一场AI变革的风暴，正以超乎想象的速度席卷高校科研领域。
“从大年初二开始，我们就接到很多客户的咨询电话，都在问怎么用DeepSeek模型，构建自己的专属业务场景。”一位高校人工智能服务商告诉数智前线，“其实，这次高校和科研院所反应很快，早在农历年前就有行动。因为DeepSeek是最先在学术圈‘爆炸’，然后扩大到技术应用圈和产业圈。”
DeepSeek不仅把大模型的算力要求大幅降低，还开源免费，最小版本在单个GPU上就能跑起来。以往，大模型对高校师生门槛不低，甚至是遥不可及的“奢侈品”。如今，大学、实验室甚至个人都可以上手了。有大学教授直言，原则上，AI for Science和Science for AI都能大干一场了！
但热情归热情，DeepSeek等开源模型，在高校落地还有不少 “硬茬子”，比如AI复合型人才稀缺、高校算力跟不上、技术栈复杂得让人头疼。
针对高校AI落地瓶颈，业界正从过去单纯的“堆算力”，转而追求一个更高效的系统。其中，百度正在以更全栈化的支持，携手国内18家头部高校，打造出AI for Science的实战攻略，破解高校AI落地难题。
01
高校需求来得又快又猛
“一夜之间，我们好像就从‘iPhone一代’直接跨到了‘iPhone4s’时代。”一位科研行业人士说，DeepSeek让大家突然感觉到，原来AI来得这么快，离我们的生活工作如此近。“以前，很多学校老师对大模型只是抱着试试看的态度，如今，变成大家都有强烈的信心和动力——我要把它用起来。”
性能水平高的开源模型，让高校和科研院所既可以针对专业方向进行训练，开展AI for Science；也能将模型深入剖析，进行Science for AI的探索。这无疑具有革命性和标志性意义。
实际上，这一轮高校和科研机构对AI for Science的需求，来得迅猛且强烈。
“理论上，DeepSeek将AI课题成本降低到原来的10%，考虑工程化及与其他大小模型的融合，成本大概是原来的1/4。”上述服务商说。
成本的大幅降低，使得AI的应用范围从原本的重点院校和科研机构，迅速拓展到更多长尾市场，如双非院校。而且，项目经费的降低，让审批流程也更加灵活，如今学院甚至老师个人都有一定决策权，这让应用场景打开更多，已出现了井喷。
多所高校已积极投身AI for Science的实践。
天津大学举办专题报告会，教授们详细拆解了大模型从科学假设生成、代码开发、到实验验证及论文撰写的实践路径，认为新的科研范式已经到来。
上海交大赵海教授去年果断弃用GPT-4，改用DeepSeek-V3生成合成数据，开发垂类大模型，原因是DeepSeek-V3性能与GPT-4处于同一量级，而价格只有十分之一。
西安交大已探讨能源与DeepSeek为代表的开源模型的结合。能源行业需要开发垂直大模型，其中许多场景，需要在有限资源下进行本地部署，且能源事关国计民生，可靠性和安全性要求极高。DeepSeek等开源模型或其“蒸馏”的小模型，能通过额外训练提升其能力，可本地部署、保障安全，展现了应用潜力。
中国教科院已将DeepSeek-V3升级到R1，为科研人员提供智能文献整理分析、跨学科交叉研究辅助，以及数据驱动的科研支持。有数据显示，模型效果提升，科研人员借助其进行文献阅读、数据挖掘、论文撰写的周期能缩短30%-50%。
同济大学此前已在调用文心大模型。最近，将通过百度智能云千帆大模型平台，接入并调用DeepSeek-R1/V3 系列模型，进一步完善部分应用场景。
浙江大学生命科学研究院研究人员把DeepSeek当作“交叉学科顾问”。虽然它在单一领域比不上专业学者，但在多领域涉猎上达到了博士生水平。
DeepSeek推动更多大模型走上开源之路。百度宣布，文心大模型4.5系列将于6月30日开源，文心一言也将在4月全面免费。
开源对科研至关重要，香港大学马毅教授指出，开源模型的透明性使研究者能深入分析其工作原理。开源是科研理论和成果可复现的关键，若模型不开源，复现将困难重重。
在全球范围内，DeepSeek-V3和R1在短短几周内，就被大量研究人员应用。在知名开源平台Hugging Face 上，许多国际学者基于DeepSeek-R1开源模型训练自己的推理模型，R1的下载量已超400万次，获赞9000多个，在所有模型中位居榜首。
DeepSeek 实现的平权，让科研人员能够更自由地应用人工智能，开源让他们自主掌控自己的数据和研究结果，这些点燃了科研市场的热情。有行业人士预测，未来几年，AI for Science将迅速重塑高校和科研院所的竞争格局，没有AI for Science的实验室可能会逐渐被淘汰。
02
AI for Science仍有三大“致命伤”
虽然DeepSeek点燃了高校和科研院所的热情，但包括它在内的大模型，在AI for Science领域的落地门槛仍较高。目前主要有三大瓶颈：
第一，AI人才依然高度短缺。根据麦肯锡报告，到2030年，中国AI专业人才需求预计将达到600万，而人才缺口可能高达400万。尤其是高端复合型人才，懂AI的人不懂科研，懂科研的人不懂AI，这给AI for Science走向深水区和价值发挥，带来挑战。
第二，高校科研基础设施不足，算力短缺且资源碎片化问题依然突出。
DeepSeek虽然大幅降低了算力消耗，但对于尖端的AI for Science，仍需大量算力。而且，一个核心变化是，科研垂类模型训练从之前的微调，走向强化学习方式。比如，通过DeepSeek-R1结合垂类数据，生成一个带思考链路的模型，这导致在算力需求上，产生了一个后训练市场。而更多师生开启模型应用探索，让高水平算力基础设施建设、资源调度难等问题，仍不容小觑。
过去，传统的高校算力建设方式，往往是不同院系、研究小组，自行采购和管理各自的计算资源，一个学校内可能存在多个小型计算集群。赛尔网络的一份报告显示，全国近2000所高等学校中，91.6%的高校未建设校级算力平台。这显然难以匹配大模型时代的要求，容易出现算力资源分散管理、忙闲不均、共享不畅等问题，拖慢科研成果产出效率。
第三，大模型的技术栈复杂。即使是目前广受欢迎的DeepSeek，在业界看来，其落地门槛仍然很高。
“DeepSeek现在有两种使用方式，云端调用和本地化部署。”一位资深行业人士告诉数智前线，前者相对简单，但更多高校客户出于数据安全需求，还是选择私有化部署。而这个过程中，其实有着大量的落地技术门槛。
“比如拿到一个开源的DeepSeek模型后，要先做算力适配，一种简单粗暴的做法是多买一些已经适配过的卡，把它给装进去，再结合用户的私有数据，去做常规的RAG或微调。”一位AI人士说，这种方式简单易操作，但成本较高，应用效果一般。
现在，高校和科研院所在探索一些新方法。比如，先将开源模型蒸馏，获得更小参数的模型，来降低算力需求，再通过强化学习而不是之前的微调和RAG，将数据训练到模型上去。而模型经过强化学习以后，可以反向指导它的深度推理质量。通过这种方法，一些用户实测将比DeepSeek拿来后直接使用，准确率高出15%~20%。
这些落地技术细节，需要更全面的技术栈、工具和服务来实现。
03
百度为AI for Science打造全栈“武器库”
针对高校AI for Science的难题，业界正从过去单纯追求“堆算力”，转而追求一个更高效的系统。
在这方面，百度已提供更全栈化的支持。从国产自主昆仑芯万卡集群，到百舸异构算力平台的算力调度中枢，再到飞桨深度学习框架和千帆大模型平台的有力支持，以及产学研协同创新，百度的举措正在直击高校的痛点。
在国产自主昆仑芯万卡集群上：
• 昆仑芯 P800 万卡集群成功点亮，且3万卡集群也将逐步点亮。
• 随着业界大模型向MoE架构转变，昆仑芯P800对MoE架构适配度更高，其显存规格比同类主流GPU高出20%-50%。昆仑芯与文心大模型、DeepSeek 全系列模型深度适配，计算效率出色。
• 搭载昆仑芯 P800 的百舸一体机，针对客户需求，一键部署、开箱即用，单机8卡就能运行671B DeepSeek满血版模型，率先支持DeepSeek采用的8bit推理，助力模型训练与微调。
• 在能效比上，昆仑芯 P800单位算力功耗降低 40%，为清华大学千亿参数模型训练每年节省300万元电费。
• 昆仑芯拥有完全自主知识产权体系，从指令集架构到编译器工具链全栈可控，保障敏感领域研究的数据安全。
在百舸异构算力平台上：
• 百舸提供从集群创建到推理的一站式解决方案，打造 “多、快、稳、省”AI 基础设施。
• 面对高校多课题组、多任务类型的复杂需求，百舸以创新架构高效统筹算力资源。其核心智能调度算法包含三大创新：基于强化学习的动态资源预测模型，提前 24 小时预判算力需求波动；跨集群任务迁移技术，实现全局负载均衡；异构资源感知调度器，将不同计算任务精准匹配最优硬件组合。经百舸优化，上海交大 GPU 利用率从35%提升至72%，任务排队时间减少60%。
• 配合DeepSeek的高水平推理能力，既保障服务稳定可靠，又大幅降本增效。
• 百舸在物理层兼容多元算力芯片，资源层提供容器化算力单元，服务层支持多种调度系统。
• 采用 “科研算力银行” 新模式，以算力积分制度、弹性竞价机制和预留实例组合，保障重点项目供给，提高碎片化资源利用效率，助力浙江大学某重点实验室提前 3 个月完成气象大模型迭代。
在飞桨深度学习框架中：
• 飞桨是国内首个开源开放的产业级深度学习平台，自2019年布局AI for Science领域，构建三层资源体系，开源社区沉淀超60万个科研项目案例，并提供主流模型和经典案例供复用。
• 内置高性能算子库，提升科研开发效率，还推出专用模块降低上手门槛，如生物计算平台 “螺旋桨 PaddleHelix” 等。
• 飞桨发表多篇世界级科研成果，如在生物计算领域发表1 篇Nature正刊，3 篇Nature 子刊。
• 独特的产学研协同创新机制，吸引200余所高校参与技术共建，如某大学基于飞桨研发的遥感图像解译系统，经社区协作优化，农作物分类准确率从89%提升至96%。
在千帆大模型平台上：
• 针对科研模型管理中难共享、难复用、难追溯的 “三难” 问题，构建全流程管理系统，保障实验可复现，已落地多个科研场景。
• 模型安全中心提供对抗样本检测等功能，保障敏感领域研究安全。
• 为高校提供全流程工具链支持，包含数据处理、模型蒸馏、强化学习、模型精调、模型评估、模型量化等关键环节。平台大模型矩阵丰富，支持DeepSeek-V3和R1 、文心大模型等，打造开放敏捷科研环境。
• 千帆开创 “模型联邦” 新机制，借助区块链技术和联邦学习架构，搭建跨机构模型集市，助力中山大学附属医院联合多家医疗机构，建立跨区域医疗影像分析联盟，在不共享原始数据的情况下，联合训练出肝癌识别准确率达98%的行业标杆模型。
在产学研协同创新上：
百度智能云与高校的合作已形成多层次、立体式的新型校企合作机制。
• 基础设施共建：与清华大学共建 “东方” 智算中心，部署 2000+卡规模昆仑芯集群。
• 课程合作：与清华、北大等多所高校专家，开设《飞桨Alfor Science前沿系列讲座课程》和《飞桨Alfor Science代码入门与实操》等课程。
• 平台搭建：与上海交通大学联合打造国内首个AI for Science科学数据开源开放平台，共同发布白玉兰科学大模型2.0。
• 人才培养：通过 “松果计划”已培养5000余名AI工程化人才，助力发表300多篇顶会论文，孵化20余个创新项目，如复旦大学文物数字孪生系统用于敦煌壁画保护、电子科大建立帕金森病例数据库及辅助诊疗评价系统、香港科大（广州）极端天气智能预报模型。
04
百度联合18+高校实战案例
在百度的全栈“武器库”助力下，高校领域已经跑出了不少实战案例。
注：文/牛慧、周享玥，文章来源：数智前线，本文为作者独立观点，不代表亿邦动力立场。
文章来源：数智前线
