郑州6万卡AI4S集群投入运营，全精度算力如何打通科学智能产业链？

先讲一个被反复验证的认知差。

2016 年 AlphaGo 击败李世石，人们说“ AI 学会了围棋”。但真正让围棋界震动的，是后来的 AlphaZero 。AlphaGo 是靠学习人类棋谱取胜，本质上是把已知的妙招穷举一遍；而 AlphaZero 从零开始自我对弈，下出了人类历史上从未出现过的棋路——所有棋手看了都愣住，然后不得不承认：这步棋，比人类任何棋谱都高明。

这就是“发现未知”的力量。科学要做的恰恰不是重复已知，而是找到那些“人类从未想过”的答案。当前，基于 人工智能 的科学研究正在把这种能力带进实验室。传统科研像 AlphaGo ，基于已知理论做仿真验证；而科学智能（AI4S）像 AlphaZero ，让模型自己去探索未知的分子结构、材料配比、蛋白质折叠路径。去年诺贝尔化学奖和物理学奖双双颁给 AI 相关科学家，本质上是对这一范式变革的最高背书。

但问题来了：AlphaZero 级别的科学探索，需要什么样的算力底座？

答案不是简单的“堆卡”。AI4S 对算力的需求极其“分裂”——模拟分子动力学需要 FP64 双精度，小数点后十几位都不能错；AI 模型训练又需要低精度算力来提高效率；任务调度还需要通用算力。这就是业内说的“通智超融合”（通算、智算、超算融合）。过去国内科研机构只能东拼西凑：超算中心跑高精度计算，公有云跑 AI 训练，数据来回倒腾，效率极低。

这个痛点卡住了整个 AI4S 产业链的脖子。摊开来看，产业链有三层结构：

• 底层：算力基础设施，提供“通智超融合”的算力集群。
• 中层：技术解决方案层，包括科学大模型、算法平台、开发工具。
• 顶层：应用层，面向生物医药、新材料、新能源等领域的科研成果交付。

过去两年，国内在这三层上各有进展，但始终缺一个能真正把三层打通的“枢纽”。底层算力太散，中游模型训练调不动足够的高精度算力，下游应用方想直接买“成果”，却发现服务商自己还在为算力发愁。

近日，郑州国家超算互联网节点一套 6万卡科学智能集群 投入使用，直面了这一产业链断点。

为什么这么说？看几个关键设计。

全精度覆盖：从 FP64 到 FP4 ，一套集群包圆

搞分子动力学模拟的课题组用 FP64 跑高精度计算，同一套硬件上做 AI 训练的团队切到 FP16。这意味着中游的算法公司和下游的应用方，不需要再自己折腾算力适配，极大地提升了资源利用效率和研发便捷性。

存算传三级协同：保障大规模集群的稳定性

很多大集群性能上不去，不是卡不行，而是数据从存储读到计算节点太慢。这套集群着重优化了数据传输瓶颈，系统可用性做到了 99.99%——在几万卡规模下，这个数字意味着极致的稳定性，能确保科研任务不会跑了一半就崩掉。

搭载 OneScience 科学大模型平台

这相当于给算力集群配了一个“操作系统”。中游的技术公司可以在这个平台上快速部署自己的科学模型，下游的实验室可以直接调用平台上的工具，有望在数小时内完成大模型的初步开发与验证，这直接提升了整个 智能 & 数据 & 云 价值链的效率。

行业分析人士指出：6 万卡级别的专用集群，加上配套的平台软件，相当于给整个 AI4S 产业铺了一条“高速公路”。跑在上面的科研“车辆”——无论是气候模拟、海洋探测，都能享受到标准化、规模化的算力服务。

更值得关注的是商业模式的延伸。当算力足够便宜、足够好用，AI4S 的应用层会迎来爆发。服务模式有望从“交付算力资源”升级为“交付科研成果”，产业链的价值重心正在发生转移。这种模式下，算力不再只是成本项，而是直接参与成果分成，商业空间的想象维度完全不同。

这轮 AI4S 的热潮，跟上一轮互联网创业最大的不同是：它不靠烧钱换流量，而是靠算力换发现。而 6 万卡集群的落地，恰恰是在最基础的“算力”环节，给了整个行业一个确定性的底座。接下来要看的，是上面能跑出多少具有颠覆性的真成果。

对这类前沿技术与产业动态的深入讨论，欢迎访问 云栈社区 的对应板块，与更多开发者和技术专家交流。