亮出“中国最强AI芯片”还不够，平头哥又甩出一手开源

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 亮出“中国最强AI芯片”还不够，平头哥又甩出一手开源 henry 2026-09-25 18:00:14 来源： 量子位 大厂造芯，正在从交付芯片，走向更广泛的开放共建阶段。 henry 发自 凹非寺 量子位 | 公众号 QbitAI “这是目前中国算力性能最强的AI芯片，性能达到M890的3倍。” 9月22日的云栖大会上，阿里巴巴集团CEO吴泳铭这样介绍新一代真武V900。 这款最强AI芯片的出鞘，将平头哥的算力「硬实力」推到了聚光灯下。但对于考虑换用真武的客户，还有另一件事要确认：过去写下的代码、积累的工具和开发经验，能不能一起带过来？ 芯片之外，软件生态的「软实力」同样决定着客户的选择。 一天后的9月23日，平头哥公布了AI软件栈 T-Head SAIL 的最新开源进展，进一步扩大框架适配、加速库、工具链和通信库等领域的开放范围。 在平头哥的比喻里，AI芯片是发动机，软件栈则相当于“变速箱+传动系统+驾驶系统”。 发动机性能再强，最终能发挥多少，还取决于软件能否让模型顺利迁移、运行和优化。 现在，这套配套软件正进一步向开发者开放。 据悉，真武AI芯片已服务20多个行业的650多家客户，蚂蚁、小红书、小鹏汽车等头部企业已经开始使用 T-Head SAIL 。 其中，小红书还基于T-Head SAIL开源代码，开发了模型迁移与算子优化Agent，用来加速生成式推荐模型在真武上的部署。 可以说，平头哥提供基础软件能力，客户则把自己的业务经验写进工具，继续做迁移和优化，芯片背后的生态软实力，也在这样的参与中逐渐积累。 而以阿里为代表的大厂造芯，也正在从交付芯片，走向更广泛的开放共建阶段。 这次，平头哥具体打开了什么？ 简单说来， T-Head SAIL 可以理解为阿里平头哥围绕真武AI芯片打造的一套类“CUDA”软件栈。 它连接PyTorch等上层AI框架和底层真武硬件，负责模型迁移、编译执行、计算加速和开发调试。 今年7月WAIC上，平头哥宣布启动 T-Head SAIL开源 ，并向开发者提供SDK、驱动、性能分析与调试工具，以及相关技术文档的下载。 两个多月后的云栖大会，团队公布了进一步的开源进展。已开源项目包括PyTorch-for-sail框架适配、sailify源码迁移工具、Triton-for-sail算子开发工具，以及DeepGEMM-for-sail、FlashAttention-for-sail等计算加速项目。 从调试工具、技术文档到开源框架，随着更多工具和资源的开放，SAIL让开发者能够深入了解软件的具体实现，并根据业务需要查看、修改代码。 而这些工具和资源，回应的正是开发者在实际业务中遇到的几个关键问题： 1、先解决迁移：过去攒下来的东西，别因为换芯片全重来。 “最大的诉求，从业务角度来说，就是迁移成本有多大。”在公开演讲时，平头哥半导体软件生态资深总监陆生华这样表示。 这并不难理解。不少客户的软件已经在线上跑了很多年。代码改过一轮又一轮，工具早就用顺手了，团队也有自己的一套调优经验。 换一款芯片，意味着这些积累都要重新接受检验，业务还不能因此中断。 框架适配、源码迁移和算子开发工具，首先要做的就是尽可能保留这些积累。开发者可以继续沿用熟悉的模型开发方式，由迁移工具辅助处理已有代码，再根据新硬件的特点完成必要的适配。 只有过去的积累越容易带走，中国芯片才更有机会成为实际可用的选择。 2、模型跑起来之后，还得继续抠性能。 然而，迁移跑通，只是第一步。如果换了芯片之后，效率只剩原来的30%-40%，那即便模型能跑起来，实际业务里也很难接受。 所以接下来马上就会碰到第二个问题： 同一个模型，能不能跑得更快？资源还能不能再省一点？ 这时候，只靠厂商把工具做好还不够，DeepGEMM-for-sail、FlashAttention-for-sail这类计算加速项目开源的意义，也就显现出来了。 开源之后，开发者不只是把现成工具下载下来用，还可以直接看到里面是怎么实现的，再根据自己的模型和业务负载继续改。 过去需要交回芯片厂商的问题，现在业务团队有机会自己定位、自己优化。更了解模型的人，可以直接参与决定模型怎样在芯片上运行。 换句话说，T-Head SAIL开源不是多了一个下载入口，而是让开发者真正参与到芯片性能优化里。 3、新模型出来后，最好Day 0就能跑。 对于不少开发者来说，还有一个迫切需求就是—— 新模型发布当天，最好就能在自己的算力平台上试起来。 现在模型的更新节奏基本上是几周一更。如果适配慢了一轮，业务团队尝试新技术的时间也会跟着推迟。尽快支持新模型，甚至做到Day 0可用，已经成为客户对算力平台的期待。 平头哥也在持续提供面向真武适配的模型资源。按照现场演讲披露的数据，截至2026年9月，其在ModelScope上已提供 39个量化模型，覆盖Qwen、DeepSeek、Kimi等系列，累计下载超过34.8万次。 这些已经完成适配的模型，可以减少用户自行准备的工作，让部署和测试更早开始。 与此同时，TensorFlow、JAX适配版本、自研推理引擎，以及PCCL、DeepEP-for-sail等通信组件和调试监控工具，也还在推进开源。 未来，随着更多代码和工具开放，开发者能够参与的工作也在增加：把原有业务迁到真武上，再按自己的需求修改、优化，甚至开发新的工具。 而这种变化，已经能从小鹏、蚂蚁和小红书等客户的实践中看到。 代码打开之后，开发者开始自己动手 小鹏解决的，是把已有业务迁到新平台上。 借助SAIL，小鹏将原先运行在GPU平台上的业务模型迁到真武云端集群，开展智能驾驶模型训练。 迁移之后，团队继续利用SAIL的性能分析工具定位训练瓶颈，再围绕算子和框架进行优化。 训练任务换了硬件，开发者仍希望沿用熟悉的工作方式。SAIL支持C++、Triton、TileLang等开发方式，目的就是减少重新学习的负担，让团队把精力放在模型和业务本身。 蚂蚁面对的，则是模型适配之后的持续调优。 目前，蚂蚁集团推理服务团队已经基于SAIL，在真武810E和M890上完成主要前沿模型的推理适配。接下来，量化、推理阶段分离、专家并行负载均衡、稀疏注意力接入等工作仍在继续。 模型能返回正确结果，只解决了功能问题。面向真实的推理服务，团队还需要不断改善处理效率和资源开销，软件优化会伴随业务持续进行。 小红书又往前走了一步，把迁移和优化做成了自己的工具。 基于SAIL开源代码，小红书面向真武架构开发了模型迁移与算子优化Agent，用自动化方式辅助优化，加速生成式推荐模型的部署上线。 在这个过程中，客户可以把自己的模型经验和业务需求写进工具，形成适合自身场景的优化方法。厂商提供的基础实现，成为了下一轮开发的起点。 这也回应了陆生华在采访中提到的一个矛盾： 客户想针对芯片开发高性能算子，往往又需要保护自己的算法和知识产权。算法细节不方便交出去，芯片厂商却需要了解这些细节，