科学家为何拿不到高性能芯片 算力不足让新药研发和气象预报有多难

我认识一个做药物研发的朋友，李博士。他实验室里有台超级计算机的算力，大概相当于全国十几万个人同时玩3A大作的显卡加起来。但他的学生告诉我，这台机器每个月有70%的时间在空转——为什么？因为更厉害的新机器被几家科技巨头和国防项目订光了，排队都排不到他们。

这事儿听起来荒诞，但就是现在全球科学界正在经历的现实。

芯片短缺：不只是”买不到”那么简单

你大概以为，科学家买不到芯片，就跟你在电商平台看到”缺货”一样，等等就行。但真实情况比那复杂得多。

先说一个数字：全球最顶级的AI芯片，比如NVIDIA的H100，一颗售价大约三万美元。全球每年能生产出来的数量，大概只有几十万颗级别。而需求呢？光微软、谷歌、亚马逊这几家，一次采购就是几十万颗的量。

这是什么概念？相当于全中国所有三甲医院的医生，同时要去抢一万辆救护车，而路上只来了十辆。

而且，事情不只是”缺货”这么简单。

首先，芯片制造本身就有瓶颈。最先进制程的芯片，目前全球只有台积电一家能做到，而且产能有限。一个芯片工厂（晶圆厂）建造成本超过两百亿美元，建设周期三到五年。这意味着，即使你今天有钱下单，最快也要三五年后才能收到货。

其次，美国对高性能芯片的出口管制，让情况雪上加霜。中国科学家想要购买A100、H100这类芯片，需要申请特别许可，而大多数申请不会被批准。这不只是”手续麻烦”，而是实质性的禁运。

一位中科院的研究员曾跟我聊过这件事。他说他们团队做了一个项目，需要用超级计算机模拟一种新型抗癌药物的分子结构。项目启动两年后，他们发现原本计划用的GPU集群根本排不上——因为订单全被大厂拿走了。最后团队只能用十年前的旧机器，把原本预计一年的计算任务硬生生拖了三年。

“不是我们不努力，”他说，”是科学问题等得起，但我们的研究周期等不起。”

算力是什么？为什么新药研发需要它

要理解这个问题，咱们先从”算力”本身说起。

想象你在玩一个拼积木游戏。每一块积木是一个数字，你要把这些数字按照特定规则拼在一起，最终得到一个结果。普通情况下，这个计算很简单。但如果积木有十亿块呢？或者你需要同时尝试一亿种不同的拼法，看看哪种拼法能让药物分子和病毒蛋白完美结合？

这就是药物研发中的”分子对接”（molecular docking）问题。

具体来说，科学家需要知道：一种候选药物分子，进入人体后，能不能精准地”卡进”某个致病蛋白的活性位点。这就像找一把能完美打开锁的钥匙——但问题是，锁的形状不是固定的，它随时在微小地运动变化。

2020年，有研究团队用超级计算机模拟了新冠病毒的刺突蛋白，发现了一种可能有效的药物分子。但当时他们用的超级计算机，是美国的Frontier——目前世界上算力最强的机器之一。而中国科学家呢？在同等条件下，他们用的是”天河”或”神威”，算力差了将近一个数量级。

这意味着什么？意味着同样的药物研发问题，美国团队可能三个月就找到了答案，中国团队可能需要三年。而这三年，可能是某种救命药提前或延迟上市的关键。

让我用一个具体的例子来说明。

假设你在研究一种治疗阿尔茨海默病的药物。你需要模拟一种小分子如何与一种叫做”Tau蛋白”的物质结合。Tau蛋白的结构由大约441个氨基酸组成，每个氨基酸又由几十个原子构成——整个蛋白包含上万个原子。这些原子之间通过复杂的化学键相互作用，而且它们不是静止的，而是在不停地振动、弯曲、旋转。

要准确模拟这个过程，你需要解的是量子力学方程。而量子力学的计算复杂度，随着原子数量增加而指数级增长。

假设有N个原子，精确计算需要的算力大约是O(2^N)的级别。Tau蛋白有几万个原子，这个数字大到什么程度呢？

如果用一个每秒能进行一百万亿次计算的超级计算机（这叫”每秒百万亿次”，也叫” petaflops”级别），来精确模拟Tau蛋白中哪怕只是几百个原子的相互作用，也需要相当长的时间。而你需要模拟的不只是几个原子，而是整个蛋白在药物分子作用下的动态变化过程，可能需要模拟微秒到毫秒级别的时间尺度。

这就像让你看一部电影，不是看30秒，而是连续播放好几个小时，而且每一帧都要精确计算。

现实中，科学家会用一些近似方法来加速计算，但这仍然需要巨大的算力。2023年有研究报道，一个团队用高性能计算集群，模拟了某种候选药物与靶标蛋白的相互作用过程，总共用了约50万核心小时——这是什么概念？大约相当于60台普通家用电脑连续不间断运行70年。

而这样的一次模拟，只是药物研发流程中的一个环节。真正进入临床试验的药物，通常需要从数百万个候选分子中筛选出来，每个分子都需要类似的模拟。

这就是为什么算力充足与否，直接决定了新药研发的速度。

气象预报：差之毫厘，谬以千里

如果说药物研发还只是”慢一点”，那算力不足对气象预报的影响，就更为直接和严重。

气象预报的本质是什么？是解方程。

大气运动遵循的是流体力学方程组，具体来说就是”Navier-Stokes方程”加上热力学方程和水分方程。这些方程描述了空气怎么流动、温度怎么变化、水汽怎么凝结……

把地球大气”切碎”成一个个小格子，每个格子里都解这些方程，然后在时间上一步一步推进，这就是数值天气预报的基本原理。

1956年，世界上第一次数值天气预报在美国完成，用的是ENIAC计算机——人类历史上第一台通用电子计算机。那一年，预报员们算了一整天，最后发现预报结果比实际天气还要晚一天才能完成。

从那以后，预报越来越准，主要靠的就是计算机越来越强。

但这里有个关键概念，叫”初始值敏感性”——也叫做蝴蝶效应。

1961年，气象学家洛伦兹做了一个实验。他用一个简单的天气模型跑预报，第一次用精确的初始值（比如27.315476），第二次用了四舍五入后的值（27.315）。他认为这两个值差不多，结果应该差不多。但跑出来之后，他发现第二次预报的结果跟第一次完全不一样——蝴蝶效应就是这么来的：南美洲一只蝴蝶扇一下翅膀，两周后可能引发美国得克萨斯州的一场龙卷风。

这意味着什么？意味着天气预报对初始条件极其敏感。你的观测数据稍微差一点，预报结果就天差地别。

而要提高预报精度，有两个方向：一是更精确地观测大气状态（用卫星、雷达、探空仪等），二是用更强大的计算机来解更精细的方程。

前者已经在快速进步，但后者的进步速度，开始追不上了。

为什么？因为大气模型的空间分辨率，每提高一倍，计算量就增加16倍。为什么是16倍？想象你把地球大气分成网格，原本每个网格是100公里见方，现在变成50公里见方。水平方向多了2倍，垂直方向也多了2倍，时间步长因为要更精确所以也要缩小，综合起来就是2的4次方=16倍。

这意味着，从100公里分辨率提升到50公里，算力需求翻16倍；从50公里提升到25公里，又翻16倍。

而目前国际上最先进的气象预报模型，比如欧洲中期天气预报中心（ECMWF）的IFS模型，分辨率已经做到了约9公里。这个级别的预报，需要的算力，大约是全球TOP500超级计算机算力的十分之一。

中国的气象预报模型，比如CMA-MESO，分辨率在1-3公里级别。看起来不错，但实际上，在同样的分辨率下，算力储备和欧洲还是差了相当大一段距离。这导致了一个现象：在极端天气预报上，我们的准确率提升速度，开始遇到了”算力天花板”。

2023年华北暴雨期间，有个很有意思的细节：当时中央气象台的预报系统，在暴雨中心区域（北京门头沟一带）的降水预报，比实际值偏小了不少。事后分析发现，部分原因是当时的数值预报模型分辨率不够精细，无法准确捕捉到山区地形的强迫抬升效应。而如果用更高分辨率的模型——这需要更多算力——情况可能会好很多。

这不是因为预报员不够努力，而是机器不够强。

算力不足的具体案例

让我再举几个真实的案例。

案例一：AlphaFold的”中国版”

2020年，DeepMind的AlphaFold2横空出世，它用深度学习预测蛋白质结构，解决了生物学五十年来的大难题。这项技术之所以强大，很大程度上依赖海量GPU的并行计算。训练AlphaFold2需要数百个TPU（Google的定制芯片）连续训练数周。

中国科学家也想做类似的事情。一个国内团队在2022年尝试复现AlphaFold的工作，但用的是国产GPU。问题出现了：AlphaFold的原始代码是针对NVIDIA CUDA架构优化的，换到国产芯片上，兼容性成了大问题。团队花了大量时间做代码移植和优化，最终跑出来的结果，在精度上略逊于原版，而且训练时间延长了三倍。

这个案例说明了一个更深层的问题：算力不足不仅仅是”数量不够”，还包括”生态不兼容”。全球AI和科学计算软件生态，几乎都是围绕NVIDIA的CUDA建立的。芯片买不到，就算找到了替代品，软件和算法也需要重新适配——这个过程，本身就消耗大量时间和资源。

案例二：基因测序的等待

全基因组测序，现在已经能测出一个人的全部DNA序列。但把测序数据解析出来，找到跟疾病相关的基因变异，需要大量的计算。2023年有报道说，中国一家医学基因组学实验室，因为计算资源紧张，一个临床样本的完整分析流程平均要等待两周。而在美国一些顶尖机构，同样的分析可以在48小时内完成。

两周和48小时，在普通情况下可能差别不大。但在临床场景中——比如一个危重病人需要精准用药指导——这两周的差距，可能就是生与死的差距。

案例三：气候模拟的困境

预测未来几十年的气候变化，需要运行地球系统模型。这类模型不仅模拟大气，还模拟海洋、陆地、冰盖、生物圈等，耦合在一起。一个完整的气候模拟实验，通常需要运行数月到数年的超级计算机时间。

中国科学家在气候模拟方面其实做得不错，但同样面临算力瓶颈。2022年有一个研究，模拟了未来100年的东亚季风变化，团队发现如果算力充足，他们可以把海洋模型的分辨率提高一倍，结果会更可信。但因为没有足够的算力，只能妥协。这个研究后来发表在国际期刊上，审稿人质疑的就是分辨率不够的问题。

算力不足的真正代价

很多人可能觉得，芯片不够就用国产的替代，软件不够就自己写，没什么大不了的。但实际情况远比这复杂。

首先，科学计算软件是有惯性的。全球科学家用了十几年甚至几十年积累的算法、代码库、参数体系，都是围绕现有算力环境建立的。换一个完全不同的算力平台，意味着整个软件生态需要重新构建。这不只是技术问题，更是时间和信任成本的问题。

其次，算力竞争本质上是创新速度的竞争。同样的科学问题，算力充足的团队可能半年就发了一篇Nature，算力不足的团队可能三年才发一篇Journal of Computational Chemistry。这三年里，全球的研究进度已经向前推进了，你的团队需要追赶的，不只是原始问题，而是被拉大的差距。

最后，也是最让人担心的一点：算力不足可能导致关键领域的”人才流失”。年轻的科学家不会傻等。如果一个博士毕业生发现，自己想做的前沿计算研究，因为算力不够只能做简化版本，他就会考虑去一个算力更充足的地方。这种”用脚投票”的结果，是长期的创新能力的流失。

我们该怎么办？

这不是一个简单的问题，但有几个方向值得讨论。

第一，承认差距，但不妄自菲薄。

中国在超级计算机领域其实有不错的底子。”天河”和”神威”都曾是全球最快的超算。问题不在于有没有超算，而在于最顶级的AI训练芯片被卡住了脖子。这需要从根源上解决——发展自主可控的高端芯片制造能力。

第二，优化算法，提升效率。

算力不够，有时候可以通过算法优化来弥补。比如，科学家可以使用更高效数值方法、减少不必要的计算、利用分布式计算架构等。这需要计算科学家和领域科学家的深度合作——不是各干各的，而是真正理解彼此的需求和约束。

第三，建立开放共享的算力平台。

目前中国的超算资源分布不均，一些顶尖超算主要用于军工和大型企业，高校和科研院所能挤到的算力很少。建立真正面向科学研究的算力共享机制，可能是性价比最高的解决方案。

第四，接受”算力外交”的可能性。

在全球化退潮的背景下，完全封闭自己是不现实的。通过国际合作获取部分算力资源，可能是短期内可行的过渡方案。但这需要谨慎的政治判断和灵活的策略。

写在最后

说到底，高性能芯片之于科学家，就像显微镜之于生物学家、望远镜之于天文学家——是你观察世界的工具。工具不够锋利，你看到的世界就模糊、就片面。

这不是一个容易解决的问题。芯片制造涉及光刻机、材料科学、精密制造等多个领域，任何一个环节的短板都会限制整体能力。但这恰恰说明，这不是一个能靠”砸钱”就快速解决的问题，它需要长期的投入、耐心的人才培养、以及整个工业体系的协同进步。

而我们今天的讨论，可能只是为了让一个更广泛的群体意识到：算力问题不只是科技圈的事，它关乎新药能不能早点上市，关乎极端天气能不能早点预警，关乎我们每一个人能生活在多安全、多健康的环境里。

下一次你收到暴雨预警时，不妨想一想——这背后有多少科学家，在算力不足的环境中，正在尽最大努力，为你争取更多的提前量。