当超算走出实验室：一场从”算得快”到”算得值”的产业迁徙

记者：郭思

编辑：包永刚

导语：超算产业需要更多算力中立供应商

深夜十一点，某新能源汽车企业的仿真计算中心里，屏幕上的流体模拟进度条正在缓缓推进。窗外的城市已经安静下来，但这里的服务器仍在轰鸣——工程师白天做分析、调参数，到了晚上就把计算任务交给算力，第二天一早推开门，结果已经摆在了桌上。

这种“夕发朝看”的工作节奏，正在中国各地的研发实验室里成为新常态。

而与此同时，在内蒙古、宁夏、新疆的广袤土地上，一排排服务器机房亮着指示灯，像沉默的巨人吞吐着数据。这些地方的电费便宜、气候适宜，是部署大规模算力中心的理想之选。但它们不再是过去那种只服务于高校科研的“象牙塔”——越来越多的汽车制造商、大模型企业、航空航天企业、生物医药公司，正在成为这些机房里最活跃的用户。

超算，这个曾经带着浓厚学术色彩的词汇，正在经历一场深刻的产业迁徙。

超算“出圈”：从象牙塔到产业主战场

“五六年前，科研跟高校的场景在我们业务里要超过70%-80%。但到今年，需求更多的是来自企业。”并行科技行业事业部总经理吕昇亮在采访中这样描述行业的巨变。

这个数字背后的驱动力，是各行各业对算力需求的急剧增长。IDC发布的《2026年中国人工智能计算力发展评估报告》预计，2026年中国智能算力规模将达2576.5EFLOPS，同比增长87.9%，到2030年将突破万EFLOPS大关。

面对这一问题，过去，企业要么自建算力集群，要么依托高校超算中心“搭便车”。但这条路如今越走越窄。自建集群投入高、运维重，且难以应对研发高峰期的弹性需求；而高校超算中心本身资源有限，面对企业级任务的体量和时效要求，常常力不从心，曾经就有车企CAE工程师遭遇仿真任务积压两周、排队12天起步的窘境。

“以前我们给高校服务，用户群体比较固定，业务增长相对缓慢。但现在不一样了，”吕昇亮说，“企业端的算力需求在急剧增长，对于需求满足的时效性也在急剧提高”。

这也就意味算力使用模式的变革才是这场迁徙的核心。

过去，企业获取算力的方式很简单——买整机、租整机。但这种方式面临着典型的资源错配困境：买多了浪费，买少了不够用。因为研发工作天然存在潮汐效应——白天工程师们需要即时算力做分析和调试，晚上则可以放下工作让算力继续跑计算。

“我们给客户提了一个叫「夕发朝看」的业务模式，吕昇亮介绍道，“工程师白天在公司看前一天计算的结果，做分

析调整。下班后希望算力不要休息，让算力帮他把计算继续跑下去。第二天早上九点上班的时候，就能看到计算结果。”

为了实现这个模式，并行科技做了一系列复杂的后端工作：保证计算的准确性、出错时自动重跑、智能调度后端资源……“对一个工程师来讲，不用再担心因为算力不够要排队，或者算力多了浪费的问题。你想用多少就有多少，不用的时候也不收费。”

这种按需供给的模式，被吕昇亮比喻为”像用电一样”——开灯就有电，关灯就不计费。

而更深层的变化来自Token经济的兴起。随着大模型和AI应用的爆发，算力的使用模式开始从训练为主转向推理为主。“随着大模型Token调用量快速增长，推理正在成为新增算力的重要驱动力，”吕昇亮说，“我们联合合作伙伴推出了面向推理场景的Token工厂，为不同行业客户的模型推理和智能应用提供算力与平台服务，同时不介入客户模型和应用本身。”

推理场景对算力的要求与训练截然不同，有些场景对实时性要求极高（比如观看短视频、玩在线游戏），需要算力部署在离用户近的地方；而有些场景（比如AI辅助编程）则可以容忍一定的延迟，适合部署在算力成本更低的西部数据中心。

“如果把算力部署在内蒙古、宁夏、新疆，电费比较便宜，整体算力成本就降低了。”吕昇亮分析道，“但如果是实时性要求高的场景，我们就需要把算力部署到离客户近的地方，比如上海、广州。”

从”算得更快”到”算得更好更省”，这不仅仅是技术路线的调整，更是整个算力产业商业模式的深刻重构。

算力黑土地的“超级调度”优势

在这场变革中，并行科技提出并实践的“并行算网”模式，提供了一个独特的解题思路。

截至目前，并行科技已经接入了大概63个算力中心，其中有四十多个智算中心、十几个超算中心。这些分布在全国各地的算力资源，通过一套智能调度系统被整合成一个统一的”算力池”。

“客户提交一个任务上来，我怎么能判断出来他究竟后端的算力哪一个最适合他？”面对这个核心问题。并行科技的答案是一套自主研发的”应用运行特征分析”软件。

并行科技提出一个理念，希望每个新客户来，四个小时之内就要判断出来他究竟是什么样的应用，是计算密集型还是访存密集型，然后根据实际数据和我们的经验，找到性价比最优的计算资源。”

但这套系统面临的挑战远不止技术层面。62个算力中心，有的是自建数据中心，有的是与地方政府合作共建，有的是第三方算力资源。“大家怎么实现一个双赢的模式？要让大家都能挣到钱。”吕昇亮说，“这中间涉及到定价、结算，需要一套技术和商务相结合的模式架构。”

并行科技的策略是做好”黑土地”——只做IaaS和PaaS层的基础架构和平台层，不碰客户的应用层。“我们的客户是做应用的、做大模型研发的、做汽车研发的工程师，他们对自己的业务更了解。我们先把基础架构做好，让他们在上面长出自己的一根烟囱来。”

这种中立第三方的定位，在AI时代显得尤为珍贵。“很多做大模型的厂商，如果把算力完全构建在某个大厂上面，而那个大厂又有自己的大模型，那万一因为竞争原因卡你算力，你的业务就受很大影响。”吕昇亮指出，“所以并行科技更愿意选择一个不做模型、只做算力的中立供应商。”

超1000个核心同时工作，智能汽车折射的AI算力未来

要理解超算如何深入产业，新能源汽车行业是一个绝佳的观察窗口。

“汽车制造是我们事业部营收最大的一块，接近40%的营收来自汽车制造和新能源。”吕昇亮介绍道。一家新能源汽车企业的研发，涉及数千名工程师，从整车设计到自动驾驶算法训练，算力需求贯穿了整个研发链条。

在传统的CAE仿真领域，一台新车的设计需要经过流体仿真（空气动力学）、固体仿真（结构强度）、电池仿真（电化学性能）、整车仿真等多个环节。这些计算需要大规模的并行计算能力，有时需要512个甚至上千个核心同时工作。

“不可能每次造出新车以后去做各种实验，做碰撞、做流体，成本太高了。”吕昇亮说，“所以用计算机辅助工程，用高性能计算来辅助工程设计，这个方法已经发展了五十年。”

但AI的到来给汽车行业带来了全新的算力需求。自动驾驶大模型的训练需要GPU算力，AI辅助编程正在改变软件工程师的工作方式“现在工程师如果还不会用AI来辅助写代码，基本上很难有生存空间。”吕昇亮观察到，“原来一行代码一行代码敲，现在可能是用自然语言告诉AI要实现什么功能，让AI帮忙写代码。”

更前沿的变化来自具身智能。“做智驾的人去做具身，因为他们有经验可以迁移。”吕昇亮分析道，“但具身智能需要的不只是制造业的仿真能力，还需要有‘大脑’和‘小脑’——世界模型、AI场景。所以我们最近在提出把超算跟智算再融合在一起，我们叫超智融合。”

从流体仿真到自动驾驶训练，从AI辅助编程到具身智能，新能源汽车行业对算力的需求正在呈现多元化、指数级增长的态势。而并行算网的价值，就在于能够为这些截然不同的场景，找到最合适的算力配置方案。

而当我们站在产业变革的节点上回望，超算从实验室走向产业一线的趋势已经不可逆转。

“AI能够带来人们实际生产和生活效率的提升，这是毫无疑问的，”吕昇亮说，“目前所存在的场景，这些所谓的AI应用还处在非常初级的阶段。未来三年、五年甚至十年之后，AI催生的工作效率提升可能是我们现在想象不到的。”

当算力从一种稀缺的科研资源，变成像水电一样按需取用的产业基础设施，一场关于生产效率的深层革命正在发生。从”算得更快”到”算得更好更省”，从单一集群到分布式算网，从服务高校到赋能千行百业——超算的产业迁徙，才刚刚开始。

雷峰网 雷峰网