汤圆模型国产算力适配路线图》
然后赵文渊一下飞机，连家都没回，直接拖着行李箱去了办公室。
他接了一杯咖啡放在桌上，打开电脑，挽起袖子，就准备扯断套在国产显卡上的生态枷锁。
结果，赵文渊一头撞在了墙上。
不，甚至不能说是一堵墙
那简直是一座山。
cuda生态困境，这个当年在谷歌折磨他的噩梦，这次又以更可怕的姿态出现了。
在普通人眼里，显卡就是显卡，国外显卡能算，国产显卡也能算，无非就是性能高点或者低点。
但对做ai大模型的人来说，显卡可不是一块单独的硬件，它背后是一整套生态。
最底层是驱动，驱动之上是运行时，运行时之上是编程模型，编程模型之上是算子库、通信库、编译器、调试器、性能分析工具。
再往上，才是pytorch、tensorflow、jax这些训练框架。
而大模型训练，又站在这些框架之上，调用各种高度优化过的算子和分布式训练能力。
英伟达的cuda生态就像是一座已经修建了十几年的超级城市，水电消防医院等等基础设施都已经运转了好多年了。
而训练大模型就像在这个城市里举办一场大型的体育赛事。
数十万的游客涌进来，对整个城市的承载能力都是巨大的考验。但因为是超级城市，所以在精心调度之下，还能做的到。
而换成别的生态呢？你在大城市旁边的小镇，说我能不能也开个世界杯啊？
当然可以试试，但这不是叫两个足球队过来踢球那么简单，这个小镇从地下管网到商业生态都得重建一遍，等到它也成了超级城市了，就可以了。
更要命的是，全世界的人都已经习惯了这个老城市的规矩了。他们写代码的时候默认cuda可以调用，默认用的是英伟达的显卡，论文上说的也都是在英伟达上才能跑通的用例。
不用英伟达？那你自己试试吧。
本来能跑的代码，把cuda的依赖删掉，一下冒出一千个错误来，修完了第一个错误，又冒出一千个来。
模型能跑，不代表能跑的快；小模型能跑，不代表大模型能跑；单卡能跑，不代表多卡能跑；多卡能跑，不代表千卡集群能稳定训练几十天。
而大模型最可怕的地方就在这里，它不是“能跑”就算成功，它还必须稳定、必须高效、必须