AI基础设施的关键,不只是芯片而是软件栈

AI基础设施的竞争，过去常被简化成芯片之间的比较。但模型真正落地，还要经过编程框架、计算库、通信组件和具体算子的协同。最近，DeepSeek面向华为昇腾开源一组软件组件，把这个问题推到了台前。

芯片之外，还有一整套软件工程

据财联社旗下科创板日报报道，DeepSeek开源了面向昇腾的TileLang、计算库和分布式通信库，并列出DeepGEMM、DeepEP、TileKernels、FlashMLA、DeepSelect等项目。报道还提到，华为与DeepSeek正在推进基于昇腾950的128卡超节点方案。

这些名称背后对应的是不同层次的工程工作：如何描述和编译算子，如何完成矩阵计算，如何让多张卡之间交换数据，以及如何让模型在目标硬件上稳定运行。硬件性能决定上限，软件栈则决定开发者能不能接近这个上限。

AI芯片与软件栈协同概念图

这也是国产AI基础设施需要补齐的部分。只有芯片而缺少工具链，开发者就要为迁移、调试和适配承担更高成本；组件逐层完善，才可能让不同硬件真正进入同一套开发流程。

开源不等于立即替代

需要区分的是，开源软件组件不等于已经替代CUDA，报道中的性能表述也不能代替独立测试。软件生态的形成通常需要编译器、库、文档、样例和开发者社区长期配合，不会因为一次发布就完成。

但这类进展的价值，正在于把竞争从“有没有芯片”推进到“能不能被好用地使用”。当算子、通信和模型适配持续积累，硬件选择就不再只由单项峰值参数决定，迁移成本、工具成熟度和维护效率也会成为采购与部署的重要变量。

大模型从训练到应用的路径示意图

系统能力决定落地速度

对模型团队来说，软件栈越完善，训练和推理就越容易迁移到不同算力平台；对企业用户来说，真正重要的是部署是否稳定、升级是否可控、人才是否容易找到。AI基础设施的竞争因此呈现出明显的系统特征：芯片提供算力，软件把算力转化为效率，应用再把效率转化为业务结果。

旗舰手机软硬件协同概念图

这条新闻值得关注的地方，不是它给出了一个简单的“谁赢谁输”答案，而是提醒我们重新看待AI竞争。模型能力仍然重要，但从训练集群到开发接口，再到最终产品，中间每一层都可能决定技术能否被持续使用。下一阶段，比拼的将是整套系统的协同速度。

资料来源：财联社旗下科创板日报。