先导杯 2026: konkurs, w którym sztuczna inteligencja spotkała się z inżynierią systemów

Siódma edycja National College Student Computer Systems Capability Competition Intelligent Computing Innovation Design Competition, znana jako 先导杯 (XianDao Cup), sprawdzała coś, czego zwykłe konkursy algorytmiczne często nie mierzą: czy model można uruchomić szybko, stabilnie i efektywnie w rzeczywistym środowisku sprzętowo-programowym.

W edycji 2026 wzięło udział ponad 500 zespołów i ponad 1900 studentów ze 160 uczelni. Rywalizacja trwała niemal trzy miesiące i obejmowała eliminacje online, zamknięte testy praktyczne na miejscu oraz obrony projektów oceniane pod kątem innowacyjności technicznej, wydajności systemu, realizacji inżynierskiej i wartości zastosowań. 2714

Czym jest 先导杯 i jak się rozwijał?

先导杯 to ścieżka innowacyjnego projektowania w dziedzinie inteligentnych obliczeń w ramach ogólnokrajowego konkursu poświęconego kompetencjom systemowym studentów informatyki. W relacjach z wydarzenia określany jest jako jedyna wyspecjalizowana ścieżka inteligentnych obliczeń w tym konkursie. Jej deklarowanym celem jest kształcenie interdyscyplinarnych inżynierów zdolnych pokonywać bariery w środowiskach programistycznych oraz w zastosowaniach naukowych i przemysłowych. 710

Korzenie konkursu sięgają 2020 roku, gdy był już otwarty dla studentów uczelni wyższych. W 2024 roku został dodany jako nowa ścieżka inteligentnych obliczeń w ramach krajowego konkursu kompetencji systemowych. Wcześniejsze edycje koncentrowały się przede wszystkim na obliczeniach naukowych i optymalizacji zastosowań. Szósta i siódma edycja mocniej przesunęły akcent w stronę inferencji dużych modeli, systemów uczenia maszynowego i optymalizacji na krajowych akceleratorach. 1618

To właśnie odróżnia 先导杯 od konkursu, w którym wystarczy przesłać algorytm i czekać na wynik. Zadaniem uczestników jest połączenie wiedzy z zajęć z ograniczeniami infrastruktury obliczeniowej, frameworków programistycznych, serwowania modeli i zastosowań naukowych.

Skąd tak duża liczba uczestników?

Skala wydarzenia wynikała z połączenia ogólnokrajowej formuły konkursowej z praktycznymi zadaniami i dostępem do zasobów obliczeniowych, których większość zespołów studenckich nie mogłaby samodzielnie zgromadzić. Współorganizatorami były firma Sugon oraz Uniwersytet Tongji, a relacje opisywały także wsparcie Krajowego Internetu Superkomputerowego i krajowych klastrów obliczeń AI. 69

Według tych relacji środowisko szkoleniowe i ewaluacyjne obejmowało cały proces: od trenowania i debugowania modelu, przez migrację i strojenie wydajności, po końcową ocenę. W materiałach wspominano również o superklastrze AI z 100 tysiącami kart oraz o krajowym, tysiąckartowym klastrze inżynierskich obliczeń AI na Uniwersytecie Tongji. 91112

Te opisy wymagają jednak ostrożnej interpretacji. Dostępne źródła potwierdzają zapewnienie krajowych zasobów obliczeniowych, wsparcia technicznego i środowisk szkoleniowych. Są jednak w dużej mierze relacjami organizatorów lub materiałami branżowymi. Nie zawierają wystarczającej, niezależnej dokumentacji technicznej, by zweryfikować każde określenie dotyczące „bezpłatnego” dostępu, „w pełni krajowej” konstrukcji infrastruktury czy jej statusu jako „pierwszej” tego rodzaju.

Dwa zadania, które wykraczały poza dokładność modelu

1. Optymalizacja inferencji Qwen na krajowych akceleratorach

Pierwsze zadanie dotyczyło optymalizacji usług inferencji dużego modelu Qwen na krajowych kartach akceleratorowych. Zespoły musiały zająć się wdrożeniem i przyspieszeniem inferencji, uwzględniając efektywność, wykorzystanie zasobów, stabilność systemu oraz dopasowanie do docelowego środowiska. 6910

W praktyce oznaczało to szukanie kompromisu między opóźnieniem odpowiedzi, zużyciem pamięci akceleratora i przepustowością. System, który generuje poprawne odpowiedzi, ale działa zbyt wolno, marnuje zasoby albo traci stabilność przy większym obciążeniu, nie jest jeszcze gotowy do zastosowań produkcyjnych.

Konkurs przesuwał więc uwagę z deklarowanych możliwości modelu na pracę potrzebną, by uczynić go użytecznym na konkretnym stosie sprzętowo-programowym. To właśnie obszar współoptymalizacji oprogramowania i sprzętu, z którym mierzą się zespoły wdrażające duże modele.

2. Wdrożenie modelu pogodowego w OneScience

Drugie zadanie koncentrowało się na lekkim wdrożeniu i optymalizacji inferencji modelu pogodowego w krajowym ekosystemie obliczeń naukowych OneScience. Relacje z wydarzenia opisywały je jako zastosowanie AI for Science związane z prognozowaniem pogody i ograniczonym scenariuszem satelity na niskiej orbicie okołoziemskiej. 9

Tak sformułowane zadanie łączy optymalizację modeli z potencjalnymi zastosowaniami operacyjnymi, takimi jak ostrzeganie przed katastrofami, zarządzanie dystrybucją energii, rolnictwo, transport morski czy zarządzanie atmosferą. OneScience przedstawiany jest jako platforma rozwoju AI dla nauki, obejmująca trenowanie, optymalizację i inferencję modeli w dziedzinach takich jak nauki o Ziemi, biologia, symulacje płynów i chemia materiałowa.

W relacjach powtarza się także twierdzenie, że prognozowanie mogło stać się ponad 1000 razy szybsze. Należy traktować tę liczbę jako deklarację wydajności konkretnego modelu lub zastosowania, a nie uniwersalną gwarancję. Dostępne źródła nie podają powtarzalnej definicji benchmarku, systemu bazowego, porównania dokładności prognoz ani warunków, w których uzyskano taki mnożnik.

Model „1+1+1”: jak połączono uczelnie i przemysł

Jednym z najważniejszych elementów organizacyjnych był opisany model wspólnego tworzenia zadań „1+1+1”. Każde zadanie przygotowywali wspólnie ekspert odpowiedzialny za temat, przedstawiciel uczelni oraz techniczny zespół przedsiębiorstwa. Ekspert zapewniał nadzór merytoryczny, uczelnia odpowiadała za stronę dydaktyczną i koordynację oceny, a zespół techniczny wnosił wymagania przemysłowe, dopasowanie do platformy i walidację techniczną. 151920

Taka konstrukcja pozwalała przełożyć rzeczywiste problemy inżynieryjne na zadania, które studenci mogli wykonać i poddać porównywalnej ocenie. Łączyła trzy wymagania, które w tradycyjnym konkursie często pozostają w napięciu:

• Znaczenie akademickie: zadanie powinno dotyczyć istotnego problemu technicznego.
• Dopasowanie dydaktyczne: uczestnicy muszą być w stanie się go nauczyć i ukończyć pracę.
• Realizm przemysłowy: rozwiązanie powinno być sprawdzane przy konkretnych ograniczeniach systemowych.

Końcowa faza wzmacniała ten kierunek. W edycji 2026 zastosowano zamkniętą pracę praktyczną offline i testy black box, a także ocenę ekspertów oraz obrony na żywo. Według relacji rozwiązanie miało ograniczyć zależność od zewnętrznych usług i wcześniej przygotowanych demonstracji, ułatwiając porównanie wyników w jednolitym środowisku. 11121519

Czego 先导杯 uczy o edukacji AI?

Najważniejszy wniosek edukacyjny jest prosty: kompetencji w budowie systemów AI nie da się zmierzyć samą znajomością modeli. Studenci musieli diagnozować wąskie gardła, dobierać metody optymalizacji, dostosowywać oprogramowanie do sprzętu, mierzyć wydajność i bronić swoich decyzji podczas oceny.

Konkurs działał więc jak element ścieżki między uczelnią a przemysłem. Uczestnicy zdobywali doświadczenie z krajowymi procesorami i akceleratorami, systemami serwowania modeli, platformami obliczeń naukowych oraz współoptymalizacją sprzętu i oprogramowania. Pracodawcy mogli z kolei obserwować działanie zespołów w kontrolowanych testach, a nie wyłącznie na podstawie efektownej prezentacji. 61020

Wydarzenie pokazuje tym samym model łączący dydaktykę, praktyczne szkolenie, konkurs uczelniany i ogólnokrajową ewaluację. Można uznać go za jeden ze sposobów przygotowywania inżynierów dla chińskich sektorów oprogramowania AI, sprzętu i systemów obliczeniowych. Sam konkurs nie dowodzi jednak długoterminowych rezultatów na rynku pracy ani pełnej niezależności technologicznej.

Najszersze znaczenie 先导杯 wynika z tego, co właściwie podlegało ocenie. Uczestników nie pytano wyłącznie, czy potrafią zbudować inteligentny model. Sprawdzano, czy umieją uruchomić go na realnej platformie, w konkretnym zastosowaniu, a następnie osiągnąć wyniki, które wytrzymają standaryzowane testy.