记者：郭思
编辑：包永刚
导语：超算产业需要更多算力中立供应商
这种 " 夕发朝看 " 的工作节奏，正在中国各地的研发实验室里成为新常态。
而与此同时，在内蒙古、宁夏、新疆的广袤土地上，一排排服务器机房亮着指示灯，像沉默的巨人吞吐着数据。这些地方的电费便宜、气候适宜，是部署大规模算力中心的理想之选。但它们不再是过去那种只服务于高校科研的 " 象牙塔 " ——越来越多的汽车制造商、大模型企业、航空航天企业、生物医药公司，正在成为这些机房里最活跃的用户。
超算，这个曾经带着浓厚学术色彩的词汇，正在经历一场深刻的产业迁徙。
超算 " 出圈 "：从象牙塔到产业主战场
" 五六年前，科研跟高校的场景在我们业务里要超过 70%-80%。但到今年，需求更多的是来自企业。" 并行科技行业事业部总经理吕昇亮在采访中这样描述行业的巨变。
面对这一问题，过去，企业要么自建算力集群，要么依托高校超算中心 " 搭便车 "。但这条路如今越走越窄。自建集群投入高、运维重，且难以应对研发高峰期的弹性需求；而高校超算中心本身资源有限，面对企业级任务的体量和时效要求，常常力不从心，曾经就有车企 CAE 工程师遭遇仿真任务积压两周、排队 12 天起步的窘境。
" 以前我们给高校服务，用户群体比较固定，业务增长相对缓慢。但现在不一样了，" 吕昇亮说，" 企业端的算力需求在急剧增长，对于需求满足的时效性也在急剧提高 "。
这也就意味算力使用模式的变革才是这场迁徙的核心。
过去，企业获取算力的方式很简单——买整机、租整机。但这种方式面临着典型的资源错配困境：买多了浪费，买少了不够用。因为研发工作天然存在潮汐效应——白天工程师们需要即时算力做分析和调试，晚上则可以放下工作让算力继续跑计算。
" 我们给客户提了一个叫「夕发朝看」的业务模式，吕昇亮介绍道，" 工程师白天在公司看前一天计算的结果，做分
析调整。下班后希望算力不要休息，让算力帮他把计算继续跑下去。第二天早上九点上班的时候，就能看到计算结果。"
为了实现这个模式，并行科技做了一系列复杂的后端工作：保证计算的准确性、出错时自动重跑、智能调度后端资源…… " 对一个工程师来讲，不用再担心因为算力不够要排队，或者算力多了浪费的问题。你想用多少就有多少，不用的时候也不收费。"
这种按需供给的模式，被吕昇亮比喻为 " 像用电一样 " ——开灯就有电，关灯就不计费。
而更深层的变化来自 Token 经济的兴起。随着大模型和 AI 应用的爆发，算力的使用模式开始从训练为主转向推理为主。" 随着大模型 Token 调用量快速增长，推理正在成为新增算力的重要驱动力，" 吕昇亮说，" 我们联合合作伙伴推出了面向推理场景的 Token 工厂，为不同行业客户的模型推理和智能应用提供算力与平台服务，同时不介入客户模型和应用本身。"
推理场景对算力的要求与训练截然不同，有些场景对实时性要求极高（比如观看短视频、玩在线游戏），需要算力部署在离用户近的地方；而有些场景（比如 AI 辅助编程）则可以容忍一定的延迟，适合部署在算力成本更低的西部数据中心。
" 如果把算力部署在内蒙古、宁夏、新疆，电费比较便宜，整体算力成本就降低了。" 吕昇亮分析道，" 但如果是实时性要求高的场景，我们就需要把算力部署到离客户近的地方，比如上海、广州。"
从 " 算得更快 " 到 " 算得更好更省 "，这不仅仅是技术路线的调整，更是整个算力产业商业模式的深刻重构。
算力黑土地的 " 超级调度 " 优势
在这场变革中，并行科技提出并实践的 " 并行算网 " 模式，提供了一个独特的解题思路。
截至目前，并行科技已经接入了大概 63 个算力中心，其中有四十多个智算中心、十几个超算中心。这些分布在全国各地的算力资源，通过一套智能调度系统被整合成一个统一的 " 算力池 "。
" 客户提交一个任务上来，我怎么能判断出来他究竟后端的算力哪一个最适合他？" 面对这个核心问题。并行科技的答案是一套自主研发的 " 应用运行特征分析 " 软件。
并行科技提出一个理念，希望每个新客户来，四个小时之内就要判断出来他究竟是什么样的应用，是计算密集型还是访存密集型，然后根据实际数据和我们的经验，找到性价比最优的计算资源。"
但这套系统面临的挑战远不止技术层面。62 个算力中心，有的是自建数据中心，有的是与地方政府合作共建，有的是第三方算力资源。" 大家怎么实现一个双赢的模式？要让大家都能挣到钱。" 吕昇亮说，" 这中间涉及到定价、结算，需要一套技术和商务相结合的模式架构。"
并行科技的策略是做好 " 黑土地 " ——只做 IaaS 和 PaaS 层的基础架构和平台层，不碰客户的应用层。" 我们的客户是做应用的、做大模型研发的、做汽车研发的工程师，他们对自己的业务更了解。我们先把基础架构做好，让他们在上面长出自己的一根烟囱来。"
这种中立第三方的定位，在 AI 时代显得尤为珍贵。" 很多做大模型的厂商，如果把算力完全构建在某个大厂上面，而那个大厂又有自己的大模型，那万一因为竞争原因卡你算力，你的业务就受很大影响。" 吕昇亮指出，" 所以并行科技更愿意选择一个不做模型、只做算力的中立供应商。"
超 1000 个核心同时工作，智能汽车折射的 AI 算力未来
要理解超算如何深入产业，新能源汽车行业是一个绝佳的观察窗口。
" 汽车制造是我们事业部营收最大的一块，接近 40% 的营收来自汽车制造和新能源。" 吕昇亮介绍道。一家新能源汽车企业的研发，涉及数千名工程师，从整车设计到自动驾驶算法训练，算力需求贯穿了整个研发链条。
在传统的 CAE 仿真领域，一台新车的设计需要经过流体仿真（空气动力学）、固体仿真（结构强度）、电池仿真（电化学性能）、整车仿真等多个环节。这些计算需要大规模的并行计算能力，有时需要 512 个甚至上千个核心同时工作。
" 不可能每次造出新车以后去做各种实验，做碰撞、做流体，成本太高了。" 吕昇亮说，" 所以用计算机辅助工程，用高性能计算来辅助工程设计，这个方法已经发展了五十年。"
但 AI 的到来给汽车行业带来了全新的算力需求。自动驾驶大模型的训练需要 GPU 算力，AI 辅助编程正在改变软件工程师的工作方式 " 现在工程师如果还不会用 AI 来辅助写代码，基本上很难有生存空间。" 吕昇亮观察到，" 原来一行代码一行代码敲，现在可能是用自然语言告诉 AI 要实现什么功能，让 AI 帮忙写代码。"
更前沿的变化来自具身智能。" 做智驾的人去做具身，因为他们有经验可以迁移。" 吕昇亮分析道，" 但具身智能需要的不只是制造业的仿真能力，还需要有‘大脑’和‘小脑’——世界模型、AI 场景。所以我们最近在提出把超算跟智算再融合在一起，我们叫超智融合。"
从流体仿真到自动驾驶训练，从 AI 辅助编程到具身智能，新能源汽车行业对算力的需求正在呈现多元化、指数级增长的态势。而并行算网的价值，就在于能够为这些截然不同的场景，找到最合适的算力配置方案。
而当我们站在产业变革的节点上回望，超算从实验室走向产业一线的趋势已经不可逆转。
"AI 能够带来人们实际生产和生活效率的提升，这是毫无疑问的，" 吕昇亮说，" 目前所存在的场景，这些所谓的 AI 应用还处在非常初级的阶段。未来三年、五年甚至十年之后，AI 催生的工作效率提升可能是我们现在想象不到的。"
当算力从一种稀缺的科研资源，变成像水电一样按需取用的产业基础设施，一场关于生产效率的深层革命正在发生。从 " 算得更快 " 到 " 算得更好更省 "，从单一集群到分布式算网，从服务高校到赋能千行百业——超算的产业迁徙，才刚刚开始。
雷峰网 雷峰网
