世界第一台10万卡超智融合超集群，正在把一批受困于算力的科研难题变成可复现的结果。

2026年10月18日，在2026 CCF全国高性能计算学术大会（CCF HPC China）期间，中科曙光集中发布曙光8000十大前沿应用成果——覆盖宇宙演化、材料模拟、类脑研究、生物分子、气象海洋、数字育种与工业仿真。多项研究刷新了此前的世界纪录。

十大成果，一次关于算力上限的压力测试

先看这些成果的分量。在基础科学领域，千衍宇宙学模拟以4万亿个暗物质粒子重现约100亿光年尺度的宇宙演化，被国际学界评价为刷新数值宇宙学的发展极限；MatPL机器学习力场首次将接近量子力学精度的分子动力学模拟推进至万亿原子规模——这意味着科学家第一次能看到完整的半导体器件，而非局部的盲人摸象；复旦大学团队构建出世界首个千亿神经元规模的数字孪生脑，模拟规模约860亿神经元；中国科学技术大学等单位将九章光量子计算机与曙光8000协同，实现RPA精度生物分子模拟并完成超50亿原子规模的扩展性验证。

面向民生，国产AI全球短中期集合预报模型风清集合V1.0已投入业务运行，MCV天气—气候一体化模式在1小时完成全球公里级数值预报，我国AI气象预报与数值预报业务化能力双双迈入世界先进水平；swLFS建成全球首个1公里分辨率全球海洋环流预报系统；中国农业大学虚拟玉米平台把育种周期从十余年压缩至数年。在工程端，多喷口超声速射流模拟以6.77万亿网格创下国际已知最大同类仿真纪录，AI辅助壁湍流模拟在最高难度槽道湍流工况下实现高保真求解，深部资源地球物理探测模拟填补了国内工程化应用空白。

超智融合：一套系统回答多种计算问题

这些跨领域的成果在同一平台上落地，本身即是曙光8000设计逻辑的验证。与传统HPC+AI分区部署不同，曙光8000是全球首个10万卡规模的超智融合AI超集群：其计算芯片从底层支持FP64、FP32、BF16等全精度，一套系统同时承接高精度科学计算与AI训练推理，科学计算、工程计算与智能计算统一调度。

中科曙光高端计算总工程师卜景德解释，AI4S实际上填补了传统科学计算与通用大模型之间的空缺——传统计算算得准但算得慢，通用模型算得快但算不准，超智融合的架构上限更高、空间更大。目前曙光8000上40%以上的应用属于超智融合应用，这一比例在AI深入科研的趋势下仍在上升。

一个8万元项目的生长路径

成果的背后，是数年的软硬协同攻关。西安交通大学教授姬兴团队的多喷口超声速射流模拟，起点是曙光光合基金下一个8万元的生态合作项目。从最初的求解器软件移植，到2025年8月天津超算千卡规模原型机测试，再到今年以10万卡整机满载运行6.77万亿网格，团队走了近两年。

这其中的难点，在万卡之后被急剧放大。姬兴团队的博士生张宏回忆，千卡级计算时一张卡掉线就会导致整个任务被调度系统杀掉；上到万卡后掉线概率放大，只能靠软件层面的通信隐藏、点对点通信优化，以及曙光硬件的针对性支持来解决。第一次满载测试仅运行2分钟就因NPI进程问题被终止，第二次才在曙光指导下成功。研、算、智、用四个阶段里，研和算这两个最硬的骨头已经啃下。

4万亿粒子和300T数据的稳字诀

中科院国家天文台研究员王乔的千衍模拟，运行了一个直接区别于常规任务的特质——稳定性。当上万张加速卡连续运行多天，即使每张卡的稳定性足够，万倍放大之后仍难以控制。王乔提到，团队与曙光逐环节盯人排查，尤其在网络带宽上经历了大量调优，并通过筛选节点、针对性参数调整才把任务稳定跑下来。与之相伴的是存储的挑战：约10PB量级的数据要分层切片处理，每一次IO都消耗巨大，需要网络、硬件、计算三端的系统级优化。

面向石油勘探，中石化胜利油田物探研究院首席专家张猛给出了一组更直观的对比：随着大储量油田进入开发后期，工区网格从25米×25米细化到1米×1米，单个工区数据量膨胀到300T量级，正演模拟此前在自有设备上要跑数月甚至半年；在曙光8000上，万卡规模仅需两三天。他介绍，团队此前的神通遇见曙光成果已是石油行业首个纯国产软硬件大规模应用，如今依托光合基金三期支持与曙光技术人员现场驻场指导，双方上周刚签订战略协议，向地震资料AI辅助解释和垂直领域大模型训练推进。

300余项应用背后的软投入

支撑这些成果的，不只是芯片与互联。中科曙光副总裁曹振南介绍，为让国产硬件更好用，曙光的软件人员投入已经超过硬件——面向单个用户的移植适配团队往往有几十人、个别项目近百人，从芯片部件、系统结构、底层软件栈到调度管理层逐层构建。目前已有300余项重点应用在曙光8000上完成深度优化，覆盖30多个科研与产业领域，其中20余项实现整机运行。

这种投入正在沉淀为可复用的平台能力。依托国家超算互联网核心节点，OneScience科学大模型开发平台与科学计算智能体，让科学家、工程师与创业团队得以在线获取算力和应用服务，把专业科研需求快速转化为可执行的计算任务。当算力的门槛被不断压低，一台超集群的价值，才真正从算得动转向被更多人算得懂。