11 月 7 日，北京工业大学报告厅，举行了一场特别的比赛——中国电信星辰杯·高校 AI 算子开发挑战赛决赛答辩。

这场赛事由中电信人工智能科技(北京)有限公司与华为联合主办，AtomGit承办，共有 177 所高校、539 支队伍报名，28 支队伍晋级决赛。

选手要在昇腾芯片上开发和优化算子，让指定的计算任务执行得又快又准。

这场决赛持续了很久，分为线上开发评测、代码评审和现场答辩三个环节。按照赛程，选手在 10 月 9 日至 31 日提交代码，11 月 1 日至 2 日进行代码审核，随后进入线下答辩。

决赛的题目是，Sparse FlashAttention 反向算子。

看到这，你是不是有点懵，感觉这个东西非常学术。但算子确实很重要，重要到不管你是用豆包还是用 Deepseek 千问，都离不开它。

所以到底什么是算子？这样的比赛又有什么意义？

1

算子和反向算子，究竟在算什么？

算子，可以简单理解成程序里的一项计算功能。它拿到数据，按照规定的规则算出结果，再交给下一步。

AI 训练和回答问题时，要反复进行大量计算，算子写得更高效，同样的设备就能更快完成相应的工作。

拿超市结账来打个比方。

你买了 3 盒牛奶，每盒 4 元，还买了 2 包饼干，每包 5 元。程序先分别算出牛奶花了 12 元、饼干花了 10 元，再把两项加起来，得到总价 22 元。这里既有乘法，也有加法，每种运算都可以由相应的算子完成。

大模型里的计算要复杂得多，但也可以这样去理解。我们输入的文字，会先被表示成一组组数字，再经过许多步骤的处理，最后产生回答。每个算子负责其中一项具体运算，前一步的结果交给后一步，整个过程就能继续往下走。

算出正确结果之后，还有速度的问题。

芯片的计算能力再强，数据没有送到也得等。数据太多时，需要分批搬入，计算任务也需要分给不同的计算单元。如果有的忙不过来，有的已经闲下来，就会浪费时间。开发者做算子优化，其中一部分工作就是重新安排这些事情，让数据搬运和计算尽量接得上，减少等待。

这次决赛题目里的“反向”，则和模型怎样学习有关。

还是拿刚刚的结账来举例。假设我们想教一个程序，根据购买数量估算总价。训练时给它一条记录，买 3 盒牛奶，正确总价是 12 元。

程序一开始猜每盒 3 元，于是算出总价 9 元。从输入数量到算出价格，这一遍过程叫前向计算。

现在，程序知道自己估低了，但接下来应该怎么改？反向计算会提供调整所需的信息。在这个例子里，它能帮助判断，当前应当把每盒的估计价格往上调。

这里“每盒多少钱”就是一个需要学习的数值，在模型里叫作参数。反向计算得到的梯度，描述的是这个数值稍微变一点，误差会朝哪个方向变化、变化多快。训练程序拿到这些信息，再决定怎样调整参数。

所以，前向计算负责算出结果，反向计算为改进模型提供依据。大模型有大量需要学习的数值，反向算子承担其中一部分计算。我们日常让训练好的 AI 回答问题，通常主要进行前向计算。训练模型时，则需要先算一遍结果，再通过反向计算帮助它继续调整。

理解了前向和反向，再回到这次决赛。选手要优化的，是大模型处理上下文时的一项训练计算。

比如，你给 AI 一句话，“桌上有一本书，我把它翻开了。”模型要判断“它”指什么，就需要利用前面关于“书”的信息。前后文之间的联系，在模型里也需要通过计算来处理。

模型会给不同位置的信息分配不同的分量，让当前位置能够结合上下文进行计算。这个机制叫“注意力”，对应题目里的英文 Attention。它是大模型处理文字时常用的一种计算机制。

一句话很短，涉及的信息有限。如果换成几万字的材料，需要处理的位置关系就多了，计算也会变得更费时。

一种减少计算量的办法，是按照规则选出部分位置，把后续主要计算集中在这些位置上。题目里的 Sparse，中文叫“稀疏”，说的就是这种做法。

Flash Attention 则是一种提高这类计算效率的方法。它会把计算分成小块，尽量减少中间结果的反复保存和读取。就像前面算账的例子，有些小计临时重新算一遍，比先记下来、需要时再找出来还省事。

这样，整道题就能接起来理解了。模型需要处理上下文之间的关系，开发者希望把这一步做得更高效。而题名最后的“反向”，说明比赛优化的是训练中计算调整信息的那个环节。

选手需要保证这些信息算得准确，再让计算尽量少花时间。

它的直接意义，是提高模型训练的效率，芯片和算力虽然可以采购，但是在同样的设备和预算下完成更多训练和试验，还要看代码怎么写，减少不必要的数据搬运和中间结果读写，就有机会省下时间。星辰杯这道题考的，就是怎样在达到规定精度的前提下，让反向算子跑得更快。

2

这场算子赛，能为国产 AI 带来什么？

进入决赛的 28 支队伍，需要围绕同一道题接受评测。根据筹备方案，现场邀请 10 位评委，包括 5 位高校教师、2 位华为代表和 3 位电信代表。

线上比赛依托 CANNjudge 进行。这是用于运行参赛代码、检查计算结果和记录性能的平台。选手可以根据评测反馈继续修改代码，再次提交。

按照决赛方案，平台评测之后还要经过三重验证。机器审核检查代码中的违规和作弊问题，技术助教人工复核代码质量，随后在实验环境中再次运行，检查结果能否复现。

所谓复现，就是别人按相同条件运行这份代码，也能验证它是否算得对、是否达到报告中的性能水平。审核完成后，将形成代码验证合规报告，作为确认线上成绩的依据。

现场答辩每队有 10 分钟汇报、5 分钟问答。选手需要讲清楚自己改了哪里、为什么这样改、怎样验证效果。一个方案在某组输入上表现好，换一组数据后是否仍然有效，也需要有测试结果支撑。最终成绩中，线上成绩占七成，现场评分占三成，两部分加权后确定名次。

赛事设置 28 个获奖名额，总奖金 70 万元，其中一等奖奖金 20 万元。

一等奖由上海交通大学 a120240127 队获得。队伍围绕赛题的内存与访存瓶颈，在索引统计算法、流水线调度、片上缓存复用和同步机制上做了系统性优化，在保证精度的前提下, 使 AI Core 平均读命中率由 91.45% 提升至 92.70% 。在精度与基准实现对齐的前提下，其决赛线上成绩 94.63 分位列第一，10 个公开 Case 中 7 个排名第一。

答辩之后，11 月 8 日还安排了高校算子人才座谈会。根据议程，选手将了解星辰 Lab 的研究工作，与技术专家交流大模型开发问题，并听取实习渠道和人才政策介绍。

星辰 Lab 即星辰通用人工智能实验室，是星辰基础大模型的核心研发单位。公开颁奖计划安排在 12 月的中国电信生态大会上。

对于中国大模型行业来说，让模型在国产芯片上稳定、高效地训练和运行，需要大量具体的软件开发工作。同一套设备，数据怎样搬运、计算怎样分配、中间结果怎样保存，都会影响训练速度和资源消耗。

算子优化做得扎实，硬件的计算能力才能得到更充分的利用，企业研发和使用大模型的成本也才有进一步压缩的空间。

这类比赛把其中一部分真实问题带进了高校。学生需要理解模型的计算原理，也需要熟悉芯片的运行特点，还要用测试结果证明自己的方案有效。

这些能力可以延续到大模型训练、性能优化和国产硬件适配等工作中。赛后的技术交流与实习机会，则为学生继续参与实际研发提供了入口。

从更长的时间看，中国 AI 行业需要持续积累的，也包括这些能够把算法落到硬件上的工程经验。

一批学生学会开发和验证算子，之后进入不同的实验室和研发团队，就有机会把经验用到更多模型、更多任务中。

高校因此获得更贴近实际需求的实践内容，企业也能接触到经过具体项目锻炼的年轻开发者。这样的联系持续建立起来，国产大模型的发展就能获得更扎实的软件支持和人才储备。