一位气象研究员盯着密密麻麻的网格数据，要从中捕捉台风路径的细微变化；一位生物学家面对蛋白质折叠的模拟结果，在海量构象中筛选有价值的结构。这样的场景，正在越来越多的实验室里上演。改变科研面貌的，正是AI与算力的深度融合。

　　9月15日，中科曙光与中国气象局地球系统数值预报中心联合发布的成果，为这一趋势提供了注脚：自主研发的MCV数值模式依托全国产十万卡AI超集群“曙光8000”，在1小时内完成全球5公里分辨率、未来10天的预报计算。这不仅是算力性能的突破，更折射出AI4S（AI for Science）正在从概念走向大规模实践，而算力正是这一变革的基石。

　　传统科学研究走的是“实验—理论—计算”的路子：提出假设，通过实验或数值模拟验证，再归纳理论。但如今，这套范式正在触及天花板。模拟全球气候需把大气切成数以亿计的网格点，研究蛋白质折叠需计算海量原子间的相互作用，设计新材料需遍历几乎无穷的组合空间。对象越复杂，计算周期越长，产生的数据也越庞大——大到人工根本无法逐一筛选。

　　AI4S的出现，正是为了破解这些瓶颈。它的核心思路不难理解：用人工智能加速科学发现的全流程——从海量模拟数据中自动识别规律，用神经网络替代部分昂贵的数值模拟，甚至反向设计新材料和新药物，从“试错式探索”转向“预测式研发”。AI正在成为科学家的“新助手”，科研的效率和边界都在被重新定义。

　　但AI4S不是空中楼阁。高精度数值模拟需要大规模科学计算，人工智能模型的训练和推理又需要强大的AI计算能力，两者叠加意味着科研团队需要的不是“要么超算、要么AI”的二选一，而是“既支持超算、又支持AI”的融合架构。这正是曙光8000采用“超智融合”异构计算架构的原因——它在同一套系统中兼顾两类能力，让科研人员先模拟、再用AI筛选线索，形成“模拟+智能”的完整闭环。

　　这种闭环正在多个领域落地。气象领域，MCV模式与曙光8000的协同使全球公里级预报时效达标；生命科学领域，蛋白质研究和分子动力学模拟借助AI加速；工程领域，湍流模拟与AI结合帮助理解复杂流动。目前，曙光8000已适配近200项行业应用和500余个主流大模型，覆盖30多个科研及产业领域。

　　更值得关注的是自主算力的意义。当算力成为科学研究的“基础设施”，能否自主掌握这一能力，直接关系到科研的自主性和可持续性。曙光8000的突破表明，国产算力已能够支撑世界级前沿科研任务，为更多领域的AI4S探索创造了条件。

　　科学研究的每一次范式跃迁，都离不开工具的革新。望远镜拓展了视野，显微镜打开了微观世界，超级计算机让复杂系统的模拟成为可能。如今，AI与算力的结合，正在为科学研究创造前所未有的机遇，更大的变化正在更多实验室里悄然发生。（战钊）