四个算力难题：HPC 与 AI 融合到底卡在哪一层

本文是问题侧的解读笔记。榜单转述自公开渠道，文中不复述任何声称的「破解效果」数字——那些多为自媒体推断，缺乏官方口径与第三方复现。

一、四道题的原始形状

按题目本身的表述，四道题分别卡在数值计算的四个不同环节：

1. 大规模稀疏线性方程组的分布式迭代求解与预条件子自动优选 工业仿真（CFD、结构力学）内核最终都会归约到解一次大型稀疏线性系统。难点不在迭代格式，而在「给定矩阵，自动挑出合适的预条件子」——今天仍大量依赖专家手工调参。
2. 高鲁棒性稀疏矩阵混合精度求解 混合精度（fp16/bf16 参与部分运算）能换吞吐和显存，但稀疏矩阵一旦病态，低精度会直接让迭代崩溃。要的是一边降精度一边保证不炸。
3. HPC + AI 协同的实时训练 科学模型（气象、环境、航天测控）要求训练/推理与物理时间步同步推进，而不是离线批量。CPU 与 NPU 的算力如何同时喂满，是调度问题而不是模型问题。
4. 高阶 PDE（偏微分方程）的混合精度收敛加速 高阶格式在湍流、声学、高超声速仿真里是刚需，精度阶数一高，混合精度的误差传播路径就变复杂，收敛性证明随之变难。

二、为什么是这四道

把这四题并列看，会发现问题选择的内在一致性：它们全是「求解器层」的问题，而不是「模型层」或「芯片层」的问题。

• 芯片层（NPU、超节点互连）华为这些年公开讲得很多。
• 模型层（大模型、多模态）是全行业热点。
• 中间的数值求解内核反而长期被 CUDA 生态和国外商业求解器（以及 OpenFOAM、SU2 这类开源 CFD 工具）的实际主导权压着。

也就是说，这四道题不是「最前沿」的问题，而是国产算力栈上最先漏水的地方：硬件买不到 / 追不上时，软件栈的每一分利用率都变成产能。

三、共同难点：误差可控性

四题里有三题直接涉及混合精度。它们共享同一个矛盾：

浮点精度是数值方法正确性证明的一部分，而不只是性能参数。

单精度迭代能不能收敛，取决于矩阵条件数、误差传播路径、迭代格式对扰动的敏感度。传统分析都建立在「舍入误差足够小可忽略」的前提上；一旦主动放大这个误差换性能，整套收敛性保证需要重建。这就是为什么这几道题在学术界也不是新问题，但工业界始终没有通用解——学术上能做特例分析，工程上要求对任意输入矩阵都稳定。

至于第一题的「自动优选」，本质是把一个 算法选择 问题转成 元学习 问题：用矩阵谱特征、稀疏结构作为输入，输出预条件子与迭代参数。这恰好是 AI 能插进 HPC 的少数几个位置之一，也解释了第三题为什么会和前两题一起出现。

四、一个可跟踪的判断标准

这四道题值不值得投入注意力，我建议看三个代理指标，而不是看任何一方的效果宣称：

1. 有没有公开的基准算例集与参考实现。 没有可复现的题目，就没有真正的社区攻坚。
2. 主流开源求解器是否合并相关补丁。 OpenFOAM、PETSc、Trilinos 的提交记录比新闻稿诚实。
3. 论文里是否出现「在国产加速器上」的实测表格。 混合精度收敛性工作若只在 NVIDIA 平台上评估，说明栈仍未打通。

五、参考与延伸

• 榜单入口：黄大年茶思屋 https://www.chaspark.com/（站内「难题榜文 / 科技热点」板块）
• 关于第 6 期算力难题的第三方解读示例（注意：效果数字未经官方证实）：https://blog.csdn.net/coreopt/article/details/160227039
• 开源 CFD 求解器 OpenFOAM，理解题 1/2 的实际负载：https://openfoam.org/
• 线性代数求解库 PETSc（预条件子生态现状）：https://petsc.org/release/