在ISC国际超级计算大会上，超智B产察中国“灵晟”超级计算机以2.19EFlops的融合持续双精度浮点性能登顶全球TOP500榜单。然而，时代算力此次夺冠引发的国产行业热议已不再局限于“速度之争”，而是正重则丨转向了“算力与产业的深度融合”。业界共识日益清晰：“超算与智算的写游戏规高效协同”已成为AI时代计算产业发展的核心命题。

超级计算产业的业观竞争逻辑，正被人工智能彻底重构。超智B产察

算力竞赛的融合规则已经变了

过去十年，算力竞赛的时代算力叙事逻辑简单粗暴：堆叠核心数量、追求更高FLOPS、国产扩建更大集群。正重则丨但如今，写游戏规这套旧范式正在失效。业观

根据IDC与浪潮信息联合发布的超智B产察《2025年中国人工智能计算力发展评估报告》，2024年中国智能算力规模达到725.3EFLOPS，同比增长74.1%，预计至2028年将攀升至2781.9EFLOPS。中国信通院数据进一步显示，截至2025年6月，智能算力已占据我国总算力的81%。

算力不再稀缺，稀缺的是驾驭算力的能力。这场变革的核心驱动力，是“超智融合”从实验室概念加速走向产业主流。站在变革中心的国产算力厂商，正通过多元化路径回答同一个问题：当AI重新定义计算，何种基础设施能支撑下一个十年的发展？

2025年初，中科曙光提出“AI计算开放架构”战略；同年，浪潮信息发布超节点AI服务器元脑SD200，在单机内实现64路本土AI芯片的高速统一互联。这两大动作并非巧合，而是产业对同一趋势的响应——算力规模持续激增，但增长逻辑已发生根本性转变。

IDC预测，2025年中国智能算力规模将达1037.3EFLOPS，较2024年增长43%。中国信通院《先进计算暨算力发展指数蓝皮书（2025年）》指出，截至2025年6月，全球计算设备总算力规模为4495EFlops，其中智能算力占比高达85%。

然而，数字背后的深层变化更为关键。中国农业大学信息中心计算中心主任劳凤丹教授指出，传统超算评价侧重单精度或双精度的绝对峰值，而在AI落地阶段，“算力的本质是‘产出智能’”。考核指标正从单纯的算力大小，转向“每瓦特电力产出的Token数”及“单位成本的推理延迟”。

算力评价体系的重构，倒逼全产业链重新审视“什么是好的算力”。

以国家超算互联网核心节点为例，中科曙光部署的scaleX万卡超集群，最大可提供超过6万张AI加速卡算力。其技术亮点在于：采用超高密度刀片与浸没相变液冷技术，单机柜算力密度提升20倍，PUE值降至1.04；通过“超级隧道”及AI数据加速设计，AI加速卡资源利用率提高55%。

这些指标指向同一结论：算力竞争已从“单点性能”转向“系统效率”。ISC 2026多位专家达成共识：超级计算的竞争重心正从单点性能转向系统级效率。

广州国家实验室大湾区生物信息中心主任李亦学研究员指出，大模型推动了GPU算力激增，但科学计算的底层仍依赖物理规律与数学模型。CPU与GPU对应不同计算范式，二者非替代关系，而是走向协同。生命科学与计算生物学专家张骏补充道，未来超算平台必须支持多精度、多架构与多任务混合负载，而非仅围绕单一AI模型优化。

这意味着，未来的算力基础设施不能是只擅长高精度科学计算或低精度AI训练的“偏科生”，而必须成为全能的“六边形战士”。

超智融合是产业重构

2025年8月，我国高性能计算领域首部超智融合行业标准《超智融合集群能力要求》正式发布。随后，基于该标准设计的首个标准化超智融合算力平台——曙光Nebula800高性能计算集群系统亮相。

标准的出台标志着“超智融合”从个别企业的技术探索，上升为全行业的共识与规范。但“超智融合”绝非“超算+智算”的简单叠加。

上海交通大学信息办主任林新华表示，在AI for Science全自动科研时代，使用者可能不再是人，而是AI Agent。因此，超算亟需从底层硬件到中间系统软件进行全面重构，所有环节均需面向AI Agent进行设计。

进一步看，数学模型驱动的高精度科学计算与数据模型驱动的低精度智能计算的紧耦合协同，将成为新一代计算和AI基础设施演进的关键方向。业内专家形象地比喻：“算力就是AI4S时代的‘电力’”。

电力之所以成为工业化通用能源，不仅因发电厂众多，更因电网具备智能调度能力，能统一分配不同来源电能。算力要成为数字时代的“电力”，同样需要一张“算力网”。中科曙光相关负责人将此逻辑概括为：“若不同电厂发出的电无法并入同一张网，电力便无法驱动工业化。”他主张建立开放产业格局，让国产芯片、整机、软件和大模型等上下游企业实现解耦协作。

如何打通“最后一公里”？

算力再强，若无法转化为产业能力，便是空中楼阁。2025年，中国算力租赁市场规模从约1480亿元增长至约2116亿元。IDC预测，2026年全球人工智能服务器市场规模将达1587亿美元。但在规模扩张背后，算力、算法、模型、应用四个环节间的结构性断裂问题日益凸显。

1. 算力碎片化困境

长期以来，国内算力产业面临结构性矛盾：需求侧急需大规模、稳定算力，供给侧却呈现严重碎片化。各厂商在硬件设计、软件栈及互连协议上自成体系，导致算力资源难以跨平台调度，用户迁移成本居高不下。

这一矛盾在AI推理爆发后更加尖锐。随着AI应用从模型训练转向推理和行业落地，算力需求从“集中式、大集群”转向“分布式、高并发”。当企业需求从训练侧转向推理侧，算力必须从超算中心“下沉”至企业车间与研发一线，而碎片化的供给格局难以支撑这一下沉过程。

2. 数据孤岛制约

数据是AI发展的燃料，但高质量科学数据的缺失一直是瓶颈。劳凤丹指出，高校在推进AI4S过程中，面临数据分散在不同课题组、碎片化、不共享、不标准等问题。李亦学也表达了类似担忧，认为从数据、模型、算法、算力四位一体协同推进方面，目前做得尚不充分。

如果燃料散落各处、无法汇聚，再强的引擎也无法驱动。

3. 应用落地能力不足

尽管AI技术火热，但缺乏杀手级应用。现有落地应用多局限于辅助降本增效，未带来实质性变革。在科研领域尤为明显，张骏指出，主流大模型高度依赖Transformer架构与低精度计算，但在生命科学、材料科学等领域，高精度计算与复杂系统模拟仍不可替代。

因此，不能将AI大模型直接“扔”给产业用户，而需针对具体场景进行适配、优化和封装。

只有解决上述三大难题，才能真正打通落地的“最后一公里”。李亦学建议：硬件厂商、软件开发人员与科研工作者需打破边界，协同工作，强调“不能在整个技术体系的某一个环节上单独发力”。

更深层的挑战在于，算力、算法、模型、应用之间的“飞轮效应”尚未形成。理想模式应为：应用层产生数据 -> 数据回流优化模型 -> 优化后模型需要更强算力 -> 更强算力支撑更好应用。然而现实中，这四个环节往往各自为政。

破局方向：从各自为战到生态协同

破局的方向正逐渐清晰。

首先，从“各自为战”走向“芯模协同”。
过去，国产算力生态长期处于“芯片被动适配模型”的单向状态，周期长、效率低。DeepSeek V4的发布成为标志性节点，首次在大规模、高强度工程化尺度上验证了“芯模协同”的可行性与效率。

其次，产业链“抱团”趋势加速。
在2026年MWC上海展上，兆芯展出的并非孤立芯片，而是由中兴、联想开天等生态伙伴共同打造的服务器、工作站及云终端整机产品矩阵。这种“从芯到整机”的协同模式，有效解决了用户迁移与部署中的兼容性与适配性难题。

再次，推动国产算力从“实验室”走向实际场景。
海光信息与同济大学签署战略合作协议，推出国内首个国产千卡工科智算集群。该集群以国产海光DCU为底座，采用超智融合架构，同步承载高端计算与AI训练推理任务，主要面向工程仿真、智能建造等实体产业场景。

最后，“飞轮”效应正在转动。
基于昆仑芯等国产算力底座，招商银行上线超800个AI智能体应用，覆盖风控、营销、研发、办公等核心场景。国产大模型与国产算力的“双向奔赴”，正夯实“国芯+国云+国模”的生态基石。沐曦股份高级副总裁孙国梁指出：“国产算力一定要靠开源生态，才能与全球最优秀的产品竞争”。

这些拼图正在拼出一个完整的答案：国产算力不再只是“Plan B”，而是正在成为支撑中国AI产业的主干道。

打通“最后一公里”，绝非某一家企业之事。它需要芯片、模型、应用厂商及科研机构打破边界，协同作战。正如李亦学所言：“不能在整个技术体系的某一个环节上单独发力”。当产业链各环节开始联动，从算力到产业的闭环终将形成。

同理，超智融合也不是简单的超算与AI叠加，而是算力产业底层范式的全面重构。它重塑了超算的定位、能力与使命，也改写了全球算力竞争的核心规则。

（文｜Leo张ToB杂谈，作者｜张申宇，编辑丨杨林）