全栈自研：从芯片到科学计算一条龙

太初元碁的 AI4S 平台于今年 7 月正式上线，覆盖硬件、基础组件、加速库、模型框架和开发套件全链路。平台以自研异构众核 AI 芯片为算力底座，兼容龙芯、申威、飞腾、x86 等国内外主流中央处理器，并深度适配 PyTorch、JAX、飞桨、MindSpore 等主流 AI 框架。

配套的 DevKit 开发套件大幅降低了算子开发和性能调优门槛。算法工程师杜非凡表示，平台的目标是让”中国芯”直接赋能科学计算，让科研团队不必再依赖国外专用硬件。目前平台已在气象预报、量子模拟、基因分析、材料仿真等方向与清华大学、湖南大学、山东大学、百度、东润等高校与机构落地合作。

TecoWeatherNext：把台风轨迹装进 AI 大模型

此次外滩大会首次公开的 TecoWeatherNext 台风追踪系统，把气象数据、AI 预报模型与台风识别技术整合在一起，可在一套界面内同时展示台风轨迹、风场、海平面气压、温度、降水等图层，并适配国产气象大模型输出。

系统支持数据获取、智能预测与台风识别的一体化流程，目标是让气象防灾减灾工作从单点台风路径预报，扩展到完整气象要素场的滚动预测。对沿海省份的应急、海洋与农业部门来说，这意味着可以在同一个国产计算平台上跑出更细粒度的台风风险评估。

生态与人才：联合近 20 家高校发起倡议

平台已上架量子力学、化学材料、生物医药、气象预测、能源科学、低空经济等多款场景应用模块，并联合近 20 家国内高校、科研机构与企业发起”AI4S 国产算力创新生态校企共建倡议”，推动人工智能与科学研究的纵深融合。

在外滩大会同步设置的科技人才招聘专场上，太初元碁现场开放 AI 工程、芯片研发、基础软件等十余个核心岗位，覆盖 AI 芯片推理架构研究员、高性能算子库研究员、解决方案架构师等热门方向。校招负责人刘锐涵介绍，太初元碁硕博学历人才占比超过 70%，两年来在北京、上海、无锡累计引进校招人才 50 余位，”新任干部内培率达 90%”，并通过”启航”培养计划孵化内部高阶业务骨干超 80 位。

对正在寻找算力底座的科研团队而言，国产 AI4S 计算平台的出现，意味着从天气预报到量子模拟的关键算力，第一次有了从芯片到框架再到场景模块的完整国产路径。

主角：25 万行的 CReSS 气象代码

论文的案例对象是 CReSS，一套用 Fortran 写成的遗留天气模拟代码，规模超过 25 万行。这类程序不是普通的旧代码——它们是长期通过与观测数据反复比对、在领域研究中积累起科学可信度的资产。把它们搬到以 GPU 为核心的高性能计算系统，既要适配新架构，又不能丢掉原有的科学有效性。

工作流：先验证，再移植

研究团队设计了一套「以验证为中心」的 AI 辅助工作流。智能体先抽取代码里的 OpenMP 并行区域，再从有物理意义的模拟状态生成基于数据转储的内核基准，接着施加 OpenACC 变换完成 GPU 化，最后通过和参考数据的逐元素比对做数值校验。

换句话说，每一步移植都要能「对账」：新代码算出来的结果，必须和原来的老代码逐点一致，否则就不算成功。

结果：162 个内核通过验证，整体提速 5.1 倍

在以真实台风模拟为案例的测试中，这套工作流为 162 个目标内核产出了通过数值验证的 GPU 实现，并在可接受的工时范围内，拿到了应用级 5.1 倍的加速。

这意味着，原本在 CPU 上跑得很吃力的长期天气模拟，有望在不牺牲科学准确性的前提下显著提速。

意外收获：揪出 5 处数值隐患

更值得关注的是，工作流在验证环节发现了 5 个内核出现了数值偏差——根源在于浮点运算与内建函数的差异，包括阈值敏感的分支发散，以及相消效应带来的精度损失。这些问题在肉眼比对下极难发现，却被「逐元素对账」机制捕捉到，并反馈给了程序开发者。

启示：AI 移植不只是写代码

论文指出，大规模科学代码的 AI 辅助移植，难点不在代码生成本身，而在贯穿多轮会话的上下文管理、运行时状态的重建，以及从微小的静态分析疏漏中恢复。

对这类需要严格数据对账的遗产系统来说，真正关键的不是「让 AI 把代码改完」，而是设计一套以验证为先的工作流。AI 在这里更像是严谨的工程搭档，而不是甩手就用的自动转换器。

来源：arXiv:2608.13122（Tetsuya Hoshino 等，2026）