2025年科学计算行业发展研究报告.pdf

CPAM+中文(1)前 言 本报告首先厘清科学计算的产业边界与研究口径，系统阐释其概念内涵，辨析其与传统超算、AI 计算的融合演进与本质差异，并构建“技术类型 应用领域”的分类框架，全景映射从上游基础设施、中游随着大模型与科学智能应用的加速渗透，决定模型能力上限的关决定模型能力上限的关键因素正从更大的参数规模转向更高质量的数据供给键因素正从更大的参数规模转向更高质量的数据供给：一方面，大模型的训练、对齐与持续迭代对高质量、结构化、可追溯数据集的依赖显著增强，高质量数据已成为决定模型泛化能力与可靠性的关键生产要素。另一方面，在产业与科研场景中，受实验成本高昂、周期漫长、数据敏感性与合规约束严格，以及采集标注标准不一等多重现实因素制约，高质量数据集长期处于稀缺状态；加之真实数据往往难以覆盖长尾工况与复杂条件，致使“有效数据供给不足”成为科学智能规模化落地的核心瓶颈。在这种背景下，算力需求不再局限于通用训练，而，算力需求不再局限于通用训练，而是进一步扩展到高精度仿真、高质量数据生成，以及是进一步扩展到高精度仿真、高质量数据生成，以及“仿真仿真训练训练验证验证”协同迭代协同迭代的全流程能力。的全流程能力。在“数据生成模型训练生态反馈”的闭环中，科学计算主要承担数据生成与计算验证职责，是高质量科研数据的重要来源，也是科研算力体系的核心支撑。面向这一趋势，双精度与混合精度计算、超大规模并行与高效调度、高速互联与PB/EB 级数据吞吐，以及在能效与可控性约束下的系统级协同优化，正在成为科学计算平台演进的共性门槛与重点布局方向。平台服务到下游应用场景的产业链结构。在此基础上，报告深入剖析关键技术趋势与核心门槛，量化测算 市场规模并进行前瞻性预测；同时，聚焦生物医药、高端装备、集成电路、新能源、新材料、合成生物、地球科学及低空经济等八大典型场景进行深度案例解析。最后，报告统筹研判全球与我国的政策布局及产业布局，旨在为产业各方提供一套可对标、可验证、可落地的决策参考依据。目 录 一、科学计算研究框架与合规口径.1（一）科学计算的概念.1（二）科学计算与传统超算、AI 计算的融合与差异.4（三）科学计算行业的分类框架.6（四）行业研究数据口径.10 二、科学计算产业链结构与生态体系.11（一）上游：基础设施层.13（二）中游：计算平台与服务层.14（三）下游：应用场景层.18 三、科学计算关键技术趋势与门槛.20（一）传统芯片架构的局限与科学计算挑战.20（二）科学计算算力、架构与生态的演进趋势.21（三）科学计算的技术门槛分析.25 四、市场规模与增速测算.30（一）全球科学计算市场概览.30（二）中国科学计算市场规模拆分与预测.30（三）中国市场结构及增长趋势分析.33（四）中国科学计算市场前景展望.36 五、典型应用场景.36（一）生物医药.37（二）高端装备.38（三）集成电路.39（四）新能源.40（五）新材料.41（六）合成生物.41（七）地球科学.42（八）低空经济.43 六、全球科学计算产业布局.43（一）国际科学计算政策布局.43（二）我国科学计算政策布局.45（三）全球主要企业布局.47 图 目 录 图 1 科学计算产业链生态图.12 图 2 科学计算领域主要参与企业图.13 图 3 中国超算中心发展阶段与代表系统演进示意图.25 图 4 中国科学计算市场规模预测图.32 图 5 中国科学计算市场结构.34 图 6 2024 年中国科学计算各下游行业市场规模占比.35 图 7 中国科学计算市场分学科情况 2024-2029E.36 图 8 主流处理器架构计算性能与灵活性对比示意图.52 表 目 录 表 1 智算与科学计算对比表.5 表 2 科学计算技术门槛分析表.29 全球科学计算行业发展研究报告 1 一、一、科学计算研究框架与合规口径（一）（一）科学计算的概念科学计算的概念 科学智能是面向科学研究领域的新兴方向，可概括为“数据生成模型训练生态反馈”三个环节。其中，科学计算定位于数据生成科学计算定位于数据生成阶段，是高质量科研数据的重要来源和科研算力的核心支撑。阶段，是高质量科研数据的重要来源和科研算力的核心支撑。其通过高性能计算（HPC）提供强大的算力基础，并结合高精度数值仿真手段，在计算机中重建真实科学过程，从而为后续的智能模型训练提供可靠的数据输入。科学计算与模型训练和智能应用落地共同构成了科研范式的闭环，被广泛认为是继实验科学、理论科学、计算科学和数据密集型科学之后的人工智能驱动科研的“第五范式”。在这一范式中，模型驱动的仿真方法与数据驱动的学习方法双向融合：一方面，人工智能为科学研究提供了全新工具，加速知识发现；另一方面，科学研究提出的高复杂度任务与复杂的约束场景反向驱动 AI 技术演进，形成持续的创新牵引。当前的科学智能产业生态涵盖了底层超算/智算中心等算力基础设施、仿真软件与科研数据资源、智能算法模型，以及面向科研和工程的应用服务，形成了从算力供给到智能科研应用的完整体系。科学智能作为新兴产业具有广阔的发展空间，而科学计算正是这一体系中以数据产生与模型求解为特征的核心支柱。1.科学计算定位：数据生成环节的核心能力 科学计算在科学智能闭环中承担“数据生成”的核心职能，能力本质由高性能算力与高精度数值仿真共同构成。在算力侧，科学计算提供稳定可扩展的算力底座，重点解决“算力供给与算效提升”，典型能全球科学计算行业发展研究报告 2 力包括双精度（FP64）高精度计算、超大规模并行与调度，以及面向海量数据的高吞吐处理；在需求侧，随着效率、能耗比、可控性与交付效率约束增强，科学计算正由追求通用峰值转向面向特定负载的体系化优化，通过专用加速器、互联网络、并行软件栈与整机系统的协同创新提升任务算效。高精度数值仿真是科学计算生成可靠数据的关键手段，其核心是以机理模型为驱动实现“可预测、可验证、可复现”的高保真模拟。数值仿真基于物理、化学与工程机理模型，通过将微分方程、守恒定律、传输方程等离散求解，在虚拟环境中重构复杂系统行为，关注“算什么、如何建模、是否符合真实机理”，从而批量生成贴近真实过程的高质量数据集，为后续数据驱动模型训练提供可控、可信的数据基础。科学计算产业的核心价值，在于持续供给高可信数据，并提炼能够驱动科学理论优化与创新的关键洞见。依托“仿真+算力”的组合，科学计算为科研与工程提供可规模化的“虚拟实验”能力，科研人员可以通过虚拟实验实现模型理论验证、优化设计与探索创新，同时持续沉淀高质量数据集。2.模型训练：高质量数据需求与反馈机制 科学智能模型是建立在科学计算长期积累之上的能力延伸层，其核心是在科学数据与机理模型基础上引入机器学习/深度学习。围绕科学问题，将 AI 方法嵌入模型构建、参数寻优、仿真加速、结果反演与不确定性分析等关键环节，贯穿科学发现、模型求解、仿真计算、实验验证与迭代优化全过程，从而系统性提升科研效率与问题求解能全球科学计算行业发展研究报告 3 力。在这一机制中，科学计算提供“机理建模与高可信数据生成”的底座，而科学智能模型侧重于对计算过程与结果进行智能化利用并形成闭环反馈。通过联合学习仿真数据、实验数据与历史科研数据，科学计算从单一“模型驱动”演进为“模型数据协同驱动”的新模式：AI 模型在物理一致性约束下可对复杂数值仿真进行近似替代或快速预测以降低成本、缩短周期；同时科学计算生成的高质量仿真数据为训练提供可信、可控来源，缓解科学问题中的数据稀缺与泛化风险。3.全球趋势与产业动向：生态闭环加速与关键模型布局 从国家战略与全球科技演进趋势看，科学智能正在从“算法工具”走向“科研体系级能力”，成为各国推动科研范式升级与新型科研产业培育的关键抓手。其核心特征不在于简单叠加 AI 能力，而在于以科学计算为可信底座，将“高质量数据生成与验证（仿真/机理约束）模型/智能体构建实验与制造反馈”贯通起来，形成可持续迭代的生态闭环。换言之，科学智能的上限很大程度取决于科学计算能否提供稳定、可扩展、可验证的算力与数据生产能力，并支撑模型在科学问题上的可解释性与可靠性。以美国为例，2025 年 11 月启动的“Genesis 创世纪计划”，由能源部牵头建设“美国科学与安全平台”，明确将国家级科学计算资源作为底座能力加以整合，并在此之上构建“算力数据模型/智能体AI增强的实验与制造”的一体化体系。在算力层面，该平台整合能源部下属 17 个国家实验室长期运行的超级计算系统，并与云端 AI 计算环全球科学计算行业发展研究报告 4 境协同部署，形成覆盖传统科学计算与智能计算的统一算力基础设施；在数据层面，依托联邦政府数十年科学计算与实验活动中积累的高质量科研数据集，夯实模型训练与验证的数据基础；在模型层面，重点发展面向特定科学领域的专用基础模型和智能体，实现对传统数值仿真与机理模型的加速、替代或协同增强；在应用生态层面，则进一步将科学计算与自动化实验、先进制造深度耦合，推动形成“计算数据模型实验/制造”闭环演进的新型科研体系。该平台围绕先进制造、生物技术、关键材料、核能技术、量子信息、半导体等方向开展集中攻关，充分体现出以国家级科学计算基础设施为核心，对计算、数据与实验体系进行整体升级。这一举措表明，科学智能正从早期服务于局部算法或单点场景的工具性应用，逐步演进为以科学计算能力重构为核心支撑的国家级科研与智能实验/制造体系。在全球范围内，科学智能的发展焦点已愈发清晰：这不仅是算力规模的比拼，更是以科学计算为底座的高可信数据供给能力、领域模型与智能体的协同求解能力，以及与实验制造环节的闭环集成能力的综合较量。未来科技竞争将聚焦于“高性能科学计算与可持续闭环的科学智能体系”；谁能率先构建起“计算生成数据数据驱动模型模型指导实验实验反馈优化”的一体化闭环链路，谁就能在关键科学领域确立持续的创新迭代速度与产业转化效率优势。（二）（二）科学计算与传统超算、科学计算与传统超算、AI 计算的融合与差异计算的融合与差异 科学计算与传统超算、AI 计算密切相关，但在驱动逻辑、技术特征和应用重点上存在明显差异。传统超算通常依托国家或区域超算中全球科学计算行业发展研究报告 5 心建设，以通用 CPU 和加速器构成大规模并行系统，侧重通用算力供给与任务调度管理，普适性较强，但在分子动力学、量子力学等高特化场景中算效有限，且大规模系统面临较高能耗与散热压力。AI 计算则面向模型训练与推理，典型载体为智算中心和大型 AI 集群，强调数据驱动、低精度计算和高吞吐，主要服务于互联网、自动驾驶、语音和图像识别等场景，对算力弹性和数据管道更为敏感。相比之下，科学计算以理论模型为驱动、以数值仿真为手段，通过求解科学原理方程重建真实世界过程，生成高质量仿真数据，为 AI 训练提供“数据工厂”。因此，科学计算既可视为传统超算向特定科学负载深度优化的延伸，也可视为连接通用算力与智能计算的重要桥梁，其关键不在于通用性，而在于围绕科学研究和工程仿真需求，对架构、算法和算子进行针对性优化，以更高效地支撑复杂计算任务。表 1 智算与科学计算对比表 智算智算 科学计算科学计算 计算驱动模式 数据驱动（基于样本训练）模型驱动（基于理论方程仿真）核心目标 提升模型识别与预测能力 重建真实规律、生成高质量数据 典型任务类型 图像识别、语音识别、大语言模型训练 CFD 流体仿真、MD 分子模拟、材料计算等 算力架构特点 GPU/TPU 矩阵加速、低精度高吞吐 面向特定算法优化的异构架构 精度要求 低精度浮点（FP16/BF16）高精度且可验证仿真 数据来源 互联网及现实世界数据 自主生成仿真数据（数据工厂）核心价值 加速 AI 模型训练与推理 为 AI 提供高质量科学数据支撑 建设主体 互联网与 AI 企业主导 科研与产业结合企业主导 全球科学计算行业发展研究报告 6 智算智算 科学计算科学计算 代表形态 智算中心、AI 服务器集群 科学计算一体机、仿真算力平台 应用领域 互联网内容与 ToC 应用（搜索推荐、短视频与广告、智能客服等），以及自动驾驶、金融风控、智能制造质检等场景的 AI 模型训练与在线推理 科学研究与工程仿真领域，如航空航天与高端装备设计、半导体 EDA 与光刻、新能源与新材料研发、气象气候与地球科学、生物医药与合成生物等 来源：中国信息通信研究院 当前的 AI 模型训练高度依赖大规模高质量的数据，但在许多科研和工业场景中，受制于实验成本、周期或数据敏感性，真实数据往往匮乏，导致 AI 模型训练难以覆盖所有情况、泛化能力不足。科学计算正是解决这一问题的有效路径：它通过虚拟仿真批量生成符合物理规律、可控可验证的高质量合成数据，作为 AI 模型训练的可靠输入，从而弥补了真实数据的不足。在科学智能的发展逻辑中，已经形成一条较为清晰的链条：在科研数据稀缺的约束下，高质量数据需求持续上升，科学计算通过构建“数据工厂”批量生成高可信仿真数据，为科学智能模型训练提供关键支撑，并进一步带动科学智能产业发展。（三）（三）科学计算行业的分类框架科学计算行业的分类框架 为了更系统地刻画科学计算行业，本文采用技术类型和应用领域两个维度对行业进行分类。这种分类框架是交叉并行的结构，即技术类型和应用领域各自独立分类，但在实际中相互交织，每一类技术通常服务于多个应用场景，一个应用领域也往往综合运用多种计算技术：1.按技术类型分类按技术类型分类 科学计算涉及众多细分技术方向，主要包括以下类别：全球科学计算行业发展研究报告 7（1）分子动力学（Molecular Dynamics,MD）分子动力学是科学计算领域中规模最大、应用最广、发展最成熟的方向之一。其核心思想是基于牛顿力学或量子修正模型，模拟原子与分子在特定力场下的运动行为。MD 计算可用于研究蛋白质折叠、药物靶标相互作用、新型材料的分子结构与力学性能等，是新药研发与材料科学的重要基础。近年来，随着 GPU 算力的提升与算法优化（如 LAMMPS、GROMACS、AMBER 等工具）的普及，分子动力学已成为生物医药与材料研究的“标配”计算手段。例如在抗病毒药物设计中，科学家可通过分子动力学仿真快速筛选潜在候选分子，实现从实验验证前移至计算预测的科研范式转变。（2）量子力学（Quantum Mechanics,QM）量子力学计算包括第一性原理（DFT）与量子化学计算等方向，直接基于量子力学原理描述电子结构与原子相互作用。该类计算方法在新材料研发、催化反应机理、半导体器件设计等领域具有核心价值，可用于预测材料性能、优化化学反应路径、筛选高效催化剂。随着算力平台和算法并行化的发展，量子模拟已成为推动新材料发现和清洁能源技术突破的关键计算手段。（3）计算流体力学（Computational Fluid Dynamics,CFD）CFD 通过数值求解纳维斯托克斯（NavierStokes）方程来模拟流体流动、热传导与湍流过程，广泛应用于航空航天、能源动力、船舶、汽车工程等领域。在设计环节，CFD 仿真可取代部分风洞实验，通过虚拟环境评估空气动力学性能、燃烧效率及热负荷分布，显著降低研发周期与成本。随着高精度湍流模型（如 LES、DNS）与高性能并行计算的结合，CFD 正成为高端制造领域实现数字孪生与智能设计的重要支撑技术。全球科学计算行业发展研究报告 8（4）分子对接（Docking）/自由能微扰（FEP）Docking 分子对接是一种用于预测两个或多个分子之间相互作用模式，特别是受体与配体结合模式的计算方法，在药物研发、生物化学等领域有着重要应用。分子对接过程中常依据“锁钥模型”理解受体与配体结合关系。就像钥匙插入锁芯一样，配体需要找到受体上合适的结合位点，这要求配体与受体的空间结构高度互补，例如某些酶与底物的特异性结合。评分函数在 Docking 分子对接中至关重要，其综合考虑静电作用、范德华力等多种相互作用能，评估配体与受体结合的稳定性，打分越高通常意味着结合越稳定。自由能微扰（Free Energy Perturbation，FEP）是一种通过计算药物小分子与蛋白靶点结合自由能来评估亲和性的计算方法，也是目前公认精度较高、迁移性较好的亲和性评估方法之一。作为一种基于统计力学理论的精确自由能计算方法，FEP 已成为现代药物设计领域的重要工具，该方法通过构建热力学循环，在分子动力学模拟中实现对分子间能量变化的精确采样，从而计算配体与靶蛋白的结合自由能，为药物研发提供了前所未有的化学精度预测能力。（5）电子设计自动化与计算光刻（EDA&Lithography Simulation）电子设计自动化（EDA）和计算光刻（OPC/ILT）共同构成半导体制造领域的高性能科学计算体系。EDA 用于集成电路（IC）设计中的逻辑验证、电路仿真与布图优化，典型应用包括时序分析、寄生参数提取、热应力评估等；而 OPC（Optical Proximity Correction）与 ILT（Inverse Lithography Technology）用于在光刻过程中修正纳米级图形偏差，以突破光学分辨率极限。该方向计算复杂度高、任务量巨大，对并行计算和计算加速的依赖度极高，是先进制程（7nm、5nm 及以全球科学计算行业发展研究报告 9 下）芯片量产的关键支撑环节。（6）电磁仿真（Electromagnetic Simulation）电磁仿真以麦克斯韦方程组为核心，广泛用于天线设计、电磁兼容（EMC）、雷达散射、无线通信与芯片封装等领域。在 5G/6G 通信与射频设计中，电磁仿真已成为标准化环节。典型软件包括 ANSYS HFSS、CST Microwave Studio 等，可实现从纳米级射频芯片到城市级基站网络的多尺度电磁建模。该方向对计算精度和内存吞吐均有极高要求，是高性能计算与科学计算结合的代表性场景。（7）大气与气象仿真（Atmospheric and Climate Simulation）大气与气象仿真通过数值求解非线性偏微分方程，重建地球大气环流、天气变化与气候演化过程，是典型的科学计算与公共科研结合领域。其核心任务包括天气预报、气候变化预测、极端事件模拟与环境监测。大气仿真不仅依赖大规模并行计算（如全球气候模式 GCM），还需要针对区域尺度的精细模拟（如台风路径与污染扩散模拟）。随着算力提升与科学智能方法引入，气象仿真正逐步迈向高分辨率、实时化与智能融合的方向。（8）基因测序与生物信息仿真（Genomic Simulation&Bioinformatics）基因测序仿真利用统计建模、分子动力学与并行算法对DNA/RNA 结构及其功能进行计算重建，主要应用于基因组比对、蛋白质结构预测、进化路径模拟与疾病标记识别。在科学智能应用领域里，科学计算一体机可实现基因数据与分子仿真的耦合，通过多尺度建模加速精准医疗与新药研发的进程。（9）其他工程仿真（CAE 及跨领域计算）计算机辅助工程（CAE）作为工程计算的广义统称，涵盖有限元全球科学计算行业发展研究报告 10 分析（FEA）、多刚体动力学、电磁结构耦合、热传导等多物理场模拟。CAE 广泛服务于航空航天、高端装备制造、汽车、能源等行业，其核心价值在于通过虚拟仿真进行结构优化、可靠性验证和性能预测，是工业数字化设计的关键支撑环节。2.按应用领域分类按应用领域分类 科学计算在下游应用上覆盖几乎所有研发密集型与高复杂度设计行业，按应用领域可概括划分为八类：生物医药、高端装备、新能源、新材料、集成电路、合成生物、地球科学与低空经济等。其在这些领域的共性作用主要体现在三方面：一是以机理模型与数值求解为基础，在虚拟环境中开展高保真“数字实验”，支撑关键过程的可验证预测与设计优化；二是通过仿真与高通量计算沉淀可追溯、可复现的数据资产，减少昂贵或不可重复的湿实验与试制迭代，提升研发效率并降低试错成本；三是面向科学智能闭环提供高质量合成数据与机理特征，使“仿真数据生成模型训练应用反馈/实验验证”形成协同迭代，从而推动从单点仿真工具向平台化、工程化研发能力演进。各行业的典型任务形态与代表性应用将在第五章“典型应用场景”中另行展开。（四）（四）行业研究数据口径行业研究数据口径 本研究报告中所引用的市场数据、产业指标及相关统计信息，均严格遵循统一的数据口径和方法体系，以确保信息披露的规范性、可比性与可验证性。所有数据来源均来自权威机构统计数据或经多方交叉验证的企业调研结果。为保证研究结果的真实性与一致性，报告在数据采集、处理及分析过程中遵循以下原则：（1）数据原则性与逻辑性：所有数据均基于可靠样本，经过全球科学计算行业发展研究报告 11 系统验证与逻辑校对，确保测算口径统一、逻辑严密；（2）一致性与可比性：对同类指标采用相同的统计周期、计量单位与计算方法，避免口径偏差造成的结论误差；（3）真实性与可靠性：引用的统计数据均来自国家统计部门、行业协会、科研院所及上市公司公开披露信息，并通过交叉比对核实；（4）规范性与合规性：报告数据使用及披露符合国家统计标准和信息公开规范。二、二、科学计算产业链结构与生态体系 科学计算产业链可划分为上游、中游和下游三个层次，其分层依据在于技术演进路径、供需耦合关系以及系统协同逻辑。上游侧重提上游侧重提供基础性的供基础性的算力硬件资源和工具算力硬件资源和工具，是产业发展的技术源头。随着通用芯片性能提升放缓，行业出现算力瓶颈，催生出专用加速芯片等新趋势。上游技术的持续演进（如新型芯片架构、先进计算技术）为中下游提供源源不断的性能提升空间。中游位于供需两端之间，承上启下，中游位于供需两端之间，承上启下，通过计算平台与服务将上游算力转化为面向不同行业场景的解决方通过计算平台与服务将上游算力转化为面向不同行业场景的解决方案，满足下游多样化需求。案，满足下游多样化需求。中游企业与机构根据下游应用需求对上游资源进行二次集成与优化，实现供需两端的紧密耦合。例如，不同行业的科研和工程问题各异，中游服务商需整合硬件、软件并针对特定算法和场景进行优化，以充分释放上游算力潜能，支撑下游应用。下下游则是科学计算的应用场景层，包括科研机构和各行业的企业用户，游则是科学计算的应用场景层，包括科研机构和各行业的企业用户，是算力需求的源头是算力需求的源头。下游不断涌现的复杂科研和创新应用需求，反过来推动着上游技术迭代和中游服务创新，形成良性循环的供需闭环。科学计算产业链在经典“上游中游下游”分层之上，可进一步映射到科学智能“数据生成模型训练生态反馈”的全链路闭环：上游提全球科学计算行业发展研究报告 12 供可扩展的算力硬件与基础工具，中游将算力转化为面向特定负载的仿真数据生产与计算平台服务，并承载面向科学智能的模型训练与工程化交付能力，下游以科研与产业场景持续提出高复杂度需求并反馈真实约束，反向驱动上游架构迭代与中游系统优化，从而形成“供给演进场景牵引能力再增强”的正向循环。来源：中国信息通信研究院 图 1 科学计算产业链生态图 来源：中国信息通信研究院 全球科学计算行业发展研究报告 13 图 2 科学计算领域主要参与企业图（一）（一）上游：基础设施层上游：基础设施层 上游部分涵盖基础硬件（芯片）、基础软件和其他配套设备等类别，是支撑科学计算的根基。基础硬件方面，主要包括通用处理器（CPU）、加速器芯片（GPU、DCU、MaPU 等）、存储与内存、服务器整机等。当前全球高性能 CPU 领域，英特尔、AMD 等国际巨头依旧占据主导地位，国内厂商如龙芯、飞腾、鲲鹏、海光、兆芯、申威等正快速崛起。加速芯片领域亦类似，NVIDIA 的 GPU 在超算加速器中占据优势地位；国内则有华为昇腾、燧原、寒武纪等厂商积极布局。存储与内存芯片高度集中于三星、海力士、美光等少数企业，市占率前六合计约 99%。总体来看，上游核心硬件国外厂商较为领先，国产自主硬件在性能和成熟度上尚有提升空间。基础软件方面，包括操作系统、编译器、算法库以及部分通用应用软件等。一方面，科学计算领域常用的操作系统以 Linux 为主流（如CentOS、Ubuntu 等），国内也有基于开源的自主发行版（如银河麒麟、中标麒麟等）用于超算环境。另一方面，各类数值计算库（如 MPI通信库、BLAS/LAPACK 算子库等）和编译工具大多由国际社区主导开发，专业仿真软件仍以国际成熟产品和开源生态为主要供给。科研计算类软件如分子动力学、量子化学工具较多为欧美开发（Amber、Gaussian 等），国内同类软件尚处于起步阶段。虽然我国已涌现盈建科、霍莱沃、安世亚太等工业仿真软件企业，但其商业化程度和生态完善度与国外巨头仍有差距。其他配套设备方面，大型科学计算基础设施对机房环境要求苛刻，需要高效电力与冷却系统支持，例如不间断电源（UPS）、变压器、柴油发电机以及精密空调、水冷系统等。这些设施由专业厂商提供全球科学计算行业发展研究报告 14（Vertiv、施耐德，国内有伊顿、依米康等），保障算力中心的稳定运行和能效管理。总体而言，上游产业链环节门槛高、投入大，我国在芯片和基础软件领域持续完善技术积累和工程化配套能力，推动产业链能力进一步提升。（二）（二）中游：计算平台与服务层中游：计算平台与服务层 1.整机厂商整机厂商 科学计算整机厂商是中游计算平台与服务层的核心供给方，负责将 CPU/GPU 等计算核心与高速互连网络、存储子系统、散热供电与机柜级工程等进行系统集成与工程化优化，形成可交付的超算整机或高性能服务器，并提供操作系统、编译器/驱动、并行计算环境、集群管理与运维服务等配套能力，从而在很大程度上决定科学计算基础设施的性能上限、稳定性边界与交付效率。按能力侧重看，其中一类是系统集成型整机厂商：其优势在于供应链整合、平台工程能力与规模化交付能力，商业模式通常以“硬件销售+解决方案交付”为主，可根据行业负载特性进行算力与存储配比、网络拓扑规划、机柜/供配电与液冷方案设计，并集成常用并行软件栈（如 MPI、作业调度、集群监控）及主流仿真应用的部署与调优，以较低的集成风险、较快的交付周期满足科研与工程用户的通用 HPC 需求。国际市场主要由 HPE（Cray）、戴尔（DellEMC）与富士通等厂商主导；国内中科曙光、浪潮、联想、中国长城、清华超算（THPC）等在超算与 HPC 服务器领域持续布局，并在面向特定行业场景的集成方案与交付服务上形成差异化能力。另一类是软硬件一体化自研整机厂商，其核心特征是开展“处理器架构芯片/板卡整机系统软件栈应用调优”的全栈协同设计与持续迭代，通过更深的垂直整合把“算力供给”直接转化为面向科全球科学计算行业发展研究报告 15 学模拟与工程仿真的“可用能力”。相较于以集成为主的通用整机，该模式往往在三方面更具优势：一是算效与能效更可控，能够在微架构、指令/算子、互连与内存访问、I/O 路径、作业调度策略等层面做联合优化，减少“硬件峰值”到“应用实效”之间的损耗；二是稳定性与一致性更强，通过软硬件版本协同、驱动与编译链闭环、核心库与仿真软件的绑定调优，提升长周期、强耦合任务的可复现性与工程可靠性；三是面向特定负载的迭代效率更高，能够以应用需求牵引芯片与系统演进，形成“应用平台芯片”闭环，加快新架构落地与生态完善。国内在该路径上已有典型实践（如围绕重大任务形成的专用超算体系，以及依托软硬件生态延伸至科学计算场景的路线）。其中，思朗科技在“软硬件一体化自研整机”路径上的特征更为突出：其基于自主MaPU 架构形成从架构到芯片、板卡、整机再到软件栈的全链条研发体系，推出“天穹”3D 科学计算机，并围绕 MD/QM/CFD 等仿真负载在硬件侧开展系统级优化（如面向负载的底层架构与散热供电设计），在软件侧配套关键仿真软件栈与并行运行环境，通过软硬协同释放特定科学计算任务的性能与能效潜力，从而在差异化交付与面向场景的持续优化能力上具备更强的竞争力。2.垂类算力企业垂类算力企业 垂类算力企业面向特定学科或行业提供“专用硬件/算法软件/云服务”的一体化高性能计算能力，本质上反映了科学计算从通用算力供给走向面向负载深度优化的产业趋势。此类企业通常围绕某一类典型工作负载进行体系化设计与优化，以在目标领域显著提升算效与交付效率；当通用超算难以满足垂直场景日益精细化的需求时，专用算力便成为重要补位形态。国际上典型案例包括 D.E.Shaw 研究所开发的“Anton”系列专用超级计算机，聚焦分子动力学（MD）模拟，通过全球科学计算行业发展研究报告 16 专门架构在蛋白质动态模拟等任务上实现相对通用超算的数量级提升；类似地，部分气象气候机构会针对数值天气预报开发专用矢量机，粒子物理领域也存在面向特定计算任务的专用加速器路线。同时，聚焦“AI+科学”的企业亦可纳入广义的垂类算力范畴，其通过人工智能与高性能计算的结合，围绕特定领域的数据与模型需求提供云端算力平台或定制算法服务。例如，深势科技面向分子模拟与新药研发构建科学智能算力框架；晶泰科技（XtalPi）融合量子物理与 AI 算法，形成面向药物发现与材料设计的计算平台。与上述模式相呼应，思朗科技等以软硬件一体化方式围绕科学负载进行垂直优化的厂商，也可被视作垂直专用算力的重要实践路径之一：其通过在架构、系统与软件栈层面的协同优化，将“通用算力”转化为更贴近特定科学计算任务的数据生成与求解能力。3.公有云算力服务商公有云算力服务商 公有云算力服务商以商业化方式通过云平台提供按需租赁的弹性算力与配套服务，是连接中小用户与高性能科学计算资源的重要渠道，并与超算中心、专用算力平台形成互补。本分类以“对外提供云租赁与计费交付的云平台/云品牌”为统计口径，不区分其背后股东或母公司属性：既包括综合云厂商面向 HPC/科学计算的产品模块，也包括聚焦高性能计算云的独立服务商。相较超算中心的公益属性，公有云强调资源弹性、高可用与按量计费，通常以多租户隔离、统一镜像/环境、作业调度与运维托管等方式提升科研与工程计算的云端迁移与交付效率。综合云厂商方面，阿里云、腾讯云、华为云等依托既有云基础设施推出面向科学计算的实例与解决方案（如弹性 HPC 集群、并行文件存储、作业调度与应用镜像等）；独立 HPC 云服务商方面，国内可见并行科技、速石科技、北鲲云等提供多云算力运营与跨云资全球科学计算行业发展研究报告 17 源管理能力，并配套超算软件与系统集成服务，形成相对完整的 HPC云交付体系；海外以 Rescale 等为代表，面向工程仿真、生命科学、油气勘探等场景提供云端 HPC 平台服务，并通过对接 AWS、Google Cloud、Azure 等主流云资源实现按需调度优化。4.互联网企业互联网企业 大型互联网企业依托自建数据中心与超大规模集群能力，长期支撑搜索、电商、社交、内容推荐等核心业务的并行计算与 AI 训练基础设施，在集群架构、调度管理、分布式存储与高性能网络等方面与科学计算平台存在技术共通性。本分类以“互联网平台型企业的自用算力体系与技术生态外溢”为口径，重点描述其内部规模化算力能力、软件工程化与自研芯片/工具链等核心能力；当其以云平台对外提供按量租赁与商业计费服务时，该部分业务在分类上统一归入上一节“公有云算力服务商”。国内代表包括阿里巴巴、腾讯、百度等：一方面通过长期运营超大规模集群沉淀调度编排、运维自动化与数据/AI工程体系，另一方面逐步将部分能力对外输出，形成面向科研与工业的高性能计算服务与解决方案；海外代表包括 Amazon、Google、Microsoft 等，其在自研专用芯片（如 TPU、Inferentia 等）、数据中心网络与平台化工具链方面投入更早，相关能力既服务于内部高吞吐负载，也可延伸至科研计算等任务场景。5.第三方软件厂商第三方软件厂商 第三方软件厂商是科学计算产业链中将“算力供给”转化为“可用科研与工程能力”的关键环节，主要提供仿真、建模与算法库等工具，其成熟度直接决定科学计算平台的应用效率与成果转化能力。该类别覆盖从工程 CAE 软件到分子模拟与材料计算软件的广泛谱系，是中游平台服务与下游行业应用之间最核心的软件支撑层。全球科学计算行业发展研究报告 18 长期以来，高端仿真软件市场以欧美厂商为主导：ANSYS 在有限元与 CFD 等领域占据领先地位，COMSOL 在多物理场仿真方面应用广泛，达索系统旗下 Simulia（含 ABAQUS）覆盖结构与工程仿真主流需求；MathWorks 的 MATLAB/Simulink 在数值计算与控制仿真中具有较强市场份额，西门子 Mentor Graphics 及相关 EDA 工具在半导体器件仿真等领域影响力突出。海外软件体系成熟稳定、生态完善，被全球科研与工业用户广泛采用，但也带来下游对进口软件依赖、成本与可控性压力上升等问题。在政策推动与产业应用需求牵引下，国内逐步形成一批面向科学计算的软件供给力量，并呈现“垂直突破+算法创新+AI 融合”的发展路径。代表性企业包括：南京天洑（面向智能工业仿真，提供覆盖设计仿真优化运维的平台化工具，并推出 AIFEM、AICFD、AITopo 等系列产品）、鸿之微（多尺度材料模拟）、深势科技（构建“深势 宇知”科学智能大模型体系，赋能分子动力学与药物设计等场景）、龙讯旷腾（PWmat 第一性原理计算软件，在 GPU 并行算法方面具备竞争力，并在微电子、新材料行业推广）、安世亚太与中望软件（在 CAE 与 CAD 软件领域长期深耕并积累工业用户）。（三）（三）下游：应用场景层下游：应用场景层 下游应用层涵盖科学计算成果最终投入使用的各类主体，主要由政府与区域公共服务平台、基础科研机构以及产业研发企业三类用户构成，也是科学计算需求生成与场景牵引的源头。不同类型用户在算力获取方式、精度要求、数据安全与服务模式等方面存在显著差异，从而决定了中游平台的交付形态与上游技术迭代方向。1.政府与区域公共服务主体：超算政府与区域公共服务主体：超算/智算中心运营方智算中心运营方 政府及公共服务机构是区域算力资源的重要组织者，主要包括区全球科学计算行业发展研究报告 19 域超算/智算中心运营方、地方政府产业园区与科技创新平台等。此类主体一方面作为整机采购、系统集成与运维服务的关键客户，对稳定性、扩展性、安全性与能效提出较高要求；另一方面通过统一服务平台与资源共享机制，面向本地高校、科研机构与企业提供标准化、低门槛的算力服务，并逐步由“硬件运维”向“平台赋能+产业组织”延伸。2.基础科研用户：高校、科研院所、国家实验室基础科研用户：高校、科研院所、国家实验室 高校科研团队、科研院所与国家实验室等基础科研用户以科学研究为主，通常对计算精度、结果可解释性、可复现性与平台可靠性要求更高，并对数据安全与保密性较为敏感。其算力获取方式主要包括申请使用国家/区域超算中心资源，以及自建或共建科研计算平台以满足长期、稳定的学科计算需求。3.产业研发用户：医药、材料等行业的企业研发部门产业研发用户：医药、材料等行业的企业研发部门 产业用户覆盖医药、材料、化工、能源、高端制造、电子与半导体等重点行业的企业研发部门，核心诉求是通过仿真与计算分析提升研发效率、缩短周期并降低试错成本。企业侧通常更关注软硬件适配、接口兼容性、平台稳定性与服务响应效率，主流采用方式包括采购软硬件一体化整机系统、部署私有化平台或以“算力即服务”模式按需获取计算资源。下游应用层是科学计算价值兑现与需求生成的核心环节，主要由政府/区域公共服务平台、基础科研机构、产业研发企业三类用户共同构成，并以“场景牵引”反向决定中游平台的交付形态与上游技术迭代方向。总体来看，政府与区域超算/智算中心运营方更强调资源组织与公共供给能力，在稳定性、扩展性、安全性与能效约束下，通过统一平台向高校与企业输出标准化算力服务，并由“硬件运维”向“平台赋能+产业组织”升级；高校、科研院所与国家实验室以基础科研为主，全球科学计算行业发展研究报告 20 突出高精度、可解释、可复现与可靠性要求，算力获取以国家/区域中心申请与自建共建并行；产业研发企业则以降本增效为目标，更关注软硬件适配、接口兼容、交付与响应效率，在一体机、私有化平台与算力服务化之间进行组合选择。三类主体在算力获取方式、精度与安全要求、服务模式上的差异，决定了科学计算从“资源供给”走向“平台化交付与行业化解决方案”的演进