国家超算互联网平台智能体破 400 个：170 万用户、25 万 GPU 卡，国产算力占比 99%

结论先行：国家超算互联网平台正在从”把算力卖给你”的资源池，转向”算力 + 智能体”一体化交付的服务平台。据曙光智算总裁何牧君在 2026 算力网发展大会上披露，平台注册用户已超 170 万，汇聚 350 万 CPU 核心、25 万 GPU 卡，国产算力占比 99% 以上；同时建成 6 大智能体矩阵，累计上线智能体 400 余个、技能 1 万余项，并与北大、华大基因等数十家机构展开合作。

一、先看家底：170 万用户背后的资源规模

对任何一个算力平台而言，用户规模与资源规模是两件必须分开看的事。这次披露的数据把两者都摊开了：注册用户超 170 万，说明平台已经跨过早期科研用户的小圈子阶段；350 万 CPU 核心、25 万 GPU 卡，说明供给侧不是概念性的”联网”，而是实打实的池化资源。

更值得注意的是”国产算力占比 99% 以上”这一条。它意味着平台的调度层、异构适配层和上层服务，已经长期运行在国产芯片为主的混合环境里，”能不能跑”不再是主要矛盾，”跑得多快、多省”才是。

二、6 大智能体矩阵：400+ 智能体是怎么组织起来的

1. 从”给你算力”到”给你能干活的智能体”

过去用户上超算平台，拿到的是机时、队列和存储；模型训练或仿真跑完就走。智能体矩阵的思路相反——把常见的科研与工程流程，封装成可以直接调用的任务单元。用户提交的不再是”我要 100 卡时”，而是”我要完成一次分子筛选 / 一次结构仿真 / 一份文献综述”。

400 余个智能体、1 万余项技能这个体量，说明封装已经细化到子步骤级别：一个智能体负责流程编排，若干技能负责具体动作，二者解耦后可复用。

2. 技能化封装的真正价值在降低门槛

对高校课题组、中小企业研发部门来说，超算的门槛从来不只是价格，而是会用。作业脚本、依赖环境、并行参数、数据搬运，每一步都能劝退一批人。把流程沉淀为技能之后，用户面对的是参数表单而不是调度系统，这是让 170 万注册用户真正转化为活跃用户的关键一步。

三、关键数据一览

四、合作生态：为什么是北大、华大基因这类机构

科研场景最吃”流程封装”这套逻辑

高校与生命科学机构的需求高度结构化：文献检索、序列比对、分子动力学模拟、实验数据清洗……流程边界清晰、输入输出规范，天然适合智能体化。与数十家机构合作，本质上是把各家的领域流程沉淀进平台技能库，形成正循环——合作方越多，技能越全，后来者的上手成本越低。

反向看，这也是平台最难被复制的部分：算力可以采购，流程沉淀不能速成。

五、怎么读”国产算力占比 99% 以上”这句话

它至少说明两件事。其一，平台的异构调度与算子适配已经覆盖多种国产芯片，能把不同架构的卡混在同一个池子里调度；其二，上层智能体与技能在设计和验证时，默认运行环境就是国产算力，这会反过来影响模型选型、并行策略与精度取舍。

需要客观指出的是，占比是规模口径而非性能口径。它反映的是供给结构，不等于单卡性能或集群效率已全面追平国际主流方案——这一点在评估具体任务时仍需实测。

六、和通用云上 Agent 平台的差异

七、常见问题

Q1：普通开发者能用上这些智能体吗？

平台定位偏科研与产业计算，个人用户更适合先从公开的智能体与技能入手，用于文献分析、数据处理这类轻量任务；真正的大规模训练与仿真仍需按项目申请资源。

Q2：400 余个智能体是否意味着可以替代自研流程？

不能完全替代。智能体解决的是”通用流程的标准化”，若你的任务涉及专有数据、专有模型或特殊约束，仍需在平台上做二次开发，只是起点比从零搭流程高得多。

Q3：国产算力占比高，会不会限制模型选择？

在框架与算子层面，主流开源模型基本都有对应的适配路径；限制更多体现在极致性能优化与部分专用库上。选型时建议先用小规模任务跑通精度与吞吐，再放大规模。

八、小结

170 万用户、25 万 GPU 卡、400 余个智能体、1 万余项技能——这组数字的意义不在大小，而在结构：平台把”算力供给”和”任务交付”接在了一起。对科研与工程团队来说，值得关注的是技能库是否覆盖自己所在领域；对整个算力行业来说，这种”资源池 + 智能体矩阵”的形态，很可能成为国产算力走向规模化应用的主流路径之一。