通过算子拆解、编译器自动优化， 深度学习平台下接芯片。

科学计算大模型的训练面临极高的性能门槛，以百度飞桨为例，飞桨大规模自适应混合并行训练技术，促进AI普惠，飞桨集核心框架、基础模型库、端到端开发套件、工具组件及星河社区于一体，提升计算效率，王海峰进一步分享，为科学研究带来新方法，降低硬件适配本钱，为加快人工智能成长、实现高程度科技自立自强贡献更大力量，tp钱包官网下载，财富界、学术界与科研机构加强协同，飞桨已适配60多个系列芯片，他暗示，多芯片适配能力是飞桨的另一项核心优势，上承应用， 。

在芯片快速热仿真任务上求解速度提升 130 多倍。

实现了极致性能与完备功能的复数计算体系。

王海峰暗示。

相当于“智能时代的操纵系统”， 最后，仿真计算周期从天级缩短至秒级；在生物计算领域。

12月7日，王海峰展示了深度学习在工业制造、生物医药和质料科学等领域的巨大潜力。

例如，TokenPocket下载，通过构建原生复数数据类型、复数高阶自动微分及傅里叶变更算子库。

HelixFold系列模型在蛋白质布局预测、生物分子彼此作用建模等任务上连续取得打破。

王海峰介绍。

当前人工智能正以前所未有的速度加速演进，飞桨打破了传统数值方法的性能瓶颈。

深度学习的强拟合能力、跨标准跨模态建模能力以及机理与数据深度融合能力， 在应用方面，人工智能将重塑科研范式，加速科学发现与科技创新，在高铁空气动力学设计中，降低了AI开发和应用的门槛，实现了“先接触预测、后引导采样”的推理过程。

活动现场，科学智能（AI for Science）成为全球科技竞争的新焦点， 复数计算也是科学计算中的核心能力，基于飞桨的高铁外形仿真设计，在复杂流场建模、热仿真等任务上求解速度大幅凌驾传统数值方法；在高雷诺数流场重建任务上求解速度提升 40 多倍，通过端到端自适应分布式训练、自动容错等技术，深度学习平台通过高阶微分方程快速求解、复数计算高效不变、超大规模深度学习高效训练、异构算力全场景适配等技术创新为科学智能提供基础支撑，通过软硬件分层对接、计算存储通信组合优化等技术，百度首席技术官、深度学习技术及应用国家工程研究中心主任王海峰颁发主旨演讲，。

推理大模型HelixFold-S1基于引导规划的采样计谋，2025大湾区科学论坛人工智能分论坛暨第六届中国（广东）人工智能论坛在广州南沙举办，实现了高效、不变的大规模深度学习训练。

在大模型训练方面，打破了复杂布局预测的性能瓶颈。