21世纪经济报道记者张赛男郑州报道
当市场目光从AI大模型训练转向推理应用，当个人开发者开始尝鲜OpenClaw等智能体工具，算力需求正以前所未有的广度铺开。然而在科研界，一场更为紧迫的“算力荒”在持续。
生命科学领域的蛋白质折叠模拟被迫漫长排队，材料科学家苦苦等待算力资源进行数周甚至数月的大模型训练……人工智能驱动的科研范式变革被卡在了算力供给这一环。
4月14日，中科曙光（603019.SH）在郑州国家超算互联网核心节点交出了一个解决方案：国内规模最大、全栈自研的6万卡AI4S（AI for Science，人工智能驱动科学创新）计算集群正式投用，从2月的3万卡上线到此次扩容至6万卡，实现了超大规模算力集群部署。
“最核心的是准确把握市场技术的发展趋势，并做及时调整。”谈及部署这一算力集群的战略考量，中科曙光高级副总裁李斌在接受包括21世纪经济报道在内的媒体采访时表示，“新时代的超算一定是面向AI4S、一定是融合的，我们针对目前最需要的场景去迭代顶层的算力，包括架构和各项技术等。”
“它（AI4S）解决问题的目标导向更强，我觉得它的产业化前景是无比巨大的，不管是生物医药、半导体，还是新材料、电池、清洁能源，一旦技术突破，每个市场都是万亿或者更大规模的市场，未来产业化收益前景是非常巨大的。”李斌对21世纪经济报道记者说道。
当前，AI4S被英伟达列为与大语言模型、具身智能并列的AI三大关键方向之一，远期市场规模有望达到千亿美元级别。
据QYResearch数据，2025年全球AI for Science市场规模约45.38亿美元，预计2032年将达262.3亿美元，年复合增长率高达28.9%。在化工、医药、新能源、合金、显示、半导体六大下游行业中，AI4S合计可覆盖的下游市场规模接近11万亿美元，当研发渗透率达到2.5%时，年产值即可突破1400亿美元。而当前，AI4S在各行业的渗透率仍处于个位数水平。
正是看到了这一领域巨大的产业化机会，中科曙光快速完成了此次超大规模计算集群布局。
据介绍，集群采用国内首款类InfiniBand400G无损高速网络scaleFabric系列产品，充分满足了AI4S计算对高带宽、低时延网络的需求；集群通过存算传三级协同优化，避免存储IO瓶颈；叠加智能化运维、数字孪生系统以及浸没相变液冷技术，系统可用性达到99.99%。
在应用方面，集群在生物、材料等多领域完成大规模并行计算测试。数据可直观地显示其对科研的助力：3万卡规模蛋白质折叠模拟较传统算法加速1000倍；4.5万卡规模实现万亿原子液态水分子动力学模拟，打破世界模拟规模纪录，更让效率提升3个数量级以上；助力湍流直接模拟规模扩展至百万亿网格，大幅提升科研效率。
李斌坚信，把AI的方法用在科学和工程领域，这个道路一定是正确的。他还谈到了关注度较高的大模型与AI4S的关系：“随着大模型技术能力的提升，特别是智能体的技术发展，未来大模型会变得越来越底层和基础，这对AI for science本身的发展有极大促进作用。一方面可以降低AI4S的门槛；另一方面可以极大提高效率。”
从产业链投资的角度，中信证券研究部计算机行业首席分析师杨泽原认为，作为AI应用重点环节之一，AI for Science有望带动算力投资确定性提升，结合海内外各大CSP厂商Capex支出快速增长，支撑短中期全球算力需求释放；具体到国产算力，展望2026年，竞争正逐步由单卡算力比拼过渡到超节点等系统级别竞争，系统级能力将成为算力厂商下一阶段竞争的重要要素。
自去年以来，中科曙光在算力集群的部署上动作频频。从2025年12月发布scaleX万卡超集群，到2026年2月3万卡上线国家超算互联网核心节点，再到此次发布6万卡AI4S计算集群系统，中科曙光正加速从“算力硬件公司”转向“算力运营商”。
2025年，公司实现营业收入149.64亿元，同比上升13.81%；实现归属于上市公司股东的净利润21.76亿元，同比增长13.87%；扣除非经常性损益后的净利润18.38亿元，同比增长33.97%。中科曙光在财报中表示，公司持续推进业务结构优化升级，围绕“硬件+平台+服务+运营”一体化高附加值商业模式不断升级。
中科曙光还在持续加码系统级能力。今年2月，公司公告拟发行不超过80亿元可转债，投向三大核心项目：先进算力集群系统（35亿元）、下一代高性能AI训推一体机（25亿元）、国产化先进存储系统（20亿元）。
值得一提的是，中科曙光此次发布的计算集群系统是全栈自研。据了解，集群6款核心芯片全部自主可控，整体达到国际先进水平。其中，scaleFabric是国内首款类InfiniBand原生RDMA高速网络，可充分满足AI4S计算集群对高带宽、低时延网络的极致需求，打破海外厂商在高端高速网络市场的垄断。
李斌在接受21世纪经济报道记者提问时也谈到了国产供应链如何缩小和海外的差距：“可以在芯片封装、结构工艺上挖一些潜力。一方面通过芯片一定的专业化，另一方面通过系统端优化弥补差距。另外加上工程化能力的优化，例如从散热、供电等方面解决芯片高功耗的问题。”
（文章来源：21世纪经济报道）
