福建
任何一轮技术热潮，最终都会走到一个价值分岔口。一条路是把人们熟悉的工作做得更快，另一条路是去解决过去无从下手的问题。发展到今天，AI也走到了这个路口。
写报告、回复邮件、生成图片，优化的主要是已有流程。AI4S面对的则是尚无答案的问题：一种新材料应该是什么结构，一条药物研发路线能否成立，一场极端天气将如何演化。科研人员需要从庞大的可能性中找到少数值得验证的方向，这也让AI从提高效率的工具，开始进入科学发现的核心环节。
科学发现，也是一场筛选
今年8月，《科学》发表了一项利用AI设计完整噬菌体基因组的研究。研究人员最终合成并测试了285个候选设计，其中16个能够感染大肠杆菌并增殖。
最终得到的有效结果只是候选设计中的一部分，这恰好说明了AI4S的真实工作方式。AI可以提出人类未曾考虑的方案，却不能跳过验证。科研人员仍要判断哪些候选符合基本规律，再通过计算和实验逐层筛选。AI没有消灭试错，而是让试错更有方向。
材料研发、药物发现和能源技术也遵循类似逻辑。真正昂贵的往往不是提出一个设想，而是证明它是否成立。谁能用更低成本完成更多轮“提出—筛选—验证”，谁就更有机会率先逼近正确答案。
一种算力无法完成整个验证过程
问题在于，这条验证链需要性质不同的计算。AI适合快速生成和筛选候选方案，科学计算则要用较高精度求解物理方程，实验产生的数据还要继续分析并反馈给下一轮研究。不同阶段对计算精度、存储带宽和网络通信的要求并不相同。
如果这些任务分散在彼此割裂的平台上，科研人员就要不断迁移数据、调整程序和等待资源。AI节省下来的时间，可能又消耗在系统之间的衔接中。超智融合的意义由此显现。它要连接智能计算、科学计算、数据处理和实验反馈，让一次科研任务能够连续运行。
这种方向并非中国市场独有。美国能源部2026年公布的“美国科学与安全平台”，就把高性能计算、科学实验设施、数据资源和生产能力整合为统一的AI驱动发现系统。不同国家使用的概念各有差异，背后的判断却趋于一致：面向科学发现，高端计算必须从单项能力走向系统协同。
高端计算开始为“有效答案”负责
这也改变了高端计算的评价方式。理论峰值依然重要，但科研机构最终需要的是更短的验证周期、更多可测试的候选方案，以及能够稳定运行的科研软件。网络、存储、调度和应用优化不再只是辅助环节，它们共同决定算力能否转化为有效结果。
首个全国产十万卡AI超集群——曙光8000可以作为这一变化中的国内样本。它支持FP64到INT8多种计算精度，将科学计算和智能计算组织在同一系统中。截至2026年8月，公开报道显示，该系统已在新材料、地球科学等20余个领域开展近千项超智融合应用优化，此前披露的70余个应用实现了万卡规模扩展。
这些应用优化的意义，不只是让更多软件能够在十万卡系统上运行。每一次适配都在把某个学科的算法、数据路径和验证方式沉淀为可复用的科研工具。当这些工具通过国家超算互联网服务更多团队，超智融合提供的就不再是一堆孤立算力，而是一套降低科研不确定性的基础能力。
AI4S不会直接给出所有答案，它首先改变的是寻找答案的方法。也正因为科学发现需要生成、计算、验证反复循环，超智融合才会从技术选项走向高端计算的共同趋势。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
