国产算力能否真正进入大模型训练与推理场景，关键不只在芯片峰值算力，更在算子能否把硬件能力转化为稳定、可复现的实际性能。算子是连接上层算法与底层硬件的执行单元，承担数据访问、计算调度、内存管理与精度控制等任务。适配和优化不到位，理论算力就难以转化为生产效率，训练与推理成本也会随之上升。
算子决定硬件性能的兑现程度
大模型中的高算力消耗模块往往具有复杂的数据依赖和访存模式。以 Sparse FlashAttention 反向算子为例，开发者需要处理数据访问不规则、片上内存受限等问题，并自主设计分块与流水方案，在精度对齐的前提下提升执行效率。这要求开发者同时理解模型计算逻辑、芯片执行特征和软件工具链，单纯依靠算法知识或硬件知识都难以完成高质量实现。
因此，算子开发实际上是国产算力落地的“最后一公里”。它直接影响计算资源利用率，也检验芯片架构、编译工具链与上层框架之间的协同程度。算子生态越成熟，硬件的应用迁移成本越低，国产芯片在真实业务中的竞争力越容易形成。
产业需要能深入底层的人才
算子优化具有较强实践属性，性能提升往往来自索引统计算法、流水线调度、片上缓存复用和同步机制等细节。中国电信星辰杯高校 AI 算子开发挑战赛吸引了来自 177 所高校的 539 支队伍，初赛累计提交 84248 次作品，说明高校开发者正在通过高频调试接触国产算力的真实工程问题。
赛事采用真实业务场景命题，并以线上评测和现场答辩共同考察实现质量。上海交通大学获一等奖的队伍，在保证精度的前提下，将 AI Core 平均读命中率由 91.45% 提升至 92.70%，决赛线上成绩达到 94.63 分。这样的结果说明，算子能力并非抽象概念，而是可以通过工程实践被训练、验证和沉淀。
国产算力生态建设需要持续扩大这类开发者群体。只有更多青年人才熟悉昇腾 NPU、Ascend C 及相关工具链，能够在芯片与模型之间完成性能调优，硬件创新才会获得稳定的软件支撑，国产算力也才能从“可用”进一步走向真实场景中的高效应用。