XianDao Cup 2026 testade om AI-modeller faktiskt fungerar i verkligheten

Den sjunde upplagan av National College Student Computer Systems Capability Competition – Intelligent Computing Innovation Design Competition, i kortform XianDao Cup, ställde en fråga som vanliga algoritmtävlingar ofta lämnar obesvarad: går det att få en modell att fungera snabbt, stabilt, resurssnålt och användbart i en verklig teknisk miljö?

Tävlingen pågick i närmare tre månader och samlade över 500 lag samt mer än 1 900 studenter från 160 universitet. Vägen till final gick via online-urval, sluten praktisk testning på plats och muntliga försvar. Bidragen bedömdes utifrån teknisk innovation, systemprestanda, ingenjörsmässig genomförbarhet och praktiskt användningsvärde. 2714

Från universitetsprojekt till nationell systemtävling

XianDao Cup är den del av den nationella tävlingen för universitetsstudenters dator- och systemförmåga som fokuserar på intelligent databehandling. I evenemangsrapporteringen beskrivs den som tävlingens enda särskilda spår för intelligent databehandling. Målet är att utbilda tvärvetenskapliga ingenjörer som kan hantera flaskhalsar i såväl programvarumiljöer som vetenskapliga och industriella tillämpningar. 710

Tävlingen var öppen för universitetsstudenter redan 2020. År 2024 lades den till som ett nytt spår inom den nationella systemförmågetävlingen. De tidigare upplagorna hade ett tydligt fokus på vetenskapliga beräkningar och optimering av tillämpningar. I den sjätte och sjunde upplagan breddades innehållet till bland annat inferens för stora modeller, maskininlärningssystem och optimering på inhemska acceleratorer. 1618

Det är också här tävlingen skiljer sig från en traditionell algoritmtävling. Deltagarna lämnar inte bara in en algoritm och väntar på ett poängresultat. De måste visa att en hel kedja fungerar: från modell och programvaruramverk till hårdvara, modellservering och den vetenskapliga eller industriella tillämpningen.

Varför tävlingen lockade så många deltagare

Den stora deltagarskaran kan delvis förklaras av kombinationen av en nationell tävlingsstruktur, konkreta ingenjörsuppgifter och tillgång till beräkningsresurser som studentlag normalt har svårt att bygga upp på egen hand. Tävlingen arrangerades gemensamt av Sugon och Tongji University, och rapporteringen beskriver stöd från National Supercomputing Internet samt kinesiska AI-beräkningskluster. 69

Enligt rapporterna omfattade miljön hela arbetsflödet – från träning och felsökning av modeller till migrering, prestandajustering och slutlig utvärdering. Där nämns också ett AI-superkluster med 100 000 kort och Tongji Universitys ingenjörsinriktade AI-kluster med omkring 1 000 kort som delar av den bredare infrastrukturen. 91112

Här behövs dock en viktig brasklapp. Det tillgängliga materialet stöder att inhemska beräkningsresurser, teknisk support och träningsmiljöer ställdes till förfogande. Däremot består underlaget till stor del av evenemangs- och branschrapporter. Det räcker inte för att oberoende verifiera alla formuleringar om exempelvis ”gratis” tillgång, ”helt inhemsk” konstruktion eller att något var först i sitt slag. Sådana starkare påståenden bör därför läsas som rapporterade arrangörs- eller branschuppgifter, inte som fullt fastställda tekniska fakta.

Två uppgifter som gick långt bortom modellernas träffsäkerhet

1. Qwen-inferens på inhemska acceleratorer

Den första uppgiften handlade om att optimera inferenstjänster för den stora Qwen-modellen på inhemska acceleratorer. Lagen skulle inte bara få modellen att fungera, utan också förbättra inferenshastighet, resursutnyttjande, systemstabilitet och anpassning till den aktuella tekniska miljön. 6910

I praktiken innebär det en balansgång mellan svarstid, minnesanvändning i acceleratorerna och genomströmning – alltså hur många förfrågningar systemet kan hantera under en viss tid. En modell som ger korrekta svar men är för långsam, slösar med hårdvaran eller blir instabil under belastning är inte redo för produktion.

Genom att väga samman dessa faktorer flyttade uppgiften fokus från modellens marknadsförda kapacitet till det ofta mindre synliga ingenjörsarbetet som krävs för att göra en modell användbar på en specifik hårdvaruplattform.

2. En vädermodell i OneScience

Den andra uppgiften fokuserade på lätt driftsättning och inferensoptimering för en vädermodell i det inhemska ekosystemet OneScience. Evenemangsrapporteringen beskriver den som en AI-for-Science-tillämpning inom väderprognoser, med ett scenario kopplat till en satellit i låg omloppsbana runt jorden. 9

Uppgiften knöt samman modelloptimering med möjliga användningsområden som katastrofvarningar, energidistribution, jordbruk, sjöfart och atmosfärsövervakning. OneScience presenteras som en plattform för utveckling av vetenskaplig AI, med stöd för träning, optimering och inferens inom bland annat geovetenskap, biologi, vätskesimulering och materialkemi.

I rapporteringen återkommer också påståendet att prognoser kan bli mer än 1 000 gånger snabbare. Den siffran bör förstås som ett resultat för en viss modell eller tillämpning – inte som en generell garanti. De tillgängliga källorna anger ingen reproducerbar definition av jämförelsen, inget tydligt referenssystem och ingen tillräcklig analys av eventuella avvägningar mot prognosernas noggrannhet.

”1+1+1” skulle förena akademi och industri

En central del av upplägget var den rapporterade modellen för gemensam uppgiftsformulering, kallad ”1+1+1”. Varje uppgift togs fram av en ansvarig expert, en universitetslärare och ett tekniskt företagslag. Experten stod för akademisk granskning, universitetet ansvarade för utbildningsdesign och bedömningssamordning, och företaget bidrog med industriella krav, anpassning till plattformen och teknisk validering. 151920

Tanken var att omvandla verkliga tekniska problem till uppgifter som studenter faktiskt kunde genomföra och bedömas på. Modellen försökte samtidigt förena tre krav som ofta krockar i tävlingssammanhang:

• Akademisk relevans: uppgiften ska spegla meningsfull teknisk forskning.
• Pedagogisk genomförbarhet: studenterna ska kunna förstå och slutföra den.
• Industriell realism: lösningen ska prövas mot konkreta systembegränsningar.

Finalformatet förstärkte denna inriktning. Den sjunde upplagan använde sluten praktisk testning utan nätanslutning och svart låda-utvärdering, tillsammans med expertbedömning och muntliga försvar. Enligt rapporterna skulle upplägget minska beroendet av externa tjänster och förprogrammerade demonstrationer och göra resultaten lättare att jämföra i en gemensam miljö. 11121519

Vad XianDao Cup säger om AI-utbildning

Den tydligaste utbildningsmässiga lärdomen är att kompetens inom AI-system inte kan mätas genom kunskap om modeller ensam. Studenterna behövde hitta flaskhalsar, välja optimeringsmetoder, anpassa programvara till hårdvara, mäta prestanda och försvara sina beslut under granskning.

Det gör tävlingen till en möjlig länk mellan högre utbildning och arbetsliv. Deltagarna fick erfarenhet av inhemska processorer och acceleratorer, system för modellservering, plattformar för vetenskapliga beräkningar samt samoptimering av programvara och hårdvara. Arbetsgivare kunde samtidigt se hur lagen presterade i kontrollerade tester, snarare än att bara bedöma välpolerade demonstrationer. 61020

Tävlingen illustrerar därmed en utbildningsmodell där undervisning, praktisk träning, campusinterna tävlingar och nationell utvärdering kopplas samman i en följd. Det är rimligt att se detta som en väg till ingenjörer för Kinas AI-, hårdvaru- och systemsektorer. Men tävlingen bevisar i sig inte långsiktiga resultat på arbetsmarknaden eller fullständig teknisk självständighet.

Den större betydelsen ligger i vad som faktiskt testades. Frågan var inte bara om studenterna kunde bygga en intelligent modell, utan om de kunde få den att fungera väl på en verklig plattform, i en verklig tillämpning och med resultat som höll för standardiserad granskning.