博士生花大半年跑順一條科研工作流，究竟算不算科研的必要成本？

在CCF HPC China 2026上，曙光智算總裁何牧君提到的這一現象，值得算力行業認真回答。半年裏，研究者可能解決了軟件安裝、環境遷移、任務調試等一連串計算設施問題，卻還沒有充分驗證最初的科學設想。

科研需要長期投入，但探索未知與反覆配置工具，消耗的時間有不同價值。如果同一種環境問題，需要不同課題組一遍遍解決，這部分成本就應該由更完善的基礎設施來分擔。

科研的隱性成本，藏在機器開跑之前

軟件早已深入科研。2014年，英國軟件可持續性研究所對15所大學417名研究人員的調查顯示，92%的受訪者使用科研軟件，69%表示沒有軟件，研究將難以開展，56%需要自行開發軟件。十多年前的調查，已經揭示了科研對軟件工具的深度依賴。

AI進入科研之後，這種依賴進一步變得複雜。

以氣象爲例，數值預報、AI模型訓練、批量推理開始進入同一條工作流。三類負載需要不同的資源和環境，前一步的輸出還要交給後一步使用。訓練程序運行得再快，也抵消不了數據轉換、環境切換和排隊等待造成的停頓。

這就是“負載共存”帶來的新要求：機器分別具備能力之後，還得讓整條流程連續運轉。研究者熟悉氣象規律，並不意味着必須同時精通每一種計算環境。

從一天到一小時，提速在整條流程裏

國家超算互聯網此次披露的科學計算智能體服務，正是從這些環節入手。

平臺接入VASP、Gaussian等主流科研軟件，建成六大科學計算智能體矩陣，覆蓋近200個核心科研計算場景，通過多智能體協同，串聯需求拆解、計算執行和報告生成。據大會介紹，在相關場景中，單任務研究耗時可從約1天壓縮至1小時。

這裏的關鍵，是端到端閉環。過去由研究者逐項完成、人工銜接的操作，開始圍繞同一個計算目標組織執行。“意圖即服務”的含義，也因此從交互方式深入到了任務交付。

它需要紮實的後臺支撐。國家超算互聯網已匯聚350萬CPU核心、25萬GPU卡，核心節點完成近千項應用深度適配。在HPC China上發佈的十大前沿應用，則展示了這些積累承接複雜研究的能力。

評價尺度變了，科研普惠才能往深處走

2025年國務院《關於深入實施“人工智能+”行動的意見》提出，加快科學大模型建設應用，推動基礎科研平臺和重大科技基礎設施智能化升級。模型與基礎設施同步推進，才能讓AI能力進入實際研究過程。

對用戶而言，這種升級最終體現爲一個樸素的問題：從提出想法到拿到可信結果，需要多久？

這個尺度把等待、準備、執行和分析都納入了考量，也把過去由用戶默默承擔的成本擺到了檯面上。平臺交付資源之後，還需要繼續解決工具是否順手、流程是否通暢的問題。

從1天到1小時的意義，不能只理解爲省下若干工時。科研依靠反饋推進：更早拿到結果，就能更早發現錯誤、調整方法，繼續下一輪驗證。一次節省的時間，會在反覆迭代中累積成更多探索機會。

科學發現沒有固定工期，但基礎設施可以減少不必要的耽擱。讓博士生把半年用在研究問題上，讓小團隊不必反覆承擔同樣的適配勞動，這纔是“把時間還給科學家”最具體、也最有分量的兌現。