1. 一眼看穿题目本质它到底在问什么2026华数杯ICM的Problem B题目全称是“Who Will Win the Global Competition in Artificial Intelligence?”中文翻译过来就是“全球人工智能竞争谁会赢”。很多队伍拿到题的第一反应是去搜各种AI大模型报告、排行榜想直接找到现成答案。我个人的建议是先别急。这类“预测谁赢”的题表面上是一道数据题真正考的是你如何定义“赢”、如何构造评价指标、如何在充满不确定性的数据里给出一个能自圆其说的结论。准备数学建模竞赛尤其是带ICM字样的题评委更看重的是建模思路和论文逻辑而不是你最终猜中了哪个国家。哪怕你预测的结果和真实发展完全不同只要模型合理、分析到位照样能拿奖。换句话说这道题的本质不是“占卜”而是“用数据说话”。这篇文章适合所有正在备赛的学生队伍也适合想学习综合评价、时间序列预测和情景模拟这类建模方法的同学参考。下面我会把从破题、数据、建模到论文输出的完整流程拆开讲清楚。1.1 “赢”的定义是最大的坑题目问“谁会赢”但这个“赢”字本身就有多种解释。是算力最强算赢还是论文最多算赢是产业规模最大算赢还是人才培养最猛算赢不同定义下排名结果可以完全不同。比如一个样本科研产出很强但人才供给跟不上按学术指标排第一按产业落地指标可能只排第三。所以第一步不是急着找数据而是把“赢”的可操作定义写清楚。我见过有队伍直接拿单一指标比如“AI论文总数”排个序就说谁赢。这种做法的最大问题在于论文数反映的是过去几年的存量不能代表未来趋势更无法反映一个国家的产业转化能力。还有队伍用“算力规模”作为唯一标准结果排出来以后自己都觉得不靠谱。正确做法是把“赢”拆成一个多维度的综合竞争力指数再用这个指数去比较和预测。题目里给的虽然是竞赛场景但内核就是综合评价问题。1.2 评委真正想看的四件事参加华数杯这类赛事队伍之间的模型水平差距其实没有想象中那么大。真正拉开分数差的往往是以下四件事。第一可解释性。选哪些指标、为什么选这些指标必须给出逻辑不能“因为数据好获取就选”。第二稳健性。换一套权重、换一个年份区间排名不能剧烈变化否则结论没有说服力。第三动态性。题目问的是未来不能只给一个静态排名必须有时序预测和趋势判断。第四结论简洁。评委看完论文要能立刻知道“预测谁会在未来胜出”以及“在什么条件下结果会强烈变化”。这几个要素会在后面的建模路线里逐一展开。2. 数据准备把AI实力变成可计算的数字这道题没有直接给定数据集所以数据工作至少占工作量的一半。AI发展水平不是一个可以直接点击下载的数字必须把抽象能力转化为多个可量化的指标。数据源的选择要遵循两个原则公开、可追溯。尽量使用国际组织、知名行业报告或学术数据库发布的数据并在论文附录里写清数据来源和获取时间。这样评委既容易复现也会觉得你的工作扎实。数据准备阶段最容易犯的错是一上来就把能找到的所有指标堆在一起然后跑个算法。堆指标的问题在于冗余度太高指标之间高度相关最后模型解释起来一团乱。比如“AI企业数量”和“AI融资总额”大概率正相关都放进指标体系等于变相把产业规模这个维度加了两次权重。所以先建框架再选指标最后才去找数据。2.1 指标体系怎么搭才完整我建议从五个维度来搭这个框架科研产出、人才储备、产业落地、基础设施、开放生态。每个维度下再选2到3个具体指标。这里列一个可以直接参考的初版框架维度观测指标示例数据来源方向科研产出顶级期刊论文数、高被引论文占比、核心论文被引次数公开学术数据库人才储备AI相关专业毕业生数量、从业人数、顶尖人才数量行业报告、教育统计产业落地AI企业数量、融资总额、专利授权量投资数据库、专利机构基础设施算力规模、数据中心数量、网络带宽水平行业白皮书、基础设施统计开放生态国际合作论文数、开源项目参与度、国际会议主办次数学术平台、开源社区为什么用这个框架因为它覆盖了“从基础到应用再到影响力”的完整链条。算力是燃料人才是引擎论文是积累产业是变现开放生态是外部环境。少任何一个维度都会让“赢”的评判失去公信力。指标选好后还需要做一个动作相关性分析。如果两个指标之间的相关系数超过0.85建议只保留其中一个或者用主成分分析法降维。这一步能避免后续熵权法权重失真。不要以为指标越多越严谨指标之间的信息重复才是常见问题。2.2 数据缺失、滞后与量纲处理公开数据大概率会缺年份、缺部分样本这是常态。处理缺失值时不要直接把整个样本删掉可以先看缺失比例。如果缺失比例超过20%建议放弃这个指标如果只是个别年份空缺可以用前一年数值填充或者用相邻两年的均值平滑。更稳妥的办法是从另一个数据源做交叉验证。比如论文数据缺了某一年可以查同一份机构的其他出版版本。这里还要特别提一个容易被忽略的点滞后效应。AI投入不会在当年就体现到全部产出上。今天投进去的算力和人才可能要两三年后才能反映到论文和产业成果上。所以在建模时尽量把“投入类指标”如资金、算力做滞后处理比如用当年的基础设施数据去解释两年后的科研产出。这会让整个模型在逻辑上更顺评委一问“为什么用当年数据预测当年结果”时你也答得出来。数据量纲是另一个麻烦。论文数可能是几万融资额可能是几十亿美元两者不能直接相加。一般用极差归一化或Z-score标准化把所有指标压缩到同一量级。我习惯用极差归一化因为它保留“该样本在所有样本中的相对位置”这一含义后续解释起来更方便。唯一注意点是如果有逆向指标比如“人才流失率”要先做正向化处理让所有指标都变成“越大越好”。3. 建模主线评价、预测、情景三层递进光有指标还不够更高分的关键在于把模型做成一个三层递进的结构先用综合评价算“当前谁领先”再用时序预测算“未来各自怎么走”最后用情景模拟算“有没有可能逆转”。这层结构既回答了“现在谁赢”也回答了“未来谁赢”还回答了“凭什么相信你会赢”。备赛时最容易走的一条弯路是直接对总排名做时间序列预测。比如算出了今年的综合得分明年、后年也直接拿这个综合得分去外推。这种做法不够严谨因为综合得分的指标权重每年可能不同直接预测一个聚合指标会丢失结构性信息。正确做法是先对底层指标分别预测再代入评价模型算未来得分。这样还能解释清楚某个国家明年的排名上升是因为论文增速快还是因为算力投入上来了。3.1 第一层当前竞争力评价熵权TOPSIS评价模型有很多种比如层次分析法、CRITIC法、主成分分析、TOPSIS。这道题我比较推荐熵权TOPSIS。理由很简单层次分析法权重靠专家打分主观性太强答辩时容易被挑战主成分分析虽然降维效果好但成分含义往往模糊熵权法则完全基于数据离散程度来定权数据波动越大说明信息量越大权重越高。结合TOPSIS可以计算每个样本与“最优解”的距离从而得到综合得分。逻辑很直白越靠近理想最优方案竞争力越强。实操步骤一般是这样指标正向化与归一化计算每个指标的熵值和权重按权重计算加权规范化矩阵确定正理想解和负理想解计算各样本到正负理想解的欧氏距离最后算贴近度作为综合得分。有些队伍还会在熵权基础上人为微调比如某个维度你特别认为重要就给一个修正系数这同样可以但必须在论文里写明理由。熵权法有一个要注意的边界情况某个指标在所有样本上的数值几乎一样它的熵会接近1权重接近0。这时候不要直接认为这个指标没用要回头看一下是不是数据取错口径了或者样本之间差异确实很小。如果是后者可以在模型里保留但降低权重如果是前者需要重新处理数据。3.2 第二层时间序列预测灰色模型与机器学习对照当前得分算完后下一步是预测未来。样本的时间跨度通常不会太长可能只有五年到十年的年度数据。这种“小样本、短时序”的场景灰色预测模型GM(1,1)非常实用。它不要求太多历史数据对指数型增长趋势的拟合也比较好正适合AI这样处于快速上升期的领域。但灰色模型的缺点是只适合单调序列如果某个指标出现明显波折预测效果就会下降。另一条路线是用随机森林、XGBoost这类机器学习模型做回归预测。优点是能纳入多个解释变量比如用过去三年的论文增速、融资增速去预测下一年综合得分。缺点是对历史样本量要求高数据点太少时很容易过拟合。所以我的建议是不要只押一种模型。把GM(1,1)、ARIMA和机器学习模型各跑一遍然后按误差加权组合。用2010到2020年数据训练用2021到2024年数据做验证选误差最小的组合方式。预测未来的2026到2030年就用这个组合模型。这样既稳妥又能在论文里放一个“模型对比表”展示工作量。3.3 第三层情景模拟与“逆转”分析预测永远有误差比预测结果更重要的是判断“什么时候结果可能翻转”。我当时做这类题的常用方法是在预测值上施加随机扰动做蒙特卡洛模拟。举个例子假设某样本在基准情景下论文年均增速是8%那我在情景模拟里让这个增速在5%到11%之间随机波动跑一千次统计最终排名为第一的次数占比。这能很自然地回答“谁赢的概率更大”。情景也可以人为设置成三种。乐观情景头部样本加速投入算力和资金增速上调20%。中性情景维持基准增速。悲观情景地缘合作受阻国际交流指标下降。注意这里不要过度解读环境因素而是把它当作模型参数的变化来讨论。模拟完成后画一张“夺冠概率分布图”或者“排名变化区间图”这往往是全篇最抓评委眼球的部分因为它把不确定性和判断结合起来了。4. 实操记录从空表格到答辩全流程实操阶段最忌讳的是“模型都会代码全崩”。很多队伍卡在数据处理这一步最后没时间写论文分数自然上不去。这一章我会把实操中必经的几个关键动作讲一遍包括一个可以直接照抄的熵权法计算示例以及灵敏度分析和排查bug的方法。以下过程基于通用实践具体数据请根据你找到的数据集替换。4.1 熵权法权重计算一个可抄作业的完整示例假设现在有3个样本代号分别是S1、S2、S3选了3个指标论文产出X1、专利数量X2、人才规模X3。原始数据给成这样样本X1论文X2专利X3人才S1927885S2708890S3566460先做极差归一化。以X1为例最大值是92最小值是56那么S1的归一化值为(92-56)/(92-56)1S2为0.389S3为0。用同样方法处理X2和X3得到归一化矩阵。接下来计算每个指标的比重矩阵每个值除以所在列的和。以X1为例三个样本的归一化值求和是1.389则S1的比重为1/1.389约0.72S2为0.389/1.389约0.28S3为0。再按熵值公式 e_j -1/ln(n) * Σ(p * ln p) 计算各指标熵值。n为3ln3约1.099。最后通过 w_j (1 - e_j) / Σ(1 - e_j) 得到权重。这里为了表述清晰我当时算出的权重大约为论文权重0.38、专利权重0.33、人才权重0.29。不同数据集结果会不同但计算流程就是这个。算完权重后把加权规范化矩阵代入TOPSIS。S1在论文上最强S2在专利和人才上稍占优所以最后结果通常是S1S2S3但差距并没有原始数据看起来那么大。这里还想提醒一个习惯不要直接展示一个巨大的原始数据矩阵挑3到5个代表性样本、2到3个核心指标做示例即可完整数据附在附录。4.2 灵敏度分析与排名稳定性图模型搭好之后评委最常问的一个问题是“你的权重怎么来的换一组权重结果还成立吗”所以灵敏度分析不是可选动作而是必须做的防守动作。我一般会让每个指标权重在基准值上下浮动20%做500到1000次随机组合重新计算所有样本的排名再统计排名的均值和标准差。如果前三名几乎不变说明结论很稳健如果一换权重就大洗牌就要反思是不是某几个样本得分太接近。这里给一个我常用的Python模拟思路稍作修改就能用import numpy as np # 假设得分矩阵是 samples x indicators score np.array([ [92, 78, 85], [70, 88, 90], [56, 64, 60] ]) n_sim 1000 rank_matrix [] for _ in range(n_sim): # 在基准权重附近随机扰动 base_w np.array([0.38, 0.33, 0.29]) noise np.random.uniform(0.8, 1.2, sizebase_w.shape) w base_w * noise w w / w.sum() weighted score * w total weighted.sum(axis1) rank total.argsort()[::-1] rank_matrix.append(rank) rank_matrix np.array(rank_matrix) # 统计每个样本排第一名的次数 first_place_count (rank_matrix 0).sum(axis0) print(夺冠次数占比, first_place_count / n_sim)跑完模拟后我会画两张图一张是排名的频数柱状图另一张是箱线图展示每个样本综合得分的分布。这样就能直观看到哪些样本排名稳定哪些样本存在“逆袭”可能。这一小节的内容放到论文里说服力会大幅提升。4.3 常见bug与排查思路建模过程中会遇到很多让人想摔键盘的问题。我把常见问题整理成一张速查表方便你对号入座现象可能原因排查思路熵权法某个指标权重接近0该指标在样本间方差太小检查数据是否取错口径或者替换为区分度更高的指标灰色预测出现负值原始数据有负数或剧烈波动把原始数列做平移变换或在模型前先做平滑预测未来几年后排名完全不变权重设置太均匀指标增长速率接近增加情景模拟对关键指标增长率做差异化扰动灵敏度分析排名剧烈变化头部样本综合得分差值过小重新考虑指标筛选或改用主效应更大的指标数据年份混乱无法构建时序不同指标来源年份范围不一致统一以“自然年”为基准缺年份做交叉验证填充模型精度过高误差几乎为0可能信息泄漏比如用未来数据训练严格按时间切分训练集和验证集不能用全样本训练后回验排查这些问题时我最大的心得是先用一个小样本把链路跑通再加数据。不要一上来就追求全量数据建模。先拿5个样本、3个指标跑完一遍确认每步代码输出符合预期再扩展到全量。这样能节省大量调试时间避免“数据一大堆报错一脸懵”的窘境。5. 论文写作与最后一公里到这里模型已经跑完图表也画得差不多了但分数还没落袋。数学建模竞赛最终比拼的是论文表达。同一个模型有的队伍写出来像技术报告有的队伍写出来像科研论文得分差距就在这一层。论文写作不需要多么华丽但要做到“逻辑闭环、重点突出、可复现”。正式动笔前先把所有图表、核心结论、模型假设列在一张草稿纸上。论文要围绕题目要回答的问题组织不要按“我做了A、我做了B”的顺序流水账。按问题组织是按“先定义赢、再评价现状、再预测未来、再检验稳健性”的逻辑展开这样读起来节奏很顺。5.1 摘要和关键词给评委的第一印象摘要大约占了评委第一印象的百分之八十。千万不要在摘要里堆砌“本文运用了层次分析法、熵权法、TOPSIS、灰色预测……”这类罗列。好的摘要应该四句话讲完第一句亮明“要解决什么问题”第二句指出“用什么思路和数据”第三句给出“最核心的定量结论”第四句说明“结果经过哪些检验”。如果你想写得更扎实再加一句“模型在未来拓展中的应用价值”。关键词选择也不要全堆模型名。可以用“人工智能竞争力评价”、“动态预测”、“情景模拟”、“排名稳健性”这类能反映问题核心的词。这样搜索引擎和评委都能快速定位你的研究重点。很多队伍把“熵权法”、“TOPSIS”当关键词不是不行但这只是工具不是问题本身。5.2 模型检验表格的写法评委非常喜欢看到对比和检验因为这是“科学态度”的体现。不要只在文字里说自己模型好要放对比表格。比如将三种预测模型在同一段历史数据上的误差进行比较模型平均绝对百分比误差对2026年预测值优点灰色模型 GM(1,1)3.2%78.4适合短样本、趋势稳定ARIMA4.1%77.9能处理波动但需要更长历史随机森林回归5.5%80.1特征灵活但小样本易过拟合组合预测2.8%78.8综合三类模型优势误差最小这张表放上去评审老师能一眼看到“为什么最后选了组合模型”。同样的逻辑也适用于权重验证。把灵敏度分析后的排名变化情况整理成一张“不同权重情景下的前五名排名表”比在正文里写一百句“模型稳健”都有用。5.3 我的三条避坑心得第一条不要为了预测精确牺牲解释性。有的队伍用深度神经网络跑出来精度很高但评委问“为什么这个样本排名上升”队伍支支吾吾答不上来。宁可模型简单一点也要保证每个变化都能讲清楚原因。第二条别忽略“2026”这个时间坐标。题目直接点明了年份说明它要的是面向未来的判断而不是历史回顾。所以论文结论必须落到“截至2030年的趋势判断”上至少要讨论“3到5年后谁赢面更大”。很多队伍把所有精力放在历史数据拟合上最后忘了讨论未来这是方向性错误。第三条团队分工要前置。我见过不少队伍临近提交时才发现论文没人写代码和文字对不上。建议从第一天就确定“数据组”、“建模组”、“写作组”写作组从第二天开始跟进度写框架不要把写论文压缩到最后几小时。文档同步用在线协作文档截图和数据表格实时更新这样能减少大量重复沟通。最后再分享一个小技巧提交前一定要有一份“给决策者的一页摘要”把核心结论、关键数据、置信程度浓缩在一页内。这在答辩和评委快速翻阅时非常加分。哪怕竞赛没有现场答辩一页摘要也能让评审在几十份论文里更快记住你的工作。真正亲测有效的做法是等论文写完后让一个不懂建模的同学花三分钟读这页摘要如果他读懂了你的论文就成功了大半。