“AI4S”进入深水区，国产算力如何满足需求？丨ToB产业观察

来源：市场资讯

（来源：钛媒体APP）

过去几年，海洋科学正在经历从观测驱动走向计算驱动。而在这场转变中，国产算力扮演的角色越来越重要。并行科技行业事业部总经理吕昇亮告诉我们，在科学计算领域，国产芯片的占比已经非常非常高了。

这个判断并非孤例。2026年上半年，全国首个深度融合AI技术、全栈国产算力支撑的“盘古”海洋智能预报大模型实现工程化落地。中国科学院海洋研究所建成了国内同类机构中规模最大的智算平台，集成了1万余个CPU物理核心与100余块高性能GPU卡。海洋计算挑战赛（MCC）的决赛依托海光国产DCU加速卡及国产超算平台进行，选手们的代码跑在国产芯片上，针对自主可控的算力底座做优化。

破解难题

吕昇亮与我们分享了一个故事，并行科技为自然资源部第一海洋研究所搭建了一套高精度海洋预报业务系统。这套系统不是做个科研项目交差就完事了，它每天要在固定时间点输出预报结果，远洋船舶要根据这个结果决定航线。船往哪个方向开，未来几天海况如何，都得靠每天的准点预报来决策。

这也体现了科研场景和业务场景，对算力的要求完全是两码事。在科研场景里，计算晚几个小时出结果没关系，数据出错了可以重来一遍，大不了多等一天。但在业务场景里，时间窗口是刚性的——每天那个时间点，结果必须出来，否则出海计划就要受影响。

“船出海了，你得知道未来航线上天气情况是什么样。每天固定时间点必须拿到结果，否则航向就会受影响。”吕昇亮回忆道。这意味着整个平台必须在性能、稳定性和数据传输保障上达到极高水准。单点故障不再是重试即可的小问题，而是可能导致整船作业延误的重大事故。

“前期我们经过了接近半年的磨合。”吕昇亮进一步指出，“最开始，这套系统很难做到每天在固定时间点完成预报，离业务要求的准确率有较大差距。”

问题就出在超算集群原先只是面向小规模科研场景，而这套预报业务系统的规模则远大于所有科研场景。超算集群的规模一大，麻烦也就随之而来了。100~200台机器并行工作，单台机器的故障率确实不高，但集群整体出问题的概率就大幅上升了。“某一台机器甚至某一张卡出问题，就可能造成整套系统瘫痪。”吕昇亮说。

就像一支由 100 辆车组成的车队，每辆车出故障的概率是万分之一，但整个车队每天至少有一辆车出问题的概率就高得多了。

如何破解这个难题呢？答案是：冗余设计。某个节点出问题了怎么办？用备用节点替代，还是人冲上去手动处理？这些预案得提前准备好。除此之外，数据传输的稳定性、计算性能的保障、整个IT系统与海洋应用系统的适配，每个环节都要反复调试。“中间做了大量的工作，除了IT的工作，还有客户应用的调试、优化。”吕昇亮说，“说实话，做这个项目还是比较痛苦的。”

而这个预报系统仅仅是众多海洋科学领域应用的“冰山一角”。近几年，AI正在加速进入海洋科学领域。这不是个例。在国家超级计算深圳中心，全国产E级超算"灵晟"已于2026年6月登顶全球TOP500榜单，以2.198 EFlops的持续双精度浮点性能位列第一。这台完全摆脱海外GPU依赖的超算，首创Online Acceleration纯CPU超智融合架构，自研LX2处理器内嵌AI矩阵加速单元，配合国产HBM高带宽内存和"灵启"高速互连网络，实现了从芯片、互联、存储到散热系统的全链路国产化。更重要的是，它已将全球1公里分辨率的大气海洋模拟计算时间从30天缩短至2小时以内，为台风路径、洪涝风险等极端天气预警提供了前所未有的算力支撑。

海洋领域的业务化预报对算力稳定性的要求正在倒逼算力服务商做出改变。清华大学黄小猛课题组的研究也指出，FourCastNet、GraphCast等全球天气预报模型，以及国产海洋大模型AI-GOMS，虽然预测速度远超传统方法，但背后存在硬件成本高昂、供应链不确定等问题。

吕昇亮表示，超节点架构的出现为国产算力赋能更多大规模计算项目提供了新的思路。“原来做超算的时候，服务器从一家买，网络从另一家买，存储又从别家买，组装在一起。超节点意味着所有部件从同一家公司出来，产品上市前就做了大量适配和稳定性测试，这对前期稳定性的提升会有很大帮助。”

AI预见传统计算

如果说稳定性和实时性是海洋计算的第一道坎，那AI的加入则把问题的复杂度拉升到了另一个维度。

吕昇亮观察到，超算和智算的融合至少包含三个层次：用AI方法取代传统计算、用GPU的计算模块做科学计算（也就是AI for Science）、以及把超算和智算打包在一起协同工作，比如用大模型自然语言处理数据输入，再交给超算完成核心计算。

在具体落地层面，国产异构加速方案实践表现亮眼。以海光 DCU 为代表的算力硬件依托现有软件生态，能够降低 CUDA 代码迁移成本，构建 “CPU+DCU” 异构算力平台。该平台在科学计算领域已有实际验证：一方面可为传统 CFD 仿真带来数十倍的性能提升，兼容 Transolver、MeshGraphNet 等 AI4CFD 主流应用；另一方面支撑气象海洋方向国家大装置建设，实现大气‑海洋‑陆地面多圈层高分辨率长时序耦合模拟，服务气候预测、污染防控与灾害应对工作。

然而，融合之路并非坦途。这个过程中，复杂度在指数级上升。原来用单一产品服务客户的时候，已经要同时考虑网络、存储、数据传输的问题。现在AI加进来，要考虑的事情就更多了：大模型怎么部署？传统的海洋数值模式怎么和AI模型结合？要不要做重新定制开发？

吕昇亮坦言，最大的挑战在于对场景的理解。“我们是一家IT公司，但你必须跨领域去理解客户的业务，得具备这个领域的专业知识和Know-how。”吕昇亮说。为此，并行科技不仅招聘各领域的专家，还会派驻常驻工程师在客户现场，长期跟客户融合在一起工作。

“你不可能一次性把所有事情都讲清楚。客户自己也有很多东西一开始没想到，项目进行的过程中，新问题就出来了。只能反复沟通、反复迭代。”吕昇亮指出，而在他看来，这也就是为什么FDE（前端部署工程师）能成为当前ToB企服类公司“标配”的关键因素。

吕昇亮告诉我们，这种深度绑定的服务模式，正在成为算力服务商服务海洋客户的标准配置。从跑得通到跑得稳，中间隔着的是长时间的现场驻守和持续优化，而这正是算力服务从通用走向行业的必经之路。

涌现

尽管挑战不少，但海洋计算的变化速度依然惊人。今年2月，中国科学院南海海洋研究所与中国石油大学（华东）联合发布了全球首个面向南海区域的海-气双向耦合智能大模型“飞鱼-1.0”。这个模型只用了3年历史数据就完成了训练，而以往类似的AI模型通常需要20年以上的数据。更让人印象深刻的是它的速度：在国产化单机环境下，完成3天预报只需要3秒。

这意味着一艘正在南海航行的船遇到突发天气变化，船上的设备可以在几秒钟内拿到未来三天的海况预报，而不是等上几个小时。

同样值得关注的是“瀛澜·深圳海洋”，这是中国首个全栈国产化人工智能区域海洋大模型。它基于国产昇腾算力集群和MindSpore框架完成部署，实现了从硬件到软件的全部国产化。海温分钟级预报、海浪有效波高智能预报，这些功能已经在深圳的海洋防灾减灾和生态保护中实际应用。

尽管在部分尖端场景，国产芯片的绝对性能仍存在差距，但经过大量软硬件适配调优，已经可以支撑大量业务场景落地。“国内很多国家级超算中心、业务单位，已经有大量场景在用国产芯片。”吕昇亮进一步指出，“当然，在一些性能确实还达不到的情况下，我们可能还是会继续用一些国外的产品。”

吕昇亮表示，AI在海洋领域的应用场景会越来越多，“AI与传统数值计算的融合正在加速，这过程并不是谁取代谁，而是二者协同工作。”吕昇亮如是说。

与此同时，吕昇亮认为最令人兴奋的变革将来自AI在海洋领域的深度应用。除了传统的数值模拟，AI大模型方法已在风暴潮灾害风险预警、海洋卫星高质量数据集构建、高时空分辨率海洋预报等场景落地。中国太平洋学会海洋大数据与高性能计算分会会长、国家海洋环境预报中心副主任刘桂梅在第三届海洋智能计算大会上指出，人工智能方法在传统科学领域已发挥重要作用，未来应用场景会越来越多。

但挑战依然存在。算力规模的扩张只是基础，软件生态的碎片化、产学研协同壁垒、以及对垂直领域专业知识的渴求，都是当前海洋计算，乃至整个国产算力实现AI4S过程中需要面对的难题。太初元碁首席产品官洪源曾直言，AI4S规模化落地面临"叫好不叫座"的困境，原因在于科学计算场景对算力的需求具有鲜明特殊性——高并发、大吞吐量、长时任务稳定运行，这些都对软硬件提出了更高要求。

不过，海洋大模型的发展速度很快，三年前，海洋大模型还是稀罕物；2026年的海洋智能计算大会上，已经出现了几十个海洋专属大模型。三年前，国产芯片在海洋领域的应用还需要刻意强调；今天，海洋计算挑战赛（MCC）的决赛已经全程跑在海光国产DCU加速卡上......这些进步都在深海之下悄然发生着。

（文｜Leo张ToB杂谈，作者｜张申宇，编辑丨杨林）