物界前沿十万卡算力落地AI4S：当“堆料”遇上“适配”
一组数据：2024年7月，曙光8000（登峰）集群下线，理论峰值算力达到10万卡级，相当于每秒可进行约2.5百亿亿次浮点运算。这个数字是国内首个国产全栈十万卡集群。对比去年国内万卡级集群的峰值，大约翻了10倍。但更关键的不是这个数字本身——它意味着一个门槛：当算力突破十万卡，AI for Science（AI4S）的“应用式智能”才能从实验室演示走向工业级产线。
作为每天用AI做蛋白质结构预测的湿实验-干实验交界者，我关注的是：这个集群运行的是何种模型？是通用大模型，还是针对生物序列、分子动力学的专用模型？新闻里提到“面向AI全场景用户开放使用”，但“全场景”恰恰是问题——AI4S的落地，最怕“万金油”式的算力。
对比：两条技术路线
当前AI4S领域，算力驱动的研究呈现两条截然不同的路线。一条是“通用大模型路线”，代表如DeepMind的AlphaFold3、ESM系列，以及国内的盘古大模型。它们用海量、多模态数据训练一个模型，试图覆盖所有生物分子任务。另一条是“领域专用模型路线”，如分子动力学模拟中的NetMD、蛋白质-配体对接中的EquiDock，它们针对特定物理过程设计网络结构，训练数据量小但精度高。
十万卡集群更适合哪条路？从表面看，通用大模型需要十万卡级预训练，显存占用动辄数千GB，训练周期以月计。但AI4S的痛点从来不是算力不够“堆”，而是算力与数据、算法之间的“适配鸿沟”。我接触过多家国内AI4S初创公司，他们手里有优质的生物数据集，但模型在国产集群上跑不动——要么是算子库不支持，要么是分布式框架对生物序列的异步梯度同步效率极低。
曙光8000的一个关键设计：接入国家超算互联网。这意味着它不再是孤立的算力集群，而是算力网络中的一个节点。对于AI4S研究者，这个设计解决了“算力碎片化”问题——我们可以在不同超算中心之间迁移作业，而不必为每个平台重写代码。但更大的挑战是软件生态：国产芯片的AI框架（如昇思MindSpore、百度飞桨）对生物信息学常用库（如prody、mdtraj、OpenMM）的支持程度，远不如CUDA生态。即便有十万卡，如果模型无法在国产芯片上做分子动力学模拟，那只能跑跑简单的分类任务。
我的判断：AI4S的“应用式智能”落地，核心不在算力峰值，而在“中间件”
具体来说，是三个层面的协同：
- 数据层：生物实验数据（如冷冻电镜密度图、质谱谱图）的标准化和流通。十万卡集群需要海量高质量数据喂入，但国内生物数据孤岛严重，且缺乏像PDB（蛋白质数据库）那样的公开共享机制。
- 模型层：需要可复现、可迁移的模型架构。当前很多AI4S论文只发布权重不发布代码，或者模型依赖特定版本的CUDA库，导致在国产集群上无法复现。曙光8000若能联合社区建立“模型适配基准”，意义远大于硬件本身。
- 应用层：湿实验与干实验的闭环。以蛋白质设计为例：AI预测一个结构，需要湿实验验证（如晶体衍射、质谱分析），反馈结果再优化模型。十万卡集群可以加速预测，但验证环节的瓶颈在于实验设备与人员。所以“产业效力”取决于算力能否与实验平台形成迭代闭环。
对比另一个方案：某国际云厂商的AI4S服务
它们提供的是“端到端流水线”：用户上传序列，平台自动调用预训练模型、运行分子动力学、生成报告。但代价是用户无法定制模型参数，且数据隐私存疑。曙光8000的开放生态，理论上允许用户自定义模型和流程，但需要用户自己搭建环境。对于生物实验室的PI（首席研究员）来说，他们更愿意把时间花在实验设计上，而不是调试MPI并行参数。
行动建议
对于正在从事AI4S研究的同行，我的建议是：不要等到模型在十万卡集群上完美运行了再开始。先在自己熟悉的GPU（哪怕是单卡）上验证模型效果，然后用容器化技术（如Singularity）封装好环境，提交到国家超算互联网的测试节点。重点测试：
- 国产芯片（如昇腾、寒武纪）对模型算子的支持度。
- 分布式训练框架（如OneFlow、MindSpore）的通信效率。
- 数据IO是否成为瓶颈（生物序列文件通常很小，但分子动力学轨迹文件动
