AI算力争夺战：腾讯600万算法大赛开启，探索推荐系统Scaling Law新纪元

黄仁勋在 GTC 大会上提出，Token 是 AI 时代的新货币，谁能用每瓦特电力产出更多高价值的 Token，谁就能占据优势。几乎与此同时，奖金池高达 600 万元的腾讯广告算法大赛开启报名，为全球算法人才提供了一个验证这一规则的实战平台。

“Token”、“推理成本”、“智能体”、“工作流程自动化”……这些原本主要在技术圈内流传的术语，近期因人工智能的热潮而频繁进入公众视野。

另一方面，许多人从电子产品的涨价中也感受到了变化：手机、电脑等设备价格上调，厂商给出的理由普遍是存储芯片价格显著上涨。

这两件事实际上指向同一个背景：应用层的 AI 需求正在爆发式增长，而基础设施层面，整个行业尚未完全做好准备。算力、芯片、系统效率这些原本隐藏在幕后的关键问题，被急剧放大的 AI 需求推到了台前。一个明显的迹象是，算力租赁行业已出现涨价潮，且可能持续一段时间。这对于希望抓住 AI 机遇的企业而言，是一个切身相关的挑战。

然而，挑战中也蕴藏着机遇。越来越多的公司开始意识到，在算力供应短期内持续紧张的背景下，限制 AI 普及的关键可能并非模型能力不足，而是算力使用效率不高。如何用更少的计算资源，实现相当甚至更强的智能，将成为接下来一段时间的竞争焦点。

一旦问题转向效率，市场对人才的需求也随之变化。那些能同时深刻理解算法、系统架构与算力效率的“高效能人才”，将变得越来越抢手。

这种对人才的渴求，也催生了一个有趣的现象：科技公司开始将真实的工程难题转化为公开竞赛，邀请外部力量共同求解——这既是招募人才的手段，也是对自身技术命题的公开验证。2026年腾讯广告算法大赛正是这样一场活动。

与往年一样，本届大赛依然围绕真实的业务场景展开，所用数据来自每日服务数十亿用户的广告系统（经过脱敏处理）。这意味着，这并非一道纸上谈兵的算法题，而是一次直面真实 AI 基础设施难题的机会，它代表了每家大型科技公司都面临、却尚未被系统性解决的工程挑战。

与往届相比，今年大赛有两个显著变化：

其一，赛事时隔多年再次与 KDD（国际数据挖掘与知识发现大会）这一顶级学术会议官方联动，重返更广阔的国际舞台。

其二，赛道设置更加开放。以往此类赛事主要面向在校学生，今年则首次单独设立工业赛道，在职算法工程师与技术团队亦可参与。

比赛的奖金池及其他收益同样极具吸引力。学术赛道冠军奖金高达30万美元（约合人民币200万元），这在国内赛事中几乎处于天花板级别。

对应如此高规格奖励的，自然是足够前沿和复杂的问题——甚至连出题方也在期待答案。若能找到卓越的解法，它或许将直接改写国内大厂技术基础设施的底层逻辑。

全新挑战：探索推荐系统的 Scaling Law

今年的赛题为何如此重要？因为它本质上提出了一个颠覆性问题：推荐系统能否像其他已被 AI 大模型重塑的领域一样，被“重做一遍”？

过去十几年，推荐系统一直是科技公司的核心基础设施之一。它从海量信息中筛选出最符合用户需求的内容，并过滤信息爆炸带来的噪音。

然而，随着 AI 进入大模型乃至智能体（Agent）时代，推荐系统的演进也来到了新的拐点：一方面，类似大模型的“统一架构 + GPU 高效计算”范式已被证明具有强大的通用能力；另一方面，推荐系统却仍多采用“拼装式工程”，结构割裂，算力利用效率存在巨大提升空间。

为何这么说？通常，广告推荐系统中的模型需要处理两类性质不同的任务：

第一类是理解用户的行为序列。例如，用户近期观看了哪些视频、点击了哪些商品、进行了什么搜索。这些行为按时间排列，因此模型需要理解“顺序”。这类问题通常称为序列建模。

第二类是理解各种特征之间的组合关系。例如，“女性”与“购买过婴儿推车”这两个特征组合，可能意味着更应推荐“安全座椅”。这类问题称为特征交互。

问题在于，当前工业界的普遍做法是将这两件事分开处理——一部分网络专门处理行为序列，另一部分网络专门进行特征交互，最后再将结果合并。

在早期的 CPU 时代，这种架构尚可应对。但进入 GPU 时代后，这种拼接式架构暴露出诸多问题：首先，信息在中间流程中割裂，难以捕捉复杂的关联；其次，系统由众多小模块组成，结构复杂，GPU 难以满载运行；此外，数据需要在 CPU 与 GPU 之间频繁搬运，效率低下。

主办方希望参赛者尝试完成一项任务：将这两套体系彻底融合为一个统一的模型。因此，本届赛题被命名为“大规模推荐系统中序列建模与特征交互的统一”。

本次竞赛的核心任务架构示意图。

这并非凭空设想的题目，而是沿着大模型已验证成功的路径前进。像 Transformer 这样的统一架构已经证明：只要将各类数据用同一种方式表示，并交由同一套模型处理，就能更高效地利用算力，且规模越大效果越好，即所谓的 Scaling Law（缩放定律）。然而，推荐系统仍停留在东拼西凑的旧有结构中，难以享受这种规模效益带来的提升。这道赛题，实质上是在探索：推荐系统是否也能采用更简单、更统一的架构，从而实现越做越强。

当然，实现这一目标并非易事。核心难点在于，广告推荐场景的数据极其复杂——既包含用户当下的静态信息，也包含带时间戳的行为流水数据。参赛者需要在一个统一架构内，将这两种截然不同的数据“翻译”成模型能理解的语言并进行深度融合。同时，工业级数据规模海量且极度稀疏，模型必须具备足够的鲁棒性。更苛刻的要求是，方案不仅要预测准确，还要运行高效，需能在高端 GPU 上支持大批量的高效训练与推理。需要注意的是，比赛严禁使用“模型集成”（model ensemble）这类刷榜技巧，要求参赛者凭借单一模型的真实能力进行比拼。

不过，从主办方提供的支持来看，本次比赛并非“抛出一道难题就让选手自行摸索”。为降低参与门槛，大赛提供了一套可复现、起点较高的 Baseline（基线模型）——这不仅仅是一个简单示例，而是一个基于 Transformer 的完整统一架构，连 Token 化思路和核心网络都已搭建好。此外，主办方还将提供免费的算力支持。

数据方面也无需担心，大赛提供的数据直接源自腾讯广告的真实工业日志，其规模与复杂度均接近真实生产环境，并已进行严格且不可逆的匿名化处理。

客观而言，题目确实具有挑战性，但也足够真实、足够前沿。如果能投入1-2个月时间接受挑战，无论参赛者未来是计划在工业界深耕推荐系统，还是继续探索大模型与系统架构，这段经历都将成为一份宝贵的、“触碰过真实一线难题”的证明。

为什么值得参加？

如前所述，本届大赛有两个值得关注的变化：一是与 KDD 会议联动，二是开放在职人士参与。

众所周知，KDD 在顶级学术会议中与 ICML、NeurIPS 齐名。本次大赛能与 KDD 联动，本质上是因为赛题本身已具备顶会级别的学术价值。因此，若能在大赛中取得优异成绩，简历上将增添一个全球认可的亮点。此外，优秀成果将被大会的 Workshop Proceedings 收录，颁奖典礼也定于今年 8 月在 KDD 会议现场举行。

设立“学术”与“工业”双赛道则基于两方面考量：其一，赛题本身并非一个“玩具问题”，而是每家大厂都面临的真实工程难题，需要具有实际系统落地经验的工程师带入更贴近工业实践的约束条件和实现视角；其二，在这个技术飞速迭代的时代，高校学术研究者与行业实战专家需要一个直接对话的契机，以加速前沿算法从论文到生产系统的转化进程。

本次大赛已于 3 月 19 日开启报名。总奖金池高达 88.5 万美元（约合人民币 610 万元）。其中，学术赛道冠军奖金为 30 万美元（约合人民币 200 万元），工业赛道冠军奖金为 15 万美元（约合人民币 100 万元）。

值得一提的是，为鼓励参赛者在 Scaling Law 与统一架构方面实现原创性突破，大赛还设置了两项“技术创新奖”。即使最终排名未居前列，只要在技术上有突出创新，仍有机会获奖，每项奖金为 4.5 万美元（约合人民币 31 万元）。

比赛结束后，排名前列的选手将有机会加入腾讯，亲手将自己的方案在广告系统中落地，验证实际效果。

或许你已经跃跃欲试，但也会担心：如果从未接触过推荐系统，现在开始是否来得及？

其实无需多虑。回顾腾讯广告算法大赛历年的获奖名单，你会发现许多选手都是在报名后才从零开始学习，在比赛中边赛边练。他们最终不仅赢得了奖项，也借此厘清了自己的职业方向。这场比赛本身，既是对技术问题的求解，也是对个人潜力的探索：它既能验证你是否适合这个领域，也能让你在高压环境下，快速洞察行业的真实面貌。

随着“Token”逐渐成为AI时代的基础价值单位，一个全新的价值交换体系正在形成。对每个个体而言，这或许正是一个稍纵即逝的窗口期。当新秩序初现雏形，率先投身其中的人，往往能拥抱最大的时代红利。如果此刻抓住机会参与，未来的你或许会感谢今天做出的这个决定。

关注“鲸栖”小程序，掌握最新AI资讯