别再吹"算力堆料"了，真正好用的高效能计算平台，其实是在给科研人省命

上次跟做蛋白质结构预测的师弟在食堂拼桌吃饭，他扒拉着餐盘里的青菜，脸垮的像被霜打了。

他吐槽说之前组里攒的那套所谓算力集群，跑个AlphaFold3的推理，卡了整整14个小时，中间还因为节点调度崩了，前功尽弃。他在实验室蹲到凌晨三点，最后在楼梯间啃冷包子的时候，差点哭出来。

冷包子咬开的时候，馅都结了油渣。

他算的那个跨膜蛋白结构，本来要赶下个月的冷冻电镜样本质控节点，就因为集群上谁占了满卡跑无关的小任务，排队排了三天才轮到，结果跑一半调度系统跳了个错，所有存在本地缓存的中间文件全没了。

全白搭。

很多人对高效能计算平台的误解，从"买最贵的卡"就开始错了

我之前跟不少做算力建设的人聊过，发现大家对高效能计算平台的认知，还停留在"算力堆料"的阶段。总觉得只要把最贵的GPU买回来，往机柜里一插，就算建成了。去年某西部985投了两千万建的算力中心，刚上线的时候开了盛大的发布会，报的总峰值算力能排进全国高校前十，结果真用了半年，运维团队自己报的数据是平均卡利用率不到22%。

不是卡不好。是调度太烂了。

之前的调度逻辑特别简单，谁提交的早谁先上，不管你任务多大，不管你占多少资源，一占就是一整张卡。我见过一个研一的学生，写了个脚本跑文献计量分析，总共只需要1G显存，结果直接占了一整张A100，从早上跑到晚上，剩下的78G显存全空着，后面排了一堆要跑大模型的任务，急的直跳脚。还有的节点之间连的是普通以太网，跑跨节点的大模型训练，数据传半天，GPU在那空转等数据，电都交了，算力一点没出。

去年我去参观某生物信息研究所的高效能计算平台，人家根本没追着买最新的H100，反而把一半的预算花在了看不见的地方。

第一块是搭了智能调度层，能自动把不同大小的任务拆碎了，拼到同一张卡上跑，不会让1G显存的任务占满一整张80G的卡；第二块是搭了存算分离的架构，所有任务的中间文件都存在并行存储上，就算节点崩了，系统直接从断点续跑，不用从头再来。当时跟他们的运维工程师聊天，人家说之前最头疼的事，就是学生提工单说"我的任务崩了"，查半天发现是任务写的时候没做容错，跑了10个小时的结果没存，现在平台层面把这个兜底了，平均每个科研人员每周能省出至少12个小时的无效等待时间。

12个小时是什么概念？够你把一周的实验记录写完，够你陪家里人吃三顿晚饭，够你不用在实验室熬到凌晨两点等任务跑完。

高效能计算平台最值钱的能力，从来不是"跑的快"，而是"不添乱"

说实话，我之前对高效能计算平台的期待也很低，只要能比自己电脑跑的快就行。直到我见过太多科研人在算力上踩的坑，才反应过来——大家要的根本不是"快到飞起来"的算力，是"不添乱"的平台。

之前做气候模拟的朋友跟我吐槽，他们之前用通用的云平台跑百年尺度的气候情景模拟，得先自己搭环境，装一堆依赖，跟平台的内核版本不兼容，调环境调了三天，跑了四个小时，结果因为平台的存储配额不够，中间结果存到一半满了，整个任务直接终止。那种崩溃感，做过科研的都懂。

现在真正好用的高效能计算平台，根本不会把这些破事甩给用户。针对不同的科研场景做了预置镜像，你要跑分子动力学，要跑大模型微调，要做地震波反演，直接点一下就能拉起来环境，不用自己调依赖；存储是按任务动态分配配额，不会跑一半给你弹个"磁盘不足"的提示；甚至会在你提交任务之前，自动检测你写的脚本里有没有可能导致崩溃的问题——比如有没有写对文件路径，有没有设置超时自动重启，有没有把中间文件存在本地节点上。

说真的，我见过太多科研人，花在跟平台斗智斗勇的时间，比真正做科研的时间还多。调环境调一周，跑任务跑俩小时，这叫什么高效能？纯纯的内耗。

上个月跟做可控核聚变模拟的团队吃饭，他们换了新的高效能计算平台之后，最直观的感受根本不是"原来跑3天的模拟现在3小时就跑完了"——当然速度确实提了，但最让他们惊喜的是，平台能自动识别不同模拟任务的通信需求，把跨节点通信量大的任务，自动调度到带高速InfiniBand互联的节点池里，那些通信量小的小任务，就放到普通的节点上，不占高速网络的资源。之前他们跑等离子体模拟，经常因为网络拥塞，任务跑一半通信超时，现在这种问题的发生率降到了0.1%以下。

他们的首席科学家说，之前算一次等离子体不稳定性的演化，要花一周时间排期，跑24小时，现在从提交任务到拿到结果，总共不超过4个小时。等于之前一个月能做1次的模拟实验，现在一周就能做3次，科研进度直接翻了好几倍。

这才是真的提效。

别等着平台完美了再用，高效能计算平台从来不是"交钥匙"的工程

我见过太多单位建高效能计算平台的误区，总想着一步到位，买最好的硬件，找最贵的集成商，做个看起来特别fancy的控制台，结果上线之后发现根本不符合科研人员的使用习惯。比如有的平台要求所有任务必须通过网页端提交，不能用命令行，搞的那些天天跟Linux打交道的科研人特别难受，本来敲个三行命令就能提交的任务，要点十几下鼠标，填一堆没用的表单。还有的管理员为了防止学生乱装软件，把所有的sudo权限都收了，连个python的依赖包都装不了，最后学生只能把所有的代码都塞在自己的用户目录下，运行的时候加一堆环境变量，折腾的人满头汗。

现在做的好的高效能计算平台，根本不是集成商交付完就完事的。人家有专门的运维团队，每周跟不同课题组的人开半小时的会，收集大家的吐槽。比如做量子计算模拟的人说，我需要特定版本的编译器，平台就花两天时间把环境配好；做深度学习的学生说，我希望能在提交任务的时候自动关联我的代码仓库，平台就花一周时间把Git的集成做上；甚至有人说，我跑任务的时候希望能收到微信提醒，不用一直盯着网页看，平台就给加个通知的小功能。

说实话，我最烦那种把高效能计算平台吹成"万能神器"的宣传，好像只要上了这个平台，所有科研难题都能迎刃而解。根本不是。它就是个工具。跟你实验室里的移液器、离心机没区别——好用的工具，就是能帮你把那些无意义的杂事都挡在外面，让你把精力真的放在你要解决的科学问题上，而不是天天跟破系统较劲。

现在国内的高效能计算平台，其实已经过了比峰值算力的阶段了。之前大家比的是我买了多少卡，总共有多少PFLOPS，能拿出去宣传就行；现在大家比的是硬件利用率，是对不同科研场景的适配度，是能不能真的让科研人少踩坑。之前看到一组行业数据，国内现在上线的面向科研的高效能计算平台，平均硬件利用率已经从三年前的不到20%，涨到了现在的45%。看起来好像不算高，但要知道，之前很多平台的利用率连10%都不到——一堆昂贵的GPU在机柜里吃灰，电交了，机房租金付了，就是没给科研产出做贡献。

上次跟那个蹲在楼梯间啃冷包子的师弟聊天，他现在换了新的高效能计算平台，上次跑那个跨膜蛋白的结构，从提交任务到拿到完整的结构文件，总共花了3个小时，中间系统自动给续了两次断点，根本没崩。

他说那天他没在实验室熬夜，六点就下班了，去校门口的馆子吃了一碗热乎的牛肉面，加了俩煎蛋。

你看，这才是高效能计算平台该有的样子。