一档对话节目道出高校有「为」，昇腾与高校共创培育顶尖AI人才

排行榜 2025年09月29日 20:32 1 aa

文 | 智能相对论

作者 | 陈泊丞

当AI产业进入以生态攻坚为主导的深水区，业内人士愈发重视AI人才的发展价值，并持续思考和探索AI人才的培养模式。

最近，在昇腾与CSDN联合策划的国内首档面向TOP高校新生代科研团队系列探访&对话节目——《高校有为》首期节目中，CSDN高级副总裁李建忠、北京大学袁粒教授与昇腾架构专家王建辉达成一个共识，“AI人才是整个生态建设的非常重要的一部分，其中中国高校在这一波AI产业的人才发展上起到一个非常重要的作用。”

在这一共识上，深耕教育领域的袁粒教授进一步提出了自己的思考。他强调，大模型训练，本质上是一门“实验科学”。学生如果只停留在课本理论，没有亲手接触和调试过大规模集群，没有在海量的算力消耗中积累Know-How，就无法成长为真正的顶尖人才。

诚然，顶尖AI人才的培养无法仅靠单一的理论灌输，还需要兼顾工程实践性，使其能上手训练模型、能解决落地难题，以适应市场需求。那么，具体应该如何来实现？袁粒教授给到的答案是“校企合作”模式，并提到了一个已经落地的样本——由华为联合清华、北大、上交等16所顶尖高校共创的校级合作平台「鲲鹏昇腾科教创新卓越中心/孵化中心」。

根据节目上昇腾架构专家王建辉的介绍，在「智能相对论」的视角中，「鲲鹏昇腾科教创新卓越中心/孵化中心」包含三个目标：人才培养、系统架构创新和赋能交叉学科，从根本上提供直击人才培养痛点和科研创新成果孵化以及壮大应用生态的系统化解决方案，从而让高校学生成长为顶尖AI人才。而这样的校企合作模式，在顶尖AI人才的培养中究竟是如何发挥作用的？值得思考。

校企合作模式，为何能成为顶尖AI人才培养的有效路径？

若要解答这一问题，核心在于先厘清关键前提：在AI产业发展进程中，企业对高校组织的价值点究竟体现在哪些方面？

回到《高校有为》节目的对话中，袁粒教授作为Open-Sora Plan发起人提及项目初期的一个核心瓶颈：受限于算力资源的严重短缺，模型训练与实践推进陷入停滞。直至昇腾及时介入，通过提供算力资源与技术支持，才助力项目突破算力桎梏，顺利达成训练目标。

同时，在昇腾算力的支持下，袁粒教授的团队得以不断进行算法迭代。例如，为了解决视频序列过长导致的“内存溢出”（Out of Memory）问题，他们联合昇腾团队，在张量并行（TP）的基础上，进一步开发了序列并行（SP），实现了“TP+SP”的高效训练模式。再比如，为了解决模型训练后期收敛困难的“震荡”现象，他们还采用了昇腾亲和的 EMA（Exponential Moving Average）优化策略，才最终让模型平稳收敛。

由此来看，正如Open-Sora Plan初期所面临的困境，高校普遍存在的算力缺口，无法提供充足的算力资源来保障项目实践以及迭代发展。而这一困境并非Open-Sora Plan的个例，而是当前高校AI科研与人才培养领域的共性难题。

放眼当前高校的AI人才培养体系，两大核心阻碍尤为突出：其一，多数人才缺乏真实科研项目的实战历练，难以将理论转化为解决实际问题的能力；其二，算力资源的稀缺性持续掣肘学习与实践环节，导致学生难以开展大模型训练、多模态推理等核心实践，直接造成理论学习与产业技术落地需求的断层，最终使人才陷入理论扎实但实践薄弱的“纸上谈兵”困境。

在此背景下，Open-Sora Plan的破局经验充分印证了校企合作模式的可行性与价值。当前，华为与高校共创的「鲲鹏昇腾科教创新卓越中心/孵化中心」，更是为高校打通AI人才“理论学习-实践应用”链路，从而支撑起顶尖AI人才培养。具体来看，其支撑作用主要体现在两大维度：

一方面，华为为高校提供专业资源支撑。其在校内搭建HPC+AI融合实验环境，开放鲲鹏昇腾算力资源，并派驻专家团队提供技术指导；同时，通过技术特训营、专题研讨会、专业竞赛等多元化实践形式，构建系统化的人才培养体系，助力学生在实战中提升技术能力。

另一方面，昇腾以“全面开源开放”为核心策略，系统性解决了高校学生与年轻开发者“无工具可用、无环境可练”的痛点。在软件工具层面，昇腾将CANN底层能力、Mind系列应用使能套件逐步实现全量开源，并深度兼容PyTorch、vLLM等主流开源框架，促使开发者无需从零搭建工具链，可直接调用成熟套件或适配熟悉的框架开展开发。

同时，昇腾还积极构建“高校-社区-伙伴”协同共生的开源生态体系。在高校合作层面，以 vLLM、SGLang社区为核心载体，通过科研创新课题、众智任务、社区贡献任务三维度评估合作，优先聚焦科研突破与社区技术贡献，配备专职团队跟踪支持，助力高校人才成长。在开源社区层面，全面适配PyTorch、vLLM等主流项目，强化社区技术底座支撑，促进生态繁荣。

总的来说，顶尖AI人才的培养并非单一的“缺乏实践应用场景”问题，而是受制于多维度、系统性的共性挑战——从算力资源的结构性匮乏，到开发工具的适配性缺失，再到理论学习与实践应用间链路的天然断裂，每一环都需要依托成熟的生态，对人才培养体系进行全链路重塑。

而「鲲鹏昇腾科教创新卓越中心/孵化中心」所夯实的校企合作模式正是全链路重塑人才培养体系的关键——华为正以昇腾生态为核心，整合算力、工具、场景等全链条资源，推动人才培养体系愈发系统化与发展成熟，从而为行业持续输送兼具理论深度与实战能力的优质AI人才。

不是每一家企业都能为高校重塑顶尖AI人才培养体系

尽管校企合作模式是高校培养顶尖AI人才的有效路径，但并非所有的企业都能协同高校达成这一目标。究其原因在于顶尖AI人才的培养要解决并非零散的问题，不只简单地给算力、给资源或是联合做项目，而是重塑系统化体系。

如今，「鲲鹏昇腾科教创新卓越中心/孵化中心」被业内人士视作校企合作的标杆平台，其根本支撑在于中心所确立的三大定位。从顶尖AI人才的培养角度来看，这三个定位并非孤立的功能模块，而是环环相扣的系统化人才培养链条——从课程设计到科研实践，再到场景落地，对应解决了顶尖AI人才学什么，做什么，用什么的三大核心问题。

一、课程体系共建：以课题驱动明确“学什么”，解决了理论脱离需求问题

顶尖AI人才培养的首要前提，是厘清“该学什么”。传统AI课程的核心痛点，正在于理论学习与产业需求之间的割裂。比如，学生掌握了多模态融合的基础原理，却不知道产业端已聚焦“边缘算力下的低延迟推理”。或是熟悉了Transformer架构的推导逻辑，却不了解企业对“模型轻量化适配”的实际诉求。

这种“学的用不上、用的没学到”，本质是“学什么”的标准与产业需求之间脱节了。而「鲲鹏昇腾科教创新卓越中心/孵化中心」的课程共建，正是以课题驱动重构“学什么”的标准——通过深度参与高校课程设计，将科研课题、产业课题、竞赛课题直接融入教学环节。这意味着学生“学”的不再是孤立的理论公式，而是对接产业需求的实用知识。这种模式清晰界定了顶尖AI人才该“学什么”，让理论学习从“飘在天上”落地为能转化为实战能力的技能。

二、科研攻坚支撑：以资源赋能明确“做什么”，解决了有理论无实践问题

当“学什么”的标准明确后，顶尖AI人才培养的下一个关键，是回答“该做什么”。仅掌握理论无法成长为实战人才，必须通过真实科研任务积累经验，但“缺资源、没平台”的现实往往也让学生陷入想做却不知做什么、能做却没条件做的尴尬困境。比如，想尝试大模型训练，却没有足够算力；想突破跨学科技术，却缺乏适配的实验环境。

这种“有理论无实践”，本质是“做什么”的路径被资源卡住了。「鲲鹏昇腾科教创新卓越中心/孵化中心」的科研支撑，核心是为顶尖AI人才搭建“做什么”的资源平台，包括前面提及的HPC+AI实验环境、鲲鹏昇腾算力资源支持以及专家团队全流程指导等，充分赋能高校学生的实践需求。

这种赋能让“做什么”变得更加清晰且具体，比如北京大学依托卓越中心搭建“鹤思”调度平台，学生就可以专注于“做什么”，不管是优化Open-Sora Plan的视频生成精度，还是探索Diffusion Transformer的新结构都无需为资源而发愁。类似的，上海交通大学借助“交我算”超算平台，也助力了“钠死亡研究”“大规模分子动力学”等跨学科课题进程。由此来说，在攻克高难度任务中明确“做什么”才是产业需要的核心能力。

更关键的是，这些科研实践并非模拟任务，而是能产出真实价值的突破。像浙江大学依托卓越中心资源研发的“长时一致视频生成技术”，就解决了长视频制作的效率痛点。清华大学基于鲲鹏-昇腾异构协同研发的KTransformers框架，则是实现了单卡运行千亿参数模型的突破等等。

三、场景创新赋能：以“AI+X”明确“用什么”，解决了会实践不会落地问题

掌握了“学什么”、完成了“做什么”，顶尖AI人才培养还需突破最后一关：明确“用什么”。具体来说，这里的“用”，指用技术去解决什么场景问题。在传统培养体系中，学生虽能在实验室跑通模型，却不知道技术该用在文旅、生物还是材料领域，更不懂不同场景下技术要如何适配需求。比如能训练多模态模型，却不知道“多模态模型如何在文旅场景中做到3秒内生成游客专属视频”。能优化模型精度，却不了解“在边缘设备场景中如何控制算力成本”等等。

这种“会实践不会落地”，本质是“用什么”的路径与场景脱节了。「鲲鹏昇腾科教创新卓越中心/孵化中心」的“AI+X”场景赋能，正是为顶尖AI人才梳理“用什么”的落地路径。目前，卓越中心/孵化中心联合华为与高校专家，将AI技术赋能至文旅、生物、材料等跨学科场景，让学生在真实应用中理解“技术该用在何处、如何用”的问题。以袁粒教授的Open-Sora Plan为例，项目落地西安大唐不夜城文旅场景时，学生已经在“用”多模态生成技术解决“游客角色定制”“景点场景适配”等需求。在这个过程中，学生就能清晰知道“用什么技术解决什么问题”，而非盲目堆砌技术。

往长远来看，这种“用什么”的落地能力，更能催生出商业价值转化。清华系企业趋境科技“用”异构计算架构研发AI推理一体机，清程极智“用”鲲鹏平台推出FP8模型部署方案，中科大系企业瀚海量子“用”鲲鹏打造量子计算教学平台——这些案例无不证明，顶尖AI人才通过明确“用什么”的能力，正在让技术在市场中创造价值，而非局限于实验室的技术验证。也正是这种“用什么”的清晰定位，才能让顶尖AI人才成长为能推动产业升级的复合型人才。