近日，以“算力驅動科學發現”為主題的鯤鵬昇騰開發者大會2026——昇騰AI4S技術論壇在北京順利舉行。來自企業、高校及科研院所的多位行業專家齊聚一堂，圍繞大模型時代下AI4S智能體應用及生命科學領域的發展展開深入探討，分享前沿理念、技術成果與落地案例，共同探索AI賦能科學研究的新路徑。

華為昇騰計算訓練PDT經理張華樺在開場致辭中指出，AI4S領域的發展需依托昇騰生態協同共建。他強調，應從教育階段夯實自主創新芯片相關人才根基，通過多學科能力構建商業閉環。同時，昇騰將持續深耕底層技術能力，助力交叉學科創新發展，為AI4S提供堅實的算力支撐。

華為昇騰技術專家于璠對大模型時代下AI4S的發展趨勢進行了深入分析。他提出，當前技術發展呈現基礎模型與智能Agent雙軌并行的特點：基礎模型通過融合物理規律、借助圖神經網絡深挖數據關聯；智能Agent則賦能自主科研，推動跨學科全流程科研閉環的形成。標桿應用與前沿學術成果的協同發展，正持續驅動開源生態繁榮。

在技術應用層面，華為昇騰技術專家張玉橙詳細介紹了昇騰AI4S的整體布局與能力積淀。他表示，昇騰已在生命科學、材料化學、地球科學、電磁仿真等領域孵化出豐富的原生模型與智能Agent應用案例。通過軟硬件深度協同、傳統計算與AI計算配合的通用解決方案，以及超節點在大規模多卡并行任務中的卓越表現，昇騰正穩步構建核心技術優勢，助力AI4S技術突破。

論壇期間，深圳河套學院副院長歐陽萬里分享了基于昇騰的模型自動適配調優工具。該工具通過多智能體協同技術，實現了模型檢索、環境適配、算子適配、質量評估、性能優化的全流程自動閉環。目前，依托該工具已完成500余個PyTorch模型的快速遷移，其中357個模型在昇騰平臺上的性能超越業界水平，顯著提升了模型跨AI處理器的適配效率。

中國科學技術大學陳林江教授介紹了團隊自主研發的AtomBit通用機器學習力場模型與靈境造物科研智能體平臺的深度集成。該平臺以昇騰算力為底座，實現了從科研需求到物質創制的全流程人機協同自動化。陳林江指出，靈境造物的核心目標是連接大模型的發散推理與專屬模型的精準預測，賦能機器人自主發現新知識，探索AI驅動科學研究的新范式。

上海人工智能實驗室AI4S中心負責人白磊提出了引領性的Agentic Science（智能體科學）概念，并介紹了通專融合科學智能體系統InternAgents（書生科學發現系統）。他表示，經昇騰軟硬件優化后，團隊AI4S大模型在深空、風烏大模型的百步平均訓練時長分別下降約60%和29%，材料大模型的強化學習單epoch耗時下降約92%，打造了昇騰算力賦能科學智能的完整技術鏈路。

北京昌平實驗室領銜科學家陳明辰介紹了開源且昇騰原生支持的生物分子AI設計平臺——TorchX科研生態。該平臺圍繞結構預測、質量評估與全原子設計三大核心環節，推出了TorchFold、TorchScore和TorchDesign三款工具。其中，TorchFold完整復現了AlphaFold3并兼容官方權重，在抗原抗體復合物預測等復雜場景中表現優異；TorchDesign經昇騰優化后，性能提升15倍，推理序列長度提升4倍。

廣州實驗室AI高級工程師郭東博士分享了與昇騰合作研發的多模態納米抗體序列大模型編碼器GND（GZlab Nanobody Design）。作為首個基于超大規模天然納米抗體實驗數據全量訓練和優化完成的納米抗體序列基礎大模型，GND在納米抗體結構預測方面表現突出。經性能優化提升的昇騰版本蛋白質折疊模型，序列長度提升67%，推理速度提升100%，實現了公開數據集INDI納米抗體序列的全量結構推理。

北京智源人工智能研究院副院長葉啟威介紹了OpenComplex全原子生物分子基礎模型的最新進展。他表示，團隊針對OpenComplex的Context Parallel并行策略，創新設計了雙軸切分方案，并基于昇騰生態開發了FloydAttn(PivotAttention)融合算子。依托昇騰算力，該方案將序列長度突破至2K以上，長序列性能達到業界的3倍，在容量和性能上均超越業界水平。

華為昇騰表示，將持續深耕AI4S領域軟硬件協同創新，全面覆蓋多元交叉學科生態。通過夯實技術底座、豐富應用場景、深化生態聯動，昇騰將以軟硬自研能力賦能行業伙伴，共同打造標桿落地應用，推動AI4S產業生態繁榮發展。