花1040億搞科學計算，我們圖什么？

AI越聰明，對數據的要求好像就越變態？

不是隨便網上扒點文本就能喂大模型了。在生物醫藥、新材料、芯片設計這些領域，數據要么太貴（做一次實驗幾百萬），要么根本拿不到（涉及機密或安全），要么現實條件不允許（比如模擬核反應堆內部）。

那怎么辦？用超級計算機“算”出來。

算力產業發展方陣這份《2025年科學計算行業發展研究報告》，看完我只想說：科學計算不是“算得快”，是“算得準”。它是AI的“數據工廠”加“驗證臺”。

報告有三個判斷

判斷一：科學計算是科學智能閉環中的“數據生成器”，不是可選項，是必選項。 AI模型訓練依賴高質量數據，而科研和工程中的真實數據往往稀缺、昂貴或不可得。科學計算通過高精度仿真批量生成“可信數據”，是打破數據瓶頸的關鍵。

判斷二：通用芯片架構在科學計算面前“水土不服”，專用化和軟硬協同設計才是出路。 用GPU跑分子動力學，理論算力再高，實際效率也經常打折扣。內存墻、功耗墻、通信墻三座大山壓著，不走專用路線就翻不過去。

判斷三：中國科學計算市場正以年復合增長21.5%狂奔，2029年有望達到2760億元。 政府砸錢建超算中心，企業掏錢搞仿真研發，高端制造、新能源、生物醫藥是三大引擎。但軟件生態和自主內核，還是短板。

一、科學計算是什么？不是“算得快”，是“算得準”

科學計算的核心不是比誰算得快，而是比誰算得準——能不能用數值仿真把真實世界的物理過程重建出來。

它的定位很清楚：在“數據生成—模型訓練—生態反饋”的科學智能閉環中，科學計算負責第一環：生成高質量、可驗證的仿真數據。你訓練一個藥物篩選模型，沒有幾萬條分子動力學數據，模型根本學不會。這些數據從哪里來？一部分來自實驗，但更多來自超級計算機的日夜運轉。

所以，科學計算本質上是一個“數據工廠”。而且它產出的數據有物理機理約束，不是瞎編的，是“可驗證、可復現”的。

二、市場有多大？1040億，年增21.5%

報告給出了一組很具體的數字：

2024年中國科學計算市場規模約1040.6億元，預計到2029年增長到2759.9億元，年復合增長率21.5%。

其中，政府端（超算中心、科研院所）2024年約456億元，企業端（制造業、藥企、芯片公司等）約584億元。企業端增速更快，因為越來越多公司把科學計算當成研發核心工具。

按技術類型拆開看：CAE（工程仿真）336億元、QM（量子力學計算）282億元、MD（分子動力學）238億元，這三塊占了大部分。

按行業拆：高端裝備243億元、新材料211億元、集成電路206億元、生物醫藥170億元、新能源148億元——前五名加起來占了94%。低空經濟雖然現在只有3.8億元，但增速36%，是潛力股。

三、技術瓶頸：通用芯片跑科學計算，效率經常只有三成

報告點出了一個殘酷的事實：用通用CPU/GPU跑科學計算，實際效率經常只有理論峰值的三成左右。

問題出在三個地方：

• 算法適配性低：快速傅里葉變換、稀疏矩陣運算這些科學計算常用算法，在GPU上優化困難，大量算力被浪費。
• 內存墻+功耗墻：處理器算力翻倍的速度遠超內存帶寬，數據搬不動；E級超跑起來動輒二三十兆瓦，電費嚇人。
• 大規模并行通信效率遞減：節點越多，通信開銷越大，加速比非線性下降。

怎么辦？兩條路。

一條是“專用一體機”，比如D.E. Shaw研究所開發的Anton系列超級計算機，專攻分子動力學模擬，比通用超算快幾千倍。一條是“軟件定義硬件”，比如思朗科技的MaPU架構，通過可編程內核在同一套芯片上適配不同算法，兼顧通用和效率。

報告認為，未來科學計算的突破口不在堆算力，而在“算效”——每瓦特能跑出多少有效計算。

四、八大應用場景，誰在花錢？

報告詳細拆了八個行業，每個都給出了市場規模和增速：

• 生物醫藥：2024年170億元，預計2029年522億元，CAGR 21.6%。分子動力學（MD）和自由能微擾（FEP）是核心技術。一個關鍵門檻：要實現百萬原子級大體系、微秒級時長的模擬，計算效率至少需要1微秒/天。目前只有美國Anton和國內“天穹”能做到，其他平臺基本卡在門外。
• 高端裝備（航空航天、汽車、船舶）：2024年243億元，2029年580億元，CAGR 19.5%。CAE仿真替代風洞實驗，波音787只做了11種物理測試，而767做了77種。
• 集成電路：2024年206億元，2029年447億元，CAGR 17.3%。EDA、計算光刻、多物理場仿真全靠科學計算撐著。
• 新能源：2024年148億元，2029年326億元，CAGR 34.3%。寧德時代用高通量模擬篩選電池材料，從海量分子基因庫里找到理想配方。
• 新材料：2024年211億元，2029年643億元，CAGR 21.6%。BASF自建超算“Quriosity”，用分子建模預測化妝品成分效果。
• 合成生物：2024年45億元，2029年156億元，CAGR 24.0%。
• 地球科學：2024年14億元，2029年58億元，CAGR 35.7%。
• 低空經濟：2024年3.8億元，2029年30億元，CAGR 36.3%。體量小但增速快。

五、國產自主：芯片、整機、軟件都在補課

報告用了很大篇幅梳理產業鏈，我挑幾個重點說。

芯片層面：國際是NVIDIA、Intel、AMD的天下，國內有多條路線——飛騰、鯤鵬、昇騰、寒武紀、思朗科技（MaPU）、龍芯（LoongArch）等。其中MaPU走的是“軟件定義硬件”路線，不依賴國外IP，值得關注。

整機層面：中科曙光、浪潮、聯想等具備超算整機集成能力，但高端互連（類似InfiniBand）還是短板。專用一體機方面，思朗的“天穹”3D科學計算機號稱能做到5微秒/天的分子動力學模擬，雖不及Anton的10微秒，但已經是國內天花板。

軟件層面：ANSYS、COMSOL、Gaussian等高端仿真軟件還是歐美主導，國內盈建科、霍萊沃、安世亞太等在追趕，但生態差距明顯。好消息是AI正在重塑科學計算軟件——AlphaFold顛覆了蛋白質結構預測，國產軟件可以借AI彎道超車。

總結幾句

科學計算不是“炫技”，是“保底”。 沒有它，AI在科研和工程上就是“盲人摸象”。

市場在高速增長，1040億的盤子五年翻一倍多。技術瓶頸很明顯，但專用一體機、軟硬協同設計、AI+仿真都是破局方向。

國產自主是一條長路——從指令集、芯片、互連、整機到軟件棧，每個環節都要補課。但報告里也提到了不少亮眼實踐：思朗的MaPU架構、天穹一體機，寧德時代的高通量模擬，航天航空的數字仿真云平臺……

誰能在關鍵科學領域率先跑通“仿真生成數據—數據驅動模型—模型指導實驗—實驗反饋優化”的閉環，誰就能掌握下一輪科技競爭的定價權。

報告節選