當超算走出實驗室：一場從”算得快”到”算得值”的產業遷徙

記者：郭思編輯：包永剛導語：超算產業需要更多算力中立供應商深夜十一點，某新能源汽車企業的仿真計算中心裡，屏幕上的流體模擬進度條正在緩緩推進。窗外的城市已經安靜下來，但這裡的服務器仍在轟鳴——工程師白天做分析、調參數，到了晚上就把計算任務交給算力，第二天一早推開門，結果已經擺在了桌上。這種“夕發朝看”的工作節奏，正在中國各地的研發實驗室裡成為新常態。而與此同時，在內蒙古、寧夏、新疆的廣袤土地上，一排排服務器機房亮著指示燈，像沉默的巨人吞吐著數據。這些地方的電費便宜、氣候適宜，是部署大規模算力中心的理想之選。

但它們不再是過去那種只服務於高校科研的“象牙塔”——越來越多的汽車製造商、大模型企業、航空航天企業、生物醫藥公司，正在成為這些機房裡最活躍的用戶。超算，這個曾經帶著濃厚學術色彩的詞彙，正在經歷一場深刻的產業遷徙。超算“出圈”：從象牙塔到產業主戰場“五六年前，科研跟高校的場景在我們業務裡要超過70%-80%。但到今年，需求更多的是來自企業。”並行科技行業事業部總經理呂昇亮在採訪中這樣描述行業的鉅變。這個數字背後的驅動力，是各行各業對算力需求的急劇增長。IDC發佈的《2026年中國人工智能計算力發展評估報告》預計，2026年中國智能算力規模將達2576.5EFLOPS，同比增長87.

9%，到2030年將突破萬EFLOPS大關。面對這一問題，過去，企業要麼自建算力集群，要麼依託高校超算中心“搭便車”。但這條路如今越走越窄。自建集群投入高、運維重，且難以應對研發高峰期的彈性需求；而高校超算中心本身資源有限，面對企業級任務的體量和時效要求，常常力不從心，曾經就有車企CAE工程師遭遇仿真任務積壓兩週、排隊12天起步的窘境。“以前我們給高校服務，用戶群體比較固定，業務增長相對緩慢。但現在不一樣了，”呂昇亮說，“企業端的算力需求在急劇增長，對於需求滿足的時效性也在急劇提高”。這也就意味算力使用模式的變革才是這場遷徙的核心。過去，企業獲取算力的方式很簡單——買整機、租整機。

但這種方式面臨著典型的資源錯配困境：買多了浪費，買少了不夠用。因為研發工作天然存在潮汐效應——白天工程師們需要即時算力做分析和調試，晚上則可以放下工作讓算力繼續跑計算。“我們給客戶提了一個叫「夕發朝看」的業務模式，呂昇亮介紹道，“工程師白天在公司看前一天計算的結果，做分析調整。下班後希望算力不要休息，讓算力幫他把計算繼續跑下去。第二天早上九點上班的時候，就能看到計算結果。”為了實現這個模式，並行科技做了一系列複雜的後端工作：保證計算的準確性、出錯時自動重跑、智能調度後端資源……“對一個工程師來講，不用再擔心因為算力不夠要排隊，或者算力多了浪費的問題。你想用多少就有多少，不用的時候也不收費。

”這種按需供給的模式，被呂昇亮比喻為”像用電一樣”——開燈就有電，關燈就不計費。而更深層的變化來自Token經濟的興起。隨著大模型和AI應用的爆發，算力的使用模式開始從訓練為主轉向推理為主。“隨著大模型Token調用量快速增長，推理正在成為新增算力的重要驅動力，”呂昇亮說，“我們聯合合作伙伴推出了面向推理場景的Token工廠，為不同行業客戶的模型推理和智能應用提供算力與平臺服務，同時不介入客戶模型和應用本身。

”推理場景對算力的要求與訓練截然不同，有些場景對實時性要求極高（比如觀看短視頻、玩在線遊戲），需要算力部署在離用戶近的地方；而有些場景（比如AI輔助編程）則可以容忍一定的延遲，適合部署在算力成本更低的西部數據中心。“如果把算力部署在內蒙古、寧夏、新疆，電費比較便宜，整體算力成本就降低了。”呂昇亮分析道，“但如果是實時性要求高的場景，我們就需要把算力部署到離客戶近的地方，比如上海、廣州。”從”算得更快”到”算得更好更省”，這不僅僅是技術路線的調整，更是整個算力產業商業模式的深刻重構。算力黑土地的“超級調度”優勢在這場變革中，並行科技提出並實踐的“並行算網”模式，提供了一個獨特的解題思路。

截至目前，並行科技已經接入了大概63個算力中心，其中有四十多個智算中心、十幾個超算中心。這些分佈在全國各地的算力資源，通過一套智能調度系統被整合成一個統一的”算力池”。“客戶提交一個任務上來，我怎麼能判斷出來他究竟後端的算力哪一個最適合他？”面對這個核心問題。並行科技的答案是一套自主研發的”應用運行特徵分析”軟件。並行科技提出一個理念，希望每個新客戶來，四個小時之內就要判斷出來他究竟是什麼樣的應用，是計算密集型還是訪存密集型，然後根據實際數據和我們的經驗，找到性價比最優的計算資源。”但這套系統面臨的挑戰遠不止技術層面。

62個算力中心，有的是自建數據中心，有的是與地方政府合作共建，有的是第三方算力資源。“大家怎麼實現一個雙贏的模式？要讓大家都能掙到錢。”呂昇亮說，“這中間涉及到定價、結算，需要一套技術和商務相結合的模式架構。”並行科技的策略是做好”黑土地”——只做IaaS和PaaS層的基礎架構和平臺層，不碰客戶的應用層。“我們的客戶是做應用的、做大模型研發的、做汽車研發的工程師，他們對自己的業務更瞭解。我們先把基礎架構做好，讓他們在上面長出自己的一根菸囪來。”這種中立第三方的定位，在AI時代顯得尤為珍貴。

“很多做大模型的廠商，如果把算力完全構建在某個大廠上面，而那個大廠又有自己的大模型，那萬一因為競爭原因卡你算力，你的業務就受很大影響。”呂昇亮指出，“所以並行科技更願意選擇一個不做模型、只做算力的中立供應商。”超1000個核心同時工作，智能汽車折射的AI算力未來要理解超算如何深入產業，新能源汽車行業是一個絕佳的觀察窗口。“汽車製造是我們事業部營收最大的一塊，接近40%的營收來自汽車製造和新能源。”呂昇亮介紹道。一家新能源汽車企業的研發，涉及數千名工程師，從整車設計到自動駕駛算法訓練，算力需求貫穿了整個研發鏈條。

在傳統的CAE仿真領域，一臺新車的設計需要經過流體仿真（空氣動力學）、固體仿真（結構強度）、電池仿真（電化學性能）、整車仿真等多個環節。這些計算需要大規模的並行計算能力，有時需要512個甚至上千個核心同時工作。“不可能每次造出新車以後去做各種實驗，做碰撞、做流體，成本太高了。”呂昇亮說，“所以用計算機輔助工程，用高性能計算來輔助工程設計，這個方法已經發展了五十年。”但AI的到來給汽車行業帶來了全新的算力需求。自動駕駛大模型的訓練需要GPU算力，AI輔助編程正在改變軟件工程師的工作方式“現在工程師如果還不會用AI來輔助寫代碼，基本上很難有生存空間。

”呂昇亮觀察到，“原來一行代碼一行代碼敲，現在可能是用自然語言告訴AI要實現什麼功能，讓AI幫忙寫代碼。”更前沿的變化來自具身智能。“做智駕的人去做具身，因為他們有經驗可以遷移。”呂昇亮分析道，“但具身智能需要的不只是製造業的仿真能力，還需要有‘大腦’和‘小腦’——世界模型、AI場景。所以我們最近在提出把超算跟智算再融合在一起，我們叫超智融合。”從流體仿真到自動駕駛訓練，從AI輔助編程到具身智能，新能源汽車行業對算力的需求正在呈現多元化、指數級增長的態勢。而並行算網的價值，就在於能夠為這些截然不同的場景，找到最合適的算力配置方案。

而當我們站在產業變革的節點上回望，超算從實驗室走向產業一線的趨勢已經不可逆轉。“AI能夠帶來人們實際生產和生活效率的提升，這是毫無疑問的，”呂昇亮說，“目前所存在的場景，這些所謂的AI應用還處在非常初級的階段。未來三年、五年甚至十年之後，AI催生的工作效率提升可能是我們現在想象不到的。”當算力從一種稀缺的科研資源，變成像水電一樣按需取用的產業基礎設施，一場關於生產效率的深層革命正在發生。從”算得更快”到”算得更好更省”，從單一集群到分佈式算網，從服務高校到賦能千行百業——超算的產業遷徙，才剛剛開始。