中国计算,走出新的登峰之路
允中 发自 凹非寺 量子位 | 公众号 QbitAI
时隔5年,ACM戈登·贝尔奖杯再次回到中国队手里!
但这一次,故事背景已全然不同。
近日,2026年国际超级计算大会上,中国科学技术大学联合中科院物理所、国家高性能计算机工程技术研究中心完成的铁钼辅因子量子化学计算项目,成功摘得这一高性能计算领域的“诺贝尔奖”。
同一时间,中科天机SD3全球公里级气象数值模拟系统入围戈登·贝尔气候建模奖决赛。中国企业团队也首次出现在该奖项决赛名单。
两项应用,一个扎进物质内部的量子层面,一个俯瞰地球大气层风云变幻。计算模型、数据组织、精度需求大相径庭,却共享着同一个计算底座——全国产十万卡AI超集群曙光8000。
从今年7月正式投用并接入国家超算互联网,到曙光8000计算成果站上全球顶级应用领奖台,中间只隔了不到半年。这个时间尺度,比任何跑分成绩都更能说明中国高端计算之重。
十万卡从零到一,世界级科研成果复现
在高性能计算领域,一台新机器上线,通常的节奏是先跑基准测试,再迁移成熟应用,经历若干轮调优,才谈得上产出有分量的科学结果。用峰值算力刷跑分成绩,才是高性能计算玩家出圈的捷径。
曙光8000作为首个全国产十万卡AI超集群,本身处于异构超智融合路线最前沿,上线仅半年即拿出多项世界级科研成果,这在业内确实十分罕见。
如果只看“快”,很容易误读为某个应用团队的孤军突进。实际情况更接近另一种描述:曙光8000从设计之初就不是一台“先建好再找活干”的机器。
据悉,量子化学获奖项目的研究团队与曙光的合作,可以追溯到曙光7000的应用适配阶段。彼时没有各种刷分打榜宣传,只有围绕应用的算法设计和异构系统特性的持续性打磨。
直到曙光8000实现十万卡“从零到一”的突破,科研团队不断推进模型进化,曙光则在技术支持、性能优化上持续投入,这项应用终于完成从千卡验证到万卡、十万卡运行的跨越。
根据奖项信息,该科研应用的意义在于将神经网络量子态方法拓展至更大规模的强关联电子体系,进一步展示了人工智能方法进入量子化学核心计算环节的潜力。
而在大规模算力支撑下,含过渡金属的复杂化学体系和生物催化关键结构也迎来新的高精度计算路径,中国人工智能与高性能计算协同解决基础科学难题的能力,获得了世界级认可。
从量子微观到气象宏观,另一项入围成果同步复现了曙光8000的异构超智融合计算成果。
数据显示,中科天机自研的SD3全球公里级气象数值模拟系统,已基于曙光8000实现全球1.5公里分辨率气象模拟,这也为精细化天气预报与地球系统科学研究提供了一条新路径。
不难看出,一项科研成果从初期探索走向世界舞台,背后往往是无数次计算、验证与调整的深度磨合。
对研究团队而言,难的不是获得更多或更高峰值的算力,而是让复杂应用在更大规模计算平台上稳定高效运行,让每一次算力资源都能服务于科学问题,跑出真绩实效。
截至目前,共计300余项重点应用已经在曙光8000上完成深度优化,覆盖30多个科研与产业领域,一批面向天文、气象、材料、生命科学等领域的重大成果持续涌现。
中国高端计算之重,早已落在峰值算力和跑分榜单之外。
异构超智融合,打破单一计算架构瓶颈
在“以跑分论英雄”的行业常态中,曙光8000相较于传统的单一架构算力堆砌,展现出一套截然不同的异构计算打法,这也让其快速适应各类计算场景,大大减少了算力用户负担。
要理解曙光8000为什么能同时撑住量子化学和全球气象模拟,需要先看这两类任务对硬件提出的要求有多“分裂”。
铁钼辅因子问题的核心困难在于,要描述几十个电子在固氮酶活性中心里的量子行为,精确求解的计算量随电子数增加呈指数级膨胀。而中科大团队的办法是用神经网络去描述电子量子态的复杂性,把过去“指数级爆炸”的计算用AI的方式平滑地压下来。
但是,AI介入核心计算环节,并不意味着精度要求降低。相反,它需要底层系统在多种精度之间灵活切换:神经网络部分依赖低精度、高吞吐的矩阵运算,而量子化学求解的收敛性和可信度仍然需要高精度计算托底。
SD3走的几乎是另一个极端。全球1.5公里分辨率的气象数值模拟,要把地球表面和大气切成边长1.5公里的方格,计算量随网格密度几何级增长。这类任务在大部分时间和工况下必须“老老实实”用到最高FP64双精度,没有讨价还价的空间。
一个要把AI嵌入核心计算、在多精度之间穿梭;另一个要以双精度为底线、同时把绝大部分负载压到加速器上。单一架构路线在这两类任务之间会面对一个结构性的不对称:
纯CPU架构路线在双精度维度上可以做到极致,但当任务需要大规模低精度矩阵吞吐与高精度求解紧耦合时,为单一精度深度优化的架构很难在两种模式之间保持同样的效率。
相对来看,曙光8000的解法不是“什么都能算一点”的折中,而是用异构分工去积极应对这种分裂:CPU承担复杂逻辑调度和高精度串行依赖,GPU承接大规模并行矩阵运算,芯片本身支持FP64、FP32、BF16等多种精度,网络、存储和调度按一套系统满足多样计算需求。
这绝非把HPC和AI做成两个物理意义上拼在一起的“分区”,而是要直面已有应用中超过40%的“超智融合”计算任务,用系统设计的方法打破单一计算架构路线的效能瓶颈。
正如业内对这套集群的定义——曙光8000走出了单一算力资源堆叠模式,从架构设计之初面向多元混合精度计算需求进行原生优化,是一套可落地、可运营、可验证的系统级方案。
这也折射出一个现实,中国高端计算正在走出实验室,直奔科研与产业一线复合型计算场景而去。
中国算力分野:抓成绩、更要抓成果
在国产算力产业早期,单一架构路线在双精度峰值上的突破值得尊重。尤其面对FP64为绝对主导的场景,纯CPU系统仍然具有不可替代的战略价值,并且更容易拿到跑分成绩。
但随着AI for Science的兴起,高性能计算的负载结构正在变化,越来越多的科学应用不再只运行在单一精度上:量子化学求解需要高精度迭代收敛,神经网络波函数部分又依赖低精度高吞吐的矩阵运算;气象模拟以FP64为底线,同时把99%以上的计算压到加速器上。
这类应用对系统的要求不是“某个精度上跑得最快”,而是在多个精度之间切换时,效率不掉、规模能扩、软件栈不推倒重来。
异构计算路线把CPU的复杂逻辑调度能力和GPU的并行矩阵吞吐能力分开部署,再通过统一的内存层级和调度系统进行高效组织,本质上就是用架构分工去对应负载分工。
曙光8000公开的扩展数据说明了这种分工在工程落地上的优势:CPU+GPU异构节点的计算性能达到纯CPU节点的3倍以上;BF16弱扩展测试从单卡扩展到45,000卡,仍保持94.9%的扩展效率,整机弱扩展效率93.93%。
在数万卡量级上维持接近线性的扩展效率,难点不在单卡峰值,而在互联、调度、内存层级和软件栈能不能让每一张加速器都不空转。这才是异构路线真正的“硬骨头”,也是它一旦跑通之后最难被替代的部分。
一个容易被忽略的细节是,曙光8000支撑量子化学获奖项目仅凭万卡规模的算力资源,就达到了传统CPU架构系统的整机计算效果。这说明异构系统的效率优势不是靠“堆更多卡”换来的,而是靠每一份算力在正确的精度上被放到了正确的位置。
目前来看,半年拿一个戈登·贝尔奖、入围一个气候建模决赛,当然是一个足够亮眼的开端。但比奖项更值得留意的,是这条路径被验证的方式:
不是先论证一条路线在理论上更优,再用一个精心挑选的应用去证明它;而是让几十个领域、数百项应用在同一个底座上持续运行,然后由权威评议成果对其进行外部校验。
毕竟,国产算力走到今天,要面对的是“人工智能+”行动下的真实场景需求。抓住可复现的应用成果,要比局部赛道跑分成绩来得更实在。
归根结底,中国算力下一阶段真正稀缺的,不仅是单项指标破纪录的机器,更是一套能让不同精度、不同学科、不同负载,都能用得上、跑得通的系统能力。
*本文系量子位获授权刊载,观点仅为原作者所有。
版权所有,未经授权不得以任何形式转载及使用,违者必究。
- 8万条群聊消息做成考卷:腾讯元宝×KCL发布首个基于群聊构建的Agent记忆基准2026-11-21
- 全网疯传!Grok一姐教你如何月提交3000个PR2026-11-21
- 反超Gemini之后,Karpo新作再开源,浏览器Agent速效双赢2026-11-21
- 米哈游发了个VLA论文2026-11-21




