近日，第二十二届CCF全国高性能计算学术大会(CCF HPC 2026)如约而至。
今年大会上，AI4S无疑是最为热门的探讨话题之一，众多院士专家、资深学者、行业大咖及产业链头部企业深度参与讨论。
科学研究经历了实验观察、理论推演、计算模拟和数据驱动四个发展阶段之后，遇上了人工智能技术的高速发展，人工智能与基础科学研究深度融合形成的新型科研范式（AI4S）就成为大势所趋。
近年来，AI更是从文献检索、代码生成等科研辅助，全面加速向科学计算、全流程科研乃至自主实验室演进。那么，AI4S高速发展下遇到了哪些突出挑战？围绕AI4S的演进，算力基础设施未来的发展方向有哪些？中国在AI4S领域又有哪些重要成果？在本次大会上，众多院士专家、资深学者、行业大咖及产业链头部企业深度参与讨论，并给出众多真知灼见。
AI4S带来的挑战不容忽视
AI4S（AI for Science）是将人工智能深度融入科学研究流程，通过生成式AI、智能体等新手段，贯穿数据获取与治理、科学建模与仿真、方案生成与实验验证等科研核心环节，实现科研效率跃升、复杂问题规模化求解、科学探索边界延拓的新兴科研范式。
事实上，AI4S的火爆有迹可循。如今，生命科学中的蛋白质结构预测、材料科学中的分子动力学模拟、地球科学中的气候预测等科研场景中，都离不开人工智能相关技术。不过，随着人工智能技术的融入，科学研究的研究链条更长、验证要求更高，也带来了一系列新挑战。
在本次大会上，院士专家们认为，当前AI4S主要存在着以下四方面的挑战：
其一、科学数据治理薄弱，模型在训练分布之外表现不佳，难以适应真实世界的复杂情况；
其二、方案生成智能化不足，实验数据噪声、模拟误差以及数据集偏差可能会误导AI模型；
其三、计算仿真精度与效率受限，在极端工况下跨尺度高精度仿真需求与现有数值方法能力之间差距显著；
其四、试验验证高危低效，危险材料与极端环境试验安全风险高、成本大，人工方式难以规模化并行；此外，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。
因此，随着人工智能与科学研究流程的深度融合，科学研究与发现更加需要彻底贯通数据、模型、模拟与实验，对于算力基础设施、科研软件与科研平台之间的协同提出了全新要求。在院士专家们看来，AI4S未来的竞争已经不仅仅是算力与算法，还包括高质量的垂域数据与深层知识图谱，以实现计算科学、软件工程与行业纵深知识的三位一体深度融合。而在这其中，超智融合的基础设施就成为牵引AI4S发展的关键抓手。
超智融合：AI4S的关键抓手
“超智融合”是指超级算力与人工智能算力的深度融合，通过整合两者的技术架构、计算范式、应用模式和服务体系，形成算力供给更充沛、资源调度更智能、应用门槛更低的新型计算能力。
超智融合并非简单的技术叠加，而是当下系统性解决AI4S挑战的关键。众所周知，例如，传统高性能计算属于典型的FP64数值模拟和单一作业，而人工智能负载则是混合精度计算和以数据为中心，AI4S不仅需要模拟与学习协同，还需要数据通话、不确定性评估等，加上智能体AI的融入，更加使得负载复杂性提升。
因此，当一个科学工作流需要仿真、训练、推理和智能体控制在同一执行周期内交替发生时，算力基础设施如何在不打断工作流的前提下完成负载切换，就充分体现出超智融合的价值。
事实上，在本次大会上，专家们也介绍了超智融合的代表：灵晟–由国家超级计算深圳中心牵头研制的全国产E级超级计算机系统。据悉，灵晟首创全CPU超智融合架构，将类GPU的矩阵加速能力内嵌于CPU，实现超算与智能算力在体系结构上的融合。灵晟系统，不仅支持FP64、FP32、FP16、INT8多精度计算，还自研多精度混合加速框架与超智融合软件平台，实现统一支撑”三算合一”。
同样，曙光8000也是目前超智融合的代表。曙光8000作为首个全国产的十万卡AI超集群，延续了中科曙光此前的原生超智融合技术路线，将超算和智算能力统一到同一系统中，且在芯片、计算系统、存储、网络等关键环节均采用国产设计，可满足面向高精度科学计算和低精度智能计算的复合需求，支持FP64到INT8全精度运算，可覆盖科学计算、AI训练与推理、工业仿真等场景。
据悉，曙光8000已开展近百项万卡规模应用测试。其中，支撑中国气象局自主研发的MCV模式实现全球5公里分辨率未来10天预报，运行时效达到国际主流业务标准；通过与MatPL机器学习力场软件联合优化，实现3.6万亿原子高精度模拟，并刷新多项世界纪录。
除了算力层面外，曙光8000的OneScience将科学数据、专业模型与科研工具调用以及结果自主优化的全流程打通，赋能主流智能体开展模型开发、计算执行与结果验证，并通过验证反馈机制持续完善平台能力。
无疑，AI4S已对科研产生了变革性影响，后E级超智融合系统将成为AI模型、仿真和数据平台深度耦合的重要载体，也支撑起科研工作流中多阶段协同的核心工作，从而推动AI4S在真实科研场景中的验证、不确定性量化以及可信科学结果。
AI4S下半场：产学研共探新路径
除了算力基础设施之外，AI4S的持续推进与发展离不开产学研的共同发力，尤其是软硬件生态、专业人才的培养。
事实上，本次大会一系列举措，共同探索AI4S发展新路径。例如，HPC+AI超智协同开放社区、高通以太网（ETH+）联盟全栈式国产智算网络等一系列成果发布，覆盖前沿计划、开放社区、国产智算网络与算力应用，推动超智融合生态共建与国产算力创新落地。
过去，传统模式更像是“一起做项目”：企业提供算力，高校出算法和领域知识，联合发论文、做原型，这种模式通常随着项目结束而终止，能力无法沉淀，资源也无法共用。
如今，AI4S更像是一种“共建”模式，把产研学产业链各方资源汇聚到一起，打通基础研究、技术攻关和产业应用之间的链条，汇聚跨学科、跨领域、跨主体的创新力量，让AI4S真正在科研场景中行稳致远。
例如，中国曙光在本次大会上表示，将携手高校、科研院所及产业伙伴，共建可验证、可持续进化的科学发现系统，通过科研需求与计算技术双向协同，系统性重构科研范式与创新链条，持续推动AI4S在地球科学、材料、生命科学、天文学、高端装备、AI等领域的具体应用。
综合观察
AI4S正在开启一个全新的时代。
随着AI4S的稳步发展，一系列问题仍然有待产业界携手解决。超算在AI4S中的角色，不是变成更大的算力集群，而是成为科研学研与科学发现站得住的底座。而中国超算的自主创新，也必然会在其中释放出更大的价值。
