通过分析2024全国高性能计算学术年会日程，AI技术的发展呈现以下趋势：

　　科学计算智能化：多个报告（如中科院计算所的超算生物模拟、崂山实验室的海洋模型）显示AI正深度嵌入气候预测、生物计算等传统科学领域，通过机器学习优化模拟精度，解决复杂系统问题。多个分论坛都提到了AI和大模型的应用，比如“人工智能增强的全球公里级分辨率气候模拟”和“大模型与科学智算联合驱动的电网运行体系初探”。这说明AI在科学计算和工程模拟中的应用越来越广泛，尤其是在处理复杂系统和大数据时，AI技术能够提升模拟的精度和效率。

　　大模型驱动算力升级：阿里云、蚂蚁集团等展示了大模型训练对算力的需求激增，推动超算中心向智算中心转型，万卡集群成为新常态，通信优化（如RDMA、在网计算）成为关键技术。

　　硬件架构多样化：分论坛讨论申威、海光、寒武纪等国产芯片适配，强调跨平台编程模型（如S星空体育在线入口YCL、Triton）的重要性，需解决性能移植难题。主题论坛：如“异构计算软件栈与应用论坛”、“高性能异构计算与人工智能优化论坛”等，讨论了异构计算在AI中的应用和优化。报告：如“基于大语言模型的全自动CPU-FPGA异构硬件加速”、“ReGraph: 面向HBM-FPGA的异构流水图计算加速器”等，展示了异构计算在AI中的具体应用案例。赛力斯汽车提到了CAE的算力建设，中科院计算所讨论了国产超算系统，还有多个论坛涉及异构计算软件栈和性能优化。这意味着AI对计算资源的需求不断增长，推动了异构计算架构的发展，结合CPU、GPU、FPGA等不同处理器，以提升计算效率和能效。

　　存算一体技术突破：图计算、稀疏矩阵等场景推动近存/存内计算发展（如UPMEM PIM架构），减少数据搬运，提升能效比。有报告提到面向图计算的存算融合架构，以及在网计算技术。这说明为了减少数据搬运的开销，提高处理速度，存算一体的技术正在受到重视，尤其是在处理大规模图数据和实时推理时。

　　低碳算力成刚需：液冷技术分论坛、高能效计算论坛聚焦AI集群能耗问题，通过动态功耗管理、硬件-算法协同设计（如蚂蚁CodeFuse的自动调优）降低PUE。这是因为AI训练和推理消耗大量能源，提高能效是可持续发展的必要条件。

　　可持续边缘计算：研究可再生能源驱动的边缘节点任务卸载策略，平衡计算可靠性与能耗。

　　算力资源池化：超算互联网（曹振南报告）构建跨中心算力调度网络，支持“东数西算”，通过应用商城降低使用门槛。未来的算力资源将更加分布式和协同，通过互联网整合不同地区的超算中心，形成统一的算力服务平台，支持更广泛的AI应用。

　　SaaS化普及：并行科技、适创科技等推动CAE、材料模拟等工业软件上云，结合AI实现智能优化设计，降低企业研发成本。

　　开源框架崛起：澎峰PerfXAPI、华为毕昇编译器探索AI与编译优化结合，寒武纪Triton挑战CUDA生态，推动国产算力生态闭环。开源生态和工具链的发展，比如PerfXCloud大模型开发与服务平台，以及多个关于编译器优化和自动调优的报告，显示AI技术的普及需要更易用的工具和平台，降低开发门槛，促进更广泛的应用。

　　领域专用语言发展：清华大学等研发面向物理方程求解的DSL（如OpenArray2.0），提升科学计算的抽象层级。

　　数字孪生深化：赛力斯汽车CAE算力建设、适创科技数值反应堆等案例显示，AI加速仿真迭代，实现产品设计-制造闭环。

　　工业知识嵌入模型：金风科技风电SaaS、树优智能优化平台将领域知识注入AI，提升工业场景的模型实用性。

　　随着AI模型规模的增大，高性能存储和数据管理成为关键，特别是在大规模数据处理和模型训练中。主题论坛：如“大规模超算存储系统的长时间运行情况分析及问题思考”、“基于应用创新的下一代超算存储架构与技术实践”等，讨论了高性能存储在AI中的应用。报告：如“释放AI原生平台强大性能，加速智能模型训练”、“可计算的突发缓冲区：高性能计算场景下的新存储范式”等，探讨了高性能存储在AI中的重要性和优化方法。

　　结论：AI技术正从单点突破转向与算力基础设施、行业场景的深度整合，呈现“纵向深化（算法-硬件协同）、横向扩展（跨学科应用）、生态开放（开源工具链）、绿色集约（能效优化）”四大趋势，推动科研与产业进入智能计算新范式。