AI4S杀入深水区，曙光8000十万卡进入实战局

曙光8000投入使用之后，最值得看的数字正在从“10万”变成“70”。

7月10日，这套全国产十万卡AI超集群正式投入使用，并同步接入国家超算互联网。一个多月后，公开进展显示，曙光8000核心节点完成300余项重点应用优化，覆盖大模型、创新药、新材料、量子计算、天文气象等20多个领域，超过70项应用跑到万卡规模。蛋白质折叠模拟、万亿原子级水分子动力学、超大规模湍流、气象大模型训练、科学智能体——这些过去被默认“只能在某类机器上跑”的任务，现在在同一套池子里持续运行。

十万张卡连起来，首先考验的是大型计算系统的工程能力；几十项应用真正走到万卡，考验的已经是另一套东西。一套软件在几十张卡上能跑，更多解决的是兼容和适配。规模扩大到几千、上万张卡以后，通信、数据分发、任务切分、存储访问、负载均衡都会被同步放大。卡增加100倍，程序不会自然快100倍。70余项应用进入万卡规模，说明曙光8000已经越过“建出来”的门槛，开始进入大规模应用阶段。

几乎就在同一时间，AI for Science也走到了这个问题面前。8月举行的2026科学智能大会上，科学大模型仍然重要，但科学数据、科研智能体、自主实验室、干湿实验闭环已经被放到更重要的位置讨论。AI4S的重心，正在从“做一个更强的科学模型”，转向AI如何真正进入科研全过程。

模型往科研流程里走，底下的算力也跟着变了。

一、AI4S越往前走，超算和智算越难分家

过去，超算和智算的分工相对清楚。

天气模拟、流体力学、分子动力学等传统科学计算，更强调高精度、大内存和大规模并行；大模型训练和推理，则更依赖AI加速卡、显存、低精度计算和高速互联。两类任务不同，各自建设一套系统，有它的合理性。

AI4S正在把这条边界一点点磨掉。

比如研究一种新材料，AI可以先从海量候选结构里快速筛选，把几十万甚至更多种可能压缩到一个更小的范围。但模型认为“可能可行”之后，还要做量子化学、分子动力学等高精度计算，验证结构和性质。模拟得到的新数据，再返回模型继续训练、筛选，进入下一轮计算。到了自主实验室阶段，这条链还会继续往后延伸：模型提出方案，设备做实验，结果回到模型，再决定下一轮做什么。

一项科研任务开始在AI预测、模型训练、科学模拟和实验之间反复切换。蛋白质研究如此，天气预测也在出现类似变化。AI并没有替代传统科学计算，反而越来越深地进入它的前后环节。

如果模型训练在一套系统里，高精度模拟在另一套系统里，数据就要搬，环境要换，资源也要重新组织。某一步计算从10小时压缩到1小时，并不意味着整个科研周期也会同步缩短。

曙光8000采用“超智融合”，处理的正是这种变化。它把高精度科学计算和AI训练、推理放进同一套系统，基于海光等国产芯片构建，支持从FP64双精度到INT8低精度全精度原生供给，覆盖科学计算、大模型训练与推理、工业仿真等任务。但支持不同精度只是表面，真正复杂的是完全不同的任务如何共用一套十万卡级基础设施。

二、十万卡最难的不是“大”，是“杂”

真实科研环境很少只有一种任务。

一个科学大模型训练，可能一次占用数千甚至上万张卡，连续运行很长时间；旁边可能同时有一个几十张卡的材料模拟，还有模型推理、数据处理、参数搜索不断进入。有人更吃算力，有人更吃显存；有的对卡间通信极其敏感，有的需要持续读写海量数据；科学计算里还有大量高精度负载，大模型又有完全不同的并行方式。

到了十万卡规模，问题已经不是简单把机器做大。计算、网络、存储、调度和软件环境必须一起工作，才能让大小不同、长短不同、计算方式不同的任务在同一个资源池里有效运行。

支撑这套系统运转的几根关键骨头：自研scaleFabric高速互联提供类InfiniBand原生RDMA能力，让十万卡通信不塌；ParaStor分布式全闪存储在IO500 2026春季榜单拿下生产型全节点和10节点双榜第一，同时接住科学计算海量小文件和大模型大块读写的混合负载；浸没式相变液冷技术扛住单机柜MW级功率密度，让十万卡的物理部署成为可能。

这也是70余项应用实现万卡扩展真正有分量的地方。一个程序能在几十张卡上跑，和它能在几千、上万张卡上有效运行，是两件事。规模每扩大一个数量级，通信成本、数据交换、负载不均和故障影响都会被放大。如果算法、网络、存储和调度没有一起优化，新增的卡很容易变成无效算力。

目前，曙光8000已经支撑新一代气象大模型开发部署，并在生物、材料、流体等方向承载蛋白质折叠过程模拟等超大规模任务；依托国家超算互联网构建的科学计算智能体，也已经覆盖100多个核心计算场景。

这些应用放在一起看，会发现一个很有意思的变化：很多任务已经越来越难简单划进“超算”或者“智算”。它们往往两种都需要。

三、十万卡之后，比的是“谁更会用”

过去几年，大型AI基础设施最容易比较的是规模。从千卡、万卡到十万卡，数字越大，可以承接的模型和任务规模通常也越大。曙光8000首先跨过的，也是这道工程门槛：国产芯片、计算系统、网络、存储组成十万卡级系统，并正式投入运行。

机器真正投用以后，评价标准就开始变化。

科研用户不会按照一张整齐的参数表来使用算力。气象、生物、材料、流体、大模型，各自有不同的软件、数据和计算方法；同一个项目内部，还可能同时存在AI训练、推理和高精度模拟。

卡数决定基础，系统能力决定这些卡能被用到什么程度。谁能把不同任务组织起来，谁能把应用从几十卡推到万卡，谁能减少AI训练和科学计算之间的数据搬迁与资源切换，开始成为AI4S基础设施真正的技术门槛。

这也是今天重新看曙光8000，比“全国产十万卡”更有意思的地方。它已经不是一套等待应用验证的系统。300余项应用优化、70余项万卡扩展，以及生物、材料、气象、流体等任务的实际运行，已经把这套十万卡基础设施推到了规模化应用阶段。

与此同时，AI4S也在从单一模型走向完整科研流程。两件事碰到一起，大型算力竞争的问题已经悄悄变了。以前比的是谁能把机器做得更大。接下来，更重要的是谁能让更多真实的科学问题，在这套机器上高效跑起来。

10万是入场券，70是试纸。

曙光8000真正值得关注的，不是它把机器做到了多大，而是它已经开始让真实的科学问题，在这套机器上高效地跑起来一轮又一轮。AI4S杀入深水区之后，能吃下十万卡红利的，终究是那些被科研任务真正验证过的系统。