AI×HPC 本周观察（2026-11-09）：AI 原生实验室跑通 1.1 万步实验、614P 超算投运、开放权重装上"安全门"
摘要：过去一周（11 月 2 日–11 月 8 日），AI×HPC 的四条主线同时向前推进。其一，AI 原生科学从"辅助工具"走向"端到端执行"——上海交通大学团队的 AutoDNA 登上《Nature》，用一套多智能体架构把自然语言指令变成 20 余类仪器、11,382 步硬件操作，在 DNA 数据存储与临床样本检测中做到接近人工专家的水平；中国科大同期在《Nature》开源 RNA 序列基础模型 structRFM。其二，国家级超算进入换代潮——韩国第 6 代国家超算"汉江"以 614 PF 理论算力投运，计算性能较前代提升 24 倍，报道称足以跻身新一期 TOP500 前十。其三，算力基建的经营逻辑在变——中国移动明确提出从 IDC 到 AIDC、从 CPU 到 GPU、从云资源池到"Token 工厂"，两年智算能力连续翻番、布局多座吉瓦级智算园区，并与智谱签约把 GLM 接入移动云；海外则是 Vultr 在钦奈上线 1 万张 AMD MI355X 的 20 MW 集群。其四，开源与太空两条线各自出现标志性动作——Thinking Machines 发布 594B 参数的 Inkling 2 Small，完整权重计划在外部安全测试与红队完成后以 Apache 2.0 开放；SpaceX 与英伟达联合设计的 StarMind 太空 AI 计算机定档 2027 年三季度首批发射。
一、AI×科学：AI 原生实验室第一次端到端跑通生物实验
AutoDNA 登上《Nature》：一句话指令驱动 20 余类仪器。 2026 年 11 月 4 日，上海交通大学团队及合作者在《Nature》在线发表题为 An AI-native experimental laboratory for autonomous biomolecular operations 的论文，提出 AI 原生自主生物分子实验平台 AutoDNA。与以往"外挂式"自主实验系统的关键区别在于架构：AutoDNA 采用多智能体设计，由中央 Planner 统一协调文献检索、试剂管理、流程设计、代码生成、硬件控制、假设提出等专职智能体；用户给出自然语言需求后，系统自主完成从文献检索、试剂选择、实验设计到代码生成、硬件执行与结果分析的完整闭环。
硬件抽象层与数字孪生是两个工程支点。 系统能解析仪器说明书与用户手册，把不同设备的能力抽象成以自然语言描述的"原子服务"（例如移液器被抽象为转移与混合两项），再由代码智能体生成控制代码并自查纠错。由此 AutoDNA 可协调 20 余类仪器、完成超过 11,000 步硬件操作，达到微米级定位与微升级液体操作精度。执行前，系统先在模拟环境中预演生成的仪器代码、跟踪液体体积、核查器位与设置——在一次实验中，模拟环境提前发现了"样本容器尚未放入、代码却试图读取荧光值"的问题，把错误挡在昂贵真实验之前。
四个代表性应用给出了可复核的数字。 核酸检测场景中，系统用商业荧光等温试剂盒完成了非洲猪瘟病毒检测；酶促从头 DNA 合成场景中，AutoDNA 在产率与时间两个相互制约的目标上自主多目标优化，平均单步合成产率达到 97.8%，与已发表的人工专家优化结果相当，并发流程执行时间缩短至原来的约三分之一；DNA 数据存储场景中，系统完成 78 条 DNA 链的合成与测序，连续运行约 203.5 小时、累计执行 11,382 步硬件操作，精确恢复原始数字内容；癌症检测场景中，面对一份序列信息未知的结直肠癌组织样本，系统自主完成测序、突变识别、引物设计、引物合成与检测验证五个阶段，识别出 KRAS G13D 突变并自行合成引物完成验证。
能力边界同样值得记录。 同期评论中，斯坦福大学生物医学数据科学副教授 James Zou 指出，实验任务的选择与物理平台配置仍由人完成，长跑期间仍需补料与清废；AutoDNA 实验中记录的 14 次硬件错误里，8 次由系统自动恢复、6 次仍需人工介入；LLM 的随机性也会影响方案可重复性。研究团队计划引入更强仪器、可自主运送试剂的移动机器人与检索增强的文献库。对 AI×HPC 团队而言，这套系统的价值不在"无人"，而在于把"设计—实验—优化"闭环与错误分级恢复做成了可运行工程。
同周，RNA 基础模型走向开源。 11 月 5 日，中国科学技术大学医学影像智能与机器人实验室团队的 RNA 序列基础模型 structRFM 登上《Nature》。该模型将大模型方法用于 RNA 结构预测与功能推断并取得一系列性能提升，团队已开源，有望为生命科学研究与药物发现提供新的技术工具。
来源：AutoDNA 登上《Nature》（36 氪，11 月 5 日） · 论文原文（Nature） · structRFM 成果报道（中国科大新闻网，11 月 6 日）
二、超算：韩国第 6 代国家超算"汉江"投运
614 PF、24 倍于前代。 11 月 2 日，韩国科学技术信息通信部宣布第 6 代国家超级计算机"汉江"正式投运。该系统采用 CPU + GPU 混合架构并导入 NVIDIA GH200 超级芯片，共 9,936 个 CPU 与 8,496 个 GPU，理论算力 614 PF。相较 2018 年的第 5 代 Nurion，计算性能提升 24 倍、存储容量提升 10 倍（205 PB）、网络性能提升 4 倍（400 Gbps），并首次具备成体系的 AI 计算能力。
应用侧直接按"AI + 科学"配置。 据韩方公布的分工，气象厅将运行 72 PF 以上的算力用于数值天气预报，半导体设计、材料科学、生物医学、计算化学与数据物流等方向同步接入 AI 能力。报道称其算力足以跻身 2026 年 11 月期 TOP500 前十——新一期榜单将在 11 月正式发布，届时可核对这一说法。
换代的含义不只是峰值。 从 Nurion 到汉江，存储与网络分别放大 10 倍与 4 倍，说明国家级超算的瓶颈判断已经从"算得多快"转向"喂得多饱"：在 AI 负载下，数据供给与互联能力决定了峰值算力的实际兑现率。这一点与国内超智融合路线观察到的现象一致。
来源：韩国第 6 代国家超算"汉江"投运（IT之家/新浪科技，11 月 2 日） · Hangang 614 petaflops 报道（PricingRank，11 月 3 日）
三、智算基建：运营商把算力当"Token 工厂"经营
中国移动：两年智算能力连续翻番，布局多座吉瓦级园区。 11 月 6 日至 8 日，中国移动在公开场合系统披露算力路线：今年投资的最大增量在算力，在已建成多个万卡智算集群的基础上，正在布局建设多个超大规模智算集群，未来两年智算能力将连续翻番，建成多个吉瓦级智算园区；同时推进连算成网、拓展 400G OTN 能力、加大空芯光纤应用、加快 CDN 扩容。更值得关注的是经营口径的变化——从 IDC 到 AIDC、从 CPU 到 GPU、从云资源池到"Token 工厂"，算力建设不再只"看投入"，而要"比产出"。
11 月 8 日，中国移动云公司与智谱签署合作协议。 合作覆盖国产算力适配、Token 技术创新、模型服务、产品开发与行业商业化：智谱 GLM 系列模型将接入移动云的 MoMA 模型服务平台，双方计划共建 Token 联合发展中心、开发 AI Coding 产品，并面向金融、政务等行业落地。运营商出算力与渠道、模型公司出模型与工程能力，"按 token 计量、按行业交付"的算力经营模式已经成形。
海外集群同步扩产，路线选择更分散。 11 月 2 日，美国云基础设施公司 Vultr 在印度钦奈上线 20 MW 的 AI 超级集群，基于 1 万张 AMD Instinct MI355X GPU，是其迄今在印度最大的 AI 部署，并给出 2029 年在印度达到 1 GW 的目标。同一周内，运营商级"吉瓦园区"与第三方云"20 MW 单点"两种节奏并存，说明算力扩张正在从"抢卡"转向"抢电、抢地、抢交付周期"。
来源：中国移动智算布局与"Token 工厂"（光明网/今日头条，11 月 8 日） · 中国移动与智谱签署合作协议（证券时报，11 月 8 日） · Vultr 钦奈 20 MW 集群（Elets CIO，11 月 2 日）
四、算力走向太空：StarMind 定档 2027 年三季度
马斯克给出太空 AI 计算机的时间表。 当地时间 11 月 6 日，马斯克在巴伦投资大会上表示，SpaceX 与英伟达联合设计的 StarMind 太空 AI 计算机预计于 2027 年第三季度发射首批，2028 年实现显著规模部署，2029 年进一步大规模扩张。此前 SpaceX 已把搭载英伟达 GPU 与谷歌 TPU 的卫星送入轨道，初步验证了 AI 芯片在太空环境下的运行能力。
与地面数据中心的取舍在"电与热"。 与地面 IDC 相比，太空部署的约束从"供电与散热成本"变为"辐射散热面积、发射质量与在轨维护"，因此在轨算力更适合承担低时延、高覆盖、难布线的推理任务，而非替代地面训练集群。上周北京太空算力云平台已把 40 余颗卫星与地面 CPU/GPU/NPU 统一纳管；本周 SpaceX 给出硬件时间表——"天地一体调度"从平台侧与硬件侧同时推进。
来源：StarMind 太空 AI 计算机时间表（老板联播/微博，11 月 9 日转述 11 月 6 日发言）
五、开源生态：开放权重开始装"安全门"
Inkling 2 Small：594B 参数，权重"下周"开放但要先过红队。 11 月 5 日，Thinking Machines Lab 发布第二代模型 Inkling 2 Small——594B 总参数、17B 激活的多模态模型（文本与图像输入、文本输出），当前通过 Tinker 平台托管提供，定价为每百万输入 token 0.30 美元、每百万输出 token 1.00 美元。官方明确：完整权重计划在外部安全测试与红队评估完成后、于次周以 Apache 2.0 许可开放，并把这一安排称为"通往开放权重的安全路径"（a safe path to open weights）。
"先验证再开放"正在成为新的发布范式。 过去两年开放权重的常态是"模型卡与权重同日上线"，Inkling 2 Small 则把安全评估放在权重开放之前，形成"托管可用—外部测试—权重开放"的三段式。对使用方的影响是双向的：合规风险下降，但"权重何时真能下载"的不确定性上升，依赖开源权重的路线图需要预留等待窗口。同期还需注意许可差异——第一代 Inkling（2026 年 7 月 15 日发布）即为 Apache 2.0，而 Inkling 2 Small 在权重开放前适用的是 Tinker 使用条款，两者不可混用。
来源：Introducing Inkling 2 Small（Thinking Machines Lab，11 月 5 日） · Inkling 2 Small 模型卡 · 开放权重待发布的独立解读（Unite.AI，11 月 5 日）
落地启示
- AI4S 团队：自主实验室要先建"预演层"和"错误分级"。 AutoDNA 的可信度来自两件事：执行前的数字孪生预演，以及把 14 次硬件错误分成"自动恢复（8 次）/ 人工介入（6 次）"。研究组引入自主实验平台时，建议先把仪器接口标准化（原子服务化）、把协议纳入版本管理，再谈"无人化"；否则每台设备都会变成定制工程。
- 工程团队：按"token 产出"重估算力账，而不是按卡时。 运营商把云资源池改造成"Token 工厂"，意味着采购与结算口径会向模型服务产出迁移。推理栈需要提前支持与运营商模型平台（MoMA 一类）的对接、国产算力适配与多租户计量；做容量规划时，把"每 token 成本 + 交付时延"作为与"每卡时成本"并列的指标。
- 开源治理：把"权重可用时间"写成假设，而非承诺。 开放权重开始附带安全测试前置条件后，依赖某个开源旗舰做产品路线的团队应默认预留 1–2 周等待期，并在合规敏感场景优先选择已完成外部测试的版本；同时核对许可证类型（Apache 2.0 与厂商自定义条款在商用与再分发上差别很大）。