AI4S对算力基础设施提出了哪些区别于传统智算集群的特殊要求？

AI4S对算力基础设施的需求具有显著的特殊性，其核心在于需要构建超算与智算深度融合的新型异构算力架构，以应对机理仿真叠加AI模型的紧耦合混合负载。与传统智算集群或HPC超算集群相比，AI4S算力底座在多个维度存在本质差异。

首先，在计算精度方面，传统智算集群主要以FP16/BF16等低精度为主，侧重内容生成与统计拟合；而HPC超算集群则以FP64高精度为主，侧重数值求解。AI4S则需要全精度覆盖，既需低精度算力支持神经网络训练与推理，又需保留高性能FP64双精度算力冗余，用于物理约束校验、数值迭代求解等对精度极度敏感的环节，实现同一作业内多精度算力的无缝切换。

其次，在任务形态与稳定性方面，AI4S作业兼具中小规模仿真与大规模科学模拟，且往往需要连续运行数天至数月。节点抖动或通信异常可能导致整个仿真任务作废，因此对容错性与可靠性要求极高，远超传统AI训练任务。此外，AI4S计算负载呈现混合性，同一作业内部交替运行传统科学求解器与神经网络模型，涉及频繁的小文件随机读写与海量中间结果存储，对IO性能提出复杂挑战。

最后，在软件生态方面，AI4S集群需同时兼容HPC生态（如MPI、科学仿真库）与深度学习框架（如PyTorch、MindSpore）。传统超算与智算集群生态割裂，而AI4S异构架构通过一体化软件调度体系，实现传统科学仿真作业与AI大模型训练作业的混合部署与统一调度，打破资源互通壁垒。例如，中科曙光推出的曙光8000集群即采用此类超智融合技术路线，支持从FP64到INT8的全精度计算，并通过自研高速网络与并行文件系统，满足了AI4S多精度、多范式、高耦合、长周期的计算需求。