中国工程院院士廖湘科：AI竞争从模型转向数据闭环和可信性

当前，我国算力产业正从规模扩张迈向高质量发展新阶段。AI大模型、科学智能（AI for Science）的快速演进，持续拉动智算需求爆发，超智融合成为行业确定趋势。

在此背景下，第二十二届CCF全国高性能计算学术大会（CCF HPC2026）于10月17-20日在深圳国际会展中心举办，本届大会以“超智深融算力圳浓”为主题，围绕国产算力底座建设、超算与大模型双向赋能、算网协同、绿色智能计算等核心议题展开研讨。

“人类科研范式先后历经理论科学、实验科学、计算科学（超算）、大数据科学，AI4S作为第五大科研范式正快速发展，美国已推出‘创世纪’计划等国家级工程，而我国正面临多重现实挑战。”中国工程院院士、计算机系统软件专家、启元实验室主任廖湘科在大会主题演讲中表示，AI for Science的终局是迈向一个更通量、自主无人化的科学研究的新纪元，即人类提出问题，AI生成假设、设计实验、完成模拟计算、分析结果，最后由人类判断“这个东西合不合适，验收发表”。

AI for Science仍存在黑箱问题、验证瓶颈等挑战

廖湘科长期从事高性能计算机系统和相关软件技术的研发，是天河一号、天河二号超算总负责人，带领团队多次登顶全球超算TOP500榜单，当前聚焦AI for Science前沿方向，牵头启元实验室“悟真”科学智能底座建设，探索超智融合新范式，推动人工智能与科学计算交叉创新。

“生成式AI与科研智能体正在重塑科研全链条：从科学假设生成、建模与仿真计算，到方案设计、实验验证与结果分析，AI可以贯穿科研工作的完整流程，推动科研走向高通量、自主化的全新模式。”廖湘科表示。

但廖湘科强调，AI for Science不是简单用大模型替代传统计算仿真，不能夸大AI能力，当前领域仍存在多重深层次挑战。第一大挑战是，当前通用大模型普遍存在黑箱问题，模型输出结果未必符合物理守恒定律，直接用于科学研究存在显著风险。第二大挑战来自验证环节。

“自主无人实验是AI for Science应用的关键卡点，也是验证环节的核心瓶颈。如今人工智能的发展让我们能在极短时间内提出数千个备选方案——AI的方案生成能力呈指数级增长，但人类的验证能力却只能线性提升，这是目前最大的瓶颈。”廖湘科称，“我们认为这个问题带来的风险其实比通用人工智能更大：当国家级科研体系逐渐全面适配AI for Science后，后续科研工作会越来越离不开它，就像现在写论文如果不用大模型，就很难跟得上别人的进度。尤其对我国来说，先广泛投入使用、享受效率提升当然没有问题，AI for Science落地只要能创造价值就值得推进，但一旦接受这套模式，未来AI for Science领域潜在的风险压力就会非常大。因此我们必须提前加强验证能力建设，在得出任何结论前，首先要重视并突破AI for Science的验证瓶颈。”

围绕国产AI for Science体系建设，廖湘科介绍，启元实验室正致力构建“一体三翼”架构并搭建“悟真”底座，底座围绕科学方案智能生成、高精度科学计算加速、高通量无人实验三大方向，打通“AI生成方案—仿真计算—物理实验验证”闭环，尝试破解AI方案验证难的痛点。

全球竞争从基础模型转向数据闭环和可信性

“当前，全球范围内AI for Science科技竞争已经提速，美国推出国家级AI for Science基础设施计划，我国需要正视差距，坚持人机协同的科研模式：AI负责海量试算、方案生成与数据处理，人负责提出科学问题、价值判断，并承担科研最终责任。”廖湘科表示。

对于全球AI竞争格局，廖湘科的判断是，开源的基础模型持续逼近前沿模型，通用能力加速趋同和贬值，未来靠基础大模型来建立护城河不太现实。他举例说，美国在大模型上投入巨大，但全世界都在使用中国的开源模型，导致投入难以回收，资本市场面临泡沫风险。

“所以AI for Science的竞争已经不再是算力和算法，是谁能用高质量的数据闭环和知识图谱来解决可信性的问题。”廖湘科强调，AI for Science发展必须坚守物理可信、决策可解释、流程可追溯，即AI输出的模型必须严格遵循物理规律，推理的链路必须具备端到端可解释性，整个科研活动必须全生命周期可控，这是AI不可逾越的三条底线。

此外，廖湘科还对算力架构趋势作出判断，“在AI for Science与科研智能体时代，CPU价值重新凸显。依托混合精度、矩阵扩展、大内存等技术能力，国产CPU架构有望在超智融合场景发挥关键作用，助力我国摆脱底层算力架构依赖，夯实AI for Science自主算力根基。”

采写：南都N视频记者 马宁宁