《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，拖着行李箱直奔办公室。
他接了杯咖啡放在桌上，打开电脑，挽起袖子，准备扯断套在国产显卡上的生态枷锁。
结果，赵文渊一头撞上了墙。
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。
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，无非性能高些低些。
但对做ai大模型的人来说，显卡可不是单独一块硬件，背后是一整套生态。
最底层是驱动，驱动之上是运行时，再往上是编程模型，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。
大模型训练又站在这些框架之上，调用各种高度优化的算子和分布式训练能力。
英伟达的cuda生态就像一座修了十几年的超级城市，水电、消防、医院等基础设施都运转多年。
训练大模型就像在这座城市里办一场大型体育赛事。
数十万游客涌进来，对整个城市的承载能力都是巨大考验；但因为是超级城市，精心调度之下还做得到。
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，但这不是叫两支足球队过来踢球那么简单：小镇从地下管网到商业生态都得重建一遍，等它也成了超级城市，才行。
更要命的是，全世界的人都已习惯这座老城市的规矩：写代码时默认cuda可以调用，默认用英伟达显卡，论文里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依赖删掉，一下冒出一千个错误；修完第一个，又冒出一千个。
模型能跑，不代表跑得快；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。