9月27日,中科曙光联合量子网络在国际通信技术展上重磅发布基于量子通信的云安全一体机QC Server,这标志着国内信息系统领军者曙光已正式入局量子通信领域。
这一讯息被业界认为是曙光公司立足前沿、围绕先进计算持续发力的又一举措,在既有超算技术优势的基础上,进而完善其在信息产业全面布局、深度参与的版图。
“高性能计算(HPC)、神经形态计算(NC)、量子计算(QC)被誉为通向未来人工智能的三个重要途径。其中量子信息研究的突破可能会导致信息计算的革命性变化,同时也会深刻影响人工智能技术的迅猛发展。”曙光公司副总裁曹振南表示,进入智能时代,中科曙光将以深厚的计算技术积淀和卓越的超算部署能力,不断为人工智能(AI)提供最优的计算方案。
HPC与AI相辅相成
“人工智能算法对计算能力的要求很高,以往依靠单机计算、裁剪数据样本建模的做法不可能实现人工智能今天的成就。”曹振南介绍说。
“比之其他算法,深度学习对并行计算、单位时间数据吞吐能力有更高要求——而这正是HPC的标配”。曹振南表示,HPC的很多算法,跟深度学习与人工智能是一样的。随着GPU/FPGA以及人工智能芯片的发展和其在HPC系统的集成,HPC计算平台更加适用于快速计算和处理海量数据。
曹振南透露,在我国信息技术发展史上,HPC与AI曾经同源。上世纪90年代,基于863计划,中科院计算所成立“智能中心”,研究开发智能计算机。早期研究“智能计算”的专家们,在研究中深刻体会到需要更高性能的“计算”才能支撑“智能”,中国也是在那时开启了向HPC进军的历史进程。
“计算平台和人工智能的发展相辅相成。不同的AI应用场景对应着不同的计算需求,需要不同架构的超算平台来支持。”曹振南认为,正是领先的致力于计算力提升的企业砥砺前行、不断突破,让计算力成本平价化,才使得AI算法突破了计算力的束缚,基于人工智能的模型才更容易实现。“中科曙光着力提供各场景下可定制化的AI超算平台,向需要AI应用的不同行业赋能。”
更聪明的计算
发展至今,人工智能相比以往将更接近人类智能的形态存在。“国务院发布《新一代人工智能发展规划》,其中‘新一代’即为AI2.0时代。”曹振南表示,AI2.0未来将紧密融入人们生活,甚至扩展成为我们身体的一部分,为生活、生产等提供更多帮助,在越来越多的专门领域接近甚至超越人的能力。
曹振南指出,AI的终极目标是模拟人脑。“人脑虽然在计算速度上不如机器,但在理解能力、创造能力、能耗比等许多方面远超电脑系统。如何通过模拟人脑,开发出更强大的人工智能系统,是世界科技前沿的一大研究方向。这其中,设计和开发可匹配的计算平台,也是非常重要的部分——模拟人脑的AI需要更高、更聪明的计算力。”
据了解,中国“脑计划”经过三年多酝酿,已经作为重大科技项目被列入“十三五”规划。早在2015年,中国科学家就对脑科学与类脑研究在中国“一体两翼”的部署达成初步共识。其中,“通过计算和系统模拟推进人工智能的研究”即为“两翼”中的“一翼”。
“中科曙光时刻准备着为新一代的AI提供更聪明、更强大的计算能力。”曹振南表示,目前中国已在下一代计算——E级计算方面开展了研制。E级计算不仅将提供更快的计算速度,还将在计算架构、计算性能等多方面实现革新性进步。“届时E级计算机或可成为AI模拟人类大脑的关键计算平台,充当AI的‘超级大脑’。”
从HPC到量子计算,中科曙光在计算领域不断开拓新域。对此,曹振南称,“中科曙光不满足于成为国内乃至亚洲的HPC市场供应的领先者,还致力于成为计算技术变革的驱动者,曙光愿意与行业的前瞻者一道,在计算领域不断探索,让计算变得更聪明。”
好文章,需要你的鼓励
近期数据显示,2026年5月前企业已宣布约9万个与AI相关的裁员岗位,部分预测称未来五年美国15%的工作将被AI取代。然而,Ramp与Revelio Labs追踪近2.2万家企业的最新报告显示:重度投入AI的企业反而实现了更快的人员增长,包括初级岗位在内的各职能人数均有上升。但这一数据主要来自技术型企业,能否普遍适用仍存疑。报告同时指出,资源匮乏的企业可能在AI浪潮中持续落后。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
AI数据中心开发商向多家电力公司同时提交大负荷接入申请以确定选址,导致区域需求预测虚高、电网投资失衡。美国联邦能源监管委员会(FERC)及ERCOT、PJM、SPP等机构正推动"承诺优先"规划机制,要求项目具备实质性商业承诺方可纳入长期传输规划。谷歌、亚马逊、微软、OpenAI等科技巨头支持建立标准化的项目成熟度评估体系,但各方在具体机制上仍存分歧。发电建设问题尚未被纳入联邦传输改革议程。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。