在德国汉堡举行的 ISC High Performance 国际高性能计算大会上，超级计算仍然绕不开榜单。
这曾是这个行业最通用的语言。峰值、规模、排名，决定了一套系统被看见的方式。但在几位科研和高校专家的谈话里，超算正在被另一套问题重新衡量：它能不能被长期使用，能不能支撑真实科研，能不能把昂贵的算力变成稳定产出。
这几个问题听起来不如“第一”有传播力，却更接近AI时代超算的处境。
受访专家并非都来自传统计算机领域：李亦学深耕生命科学和生物信息，张骏长期聚集计算生物学，劳凤丹负责高校计算平台，林新华站在高校信息化和科研平台建设的角度观察计算基础设施。他们不是从机器参数看超算，而是从真实任务看超算。
生命科学需要高质量数据，计算中心需要调度和稳定，高校科研需要更低门槛的计算平台。对他们来说，单台机器跑得快是一回事，一套系统能不能被科学家、模型和产业长期用起来，是另一回事。
过去，超算更多是重大科研任务背后的工具。气象模拟、材料计算、生命科学、工程仿真，都需要它。AI起来之后，超算并没有被挤到边缘，反而承担了更多任务：传统科学计算还在，大模型训练和推理来了，AI for Science也来了。
这推动超级计算的竞争逻辑开始转变。峰值和排名仍然重要，它们定义一套系统的上限；但今天更难验证的是下限——能否稳定、低成本、高效率地把任务跑完。
李亦学讲得很直接：“智算不是一切。”
这句话放在今天的AI热潮里，多少有点逆风。大模型、智能体、智算中心正在成为产业关键词，但在李亦学看来，真实世界的很多问题仍然离不开物理规则、数学模型和高精度科学计算。生命科学、材料研发、气候模拟、工程仿真，并不会因为大模型的兴起而变得简单。
这也是他判断“超智融合”会成为趋势的原因。CPU更擅长基于规则的计算，GPU更擅长AI训练和推理。下一代计算系统的难点，不是选择哪一种能力，而是把它们放进同一套体系里，让不同任务可以互相配合。
张骏的提醒更像来自科研一线。他并不否认大模型带来的机会，但他反复强调，超算不能把未来押在单一技术路线上。今天很多模型基于Transformer，也大量依赖FP8、FP16等低精度计算，但科学研究远不止这些任务。从蛋白结构、药物分子到细胞机制、材料性能乃至气候变化，都需要经历模拟、验证和长期计算。一个只适合跑特定模型、特定精度的系统，在科研场景里很容易变成“偏科生”。
所以，“超智融合”不是把超算和智算放进同一个机房，也不是简单增加更多加速卡。真正的问题是，科学计算、大模型训练、推理服务和行业应用，能不能在同一套系统里被组织起来。
这时，单看FLOPS就不够了。
劳凤丹提出，AI应用落地后，算力的本质会变成“产出智能”。未来评价一套系统，不能只看峰值有高低，更要考量单位能耗产出的Token量，单位成本对应的推理延迟，以及系统长期运行的稳定性。
这类指标听起来没有峰值算力那么直观，却更接近用户真实感受。科研人员不只需要一套理论上很快的机器，他们需要任务能跑完，数据能读写，模型能调用，系统出问题时能恢复。
算力如果不能变成结果，就只是账面数字。
AI应用从训练走向推理、科研和行业场景后，计算平台面对的不再是少数大任务，而是大量持续发生的请求。规模越大，问题越容易暴露。
模型训练不是让每张卡“各自为战”。参数同步、数据交换、任务排队、故障恢复，都会消耗效率。科学计算也不是跑一次就结束，很多任务需要长时间稳定运行。网络慢一点，存储堵一点，调度乱一点，最后都会让理论算力打折。
这也是国内厂商近几年越来越强调系统能力的原因。比如国内已落地的万卡级系统，真正值得观察的并不是“万卡”这个数字，而是它试图把超算、智算、网络、存储和调度整合成一套可用的AI基础设施。
这个表述看起来没有“规模突破”那么亮眼，但更接近万卡系统真正的难点。万卡不是把更多设备堆在一起，而是要让这些资源被高效组织起来，在AI4S、模型训练、科学计算和推理服务之间切换，让不同任务在同一平台上稳定运行。
林新华把这个问题放在更大的竞争格局里看。他认为，全球真正有能力同时推动超算和智算融合的国家，主要是中国和美国。
美国的路线更清楚：GPU生态、云平台、大模型公司和软件工具链相互强化。中国的条件不同，一边是长期建设的超算中心，一边是国产AI芯片、大模型生态和越来越多行业应用场景。这给中国厂商留下了另一条路：不是从模型和云平台“逆向”吸收HPC能力，而是由超算中心和国产计算系统“正向”演进为AI基础设施。
这条路并不轻松。概念可以很快被提出，工程能力却需要一层层验证。
AI for Science是超智融合最难绕开的应用场景。
通用大模型可以从互联网上获得大量文本、图像和代码数据，科学数据却完全不同。它更稀缺，更昂贵，也更难标准化。劳凤丹提到，高校推进AI4S时，一个重要瓶颈就是高质量科学数据不足，许多数据分散在不同课题组之间，碎片化、不共享、不标准。
张骏也谈到类似问题。在他看来，未来超算中心的重要价值之一，是帮助解决大模型在真实客观世界中数据不足的问题。更好的超算能力可以带来更好的科学数据，更好的科学数据又会反过来推动AI模型进步。
生命科学是一个典型场景：AI虽然可以先提出候选药物分子，但它能否作用于真实蛋白、是否稳定、是否存在风险，还需要模拟、计算和实验验证层层把关。这里的超算不是给大模型供电的插座，而是科学验证链条的一部分。
这也改变了超算的角色。它不再只是给模型提供训练资源，还要参与数据生成、计算验证和模型迭代。AI4S需要的不是单一算力，而是一套能把科学问题、数据、模型和计算连接起来的系统。
过去，榜单排名、峰值算力和重大工程足以标定一家超算厂商的行业地位。今天，用户会追问更具体的问题：这些能力能不能变成科研效率，能不能改善模型效果，能不能降低推理成本，能不能进入产业流程。
李亦学提到，要让AI超算真正服务产业，必须打通算力、算法、模型和应用链条。硬件厂商、软件开发人员和科研人员不能各做各的，而要围绕数据、模型、算法、算力协同推进。
榜单仍然会被关注。它证明一套系统能跑到多高。但AI时代更难的是另一件事：让这套系统长期、稳定、低成本地跑在真实科研和真实产业里。
对超算行业来说，这比拿到一个排名更难，也更接近未来真正的竞争。
