AI竞赛的竞争，已经从模型延伸到算力基础设施

作者 | 常棣

编辑 | 葛覃

一套成熟的开源大模型摆在面前，还能比什么？“先导杯”把答案落在了显存管理、算子融合和任务调度上，也把模型竞赛带到了算力基础设施深处。

8月12日至15日，2026年全国大学生计算机系统能力大赛智能计算创新设计赛先导杯决赛及颁奖活动在同济大学举行，赛事共吸引全国160所高校的500余支队伍报名，参赛学子超过1900人。

两道赛题都指向AI应用中的棘手问题，其中，Qwen大模型推理服务优化聚焦长文本场景，显存占用过高和吞吐不足是参赛团队必须解决的瓶颈；气象大模型推理部署则把模型放进国产科学智算环境，要求选手在算力约束下兼顾轻量化和推理效率。

比赛采用固定模型和统一评测环境，选手需要深入模型运行的底层环节，分析KV Cache的显存管理方式，调整算子融合方案和调度路径，再把有限的计算资源分配到最需要的地方，任何一个环节处理不当，都会反映在推理速度和系统稳定性上。

本届赛题直指当下AI产业的核心卡点，模型能力依然重要，但算力供给和资源组织能力，正日益影响科研创新的速度与成果质量。

模型走出实验室，算力效率决定落地速度

以往大模型竞赛的聚光灯主要集中在参数规模和评测成绩上，进入应用阶段后，企业和科研团队发现，排行榜上的优势并不会自动转化为实际生产力。

长文本推理需要持续占用大量显存，科学智能任务通常涉及高精度计算和复杂数据处理，模型规模扩大后，通信和存储也可能成为瓶颈，即便算法方案相同，部署环境和系统优化方式不同，推理速度及资源利用率也会出现明显差异。

先导杯将这些工程问题直接写进赛题，Qwen大模型推理服务优化要求选手分析KV Cache显存管理和调度路径，在固定边界内压缩时延并提升吞吐。

气象大模型赛题则把AI for Science带入竞赛环境，模型需要快速输出温度和气压等多类气象要素，还要兼顾部署成本与运行效率。

这些任务没有停留在模型精度层面，参赛团队需要查看性能数据，定位访存和计算瓶颈，再调整算子及任务流程。某个局部优化加快一段计算，却可能给其他环节增加负担；一项方案在小规模测试中表现良好，扩大负载后也可能失去稳定性。

这意味着，选手们需要寻找全局优解，最终接受检验的是整套系统，而非某个孤立指标。

类似矛盾在科研领域也很常见，研究人员可能拥有新的模型思路，却缺少连续可用的计算资源，高校能够完成理论研究，却难以获得接近产业环境的验证条件，不同任务使用不同精度和软件框架，单点配置计算设备很难兼顾全部需求。

AI模型的能力写在参数里，能否高效运行，却要看背后的计算系统，先导杯把这场常被低估的较量搬上了赛场。

把算力送进场景，创新飞轮才会加速运转

本届先导杯使用国家超算互联网核心节点提供的万卡级算力资源，并引入超智融合算力和同济国产千卡集群实践，参赛团队可以在国产智能计算环境中完成训练和调试，决赛评测也建立在统一的真实算力条件之上。

国家超算互联网核心节点承担的工作并非简单堆卡，大模型推理偏重吞吐效率，科学计算重视精度和并行能力，气象等交叉学科任务还涉及数据处理及复杂软件环境。超智融合算力将高端计算与智能计算纳入协同体系，再通过资源调度匹配不同负载，为多类科研任务提供统一支撑。

开放计算生态则解决的是使用问题，高校师生获得计算资源后，还需要模型和框架能够顺利运行，也需要开发工具及技术支持降低适配成本。缺少这些条件，再强的算力卡也可能停留在资源清单里，中科曙光在赛事中提供算力保障，同时参与赛题设计和技术培训，让计算资源沿着实际任务进入教学环节。

此外，每道赛题由责任专家和高校出题教师及技术团队共同完成设计与验证。高校教师把握教学目标，产业技术人员检查工程条件，责任专家负责专业监督与评测公平，学生接触的不是抽象命题，而是经过技术验证的产业问题。

在国产AI全栈技术体系中，一条较为完整的创新链条就此出现。

算力基础设施为高校开放，产业问题被整理成可执行的任务，学生在竞赛中完成模型部署和系统调优，实践经验随后进入课程建设及开发者生态，算力+场景+人才不再是三个并列标签，它们在同一项任务中彼此咬合。

对中科曙光来说，先导杯也不只是一次赛事保障工作，国家超算互联网核心节点提供规模化算力，超智融合架构负责组织不同类型的计算任务，开放计算生态帮助开发者使用这些资源。

AI创新的下一段竞争仍然需要更好的模型，但模型背后还有一套日益复杂的基础设施。

稳定的算力供给可以缩短实验等待时间，成熟的调度体系能够提高资源利用效率，真实场景可以检验技术价值，具备系统能力的人才负责把各个环节接起来。先导杯呈现的，正是这套创新链条在国产算力平台上的一次集中检验。

The End