夜雨聆风现场听完钱德沛院士在首届人工智能院士论坛上的报告，深受启发。从2005年在英特尔中国领导HPC应用优化团队开始，我就认识了钱德沛老师。二十多年来在超算领域钱老师一直深入耕耘，高屋建瓴。今年我也有幸在他领导的《超算互联网》丛书中担任其中一章的作者。同时，钱德沛院士也是新架构智能芯片技术北京市重点实验室的学术委员会主任委员。
面对大模型引发的算力革命，这位超算领域的领军人物从宏观格局出发，给出了“算网融合”与“智算融合”的双轮驱动蓝图。这篇文章剥离掉繁杂的参数细节，和大家聊聊这场算力变局中最核心的洞察。
一、 赛道已变，全面拥抱AI应用
超级计算机的较量早已不是单纯的“跑分”游戏。美国在完成ECP计划的同时，投入巨资构建软件生态；欧洲则直接将超算中心向“AI工厂”转型，赋能产业。虽然我国已跨过E级超算门槛，但在大模型时代，传统的“数学模型驱动”正转向数学模型和智能双轮驱动。
这正印证了我们当前必须直面的行业趋势：算力发展的核心主战场，已经从传统的科学计算，全面转向了AI训练、AI推理以及更广泛的智能应用落地。
钱院士特别强调，智算双向赋能不仅是用强算力支撑AI（for AI），更要用AI来改造传统计算（by AI）。对于国产算力而言，真正的突破口在于开发基于通用大模型的领域化推理系统。推理相对于训练的比例越高，说明大模型落地越好。只有当算力在飞机设计、新药发现、智慧医疗等高频推理场景中跑起来，国产加速处理器才有了真正的用武之地。
二、 算网融合，把算力变成“公共服务”
从“东数西算”的宏大布局，到我们正在参与构建的“超算互联网”，其底层逻辑是一脉相承的：让算力像水电一样普惠可及。
随着计算规模的指数级攀升，单点算力的能耗已经逼近极限。以百万级GPU芯片的系统为例，其功耗预估高达5GW，接近三峡电站四分之一的发电量。因此，将东部的海量计算需求，通过高质量网络调度到西部清洁能源富集区，在战略上是必由之路。未来的理想形态是建立起类似“计算淘宝网”的平台，用户不再需要面对底层复杂的异构设备，直接调用云端算法库就能获取所需的服务。
三、 封锁之下的“另辟蹊径”
谈及现实，外部制裁是绕不过去的坎。特供中国市场的H20芯片与H200在核心的低精度浮点算力指标上相差超过13倍，而更致命的是先进制造工艺的封锁。在工艺代差短期内难以弥合的情况下（相差2-3代），钱院士指出了几条极具实操性的技术突围路径：
深度异构架构： 单一架构包打天下的时代结束了。必须走向“片内-节点内-系统级”的三级层次异构，在通用处理器的广泛适应性与专用加速器的高效能之间寻找最优解。
Chiplet与先进封装： 既然单颗芯片工艺受限，就用14-28纳米的相对成熟工艺，结合晶粒（chiplet）技术、晶圆级集成（WSI）或3D芯片堆叠技术。通过先进的“系统级封装”将模块化组件拼在一起，以此补齐单点性能的短板。
AI敏捷自动设计： 柔性异构需要极快的芯片迭代速度。利用自然语言输入需求，让大模型自动生成满足性能和功耗约束的形式化电路描述（即用AI设计AI硬件），这将极大加速底层芯片和系统软件的研发飞轮。
结语：以应用成效论英雄
通篇报告没有空喊口号，唯有清醒的务实。正如钱院士所言： “没有应用就没有用户，资源就会浪费，投资得不到回报。”
算力的终极价值，绝不能仅停留在学术论文或是Benchmark的榜单上，而是要在千行百业的真实场景中兑现。与其在他人的规则下追赶，不如通过“算网融合”打破物理边界，通过“智算融合”重塑计算范式，在我国广袤的AI应用生态中，趟出一条属于自己的换道超车之路。
本文综合钱德沛院士在2026年北京首届人工智能院士论坛上的报告及光明网记者宋雅娟整理的新闻文稿撰写，并得到钱德沛院士的指导和确认。