AI4S开始“烧芯”：国产科研算力，难在哪儿？

AI做科研，最怕什么？除了科学问题本身，可能还得加上一条：算力太烧心。

程序跑不起来，烧心；硬件性能发挥不出来，烧心；好不容易算出结果，还得反复验证能不能复现，更烧心。AI正在进入材料研究、生命科学等领域，科研算力要处理的早已不只是一次计算，而是从数据处理、模型训练到模拟仿真的一整套流程。

10月17日至20日，在第二十二届CCF全国高性能计算学术大会（CCF HPC2026）上，海光信息以”国芯筑基，生态共生”为主题，集中展示了C86架构CPU、GPGPU架构深算系列智能计算芯片及高速互连等核心技术成果，并依托DTK基础软件栈、DAS软件工具及主流AI框架适配能力，形成覆盖通用计算、智能加速、科学仿真的软硬件解决方案。

比起单纯比较硬件参数，这些实践更值得关注的地方在于：当AI开始参与科学发现，国产算力要跨过哪些门槛，才能从“能够提供计算能力”走向“能够支撑科研工作”？

当AI走进科研，算力不再只是计算工具

如今，AI for Science（AI4S）正在改变科学研究的工作方式，但这并不意味着传统科学计算会被AI取代。在不少科研任务中，两者反而需要协同工作。

传统科学计算擅长处理对精度和物理规律有严格要求的问题，AI模型则可以用于性质预测、参数搜索和部分模拟过程的加速。研究人员可能需要先用数值方法获得高质量数据，再训练模型寻找规律，最后回到更精确的计算或实验中验证结果。不同方法各有所长，也意味着底层算力需要同时应对不同类型的负载。

海光信息科研业务总经理王毅指出，AI已经”从一个辅助工具，变成深度参与科研全流程的引擎”，从文献分析、实验设计、数据处理，到模拟仿真和结果解读，几乎每个环节都对算力和AI提出了要求。

AI带来的变化，首先体现在计算方式上。传统科学计算往往强调高精度数值运算，AI训练和推理则会使用不同精度的计算方式，以获得性能与成本之间的平衡。科研平台要做的，不是简单地把这些能力分别提供出来，而是让不同类型的任务能够在同一套系统中协同运行，同时保证结果的准确性和可复现性。

其次是任务形态的变化。科研人员可能从一个小规模实验开始，逐步扩大数据量、模型规模和计算规模。最初能运行的程序，未必能在更大规模下保持相同的效率；一次成功的计算，也不代表整个研究流程已经具备稳定运行的条件。科研数据中往往还包含不宜外流的敏感信息，这对安全和合规提出了更高要求，也意味着安全能力需要内建在算力平台之中。

因此，科研人员需要的不只是一块性能足够强的芯片，而是一套能把芯片、软件和具体科研任务衔接起来的系统。“科研人员的时间应该花在科学问题上，而不是折腾环境上。”王毅强调。

在科研算力布局上，海光采用CPU与DCU协同的路线：CPU承担通用计算，DCU面向并行加速，DTK基础软件栈和DAS AI软件栈则为程序迁移、框架适配与性能优化提供支撑。

性能的另一半，藏在芯片之外

芯片提供了性能基础，但科研软件能否充分利用这些能力，往往决定了实际计算效率。不同科研任务的瓶颈并不相同：有的程序需要重新梳理并行计算流程，有的要看模型训练和推理能否达到预期表现，还有的则要检验计算规模扩大后，性能能否跟得上。

例如在材料科学领域，MatPL用于机器学习力场模型训练，相关模型可以学习原子间相互作用，辅助开展分子动力学模拟。但在实际运行中，技术团队发现，原有程序存在并行度不足、寄存器溢出等问题。海光信息技术方案部科研行业架构师焦振男在分享中介绍，通过调整任务粒度、优化计算与归约环节，常规训练中单个epoch的耗时从约206秒降至约130秒，缩短约37%；其中，二体特征计算内核的耗时下降了97.34%，性能基本与国际主流加速卡持平。

可见，硬件性能并不会自动转化为程序的运行效率。当计算任务没有被合理拆分，或者关键环节未能充分并行时，单纯增加算力未必能获得相应的性能收益。找到具体瓶颈，再针对性地调整程序，才能真正实现优化。

随着计算任务进一步扩大，考验又会从单个程序或模型转向整个计算系统。冷冻电镜相关软件DisSPA面向大规模电镜图像的原位重构需求，实现了从CPU向DCU上的迁移和加速。随着计算资源的累加，系统依然能够保证把新增资源有效利用起来。

从MatPL的程序优化，再到DisSPA的多节点扩展，几个案例对应着科研计算的不同环节。它们共同说明，科研算力的实际表现，是硬件能力、软件适配、算法实现与并行策略共同作用的结果。

让每一次计算都经得起检验

对普通应用而言，程序能够正常运行、结果符合预期，可能就已经解决了大部分问题。但在科学研究中，科研计算不仅要得到结果，还要解释结果是否可信。

同样的程序在不同环境中运行，结果是否保持一致？数值误差是否处于合理范围？当数据规模扩大、计算资源增加时，结果是否依然可靠？一次成功运行只能说明程序在特定条件下得到了结果，还不足以证明它适合长期、稳定地支撑科研工作。

因此，科研算力至少需要跨过几道门槛：软件能够使用，计算结果值得信任，任务可以扩展到更大规模，并且系统能够长期稳定运行。它们彼此关联，却不能相互替代。软件兼容解决的是起点问题，精度和可复现性决定科研结果能否被接受，而并行效率、数据读写、任务调度和故障恢复，则关系到计算规模扩大后能否持续工作。

王毅将国产算力从“具备计算能力”走向科研实际应用的过程，概括为从可用、可信，到可规模化、可持续。他认为，拥有国产芯片和计算能力，只是拿到了入场券；科研人员敢用、放心用、持续用，才真正谈得上支撑科研突破。

围绕科研应用落地，海光不仅提供CPU、DCU等算力基础，也通过软件兼容、性能调优和应用适配，解决科研软件在国产平台上的实际运行问题。从材料模拟中的MatPL训练、再到冷冻电镜软件DisSPA的多节点并行计算，这些实践覆盖了不同学科、不同计算任务，也对平台的性能优化、应用迁移和规模扩展提出了不同要求。

对于科研团队来说，时间、计算规模和结果可信度，是三本绕不开的账。科研算力的落地，需要从边界清晰、结果可验证的任务入手，先建立性能基准，再比较计算精度与运行稳定性，确认可靠之后逐步扩大规模。只有算力用起来不“烧心”，才能让科研人员更加聚焦于业务之上。

从技术到应用，生态是最后一公里

科研软件的复杂性，决定了算力生态很难靠单一厂商独自完成。

在CCF HPC2026期间，围绕国产芯片与国产模型的“国芯国模”黑客松，依托光合开发者社区与超算互联网展开，奖金池为10万元，周期为八周，重点包括软件兼容和性能优化，相关成果计划合入HYGON-AI开源仓库。

相比单纯展示适配成果，这类活动更直接地把开发者引入具体的兼容与优化任务，参赛工作也因此不只停留在竞赛验证，而是进一步沉淀为开源项目中的代码与优化成果，减少后来者重复适配的成本。

这种持续优化的思路，也体现在DCU的大模型推理实践中。海光信息高性能推理加速部经理张庆花在分享中指出，模型推理的性能调优涉及算子、显存、量化与通信、并行策略以及请求调度等多个环节，需要从芯片、软件栈到运行系统协同处理。

从硬件平台到软件工具，再到具体科研应用，国产算力需要解决的是如何让各个环节真正衔接起来。开发者负责适配与优化，科研团队检验实际效果，平台厂商提供软硬件支撑，三方围绕真实任务形成闭环，决定了算力能力真正落到科研实践之中。

AI正在为科学研究打开新的工具空间，但科学发现不会因为算力更强、模型更大就自动发生。从材料模拟到生命科学，计算能力只有进入具体研究流程，经得起精度与结果的检验，并能随着科研任务的复杂化持续扩展，才可能真正转化为科研生产力。也只有到那时，科研人员才不必再为算力本身”烧心”。

AI4S带来的竞争，不只是模型能力的竞争，也是科学研究基础设施与工程能力的竞争。当芯片、软件、开发工具与科研应用逐步形成协同，科研团队才有可能减少对外部技术体系的依赖，更自主地选择研究工具、组织计算任务，并将计算能力掌握在自己手中。

AI4S开始“烧芯”：国产科研算力，难在哪儿？

当AI走进科研，算力不再只是计算工具

性能的另一半，藏在芯片之外

让每一次计算都经得起检验

从技术到应用，生态是最后一公里

相关推荐

发表评论