中国工程院院士廖湘科：AI竞争焦点转向数据闭环与可信性

当下，中国的算力产业正经历着从单纯的规模扩张向高质量发展的关键转型。随着AI大模型以及科学智能（AI for Science）技术的迅猛发展，对智能计算能力的需求呈现出爆发式增长，超算与智能计算的深度融合已成为行业发展的明确方向。

在此大背景下，第二十二届CCF全国高性能计算学术大会（CCF HPC2026）于10月17日至20日在深圳国际会展中心盛大举行。本届大会以“超智深融，算力圳浓”为主题，聚焦国产算力底座的构建、超算与大模型的相互赋能、算网协同以及绿色智能计算等核心议题，展开了深入而广泛的探讨。

“人类科研的范式已经历了理论科学、实验科学、计算科学（超算）、大数据科学等阶段，而AI for Science作为第五大科研范式，正在以前所未有的速度发展。美国已经推出了‘创世纪’计划等国家级重大工程，相比之下，我国在这一领域正面临着多重现实挑战。”中国工程院院士、计算机系统软件领域的权威专家、启元实验室主任廖湘科在大会主题演讲中指出，AI for Science的终极目标是引领科学研究进入一个更高通量、更自主无人化的新时代，即人类负责提出问题，AI则负责生成假设、设计实验、完成模拟计算、分析结果，最终由人类进行判断和验收发表。

AI for Science面临黑箱问题与验证瓶颈等重重挑战

廖湘科院士长期致力于高性能计算机系统及其相关软件技术的研发工作，曾担任天河一号、天河二号超算的总负责人，并带领团队多次荣登全球超算TOP500榜单的榜首。目前，他正聚焦于AI for Science的前沿方向，牵头启元实验室的“悟真”科学智能底座建设，积极探索超智融合的新范式，以推动人工智能与科学计算的交叉创新。

“生成式AI与科研智能体正在深刻重塑科研的全链条：从科学假设的生成、建模与仿真计算，到方案设计、实验验证与结果分析，AI可以全面贯穿科研工作的每一个环节，推动科研向高通量、自主化的全新模式迈进。”廖湘科院士表示。

然而，廖湘科院士也强调，AI for Science并非简单地用大模型替代传统计算仿真，不能过分夸大AI的能力。当前，该领域仍面临着多重深层次的挑战。首要挑战在于，当前通用的AI大模型普遍存在黑箱问题，其输出结果未必符合物理守恒定律，直接应用于科学研究存在显著风险。其次，验证环节也面临着巨大挑战。

“自主无人实验是AI for Science应用的关键卡点，也是验证环节的核心瓶颈。随着人工智能的飞速发展，我们能够在极短时间内提出数千个备选方案——AI的方案生成能力正呈指数级增长，但人类的验证能力却只能线性提升，这构成了当前最大的瓶颈。”廖湘科院士指出，“我们认为这个问题带来的风险甚至比通用人工智能更大：当国家级科研体系逐渐全面适配AI for Science后，后续的科研工作将越来越离不开它，就像现在写论文如果不使用大模型，就很难跟上别人的进度。尤其对于我国而言，先广泛投入使用、享受效率提升当然没有问题，AI for Science落地只要能创造价值就值得推进，但一旦接受这套模式，未来AI for Science领域潜在的风险压力就会非常大。因此，我们必须提前加强验证能力建设，在得出任何结论前，首先要重视并突破AI for Science的验证瓶颈。”

针对国产AI for Science体系的建设，廖湘科院士介绍说，启元实验室正在致力于构建“一体三翼”的架构，并搭建“悟真”底座。该底座围绕科学方案智能生成、高精度科学计算加速、高通量无人实验三大方向，打通了“AI生成方案—仿真计算—物理实验验证”的闭环，尝试破解AI方案验证难的痛点。

全球竞争焦点已从基础模型转向数据闭环与可信性

“当前，全球范围内AI for Science的科技竞争已经全面提速。美国已经推出了国家级AI for Science基础设施计划，我国需要正视差距，坚持人机协同的科研模式：AI负责海量试算、方案生成与数据处理，人则负责提出科学问题、进行价值判断，并承担科研的最终责任。”廖湘科院士表示。

对于全球AI竞争格局，廖湘科院士的判断是，开源的基础模型正在不断逼近前沿模型，通用能力加速趋同和贬值，未来仅靠基础大模型来建立护城河已不太现实。他举例说，美国在大模型上投入了巨额资金，但全世界都在使用中国的开源模型，导致投入难以回收，资本市场面临着泡沫风险。

“因此，AI for Science的竞争已经不再是单纯的算力和算法之争，而是谁能利用高质量的数据闭环和知识图谱来解决可信性的问题。”廖湘科院士强调，AI for Science的发展必须坚守物理可信、决策可解释、流程可追溯三大原则，即AI输出的模型必须严格遵循物理规律，推理的链路必须具备端到端可解释性，整个科研活动必须实现全生命周期的可控。这是AI不可逾越的三条底线。

此外，廖湘科院士还对算力架构的未来趋势作出了判断，“在AI for Science与科研智能体的时代，CPU的价值将重新凸显。依托混合精度、矩阵扩展、大内存等先进技术能力，国产CPU架构有望在超智融合场景中发挥关键作用，助力我国摆脱底层算力架构的依赖，夯实AI for Science的自主算力根基。”

采写：徽声在线记者 马宁宁