中国工业报记者 耿鹏飞

近日，第二十二届全国高性能计算学术大会（以下简称CCF HPC2026）的展示区里，国产算力厂商把AI4S方案摆得满满当当——从分子模拟到大模型训练，海报上的应用场景一个比一个丰富。展台前人头攒动，可不少科研人员心里的问号也跟着摆到了台面上：这些方案回到实验室里，真能跑起来、敢用起来吗？

海光信息科研业务总经理王毅（企业供图）

从展示方案到真正进入科研流程，中间到底有多远？这是CCF HPC2026上被反复提起的行业之问。海光信息科研业务总经理王毅接受中国工业报的采访时，没有先谈芯片参数，而是抛出一把“尺子”：判断国产算力有没有真正帮上科研，就看科研人员是不是还需要为算力“分心”。

从展示到实验室，隔着三道坎、算三本账

王毅把这段距离，拆成了三道坎。

第一道，是软件能不能跑。科研软件许多是十几年积累下来的，写法各不相同，大量的还是课题组自己维护的代码。让它们在一个新的国产算力平台上稳定跑起来，靠的是一个一个软件的适配工作，而不是看芯片参数表。

第二道，是科研结果敢不敢信。科研最看重可复现——同样的输入，跑出来的结果必须和原来对得上。尤其是科研需要双精度计算、需要长时间迭代的计算，数值精度上不能打折扣。“这一关过不了，前面跑得再快都没有意义。”第三道，是能不能常态化使用。科研人员不会为了某一款芯片去改变自己的研究习惯，如果每次都要额外配置、额外调优，这个方案最后只能停在演示环节，走不进实验室。

那怎么判断算力真的帮上了科研？王毅把标准拆成三本账。第一本，时间账，同样的任务，端到端的等待有没有缩短；第二本，规模账，原来做不了、做不起的规模，现在能不能做；第三本，可信账，结果跟原有平台是不是一致、能不能复现。“三本账同时对得上，才算真正帮上了科研。”对海光而言，展示方案只是交流的起点，能够持续服务科研工作，才是真正要实现的科研价值。王毅坦言，海光的做法，是从真实的科研任务出发，和科研用户、软件开发者、生态伙伴一起，一个环节一个环节地解决问题，在适配和优化的过程中去了解，到底是哪些环节真正影响了科研效率。

想用AI辅助科研，先别急着问“AI能做什么”

对想尝试AI辅助科研的团队，王毅的建议很直接：先做好一件事——把问题说清楚。很多团队一上来就问“AI能帮我做什么”，这个问法太容易发散。更好的问法是：我现在的流程里，哪个环节最慢、最贵、最卡人？是数据处理等太久，还是实验筛选范围太大，还是某个计算步骤反复占用机时？目标越具体，越容易判断当前的算力平台和科研方案合不合适。

问题拆解清楚之后，还有四步。第一步，定目标，把预期收益写成能对照的科研指标，比如某个环节从三天缩短到一天，或者筛选范围缩小一个数量级，没有指标，后面没法判断成败。第二步，盘家底，数据在哪、什么格式，软件依赖哪些库和框架，现有脚本要改多少——这一步最容易被跳过，但很多卡点其实不在算力，而在数据准备和软件依赖上。第三步，选切口，不要一上来就替换整套流程，先挑一个边界清晰、有对照结果、失败成本低的环节做试点，跑通了再往外扩。第四步，建基线，先在现有平台上把时间、精度、成本跑出来当基准，换了新平台才有得比。“科研讲究可信，没有基线的提速是没有意义的。”

落到具体支持上，海光主要集中在三部分：一是算力基础设施，由CPU与DCU组成算力底座，以及兼容性较好的软件栈，尽量把迁移成本降下来；二是科研智算方案适配，和科研团队一起做兼容测试、性能调优，与ISV、开源社区一起做软件移植和算子优化；三是技术支持与联合机制，通过联合实验室、联合攻关课题，把真实使用中的问题反馈到产品改进里。海光提供CPU和DCU全栈芯片：C86处理器原生兼容x86生态，大量主流科研工具无需重构就能迁移；DCU是全精度通用加速卡，通过自研工具链兼容主流GPU软件生态，一套算力覆盖从数值仿真到大模型训练的负载谱系。

海光这套能力可以用几个关键词概括：双芯、科研全精度、安全合规、开放生态。“双芯”指C86 CPU与DCU两条芯片线协同演进；“科研全精度”指一套算力覆盖双精度科学计算到低精度AI训练的完整精度谱系，并具备从单节点到万卡集群的全链路调优能力；“安全合规”指芯片内置国密和机密计算等安全机制，全链路守护科研敏感数据；“开放生态”指依托光合组织与上下游产业伙伴一起做适配，让异构协同不再是一个课题组一个课题组各自去解的题。

让算力来适配科研，而不是让科研来适配算力

在生态合作上，王毅强调一个出发点：让国产算力去适配科研的现有流程，而不是让科研人员来适配国产算力平台。科研人员有自己熟悉的软件、脚本和研究习惯，这些是长期形成的，不应该被随便推翻。

具体到做法，海光一直在推三件事。第一件，把平台能力开放出来，通过成熟的编程模型和工具链，把海光各类芯片的算力以标准接口提供给上层软件，让开发者不必从零重写代码，迁移成本可控。第二件，和软件提供方一起做适配和优化，既包括商业软件厂商，也包括开源社区和科研团队自己维护的工具——能跑起来只是及格线，跑得好才是目标。第三件，让使用过程尽可能简化，工具链、文档、示例、迁移指南这些“小事”，实际上直接决定科研人员愿不愿意把任务第二次放上来。

最后还有一个闭环：真实使用中暴露的问题要快速反馈到产品和方案里，改完再回到科研任务中验证。“生态是在一次次真实的科研任务中磨出来的。”从具备芯片能力到真正支撑科研突破，王毅认为至少要过四关：可用关，软件生态适配，科研软件有版本、有依赖、有模型，能不能在真实版本上跑起来，只能一个一个去适配调优、积累经验；可信关，精度与可复现，这是科学计算最不能妥协的地方；可规模化关，单卡跑通不等于集群跑得稳，互连、存储、调度、故障恢复，很多差距不出在芯片上，而出在系统环节；可持续关，生态厂商愿不愿持续适配、有没有长期技术支持。“这四道关，没有哪家芯片公司能独立跨过去，需要芯片、软件、科研机构和系统集成商一起往前推。”

海光把自己的工作概括为三个词：降门槛、建样板、沉方案——坚持兼容主流GPU软件生态，把迁移成本降下来；共建联合实验室、打造科研标杆项目，把适配中的具体问题逐个解决掉；再把单点经验沉淀成可复制的行业方案。

算力与软件，是一场双向奔赴

深圳湾实验室系统与物理生物学研究所高级工程师、计算生物化学软件平台项目总工程师张鋆，从科研一线给出了印证。张鋆向中国工业报分析道，现在的分子模拟，早已不是模拟单独一两个分子。体系越来越大、越来越复杂，多组分、长时间的模拟越来越被需要。越复杂的体系，需要模拟的空间尺度和时间尺度就越大——空间不够大、时间不够长，很多科学现象是涌现不出来的。而且从微观到介观再到宏观，不同尺度需要截然不同的方法，如何把它们平滑、稳定地结合在一起，是一个重大课题。

在他看来，软件与硬件的协同，要从底层架构设计的一开始就把兼容性考虑进去——既要考虑国产软件，也要考虑各类硬件……协同发展还有一个前提：计算的基础架构要长期稳定、可靠，编译器、高性能数学库、性能调优器都要保证长期稳定，因为软件发展是一个长期过程，变化太大会影响长期的投入。他还建议，为科研提供算力服务的团队，最好具备计算物理、计算化学、计算生物学相关背景，这样双方沟通起来效率更高，更贴近实际应用。

过去，把不同尺度的模拟结合起来，需要科研人员自己搭脚本、写联合程序，结果往往又复杂又难以复现。深圳湾实验室自研的多尺度计算化学软件Qbics，把电子结构这类微观尺度的模拟，与分子动力学这类介观尺度的模拟，统一到了同一个软件框架里。“在有了充分文档和资料的情况下，我们就能在不同尺度的算法上充分优化，让它们在国产硬件上发挥出最大性能。”对于海光CPU+DCU的异构计算架构，张鋆特别提醒要“划清应用边界”：哪种计算适合放在哪种异构设备上，这是发挥硬件最大优势的前提，把不适合在某种硬件上运行的计算强行调优适配，只会事倍功半。从指令级并行到单机多核，再到跨节点和异构设备之间的并行，他期待国产软硬件能提供一个统一的研究框架，进一步降低科研人员迁移软件的成本。

面对火热的AI for Science，张鋆的建议是不必拘泥于某一个具体工具。“AI工具发展非常快，几个月前还在流行的概念，几个月后可能就成了很普通的基础架构。科研人员应该把握的，是自己学科里AI无法取代的那些东西。”在他看来，计算本身、软件工具对科研人员来说只是工具，但过去为了用好这个工具，要花很多精力学习计算机软硬件和编程知识；有了AI之后，可以把精力更多放在科学问题、理论问题和应用上，计算机方面的大部分问题都可以通过与AI对话来解决。“这样能大大减轻科研人员的精力负担，让我们集中精力研究自己更擅长的问题。”

从海光的“三本账”，到深圳湾实验室的跨尺度模拟，这场关于国产算力如何进入实验室的讨论，殊途同归地指向同一个答案：真正的门槛从来不在芯片参数，而在能不能让科研人员“不为算力分心”，把时间还给科学问题本身。这条路没有捷径，只能在一个一个真实科研任务里，一步一步走出来。