先看一个容易被忽视的信号。英国7月29日更新国家AI研究资源计划时，拿出7.5亿英镑筹建的不是单一架构“巨无霸”，而是一套异构超级计算系统，先进存储、网络和软件协调层都被纳入设计。 未来算力底座真正争夺的，是缩短一次科学发现从数据到结论的总时间。如果科研闭环跑不通，再大的集群也可能只是昂贵却低效的算力孤岛。
欧洲的动作也在换题。7月30日，EuroHPC启动AI Gigafactories招标，当时欧洲体系已经布局19个AI工厂和13个配套节点；7月22日签约的MeluXina-AI还强调动态调度以及连接外部数据平台。 它们追求的已经不是一座机房更大，而是把算力做成跨机构可调用的科研服务，竞争正在从“谁有机器”转向“谁能把机器组织起来”。
2002年6月登顶TOP500的日本“地球模拟器”与今天高度相似，它以5120个处理器实现35.86万亿次每秒的Linpack成绩，接近前一名ASCI White的5倍，并连续五期保持第一；系统由640个计算节点组成，并利用大规模交叉开关完成互联。 但当年主要解决大型数值模拟，还要调动模型、数据库、实验仪器和异构加速器，这意味着科学智能面临的系统协调难度已经成倍增加。
回到中国，7月10日投入使用的曙光8000已经把这个问题推到十万卡量级。新华社披露，scaleFabric类IB原生RDMA网络承担十万卡高可靠连接，配套存储在2026全球IO500生产型全节点和10节点两个榜单获得第一，系统还完成300余项超智融合应用优化。 真正值得看的不是“十万”这个数字，而是网络、存储和应用必须同时过关，国产算力竞争已经从扩大机器规模转向提升系统可用性。
需求端的数据更值得琢磨。国家超算互联网核心节点7月9日投入运行后，十万卡算力池上线首周就实现满载，日均处理作业超过15万个，最高单日超过50万个。 这说明用户真正需要的是长期、高频、随时可调用的计算服务，谁能减少排队、数据搬运和任务调度等待，谁才能把昂贵硬件真正变成科研生产工具。
科学智能与普通互联网AI还有一个明显区别：科学数据并不会天然集中在一座数据中心里。WAIC 2026期间，有科研人员指出，神经科学当前可用于模型训练的数据可能还不到目标需求的万分之三；会上同时出现科学数据库、科技语料库以及连接模型、专业工具和实验设备的科研平台。 所以未来高速互联首先要解决的，不只是服务器之间传得快，而是让数据、仪器和计算资源在逻辑上彼此靠近。
实验自动化又把这个问题放大了一层。7月18日公开的AuraID 2.0方案中，多智能体和机械臂已经进入科学表征流程，Micro-CT对齐成功率由33%升到80%，模型适配时间从两周压缩至30分钟。 一旦科研形成“机器实验—数据回传—模型判断—再次实验”的循环，网络抖动、任务排队和数据迁移都会直接拖长科研周期，未来衡量算力底座好不好，越来越要看一次完整实验闭环到底花多久。
美国也已经在按这种思路组织资源。美国能源部Genesis Mission提出，把国家实验室的超级计算能力、独有科学数据和AI能力纳入统一集成系统；7月22日公布的合作伙伴承诺超过8亿美元，8月7日又启动开放模型计划。 它瞄准的不是某台超级计算机夺冠，而是全国科研资源能不能被统一调用，中国真正面对的是科研基础设施组织能力的长期竞争。
英国准备建设的异构系统同样值得注意，它计划同时容纳成熟计算硬件、专用推理硬件、先进存储和网络，并设置一层协调异构工作流的软件体系，未来还考虑接入量子模块。 芯片架构一定还会不断变化，如果每换一种硬件，科研团队就得重新搬数据、改软件、搭平台，成本只会越来越高，因此真正成熟的算力底座必须做到“机器可以换，科研流程尽量不动”。
这也是评价scaleFabric这类国产高速网络时应该换的新尺度。它的意义不能只停留在“国产高速网络”几个字，更重要的是能不能让国产芯片、存储、科学软件和数据源长期稳定协同。只要科研团队能够少改一次程序、少搬一次数据、少等一轮任务，互联技术带来的价值就已经超出带宽数字，开始直接转化成科学发现速度。