首个国产千卡工科智算集群落地上海：海光信息与同济大学的AI4E新探索

6月25日，上海迎来一个标志性时刻——国内首个完全国产的千卡工科智算集群正式落地。这是由海光信息与同济大学联手打造的项目，也是国产算力首次以工程专用形态服务于高校的教育和科研。可以说，这标志着AI基础设施的关键一步——从科学智能正式走向工程智能。

整个集群以全国产的海光DCU为算力核心，采用了超智融合架构。这意味着，它不仅能扛起高端计算任务，也能同步搞定AI训练与推理。在工程应用层面，它对结构仿真、流体力学这些工科“刚需”场景，做了深度适配。更关键的是，通过海光自研的软件栈，已有的工程代码基本可以低成本地迁移到这个国产平台上。另外，海光DCU还具备大模型安全护栏能力，在数据保护和模型输出管控上，为那些涉及重大工程数据的科研任务，加了一道可靠的安全锁。

海光信息总裁沙超群表示，这次合作是国产算力从AI4S（科学智能）向AI4E（工程智能）纵深落地的一次开创性攻关。AI4E直接面对的是工程仿真、智能建造、工业研发等实体产业场景，它对算力的要求，和通用的AI场景完全不一样。

同济大学党委书记、中国工程院院士郑庆华也表示，有了这个集群的算力支撑，学校将推动科研范式向科学智能与工程智能融合驱动的模式转变，目标是培养出更多既有工程素养、又懂AI能力的复合型人才。

聚焦AI制造业工程化落地难题

沙超群在致辞中提到，过去高校用的算力市场，普遍有适配难、迁移贵、算力弱这些痛点。而AI和工程实体产业的深度融合，对算力的兼容性、应用性、稳定性提出了更苛刻的要求。

“我们和同济大学联手打造的算力引擎，特点不在于算力规模有多大、算力覆盖多广，而是聚焦关键、垂直的实际场景，提供匹配的系统化解决方案。”沙超群的解释很直白：让高校的工程智能研究更顺手，让已有的存量代码迁移更平滑，让模型应用能快速上线。

海光这次的核心命题，其实就是解决AI在制造业的工程化落地问题。

集群专门为AI4E场景做了深度优化，既满足大模型训练推理，也支持工程仿真和科学计算。科研人员可以在一个统一平台上干活，降本增效。海光也希望这个项目，能为更多高校推进AI赋能工程教育和科技创新，提供一套可复制的实践样板。

相比通用算力，AI4E工程智能面对的垂直领域，对底层算力设施提出了全新的要求。

沙超群进一步解释：大模型算力主要分训练和推理两块。训练端遵循Scaling Law，模型参数从百亿、千亿到万亿，对算力规模和集群扩展能力要求极高，是典型的“高算力、高吞吐”密集型任务；而海量并发推理场景，则侧重优化流程，核心思路是降低Token输出成本。但AI4E的应用方向完全不同，它涵盖多类工业垂直场景，不需要超大算力模型，但对模型的适配和通用迁移能力要求很高，需要快速落地移植。而且，工程化场景五花八门，有计算密集型、数据密集型、通讯密集型等等。为此，海光需要在工程计算的框架下，针对各种应用做算子、库、运行时的优化，让应用框架层能更好地适配场景。

沙超群谈到了一个更宏观的判断：从全球AI领域的资本开支来看，AI基建投资在加速，业内对市场前景非常看好。未来国内算力基础设施建设，仍将以国产供应链为主，空间巨大，但同时也对海光这样的算力基座厂商提出了更高要求。

阐释未来国产算力发展路径

进入AI应用的深水区，未来国产算力建设该如何应对挑战？海光信息在发布会后接受了媒体采访，进一步阐释了三大战略方向。

沙超群指出，此前Chatbot时代对芯片的需求主要集中于GPU，而在AI智能体时代，CPU要承担更多工作——无论是智能体的编排、记忆与上下文调度，还是不同Agent的算力砂箱，需求都在快速变化。基于此，他对国产算力的发展有三个设想。

“从英伟达Blackwell架构到Rubin GPU架构的迭代，Token的性价比有了几倍提升，原因更多是系统层面的优化，而不再是单一的一颗GPU芯片。”沙超群表示，海光也有类似的产品路径。他们拥有海光CPU和DCU双芯算力底座，配套了HySwitch高速交换芯片、RDMA网卡与交换整机，同时依托光合组织生态，完成全链路国产化智算系统方案。“未来，行业将看到更多千卡、万卡规模的系统。”

除了系统能力的提升，沙超群还特别提到生态开放的大趋势。海光在国产算力产业中，一直倡导开源开放路线。过去不仅开放了海光DCU与软件栈，还对外开源自研CPU高速互联总线HSL，打通了海光CPU与DCU，并牵头成立专项工作组。目前已有大量产业链芯片厂商参与共建。开源、开放，也是光合组织一直倡导的核心理念。

此外，通过软硬件深度协同，依托系统层面的优化充分释放整机综合性能，同时联合光合组织数千家应用企业、AI优化合作伙伴以及国内各大大模型厂商共建方案，海光希望打造出训练算力更强、推理场景性价比更优的国产算力整体方案。

未来的Agent时代，CPU承担的任务比重会越来越多，同时CPU与DCU正在走向产品功能的深度融合。

此前行业采用异构双芯搭配方案时，CPU与加速芯片分属不同架构，跨架构适配、调优与协同会带来明显的性能损耗。而基于海光“CPU+DCU”双芯一体化方案，用户无需区分算力优化工作由谁承载，整套系统可统一输出高效算力。这能大幅降低高校科研人员等用户的开发适配成本。可以预见，未来CPU将承载更多原本由加速芯片承担的运算任务，部分轻量化应用也可直接运行在DCU上。对于只布局单一品类芯片的厂商来说，要匹配这类复合需求，难度不小。

据海光透露，由于同时拥有CPU和DCU的完整产品，具备先天技术底座，他们已经在双芯融合的相关技术上做好了准备。