HPC迎來AI大考，鯤鵬如何為開發者“減負”？｜甲子光年

一場科研生產力的深度革命。

作者｜劉楊楠

編輯｜栗子

在科研計算領域，傳統HPC的優化路徑正在逐漸逼近效率與成本的雙重邊界。

長期以來，HPC的核心方法論，是在明確物理方程與數值模型的前提下，通過規模化并行計算逼近唯一解。這一范式在流體力學、材料計算、分子模擬等領域取得了巨大成功，但其前提是：計算過程高度規則、算子結構穩定、通信模式可預測。

然而，隨著AI4S（AI for Science）逐步深入科研主流工作流，這一前提正在被打破。越來越多的科研任務不再僅僅依賴傳統數值求解，而是引入深度學習模型、統計推斷與數據驅動方法，形成HPC+AI的混合計算形態。

這類負載呈現出算子碎片化、計算圖驅動、混合精度以及動態負載不均衡等特征，使得單純依靠“更大規模并行”已難以獲得線性收益。

正是在這一背景下，HPC的問題不再只是“算得夠不夠快”，而是演變為一個軟硬件協同的系統性問題，例如，硬件如何更好地支撐多樣化負載？軟件如何在不增加開發復雜度的前提下釋放硬件潛力？

為此，鯤鵬CPU處理器及其配套軟件棧的協同設計，正是為了從根本上回應這一系統性問題，重新定義HPC+AI4S的開發體驗。

1.鯤鵬如何重寫HPC+AI4S開發范式？

面對HPC+AI4S的系統性挑戰，鯤鵬也給出了與之對應的系統性解決方案，即構建“硬件提供潛力、軟件釋放能力”的協同體系。

作為一顆面向HPC與AI4S多元負載的服務器CPU，鯤鵬920 72F8采用眾核架構，支持向量與矩陣計算擴展，并配備高帶寬片上內存與大容量DDR內存的混合內存體系，能夠同時滿足高精度科學計算與AI4S場景下的吞吐需求。

但在AI4S負載下，硬件能力并不會自動轉化為應用性能。高度動態的算子調用、頻繁變化的數據依賴關系，使得單純依賴“更多核心”或“更高帶寬”往往難以持續提升效率。

真正決定開發者部署體驗的核心，是圍繞處理器構建的軟件棧，能否將硬件特性轉化為開發者無感的性能收益。這便引出了鯤鵬通過軟硬協同的系統性方案，重新定義HPC+AI4S開發范式的核心思路。

具體來看，鯤鵬軟件棧并未選擇通過某一個“明星組件”解決所有問題，而是以HPCKit為核心，構建了一套面向HPC與AI負載的系統級協同優化體系。在這一體系中，領域加速庫、鯤鵬數學庫（Kunpeng Math Library，KML）、Hyper MPI、KUPL（Kunpeng Unified Parallel Library，鯤鵬統一并行庫）、畢昇編譯器，并非孤立存在，而是通過版本選擇、參數配置與調用路徑上的整體協同，使能應用在精度與性能上的綜合最優。

這種“基礎組件最優協同”的思路，改變了傳統HPC軟件棧中由開發者負責大量拼裝與調優工作的模式。對于應用而言，HPCKit提供的是一個已經在鯤鵬平臺上完成系統級驗證的“性能基線”。

作為這一協同體系的性能基石，畢昇編譯器的作用至關重要。它是面向數據中心場景的高性能編譯器，支持主流系統語言和芯片架構，是將鯤鵬硬件特性高效映射到上層應用的關鍵橋梁。

不過，在工程實踐中，性能并非唯一指標。對于大多數科研與工程團隊而言，部署成本、遷移成本與維護復雜度同樣關鍵。

HPCKit在設計之初，便將“高易用性”作為核心目標之一。通過一鍵集成部署能力，HPCKit將領域加速庫、數學庫、通信庫、并行編程框架以及編譯器多組件整合為統一的軟件套件，使開發者無需在不同組件之間反復適配與調優。

在數學計算層面，鯤鵬數學庫基于鯤鵬平臺，通過數據預取、編譯優化與數據重排等手段，顯著提升基礎數學函數性能。同時，KML保持了對FFTW、LAPACK、ScaLAPACK等主流接口的兼容，使得大量既有應用僅需修改鏈接庫，即可完成遷移。

這種“對上透明、對下深度優化”的設計，使得高性能不再依賴于開發者對底層硬件細節的高度敏感。

此外，針對AI4S領域越來越多的高并行負載需求，鯤鵬在2025年9月的華為全聯接大會上開源KUPL，與編譯器、數學庫、通信機制的協同下，支撐更復雜的并行與調度需求。

軟硬件的協同作戰，也使得在鯤鵬通用CPU平臺上開發與優化復雜AI4S應用（如AlphaFold）的工作，從一項高度定制化的手藝活，轉變為一項更高效、更具可復制性的系統工程，更極致地釋放了自主算力平臺的潛在性能。

軟硬協同的設計理念為應對混合負載提供了新思路，但其能否經受考驗，首要在于能否攻克當前科研中依賴GPU的應用，例如蛋白質結構預測模型AlphaFold。

「甲子光年」關注到，北京航空航天大學楊海龍團隊基于鯤鵬920 72F8優化了AlphaFold2的計算效率，可以看作檢驗鯤鵬HPC解決方案能否在真實科研場景中發揮作用的關鍵案例。

2.AlphaFold：鯤鵬答案在AI4S場景下的現實檢驗

作為蛋白質結構預測領域的里程碑，AlphaFold2（AF2）作為AI4S的典型成果，其推理過程屬于典型AI負載，已成為現代科研工作流中不可或缺的環節。

從HPC模擬生成數據到AI模型分析預測，再到結果反饋驗證的閉環中，優化此類純AI模型的運行效率，正是打通HPC+AI4S全流程的關鍵一環。

北京航空航天大學楊海龍團隊基于鯤鵬920 72F8，對AlphaFold2進行了系統性優化。

在制定具體優化策略之前，楊海龍團隊首先對模型不同模塊的計算占比進行了系統分析，以明確優化投入的主要方向。

團隊發現，在AlphaFold2的推理過程中，NoExtraEvoformer模塊占據了約68%的整體推理時間，是決定端到端性能的核心瓶頸。這一判斷，為后續所有算子級與系統級優化提供了清晰的目標邊界。

鎖定瓶頸模塊后，楊海龍團隊將優化重點放在以GatingAttention為代表的核心算子上。團隊采用精細化的混合精度策略：在確保Softmax等數值敏感操作保持高精度的前提下，將大部分計算轉換為FP16格式執行。

在混合精度策略下，楊海龍團隊從空間局部性、算子融合、向量化、通信以及Structure模塊五個維度，對AlphaFold 2模型的GatingAttention算子進行系統性優化。

具體來看，在GatingAttention中，查詢（q）、鍵（k）、值（v）向量對應的數據在某些階段中往往指向相同的底層數據。

在優化前，該輸入張量需要被重復讀取三次；優化后，系統可以檢測到相同的輸入，僅進行一次讀取，并連續完成q、k、v的全部計算。這一調整直接將內存訪問次數減少至原來的三分之一，大幅降低了訪存開銷。

對于OuterProductMean等包含連續矩陣乘法（GEMM）的算子，楊海龍團隊并未直接在原始數據布局上執行計算。

相反，團隊在計算前將數據分塊復制至連續的臨時緩沖區，并按照下一步計算最優的訪問順序進行預排列。這確保了數據在高速緩存中以最友好的方式存放，后續計算能夠連續、高速地訪問數據，避免因跨區域跳躍訪問而引發的緩存失效。

這套策略不是在計算開始后才去搬數據，而是在計算前主動規劃、重組數據，將其放置在更近、更順暢的位置。開發者無需手動實現復雜的緩沖區管理和數據重排，只需調用優化后的算子，即可自動獲得這些收益。

在向量化方面，sigmoid、softmax等函數需要對大量數據獨立進行相同的數學運算，而原生實現僅采用標量實現或簡單的OpenMP多線程加速，無法充分發揮強大的鯤鵬算力。團隊基于ARM的SVE指令集，對softmax與sigmoid函數進行了從底層重構的向量化優化，顯著提高了優化效果。

在通信與并行層面，鯤鵬920 72F8采用多NUMA架構，單一進程難以有效利用全部計算資源。同時，PyTorch原生多進程通信機制在該場景下性能不足，為此，楊海龍團隊重構了推理流程：放棄單進程模式，轉向多進程并行推理；繞過標準通信路徑，基于共享內存重新實現alltoall與allgather接口，這些接口算子在設計之初便結合AI4S數據形態進行優化，顯著降低了跨進程通信開銷。

在上述一系列優化工作后，楊海龍團隊發現，Structure模塊的推理時間占比反而逐漸升高。這是由于Structure模塊是基于JAX實現的。

JAX是Google開發的一個用于高性能數值計算和機器學習研究的Python庫，其特性十分適合實現蛋白質折疊這樣結構復雜的模型，因此被DeepMind用來作為AlphaFold 2的初始框架。

然而，JAX模塊幾乎沒有利用CPU的多核并行能力。另外，楊海龍團隊此前一系列優化工作已將模型其他主要部分（如Evoformer）已在PyTorch上進行了深度優化，如果保留一個獨立的JAX模塊，便破壞了計算圖的完整性和優化連續性。兩個框架間的數據交換和調度會帶來額外開銷。

因此，楊海龍團隊將Structure模塊從JAX遷移至PyTorch，并將模塊內的核心計算層（Linear層）替換為團隊已高度優化的實現。

在上述一系列優化的基礎上，AlphaFold 2在鯤鵬920 72F8處理器上的端到端推理時間，從令人望而卻步的1332秒縮短至88秒，實現了超過15倍的性能飛躍，同時保證計算精度不受損。

總體上看，楊海龍團隊的優化，本質上是針對大模型推理中常見的計算密集型算子（Attention）、訪存瓶頸和并行調度效率這一系列通用問題進行的。

HPCKit、KUPL等工具的價值，正是將這些針對特定問題的優化經驗，沉淀為可被其他AI4S應用（如材料模擬中的圖神經網絡、流體仿真中的物理信息神經網絡）直接調用的通用能力。

同時，我們必須指出，此次優化雖然展示了鯤鵬CPU在運行復雜AI模型時的巨大潛力與上限，但并不意味著宣稱CPU在所有場景下均優于GPU。其價值在于，提供了一個高性能、可選的自主算力底座，豐富了科研團隊的選擇。

AlphaFold3發布后，算子形態更復雜、調用路徑更深，對多進程并行效率、高頻通信及內存管理提出更高要求。于是，在楊海龍團隊的優化思路上，鯤鵬研發團隊進一步從平臺視角，基于KUPL對AlphaFold3的并行與通信路徑進行增強。

具體來看，在并行層面，鯤鵬團隊將模型重構為多進程模式并由KUPL統一調度；在通信層面，針對AI4S場景中矩陣動態變化的特點，基于KUPL的共享內存機制，重構了alltoall等通信算子，將數據搬運與轉置操作融合，將通信時延降低90%以上；在算子層面，借鑒Flash Attention思路，重構了關鍵注意力算子的計算與訪存路徑。

這些工作并不改變應用邏輯，而是通過平臺能力的增強，釋放前一階段優化的潛在空間，體現出系統級協同設計的價值。

AlphaFold的案例證明了，通過系統優化，CPU能有效處理計算圖復雜、通信密集的AI負載。這一范式是否具有普適性？答案是肯定的。從分子動力學到工業仿真，不同領域的科研應用正沿著相似的“系統協同優化”路徑，在鯤鵬平臺上實現突破。

3.重構中的HPC開發生態

當HPC的開發重心從單純追求硬件峰值性能，轉向圍繞負載特征與開發效率進行系統設計時，原本被系統復雜性所壓制的創新空間，開始逐步被釋放。

通過與北京大學、清華大學、上海交通大學、浙江大學、中國科學技術大學、南京大學、復旦大學等多所頂尖高校共建“鯤鵬昇騰科教創新孵化中心”，產業級算力平臺也被引入科研與教學一線，為工程型人才的成長提供真實場景。這種從技術、生態到人才的閉環布局，正是HPC+AI4S能夠持續演進的關鍵支撐。

在材料科學領域，上海交通大學江震團隊圍繞LAMMPS分子模擬軟件的優化，同樣體現了HPC+AI4S思維對傳統路徑的突破。

通過將MPI進程級并行與鯤鵬 NEON向量化能力相結合，團隊完成了百萬原子、百納秒級的相變模擬實驗，成功突破了傳統模擬在規模與效率上的雙重瓶頸。這使高熵合金篩選、鋰電池電極跨尺度設計等原本周期極長的研究任務，首次具備了工程化落地的現實可能。

這一實踐表明，當底層并行模型能夠有效匹配負載特征時，科研問題本身的復雜度，才不再被系統能力所限制。

更具沖擊力的案例來自工業仿真領域。

北京大學陳幟團隊提出的DeepFlame燃燒仿真，將物理嵌入剛性神經算子（PE-SNO）與眾核PDE求解器相結合，在鯤鵬平臺上完成了近萬億網格規模的模擬計算，浮點性能峰值超過1EFlops。原本需要6個月完成的火箭發動機燃燒模擬，被壓縮至1小時完成。

2026年1月，該團隊正式發布DeepFlame 2.0，正式引入“AI智能體驅動科學計算”的全新科研范式，從上一版的“求解器集合”，進化為一個開放的、覆蓋代碼開發和算例模擬各個環節的“智能體集合”。

目前，DeepFlame 2.0已經基于鯤鵬生態進行了多項適配優化。

在易用性方面，DeepFlame 2.0軟件棧可基于鯤鵬原生編譯，支持Jarvis工具一鍵部署運行。

在性能方面，實現了鯤鵬架構深度優化與性能突破：硬件層針對鯤鵬 920 72F8眾核、多NUMA、片上內存架構，引入精細化綁核、內存分配策略；軟件層基于畢昇編譯器重構代碼，在保證準確性和魯棒性的同時，集成鯤鵬數學庫加速GEMM計算；算法層設計鯤鵬-native的混合精度求解器（FP64 稀疏求解+FP16 推理），平衡精度與速度。

在AI-CFD融合推理加速方面，模型層開發輕量化神經網絡模型，實現高精度網絡推理，并適配鯤鵬矩陣運算指令集。

這套方案在提升計算效率的同時，也重塑了研發流程。當仿真成本從很難復用的反復嘗試轉變為可高頻迭代的飛輪，工程創新的節奏與方式隨之發生根本變化。

無論是AlphaFold還是DeepFlame，它們的成功優化都非依賴于單一的硬件算力飆升，根本在于對應用負載的深度理解，并將此理解通過KUPL、HPCKit等工具轉化為系統級的協同優化。

這標志著HPC開發的焦點，正從追逐硬件峰值，轉向構建“理解負載、優化系統”的下一代科研計算基礎設施。

當然，HPC+AI4S的演進之路仍面臨現實挑戰。例如，存量應用遷移成本高、國內生態與國際頂級社區之間的差距，以及技術路線碎片化帶來的內耗，都是短期內難以徹底回避的問題。但通過行業內各玩家的持續開放協作與長期投入，這些問題正在被逐步化解。

長遠來看，AI正在推動HPC從“算得更快”，走向“算得更聰明”。在這一轉變中，真正決定成敗的，不再是單點性能指標，而是誰能夠率先為開發者降低系統復雜度。

當并行、通信與異構調度不再成為創新門檻，當科學家與工程師能夠專注于問題本身而非工具差異，HPC+AI4S的潛力才會被真正釋放。根本上看，這是在AI4S這一特定問題空間內，對CPU和GPU算力角色分工的一次重構。

從這一意義上看，鯤鵬嘗試扮演的，正是這場HPC+AI4S開發范式轉移中的加速器。

（本文圖片來源：AI生成）