面对新一轮智能化浪潮，高校科研与人才培养正在同步经历深刻变革。
尤其在数据规模迅速膨胀、模型迭代持续加快的背景下，如何把“算力、算法、数据、场景”有效组织起来，成为决定科研效率与创新质量的关键一环。
近期，上海交通大学联合华为打造的“致远一号”智算平台亮相并投入使用，以633PFLOPS峰值算力、13P存储容量的国产算力底座，提升校内大模型训练与科研计算能力，探索高校智算基础设施的新范式。
一、问题：科研教学对高端算力需求激增与资源碎片化并存 当前，高校在推进跨学科研究、培养复合型人才过程中，普遍面临两类矛盾：一方面，生命科学、材料科学、海洋科学、医学影像等领域数据密集、实验复杂，越来越依赖大规模并行计算与智能计算平台；另一方面，传统算力建设往往以课题组或院系为单位分散配置，存在设备利用率不均、重复采购、峰谷闲置与维护成本高等问题。
与此同时，大模型训练对计算、存储、网络协同提出更高门槛，单点、零散的算力堆叠难以支撑“千亿参数级”训练所需的工程化能力。
二、原因：科研范式演进与国际竞争共同推动“算力底座”升级 从科学发展路径看，人工智能与科学研究深度融合正在成为重要趋势，智能方法在分子结构预测、药物筛选、复杂系统模拟等方向不断拓展应用边界。
数据驱动与模型驱动的研究方式，要求高校既具备面向前沿任务的算力供给，也具备稳定的开发环境与可复用工具链。
国际层面，主要国家与科技企业加速布局相关平台，围绕基础研究能力、产业转化速度与人才竞争展开新一轮较量。
国内方面，多项政策持续强调深化人工智能与教育融合创新，推进产教融合平台建设，推动高校从“零散算力”走向“体系化能力”，以服务国家战略需求与长远发展。
三、影响：提升大模型训练能力，推动“AI for Science”加速落地 “致远一号”以千卡规模集群建设与云上规模化应用为基础，实现千亿参数级大模型在校内训练成为现实，并面向科研训练、教学实训与课程实验提供面向师生的服务能力。
这种能力的意义不止于“算力更大”，更在于将高端算力转化为可用、易用、可持续的公共科研资源：科研团队可在统一平台上快速开展模型训练、推理与实验管理，缩短从数据准备到结果验证的周期；课程与实验可基于统一环境开展，降低学生接触前沿工具的门槛，推动教学内容与产业技术同频更新。
平台的运行，也为高校从“经验驱动”走向“数据与模型协同”的研究方式提供支撑，促进跨学院、跨学科协作。
四、对策：以校级统筹破解碎片化，以平台化服务提升可复制性 值得关注的是，平台建设强调校级统筹与公共化供给，意在解决“资源分散、标准不一、重复建设”的历史难题。
通过集中规划与统一运维，能够在保障安全合规的前提下提升资源利用效率，并形成面向不同学科的通用能力组件，如算力调度、数据管理、模型仓库与训练工具链等，从而把复杂的算力工程转化为可调用的“基础设施服务”。
同时，高校与产业伙伴协同建设，有助于把工程经验、生态工具与应用场景结合起来，缩短从科研需求到平台能力落地的时间，提升平台持续迭代与服务能力。
五、前景：高校智算将从“硬件竞赛”走向“体系能力”竞争 展望未来，高校智算平台的竞争不应止于峰值算力指标，更关键的是能否形成面向科学问题的完整支撑体系，包括高质量数据治理、跨学科模型研发、可重复实验流程、开放共享机制与人才培养闭环。
随着更多学科把智能方法纳入常态化研究工具，高校需要在“算力供给—算法迭代—科研组织—成果转化”之间建立更顺畅的链路。
类似“致远一号”的探索，若能在资源统筹、服务模式、人才培养与开放协同方面形成稳定机制，有望推动高校从单点突破走向系统性提升，并为我国在AI4Science等前沿方向积累长期竞争优势。
智能算力正在重塑科学研究的底层逻辑。
上海交通大学"致远一号"平台的建成,不仅为校内科研教学提供了坚实支撑,更为全国高校数字化转型提供了可借鉴的实践样本。
在智能技术加速演进的时代背景下,如何将算力优势转化为创新优势,如何在开放合作中筑牢自主根基,仍需持续探索。
从基础设施建设到科研范式革新,从人才培养模式到产教融合机制,每一步实践都将为建设教育强国、科技强国积累宝贵经验。