40张GPU硬刚1536颗CPU！70岁「古董」代码狂飙数十倍

【导读】快了31倍——一家公司没去卷大模型，而是干了件不性感却绕不过去的事：让每一种有价值的计算，都高效地跑起来。

海洋科学是建设海洋强国的重要基石。

全球气候变化的趋势研判、沿海城市防灾减灾的决策支撑、蓝色经济可持续发展的科学依据，每一项国家战略需求的背后，都离不开对海洋的系统认知与精准模拟。

ROMS（区域海洋建模系统），是全球海洋研究领域的标准工具之一，用来模拟洋流、气候、生态系统，为沿海城市灾害预警与长期海洋资源管理提供科学决策依据。

但有一个尴尬的现实——随着对模拟分辨率和精度的要求的提高，跑一次典型模拟，少则数月，多则一年。

研究人员的大量时间不是花在分析结果，而是盯着进度条。

为此，香港某科研团队与是石科技合作，ROMS的计算进行利用GPU提速优化。

是石科技干了件听起来不太时髦的事：把一套大量代码还保留着上世纪Fortran风格的老程序，搬上了GPU。

结果是：同样的算例下，16张GPU卡计算耗时518.59毫秒，16颗CPU需要16373.97毫秒——31.57倍。换成40张GPU卡，算力等效1536颗CPU核心，加速38.4倍。

「跑一天出一天结果」变成了「跑半小时出一天结果」——这不是换个显卡那么简单，背后是一整套科学计算异构并行优化的硬功夫。

Fortran老代码

怎么登上现代GPU？

理解这件事的难度，要先理解两件事：ROMS是什么，Fortran又是什么。

ROMS是美国Rutgers大学开发的区域海洋模型。

它不是一两个文件，而是一个庞大的Fortran代码库——而Fortran这门语言，诞生于1957年，世界上第一批科学计算程序就是用Fortran写的。

直到今天，全球大量气象、海洋、流体力学领域的核心代码，仍然是Fortran。几十年的模型积累和验证数据，不能轻易推倒重来。

但Fortran有一个尴尬的现实：主流的GPU并行计算平台对C/C++有原生支持，对Fortran也提供了编译器和扩展支持，但在工程实践中，直接通过OpenACC指令注解或专属扩展语法进行大规模移植，性能和可维护性往往不尽如人意。

你不能简单地把Fortran程序「扔」到GPU上跑——支持虽有，但科学计算对极致效率的要求，让这条路远未到开箱即用的程度。

打个比方：Fortran是一本用文言文写的物理学巨著，GPU是一台主要支持白话文的计算机。你大致能看懂内容，但要准确无误地把整本书搬到新系统上运行，还是需要一个精密的翻译——而且翻译过程中不能曲解任何一个公式，因为科学计算里，小数点后十位的精度都有意义。

是石科技的方案是一条三段式移植路径：Fortran → C → GPU并行计算。

第一步：诊断——找到真正的「时间杀手」。

ROMS代码有几万行，分布在数十个源文件中。

工程师先用性能分析工具和函数调用关系图梳理整个代码框架，定位热点函数的分布、分析函数间的数据依赖——这不仅是为了找到「哪里慢」，更是为了确定整个移植工作的优先级和先后顺序，确保后续的每一行GPU化修改都有清晰的路线图。

第二步：翻译——跨语言移植，每一步都是坑。

把需要加速的Fortran函数用C语言重写。这一步有两个极其脆弱的技术难点：

难点一，内存布局的「水土不服」。

Fortran的数组是列优先存储——同一列的元素在内存里紧挨着；C语言是行优先——同一行的元素紧挨着。

这就好比一张Excel表格，Fortran按列读（先从上到下读完第一列，再读第二列），C按行读（先从左到右读完第一行，再读第二行）。

如果你把Fortran的数据直接当C的数据用，读到的就是完全乱序的数值，整个模拟全废。

难点二，数组下标的「代际差异」。

Fortran的数组下标默认从1开始（数学家的习惯），C从0开始（计算机科学家的习惯）。更麻烦的是，Fortran允许数组下标从任意整数起始，比如可以定义从-5到10。

如果你把Fortran里a(-5)的值，直接映射到C的a[-5]，程序当场崩溃。工程师必须给每个数组手动加上下标偏移量，确保物理内存地址一一对应。

打个比方：Fortran用「楼层编号」（地下5层），C用「绝对编号」（从入口算第0间）。翻译官必须记住，Fortran的「地下5层」在第-5间，不能直接当门牌号用。

第三步：GPU化——让计算跑在数千个核心上。

对每个热点函数，工程师将其逻辑从C改写为CUDA内核（kernel），把原本串行执行的多层循环分配到GPU的数千个流处理器上并行运行。

一个典型的ROMS计算函数包含i、j、k三重嵌套循环——对应海洋网格的东西、南北、垂直三个维度。

在GPU上，这些循环被展开为线程网格：每个线程负责一个或多个网格点的独立计算，数千个线程同时执行，将原本需要顺序跑完的循环压缩到一次并行调用中。

每个内核的线程块大小、共享内存分配、寄存器使用量等参数，都需要针对函数特性反复调优，才能达到最优的计算效率。

完成内核开发后，工程师还对分散在多处的数组进行了跨函数合并，将多次小批量数据搬运归并为一次大批量传递，大幅减少了主机内存与GPU显存之间的数据传输开销，提升了整体效率。

把耗时函数GPU化之后，还需要解决多张GPU之间的数据传输效率问题。

原来在CPU集群上，节点之间通过一种叫MPI的协议通信。但GPU之间用MPI效率很低——数据要先从显存搬回内存，通过MPI发送，再搬回另一张GPU的显存，绕了一大圈。

是石科技的方案是改用NCCL（GPU直连通信协议），让数据直接在显存间传递，无需CPU中转。

此外，还把原本分散的多次小批量数据搬运合并为一次大批量传递，大幅减少了「装车卸车」的开销。

最终，整个项目的验收有一个关键指标，甚至比速度更重要：GPU版本和CPU版本，计算结果完全一致。三个不同算例各跑2880步，输出精度全部验证通过。

在科学计算领域，精度不对等于白算。快但结果错，等于没用。

不止海洋模拟：航空、高端制造行业实现数十倍至数百倍提速

ROMS不是孤例。是石科技的并行优化能力覆盖了多个科学计算和工业仿真场景。

航天某院空泡多相流求解器。

空泡多相流求解器仿真可视化（图示）

航天某院的核心求解器，用于模拟水下航行器周围空泡的生成与溃灭过程——这类仿真对网格分辨率和时间步长要求极高，在同构CPU集群上跑一次需要数小时甚至数天。

是石科技将其核心计算模块移植到GPU上，单CPU+GPU相较于单CPU实现200倍加速。

开发人员从此可以在数分钟内完成一轮测试迭代，大幅缩短了型号研发周期。

CAE工业仿真软件。

仿真散热图（图示）

国内CAE领域领军企业的通用仿真平台，经过CPU+GPU联合深度优化后，CPU侧性能提升2.2倍，GPU侧提升28倍。

技术手段覆盖了AVX2向量化加速、统一GPU内存管理、数组索引映射优化等。

这些项目的共同点是：不是重写代码，而是在最小改动下释放最大性能。

科学代码和工业仿真软件是数十年学术积累与工程经验的结晶——你不能为了加速就把它们推倒重来。

总结起来，是石科技的并行优化方法论可概括为四个词：深度诊断 → 架构定制 → 渐进迁移 → 持续交付。

被忽视的「工程化通道」

2026年的AI基础设施叙事几乎被两件事垄断：一是谁做出了更强的大模型，二是谁囤了更多算力。

但一个更基本的问题一直被低估：芯片和应用之间的「工程化通道」。

芯片厂商（昇腾、昆仑芯、摩尔线程等）的核心能力在芯片设计；大模型厂商的核心能力在模型训练和算法。

但把芯片的算力真正转化为应用可用的生产力——无论是大模型推理的Token，还是科学模拟的计算结果——中间夹着大量系统工程工作：异构算力资源池化、并行算法重构、跨架构代码移植、大规模集群稳定运维。

这些工作没有榜单，不够「性感」，不会出现在融资新闻的标题里。

但它们是AI基础设施真正落地绕不过去的一层。

是石科技目前服务了200余家客户。左手是互联网大厂的大模型推理需求——也就是他们此前提出的「Token工厂」概念；右手是国家气象局、香港某科研团队、航天某院的科学计算任务。

这家公司的本质，就是在这条「工程化通道」上卡了一个关键生态位。

从ROMS的Fortran老代码在现代GPU上跑出31倍加速，到空泡多相流求解器单卡加速200倍，这些案例指向同一个结论：当算力成为基础设施，真正有价值的不只是谁制造芯片、谁训练模型——还有谁能让每一种有价值的计算，都高效地跑起来。

而这件事，路还很长，所幸有人已然先行。