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。
