从AI4S跨越至AI4E，工程教育的“算力底座”终于补齐！

去年，上海高校算力圈迎来“致远一号”——采用国产NPU，主打AI for Science，全学科通用。

今年同济出手。选择海光纯国产GPGPU路线，不做大而全的通用平台，而是将算力精准注入土木、建筑、机械等工程场景，瞄准AI for Engineering。6月，全国首个国产千卡工科智算平台正式落地。

这一路线分野值得深究。

过去两年是AI4S的“高光时刻”——AlphaFold预测了几乎所有生命分子，AI在科学推理层面逼近人类水平。这是用AI去“理解”世界运行的底层规律。但AI4E要解决的是另一件事：让AI去“改造”世界——设计桥梁、优化发动机、调度生产线。国家《“人工智能+”行动》文件明确提出，推动AI与实体经济深度融合，指向的正是AI4E方向。

沙超群在启用仪式上表示，千行百业的AI新基建面临一道更现实的考题：不仅要有面向全行业场景的高端通用算力，还要让算力在垂类场景中真正发挥出生产效力。他进一步指出，这座集群的特征不只在于算力规模有多大、精度覆盖有多广，而是它能聚焦关键性、垂直性、实际性的应用场景，给出与之相匹配的系统化解决方案——让存量代码迁移更加平滑无感，让模型应用实时适配、快速上线。

从AI4S到AI4E，不是简单的场景切换，而是对算力底层的系统性考验。通用大模型的算力需求以并行扩张为主——堆卡、喂数据、炼参数，三板斧解决大多数问题。工程计算的逻辑完全不同：要精准、要实时、要混合。结构力学仿真需要高精度算力支撑微小变形和高应力梯度计算；机械工程师做流体仿真需要海量内存带宽和极低通信延迟。

更复杂的是，工程场景中存在大量存量Fortran代码，工业软件生态繁复，数据安全要求严苛。通用算力平台难以覆盖这些差异化需求。

海光DCU的核心竞争力在于几个维度：信创合规——芯片全自研，硬件级安全；生态兼容——基于GPGPU架构，CUDA兼容，存量代码可平滑迁移；高并发性能——双精度浮点算力足以应对峰值冲击。沙超群表示，海光十几年饱和式技术研发投入，推动“C86+GPGPU”双芯路线持续迭代，核心目标就是让国产算力真正从“可用”走向“好用”。

海光信息副总裁吴宗友有一个判断：“真正的壁垒不在芯片本身，而在于生态协同。”海光依托光合组织已汇聚超6000家成员单位，涵盖整机厂商、软件开发商与系统集成商，2025年推进了1400余项联合优化。

同济项目承载的不仅是千卡算力，更是一整套面向工程场景的全栈式生态能力。一旦在同济完成验证，就具备了在“AI for Engineering”领域复制推广的条件。

交大仰望星空，同济深耕大地。上海两所顶尖工科高校在算力赛道上的差异化布局，各有侧重、互不替代。

当“人工智能+制造”被确立为“十五五”产业升级的核心方向，工程高校的智算基础设施建设从锦上添花的增量投入，转变为国家战略驱动的刚需。沙超群在致辞最后表示，希望这座千卡集群能够带来实实在在的赋能，帮助同济这座工科强校抢占工程智能时代先机，打造教育数智化转型标杆。美国高校人均GPU不足0.1张的时代，中国高校正在用国产算力抢跑。同济与海光的这次合作，既是百年工科基因与智能时代的深度融合，也是对国家工程强国战略的一次实质性响应。

声明：如以上内容有误或侵犯到你公司、机构、单位或个人权益，请联系我们说明理由，我们会配合，无条件删除处理。