Slik gjorde 2026-utgaven av XianDao Cup AI til en ingeniørprøve

Den sjuende nasjonale studentkonkurransen i datasystemers kapasitet – konkurransen i intelligent databehandling og innovativ design, vanligvis kalt XianDao Cup, stilte et spørsmål som mange tradisjonelle algoritmekonkurranser ikke besvarer:

Kan en modell ikke bare fungere, men også kjøre raskt, stabilt og effektivt i en faktisk teknologistakk?

I 2026 deltok over 500 lag og mer enn 1 900 studenter fra 160 universiteter. Konkurransen strakte seg over nær tre måneder og besto av nettbasert innledende arbeid, lukket praktisk testing på stedet og muntlige forsvar. Vurderingen omfattet teknisk nyskaping, systemytelse, ingeniørmessig gjennomføring og praktisk anvendelsesverdi. 2714

Fra studentkonkurranse til systemtest

XianDao Cup er sporet for intelligent databehandling i den nasjonale konkurransen i datasystemers kapasitet. Omtaler beskriver den som konkurransens eneste rendyrkede spor for intelligent databehandling. Målet er å utdanne tverrfaglige ingeniører som kan løse flaskehalser i programvaremiljøer og i vitenskapelige eller industrielle anvendelser. 710

Konkurransen var allerede åpen for universitetsstudenter i 2020. I 2024 ble den innlemmet som et eget spor i den nasjonale systemkonkurransen. De første utgavene la særlig vekt på vitenskapelige beregninger og optimalisering av anvendelser. I den sjette og sjuende utgaven ble søkelyset utvidet til blant annet inferens for store modeller, maskinlæringssystemer og optimalisering for kinesiske akseleratorer. 1618

Det er denne utviklingen som gir konkurransen dens særpreg. XianDao Cup handler ikke først og fremst om å levere inn en algoritme og vente på en poengsum. Den forsøker å knytte sammen teori fra undervisningen og begrensningene i maskinvare, programvarerammeverk, modellservering og vitenskapelige applikasjoner.

Hvorfor så mange lag deltok

Konkurransen kombinerte en nasjonal ramme med praktiske oppgaver og tilgang til datakraft som studentlag normalt ville hatt vanskeligheter med å skaffe på egen hånd. Den ble arrangert av teknologiselskapet Sugon og Tongji-universitetet, og omtaler viser til støtte fra det nasjonale superdatamaskinnettet og kinesiske AI-klynger. 69

Ifølge dekningen støttet trenings- og evalueringsmiljøet hele arbeidsflyten – fra modelltrening og feilsøking til migrering, ytelsesjustering og endelig vurdering. Det er også vist til et AI-superkluster med 100 000 kort og Tongjis tekniske AI-klynge med 1 000 kort som deler av infrastrukturen rundt arrangementet. 91112

Her er det likevel grunn til å skille mellom dokumenterte forhold og arrangør- eller bransjepåstander. Kildene underbygger at kinesiske datarressurser, teknisk støtte og treningsmiljøer ble gjort tilgjengelige. De gir derimot ikke nok uavhengig teknisk dokumentasjon til å kontrollere alle påstander om «gratis» tilgang, «fullt kinesisk» oppsett eller at infrastrukturen var den første av sitt slag. Slike formuleringer bør derfor leses med forbehold.

To oppgaver som gikk langt forbi modellnøyaktighet

1. Qwen-inferens på kinesiske akseleratorer

Den første oppgaven handlet om å optimalisere inferenstjenester for den store Qwen-modellen på kinesiske akseleratorkort. Lagene måtte jobbe med utrulling og inferensakselerasjon, samtidig som de tok hensyn til effektivitet, ressursutnyttelse, systemstabilitet og tilpasning til målmiljøet. 6910

I praksis betyr det å balansere flere hensyn samtidig:

• hvor raskt systemet svarer
• hvor mye minne på akseleratoren det bruker
• hvor mange forespørsler det kan håndtere
• hvordan det oppfører seg under belastning

En modell som gir riktige svar, men reagerer for sent, sløser med maskinvaren eller blir ustabil når trafikken øker, er ikke klar for produksjon. Oppgaven flyttet dermed oppmerksomheten fra modellens overordnede egenskaper til det krevende arbeidet med å gjøre den anvendelig.

2. Værmodell på OneScience

Den andre oppgaven fokuserte på lettvektsutrulling og inferensoptimalisering av en værmodell i det kinesiske vitenskapelige databehandlingsmiljøet OneScience. Omtaler beskriver dette som en AI for Science-anvendelse innen værvarsling, med et scenario knyttet til en satellitt i lav jordbane. 9

OneScience presenteres som en plattform for utvikling av vitenskapelig AI, fra trening og optimalisering til inferens. Den er rettet mot områder som geovitenskap, biologi, væskesimulering og materialkjemi.

En slik oppgave knytter modelloptimalisering til mulige bruksområder som farevarsling, energidisponering, landbruk, skipsfart og forvaltning av atmosfæriske forhold. Samtidig gjentar flere omtaler en påstand om at værvarsling kan bli mer enn 1 000 ganger raskere. Dette bør forstås som et spesifikt resultat for en modell eller anvendelse – ikke som en generell garanti.

Kildene oppgir ikke en reproduserbar definisjon av målingen, hvilket basissystem som ble brukt, hvordan nøyaktigheten ble sammenlignet eller hvilke betingelser som lå bak tallet. Det er derfor ikke mulig å verifisere multiplikatoren uavhengig ut fra materialet som foreligger.

«1+1+1»-modellen skulle koble universitet og arbeidsliv

Et sentralt grep var den såkalte «1+1+1»-modellen for felles oppgaveutforming. Hver oppgave skulle involvere en ansvarlig ekspert, en oppgaveutvikler fra universitetet og et teknisk team fra næringslivet. Eksperten skulle ivareta faglig oppfølging og akademisk kvalitet, universitetet skulle stå for pedagogisk utforming og vurderingskoordinering, mens bedriftsteamet bidro med industrielle krav, plattformtilpasning og teknisk validering. 151920

Modellen gjorde det mulig å omforme reelle tekniske flaskehalser til oppgaver som studenter kunne løse og bli vurdert på. Den forsøkte samtidig å forene tre hensyn som ofte spriker i konkurranser:

• Faglig relevans: Oppgaven må bygge på meningsfull teknologisk utvikling.
• Læringsverdi: Studenter må kunne forstå, lære og fullføre arbeidet.
• Industriell realisme: Resultatet må prøves mot konkrete systembegrensninger.

Finaleformatet forsterket dette. 2026-utgaven brukte lukket, frakoblet praktisk arbeid og svartboks-testing, kombinert med ekspertvurdering og muntlig forsvar. Ifølge omtaler skulle dette redusere avhengigheten av eksterne tjenester og forhåndsprogrammerte demonstrasjoner, slik at resultatene kunne sammenlignes i et felles miljø. 11121519

Hva konkurransen sier om AI-utdanning

Den tydeligste lærdommen er at kompetanse på AI-systemer ikke kan måles gjennom kjennskap til modeller alene. Studentene måtte finne flaskehalser, velge optimaliseringsmetoder, tilpasse programvare til maskinvare, måle ytelse og forklare valgene sine under press.

Det gjør konkurransen til en mulig bro mellom utdanning og arbeidsliv. Deltakerne fikk erfaring med kinesiske prosessorer og akseleratorer, systemer for modellservering, plattformer for vitenskapelig databehandling og samoptimalisering av programvare og maskinvare. Arbeidsgivere fikk på sin side et innblikk i hvordan lagene presterte under kontrollerte tester, i stedet for bare å se polerte demonstrasjoner. 61020

Arrangementet peker dermed mot en opplæringsmodell der undervisning, praktisk trening, campuskonkurranser og nasjonal evaluering henger sammen i én progresjon. Det er rimelig å se dette som en mulig vei til å utvikle ingeniører for Kinas AI-, programvare-, maskinvare- og systemsektorer.

Men konkurransen dokumenterer ikke i seg selv langsiktige resultater i arbeidsmarkedet eller full teknologisk selvstendighet. Det den først og fremst viser, er et endret syn på hva som skal testes.

Spørsmålet er ikke lenger bare om studentene kan bygge en intelligent modell. Det er om de kan få modellen til å fungere godt på en virkelig plattform, i en virkelig anvendelse, med resultater som tåler standardisert kontroll.