5月16日至20日，第十三届ASC世界大学生超级计算机竞赛总决赛在无锡学院圆满结束。这项历经十余年发展的赛事，已成为洞察全球超级计算技术迭代、算力人才培养以及人工智能与超算融合趋势的重要风向标。
在竞赛之外，中国智能算力行业正面临一个更宏大的考验场。据IDC数据显示，到2026年，中国智能算力规模预计将达到1460.3 EFLOPS，是2024年的两倍。然而，与此同时，高性能计算工程师的人才供需比仅为0.15，这意味着平均每位合格求职者会受到七家公司的青睐。算法工程师等关键人工智能岗位的供需也同样失衡。
一边是算力基础设施的急速扩张，另一边却是产业顶尖技术人才的严重匮乏。ASC26总决赛的赛场，为我们提供了一个独特视角，来观察这种张力如何在年轻一代身上具体演绎。
面对算力时代的快速发展，我们发现所缺乏的远不止是纯粹的计算能力。2026年4月14日，中国最大的AI for Science计算集群在国家超算互联网核心节点启用，其规模达到6万卡，全部核心芯片均为自主研发，能够同时支持传统科学工程计算和大模型训练。同年同月，华泰证券发布研报，预测2026年将是中国“国产超节点元年”，估算2028年国产超节点市场规模有望达到3414亿元，2026年至2028年的复合年增长率高达194%。
超算产业正驶入快车道，但谁来操控这条快车道，已成为整个行业亟待解决的难题。根据IDC发布的《中国人工智能计算力发展评估报告》，2024年中国智能算力规模已达725.3 EFLOPS，同比增长74.1%，是同期通用算力增速（20.6%）的三倍多。预计到2025年，中国人工智能算力市场规模将达到259亿美元，2026年进一步增至337亿美元。算力正在以指数级速度增长，但能理解并行计算原理、驾驭大规模集群调度、精细优化异构算力性能的人才供给，却远远滞后。
2026年春季招聘数据显示，高性能计算工程师的岗位需求与合格人才供给之间的差距异常显著。在华东师范大学春季新工科专场招聘会上，高性能计算工程师的供需比仅为0.15，意味着一名求职者面临七家公司的争夺。SLAM算法工程师岗位的供需比为0.21，规控算法工程师为0.23，平均约四家公司争抢一人。据媒体报道，在一些头部企业招聘中，人工智能领域核心岗位的月薪普遍在7万元左右，顶尖人工智能科学家的月薪甚至超过13万元。
ASC比赛的舞台，正是将这种供需矛盾具象化，并将其转化为主实际“压力测试”的演练场。本届ASC总决赛共设置了七道核心赛题：包括国际通用的HPL和HPCG基准测试，针对世界模型UnifoLM-WMA-0推理加速的优化，引力波数值模拟AMSS-NCKU，量子线路仿真QiboTN，以及神秘应用赛题——图灵奖得主杨立昆团队最新发布的LeWorldModel推理优化，超级团队赛专属的全球气候数值模拟ICON，以及经典的科学计算基准。这些赛题几乎全部取材于真实的科研前沿：ICON是2025年戈登贝尔气候建模奖获奖应用，AMSS-NCKU是中国首个数值相对论计算程序，QiboTN则在全球量子研究领域扮演核心工具的角色。
ASC竞赛组委会委员刘羽表示：“这些赛题源自戈登贝尔奖获奖应用和全球顶尖科研机构的真实科研任务，让学生们在校期间就能接触到最前沿的科研方向和产业挑战。”
一位负责UnifoLM-WMA-0赛题的选手在赛后坦言，尽管前期备赛阶段他们已有了相当成熟的优化方案，但决赛当天发现组委会对代码进行了多处修改，随机数生成逻辑也随之改变，“我们之前的方案跑出了很大的精度误差，直到比赛的最后一个小时才解决这个问题，最后十分钟才达到赛前设定的优化水平。”这种不确定性，恰恰模拟了科研攻关和产业实践中最真实的挑战。
超算与人工智能的融合已成为技术发展的重要焦点。长期以来，超算与人工智能算力常被视为两条独立的技术路径：传统超算专注于高精度科学计算，以数值模拟、科研仿真为主，追求计算的精确性和物理逻辑的一致性；人工智能算力则侧重智能推理和数据训练，以模型迭代、场景落地为目标，追求运算效率和泛化能力。然而，随着具身智能、数字孪生、量子仿真等前沿领域的突破，这两种算力赛道的界限正在逐渐模糊。人工智能赋能超算优化、超算巩固人工智能算力底座的双向融合模式，成为本届ASC26大赛最显著的技术特征，也精准预示了全球算力产业未来的发展趋势。
本届大赛所有核心赛题均紧密结合产业前沿与科研需求，彻底突破了传统超算竞赛仅限于单一基准测试的局限性，将人工智能融合优化贯穿全程，使赛场成为新技术落地的实验田。在总决赛的七大题目中，有四项核心应用赛题围绕人工智能与超算协同创新设计，涵盖了图灵奖得主的前沿模型、国家重点科研项目和国际顶级获奖成果，其技术含金量和产业适配度均创下历届新高。其中，e Prize最高单项奖对应的UnifoLM-WMA-0具身智能世界模型推理赛题，以及神秘应用赛题LeWorldModel世界模型优化，更是直接瞄准了当前人工智能产业化的核心痛点。
目前主流的世界模型多依赖云端部署，推理延迟高达数百毫秒，无法满足机器人实时交互的需求；而端侧部署又受限于算力与功耗瓶颈。ASC26全面开放了量化精度、采样算法、算子融合、模型剪枝等所有优化手段，要求参赛选手在PSNR信噪比≥25的精度底线之上，极致压榨推理速度，探索具身智能落地的最佳解决方案。
清华大学亚军队伍的备赛经历充分展现了人机协同的实际应用形态。该团队与一家人工智能科技公司深度合作，定制开发了专属的人工智能助手MIA，并将其整合到飞书工作体系中，赋予MIA代码编写、集群调度、文档生成等权限。在整个比赛过程中，团队对代码进行了200余次迭代，其中MIA独立完成了80%的IO调度、通信适配、基础代码调试等重复性工作。团队成员仅聚焦于20%的核心攻坚任务，主要负责GPU调优、算法重构和精度校准等关键环节。然而，在比赛的高压环境下，人工智能的局限性也暴露无遗：在决赛的精度测试环节，由人工智能优化后的代码出现了隐性的精度偏差，团队花费六个小时进行人工排查，才最终找到了人工智能迭代过程中忽视的细节漏洞。这一实战经验证实了行业共识：人工智能能够大幅降低超算优化的基础门槛，但复杂的科研级算力优化仍需要人类来掌控核心逻辑和精度底线。
除了人工智能世界模型赛道，引力波数值模拟、量子线路仿真、全球气候数字孪生等传统超算赛题也全面融入了人工智能优化思维，从而实现了算力应用的跨界突破。AMSS-NCKU引力波模拟赛题要求参赛队伍基于爱因斯坦场方程进行求解，该问题具有多尺度、强非线性的复杂特性。然而，本届参赛队伍创新性地引入了人工智能算法辅助瓶颈定位和参数调优，其优化效果远超组委会预期，部分队伍产出的优化代码在精度和效率方面甚至获得了前沿科研人员的高度认可，有望直接应用于宇宙引力波探测的真实科研工作。在戈登贝尔奖获奖的ICON全球气候数值模拟赛题中，中外联合超级团队借助人工智能快速梳理模块耦合逻辑、优化资源调度策略，有效解决了高分辨率地球模拟中“精度与速度难以兼得”的行业难题。
人工智能时代的人才底色正发生转变。随着超算与人工智能融合趋势的深入发展，对复合型人才的需求日益旺盛。从ASC26的赛场向外看，这场竞赛所折射出的人才观变革，恰好与当前中国超算产业面临的两大转型相呼应。
一方面，由AI for Science带来的超大规模计算集群正变得越来越普遍且庞大，这种算力的爆发式增长本身正在重新定义“计算”的内涵。正如刘羽所言，“AI for Science正在重塑科研范式”，人工智能不再仅仅是超算等待处理的负载，而是已然成为超算体系中的一个核心支柱。这意味着未来的超算工程师，不仅需要精通并行计算和HPC集群设计，还需要理解大模型推理优化，并掌握Agent框架的设计与适配。
另一方面，国家级基础设施的快速建设，对人才素质提出了全新的要求。无锡学院副校长曹广喜进一步指出，“算力并非简单架设一个服务器集群即可，它需要既懂编程和网络，又懂数学建模和具体应用场景的复合型人才。”
与此同时，在几乎全民应用人工智能的时代，人工智能在带来便利的同时，却并非是“万能钥匙”。在赛场上，选手们的实战探索生动诠释了人机协同优化的新型算力研发模式，这打破了行业对“人工智能万能优化”的片面认知。北京大学冠军战队赛后坦言，在备赛阶段，团队高度依赖人工智能助手完成代码迭代和基础优化工作。然而，决赛首日遭遇赛题突发调整，原有的人工智能优化逻辑陷入固化误区，持续在错误方向迭代，无法适应新的随机数生成逻辑。在关键时刻，团队成员摒弃了人工智能的固有思路，凭借底层算法积累精准定位问题根源，手动修正核心代码架构后，再借助人工智能高效完成批量代码改写和细节迭代，最终实现了效率的最大化。这一过程让参赛选手深刻认识到，人工智能是超算优化的高效工具，但它不能替代人类的逻辑判断、方向把控和问题创新能力。
清华大学的代表也分享了类似经历：“在赛场上的精度测试中，我们优化出来的正确性出现了问题。我与MIA合作，但在十个小时的比赛时间里，直到六个小时后才成功发现问题。人工智能助手确实非常有用，但最好还是要审查其生成的代码。”
“人工智能助手正在成为超算比赛中的标准工具，但它离不开人类在方向判断和问题定义上的能力。”这几乎是所有参赛队伍在赛后达成的共识。这背后所揭示的深层含义在于：当大模型变得愈发“强大”，能够完成基础代码编写和性能优化时，人类工程师的核心价值正在向“定义问题边界、提出优化方向、确保物理正确性”等更高阶的能力转移。
ASC26虽已落幕，但中国超算人才的培养，才刚刚迈入高潮。