ASC2026决赛揭示：AI差的不仅是算力

6万卡国产集群横空出世

2026年4月14日，中国最大的AI4S（AI for Science）计算集群在国家超算互联网核心节点正式投入使用。该集群规模达到6万卡，更关键的是，部署的6款核心芯片全部实现自主可控。

• 规模与自研并重：集群可同时支撑传统超算与AI大模型训练任务，打破了以往“造卡容易、建生态难”的困境。
• 科学计算新支点：其核心定位是“AI for Science”，意味着算力的价值不再局限于大语言模型，而是向材料模拟、药物发现等基础科研领域延伸，真正解决“卡脖子”背后的算力供给安全。

CES 2026：AI进入多波增长快车道

在年初的CES 2026上，业界清晰地看到AI已形成多波成长动能。从最初的鉴别式AI，到生成式AI，如今正快速迈向Agentic（智能体）与实体AI应用。

• Physical AI加速：随着实体AI发展加速，NVIDIA以全栈式平台整合软硬件，不再仅仅提供显卡，而是提供包括操作系统、开发框架、仿真引擎在内的完整解决方案。
• 算力需求分层：不同阶段的AI对算力要求截然不同。智能体和实体AI对低延迟、边缘推理、多模态实时交互提出了更高要求，仅靠堆砌GPU已无法满足。

智能算力架构走向专业化

从IDC等研究机构的分析来看，算力演进的趋势不再是单一性能竞赛，而是架构的专业化。智能算力需要针对不同场景进行定制优化。

• 异构计算成为标配：传统CPU与GPU的组合已无法满足所有AI负载。专用AI芯片、网络加速卡、存算一体架构等在决赛展示中频繁出现。
• 软件生态决定上限：芯片性能的发挥高度依赖软件开发工具链、编译器和分布式训练框架的成熟度。自主可控芯片的真正考验不在于算力浮点值，而在于能否让科学家、工程师用得顺手、跑得高效。

AI4S：比算力更缺的是“融合能力”

ASC2026决赛的另一大焦点是“AI for Science”的落地困境。尽管6万卡集群已投入使用，但与会专家指出，当前AI发展真正欠缺的并非只有算力。

• 跨学科人才断层：会做AI的人不懂物理/化学方程，懂领域知识的人不会调模型。即使算力充裕，模型与科学问题之间的“翻译”效率极低。
• 数据与模型双向匮乏：科学领域的高质量标注数据极其稀缺，同时很多基础科研问题尚未找到合适的AI模型架构。单纯给算力等于“给跑车不给路”。