Når AI-konkurrencen handler om mere end en god model

Den syvende National College Student Computer Systems Capability Competition Intelligent Computing Innovation Design Competition – normalt kaldet XianDao Cup – stillede et spørgsmål, som klassiske algoritmekonkurrencer ofte ikke besvarer: Kan en model ikke bare levere det rigtige resultat, men også køre hurtigt, stabilt og effektivt på en virkelig computerplatform?

Konkurrencen samlede over 500 hold og mere end 1.900 studerende fra 160 universiteter. Forløbet strakte sig over næsten tre måneder og bestod af online indledende runder, lukket praktisk arbejde på stedet og afsluttende mundtlige forsvar. Bedømmelsen omfattede teknisk innovation, systemydelse, ingeniørmæssig gennemførelse og anvendelsesværdi. 2714

Fra beregningskonkurrence til intelligent systemteknik

XianDao Cup er sporet for intelligent computing i den nationale konkurrence for universitetsstuderendes systemkompetencer. I omtalen af konkurrencen beskrives det som konkurrencens eneste særskilte spor med fokus på intelligent computing. Målet er at uddanne tværfaglige ingeniører, der kan håndtere flaskehalse i softwaremiljøer og i videnskabelige eller industrielle anvendelser. 710

Konkurrencens rødder går tilbage til 2020, hvor den allerede var åben for universitetsstuderende. I 2024 blev XianDao Cup føjet til den nationale systemkompetencekonkurrence som et nyt spor for intelligent computing. De tidligere udgaver lagde stor vægt på videnskabelige beregninger og optimering af anvendelser, mens den sjette og syvende udgave i højere grad tog store sprogmodeller, maskinlæringssystemer og optimering til indenlandske acceleratorer op. 1618

Det er også forklaringen på konkurrencens særlige profil. Holdene afleverer ikke blot en algoritme og venter på en score. De skal få en samlet løsning til at fungere under konkrete begrænsninger i hardware, software, modeldrift og den valgte anvendelse.

Hvorfor deltog så mange hold?

Konkurrencens størrelse hænger sammen med kombinationen af en national ramme, praktiske opgaver og adgang til computerressourcer, som de fleste studenterhold ikke selv ville kunne samle. Konkurrencen blev arrangeret i fællesskab af Sugon og Tongji University, mens omtalen beskriver støtte fra det nationale supercomputerinternet og indenlandske AI-klynger. 69

Ifølge kilderne kunne deltagerne arbejde gennem hele kæden: træning og fejlfinding af modeller, flytning til en ny platform, ydelsesjustering og den endelige evaluering. Omtalen henviser også til en AI-superklynge med 100.000 kort samt Tongji Universitys indenlandske ingeniør-AI-klynge med omkring 1.000 kort som en del af konkurrencens bredere infrastruktur. 91112

De mest vidtgående formuleringer bør dog læses med forbehold. Materialet understøtter, at der blev stillet indenlandske computerressourcer, teknisk støtte og træningsmiljøer til rådighed. Men kilderne er hovedsageligt event- og brancheomtaler og indeholder ikke tilstrækkelig uafhængig teknisk dokumentation til at bekræfte alle påstande om gratis adgang, fuldt indenlandsk opbygning eller at være først i verden eller i Kina. De formuleringer kan derfor ikke behandles som selvstændigt fastslåede fakta.

To opgaver, der flyttede fokus væk fra modelnøjagtighed

1. Hurtigere Qwen-inferens på indenlandske acceleratorer

Den første opgave handlede om at optimere inferenstjenester for den store Qwen-model på indenlandske accelerator-kort. Holdene skulle arbejde med implementering og acceleration, men samtidig tage hensyn til effektivitet, ressourceudnyttelse, systemstabilitet og tilpasning til den konkrete platform. 6910

I praksis betyder det, at deltagerne skulle afveje svartid, brug af acceleratorhukommelse og gennemløb. En løsning kan godt give korrekte svar uden at være egnet til drift, hvis den reagerer for langsomt, bruger hardwaren ineffektivt eller bliver ustabil under belastning.

Opgaven gjorde derfor den tekniske virkelighed tydelig: En model, der kan "køre", er kun begyndelsen. Den skal også kunne køre hurtigt og stabilt på det system, den faktisk skal bruge.

2. En vejrmodel på OneScience

Den anden opgave fokuserede på let implementering og optimering af inferens for en vejrmodel i det indenlandske videnskabelige computing-økosystem OneScience. Eventomtalen beskriver opgaven som en AI-for-Science-anvendelse med vejrprognoser og et scenarie med begrænsninger fra satellitter i lavt kredsløb om Jorden. 9

OneScience præsenteres som en platform, der dækker træning, optimering og inferens af modeller inden for blandt andet geovidenskab, biologi, væskesimulering og materialekemi. Opgaven kobler dermed modeloptimering til mulige anvendelser som varsling af naturkatastrofer, energidisponering, landbrug, skibsfart og atmosfærestyring.

Flere omtaler gentager en påstand om, at prognoser kan blive over 1.000 gange hurtigere. Det bør læses som en specifik ydelsespåstand for en bestemt model eller anvendelse – ikke som en generel garanti. De tilgængelige kilder angiver ikke en reproducerbar benchmark-definition, et sammenligningssystem, en sammenligning af prognosenøjagtighed eller de betingelser, der ligger bag tallet.

Hvad betyder modellen "1+1+1"?

Et centralt element var den såkaldte "1+1+1"-model for fælles opgaveudvikling. Hver opgave involverede en ansvarlig ekspert, en universitetsunderviser og et teknisk virksomhedsteam. Eksperten stod for faglig kontrol, universitetet for den pædagogiske udformning og bedømmelseskoordineringen, mens virksomhedsteamet bidrog med industrielle krav, platformstilpasning og teknisk validering. 151920

Strukturen skulle omsætte virkelige tekniske flaskehalse til opgaver, som studerende både kunne gennemføre og vurderes på. Den forsøger samtidig at forene tre hensyn:

• Faglig relevans: Opgaven skal afspejle et reelt teknisk problem.
• Læringsværdi: Studerende skal kunne forstå og løse den inden for konkurrencens rammer.
• Industriel realisme: Resultatet skal testes mod konkrete krav til systemet.

Finalen understøttede samme idé. Den blev afviklet som lukket, offline praktisk arbejde med blackbox-test, ekspertbedømmelse og mundtlige forsvar. Ifølge omtalen skulle formatet mindske deltagernes afhængighed af eksterne tjenester og forudindspillede demonstrationer, så resultaterne kunne sammenlignes i et fælles miljø. 11121519

En anden måde at undervise i AI på

Den tydeligste læring fra konkurrencen er, at kompetence i AI-systemer ikke kan måles på kendskab til modeller alene. De studerende skulle finde flaskehalse, vælge optimeringsmetoder, tilpasse software til hardware, måle ydelsen og forklare deres valg under pres.

Det gør XianDao Cup til mere end en konkurrence: Den fungerer også som et bindeled mellem uddannelse og industri. Deltagerne får erfaring med indenlandske processorer og acceleratorer, systemer til modeldrift, videnskabelige computing-platforme og optimering på tværs af software og hardware. Virksomhederne får samtidig mulighed for at se, hvordan holdene klarer sig i kontrollerede test – ikke kun i en poleret præsentation. 61020

Konkurrencen peger dermed på en uddannelsesmodel, hvor undervisning, praktisk træning, campuskonkurrencer og national evaluering bindes sammen i ét forløb. Det er rimeligt at se modellen som en mulig vej til at uddanne ingeniører til Kinas software-, hardware- og AI-sektorer. Men konkurrencen dokumenterer ikke i sig selv langsigtede arbejdsmarkedsresultater eller fuld teknologisk uafhængighed.

Den bredere betydning ligger i selve testen. XianDao Cup spørger ikke kun, om studerende kan bygge en intelligent model. Den spørger, om de kan få modellen til at fungere godt på en konkret platform, i en konkret anvendelse og med resultater, der holder til en standardiseret evaluering.