20260717-上海仪电-科学计算与AI4S基础设施白皮书_75页_3mb

科学计算与AI4S基础设施 白皮书总结

核心内容概述

本白皮书系统分析了科学计算与AI4S（科学智能）的融合发展趋势，探讨了其在科研范式变革、技术瓶颈、数据构建、算力需求及市场应用等方面的现状与前景。报告指出，AI4S已成为全球科技竞争的核心赛道，其发展依赖于算力、模型和数据三大要素的协同，其中高质量数据集是当前最突出的“卡脖子”瓶颈。

科学计算作为AI4S的核心数据生成手段，通过高精度数值仿真和高性能计算，能够提供传统实验无法获取的微观数据，为AI模型训练提供可靠基础。然而，传统通用超算在处理复杂科学计算任务时存在效率低、通信延迟高、能耗大等局限性，专用超算成为解决这些问题的关键基础设施。

主要观点与关键信息

1. 科研范式演进与AI4S定位

• 科研范式从实验科学、理论科学、计算科学、数据密集型科学，演进至AI4S，标志着科学研究进入智能化、自动化的新阶段。
• AI4S是“数据输入→AI分析→规律发现→实验验证→知识生成”的全流程自动化科研范式，能够加速科学发现和产业转化。

2. AI4S的技术核心与挑战

• 算力需求：相对可控，无需巨额投入，通用大模型与AI4S模型的算力需求差异显著。
• 模型研发：难度适中，依赖专业人才，尤其是具备领域知识和算法优化能力的复合型人才。
• 数据瓶颈：高质量数据集是当前AI4S发展的最大障碍，缺乏统一标准、整合困难、核心数据保密等问题严重制约模型训练与应用。

3. 高质量数据集构建思路

• 数据需精准无错，覆盖科研全流程，形成“端到端”数据链条。
• 采用逆向构建模式，以已上市药物或失败药物为起点，系统性补充微观机理数据，构建完整数据闭环。
• 需要系统科学规划，明确各领域、各细分行业的核心数据需求，制定统一标准，推动多方协同。

4. 专用超算的技术路径与应用价值

• 专用超算通过软硬件协同设计，可大幅提升特定领域计算效率，突破通用超算瓶颈。
• “天穹”专用超算是国产代表性平台，其核心策略包括：
  • 算法级全局优化计算：将算法特性映射到硬件与软件架构，实现算力的高效利用。
  • 专用芯片：如MaPU架构，可显著提升计算性能。
  • 专用系统架构：优化存储层次、互连网络和任务调度，提升整体算效。
  • 专用计算软件：深度优化数学库和算子库，实现模型训练与推理的稳定高效。

5. 全球与国内AI4S发展现状

• 国际现状：美国在生物MD计算和AI专用算力平台（如ANTON、TPU）方面领先；日本在通用超算和材料计算方面也有显著进展；欧洲推动AI优化型超算与材料计算平台。
• 国内进展：AI计算发展迅速，但科学计算专用超算建设相对滞后，尤其在新材料领域缺乏高性能计算平台，受制于国外软件垄断。

6. 典型应用案例

• 制药领域：AlphaFold、英伟达与礼来共建AI超级工厂、思朗科技基于“天穹”构建sDDE平台。
• 新材料领域：谷歌DeepMind发现38万种无机材料、宁德时代筛选电解液添加剂、BASF引入Quriosity超算。
• 其他领域：波音公司利用虚拟仿真加速机型研发、台积电采用英伟达平台突破芯片制程瓶颈、字节跳动推出BAMBOO助力新型电解质设计。

发展建议与展望

• 国家层面：应统筹布局科学数据中心、专用算力集群与产学研攻关体系，推动AI4S全产业链生态建设。
• 行业层面：需构建端到端、精准化、标准化的科研数据集，形成“数据积累—模型优化—成果落地—数据再沉淀”的正向循环。
• 技术层面：重点突破专用超算核心技术，包括专用芯片、系统架构、计算软件等，推动科学计算与AI4S深度融合。
• 未来趋势：AI4S将引领新一代科研范式，成为推动科技创新、产业升级的核心引擎，助力我国抢占全球科技制高点。

关键技术与基础设施

• 专用超算：针对特定领域（如生物、材料）进行深度定制，显著提升计算效率和能效比。
• “天穹”超算：采用算法级全局优化计算、专用芯片、专用系统架构和软件栈，成为国产AI4S基础设施的代表。
• 数据构建：需从微观机理入手，构建覆盖研发全流程的高质量数据集，解决数据碎片化与孤岛化问题。

总结

科学计算与AI4S的深度融合，标志着科研范式正迈向智能化、自动化的新阶段。AI4S的核心在于解决产业关键科学问题，其发展依赖于高质量数据集、专用算力与精准模型的协同推进。当前，数据短板是制约AI4S发展的首要瓶颈，而专用超算和系统性数据构建策略，是突破这一瓶颈的关键路径。未来，需通过国家层面的统筹规划、产学研协同创新，加快构建自主可控的AI4S生态，推动我国在AI4S领域实现突破与引领。