金斯瑞生物科技 AI 算力软硬件一体建设实践：以系统级交付支撑生命科学数智化升级

随着 AI 技术在生命科学研发、蛋白设计、结构预测、序列生成、工艺优化和智能质控等场景中的应用不断深入，企业对本地 AI 计算资源的需求正在持续增长。对于生命科学企业而言，AI 算力建设往往不是一次性从零开始，而是在已有计算资源基础上持续扩容、逐步升级，并在不影响现有业务运行的前提下，实现新旧资源融合、统一管理和长期稳定运行。

金斯瑞生物科技股份有限公司创立于 2002 年，是总部位于南京的全球化生物科技集团，以基因合成技术为核心，业务覆盖生命科学服务及产品、生物医药 CDMO、细胞治疗、工业合成生物产品四大核心平台。随着公司 AI 研发任务不断增长，原有 GPU 计算资源在训练、推理和研发验证等场景下面临更高负载，客户需要在现有 GPU 集群基础上进行平滑扩容，进一步提升本地 AI 算力、数据访问效率和平台可运维能力。

本次项目中，超擎数智为金斯瑞新增交付 3 台 H20 8 卡 GPU 服务器、1 台 SN9700 高速交换机和 DDN 高性能存储系统，并将新增 H20 服务器与客户原有 GPU 服务器、原有 9700 交换机进行融合组网，形成新旧资源协同运行的 AI 计算环境。项目重点不只是新增设备交付，更在于完成既有环境适配、新旧节点互联、网络扩容、存储接入和交付验证，保障客户 AI 算力平台在业务连续前提下实现能力升级。

一、项目背景：生命科学 AI 研发任务增长，推动既有算力平台扩容

金斯瑞在生命科学服务、生物医药 CDMO、细胞治疗和工业合成生物等业务中，持续探索 AI 在研发设计、工艺优化、智能质控和实验流程迭代中的应用。随着模型训练、批量推理、序列分析、结构预测和数据处理任务增多，原有 GPU 资源逐渐面临任务排队、资源紧张和数据访问压力上升等问题。

与全新建设项目不同，本次项目的核心目标是基于客户已有 GPU 计算资源进行增量扩容。客户既有环境中已经部署旧 GPU 服务器和 1 台 9700 交换机，本次新增 3 台 H20 8 卡服务器、1 台 SN9700 交换机和 DDN 存储，需要与原有资源共同组成可用、稳定、可维护的 AI 计算环境。

因此，项目建设重点包括：

新增 H20 GPU 服务器，提升本地 AI 训练与推理算力；

新增 SN9700 交换机，并与原有 9700 交换机完成协同组网；

接入 DDN 高性能存储，提升训练数据读取和中间结果写入能力；

实现新旧 GPU 服务器统一互联，避免新老资源割裂；

在尽量减少对既有业务影响的前提下，完成扩容上线和交付验证；

为后续更多 GPU 节点扩展预留网络和运维基础。

二、客户核心挑战

1. 新旧 GPU 资源需要融合，而不是简单新增设备

客户原有环境中已有 GPU 服务器和 9700 交换网络，本次新增 H20 服务器后，如果新旧节点不能统一组网，就会形成新的资源孤岛。这样不仅影响 GPU 资源利用效率，也会增加任务调度、数据访问和运维管理复杂度。

因此，本项目需要在保留原有环境的基础上，将新增 H20 节点与旧 GPU 节点纳入同一高速互联体系，使新旧资源能够共同承载 AI 研发任务。

2. 网络扩容需要兼顾现有架构和未来演进

AI 集群网络扩容并不是简单增加一台交换机。新增 SN9700 交换机需要与客户原有 9700 交换机协同工作，涉及端口规划、链路映射、速率协商、网络平面划分、线缆连接和后续扩展空间预留。

如果网络扩容设计不合理，可能导致新旧节点通信路径不一致、局部链路成为瓶颈、后续扩展困难，甚至影响原有业务稳定运行。因此，本项目对网络规划和现场实施要求较高。

3. H20 算力提升后，对数据访问提出更高要求

新增 3 台 H20 8 卡服务器后，客户本地 GPU 算力显著提升，但训练效率不仅取决于 GPU 本身，也取决于数据是否能够持续、稳定、高效地供给。生命科学 AI 任务通常涉及大量序列数据、结构数据、实验数据和模型文件，对存储吞吐、并发读取和 checkpoint 写入能力要求较高。

本次引入 DDN 高性能存储，目的在于补强数据访问能力，避免出现“算力增加后，存储成为瓶颈”的问题。

4. 扩容过程需要保障业务连续性

客户原有 GPU 资源已经承载一定研发任务，因此扩容过程中需要尽量降低对现有环境的影响。设备上架、网络调整、存储接入和联调测试都需要按照计划窗口推进，避免因配置变更、链路调整或系统不兼容影响原有业务。

这要求交付团队不仅具备硬件部署能力，还要具备既有环境评估、变更风险控制、联调验证和问题回退能力。

5. 版本和环境一致性需要统一管控

新旧 GPU 服务器可能存在不同硬件代际、驱动版本、固件版本和系统环境差异。若缺少统一验证，可能出现节点间任务运行表现不一致、框架兼容异常、训练任务迁移困难等问题。

因此，项目交付过程中需要对新增节点和既有节点进行环境检查与版本基线梳理，保障新旧资源协同运行。

三、超擎数智解决方案：算力扩容、网络融合与存储补强一体化交付

针对金斯瑞 AI 研发任务增长和既有集群扩容需求，超擎数智提供了覆盖计算、网络、存储和交付验证的一体化方案。

1. 计算扩容：新增 3 台 H20 8 卡 GPU 服务器

本次项目新增 3 台 H20 8 卡 GPU 服务器，为客户补充高性能 AI 训练和推理资源。H20 服务器可用于承载模型训练、模型微调、批量推理、序列生成、结构预测和研发验证等任务，为生命科学 AI 应用提供更强算力支撑。

新增 H20 节点并非独立部署，而是与客户原有 GPU 服务器共同接入统一网络环境，使客户可以根据任务需求灵活使用新旧资源，提升整体算力池可用规模。

2. 网络融合：新增 SN9700，与原有 9700 交换机协同组网

网络层面，超擎数智为客户新增 1 台 SN9700 高速交换机，并与客户既有 9700 交换机进行融合组网。通过对新旧交换设备、服务器网卡、端口资源和链路路径进行统一规划，实现新增 H20 节点与原有 GPU 节点之间的高速互联。

在实施过程中，团队重点完成端口映射、链路连接、速率确认、网络连通性检查和新旧节点通信验证，确保新增设备不是孤立运行，而是能够平滑并入既有集群网络。

该设计帮助客户避免形成新旧算力割裂，使原有 GPU 资源和新增 H20 资源能够共同支撑 AI 研发任务，为后续扩容提供网络基础。

3. 存储补强：接入 DDN 高性能存储

针对生命科学 AI 场景下的数据访问需求，项目新增 DDN 高性能存储系统，用于承载训练数据、模型文件、实验数据、中间结果和 checkpoint 等内容。

DDN 存储的接入，有助于提升数据集中管理能力和高并发访问能力，缓解 AI 训练过程中数据读取和结果写入压力。对于客户而言，这不仅提升了训练任务的数据供给效率，也为后续多团队、多模型、多任务共享数据资源提供基础。

4. 新旧资源统一验证：保障扩容后稳定运行

项目交付过程中，超擎数智不仅对新增 H20 服务器进行单机检查，也对新旧 GPU 服务器之间的网络连通、存储访问、任务运行和基础环境进行验证。

验证内容包括设备状态检查、网络链路状态、端口速率、存储挂载、数据访问、驱动与系统环境、基础训练/推理任务运行等，确保新增资源能够真正融入客户现有 AI 计算环境。

四、实施交付：面向既有环境的平滑扩容

本项目的难点在于“扩容而非重建”。超擎数智围绕客户既有环境，采用先评估、再规划、后实施、最终验证的交付方法，确保新增设备平滑上线。

1. 既有环境评估

项目实施前，超擎团队对客户原有 GPU 服务器、9700 交换机、网络连接、机柜空间、供电散热、系统版本和业务运行情况进行梳理，明确新增设备接入方式和潜在风险点。

通过前期评估，团队能够在不破坏原有环境的前提下制定扩容方案，降低现场实施的不确定性。

2. 设备部署与综合布线

现场实施阶段，团队完成新增 H20 服务器、SN9700 交换机和 DDN 存储的上架、供电检查、线缆连接和端口标识。针对新旧设备融合组网需求，团队按照端口映射表完成链路连接，并对线缆标签、走线路径和链路关系进行复核。

规范化布线和链路标识，能够帮助客户后续快速定位服务器、交换机端口和存储链路关系，提升运维效率。

3. 网络联调与存储接入

网络联调阶段，团队完成新增 SN9700 与原有 9700 交换机之间的互联配置，验证新旧 GPU 节点之间的连通性和链路状态。同时完成 DDN 存储接入和访问验证，确保计算节点能够稳定访问存储资源。

通过网络与存储联调，新增 H20 算力、原有 GPU 资源和 DDN 存储形成统一运行环境，为后续训练和推理任务提供支撑。

4. 交付验证与运维移交

项目完成后，超擎团队对新增设备和融合后的整体环境进行交付验证，包括设备健康状态、网络连通性、存储访问、基础性能和管理可用性等内容。

同时，团队整理交付文档、设备信息、端口映射、链路说明和基础运维要点，帮助客户掌握扩容后的集群结构，便于后续运维和继续扩展。

五、客户收益

1. 平滑扩展本地 AI 算力

通过新增 3 台 H20 8 卡服务器，客户获得更强的本地 AI 训练与推理能力，可支撑更多生命科学 AI 研发任务并行运行，缓解原有资源紧张和任务排队问题。

2. 避免新旧资源割裂

通过新增 SN9700 与原有 9700 交换机协同组网，新增 H20 服务器与旧 GPU 服务器实现统一互联，避免形成独立孤岛。客户可在统一环境中调度和使用新旧 GPU 资源，提升整体平台利用率。

3. 提升数据访问能力

DDN 高性能存储的接入，补强了训练数据读取、模型文件访问和 checkpoint 写入能力，降低数据 I/O 对 AI 任务效率的影响，为生命科学研发任务提供更稳定的数据支撑。

4. 降低扩容对现有业务的影响

超擎数智围绕客户既有环境完成评估、规划、实施和验证，保障扩容过程有序推进，减少对原有 GPU 资源和研发任务的影响。

5. 提升后续运维和扩展能力

通过标准化布线、端口映射、链路文档和交付验证，客户能够更清晰地掌握扩容后的集群结构。后续如继续新增 GPU 节点、扩展存储容量或调整网络架构，可基于本次交付形成的标准继续演进。

6. 支撑生命科学 AI 研发持续升级

扩容后的平台可更好支撑蛋白设计、结构预测、序列生成、工艺优化、智能质控和实验数据分析等 AI 场景，为金斯瑞生命科学业务的持续智能化升级提供算力和数据基础。

六、结语

本次金斯瑞 AI 算力平台扩容项目，不是一次简单的新增设备交付，而是一次面向既有 AI 计算环境的平滑升级实践。超擎数智通过新增 H20 GPU 服务器、SN9700 高速交换机和 DDN 高性能存储，并将其与客户原有 GPU 服务器和 9700 交换网络融合组网，帮助客户实现新旧资源协同运行、算力能力增强和数据访问能力提升。

对于生命科学企业而言，AI 能力建设往往是一个持续演进过程。如何在已有资源基础上平滑扩容，如何让新旧设备协同工作，如何避免算力、网络和存储割裂，是决定平台长期价值的重要因素。

未来，超擎数智将继续依托 AI 算力、网络、存储和工程交付能力，帮助生命科学、医药研发、工业制造等行业客户构建可扩展、可运维、可持续演进的 AI 计算平台，让 AI 算力更稳定地支撑业务创新。