算力赛道的“换轨时刻”

如果用一句话来概括两者的差异：华为384打的是AI训练和推理的“纵深战”，scaleX万卡超集群瞄的是科学智能时代的“全覆盖”。

这里的拐点在于一个叫“超智融合”的趋势。过去很多年里，科学计算和人工智能走的是两条完全不同甚至互不相通的道路。科学计算追求双精度极致性能，核心在于数学模型驱动的数值模拟，它要求的是“准”；AI大模型追求低精度下的海量并行吞吐，核心在于数据模型驱动的模式识别，它要求的是“快”。一个求准、一个求快，底层对精度的要求截然不同。

但AI for Science正在把这个二元结构打碎。在生物制药、新材料模拟、气象预测、量子化学这些前沿科研领域，同一个计算任务里同时需要高精度的数值模拟与低精度的推理加速——比如用AI加速蛋白质折叠的结构搜索，再用高精度验证去验证结果的结构稳定性。单一精度的算力方案，已经跑不通了。

这不是一个遥远的理论判断。本届智博会上曙光展示了几个数据：3万卡规模的蛋白质折叠模拟，较传统算法加速了1000倍；4.5万卡规模的液态水分子动力学模拟，实现了万亿原子级运算，在打破世界规模纪录的同时让效率提升了三个数量级。414.7亿原子的DFT精度模拟、十亿级网格从“周级”到“小时级”的效率提升——这些数字背后不是单纯的“更快”，而是一个本质不同的计算范式正在成型的信号。

AI4S全球市场规模预计从2025年约45亿美元增长至2032年约262亿美元，年复合增长率逼近29%，六大下游行业合计可覆盖市场规模接近11万亿美元。产业未来的主战场正在全面迁移。

从“纵深战”到“全覆盖”

华为384超节点在设计定位上有清晰边界：它面向AI训练与推理场景优化，核心指标都集中在BF16低精度算力——单集群300PFlops的标称值，已用于训练7180亿参数的盘古Ultra MoE大模型。但在需要双精度、高精度覆盖的科学计算场景里，其支撑能力似乎是个疑问。

不是说它做不到，而是它从一开始就不是为那个战场设计的。一台为高速公路打造的性能车，让它去跑越野，车再好，场景也对不上。

与此同时，曙光6万卡规模的AI4S计算集群已在今年4月于郑州国家超算互联网核心节点正式投用，设计上支持FP8到FP64全精度计算，兼顾传统超算的高精度科学计算需求和大规模AI训练的低精度高吞吐要求。

整个算力产业正在发生深刻的变化。科学智能时代对算力的需求正在从单一低精度向全精度覆盖快速迁移。届时，任何在精度维度上“偏科”的方案，无论它在前一个时代取得了多大的成功，都可能在下一个时代面临系统性挑战。

站在今天这个时间点往回看，过去两年国内算力行业最大的成就是解决了一部分“够不够用”的问题。在单卡性能存在短板时，用系统工程能力先拼出一个可用的国产算力底座，这个价值再怎么说都不为过。

而当算力要从实验室走向产业、从“建得起”走向“用得好”，架构的包容度、精度的覆盖宽度、系统的工程化协同深度，才是决定天花板高度的关键变量。它既能让同一个底座既能驱动低功耗的AI推理，也能撬动高负荷的科学模拟。

站在今天这个时间点往前看，下一个真正值得回答的问题是：谁能真正构建一套能同时驾驭高精度科学计算与低精度智能加速的算力系统？

答案越来越清晰了。