问题：国产算力“好不好用”，需要用科研硬场景来检验；随着大模型训练与推理需求持续攀升，科研领域对高性能计算提出更严苛的稳定性、吞吐与协同效率要求。特别是分子模拟、材料计算、气候与地球系统模拟等任务中，算力不仅要“堆得大”，更要“连得快、调得顺、用得起”。鉴于此，面向AI4S的专用基础设施建设，被视为提升科研效率、缩短验证周期的重要抓手。 原因：AI4S成为焦点，既源于科技创新的内在需求，也来自产业升级的现实驱动。一上，科研活动正从“理论推导—实验验证—工程应用”的传统链条，向“数据—模型—模拟—实验”的新范式加速演进，算力与算法成为支撑原创性突破的关键资源。另一上，AI4S产业链上游涉及芯片、集群、网络、存储与底层软件，技术门槛高、价值占比大，谁能率先形成可靠供给与工程化能力，谁就可能后续平台和应用生态中占据先机。有关机构调研显示，2024年全球AI for Science市场收入已达数十亿美元规模，增长预期明确，也为企业加码投入提供了市场想象空间。 影响：此次在郑州发布的6万卡AI4S计算集群，体现出国产算力向“科研主战场”集中发力的趋势。该集群在国家超算互联网核心节点落地，与节点的算力调度与服务体系相衔接，有利于面向高校、科研院所及企业研发部门提供更具可达性的计算服务。与通用算力集群不同，AI4S强调对科研流程的适配：既要支持超大规模并行训练，也要满足多学科、多任务的混合负载特点，并在长期运行中保持可靠性和可维护性。业内人士认为，若能在关键科研任务中持续输出可复现的效率提升与成果产出，将对我国科研基础设施体系完善、关键领域创新加速产生带动效应。 对策：走向“好用”，关键在系统工程能力与服务化能力的同步提升。中科曙光披露，该集群并非简单算力叠加，而是面向科学智能场景构建垂直化能力体系，包含多款自研核心芯片，并在高速互连上推出类InfiniBand的原生RDMA网络方案，端口速率达400Gb/s，交换时延和网卡通信时延达到微秒级水平，目标支持更大规模的无损组网。另外，从建设到运营的路径也在加速推进：此前核心节点已完成阶段性扩容，并有集群进入试运营，显示其正尝试将算力供给从“交付设备”更延伸到“交付服务”。在资金与布局层面，公司公告拟发行可转债募资，投向先进算力集群系统、下一代高性能训推一体机及国产化先进存储系统等项目，意在补齐从计算到存储、从训练到推理的一体化能力，降低科研用户使用门槛与综合成本。 前景：面向未来，AI4S的发展将更强调“软硬协同、平台牵引、场景闭环”。一是科研任务对数据治理、模型可信与可解释性提出更高要求，算力集群需要与科学数据平台、领域模型工具链深度融合，形成从数据准备到仿真验证的完整工作流。二是算力竞争将从单点性能转向系统效率与运营能力比拼，谁能在调度、能效、可靠性和生态适配上形成持续迭代，谁就更可能获得科研用户的长期信任。三是商业化节奏需要更稳健：AI4S成果转化周期相对更长，企业必须在持续研发投入与可持续回报之间把握平衡，通过联合实验室、行业伙伴共建、按需服务等方式，逐步形成规模化应用与可复制的交付模式。财务层面，公司一季度营收、净利润保持增长，也为持续投入提供一定支撑，但AI4S对业绩的长期贡献仍有赖于应用落地深度与服务生态完善程度。
6万卡AI4S集群的推出，既是国产算力高端化的里程碑，也预示着行业将从规模竞争转向效能比拼；唯有优化算力基础设施、关键技术与应用场景的协同，才能真正释放科研智能的创新动能，为原创突破和产业升级提供持久支撑。