最近集中研究了一个领域，大概花了两三周。起因很简单，4月14日中科曙光搞了个发布会，说推出了「中国最大的AI4S计算集群」。我当时的第一反应是，又是一个发布会，又是一个「最大」。

但越看越觉得不对劲。

因为这个方向，跟以前的算力竞赛不太一样。以前大家拼的是「我的集群跑大模型更快」，而这个集群，目标是专门为科学计算服务。科学计算，也就是AI for Science，简称AI4S。

我开始意识到，这不是一个简单的硬件发布，背后可能是一条非常长的产业主线。

所以写这篇文章，把我这段时间想到的、看到的，整理出来给你看看。

先讲清楚AI4S到底是什么，以及为什么它让我觉得不一样

如果你只是想偷懒得到一个结论，那AI4S就是让AI帮科学家做研究。但这句话本身太轻巧了，轻巧到你看完可能还是没感觉。

所以我们换个方式想这件事。

传统科学研究是怎么运作的，大概是这样，科学家提出假设，设计实验，做模拟计算，等结果，分析，再迭代。每一步都慢，每一步都贵。一个新药从分子筛选到临床，动辄10年、20亿美金。一个气候模型跑一次，超算算上几个月是常事。一个材料从理论设计到实验验证，有可能你这辈子都等不到结果。

AI4S干的事情，是在这个流程里插进来，用AI把「假设验证」这件事的速度和成本往下砸。

最直观的例子是AlphaFold。

2021年，DeepMind发布AlphaFold2，直接把蛋白质结构预测的精度提升到了接近实验级别，预测速度从几天缩短到了几分钟。更夸张的是，它随后预测了超过2亿个蛋白质的结构，几乎覆盖了人类已知的全部物种。这个数字，靠传统实验方法，几千年也做不完。

诺贝尔委员会的反应很说明问题，2024年的诺贝尔化学奖，给了AlphaFold的研究团队。

也就是说，AI不是在「辅助」科学，AI已经在产出诺贝尔奖级别的成果了。

好家伙。

为什么现在是AI4S的战略时机

我的观察是，AI4S这件事，其实已经酝酿很久了，但真正进入快车道，是最近两三年的事。

背后有几个东西同时成熟了。

第一是AI本身的能力。过去大语言模型、图神经网络、扩散模型这些架构，让AI第一次真正具备了处理科学数据的能力，科学数据不是文字，不是图片，是分子结构、偏微分方程、基因序列、物理场，这些数据的理解和推理，大模型之前的AI做不了，现在能做了。

第二是算力基础设施。高性能计算（HPC）和AI算力这些年的融合越来越深，传统超算能做模拟，AI计算能做推理，两者融合之后，科学研究里最耗资源的那些步骤可以被大幅加速。这是一个技术条件成熟的问题，现在条件到了。

第三是数据积累。科学领域的数字化水平这十年提升很快，蛋白质数据库、材料数据库、基因组数据库、气候观测数据，这些数据量已经到了训练科学AI模型的规模阈值。之前也有人想做，但数据不够，模型学不出来。

三个东西同时到位，窗口就开了。

从战略角度讲，这件事的价值不是一家企业能不能赚到钱的问题，而是一个国家在科技竞争里能不能保持领先的问题。药物研发、新材料、能源、芯片设计，这些领域背后都是AI4S在工作，谁在这个层面跑得快，谁在下一轮科技竞争里就有更厚的底牌。

市场到底有多大，我来帮你算一下

行业研报里有几个数字，我觉得可以讲一讲。

根据IDC和一些机构的测算，全球AI4S相关市场规模在2025年前后大概在400-500亿美元区间，预计到2030年前后会超过1500亿美元，年复合增长率大概在25%-30%。

但我觉得这个数字其实低估了，原因是它只算了直接市场，没有算乘数效应。

你想想，AI4S在制药领域节省下来的研发成本，算在哪里？AI4S把新材料发现周期从20年压缩到2年，那省下来的机会成本，算在哪里？AI4S让气候模型精度大幅提升，带来的政策优化价值，算在哪里？

这些东西很难被包含在一个「AI4S市场规模」的数字里。

所以我更倾向于用「行业覆盖面」来理解这个市场，AI4S覆盖的领域是，生物医药、新材料、新能源、芯片设计、气候与环境、航空航天、基础物理化学研究，再往下可以继续拆，每一个领域本身都是一个万亿级的市场。

AI4S不是一个赛道，它是一条贯穿多个赛道的技术主线。

这种特性，从投资角度来讲很有意思，它不是「这两年热一下，然后被替代」的逻辑，而是「越做越宽、越做越深、形成长期壁垒」的逻辑。符合这种特性的技术主线，历史上有过几次，互联网、移动通信、半导体，每一次都是十年甚至更长的主线行情。

我不是在说AI4S一定会走出一模一样的曲线，但结构上有相似的地方，值得认真对待。

曙光这件事，我为什么觉得值得单独说

你可能会问，AI4S讲了这么多，为什么要聊中科曙光。

我解释一下我的逻辑。

AI4S不是一个靠一家公司能做起来的事。它需要很长的产业链协作，从底层的算力基础设施，到中间的科学AI模型和软件平台，再到上层的各个领域应用，链条很长，每一段都需要专业能力。

问题是，中国AI4S的产业化落地，有一个很现实的挑战，那就是生态碎片化。超算归超算，AI算力归AI算力，软件平台各做各的，行业应用又是另一拨人，很难形成合力。

这个时候，一个能做「大系统集成」的主体，价值就出来了。

曙光做了30年超级计算机，从天津到深圳，从气象到基因，它的客户里有中科院的几十个研究所，有国家气象局，有头部药企。这不是资料上写的，是真实跑出来的项目记录。

但这还不是我觉得最核心的东西。

全栈自研这件事，听起来像套话，但在AI4S里不一样

AI4S对算力的要求，跟训练大语言模型不完全一样。

大语言模型的训练，粗略来讲就是「堆GPU、跑矩阵乘法」，对算力的要求相对单一，大规模、高并发、高带宽就行了。

AI4S的计算需求，要复杂得多。因为科学计算本身是多态的，有时候要跑蒙特卡洛模拟，有时候要跑分子动力学，有时候要做数值天气预报，有时候要训练科学基础模型，这几件事对算力的需求，无论是计算精度、存储访问模式、网络拓扑，都差异很大。

如果你的整个系统只能针对一种计算模式优化，那就很被动。

曙光走的路是「算、存、网、电、冷、管、软」七位一体全栈自研。听起来很绕口，但拆开来看，意思很清楚，从处理器到存储，从网络到电力管理，从制冷到运维软件，全部自己做。

这件事的战略价值在哪里，在于当你要为AI4S定制一套针对「科学计算多态需求」的系统时，你需要在各个层之间做协同优化，你不能只改一层，你要改整个技术栈。

只有全栈都在自己手里，这种深度优化才可能做到。

所以曙光4月14日发布的那个AI4S计算集群，它不只是一个「最大」，它的更深层意义是，这是一个专门为科学计算多元需求调优的集群，不是简单的算力叠加。

开放架构，降低的是什么壁垒

我一开始对「开放架构」这个说法不怎么感冒，听起来像是公关词汇。

但后来我想了想，它在AI4S语境里有点不一样。

AI4S要落地，不可能只靠曙光一家。生物研究所有自己的模拟软件，材料实验室有自己的建模工具，气象部门有自己的数值预报系统，每一家的软件栈都不一样。如果你的算力基础设施是封闭的，那每一个新客户进来都要重新适配，成本奇高，推广极慢。

开放架构干的事情，就是降低这个适配壁垒，让原来那些跑在不同平台上的科学计算软件，能够比较顺滑地迁移过来跑。

你想想这件事的影响面，整个中国AI4S的生态建设速度，会因为底层基础设施的开放程度，产生非常显著的差异。

这不是曙光一家能赚多少钱的问题，这是整个产业生态能不能规模化落地的问题。

那些真实做出来的案例

这部分我尽量说具体的，不说形容词。

气象预报这个方向，曙光和国家气象部门有长期合作，AI加速之后的气象模型，在预报精度和时效性上都有量化的提升，这个提升有多重要，台风路径预判、强降雨预警，每一个小时的精度提升，都有实际的减灾价值。

基因组学这个方向，国家基因库是曙光的客户，基因数据的存储、计算、分析，这个方向的数据量是爆炸式增长的，基因测序成本这十年跌了几千倍，数据量随之爆炸，曙光在这里提供的不只是算力，还有整套的数据管理和计算调度方案。

新药研发这个方向，目前还在比较早期，但方向很清晰，分子动力学模拟、蛋白质结构预测、虚拟筛选，这几件事在国内已经有实际的项目在跑，曙光的高性能计算系统在里面作为基础设施层出现。

我没法给你讲更多细节，因为很多项目不公开，但这几个方向的逻辑是站得住脚的，是真实需求在驱动，不是凑故事。

说说我自己的不确定性

到这里，我想补充几个我自己还没想清楚的地方。

第一个，AI4S的商业化节奏，比我们预期的可能要慢。科学研究机构的采购决策，不像商业企业那么敏捷，预算周期、验收标准、体制内流程，都会拖慢节奏。这不是技术问题，是生态建设的问题，需要时间。

第二个，国际竞争的格局还在变。DeepMind、微软、谷歌在AI4S领域也投入很大，NVIDIA的超算生态在国际上是很强的竞争对手。国内AI4S要形成自己的产业竞争力，不能只靠「国产替代」的逻辑，最终还是要靠应用效果说话。

第三个，AI4S的真正爆发点，可能不是我们现在能想到的地方。AlphaFold没人预测到，下一个改变规则的突破可能也不在今天讨论最多的方向上。这种不确定性本身是AI4S的魅力，但也是风险。

说这些，不是泼冷水，是我觉得如果一件事你只听得进好消息，那判断往往会出问题。

写到这里，给你一个我自己的判断

我认为AI4S是这个时代科技产业里，确定性最强的几条长期主线之一。

不是因为每个细节都清晰，恰恰相反，细节里有很多我说不清楚的东西。但大方向的逻辑没有问题，科学研究是人类进步最底层的驱动力，而AI正在成为科学研究里最强的加速器。这个组合，历史上找不到对照物，它的潜在价值被低估是大概率事件。

曙光在这里的位置，不是什么「唯一选择」，也不是什么「绑定关系」，它是中国AI4S基础设施生态里，目前综合能力最完整的一个系统级玩家。30年超算积累，全栈技术自研，开放架构降低生态壁垒，加上4月14日这个新集群的落地，时机和条件都到了。

当然，后面的事情，还得看执行。

技术发布会说的是可能性，真正的可能性变成现实，需要一单一单项目做出来，一个一个客户验证下来。

这一点，我非常期待看后续的进展。