经过半年多的激烈角逐后，首届昇腾AI创新大赛正式收官。

作为面向AI开发者打造的顶级赛事，昇腾AI创新大赛分为两个赛道：一个是面向行业场景进行应用创新的应用赛道，意在推动人工智能的产业落地；另一个是基于昇思进行算法、前沿任务创新的昇思赛道，瞄准了人工智能的前沿课题。

【资料图】

在产业智能化的浪潮下，和AI相关的赛事早已不胜枚举，最大的意义莫过于吸引各行各业的开发者，并借助比赛来放大品牌影响力。1560个队伍参与的首届昇腾AI创新大赛，却让外界看到了另一种可能：AI创新大赛既是对前沿技术的创新、探索与实践，也是一个不断“掘金”的过程。

比如应用赛道涌现出了不少优秀的创业团队，在区域市场被验证的解决方案，有望在全国范围内推广复制。昇思赛道则印证了另一种可能：冲在AI最前沿的不只有著作等身的学术大牛，还有很多好学不倦的“后浪”。

01 “浙大学霸”与社区资深布道师

昇腾AI创新大赛昇思赛道最终评选出的金奖选手中，有一个年轻的新面孔——正在浙江大学控制科学与工程学院读研究生的项靖阳。

在许多人的认知里，“研一”阶段属于人生的“迷茫期”，白天按部就班地学习专业课程，然后在业余时间读几篇专业文献，目的是熟悉自己的课题方向。至于论文、比赛什么的，还不在当前计划的范围内。

项靖阳可以说是妥妥的“少数派”。

早在大二的时候，项靖阳就在学院老师的指导下进了实验室，跟着研究生师兄师姐做一些科研课题、参加一些开发者赛事。那时候“人工智能”的概念如火如荼，项靖阳和很多年轻人一样，对新事物有着无限兴趣，并在实验室师兄的带领下接触到了刚刚宣布开源的昇思MindSpore，做了自己的第一个算法模型。

大二以后的日子里，项靖阳把大部分业余时间花在了科研上。其他同学忙于人际交往、娱乐消遣、实习工作时，项靖阳的生活却是实验室、宿舍与食堂间的“三点一线”。按照他的话说：“科研更像是表面枯燥乏味，但内里的乐趣是无穷的。”其中的乐趣，似乎来自于项靖阳的自学能力，平时上课中有不理解的知识点，他会主动到B站和MOOC看学习视频，比如专业课中考试难度很大的《自动控制原理》。

这种源自内心深处的探索欲，让项靖阳有了一个新身份——昇思MindSpore社区里的资深布道师。

按照昇思MindSpore社区的官方介绍，“资深布道师”的门槛相当严格，至少发布过5篇昇思MindSpore相关原创优质技术文章，且平均阅读量不低于5000；至少在昇思MindSpore开源社区主导过1个特性级开发；至少举办过1场或参加过3场线上/线下昇思MindSpore技术分享；同时需要是社区特邀的行业资深人士。

据项靖阳同学回忆：“刚接触昇思MindSpore时还是一个AI新手，但在社区里遇到了很多师兄师姐，在他们的帮助下慢慢了解了AI框架。然后自己开始做模型和算子，在社区里回答别人的问题，有空的时候在知乎、CSDN等平台上写一些技术博客，一步一步成为了社区里的资深布道师。”

昇腾AI创新大赛的消息在昇思MindSpore社区公布后，项靖阳第一时间选择报名参赛，让他没想到的是：报名的时候还是一位忙毕设的大四学生，利用暑假的空隙做了自己感兴趣的三道赛题，等到昇腾AI创新大赛收官时，项靖阳已经是浙江大学控制科学与工程学院的研一学生，找到了“深度学习模型压缩”的研究方向。

02 超越论文精度，靠“硬实力”出圈

别人眼中的项靖阳，或许只是个“初出茅庐”的研一学生。可在昇思MindSpore社区里，项靖阳已然是一位精通深度学习模型“老鸟”。

似乎有必要重温下昇思赛道的赛制：主办方通过筛选热门论文、前沿创新任务设置了30道赛题，主要来自CVPR、ICCV、ACL、ICML、NIPS等AI顶会过去几年里的热门模型，参数选手可以选择一个或多个任务，基于鹏城“云脑2”环境进行挑战，提交算法达到指定精度或要求即可视为完成。

“艺高人胆大”的项靖阳挑战了三个任务。

第一个任务是“利用昇思MindSpore实现Swin Transformer V2图像分类网络”，来自于微软亚洲研究院在CVPR发表的论文《Scaling Up Capacity and Resolution》。原作者将Swin Transformer缩放到30亿个参数，使其能够使用高达1536×1536分辨率的图像进行训练，提高了大视觉模型的稳定性，降低了预训练和微调之间的分辨率差距，并让常规GPU训练大型视觉模型成为可能。

第二个任务是“利用昇思MindSpore实现conformer图像分类网络”，源于国科大在ICCV上发表的优秀论文，将Transformer和CNN进行融合并提出了全新的Conformer模型，可以在不显著增加计算量的前提下显著提升基网表征能力。

第三个任务是“利用昇思MindSpore实现Big Transfer图像分类网络”，Google于2020年在ECCV上发表的论文，作者重新审视了预训练+微调的范式，先在一个大规模标记数据集上进行预训练，然后对目标任务上的每个训练权重进行精调任务，最终减少了目标任务所需的数据量和优化时间。

项靖阳花了近一个月的时间对原论文进行学习，理解原作者的提出的方法，对三道赛题间的共性进行分析，总结出了一套利用昇思MindSpore进行模型迁移、论文复现、精度与性能调优的工作流程。

特别是在论文复现的过程中，项靖阳针对Ascend 910进行了混合精度配置、算子层面的模型性能调优等工作，针对昇思MindSpore整图设计的理念，花了很长时间对训练、推理的整体模板进行适配；遇到一些精度模型无法达标的情况，就参考其他论文和方法，并利用数据增强、正则化等方式进一步促进模型的训练和收敛流程。

最终Swin Transformer V2、Conformer和Big Transfer均入围前三名，达到了超越原论文精度的效果。

正是对科研的激情和热爱，项靖阳同学在内的年轻人彻底 “征服”了现场的评委们。鹏城实验室开源主管邓清毫不吝啬的评价道：“在昇思赛道与各个高校的同学的日常对接中，能感觉到这些选手是真正的热衷于人工智能科研的莘莘学子，深切地感受到了他们的能力，也很欣慰有这么多优秀的年轻学者开源开放的生态里努力、进步和学习。”

03 “学练训赛”的人才培养新路径

像项靖阳这样优秀的年轻人，在昇思MindSpore社区中还有很多，他们从“小白”到“高手”的成长曲线，无疑比赛事本身更值得探讨。

正如高盛在《全球人工智能产业布局》中的预测，2030年时中国的人工智能人才缺口将超过500万人。想要在不到10年时间里填补500万的人才缺口，强化本科教育和产学研联合人才培养，业已成为社会上下的共识。

昇腾AI创新大赛的另一初衷恰在于此。

简单回顾项靖阳同学的成长经历，可以清晰地划分为四个阶段：第一个阶段是学，在学校学习编程及AI相关的基础知识；第二个阶段是练，不管是跟着师兄做科研，还是在昇思MindSpore社区中做模型，都是练的过程；第三个阶段是训，譬如在昇思MindSpore社区中主导的特性级开发；第四个阶段是赛，典型的案例就是昇腾AI创新大赛，为项靖阳在内的同学提供了学为所用的舞台。

传统的产学研培养方案，往往集中在学和练两个环节，昇思MindSpore社区和昇腾参与的一系列赛事，打通了学、练、训、赛四个环节，跑出了AI人才培养新路径。尤为值得一提的是，昇腾AI创新大赛昇思赛道将近几年的优秀论文和前沿课题作为赛题，其实隐藏着“以赛促研”的初衷。

想要“复现论文”，首先要做的就是对论文的“精读”，理解原作者提出的方法，可能涉及数据预处理技术、神经网络架构、训练技巧和处理等内容；在实验的过程中，通常包含有关数据集、训练和评估的详细信息、模型在各种参数下的表现，甚至需要与其他论文中的最新方法进行比较，将论文中的参考文献通读一遍……

如果是时间比较久远的“经典论文”，或许可以找到不少教程，复制粘贴过来就可能跑通。近几年的新论文，意味着可以找到的参考资料并不多，想要将论文复现，既要读懂、吃透论文中的精髓，还要有强大的学习能力、自驱力和工程能力，这也是想要自己发表论文时的必备技能。

就像项靖阳同学的例子，参赛时选择的三个赛题都和图像分类相关，和他选择的研究方向有很大关系。目前项靖阳正在准备自己的论文，昇腾AI创新大赛的参赛经历，虽然只花了一个半月的时间，但与计算机视觉领域的前沿研究进行了一场“深度沟通”，进一步夯实了他的科研之路。

再来思考昇腾AI创新大赛的价值，所筹谋的远不止打造一场顶级赛事，还在帮助开发者推开一扇新的大门：通过学、练、训、赛一体化的赛制，吸引越来越多像靖阳这样的“后浪”接触AI、认识AI、拥抱AI，不断为中国的AI人才培养孕育“火种”。

04 写在最后

产业智能化浪潮的演进，需要源源不断的人才输入。

在这样的共识下，正有越来越的科技企业参与到AI人才培养中，产学研的人才机制越发完善与成熟。同时需要思考的是，人才的能力和视野，直接决定着智能化转型的深度和高度，左右着中国在全球智能化竞赛中的竞争力，为莘莘学子们提供一条走在最前沿的成长路径，不可谓不重要。

昇腾AI创新大赛独立设置昇思赛道，俨然洞察到了时代的新趋势，而“后浪”们的崛起已然印证了昇腾的前瞻性。

责任编辑：