14. 科学智能 AI×Science：智算×超算融合

本章定位：AI×Science 是"智算 × 超算"的融合前沿：用 AI 的算力与模型能力，重构科学计算的精度与规模。本章一半讲科学基础模型与 AI4S 计算基础设施的工程路线，一半覆盖生命、气象、流体、材料、分子动力学、量子化学与基因组学等学科应用。

文章目录

1. 科学基础模型前沿：从单任务模型到通用科学模型 ——
2. AI4S 集群与纯 AI 集群的五大差异：网络/精度/存储/调度/软件栈 ——
3. 科学基础模型分布式训练：数据模态、混合精度与并行策略 ——
4. 科学智能体：LLM 与 CFD/DFT/数据库等科学工具的协同推理 ——
5. AI4S 可复现工作流：数据版本化、容器固化与全链路溯源 ——
6. 分子动力学 ML 势函数：DFT 采样、训练与 MD 引擎集成 ——
7. 量子化学 DFT 的 ML 代理模型：能量/密度/Hamiltonian 三条路线 ——
8. AI 气象建模：从 FourCastNet 到盘古的数据/架构/训练/推理工程 ——
9. 基因组学并行计算：比对、变异检测的 AI×HPC 流水线 ——
10. AI×生命科学：从 AlphaFold 到蛋白质设计 ——
11. AI 气象前沿：盘古、GraphCast 与 FourCastNet ——
12. AI×流体力学：物理信息驱动的 CFD ——
13. AI×材料科学：从构效关系到逆向设计 ——

📌 规划中：按你的思考与工作经验持续扩容：科学智能体深度案例、AI4S 行业观察、更多学科综述。

阅读路径建议

工程向读者先读 AI4S 集群基础设施与分布式训练（衔接 11 章），再进科学智能体与可复现工作流；学科向读者按兴趣直入对应学科文章。

关键结论速览

AI×Science 的工程主线是"数据驱动 + 物理可证伪"：AI 负责逼近与发现，科学验证负责证伪，两者结合才能产出可信的科学结论。