在大模型训练方面，科学计算大模型的训练面临极高的性能门槛。飞桨大规模自适应混合并行训练技术，通过端到端自适应分布式训练、自动容错等技术，实现了高效、稳定的大规模深度学习训练。多芯片适配能力是飞桨的另一项核心优势。飞桨已适配60多个系列芯片，通过软硬件分层对接、计算存储通信组合优化等技术，降低硬件适配成本，提升计算效率。

在应用方面，王海峰展示了深度学习在工业制造、生物医药和材料科学等领域的巨大潜力。例如，在高铁空气动力学设计中，基于飞桨的高铁外形仿真设计，仿真计算周期从天级缩短至秒级；在生物计算领域，HelixFold系列模型在蛋白质结构预测、生物分子相互作用建模等任务上持续取得突破，推理大模型HelixFold-S1基于引导规划的采样策略，实现了“先接触预测、后引导采样”的推理过程，突破了复杂结构预测的性能瓶颈。

最后，王海峰表示，人工智能将重塑科研范式，加速科学发现与科技创新。产业界、学术界与科研机构加强协同，为加快人工智能发展、实现高水平科技自立自强贡献更大力量。

（图片由AI辅助生成）