最近，黄仁勋在 GTC 大会上强调，Token 在人工智能时代扮演着重要角色，谁能在单位能耗下产生更多高价值的 Token，谁就能成为行业领袖。几乎在同一时间，腾讯开启了一项奖金总额达 600 万元的广告算法大赛，为全球算法专家提供了一个实践这一理念的平台。
近期，一些原本只在技术社区内部讨论的术语，如「Token」、「推理成本」、「智能体」、「工作流程自动化」等，因一场「龙虾热」而开始频繁出现在公众视野中。
此外，不少消费者也感受到了变化：手机和电脑的价格相继上调，厂商普遍解释称，这是因为存储芯片成本明显上升。
实际上，这两起事件都指向了一个共同的背景：应用层面的人工智能需求正迅速增长，而基础设施层面的行业准备尚不充分。算力、芯片、系统效率等原先隐藏在幕后的问题，正因人工智能需求的剧增而被推向了前台。一个显而易见的现象是，算力租赁市场已经出现了涨价趋势，并且这一趋势可能持续一段时间。对于希望抓住这一机会的企业来说，这无疑是一个重要的变化。
然而，对于那些希望在人工智能领域有所作为的人来说，这一变化中蕴含着新的机遇。越来越多的公司开始认识到，在短期内算力供应持续短缺的情况下，限制人工智能普及的可能并不是模型不够强大，而是算力利用效率不足。因此，如何用更少的计算资源实现更强大的智能，将成为接下来一段时间的重点。
一旦需求出现这样的变化，能够同时理解算法、系统和算力效率的人才自然会变得越来越抢手。
这种对高效人才的迫切需求，促使科技公司开始尝试将实际工程问题作为公开竞赛的题目，吸引外部人才参与解决。这类竞赛不仅是招募人才的方式，也是测试自身命题是否可解的一种方法。腾讯广告算法大赛就是一个典型的例子。
与往年类似，今年的比赛依旧聚焦于真实业务场景，所提供的数据来源于每日服务数十亿用户的广告系统。换句话说，这不是一道理论上的算法题，而是一次接触实际人工智能基础设施问题的机会，它代表了大公司面临的、尚未有系统性解决方案的工程难题。
与往年相比，今年的比赛有两个显著的变化：
其一是，比赛时隔多年再次与国际顶级学术会议 KDD 官方联动，重回国际舞台。
其二是赛道的开放。过去，这类比赛大多面向在校学生，而今年首次单独设立了工业赛道，允许在职算法工程师和技术团队参与。
比赛的奖金池及其他奖励也非常丰厚，学术赛道的冠军可以赢得高达 30 万美元（约合 200 万元人民币）的奖金，在国内几乎达到了顶峰。
这样的比赛，自然对应着前沿且复杂的问题，连出题者都期待着看到答案。如果找到了足够优秀的解决方案，它可能直接改写国内大公司技术基础设施的底层逻辑。
新的挑战：探索推荐系统的扩展法则
今年的赛题为何重要？因为它本质上是在问一个颠覆性的问题：推荐系统，是否像其他受人工智能大模型影响的领域一样，可以被「重做一遍」？
过去几十年，推荐系统一直是科技公司最重要的基础设施之一。它从海量信息中筛选出最符合用户需求的信息，并屏蔽信息爆炸带来的噪音。
但随着人工智能进入大模型时代，甚至进入智能体时代，推荐系统的演进也来到了一个新的转折点：一方面，像大模型那样的「统一架构+GPU高效计算」已经被证明可以处理所有问题；另一方面，推荐系统仍然停留在「拼装式工程」阶段，结构割裂、算力利用效率有待提升。
这是怎么回事呢？通常，在广告推荐系统中，模型需要解决两个完全不同的问题。
第一，理解用户的行为序列。比如一个人最近看了哪些视频、点了哪些商品、搜索了什么。这些行为是按时间顺序排列的，因此模型需要理解「顺序」。这类问题被称为序列建模。
第二，理解各种特征之间的组合关系。比如「女性+买过婴儿推车」，这些特征组合可能更应该推荐「安全座椅」。这类问题被称为特征交互。
问题在于，在工业界，这两件事通常是分开做的——一部分网络专门处理行为序列，另一部分网络专门处理特征交互，最后将结果合并。
在早期 CPU 时代，这种做法问题不大，但到了 GPU 时代，这种拼接式架构带来了很多问题。首先，信息在中间是断开的，很多复杂关系捕捉不到。其次，整个系统结构复杂，很多小模块无法充分利用 GPU 的性能。而且 CPU 和 GPU 之间需要频繁交换数据，效率很低。
主办方希望参赛者尝试将这两部分彻底合并，因此赛题被命名为「大规模推荐系统中的序列建模与特征交互统一」。
本次竞赛的核心任务架构。
这并非随意提出的赛题，而是基于大模型已经验证过的路径。像 Transformer 这样的统一架构已经证明，只要将各种数据用同一种方式表示，并交给同一套模型处理，就能更高效地利用算力，且规模越大效果越好，也就是所谓的扩展法则。然而，推荐系统仍然停留在拼凑的老结构中，难以享受到这种提升。这道题，实际上就是在尝试一件事：推荐系统能否也采用这一套方法，变得更简单、更统一，且越做越强。
当然，这件事做起来并不容易。核心难点在于，广告推荐场景的数据极其复杂——既有用户当前的静态信息，也有带有时间戳的行为流水，需要在一个统一架构中将这两种完全不同的数据「翻译」成模型能理解的语言并深度融合。同时，工业级数据规模庞大且极度稀疏，模型必须足够鲁棒。更苛刻的是，既需要预测准确，又需要运行速度快，必须在高端 GPU 上支持大规模高效训练和推理。值得注意的是，比赛严禁使用「model ensemble」这种刷榜技巧，只能依靠单一模型解决问题。
不过，从主办方提供的支持来看，这次比赛并非「只丢一道题就让选手自己摸索」。为了降低门槛，他们提供了一套可复现的、起点很高的基线——不仅有简单示例，还有基于 Transformer 的完整统一架构，包括 Token 化思路和核心网络，还会提供免费算力支持。
数据方面也不用担心，他们提供的数据直接来自腾讯广告的真实工业日志，规模和复杂度接近实际生产环境。
比赛从 3 月 19 日开始报名。总奖金池高达 88.5 万美元（约合 610 万元人民币）。其中学术赛道冠军奖金为 30 万美元（约合 200 万元人民币），工业赛道冠军奖金为 15 万美元（约合 100 万元人民币）。
为什么值得参加？
值得一提的是，为了奖励选手在扩展法则与统一架构方面的原创突破，大会还设置了两项技术创新奖，即便排名不在前列也有机会获奖，每项奖金为 4.5 万美元（约合 31 万元人民币）。
比赛结束后，表现优异的队伍成员有机会加入腾讯，亲手将方案应用到广告系统中验证实际效果。
到这里，相信很多同学已经跃跃欲试了，但也会有人担心：自己从未接触过推荐系统，现在开始学习来得及吗？
其实完全不用担心。回顾腾讯广告算法大赛历年的获奖名单，你会发现不少获奖者都是报名后才从零开始学习，边参赛边学习。最终不仅拿奖，还顺便找到了职业方向。比赛本身就是一个寻找答案的过程：既能验证自己是否适合这份工作，也能在高压下快速了解这个领域的真实面貌。
随着 Token 逐渐成为人工智能时代的通用货币单位，一个新的价值交换体系正在我们面前展开。对每一个个体来说，这或许正是那个稍纵即逝的窗口期。当新的秩序初具规模，率先参与其中的人，往往能收获最大的红利。如果能抓住机会参与其中，未来的你可能会感谢今天的这个选择。
比赛结束之后，Top 队伍选手将有机会加入腾讯，亲手把方案落地广告系统验证实际效果。
看到这里，相信很多同学已经跃跃欲试了，但也会有人担心：自己从来没碰过推荐系统，现在上车来得及吗？
其实完全不用慌。翻翻腾讯广告算法大赛历年的获奖名单，你会发现不少选手都是报名之后才从零开始啃，边赛边学。最后不仅拿了奖，还顺便摸清了自己的职业方向。比赛本身就是一个寻找赛题答案和人生答案的过程：既能验证自己是不是吃这碗饭的，也能在高压下快速摸清这个领域的真实样貌。
随着 Token 逐渐成为 AI 时代的基础货币单位，一个全新的价值交换体系正在我们面前展开。对每一个个体而言，这或许正是那个稍纵即逝的窗口期。当新秩序初具雏形，率先参与其中的人，往往能拥抱最大的红利。如果能抓住机会参与其中，未来的你可能会感谢今天的这个选择。
报名链接：https://algo.qq.com/?type=register&weixinadkey=f405ff9dc868ccb36f9ab519e2e97c4acd972f95787dcca5767fa4e51f72dc1a9b63b48b3ca29e1d697976022a005cd6&wx_aid=89409756818&wx_traceid=wx0cjtq2qvqfw2fy00&weixinadinfo=89409756818.wx0cjtq2qvqfw2fy00.126.1