文/海峰看科技
大家发现没有，最近国产大模型的发布会，几乎都是一个套路，模型参数更大、能力更强、榜单更高。但是几乎没有人讲算子。
其实在热闹的上层比拼之下，大家看不见的算子开发竞赛，决定国产算力能走多远。算子是硬件与大模型之间的翻译器，决定算力AI芯片能否释放出全部性能，决定了模型和AI应用能否更低成本、更高效率跑起来。
大模型能力每往上提一档，对底层算子的要求就跟着抬一档——热闹都在上层，硬活压在最下面。这个错位，就是这一层的处境。
相比国外的AI生态，“写算子”工作对国产AI生态而言，更加的重要，因为我们起步要晚了一些。那中国AI如何补好算子开发这一堂课？如何鼓励更多人加入到国产算子开发中？
最近，笔者关注到一场重磅算子开发挑战赛，吸引了177所高校、539支队伍报名，最终经过激烈角逐，有28支队伍晋级决赛。从这场比赛的丰富成果，我们看到了中国AI补短版的答案。
算子：AI算力底层的“翻译官”
要回答这个问题，得先弄明白“算子”到底是什么。
算子是深度学习完成计算的基础单元。矩阵乘法、卷积、注意力……这些模型里最频繁的操作，落到芯片上，就是一个一个的算子。它们是模型运行的地基积木，所有上层能力，都建在这一块块积木之上。
这里笔者用一个很形象的比方来帮助大家理解“算子”。在AI产业，芯片有自己的一套“母语”，只认得机器指令，而大模型说的，却是一套高深的数学语言。
算子，就是那个把数学语言翻译成芯片母语的“翻译员”。翻译得好，一句话就说到点子上；翻译得差，绕来绕去、拖泥带水，还动不动“翻译错词”，模型就会卡壳、跑不动了。
此时，大家或许就能更容易理解“算子”对于算力产业的作用：算子调优的好坏，直接决定一套模型在芯片上的实际运行速度和算力消耗。
简而言之，算子适配得好，硬件的算力利用率才能真正释放出来；适配得差，再强的算力卡，也只是纸面参数。
对于国产算力产业而言，还有更现实的难题：跨芯片迁移。当厂商需要将大模型从海外芯片切换到国产算力硬件上时，并非简单的替换算力卡，就能让大模型在这些设施上运营了。
行业需要对“算子”进行重写、对齐、深度调优。但这一过程并非易事，这个过程往往需要很久时间。可见，“算子”这一层，才是真正决定一款模型“能不能真正跑起来”的关键之一。
算力堆砌的假象：卡够了，性能为什么上不去？
目前，行业里存在一种普遍错觉：只要堆算力卡、建智算中心，大模型就能撑起来。
现实中不少企业陷入的窘境，却带给大家值得深思的问题。我们经常听到有企业抱怨，明明采购了智算算力服务，硬件规格领先，但自家大模型却跑不出预期的效果。算力堆上去了，性能并没有跟着上去。
为何会出现这种矛盾？从文章第一部分，我们或许已能感受到问题或许出在“算子”这一层。为了更清楚地解释，我们用一个贴切的比方来解释。
芯片就像发动机，负责提供马力；大模型就像乘客，提出业务需求；算子就是那个既懂硬件、又懂业务的司机。发动机马力再强，司机不了解车辆特性，即便汽车性能再强悍，照样跑不出该有的性能。
拆开来看，模型在算力资源上跑不出该有的性能，这一问题不在算力数量不足，也不在机房运维不够，而在算子与模型、芯片之间的适配调优不足。
算力是“量”，算子适配则是“质”；光堆“量”不提“质”，再多的算力，也只是一堆没被激活的设备，堆得越多，浪费就越多。
对于厂商而言，企业向运营商购买的算力，需要在“算子”层面完成适配，才能发挥真正价值。
这种芯片与模型之间的不适配，也为产业带来连锁反应。这让厂商的巨额算力投入打了折扣，模型训练和推理的成本也被拉高，业务体验受限。
这些现象叠加之后，不免让行业陷入一种“买得到算力，用不好算力”的困境。这或许就是当下国产算力最真实的尴尬。
算子之困：瓶颈本质是人才缺口
那么“算子”调优的困难，到底是技术工具问题，还是人的问题？一场面向真实场景的算子开发赛事，给了极具参考价值的观测窗口。
我们说的比赛就是近期中电信人工智能科技（北京）有限公司与华为联合主办的“中国电信星辰杯·高校AI算子开发挑战赛”。它最重要的创新，就是把原本很难横向对比的算子开发能力，变成了一把统一、可衡量的能力标尺，让国产算力底层的人才短板第一次具象化。
过去算子调优能力难以评判：不同硬件、不同验证标准之下，算子实现效果没法放在同一个维度比拼。而本次赛事采用统一赛题、统一评测平台，线上评估+现场验证的模式保障结果可复现。
这场比赛面向全国高校在校学生，赛题全部取自真实大模型底层算子场景，吸引了来自全国高校的539支队伍报名，最终多轮比赛淘汰了大部分队伍，有28支队伍晋级决赛。
据了解，决赛赛题是最考验功夫的Sparse FlashAttention反向算子，它是稀疏大模型训练中的核心算子，直接决定长上下文大模型的显存占用与训练速度，调优难度极高。
一场比赛办得越规范，它反映出的问题就越清楚。这场比赛折射出的，恰恰是产业人才存量的底：愿意且能够投身国产“算子”开发的人才，目前还没有那么多，也蕴含着巨大的机会。
也就是说，中国算力的坎，与其说卡在“算子”技术本身，不如说卡在能“写算子”的人才身上。笔者认为原因主要有两点。
其一，“算子”门槛极高。想要从事“算子”开发，这些人才既要懂芯片硬件架构，又要懂深度学习模型逻辑，可以说需要具备典型的软硬结合交叉能力。
直白地来说，这些人才要读得懂芯片手册里的指令集、内存层次、计算单元的分工，又要吃透模型的数学原理和数值精度，还需要在“算得准”和“算得快”之间反复权衡。
一个“算子”要同时照顾多种数值精度，稍不留神，模型训练就不收敛。同样是“算子”，如果没有调优，对于同样的芯片而言，跑出来的速度可能差一大截。
正如科大讯飞副总裁、研究院院长刘聪在2026智源大会上所讲，在国产算力上训练大模型，不是简单的适配问题，而是一场需要深入软硬件架构、逐个击破底层瓶颈的硬仗。
懂算法的不一定懂芯片，懂芯片的不一定懂模型，两者都精通的可以用凤毛麟角来形容。这已决定了“写算子”人才的稀缺性。
其二，人才供给跟不上产业扩张。一边是大模型不断迭代、全国智算中心大规模上马，另一边能做算子开发、迁移调优的人却极其稀缺。
智源研究院系统研究组负责人刘广，在2026智源大会“智算前沿·AI赋能系统”分论坛上直言：“算子”开发是AI基础设施中最苦、最底层的活，人才极度稀缺，人才瓶颈已到临界点。
可以说，懂软硬协同的算子人才，供给跟不上产业扩张的速度，才是国产算力真实的坎。
以赛育才，打造统一标尺，扩大国产算子人才池
人才缺口不会自动弥合。大模型规模持续增长，国产算力硬件不断扩容，未来算子层面的人才缺口只会进一步放大。
行业里会写提示词、会做模型应用的人很多，但能做底层算子开发、迁移调优的人，是真正的稀缺资源。
大模型浪潮之下，大多数人涌向了更容易出成绩的上层，而最难、最苦，也最关键的底层，却很少有人愿意坐冷板凳。国产算力下一阶段，主要矛盾早已不是有没有合适的算力卡，而是有没有人把硬件的性能真正释放出来。
正因如此，这场比赛更值得产业关注。中国电信星辰杯·高校AI算子开发挑战赛不只是比一场，把算子开发能力变成可度量的标尺，更是在为产业构建“算子”人才蓄水池。
比如，比赛后的高校算子人才座谈会、星辰通用人工智能实验室的人才宣贯与招募，都在做同一件事：把散落在校园里的“算子”人才，一个一个聚在一起，并通过赛事，让行业看到“算子”人才的重要性，从而加速行业对“算子”人才的投入与培养。
运营商、企业建设智算中心时，绕不开“算子”这道底层命题。算力，决定中国AI理论上能跑多快；算子适配，才决定它现实中能跑多远。
而能不能持续打磨好算子、释放算力价值，最终取决于愿意沉下心坐冷板凳的软硬协同人才。国产算力的下半场竞争，说到底，是底层人才的竞争。
