郑州，2026年4月14日，这个平时基本上和科技新闻头条压根不沾边的城市，这一天却悄悄干了一件大事，中科曙光在郑州国家超算互联网核心节点，正式上线了6万卡规模的科学智能计算集群，峰值算力10EFLOPS，这可是目前国内最大的同类集群。
消息出来我刷了好几篇报道，发现大家都在堆干巴巴的数字，6万卡、10EFLOPS、99.99%可用性……，但是我不想聊这些数字，我更想唠点实在的，这6万张国产芯片，到底在算啥？
先聊个很多人都有的认知误区，一旦提到AI，大家的第一反应要么是ChatGPT这类聊天机器人，要么是能生图、剪视频、写文案的创意工具，这不奇怪，过去两三年普通人能摸到的AI，基本都是这类消费级产品。
但是AI的用处可远远不止这些，有一类AI从来不会帮你写朋友圈文案，也不会陪你扯皮解闷，它天天蹲在机房里帮科学家解题，这类AI叫AI for Science，简称AI4S，说白了就是用人工智能给科学研究开加速挂。
举一个最直观的例子，传统药物研发在很大程度上靠“瞎试”，科学家盯着某个靶点，把能够想到的化合物挨个试，有用了就留，没用了就扔，反复循环，这个过程慢到离谱，从靶点发现到拿出候选药物，正常得花4年到5年。
但是AI4S进来之后，这个流程直接被压到了只有12个月左右，这绝对不是靠人熬大夜，由于是AI能同时啃海量结构数据，人类喝杯咖啡的功夫，它已经把几千种化合物的可能性全算完了，材料研发也是一样，一种新材料从实验室到能用上，以前要2年到3年，现在有AI4S帮忙，3个月到6个月就能出结果，效率真心是差了好几个量级。
你可能会问，AI4S和大语言模型，到底哪个更重要？这个问题不好直接比，但是我可以给你一个思考的角度，大语言模型解决的是“人类已有知识”的整合和调用问题，它确实很厉害，但是它的本质上是在已有信息里挖答案，而AI4S解决的是“人类还不知道的答案”怎么找的问题，它是蹲在科学的边界线上干活，帮人类找新规律、新结构、新化合物，两者的价值根本不可能是在一个层级上。
英伟达的黄仁勋前段时间公开把AI4S列为AI最重要的三个方向之一，和大语言模型、具身智能放在一块，他说话向来直接，这个排位肯定不是随便排的，远期来看，有人估过AI4S赛道的市场规模是千亿美元级别，这还只是能估算出来的市场价值，更重要的是如果AI4S真的大规模铺开，人类探索自然规律的速度，将会快到我们现在根本想象不到。
说回郑州这个集群，中科曙光是做高性能计算起家的，在国内超算圈算是摸爬滚打多年的老玩家了，但这次他们干的事，确实有点超出预期。
先捋个时间线，2025年12月，曙光刚发布scaleX万卡超集群技术方案；2026年2月，3万卡规模的集群就接入国家超算互联网开始服务；2026年4月14日，6万卡的AI4S集群直接正式投用。
从发布方案到真机落地，满打满算不到半年，这个速度在同类项目里真的罕见，大型计算集群的工程部署，涉及机房、散热、网络布线、芯片调度、软件适配，每个环节都可能卡半年。
半年就能跑通全流程，背后的原因你品，你细品，我之前采访过几个做超算工程的朋友，他们说这类项目最怕的不是堆硬件，是“联调”，把几万张不同批次的芯片接进同一张网络，让它们一块干活不掉链子，里面的坑多到数不清。
曙光这次用的是自研的高速互联网络产品scaleFabric系列，核心就是解决几万张卡高速通信时丢包、延迟的问题，不让算力打折扣，有意思的是这种高速网络之前长期被少数海外厂商垄断，国内玩家入场时间并不长，能够在6万卡规模上跑通，本身就已经交上了一份满分答卷。
这次曙光反复提一个词，全栈自研，从底层芯片，到高速互联网络，再到上面的软件平台，全是自己做的，有人可能觉得这就是企业宣传话术，但是从工程角度来说，全栈自研意味着一件事，出了问题，自己能查，自己能改。
用别人的芯片、别人的网络、别人的软件，跑起来没问题，但一旦出了奇怪的bug，或者想针对某个科研场景做定制优化，你找谁去？人家根本不会给你开放底层代码，全栈自研的代价是研发成本高，但是好处是整个系统可以端到端优化，芯片、互联、存储、调度，每一层都能互相配合，不会因为某层是黑盒卡住上层的性能。
具体来说这个集群有几个设计细节挺值得说，芯片支持8位到64位的全精度计算，不同科研任务对精度需求不一样，材料模拟和气象预测的精度要求就差很多，全精度支持意味着集群能覆盖的场景更广，存储这边他们做了个叫“超级隧道”的设计，加上AI数据加速，就是为了避免“算得快但数据喂不上”的瓶颈，这在超大规模并行计算里是老大难问题，数据吞吐跟不上算力，整个效率直接掉一半。
调度系统每秒能处理超过一万次并发作业请求，这个数字在科研场景里太实用了，大量高校和科研机构同时提交任务的情况太常见了，还有个细节，散热用的是浸没相变液冷加湖水冷却的组合方案，余热回收用来供暖和供生活热水，全年等效节水接近零，每年减少碳排放约4万吨，做这么大的数据中心，能把能耗控制到这个水平，真的不容易。
光有算力，不等于科研人员能用得上，这里有个“最后一公里”的问题，大多数科研人员不是算法工程师，不会写CUDA，不会调分布式训练框架，你给他6万卡的权限，他也不知道怎么上手。
曙光这次同步推出了OneScience平台，我理解它的核心作用，就是让科研人员不用懂代码也能用算力，你跟系统说要模拟某个蛋白质的折叠过程，需要多高精度，时间尺度是多少，系统自动拆任务、配资源、调计算，你完全不用管底层怎么实现。
平台上已经集成了几十个AI4S领域的主流模型，覆盖地球科学、生物信息、流体仿真、材料化学这些方向，这套平台接入的是国家超算互联网体系，目前这张网已经连了超300万CPU核和超20万GPU卡，全国的高校、科研院所和企业都能接进来。
说白了，不是每个机构都需要自己砸钱建6万卡集群，通过这张网，普通高校的科研人员也能调用顶级算力，就像用电一样，用多少花多少。
说了这么多基础设施，聊点实在的成果，这个集群已经算出了啥？
第一个是蛋白质折叠模拟，集群用3万卡规模做蛋白质折叠模拟，比传统算法快了1000多倍，昌平实验室用这套方案，把蛋白质折叠的模拟速度提了3到6个数量级。
数量级这个词有时候被用烂了，但是这里是实打实的，3个数量级意味着以前要算1000天的东西，现在1天就能算完，蛋白质折叠的意义不用多说，它决定了蛋白质的三维结构，而结构决定了药物怎么跟靶点结合，把这个算明白，新药研发的速度直接起飞。
第二个是万亿原子液态水分子模拟，说人话就是用4.5万卡，把水分子里每一个原子的行为都建出来，追踪它们怎么动、怎么互相作用，规模是万亿原子级别，直接打破了当时的世界模拟规模纪录，效率比之前的方法高了3个数量级以上。
为啥要费这么大劲模拟水分子？因为水在材料科学、能源、生命科学里都是绕不开的基础物质，搞清楚水的微观行为，对好多交叉学科都有大用。
第三个是湍流直接模拟，湍流是流体力学里最难的问题之一，有人说它是经典物理学最后没被彻底解决的大问题之一，集群把湍流直接模拟的网格规模扩展到了百万亿级别，这在之前想都不敢想，计算量早就超出了以前工具的能力上限。
中国科学院院士陈润生说过一句话，我觉得精准戳中了AI4S的核心价值，基于AI4S的“人机协同”新模式，科学家可以从“如何算”转向“如何想”，进而提出更好的问题、设计更巧妙的路径、做出更深刻的判断。
这句话背后藏着一个特别重要的认知转变，以前做科研，相当一部分精力都花在“怎么把这个问题算出来”上，选什么数学模型、写什么程序、怎么优化代码、怎么让程序顺利跑完，这些都是工具性的活，但往往耗掉了科研人员大半时间。
AI4S把这些工具性的活接过来之后，科学家的时间就能更多放在“这个问题值不值得研究”“这个路径有没有更深的意义”上面，科学的本质本来就是提出好问题，不是天天跟代码死磕，AI4S根本不会取代科学家，它干的事，是让科学家更像科学家。
最后算一笔长远的账，中国在基础科研的很多方向，以前都是追赶者，追赶的逻辑很简单，投入更多人力、做更多重复试验、积累更多数据，这条路确实有用，但效率上限摆在那。
AI4S给了我们另一种加速的方式，不是堆更多人，而是让每个科研人员的产出能力直接翻倍，郑州这个6万卡集群的意义，根本不是一个单独项目的落地，而是整个基础设施层面的布局。
以后算力网络不断扩容，接入更多高校和科研机构，会有更多科研人员不用再为算力发愁，能做出好多以前想都不敢想的研究，从蛋白质折叠到湍流模拟，从水分子动力学到气候预测，从新药研发到材料创新，这些领域等这个算力底座已经等了好久。
这个底座，现在已经搭起来了，你觉得AI4S会最先在哪个科研方向拿出真正的突破性成果？是药物研发、材料科学、气候模拟，还是别的什么方向？
美联储缩表换了新思路？
重估稀缺性
海水能制氢？中国科学家悄悄干成了一件大事
挪威「超级存钱罐」的4个理财逻辑
内蒙古，留住过路财
中国团队，又给世界出了一道物理难题
告别锂依赖与自燃焦虑，中国科学家改写电池安全底层逻辑
河南许昌的假发，是如何征服两亿非洲人的？
