AI走进产业之后

1961年，通用汽车在新泽西州的一家工厂里，给装配线添了一位特殊的工人。

它叫尤尼梅特（Unimate），是世界上第一台投入工业生产的机器人。工作内容并不复杂：从压铸机里取出滚烫的金属件，再放进冷却液池。对人来说，这是一份危险的差事；对机器来说，这是一组可以反复执行的指令。

尤尼梅特（Unimate）

机器接过了工人的活，判断仍然留在人手里。

四年后，斯坦福大学的研究者把问题往前推了一步：有些工作，难处不在搬动东西，而在判断东西。

比如，一张质谱图能提供有机分子的碎片信息，却不会直接告诉人们分子原本的结构。化学家需要结合专业知识，从众多可能性中反推答案。1965年启动的DENDRAL项目，试图把这套判断过程交给计算机：将化学家的经验整理成规则，再用规则生成、筛选可能的分子结构。

DENDRAL后来被称为第一个专家系统。与工厂里的机械臂相比，它处理的不再只是动作，而是一部分专业判断。

从执行指令到辅助判断，机器开始进入知识工作的范围。DENDRAL也成为人工智能早期应用于科学研究的代表。不过，这类系统有一道边界：专家能写出多少规则，机器才能处理多大的问题。换一个领域，往往就要重新整理一套知识。

此后，人工智能经历了从规则系统到数据学习的演进。到了今天，模型不仅能生成文字，还开始调用工具、运行程序、参与研发。人们熟悉的AI对话框，正在连向更长的工作流程。

任务一旦变长，问题也会跟着变多。

一次回答结束，模型可以停下来；一项产业任务却可能连续运行数小时。计算资源怎样分配，多台设备如何协同，生成的方案是否经得起验证，都要有人解决。

这些问题，过去都是企业自身要处理的技术细节。但上海在《上海市加快推进新型工业化构建现代化产业体系“十五五”规划》中，直接把它们放进了产业基础设施的布局里。

《规划》提出：“建设算运存协同布局的多层次智算网络，在重点区域整合存量资源，部署超大规模智能算力集群。”

这意味着算力的建设不能只看买了多少设备，还要看计算、通信和存储能否协同，能否支撑一项任务持续运行。

顺着这条规划的线索往下看，芯片、集群和科学计算系统的重要性逐渐显现。

本届工博会上的三件展品，提供了观察这条技术链的入口。

灵睿智芯的CPU内核、基流科技的智算集群系统、思朗科技的科学计算机，分别回应着任务执行、算力协同和科研验证的要求。它们平时离用户很远，却影响着用户能把模型用到哪里。

过去几年，对话框是大多数人接触AI的入口。输入一个问题，模型返回一段文字，交互便告结束。

智能体把这个过程拉长了。模型需要读取文件、查询数据库、调用程序，再根据返回结果决定下一步。一次任务可能多次调用模型，也可能跨越几个软件，直到形成可以交付的结果。

屏幕上多了几步操作，底层系统却多了一串需要协调的工作。

请求要接收，数据要读取，程序要调度，任务状态要保存。多个智能体同时运行时，这些工作还会交叉发生。模型能否推理是一回事，整个流程能否持续、稳定地执行，是另一回事。

CPU承担的，正是其中大量通用计算与调度工作。

在常见的智算系统中，GPU主要承担模型计算，CPU则参与请求处理、任务调度和数据、工具之间的衔接。CPU内核是执行指令的核心部件，与缓存、内存控制器等共同组成完整芯片。智能体带来的并发和持续运行需求，因而会传到这一层。

灵睿智芯在本届工博会展出的P100内核，针对的就是这类变化。

据企业介绍，P100是国内首款智能体原生、服务器级高性能RISC-V CPU内核，也是全球首款动态4线程RISC-V CPU内核。

理解它，可以先看程序运行时一个容易被忽略的状态：等待。

程序并非每时每刻都在计算。读取内存、等待数据返回，都会让执行单元暂时闲下来。P100采用动态同时多线程设计，一个物理核心最多支持四个线程，并能随负载调整资源分配。一个线程等待时，其他线程可以利用空闲的执行资源，减少核心“有活却没在干”的时间。

P100的优势

与此同时，P100采用超过20级的深流水线，以及每周期8条指令解码、10条指令发射的设计。据企业提供的数据，在相同制造工艺下，其单核频率比同类产品高出30%以上。

性能之外，还有可靠性。任务运行得越久，中途发生故障的代价就越高。P100加入错误检测、隔离和恢复机制，着力降低局部错误对持续运行的影响。

本届工博会上，P100获得了CIIF创新引领奖。

CPU内核藏在芯片内部，很少进入普通用户的视野。智能体的发展，却把新的要求送到了这里：既要提高资源利用率，也要支撑更长、更复杂的任务。

一个核心需要协调多个线程，一座机房则要协调成千上万个计算单元。

规模一变，等待也会被放大。计算卡需要交换数据、同步进度，才能共同完成训练或推理。某个环节迟迟没有完成，其他设备即使有计算能力，也可能只能等着。

于是，设备数量和有效算力之间，隔着一整套系统能力。

训练大模型时，任务被拆分到多台设备，计算与通信交替进行。互联带宽和传输时延，影响着设备有多少时间用于计算。到了推理阶段，请求量不断变化，系统又要在响应速度、吞吐量和成本之间分配资源。

设备越多，故障与调度问题越复杂。链路异常、负载不均、设备故障，都可能把昂贵的计算资源耗在等待和重试上。

对算力使用者来说，采购只是开始。更长久的问题是：这些设备能否持续发挥作用。

基流科技展出的Galaxy超节点原生智算集群系统，围绕这一问题展开。本届工博会上，该系统获得CIIF创新引领奖。

“超节点”把多个计算单元组织成互联更紧密的整体，缩短数据传递的路径。但更快的连接只是基础，任务如何拆分、数据如何交换，还需要软件配合。

据企业介绍，Galaxy采用国产高性能超节点硬件底座，与传统服务器架构相比，通信带宽提升十倍，传输时延降至百纳秒级；节点间内存统一编址，减少数据传递中的封装与搬运开销，可支撑十万亿参数级大模型的训练和推理。

AI制图

基流也把硬件与训练、推理系统放在一起设计。任务切分、通信策略和显存管理，都会影响设备的实际利用率。硬件参数能够兑现多少，要到这些环节里看。

而系统上线之后，还要面对另一种复杂性：故障不会按技术分工出现。

一次任务中断，可能来自设备、网络，也可能来自配置错误。运维人员需要看清各个环节的状态，定位原因，再决定调整资源还是恢复任务。集群规模越大，单凭局部信息越难判断。

基流把通信、调度、缓存和监控等能力整合进算力操作系统，覆盖部署、性能优化、故障诊断与持续运营。据企业介绍，该系统可在万卡级集群中识别、诊断隐藏的复杂问题，已被多家头部大模型公司采用。

这些技术最终都要接受同一组检验：同样的设备能完成多少任务，请求增加时服务能否稳定，出现故障后多久可以恢复。

机房里的设备可以逐台清点，真正可用的算力，却要在运行中衡量。

让计算资源高效协同，是为了支撑更复杂的任务。而当任务进入产业，计算完成、方案生成之后，仍有工作要继续：分析与验证。

在工业研发中，一个候选方案往往是下一轮研究的起点。研究者需要分析它的性质，理解背后的物理、化学过程，再判断哪个方向值得投入实验。模型可以提出线索，但线索距离可信的结论，还有一段路。

科学计算承担着其中一部分工作。

以分子动力学为例，研究者要模拟原子随时间运动的过程，观察分子如何变化、如何相互作用。模拟涉及的原子越多、时间越长，对计算与数据传递的要求就越高。这类任务的特点与大模型训练不同，通用计算系统也未必能充分发挥效率。

思朗科技基于自主MaPU架构打造的“天穹”3D科学计算机，面向的正是这类科学计算任务。它同时设计芯片的计算组织方式与整机的数据流动方式，减少计算单元等待数据的时间。

“天穹”3D科学计算机。图片来源：思朗科技

据企业介绍，“天穹”可常规开展百万原子规模、微秒级时长的分子动力学模拟，在这类特定任务上的效率比传统通用超算高出若干数量级。企业将它称为“数字显微镜”：观察对象是微观世界，呈现出来的则是随时间变化的过程。凭借持续探索，思朗科技获得2026国芯展创新成果奖。

这也让文章开头的分子结构问题，有了新的解法。

DENDRAL从专家规则出发，帮助判断分子的结构。今天，研究者还希望知道结构怎样变化，并从动态过程中找到静态图像不容易呈现的线索。科学计算生成的数据，又可以成为训练模型的材料。

思朗“天穹”与中国科学院自动化研究所“磐石”团队的合作，展示了这种分工。

药物研发需要寻找蛋白质上可供药物结合的位置，但蛋白质并非静止不动。有些“口袋”会随着结构变化短暂打开，随后关闭，单张静态结构图未必能捕捉到。中国科学院自动化研究所研究员李林静将静态结构比作“一张照片”，而真实环境中的蛋白质，是一个受多种因素影响的动态过程。

“天穹”提供的，则是原子级精度、微秒级时长的模拟“视频”。双方针对上百个靶点积累了上千微秒的动态数据，定位出上万个结构数据点，捕捉“口袋”从关闭到打开的连续过程，并据此训练隐蔽口袋发现模型。据合作案例资料，与传统方法相比，新模型的发现更准确、假阳性更少，有助于筛选后续药物研发的方向。

中国科学院公开介绍，磐石2.0构建了“超算＋智算＋速算”的异构算力体系，依托“天穹”等科学计算机完成专业仿真，持续生成高质量科学数据，支撑模型训练、评测迭代与科研应用。

磐石2.0基座模型的介绍

在这条研发流程里，模型从数据中寻找线索，科学计算生成数据、辅助解释机理，实验检验预测能否成立。几种方法相互配合，才能把一个值得研究的方向，逐步推进到可以验证的结论。

1961年的机械臂，把一组指令反复执行，改变了装配线上的分工。四年后的DENDRAL，开始把专家知识转化为机器可以处理的规则。

今天，机器可以参与的工作更多了，但要让它持续完成任务、参与研发，仍需解决计算资源、数据与验证的问题。用户在屏幕上看到的进步，背后往往需要几层技术一起变化。

三家企业分别站在这些变化的不同位置。灵睿智芯把并发与可靠性的要求做进CPU内核，基流科技提高集群互联、软件调度与运营的效率，思朗科技围绕科学问题设计计算架构和整机系统。

AI制图

这些展品在工博会上相遇，呈现出一种值得关注的关系：应用向前推进，需求也沿着技术链条向下传递，进入更底层的设计。

工博会把计算工具的开发者与材料、能源、装备等产业用户放在同一个空间里。前者需要知道真实任务卡在哪里，后者需要判断新工具能解决什么。一件展品的价值，往往要放回它参与的研发和生产流程里理解。

灵睿智芯和思朗科技都在上海。对这座城市而言，这些产品也是观察科研与产业如何衔接的具体样本。思朗与中国科学院自动化研究所围绕蛋白质动态模拟、隐蔽口袋发现开展的合作，就把科学问题、计算工具和模型研究连在了一起。

这样的协作需要在实际任务中反复检验。科研提出新问题，企业调整工具，应用结果再反馈到下一轮设计。技术能走多远，取决于这条反馈路径能否持续运转。

AI走进产业之后，许多进展发生在对话框之外：调度一次任务，减少一次数据等待，完成一段分子动态模拟。它们共同影响着一个有潜力的方案，能否走到实际应用。