曙光做了三十年高端计算，新兴的AI for Science和它成了“绝配”

作者 | 高飞

【编者按】8月21日，2026科学智能大会在北京中关村国际创新中心举办，由中国科协科学智能专家委员会提供学术指导。50余位院士、80余位青年学者及4000余名产学研各界代表参会，议题覆盖科学智能基础理论、科学基础大模型、行业智能体、数据集建设、产业落地应用、开源生态与国际合作等方向。本系列文章基于大会期间的报告与采访，记录各方在AI for Science领域的判断与实践。本文是对曙光的采访。

AI产业过去两年的主旋律是“降精度”。从FP16到FP8再到INT4，精度越低，推理越快，成本越低。几乎所有智算集群都在往这个方向优化。

但8月21日的2026科学智能大会上，多位专家把焦点放在了一个不同的问题上：AI for Science的核心制约不在生成端，而在验证端。

曙光智算副总裁兼首席技术官吕灼恒在大会上做了报告，从算力架构的角度回应了这个判断。会后采访中，他用了一个直接的词来形容曙光和AI for Science的关系：“绝配。”深耕高端计算三十年，曙光在AI for Science这条赛道上的结构性优势，因这积累而变得清晰。

同一张网上的“绝配”

大会上，专家们对验证困境给出了具体的诊断。AI生成能力指数增长，人类验证能力线性增长，两者之间形成了越拉越大的“剪刀差”。AI能以极低成本生成看似合理的科学结果，但验证这些结果是否可靠，仍然依赖传统的高精度科学计算。

学术界今年也在讨论同一个问题。一篇arXiv论文提出了“认知污染”的概念：过去的科学体系有一个隐形的过滤器，生成一份可信的成果本身需要大量专业知识和时间，高昂的生成成本天然起到质量筛选的作用。AI打碎了这个过滤器，但没有相应降低验证成本。

这个矛盾为什么让曙光看到了机会？采访中，吕灼恒解释了其中逻辑。

AI for Science同时需要两种精度的计算。用大模型生成假设、做方案推理、写代码，这是低精度（FP8/FP16）的事；用科学计算软件做流体力学仿真或分子动力学模拟来验证结果，这是高精度（FP64）的事。大部分智算集群只优化了前者，做不了后者。大部分超算只有后者，跑大模型优化不足。

曙光运营的国家超算互联网，是一个连接全国超算与智算资源、面向科研用户提供算力和智能服务的平台。这个平台采用超智融合架构，底层每张计算卡同时支持单精度和双精度，覆盖FP8到FP64的全精度范围。这些全精度计算能力，通过超算互联网汇聚在同一张网上，面向全国科研用户统一调度。这个全精度覆盖的设计，在AI产业一路向低精度优化的大背景下，走的是一条不同的路。但恰恰是这个选择，让平台能在模型推理阶段用低精度加速，在科学计算阶段用高精度保证可信度，无需切换底层设施。

“我们是一个超智融合的计算集群。既支持单精，又支持双精。所以它对AI for Science这种科学计算的特点是非常合适，我认为是绝配。”吕灼恒在采访中说。

大会报告中的数字进一步支撑了这个判断。伴随今年7月在郑州的国家超算互联网核心节点正式上线，超算互联网也迎来了首个全国产十万卡AI超集群，平台上同时汇聚了350万CPU核心和25万张GPU卡。此外，超算互联网已积累17000余项技能、13000余个可供智能体调用的领域计算工具、1000余个知识库和500余个智能体，覆盖生物信息、材料计算、工业仿真、气象模拟等100多个科研计算场景。

围绕“生成即验证”这一目标，验证被嵌入了生成流程本身。报告介绍，科研用户在超算互联网上构建智能体时，走的是“提交需求、方案生成、组件搜索筛选、工具实时构建、效果验证”五步流程，每个智能体在构建完成时即进行校验，而非事后补验。

从交付算力到交付结果

架构层面解决了“能不能同时生成和验证”的问题。采访中，吕灼恒谈到了一个更根本的变化：超算互联网到底在交付什么？

他回忆了过去的工作方式。“我们把机器搬到客户现场以后，需要花大量时间帮客户调机器、装软件。装完还要培训。整个过程到客户真正上手去计算科学任务的时候，其实经历了很长时间。”

这个痛点催生了一个方向性的转变：从交付算力到交付结果。吕灼恒把这叫做“意图即服务”，用户用自然语言提出科研需求，科学智能体接手后面的工作。

技术实现上，超算互联网构建了一套多智能体协同架构。分类智能体负责判断用户的问题属于材料、生物信息、化学还是工业领域；规划智能体根据领域特点组合工具、软件、数据集和知识库；执行智能体调用具体的计算软件完成任务；最后的汇聚智能体把计算结果和报告整合成完整的解决方案。

这套架构还有一层设计考量：垂直能力和水平能力的切分。每个垂直领域的智能体要足够专业，搞物理的和搞化学的调用的工具链、算法、知识库完全不同。但如果每个领域都独立建设，底层能力无法复用。所以平台抽象出了一层水平能力层，把跨领域可共用的能力统一管理。

效果体现在速度上。过去一个科研人员完成一项计算任务，从设定目标、查文献、写脚本、搭集群、部署软件到最终计算和写报告，可能要一天甚至一周。通过科学计算智能体，这个过程在“小时”级就能完成。

但吕灼恒认为速度只是表象。“这背后不仅仅是时间的缩短，本质上是科研方式的改变。我们过去整个科研方式叫计算类的科研方式，今天已经到了一个智能方式的变化。”

一家公司做不完千行百业

从计算到智能的范式转换，意味着平台不光要在架构上支持每个领域的计算需求，还必须真正理解每个领域的专属知识。高质量的科研数据掌握在各个领域的头部机构和专家手里，不会轻易公开。这些垂直领域的深度能力，一家公司不可能全部覆盖。

吕灼恒在采访中的表达更直接：“做不完。”

“像曙光即使今天己被公认为，在计算领域做得不错了，但在产业或者在整个全球看来，我们自认为还是一家创业型公司。面对千行百业，你必须和你的生态合作伙伴一起去做。”

这个判断决定了超算互联网走生态共建路径。大会报告中，吕灼恒披露了阶段性成果：今年7月推出的“科学计算智能体生态共创与开发者招募合作计划”，单月吸引了近300名来自高校、科研院所和企业的开发者加入。平台为合作伙伴提供多智能体协同架构和低代码开发环境，形成“模型+技能+知识库+智能体”的全链路开发平台。

采访中他补充了更多细节。超算互联网上目前已有约3.2万开发者和140多万用户，已形成100多个垂类场景的问题解决能力，目标是到2027年扩展到500个以上，其中核心场景要“打透、打穿”。

生态共建也在重塑商业模式。过去曙光和客户之间是项目合作或硬件买卖关系，现在正在转向生态合作伙伴关系。数据怎么交易，场景的know-how固化到平台上以后怎么分成，初创型公司怎么在生态里从小长大，这些问题都在探索中。吕灼恒提到一个他看重的连带效应：平台的算力大量使用国产卡与国产模型与软件，“客户得到了成长，数据得到了积累，用户得到了价值，国产计算生态也得到了长足发展。”

采访临近结束时，吕灼恒做了一个预判。通用大模型的迭代周期已经压缩到3个月。“我觉得马上也会烧到AI for Science垂直领域里面去。有可能经过半年或者一年两年的迭代以后，它也会达到通用大模型3个月迭代的速度。”

但他在采访中也坦承，跨学科场景下智能体的路由准确率仍然“蛮有挑战”。如果AI for Science真的进入3个月迭代的节奏，模型能力飞速升级，而垂类领域的知识库、验证标准、专家共识的积累速度却未必跟得上，那么大会上专家们警示的那个“剪刀差”，就可能在另一个层面重新出现。