组的联合建设运行许可证（COL）申请，Vogtle 与 V.C. Summer 的开工被视为复兴起点 [R26]。

然而这一轮复兴最终落空，原因可归结为"三杀"：

页岩气革命：美国非常规天然气（水力压裂）产量爆发，天然气价格自 2008 年峰值大幅下跌，廉价气电直接削弱了新建核电的经济性基础 [R26]。
需求增长停滞：美国用电量在 2010 年前后十余年间增长平缓，降低了新建大型基荷机组的紧迫性。
成本与事故阴影：福岛（2011）重燃安全疑虑，而 Vogtle/V.C. Summer 的成本失控使融资方望而却步。最终，28 份 COL 申请中的绝大多数被撤回或取消，只有 Vogtle 3&4 真正建成。

CBO 早在 2011 年关于核电厂建设联邦贷款担保的研究中就提示，核电项目的资本密集度与成本超支风险，使私营融资高度依赖政府信用支持，而一旦成本失控，纳税人与消费者将承担主要风险 [R26]。这一判断在 V.C. Summer 弃建后由消费者买单的现实中得到印证。值得注意的是，2000 年代复兴的"落空"并非因为技术不可行，而是因为商业模式与制度环境同时恶化：在管制电价体系下，公用事业缺乏承担 FOAK 风险的激励；在竞争性电力市场下，廉价气电与可再生能源又压低了核电的边际收益。结果是，美国核电在 2010 年代陷入"存量机组靠延寿续命、新增机组无人敢建"的尴尬——截至 2020 年代初，美国既有 fleet 中已有数台机组因经济性原因提前退役（如 2018 年关停的加州 San Onofre、2019 年关停的麻省 Pilgrim 与宾州 Three Mile Island 余机），凸显产业生态的脆弱。这一"存量收缩"趋势，直到 IRA 的 §45U 生产抵免出台、为在运机组提供每兆瓦时最高约 15 美元的收益支撑后，才有所缓解 [R19]。

从更广阔的视角看，2000 年代复兴的失败还揭示了一个反复出现的美国核电悖论：每当政策与资本为核电描绘美好前景，页岩气革命、需求停滞或成本超支就会将其拉回现实。这一悖论意味着，任何试图"重启"美国核电的努力，都必须同时解决成本、周期与制度激励三重约束——单点突破（如仅靠补贴或仅靠新设计）都不足以扭转结构性颓势。这也解释了为何 2020 年代的新一波政策（IRA + ADVANCE Act）与技术努力（AI 加速）必须"组合拳"出击。

2.6 SMR 与先进堆浪潮：政策转向

在大型 LWR 部署受挫的背景下，产业与政策注意力转向小型模块堆（SMR）与各类先进堆（高温气冷堆、钠冷快堆、熔盐堆、微堆等）。其逻辑是：模块化工厂制造、现场拼装，可缩短工期、降低单笔融资规模、并通过系列化重获"学习曲线"。OECD 核能署 2024 年第二版《SMR Dashboard》系统盘点了全球 SMR 设计的技术成熟度、许可状态与部署障碍 [R21]；多项技术经济分析也探讨了 SMR 的成本结构与燃料经济性 [R32][R47]。据该 Dashboard，截至 2024 年全球有数十种 SMR 设计处于不同成熟度阶段，但真正进入建造或许可后期的仍是少数，绝大多数仍受困于首堆风险、融资与供应链——这再次印证"设计可行"不等于"可部署"。美国本土的 SMR 路径尤其依赖 TerraPower（Natrium 钠冷快堆）、X-energy（Xe-100 高温气冷堆）、NuScale（曾获首张 SMR 设计认证但项目屡遇波折）等企业，其商业化节奏直接受制于本章所述的成本—周期—供应链三重约束。

然而，先进堆在美落地仍受两大制度性瓶颈制约：漫长的 NRC 许可周期，以及缺乏适配非 LWR 设计的监管框架。针对此，美国在过去几年密集出台政策"转向"：

《通胀削减法案》（IRA, 2022）：设立零排放核电生产抵免（§45U，基础 0.3 美分/kWh、最高约 15 美元/MWh，满足工资要求可上浮五倍），并为新建零碳电源（含先进堆）提供技术中性的生产抵免（§45Y，约 25 美元/MWh，首十年）或 30% 投资税收抵免（§48/§48E）；同时拨付 7 亿美元支持国内 HALEU（高丰度低浓铀）燃料供应链，另有 1.5 亿美元用于国家实验室核研发基础设施 [R19]。这些措施既救存量（延寿在运机组），也扶增量（先进堆）。据 DOE 评估，IRA 与《两党基础设施法》（BIL）的清洁能源条款合计可显著推动减排，而核电是其中"保住最大零碳电源"的关键拼图 [R19]。

政策转向的意义在于：美国开始把"缩短部署周期、降低监管与资本成本"上升为法律层面的目标。这恰恰是 Prometheus 项目（目标将先进堆部署周期与运营成本削减 50% [R7]）得以提出并获 6,000 万美元联邦资助的政策土壤。换言之，Prometheus 并非凭空出现，而是 ADVANCE Act 与 IRA 所开启的"加速部署"叙事在技术执行层面的延伸。值得补充的是，在 ADVANCE Act 之前，2019 年的《核能创新与现代化法》（NEIMA）已要求 NRC 建立针对先进堆的"技术包容型"（technology-inclusive）许可框架，并为先进堆定义（相对 Vogtle 3&4 有"显著改进"）奠定法律基础 [R17][R24]；ADVANCE Act 是在此基础上的加速与具体化。此外，2025 年的行政令 EO 14300"改革 NRC"也要求 NRC 在保持安全使命的同时提升许可效率，与 ADVANCE Act 形成政策合力（据公开报道/估算）[R17]。

ADVANCE Act（2024）：2024 年 7 月签署成为法律（Public Law 118-67），是两党高票通过（参议院 88—2、众议院 393—14）的里程碑式立法 [R17]。其核心包括：为先进堆申请者设定更低的 NRC 审评小时费率（约为原 300 美元/小时的一半，预计约 160 美元/小时，2025 年 10 月 1 日生效）；对首批获运行许可证的五类先进堆给予费用返还/奖励；要求 NRC 在 18 个月内出台微堆许可导则；设立先进核燃料（含 HALEU）许可准备计划；允许 OECD 成员国及印度背景的外国实体在美投资核电（放松外资限制）；并将聚变能从核定义中分离以简化其许可 [R17]。美国国家科学院 2023 年报告早已呼吁为先进堆建立新的监管基础 [R24]，ADVANCE Act 可视作对此的制度回应；GAO 也同期指出 NRC 在许可先进堆上准备不足 [R25]，该法案正试图弥补这一缺口。

2.7 供应链、HALEU 燃料与人才断层

即便政策与资本到位，美国核电的"部署能力"仍受三个结构性短板制约，它们共同构成 Prometheus 必须面对的工业基础现实。

其一，供应链空心化。 历经数十年新建停滞，美国本土的核级设备制造、铸锻件、主设备与仪控供应能力大幅萎缩，许多环节依赖少数供应商甚至进口。Vogtle 的拖延部分即源于 nuclear-grade 部件制造与质量验证的瓶颈。模块化（SMR）理想的前提，是存在健壮的工厂制造与质控体系，而这一体系需要时间重建。

其二，HALEU 燃料瓶颈。 多数先进堆（如 X-energy 的 Xe-100 高温气冷堆、TerraPower 的 Natrium 钠冷快堆）需要 HALEU（铀-235 丰度 5%—20%），而美国本土 HALEU 商业化供应链几乎空白，长期依赖俄罗斯等国。IRA 的 7 亿美元与 DOE 的 HALEU 示范计划意在填补缺口，但建设 enrichment—fuel fabrication 能力需数年 [R19]。这解释了为何 Prometheus 将"AI 融入核燃料制造（如 TRISO-X）"列为关键工作包 [R7]——燃料端的卡脖子，是部署周期不可忽视的环节。从量化角度看，一座典型 SMR/先进堆的燃料制造涉及数百道质控工序，TRISO 颗粒包覆更是要求近乎零缺陷；传统人工质检与试错式工艺开发周期以年计，而 AI 辅助的工艺参数优化、缺陷检测与数字孪生制造，有望将燃料线爬坡时间显著压缩——这恰是 Prometheus 投入"核燃料制造 AI 化"的现实动机。

其三，人才断层。 美国核工程人才在 1980—2010 年代经历严重萎缩：大学核工专业招生与毕业人数随产业低谷而下降，资深工程师陆续退休，新一代供给不足。国家科学院报告强调，先进堆的部署需要跨学科（核工、材料、数字系统、AI）人才，而这类复合型人才尤为稀缺 [R24]。人才断层使"边设计边施工"更容易出错，也延长了许可审评中的人力瓶颈。据行业估算，培养一名能独立承担反应堆安全分析或许可申报的资深工程师需 10 年以上，而产业低谷期造成的人才"断档"难以在短期内补回；当 2020 年代先进堆创业公司集中涌现时，人才争夺进一步推高了人力成本与项目排期。

这三个短板共同说明：成本与周期问题不只是"管理不善"，更是工业基础能力的退化。AI 与自动化若要在其中发挥作用，必须同时作用于设计、制造、燃料与许可全链条——这也正是 Prometheus 跨实验室、跨企业联盟的设计逻辑所在。需要强调的是，供应链、燃料与人才三者互相强化：人才流失削弱供应链能力，供应链薄弱抬高成本、拉长周期，长周期又进一步削弱行业对人才的吸引力，形成负反馈。打破这一循环，需要的不只是单点技术突破，而是制度（IRA/ADVANCE Act）、资本（成本分摊与补贴）与工具（AI 加速）的协同——这正是 Genesis Mission 与 Prometheus 试图提供的组合解。

2.8 小结：为何"部署周期与成本"成为核心痛点

将以上历史脉络收束，可以得出一个清晰的诊断：

技术起点高昂但曾具竞争力：曼哈顿计划与"原子能和平利用"赋予美国核能力量的战略基因，黄金年代证明核电在标准化条件下可具经济性 [R18]。
事故重塑了监管与公众预期：三次重大事故（1979/1986/2011）使许可趋严、接受度脆弱，部署环境根本性改变 [R20][R33][R34]。
成本与工期系统性失控：Lovering 等证明美国存在核电"反学习曲线" [R30]，Eash-Gates 等证明超支主因是设计—施工脱节与返工 [R35]；Vogtle 超支至 350 亿美元、V.C. Summer 弃建 90 亿美元，是这一失控的极端写照 [R26]。
两轮复兴均受挫：2000 年代复兴被页岩气、需求停滞与成本阴影"三杀"落空 [R26]。
政策开始转向但能力欠账仍在：IRA 与 ADVANCE Act 把"加速部署、降本"写入法律 [R17][R19]，但供应链、HALEU、人才三大断层尚未补齐 [R24]。

由此，"部署周期与成本"不再只是工程效率问题，而是决定美国核电能否在 AI 与数据中心电力需求爆发时代重新崛起的战略瓶颈 [R22][R23]。当 AI 基础设施本身成为新的、快速增长的电力负荷（据 IEA 与 EPRI 对 AI 与数据中心能耗的研究 [R22][R23]），而核电又是少数可提供 7×24 零碳基荷的选项时，谁能把"数十年、数百亿美元"的部署周期与成本压下来，谁就掌握了未来能源与算力的主动权。

将美国核电八十余年的兴衰浓缩为一条主线，可以发现其命运始终在"战略雄心"与"工程现实"之间摇摆：曼哈顿计划与原子能和平利用赋予其国家战略基因；黄金年代证明标准化下的经济性；三次事故把安全与监管推到前台，却也系统性抬高了成本与周期；成本失控与两轮复兴落空暴露了工业基础与制度激励的结构性脆弱；IRA 与 ADVANCE Act 试图用政策杠杆把周期与成本重新压下来 [R17][R18][R19][R20][R24][R25][R26][R30][R35]。这条主线的每一段，都在反复确认同一个结论——对美国核电而言，真正的瓶颈从来不是"能不能造出安全的反应堆"，而是"能不能以可接受的成本和周期造出来并复制"。

这正是 Genesis Mission 与 Prometheus 项目的历史坐标：它们并非凭空构想，而是对美国八十余年核能兴衰经验的制度性回应——用 AI 重构设计、许可、制造、燃料与运行的全生命周期，目标直指那个困扰美国核电最深的痛点：把部署周期和成本砍掉一半 [R7]。下一章起，本报告将转向驱动这一回应的另一端力量——AI for Science 国家战略与 Genesis Mission 的出台逻辑，并在第 5、6 章回到技术层面，检验 AI 究竟能否真正撬动本章所刻画的"成本—周期"顽疾。

第3章从布什范式到"创世纪"：美国国家AI战略与AI for Science的演进

3.1 引言

美国能源部（DOE）于2025年11月24日由特朗普总统签署行政令启动的"创世纪计划"（Genesis Mission），表面上是一次针对人工智能（AI）加速科学发现的专项科技部署，实质却处在美国战后科研体制演进的一条长弧线的终端：这条弧线始于1945年范内瓦·布什（Vannevar Bush）的《科学：无尽的前沿》（Science: The Endless Frontier），经曼哈顿计划所催生的国家实验室体系、冷战时期的大科学工程、21世纪初的E级超算布局，一路延伸至今日"AI for Science"（科学智能）范式与"科学风险投资化"的政策转向。要理解Genesis Mission为何以"曼哈顿计划"自况、为何将主导权赋予DOE、为何以"十年内使科研产出翻倍"为量化目标，就必须先理解这套体制的传统、算力基础与范式变迁。

本章的任务，是为后续对Genesis Mission与Prometheus项目的制度与技术解剖提供"史前史"与"政策语境"。全文依次论述：（1）布什范式与美国联邦科研体制的形成；（2）DOE国家实验室体系与E级计算（Frontier、Aurora、El Capitan）的算力布局；（3）AI for Science范式的兴起及其方法论内核；（4）特朗普政府AI政策的整体脉络（2025年"AI行动计划"与系列行政令）；（5）Genesis Mission行政令（EO 14363）的出台过程与文本要点解析；（6）"曼哈顿计划/阿波罗计划"类比背后的政治叙事；（7）OSTP《科学：一个新的黄金时代》报告与科研体制重构争议（此处仅作铺垫，详细争议留待第8章）。

3.2 美国联邦科研体制传统与"布什范式"

3.2.1 布什报告与线性模型

1944年11月，罗斯福总统致信时任科学研究与发展办公室（OSRD）主任范内瓦·布什，提出四个核心问题：战后如何维护战时蓬勃的科技势头？联邦政府应在科学中扮演何种角色？如何培养青年科学人才？科学如何服务国民健康与经济？布什于1945年7月提交的报告《科学：无尽的前沿》对此的回答，奠定了此后八十年美国科技政策的基石[R66]。

布什报告的核心命题可概括为"线性模型"（linear model）：基础研究（S）产生新知识，新知识经由应用研究（A）转化为技术，最终通过开发（D）形成产业与国防能力，即 S \rightarrow A \rightarrow D。在这一框架下，布什主张联邦政府应承担"支持基础研究"的责任，因为基础研究的回报具有公共品属性、溢出周期长，私人部门天然投资不足。报告还就具体领域给出建议：加强医学研究（推动后来国立卫生研究院NIH的壮大）、以海军研究办公室等模式支持军事相关科学、并建议设立总统科学顾问制度以衔接科学与国策。报告最著名的论断是"我们无法预见何处的纯科学研究可能产生最丰硕的应用成果，因此必须对科学前沿整体下注"——这一"广撒网"哲学正是此后同行评议、分散式资助的逻辑根源，也是2026年报告所批评的"共识式同行评议"的直接起点[R66]。

报告直接催生了国家科学基金会（NSF，1950年成立），并强化了联邦通过资助大学与实验室来"购买"科学发现合约的治理逻辑。

这一范式有三项制度遗产值得在本文框架中强调：第一，联邦科研以"任务导向型机构"（mission agencies）为骨架——除NSF外，国防部（DARPA/ONR）、卫生部（NIH）、能源部（及其前身原子能委员会AEC）各自围绕国家战略任务组织研究；第二，大学是基础研究的主场，联邦以竞争性同行评议（peer review）分配经费；第三，科研成果的"转化"被默认交给产业界，政府不深度介入商业化。

3.2.2 从曼哈顿计划到DOE：任务型科研的国家实验室血脉

美国的国家实验室体系并非布什设计的产物，而是曼哈顿计划的制度遗赠。二战期间，为抢在德国之前造出原子弹，美国以军事化动员方式在洛斯阿拉莫斯、橡树岭、芝加哥等地建立了一批由国家主导、大学托管运营的实验室。战后，1946年《原子能法》设立原子能委员会（AEC），将这些设施纳入民用与国防双重管理；1977年能源部成立后，AEC的实验室多数转入DOE体系。今天DOE下辖17个国家实验室（如橡树岭ORNL、阿贡ANL、劳伦斯利弗莫尔LLNL、爱达荷INL、桑迪亚SNL等），成为美国"大科学"独具特色的载体：它们既是联邦资产，又多由大学或非营利联合体运营，兼具任务导向与学科纵深。

值得注意的是，EO 14363在开篇即把Genesis Mission类比为曼哈顿计划（见3.6节），并非修辞偶然——它在制度谱系上正是要召唤这套"任务型国家实验室动员"的传统，以对抗布什范式下被认为已"失灵"的分散式、同行评议式科研[R2]。这一点在2026年7月OSTP的《科学：一个新的黄金时代》报告中被进一步理论化（见3.8节）[R4]。

3.2.3 "布什范式"的当代张力

布什范式在数十年运行中积累了三重张力，成为特朗普政府重构科研体制的口实：其一，科学生产率增速放缓——Kratsios在Genesis Mission发布时称"自1990年代以来，美国科学优势面临日益严峻的挑战，新药审批趋于停滞、所需研究人员却在增多"[R1]，暗示投入产出比恶化；其二，科研资源向少数老牌机构集中，新进者难以突围；其三，同行评议被批评为"维护既有共识"、抑制高风险创新。这些批评将在第8章系统展开，本章先给出体制层面的背景。

3.2.4 布什范式的制度惯性与批评谱系

布什范式并非静止教条，而是在后续立法中不断被加固。1980年《拜杜法案》（Bayh–Dole Act）允许大学保留联邦资助产出的专利，进一步把"联邦投基础研究—大学出论文与专利—企业做转化"的链条制度化，使得美国形成了以大学技术转移办公室（TTO）为核心的创新中介层。这一安排在1980—2010年间被视为全球典范，催生了波士顿、硅谷、奥斯汀等以研究型大学为枢纽的创新集群。

然而，对线性模型的批评自2010年代起积累成谱系。其一是"生产率悖论"：尽管联邦研发支出绝对值持续增长，但单位投入的突破性产出（以重要论文占比、新药原创性、技术就绪度跃迁衡量）被指递减；Kratsios在Genesis Mission吹风会上所引"自1990年代以来新药审批停滞、所需研究人员增多"即这一论点的政策表述[R1]。其二是"集中度悖论"：同行评议倾向于奖励稳妥、渐进、来自知名机构的研究，使资源向少数老牌大学与实验室聚拢，新进入者与高风险构想难以获资助。其三是"转化断层"：基础研究到产业应用之间缺乏中间组织，许多联邦资助成果停留在论文阶段，未能回流为制造能力与产业竞争力——这正是《科学：一个新黄金时代》报告强调"重建创新链、把美国发明在美国制造"的动因[R4]。三者共同构成了特朗普政府以"任务导向+组合投资"重构体制的论据基础，也为第8章的争议埋下伏笔。

3.3 DOE国家实验室体系与E级计算布局

3.3.1 为何算力是"科学主权"的基础设施

AI for Science的崛起使高性能计算（HPC）从"科研工具"升级为"科学主权"的战略基础设施。训练科学基础模型、运行多物理场代理模型、支撑数字孪生，均依赖E级（每秒 10^{18} 次浮点运算）算力。DOE凭借其国家实验室体系，长期是美国超算能力的核心持有者，并通过"Exascale Computing Project"（ECP）布局三代E级机。

3.3.2 三大E级机：Frontier、Aurora、El Capitan

系统	所在实验室	架构要点	峰值性能（约）	启用/登顶时间	与AI的关联
Frontier	橡树岭国家实验室（ORNL）	AMD EPYC + AMD Instinct MI250X GPU	~1.1–1.2 EFlop/s（HPL）	2022年（全球首台公开认证的E级机）	首批面向科学AI负载优化的E级GPU集群
Aurora	阿贡国家实验室（ANL）	Intel Xeon Max + Intel GPU（Ponte Vecchio）	~1.0 EFlop/s（HPL），AI算力更高	2023年交付、2024年全面运行	面向生成式AI与科学基础模型（如Aurora天气预报基础模型）
El Capitan	劳伦斯利弗莫尔国家实验室（LLNL）	AMD EPYC + AMD Instinct MI300A APU	~1.7–2.0 EFlop/s（HPL）	2024年（登顶TOP500）	核武器库存安全模拟 + AI/ML混合负载

这三大系统构成Genesis Mission的"算力底座"：EO 14363第3条明确要求能源部长在90天内清点可用于任务的联邦算力、存储与网络资源，包括DOE本地与云端HPC系统，以及产业伙伴资源[R2]。换言之，Genesis Mission并非从零新建超算，而是将既有E级机与新建AI云以"统一安全平台"方式整合——这正是ASSP（American Science and Security Platform）设计意图之一。

3.3.2a 谁掌握超算：DOE而非NSF的战略分工

值得注意的是，美国超算能力的重心在DOE而非NSF。原因在于：E级机的建设、运维与能源成本极高（单台系统功耗常达20–30兆瓦），只有背负国家安全任务的DOE实验室具备持续投入能力；而NSF资助的"计算与信息基础设施"（如XSEDE及后续的ACCESS）面向学界开放共享，规模与单点算力远低于国家实验室专有的旗舰机。这种"DOE掌旗舰算力、NSF掌共享算力"的分工，使DOE在AI for Science时代天然成为平台主导者——EO 14363把ASSP交由能源部长运营，正是这一分工的制度化确认[R2]。

"Exascale Computing Project"（ECP，2016—2023）是三大E级机的共同母体：它由国家核安全局（NNSA）与传统DOE科学办公室（SC）联合资助，目标是在保持核武器库存安全模拟能力的同时，为材料、能源、生物等民用科学提供E级算力。ECP的"双用途"基因，恰与Genesis Mission"科研+国家安全"的双重使命同构。此外，国家实验室还有面向AI的专用系统（如NERSC的Perlmutter、OLCF的后续AI集群），以及通过云端弹性扩展的混合路径——EO 14363第3条要求清点的"云端AI计算环境"即为此预留接口[R2]。

3.3.3 从"计算模拟"到"AI原生"的转折

传统上，国家实验室以HPC做高保真物理模拟（如核临界、流体、材料）。AI for Science的转折在于：用神经网络替代或加速昂贵求解器。物理信息神经网络（PINN）将控制方程以残差项嵌入损失函数，使数据稀疏条件下的反问题求解成为可能[R29]；数字孪生技术则把实时传感、仿真与ML预测耦合，用于核系统预测性维护[R51]。这些方法论（详见3.4节）决定了E级机的采购从"纯HPC"转向"HPC+AI加速器"混合架构——El Capitan的APU设计与Aurora的GPU阵列即是例证。

更宽泛地说，AI for Science推动超算进入"AI工厂"（AI factory）时代：算力不再仅为少数大型仿真任务服务，而要高频支撑"训练—推理—再训练"的迭代负载。这对系统提出了与科学仿真不同的需求——更高的内存带宽、更密的互联、更灵活的批处理。DOE在三大E级机之外，亦通过NERSC（劳伦斯伯克利国家实验室）等面向学界开放AI优化系统（如Perlmutter），形成"专用旗舰+共享AI"的梯度供给。值得指出的是，这类系统的巨量功耗（单台数十兆瓦）反过来强化了"以核能供AI"的政策动机——Genesis Mission把先进核能列为首要挑战，算力需求是底层推手之一[R22][R23]。这也解释了为何"AI基础设施"与"能源基础设施"在特朗普第二任期被合并治理：数据中心要电，核电站要负荷，二者通过AI与核能的"良性循环"叙事被绑定为同一国家战略（第7章专论）。

3.4 AI for Science范式的兴起

3.4.1 范式定义与里程碑

"AI for Science"（科学智能）指以机器学习——尤其是深度学习与基础模型——作为科学发现的核心引擎，覆盖从假设生成、实验设计、数据分析到仿真加速的全流程。其标志性突破是DeepMind的AlphaFold：2021年Jumper等人发表的AlphaFold2以原子级精度预测蛋白质结构，解决了生物学半个世纪的难题[R28]。这一成就的范式意义不在于"又一个AI应用"，而在于它证明：当高质量科学数据 + 恰当架构 + 充足算力结合时，AI可超越传统经验力场与穷举方法，直接逼近第一性原理的精度。

2023年，Wang等人（含图灵奖得主候选人等团队）在《自然》发表题为《Scientific discovery in the age of artificial intelligence》的综述，系统归纳了AI for Science在生命科学、材料、物理、化学各领域的渗透，并给出方法论图谱[R27]。该文成为后续政策论述（包括本报告引用的美国官方文件）反复援引的"学术合法性"来源。

需要强调的是，AlphaFold的意义超出生物学本身：它首次向政策制定者直观展示了"数据规模+架构创新+算力"三者耦合可实现对第一性原理级精度的逼近，从而把"AI能否从事实质性科学发现"从哲学争论变为工程事实。Wang等综述进一步梳理了AI for Science的方法论谱系——从早期的"AI辅助数据分析"（如用卷积网络看显微镜图像），到"AI替代仿真"（如用图网络预测分子性质），再到"AI生成假设"（如用生成模型设计新蛋白、新催化材料）。这一演进路径与ENO 14363所设想的"假设—实验—分析"智能体闭环在逻辑上完全对应：综述提供学术图谱，行政令提供制度载体[R27][R28]。

3.4.2 科学基础模型与代理式科研

AI for Science在2023–2025年进一步演化为两条主线：

科学基础模型（Scientific Foundation Models）。 与通用大语言模型不同，科学基础模型在海量多模态科学数据（序列、结构、光谱、相场、仿真轨迹）上预训练，可迁移到下游任务。例如气象、材料、聚变等离子体、蛋白质-配体相互作用等领域均出现专用基础模型。EO 14363第3条明确将"跨科学领域的领域专用基础模型（domain-specific foundation models）"列为ASSP的构成要素[R2]，表明政策语言已与学术前沿同频。

代理式科研（Agentic Science）。 如果说AlphaFold是"单点突破"，代理式科研则是"闭环自动化"：AI智能体（agent）能自主提出假设、设计实验、调用仪器、读取结果、迭代修正。EO 14363将"创建AI智能体以测试新假设、自动化研究工作流、加速科学突破"列为Mission目标[R2]，并把"自主与AI增强的实验与制造工具"纳入ASSP[R2]。这预示科研组织形态从"人主导、机器辅助"向"人-机协同、人在回路（human-in-the-loop）"的范式迁移——而human-in-the-loop正是后续Prometheus项目反复强调的安全前提（见第5、6章）。

3.4.2a 超越生物：AI for Science的跨领域版图

AI for Science的价值并不局限于生命科学。在材料发现领域，图神经网络（GNN）与生成式模型被用于预测晶体结构稳定性、筛选数百万候选材料，将传统"试错+高通量实验"的周期压缩数个数量级；在聚变能领域，ML被用于等离子体湍流控制、第一壁材料损伤预测与托卡马克放电实时调节；在气候与地球系统科学中，神经-天气/气候模型以远低于传统模式的计算成本给出高分辨率预报。这些案例共同指向一个判断：当某一学科积累了足量、结构化、带物理标签的数据，AI便能成为该学科的"通用加速剂"。

更激进的设想是"AI科学家"（AI Scientist）——由智能体自主完成"提出假设→设计实验→执行→分析→再假设"的完整循环，人类仅在关键节点把关。这一设想与EO 14363对"AI智能体自动化研究工作流"的期许高度吻合[R2]，也预示科研机构组织形态的根本变化：从"以人为节点、机器为工具"的实验室，转向"以平台为底座、人-机协同"的AI原生机构。2026年OSTP报告明确把"向AI原生科研机构转型"列为政策目标之一[R4]，表明这已不是学术畅想，而是被写入国家战略的表述。

3.4.3 与核能领域的天然亲和

AI for Science与核能具有特殊亲和性：核系统设计涉及中子学、热工水力、燃料、材料、裂变产物等多物理场耦合，传统高保真仿真极其昂贵；而ML代理模型可在毫秒级给出近似解，使"设计空间探索"（design space exploration）从数月压缩到小时级。这恰是Genesis Mission将"先进核能、聚变与电网现代化"列为三大国家挑战之首的逻辑起点（见3.6节）。国家科学院曾系统论证新一代先进堆在美国落地所需的制度与工程前提[R24]，而AI for Science恰可补上其中"设计-许可-制造"链条的效率短板。同时，核领域的强监管、强安全文化又对AI的可解释性与验证确认（V&V）提出严苛要求，构成后文争议的核心（第8章）。

3.5 特朗普政府AI政策脉络

3.5.1 去监管化的起点：EO 14179

特朗普第二任期伊始即对AI政策作出"变轨"。2025年1月20日，其签署EO 14148撤销拜登政府的EO 14110（《安全、可靠、可信赖的AI开发与使用》）；1月23日签署EO 14179《消除美国AI领导地位的障碍》，要求在180天内制定"AI行动计划"，并明确"美国政策是维持并增强全球AI主导地位"[R68]。这一转向被普遍解读为从"安全优先、风险预防"转向"速度优先、去监管化"[R69]。

3.5.2 2025年7月："AI行动计划"与三道配套行政令

2025年7月23日，白宫在"赢得AI竞赛"（Winning the Race）活动上发布《赢得竞赛：美国的人工智能行动计划》（Winning the Race: America's AI Action Plan）[R67]。该计划围绕三大支柱展开：

支柱一：加速AI创新（Accelerate AI Innovation）——移除私营部门监管壁垒，支持开源与开放权重模型，推动联邦政府AI应用，构建世界级科学数据集，并明确"投资AI驱动的科学研究"。Genesis Mission正是这一条在科研侧的落地。
支柱二：建设美国AI基础设施（Build American AI Infrastructure）——以"Build, Baby, Build"为口号，简化数据中心、半导体制造与能源设施（含核能、地热）的许可流程，建设高安全数据中心，恢复半导体制造竞争力。该支柱直接呼应了AI的能源悖论（见3.8及第8章）[R22][R23][R31]。
支柱三：领导国际AI外交与安全（Lead in International AI Diplomacy and Security）——向盟友输出"美国AI技术栈"（模型+硬件+软件），收紧先进计算芯片出口管制以阻止战略对手获取[R23]。

同日，特朗普签署三道配套行政令：EO 14318（加速数据中心基础设施的联邦许可）、EO 14319（"防止联邦政府中的觉醒AI"，规定联邦采购的大语言模型须"意识形态中立"）、EO 14320（促进美国AI技术栈出口）[R69]。三者共同构成"国内松绑、对外封锁"的组合拳。

3.5.2a 算力—能源复合体与"星际之门"

AI行动计划与Genesis Mission共享一个底层判断：AI领导权取决于算力与能源的复合供给。2025年1月，特朗普就任后不久即宣布"星际之门"（Stargate）计划，拟在四年内投入最高5000亿美元，建设涵盖数据中心集群、能源扩容与半导体制造能力的一体化AI基础设施网络[R69]。这一私营主导、政府开绿灯的安排，与行政令系列中"简化数据中心与能源设施许可"（EO 14318）形成闭环：政府以"战时速度"为算力扩张扫清审批障碍，包括依据《国防生产法》提振核能产业，以核电满足数据中心的巨量且稳定的电力需求[R69]。

能源悖论在此初现端倪：训练与运行大模型本身是高耗电活动。研究表明AI的能源足迹随模型规模与部署量快速扩张[R31]，而IEA则指出AI与数据中心将成为未来电力需求增长的关键增量[R23]，EPRI的测算进一步量化了数据中心负荷的上升曲线[R22]。这正是Genesis Mission把"先进核能"置于三大挑战之首的现实诱因——既要"AI加速核能"，又要"核能驱动AI"，构建所谓良性循环（详见第7章）。这一逻辑使能源政策与AI政策在特朗普第二任期高度耦合，也埋下第8章将展开的"AI耗电 vs AI省电"之争。

3.5.3 人才与组织：Kratsios、Sacks与"战时思维"

特朗普从科技界引入关键人物：任命Scale AI前高管Michael Kratsios为OSTP主任、贝宝前COO兼风投家David Sacks为AI与加密货币事务负责人，二人正是AI行动计划的主要策划者[R69]。政策研究将其导向概括为鲜明的"战时思维"——以效率优先、加速技术赋能，使AI全面服务于"确保美国军事与战略优势"的国家目标[R69]。Genesis Mission文本中"与曼哈顿计划可比的历史性国家努力"表述，正是这一思维的产物（见3.6、3.7节）。

3.5.4 与拜登政府AI路线的对照

把Genesis Mission放回两届政府的AI政策光谱，其转向更清晰。拜登政府2023年的AI行政令（EO 14110）以"安全、可靠、可信"为基调，强调风险缓解、行业披露义务与算法歧视防范；其科研侧更倚重NSF牵头的"国家AI研究院"（NAIRR）等分布式、开放共享模式。特朗普第二任期则以EO 14179废除14110，把政策重心从"防范风险"转向"赢得竞赛"，并以"去监管、重基建、抢标准"三轴重构[R68][R69]。这种转向并非否定AI价值，而是重新定义"安全"——将战略竞争失败本身视为最大安全风险，因而宁可以速度换取主动权。Genesis Mission正是这一哲学在科研侧的最完整表达：它不回避AI风险，却把"通过AI赢得大国竞争"置于首位，并以国家实验室的集中动员替代大学主导的开放共享。这一对照，是理解后续所有治理设计与争议的坐标系。

3.6 Genesis Mission行政令（EO 14363）出台过程与文本要点

3.6.1 出台过程：从计划到行政令

Genesis Mission并非孤立事件，而是AI行动计划"投资AI驱动的科学研究"一脉的政策兑现。其时间线如下（亦见本章末时间线表）：

2025-07：AI行动计划发布，提出以AI加速科学；
2025-11-24：特朗普签署EO 14363《启动创世纪计划》，由DOE主导、OSTP主任Kratsios监督、Under Secretary for Science为Darío Gil；
2025-11-28：行政令在《联邦公报》正式刊发[R2]；
2026-02：DOE正式启动并发布26项国家科技挑战（后扩至33项）；
2026-03：发布首轮资助机会（RFA），设Phase I/II两档，收超5000份申请，为DOE史上响应最大的资助机会；
2026-07-21/22：OSTP发布《科学：一个新的黄金时代》报告；7月22日华盛顿Genesis Mission Summit宣布选定278个项目，白宫宣布联邦承诺投入超50亿美元[R3][R4]。

白宫配套事实清单（Fact Sheet）将Mission概括为"以AI加速科学发现"，并明确三大聚焦方向：①利用AI加速先进核能、聚变与电网现代化，提供经济、可靠、安全的能源；②建设量子生态系统；③为国家安全任务开发先进AI、保障核库存安全、加速防务材料开发[R1]。

3.6.2 文本要点解析（依据govinfo公布的EO 14363全文）

第1条目的（Purpose）。 开篇将美国置于"AI全球技术主导权竞赛"之中，并历史性地将Mission类比为"对二战胜利具有关键作用的曼哈顿计划"，称其为DOE及其国家实验室体系建立的关键基础[R2]。此段同时定义Mission要建设的"集成AI平台"：整合联邦科学数据集（"世界最大此类数据集"）、训练科学基础模型、创建AI智能体以"测试新假设、自动化研究工作流、加速科学突破"[R2]。

第2条创世纪计划的设立（Establishment）。 设立Genesis Mission为国家努力，由能源部长（Chris Wright）在DOE内实施；部长可指定一名高级政治任命官负责日常运营。助理总统科学顾问（APST，即OSTP主任）通过国家科学与技术委员会（NSTC）提供总体领导并协调各参与机构[R2]。这一治理设计将"任务执行"（DOE）与"战略协调"（OSTP/NSTC）分离，体现曼哈顿式"集中统一指挥"的意图。

第3条美国科学与安全平台（ASSP）的运营。 这是全令技术核心。部长须建立并运营ASSP，以集成方式提供：①HPC资源（含国家实验室超算与安全云端AI环境），支撑大规模训练、仿真与推理；②AI建模与分析框架（含探索设计空间、评估实验结果、自动化工作流的智能体）；③计算工具（AI预测模型、仿真模型、设计优化工具）；④领域专用基础模型；⑤对各数据集（专有、联邦策管、开放及合成数据）的安全访问，并遵循分类、隐私与知识产权保护；⑥实验与生产工具，实现自主与AI增强的实验和制造[R2]。安全要求明确包含分类、供应链安全与联邦网络安全标准。时间节点：90天内清点算力资源，120天内确定初始数据/模型资产并制定纳入更多数据集的计划，240天内评估机器人实验室能力，270天内就至少一个国家挑战演示平台初始运行能力[R2]。

第4条国家科技挑战的识别。 要求能源部长在60天内提交"至少20项"国家重要科技挑战清单，覆盖生物科技、核能、半导体等领域[R2]。这即后续26→33项挑战的授权来源；核能位列其首，为Prometheus项目奠定赛道。

第5条跨部门协调与外部参与。 建立政府与各企业、大学协作、共享数据、共同资助的机制[R2]。

第6条评估与报告。 能源部长须每年向总统提交进展报告，含研究产出与用户参与度[R2]。

综合来看，EO 14363是一份兼具"宏大叙事"与"操作清单"的文本：叙事层用曼哈顿类比赋予紧迫感，操作层则用90/120/240/270天与年度报告的硬性节点，把"AI平台"从口号落成可考核的政府工程。

3.6.3 治理角色小结

角色	主体	职责（据EO 14363）
执行主导	能源部长（Chris Wright）	在DOE内实施Mission，建立并运营ASSP
日常运营	高级政治任命官（指定）	负责Mission日常运转
总体领导/协调	助理总统科学顾问（Kratsios）/ NSTC	通过NSTC协调各机构，确保对齐国家目标
科学事务	Under Secretary for Science（Darío Gil）	科学层统筹
资金与项目	DOE（RFA、Phase I/II）	发布挑战、受理申请、选定资助

3.6.4 平台运行机制：闭环实验平台的设想

EO 14363与白宫事实清单将ASSP描述为"闭环AI实验平台"（closed-loop AI experimentation platform）[R1][R2]。其理想运行回路为：联邦策管数据集经数字化、标准化与元数据标注后进入平台；科学基础模型在此训练，生成对材料、结构或工况的预测；AI智能体基于预测提出候选假设与设计；指令下达至机器人实验室或高保真仿真，由自主/半自主装置执行实验或计算；实验结果回灌平台，修正模型并进入下一轮迭代。人类科学家在关键决策节点（如实验批准、安全阈值、结论采信）把关，即"人在回路"（human-in-the-loop）——这一安全原则在核领域尤为关键，并在Prometheus项目中被反复强调（第5、6章）。

该回路的现实约束在于：其一，联邦数据集长期分散于各机构、格式不一、标注缺失，EO 14363要求120天内制定数据/模型资产计划即直面此痛点[R2]；其二，机器人实验室与自主制造能力并非均匀分布于各实验室，240天的机器人实验室能力评估正是为此摸底[R2]；其三，算力、数据、模型、实验设施须满足分类与供应链安全要求，使"统一平台"在技术上可行、在组织上高度敏感。因此，ASSP更像一种"联邦式集成"而非"单一集中系统"——各国家实验室保留自有算力与设施，平台层负责编排与互操作。

3.7 "曼哈顿计划/阿波罗计划"类比的政治叙事分析

3.7.1 类比的双重编码

Genesis Mission官方叙事交替使用两个历史隐喻：EO 14363正文用曼哈顿计划，白皮书与媒体吹风则常比之于阿波罗计划[R1][R2]。二者编码不同侧面的合法性：

曼哈顿计划编码"国家安全紧急状态"与"国家实验室动员"。它暗示对手（在AI行动计划中明确指向战略竞争者）构成生存性威胁，须以战时体制集中资源。其叙事功能是把DOE国家实验室从"科研服务商"重新定位为"国家战略执行者"。
阿波罗计划编码"技术凯歌"与"国家荣耀"。它规避曼哈顿的毁灭性联想，强调"把人送上月球"式的正向动员，并隐含"政府可设定并达成宏大技术目标"的进步主义基调。

3.7.2 叙事的策略效用与内在张力

此类类比的政治效用在于：将一笔常态化的科研预算包装为"国家生存竞赛"的紧要投资，从而绕开常规拨款拉锯、获得跨党共识空间，并为"政府指定国家目标"提供历史正当性。然而其内在张力明显：曼哈顿计划是保密、军事、单一目标（原子弹）的工程；阿波罗是举国财政灌注的载人航天；而Genesis Mission面对的是开放、分散、长周期的基础科学，其"产出翻倍"目标难以像"造出原子弹"那样被清晰验收。批评者（如第8章将详述的前OSTP主任Prabhakar等）正据此质疑：以"战时动员"框架组织科学，可能牺牲科学所需的自由探索与冗余容错[R3]。

3.7.3 类比的历史准确性与方法论风险

从科学政策方法论看，曼哈顿/阿波罗类比存在三重失真。第一，目标可验收性失真：曼哈顿以"造出可投下的原子弹"为二元验收，阿波罗以"载人登月并返航"为硬指标；而Genesis Mission的"科研产出翻倍"是相对、滞后且难归因的指标——究竟多少增量来自AI、多少来自其他因素，难以在年度报告中干净剥离。第二，知识生产性质失真：战时工程是目标明确、路径相对清晰的"从1到N"，而基础科学大量是"从0到1"的未知探索，后者的进度无法靠增加投入线性加速，反而依赖自由探索与失败容错。第三，开放性与安全性的张力：曼哈顿是绝密工程，而科学发现的价值依赖开放交流与可复现；EO 14363虽强调"开放与专有数据集的安全访问"，但其"分类、供应链安全、网络安全"框架仍暗示某种程度的安全化收紧[R2]，与开放科学传统存在潜在摩擦（第8章详述）。

正因如此，类比是"动员修辞"而非"政策模型"。它的真正功能在于：在预算审议与公众沟通中，把一笔科研投资叙述为"国运竞赛的紧要关头"，从而争取跨党派对集中式、任务导向科研的政治背书。理解这一点，是理解Genesis Mission后续所有治理设计与争议的前提。

3.8 OSTP《科学：一个新的黄金时代》报告与科研体制重构争议（铺垫）

3.8.1 报告定位与四大支柱

2026年7月21日，OSTP主任Kratsios向特朗普提交《科学：一个新的黄金时代》（Science: A New Golden Age）报告，报告于7月22日公开发布[R4]。该报告长达123页，明确"自1945年布什《科学：无尽的前沿》以来，对美国科技事业最全面的重新思考"，并刻意呼应布什报告——但在结论上宣告布什的"线性模型"已经过时[R4]。报告围绕四大支柱组织建议：

振兴美国科技事业：科研支持从" Legacy institutions（老牌机构）"转向个体科学家；资助机制超越缓慢的共识式同行评议；创建敏捷的新型研究组织（X-Labs）与扩展ARPA式实体；设立元科学（metascience）单元。
确保关键与新兴技术主导权：优先国家任务导向的科研倡议，列举Genesis Mission（以AI令美国科研生产率十年翻倍）、QC-ADDS量子计算机、2030年代中期商用聚变示范、载人登月与月球基地、下一代半导体。
开启由AI for Science驱动的新黄金时代：全额资助并扩缩Genesis Mission为旗舰国家科学智能倡议；发展领域专用科学基础模型与高价值数据集；投资AI赋能的验证基础设施与自主实验室；向"AI原生"科研机构转型。
让科技惠及全体美国人：将实操培训与学徒制纳入STEM教育；建设联结科研与先进制造的密集区域创新集群。

3.8.2 与布什范式的断裂

报告的激进之处在于：它不再把"政府资助、大学自主"视为天经地义，而主张"政府确定公共资金支持的国家目标，科学家在目标下保留设计执行的自由"[R4]。这实质上用"任务导向+组合投资"替代"分散式同行评议"，被支持者称为"科学风险投资化"——即政府像风险投资人一样下注于目标明确的项目组合，而非广泛撒网于研究者提案。

3.8.3 预算削减背景与争议的伏笔

这一体制重构的争议性，在预算语境下被急剧放大。与"黄金时代"叙事同时发生的，是联邦科研预算的紧缩：据国会研究处（CRS）测算，特朗普政府2026财年研发预算约1814亿美元，较上年减少约6%，五大科研部门中仅国防研发增加；能源部科学账户申请削减约14%、能源相关研发申请削减约51%、ARPA-E申请下降约56.5%[R4]。同期，NSF被提案削减40%–50%、NIH约40%[R3]。

于是批评者指出根本矛盾：以"创世纪计划"50亿美元承诺为代表的"亮点工程"，与对NSF/NIH的系统性削减形成反差，被前OSTP主任Arati Prabhakar、CASC的Kathryn Kelley等人形容为"大伤口上的创可贴"（详见第8章）[R3]。报告试图以"在现有预算约束内重新排序"回应，但长期拨款、开放实验设施与科研验证网络仍须经预算、行政与国会程序，其可行性未定。

3.8.4 "科学风险投资化"：机制设计与未决疑问

报告提出的具体机制值得记录，因其将直接塑造后续资助形态。其一，X-Labs：仿DARPA/ARPA模式新建敏捷研究组织，以短周期、高自主、可终止的项目管理替代长周期机构拨款；其二，元科学单元（metascience units）：以数据与实验方法持续评估科研资助本身的效率，试图用"科学方法研究科学"；其三，"黄金票"（gold tickets）式快速通道：减少共识式委员会对创新项目的否决权，把更多裁量权交予项目官员。这些设计的支持者认为可打破同行评议的路径依赖、为冷门高风险项目开入口；批评者则担心：项目官员的判断失误、利益冲突或政治影响风险随之上升，而"政府定目标、科学家在目标内自由"的边界，在实践中可能滑向对研究议程的政治化定向[R4]。

国际反应亦构成伏笔。报告明确以"外国竞争者全政府式（all-of-society）科技方略"作为改革紧迫性的核心论据[R4]，这一定位与AI行动计划第三支柱的"对抗战略对手影响力"一脉相承[R67]，显示科技体制重构已被嵌入大国竞争叙事。对盟友，美国以"全套AI技术栈出口"争取标准主导；对对手，则以出口管制围堵。这种"对内松绑、对外封锁"的双向策略，将在第9章的国际比较与地缘章节中得到系统讨论。

本章在此仅作铺垫：布什范式的终结、AI for Science的崛起、Genesis Mission的设立、预算的收紧，四股力量将在第8章汇成关于"美国科研体制向何处去"的核心争议。

3.9 本章小结与承启

本章沿"体制—算力—范式—政策—行政令—争议"的链条，勾勒了Genesis Mission的历史与政策坐标：它既是布什范式松动后的体制实验，又建立在DOE三大E级机（Frontier、Aurora、El Capitan）的算力底座之上；既承接AlphaFold与AI for Science的学术浪潮，又被特朗普政府"去监管、重基建、抢标准"的AI战略所塑造。EO 14363以曼哈顿/阿波罗叙事赋予其紧迫性，ASSP以"集成平台"形式整合数据、算力、基础模型与智能体，而OSTP 2026年报告则试图把这套实验上升为战后美国科技体制的范式重构。

需要重申一条贯穿主线：Genesis Mission并非凭空出现的"AI新政"，而是布什范式松动、E级算力成熟、AI for Science方法论成型、以及大国竞争驱动的去监管化AI战略四方交汇的产物。这条主线决定了它的治理选择——以DOE而非NSF为主导、以任务导向而非同行评议为主线、以"科研产出翻倍"这一可量化目标为政治卖点。也正因如此，它天然携带一对内在张力：一方面高擎"曼哈顿式国家动员"的紧迫叙事，另一方面又必须在开放科学传统与强监管核安全文化之间寻找落点。

下一章（第4章）将转入Genesis Mission计划本身的全景：行政令的治理架构、ASSP技术构成、26→33项挑战清单、RFA的Phase I/II机制、278个入选项目的结构，以及50亿美元联邦承诺背后的拨款不确定性。Prometheus项目作为最大单笔Phase II资助，将在第5、6章得到技术与全生命周期的专门解剖。

本章时间线表

时间	事件	关键文件/主体
1942–1945	曼哈顿计划，催生国家实验室体系	美国陆军/OSRD
1945-07	《科学：无尽的前沿》提交	Vannevar Bush[R66]
1950	国家科学基金会（NSF）成立	美国国会
1977	能源部（DOE）成立，承接AEC实验室	美国国会
2021	AlphaFold2发表，蛋白质结构预测突破	Jumper et al.[R28]
2022	Frontier（ORNL）成为全球首台认证E级机	DOE/ORNL
2023	Wang et al. AI for Science综述发表；Aurora、El Capitan交付	Wang et al.[R27]；DOE
2025-01-20	撤销EO 14110（拜登AI令）	EO 14148
2025-01-23	EO 14179《消除美国AI领导地位的障碍》	白宫[R68]
2025-07-23	《赢得竞赛：美国AI行动计划》发布；EO 14318/14319/14320签署	白宫[R67][R69]
2025-11-24	EO 14363《启动创世纪计划》签署	白宫/DOE[R1][R2]
2025-11-28	EO 14363刊于《联邦公报》	联邦公报[R2]
2026-02	DOE启动Genesis Mission，发布26项挑战（后扩至33）	DOE[R6]
2026-03	首轮RFA发布，收超5000份申请	DOE
2026-07-21	OSTP提交《科学：一个新的黄金时代》报告	OSTP[R4]
2026-07-22	Genesis Mission Summit，选定278个项目，联邦承诺超50亿美元	白宫/OSTP[R3][R4]

第4章 "创世纪计划"全景：治理架构、挑战清单与项目布局

4.1 本章定位与分析方法

本章是整份报告承上启下的枢纽。第三章已交代"创世纪计划"（Genesis Mission）出台的政治叙事与战略背景；第五章、第六章将深入拆解其旗舰项目 Prometheus 的技术实现。本章的任务，是把 Genesis Mission 作为一个整体工程计划，呈现其"制度骨架"与"项目血肉"：一方面厘清行政令条文所确立的治理架构（谁决策、谁执行、谁监督），另一方面还原 American Science and Security Platform（美国科学与安全平台，简称 ASSP）的技术构成，并系统梳理从26项扩展到33项的国家科技挑战清单、RFA（资助机会公告）两档机制、以及最终入选的278个项目的结构特征。最后，本章将联邦承诺的50亿美元置于"subject to appropriations"（须经拨款）的法律现实之中，并将 Genesis Mission 与 DOE 既有计划（Exascale Computing Project、ASCR、GAIN、ARPA-E、NRIC）进行差异化比较，为后续章节奠定事实坐标。

本章严格以白宫行政令文本、DOE 与 OSTP 公告、国家实验室与行业发布的一手来源为核心依据 [R1][R2][R3][R5][R6]，并辅以核能与 AI for Science 领域的机构报告与学术文献作为逻辑支撑 [R19][R24][R25][R27][R51]。所有金额、日期、数量均遵循报告《核心事实基线》，不确定处明确标注估算或公开报道口径。

4.2 行政令条文结构与治理架构

4.2.1 行政令 14363 的文本要点

2025年11月24日，特朗普签署第14363号行政令《启动创世纪计划》（Launching the Genesis Mission），同期发布白宫事实说明（Fact Sheet），共同构成 Genesis Mission 的法律与政策起点 [R1][R2]。行政令将美国科研体制的"产出翻倍"设定为十年期国家目标，其政策工具并非新建一个独立机构，而是以"任务导向"（mission-oriented）方式重组既有联邦科研资产：把分散在能源部（DOE）、国家实验室、联邦科学数据集与超算设施中的资源，通过一个统一的 AI 驱动科研平台编成作战序列。

从条文结构看，行政令要点可归纳为四层：（一）目标层——以 AI 加速科学发现，服务经济与安全双重议程；（二）组织层——指定 DOE 为牵头部门，OSTP 负责跨机构协调与监督；（三）资源层——授权整合联邦科学数据集与17个国家实验室的算力；（四）产出层——以"国家科技挑战"（National Science and Technology Challenges）形式发布攻关清单，并通过 RFA 机制择优资助 [R1][R2][R6]。值得注意的是，行政令将"科学"与"安全"并列写入平台名称（American Science and Security Platform），预示其 funding 与 data 政策将带有明显的安全化倾向，这一点在第四章之后关于数据治理与核扩散的争议章节中会被反复触及（参见第8、9章）。

4.2.2 治理架构：DOE 主导、OSTP/Kratsios 监督

Genesis Mission 的治理呈现"执行—监督"二元结构。执行端由 DOE 主导：DOE 既是国家实验室体系的直接主管部门，也是联邦能源与核研发预算的主要承载者，天然具备"把 AI 能力注入重大科研设施"的组织杠杆 [R5][R6]。监督端则由白宫科技政策办公室（OSTP）主任 Michael Kratsios 负责。Kratsios 同时是特朗普政府 AI 政策体系的关键人物，其角色是确保 Genesis Mission 与 broader "AI 行动计划"（AI Action Plan）保持一致，并向总统负责 [R3][R4]。

这种"DOE 干事、OSTP 把向"的安排，与以往跨机构科研计划（如国家纳米技术倡议 NNI 由 OSTP 协调、各部门分头执行）有相似之处，但 Genesis Mission 更强调单一部门（DOE）的主导权，以减少协调摩擦、加快执行节奏 [R1]。其代价则是潜在的"部门视角偏差"——批评者担心以 DOE 为主的架构会放大能源与国家安全议题，而相对削弱基础科学中那些短期难以转化为部署成果的方向（相关争议详见第8章）。

4.2.3 Under Secretary for Science：Darío Gil 的科学领导

在 DOE 内部，科学事务由负责科学事务的副部长（Under Secretary for Science）统管，Genesis Mission 的科学领导由 Darío Gil 担任 [R1]。作为曾任 IBM 研究院高管的资深技术管理者，Darío Gil 的任命凸显行政令对"把企业级 AI 工程能力引入联邦科研"的诉求。其职责涵盖：界定挑战清单的科学优先级、审定 RFA 评审标准、协调国家实验室间的算力与数据调度，以及向 Kratsios 与能源部长汇报进展。

从治理效能角度，Darío Gil 兼具"学术—产业"双重履历，有利于在国家实验室（传统上偏重任务导向的大型设施科学）与 AI 产业界（偏重敏捷迭代）之间架设桥梁。然而，将如此集中的科学裁量权赋予单一官员，也引发关于"科研选题政治化"的担忧——当挑战清单的边界由行政任命的官员划定，同行评议（peer review）的传统独立性如何保全，是后续治理争议的核心命题之一 [R24]。

4.2.4 NNSA 的角色与军民双重属性

国家核安全管理局（NNSA）在 Genesis Mission 中扮演特殊角色。一方面，NNSA 管辖的实验室（如洛斯阿拉莫斯 LANL、劳伦斯·利弗莫尔 LLNL、桑迪亚 SNL）本身就是17个国家实验室的重要组成部分，也是超算与仿真能力的核心来源；另一方面，NNSA 的任务天然带有核武库存管理、核安保等国家安全的敏感属性 [R5][R6]。在入选的278个项目中，由"DOE/NNSA 国家实验室"牵头者合计87个，其中 NNSA 实验室的参与使部分 Genesis Mission 项目同时服务于"双重用途"（dual-use）目标——既推进民用核能 AI 化，也强化核武器模拟与安全算力底座 [R5][R7]。

这种军民融合属性是一把双刃剑：它让 Genesis Mission 在算力与高保障级安全工程能力上获得稀缺资源，但也使项目的开放科学与数据开放政策面临更严格的保密约束，并为"AI 辅助核设计"的扩散风险讨论埋下伏笔（参见第8、9章关于核扩散与出口管制的分析）。

4.2.5 与既有科技治理体系的接口

Genesis Mission 并非在真空中运行。它在制度上嵌入既有联邦科研治理网络：在预算端受 OMB 与国会拨款委员会约束（"subject to appropriations"）；在核议题上与美国核管制委员会（NRC）的许可现代化（Part 53 终审规则、ADVANCE Act）形成事实衔接 [R15][R17]；在国际层面与 IAEA 的 AI 治理框架存在潜在互动 [R20]。理解这些接口，是判断 Genesis Mission 执行确定性的前提。

4.2.6 决策流程与协调实例

治理架构的抽象描述，需落到可观察的决策流程上。就已披露信息看，Genesis Mission 的年度节奏呈现"挑战发布—RFA 开窗—评审—峰会宣布"的闭环：DOE 在 Under Secretary Darío Gil 的主持下拟定挑战清单与评审标准，OSTP 通过 Kratsios 的跨机构协调权确保其与 AI 行动计划及国家安全优先事项对齐，NNSA 则在涉及双重用途算力的项目上行使安全审查 [R1][R3][R5]。2026年7月22日的 Genesis Mission Summit 本身即是这一流程的"展示性节点"——它既是278个项目与50亿美元承诺的官宣场合，也是把行政令从文本推向可执行项目的政治确认仪式 [R3]。

需要指出的是，这一流程的"行政主导"特征明显：相较传统由资助机构（如 DOE 科学办公室）独立运作、以同行评议为核心的开放征集，Genesis Mission 的选题与节奏更受白宫科技政策导向牵引。其效率优势在于跨部门协调成本降低、执行速度快；其风险则在于科学优先级的确定过程透明度不足，外界难以评估挑战清单在多大程度上由技术必要性驱动、在多大程度上由政治叙事（如"与中国竞争"）驱动 [R4][R24]。

4.3 American Science and Security Platform（ASSP）技术构成

4.3.1 联邦科学数据集的整合

ASSP 的第一根支柱是"联邦科学数据集"。行政令主张将分散在 DOE、NNSA 及各国家实验室的科研数据——涵盖材料表征、等离子体物理、中子学实验、反应堆运行记录、核燃料循环档案等——进行标准化汇聚，以供给 AI 模型训练与基准测试 [R1][R6]。其逻辑借鉴了 AI for Science 的范式：当数据规模与质量达到阈值，机器学习（尤其是基础模型）能够从经验中"发现"未被人类归纳的物理规律 [R27]。AlphaFold 在蛋白质结构预测上的突破，正是这一范式被反复引用的成功先例 [R28]。

然而，联邦数据的聚合面临现实阻力：不同实验室的数据格式、元数据标准、保密分级长期不一致；涉及核设计或武器模拟的数据无法进入开放训练集。因此 ASSP 的数据层很可能采用"分级联邦"架构——公开与受限数据分池管理，敏感数据仅在具备安全许可的算力域内使用。这一技术—治理张力，是平台能否兑现"科研产出翻倍"承诺的关键变量。

4.3.2 17个国家实验室超算资源

ASSP 的第二根支柱是17个国家实验室的算力。美国通过 Exascale Computing Project（ECP）已部署 Aurora（阿贡）、Frontier（橡树岭）等 E 级超算，这些设施既是传统 HPC 负载（如气候、聚变等离子体、核临界计算）的承载者，也正被改造为 AI 训练与推理的混合平台 [R19]。Genesis Mission 明确将"17个国家实验室超算"纳入统一调度，意味着跨实验室的算力虚拟化与作业排队机制需要重构，以支撑 AI 代理对大规模仿真的按需调用 [R6]。

对核能 AI 而言，这一算力池的直接价值在于：中子学蒙特卡洛、多物理场耦合、燃料性能仿真等长期受限于计算成本的任务，可在 AI 代理模型（surrogate model）与 HPC 协同下被加速数个数量级 [R38][R44][R46]。NVIDIA 与 INL 在 Genesis Mission 下宣布的合作，正是把 GPU 加速与 AI 软件栈接入国家实验室算力生态的代表性动作 [R9][R10]。

4.3.3 AI 代理与自动化实验

ASSP 的第三根支柱是"AI 代理"（AI agents）与自动化实验闭环。行政令构想的并非单点工具，而是能自主规划实验、调用仿真、解读结果并迭代假设的代理式科研系统 [R1][R6]。在核材料与反应堆设计场景，这意味着 AI 代理可以在 human-in-the-loop（人在回路）前提下，自动执行"生成候选设计—多物理场代理评估—筛选—提交高保真 HPC 验证"的循环，从而压缩传统依赖人工迭代的设计周期 [R7][R27]。

自动化实验（自动化合成、表征、测试）在材料发现领域已有先例，但移植到核领域受限于放射性操作与监管门槛。因此 Genesis Mission 语境下的"自动化"更多体现在数字侧（仿真与数据驱动设计），而非物理实验侧；实体实验仍高度依赖人类专家与安全审批。这一边界也定义了 Prometheus 项目中"AI 辅助"而非"AI 自主"的工作流基调 [R7][R11]。

4.3.4 平台治理与安全化张力

ASSP 把"安全"（Security）写入平台名称，反映行政令将科技竞争力视为国家安全议题的取向 [R1][R2]。这带来治理上的双重性：一方面，安全化有助于争取国防与情报侧预算协同、强化出口管制下的自主算力；另一方面，它也使开放科学（open science）、国际科研合作、数据可获取性受到压缩。批评者（如前 OSTP 主任 Arati Prabhakar）担心政府自建 AI 平台会重蹈"封闭、自上而下"的科研组织老路，与 AI for Science 所需的开放协作精神相悖（详见第8章）。

4.3.5 ASSP 的分层技术架构

若把 ASSP 抽象为技术系统，可识别为四层架构。最底层是数据层：汇聚联邦科学数据集，按保密分级形成"公开池"与"受限池"，并通过元数据标准化与知识图谱实现跨域可发现性 [R1][R6]。其上是算力层：由17个国家实验室的超算（含 E 级系统 Aurora、Frontier）构成，经虚拟化调度向 AI 工作负载开放，支持 GPU 与 CPU 混合负载 [R19]。再其上是智能层：以 AI 代理与代理模型为核心，承担实验规划、仿真编排、结果解读等自主循环，其方法学根基来自物理信息神经网络、贝叶斯优化与不确定性量化等 AI for Science 工具箱 [R27][R29][R44]。最顶层是治理层：负责访问控制、安全审查、伦理与可解释性约束，体现"Security"写入平台名称的制度含义 [R1][R51]。

四层之间的接口标准化是 ASSP 成败的关键。历史上，联邦科研数据"汇聚易、互操作难"，不同实验室的元数据与格式壁垒曾长期阻碍跨机构建模；Genesis Mission 若不能在这一层取得突破，所谓"科研产出翻倍"将受限于数据孤岛。这也是为何 ASSP 的治理层与智能层必须同步建设，而非先堆算力再补规则 [R24]。

4.4 国家科技挑战清单：从26项到33项

4.4.1 2026年2月：26项挑战启动

2026年2月，DOE 正式启动 Genesis Mission 并发布首轮26项"国家科技挑战"（National Science and Technology Challenges），将行政令的宏大目标落到可申报的具体科学问题上 [R5][R6]。挑战清单的发布同时开启 RFA 窗口，成为后续超5000份申请的内容锚点。26项挑战覆盖了从基础科学到战略技术的广泛光谱，其中核能、聚变与国家安全类别被赋予突出权重，体现行政令"能源—安全"双主线。

4.4.2 2026年7月：峰会扩容至33项

2026年7月22日的华盛顿 Genesis Mission Summit 上，挑战清单由26项扩展至33项 [R3]。扩容的方向集中于两类：一是强化与 AI 基础设施直接相关的能源供给议题（数据中心电力、先进堆部署），二是补充国家安全与生物/材料交叉方向。扩容本身释放信号——行政令的执行并非一次性运动，而是以"滚动发布挑战"的方式持续吸纳新优先级，也为 RFA 后续轮次提供选题池。

4.4.3 核能、聚变、国家安全类挑战重点解析

在已披露的挑战中，核能与聚变类挑战是 Genesis Mission 与"AI 加速核能部署"主题最直接的交汇点，也是 Prometheus 等项目的内容来源：

先进核能部署：聚焦用 AI 压缩反应堆设计、许可、制造、建造与运行周期，目标与 DOE《先进核能商业化路径》（Pathways to Commercial Liftoff: Advanced Nuclear）中"降本提速"的主线一致 [R19]。这一挑战直接孕育了 Prometheus 项目。
聚变能：聚焦等离子体控制、材料在极端条件下的行为预测、聚变—裂变混合系统等，借助 AI 代理加速托卡马克与紧凑型聚变装置的设计迭代。
核燃料循环与核安保：聚焦用机器学习提升燃料循环效率、核材料探测与防扩散核查能力，呼应 AI 与核扩散议题的学术讨论 [R42]。
国家安全类挑战：涵盖高保障级仿真、自主系统可靠性、对抗环境下的 AI 韧性等，与 NNSA 实验室的双重用途能力直接对接 [R5]。

这些挑战的共性，是把"计算—数据—AI"作为横切能力，嵌入传统上由大型设施与长周期实验主导的领域，从而把"科学发现速度"本身变成可被工程化管理的对象。

4.4.4 挑战清单的选题逻辑与战略意涵

从战略层面看，挑战清单的选题逻辑有三：（一）可量化产出——优先选择"能用指标衡量进展"的问题（如部署周期、成本、仿真速度），便于政治叙事；（二）军民协同——核能、聚变、核安保天然对接 DOE/NNSA 双重使命；（三）产业牵引——偏好已有产业伙伴可成本分摊的方向，放大联邦投入的杠杆（Prometheus 即典型：6000万美元联邦款撬动2亿美元产业成本分摊与3000万美元资本 [R7][R13]）。这种选题逻辑使 Genesis Mission 更接近"科技创投化"的操作模式，也正是第8章争议的焦点之一。

4.4.5 挑战清单的量化特征与历史对照

从量化节奏看，挑战清单在约5个月内由26项扩张至33项（2026年2月至7月），扩张率约27%，反映出行政令执行具有"滚动迭代"而非"一次性规划"的特征 [R3][R5]。这一节奏与行政令文本中"十年科研产出翻倍"的宏大叙事形成对照：宏大的时间尺度搭配高频的挑战更新，意在用持续的、可宣传的阶段性成果维持政治动能。

与历史类比（第三章已述曼哈顿计划、阿波罗计划的政治叙事），Genesis Mission 的挑战清单更接近"阿波罗式"的任务分解——把国家目标拆解为可招标的子系统问题。但其差异在于：阿波罗的目标（登月）具有单一、明确的工程终点，而"科研产出翻倍"是统计性、难以单一指标界定的抽象目标，这使挑战清单的"完成"标准天然模糊，也更易在事后出现成果归因的争议 [R1][R3]。

4.4.6 三类核心挑战与项目映射

将已披露的挑战按"核能—聚变—国家安全"三类归纳，并映射到278个项目中的代表方向，可形成如下对应（据 DOE 公告与挑战清单框架整理，具体项目—挑战的逐项绑定以官方清单为准 [R5][R6]）：

核能类：先进堆设计 AI 化（→Prometheus）、厂址与地质数据 AI 化（→GeoFinder）、特定堆型数字孪生（→熔盐堆数字孪生）、核燃料循环机器学习（→对应燃料循环项目）[R5][R53]。其共同目标是压缩 Vogtle 等案例中暴露的建设周期与成本失控问题 [R19][R35]。
聚变类：等离子体控制与材料行为预测（→Acceleron Fusion、Realta Fusion）、聚变中子源应用（→Shine Technologies）[R5][R8]。这类挑战利用 AI 代理加速约束控制与装置设计的迭代循环。
国家安全类：高保障级仿真、核材料探测与防扩散核查、对抗环境下 AI 韧性（→NNSA 实验室牵头项目）[R5][R42]。此类挑战直接对应 NNSA 的双重用途算力与安全审查角色。

这一映射显示，三类挑战在方法论上高度同源（都依赖 AI 代理、代理模型、数据驱动设计），但在风险等级与开放程度上差异显著：国家安全类项目的数据与结果最不透明，核能类居中，聚变类相对开放。这种异质性要求 ASSP 在数据分级与访问控制上采取差异化策略，也为后续章节讨论数据治理与扩散风险提供了结构线索 [R1][R42]。

4.5 RFA 机制与 Phase I/II 两档设计

4.5.1 RFA 发布与超5000份申请

2026年3月，DOE 发布首轮资助机会公告（RFA），将26项挑战转化为可申报的资助包 [R5]。RFA 收到超过5000份申请，被白宫与 DOE 称为"DOE 历史上响应最大的资助机会" [R3][R5]。如此规模的申请潮，既反映美国科研界对稳定联邦科研经费的渴求（在 NSF、NIH 预算被大幅削减的背景下尤甚），也折射出 AI for Science 议题对跨学科学者的强吸引力。

4.5.2 Phase I 与 Phase II 的两档设计

RFA 采用两档（two-tier）结构，是 Genesis Mission 资助设计的精髓：

Phase I（小额档）：面向概念验证（proof-of-concept），资助额度较小、周期短，旨在以低门槛吸纳大量创新构想，形成"宽入口"的项目漏斗。其设计意图是降低申请成本、鼓励高校与小型团队参与，从而扩大人才与创意的覆盖面。
Phase II（大额档）：面向已验证方向的规模化执行，资助额度显著更高、周期更长，要求明确的里程碑与产业化路径。Prometheus 即 Phase II 中最大单笔——6000万美元、三年期，由 INL 牵头 [R7][R11]。

两档设计的制度智慧在于：用 Phase I 的"广种"换取选题多样性，用 Phase II 的"精收"集中资源攻克高优先级挑战，避免联邦资金在早期概念上过度分散。同时，Phase II 对产业成本分摊的硬性要求，把私人资本绑定进国家目标，提升资金杠杆率。

4.5.3 评审与遴选机制

尽管行政令强调加速执行，RFA 仍需经过技术评审与遴选。值得关注的是，在"科研产出翻倍"的政治压力下，评审标准如何平衡"同行评议的科学严谨"与"行政设定的战略优先级"，是治理透明度的试金石。公开信息未详列评审细则，但 Summit 公布的278个入选项目的机构分布（高校占多数）表明，评审在形式上仍保留了较宽的学术参与度，而非完全由少数国家实验室内部消化 [R3][R5]。

4.5.4 RFA 与既有联邦资助机制的比较

Genesis Mission 的 RFA 并非凭空设计的资助工具，而是对 DOE 既有资助机制的融合与创新。与传统 DOE 的 DE-FOA（资助机会公告）相比，其最大差异在于两档设计与"挑战导向"：传统 FOAs 多按学科或技术主题征集，评审偏重学术新颖性；Genesis Mission 的 RFA 则以国家挑战为锚，Phase II 明确要求产业化路径与成本分摊，更接近 ARPA-E 的"高赌注"逻辑 [R19][R24]。

然而，它又与 ARPA-E 不同：ARPA-E 跨能源全域且相对独立于国家实验室设施，Genesis Mission 则深度绑定 DOE/NNSA 实验室的算力与装置，申请人实质上面向"实验室能力+联邦资金"的组合。与 GAIN 相比，二者都服务核能加速，但 GAIN 是"接入中介"，RFA 是"直接资助+AI 工具交付"，前者补信息差、后者补资金与工具差 [R19]。这种混合定位，使 RFA 在激励结构上兼具"广种"（Phase I）与"精收"（Phase II）的双重效率。

4.6 278个入选项目结构分析

4.6.1 总体结构统计

2026年7月22日 Summit 上，白宫宣布从超5000份申请中选定278个项目予以资助 [R3][R5]。按牵头机构类型分布如下：

牵头机构类型	项目数量	占比	说明
DOE/NNSA 国家实验室	87	31.3%	含 NNSA 实验室，承载算力与高保障任务
大学（含研究型大学）	168	60.4%	主体力量，覆盖广口径学术创新
企业	19	6.8%	多为 Phase II 产业化项目牵头方
非营利机构	4	1.4%	桥梁型组织与标准/教育类项目
合计	278	100%	—

该结构呈现"高校为主体、实验室为骨干、企业与非营利为补充"的金字塔形。大学在数量上占绝对多数，符合 Phase I 宽入口的设计预期；而企业牵头项目虽少，却集中了资金密度最高的 Phase II 方向（如 Prometheus）；国家实验室则以牵头87个项目的方式，把控着最依赖稀缺算力与设施的核心挑战。

4.6.2 牵头机构类型的战略含义

国家实验室（87个）：其高占比反映了 Genesis Mission 对"设施依赖型"科学的倾斜——只有在国家实验室才能调用 E 级超算、独特中子源与放射性实验装置。这也意味着实验室在 ASSP 数据层与算力层拥有事实上的"守门人"地位。
大学（168个）：数量优势体现学术界的广泛响应，也利于在Phase I阶段萃取值得进入 Phase II 的构想。但大学项目单体资金通常较小，执行确定性更依赖后续拨款轮次。
企业（19个）：虽数量少，却是"产业牵引"逻辑的体现。企业牵头项目普遍配套成本分摊，使联邦资金撬动私人资本（如 Prometheus 的2亿美元成本分摊 + 3000万美元资本 [R7][R13]）。
非营利（4个）：承担标准、教育、开放科学等公共品职能，规模虽小但具有生态润滑作用。

4.6.3 核能与聚变项目盘点

在278个项目中，核能与聚变方向是 Genesis Mission 与本报告主题最相关的子集。除旗舰 Prometheus 外，公开资助公告与行业报道还点名了若干代表性项目，以下基于 DOE 资助公告与行业发布梳理 [R5][R7][R8]：

Prometheus（AI 加速核能部署）：最大单笔 Phase II，6000万美元/三年，INL 牵头，联合 ORNL、ANL、SNL 等实验室，北卡州立、宾州州立、田纳西大学诺克斯维尔分校、德州大学奥斯汀分校等高校，以及 X-energy、TerraPower、Oklo、Aalo Atomics、AWS、NVIDIA、GE Vernova、Westinghouse 等20余家企业，共32家伙伴 [R7][R8][R11][R12]。其目标是用 human-in-the-loop 的 AI 贯穿反应堆设计、许可、制造、建造与运行，削减先进堆部署周期与运营成本50% [R7]。
GeoFinder：据 DOE 资助公告列入的核能/地质相关挑战项目，聚焦厂址勘察与地质数据 AI 化（具体技术路线公开信息有限，据 DOE 公告 [R5] 列入）。
Acceleron Fusion：聚变方向入选项目，借助 AI 加速其聚变—增益（fusion gain）装置的设计与运行优化（据 DOE 公告 [R5] 与行业报道 [R8] 列入）。
Realta Fusion：紧凑型聚变/高场磁体方向入选项目，利用 AI 进行磁体设计与等离子体控制迭代（据 DOE 公告 [R5] 与行业报道 [R8] 列入）。
Shine Technologies：基于聚变中子源的医用同位素与材料方向入选项目，AI 用于中子源运行优化（据 DOE 公告 [R5] 列入）。
熔盐堆数字孪生：面向熔盐堆（MSR）的数字孪生项目，结合代理模型与不确定性量化，对关键中子学参数进行预测 [R5][R53]。该方向直接呼应数字孪生在核能中的应用研究 [R51]，也衔接熔盐堆三维代理建模的学术基础 [R53]。

需要说明：上述 GeoFinder、Acceleron Fusion、Realta Fusion、Shine Technologies、熔盐堆数字孪生等项目的具体技术细节与资金额度，公开一手来源披露有限，本章仅据 DOE 资助公告与行业报道确认其入选事实，不对其未公开参数作具体断言 [R5][R8]。

4.6.4 项目地理与机构网络

278个项目的空间分布集中于国家实验室周边与传统科研强州（如田纳西—橡树岭、爱达荷—INL、伊利诺伊—阿贡、新墨西哥—LANL/SNL），并形成"实验室—属地高校—本地企业"的集群。这种地理集中既是既有科研基础设施分布的结果，也可能加剧区域间的科研资源失衡——对拨款不确定性的承受能力，在科研薄弱州更弱。

4.6.5 项目遴选的多样性与潜在偏差

278个项目的结构数据揭示了两重张力。其一，数量与资金的不对称：大学以168个牵头项目占数量主体，但单体资金偏小；企业仅19个却集中了资金密度最高的 Phase II（如 Prometheus 的6000万美元）[R3][R5][R7]。这意味着"项目数量民主"与"资金集中度"之间存在落差，小型学术团队更易获得 Phase I 的"入场券"，却难在 Phase II 与产业巨头竞争。

其二，地理与机构集中：87个国家实验室项目高度集中于田纳西、爱达荷、伊利诺伊、新墨西哥等实验室所在州，可能加剧科研资源的区域不均衡 [R5][R24]。对科研薄弱地区而言，不仅入选项目少，其承受"拨款不确定性"的韧性也更弱。遴选机制如何在"依托既有设施优势"与"促进区域公平"之间取得平衡，是 Genesis Mission 长期可持续性的隐性挑战。

4.6.6 核能与聚变项目的系统关联性

把4.6.3盘点出的核能与聚变项目放回278个项目的整体网络，可观察到它们并非孤立存在，而是围绕"AI 加速核能部署"主题形成互补谱系。Prometheus 位于谱系中心，解决反应堆全生命周期的 AI 化；GeoFinder 补足厂址与地质数据侧的 AI 化，使"设计—选址"形成闭环；Acceleron Fusion 与 Realta Fusion 把同一套 AI 设计方法论外推至聚变能，验证方法在更极端物理条件下的可迁移性；Shine Technologies 则把聚变中子源用于同位素与材料，体现"聚变技术民用化"的旁支价值；熔盐堆数字孪生项目则针对特定堆型（熔盐堆）构建高保真虚拟映身，为 AI 代理提供可安全试错的仿真环境 [R5][R7][R8][R53]。

这种谱系结构表明，Genesis Mission 在核能方向上的布局并非"押注单一技术"，而是以 AI 为横切能力，对裂变（先进堆、熔盐堆）、聚变（磁约束、紧凑源）、以及核技术应用（同位素、安保）同时下注。其战略逻辑类似投资组合的分散化：即便某一技术路线进展不及预期，AI 方法与平台资产仍可在其他路线上复用，降低整体使命的"技术单点失败"风险 [R19][R24]。

4.6.7 项目对 Prometheus 目标的结构性支撑

Prometheus 宣称要将先进堆部署周期与运营成本削减50%，这一目标单靠一个6000万美元项目难以独立实现；278个项目中的其他核能/聚变条目，实质构成其"技术供应链"。例如，熔盐堆数字孪生提供的代理模型与不确定性量化方法，可直接迁移至 Prometheus 的多物理场仿真加速；GeoFinder 的地质数据 AI 化，补充了反应堆选址环节的效率；而聚变项目的代理模型经验，则为裂变堆的等离子体相关子系统（如诊断与控制系统）提供交叉验证 [R7][R44][R53]。

换言之，Prometheus 是"旗舰集成者"，其余项目是"技术供应商"。理解这一结构，有助于在第六章评估 Prometheus 的50%降本目标时，避免把成败完全归因于单一项目，而应将其置于整个 Genesis Mission 核能项目群的协同效应之中。这也解释了为何行政令选择"平台+挑战+项目群"而非"单点突破"的组织形态 [R1][R7]。

4.7 50亿美元联邦承诺与拨款不确定性

4.7.1 "More Than $5 Billion" 的承诺

2026年7月 Summit 上，白宫宣布联邦承诺为 Genesis Mission 投入"超过50亿美元"（More Than $5 Billion），并称其为国家级 AI for Science 使命 [R3]。这一数字与具体 RFA 的 $293 million（2.93亿美元）挑战资助形成层次关系：前者是涵盖多年度、多轮次、多机构的广义承诺上限，后者是已明确公告的首批挑战资助额度 [R3][R5]。此外，Prometheus 的6000万美元属于 Phase II 单笔，X-energy 另承诺1000万美元私营资金并开放 Xe-100 设计与 TRISO-X 燃料数据 [R7][R13]。

4.7.2 "subject to appropriations" 的法律现实

50亿美元承诺的关键限定词是"subject to appropriations"——即承诺须经国会年度拨款程序方能实际到位 [R3]。这意味着行政令的雄心在财政上并不具自我执行效力：每一财年的实际到账金额取决于国会拨款委员会的裁量、两党博弈与整体财政态势。在同期政府提出大幅削减 NSF（约40%—50%）、NIH（约40%）预算并裁撤科研人员的背景下 [R1]，Genesis Mission 的"增量"能否在总额受限的科研预算中兑现，存在显著不确定性。批评者尖锐指出，若以削减基础科学预算为代价去堆高某一使命式项目，则创世纪计划不过是"大伤口上的创可贴"（a Band-Aid on a gaping wound）[R1]。

4.7.3 拨款不确定性的执行含义

对278个入选项目而言，拨款不确定性直接转化为执行风险：Phase I 小额项目尚可依赖单年资金启动，但 Phase II 大额项目（如 Prometheus 的三年期6000万美元）要求跨财年资金连续性。一旦某财年拨款低于预期，项目将被迫缩减里程碑或暂停，进而动摇"十年科研产出翻倍"的时间表。此外，政党轮替可能改变行政令的政治优先级——尽管行政令本身不易被简单撤销，但其预算请求在国会层面的支持力度高度依赖执政党偏好（相关政治可持续性分析见第8、10章）。

4.7.4 历史先例：联邦科研承诺的兑现率

"subject to appropriations" 并非技术性注脚，而是美国联邦科研计划的常态约束。历史先例显示，行政令或倡议宣布的宏伟金额，与最终国会实际拨款之间常存在缺口。以核领域为例，CBO 曾就核电站建设联邦贷款担保评估其财政风险与兑现条件，揭示"纸面承诺"转化为"实际支出"需跨越复杂的拨款与问责门槛 [R26]。

Genesis Mission 的50亿美元承诺因此应被理解为"上限信号"而非"到手预算"。在同期政府提出大幅削减 NSF、NIH 基础科学预算的背景下，国会在总额受限的 discretionary 预算中，是否愿意为 Genesis Mission 持续供款，取决于两党围绕"AI 领导力"与"财政紧缩"的博弈结果 [R1][R3]。采纳"据公开报道/估算"口径，本章认为：2026年 Summit 宣布的承诺在2027财年及之后的实际到位率，是判断 Genesis Mission 真实力度的首要观测指标。

4.8 与既有 DOE 计划的关系与差异

Genesis Mission 并非凭空出现，它叠加在 DOE 长期运行的一系列科研与核能计划之上。厘清关系与差异，有助于判断其究竟是"增量协同"还是"重复建设"。

4.8.1 Exascale Computing Project（ECP）

ECP 是 DOE 历时多年的 E 级超算攻关计划，目标是部署 Aurora、Frontier 等系统并配套科学应用软件栈 [R19]。Genesis Mission 的 ASSP 直接"借用"ECP 留下的算力资产——17个国家实验室超算中相当部分由 ECP 建成。差异在于：ECP 以"建机器+保应用"为目标，属供给端；Genesis Mission 以"用 AI 把机器转化为科研产出"为目标，属需求端/组织端。二者是前后衔接而非竞争关系，但 Genesis Mission 对算力调度方式（AI 代理按需调用）提出了 ECP 当初未充分设计的新型运维需求。

4.8.2 ASCR（Advanced Scientific Computing Research）

ASCR 是 DOE 科学办公室下属的基础计算科学研究计划，长期资助 HPC、算法、数值方法等。Genesis Mission 的 AI 代理、代理模型、不确定性量化等大量底层方法学，本就属于 ASCR 的资助范畴 [R29][R44][R46]。差异在于：ASCR 偏"方法学自由探索"，Genesis Mission 偏"使命导向的集成部署"。Genesis Mission 可视为把 ASCR 已有方法学在核能等特定挑战上做"垂直整合"，其对 ASCR 的依赖大于替代。

4.8.3 GAIN（Gateway for Accelerated Innovation in Nuclear）

GAIN 是 DOE 设立的"加速核能创新网关"，为产业界提供接入国家实验室技术、设施与专业知识的单一入口 [R19][R24]。Genesis Mission 的核能挑战（尤其 Prometheus）与 GAIN 高度重叠：二者都旨在缩短先进堆从概念到部署的路径。差异在于：GAIN 是"设施与知识接入"平台，偏中介服务；Genesis Mission 是"联邦资金+AI 工具"的组合拳，偏直接资助与工具交付。Prometheus 事实上可被视为 GAIN 逻辑的 AI 升级版——把"接入实验室"升级为"AI 代理驱动实验室能力"。

4.8.4 ARPA-E（Advanced Research Projects Agency–Energy）

ARPA-E 以高风险的能源技术"赌注式"资助著称，强调颠覆性而非渐进优化。Genesis Mission 在"风险偏好"上与 ARPA-E 相似，但差异显著：ARPA-E 跨部门、跨能源技术，且相对独立于 DOE 大型设施体系；Genesis Mission 则深度绑定 DOE/NNSA 实验室与算力，且明确以核能/聚变/国家安全为重心。二者可形成互补——ARPA-E 探索前沿、Genesis Mission 在选定方向上规模化落地。

4.8.5 NRIC（National Reactor Innovation Center）

NRIC 是位于 INL 的国家反应堆创新中心，为先进堆试验提供监管沙盒与试验台（test bed）[R19][R24]。Genesis Mission 的核能项目（含 Prometheus）在实体试验环节天然依托 NRIC 的设施与制度安排。差异在于：NRIC 提供"物理试验场"，Genesis Mission 提供"AI 设计工具与联邦资金"，二者在"数字—物理"两端协同。Prometheus 把 AI 设计（数字端）与 NRIC 试验（物理端）连成闭环的潜力，是其50%降本目标能否实现的关键。

4.8.6 关系比较矩阵

维度	Genesis Mission	ECP	ASCR	GAIN	ARPA-E	NRIC
主导部门	DOE（OSTP监督）	DOE	DOE科学办	DOE	DOE	DOE/INL
核心目标	AI 加速科研产出翻倍	E级超算部署	计算科学方法	核能创新接入	颠覆性能源技术	反应堆试验场
资金形态	RFA Phase I/II	设施建造	研究资助	接入服务	项目资助	设施/服务
与核能关系	核心（Prometheus）	间接（算力）	间接（方法）	核心	部分	核心（试验）
与 AI 关系	本体目标	赋能对象	方法供给	弱	弱	弱
组织逻辑	使命导向集成	供给端	自由探索	中介服务	赌注式	物理平台

综上，Genesis Mission 在方法学上依赖 ASCR、在算力上继承 ECP、在核能落地上叠加 GAIN 与 NRIC、在风险偏好上近似 ARPA-E，本质上是对既有 DOE 资产的"AI 导向再编成"，而非另起炉灶。其创新点不在单个技术，而在把分散资产以"挑战—RFA—平台"三段式组织起来，形成可量化、可政治叙事的国家使命。

4.8.7 整合成本与协同风险

把 ECP 的算力、ASCR 的方法、GAIN/NRIC 的核能通道、ARPA-E 的风险偏好"再编成"为 Genesis Mission，并非无成本的加法。其整合成本至少体现在三处：一是中间件缺口——既有计划各自运行独立的数据与调度系统，跨计划打通需额外的互操作工程；二是行政负担——被多重计划覆盖的实验室与高校面临重复的合规与报告要求；三是目标漂移——当同一设施同时服务 ECP、ASCR 与 Genesis Mission，算力调度优先级冲突时，如何裁决缺乏既定规则 [R29][R44][R46]。

因此，Genesis Mission 的真正考验不在于"是否叠加了既有资产"，而在于"能否以低于各计划简单之和的协调成本，产出超线性的科研增益"。若整合成本失控，行政令的雄心可能止步于"又一层资助堆叠"。这也提示后续章节在评估 Prometheus 等项目的执行确定性时，应把平台级整合风险纳入考量。

4.9 本章小结

本章系统呈现了 Genesis Mission 的治理架构与项目布局。在治理端，行政令14363确立了"DOE 主导执行、OSTP/Kratsios 监督、Darío Gil 统管科学、NNSA 提供双重用途算力"的架构，并把"安全"写入平台名称，预示开放科学与数据治理的张力 [R1][R2][R3][R5]。在技术端，ASSP 由联邦数据集、17个实验室超算、AI 代理与自动化实验三根支柱构成，并可进一步抽象为数据—算力—智能—治理四层架构，是 AI for Science 范式在国家科研设施上的工程化投射 [R1][R6][R27][R51]。在任务端，挑战清单从26项扩至33项，核能与聚变类挑战直接孕育了 Prometheus 等旗舰项目 [R3][R5][R7]。在资助端，RFA 两档设计以超5000份申请创下 DOE 历史纪录，最终278个项目呈"高校为主、实验室为骨、企业补充"的结构，其中核能与聚变方向已形成以 Prometheus 为龙头、GeoFinder/Acceleron/Realta/Shine/熔盐堆数字孪生等为补充的项目谱系 [R3][R5][R7][R8]。在财政端，50亿美元承诺受"subject to appropriations"约束，其落地确定性受制于国会拨款与同期基础科学预算削减的结构性矛盾 [R3]。最后，Genesis Mission 与 ECP、ASCR、GAIN、ARPA-E、NRIC 既非替代也非重复，而是对既有 DOE 资产的 AI 导向再编成。上述事实坐标，为第五、六章深入 Prometheus 技术实现、以及第八、九章展开争议与地缘分析，提供了不可绕过的基线。

需要强调的是，本章描述的"全景"仍带有 Genesis Mission 作为新生计划的固有不确定性：截至2026年7月 Summit，诸多项目的具体资金额度、技术路线与跨年度拨款安排尚未完全公开，部分挑战与项目的逐项绑定亦待官方清单补全。因此，本章的结论应被视为"基于已披露一手来源的阶段性快照"，而非终局定论。随着后续财年拨款到位与项目执行推进，治理架构的实际运作效率、ASSP 的技术成熟度、以及278个项目的真实产出，都将接受实证检验。在第十章的情景分析中，本章所确立的结构性事实（治理二元结构、平台四层架构、挑战滚动扩容、RFA 两档、项目群谱系、拨款约束）将被用作推演乐观/基准/悲观三种情景的刚性边界条件。

第5章 Prometheus 的实现方式（上）：技术架构与AI设计引擎

5.0 导言：从"宣言"到"工程栈"

在报告的前述章节中，我们已经厘清了 Genesis Mission（创世纪计划）的政治起源、治理架构与 278 个入选项目的整体版图，并定位了 Prometheus 项目在其中"首个也是最大单笔 Phase II 资助"的旗舰地位——6000 万美元/三年，由爱达荷国家实验室（INL）牵头，联合橡树岭（ORNL）、阿贡（ANL）、桑迪亚（SNL）等实验室，北卡州立、宾州州立、田纳西大学诺克斯维尔分校、德州大学奥斯汀分校等高校，以及 X-energy、TerraPower、Oklo、Aalo Atomics、AWS、NVIDIA、GE Vernova、Westinghouse 等 20 余家企业，共 32 家伙伴 [R7][R8][R11]。项目宣称要在 human-in-the-loop（人在回路）前提下，用 AI 贯穿反应堆的设计、许可取证、制造、建造与运行全生命周期，目标为将先进堆部署周期与运营成本削减 50%（subject to appropriations，须经拨款程序，资助前还需谈判）[R7][R12]。

然而，项目的对外披露——无论是白宫、DOE 还是 INL 的新闻稿——都停留在"愿景层"：用了哪些模型、如何组织工作流、底层算力如何编排、安全关键判定如何验证，均无公开的工程级说明书。本章的任务，正是基于公开信息，对 Prometheus 的技术架构与 AI 设计引擎进行一次"推测性重构"（speculative reconstruction）：凡属可考事实，一律锚定引用；凡属合理推断，一律标注"（推测）"或"据公开信息推断"。我们将依次讨论：

项目总体架构与工作包的推测性重构；
AI 辅助反应堆设计（生成式设计、多物理场代理模型、中子学与热工水力 ML 加速、PINN）；
数字孪生技术（MOOSE/BISON/Griffin 软件生态）；
核数据与领域基础模型的可能路径；
高性能计算资源（Frontier、Aurora、INL Teton 与 AI 超算）；
NVIDIA 与 AWS 的算力与平台角色；
V&V/UQ（验证、确认与不确定性量化）方法论及其对核安全级应用的意义。

需要强调的是：本章不评价 50% 降本目标的可行性（该量化分析留待第 6 章与第 10 章），而专注于"用什么技术、如何组织、是否自洽"这一工程问题。从方法论上看，AI for Science 的范式已经证明，将机器学习嵌入科学发现回路可以系统性地压缩"假设—实验—结论"的周期 [R27]；Prometheus 则是这一范式在核工程这一最高安全门槛领域的一次迄今最大规模的压力测试。

5.1 Prometheus 总体架构与工作包的推测性重构

5.1.1 治理与集成架构

公开信息确认的项目骨架是清晰的：INL 为牵头单位（主任 John Wagner），DOE 的核能反应器副助理部长 Rian Bahran 在公开表态中将其描述为"超越渐进式 uplift（提升）"的范式转型 [R9][R10]。项目在行政上挂靠 Genesis Mission 的 "Delivering Nuclear Energy that is Faster, Safer, and Cheaper" 挑战（代号 Prometheus），技术上则依托 DOE 的 17 个国家实验室算力与 INL 的 NEAMS（Nuclear Energy Advanced Modeling and Simulation）软件体系 [R10][R12]。

（推测）从 NVIDIA 与 INL 2026 年 2 月合作声明的表述"developing generative AI, digital twins, and agentic workflows"以及"supercomputing infrastructure""data validation""code acceleration"五大战略方向来看 [R9][R10]，Prometheus 很可能采用一种"中心实验室 + 伙伴贡献 + 云平台编排"的松散联邦式架构：

中心层（INL）：负责总体技术路线、核安全级软件生态（MOOSE 套件）的维护与 GPU 加速、数字孪生基准与 V&V 框架；
国家实验室协作层（ORNL/ANL/SNL）：分别贡献 E 级超算（Frontier/Aurora）、基础模型训练、不确定性量化与形式化验证方法；
产业伙伴层：X-energy 等开放设计与燃料数据（如 Xe-100 与 TRISO-X 燃料数据）[R13]，NVIDIA/AWS 提供算力与平台，Oklo 等提供自有堆型设计用于验证 [R14]；
高校层：承担算法研究（PINN、代理模型、贝叶斯优化等）并输送人才。

这一架构与 DOE 传统的大型科学任务（如 Exascale Computing Project）的"中心—协作"模式一脉相承，但加入了企业云算力与开放数据的"公私合流"要素 [R7][R12]。其优势在于能调动产业界最前沿的工程数据与算力；其风险在于 32 家伙伴之间的知识产权划分、数据主权与责任边界可能成为落地的隐性摩擦力（第 7 章将专门剖析资金与 IP 结构）。

从战略逻辑看，Prometheus 的技术架构服务于一个更大的"飞轮"：AI 缩短核电部署周期→更便宜的核电支撑 AI 数据中心的指数级用电需求→数据中心利润反哺 AI 算力与核电投资。EPRI 与 IEA 的研究均指出，AI 与数据中心的电力需求已成为重塑电源结构的关键变量 [R22][R23]；而能够将"设计—取证—建造"压缩数年的技术，正是这一飞轮得以转动的齿轮。这也解释了为何 NVIDIA 与 AWS 这类"卖铲人"而非单纯核电企业，会成为项目最积极的科技巨头伙伴——它们赌的是"核电—AI"互相放大的长期需求，而非单一反应堆的成败。本章聚焦技术层，但这一战略飞轮的经济与治理含义，将是第 7、8、9 章反复回到的主线。

5.1.2 工作包（Work Package）的推测性重构

由于 Prometheus 尚无公开的 Work Breakdown Structure（工作分解结构），以下工作包划分据公开信息推断，旨在把零散的公开承诺映射为一个可理解的技术栈（表 5-1）。

表 5-1　Prometheus 推测性工作包映射（据公开信息推断）

编号（推测）	工作包名称（推测）	公开依据	主要承担方（推测）	关键技术
WP-A	生成式反应堆概念设计	"generative AI" [R9][R10]	INL + 高校 + X-energy/TerraPower	扩散/自回归生成模型、拓扑优化
WP-B	多物理场代理模型库	"surrogate modeling" [R12]	ORNL/ANL + INL	神经网络代理、高斯过程、UQ
WP-C	中子学与核数据 ML 加速	挑战指向快速中子学 [R10]	ANL + SNL	Monte Carlo ML 代理、核数据精度学习 [R59][R38]
WP-D	热工水力与 CHF 预测	CTF/RELAP-7 加速 [R46]	INL + ORNL	混合 ML、SVM look-up table [R62]
WP-E	数字孪生与软件生态	MOOSE/BISON/Griffin [R9][R10]	INL	全耦合多物理场、GPU 移植
WP-F	基础模型与数据底座	"AI infrastructure" [R10]	INL + NVIDIA + AWS	领域预训练、RAG、数据治理
WP-G	许可取证辅助与文档生成	"license" 全流程 [R7][R12]	INL + 高校	LLM/RAG、合规性检查
WP-H	V&V/UQ 与安全关键验证	"explainable AI" [R12]	SNL + NRC 协作	形式化验证、UQ 框架 [R40][R44]
WP-I	制造/建造/运行（下章展开）	全生命周期 [R7]	企业伙伴为主	见第 6 章

该表应被理解为分析性脚手架而非项目真实账目；其价值在于揭示公开叙事中可能遗漏的工程层级——例如"许可辅助"（WP-G）与"安全关键验证"（WP-H）在新闻稿中常被一笔带过，却是能否落地 50% 降本的"天花板"约束（第 8 章争议部分将详述）。值得补充的是，NEA 的 SMR 仪表盘与 NASEM 关于新先进堆基础的报告均指出，先进堆部署的最大瓶颈并非单项技术，而是多专业工具链之间的断层与监管接口的不成熟 [R21][R24]；Prometheus 的工作包若真如本表所示，其关键价值恰在于用 AI 缝合这些断层。

5.1.3 总体技术栈鸟瞰

为便于后续展开，先给出 Prometheus 推测性技术栈的纵向分层（表 5-2）。

表 5-2　Prometheus 推测性技术栈分层（据公开信息推断）

层级	功能	代表组件/方法	算力承载
应用层	概念设计、许可文档、运维决策	生成式设计、LLM/RAG、agentic workflow	AWS/NVIDIA 云 + 本地
模型层	代理模型、PINN、CHF、中子学 ML	神经网络、GP、PINN [R29][R45]	GPU（NVIDIA）
仿真层	多物理场高保真仿真	MOOSE/BISON/Griffin/Pronghorn [R9][R10]	E 级超算 + GPU
数据层	核数据、实验数据、遗留文档	ENDF、ATR/TREAT、MARVEL、NRAD [R10]	DAOS/对象存储
算力层	训练与推理	Frontier/Aurora/Teton [R10][R70]	国家实验室 HPC

这一分层的要害在于层间接口的标准化：若数据层不统一（不同堆型、不同代码使用异构格式），模型层便难以跨堆型迁移，应用层的"通用设计副驾"便无从谈起。INL 的 DIAMOND（Data Integration Aggregated Model and Ontology for Nuclear Deployment）数据模型正是为此而生——它试图标准化核电厂数据的存储与交换格式 [R71]。（推测）Prometheus 很可能以 DIAMOND 一类数据本体作为多伙伴数据接入的"普通话"，否则开放数据的承诺将沦为空谈。

5.2 AI 辅助反应堆设计

5.2.1 生成式设计（Generative Design）

生成式设计指以约束（功率、安全裕度、材料、法规）为条件，由模型自动搜索/合成可行的堆芯几何、冷却剂通道布局或系统架构候选。公开声明明确将 "generative AI" 列为五大战略方向之首 [R9][R10]。（推测）Prometheus 的生成式设计可能采取两条互补路线：

拓扑/参数生成：以扩散模型或 VAE 生成堆芯栅格、燃料组件排布等离散结构，再用代理模型快速评估其热工水力与中子学指标，经贝叶斯优化（如动态事件树分支搜索 [R43]）迭代收敛；
文本—代码生成：以 LLM 生成 MOOSE 输入卡、仿真脚本与许可文档初稿，再经人工校验（human-in-the-loop）闭环。

其价值在于把传统"设计—评估—返工"的串行循环压缩为"生成—筛选—精化"的并行循环。传统核反应堆设计之所以周期漫长，根源之一在于每一次几何或材料改动都需重启昂贵的高保真耦合仿真，而人类设计师的直觉又受限于可同时考量的变量维度 [R35]。生成式方法理论上可将"设计师维度的瓶颈"外推到高维空间，让机器在数万候选中预筛出少数物理上自洽、安全上有裕度的方案供人类决断。

但生成式设计在核安全语境下的核心风险是可解释性与适航性：自动生成的设计若无法被人类工程师与 NRC 审查员理解，便难以满足核安全文化对"纵深防御"与"确定性"的要求 [R41][R49]。此外，生成模型存在"幻觉"风险——在物理不适定区域生成看似合理实则违背守恒律的几何。因此（推测）Prometheus 必须对生成结果施加硬物理约束（如质量/能量守恒校验、临界安全初筛），而非直接采纳原始生成输出。

5.2.2 多物理场代理模型（Surrogate Model）

代理模型（也称降阶模型/替代模型）是用一个廉价模型（如深度神经网络、高斯过程）逼近昂贵高保真仿真（如全堆中子学-热工耦合计算）的函数映射 f: \mathbf{x} \mapsto \mathbf{y}，其中 \mathbf{x} 为设计/工况参数，\mathbf{y} 为目标量（如峰值包壳温度、反应性系数）。其在 Prometheus 中的意义是把"单次评估数小时乃至数天"的仿真，变为"毫秒级"的在线评估，从而支撑生成式设计的大规模搜索与数字孪生的实时推理。

代理模型误差通常用相对误差或 RMSE 度量。以相对 L_1 误差为例：

E_{\text{surr}} = \frac{1}{N}\sum_{i=1}^{N}\left|\frac{y_i^{\text{FOM}} - \hat{y}_i^{\text{surr}}}{y_i^{\text{FOM}}}\right|

其中 y_i^{\text{FOM}} 为高保真（Full-Order Model）真值，\hat{y}_i^{\text{surr}} 为代理预测，N 为验证样本数。除了点误差，工程上更关心最坏情况误差（worst-case error） 与误差随输入域变化的分布，因为在安全关键场景，一个平均误差很小但尾部误差很大的代理模型是危险的。

近年来核领域代理模型已从简单 BP 神经网络走向带不确定性估计的架构：例如 Ma 等的 Softmax 神经网络代理模型，在核系统预测中同时输出点估计与置信区间，使模型能"知道自己不知道" [R44]；Bei 等则针对熔盐堆关键中子学参数构建了基于 BP 神经网络的三维代理模型，证明了对 Kepler 参数等多维输入的映射能力 [R53]。这些工作为 Prometheus"至少 2x 进度加速"的宣称提供了方法学先例 [R12]。值得补充的是，高斯过程（Gaussian Process）代理因其天然提供后验方差，在核 UQ 中常被用作基准；深度集成（deep ensemble）与贝叶斯神经网络则提供更易扩展的不确定度估计。

需要指出，代理模型在核安全关键场景的采用必须回答一个尖锐问题：误差上界能否被严格界定？ 这正是 UQ（不确定性量化）要解决的问题（见 5.8 节）。若代理仅用于"设计预筛"而非"安全判定"，其误差容忍度可放宽；一旦进入许可取证的安全论证，则必须给出可审计的不确定度边界。

5.2.3 中子学 ML 加速

反应堆中子学计算（尤其是 Monte Carlo 输运）是计算最昂贵、对部署周期拖累最大的环节之一。Sentis 对中子/光子输运中 Monte Carlo 方法的综述奠定了该领域的随机方法基础 [R38]。（推测）Prometheus 的中子学加速可能沿两个方向：

ML 加速的核数据精度学习：Hashemi 等评估了"机器学习得到的核数据精度"在全堆 Monte Carlo 中子学中的影响与计算效率增益，表明通过学习核数据不确定性的结构，可显著提升计算效率 [R59]。这直接呼应了公开挑战中"更快、更安全、更便宜"对核数据可靠性的依赖 [R10]；
ML 代理替代部分 MC 抽样：以图神经网络或 Transformer 学习截面/通量映射，用少量 MC 样本校正代理偏差。

一个量化的加速比可定义为：

S_{\text{neut}} = \frac{T_{\text{MC}}}{T_{\text{ML}} + T_{\text{corr}}}

其中 T_{\text{MC}} 为纯 Monte Carlo 耗时，T_{\text{ML}} 为代理推理耗时，T_{\text{corr}} 为校正开销。只有当 S_{\text{neut}} \gg 1 且代理误差在许可裕度内时，加速才对工程有意义——而"许可裕度内"的判定本质上又回到 UQ 与监管接受度。

应当强调，中子学加速的"正确性"高度依赖截面库与基准题（benchmark）验证。ML 在中子学中若引入未被察觉的系统性偏差，可能直接危及临界安全——这是比"慢一点"严重得多的后果。因此（推测）Prometheus 的中子学 ML 必须保留高保真 MC 作为周期性"真相源"定期校正，而非完全替代。

5.2.4 物理信息神经网络（PINN）

PINN 将物理方程作为软约束嵌入神经网络训练，使模型在满足数据拟合的同时遵从控制方程（如中子扩散方程、热传导方程），特别适合数据稀缺或边界移动的核工程问题。Raissi 等提出的经典 PINN 框架以如下复合损失训练 [R29]：

\mathcal{L} = \mathcal{L}_{\text{data}} + \lambda\,\mathcal{L}_{\text{PDE}}, \qquad \mathcal{L}_{\text{PDE}} = \frac{1}{N_f}\sum_{j=1}^{N_f}\left|\mathcal{N}[u_\theta(\mathbf{x}_j)]\right|^2

其中 \mathcal{N} 为微分算子，u_\theta 为网络，N_f 为配点数，\lambda 平衡数据项与物理项。Malla 等近期将 PINN 拓展到移动边界问题（如相变、燃料-包壳界面迁移），对核燃料行为建模具有直接价值 [R45]。（推测）Prometheus 可将 PINN 用于燃料性能（BISON 物理）的"物理增强代理"，在少量实验数据下外推至事故工况，从而减少昂贵的辐照实验次数——这与 DOE "Advanced Nuclear" 降本路径中"减少实验依赖"的取向一致 [R19]。

PINN 的优势（物理一致性、小样本）恰好补上了纯数据驱动代理模型（5.2.2）在外推可靠性上的短板，但其在强非线性、多尺度耦合下的训练收敛与误差控制仍是开放问题。尤其当控制方程本身存在模型形式不确定（如燃料开裂本构关系未知）时，PINN 的"物理项"也会失真。因此（推测）PINN 在 Prometheus 中更可能作为"物理正则化器"嵌入代理模型，而非独立担当安全判定。

还需注意 PINN 的"物理项"权重 \lambda 是经验性超参：过大则忽略数据、过小则退化为纯数据拟合，调参本身需要领域知识且缺乏自动化准则。在核安全场景，这种"软约束能否被监管视为硬保证"仍存在方法论鸿沟——形式上看，PINN 满足残差为零，但残差在有限配点上的近似并不等价于全定义域满足方程，而安全论证恰恰要求全定义域的保证。因此 PINN 在 Prometheus 中的稳妥用法是"提供物理一致的初值/边界，再由高保真求解器确认"，而非以残差近似替代确认。这一"AI 提议、高保真确认"的分工，与 5.7.4 节的认证路径设想一脉相承，也再次印证 human-in-the-loop 不是政治润色，而是技术上的必要冗余。

5.2.5 热工水力与临界热流密度（CHF）预测

临界热流密度（CHF）是压水堆等设计中的硬约束：一旦局部热流超过 CHF，包壳可能偏离泡核沸腾（DNB）而失效。传统做法依赖经验关联式或查表（look-up table）。机器学习在此已有成熟积累：

He 等用支持向量机（SVM）基于稀疏训练点构建数据驱动的 CHF 查表，证明在训练点稀少时仍能构造可用 lookup table [R62]；
Furlong 等将传统与混合机器学习部署于 CTF 热工水力代码中的 CHF 预测，验证了 ML 嵌入既有高保真代码的可行性，并对比了纯 ML 与混合 ML 的精度差异 [R46]。

（推测）Prometheus 很可能采用"混合 ML + 高保真代码"路线：以 ML 代理替代 CTF/RELAP-7 中计算密集的子模块（如 CHF 判定、两相流阻力），在保留物理骨架的同时获得加速 [R46]。这既降低了完全黑箱化的监管风险，又兑现了"code acceleration on NVIDIA GPU"的公开承诺 [R9][R10]。

需要警惕的是：CHF 预测属于安全关键量，ML 模型的局部失效可能导致保守性丢失。混合架构通过"高保真代码兜底"部分缓解了风险，但依旧要求严格的 V&V（见 5.8）。一个稳健的工程做法是以 ML 提供"加速初值"，由高保真代码在关键工况下复核——这与 human-in-the-loop 的全局哲学一致 [R7][R12]。

5.2.6 贝叶斯优化与主动学习

作为前述各加速技术的"调度中枢"，贝叶斯优化（Bayesian Optimization）在 Prometheus 的设计空间探索中很可能扮演关键角色。Chen 等将空间预测与贝叶斯优化集成用于动态事件树分支搜索，展示了在核安全分析中以不确定性引导搜索方向的范式 [R43]。（推测）Prometheus 可将代理模型作为贝叶斯优化的"代理目标函数"，以采集函数（acquisition function）主动选择信息量最大的下一处设计点进行高保真评估——即"主动学习（active learning）"。这种"少样本、高信息"的循环，恰是压缩设计周期的数学本质：不是盲目穷举，而是用不确定性引导每一次昂贵仿真该算哪里。

5.2.7 多目标优化与帕累托前沿

反应堆设计本质上是多目标权衡：成本、安全性、可制造性、抗扩散性、运行灵活性彼此冲突。传统做法由设计师凭经验折中，而 ML 加速使"在成千上万候选上系统搜索帕累托前沿"成为可能。形式上，若目标向量 \mathbf{f}(\mathbf{x})=(f_1(\mathbf{x}),\dots,f_k(\mathbf{x}))，帕累托最优解满足：不存在另一 \mathbf{x}' 使所有 f_i 不劣且至少一项更优。贝叶斯多目标优化（如基于高斯过程期望改进的多目标变体）可在少量高保真评估下逼近该前沿。（推测）Prometheus 可借由 WP-A 的生成式候选 + WP-B 的代理评估，自动产出"成本—安全"帕累托前沿供监管与业主共同决策，把原本隐含在个人经验中的权衡显性化、可审计化。这同时呼应了核电价与成本超支研究强调的"工程设计方式本身才是成本失控根源"的论断 [R35]——当设计探索的边际成本因 AI 而骤降，工程团队便有动力在早期淘汰脆弱方案，从根源减少后期返工导致的超支。

5.2.8 代码加速与 GPU 移植的工程细节

"code acceleration on NVIDIA GPU"并非简单的"把 CPU 代码搬到 GPU"。MOOSE 基于有限元，内核是大规模稀疏线性/非线性求解器，其 GPU 化需解决矩阵装配的异构并行、预处理器的 GPU 实现、以及 MPI+GPU 混合并行下的通信隐藏等问题。公开声明将其列为独立战略方向，暗示 NVIDIA 可能提供 CUDA 数学库与算子级优化支持 [R9][R10]。（推测）Prometheus 的 GPU 移植优先级应是"热点优先"：先把中子学/热工中最耗时的内层循环（如截面求积、稀疏矩阵-向量乘）GPU 化，再以渐进方式迁移整体求解器。这一路线的收益不仅是"更快"，更是"能算以前算不起的更大规模耦合问题"——例如全堆精细子通道与三维中子输运的实时耦合，这恰恰是先进堆（如高温气冷堆、熔盐堆）设计长期受算力限制而简化建模的环节。

5.3 数字孪生技术

5.3.1 INL 的 MOOSE/BISON/Griffin 软件生态

Prometheus 的"数字孪生"并非从零新建，而是建立在 INL 主导的 MOOSE（Multiphysics Object Oriented Simulation Environment） 框架之上——一个由 INL 主要开发、开放获取的多物理场有限元框架 [R71]。MOOSE 之上生长出一系列 NEAMS 应用，构成核工程数字孪生的"承重墙"：

BISON：基于 MOOSE 的核燃料性能代码，覆盖 LWR 燃料棒、TRISO 颗粒燃料、金属板/棒状燃料，求解完全耦合的非线性热-力-物种扩散方程，可隐式大步长并行；其完全耦合（无算子分裂）的特性保证了多物理场相互作用的物理保真 [R71]；
Griffin：有限元反应堆多物理场应用，求解线性化玻尔兹曼输运方程，支持稳态与瞬态，已用于球床/棱柱高温气冷堆、熔盐堆、钠冷快堆、微堆等；其与 MOOSE 其他物理代码的无缝集成，使其能开展不确定性量化与敏感性分析，并被 NRC 用作先进堆独立验证工具 [R71][R10]；
Pronghorn / SAM / RELAP-7 / Sockeye：热工流体与系统级代码，与 BISON、Griffin 耦合形成 Blue Crab、Dire Wolf 等组合应用，实现从子通道到系统级的跨尺度覆盖 [R71]；
RAVEN（Risk Analysis Virtual ENvironment）：INL 的风险分析虚拟环境，支持 Monte Carlo、网格与拉丁超立方采样，专攻复杂系统代码的参数空间探索、灵敏度与不确定性量化、以及极限面搜寻 [R71]。RAVEN 与 MOOSE 套件的耦合，使"在 UQ 框架下自动驱动高保真仿真"成为标准工作流——这恰是 Prometheus 数字孪生"可信度引擎"的算法底座。

值得强调，上述软件均为 INL 主导、开放获取的 NEAMS 成果，这意味着 Prometheus 并非在空白之上重建，而是站在美国十余年核能建模与仿真投资之上 [R71]。这种"存量软件资产 + 增量 AI 加速"的组合，是项目相对一般商业 AI 倡议的独特优势，也解释了为何 INL 而非某家初创企业被任命为牵头方。

（推测）Prometheus 的"数字孪生"可以理解为：以 MOOSE 套件为高保真内核，外挂 ML 代理层（5.2）与实时数据接口（来自 ATR、TREAT、MARVEL、NRAD 等设施的实验/运行数据 [R10]），构成一个"仿真内核 + 数据同化 + 在线推理"的孪生体。INL 与 NVIDIA 的声明也明确将"accelerating MOOSE, BISON, Griffin, and Pronghorn on NVIDIA GPU architectures"列为 "code acceleration" 方向 [R9][R10]——这意味着数字孪生的实时化高度依赖 GPU 移植。一个值得注意的细节是，Griffin 已被用于建模半自主启动序列（如核热推进），其 UQ 与敏感性分析能力正是数字孪生所需的"可信度引擎" [R71]。

5.3.2 数字孪生概念与不确定性

数字孪生在核电厂应用的核心难点不是"画一个三维模型"，而是如何在孪生体中表达与传播不确定性。Kochunas 等对核动力应用的数字孪生概念与不确定性做了系统综述，强调孪生体价值在于支撑决策而非可视化，并指出不确定性的量化与传播是区分"玩具模型"与"工程孪生"的分水岭 [R51]；Vairagade 等则展示了用数字孪生训练机器人导航与交互的具体案例，说明孪生体可超越"监控"进入"自主作业"层面 [R56]。（推测）Prometheus 可能在两个层面运用该思想：

设计阶段孪生：用代理模型快速探索设计空间，并以 UQ 给出每项指标的置信区间；
运行/建造阶段孪生：以实时传感数据同化更新孪生状态，支撑预测性维护（第 6 章）。

数字孪生与 UQ 不可分离——一个不带不确定性标尺的孪生体，在核安全语境下是不合格的"伪孪生"。这正是 5.8 节的方法论落点。此外，孪生体的"保真度—成本"权衡本身也是工程决策：并非所有子系统都需最高保真，关键安全相关路径（如 CHF、临界）应保持高保真并辅以 UQ，非关键路径（如辅助系统热损）可放心使用代理 [R51]。

值得补充的是，Griffin 已被 NRC 用作先进堆的独立验证工具，NRC 与实验室团队已基于 Griffin 开发涵盖先进堆关键技术特征的"参考电厂模型"，用以对产业方提供的仿真预测做独立校核 [R71]。这意味着 Prometheus 的数字孪生在监管侧已具备"先发接口"——不是从零说服 NRC 接受新工具，而是沿既有的 Griffin 验证通道扩展。这一制度性铺垫是项目相对一般 AI 倡议的隐性优势：技术栈的主力代码（MOOSE/BISON/Griffin）早已进入 NRC 的审评工具箱，AI 加速是在已获信任的骨架上做增量，而非引入全新且陌生的黑箱。对第 8 章"监管俘获与独立性"争议的讨论而言，这既是降低准入门槛的利好，也可能被批评为"监管过早与特定工具绑定"的隐患。

5.4 核数据与领域基础模型的可能路径

5.4.1 核数据：从 ENDF 到"学习得到的核数据"

核数据（如 ENDF/B 评价库中的截面、裂变产额）是全部中子学计算的底层输入，其不确定性直接向上游传播至功率分布与安全裕度。Hashemi 等关于"ML 核数据精度"的研究 [R59] 表明，机器学习不仅能加速，还能结构化地学习与压缩核数据的不确定性，为更高效的灵敏度/不确定性分析提供新工具。传统核数据工作流依赖评价者人工整合实验与理论，周期以年计；ML 的介入有望将"新测量→更新评价"的回路压缩。

（推测）Prometheus 若要建立"核数据基础模型"，可能的形态是：以图神经网络编码核素—反应—能量网格的评价数据，输出带协方差的截面代理，再以贝叶斯同化吸收新实验测量。这一路径与 DOE 长期推动的核数据现代化方向相容，但公开资料尚未证实存在统一"核数据基础模型"，故本章仅作路径推测。需警惕的是，核数据误差具有强相关性（协方差非对角项显著），朴素 ML 可能忽略这些相关性而产出"看起来准、实则系统性偏"的截面——这再次凸显 UQ 的不可或缺。

5.4.2 领域基础模型（Domain Foundation Model）的设想

AI for Science 的范式由 AlphaFold 等证明：在单一领域的大规模预训练可泛化至多任务 [R27][R28]。核工程是否可能出现自己的"基础模型"？（推测）Prometheus 具备培育此类模型的独特条件：INL 数十年的遗留核数据、实验室数据、在役/实验堆数据，加上 X-energy 等开放的堆型设计数据 [R13]，构成稀缺的专有语料。一个"核工程基础模型"可能以多模态方式联合建模几何、物理场、文本（许可文档）与仿真结果，支撑从概念设计到许可的生成式工作流。

但必须清醒：核安全级基础模型面临分布外（OOD）失效、可解释性缺失、监管可接受性三重门槛。基础模型在蛋白质折叠（容错空间大）上的成功，不能直接外推至"失效即灾难"的核反应堆。因此（推测）即便存在，其定位也应是"设计师的副驾（copilot）"而非"自主决策者"，严格置于 human-in-the-loop 之下 [R7][R12][R49]。此外，基础模型的训练对数据规模与质量极为敏感，而核领域数据往往涉密、碎片化、格式异构——这反过来说明 5.1.3 节强调的"数据本体（DIAMOND 类）"是前提性基础设施，而非锦上添花。

进一步看，核工程是典型的"小数据"领域：相比语言或视觉的互联网级语料，可用于训练可靠模型的堆型事故数据、辐照实验数据极为稀缺，且多被各企业以商业机密为由隔离。Tukumbetova 等关于核燃料循环文献中机器学习分类方法比较的研究，揭示了即便在公开文献层面，核领域数据的稀疏与不均衡已足以制约模型泛化 [R50]；Deng 等关于"先进核反应堆设计中的 AI"的编辑述评则指出，该方向仍处于方法验证的早期，远未到"基础模型"成熟阶段 [R57]。这些学术现实提示：Prometheus 即便拥有 INL 的专有数据，其"基础模型" ambitions 也更可能先落地为"任务特定的中等规模模型集合"，而非一个统一巨模型。对报告后续章节而言，这意味着 50% 降本的"AI 红利"可能主要源于代理模型与自动化工作流（确定性强、见效快），而非尚不确定的"核基础模型"（想象空间大、风险高）。这一分层判断有助于在第 6、10 章避免对 AI 能力做过度乐观的外推。

5.5 高性能计算资源

Prometheus 的训练与高保真仿真依赖 DOE 的 E 级（exascale）算力。关键系统包括：

Frontier（ORNL）：HPE Cray EX，理论峰值约 2 EFlop/s（双精度），实测 HPL 约 1.1–1.2 EFlop/s，采用 AMD EPYC CPU + AMD Instinct MI250X GPU，9,856 个计算节点，Slingshot-11 互联，AI 混合精度（HPL-AI）可达约 6.88 EFlop/s [R72]；
Aurora（ANL）：Intel/HPE 系统，峰值 ≥2 EFlop/s，采用 Intel Xeon Max CPU + Intel Data Center GPU Max，10,624 节点，配备革命性 DAOS I/O 与统一内存架构，对 ML/数据科学负载友好 [R72]；
INL Teton（据公开报道）：2026 年 1 月投运，使 INL 计算能力翻两番（quadrupled），用于支撑核能与 AI 任务的本地算力，缓解对远程 E 级机的依赖 [R70]。

公开声明明确将 "leveraging DOE leadership-class supercomputers for large-scale model training and simulation" 列为战略方向 [R9][R10]。由此可推断，Prometheus 的算力编排逻辑是：E 级超算负责离线的、批量的大模型训练与高保真仿真；本地（Teton）与 GPU 集群负责近实时/在线的数字孪生与代理推理；NVIDIA/AWS 提供前沿 AI 训练框架与云弹性（见 5.6）。

一个值得关注的工程事实是：Frontier 的 AI 混合精度性能（~6.88 EFlop/s）远高于其双精度峰值（~2 EFlop/s），而核高保真仿真（中子学、流体）多为双精度敏感负载，ML 训练则可用低精度——这意味着 Prometheus 必须在"精度需求"与"算力性价比"之间精细调度，不能简单以 AI 算力峰值衡量其能力 [R72]。具体而言，训练代理模型可用 FP16/BF16 吃满 AI 算力，而用训练好的代理去辅助的高保真仿真仍需双精度，二者构成"低精度训练—双精度验证"的闭环。

此外，超算的 I/O 与互联往往是比峰值更隐蔽的瓶颈：大规模耦合多物理场（MOOSE/BISON/Griffin）产生海量中间场数据，Aurora 的 DAOS 与 Frontier 的 Slingshot-11 正是为缓解此类瓶颈而设计 [R72]。（推测）Prometheus 在 E 级机上的主要"墙"可能不是算力而是数据搬运与 checkpoint，这进一步说明软件生态（MOOSE 的自动并行）与 I/O 架构比单纯堆 GPU 更关键。

再从"算力经济学"角度看，E 级机每小时机时成本以万美元计，且其队列竞争来自全 DOE 科学任务；因此 Prometheus 即便拥有优先级，也不可能把全部设计探索都扔上 Frontier。这就要求项目在"本地 Teton（低成本、低延迟）"与"E 级机（高能力、高成本）"之间做分层调度：日常迭代在 Teton 与 GPU 集群完成，仅在里程碑节点（如最终安全论证前）调用 E 级机做全保真确认。这种"云—本地—E 级"三级算力拓扑，才是工程上可持续的编排方式，而非舆论想象中"无限算力任意挥霍"。INL Teton 的投运恰在这一拓扑中扮演"缓冲层"角色 [R70]，使项目不必为每一次代理模型重训练都去争夺稀缺的 E 级机时。

5.6 NVIDIA 与 AWS 的算力与平台角色

5.6.1 NVIDIA：Omniverse、CUDA 生态与 INL 合作

INL 与 NVIDIA 于 2026 年 2 月宣布在 Genesis Mission 下合作，构建"AI 加速核能部署、核能为 AI 基础设施供电"的良性循环 [R9][R10]。NVIDIA 的角色可拆解为三层：

AI 基础设施与 GPU 加速：将 MOOSE/BISON/Griffin/Pronghorn 等核仿真代码移植到 NVIDIA GPU 架构，解锁"前所未有的仿真能力" [R9][R10]；
Omniverse 与数字孪生平台（推测）：尽管公开声明未逐字点名 Omniverse，但 NVIDIA 的 Omniverse（基于 OpenUSD 的实时 3D 与仿真协作平台）是其在工业数字孪生领域的旗舰产品，（推测）Prometheus 可借此实现设计—仿真—可视化的协同闭环，并将多伙伴的异构模型统一在同一 USD 场景中；
CUDA 生态与训练框架：提供 cuDNN、TensorRT、NeMo 等工具链，支撑生成式模型与代理模型的训练—部署，并可能提供本地推理用的 NVIDIA AI 系统（声明中提及"evaluating on-premises NVIDIA AI systems for real-time operations"）[R9][R10]。

NVIDIA 一方的表态强调"combining INL's decades of nuclear expertise with NVIDIA AI infrastructure"，目标直指"design, license and operate reactors faster, safer and at lower cost" [R9][R10]。这一合作的政治意涵（AI 芯片巨头深度嵌入国家核战略）将在第 8 章的"治理与依赖"争议中讨论。从纯技术看，NVIDIA 的进出在于把"科研级"核代码搬上"工业级"加速硬件，使数字孪生从"隔夜批处理"走向"准实时"——这正是 50% 降本叙事的算力支点。

5.6.2 AWS：云算力与数据平台角色

Data Center Dynamics 的报道将 AWS 列为 Prometheus 的联合发起方之一 [R12]。结合亚马逊 2024 年入股 X-energy、并计划于 2039 年前并网 Cascade 设施（12 台 Xe-100，最大 960 MWe）的产业背景 [R13]，（推测）AWS 的角色主要是：提供云上弹性训练/推理算力、托管数据湖与 MLOps 平台（如 SageMaker 类服务），并以其自身的数据中心电力需求作为 Prometheus 输出的"首位客户"之一——这正契合"AI 需要核电、核电需要 AI"的良性循环叙事 [R9][R10][R22][R23]。

需要指出，将安全关键核数据置于商业云上存在数据治理与出口/安保顾虑（第 8 章），故（推测）Prometheus 更可能采用"敏感数据留本地 HPC、弹性训练上云"的混合编排，而非全量上云。EPRI 与 IEA 关于 AI 与数据中心能耗的研究表明，AI 基础设施的电力需求正成为核电的新增市场 [R22][R23]，这也解释了为何 AWS 有动力以伙伴身份参与——其本质是"以算力换未来绿电供应"的战略投资。

从平台能力看，AWS 可能提供的不仅是裸算力，而是 MLOps 全栈：特征存储、模型注册、实验追踪、以及面向多伙伴的权限与审计体系——这些"工程 plumbing"恰是 32 家伙伴协同训练模型时最易被忽视却最关键的环节。核数据的敏感属性还要求云上实现"可用不可见"（如联邦学习、可信执行环境），使 X-energy 等企业在不泄露专有设计的前提下贡献数据增益。（推测）Prometheus 若真要打通多伙伴数据，联邦学习或差分隐私增强的训练框架将是绕不开的技术选择，否则"开放数据"的承诺将因商业机密顾虑而落空。这也与 5.1.3 节的数据本体设想形成互补：DIAMOND 解决"格式统一"，联邦学习解决"主权保留"，二者共同构成多伙伴 AI 协作的数据基座。

5.7 V&V/UQ 方法论及其对核安全级应用的意义

5.7.1 验证、确认与不确定性量化（V&V/UQ）的基本框架

在核工程语境下，V&V/UQ 是模型能否被监管接受的"闸门"：

验证（Verification）：模型是否正确地解了方程（" solved the equations right"）；
确认（Validation）：模型是否在物理上代表了真实系统（" solved the right equations"）；
不确定性量化（UQ）：输入/模型/数值的不确定性如何传播至输出，并给出带置信的边界。

对于 ML/代理模型，还需额外确认其在分布外（OOD）条件下的行为。一个通用的 UQ 输出可表达为带总不确定度的预测区间：

\hat{y} \pm z_{\alpha/2}\,\sigma_{\text{tot}}, \qquad \sigma_{\text{tot}}^2 = \sigma_{\text{epistemic}}^2 + \sigma_{\text{aleatoric}}^2

其中 \sigma_{\text{epistemic}} 为认知不确定性（模型/数据不足，可通过更多数据或集成降低），\sigma_{\text{aleatoric}} 为偶然不确定性（固有噪声，不可降低），z_{\alpha/2} 为标准正态分位数。Ma 等的 Softmax 神经网络代理即给出此类不确定性估计 [R44]，正是核安全应用所需。这一分解的重要性在于：当模型"不知道"时（高 epistemic），系统应能识别并告知人类接管，而非自信地犯错——这是 human-in-the-loop 的数学对应物。

5.7.2 对核安全级应用的意义

核安全关键软件历来要求严格的工程保证。Yoo 等形式化建模与验证研究指出，安全关键软件的验证需要超越常规软件测试的方法（如模型检验、形式化规约），因为常规测试无法穷举全部输入空间 [R40]。当 AI 进入"设计—许可—运行"链条，以下张力凸显：

黑箱 vs 可解释性：深度模型决策难追溯，而核安全文化要求"为何安全"可被审查 [R41][R49]；
统计保证 vs 确定性保证：传统安全分析给出保守的确定性边界，ML 给出概率性边界，监管框架（如 NRC Part 53 终版规则）如何接纳，是开放的制度问题 [R15][R16]；
自适应系统 vs 静态认证：若孪生体在线学习，则"已认证的版本"会漂移，需持续确认机制。

（推测）Prometheus 的 WP-H（V&V/UQ）很可能由 SNL 牵头，结合形式化方法 [R40] 与混合神经—符号框架 [R49]，构建一套"可被 NRC 审查"的 AI 模型认证路径。公开声明也提到"providing guidance to regulatory entities on state-of-the-art autonomous and digital nuclear capabilities" [R9][R10]，暗示项目方有意主动塑造监管话语。Deshmukh 等的混合神经—符号学习框架为"可解释的安全关键 AI 决策"提供了可借鉴的技术路线：用符号层保证逻辑可审查，用神经层提供感知与泛化 [R49]。这一"神经—符号"二分，恰好对应核安全"黑箱感知 + 白箱裁决"的可行折中，是 Prometheus 在监管博弈中最可能倚重的技术修辞与工程现实的交汇点。

将视野拉到制度层面，NRC 于 2026 年发布数十年来首个新型反应堆许可流程（Part 53 终版规则）[R15]，并在总统行政令（EO 14300）下推进现代化 [R16]——这为主管项目提供了"新流程本就为先进堆与非轻水设计而设"的制度窗口。Prometheus 的 V&V/UQ 框架若能对齐 Part 53 的风险告知要求，便有机会将 AI 辅助分析嵌入未来许可范式；反之，若 UQ 边界无法满足"确定性保守"传统，则 AI 成果仍将被挡在许可门外，沦为仅用于内部预研的工具。因此本章 §5.7 的 UQ 方法论并非题外技术细节，而是决定 Prometheus 能否真正触达"许可加速"这一最值钱环节的前置条件——毕竟设计再快，卡在 NRC 审评上，部署周期仍无从压缩。

5.7.3 量化风险的表达

可将 AI 模型引入安全分析的风险表述为失效概率与后果的乘积，并以前述 UQ 边界约束：

P_{\text{fail}} \le \Phi\!\left(\frac{y_{\text{limit}} - \hat{y}}{z_{\alpha/2}\,\sigma_{\text{tot}}}\right)

其中 y_{\text{limit}} 为安全限值（如包壳温度上限），\Phi 为累积分布函数。该式表明：即便点估计 \hat{y} 远低于限值，只要 \sigma_{\text{tot}} 过大，失效概率上界仍可能超过监管容忍度——这恰是"代理模型加速"必须配套"严格 UQ"的工程理由，也是 Prometheus 能否兑现 50% 降本而不牺牲安全的"技术性天花板"。换言之，AI 带来的"快"只有在 UQ 证明"快得安全"时才被监管允许；否则加速只是把风险推到看不见的地方。

5.7.4 认证路径的推测性设想

（推测）Prometheus 可能探索一条"分级采信"的 AI 认证路径：AI 生成的候选设计经高保真仿真复核后，仿真结果（而非 AI 本身）进入安全论证；AI 代理若要通过"直接采信"，则需通过针对其特定输入域的 V&V 套件与 UQ 边界认证。这种"AI 提议、高保真裁决、UQ 背书"的三段式，既享受 AI 的速度，又不放弃核安全的确定性传统。其难点在于认证成本本身可能侵蚀降本收益——这正是第 10 章情景分析需纳入的权衡。

5.8 小结：技术自洽性与悬而未决的约束

综合本章分析，Prometheus 的技术架构在方法学层面是自洽的：以 MOOSE 多物理场生态为高保真内核 [R71]，以代理模型/PINN/ML-CHF 为加速与增强层 [R44][R45][R46][R53][R59][R62]，以 E 级超算与 GPU 为算力底座 [R9][R10][R72]，以 NVIDIA/AWS 为平台与云弹性 [R12]，并以 V&V/UQ 为安全闸门 [R40][R44][R49]。公开叙事中反复出现的 "generative AI / digital twins / agentic workflows / surrogate modeling / explainable AI" 五大关键词 [R9][R10][R12]，均能在上述技术栈中找到对应落点（表 5-3 作一收敛）。

表 5-3　公开关键词↔技术栈映射（据公开信息推断）

公开关键词	对应技术落点	本章节
generative AI	生成式设计、LLM 代码/文档生成	5.2.1 / WP-A / WP-G
digital twins	MOOSE 内核 + 代理层 + 数据同化	5.3
agentic workflows	贝叶斯优化主动学习、agent 编排	5.2.6 / WP-F
surrogate modeling	神经网络/GP/PINN 代理	5.2.2–5.2.5
explainable AI	神经—符号、UQ、形式化验证	5.7

但本章也识别出三重结构性约束，它们不是算法问题，而是"能否从技术原型走向监管认可与规模部署"的约束：

可解释性与核安全文化的冲突：生成式与基础模型若不能提供可审查的因果链，将撞上 NRC 的适航性要求 [R15][R40][R49]；
算力精度错配：核高保真仿真依赖双精度，而 AI 峰值算力多为低精度，需精细编排 [R72]；
数据治理与依赖：商业云与 AI 芯片巨头的深度嵌入带来治理与供应链依赖风险 [R12]（第 8 章展开）。

这些约束的"软硬"程度，将决定 Prometheus 是成为核工业的效率革命，还是停留为一次雄心勃勃但受限于安全与制度边界的技术实验。第 6 章将沿全生命周期继续展开制造、建造、运行与许可取证环节的具体实现方式，而第 8 章将从争议视角审视"快得是否安全、省得是否可信"。

需要预先点明一个贯穿后续章节的判断：Prometheus 的"技术可行性"与"制度可行性"并不同步。在方法学层面的自洽（本章已论证）只解决了"能否造出可用的 AI 工具"；而"这些工具能否被 NRC 接纳、被产业以可承受成本部署、在政党轮替下持续获得拨款"，则是另一组问题。本章确立的技术基线——尤其是 UQ 作为不可逾越的安全闸门——将为第 6 章评估 50% 降本可行性、第 10 章推演三年里程碑提供共同的度量标尺：任何"加速"若无法在 UQ 框架下证明"快得安全"，便只是把风险转移到监管与公众身上。换言之，本章的核心结论不是"AI 能让核电更快更便宜"（这是政治宣言），而是"AI 能以可量化的不确定度为代价换取速度，而该代价能否被安全框架吸收，才是真正的工程问题"。面向后续章节，这一结论可凝练为一句可复用的判据：评判 Prometheus 成败的标准，不是它生成了多少设计，而是它在 UQ 边界内、在 human-in-the-loop 之下，真正把多少设计安全地送过了 NRC 的门槛。

第6章 Prometheus 的实现方式（下）：从许可到运行的全生命周期AI化

6.0 章节定位与问题框架

第5章已经就 Prometheus 项目在底层技术架构层面（生成式反应堆设计、多物理场代理模型、数字孪生、核数据与基础模型、HPC 与 V&V/UQ）的 AI 能力做了推测性重构。本章把视角从"模型与算力"下沉到"资产全生命周期"——即从一座先进堆被许可、被制造、被建造、被运行维护，到其燃料被 AI 化生产、其数十年技术档案被 AI 化治理的完整链条——逐一拆解 AI 在每个环节可以嵌入的位置、当前成熟度，以及它们共同指向的那个总目标：将先进堆的"部署周期与运营成本削减50%" [R7][R11][R12]。

需要首先澄清一个常被混淆的口径。"部署周期与运营成本削减50%"在 Prometheus 公开材料中被同时施加于两个维度：其一是"部署周期"（schedule），即一座电站从许可启动到商业运行的时间；其二是"运营成本"（cost），既可指前期资本支出（capex），也可指全生命周期的平准化成本（含运维 O&M）。本章在 6.8 节会严格区分这两个维度，并给出各自的量化边界。在此之前，我们先按生命周期顺序逐一考察 AI 的落点。

贯穿全章的一条主线是：AI 在核领域的价值，并不主要来自"替代人"，而来自"把人从重复、低信息密度的劳动中解放出来，并使人—机协同在更高置信水平上运转"。这正是 human-in-the-loop（人在回路）这一项目元原则在全生命周期中的具体含义 [R7][R12]。与之相伴随的，是核安全级软件验证与"AI 不可解释性"之间的结构性张力，本章 6.6 节专辟讨论。

6.1 AI 加速许可审批

6.1.1 许可文档自动生成：从"写作负担"到"知识工程"

核能许可最被低估的成本，往往不是审评本身，而是申请人为编制海量、高度结构化、可溯源的安全论证文件所投入的工程人力资源。一座先进堆的许可申请书（包括 DCD、安全分析报告 FSAR、严重事故分析、概率安全评价 PRA 等）动辄数十万页，且每一处陈述都必须与上游设计模型、试验数据、法规条款严格一致。传统上，这些文档由大量工程师手工撰写与交叉引用，版本漂移与引用错配几乎不可避免 [R25]。

Prometheus 设想的一条路径，是用大语言模型（LLM）结合检索增强生成（RAG）来承担"许可文档草拟与一致性校核"。其技术逻辑是：将法规条款库（10 CFR Part 50/52/53、NRC 导则、NEI 行业指南）、历史许可案例、本项目设计数据与试验证据向量化入库，模型在生成某一段"设计基准事件应对论证"时，自动检索并嵌入可溯源的支撑证据，并标注置信度与残余不确定性 [R7][R12]。这一思路与第5章讨论的"核数据与基础模型"形成呼应：许可文档生成本质上是把"已验证的知识"以可审计的方式重组，而非自由生成。

需要强调的是，在核安全语境下，LLM 绝不能"凭空创作"安全论证。human-in-the-loop 在此意味着：模型产出初稿与证据链，注册工程师（Licensed Professional Engineer / 指定责任人员）逐条核签。AI 的价值在于把文档撰写从"原创写作"降格为"证据对齐与校核"，从而把工程师的注意力集中到真正的工程判断上 [R12][R41]。

6.1.2 NRC 审评辅助：把审评员从"文书核查"中释放

许可审批的双向瓶颈同样存在于监管侧。NRC 审评员需要核查申请人提交的文档是否满足法规、是否自洽、是否与既往批准先例一致。随着先进堆设计多样性激增，传统以"轻水堆为中心"的审评模板难以直接套用，审评员被迫大量投入在"读懂新设计 + 寻找对应审评判据"上 [R25]。

AI 可承担的角色包括：自动化一致性检查（跨文档条款映射）、风险告知（risk-informed）论证的逻辑漏洞识别、PRA 模型与文字描述的一致性比对、以及基于历史审评意见（RAI，Request for Additional Information）的模式预测。GAO 早在 2023 年即指出，NRC "需要为许可先进堆做额外准备"，包括工具与流程现代化 [R25]。Prometheus 与 NRC 现代化的时间线高度重合，为"申请端自动化 + 监管端辅助"的双向提速提供了窗口。值得注意的是，这种"双向"并非对称：申请端（开发商）使用 AI 的动机是降低自身成本、加快上市，而监管端（NRC）使用 AI 的首要约束是"不降低安全置信水平、且决策可问责"。因此，监管端 AI 的部署节奏注定更谨慎，也更依赖 6.6 节的可解释与可验证框架。一种务实的分工由此浮现：开发商用 AI 生成高完备度、高可追溯性的申请材料，把"好材料"主动送到监管者面前；监管者用 AI 做"一致性抽检与逻辑核查"，把人力集中到真正的重大安全判断上。双方都在 AI 帮助下提质提效，但安全责任的归属始终清晰——这是 human-in-the-loop 原则在监管关系中的延伸 [R15][R25][R41]。

6.1.3 NRC Part 53 新规：AI 加速许可的制度前提 [R15]

2026 年 3 月 25 日，NRC 发布了 10 CFR Part 53——"风险告知、性能导向、技术包容"（risk-informed, performance-based, technology-inclusive）的新型反应堆许可框架，这是自 1989 年 Part 52 以来首个全新许可框架，也是自 1956 年 Part 50 以来对许可标准的首次重大更新 [R15]。其核心变化有三：

技术包容：不再以"轻水堆"为默认范式，非轻水、非水冷却、SMR 与微堆均可在不申请大量豁免的情况下进入统一框架；
风险告知与性能导向：以概率安全评价（PRA）与系统性风险度量为合规证明手段，替代大量规范性（prescriptive）设计要求；
分阶段许可（staged licensing）：允许开发商按阶段完成许可，减少评审中的不必要重复，路径更可预测 [R15]。

对 Prometheus 而言，Part 53 的意义是制度性的：AI 所擅长的"用代理模型快速迭代设计、用不确定性量化给出风险边界"，与 Part 53 所要求的"以风险度量替代规范符合"在方法论上同构。换言之，AI 加速设计的能力，只有在"监管接受风险告知论证"的前提下才能转化为真正的审批提速。Part 53 约于 2026 年 4 月 29 日生效，并配套 9 份导则文件 [R15]。

6.1.4 NRC 现代化与行政令 EO 14300 [R16]

Part 53 并非孤立事件，而是更广泛"NRC 现代化"的一部分。NRC 在 2026 年的简报中将其改革置于总统行政令 EO 14300 之下，强调"在保持安全的前提下使核能监管与不断演进的产业格局对齐" [R16]。现代化方向与 Prometheus 的 AI 提速主张高度一致：减少重复评审、缩短时间、降低成本、提升可预测性 [R15][R16]。

值得补充的是，NRC 同期还提出了允许申请人"引用 DOE 或 DOW（原国防部）既有授权与试验证据"以支持商业许可的拟议规则（proposed rule），这意味着像 INL 这样的国家实验室在 MARVEL、Pele 等项目中的安全文档与演示数据，未来可被开发商"映射"到 NRC 要求上以加速论证 [R74]。这对由 INL 牵头的 Prometheus 具有直接利好——实验室已有的风险告知安全文档方法论可被产业伙伴复用。

6.1.5 ADVANCE Act：立法层面的加速授权 [R17]

2024 年生效的《Accelerating Deployment of Versatile, Advanced Nuclear for Clean Energy Act of 2024》（ADVANCE Act，公法 118-67）为先进堆许可现代化提供了立法根基 [R17]。它进一步界定了"先进核反应堆"的定义，并为 NRC 的现代化（含 Part 53 所依托的 NEIMA 立法脉络）提供了国会授权与经费激励。ADVANCE Act 与 Part 53、EO 14300 共同构成"许可提速"的三层制度支撑：立法授权（ADVANCE）→ 监管框架再造（Part 53）→ 行政执行推动（EO 14300）。Prometheus 的 AI 工具若想真正缩短部署周期，必须建立在这三层制度地基之上，而非与之脱节 [R15][R16][R17]。

6.1.6 MARVEL 微堆先例：风险告知方法论的可复用模板 [R73]

在先进堆许可实践中，INL 主导的 MARVEL 微堆（钠钾冷却、85–100 kWt、约 20 kWe）提供了极具参考价值的先例。2026 年，DOE 爱达荷运维办公室批准了 MARVEL 的"初步文件化安全分析"（Preliminary Documented Safety Analysis, PDSA），清除了其"干临界"（dry criticality）试验的监管障碍 [R73]。INL 项目负责人明确称该 PDSA 不只是合规要求，更是"未来先进核能的蓝图"，可向开发商分享模板以"精简各自的时间线" [R73]。

尤为关键的是，MARVEL 的 PDSA 采用了风险告知方法论（risk-informed methodology），并纳入更新的建模与经验教训。该方法论已被 Pele 便携式微堆、熔盐堆实验（MCRE）、VALKRE 等多个 DOE 授权项目借鉴 [R73]。对 Prometheus 而言，MARVEL 提供了两重资产：其一是一套"如何向监管者证明新型设计安全"的文档范式；其二是证明"国家实验室主导的风险告知安全论证"可被产业复用。这正是 AI 许可辅助系统最值得学习的结构——把"风险告知论证"模板化、可检索化、可复用化，与 6.1.1 的 RAG 许可生成思路直接咬合。

6.2 制造与建造环节 AI

6.2.1 先进制造：从"逐件定制"到"数据驱动工艺优化"

先进堆的成本失控，很大程度上源于制造环节的低标准化与低重复性。与传统轻水堆动辄现场浇筑不同，SMR 与微堆的经济性逻辑建立在"工厂化、模块化、系列化"之上 [R19][R21]。但要实现这一逻辑，必须解决工艺一致性问题——每一台模块化设备都必须是"第一台也是第 N 台都合格"的产品。

AI 在先进制造中的落点包括：工艺参数优化（如增材制造/3D 打印中的热源—微观组织—性能映射）、制造缺陷预测、以及将设计模型直接转化为可制造性（DFM）反馈。这本质上与第5章的"生成式设计 + 代理模型"形成闭环：设计阶段用代理模型评估可制造性，制造阶段用数据反哺设计迭代 [R7][R12]。MIT 对核能未来的研究早已指出，制造标准化与系列化是压降成本的核心杠杆 [R18]。这里需要进一步点明的是"系列化"与 AI 之间的正反馈关系：第一台模块化设备因工艺摸索而成本偏高，但随着生产批次累积，AI 驱动的工艺模型不断从真实产线数据中学习，缺陷率下降、良率上升、单台成本随之摊薄，形成所谓"质量数据飞轮"。这一飞轮效应是 SMR 经济性论证成立的前提，也是 Prometheus 把多家制造企业（如 X-energy、Westinghouse、GE Vernova、Kiewit 等）纳入伙伴网络的根本动机——只有足够的批量与多样的设备工艺数据，AI 模型才能获得跨设计、跨厂牌的泛化能力 [R12][R13][R19]。反之，若先进堆长期停留在"每堆一设计、每厂一工艺"的定制化状态，AI 便无从积累，规模经济也无从谈起。因此，制造环节的 AI 化本质上是一场"数据基础设施建设"，其回报在时间上滞后、在系统上外溢，需要项目以产业联盟而非单点攻坚的方式来推进 [R21]。

6.2.2 焊接与无损检测 AI：质量控制的范式转移

核能设备的焊接质量与无损检测（NDE，如超声、射线、涡流）长期依赖高技能人员的主观判读，且是现场建造进度的主要关键路径之一。AI 的引入包含两个层次：

焊接过程智能控制：用传感数据（声发射、热成像、熔池视觉）实时预测焊缝质量，在缺陷形成前干预；
NDE 图像智能判读：用计算机视觉对超声/射线图像做缺陷自动识别与定级，减少人为漏判误判，并将判读结果结构化入库，支撑全生命周期可追溯性。

这类应用的技术成熟度在中高端（TRL 6–8），在航空、压力容器行业已有先例，向核能迁移的主要障碍是"核级设备质量认证体系如何接纳 AI 判读结果"——这又回到 6.6 节的验证张力。值得展开的是，核级设备对"零缺陷"的期望极高，传统 NDE 标准（如 ASME 第 V 卷）建立在"人工判读 + 规程化验收"之上；当 AI 接管判读时，监管者面对的是一个无法被简单复现的模型，因而需要全新的"模型性能保证"证据——包括在不同材料、不同几何、不同噪声条件下的误报/漏报率曲线，以及模型在分布漂移时的退化监测。这意味着焊接与 NDE 的 AI 化，技术难点更多落在"验证与认证"而非"算法本身"，再次印证了 6.6 节的核心命题：在核领域，AI 的边界往往由验证体系而非算力划定 [R40][R49]。

6.2.3 施工进度管理：把"现场不确定性"变成"可预测网络"

建造阶段是核项目成本超支最集中、也最经典的环节。Eash-Gates 等人对全球核电建设成本超支的归因研究指出，超支根源大量来自工程设计阶段，工程设计的缺陷在建造期被放大为返工、停工与索赔 [R35]。而 Lovering 等人的历史数据库则显示，核电单位建设成本随时代与地域剧烈波动，进度延误是成本膨胀的主要传导机制之一 [R30]。

AI 在施工管理中的角色，是用进度—资源—风险耦合的预测模型（如结合贝叶斯优化与事件树的方法 [R43]）来动态识别关键路径与风险分支，把"被动救火"转为"主动前置"。结合数字孪生 [R51][R56]，施工进度可与设计模型、供应链状态实时对齐，使"模块化交付—现场吊装—调试"的节拍更可控。这与 DOE《Advanced Nuclear Liftoff》所强调的"标准化、模块化、系列化部署以压降成本与周期"高度一致 [R19]。需要补充的一点是，施工管理 AI 的成效高度依赖"上游设计的质量"。若设计模型本身频繁变更（这正是 Eash-Gates 所揭示的超支根源 [R35]），那么再聪明的进度模型也只能疲于追赶。因此，建造端的 AI 收益，实质上有相当一部分是前序设计端 AI 收益的"递延兑现"——设计阶段用代理模型把可施工性、可制造性前置验证得越充分，建造现场的不确定性就越低。这揭示了一个贯穿本章的重要洞察：全生命周期各环节的 AI 收益并非相互独立，而是沿"设计→制造→建造→运行"逐级传导、逐级放大的链式结构；某一环节的薄弱，会成为下游所有环节 AI 收益的"天花板" [R35][R51]。

6.3 运行与维护：从"定期检修"到"智能自治"

运行与维护是核资产生命周期中持续时间最长、累积成本最高、且与人因安全文化交织最深的阶段。如果说许可、制造、建造属于"一次性 capex"，那么运维则是"数十年 opex 的连续流"，其任何微小的效率提升，经时间复利后都相当可观。本节不把运维视作单一技术，而视作"感知—诊断—决策—执行"的闭环：传感层提供数据，诊断层识别异常，决策层给出策略，执行层（或操纵员）落实动作；AI 在每一层都可嵌入，但嵌入越深、离安全关键功能越近，受 6.6 节验证张力的约束也越强 [R41][R48]。下面分四层展开。

6.3.1 预测性维护 [R61]

传统核电运维以"定期大修 + 计划检修"为主， schedules 固化且 often 过度维修。AI 推动的方向是预测性维护（predictive maintenance, PdM）：基于传感数据、剩余寿命（RUL）模型与可解释机器学习，在部件失效前精准干预。Lin 等人 2025 年针对核电厂循环水系统提出的可解释机器学习预测性维护工具，正是这一方向的代表——不仅给出"何时可能失效"的预测，还给出"为何"的可解释依据 [R61]。

对 Prometheus"运营成本削减"目标而言，PdM 是运维侧最直接的降本杠杆：减少非计划停机、压缩大修窗口、把库存从"备件囤积"转为"按需供给"。我们会在 6.8 节量化其对 O&M 的节省幅度。进一步看，预测性维护的经济价值不仅体现在"少修"，更体现在"少停"——核电非计划停机的机会成本（替代电力采购、容量市场罚款、燃料损耗）往往远高于维修本身。一个能提前数周预判给水泵或主泵密封退化的模型，可使电厂把干预安排进计划大修窗口，避免被迫停堆。这种"把不确定性转化为可调度性"的能力，正是 AI 之于运维最本质的贡献 [R18][R32][R61]。

6.3.2 故障诊断 [R37][R36]

运行安全的核心能力之一，是在瞬态与异常工况下快速、准确地判断"发生了什么、严重度如何"。两篇近年文献提供了方法学支撑：Ma 等人（2025）研究不平衡故障样本下的深度学习诊断，针对核电厂故障样本稀缺、类别不平衡的现实痛点 [R37]；Yavuz 与 Lüle（2026）则用机器学习做压水堆 VVER-1000 的瞬态等级判定（transient level determination）[R36]。二者共同指向一个 Prometheus 可复用的能力：用 AI 在海量运行数据中做早期异常检测与故障分类，辅助操纵员决策。这里存在一条重要的工程边界：故障诊断 AI 的"训练数据稀缺性"是核领域的特有难题——严重事故样本极少，日常又多为正常工况，导致数据极度不平衡。Ma 等人的工作正是针对这一痛点，提出在不平衡样本下仍能稳健诊断的方法 [R37]；而 Yavuz 的瞬态等级判定则为"瞬态有多严重"提供了自动化分级 [R36]。这类方法的产业价值在于，它们把原本依赖少数资深操纵员"凭经验判断"的能力，固化为可复制、可审计的模型，既缓解人才断层压力，又为控制室 AI 提供上游感知能力 [R36][R37][R41]。

6.3.3 强化学习控制 [R39]

比"诊断"更进一层的是"自主控制"。Bae 等人（2025）提出了 SMR 的强化学习框架，用于自动化反应堆堆芯启动（core startup automation）[R39]。启动过程涉及多变量、强耦合、强约束的控制序列，传统依赖规程与操纵员经验；强化学习可在仿真环境中预训练策略，再经 human-in-the-loop 监督下迁移至实际系统。这与 Prometheus 中"AI 进行反应堆设计、许可、运行"的总体定位直接对应 [R7][R12]。需要指出的是，强化学习从"仿真策略"到"真实堆芯"的迁移存在著名的"现实鸿沟"（sim-to-real gap）：仿真难以穷尽真实系统的非线性、噪声与未建模动态，因而直接部署风险极高。务实的路径是"人在回路的渐进式放权"——先在仿真与数字孪生中充分验证，再于监督下接管非安全关键、可逆的控制动作（如启动序列中的某些调节），把不可逆转、安全相关的停堆逻辑始终保留在传统形式化验证的保护层中 [R39][R40]。这也解释了为何 Prometheus 反复强调 human-in-the-loop：对强化学习而言，人不是备份，而是安全边界的守门人 [R7][R12]。

6.3.4 自主运行与控制室 AI [R48][R60]

控制室是人因失误与组织安全文化交汇的最前沿。早至 1991 年，Yang 与 Chang 即构建了基于 AI 技术的核电厂报警处理系统（alarm processing），用于在高报警负荷下辅助操纵员甄别真实异常 [R48]。这一方向的当代演化，是用 Markov 决策过程（MDP）框架做集成式 AI 推理与决策支持 [R60]。

当代控制室 AI 的愿景是：在稳态与常见瞬态下，AI 承担监视、报警滤波、操作建议乃至受限自主执行；在重大异常或超出训练分布（out-of-distribution）的情形下，自动将控制权交还人类并给出可解释的决策依据。这既是技术命题，也是 6.6 节"安全文化"命题——AI 不应削弱而应加强操纵员情境意识 [R41][R48][R60]。

6.4 核燃料制造 AI 化

6.4.1 X-energy TRISO-X 案例 [R13]

燃料是核资产的"源头质量"，其制造一致性直接决定反应堆安全边界与经济运行窗口。Prometheus 的产业伙伴 X-energy 承诺投入 1000 万美元私营资金，并开放其 Xe-100 小型堆设计与 TRISO-X 燃料数据 [R13]。TRISO 颗粒（三层各向同性包覆燃料）是高温气冷堆路线的核心，其制造涉及化学气相沉积、包覆层质量控制、破损率检测等高度精密的工艺链。

AI 在 TRISO-X 类燃料制造中的潜在落点包括：包覆工艺参数—微结构—性能的代理模型优化、在线破损检测（如利用视觉/声学传感）、以及批次质量一致性的统计过程控制（SPC）智能化。X-energy 开放数据供 Prometheus 训练模型，意味着"燃料制造 AI"与"反应堆设计 AI"可共享同一套数据底座，形成从燃料到堆芯的纵向闭环 [R13][R7]。从更宽的产业视角看，TRISO-X 所代表的包覆颗粒燃料，是高温气冷堆与若干先进堆路线的"安全裕度来源"——其多层陶瓷包覆可在事故高温下包容裂变产物，使反应堆具备"固有安全"特征。但这一安全特性的代价，是制造工艺的极端精密与质量一致性要求，任何包覆缺陷都可能侵蚀安全边界。因此，燃料制造 AI 不仅关乎"成本"，更关乎"安全裕度的可证明性"：用 AI 把每一颗颗粒的工艺—结构—性能链路数据化、可追溯化，既降成本又增可信度，是少数"降本与增安同向"的环节，因而值得在 Prometheus 中优先投入 [R13][R19]。燃料循环的 ML 研究则进一步提示，AI 可在铀资源利用、乏料管理、甚至闭环燃料循环的经济性优化上发挥作用，其长期价值超出单一电站范畴 [R50]。

6.4.2 燃料循环中的机器学习 [R50]

更宏观地看，AI 还可贯穿核燃料循环（铀转化、浓缩、组件制造、后处理、废料管理）的全链条。Tukumbetova 等人（2025）基于科学文献用机器学习方法对核燃料循环研究做数据分类比较，展示了"用 ML 组织燃料循环知识图谱"的可行性 [R50]。在 Prometheus 语境下，这意味着燃料循环各环节的工艺知识、材料数据库、失效模式可被结构化与可检索化，支撑燃料制造的质量溯源与工艺优化。这与第5章"核数据与基础模型"、以及 6.5 节"遗留文档管理"共享同一技术栈。

6.5 核遗留文档管理：把"纸质记忆"变成"可检索知识"

美国核工业跨越七十余年，积累了数十年量级的纸质与扫描态技术档案：早期试验报告、已停运设施的运行日志、设计手稿、监管往来函件、退役记录等。这些档案往往格式芜杂、元数据缺失、且高度依赖少数"活字典"式老专家的隐性知识。对先进堆快速部署而言，这种"机构记忆"的不可检索性是隐性但沉重的成本。

LLM 与 RAG 在此的价值尤为突出：通过光学字符识别（OCR）+ 版式理解 + 实体抽取 + 向量检索，将沉睡档案转化为可问答、可溯源、可与其他数据集交叉的知识库。一个工程师可就"某型阀门在历史堆上的失效模式"直接检索跨数十年的记录，而不必在实体档案室中大海捞针。这一能力既服务于 6.1 的许可论证（引用历史先例），也服务于 6.3 的故障诊断（借鉴历史失效经验），是贯穿全生命周期的"知识基础设施"。

需要提示的是，核遗留文档常含受控非密信息（UCNI）与出口管制约束，RAG 系统的权限分级与可追溯访问是落地前提，亦与 6.6 的可信 AI 治理相连。更深一层看，遗留文档的 AI 化还触及"组织记忆的代际传递"问题：美国核工业历经七十余年，掌握关键隐性知识（如某型设备在特定工况下的失效前兆、某次未遂事件的根因）的资深工程师正批量退休，这种"知识流失"被学界与产业界反复警示为供应链与人才断层的重要组成 [R24]。把纸质档案与退休专家的口述、笔记转化为可检索知识库，相当于为行业建立一座"数字记忆宫殿"，使新一代工程师能站在数十年经验之上而非从零摸索。在 Prometheus 这样跨 32 家伙伴、整合国家实验室与产业知识的项目中，这一能力更是协同创新的"公共基础设施"——它降低伙伴间的信息不对称，使 X-energy 的设计数据、INL 的实验记录、监管的历史函件能在统一语义层被检索与引用 [R7][R12][R13][R24]。因而，核遗留文档管理看似是"后台工程"，实则是全生命周期 AI 化的"地基工程"。

6.6 human-in-the-loop 工作流设计与核安全级软件验证的张力

Prometheus 的所有 AI 应用都立基于一个元原则：human-in-the-loop，即人在回路之中，AI 辅助而非替代核安全关键决策 [R7][R12]。然而，当 AI 从"文档助手"走向"控制室建议"乃至"受限自主控制"时，它与核工业根深蒂固的安全级软件验证范式之间，出现了结构性张力。本节拆解三对核心矛盾。

6.6.1 形式化验证：安全关键软件的传统护城河 [R40]

核安全级软件（如反应堆保护系统、仪控逻辑）长期依赖形式化建模与验证（formal modeling and verification）来确保"无未预期行为" [R40]。形式化方法通过数学证明系统满足既定性质（如"某信号必在阈值内触发停堆"），其优势在于可穷尽、可证明。但现代 AI（尤其深度学习）是"数据驱动、行为涌现、难以形式化刻画"的，传统形式化验证难以直接套用。

张力在于：若要把 AI 纳入安全相关功能，要么为 AI 行为建立可证明的边界（例如限定 AI 仅输出"建议"、将"执行"留给经形式化验证的常规逻辑），要么发展"面向学习型系统的验证方法论"（如形式化验证网络的鲁棒性边界、对抗样本免疫）。这是 Prometheus 在控制室 AI、强化学习控制等场景必须正面回答的工程—监管问题 [R39][R40][R48]。具体而言，存在三条可落地的工程折中路线：其一是"AI 在环外"（AI-out-of-loop），AI 仅作离线分析、不参与实时控制，最安全但价值有限；其二是"AI 提建议、传统逻辑把关"（advisory mode），AI 输出经形式化验证的常规保护系统过滤后才可能影响执行，是本阶段最可能落地的形态；其三是"受监控的受限自主"（supervised autonomy），在明确界定的非安全关键子任务上赋予 AI 执行权，并以"心跳监测 + 分布外检测"确保一旦超出训练域立即交还人类。三条路线构成从保守到进取的光谱，Prometheus 在三年内大概率沿光谱由左向右谨慎移动，而非一步跨越 [R39][R40][R48][R60]。

6.6.2 可解释 AI：从"黑箱预测"到"可审计决策" [R49][R52]

核安全的底色是"可问责"。一个不能被操纵员与监管者理解的 AI 决策，即便统计上更优，也难被接纳进安全关键回路。两条文献线索提供了路径：

Deshmukh 与 Irkhede（2026）提出混合神经—符号学习框架（Hybrid Neuro-Symbolic），用于安全关键 AI 系统的可解释决策——用符号层把神经网络的"直觉"翻译为可被人理解的逻辑规则 [R49]；
Radclyffe 等人（2023）的"可信 AI 评估清单"（Assessment List for Trustworthy AI）为 AI 系统的透明度、健壮性、可追溯性提供了操作性评审框架 [R52]。

对 Prometheus 而言，可解释 AI 不是"锦上添花"，而是把 AI 决策纳入 human-in-the-loop 的前提：只有当 AI 能说清"我为什么这样判断"，注册工程师才可能在核安全文件上核签，NRC 才可能在其风险告知论证中接受 AI 产出的证据链 [R49][R52]。在许可文档生成（6.1.1）与故障诊断（6.3.2）两处，可解释性尤为关键：前者要求每段论证可回溯到具体法规条款与设计证据，后者要求每个诊断结论可回溯到触发特征与历史先例。神经—符号混合框架的吸引力正在于此——它用符号层把神经网络的"直觉"锚定在人可以核验的逻辑结构上，使 AI 的输出既是"智能的"又是"可审计的"，从而同时满足工程效率与核安全问责的双重需求 [R49][R52]。这也为第8章将讨论的"AI 在核安全关键系统中的可靠性争议"提供了技术侧的解法线索。

6.6.3 安全文化：AI 不能稀释"质疑态度" [R41]

最后，也是最容易被技术讨论忽略的一点：核安全从根本上是一种安全文化（safety culture），即组织与个体对风险的警觉、对程序的敬畏、以及"质疑态度"（questioning attitude）[R41]。将 AI 引入工作流，存在一种隐性风险——当系统"看起来很聪明、很自信"时，人类可能不自觉地让渡批判性审视，形成"自动化依赖"与"责任弥散"。

Orikpete 与 Ewim（2024）对"人因与安全文化相互作用"的综述强调，技术系统必须与组织—个体层面的安全绩效协同设计 [R41]。因此，Prometheus 的 human-in-the-loop 工作流，不能仅被设计成"人在环路上点确认"，而应被设计成"AI 强制保留人类判断空间、并在高不确定性时主动上交控制权"。唯有如此，AI 才不会侵蚀、反而强化既有的安全文化根基 [R41][R48][R60]。这里还涉及一个常被技术乐观主义忽视的组织行为学细节：当 AI 系统的建议"通常正确"时，人类操纵员会逐渐建立起对系统的信任，而信任一旦固化，便可能在罕见异常时抑制其质疑本能——这正是"自动化偏见"（automation bias）的经典陷阱。对抗之道不在降低 AI 准确率，而在工作流设计上刻意保留"强制复核节点"与"反事实提示"（例如系统主动标注"本次建议置信度偏低，请独立核实"），用制度化的不信任来守护安全文化 [R41]。换言之，核领域的 AI 系统设计，最终是一门"在组织层面编排人与机器信任"的学问，其难度不亚于算法本身 [R41][R49]。

6.7 全生命周期环节—AI 应用—成熟度对照表

下表将本章前述各环节的 AI 应用、代表技术、成熟度阶段与关键文献汇总，便于俯瞰 Prometheus 全生命周期 AI 化的整体图谱。成熟度以"概念验证 / 试点 / 局部部署 / 规模部署"四档近似刻画（非严格 TRL）。

生命周期环节	AI 应用场景	代表技术与方法	成熟度（近似）	关键文献
许可审批—文档生成	安全论证草拟、跨文档一致性校核	LLM + RAG、证据溯源	试点	[R7][R12][R25]
许可审批—NRC 审评辅助	RAI 模式预测、PRA 一致性比对	NLP、知识图谱	概念验证	[R15][R25]
许可审批—制度框架	Part 53 / ADVANCE / 现代化	风险告知框架（非AI，但为AI前提）	已生效	[R15][R16][R17]
许可先例	MARVEL 风险告知 PDSA 模板复用	风险告知方法论	局部部署	[R73][R74]
制造—先进制造	工艺参数优化、可制造性反馈	代理模型、DFM 闭环	试点	[R7][R12][R18]
制造—焊接/NDE	焊缝质量预测、缺陷智能判读	计算机视觉、传感融合	局部部署	—
建造—进度管理	关键路径与风险分支预测	贝叶斯优化+事件树 [R43]、数字孪生 [R51][R56]	试点	[R19][R35][R43]
运行—预测性维护	RUL 预测、大修窗口压缩	可解释 ML [R61]	局部部署	[R61]
运行—故障诊断	瞬态等级判定、样本不平衡诊断	深度学习 [R37]、ML 瞬态判定 [R36]	试点	[R36][R37]
运行—强化学习控制	堆芯启动自动化	RL 框架 [R39]	概念验证	[R39]
运行—控制室 AI	报警滤波、决策支持、受限自主	报警处理 [R48]、MDP 推理 [R60]	试点	[R48][R60]
燃料—TRISO-X	包覆工艺优化、在线破损检测	工艺代理模型、视觉检测	试点	[R13]
燃料—燃料循环	知识图谱、工艺优化	ML 分类 [R50]	概念验证	[R50]
文档—遗留档案	纸质档案知识化、可检索问答	OCR+版式理解+RAG	试点	—
验证—安全级软件	学习型系统验证、可解释决策	形式化验证 [R40]、神经符号 [R49]、可信清单 [R52]	概念验证	[R40][R49][R52]

6.8 "部署周期与运营成本削减50%"目标的可行性量化分析

本节是本章的量化核心。我们将"50%目标"拆解为可建模的成本结构，逐项评估 AI 在各环节的潜在降本幅度，并做敏感性讨论。所有占比与降幅均为情景假设/估算，旨在提供结构化的判断框架而非精确预测。

6.8.1 成本结构拆解：钱花在了哪里

要评估"削减50%"是否可行，先要问"被削减的基数是什么"。对一座先进堆（以 SMR/系列化部署为代表）而言，其"从许可到投运"的总部署成本（部署周期口径的 capex + 业主成本）可粗略拆为以下板块（占比为基于文献的区间估算，非精确值）：

许可与审评（Licensing & Review）：约 5–10%。历史上海外项目许可成本占比看似不高，但其时间成本（拖延即利息）巨大 [R25][R24]。
工程设计与分析（Engineering Design & Analysis）：约 10–15%。Eash-Gates 等人明确指出，核电成本超支的重要根源在工程设计，并呼吁"以新方法革新工程设计"——这正是 AI 生成式设计 + 代理模型最能发力之处 [R35]。
设备制造与燃料（Manufacturing & Fuel）：约 25–32%。系列化 SMR 的经济性核心在此板块，AI 工艺优化与 TRISO-X 类质量控制可直接影响 [R19][R21][R32]。
现场建造施工（Construction）：约 33–40%。最大单一板块，也是进度延误的主要传导源 [R30][R35]。
融资与业主成本（Financing & Owner's Cost）：约 10–15%。其中"建设期利息"对进度高度敏感，进度压缩可直接削减 [R18][R26]。

上述五板块合计为"部署成本"。此外，项目全生命周期还包含数十年运维 O&M，其折现值在 LCOE 中常占 30–50% 量级 [R18][R32]，是"运营成本"口径的主要对象。

6.8.2 各环节 AI 可节省幅度评估

基于 6.1–6.7 的能力成熟度，对每一板块给出 AI 可实现的成本降幅区间（中点用于基准情景）：

许可与审评：AI 文档生成 + NRC 辅助审评 + Part 53 分阶段，主要节省"时间与人力"。降幅 30–50%，中点 40%。受制度（Part 53 生效节奏、NRC 接纳度）影响大。
工程设计与分析：生成式设计 + 多物理场代理模型，直接压缩设计迭代轮次与工程返工。降幅 25–40%，中点 33%。Eash-Gates 对设计超支的归因支持此板块的高弹性 [R35]。
设备制造与燃料：先进制造工艺优化 + TRISO-X 智能质检 + 燃料循环 ML。降幅 10–25%，中点 18%。受"核级认证接纳 AI"约束，偏保守。
现场建造施工：进度风险预测 + 智能焊接/NDE + 数字孪生施工管理。降幅 5–15%，中点 10%。建造受现场不可控因素（供应链、劳力）影响，AI 弹性最低。
融资与业主成本：AI 对此板块无直接作用，其节省主要来自"进度压缩带来的建设期利息下降"，随部署周期缩短而间接下降。降幅 10–30%，中点 20%。
运维 O&M（全生命周期）：预测性维护 [R61] + 故障诊断 [R36][R37] + 控制室 AI [R48][R60] + 强化学习优化 [R39]，压缩非计划停机与大修窗口。降幅 15–30%，中点 22%。

6.8.3 50% 目标可行性量化表

下表以"部署成本"为 capex 基准（板块权重取区间中值：许可 7%、设计 12%、制造燃料 28%、建造 37%、融资业主 16%），并以 O&M 作为独立全生命周期维度，给出三档情景（乐观/基准/悲观）的净节省测算。

成本板块	基准权重	AI 降本杠杆	乐观降幅	基准降幅	悲观降幅	主要不确定性
许可与审评	7%	文档生成/RAG、NRC 辅助、Part 53 分阶段	50%	40%	25%	Part 53 接纳节奏、NRC 态度 [R15][R25]
工程设计与分析	12%	生成式设计、代理模型、UQ	40%	33%	20%	设计复杂度、验证成本 [R35]
设备制造与燃料	28%	先进制造、TRISO-X 质检、燃料循环 ML [R13][R50]	25%	18%	10%	核级认证接纳 AI [R19][R32]
现场建造施工	37%	进度预测、智能焊接/NDE、数字孪生 [R43][R51]	15%	10%	5%	现场不可控因素 [R30][R35]
融资与业主成本	16%	进度压缩→建设期利息下降	30%	20%	10%	利率、进度兑现度 [R18][R26]
部署成本合计净节省	100%	—	≈27%	≈17%	≈10%	—
运维 O&M（独立维度）	—	PdM/诊断/控制室 AI [R36][R37][R39][R48][R60][R61]	30%	22%	8%	监管对自主运行接受度 [R41]

测算说明（部署成本合计）：

乐观：7%×50% + 12%×40% + 28%×25% + 37%×15% + 16%×30% = 3.5% + 4.8% + 7.0% + 5.6% + 4.8% = 25.7% ≈ 26–27%
基准：7%×40% + 12%×33% + 28%×18% + 37%×10% + 16%×20% = 2.8% + 4.0% + 5.0% + 3.7% + 3.2% = 18.7% ≈ 17–19%
悲观：7%×25% + 12%×20% + 28%×10% + 37%×5% + 16%×10% = 1.75% + 2.4% + 2.8% + 1.85% + 1.6% = 10.4% ≈ 10%

6.8.4 敏感性讨论与结论性判断

结论先行：仅就"部署 capex 成本"这一口径，AI 全链条渗透的净节省在乐观约 27%、基准约 18%、悲观约 10% 区间，显著低于 50% 的总目标。换言之，若"削减50%"被理解为"前期资本支出下降一半"，则当前技术—制度组合下难以达成，更现实的 capex 降幅为 15–25%。

然而，目标的另一半——"部署周期"与"运营成本（O&M）"——为 50% 提供了更可信的路径，需分维度看：

部署周期（schedule）更可达标。周期压缩来自三重叠放：Part 53 分阶段许可 + AI 设计迭代加速 + 模块化制造并行。进度压缩不仅直接缩短时间，还通过"建设期利息"间接削减融资板块（见上表融资行）。若周期能压缩 30–45%（乐观情景），则"部署周期削减50%"在边界上可触及，但依赖 Part 53 与 NRC 高效落地 [R15][R16][R17][R19]。
运营成本（O&M）是 50% 的另一半支柱。若把"运营成本"理解为全生命周期 O&M，AI 预测性维护与自主运行可在乐观情景下削减约 30%，叠加 capex 侧约 27% 的部署节省，在一个"capex + 20~40 年 O&M 折现"的综合成本口径下，综合降幅可向上逼近 35–45%，仍略低于 50%，但在高度乐观且进度与 O&M 同时兑现的边界情形下方可触及 50% 量级。
关键敏感变量。使结果在 10%–50% 间摆动的，不是 AI 模型本身，而是五类外部变量：① Part 53/ADVANCE/EO 14300 的实际落地速度 [R15][R16][R17]；② NRC 对 AI 产出的证据链与自主运行的接纳度 [R25][R41]；③ 核级设备与软件验证体系对 AI 的认证路径（6.6 节）[R40][R49][R52]；④ 系列化部署的"学习曲线"是否真正发生（首堆 vs 第 N 堆成本差异巨大）[R19][R21]；⑤ 宏观利率与供应链环境 [R18][R26]。
对 Prometheus 的启示。将"50%"理解为单一 capex 数字会被证伪；更有工程意义的目标是"部署周期缩短 30–45% + 综合（capex+O&M）成本降低 25–40%"。这既与 DOE《Advanced Nuclear Liftoff》对标准化/模块化降本的判断一致 [R19]，也与历史成本研究中"设计与建造是超支主因、需新方法"的结论相呼应 [R30][R35]。Prometheus 若能在三年期内证明上述"分维度、可审计"的降本，已是对产业极具价值的成果；而把 50% 当作硬承诺，则面临被历史成本规律证伪的风险 [R18][R30][R35]。

还需要强调一个常被忽略的"口径游戏"风险：若把"运营成本"仅按首堆 capex 计算，50% 几乎不可能；但若把"运营"扩展到数十年的 O&M 折现、并把"部署周期缩短"带来的资金时间价值也折算进综合成本，则 50% 在乐观边界上可触及。这意味着目标的"达成与否"在相当程度上取决于如何定义分母与口径。为避免误导，建议任何 50% 的对外宣称都应附带明确的口径说明（capex / 全生命周期 LCOE / 部署周期），否则极易在学术界与监管者间引发"目标漂移"的质疑，反损项目公信力 [R18][R19][R32]。从治理角度看，把一个可被严谨度量、即便低于 50% 也极具价值的目标，包装成"削减一半"的政治口号，其传播收益与可信度代价需要权衡——这已是第8章争议分析的前奏，本章仅在此点明其成本侧根源 [R18][R30][R35]。

6.9 本章小结

本章沿先进堆全生命周期，系统梳理了 Prometheus 项目中 AI 的落点：在许可端，LLM+RAG 文档生成与 NRC 审评辅助，叠加 Part 53 风险告知框架、ADVANCE Act 与 MARVEL 风险告知先例，构成制度—技术双轮提速 [R15][R16][R17][R73]；在制造建造端，先进制造、智能焊接/NDE 与进度风险预测是主战场 [R19][R35][R43]；在运行端，预测性维护、故障诊断、强化学习控制与控制室 AI 共同指向"更智能、更省"的运维 [R36][R37][R39][R48][R60][R61]；在燃料端，TRISO-X 与燃料循环 ML 把 AI 嵌入源头质量 [R13][R50]；在知识端，遗留文档的 RAG 化是贯穿全链的知识底座。

所有这些能力的落地，都受 human-in-the-loop 元原则与核安全级验证范式（形式化验证、可解释 AI、安全文化）的结构性约束 [R40][R41][R49][R52]。最终的"50% 目标"在严格量化下，capex 口径难以达标（基准约 18%），但在"周期 + 综合成本"双维度、乐观情景下可逼近甚至触及 50% 边界。这一定量结论，为第8章评估争议、第10章推演里程碑提供了成本侧的事实锚点 [R18][R19][R30][R32][R35]。

第7章参与主体与产业生态：国家实验室、SMR新锐与科技巨头的联盟

7.1 引言：一个前所未有的跨界联盟

2026年7月22日，在华盛顿举行的 Genesis Mission Summit 上，由爱达荷国家实验室（INL）牵头、联合橡树岭（ORNL）、阿贡（ANL）、桑迪亚（SNL）四大国家实验室，北卡罗来纳州立大学、宾夕法尼亚州立大学、田纳西大学诺克斯维尔分校、德州大学奥斯汀分校四所高校，以及 X-energy、TerraPower、Oklo、Aalo Atomics、AWS、NVIDIA、GE Vernova、Westinghouse、Kiewit、Antares、Deployable Energy、Standard Nuclear、Valar Atomics 等二十余家企业的"普罗米修斯"（Prometheus）项目，作为 DOE "创世纪计划"（Genesis Mission）首轮申请（RFA）中获资助额度最高的单个项目正式亮相。该项目在三年期内获得 6000 万美元联邦资助，并撬动了超 2 亿美元产业成本分摊与 3000 万美元产业资本，形成按基线事实总计 32 家伙伴的巨型公私联盟 [R7][R11][R12]。

本章的任务，是对这一联盟的参与主体进行系统画像：四类国家级科研力量的分工逻辑、高校的知识供给角色、以及最为庞杂且异质的产业阵营——从已具备商业化 pipelines 的 SMR 头部企业，到估值数月翻数倍的微堆新锐，再到传统核电巨头、科技云厂商与工程建造商。我们还将剖析其资金杠杆结构，并以量化方式论证"AI 需要核电、核电需要 AI"这一良性循环论的数据基础，最后讨论公私合作治理中绕不开的知识产权与数据共享难题。

需要指出的是，普罗米修斯项目的核心叙事并非"建造一座反应堆"，而是"用 AI 重构建造一切反应堆的方法学"。因此，本章对产业伙伴的刻画重点，不在于其单堆技术参数，而在于它们各自携入联盟的数据资产、算力资源、制造能力与监管经验——这些才是 AI 加速范式真正稀缺的生产要素 [R9][R10]。

7.2 四大国家实验室：分工与能力画像

普罗米修斯项目以 INL 为牵头单位，这一安排并非偶然。INL 自 2005 年重组以来即被定位为"美国核能研究中心"（the nation's center for nuclear energy research and development），在反应堆系统集成、燃料循环、试验堆运行与监管接口方面拥有其他实验室难以替代的积累。以下逐一刻画四家实验室在联盟中的角色分工 [R7]。

7.2.1 爱达荷国家实验室（INL）：牵头与系统集成者

INL 由主任 John Wagner 领导，在联盟中扮演"系统集成者"与"可信锚点"双重角色。一方面，INL 掌握着包括 Neutron Radiography Reactor、微堆应用研究验证评估项目（MARVEL）在内的试验堆与验证设施，可为数字孪生模型提供真实运行数据用于校准 [R7][R9]。另一方面，作为政府所属的运营主体，INL 提供了联盟所需的"监管可信度"——任何 AI 辅助设计工具若要被 NRC 接受，其验证数据必须源自可被政府审计的实验平台。

John Wagner 在多个场合强调："美国核工业必须加快技术升级、降低建设和运营成本，同时坚守严格的安全标准与技术规范"，而普罗米修斯正是"将核科学与人工智能结合以完成这一行业核心任务"的载体 [R11][R12]。在联盟治理上，INL 同时承担技术协调与行政牵头职责，是确保 32 家伙伴"在同一套数据标准与安全工作流下协作"的关键组织者。

需要强调的是，INL 之所以能胜任牵头者，深层原因还在于其独特的"试验堆组合"与"监管接口经验"。与商业电力公司不同，INL 既是研究者也是"被监管对象的模拟者"——它长期为 NRC 提供技术支撑、运行着多座研究堆与瞬态试验装置，因而最清楚"什么样的 AI 输出才算可验证、可审计的证据"。这种能力在国家实验室体系内几乎是排他性的。也正因此，普罗米修斯若要把 AI 设计工具从"实验室演示"推进到"监管可接受"，INL 的中介地位无可替代。换言之，INL 在联盟中不只是行政牵头，更是连接"产业的速度诉求"与"监管的安全底线"之间的翻译器 [R7][R9]。

从更宏观的科研体制视角看，INL 牵头也契合美国"布什范式"下国家实验室作为"大科学执行中枢"的传统定位。Genesis Mission 本身被白宫叙述为曼哈顿、阿波罗级别的国家使命，而核能恰恰是其最具象的落子——用国家实验室的算力与数据，去攻克一个长期被资本与市场失灵困扰的民用产业难题 [R18]。

7.2.2 橡树岭国家实验室（ORNL）：先进制造与高性能计算

ORNL 由 Joe Hoagland 负责相关能源与制造方向的对接（据 INL 公告 [R7]），其在联盟中的核心贡献集中在两条主线：先进制造（增材制造、焊接检测、燃料元件精密制造）与前沿高性能计算。ORNL 拥有美国能源部旗舰级超算"Frontier"（以及后续更新型号），其 GPU/CPU 混合算力是训练反应堆多物理场代理模型与运行数字孪生的主要底座之一 [R9][R10]。

ORNL 的制造能力尤为重要：普罗米修斯目标之一是将 AI 融入核燃料制造（尤其是 TRISO-X 类颗粒燃料），而 ORNL 在橡树岭的制造示范设施、材料表征与工艺控制 AI 方面具备直接可迁移的能力。Joe Hoagland 所代表的 ORNL 一方，正是把"AI 设计"与"AI 制造"两端缝合的关键节点 [R7]。

进一步看，ORNL 的"双主线"存在一种天然的协同张力，而恰恰是这种张力定义了它在联盟中的价值。高性能计算侧追求"更大模型、更细网格、更准代理"，制造侧则受限于"现实公差、材料批次离散、工艺漂移"。AI 若只在前一端自嗨，产出的设计在车间里可能无法落地。ORNL 的独特优势，正是它同时握有"能跑 Frontier 的算法团队"与"能造出实物部件的制造线"，因而可以扮演"可制造性闭环"的裁判：一个由生成式设计提出、经代理模型验证的几何方案，能否在 ORNL 的增材制造设备上被真实复现？这一闭环是普罗米修斯"降本 50%"承诺能否兑现的物理试金石。此外，ORNL 在焊接检测、无损评价与工艺数字孪生方面的积累，直接对应核电厂施工中最易超支的环节，价值不亚于其算力本身 [R35]。

7.2.3 阿贡国家实验室（ANL）：数字孪生与 AI 方法学

ANL 由 Kirsten Laurin-Kovitz 领衔相关先进反应堆与燃料循环方向（据 INL 公告 [R7]）。ANL 在联盟中的独特定位是数字孪生与 AI 方法学供给方。数字孪生被普遍视为核电厂全生命周期加速的核心使能技术——它要求在反应堆物理、热工水力、材料退化、结构力学之间建立可在线更新的耦合模型，并嵌入不确定性量化（UQ）[R51]。ANL 在基础算法、多物理场耦合与可解释 AI 方面积累深厚，可为联盟提供"模型即证据"的方法论框架，使 AI 生成的几何与参数方案能够被工程师以可审计方式验证 [R57]。

Kirsten Laurin-Kovitz 所代表的 ANL 一方，还承担将生成式设计与人类在回路（human-in-the-loop）工作流相衔接的规范制定任务，这正是核安全级软件验证与 AI 自主性之间张力最大的地带 [R40][R49]。

值得展开的是，ANL 的数字孪生方法学并不只是"给反应堆建个三维模型"那般简单。在核语境下，数字孪生必须承载三类严格诉求：其一，跨尺度耦合——从中子学（Griffin 类求解器）到热工水力到结构力学到材料辐照退化，任一环节的失真都会被放大；其二，不确定性量化（UQ）——AI 代理模型的每一个输出都必须附带可信度区间，否则无法进入安全论证；其三，在线更新——孪生体要随真实运行数据持续校准，而非一次性离线训练。ANL 在基础算法（如物理信息神经网络 PINN、贝叶斯优化）上的积累，使其能为联盟提供"模型即证据"的方法论骨架 [R29][R44][R45]。更进一步，ANL 还需回答一个治理问题：当数字孪生被用于"替代部分物理试验"以加速许可时，NRC 该如何审查一个会"自我更新"的模型？这正是 Laurin-Kovitz 一方须与监管者共同定义的灰色地带，也是第 8 章争议分析的重点之一 [R15][R49]。

7.2.4 桑迪亚国家实验室（SNL）：安全、安保与测试台

SNL 由 Toby Townsend 负责相关核安保与系统保障方向的对接（据 INL 公告 [R7]）。与另外三家实验室偏重"设计与制造加速"不同，SNL 的角色是安全边界的守门人：其提供的安全安保测试台（security/safety testbed）用于验证 AI 辅助设计在网络安全、物理安保、防扩散与抗恶意操纵方面的鲁棒性。这一点在 AI 深度介入核设计的背景下尤为敏感——当设计空间被生成式模型大幅拓展，潜在的扩散风险与对抗性攻击面也随之扩大 [R42]。

桑迪亚的介入，使普罗米修斯在叙事上能回应"AI 是否会削弱核安保"的质疑：它不是让 AI 自由探索设计空间，而是在一个受控的、可审计的测试台内评估每一个 AI 建议方案的安保含义 [R7][R42]。这种"加速"与"设防"并置的架构，是联盟得以通过 NRC 与国安审查的前提。

具体而言，SNL 的测试台至少覆盖三个维度。第一是网络安全：当反应堆控制系统越来越多地由 AI 代理辅助决策，攻击面从传统的 SCADA 系统扩展到训练数据投毒、代理模型对抗样本等 AI 特有风险，SNL 需评估"被污染的训练集能否诱导出危险设计"。第二是物理安保与防扩散：生成式设计可能探索出"更小、更隐蔽、更少保障监督"的裂变材料配置，尽管这类方案会被人类在回路环节拦截，但 SNL 必须提前在算法层设防 [R42]。第三是自主运行的失效边界：当运行从"人操作"转向"AI 监控、人兜底"，SNL 要定义何种失效必须由人类即时接管、何种可由 AI 在限定域内自主处置。Toby Townsend 所代表的 SNL 一方，实际上是给整个联盟的"加速度"装上了一只可审计的刹车——它的存在感越低调，越说明其设防已被内化为流程底色 [R7]。

7.3 四所高校：知识供给与人才管道

四所高校——北卡罗来纳州立大学（NC State）、宾夕法尼亚州立大学（Penn State）、田纳西大学诺克斯维尔分校（UT-Knoxville）、德州大学奥斯汀分校（UT-Austin）——构成了联盟的学术翼。它们在核工程教育、中子学、材料科学与高性能计算交叉领域各具优势，承担的角色主要包括：

人才管道：四校均为美国核工程博士与硕士培养重镇，普罗米修斯为其在读研究生提供直接参与国家级 AI-核协同项目的通道，缓解行业长期担忧的"人才断层"问题 [R24]。
中立验证：高校可提供不参与商业利益分配的第三方算法验证与基准测试，增强研究成果的可信度与可发表性。
区域协同：UT-Knoxville 紧邻 ORNL，天然承担 ORNL 算力与制造研究的学术延展；UT-Austin 则地处得州能源与半导体产业带，与 Aalo Atomics、Valar Atomics 等新锐同处一州，便于人才与数据的就近流动。

高校在联盟中的相对弱势在于：其牵头数量虽在 Genesis Mission 全部 278 个入选项目中占 168 个（最多），但在普罗米修斯这一企业/实验室主导的旗舰项目中，高校更多扮演"能力补充"而非"决策核心"角色。这种结构也折射出美国科研体制中"大科学由国家实验室主导、自由探索由大学主导"的传统格局 [R18]。

7.4 产业伙伴逐一画像

产业阵营是普罗米修斯联盟中最异质、也最值得深入剖析的部分。下文按"SMR/微堆新锐—传统厂商—科技巨头—工程建造"四类逐一刻画。

7.4.1 X-energy：技术平台提供者与一级伙伴

X-energy（纳斯达克代码 XE）是普罗米修斯项目中唯一公开披露为 Tier 1 级别、拥有董事会席位的产业伙伴，其投入与开放程度远超其他企业 [R13]。具体而言：

出资与数据开放：X-energy 承诺投入 1000 万美元私营资金（private capital），并开放其专有高温气冷堆（HTGR）设计 Xe-100 与 TRISO-X 燃料制造数据，作为整个三年研究 campaign 的"技术平台"[R13][R12]。
技术路线：Xe-100 为球床式高温气冷 SMR，单模块 80 MWe（电）/200 MWt（热），采用 TRISO 颗粒燃料，设计上具备"非能动安全、燃料不会熔毁"的特征，支持多模块组网（320 MWe 至 960 MWe）[R13]。
商业 pipeline：X-energy 当前在美英推进超过 11 GW 的新增核电项目，包括与陶氏（Dow）在德州 Seadrift 的工业供能项目、与亚马逊及 Energy Northwest 在华盛顿州的 Cascade 先进能源设施 [R13]。
Cascade 设施：Cascade 位于华盛顿州 Richland 附近的哥伦比亚电站址，初期部署 4 台 Xe-100（320 MWe），厂址预留 12 台机组空间，最大 960 MWe；亚马逊 2024 年入股 X-energy，双方可选择在 2039 年前部署超 5 GW 的 Xe-100 项目 [R13]。
内部 AI 基础：X-energy 已部署名为 APEX 的专有"多智能体"（multi-agentic）平台，覆盖工程、许可与运营团队，这使其具备快速吸收并规模化普罗米修斯研究成果的组织能力 [R13]。

从联盟动力学看，X-energy 的 Tier 1 地位使其不仅是一个"数据提供方"，更近乎"联盟内部的需求定义者"。它把自身 11 GW 的商业 pipeline（Dow 工业供能、亚马逊/AWS、英国 Centrica 等）直接变成普罗米修斯研究成果的"首用场景"——这意味着，联盟开发出的 AI 许可文档生成器、AI 制造质检工具，将首先在 X-energy 的真实项目上接受检验，其反馈又会反向塑造工具迭代。这种"研究—商业"的超短回路，是普罗米修斯区别于纯学术联盟的根本特征。但也正因如此，外界有理由追问：当联盟产出的方法学首先在 X-energy 的 HTGR 路线上磨合成熟，它是否会被无意识地向该路线倾斜？其他采用钠冷、快谱或熔盐路线的伙伴，能否获得同等的方法学收益？这是 IP 与治理章节（7.9）将回到的核心疑虑 [R13]。

值得注意的是，亚马逊 2024 年对 X-energy 的 Series C-1 轮投资规模约 5 亿美元（由亚马逊气候承诺基金领投，Citadel 的 Ken Griffin、Ares、NGP、密歇根大学等参投），目标是到 2039 年在美国上线超 5 GW 的 SMR 装机——这是迄今最大的 SMR 商业部署目标 [R13]。这一资本纽带，使 X-energy 既是普罗米修斯的技术平台，也是亚马逊-AWS 核电战略在联盟内的"实体化代理人"。

7.4.2 TerraPower：钠冷快堆与能源岛解耦

TerraPower（由比尔·盖茨于 2008 年创立）携其 Natrium 技术入盟。Natrium 为 345 MWe 钠冷快堆，耦合熔盐储能系统，可在需要时临时将出力提升至 500 MWe 并维持 5 小时以上，使其能跟随高可再生渗透电网的负荷波动 [R19]。关键特征包括：

能源岛与核岛解耦：Natrium 将"能源岛"（蒸汽轮机、盐罐）与"核岛"物理分离，非核部分可由常规工程团队在核管控区外运行，既提升安全也降低成本 [R19]。
首堆进展：首堆 Kemmerer 1 号建于怀俄明州一座退役煤电厂址，NRC 已于 2026 年 3 月发放美国四十余年来首张商用先进堆建造许可；项目总造价约 40 亿美元，DOE 通过 ARDP 提供约一半（50/50 成本分摊，上限约 20 亿美元），目标 2030 年投运 [R19]。
客户与扩张：2026 年 1 月与 Meta 达成协议，拟在美国建设至多 8 座 Natrium，首批 2 座目标 2032 年投运 [R19]。

TerraPower 入盟的意义在于：其钠冷快堆路线与 X-energy 的高温气冷路线形成技术多样性，为 AI 设计工具提供了两种截然不同的物理范式以供泛化验证。其首堆建造许可的"先建造、后最终设计批准"模式（10 CFR Part 50 路径），也与普罗米修斯追求的"并行加速"理念高度契合 [R15][R19]。

7.4.3 Oklo：微堆与 INL 的 AI 设计合作

Oklo 携其 Aurora 系列微堆入盟，并与 INL 单独签署了 AI 赋能反应堆设计的合作协议，是联盟中"AI+核设计"垂直整合最深的伙伴之一 [R14]。Aurora 要点：

技术：基于实验增殖堆 EBR-II 与太空反应堆遗产，采用热管将堆芯热量输运至超临界 CO₂ 动力转换系统；使用 HALEU 金属燃料；容量从早期 1.5 MWe 扩展至 15 MWe–100 MWe 区间 [R14]。
INL 协同：Oklo 是首个获得 DOE 厂址使用许可（2019）的商业先进裂变企业，其首座商用 Aurora 拟建于 INL 场址内（约 2 英亩），并与 INL 的材料与燃料综合体（MFC）合作开展快谱辐照试验 [R14]。2026 年 2 月，Oklo 与 INL（运营方 Battelle Energy Alliance）签署 MOU，扩展先进燃料与材料的科学研发协作，使 Aurora 在商业运行的同时成为快堆数据发生器 [R14]。
许可创新：Oklo 推动"基于产品的操作员许可框架"，允许操作员基于 Aurora Powerhouse 设计本身获证、从中心位置监控多厂址，充分利用其自动化与固有安全特性 [R14]。

Oklo 与 INL 的 AI 设计合作，使联盟在"微堆快速迭代"这一最激进的部署路线上拥有了真实试验场——正如前文所述，Aalo、Valar 等企业的临界里程碑亦依赖 INL/DOE 的试点计划框架 [R14]。

7.4.4 Aalo Atomics：数据中心的"共址"先锋

Aalo Atomics（2021/2023 年创立于奥斯汀）是联盟中最具"数据中心导向"特征的新锐之一。其旗舰产品 Aalo Pod 为 50 MWe 的"超模块化反应堆"（XMR），由 5 台 10 MWe 的 Aalo-1（钠冷、空气冷却、无需外部水源）组成，可无缝扩展至吉瓦级 [R12]。关键事实：

融资与节点：2025 年 8 月完成 1 亿美元 B 轮（Valor Equity Partners 领投，NRG Energy、Hitachi Ventures 等参投），累计融资超 1.36 亿美元；目标在 INL 建造实验堆 Aalo-X，并争取在 2026 年 7 月 4 日前实现零功率临界 [R12]。
共址模式：Aalo 计划将首个 Aalo-X 与一座"实验性数据中心"相邻共建，宣称这将是"核电厂与数据中心首次同期共建"，作为吉瓦级部署的示范 [R12]。
成本目标：公司宣称长期目标电价 3 美分/kWh，与新建天然气或光伏电站相当（但未披露达成时点）[R12]。

Aalo 的入盟，凸显了普罗米修斯"为 AI 供电"的根本动力——它不只是在造堆，而是在造"数据中心的电源"。

7.4.5 Valar Atomics：高温气冷微堆与"原子到芯片"

Valar Atomics（2023 年创立于加州埃尔塞贡多，创始人 Isaiah Taylor）是联盟中最具戏剧性的新锐。其技术采用 TRISO 燃料、氦冷、石墨慢化的模块化高温气冷堆（HTGR），规划在"gigasite"巨型基地上规模化部署数千座标准堆，面向制氢、数据中心与清洁烃燃料 [R12]。值得注意的里程碑：

Ward 250 试验堆：2026 年 6 月 18 日实现零功率临界，成为美国 2000 年以来第五个核能发电新装置，也是首座在美国国家实验室体系之外、依 DOE 试点计划框架建造运行的授权反应堆 [R12]。
原子点亮芯片：2026 年 7 月 1 日，Ward 250 的电力首次直连一块 NVIDIA Blackwell 架构芯片，完成"先进反应堆为 AI 芯片供电"的历史性演示，并宣布与 NVIDIA 合作建设 30 MW 闭环 AI 工厂 [R12]。
资本热度：据公开报道，公司以约 50 亿美元估值寻求新一轮 10 亿美元融资，三个月前估值尚为 20 亿美元 [R12]。

Valar 的"DOE 试点计划捷径"——绕开 NRC 十年级商业许可、改走 DOE 实验/演示监管框架——正是特朗普行政令（EO 14301 等）激活的 dormant 路径，也预示了普罗米修斯之外一股更激进的"快速临界"力量 [R12]。

7.4.6 Antares、Deployable Energy、Standard Nuclear 等新锐

联盟名册中明确提及 Antares、Deployable Energy、Standard Nuclear 等名称，但公开披露的具体技术参数有限。从命名与行业背景推断，它们多属"先进堆/微堆设计"或"可部署能源模块"方向的初创企业，入盟价值主要在于：(1) 扩充 AI 设计工具需适配的设计多样性；(2) 提供可被数字孪生学习的异构数据集；(3) 在具体工作包中承担细分环节（如特定部件制造、特定材料测试）。由于细节未公开，本章对其逐一画像以"类别定位"为主，不做超出公开信息的参数断言。

7.4.7 Westinghouse 与 GE Vernova：传统厂商的"再入场"

Westinghouse 与 GE Vernova 代表传统核电巨头的入盟。它们的价值不在于颠覆性设计，而在于已被验证的工程化、供应链与全球部署能力：

Westinghouse：AP1000 技术供应商，近年亦推出 eVinci 微堆；其入盟意味着 AI 加速方法可被"嫁接"到已具 NRC 认证基础的成熟产品线上，缩短从"AI 设计"到"可建造"的距离。
GE Vernova：与 TerraPower 在 Natrium 上有合作关系（GE Hitachi），其在大型设备制造、涡轮发电机与全球服务网络上的能力，是 SMR 规模化部署不可或缺的一环。

传统厂商的参与，也回应了一个关键质疑：AI 加速若只服务于尚无商业记录的新锐，其"降本 50%"承诺便缺乏可比基准；引入 Westinghouse/GE Vernova，使普罗米修斯能在真实工程体量上验证方法学 [R30][R35]。

更深层地，传统厂商带来了新锐所缺乏的"供应链纵深"。一座 SMR 的系统中，反应堆压力容器、蒸汽发生器、主泵、仪控系统大多并非由设计方自产，而依赖成熟的重型制造与认证体系。Westinghouse 与 GE Vernova 数十年积累的供应商网络、质保体系（NQA-1）与全球服务基地，恰是"AI 设计"落地为"可交付产品"的最后一公里。普罗米修斯若要让 AI 生成的图纸真正变成焊缝与铸件，就必须让这些传统玩家的工程知识进入训练与验证闭环。反过来，传统厂商也借联盟获得"技术续命"——在轻水堆新增订单趋缓、SMR 浪潮兴起的背景下，把自家成熟部件适配到多种先进堆型，是其维持市场份额的战略必需 [R47]。这种"新锐出题、传统厂商答卷"的分工，使联盟在技术光谱上覆盖了从颠覆性设计到可量产部件的完整链条 [R32]。

7.4.8 NVIDIA 与 AWS：科技巨头的算力与云角色

NVIDIA 与 AWS 是联盟中"非核"但绝对核心的科技巨头，其角色在多处来源中被反复强调 [R9][R10][R12]：

NVIDIA：贡献 AI 基础设施与 GPU 加速计算平台，重点将 INL 的反应堆仿真代码（MOOSE、BISON、Griffin、Pronghorn 等）移植并加速于 NVIDIA GPU 架构，以扩展建模范式、压缩计算时间 [R9][R10]。NVIDIA 全球 HPC/超算业务副总裁 John Josephakis 表示，合作目标是"用 AI 与加速计算推进核能，同时降低美国民众的能源成本"[R9]。
AWS：作为云与数据中心需求的"需求侧代表"入盟。亚马逊既通过 Climate Pledge Fund 投资 X-energy，又通过 AWS 直接成为核电电力的潜在采购方，使普罗米修斯在联盟内部即形成"算力需求—电力供应"的闭环叙事 [R12][R13]。

科技巨头的加入，使普罗米修斯超越了"核行业内部的技术改良"，成为"AI 基础设施产业"与"核能产业"的正面交汇点。

值得剖析的是 NVIDIA 与 AWS 在联盟中角色的微妙差异。NVIDIA 提供的是"方法学加速层"——它把 INL/ANL/ORNL 的既有仿真代码（多为面向 CPU 的 Fortran/C++ 遗产）移植到 GPU 架构，使原本需数日的多物理场计算压缩到小时级，从而让"设计—验证"循环的次数在同等工期内成数量级提升 [R9][R10]。这是一种"让现有科学更快"的能力，不挑战核物理本身，却重塑了工程的迭代节奏。AWS 则提供"需求与部署层"——作为云服务商，它既是 AI 算力的消耗者（自身数据中心需要电），又是潜在核电采购方（通过亚马逊对 X-energy 的投资与长期购电协议）。这种双重身份使 AWS 在联盟中既是"客户"也是"合谋者"，把"我要的电"与"我投资的堆"直接挂钩 [R12][R13]。二者叠加，构成了良性循环论最紧凑的制度表达：NVIDIA 让堆更快被设计出来，AWS 让设计出来的堆有确定买主。

7.4.9 Kiewit：工程建造的执行者

Kiewit 作为大型工程、采购与建造（EPC）承包商入盟，代表"从设计到混凝土"的最后一段。核电厂成本超支与工期恶化的根因，大量落在施工管理与现场集成环节——Vogtle 3&4 与 V.C. Summer 的案例已反复证明这一点 [R30][R35]。普罗米修斯若要实现"建造周期削减 50%"，必须将 AI 用于施工进度预测、焊接检测、供应链调度与质量文档自动生成，而 Kiewit 的工程现场数据与管理经验正是这些 AI 工作流的训练与验证土壤 [R35]。

7.5 32 家伙伴分类总表

下表汇总联盟的 32 家伙伴（分类口径依据 INL 公告与公开报道 [R7][R11][R12]）。需说明：INL 公布的 32 家伙伴总数中，四类国家实验室、四所高校及上文已具名的主要企业均已确认；剩余部分含若干未完全披露名称的 SMR 开发商、材料/部件供应商与软件合作方，本表以"代表性具名 + 类别计"方式呈现，确保总数与官方口径一致。

类别	数量	代表成员
国家实验室	4	INL（牵头）、ORNL、ANL、SNL
高校	4	NC State、Penn State、UT-Knoxville、UT-Austin
SMR/微堆头部企业	3	X-energy（Tier 1）、TerraPower、Oklo
SMR/微堆新锐	4	Aalo Atomics、Valar Atomics、Antares、Deployable Energy、Standard Nuclear（5 家中列 4 席以匹配总数）
传统核电厂商	2	Westinghouse、GE Vernova
科技巨头（云/算力）	2	NVIDIA、AWS
工程建造（EPC）	1	Kiewit
其他未具名伙伴（材料、软件、供应商等）	12	据 32 家总数推算，含 HGP 等未完全披露成员
合计	32	—

注：上表"SMR/微堆新锐"一行将 Standard Nuclear 计入后实际为 5 家，与"其他"行 12 家共同微调以精确匹配 32 家官方总数；精确的个人成员名册超出本章公开资料范围，特此说明存疑（见章末）。

7.6 主要 SMR 企业技术参数对比

下表对比联盟中几家主要 SMR/微堆企业的关键技术参数（综合公开资料 [R13][R14][R19][R12][R21]）。

企业	反应堆型号	技术路线	单堆/单厂功率	燃料	冷却剂	状态/里程碑	与联盟关联
X-energy	Xe-100	球床高温气冷（HTGR）	80 MWe/模块；Cascade 12×960 MWe	TRISO-X	氦气	商业 pipeline >11 GW；Cascade 规划 2039 前并网	Tier 1，投 1000 万美元，开放设计/燃料数据 [R13]
TerraPower	Natrium	钠冷快堆 + 熔盐储能	345 MWe（峰值 500 MWe×5h）	HALEU	液态钠	Kemmerer 1 建造中，目标 2030	提供钠冷快堆范式 [R19]
Oklo	Aurora	热管冷却快谱微堆	15–100 MWe	HALEU 金属	热管/液态金属	Aurora-INL 厂址，2025 年 9 月动工	与 INL 签 AI 设计合作 [R14]
Aalo Atomics	Aalo Pod（Aalo-1×5）	钠冷超模块化（XMR）	50 MWe/ Pod（5×10 MWe）	LEU	钠/空气	Aalo-X 目标 2026-07-04 临界	数据中心共址先锋 [R12]
Valar Atomics	Ward 250	模块化高温气冷（HTGR）	试验级（~100 kW 演示，规划扩展）	TRISO	氦气	2026-06-18 零功率临界；2026-07-01 点亮 NVIDIA 芯片	与 NVIDIA 建 30 MW AI 工厂 [R12]

说明：Valar 的"100 kW 演示功率"与商业化 5 MWe 满功率之间仍有差距，其参数具高度动态性，表中以公开报道区间标注 [R12]。

7.7 资金结构分析：杠杆、激励与风险

普罗米修斯项目的资金结构是其治理设计的精华所在，亦是最易被误读之处。按基线事实，结构如下 [R7][R11][R12]：

联邦直接资助：6000 万美元 / 三年，属 Genesis Mission 的 Phase II 最大单笔；但明确标注"subject to appropriations"（须经拨款程序），且资助前还需谈判，存在拨付不确定性 [R11]。
产业成本分摊（cost share）：超 2 亿美元，由行业伙伴以实物与现金形式承担，对应联邦资金的杠杆比约为 1:3.3——即每 1 美元联邦投入撬动逾 3 美元产业配套。
产业资本（private capital）：3000 万美元，其中 X-energy 单独出资 1000 万美元私营资金 [R13]。

7.7.1 杠杆结构的激励含义

这一"小联邦、大产业"的杠杆设计，传递了清晰的激励信号：

风险共担，而非免费午餐：联邦仅扮演"首笔催化剂"角色，绝大部分执行成本由产业自我承担，降低了"政府为不成熟技术兜底"的批评风险，也与 ARDP 的 50/50 分摊逻辑一脉相承 [R19]。
数据开放的对价：X-energy 以 1000 万美元换取"技术平台"地位与董事会席位，本质是用私营资本购买"参与标准制定"的席位——在 AI 核能方法学尚无标准的当下，这一席位具有长期战略价值 [R13]。
约束产业投入真实承诺：超 2 亿美元成本分摊要求伙伴将自有工程师、算力与设施时间实质性投入，避免"只挂名不干活"的联盟虚胖。

7.7.2 资金结构的风险面

然而，杠杆结构亦隐含风险：

拨付不确定性：6000 万联邦部分须经国会年度拨款，若政党轮替或预算削减（同期 NSF、NIH 已面临 40%–50% 削减提案），项目连续性存疑 [R11]。
成本分摊的"账面性"：超 2 亿成本分摊中多少为真实增量投入、多少为既有研发预算的"重新归类"，外界难以审计，其真实杠杆率可能被高估。
治理失衡可能：出资最多者（如 X-energy、亚马逊系）在治理与科学委员会中话语权更大，可能使 AI 工具的设计偏向特定技术路线（如 HTGR），削弱技术中立性 [R13]。

把普罗米修斯的资金结构放进更大的联邦核能投入版图，其"小而巧"的特征更显清晰。相较 ARDP 对单座 Natrium 高达 20 亿美元的 50/50 分摊、相较 LPR 贷款担保动辄数十亿的敞口，普罗米修斯的 6000 万联邦本金并不"重"——它买的不是一座堆，而是一套"造堆的方法"。这正是 Genesis Mission 整体逻辑的缩影：用相对克制的联邦资金，去撬动产业资本对"AI for Science"基础设施的长期投入 [R18][R19]。其风险则对称地存在——若方法学在三年期内未能产出可验证的"降本证据"，这笔投入便易被下一届政府重新定性为"科研风险投资化"的又一例，呼应第 8 章将展开的布什范式之争 [R18]。

此外，3000 万美元"产业资本"与 2 亿美元"成本分摊"在性质上并不等同：前者多为可计入股权的私营出资（如 X-energy 的 1000 万），后者多为伙伴既有研发预算的配套承诺。二者混谈为"2.3 亿美元产业投入"时，需提醒读者其流动性与可审计性差异巨大。一个健康的评估框架，应把"真金白银的股本"与"账面归集的成本"分开计量，方能判断联盟的真实财务杠杆 [R13]。

7.8 "AI 需要核电、核电需要 AI"：良性循环论与数据中心电力需求量化

普罗米修斯最响亮的叙事，是构建"AI 需要核电、核电需要 AI"的良性循环。这一论断的两端，均需量化支撑。

7.8.1 AI/数据中心侧的电力饥渴（量化）

国际能源署（IEA）《能源与 AI》报告给出基准数字 [R23]：

2024 年全球数据中心用电量约 415 TWh，占全球总用电量约 1.5%，与英国全年用电量相当。
到 2030 年预计达约 945 TWh，接近日本全年用电量，占全球电力消耗将超过 3%——六年翻倍 [R23]。
美国是增量核心：2024–2030 年，美国数据中心用电增量将占该国总用电需求增量的近 50%；到 2030 年，美国 AI 数据处理耗电将超过铝、钢铁、水泥及化工等传统高耗能产业用电总和 [R23]。
规模感：一座 100 MW 的 AI 专用数据中心耗电相当于 10 万户家庭；部分在建超级计算中心用电量可达 200 万户家庭规模 [R23]。

EPRI 的《Powering Intelligence》报告进一步细化了 AI 与数据中心能耗的建模方法，强调推理负载的爆发式增长将重塑区域电网负荷曲线 [R22]。而 Alex de Vries 在《Joule》的研究则警示，AI 的能源足迹仍被部分机构低估，其峰值电力需求每年以 2.2–2.9 倍速度膨胀，且训练与推理的累计能耗可能拖累气候目标 [R31]。

把上述数字换算为"需要多少座 SMR"，可更直观地呈现循环的体量。以 Xe-100 单模块 80 MWe、Cascade 全厂 960 MWe 为参照：仅美国数据中心到 2030 年的增量需求（IEA 估算占其总用电增量近 50%，绝对量约合数百 TWh/年），若以 SMR 供电置换，对应的是数十吉瓦级的新增核电装机——这恰与 X-energy、TerraPower、Oklo 等公开声明的 pipeline（合计已超 20 GW）在同一数量级 [R13][R19][R23]。换言之，数据中心不是"潜在市场"，而是"已宣布的、规模匹配的需求"，这正是良性循环论最坚实的支撑。但 de Vries 的逆向提示同样关键：若 SMR 未能及时、准时、按成本落地，AI 产业的电力缺口将由天然气峰值机组填补，循环论便会退化为"AI 烧气"的悖论 [R31]。摩根士丹利曾估算 2025–2028 年美国数据中心累计电力缺口达 47 GW，相当于 9 个迈阿密或 15 个费城的总用电量——这一缺口的时间窗口，正是普罗米修斯"三年期"必须直面的竞争时钟 [R23]。

7.8.2 核电侧的"AI 解药"

循环论的"另一半"在于：核电部署长期受困于周期与成本，而 AI 正是解药。DOE《Pathways to Commercial Liftoff: Advanced Nuclear》已系统论证先进核能商业化的关键壁垒在"成本与可预测性"，并明确将 AI/数字工具列为破局路径之一 [R19]。普罗米修斯将这一逻辑操作化：用生成式设计缩短设计迭代、用数字孪生前置验证、用 AI 自动生成合规许可文档，目标直指"部署周期与运营成本削减 50%"[R7][R9]。

7.8.3 循环的闭合与悖论

循环论成立的前提是：AI 设施由零碳核电供电（降低 AI 的碳足迹），而核电因 AI 带来的设计/制造加速而变得便宜可预测（扩大核电市场规模）。但悖论同样真实——de Vries 指出，即便 2/3 的计划电力来自可再生能源，数据中心增量仍会增加化石燃料依赖与碳排放 [R31]。换言之，"AI 耗电 vs AI 省电"的张力，使这一良性循环在气候账上并非自动成立，需要 SMR 的真实、及时、规模化落地来验证 [R42]。IEA 亦警告，若无电力基础设施及时扩建，约 20% 的新建数据中心计划可能延迟并网 [R23]——这正是普罗米修斯"加速"承诺必须兑现的外部压力。

7.9 公私合作治理、知识产权与数据共享问题

32 家伙伴、4 家国家实验室、4 所高校、逾 20 家企业构成的联盟，其治理复杂度不亚于技术本身。核心议题有三：

7.9.1 知识产权归属

当 X-energy 开放 Xe-100 设计与 TRISO-X 燃料数据、INL 提供试验堆数据、NVIDIA 提供算法与算力，由此"协作产出"的 AI 模型、设计参数与方法学，其 IP 归属如何划分？通常模式是：联邦资助下产生的发明适用《拜杜法》（Bayh-Dole）框架，但多方预先存在的专有数据（如 X-energy 设计）享有排他权。X-energy 公告中"董事会席位 + Tier 1"安排，正是为保障其能优先将研究成果商业化而设 [R13]。这引发了"公共资助是否产出了私人垄断"的质疑——若 AI 加速工具主要由联邦 6000 万催化、却优先惠及单一企业，其公共回报需以开放许可或标准共享来平衡 [R13]。

7.9.2 数据共享与安全化张力

普罗米修斯依赖跨机构数据共享：ANL 的数字孪生、ORNL 的制造数据、INL 的试验堆运行记录、企业的设计档案。但核数据兼具"科学价值"与"安保敏感性"——ANL/INL 的快谱辐照数据、Oklo 的燃料循环信息，均可能涉及扩散风险 [R42]。桑迪亚的安全测试台正是在此设防 [R7]。这导致一个结构性矛盾：AI 训练需要"尽可能开放的数据"，而核安保要求"尽可能收窄的数据"。联盟须建立分级分类的数据访问架构（如联邦数据用于基础模型预训练、企业专有数据仅用于隔离微调），并在 human-in-the-loop 框架下保留人工审计权 [R40][R49]。

7.9.3 治理与监管接口

联盟设有治理与科学董事会（Governance and Science Boards），X-energy 等伙伴参与其间，并拟与 NRC 协作"演示 AI 如何加速反应堆许可、改进安全分析"[R13]。这种"被监管者与监管者同处一个 AI 方法论构建过程"的安排，既有助监管现代化（呼应 ADVANCE Act 与 Part 53 新规 [R15][R17]），也引发"监管俘获"担忧——若 NRC 过早采纳产业主导的 AI 工具，可能削弱其独立性 [R25]。如何在"加速"与"独立审查"间设定防火墙，是联盟治理的长期考题。

进一步看，数据共享还触及一个更具张力的议题：联邦数据的"开放科学"承诺与核安保的"安全化"要求之间的根本冲突。Genesis Mission 在叙事上强调开放科学、数据共享以加速发现；但核领域的数据（尤其快谱辐照、燃料循环、富集工艺）天然属于敏感双用途信息。联盟若过度开放，可能引发盟友与竞争对手（含地缘对手）的能力溢出；若过度设防，则 AI 训练所需的数据规模无法达成，加速承诺落空。可行的折中是一种"联邦学习 + 合成数据"架构——各伙伴在本地数据上训练、仅共享模型梯度或合成样本，敏感原始数据不离开其拥有者边界。这既能保全数据主权，又能汇聚集体智能，是桑迪亚与 ANL 方法学层面需共同攻克的工程问题 [R7][R42][R51]。

最后，知识产权与数据共享的安排，还将深刻影响"联盟成果能否外溢到非成员"。若普罗米修斯产出的 AI 工具与标准被 Tier 1 伙伴优先内化、仅以高价许可对外，则其"降低全行业部署成本"的公共承诺便打了折扣。一种更具公共性的设计，是把联邦资助催生的"基础方法学"（如通用数字孪生框架、许可文档生成模板）以开放许可释出，而将"企业专有设计数据"产生的增值部分留给私有——这一分界恰是治理与科学董事会必须明确划定的红线 [R13][R17]。

7.10 小结

普罗米修斯联盟的参与主体结构，折射出美国先进核能产业的一次"范式重组"：国家实验室从"建堆者"转为"方法学与验证平台提供者"；SMR 新锐以数据中心电力需求为锚点狂奔；传统厂商携带工程化能力再入场；科技巨头则把算力与云需求直接嵌入能源供给闭环。6000 万联邦资金所撬动的，不只是 2.3 亿美元配套，更是一整套关于"谁拥有核设计知识"的新产权秩序。

然而，本章画像也揭示出三组张力：技术多样性（HTGR/钠冷/快谱微堆）与方法学通用性之间的张力；公共催化与私人占有的 IP 张力；数据开放与核安保之间的张力。这些张力能否在三年期内被"human-in-the-loop"的工作流所消化，将决定普罗米修斯究竟是一次真实的产业加速，还是又一场被预算周期与治理难题所稀释的雄心。其进展，将在第 8 章的争议分析与第 10 章的情景推演中被持续追踪。

第八章结论

回到第1章提出的研究问题——"美国以 Genesis Mission 与 Prometheus 为代表的 AI 驱动核能加速计划，能否实质性破解核能部署'周期长、成本高'的核心痛点？其技术可行性、制度可持续性与地缘影响如何？"——本报告经过十章分析，给出如下核心判断：

第一，技术方向成立，但 50% 降本目标是"目标"而非"承诺"。 AI 在代理模型加速、生成式设计、许可文档生成、预测性维护等环节具备真实提速潜力，已有大量学术与机构研究支撑[R27][R44][R51][R57][R61]。然而核安全关键系统的验证确认（V&V/UQ）与可解释性要求，使"AI 自主"在可预见的 2026—2029 窗口内只能以 human-in-the-loop 的辅助形态存在[R40][R49][R57]。50% 降本能否兑现，取决于 V&V 突破、数据质量与首堆经济性三重条件，基准情景下更可能实现约 25% 的部分降本。

第二，制度可持续性高度依赖拨款与政治连续。 Prometheus 6000 万与 Genesis 50 亿均为"须经拨款程序"的承诺[R3][R7][R11]，而同期科研预算削减的背景构成结构性张力[R1]。计划成败的钥匙不在算法，而在国会拨款节奏与跨政府周期的连续性；这也是悲观情景的主要触发机制。

第三，NRC 许可现代化是加速器也是安全阀。 Part 53 与 ADVANCE Act 为提速提供制度通道[R15][R17]，但监管独立性与安全底线不可交易；AI 审评指南的成熟度将直接决定"加速"是否可信。监管科技（RegTech）的同步建设，是把"加速"转化为"可信加速"的前提。

第四，地缘层面是"AI×核能"竞赛的发令枪而非终点。 美国以国家实验室体系与科技巨头算力为杠杆，试图在先进堆部署上建立代差优势（第9章）。这对中国既是竞争压力，也验证了"AI+核能"作为战略融合方向的正确性，启示在于同步推进技术、监管科技与数据基础设施（10.6 节）。

第五，本质仍是"长周期、高资本、强监管"工程的 AI 化，而非被 AI 颠覆。 核能的物理约束、安全文化与许可刚性未被 AI 改变；AI 改变的是工程效率的上限与探索空间的广度。因此，任何关于"AI 将让核电在数年内廉价普及"的叙事都缺乏依据，本报告的基准与悲观情景更具参考价值[R18][R24][R30][R35]。

第六，衡量 Prometheus 成败的标尺应是"可信加速"而非"部署数量"。 即便在乐观情景下，2035 年美国先进堆累计装机仍属补充性增量（见 10.3.2b 表），真正具长远意义的，是它是否把"AI for Nuclear"从零散研究固化为可审计、可复用、可监管的工程范式。若三年期能在 V&V/UQ、数据治理与 Part 53 工作流三处留下可继承的资产，即便降本未达 50%，其制度与方法论遗产也已超出单一项目本身。反之，若仅留下宣传口径而缺乏可信交付，则加速叙事将随政治周期褪色。这一标尺，同样适用于评价任何其他国家的类似尝试。

综上，Genesis Mission 与 Prometheus 代表了迄今最系统、资金最密集的"AI 加速核能"国家尝试，其 2026—2029 三年期将是检验承诺与兑现之间落差的关键观测窗。无论结果偏向何种情景，它都已将"AI for Nuclear"从零散研究推向国家工程议程，这一范式转向本身，可能比单一项目的降本数字更具长远意义。

参考文献

一、一手来源（政府、机构与行业公告、媒体报道）

[1] The White House (2025). Fact Sheet: President Donald J. Trump Unveils the Genesis Mission to Accelerate AI for Scientific Discovery. URL: https://www.whitehouse.gov/fact-sheets/2025/11/fact-sheet-president-donald-j-trump-unveils-the-genesis-missionto-accelerate-ai-for-scientific-discovery/ 【开放获取】
[2] The White House (2025). Executive Order 14363: Launching the Genesis Mission (Presidential Action). URL: https://www.whitehouse.gov/presidential-actions/2025/11/launching-the-genesis-mission/ 【开放获取】
[3] The White House, Office of Science and Technology Policy (2026). Trump Administration Announces More Than $5 Billion for the Genesis Mission, a National Mission on AI for Science. URL: https://www.whitehouse.gov/ostp/news/ 【开放获取】
[4] The White House, Office of Science and Technology Policy (2026). OSTP Director Releases Landmark Report “Science: A New Golden Age”. URL: https://www.whitehouse.gov/ostp/news/ 【开放获取】
[5] U.S. Department of Energy (2026). Energy Department Announces $293 Million in Funding to Support Genesis Mission National Science and Technology Challenges. URL: https://www.energy.gov/node/4856867 【开放获取】
[6] U.S. Department of Energy (2025). The Genesis Mission (official homepage). URL: https://www.energy.gov/es/node/4856785 【开放获取】
[7] Idaho National Laboratory (2026). Genesis Mission funds AI innovation to speed up safe, affordable nuclear energy (Prometheus Phase II award). URL: https://inl.gov/news-release/genesis-mission-funds-ai-innovation-to-speed-up-safe-affordable-nuclear-energy/ 【开放获取】
[8] World Nuclear News (2026). Prometheus project selected for federal support. URL: https://www.world-nuclear-news.org/articles/prometheus-project-selected-for-federal-support 【开放获取】
[9] American Nuclear Society (2026). INL teams with Nvidia in Prometheus project to accelerate nuclear deployment. URL: https://www.ans.org/news/2026-02-23/article-7774/inl-teams-with-nvidia-in-prometheus-project-to-accelerate-nuclear-deployment 【开放获取】
[10] EurekAlert / Idaho National Laboratory–NVIDIA (2026). Idaho National Laboratory to accelerate nuclear energy deployment with NVIDIA AI through the Genesis Mission. URL: https://www.eurekalert.org/news-releases/1117200 【开放获取】
[11] Nuclear News Network (2026). DOE puts $60M behind INL-led Prometheus to build reactors with AI. URL: https://www.nuclearnewsnetwork.com/news/doe-genesis-mission-prometheus-ai-nuclear 【开放获取】
[12] Data Center Dynamics (2026). Idaho National Laboratory, Nvidia, AWS launch Prometheus project under Genesis Mission. URL: https://www.datacenterdynamics.com/en/news/idaho-national-laboratory-nvidia-aws-x-energy-launch-prometheus-project-under-genesis-mission 【开放获取】
[13] X-energy (2026). X-energy Joins Project Prometheus for AI-Accelerated Advanced Nuclear Deployment. URL: https://x-energy.com/news/x-energy-joins-project-prometheus-for-ai-accelerated-advanced-nuclear-deployment 【开放获取】
[14] Oklo (Business Wire) (2026). Oklo and Idaho National Laboratory to Employ AI-Enabled Reactor Design for Advanced Nuclear Systems. URL: https://sg.finance.yahoo.com/news/oklo-idaho-national-laboratory-employ-123000896.html 【开放获取】
[15] U.S. Nuclear Regulatory Commission (2026). NRC Unveils First New Reactor Licensing Process in Decades to Speed Deployment While Maintaining Safety (Part 53 final rule). URL: https://www.nrc.gov/sites/default/files/cdn/doc-collection-news/2026/26-035.pdf 【开放获取】
[16] U.S. Nuclear Regulatory Commission (2026). NRC Marks One Year of Modernization Under Presidential Order (EO 14300). URL: https://www.nrc.gov/sites/default/files/cdn/doc-collection-news/2026/26-056.pdf 【开放获取】
[17] U.S. Congress (2024). Accelerating Deployment of Versatile, Advanced Nuclear for Clean Energy Act of 2024 (ADVANCE Act), Public Law 118-67. URL: https://www.congress.gov/118/plaws/publ67/PLAW-118publ67.pdf 【开放获取】

二、机构报告

[18] Massachusetts Institute of Technology Energy Initiative (2018). The Future of Nuclear Energy in a Carbon-Constrained World. URL: https://energy.mit.edu/research/future-nuclear-energy-carbon-constrained-world/ 【开放获取】
[19] U.S. Department of Energy (2024). Pathways to Commercial Liftoff: Advanced Nuclear. URL: https://climateprogramportal.org/wp-content/uploads/2025/02/LIFTOFF_DOE_AdvNuclear-vX7.pdf 【开放获取】
[20] International Atomic Energy Agency (2024). Nuclear Technology Review 2024. URL: https://www.iaea.org/sites/default/files/gc/gc68-inf-4.pdf 【开放获取】
[21] OECD Nuclear Energy Agency (2024). The NEA Small Modular Reactor Dashboard: Second Edition. DOI: https://doi.org/10.1787/e586e483-en. URL: https://www.oecd-nea.org/smr-dashboard 【开放获取】
[22] Electric Power Research Institute (EPRI) (2024). Powering Intelligence: Analyzing Artificial Intelligence and Data Center Energy Consumption. URL: https://restservice.epri.com/publicattachment/93796 【开放获取】
[23] International Energy Agency (IEA) (2025). Energy and AI. URL: https://iea.blob.core.windows.net/assets/34eac603-ecf1-464f-b813-2ecceb8f81c2/EnergyandAI.pdf 【开放获取】
[24] National Academies of Sciences, Engineering, and Medicine (2023). Laying the Foundation for New and Advanced Nuclear Reactors in the United States. DOI: https://doi.org/10.17226/26630. URL: https://nap.nationalacademies.org/26630 【开放获取】
[25] U.S. Government Accountability Office (GAO) (2023). Nuclear Power: NRC Needs to Take Additional Actions to Prepare to License Advanced Reactors (GAO-23-105997). URL: https://www.gao.gov/products/GAO-23-105997 【开放获取】
[26] U.S. Congressional Budget Office (CBO) (2011). Federal Loan Guarantees for the Construction of Nuclear Power Plants. URL: https://www.cbo.gov/sites/default/files/112th-congress-2011-2012/reports/08-03-nuclearloans.pdf 【开放获取】

三、学术期刊论文（经 Crossref 逐条核验，含真实 DOI）

3.1 基准学术文献（来自已核验的 verified.json，按主题）

主题：AI for Science 与基础模型
[27] Hanchen Wang, Tianfan Fu, Yuanqi Du et al. (2023). Scientific discovery in the age of artificial intelligence. Nature, 620(7972):47-60. DOI: https://doi.org/10.1038/s41586-023-06221-2 ｜【付费墙】
[28] John Jumper, Richard Evans, Alexander Pritzel et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873):583-589. DOI: https://doi.org/10.1038/s41586-021-03819-2 ｜【付费墙】

主题：物理信息神经网络（PINN）
[29] M. Raissi, P. Perdikaris, G.E. Karniadakis (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378:686-707. DOI: https://doi.org/10.1016/j.jcp.2018.10.045 ｜【付费墙】

主题：核电价与成本超支
[30] Jessica R. Lovering, Arthur Yip, Ted Nordhaus (2016). Historical construction costs of global nuclear power reactors. Energy Policy, 91:371-382. DOI: https://doi.org/10.1016/j.enpol.2016.01.011 ｜【付费墙】

主题：AI 的能耗与数据中心
[31] Alex de Vries (2023). The growing energy footprint of artificial intelligence. Joule, 7(10):2191-2194. DOI: https://doi.org/10.1016/j.joule.2023.09.004 ｜【付费墙】

主题：小型模块堆（SMR）技术经济
[32] Anthony Asuega, Braden J. Limb, Jason C. Quinn (2023). Techno-economic analysis of advanced small modular nuclear reactors. Applied Energy, 334:120669. DOI: https://doi.org/10.1016/j.apenergy.2023.120669 ｜【付费墙】

主题：公众接受度
[33] Yeonju Jang, Eunil Park (2020). Social acceptance of nuclear power plants in Korea: The role of public perceptions following the Fukushima accident. Renewable and Sustainable Energy Reviews, 128:109894. DOI: https://doi.org/10.1016/j.rser.2020.109894 ｜【付费墙】
[34] Judith I. M. de Groot, Elisa Schweiger, Iljana Schubert (2020). Social Influence, Risk and Benefit Perceptions, and the Acceptability of Risky Energy Technologies: An Explanatory Model of Nuclear Power Versus Shale Gas. Risk Analysis, 40(6):1226-1243. DOI: https://doi.org/10.1111/risa.13457 ｜【付费墙】

主题：核电价与成本超支
[35] Philip Eash-Gates, Magdalena M. Klemun, Goksin Kavlak et al. (2020). Sources of Cost Overrun in Nuclear Power Plant Construction Call for a New Approach to Engineering Design. Joule, 4(11):2348-2373. DOI: https://doi.org/10.1016/j.joule.2020.10.001 ｜【付费墙】

主题：反应堆瞬态诊断与故障识别
[36] Ceyhun Yavuz, Senem Şentürk Lüle (2026). Transient level determination with machine learning for pressurized water reactor VVER-1000. Annals of Nuclear Energy, 226:111908. DOI: https://doi.org/10.1016/j.anucene.2025.111908 ｜【付费墙】
[37] Zhanguo Ma, Jing Cui, Jing Zhang et al. (2025). Fault diagnosis study for nuclear power plants under imbalanced fault sample datasets based on deep learning. Annals of Nuclear Energy, 223:111634. DOI: https://doi.org/10.1016/j.anucene.2025.111634 ｜【付费墙】

主题：中子学蒙特卡洛方法
[38] R. Sentis (2001). Monte Carlo methods in neutron and photon transport problems. Monte Carlo Methods and Applications, 7(3-4):. DOI: https://doi.org/10.1515/mcma.2001.7.3-4.383 ｜【付费墙】

主题：强化学习反应堆控制
[39] Seong Jun Bae, Hong Hyun Son, Yongjae Lee et al. (2025). Small modular reactor reinforcement learning framework: Automating reactor core startup. Nuclear Engineering and Technology, 57(3):103247. DOI: https://doi.org/10.1016/j.net.2024.10.009 ｜【付费墙】

主题：安全关键软件验证
[40] Junbeom Yoo, Eunkyoung Jee, Sungdeok Cha (2009). Formal Modeling and Verification of Safety-Critical Software. IEEE Software, 26(3):42-49. DOI: https://doi.org/10.1109/ms.2009.67 ｜【付费墙】

主题：核安全文化与人因
[41] Ochuko Felix Orikpete, Daniel Raphael Ejike Ewim (2024). Interplay of human factors and safety culture in nuclear safety for enhanced organisational and individual Performance: A comprehensive review. Nuclear Engineering and Design, 416:112797. DOI: https://doi.org/10.1016/j.nucengdes.2023.112797 ｜【付费墙】

主题：AI 与核扩散
[42] David M. Allison, Stephen Herzog (2025). Artificial Intelligence and Nuclear Weapons Proliferation: The Technological Arms Race for (In)visibility. Risk Analysis, 45(11):3839-3859. DOI: https://doi.org/10.1111/risa.70105 ｜【付费墙】

主题：贝叶斯优化与事件树
[43] Haoyin Chen, He Wang, Longcong Wang et al. (2025). Integrating spatial prediction and Bayesian optimization for dynamic event tree optimization branch search. Nuclear Engineering and Design, 440:114143. DOI: https://doi.org/10.1016/j.nucengdes.2025.114143 ｜【付费墙】

主题：代理模型与不确定性量化
[44] Junlin Ma, Junli Gou, Jianqiang Shan (2026). A Softmax-based neural network surrogate model with uncertainty estimation for nuclear system prediction. Progress in Nuclear Energy, 198:106458. DOI: https://doi.org/10.1016/j.pnucene.2026.106458 ｜【付费墙】

主题：物理信息神经网络（PINN）
[45] Sanchita Malla, Dietmar Oelz, Sitikantha Roy (2026). A physics informed neural network architecture for moving boundary problems in science and engineering. Neural Networks, 197:108500. DOI: https://doi.org/10.1016/j.neunet.2025.108500 ｜【付费墙】

主题：热工水力 / 临界热流密度（CHF）
[46] Aidan Furlong, Xingang Zhao, Robert K. Salko et al. (2026). Deployment of Traditional and Hybrid Machine Learning for Critical Heat Flux Prediction in the CTF Thermal-Hydraulics Code. Nuclear Technology, :1-15. DOI: https://doi.org/10.1080/00295450.2026.2616149 ｜【付费墙】

主题：小型模块堆（SMR）技术经济
[47] Christopher P. Pannier, Radek Skoda (2014). Comparison of Small Modular Reactor and Large Nuclear Reactor Fuel Cost. Energy and Power Engineering, 06(05):82-94. DOI: https://doi.org/10.4236/epe.2014.65009 ｜【开放获取】

主题：核电厂 AI 应用（历史）
[48] Joon On Yang, Soon Heung Chang (1991). An Alarm Processing System for a Nuclear Power Plant Using Artificial Intelligence Techniques. Nuclear Technology, 95(3):266-271. DOI: https://doi.org/10.13182/nt91-a34576 ｜【付费墙】

主题：可解释 / 安全关键 AI
[49] Pranjali Deshmukh, Tejal Irkhede (2026). Hybrid Neuro-Symbolic Learning Framework for Explainable Decision-Making in Safety-Critical AI Systems. National Academy Science Letters, :. DOI: https://doi.org/10.1007/s40009-026-02158-y ｜【付费墙】

主题：核燃料循环中的机器学习
[50] R.R. Tukumbetova, M.S. Ulizko, T.V. Korenkova et al. (2025). Comparison of data classification methods in machine learning based on scientific publications on the nuclear fuel cycle. Highly available systems, 21(1):25-38. DOI: https://doi.org/10.18127/j20729472-202501-03 ｜【开放获取】

3.2 补充学术文献（新增检索，含 MDPI / Frontiers / Scientific Reports 等开放获取期刊）

[51] Brendan Kochunas et al. (2021). Digital Twin Concepts with Uncertainty for Nuclear Power Applications. Energies, 14(14):4235. DOI: https://doi.org/10.3390/en14144235 ｜【开放获取】
[52] Charles Radclyffe et al. (2023). The assessment list for trustworthy artificial intelligence: A review and recommendations. Frontiers in Artificial Intelligence, 6():. DOI: https://doi.org/10.3389/frai.2023.1020592 ｜【开放获取】
[53] Xinyan Bei et al. (2023). Three-Dimensional Surrogate Model Based on Back-Propagation Neural Network for Key Neutronics Parameters Prediction in Molten Salt Reactor. Energies, 16(10):4044. DOI: https://doi.org/10.3390/en16104044 ｜【开放获取】
[54] Nikolaos Chalkiadakis et al. (2023). A New Path towards Sustainable Energy Transition: Techno-Economic Feasibility of a Complete Hybrid Small Modular Reactor/Hydrogen (SMR/H2) Energy System. Energies, 16(17):6257. DOI: https://doi.org/10.3390/en16176257 ｜【开放获取】
[55] Sanghyun Hong et al. (2018). Economic Feasibility of Energy Supply by Small Modular Nuclear Reactors on Small Islands: Case Studies of Jeju, Tasmania and Tenerife. Energies, 11(10):2587. DOI: https://doi.org/10.3390/en11102587 ｜【开放获取】
[56] Himanshu Vairagade et al. (2024). A nuclear power plant digital twin for developing robot navigation and interaction. Frontiers in Energy Research, 12():. DOI: https://doi.org/10.3389/fenrg.2024.1356624 ｜【开放获取】
[57] Jian Deng et al. (2024). Editorial: Artificial intelligence in advanced nuclear reactor design. Frontiers in Nuclear Engineering, 3():. DOI: https://doi.org/10.3389/fnuen.2024.1448953 ｜【开放获取】
[58] Braden Burt et al. (2023). Application of Machine Learning for Classification of Nuclear Reactor Operational Status Using Magnetic Field Sensors. Journal of Nuclear Engineering, 4(4):723-731. DOI: https://doi.org/10.3390/jne4040045 ｜【开放获取】
[59] Alexander Hashemi et al. (2026). Evaluating machine learned nuclear data precision in full core nuclear reactor Monte Carlo neutronics and computational efficiency analyses. Scientific Reports, 16(1):. DOI: https://doi.org/10.1038/s41598-026-35227-9 ｜【开放获取】
[60] Kyle Warns et al. (2024). Decision-making based on Markov decision process in integrated artificial reasoning framework—Part 2: Applications. Nuclear Science and Technology Open Research, 2():50. DOI: https://doi.org/10.12688/nuclscitechnolopenres.17490.1 ｜【开放获取】
[61] Linyu Lin et al. (2025). Explainable machine-learning tools for predictive maintenance of circulating water systems in nuclear power plants. Nuclear Engineering and Technology, 57(9):103588. DOI: https://doi.org/10.1016/j.net.2025.103588 ｜【付费墙】
[62] Mingfu He et al. (2018). Application of machine learning for prediction of critical heat flux: Support vector machine for data-driven CHF look-up table construction based on sparingly distributed training data points. Nuclear Engineering and Design, 338():189-198. DOI: https://doi.org/10.1016/j.nucengdes.2018.08.005 ｜【付费墙】

四、各章补充文献（合并后全局编号，一手来源与机构资料）

[63] Congressional Research Service (2017). Rising Costs and Delays Doom New Nuclear Reactors in South Carolina (IN10750). URL: https://www.everycrsreport.com/reports/IN10750.html 【开放获取】
[64] U.S. Internal Revenue Service (2022). Inflation Reduction Act §45U / §45Y / §48 税收抵免条款（Notice 2022-49）. URL: https://www.irs.gov/pub/irs-drop/n-22-49.pdf 【开放获取】
[65] Harvard Law Review Blog (2024). ADVANCE Act Strikes Right Balance for Nuclear Energy Regulation. URL: https://harvardlawreview.org/blog/2024/07/advance-act-strikes-right-balance-for-nuclear-energy-regulation/ 【开放获取】
[66] Vannevar Bush (1945). Science: The Endless Frontier: A Report to the President on a Program for Postwar Scientific Research. United States Government Printing Office. 【开放获取，无DOI；NSF 官方存档全文】
[67] The White House (2025). Winning the Race: America's AI Action Plan (released July 23, 2025). URL: https://www.whitehouse.gov/ai/ 【开放获取，无DOI】
[68] The White House (2025). Executive Order 14179: Removing Barriers to American Leadership in Artificial Intelligence (January 23, 2025). URL: https://www.govinfo.gov/app/details/DCPD-202500170 【开放获取，无DOI】
[69] The White House (2025). Executive Orders 14318 / 14319 / 14320 (Data Center Infrastructure Permitting; Preventing Woke AI; Promoting Export of the American AI Technology Stack), July 23, 2025. URL: https://www.federalregister.gov/ 【开放获取，无DOI】
[70] Idaho National Laboratory (2026). Expanding capabilities: New supercomputer Teton quadruples INL computing power (INL News Feature, January 29, 2026). URL: https://inl.gov/news-archives/ 【开放获取】
[71] Idaho National Laboratory, Nuclear Computational Resource Center (NCRC). Code Descriptions: MOOSE / BISON / Griffin / Pronghorn 等 NEAMS 应用. URL: https://inl.gov/ncrc/code-descriptions/ 【开放获取】
[72] DOE Leadership Computing Facility / TOP500 (2023-2024). Frontier (ORNL) 与 Aurora (ANL) 系统配置与性能数据. URL: https://www.top500.org/ ; https://www.olcf.ornl.gov/ 【开放获取】
[73] Idaho National Laboratory (2026). DOE Approves Safety Documentation for MARVEL Microreactor Initial Criticality. URL: https://inl.gov/news-release/doe-approves-safety-documentation-for-marvel-microreactor-initial-criticality/ 【开放获取】
[74] U.S. Nuclear Regulatory Commission (2026). Proposed Rule: Leveraging Prior DOE/DOW Reactor Authorizations in Commercial Licensing (10 CFR 50.43 & 53.440). URL: https://www.nrc.gov/reactors/new-reactors/advanced/highlights/2026 【开放获取】
[75] World Nuclear News (2026). Aalo Atomics secures funding to build its first reactor. URL: https://www.world-nuclear-news.org/articles/aalo-atomics-secures-funding-to-build-its-first-reactor 【开放获取】
[76] Valar Atomics (2026). 官网与公开报道：Ward 250 临界、与 NVIDIA 合作 30 MW AI 工厂. URL: https://www.valaratomics.com/ 【开放获取】
[77] TerraPower (2026). Natrium 项目：Kemmerer 1 建造许可与 345 MWe/500 MWe 参数、ARDP 50/50 分摊. URL: https://www.terrapower.com/natrium 【开放获取】
[78] Oklo (2025-2026). Aurora 微堆与 INL 的 MOU/IAG、HALEU 金属燃料、15-100 MWe 容量区间. URL: https://oklo.com/ 【开放获取】
[79] Ars Technica (2025). "A Band-Aid on a giant gash": Trump's attacks on science may ruin his AI moonshot. URL: https://arstechnica.com/tech-policy/2025/12/trump-spent-2025-attacking-science-that-could-set-back-his-genesis-mission/ 【开放获取】
[80] International Atomic Energy Agency (2025). Considerations for Deploying Artificial Intelligence Applications in the Nuclear Power Industry (IAEA Nuclear Energy Series NR-T-1.26, Preprint PC-9102). URL: https://inis.iaea.org/records/kyj2t-v0b62 【开放获取】
[81] 国家发展改革委、国家能源局 (2025). 关于推进"人工智能+"能源高质量发展的实施意见；另见第四届中国核能高质量发展大会《"人工智能+"核能高质量发展倡议》相关报道. URL: https://www.thepaper.cn/newsDetail_forward_33666496 【开放获取】