走出“模拟器”：在松山湖，看见中国高校开发者的硬核毕业礼

12月底的东莞松山湖，空气中不仅有南方特有的湿润，还弥漫着一股焦灼的“硅味”。

这股味道的来源，是鲲鹏昇腾创新大赛全国总决赛2025的现场。与其他同类赛事不同，在昇腾赛道的答辩区，映入评委眼帘的不再是满屏枯燥的代码和静态数据集，而是物理世界的轰鸣：一辆无人驾驶自行车在演示区颤巍巍地寻找平衡，一副AR眼镜正在实时把手语翻译成带有“情绪”的文字，AI正在像造物主一样生成庞大的三维空间。

这是一场关于“含金量”的压力测试。入围决赛的96支昇腾赛队中，高校队伍占比高达46%。但这并非一场仅限于象牙塔内的某种“模拟考”。

在这群00后/95后身上，我们观察到一个显著的变化：他们不再满足于在Jupyter Notebook里跑通一个MNIST（手写数字识别）Demo，也不再沉迷于在排行榜上刷高0.1%的准确率。他们正在试图用创新的算力平台，去解决真实的物理世界难题——从让自行车“成精”，到让聋哑人“听见”笑声。

这或许是昇腾生态最想看到的一幕：算力底座已然趋向成熟，并正成为年轻人重构世界的工具箱。

给创意装上“端侧大脑”：不仅要“能跑”，还要“能扛”

AI从云端下沉到边缘端，开发者面临的最大痛点往往不是模型不够大，而是“算力与功耗的平衡”以及“实时性”。

在金奖项目——清华大学“要啥自行车”队的答辩现场，我们看到了这种极致的工程挑战。

彼时刚刚步入大二的他们，有一个大企业听起来都觉得很科幻的目标：打造一辆具备“零速自平衡”能力的智能自行车。简单说，就是车子即使停着不动也不会倒，还能自动跟随主人、避障巡逻。但在工程实现上，这简直是一场噩梦。

“想法很美好，现实很骨感。”“要啥自行车”队的李想赛后接受采访时坦言，最开始的样车根本站不稳，“刚开始摇摇晃晃，稍微有干扰就倒了。为了维持平衡，飞轮需要持续加速减速，导致放流电阻产生极高的高温，能量损耗巨大。”

要啥自行车队李想

真正的挑战在于“极小空间下的算力博弈”。这不是在无限算力的云端服务器上跑模型，而是在一辆自行车有限的体积和电池负载下，既要跑通高负载的视觉感知算法（YOLOv8），又要处理毫秒级的实时控制回路（PID）。

传统方案往往需要背一台笨重的工控机，或者把视觉和控制分开放在两块板子上，但这些不符合团队的目标。

破局的关键，在于一块只有手掌大小的板卡——昇腾开发板。这块板子让李想体验到了什么是“手边的高性能算力”。但硬件只是基础，软件适配才是那只“拦路虎”。

在开发初期，团队遭遇了严重的软件架构冲突：当他们试图用Python同时处理视觉大模型和底层电机控制时，Python特有的GIL（全局解释器锁）导致多线程阻塞——简单说，就是车子“看路”的时候，会忘了“保持平衡”，结果就是翻车。

要啥自行车队李想及组员

昇腾的CANN（异构计算架构）在此时发挥了关键作用。在昇腾社区专家的指导下，他们重构了代码，利用CANN将高算力消耗的视觉推理任务“卸载”到NPU上跑，而将要求极高实时性的500Hz PID控制逻辑留在CPU的高优先级线程中，并迁移到了ROS2 + Ascend框架下。

最终，这辆自行车实现了90ms以内的端到端延迟。它不再是一个玩具，而是一个能真正跑在路上的“具身智能”原型。团队甚至畅想了它在未来的社会价值——它不仅是取快递的工具，更可以升级为老年人的防摔倒智能助行器，或是携带热成像仪的工业巡检车。

同样的“端侧突围”，也发生在南昌航空大学的“灵语视界”团队身上。

中国有2780万听障人士，但手语翻译员比例极低。传统的翻译软件冰冷、延迟高，且无法传递情绪。有感于学校某工作室同学与听障人士交流困难的遭遇，灵语视界团队生出的雄心，是做一副“有温度”的眼镜，要实现手势和面部表情的融合。

他们的挑战在于极致的轻量化与实时性。如果翻译一句话要等2秒，对话就死了。

借助免费申请的昇腾开发板，以及昇腾社区分享的参考案例，利用昇腾，团队将复杂的自然语言处理模型成功“塞”进了算力有限的端侧设备，经过三次迭代，实现了0.3秒的极速推理。更重要的是，他们打通了昇腾生态，利用多设备流转能力，让眼镜不仅能识别手势，还能通过捕捉面部表情来补全语义中的“情绪”。

当屏幕上不仅显示出“你好”，而是显示出“（开心地）你好”时，技术才真正拥有了人的温度。而金奖的结果也让灵语视界团队更加自信，他们希望推动应用上架。

在云端重构“专家智慧”：从“小制作”到“大模型”

如果说“要啥自行车”队和“灵语视界”队代表了高校开发者在物理边缘端的灵动，那么北京大学武汉人工智能研究院（简称北武院）的“济大夫”项目，则展示了高校科研力量在“重型装备”上的突围。

这里的战场不在板卡，而在集群；挑战不在平衡，而在“智慧的深度”。

医疗大模型是目前AI领域最难啃的骨头之一。数据极其敏感（隐私），模态极其复杂（CT影像+电子病历+生化指标），且医生对AI大模型生成的不符合实际的错误内容（业内常称 “幻觉”）的容忍度为零。

北武院团队带来的“基于医疗大模型的门诊病患智能体”，并不是一个简单的问诊Chatbot。它是一个能够像真正医生一样，阅读影像、分析病历、给出预诊建议的Agent（智能体）。

在这个项目中，昇腾作为一整套基础软硬件平台的优势被发挥得淋漓尽致。

面对医疗场景下高并发、高吞吐的推理需求，团队依托昇腾集群强大的算力，并引入了MindIE（大模型推理引擎）。MindIE极大地优化了模型在自主创新硬件上的吞吐性能，让“济大夫”在处理复杂的医疗影像和长文本病历时，能够做到快速响应，促使医生接诊效率提升35%，急诊初筛等待时间缩短50%。

北武院“济大夫”项目团队

“从数据采集、模型训练到最终的部署上线，昇腾平台尤其是它的分布式推理能力，起到了非常关键的作用，大大提高了我们工程化的效率。”北武院工程中心总工程师张浩深有感触地表示。

更关键的是，这是一套完全自主创新的方案。在医疗数据隐私至关重要的今天，基于昇腾AI基础软硬件构建的本地化算力集群，为“AI医疗”的合规落地穿上了一层防弹衣。

深度观察：谁在为“后浪”铺路？

在松山湖的赛场上，我们容易被高校学子们台前的光芒吸引。但如果把视线拉长，看看同台竞技的企业与初创赛道，你会发现一个更有意思的隐喻：高校项目的成功，本质上是因为产业界已经为他们铺好了路。

为什么清华的学生能把精力集中在算法逻辑，而不是被底层的算子开发难倒？

在金奖项目记忆张量（MemRL）的答辩中，我们找到了答案。算子开发一直是AI生态中最苦、最累、门槛最高的活。通常，这需要极稀缺的专家手写优化。但记忆张量团队展示了一种硬核解法：利用强化学习（RL）在昇腾平台上自动生成和优化CANN算子。

他们就像是生态里的“修路队”。通过让AI去写AI代码，他们把底层的坑填平了，让上层的高校开发者调用算子时更顺滑、更高效。

而高校学生们做出的Demo，未来真的有商业价值吗？

深圳生境科技有限公司给出了掷地有声的回答。这家获得红杉等顶级资本加持的初创公司，其核心的空间AI 大模型，正是从高校阶段的 Demo 迭代演化而来的。此次赛场上，他们展示的正是基于昇思MindSpore训练的空间AI大模型——既能精准理解空间几何与风格美学，生成高精度3D装修设计方案，并已在游戏开发、地产设计等领域投入商用，甚至开始为具身智能（机器人）提供合成数据服务。更具前瞻性的是，他们基于全球领先的高现实性3D空间生成能力，打造的SimHub具身合成数据平台，正为机器人训练提供海量高质量场景数据，破解了当下具身智能发展的核心数据瓶颈。生境科技的实践，恰恰印证了高校前沿技术从“实验室”到“市场”的完整转化路径。

鲜为人知的是，生境科技的现场答辩选手、联合创始人庄子扬，是一位典型的“非典型”创业者。这位95后年轻人拥有巴黎高等商学院的硕士学位，具备“计算机+金融”的双重背景，曾身处高薪的量化交易行业。但他毅然放弃了百万年薪的舒适区，选择了空间智能这条极为硬核的赛道。

“传统内容领域的竞争格局已经固化，巨头壁垒难以突破，而空间模态能让我们和行业巨头站在同一起跑线，这种开创全新领域的机会，比安稳的高薪更有吸引力。”庄子扬曾在深圳大学MBA课堂的分享中这样解释自己的创业初心，他还将空间模态的创新逻辑通俗解读为“GPT组合文字秩序生成文章，我们则组合物体秩序生成空间”，让更多人理解这一前沿领域的价值。

生境科技联合创始人庄子扬

“做大模型和创业这两件事叠加在年轻人身上，已经足够酷了。”庄子扬在采访中说道。

从这个角度上来看，生境科技的存在，就像是一个“灯塔”。它向所有参赛的学生证明：中国新一代的科技创业者，可以用自主创新的算力底座，去挑战“空间模态”这一全球技术的最前沿，并取得成功。更清晰地勾勒出产业界与高校协同创新的生态图景——产业界既为高校创新铺路筑基，也为前沿技术提供商业化试错的土壤，最终让创新价值真正落地生根。