1. 教科研场景：多学科应用需求复杂

• 涉及学科广： 涵盖了从分子动力学（Gromacs, lammps）、流体力学（fluent, vasp）、量子化学（Gaussian）、气象（WRF）到AI（TensorFlow）和大数据（Spark）等多种应用。
• 架构需求多样： 需要同时支持传统高性能计算（HPC）、AI计算和大数据分析，对底层基础设施的兼容性要求极高。

2. 制造链条：流程长且前后端处理割裂

• 流程繁琐： 产品制作流程涉及“建模预处理 -> 计算求解 -> 分析后处理”三个主要阶段。
• 数据搬运耗时： 前后端作业涉及大量数据拷贝（从图形工作站到Linux集群再返回），导致等待时间长，效率低下。
• 断裂感强： 整个制造链条长，前后端处理缺乏无缝衔接。

3. 集群管理：运维难度大，管理复杂

• 运营复杂（资源分配）： 传统方案依赖复杂的手工配置，资源分配不灵活，导致资源利用率偏低。
• 服务响应任务多： 资源不足时需评估项目重要性并手工分配，且需频繁提供应用技术支持，人力成本高。
• 维护能力要求高： 集群系统包含多种异构硬件和软件，对部署、维护和排错的技术能力提出了很高的门槛。