4月13日, 历时5天的2024 ASC世界大学生超级计算机竞赛(ASC24)总决赛在上海落下帷幕。经过激烈的角逐,北京大学、中山大学分获冠亚军。
ASC24总冠军 北京大学
ASC24超算大赛历时近六个月,全球共有300余支高校代表队报名参加,经过预赛选拔出的25支队伍晋级本周在上海大学举行的总决赛,现场决赛队伍数量也创下历年之最。决赛要求各参赛队伍在3000瓦功耗约束下设计安装小型超算集群,运行优化国际通行基准测试HPL&HPCG、大模型推理优化、渗流数值模拟、火星大气模拟、新型材料结构计算等前沿科学与工程应用,并参加英文答辩。总决赛期间,25支队伍还通过抽签分为五组完成超级团队赛,通过跨团队合作,共同挑战地震波模拟赛题。
ASC24总决赛竞赛现场
总决赛争夺异常激烈,最终北京大学代表队发挥出色,在火星大气模拟、大模型推理优化、神秘应用新型材料电子结构计算等多个赛题表现突出,反映出全面、深刻的超算系统与应用理解能力以及出色的性能优化能力,夺得总冠军。中山大学代表队在渗流数值模拟、火星大气模拟、HPL&HPCG等多个赛题中都取得优异成绩,获得亚军。
ASC24亚军 中山大学
台湾新竹清华大学代表队在极具挑战性的渗流数值模拟赛题中,充分利用集群计算资源,在功耗约束下成功完成应用的大规模并行优化,以最短运行时间出色完成所有测试算例,取得全场最佳成绩,获得e Prize计算挑战奖。
ASC24 e Prize计算挑战奖 台湾新竹清华大学
由上海大学、南方科技大学、齐鲁工业大学、西南石油大学、香港理工大学等队组成的超级团队对地震波模拟赛题实现了高效优化,获得了超级团队奖。
ASC24 超级团队奖
上海大学、南方科技大学、齐鲁工业大学、西南石油大学、香港理工大学
此外,浙江大学代表队获得了最高计算性能奖。而山西大学、上海交通大学、北京航空航天大学等队伍凭借在单项赛题上的优异表现获得了应用创新奖。
ASC24最高计算性能奖 浙江大学
ASC24应用创新奖
山西大学、上海交通大学、北京航空航天大学
ASC专家委员会主席、图灵奖获得者、田纳西大学杰出教授杰克?唐加拉(Jack Dongarra)表示:“ASC激励下一代的高性能计算科学家和工程师们,使用最尖端的技术提供创新的解决方案。ASC竞赛是世界上最大的超算竞赛,致力于培养下一代青年人才,在超算和人工智能领域探索、创新和合作。”
Jack Dongarra ASC24闭幕式致辞
上海大学党委书记成旦红表示:“上海大学高度重视超算技术的研发和应用,积极培养相关领域的优秀人才。未来上海大学将聚焦超算领域建设和发展,不断强化学科交叉、平台建设和成果转化,持续优化专业设置和人才培养体系。”
上海大学党委书记成旦红致辞
中国科学院院士、上海大学校长刘昌胜表示:“通过承办此次ASC大赛,希望能够搭建更加广阔的超算技术交流舞台,不断推动超级计算技术发展,赋能AI for Education新范式,为科研创新、社会进步和人才培养做出更大贡献。”
中国科学院院士、上海大学校长刘昌胜致辞
ASC世界大学生超级计算机竞赛(ASC Student Supercomputer Challenge)由中国发起组织,并得到亚洲及欧美相关专家和机构支持,旨在通过大赛平台推动各国及地区间超算青年人才交流和培养,提升超算应用水平和研发能力,发挥超算的科技驱动力,促进科技与产业创新。ASC超算大赛迄今已举行至第十一届,吸引来自全球六大洲上万名大学生报名参赛,是全球最大规模的大学生超算竞赛。
ASC24全体成员赛场合影
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。