Scholay

学术搜索 · AI 审稿 · LaTeX 协作

Science：科学计算应把 AI、仿真和能效约束放进同一套新基准

顶级刊物论文速递 · 发布 2026-06-19T06:35:00+08:00 · 更新 2026-06-19T06:47:27+08:00

核心结论

Science 6 月 18 日发表 Jack Dongarra 等人的 Policy Forum《Scientific computing in an AI world》，主张科学计算界需要适应 AI 主导的技术现实，将 AI 与仿真结合，并把能耗约束视为核心设计条件。作者提出以工作流为中心的“最小可行”基准套件，强调数据和模型是未来科学杠杆的基础资产。这不是单项实验结果，而是面向超算、科研软件和 AI for Science 基础设施的路线判断。

Science 6 月 18 日上线 Policy Forum《Scientific computing in an AI world》，EurekAlert/AAAS 摘要同步发布，DOI 为 10.1126/science.aef4214。作者包括 Jack Dongarra 等科学计算领域研究者。文章的核心判断是，科学计算长期作为计算创新驱动力的地位正在改变：今天的技术生态越来越由 AI、数据中心、专用加速器和能源约束塑造，科学计算不能只沿着传统高性能计算指标往前走。

这条顶刊速递值得关注，是因为它讨论的不是某个模型刷榜，而是科研基础设施的评价体系。过去科学计算常围绕浮点性能、并行扩展、仿真规模和大型机时组织；而 AI for Science、数字孪生、自动化实验和多模态科研工作流正在把模型训练、推理、仿真、数据管理和实验反馈连接起来。若仍只用单点算力指标评价系统，很难衡量一个科研工作流是否真正提高发现效率。

AAAS 摘要显示，作者主张科学计算应将 AI 与模拟相结合，并在能源成为主要设计约束的条件下，转向更高能效的方法和系统。为加速进展，文章提出一套初步的“minimum viable”工作流型基准。这里的关键变化是，基准对象从单个内核或单项任务扩展到完整科研流程：数据进入、模型构建、仿真耦合、结果验证和迭代优化都可能被纳入评估。

文章还把数据和模型描述为科学杠杆中的长期投资。这一表述对科研管理很有现实意义：在 AI 时代，数据库、标注、模型权重、仿真代码、工作流记录和可复现实验环境不再只是论文附属物，而会成为后续研究能否复用、扩展和验证的关键资产。对高校、国家实验室、超算中心和基金资助方而言，这意味着经费和考核可能需要更重视数据治理、软件工程、模型维护和能耗透明度。

仍需区分的是，这是一篇 Policy Forum，不是报告某个新算法或硬件系统的实验论文。它提出的是路线和评价框架，后续能否落地取决于社区是否接受工作流基准、超算和云厂商是否公开足够能耗与性能数据、科研项目是否愿意把模型和数据资产纳入长期维护。它的影响力也需要看 HPC、AI for Science 和科研资助机构是否围绕这些建议形成新的评测、采购和资助标准。

信息来源

可信度说明

来源为 Science 论文页和 AAAS/EurekAlert 摘要，期刊、DOI、文章类型和发布日期可核验；但文章属于政策论坛，证据形态是专家路线判断和框架建议，不应被读作已完成的新系统验证。后续应关注基准套件、社区采纳和机构资助规则变化。

同主题情报