问题——科研范式加速变革，AI4S对算力底座提出更高要求；当前，人工智能与科学研究加速融合，科研正从“提出假设—实验验证”的传统路径，更多转向“数据驱动—模型预测—实验反馈—闭环迭代”的新范式。另外，科学问题专业性强、复杂度高，对计算的精度、稳定性、可复现性以及长周期运行能力提出更严格要求。如何保证可靠性的前提下提升训练与推理效率、降低试错成本，仍是AI4S从试点走向普及的关键瓶颈之一。 原因——开源大模型牵引应用扩展，软硬协同决定落地效率。近日，上海人工智能实验室开源万亿参数科学多模态大模型Intern-S1-Pro，面向化学、材料、生命、地球、物理等核心学科构建能力矩阵，覆盖100多个专业子任务，并在Mol-Instruction、Biology-Instruction等垂类评测及SciReasoner等综合评测中体现出较强竞争力。模型能力提升背后，离不开工程系统的长期投入，尤其体现在算子适配、并行策略、内存与通信优化、训推一体化等环节。作为联合研发伙伴，沐曦股份参与模型加速算子适配等工作，从性能、稳定性与可用性出发提供国产算力支撑，为开源共享的科学智能基础设施补齐关键环节。 影响——从“单点突破”走向“体系能力”，带动科研与产业双向加速。一上，覆盖多学科的科学多模态模型有望提升跨领域知识迁移效率，减少重复建模与数据再加工成本，为药物筛选、材料设计、地球系统模拟、复杂物理推断等方向提供更通用的工具链。另一方面，开源发布有助于降低高校与科研机构的使用门槛，推动方法与数据更快迭代，促进评测标准与工程实践更加透明、可复现。对产业而言，科学智能应用与高端制造、生物医药、能源环境等领域联系紧密，模型能力与算力基础设施同步提升，将继续缩短从科研验证到工程应用的转化周期。 对策——以“可用、好用、用得起”为导向，完善国产算力与生态支撑。业内普遍认为，AI4S不只是追求更大参数规模，更强调“可靠输出、可解释线索与稳定运行”。围绕此目标，国产算力需要硬件能力、软件栈、工具链与生态协作上形成合力。沐曦上提出以全栈布局支撑AI4S：硬件端，新发布的曦索X系列GPU面向科学智能与高性能计算场景，强调全精度混合算力与差异化任务适配；软件端，自研MXMACA软件栈面向基因分析、材料模拟、气象预测等典型场景提供支撑，覆盖多类科研工作流，并在有关项目适配中提供工程支持。与此同时，通过开源项目、外部合作、课程与竞赛等方式，帮助开发者与科研团队降低迁移成本、缩短部署周期，提升国产算力在关键应用中的可达性。 前景——政策牵引与需求共振，AI4S将进入“规模化验证”阶段。随着“人工智能+”行动持续推进，“人工智能+科学技术”被置于重要位置，AI4S有望从零散探索走向系统化布局。可以预期，未来一段时期，科学多模态模型将更强调与实验平台、仿真系统、科研数据治理体系的耦合，以形成更高效的闭环；同时，国产GPU与软件生态也将接受更严格的真实场景检验，包括长时间训练的稳定性、科学计算精度的一致性、跨框架兼容性与可维护性等。谁能在开放协作中持续提升工程可用性，谁就更可能在AI4S基础设施建设中占据主动。
Intern-S1-Pro模型的成功研发不仅是一次技术进展，也表明了我国在科学智能领域的系统化攻关能力；在全球科技竞争格局深刻变化的背景下，坚持自主创新与开放合作并行，加快构建产学研用协同的创新生态，有助于为科技强国建设提供持续动力。此实践也为其他领域的关键技术攻关提供了参考。