并行科技行业事业部总经理吕昇亮近期披露的数据显示，该公司算力业务结构已发生显著变化：五六年前科研与高校场景占其业务的70％至80％，而到今年，企业端需求已占据主导地位。这一变化折射出超算产业正在经历的客户结构迁移——从服务高校实验室转向服务汽车制造、大模型研发、航空航天、生物医药等产业客户。
需求侧的扩张为这一迁移提供了数据支撑。IDC发布的《2026年中国人工智能计算力发展评估报告》预计，2026年中国智能算力规模将达到2576.5EFLOPS，同比增长87.9％，到2030年将突破万EFLOPS。企业获取算力的传统路径主要有两条：自建集群或依托高校超算中心。前者投入高、运维重，难以匹配研发高峰期的弹性需求；后者资源有限，面对企业级任务的体量和时效要求常显不足。吕昇亮提到，曾有车企CAE工程师遭遇仿真任务积压两周、排队12天起步的情况。
算力使用模式的变革被视为这场迁移的核心。并行科技向客户推广“夕发朝看”的业务模式：工程师白天在公司分析前一日计算结果并调整参数，下班后计算任务继续在算力端运行，次日上班即可获取结果。为支撑这一模式，该公司在后端实现了计算准确性保障、出错自动重跑与资源智能调度。吕昇亮将这种按需供给模式类比为用电——开灯即有电，关灯即不计费，用户无需担心算力不足导致排队或算力冗余造成浪费。
随着大模型与AI应用放量，算力使用结构正从以训练为主转向以推理为主。吕昇亮表示，推理正在成为新增算力的重要驱动力，并行科技联合合作伙伴推出了面向推理场景的Token工厂，为不同行业客户的模型推理与智能应用提供算力及平台服务，同时不介入客户模型和应用本身。推理场景对算力的空间布局提出了差异化要求：短视频、在线游戏等实时性要求高的场景需要算力靠近用户部署，而AI辅助编程等可容忍一定延迟的场景则适合部署在内蒙古、宁夏、新疆等电力成本较低的西部数据中心。
在资源整合层面，并行科技提出的“并行算网”模式已接入约63个算力中心，其中包括四十多个智算中心和十几个超算中心，通过智能调度系统整合为统一算力池。客户提交任务后，该公司自主研发的应用运行特征分析软件负责判断任务属于计算密集型还是访存密集型，并据此匹配性价比最优的计算资源。吕昇亮称，其目标是在新客户接入四小时内完成应用类型判断与资源匹配。跨中心调度之外，商业模式层面的挑战同样存在：63个算力中心涵盖自建数据中心、与地方政府合作共建及第三方算力资源，涉及定价与结算机制，需要技术与商务结合的模式架构。
并行科技将自身定位为IaaS与PaaS层的基础架构和平台提供方，不涉足客户应用层。吕昇亮表示，客户更了解自身业务，公司先把基础架构做好，让客户在其上构建自有系统。这一定位在AI时代具有特定价值：部分大模型厂商若将算力完全构建在同时拥有自研大模型的大型云厂商之上，可能面临竞争因素导致的算力供给风险，而只做算力、不做模型的中立供应商因此获得市场空间。
新能源汽车是观察超算深入产业的典型样本。吕昇亮介绍，汽车制造与新能源相关业务贡献了其事业部接近40％的营收。整车研发涉及数千名工程师，算力需求贯穿从整车设计到自动驾驶算法训练的全链条。传统CAE仿真环节中，流体仿真、固体仿真、电池仿真、整车仿真等任务有时需要512个甚至上千个核心同时工作。AI的引入进一步扩展了需求边界：自动驾驶大模型训练依赖GPU算力，AI辅助编程正在改变软件工程师的工作方式，具身智能则对世界模型与场景仿真提出新要求。吕昇亮表示，公司近期提出超算与智算融合的“超智融合”方向，以应对汽车行业多元化、指数级增长的算力需求。
从科研专用设施到产业基础设施，超算的服务对象与交付方式均已改变。按需计费、跨中心调度、训练与推理分场景部署，构成了这一迁移在商业模式层面的具体形态。随着智能算力规模持续扩张，算力供应商能否在资源整合效率、调度精度与中立定位之间取得平衡，将决定其在产业客户市场的实际份额。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
