ASC2026决赛揭示：AI差的不仅是算力

5月16日至20日，第十三届ASC世界大学生超级计算机竞赛（ASC26）总决赛在无锡学院圆满落幕。历经十余载深耕，ASC赛事早已超越普通校园竞赛的范畴，成为观测全球超算产业迭代、算力人才培育、AI与超算融合发展的核心窗口。

在赛场之外，一个更大的“考场”正在展开。IDC数据显示，2026年中国智能算力规模预计将达到1460.3 EFLOPS，为2024年的两倍。与此同时，高性能计算工程师的人才供需比低至0.15——每1个合格求职者面临7家公司的争夺，算法工程师等核心AI岗位的供需也呈现显著的不平衡。

一边是算力基础设施的狂飙突进，一边是产业尖端人才的“用工荒”。ASC26总决赛的赛场，恰好提供了一个观察这场张力如何在青年一代身上具体展开的绝佳窗口。

算力时代，缺的不仅是算力

2026年4月14日，中国最大的AI4S（AI for Science）计算集群在国家超算互联网核心节点投入使用。该集群达6万卡规模，6款核心芯片全部自主可控，可同时支撑传统科学工程计算与AI大模型训练。就在同一个月，华泰证券发布研报，判断2026年为“国产超节点元年”，测算2028年国产超节点市场空间有望达到3414亿元，2026年至2028年年复合增长率高达194%。

超算产业的“快车道”已然铺就，但谁来驾驭这条快车道，却是整个行业面临的棘手难题。

根据IDC发布的《中国人工智能计算力发展评估报告》，2024年中国智能算力规模已达725.3EFLOPS，同比增长74.1%，增幅是同期通用算力（20.6%）的3倍以上。预计2025年中国人工智能算力市场规模将达到259亿美元，2026年进一步提升至337亿美元。算力正在以指数级速度扩张，但能够理解并行计算原理、驾驭大规模集群调度、精准优化异构算力性能的人才，却远跟不上这一节奏。

2026年春招数据显示，高性能计算工程师的岗位需求与合格人才供给之悬殊尤为突出。在华东师范大学春季新工科专场招聘会上，高性能计算工程师的供需比低至0.15——相当于1个求职者面对7家公司的争抢。SLAM算法工程师岗位供需比为0.21，规控算法工程师为0.23，约4家公司争抢1人。有媒体报道，在部分头部企业招聘现场，AI领域核心岗位的月薪普遍在7万元左右，顶尖AI科学家的月薪则超过13万元。

ASC的赛场，正是将这种供需矛盾具象化为一场实战“压强测试”的练兵场。本届ASC总决赛设置了7道核心赛题：从国际通行基准测试HPL和HPCG，到世界模型UnifoLM-WMA-0推理加速，从引力波数值模拟AMSS-NCKU到量子线路仿真QiboTN，从神秘应用赛题——图灵奖得主杨立昆团队最新发布的LeWorldModel推理优化，到超级团队赛专属的全球气候数值模拟ICON，再到经典的科学计算基准。这些赛题几乎全部来自真实科研前沿：ICON是2025年戈登贝尔气候建模奖获奖应用，AMSS-NCKU是中国首个数值相对论计算程序，QiboTN则是全球量子科研领域的核心工具框架。

“这些赛题来自戈登贝尔奖获奖应用、全球顶尖科研机构的真实科研任务，让学生在校期间即可接触到最前沿的科研方向、产业命题。”ASC竞赛组委会委员刘羽如是说。

一位负责UnifoLM-WMA-0赛题的选手赛后坦言，前期备赛阶段他们已经有了较成熟的优化方案，但决赛当天才发现组委会对代码做出了多处调整，随机数生成逻辑也发生了变化，“之前做的方案跑出了很大的精度误差，我们到最后一个小时才解决这个问题，最后十分钟才达到赛前所做的优化水平。”这种不确定性，恰恰模拟了科研攻关和产业实战中最真实的挑战。

超智融合已成重点

长期以来，超算与AI算力被视作两条独立的技术赛道：传统超算聚焦高精度科学计算，主打数值模拟、科研仿真，追求计算精准度与物理逻辑一致性；AI算力侧重智能推理、数据训练，主打模型迭代、场景落地，追求运算效率与泛化能力。但随着具身智能、数字孪生、量子仿真等前沿领域快速突破，两大算力赛道的边界持续消融，AI赋能超算优化、超算夯实AI算力底座的双向融合范式，成为本届ASC26大赛最鲜明的技术特征，也精准预判了全球算力产业的发展新趋势。

本届大赛所有核心赛题均紧扣产业前沿与科研刚需，彻底摆脱传统超算竞赛单一基准测试的局限，将AI融合优化贯穿全程，让赛场成为新技术落地的试验场。总决赛七大赛题中，四款核心应用赛题均围绕AI与超算协同创新设计，涵盖图灵奖得主前沿模型、国家重点科研项目、国际顶级获奖成果，技术含金量与产业适配度创下历届新高。其中，e Prize最高单项奖对应的UnifoLM-WMA-0具身智能世界模型推理赛题、神秘应用赛题LeWorldModel世界模型优化，直指当前AI产业化核心痛点。

当前主流世界模型依赖云端部署，推理延迟高达数百毫秒，无法满足机器人实时交互需求，端侧部署又受限于算力与功耗瓶颈，而ASC26全面放开量化精度、采样算法、算子融合、模型剪枝等所有优化手段，要求选手在PSNR信噪比≥25的精度底线之上，极致压榨推理速度，探索具身智能落地的最优解。

清华大学亚军战队的备赛经历完整展现了人机协同的落地形态。团队与AI科技公司深度合作，定制开发MIA专属AI Agent，接入飞书工作体系并开放代码编写、集群调度、文档生成等权限。在整场赛事200余次代码迭代中，MIA独立完成了80%的IO调度、通信适配、基础代码调试等重复性工作，团队成员仅聚焦20%的核心攻坚任务，重点负责GPU调优、算法重构、精度校准等关键环节。但赛事高压场景下，AI的局限性同样暴露无遗：决赛精度测试环节，AI优化后的代码出现隐性精度偏差，团队耗时六个小时人工排查，才找到AI迭代过程中忽略的细节漏洞。这一实战经验印证了行业共识：AI可大幅降低超算优化的基础门槛，但复杂科研级算力优化，仍需人类把控核心逻辑与精度底线。

除AI世界模型赛道外，引力波数值模拟、量子线路仿真、全球气候数字孪生等传统超算赛题，也全面融入AI优化思维，实现算力应用的跨界突破。AMSS-NCKU引力波模拟赛题，需要参赛队伍基于爱因斯坦场方程进行求解，具备多尺度、强非线性的复杂特征。而本届参赛队伍创新引入AI算法辅助瓶颈定位与参数调优，优化效果远超组委会预期，部分队伍产出的优化代码精度与效率，甚至得到一线科研人员的高度认可，有望直接应用于宇宙引力波探测的真实科研工作。在戈登贝尔奖获奖的ICON全球气候数值模拟赛题中，中外联合超级团队借助AI快速梳理模块耦合逻辑、优化资源调度策略，有效破解了高分辨率地球模拟中“精度与速度难以兼得”的行业难题。

AI时代的人才底色以变

随着超智融合趋势演进，对于相应的复合型人才的需求也愈发旺盛。从ASC26的赛场向外看，这场竞赛所折射的人才观变革，也恰好对应着当前中国超算产业面临的两大转型。

一方面，AI4S所带来的超大规模集群越来越多，且越来越大，这种算力的爆发式增长，本身就在改变“计算”的含义。正如刘羽所言，“AI for Science正在重构科研范式”，AI不再是等待超算去处理的载荷，而是成为超算体系中的一个核心支柱。

这意味着，未来的超算工程师，不仅要懂并行计算、懂HPC集群设计，还要懂大模型推理优化、懂Agent框架的设计与适配。

另一方面，国家级基础设施的高速建设，正在对人才素质提出全新的要求。“算力不是简单地架一个服务器集群就可以了，”无锡学院副校长曹广喜进一步指出，“它需要既懂编程和网络，又懂数学建模和具体应用场景的复合型人才。”

与此同时，在几乎全民应用AI的时代，AI在带来便捷的同时，却也并不是“万能钥匙”。在赛场之上，选手们的实战探索生动诠释了人机协同优化的全新算力研发模式，打破了行业对“AI万能优化”的片面认知。北京大学冠军战队在赛后坦言，备赛阶段团队高度依赖AI Agent完成代码迭代与基础优化工作，但决赛首日遭遇赛题突发调整，原有AI优化逻辑陷入固化误区，持续在错误方向迭代，无法适配新的随机数生成逻辑。关键时刻，团队成员摒弃AI固有思路，凭借底层算法积累精准定位问题根源，手动修正核心代码架构后，再借助AI高效完成批量代码改写与细节迭代，最终实现效率最大化。这一过程让参赛选手深刻意识到，AI是超算优化的高效工具，但无法替代人类的逻辑判断、方向把控与问题创新能力。

清华大学的代表也与笔者分享了类似经历：“在赛场上的精度测试下，我们优化出来的正确性有问题。我和MIA合作，但十个小时的比赛时间，过了六个小时才成功发现问题。AI Agent确实很有用，但最好还是要审查一下它写的代码。”

“AI Agent正在成为超算比赛中的标配工具，但它离不开人的方向判断和问题定义能力”——这几乎是所有参赛队伍在赛后得到的共识。这背后折射出的深层含义在于：当大模型越来越“强大”到可以完成基础代码编写和性能优化时，人类工程师的核心价值正在向“定义问题边界、提出优化方向、确保物理正确性”等高阶能力位移。

ASC26已经落幕，但中国超算人才的培养，才刚刚进入高潮。

（文｜Leo张ToB杂谈，作者｜张申宇，编辑丨杨林）