问题：随着科学研究与产业技术迭代加速，人工智能正从“工具应用”走向“科研范式”。
高校既承担基础研究与人才培养重任，也面临算力资源紧缺、异构平台分散、模型与数据使用门槛较高等现实挑战。
尤其在多学科交叉研究中，算力供给的稳定性、可用性与安全合规，直接影响科研效率、课程改革质量与管理服务能力。
原因：一方面，大模型训练与推理、科学计算与数据密集型任务对算力、存储与网络提出更高要求，传统分散采购与“各自为战”的建设方式难以形成规模效应。
另一方面，推进教育数字化、建设高水平科研平台，需要在关键环节形成自主可控的基础支撑，推动国产软硬件生态在真实场景中持续迭代。
基于此，上海交通大学以“边建边用”为思路，自2024年12月启动建设，逐步实现平台上线、机房通电与整体落成，以工程化方式降低算力服务门槛、提升资源利用效率。
影响：据上海交通大学高性能计算中心介绍，“致远一号”国产千卡智算平台于2025年9月建成，硬件配置包括1024张华为昇腾910B加速卡，FP16峰值算力313P，配套Pacific分布式存储与BurstBuffer架构，总存储容量13.6PB；同时配备101台CPU节点，形成5000+ vCPU的通用计算池。
平台提供IaaS、PaaS、SaaS全栈云服务能力，具备异构算力调度与弹性部署，可覆盖教学、科研和管理等多样化需求。
学校方面表示，该平台在规模与国产化程度上具有示范意义，是高校建设自主算力基础设施、向“AI for Science”科研新范式迈进的重要一步。
对教学而言，算力平台从“提供设备”转向“提供服务”。
平台面向全校师生提供“模型即服务”，本地部署包含DeepSeek在内的8款主流大模型，累计服务校内师生3.8万人。
在课程与课堂改革方面，平台深度服务学校“人工智能+教育教学”行动计划，为229门课程定制AI助教，支撑32门HI+AI课程改革，推动教师备课、课堂互动、作业评价与学习支持的流程再造，有助于在大规模教学场景中提升个性化与精细化水平。
对科研而言，集中算力与统一平台有利于降低跨学科协作成本，推动从“单点算法突破”走向“数据—模型—算力—应用”的全链条创新。
学校介绍，平台已推动10余个AI4S研究，覆盖理工生医文等多学科领域，产出首个辅助胆囊癌诊断的GBCseeker模型，并规划智能葡萄育种筛选模型、模拟大脑机制的新型语言大模型BriLLM等垂类成果。
相关进展表明，高校自建智算底座不仅可以服务论文与课题，更能通过贴近真实科研需求的迭代，促进模型在专业场景的可验证、可复用与可持续提升。
对管理服务而言，平台将人工智能能力嵌入业务流程，提升治理效能。
学校已上线AI审批、AI一键报销等应用，为用户填写4.8万个流程、200多万字，财务报销“AI数字员工”自动审核率达80%，在减轻重复性事务负担、提升办事效率的同时，也为高校治理体系和治理能力现代化探索提供样本。
对策：从高校层面看，建设大规模智算平台需要“基础设施+制度体系+应用生态”同步推进。
一是坚持统一规划、集约建设，避免资源碎片化，提升算力利用率与服务稳定性。
二是完善数据治理与安全合规机制，建立面向科研与教学的分级授权、审计追踪与风险防控，确保模型使用可控可管。
三是以应用牵引生态，以课程改革、科研攻关和管理提效为抓手，推动工具链、模型库与数据集协同演进，形成可复制、可推广的方法论。
四是加强人才培养与能力建设，通过算力开放、实践项目与跨学科课程，提升师生在模型开发、工程部署与科学计算方面的综合能力。
前景：面向未来，国产智算平台在高校的价值将进一步凸显。
一方面，随着“AI for Science”不断深入，更多科研问题将转化为可计算、可验证、可迭代的模型与工作流，对稳定、低门槛的算力供给提出长期需求。
另一方面，教育数字化将从“信息化支撑”迈向“智能化赋能”，大模型将更深地进入教学与管理体系，促使高校在知识生产、人才培养与治理模式上出现新变化。
可以预期，围绕算力、模型、数据与应用的协同创新，将成为提升高校科技创新能力与人才培养质量的重要支点。
"致远一号"智算平台的全面落成，标志着我国高等教育在拥抱人工智能时代方面迈出了坚实步伐。
这一国产算力基础设施的成功建设和广泛应用，不仅为培养新时代创新人才提供了有力保障，更为推动教育强国建设注入了新的动能。
随着更多高校加快智算平台建设步伐，我国教育数字化转型必将迎来更加广阔的发展前景。