超智融合如何决定下一个十年科技发展：阿里云E-HPC的三层解法

（本文作者为 Leo张ToB杂谈，钛媒体经授权发布）

如果把科研计算想象成一条流水线，那么过去几十年，这条流水线的节奏是由人来把控的，科研人员找到工具、写脚本、提交作业、盯着排队、排错重跑，最后再把结果一格格归纳出来。算力本身很强大，但喂给算力任务的方式却始终停留在手搓时代。

阿里云高性能计算&性能加速负责人游亮告诉我们，在当前的科研流程中，数据准备、环境配置、任务编排、结果分析等环节，80%以上的时间仍然依赖人工流转，真正用于计算执行的时间不到20%。

超智融合已是必然趋势

随着AI大规模进入科研流程，过去以HPC高精度计算为主的工作负载，如今叠加了AI训练、AI推理、智能体的通用计算，甚至还有智能体沙箱计算。

近年的诺贝尔奖已经出现了多个与AI直接相关的获奖成果，AI不再是科研的辅助工具，而是逐步进入观测、模拟、猜想与实验的各个环节，成为科研流程的关键组成部分。与此同时，传统HPC的高精度科学计算和AI模型的训练推理，正在同一个研究项目里并行出现，同一份研究，既离不开高精度的物理仿真，也离不开大规模的模型训练。IDC与浪潮信息联合发布的《中国人工智能计算力发展评估报告》显示，2024年中国智能算力规模达到725.3 EFLOPS，同比增长74.1%，远高于通用算力20.6%的增幅；该报告预计到2028年中国智能算力规模将达2781.9 EFLOPS，长期保持高速增长。IDC发布的另一份智算服务市场跟踪报告也显示，2024年上半年中国智算服务市场同比增长近八成，其中生成式AI基础设施服务增速超过200%。

在游亮看来，多种计算类型同时涌向同一个算力平台，传统HPC架构很难让它们同时做到性能最优、成本最低。更麻烦的是调度，传统HPC的调度逻辑是以作业为单位的，Slurm或PBS知道一个任务要多少核、多少内存、预计跑多久，但它不知道这个任务在科学上要解决什么问题。一个生物信息学研究者提交一个变异检测作业，调度器看到的是一个计算作业，看不到它处在一个从FASTQ到候选突变的完整链条里的哪一环，失败了应该换工具还是调参数，结果出来之后下一步该跑什么，这些判断全部留给人。

而现在，系统要同时调度HPC作业、AI训练推理、智能体任务和沙箱任务，这些负载的特征差异极大，高精度仿真吃双精度浮点性能和内存带宽，AI训练吃互联带宽和显存容量，Agent的工具调用和沙箱任务吃的是轻量、快速启停和弹性。传统HPC集群按照单一负载设计的架构，做不到让每一类计算都跑到最优，此时，传统的单一种类调度方式显然撑不住了。

如今，科研的流程正在从人驱动工具，走向人定目标、智能体自主执行，而这个新流程对算力的要求是：既要能跑HPC，又要能跑AI，还要能跑智能体，且必须统一调度、统一计量。谁能把这三种胃口不同的负载喂到一张桌子上，谁就拿到了下一代科研基础设施的入场券，而这也是超智融合得以被推到台前的原因。

超智融合难在哪？

超智融合看上去是将超算的服务器和智算的服务器连接起来，协同工作，但真做起来并不是那么简单。超智融合最直观的难点在精度和数据流动。气象预报、流体仿真、分子动力学通常需要FP64双精度来抑制累积误差，大模型训练和推理大量使用FP16、BF16甚至FP8，而Agent的沙箱和工具调用又涉及大量碎片化、短生命周期的轻量计算。传统算力体系将高精度计算与低精度计算割裂分离，难以满足混合精度计算、AI4S等复合型业务需求。精度不是“选一个档位”的问题，而是同一条科研链条上要在不同档位之间无缝切换。

游亮与我们分享了阿里云的解法，他表示，具体可以拆成三层来看。

第一层，让不同的算力各得其所，又连成一张算力网络。游亮介绍，阿里云的思路是面向不同的工作负载提供最匹配的实例类型。比如，面向传统HPC，提供HPC优化实例，面向AI训练和推理分别提供对应的AI加速实例，面向智能体提供通用计算和容器实例等。关键在于，这些异构实例通过云上统一的虚拟网络串联成一张“算力网络”，并借助CIPU 2.0架构实现无虚拟化损失的资源调度，再通过统一的开放OpenAPI，让所有算力可以被统一创建、调度和编排。

在CPU层面，阿里云打造了hpc9a，其搭载第五代AMD EPYC（Turin-C）处理器，最高睿频5GHz，128个物理核心，内存可达3TB，依托CIPU2.0架构消除虚拟化损耗，配合200G的低时延eRDMA网络，相比上一代性能提升约30%。

游亮介绍，hpc9a专门面向CAE仿真、电子设计自动化这类对计算性能、内存带宽和网络时延都极度敏感的场景。AI侧则交出了平头哥自研芯片的成绩单：M890P相比上一代性能提升至3倍，新一代V900又在此基础上再提升至3倍性能。配合超节点架构和弹性算力，E-HPC可以为科研场景提供从单卡到大规模集群的AI加速能力。

在智算方面，阿里云则在自研芯片的道路上有所收获，其推出的M890P相比上一代性能提升至3倍，新一代V900又在此基础上再提升3倍。配合超节点架构和弹性算力，E-HPC可以为科研场景提供从单卡到大规模集群的AI加速能力。

性能与成本的平衡靠两条腿走路。一是多代实例并存，客户按工作负载选择性价比最高的实例规格；二是云的弹性，客户在业务波峰需要上千台实例，波谷可能只需要几十台，传统模式必须按峰值预留资源，云上则可以按需创建和销毁，让性能与成本同时逼近最优。游亮与我们分享了一个案例：阿里云与国内某头部乘用车公司深入合作，通过HPC优化实例、弹性eRDMA低延迟网络，叠加CPFS并行存储优化，端到端帮助客户节省了约25%的计算周期，大幅提升了工作效率。

第二层是让数据跑得比算力快。算力再强，数据喂不上就是空转。游亮介绍，eRDMA负责让节点之间沟通速度越来越快，CPFS负责让HPC计算、分布式AI训练和推理等负载，用最快的时间拿到数据，让计算饱和运转，把昂贵算力的浪费降到最低。存储侧的优化包括冷热分层，把常用数据放进缓存层，使用时不必再从远端存储拉取，以及让网络邻近、存储邻近的计算节点做亲和性调度。

第三层是让智能体替人跑完执行流程。围绕超算与智算持续融合、AI在科研中作用攀升、人工流程成为瓶颈等趋势，阿里云推出了E-HPC智能体平台，其架构从上到下分为四层：最上层是面向具身智能、生命科学、CAE、EDA、量化、渲染等行业的智能体；行业接入层把行业知识和专家方法沉淀为Skills，供智能体调用，同时提供命令行、开放API和SDK；中间是统一的Agent Runtime，负责理解科研目标、规划任务、用skills实际执行、依据日志和结果反馈再规划；往下是E-HPC执行层，统一承担作业编排、异构资源调度、环境与数据准备以及状态日志管理，并调度CPU、GPU、eRDMA网络、镜像软件与安全治理资源。

通过搭建这三层架构，目前阿里云已经在超智融合方面有所收获。在具身智能场景，RoboAgent打通了端侧数据采集、数据处理标注、模型训练推理、远程仿真到部署回传的完整链路，一站式降低数据准备成本；某具身领域头部企业借助这套方案，实现了从真机采集上传、多模态标注处理到QwenVL等多类算法训练的快速闭环。

在生命科学场景，BioAgent根据研究目标自动编排WDL工作流，自主识别FASTQ、PDB等数据格式并推荐分子模拟参数，调用GATK、GROMACS等工具并智能匹配CPU/GPU资源，让生信与药研流程可复用、可解释、可持续迭代；最具代表性的是上海科学智能研究院旗下格物智研的“浑天绫”，这个编排出140多个科研skills的物质科学智能研发平台，与阿里云E-HPC的弹性算力底座配合，把分子筛选任务从数据检索、算力调用、分子对接、FEP计算到自动化合成，这些以前由人工串联的环节，现在全部由智能体自主完成。

在CAE场景，工程师只需聚焦设计判断，前处理、求解、诊断、后处理与参数探索由Agent自主贯通。

要实现这些也并不是一蹴而就的，游亮也坦言，最大的挑战在于不同行业对算力、精度、实现方式的需求各不相同，需要把各行业的专家经验和行业知识沉淀为skills，同时把E-HPC在调度、编排、任务识别、资源匹配上的专家能力也沉淀为平台skills，再通过统一的Agent Runtime承接两者，并解决行业skills与E-HPC skills的协同、海量算力拉起、行业负载与算力负载最佳匹配等难题。他的总结是：行业Agent可以非常稳定、弹性、可观测、可治理地调用阿里云的HPC服务，而这背后需要反复打磨每一层。

更值得关注的是，E-HPC已经不只是通用算力平台，而是针对芯片设计、AI4S与生命科学、具身智能三个重点行业形成了专属解决方案。面向芯片设计，E-HPC混合云可以无缝对接企业现有的LSF、Slurm、PBS调度环境，云上云下统一调度、按队列自动扩缩容，工程师无需改变使用习惯，就能在仿真验证高峰随时补齐算力；针对STA、PR等大内存作业，大内存HPC实例可以直接承接，帮助芯片团队守住流片周期、优化整体拥有成本。面向AI4S与生命科学，E-HPC预集成AlphaFold3、OpenFold3、RFDiffusion、GROMACS、GATK等主流科研软件，开箱即用，客户自有的科研Agent还能通过CLI、API或Skill直接调用弹性算力，把药物发现、基因分析从繁琐的环境搭建中解放出来。面向具身智能，HPDA Robotics将采集、管理、标注、训练、仿真、推理串成一条完整数据闭环，内置APAK加速引擎，多模态数据处理的性价比可提升2.1至5倍，显著缩短数据准备与模型迭代周期。三套专属方案共享同一张弹性算力网络和同一套调度、存储与安全能力，既能开箱即用，也能平滑接入客户现有环境。

智能体将成为科研的操作系统

通过阿里云所搭建的三层架构，可以看出当前超智融合的发展路径。技术侧，算力会继续变大，传输通道会继续变长。游亮透露，在Scale Up方向上，阿里云上超节点由几十到上百颗AI芯片组成，未来超节点支持更大规模；在Scale Out方向上，通过弹性RDMA网络实现跨节点、跨可用区的互联。

超节点本质上可以被看作一个巨大的AI算力节点，其规模上限的持续抬升，将直接决定大规模训练与仿真的效率。与此同时，eRDMA与传统RDMA的区别在于它能承载更广泛的互联，从超节点内部延伸到跨可用区场景，这正是“算力网络”想象的物理基础。

应用侧，智能体将从可选项，变成行业标配。阿里云 E-HPC的产品逻辑已经从单点智能体走向体系化：各个行业Agent负责各自领域的专业执行，WorkAgent则把分散在各行业的智能体统一收敛成一套目标驱动的执行闭环，科研人员只需要说清“算什么、要多准、多久出结果、花多少钱”，WorkAgent负责翻译成计算任务和验收标准，自动拆解流程、引入专家经验、匹配算力网络与存储资源，最后解析日志收敛曲线与关键指标，定位失败并给出改进方向。“人只需要给目标、做判断，重复的工作流程交给智能体自主完成。这一步的意义在于：企业不必重复建设行业智能体和算力底座，而是像水电一样接入。”游亮如是说。

阿里云是超智融合领域最具代表性的企业之一，但并不是唯一家。传统超算阵营里，国家超算中心与硬件厂商正沿着各自平台推进HPC与AI方法的深度融合；AI厂商则以智算集群和万卡训练平台为主攻方向；运营商大规模建设智算中心。IDC数据显示智算集成服务市场正以超过150%的增速扩张，市场格局远未定型。

值得注意的是，各家的打法虽不同，但方向高度一致：让HPC与AI在同一个平台里协同工作，让智能体成为科研的默认操作系统。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App