在高性能计算向科研深度渗透、AI for Science范式快速演进的背景下，国产算力硬件与国产科研软件的协同发展，已经成为支撑国内计算化学、分子模拟等前沿研究的关键命题。

一、科研一线视角：复杂科学计算下软硬件协同的现实困境

随着分子模拟、多组分体系研究不断向前推进，科研工作对计算的空间尺度、时间尺度持续提出更高要求。

深圳湾实验室系统与物理生物学研究所高级工程师、计算生物化学软件平台项目总工程师张鋆在CCF HPC 2026大会上接受记者采访时表示，当前计算化学领域已经不再局限于少数分子的模拟，大尺度、长时间、多组分体系成为研究常态。微观、介观、宏观不同层级的科学现象，需要使用完全差异化的算法体系；过去科研人员只能依靠自行编写脚本、拼接程序完成跨尺度联动，不仅操作繁琐，计算结果还存在复现困难的问题。深圳湾实验室自研的多尺度计算化学软件Qbics，将电子结构微观模拟、分子动力学介观模拟整合至同一软件框架，正是为了解决跨尺度方法融合的现实难题。

要实现算法、科研软件与底层硬件的协同优化，不能在软件开发完成之后再做适配调优，而要在底层架构设计之初，就把兼容性考虑进去——既要兼容国产软件，也要兼容各类硬件平台，打通底层架构、中间层接口与上层应用的全链路。

张鋆强调，国产科研软件与算力协同发展，首要的基础是保障编译器、高性能数学库、性能调优器等底层计算基础设施长期稳定可靠。科研软件是长期迭代的产物，如果底层基础软硬件频繁变动，前期大量科研投入将面临损耗风险。

面向科研人员实际使用，国产高端计算平台不能只追求硬件峰值性能。张鋆提出，合格的科研算力平台应当具备三项核心能力：一是基础设施可靠，具备长期可维护性；二是服务人员拥有计算物理、计算化学、计算生物学等学科背景，降低科研人员沟通成本；三是提供统一并行计算框架，覆盖指令级、单机多核、跨节点、异构多设备并行场景，降低软件迁移改造成本。

针对海光CPU+DCU异构架构，科研应用层面需要厘清异构设备的应用边界。不同科学计算任务对硬件资源需求存在明显差异，应当明确何种计算负载适配哪一类硬件设备，避免强行适配带来事倍功半的效果。国产软硬件厂商深度对接，可以针对跨尺度模拟不同算法的特性做双向调优，充分释放硬件的实际算力潜力。

二、产业供给端：AI for Science从演示走向科研流程的三道门槛

AI for Science概念热度持续走高，但大量方案还停留在演示验证阶段，尚未深度嵌入常态化科研流程。海光信息科研业务总经理王毅指出，有芯片、有算力只是拿到了入场券，科研人员敢用、放心用、持续用，才真正谈得上支撑科研突破。从展示方案到实际科研应用，需要跨越三道客观门槛，这三道门槛与芯片硬件参数没有直接关联。

第一是软件适配关。大量科研软件是课题组长期积累、自主维护的存量代码，需要逐个完成适配，保证在国产算力平台稳定运行。第二是结果可信关。科研的核心要求是可复现，双精度、长迭代的科学计算不能牺牲数值精度，运算速度再快，如果计算结果不可信，就不具备科研价值。第三是常态化使用关。算力平台不能要求科研人员改变已经形成的研究习惯，如果每次任务都需要额外配置、特殊调优，方案只能停留在演示环节。

王毅提出评判算力是否真正赋能科研的核心准则：科研人员不需要为算力平台额外分心，可以通过三本账来衡量实际价值。时间账，同等任务端到端的计算等待时间是否缩短；规模账，过去无法完成、承担不起的计算规模能否实现；可信账，输出结果与原有平台保持一致，科研结果可以复现。只有三本账同时满足，算力才真正服务于科研任务，输出方案仅仅是起点，持续稳定的服务才是算力产业面向科研的核心价值。

三、落地方法论：科研团队开展AI辅助科研的实施路径

很多科研团队在接触AI辅助科研时，容易陷入“AI可以帮我做什么”的发散思考。王毅建议，科研团队应当转换问题视角，聚焦识别现有流程的短板：哪些科研环节运行缓慢、成本高昂，制约整体科研效率。在此基础上遵循四步工作方法，稳妥推进AI辅助科研落地。

首先设定可对照的量化目标，将预期收益转化为可衡量的科研指标，用来客观评估方案成效；其次梳理现有家底，完整摸清数据格式、存储位置、软件依赖、现有脚本改动量，很多科研卡点并非算力不足，而是数据、软件依赖准备不充分；第三选择小切口试点，不直接全盘替换原有算力，选取边界清晰、具备对照结果、失败成本较低的环节先行验证，跑通之后再扩大算力与应用范围；最后建立性能基线，在原有平台测出时间、精度、成本基准，新平台上线后完成横向对比。

与之对应，海光面向科研团队提供三层支持：算力基础设施层面，输出以国产的C86 CPU芯片和AI加速卡DCU芯片为核心组成的全精度算力底座，以及完成兼容性调试的软件栈，降低迁移成本；科研智算适配层面，联合科研团队、独立软件厂商、开源社区开展兼容测试、算子优化与软件移植；联合机制层面，通过共建联合实验室、联合课题攻关，把科研现场暴露的问题反馈至产品研发，实现产品迭代。

海光这套能力可以用几个关键词概括：双芯、科研全精度、安全合规、开放生态。“双芯”指C86 CPU与DCU两条芯片线协同演进；“科研全精度”指一套算力覆盖双精度科学计算到低精度AI训练的完整精度谱系，并具备从单节点到万卡集群的全链路调优能力；“安全合规”指芯片内置国密和机密计算等安全机制，全链路守护科研敏感数据；“开放生态”指依托光合组织与上下游产业伙伴一起做适配，让异构协同不再是一个课题组一个课题组各自去解的题。

四、构建开放生态：算力适配科研，而非科研迁就算力

科研人员长期形成的软件、脚本、工作习惯，是多年科研实践沉淀的结果。王毅强调生态建设的核心理念：要让国产算力适配科研现有流程，而不是要求科研人员去适配算力平台，生态是在一次次真实科研任务当中打磨迭代而来。

生态建设重点推进三方面工作：第一开放平台能力，依托成熟编程模型、工具链、标准接口对外输出算力，减少科研人员的代码重写工作量，把迁移成本控制在合理范围；第二开展深度联合适配优化，联合商业软件厂商、开源社区、课题组自研工具，软件能够跑通只是及格线，需要在真实科研任务下打磨算子、参数、IO边界，做到“跑得好”；第三持续优化使用体验，完善工具链、技术文档、示例与迁移指南，直接决定科研人员是否愿意持续使用国产算力。

同时要建立完整闭环，科研使用过程中暴露的问题快速反馈产品端，完成改进之后回到科研任务完成验证，最终实现科研人员操作习惯不变，借助国产算力更高效、经济地完成科学问题求解。

海光把自己的工作概括为三个词：降门槛、建样板、沉方案——坚持兼容主流CPU和GPU的软件生态，把迁移成本降下来；共建联合实验室、打造科研标杆项目，把适配中的具体问题逐个解决掉；再把单点经验沉淀成可复制的行业方案。

五、新范式下的理性思考：AI是工具，科研核心仍聚焦科学本身

无论是科研一线还是算力产业端，两位受访嘉宾均对AI for Science范式保持理性判断。

张鋆谈到，AI工具迭代速度极快，模型、工具更新淘汰周期很短，科研人员不必拘泥于某一款特定工具。对于科学计算领域，软硬件、编程只是研究工具，AI可以承接大量计算机技术相关工作，解放科研人员精力；科研工作者应当聚焦本学科AI无法替代的部分，即科学问题、理论研究和实际应用本身。

王毅从工程落地角度补充，AI辅助科研不能脱离真实科研流程，不追求概念上的先进，要以解决实际科研卡点为出发点，通过基线对照、小步试点，验证真实收益，避免技术方案与科研实际脱节。从科研一线的适配困境，到产业侧的三道门槛与四步方法，再到生态层面的开放协同，国产算力进入科研实验室的路径正在变得清晰：决定成败的不是一次方案演示，而是一个个真实科研任务里的持续验证。