1900 studentów testowało AI na 100 000 kartach. Chiny budują kadrę

Kolega z Warszawy studiuje informatykę. Ostatnio opowiadał, że na zajęciach z AI dostali dostęp do dwóch GPU. Na cały wydział. Na dwa tygodnie.

Tymczasem w Chinach 1900 studentów właśnie zakończyło zawody, w których każdy zespół miał dostęp do krajowego superklastra z 100 000 kart akceleratorów. Nie, to nie literówka. Sto tysięcy.

Siódma edycja National College Student Computer Systems Capability Competition, znana jako XianDao Cup, to nie hackathon w stylu "zbuduj chatbota w weekend". To trzymiesięczny maraton inżynieryjny. Ponad 500 zespołów z 160 uniwersytetów optymalizowało prawdziwe modele AI na produkcyjnej infrastrukturze. Organizatorzy - National Association for Computing Education in Higher Education i grupa ekspertów ds. systemów - postawili sprawę jasno: nie chodzi o transfer wiedzy, ale o budowanie praktycznych umiejętności. I o kadrę dla krajowych technologii AI.

Pierwszy w pełni chiński superklaster AI - i studenci mają do niego klucz

Sugon, współorganizator zawodów, udostępnił przez platformę National Supercomputing Internet pierwszy w Chinach w pełni krajowy superklaster AI o mocy 100 000 kart akceleratorowych. To konkretna infrastruktura, na której studenci trenowali i optymalizowali modele przez trzy miesiące. Bezpłatnie. Z pełnym wsparciem technicznym.

Gao Xiaopeng, dyrektor komitetu organizacyjnego, mówi wprost: celem jest wykrycie i wyszkolenie rezerwy talentów dla krajowych technologii software'u i hardware'u. XianDao Cup to jedyny ogólnokrajowy track zawodów z systemów komputerowych skupiony na inteligentnym przetwarzaniu. Jego korzenie sięgają dwóch dekad wstecz, kiedy w chińskim szkolnictwie wyższym zaczęto przechodzić od transferu wiedzy do treningu umiejętności.

Zawody zapewniają standaryzowany system oceny w trybie black-box. Studenci nie wiedzą, jak dokładnie ich rozwiązania są testowane - podobnie jak w prawdziwych wdrożeniach, gdzie klient sprawdza wyniki, nie kod. To zmusza do myślenia o edge case'ach, stabilności i wydajności, nie tylko o "działającym demo".

Mechanizm 1+1+1: ekspert, wykładowca, zespół techniczny

Każde zadanie projektuje trzech ludzi: jeden ekspert branżowy, jeden wykładowca uniwersytecki, jeden członek zespołu technicznego. To eliminuje oderwanie od rzeczywistości. Problemy, które studenci rozwiązują, to te same, z którymi zmagają się firmy AI w produkcji. Systemy, których używają w zawodach? Te same, których używają przedsiębiorstwa.

Efekt uboczny: każdy przebieg zawodów dostarcza dane i optymalizacje dla krajowego ekosystemu AI. Efekt kuli śnieżnej.

Dwa zadania: Qwen na krajowych kartach i model meteorologiczny

Pierwsze zadanie: optymalizacja serwisu inferencyjnego dla dużych modeli Qwen na krajowych kartach akceleratorowych. Problem? Długi czas inferencji dla długich kontekstów, niewystarczająca pamięć GPU, niska przepustowość.

Ograniczenia? Model i framework są stałe - nie możesz zmienić architektury, tylko optymalizować niższe warstwy. Studenci, którzy tu błyszczą, to ci, których chcą krajowe giganty AI.

Drugie zadanie: optymalizacja wdrożenia modelu meteorologicznego na krajowym ekosystemie obliczeń naukowych, z uwzględnieniem limitów satelitów na niskiej orbicie. Studenci używali ekosystemu OneScience z modelami pogodowymi do lekkiego deploymentu. Kluczowa zaleta? Prognoza ponad 1000 razy szybsza niż tradycyjne metody, z precyzyjnymi elementami meteorologicznymi.

Zastosowania: ostrzeżenia przed ekstremalnymi zjawiskami, zarządzanie energią wiatrową i słoneczną, wsparcie rolnictwa, operacje portowe, kontrola zanieczyszczeń atmosferycznych. Zoptymalizowane modele są dostępne przez API i wdrożenia prywatne.

Dlaczego to ma znaczenie dla całego ekosystemu

Starsi developerzy mają zakorzenione nawyki CUDA. Przesiadka na krajowe toolchainy, które różnią się znacząco, to dla nich ból. To pokolenie zaczyna od zera. Nie ma historycznego bagażu. Uczą się na krajowych narzędziach od pierwszego dnia.

Za pięć lat to oni będą pisać produkcyjny kod dla chińskich modeli AI, które już dziś przetwarzają 34 biliony tokenów tygodniowo.

Edukacja AI w Polsce vs Chiny - różnica w skali i dostępie

Porównajmy liczby. XianDao Cup: 1900 studentów, 160 uniwersytetów, 100 000 kart GPU, trzy miesiące pełnego dostępu, zero kosztów. Polska: większość wydziałów informatyki ma dostęp do kilku GPU na cały wydział, studenci uczą się na Google Colab z limitem czasu, a prawdziwe klastry obliczeniowe są zarezerwowane dla doktorantów i grantów badawczych.

To nie jest kwestia "lepszych" czy "gorszych" studentów. To kwestia infrastruktury i strategii państwowej. Chiny traktują edukację AI jak inwestycję w suwerenność technologiczną. Polska traktuje ją jak kolejny przedmiot na studiach.

Efekt? Nasi absolwenci uczą się na narzędziach amerykańskich (PyTorch, CUDA, OpenAI API), chińscy - na krajowych (krajowe akceleratory, Qwen, OneScience). Za dekadę to będzie widoczne w bilansie handlowym.

Czy polskie uniwersytety mogą sobie pozwolić na 100 000 GPU dla studentów? Nie. Czy mogą zapewnić dostęp do chmury obliczeniowej przez partnerstwa z firmami? Tak. Czy robią to systematycznie? Sporadycznie.

OpenAI dodaje wtyczki edukacyjne, Google ma programy akademickie, Microsoft oferuje Azure for Students. To wciąż indywidualne inicjatywy wykładowców, nie systemowa polityka MNiSW.

Najczęstsze pytania

Ile kosztował dostęp do superklastra dla uczestników XianDao Cup?

Zero. Sugon udostępnił pełny dostęp do 100 000-kartowego klastra przez platformę National Supercomputing Internet bezpłatnie dla wszystkich 500+ zespołów przez cały trzymiesięczny okres zawodów. To część strategii budowania krajowego ekosystemu AI - studenci uczą się na narzędziach, które potem będą używać w pracy.

Czy polskie uniwersytety mają podobne programy dostępu do infrastruktury AI?

Sporadycznie i w znacznie mniejszej skali. Niektóre uczelnie mają partnerstwa z Google (Colab Pro), Microsoft (Azure for Students) lub lokalnymi firmami, ale to indywidualne inicjatywy wykładowców, nie systemowa polityka. Dostęp do GPU jest zazwyczaj limitowany do kilku kart na wydział, z priorytetem dla doktorantów i projektów badawczych.

Co to jest mechanizm 1+1+1 w projektowaniu zadań konkursowych?

Każde zadanie w XianDao Cup projektuje trzech ludzi: jeden ekspert branżowy (zna problemy produkcyjne), jeden wykładowca uniwersytecki (zna możliwości studentów) i jeden członek zespołu technicznego (zna ograniczenia infrastruktury). To eliminuje oderwanie akademickie - studenci rozwiązują prawdziwe problemy firm, nie teoretyczne ćwiczenia.

Dlaczego optymalizacja Qwen na krajowych kartach jest trudniejsza niż na NVIDIA?

Krajowe toolchainy różnią się znacząco od CUDA - inne API, inne optymalizacje pamięci, inna architektura sprzętowa. Dla starszych developerów to zmiana nawyków wypracowanych latami. Dla studentów zaczynających od zera to po prostu "tak się robi AI" - nie mają bagażu CUDA, więc uczą się krajowych narzędzi jako standardu.