“AI4S”進入深水區，國產算力如何滿足需求？丨ToB產業觀察

Leo張ToB雜談2026.08.21 11:10 · 來自北京全文3893字00:00 / 11:38如果說穩定性和實時性是海洋計算的第一道坎，那AI的加入則把問題的複雜度拉昇到了另一個維度。過去幾年，海洋科學正在經歷從觀測驅動走向計算驅動。而在這場轉變中，國產算力扮演的角色越來越重要。並行科技行業事業部總經理呂昇亮告訴我們，在科學計算領域，國產芯片的佔比已經非常非常高了。這個判斷並非孤例。2026年上半年，全國首個深度融合AI技術、全棧國產算力支撐的“盤古”海洋智能預報大模型實現工程化落地。

中國科學院海洋研究所建成了國內同類機構中規模最大的智算平臺，集成了1萬餘個CPU物理核心與100餘塊高性能GPU卡。海洋計算挑戰賽（MCC）的決賽依託海光國產DCU加速卡及國產超算平臺進行，選手們的代碼跑在國產芯片上，針對自主可控的算力底座做優化。破解難題呂昇亮與我們分享了一個故事，並行科技為自然資源部第一海洋研究所搭建了一套高精度海洋預報業務系統。這套系統不是做個科研項目交差就完事了，它每天要在固定時間點輸出預報結果，遠洋船舶要根據這個結果決定航線。船往哪個方向開，未來幾天海況如何，都得靠每天的準點預報來決策。這也體現了科研場景和業務場景，對算力的要求完全是兩碼事。

在科研場景裡，計算晚幾個小時出結果沒關係，數據出錯了可以重來一遍，大不了多等一天。但在業務場景裡，時間窗口是剛性的——每天那個時間點，結果必須出來，否則出海計劃就要受影響。“船出海了，你得知道未來航線上天氣情況是什麼樣。每天固定時間點必須拿到結果，否則航向就會受影響。”呂昇亮回憶道。這意味著整個平臺必須在性能、穩定性和數據傳輸保障上達到極高水準。單點故障不再是重試即可的小問題，而是可能導致整船作業延誤的重大事故。“前期我們經過了接近半年的磨合。”呂昇亮進一步指出，“最開始，這套系統很難做到每天在固定時間點完成預報，離業務要求的準確率有較大差距。

”問題就出在超算集群原先只是面向小規模科研場景，而這套預報業務系統的規模則遠大於所有科研場景。超算集群的規模一大，麻煩也就隨之而來了。100~200臺機器並行工作，單臺機器的故障率確實不高，但集群整體出問題的概率就大幅上升了。“某一臺機器甚至某一張卡出問題，就可能造成整套系統癱瘓。”呂昇亮說。就像一支由 100 輛車組成的車隊，每輛車出故障的概率是萬分之一，但整個車隊每天至少有一輛車出問題的概率就高得多了。如何破解這個難題呢？答案是：冗餘設計。某個節點出問題了怎麼辦？用備用節點替代，還是人衝上去手動處理？這些預案得提前準備好。

除此之外，數據傳輸的穩定性、計算性能的保障、整個IT系統與海洋應用系統的適配，每個環節都要反覆調試。“中間做了大量的工作，除了IT的工作，還有客戶應用的調試、優化。”呂昇亮說，“說實話，做這個項目還是比較痛苦的。”而這個預報系統僅僅是眾多海洋科學領域應用的“冰山一角”。近幾年，AI正在加速進入海洋科學領域。這不是個例。在國家超級計算深圳中心，全國產E級超算"靈晟"已於2026年6月登頂全球TOP500榜單，以2.198 EFlops的持續雙精度浮點性能位列第一。

這臺完全擺脫海外GPU依賴的超算，首創Online Acceleration純CPU超智融合架構，自研LX2處理器內嵌AI矩陣加速單元，配合國產HBM高帶寬內存和"靈啟"高速互連網絡，實現了從芯片、互聯、存儲到散熱系統的全鏈路國產化。更重要的是，它已將全球1公里分辨率的大氣海洋模擬計算時間從30天縮短至2小時以內，為颱風路徑、洪澇風險等極端天氣預警提供了前所未有的算力支撐。海洋領域的業務化預報對算力穩定性的要求正在倒逼算力服務商做出改變。

清華大學黃小猛課題組的研究也指出，FourCastNet、GraphCast等全球天氣預報模型，以及國產海洋大模型AI-GOMS，雖然預測速度遠超傳統方法，但背後存在硬件成本高昂、供應鏈不確定等問題。呂昇亮表示，超節點架構的出現為國產算力賦能更多大規模計算項目提供了新的思路。“原來做超算的時候，服務器從一家買，網絡從另一家買，存儲又從別家買，組裝在一起。超節點意味著所有部件從同一家公司出來，產品上市前就做了大量適配和穩定性測試，這對前期穩定性的提升會有很大幫助。”AI預見傳統計算如果說穩定性和實時性是海洋計算的第一道坎，那AI的加入則把問題的複雜度拉昇到了另一個維度。

呂昇亮觀察到，超算和智算的融合至少包含三個層次：用AI方法取代傳統計算、用GPU的計算模塊做科學計算（也就是AI for Science）、以及把超算和智算打包在一起協同工作，比如用大模型自然語言處理數據輸入，再交給超算完成核心計算。在具體落地層面，國產異構加速方案實踐表現亮眼。以海光 DCU 為代表的算力硬件依託現有軟件生態，能夠降低 CUDA 代碼遷移成本，構建 “CPU+DCU” 異構算力平臺。

該平臺在科學計算領域已有實際驗證：一方面可為傳統 CFD 仿真帶來數十倍的性能提升，兼容 Transolver、MeshGraphNet 等 AI4CFD 主流應用；另一方面支撐氣象海洋方向國家大裝置建設，實現大氣‑海洋‑陸地面多圈層高分辨率長時序耦合模擬，服務氣候預測、汙染防控與災害應對工作。然而，融合之路並非坦途。這個過程中，複雜度在指數級上升。原來用單一產品服務客戶的時候，已經要同時考慮網絡、存儲、數據傳輸的問題。現在AI加進來，要考慮的事情就更多了：大模型怎麼部署？傳統的海洋數值模式怎麼和AI模型結合？要不要做重新定製開發？呂昇亮坦言，最大的挑戰在於對場景的理解。

“我們是一家IT公司，但你必須跨領域去理解客戶的業務，得具備這個領域的專業知識和Know-how。”呂昇亮說。為此，並行科技不僅招聘各領域的專家，還會派駐常駐工程師在客戶現場，長期跟客戶融合在一起工作。“你不可能一次性把所有事情都講清楚。客戶自己也有很多東西一開始沒想到，項目進行的過程中，新問題就出來了。只能反覆溝通、反覆迭代。”呂昇亮指出，而在他看來，這也就是為什麼FDE（前端部署工程師）能成為當前ToB企服類公司“標配”的關鍵因素。呂昇亮告訴我們，這種深度綁定的服務模式，正在成為算力服務商服務海洋客戶的標準配置。

從跑得通到跑得穩，中間隔著的是長時間的現場駐守和持續優化，而這正是算力服務從通用走向行業的必經之路。湧現儘管挑戰不少，但海洋計算的變化速度依然驚人。今年2月，中國科學院南海海洋研究所與中國石油大學（華東）聯合發佈了全球首個面向南海區域的海-氣雙向耦合智能大模型“飛魚-1.0”。這個模型只用了3年曆史數據就完成了訓練，而以往類似的AI模型通常需要20年以上的數據。更讓人印象深刻的是它的速度：在國產化單機環境下，完成3天預報只需要3秒。這意味著一艘正在南海航行的船遇到突發天氣變化，船上的設備可以在幾秒鐘內拿到未來三天的海況預報，而不是等上幾個小時。

同樣值得關注的是“瀛瀾·深圳海洋”，這是中國首個全棧國產化人工智能區域海洋大模型。它基於國產昇騰算力集群和MindSpore框架完成部署，實現了從硬件到軟件的全部國產化。海溫分鐘級預報、海浪有效波高智能預報，這些功能已經在深圳的海洋防災減災和生態保護中實際應用。儘管在部分尖端場景，國產芯片的絕對性能仍存在差距，但經過大量軟硬件適配調優，已經可以支撐大量業務場景落地。“國內很多國家級超算中心、業務單位，已經有大量場景在用國產芯片。”呂昇亮進一步指出，“當然，在一些性能確實還達不到的情況下，我們可能還是會繼續用一些國外的產品。

”呂昇亮表示，AI在海洋領域的應用場景會越來越多，“AI與傳統數值計算的融合正在加速，這過程並不是誰取代誰，而是二者協同工作。”呂昇亮如是說。與此同時，呂昇亮認為最令人興奮的變革將來自AI在海洋領域的深度應用。除了傳統的數值模擬，AI大模型方法已在風暴潮災害風險預警、海洋衛星高質量數據集構建、高時空分辨率海洋預報等場景落地。中國太平洋學會海洋大數據與高性能計算分會會長、國家海洋環境預報中心副主任劉桂梅在第三屆海洋智能計算大會上指出，人工智能方法在傳統科學領域已發揮重要作用，未來應用場景會越來越多。但挑戰依然存在。

算力規模的擴張只是基礎，軟件生態的碎片化、產學研協同壁壘、以及對垂直領域專業知識的渴求，都是當前海洋計算，乃至整個國產算力實現AI4S過程中需要面對的難題。太初元碁首席產品官洪源曾直言，AI4S規模化落地面臨"叫好不叫座"的困境，原因在於科學計算場景對算力的需求具有鮮明特殊性——高併發、大吞吐量、長時任務穩定運行，這些都對軟硬件提出了更高要求。不過，海洋大模型的發展速度很快，三年前，海洋大模型還是稀罕物；2026年的海洋智能計算大會上，已經出現了幾十個海洋專屬大模型。

三年前，國產芯片在海洋領域的應用還需要刻意強調；今天，海洋計算挑戰賽（MCC）的決賽已經全程跑在海光國產DCU加速卡上......這些進步都在深海之下悄然發生著。（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）