编程之后，AI的下一站在实验室

21世纪经济报道记者骆轶琪 深圳报道

继编程之后，AI大规模落地的下一个场景已经浮现并加速落地：AI for Science（以下简称“AI4S”）。

编程之所以成为第一个可产业化的场景，是因为代码语料充足、反馈信号明确——AI生成的结果对不对，跑一遍测试就知道。

沿着这个逻辑寻找下一个爆发点，科学发现几乎是条件最齐备的领域：几十年科研积累沉淀了海量数据与实验记录，科学问题本身有明确的验证标准，而科研流程中大量重复性的假设生成、仿真计算、数据分析工作，恰好是AI擅长的部分。

当然，科研场景对算力的需求正在发生结构性变化：传统科学计算追求高精度，AI训练推理追求较低精度、高吞吐，两类负载越来越多地出现在同一个课题上。同时，AI生成假设的速度远超人类验证的速度，验证瓶颈成为制约AI4S落地的核心矛盾。这些变化意味着，AI4S的推进不能只靠算法进步，还需要计算系统从架构层面的能力支撑。

AI4S受到关注，是因为它已经越过了可行性验证阶段。

正如曙光智算总裁何牧君在2026 CCF全国高性能计算学术大会期间所提到，最近两三年AI4S的节奏比多数人预想得要快——AI先从蛋白质结构预测、天气预测等具体科学问题上证明了自己，紧接着开始介入科研流程本身：生成假设、梳理文献、设计实验路线。

他进一步指出，去年已经有系统尝试自动完成从提出想法、编写代码、运行实验到撰写论文的全过程。在材料领域，有团队借助AI在一周内完成了过去需要数月才能做完的候选分子筛选。

这意味着讨论的焦点已经改变。何牧君认为，“过去我们问的是AI能不能算得准，今天要回答的是这套流程能不能天天跑，有多少科研人员真正用得上，产出的结果能不能直接采用。”也即，问题从技术变成了工程和服务。

中国工程院院士李国杰指出，AI4S正在从“AI辅助科学家完成单点任务”，进入“受控自主闭环”新阶段，即AI在人类设定的目标、边界和安全约束内，自主运行若干轮科研闭环。但AI的生成能力快速增长，验证能力却难以同步提升。“无验证闭环，难成智能化科研”，建立可靠的验证机制成为AI4S发展的关键。

近期OpenAI就宣布，内部一款新模型已经攻克了100多道世界级数学难题。这很快引发争议：这些成果是否真正得到验证，也就是验证过程实际上比仅仅发布成果更为关键。

这恰恰解释了为什么AI4S的落地需要系统性的工程能力支撑，而非单点技术层面的突破。

按照李国杰的分析，AI能力的边界约等于模型能力乘以信息可达性、行动可达性、验证可达性。AGI和AI4S的真正扩展，很可能是验证可达性的不断扩大。

在前述会议上，中科曙光发布了旗下全国产十万卡AI超集群“曙光8000”的十大典型前沿应用案例，包括重现宇宙暗物质的演化、看清芯片材料中的原子运动、在计算机里“种”玉米、复刻数字大脑等。

当然也有民生类应用，如国产AI全球短中期集合预报模型“风清集合V1.0”已投入业务运行，全新MCV天气—气候一体化模式用1小时完成了全球公里级数值预报计算。

这不仅展示了国产先进算力的核心应用成果，也尝试解答一个问题：推进AI4S过程中，在核心AI基础设施底座方面，国内借助超智融合系统级的软硬件能力，将科研成果转化为真实生产力的这条链路是否打通。

高性能计算和智能计算加速融合，是当前AI4S进程中的必然趋势。

以往来看，高性能计算凭借高计算精度，支撑着科研和气象预报等领域的持续发展，但这也面临另一重挑战，即计算速度有所受限；智算能力可以让计算加速，但在计算精度方面存在局限。

这背后需要一整套覆盖软硬件、系统架构、通信和存储等能力的底层基础设施，但绝不仅仅是把两种算力放进同一个机房就够了。

何牧君在演讲中也分析了超智融合的现实难点：首先是负载共存，一天之中可能有三种完全不同的计算负载，被按照时间划分在同一条流水线上，其中任何一环一旦出现不顺，整个流程就会中断；其次是使用门槛，对于没有计算机背景的博士生来说，可能需要大半年时间的适应，才能把本领域的软件脚本和参数真正调通跑顺，这也挡住了想进入该领域的资深研究者；此外是评价尺度改变，过去验收一台机器看峰值计算能力和利用率，但到了今天，使用者关心的是“这个课题从提出想法到拿到可信的结果要多久”，也就是评价标准从机器指标转向了人的产出。

“在科研场景里，算得快和算得准从来都是两回事。一篇论文的结论如果无法被同行复现，再好也站不住；一个仿真流程里面某个参数假设出错，后面整条链路跑得再快，也是在高效地生产错误。可验证、可复现、可追溯是一个硬性约束，不会因为引入了AI就自动放松。恰恰相反，AI进入科研主流程之后，这条约束会变得更硬。”何牧君表示。

这些挑战对计算系统提出了新的要求。

中科曙光高端计算总工程师卜景德在接受21世纪经济报道等媒体采访时指出，传统的应对模式是分区部署，即将不同分区分别用于传统高性能计算或AI计算。而曙光8000的不同在于，芯片本身就能支持多种精度，包括FP64、FP32、BF16等，同时在网络架构、存储系统上做了全面设计。据他介绍，曙光8000现有应用中，40%以上都是超智融合应用。

但硬件和系统能力只是基础。对于科研团队来说，真正的挑战在于适配和使用的门槛。卜景德坦言，不同领域诉求千差万别，对软件环境的需求挑战很大。

中科曙光副总裁曹振南表示，“随着AI4S的普及，接下来大家非常看重的指标是好用和易用性以及较低的应用门槛。”他提到曙光正在推进超算互联网智能体这类问答式交互模式，“希望大家只要具备专业知识，只需要很少的计算相关知识就能用了。”

AI4S会不会成为AI落地的下一个爆发点，取决于它能否跨过验证瓶颈和使用门槛这两道坎。

目前业内提出的方案显示，这些坎的跨越不能只靠算法进步，还需要超智融合的系统设计、软件栈的厚度、适配团队的投入以及平台化服务的支撑共同作用。

正如何牧君所说：“科学发现这件事的内核几十年没有变过——提出假设、验证、再修正。超算过去把计算做得越来越大，今天我们讨论超智融合，其实是让计算退回背景，让研究者回到问题本身。”