2026年10月16日，困扰数学界30余年的三维Ghys猜想宣告破解。大湾区大学许地生团队依托上海AI实验室书生-S2多模态大模型，通过人机协同完成证明，北大团队形式化验证确认正确。这是中国科学家首次用国产大模型攻克世界级数学难题。而书生-S2背后，正是华为昇腾算力的全流程支撑。

一、30年悬案告破：国产大模型的"高光时刻"

10月15日，一条消息在数学圈和AI圈同时炸锅：

困扰数学界30余年的世界级难题——三维Ghys猜想宣告破解。

Ghys猜想由法国数学家Étienne Ghys于1995年提出，核心探讨混沌的动力系统行为能否决定几何上的分类。通俗说，就是问：一个复杂混乱的运动轨迹，能不能"化归"成简洁规整的标准代数模型？这个问题被视作检验数学推理能力的"试金石"。

破解它的不是某个菲尔兹奖得主独自苦思冥想，而是一支"人+AI"的协同战队：

• 大模型：上海AI实验室书生-S2科学多模态大模型（397B参数，MoE架构）
• 人类指挥：大湾区大学许地生教授团队把握研究方向、校准探索路径
• 形式化验证：北京大学董彬教授、刘若川院士团队用SHEAF框架完成证明正确性验证

整个过程令人震撼：书生-S2先后完成7批接续推演，问题节点从15个扩展到389个，输出总量达千页严密推导，同时生成数十种全新论证思路。人类负责"指方向"，AI负责"跑推导"，两者多轮迭代紧密互动，最终拿下这座30年未破的堡垒。

论文已在arXiv发布，形式化代码在Github公开。

这是中国科学家首次用国产大模型攻克世界级数学难题。

二、书生-S2凭什么？397B参数背后的"通专融合"密码

书生-S2不是通用聊天模型，而是一款多模态科学基础大模型——"最懂科学的大模型"。它的核心设计有三层：

维度	规格	意义
参数规模	397B（MoE，512专家/每token激活10）	大参数保能力，稀疏激活控成本
上下文窗口	原生262K tokens，可扩展至100万	能"一口气"读完整篇论文+推导链
核心架构	Memory Decoder可插拔专业记忆	不重训主模型即可扩展领域知识
多模态	原始页面级预训练	直接读论文PDF页面，无需先转文本
数学推理	达Gemini 3.1 Pro水平	IMO竞赛级长程严谨推理能力

关键在于"通专融合"——通用能力打底，专业知识插拔扩展。书生-S2在生物、材料等科学评测上大幅领先，数学推理比肩闭源旗舰，但参数规模只有万亿参数模型的零头。

但397B参数的模型，推理一次需要多少算力？

书生-S2推荐部署配置是8卡H100/H200，FP8精度下显存占用约406GB。这还只是推理。如果要做长程数学推演——7批接续、389个问题节点、千页输出——算力消耗呈指数级增长。

这就是为什么书生-S2的训练和评测，选择了华为昇腾Atlas 900 A3超节点作为算力底座。

三、科研算力的三座大山：贵、缺、难

Ghys猜想的破解让人振奋，但对大多数科研团队来说，复制这条路最大的拦路虎不是数学能力，而是算力。

痛点1：算力贵——百万级硬件投入

配置	用途	成本估算
8×H100 80GB	书生-S2推理	~120万元（单台服务器）
16×H100	中等规模微调	~250万元+
32×H100	大规模训练	~500万元+，还需集群网络

一个数学课题组的年度经费通常在几十万到百万级别。花百万买GPU？不现实。租云上GPU按小时计费？长程推演动辄数十小时，账单同样吓人。

痛点2：模型获取难——多模型对比的部署地狱

科研不是只用一个模型。主推演用书生-S2，形式化验证用专用工具，中间还需要不同模型交叉验证。每个模型都要单独部署、配置环境、调试推理引擎——一个397B的MoE模型从下载到跑通，顺利也要半天。

痛点3：通专融合门槛高——不是下载个模型就能用

"通专融合"听起来美好，落地却需要：

• 模型微调：在通用模型基础上注入领域知识，需要高质量科研数据集
• 推理优化：MoE模型的专家路由、长序列注意力、显存管理，每一项都是工程难题
• 系统协同：训练框架、推理引擎、算力底座需要全流程联调

上海AI实验室和华为昇腾团队在书生-S2上做了深入的系统级优化——显存管理、长序列训练、chunk size调优等，普通团队根本无力复现。

四、华为云的答案：MaaS百模千态 + 昇腾智算 + 科学计算专区

如果Ghys猜想的突破让你心动，但算力门槛让你望而却步——这正是华为云要解决的问题。

方案1：MaaS模型即服务——免部署，一键调用百模千态

华为云Agentic MaaS已汇聚"百模千态"，支持开发者免部署、一键调用头部厂商SOTA模型。当前支持的模型包括：

GLM-5.3 / GLM-5.1 / Kimi-K2.6 / DeepSeek-V4.1 / ...

通过Token Plan订阅，开发者无需关心模型部署、显存分配、推理引擎调优——直接调API，按Token计费。个人版套餐月费百元级，标准版/专业版/极致版按需升级。

对科研团队的意义：不用买8卡H100，不用部署397B模型，一个API调用就能用上书生级推理能力。多模型对比？切换一个模型名参数就行。

方案2：昇腾950智算集群——国产算力，性能不妥协

对于需要大规模训练/微调的团队，华为云昇腾950DT智算集群服务已于9月底正式上线：

指标	昇腾950DT	对比说明
Token吞吐	较前代+20%以上	三层推理加速+灵衢总线
稳定运行	40天连续稳定	已通过大规模商用验证
算力生态	全栈国产	芯片-框架-模型协同优化
书生-S2适配	全流程协同	训练/推理/RL关键环节深度优化

昇腾Atlas 900 A3超节点正是书生-S2训练和评测的算力底座。这意味着：你在华为云上用的算力，和书生-S2团队用的是同一套。

方案3：科学计算行业专区——沉淀Know-How，开箱即用

华为云"行业AI梦工厂"已构建科学计算行业专区，沉淀了上千个行业资产，落地项目超过1000个。科研团队不需要从零搭建AI科研流水线——模型选择、数据预处理、推理优化、结果验证的模板和最佳实践都在专区里。

配合智果AgentArts企业级智能体平台，科研团队可以快速构建"人机协同"的科研智能体——就像许地生团队做的那样。

五、三路径成本对比：别再自己买GPU了

维度	自建GPU集群	公有云GPU按需	华为云MaaS+昇腾
初始投入	120-500万元	0	0
模型部署	1-3天/模型	半天/模型	免部署，API即用
多模型切换	需多集群	需多实例	切换模型名参数
推理成本	电费+折旧	~15元/卡/小时	按Token计费，百元/月起
国产算力	❌	❌（主流为NVIDIA）	✅ 昇腾全栈
科研专区	❌	❌	✅ 科学计算专区
适合场景	大规模长期训练	短期弹性需求	科研推理+多模型对比

一个扎心的对比：自建8卡H100跑书生-S2推理，硬件投入120万+，而华为云MaaS按Token计费，月费百元级就能开始做科研推演。差了三个数量级。

六、冷思考：通专融合是AI科研的未来，算力是入场券

Ghys猜想的破解不只是一个数学胜利，更是一个信号：AI正在从"聊天工具"变成"科研伙伴"。

书生-S2的"通专融合"路线证明了这条路可行，但有门槛：需要397B级科学大模型、能支撑长程推理的算力底座、以及训练框架到算力硬件的全流程协同优化。

这三道门槛，华为云正在逐一降低：MaaS让模型门槛降为"一个API调用"，昇腾950让算力门槛降为"按量付费"，科学计算专区让工程门槛降为"开箱即用"。

当算力不再是瓶颈，下一个Ghys猜想的破解者，也许就藏在你团队里。