北京
2026世界智能產業博覽會正式開幕，參展企業和機構達到741家，規模創了歷屆之最。現場，昇騰384超節點與中科曙光scaleX萬卡超集群兩代王牌軍的同臺亮相，對于一直在追問“國產算力往哪走”的產業來講，這一問題已然得到解答。
算力賽道的“換軌時刻”
如果用一句話來概括兩者的差異：華為384打的是AI訓練和推理的“縱深戰”，scaleX萬卡超集群瞄的是科學智能時代的“全覆蓋”。
這里的拐點在于一個叫“超智融合”的趨勢。過去很多年里，科學計算和人工智能走的是兩條完全不同甚至互不相通的道路。科學計算追求雙精度極致性能，核心在于數學模型驅動的數值模擬，它要求的是“準”；AI大模型追求低精度下的海量并行吞吐，核心在于數據模型驅動的模式識別，它要求的是“快”。一個求準、一個求快，底層對精度的要求截然不同。
但AI for Science正在把這個二元結構打碎。在生物制藥、新材料模擬、氣象預測、量子化學這些前沿科研領域，同一個計算任務里同時需要高精度的數值模擬與低精度的推理加速——比如用AI加速蛋白質折疊的結構搜索，再用高精度驗證去驗證結果的結構穩定性。單一精度的算力方案，已經跑不通了。
這不是一個遙遠的理論判斷。本屆智博會上曙光展示了幾個數據：3萬卡規模的蛋白質折疊模擬，較傳統算法加速了1000倍；4.5萬卡規模的液態水分子動力學模擬，實現了萬億原子級運算，在打破世界規模紀錄的同時讓效率提升了三個數量級。414.7億原子的DFT精度模擬、十億級網格從“周級”到“小時級”的效率提升——這些數字背后不是單純的“更快”，而是一個本質不同的計算范式正在成型的信號。
AI4S全球市場規模預計從2025年約45億美元增長至2032年約262億美元，年復合增長率逼近29%，六大下游行業合計可覆蓋市場規模接近11萬億美元。產業未來的主戰場正在全面遷移。
從“縱深戰”到“全覆蓋”
華為384超節點在設計定位上有清晰邊界：它面向AI訓練與推理場景優化，核心指標都集中在BF16低精度算力——單集群300PFlops的標稱值，已用于訓練7180億參數的盤古Ultra MoE大模型。但在需要雙精度、高精度覆蓋的科學計算場景里，其支撐能力似乎是個疑問。
不是說它做不到，而是它從一開始就不是為那個戰場設計的。一臺為高速公路打造的性能車，讓它去跑越野，車再好，場景也對不上。
與此同時，曙光6萬卡規模的AI4S計算集群已在今年4月于鄭州國家超算互聯網核心節點正式投用，設計上支持FP8到FP64全精度計算，兼顧傳統超算的高精度科學計算需求和大規模AI訓練的低精度高吞吐要求。
整個算力產業正在發生深刻的變化。科學智能時代對算力的需求正在從單一低精度向全精度覆蓋快速遷移。屆時，任何在精度維度上“偏科”的方案，無論它在前一個時代取得了多大的成功，都可能在下一個時代面臨系統性挑戰。
站在今天這個時間點往回看，過去兩年國內算力行業最大的成就是解決了一部分“夠不夠用”的問題。在單卡性能存在短板時，用系統工程能力先拼出一個可用的國產算力底座，這個價值再怎么說都不為過。
而當算力要從實驗室走向產業、從“建得起”走向“用得好”，架構的包容度、精度的覆蓋寬度、系統的工程化協同深度，才是決定天花板高度的關鍵變量。它既能讓同一個底座既能驅動低功耗的AI推理，也能撬動高負荷的科學模擬。
站在今天這個時間點往前看，下一個真正值得回答的問題是：誰能真正構建一套能同時駕馭高精度科學計算與低精度智能加速的算力系統？
答案越來越清晰了。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
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.
