量子位

可重构芯片、4K超节点、RAISA软件栈、行业应用，被放在一起呈现——像是在回答所有国产芯片厂商都绕不开的问题：
芯片发布之后呢？模型怎么跑起来？算力怎么扩展？客户凭什么把核心业务迁过来？这个问题背后，是国产算力竞争逻辑的一次切换：从发布会上的参数对比，转向能否形成稳定、易用、可规模部署的系统能力。国产算力真正要替代的，也不只是一颗英伟达GPU，更是CUDA背后经过多年积累形成的开发习惯、工程标准、迁移成本和生态信任。所以，发布芯片只是拿到入场券。让客户敢迁、能用、愿意长期使用，才是真正的国产替代。逛完WAIC 2026我悟了：国产AI芯片的真对手，根本不是英伟达的GPU

行业密探

WAIC人工智能大会#
每年WAIC第一天，都像一场“暴走探展”。一圈逛下来，今年最热闹的几个关键词已经很明显：超节点、大模型、Agent、AI4S。沐曦也把今年的新东西几乎一次性搬到了现场。曦景S600超节点首次亮相，单机柜64张GPU、可扩展至万卡集群； AI4S方向的曦索X300系列科学智能GPU首次发布； Agent体验区排起长队，数字员工、AI文创工作站几乎没停过。按理说，这些已经足够成为一个GPU展台的主角。但真正把我们留下来的，却是另一件事。展台中央，被整整留给了十个开源社区。龙蜥、vLLM、PyTorch基金会、SGLang……十个logo依次排开。沐曦甚至专门做了一条开源社区打卡路线。一家GPU公司，为什么把最显眼的位置之一留给了开源？而要把答案讲清楚，得先从他们那套软件栈MXMACA说起。软件，才是护城河在算力这条赛道里泡久了的人都清楚一件事，NVIDIA能稳坐龙头，靠的从来不只是单颗芯片的硬件性能。制程、架构、显存这些硬件指标，都是有清晰参数、看得见摸得着的东西，国产厂商咬着牙研发，总有机会把差距收窄。真正难追的，是NVIDIA藏在硬件之下的那道护城河，CUDA软件生态。数百万开发者的项目代码、开发经验、自研模块，全都沉淀在CUDA上。换一张算力卡，意味着要把过往多年的技术积累大幅推倒重来，迁移成本足以让大多数团队止步。所以国产GPU真正要啃的硬骨头，是造出一个能让开发者心甘情愿迁过来的国产算力开发环境。沐曦自研的全栈计算软件MXMACA，正是针对这一问题交出的答卷。这套全栈软件从编译器、算子底层函数库，一路覆盖到各大主流AI推理训练框架，目标只有一个：把迁移成本压到最低，让开发者原有的代码无需改动，就能直接运行在沐曦GPU上。当然了，「近零成本」已经得到了验证。他们专门搭了一套自动化测试体系，纳入GitHub上近5000个热门开源项目，每一轮MXMACA版本更新都要跑一遍全量测试。结果是，92%的项目一行代码都不用动，就能正常运行。框架这头也是同样的打法。针对PyTorch 2.8，MXMACA把全部2410个GPU算子做到了完整兼容；更关键的是速度，每次PyTorch出新版本，行业里同类方案通常要磨上好几个月才能适配完，沐曦这边一周就能收工。 vLLM生态那边就更能说明问题。生态里两百多款大模型，沐曦自己只深度调试了五六十款主流型号，剩下的直接甩给普通本科生，让他们拿着沐曦的显卡逐一去测。最后只有十来款出现了适配障碍，绝大多数开箱即用。连在校生都能跑完这么大规模的验证，说明MXMACA的通用兼容性足够扎实。不过在沐曦的整盘棋里，把代码顺利跑起来还只是第一步。真正的挑战，是AI爆发之后显现出来的。如今，一个大模型从训练完成到上线服务，周期被压得极短，大模型厂商、云厂商都想在模型一升级就第一时间拿到收益。可行业技术更新几乎没有间歇，今天某个模型厂商放出一套创新技术，隔天就有团队推出迭代方案。在这种节奏下，如果只依靠一套封闭自研的软件栈闭门跟进，既跟不上行业速度，也没法快速响应客户的各类需求。 “对于我们这样一个追赶者来讲，需要以开源的方式，来打破领先者闭源的垄断。” 谈及选择开源的初衷，沐曦团队这样解释道。但实际上，拥抱开源并非行业倒逼下的临时对策。早在自家GPU产品正式量产之前，沐曦就已经完成了1752款开源软件的适配。也是从那时起，沐曦将开源共建纳入了公司的长期战略。把软件栈打开，让生态自己长决定开源之后，沐曦的打法可以用一个词概括，upstream first。区别在哪呢？以前的常规操作是“社区发了新版本，厂商拉下来自己适配”，也就是拉源码、下patch、打补丁、编译、调试，一整套流程走完才能用。而upstream first是把代码直接贡献回上游社区，和社区一起迭代。落到开发者手里，直接就变成了“在vLLM社区把代码拉下来，pip一装，直接跑”。能做到这样，是因为沐曦的支持代码本来就长在社区里，新模型发布时往往default就已经支持了。截至目前，沐曦已经开源了53个软件仓库，占整个软件栈的15%到20%，而且仍在持续扩大。这个过程中有一个标志性事件，是沐曦成了中国第一家与vLLM官方签署合作协议的芯片企业。放到全球看，也是美国芯片公司之外的第一家。合作横跨软件适配、开源活动、商业协同三个层面，沐曦的硬件也因此进了Red Hat+vLLM的官方硬件货架。这已经不是“我去适配你”的关系，而是实打实的生态共建。再回头看展台上那十个社区，就能明白它是沐曦开源协作的一张完整地图—— 十个社区，恰好对应一个Token穿过的每一层。最底下是操作系统与资源调度这一层，龙蜥、Red Hat、CNCF、蜜瓜智能守在这里，每个Token能稳稳跑起来，都得靠它们兜底。沐曦和龙蜥社区就一起啃过一个让所有芯片厂商头疼的问题：操作系统内核小版本频繁升级，GPU驱动就得跟着重新打包，给终端用户带来大量额外负担。双方联合通过技术机制让驱动能够直接忽略小版本的变化，开源版本直接build出来就能用。而这类工作，只有扎根在同一个社区里深度共建才做得成。往上一层是训练与推理框架，vLLM、SGLang、PyTorch基金会、九源联合体都在这里，每个Token能被高效生成，靠的就是这一层的持续迭代。沐曦提到，过去两年，这一层每年的性能提升都在100%以上。再往上到顶，对应的是开源生态运营与合规治理。模力方舟负责降低模型分发门槛，方便开发者获取使用各类模型；木兰开源社区则专注开源项目孵化与行业规范搭建。沐曦曾联合木兰开源社区共同制定开源规范与大模型分级标准，因为开源不等同于无规则开放，每个Token的输出能否做到安全合规，都离不开完善的社区运营与治理体系作为支撑。从芯片到操作系统，从推理引擎到治理规则，把这条打卡路线走完，也就走完了一个Token完整的生命周期。而沐曦的共建，并不止步于框架这一层。以北大团队研发、对标OpenAI Triton的编译器TileLang，沐曦从2024年下半年就投入共建。等到今年行业多款主流大模型上新时，不少核心算子就是靠这套编译器写出来的。这背后的意义在于，从并行编译到算子优化，国内第一次有了端到端自主可控的技术路线，不用再顾虑自研适配代码无法合入上游社区主干。框架之外，沐曦也把重点放在人才培养上。沐曦围绕TileLang开设多期实战训练营，累计吸引了500多名开发者参与。今年沐曦还将启动“揭榜挂帅”，吸引更多算子优化技术人才来参与。规划编写的6本配套教材已经出版了4本，8大基础课程进了上交大、浙大等20多所高校；企业还联合上海AI实验室的书生工具链开办了三期实战营，让学生从数据收集、模型训练一路做到评测和应用，相关课程与全部工程代码均对外开源。挑战杯、CCF大赛、各大国家实验室技术竞赛里，也都有沐曦的身影…… 为了持续发掘优质新生技术力量，沐曦也给出了激励，在社区中实操表现突出的在校学生还能获得免试入职实习的机会。说到底，生态不是单方面“建”出来的，而是把底座持续开放之后，各方共建长出来的。那么，软件栈一直开着、生态自己往上长，沐曦最终到底想让MXMACA成为什么？ AI时代的Android 沐曦CTO杨建博士给了一个特别明确的锚点—— AI时代的Android。具体来说就是持续开放最核心的那套全栈软件，从操作系统、大数据处理，到大模型训练推理，再到私有化部署，把全链条打通。让客户乃至其他芯片厂商，都能基于这套完整软件栈，搭起一个通用、好用、易用的底层算力生态。@...

行业密探