10 月 22 日，第 23 届中国计算机大会在成都开幕，注册人数超过 1.1 万人，这是该会议创办二十余年来首次落地四川。 会场内外被反复提起的是三个词：**数据、算力、实验室。** 这三个词的排序不是偶然——它恰好对应了 AI 落地科研的完整链条，也点出了当前真正的瓶颈在哪。 ## 算力：从堆部件到做系统工程 中科曙光高级副总裁李斌的表述很能说明现状：随着模型参数增长、智能体加速落地，算力系统走向集约化、规模化，需要围绕计算、存储、互连、供电、冷却进行一体紧耦合的系统创新。 关键词是「紧耦合」。大模型参数量正从千亿级向万亿级甚至十万亿级跃升，单卡、单机已经撑不住大规模训练和推理。海光信息智算量化设计专家孙建鹏的判断是：AI 基础设施建设正从优化单一部件，转向复杂的系统工程协同——计算、通信、存储，加上芯片与软件的协同调度，才能提高整体系统效率。 落到实例：今年 7 月上线的曙光 8000（登峰）全国产十万卡 AI 超集群，已支撑 300 多个重点科学工程仿真和万卡级模型预训练。 对做运维的人来说，这里有个容易被忽略的信号：**供电和冷却被摆到了与计算同等的位置。** 这意味着未来数据中心的竞争，一半是 IT 工程，一半是能源与热管理工程。 ## 应用：已经在产生真金白银 四川省自然资源数字科技有限责任公司首席技术官樊启武给了一组可以直接算账的数据：该企业主导的矿山大模型，探矿环节已在十余家单位应用，采矿环节正在红格南矿和四川黄金旗下矿山试用。 具体到岩矿识别环节： - **传统人工**：需要研究生学历加 2 至 3 年经验，日均处理 10 多张片子； - **AI 方案**：用 5 万张高质量标注数据训练后，日均处理上千甚至上万张片子，准确率从人工的 85% 提升至 93%； - **预期收益**：年创造经济价值上千万元。 这组数字值得琢磨的地方在于——**不是 AI 做到了人做不到的事，而是做到了人做得到但很慢的事。** 效率的量级差异（10 张 vs 上万张）才是价值来源。这也是目前 AI 落地最扎实的一类场景。 ## 真正的坎：数据 「AI 要进实验室，第一道坎是数据。」四川大学教授、国家生物医学材料工程技术研究中心中试基地负责人朱向东的这句话，大概是这次大会上最实在的一句。 他指出材料科学数据长期存在「资源零散、缺乏统筹标准化」的问题。目前四川已围绕生物医用材料、功能复合材料等优势学科，标准化采集文献、计算、实验、生产、服役全链条数据。 这一点做技术的人都懂：**模型可以换，算力可以买，数据没法速成。** 科学的训练数据不是互联网上能爬到的，它需要实验设计、长期积累和统一的标准。这也是为什么「AI for Science」的进展曲线不会像聊天机器人那样陡峭。 大会期间，四川省建设的「天府·慧研」人工智能赋能科技创新一体化平台正式上线，指向的就是这个数据统筹问题。 ## 同期还有两件大事 **上海硬 X 射线自由电子激光装置首次出光。** 10 月 21 日上海科技大学通报，国家重大科技基础设施 SHINE 采用 4 吉电子伏特连续波超导直线加速器驱动波荡器，成功实现自由电子激光首次出光。这类大科学装置产出的正是前面说的那些高质量、标准化的数据——它与 AI 的关系是互补的：装置造数据，AI 消费数据。 **两办印发《关于推动科技创新和产业创新深度融合的意见》。** 中共中央办公厅、国务院办公厅明确提出打通从科技到产业的全链条通道，全面深入实施「人工智能 +」行动。政策层面的定位很明确：AI 不是单独的产业，而是要渗透进其他产业的底座。 ## 小结 这次大会传递的信号可以浓缩成一句：**AI 的重心正在从「生成内容」移向「参与科研」。** 而这条路上排在首位的问题是数据标准化，不是算法。对技术从业者来说，这反而是个好消息——它意味着这个方向的门槛来自积累而非算力竞赛，中小团队在垂直领域仍然有机会。 --- **说明**：本文基于公开报道整理与评述，信息源自新华社/央视网关于第 23 届中国计算机大会的报道、上海科技大学公开通报、香港新闻网科技快讯等公开渠道。数据与表述以各官方原文为准。