【环球问策】从“能跑”到“敢用”：国产算力如何真正走进科研实验室？

7003383

7005136

7005137

<article><section data-type="rtext">【环球网科技报道 记者 林梦雪】一个蛋白质分子的折叠过程，可能只有几微秒，但要在计算机中精确模拟这几微秒，往往需要数周甚至数月的不间断计算。当科学家试图将模拟对象从单个分子扩展到多组分、跨尺度的复杂体系时，算力的边界就成了科学发现的边界。AI4S时代，科研几乎每个环节都在被算力重新定义。近日，在第二十二届CCF全国高性能计算学术大会（CCF HPC2026）期间，海光信息科研业务总经理王毅认为，“今天的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、结果解读，几乎每个环节都要求算力和AI。”从“能用”到“好用”，从“演示”到“常态化”，国产算力能否真正走进科研实验室，成为科学家手中可信赖的工具？AI重塑科研范式，算力面临前所未有的复合挑战AI正从辅助工具变为深度参与科研全流程的引擎，这对算力提出了全新的、复合性的要求。
 <adv-loader __attr__inner="7004636" __attr__style="width: auto;position: relative;float: left;border: 1px solid #ebebeb; padding: 20px;overflow: hidden;margin: 10px 30px 40px 0;"></adv-loader>
 王毅指出“传统科学计算依赖高精度双精度浮点，AI训练和推理又需要大规模低精度并行，一个科研任务往往多种精度负载都要跑。真正的难点不只是‘各类算力精度都能提供’，而是这些算力精度能在同一套系统里协同，并且确保科研结果可复现”；软件生态和易用性被提到前所未有的高度，“科研人员的时间应该花在科学问题上，而不是折腾环境上——代码能不能少改甚至不改就跑起来，直接决定了算力的实际利用率”；稳定性和规模化要求更高，“科研项目周期长、任务重，平台要能长期稳定支撑，还要能从小规模实验平滑扩展到集群规模。”从科研一线来看，挑战同样具体而迫切。深圳湾实验室系统与物理生物学研究所高级工程师、计算生物化学软件平台项目总工程师张鋆以计算化学分子模拟为例：“自从二十一世纪开始，模拟方面已经不再是模拟单独一两个分子，它面临的体系越来越大，越来越复杂。越是复杂的体系，我们需要模拟的空间尺度还有时间尺度就越来越大，因为空间不够大、时间不够长，很多科学现象是涌现不出来的，而涌现不出来就无法进行这方面的研究。”他进一步指出核心难题：“在不同的尺度，比如从微观的到介观的到宏观的尺度，不同尺度都需要用截然不同的方法来进行研究，如何把不同尺度下的不同方法能够平滑的、稳定的结合在一起，这个其实是一个很重大的方面。”与此同时，张鋆还强调了底层基础设施的长期稳定性问题：“计算的基础架构一定要完善、可靠，有长期的可维护性。包括编译器，还有高性能的数学库、性能调优器等等，这些软硬件都一定要保证长期的稳定性，因为软件的发展它是一个长时间的发展，如果它的变化特别大，可能会影响我们长期的投入。”从芯片到科研突破：跨越“三道坎”与“四道关”	有芯片、有算力，是否就意味着能支撑科研？王毅直言：“有国产芯片、具备了计算能力，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。”他将这段距离拆解为“三道坎”：各种软件能不能跑、科研结果敢不敢信、能不能常态化使用。在更宏观的层面，他进一步提出“四关”——可用关、可信关、可规模化关、可持续关，比“三道坎”多出的正是“可规模化”：单卡跑通不等于集群跑得稳，互连、存储I/O、调度、故障恢复、能效与运维，很多平台的差距并不在芯片上。他坦诚地说：“这四道关没有哪家芯片公司能独立跨过去，需要芯片、软件、科研机构和系统集成商一起往前推。海光能做的是两件事：把算力做扎实解决挑战，把生态接口敞开迎接合作。”至于怎么判断算力是不是真的帮到了科研，王毅用一个标准来做尺子：“看科研人员是不是还需要为算力分心。”这把尺子可以拆成三本账--时间账，同样的任务，端到端的等待有没有缩短；规模账，原来做不了或者做不起的规模，现在能不能做；可信账，结果和原有平台是不是一致、能不能复现。三本账同时对得上，才算真正帮上了。“对我们来说，方案展示只是交流的起点，能够持续服务科研工作，才是海光要实现的价值。”“我们的出发点只有一条：让国产算力去适配科研流程，而不是让科研人员来适配国产算力。”他具体阐述了三个方向：“第一，把平台能力开放出来，通过成熟的编程模型和工具链，把海光各类芯片的算力以标准接口提供给上层软件，让开发者不必从零重写代码，迁移成本可控。第二，和软件方一起做适配和优化，‘能跑起来’只是及格线，‘跑得好’才是目标。第三，使用过程尽可能简化、使用体验尽可能优化。工具链、文档、示例、迁移指南，这些看起来是小事，实际上直接决定科研人员愿不愿意用第二次。”海光对AI4S新型科研范式的支持，可以概括为“双芯、科研全精度、安全合规、开放生态”。C86处理器原生兼容x86生态，大量主流科研工具无需重构就能迁移；DCU是全精度通用加速卡，通过自研工具链兼容主流GPU软件生态，一套算力覆盖从数值仿真到大模型训练的负载谱系，并具备从单节点到万卡集群的全链路调优能力；芯片内置国密和机密计算等安全机制，全链路守护科研敏感数据；同时依托光合组织与上下游一起做适配，让异构协同不再是一个课题组一个课题组各自去解的题。科研一线实践：国产软硬件协同的价值正在显现在具体的科研实践中，国产算力与国产软件的协同价值已经开始显现。张鋆以深圳湾实验室的实践为例：“国产的这些算力平台一个很重要的特点就是能够和国产的软件实现更有力的高度匹配。”他介绍了实验室自研的Qbics（Quantum Biology Informatics Chemistry Sciences）程序：“它将电子结构的微观模拟还有像分子动力学等涉及比较介观的一些模拟的方法，平滑的统一在了一起，结合到同一个软件里，这样我们就可以在国产软件上充分调优我们的程序，能够使不同尺度的算法在国产硬件上面发挥出最大的性能。”他进一步解释了国产软硬件深度协同的独特优势：“不同算法优化对不同的硬件设备要求也是不同的，在与海光的合作中，就可以充分的发挥每一个硬件在不同尺度的算法上面的潜力，来使我们这个算法和软件的性能达到最好、达到最优。”张鋆还表示，“现在的AI工具发展非常快，科研人员不应该拘泥于具体的某个工具。大家应该把握的是自己这个学科里面，在AI方面无法取代的这些东西。”他说，“有了AI之后，大家可以把精力更多地放在科学问题、理论问题和应用方面，至于计算机方面的大部分问题，都可以通过与AI模型对话来解决，这样可以大大地减轻科研人员的精力负担，使我们集中精力来研究我们更擅长的问题。”对想尝试AI辅助科研的团队，王毅的建议是先把问题说清楚——“我现在的流程里，哪个环节最慢、最贵、最卡人？”在此基础上他给出四步：定目标，把预期收益写成能对照的指标；盘家底，摸清数据在哪、软件依赖哪些库和框架、现有脚本要改多少；选切口，先挑边界清晰、有对照结果、失败成本低的环节试点；建基线，先在现有平台上跑出时间、精度、成本的基准，换了平台才有得比。科研用户想要的和算力平台想做的，正在接近一致，这条路没有捷径。正如王毅所言：“我们目的只有一个：把时间还给科学问题本身。”</section></article>

7003385

7003386

7003387

7003388

7004638

7004639

7004637

7003389