科技工作者拥抱AI，国产算力“添柴”

Ballard

https://news.sciencenet.cn/htmlnews/2025/8/549300.shtm
作者：赵广立 来源：中国科学报 发布时间：2025/8/9

AI for Science（AI4S）的中文翻译应该是“人工智能驱动科学研究”还是“人工智能赋能科研”，抑或简译作“科学智能”？时至今日，尚无定论。不过，这并不妨碍AI正在给科学研究带来越来越深刻的影响。

这也就不难理解，国产算力之光——“海光”会出现在我国力学界规模最大的综合性学术盛会“中国力学大会”上。近日，2025中国力学大会在湖南长沙举行，近5000名力学领域专家学者、高校师生及产业界代表参会，规模空前。海光信息技术股份有限公司（以下简称海光）作为首席赞助单位出现在大会上，分外吸睛。

从传统的固体力学、流体力学到新兴的微纳米力学、生物力学等，力学学科包罗万象，涵盖从前沿基础研究到产业应用的各个研究类型。海光出现在如此重量级的学术盛会，也昭示着中国一线的科技工作者正在寻求科研范式的变革，积极拥抱AI工具、加速科研进程。

“人工智能正通过数据驱动、模拟优化和实验控制等方式深刻改变着力学科研范式，人工智能驱动的科学研究正在向精准化、效率化、智能化发展。”海光科研行业副总经理冯洋介绍说，目前海光解决方案以国产C86处理器为计算核心，提供多核高频算力，搭配自主研发的全精度DCU卡（属于通用图形处理器，具备强大并行计算能力，广泛应用于 AI 训练与推理、高端计算、数据中心等领域），可实现从前处理到计算、后处理和远程可视化的全流程覆盖，正构建面向科学智能新范式的信息基础设施。

国产异构算力，助力动力学仿真效率跃升

流体力学是探究流体运动规律的基础学科，在源环境、生物医学等众多领域中发挥着不可替代的关键作用。以计算流体动力学（CFD）为代表的传统流体力学仿真方法，始终难以解决计算成本高、复杂模型构建难度大以及对湍流等复杂现象模拟精度欠佳等难题。近年来，人工智能与深度学习的飞速崛起，为流体力学仿真注入了新的活力，推动其迈入智能化仿真的全新阶段。

在这一变革背后，有提供强力支撑的国产异构算力的身影。

在中国力学大会分论坛上，智能计算产品事业部运营产品经理杨超以“国产异构算力助力AI4CFD”为题作报告，展示海光“CPU+DCU”异构算力平台在AI驱动CFD领域的应用情况。

“将AI，特别是将其深度学习和数据处理的优势，融入CFD仿真的结果预测环节，正推动流体力学研究取得重要进展。”杨超说，这种结合有效提高了仿真的准确性，提升了计算效率，并拓展了其应用范围。而海光DCU高算力和兼容CUDA、ROCm主流生态的优势，不但能够为传统CFD提供数十倍的加速能力，还能为诸如Transolver、MeshGraphNet、PINNsFormer、DeepFlame等主流AI for CFD应用提供优异的加速性能和近乎线性的扩展比，实现加速流体力学从“数据驱动”向“智能驱动”的范式转变。

海光计算平台在力学应用过程中展现出了卓越性能，尤其是在工业仿真领域。工业仿真领域涉及大规模CFD/CAE求解，对计算性能、内存容量/带宽和高主频均有苛刻要求。海光工业仿真解决方案以C86处理器为计算核心，可提供多核高频算力，全面支持商业版工业软件，非常适配仿真工作流，适用于匹配飞行器设计、能源设备、汽车仿真等大规模CAE计算需求。

例如，在高速列车与整车碰撞仿真场景下，面向汽车、高速列车结构碰撞与安全性分析，海光工业仿真方案可实现高并发仿真与多节点扩展；在民航气动热耦合仿真实验中，海光方案可满足有限体积法（FVM）等复杂场求解需求，适用于飞行器、涡轮发动机等热结构流多物理场协同仿真。此外，在智慧建筑热舒适性与能耗优化仿真、多尺度声学与颗粒类仿真研究、电磁器件与芯片级信号仿真等场景中，海光CPU+DCU协同支持多物理场耦合、多核高频计算支撑非结构网格场迭代等特点，使其能异构加速大规模计算与模拟任务，提升仿真效率和分辨率。

据悉，目前海光技术团队正与多家高校院所展开深度合作，以加速地球物理流体模型等的研究。

海光在科研，助力AI4S实践

近期，北京脑科学与类脑研究所基因组学中心主任张力在接受《中国科学报》专访时表示，国产算力硬件已能很好地支持基因组学科研工作。

他口中的国产算力，正是海光CPU+DCU组成的算力系统。张力在受访中提到，作为面向疾病预警、个体化医疗、药物研发等多类场景的生物大数据平台，往往承担着海量测序数据分析、突变检测、结构建模与多模态融合等任务。这类平台的开发与建设需要满足“持续增长的PB级数据存储与调度压力”“算法流程对计算、内存、I/O等资源高度敏感”“需支持主流生信工具全流程运行”等苛刻要求，而目前，这些要求“国产算力平台已可支撑”。

“生命科学计算通常包含海量数据和复杂算法，既重计算又重I/O，对计算性能、内存带宽和并行处理能力要求极高，还需兼顾算法多样性和稳定性。”冯洋介绍说，结合这些需求，海光依托C86高主频多核心CPU与DCU异构加速架构，兼容CUDA生态，支持Alphafold等主流生物信息学工具，通过提供强劲算力与高带宽吞吐能力，支撑复杂算法高效运行。

比海量数据和复杂算法更难“搞定”的问题还有不少，分子动力学模拟中的数据处理与高维张量计算，就是其一。

分子动力学模拟在物理、化学与材料研究中广泛应用，而经典力场精度有限，难以覆盖复杂体系行为。市面上，“深势科技”的DeePMD-kit作为基于深度学习的原子势能函数生成框架，可大幅提升精度并支持第一性原理级别的模拟。然而，其训练过程需处理大规模原子邻域数据与高维张量计算，对算力平台提出极高要求，特别是在支持高吞吐推理与训练性能的同时，还需兼容主流CUDA架构与深度学习框架。

为此，深势科技携手海光构建了国产DCU异构训练平台，基于并行训练方案成功实现跨尺度高精度模拟，并实现了DeePMD高精度原子势能模型的大规模并行训练，加速推动AI在分子模拟领域的落地与升级。

这一方案，验证了国产DCU在AI4S应用中的通用性与可靠性表现，也为分子模拟场景提供了可替代的训练平台。此外，海光国产算力还在驱动高精度气象模拟与海洋预报创新升级等方面显露“身手”，参与和助力中国AI4S的生动实践。

“国产之光”，让AI触手可及

有必要再重新介绍一下海光芯片。

海光CPU基于X86架构研发，定位于高端计算市场，涵盖服务器、工作站、移动终端等多种应用场景；DCU产品则以GPGPU（通用图形处理器）架构为基础，兼容“类CUDA”通用环境，面向数据中心和云计算场景，解决传统架构在大规模并发、低延迟和高带宽需求下的瓶颈问题。

值得一提的是，自今年2月DeepSeek V3和R1模型与海光信息 DCU达成适配，海光信息的硬件场景优势进一步显现。特别是在DeepSeek侧重于科学计算及超融合的场景适配上，海光硬件在此类应用中的表现不俗。同时，DeepSeek还通过“多令牌预测技术”优化数据处理流程，这使得海光DCU在单位时间内能够处理更大规模的数据。

换言之，“海光系”面向AI4S领域提供的高端计算、自主可控的加速解决方案，蕴含着团队专为科研场景如材料科学、生命科学、气候模拟、能源计算等做的设计优化，这才能够快速响应不同场景定制化需求，让AI变得触手可及。

“AI与科学研究的深度融合，不仅是工具的升级，更是一场从经验驱动到‘数据+知识双驱动’的范式革命。”冯洋表示，尽管面临数据安全、跨学科协同等挑战，但随着技术的选代与生态的完善，AI将逐步渗透至科研全生命周期——从“一键仿真”到“自主优化”，从“单物理场分析”到“多尺度系统预测”……未来，工程师的角色将从重复性操作中解放，转向更高阶的创新设计与战略决策，而科学智能将成为新时代不可或缺的核心竞争力。

在这场变革中，国产算力作为科学研究中的关键一环，正在重新定义计算在科学设施中的地位。它将与算法、人工智能和计算机技术一道，以科学智能的方式，将物理模拟提升到一个新的境界。