ASC2026決賽揭示：AI差的不僅是算力

5月16日至20日，第十三屆ASC世界大學生超級計算機競賽（ASC26）總決賽在無錫學院圓滿落幕。歷經十余載深耕，ASC賽事早已超越普通校園競賽的范疇，成為觀測全球超算產業迭代、算力人才培育、AI與超算融合發展的核心窗口。

在賽場之外，一個更大的“考場”正在展開。IDC數據顯示，2026年中國智能算力規模預計將達到1460.3 EFLOPS，為2024年的兩倍。與此同時，高性能計算工程師的人才供需比低至0.15——每1個合格求職者面臨7家公司的爭奪，算法工程師等核心AI崗位的供需也呈現顯著的不平衡。

一邊是算力基礎設施的狂飆突進，一邊是產業尖端人才的“用工荒”。ASC26總決賽的賽場，恰好提供了一個觀察這場張力如何在青年一代身上具體展開的絕佳窗口。

算力時代，缺的不僅是算力

2026年4月14日，中國最大的AI4S（AI for Science）計算集群在國家超算互聯網核心節點投入使用。該集群達6萬卡規模，6款核心芯片全部自主可控，可同時支撐傳統科學工程計算與AI大模型訓練。就在同一個月，華泰證券發布研報，判斷2026年為“國產超節點元年”，測算2028年國產超節點市場空間有望達到3414億元，2026年至2028年年復合增長率高達194%。

超算產業的“快車道”已然鋪就，但誰來駕馭這條快車道，卻是整個行業面臨的棘手難題。

根據IDC發布的《中國人工智能計算力發展評估報告》，2024年中國智能算力規模已達725.3EFLOPS，同比增長74.1%，增幅是同期通用算力（20.6%）的3倍以上。預計2025年中國人工智能算力市場規模將達到259億美元，2026年進一步提升至337億美元。算力正在以指數級速度擴張，但能夠理解并行計算原理、駕馭大規模集群調度、精準優化異構算力性能的人才，卻遠跟不上這一節奏。

2026年春招數據顯示，高性能計算工程師的崗位需求與合格人才供給之懸殊尤為突出。在華東師范大學春季新工科專場招聘會上，高性能計算工程師的供需比低至0.15——相當于1個求職者面對7家公司的爭搶。SLAM算法工程師崗位供需比為0.21，規控算法工程師為0.23，約4家公司爭搶1人。有媒體報道，在部分頭部企業招聘現場，AI領域核心崗位的月薪普遍在7萬元左右，頂尖AI科學家的月薪則超過13萬元。

ASC的賽場，正是將這種供需矛盾具象化為一場實戰“壓強測試”的練兵場。本屆ASC總決賽設置了7道核心賽題：從國際通行基準測試HPL和HPCG，到世界模型UnifoLM-WMA-0推理加速，從引力波數值模擬AMSS-NCKU到量子線路仿真QiboTN，從神秘應用賽題——圖靈獎得主楊立昆團隊最新發布的LeWorldModel推理優化，到超級團隊賽專屬的全球氣候數值模擬ICON，再到經典的科學計算基準。這些賽題幾乎全部來自真實科研前沿：ICON是2025年戈登貝爾氣候建模獎獲獎應用，AMSS-NCKU是中國首個數值相對論計算程序，QiboTN則是全球量子科研領域的核心工具框架。

“這些賽題來自戈登貝爾獎獲獎應用、全球頂尖科研機構的真實科研任務，讓學生在校期間即可接觸到最前沿的科研方向、產業命題。”ASC競賽組委會委員劉羽如是說。

一位負責UnifoLM-WMA-0賽題的選手賽后坦言，前期備賽階段他們已經有了較成熟的優化方案，但決賽當天才發現組委會對代碼做出了多處調整，隨機數生成邏輯也發生了變化，“之前做的方案跑出了很大的精度誤差，我們到最后一個小時才解決這個問題，最后十分鐘才達到賽前所做的優化水平。”這種不確定性，恰恰模擬了科研攻關和產業實戰中最真實的挑戰。

超智融合已成重點

長期以來，超算與AI算力被視作兩條獨立的技術賽道：傳統超算聚焦高精度科學計算，主打數值模擬、科研仿真，追求計算精準度與物理邏輯一致性；AI算力側重智能推理、數據訓練，主打模型迭代、場景落地，追求運算效率與泛化能力。但隨著具身智能、數字孿生、量子仿真等前沿領域快速突破，兩大算力賽道的邊界持續消融，AI賦能超算優化、超算夯實AI算力底座的雙向融合范式，成為本屆ASC26大賽最鮮明的技術特征，也精準預判了全球算力產業的發展新趨勢。

本屆大賽所有核心賽題均緊扣產業前沿與科研剛需，徹底擺脫傳統超算競賽單一基準測試的局限，將AI融合優化貫穿全程，讓賽場成為新技術落地的試驗場。總決賽七大賽題中，四款核心應用賽題均圍繞AI與超算協同創新設計，涵蓋圖靈獎得主前沿模型、國家重點科研項目、國際頂級獲獎成果，技術含金量與產業適配度創下歷屆新高。其中，e Prize最高單項獎對應的UnifoLM-WMA-0具身智能世界模型推理賽題、神秘應用賽題LeWorldModel世界模型優化，直指當前AI產業化核心痛點。

當前主流世界模型依賴云端部署，推理延遲高達數百毫秒，無法滿足機器人實時交互需求，端側部署又受限于算力與功耗瓶頸，而ASC26全面放開量化精度、采樣算法、算子融合、模型剪枝等所有優化手段，要求選手在PSNR信噪比≥25的精度底線之上，極致壓榨推理速度，探索具身智能落地的最優解。

清華大學亞軍戰隊的備賽經歷完整展現了人機協同的落地形態。團隊與AI科技公司深度合作，定制開發MIA專屬AI Agent，接入飛書工作體系并開放代碼編寫、集群調度、文檔生成等權限。在整場賽事200余次代碼迭代中，MIA獨立完成了80%的IO調度、通信適配、基礎代碼調試等重復性工作，團隊成員僅聚焦20%的核心攻堅任務，重點負責GPU調優、算法重構、精度校準等關鍵環節。但賽事高壓場景下，AI的局限性同樣暴露無遺：決賽精度測試環節，AI優化后的代碼出現隱性精度偏差，團隊耗時六個小時人工排查，才找到AI迭代過程中忽略的細節漏洞。這一實戰經驗印證了行業共識：AI可大幅降低超算優化的基礎門檻，但復雜科研級算力優化，仍需人類把控核心邏輯與精度底線。

除AI世界模型賽道外，引力波數值模擬、量子線路仿真、全球氣候數字孿生等傳統超算賽題，也全面融入AI優化思維，實現算力應用的跨界突破。AMSS-NCKU引力波模擬賽題，需要參賽隊伍基于愛因斯坦場方程進行求解，具備多尺度、強非線性的復雜特征。而本屆參賽隊伍創新引入AI算法輔助瓶頸定位與參數調優，優化效果遠超組委會預期，部分隊伍產出的優化代碼精度與效率，甚至得到一線科研人員的高度認可，有望直接應用于宇宙引力波探測的真實科研工作。在戈登貝爾獎獲獎的ICON全球氣候數值模擬賽題中，中外聯合超級團隊借助AI快速梳理模塊耦合邏輯、優化資源調度策略，有效破解了高分辨率地球模擬中“精度與速度難以兼得”的行業難題。

AI時代的人才底色以變

隨著超智融合趨勢演進，對于相應的復合型人才的需求也愈發旺盛。從ASC26的賽場向外看，這場競賽所折射的人才觀變革，也恰好對應著當前中國超算產業面臨的兩大轉型。

一方面，AI4S所帶來的超大規模集群越來越多，且越來越大，這種算力的爆發式增長，本身就在改變“計算”的含義。正如劉羽所言，“AI for Science正在重構科研范式”，AI不再是等待超算去處理的載荷，而是成為超算體系中的一個核心支柱。

這意味著，未來的超算工程師，不僅要懂并行計算、懂HPC集群設計，還要懂大模型推理優化、懂Agent框架的設計與適配。

另一方面，國家級基礎設施的高速建設，正在對人才素質提出全新的要求。“算力不是簡單地架一個服務器集群就可以了，”無錫學院副校長曹廣喜進一步指出，“它需要既懂編程和網絡，又懂數學建模和具體應用場景的復合型人才。”

與此同時，在幾乎全民應用AI的時代，AI在帶來便捷的同時，卻也并不是“萬能鑰匙”。在賽場之上，選手們的實戰探索生動詮釋了人機協同優化的全新算力研發模式，打破了行業對“AI萬能優化”的片面認知。北京大學冠軍戰隊在賽后坦言，備賽階段團隊高度依賴AI Agent完成代碼迭代與基礎優化工作，但決賽首日遭遇賽題突發調整，原有AI優化邏輯陷入固化誤區，持續在錯誤方向迭代，無法適配新的隨機數生成邏輯。關鍵時刻，團隊成員摒棄AI固有思路，憑借底層算法積累精準定位問題根源，手動修正核心代碼架構后，再借助AI高效完成批量代碼改寫與細節迭代，最終實現效率最大化。這一過程讓參賽選手深刻意識到，AI是超算優化的高效工具，但無法替代人類的邏輯判斷、方向把控與問題創新能力。

清華大學的代表也與筆者分享了類似經歷：“在賽場上的精度測試下，我們優化出來的正確性有問題。我和MIA合作，但十個小時的比賽時間，過了六個小時才成功發現問題。AI Agent確實很有用，但最好還是要審查一下它寫的代碼。”

“AI Agent正在成為超算比賽中的標配工具，但它離不開人的方向判斷和問題定義能力”——這幾乎是所有參賽隊伍在賽后得到的共識。這背后折射出的深層含義在于：當大模型越來越“強大”到可以完成基礎代碼編寫和性能優化時，人類工程師的核心價值正在向“定義問題邊界、提出優化方向、確保物理正確性”等高階能力位移。

ASC26已經落幕，但中國超算人才的培養，才剛剛進入高潮。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）