中青报·中青网记者 李新玲
11月15日,第八届中国超级算力大会(ChinaSC2026)在北京举行。“AI For Science(人工智能驱动的科学研究)正在重塑整个科研的组织模式,科学家的角色正从亲力亲为的执行者转变为人机协同的决策指挥者,必须主动构建适配新范式的复合型人才体系和人机协同机制,这才是AI For Science持续进化的根本动力。”中国科协副主席、中国工程院院士廖湘科在大会致辞中说。他表示,算力已经成为大国科技竞争的核心战略资源,超级计算也从服务仿真模拟的计算科学,向服务AI For Science拓展。
在接触了大量AI For Science实践项目后,廖湘科提醒:“AI For Science的发展既是一个巨大的历史性机遇,也面临着很多深层次的挑战,一定要客观看待它的能力,不能把AI For Science神化。”
他分析,这一代AI大模型存在可解释性困境,输出的结果也不一定符合物理规律。为此,他提出:AI大模型的输出必须遵循物理规律的约束,推理链路必须具备端到端的可解释性,科研活动必须实现全生命周期的安全管控。物理可信、决策可解释、流程可追溯,是AI For Science从实验室走向工程实践必须坚守的三条底线。
“当底层算法架构加速开源,基础模型能力快速商品化,AI For Science竞争的胜负手已经不在算力与算法,而在于谁能率先建立高质量全域数据闭环与深层知识图谱。”廖湘科认为,唯有计算机科学、软件工程与行业纵深知识三位一体的跨领域合作,才能真正打通AI For Science从算法突破到工程落地的完整链路。
中国科学院院士、北京航空航天大学教授钱德沛在致辞中说,大模型训练、推理和智能体应用持续拉动算力需求,算力已不再只是科研和数据中心的技术支撑,而是日益成为支撑数字经济、科技创新和现代产业体系的关键生产要素。超算发展不能仅停留在性能竞争上,更要走向应用实效的竞争,从机器性能领先迈向应用成效领先。
在他看来,随着人工智能的深入发展,超级计算与人工智能不是相互替代的关系,而是相互支撑、双向赋能:超算为AI大模型训练、推理和应用提供坚实的算力底座,AI技术反过来改变传统科学计算、工业仿真和系统调度的面貌,拓展超算的应用边界。只有把芯片、集群、网络、存储、软件、平台和应用贯通起来,才能真正释放算力的效能。
钱德沛表示,算力中心要改变单纯提供基础算力资源的运营模式,向用户提供更丰富、更好用的应用软件,高效解决应用问题,实现从资源供给向服务供给的转变。他介绍,正在建设中的超算互联网已在进行这方面的探索。
大会披露的一组数据,印证了算力需求的爆发式增长:2024年年初,全国日均Token(词元)调用量仅为1000亿;到2026年6月,这一数字已达约500万亿,两年半增长约5000倍。目前,Token调用量仍在攀升,任务的复杂程度也在不断提高。
11月15日,第八届中国超级算力大会(ChinaSC2026)上,中国工程院院长、清华大学郑纬民教授作主题报告。中青报·中青网记者李新玲/摄
中国工程院院士、清华大学教授郑纬民在主题报告中,介绍了清华大学、启元实验室等机构围绕“异地、异构、分离”三种技术路线提升国产芯片算力的探索与成果。

暂无评论