超算客户变了：企业需求从两三成涨到主力

五六年前，科研和高校场景在一家超算服务商的业务里要占到70%到80%。到今年，需求更多来自企业。并行科技行业事业部总经理吕昇亮用这句话，概括了超算客户结构的变化。

这个比例的反转，背后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。

需求来了，企业却发现自己拿算力的路越走越窄。过去要么自建算力集群，要么依托高校超算中心“搭便车”。自建投入高、运维重，难以应对研发高峰期的弹性需求；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。有车企CAE工程师就遭遇过仿真任务积压两周、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”。

从买整机到“夕发朝看”

买整机、租整机，是过去企业获取算力的标准动作，但这种方式面临典型的资源错配：买多了浪费，买少了不够用。研发工作天然存在潮汐效应——白天工程师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，“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。”

为了撑住这个模式，后端要做一系列复杂工作：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。”吕昇亮把这套按需供给比喻为“像用电一样”——开灯就有电，关灯就不计费。

更深层的变化来自Token经济的兴起。随着大模型和AI应用爆发，算力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；有些场景比如AI辅助编程，则可以容忍一定延迟，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，“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。”

63个算力中心怎么调度

截至目前，并行科技已经接入大概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。公司提出一个理念：每个新客户来，四个小时之内就要判断出来他是什么样的应用，是计算密集型还是访存密集型，然后根据实际数据和经验，找到性价比最优的计算资源。

挑战不止在技术层面。这些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。”

这种中立第三方定位，在AI时代显得尤为关键。“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。”

汽车是最大的一块营收

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。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，算力需求贯穿整个研发链条。

在传统CAE仿真领域，一台新车的设计要经过流体仿真、固体仿真、电池仿真、整车仿真等多个环节。这些计算需要大规模并行计算能力，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。”

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，“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，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。而算力网络的价值，就在于为这些截然不同的场景找到最合适的算力配置方案。

“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。”