继承者们

对1500颗超新星的分析提供了迄今为止最精确的暗物质和暗能量计算结果_我的网站

A |     它将补充我们宇宙中同样令人困惑的方面，即暗物质，这是科学家在1933年首次证明的一个空泛的概念，用来描述构成隐藏的、类似于光环的障碍物，防止星系简单地崩解。    闻乐 发自 凹非寺          量子位 | 公众号 QbitAI          如果把AI芯片比作发动机，那AI软件栈就是「变速箱+传动系统+驾驶系统」。         发动机再猛，传动拉了胯，动力传不到车轮上，车照样跑不起来。(然而，这又是一种我们无法用人类的眼睛来理解的力量）。         这个道理，做了8年芯片的平头哥比谁都清楚。但是，尽管科学家们无法用视觉把握暗物质和暗能量的难以捉摸的性质，他们却能够用数学来测量它。         WAIC 2026现场，阿里平头哥宣布开源自研AI软件栈T-Head SAIL。         这是其真武系列AI芯片的底层软件，拥有独立的自主知识产权，同时全面兼容主流AI生态，覆盖从OS层、SDK层到接口层的完整链路。

B |          源码、驱动、工具链、文档一次性摆上桌，全球开发者都可以在平头哥开发者社区下载。周三，在《天体物理学杂志》的一系列论文中，天体物理学家成功地对我们宇宙的组成和演变做出了最精确的限制--包括暗宇宙。

C |          而在开源之前，这套软件栈已经攒下了一份相当能打的成绩单。通过一个被称为Pantheon+的强大分析机制，该团队发现宇宙是由大约三分之二的暗能量和三分之一的物质组成的，大部分是暗物质的形式。

D | 更具体地说，他们怀疑宇宙的66.2%表现为暗能量，而剩下的33.8%则属于暗物质和可见物质。比Pantheon+的结果更令人兴奋的可能是它的运作方式。         截至今年4月，真武AI芯片累计出货56万片，服务20多个行业的400多家客户。简而言之，该团队利用一系列强大的宇宙“手电筒”来回望过去，记录下100多亿年前的宇宙内容。这里所说的“手电筒”是指1a型超新星。

E | 这些恒星爆炸是如此明亮，以至于它们超过了整个星系，因此在离地球几十亿光年的地方也能看到。它们就像手电筒，但不是照亮一条长长的走廊，而是照亮无限的空间和时间隧道。事实上，它们对发现黑暗宇宙至关重要，有助于在1933年发现暗物质的存在，在1998年发现暗能量。Pantheon+将事情推向了新的高度。分析背后的科学家们专注于1500多颗超新星，这些超新星放在一起，共同照亮了约四分之三的已知宇宙。         还在阿里云以及大量行业企业的真实生产环境里跑了很久，扛过双11级别的大规模流量洪峰，也扛过复杂场景和严苛SLA的反复拷问。         也就是说，平头哥这次拿出来的是自家业务的核心底盘。

F |          所以问题来了，一家芯片公司，为什么要主动拆掉自己的围墙？          AI芯片的胜负手，从来不在硬件          要理解这个动作的分量，首先得理解软件栈在AI算力链条中有多关键。         一颗芯片刚从产线上造出来的时候，对开发者来说其实是不可用的。哈佛-史密森天体物理学中心的天文学家Dillon Brout在一份声明中说：“有了这个Pantheon+数据集，我们就可以精确地看到宇宙从被暗物质主导到宇宙被暗能量主导的时间。         开发者日常写代码用的是PyTorch、TensorFlow这些上层框架，他们不会，也不应该直接去跟芯片底层的电路和指令集打交道。”Brout说：“这个数据集是一个独特的机会，可以看到暗能量在最宏大的尺度上开启并驱动宇宙的演变，直到现在。         这中间必须有一整套完整的基础设施来做翻译和调度，把开发者用Python写的几行代码拆解成成千上万条芯片能高效执行的底层指令。         这个桥梁就是AI软件栈。

G | ”作为额外的奖励，该分析工具还证实了宇宙确实在加速膨胀，而且它为支持科学思想的一个基石提供了极有希望的证据。          作者声明：该图片由AI生成△图片AI生成          用户能看到的只是水面之上的API接口，水面之下是厚厚的算子库、编译器、运行时、驱动层，以及围绕这些核心组件的调试工具和性能分析套件。

H |          只有配合足够强大的软件栈，才可能充分发挥出芯片的算力性能。

I |          然而，现实中的门槛还要更高一层。粒子物理学的标准模型。过去很长一段时间里，AI软件栈对大多数开发者来说都是一个典型的黑盒。

J | 这个框架几乎概括了每一个已知粒子的独立行为，以及彼此之间的行为，甚至作为许多关于黑暗宇宙到底是怎么回事的领先理论的基础。“我们能够对宇宙的动力学和历史进行迄今为止最精确的约束，”Brout说。          作者声明：该图片由AI生成△图片AI生成          芯片厂商交付的是一套编译好的二进制工具链，你只能按照文档给定的方式调用，既看不到内部实现逻辑，也不知道芯片在底层到底怎么跑你的模型。         所以一旦遇到性能瓶颈或者兼容性问题，开发者只能提工单等厂商响应。         一个模型迁移项目，动辄要花数周甚至一两个月的时间来回调试，而在这个时间里，模型版本可能已经迭代了两三轮。

K | “我们对数据进行了梳理，现在可以比以往任何时候都更有信心地说，宇宙是如何在漫长的岁月中演变的，而且目前关于暗能量和暗物质的最佳理论也很牢固。

L |          时间成本之外，开销成本也足以让人打退堂鼓。         这也解释了为什么NVIDIA能在AI算力市场上稳坐接近十年。         靠的不只是哪一代GPU的纸面参数，更是护城河CUDA。”换句话说，Pantheon+可能是在告诉人们，应该总结一些 与标准模型无关的暗物质和暗能量的替代理论。         开发者十几年积累下来的开发习惯、代码资产、社区经验和工具生态，构成了一道比制程更难跨越的墙。

M |          而CUDA之于NVIDIA，就相当于SAIL之于平头哥。         现在，平头哥决定把这个局面彻底翻转过来，SAIL开源就是主动替开发者拆掉那道墙，把原本黑盒的底层能力，变成了透明可控的白盒。

N | 这些理论可能是不正确的。此外，Pantheon+数据集的后果可能有助于平息物理学家之间长期存在的、相当激烈的辩论。

o | 基本上，人们知道宇宙正在以指数形式膨胀。人们可以从字面上看到它在实时发生。但是科学家们不能就这种膨胀发生的确切速度达成一致。         软件栈开源后，过去只有头部云客户才能接触到的底层能力，现在对任何一个研究团队、任何一个开发者都是敞开的。解决方案的关键是哈勃常数，但计算该常数的不同方法似乎产生了不同的答案。尽管在将Pantheon+样本与另一个科学合作项目的数据汇集在一起之后，哈佛大学的一份新闻稿指出，我们现在可能拥有对宇宙当前膨胀率的最严格的局部测量。         用户可以读源码真正搞清楚芯片的运行逻辑；遇到bug能自己定位甚至直接动手修复；          更进一步，还可以针对自己的业务场景做深度定制优化，毕竟没有人比开发者自己更了解自己的负载长什么样。         平头哥SAIL一开源，开发者的开发效率和技术自主性都同时迈上了一个新的台阶。         无需重写、无需等待、无需绑定          细说平头哥这次开源，对外开放的是一套经过生产环境验证的五层完整技术栈，从最底下的驱动一直堆到最上面的运维工具。简而言之，该合作项目发现哈勃常数是73.4Km/s/Mpc，其不确定性达到了惊人的1.3%。         最底层是驱动和运行时（Driver & Runtime），这层决定了操作系统能不能识别真武芯片、能不能把计算任务正确地调度下去。"换句话说，对于每一个百万秒差距，或326万光年，分析估计在附近的宇宙中，空间本身正在以每小时16万英里以上的速度膨胀，"该新闻稿解释说。

p |          PPU Runtime负责管理设备内存、命令队列和计算上下文。就背景而言，这个数字正好处于2001年72m/s/Mpc的里程碑式测量和后来74m/s/Mpc的报告的中间。然而，它与另一个领先的测量值相差甚远，后者表明常数为69.8 km/s/Mpc。         PPU Driver分为用户态驱动（UMD）和内核态驱动（KMD），配合PPU Runtime对外提供统一的设备管理和内存管理接口。这还是有差异的。

q | 而且，Pantheon+的常数是基于"本地"测量。因此，Pantheon+团队强调，“来自宇宙历史上一个完全不同的时代的观测预测了一个不同的故事”。“我们以为有可能在我们的数据集中找到解决这些问题的新方法的线索，但相反，我们发现我们的数据排除了许多这些选项，深刻的差异仍然像以前一样顽固，”Brout说。         这一层是芯片和操作系统握手的地方，也是过去最不透明、开发者最摸不着的地方。但是在最后，由于Pantheon+的结果是如此原始，也许它们至少可以阐明哈勃常数辩论中的争议点在哪里。

r | “最近的许多理论已经开始指向非常早期的宇宙中的奇异新物理学，”Brout说。“然而，这种未经验证的理论必须经得起科学过程的检验，而哈勃常数的张力仍然是一个重大的挑战。”Brout表示：“Pantheon+给了我们迄今为止制约暗能量、其起源和演变的最好机会。

s |          这套驱动和运行时的设计，是真武芯片能够在大规模集群里稳定运行的基础。         往上是编程语言层，开放了C/C++和Python接口。

t |          看起来是个简单的设计选择，但背后隐含着一个关键判断：          不让开发者为一颗芯片去学新语言、换编程范式，而是与主流生态对齐，让现有代码资产平滑迁移。

u |          再往上是编译器层，包含Compiler与Debugger两大组件，支持从模型图到可执行代码的端到端编译优化。         对开发者来说，这意味着可以看到编译过程中每一步的中间表示，理解模型在具体场景里是怎么被优化的。         第四层是高性能库，SAIL技术栈里最厚的一块。

v |          计算库涵盖线性代数加速库acBLAS、快速傅立叶变换库acFFT、随机数生成库acRAND、稀疏矩阵加速库acSPARSE、深度神经网络加速库acDNN、求解器acSOLVER等全套数学和AI基础库。         这些库的每一行代码，都针对真武芯片的底层架构做了精细优化，确保常用的AI计算操作能以最高的效率执行。

w |          编解码库包含编码HGENC、解码HGDEC、JPEG编解码HGJPEG与预处理HGPP等，对应多模态数据处理的高吞吐需求；          集合通信库PCCL与sailSHMEM，专为多卡、多机分布式训练设计，冲的是大规模训练里的通信瓶颈。         此外还配备了acext扩展库与HGML机器学习库，继续拓宽功能边界。         最顶层是开发工具层，Asight Compute做算子级的精细性能分析，用来定位微观瓶颈；Asight Systems做系统级全栈Profiling，提供宏观视角；          PPU-SMI负责设备的实时监控与管理；PPU-DCGM则支撑集群级别的资源智能调度。         单卡上抠算子性能，千卡集群上盯资源调度，两头都有称手的工具。

x |          不过对绝大多数开发者来说，比「全」更要紧的是「迁移成本」，平头哥给出的答案是三个无需妥协。         首先是无需重写代码。

y |          SAIL兼容主流AI生态，主流模型即开即用，算子库完整对标，主流编程模型高度兼容。         开发者过去积累的经验、写下的代码、攒下的调优技巧在SAIL上都能直接复用。         其次是无需等待适配。         AI技术的迭代速度有多快不用多说，一个新模型出来，社区的适配往往是以天计的。         SAIL这边，平头哥自研的推理引擎提供开箱即用的生产级性能，同时已经建立起与主流社区同频的响应机制。         目前对主流AI推理框架的平均适配时间小于7天。         这个速度基本意味着，社区那边的热度还没过去，开发者在真武芯片上就已经能跑了。         而且无需自己额外做适配和调优，就能用上最新的算子、特性与优化手段。         最后是无需绑定框架平台。         SAIL已经全面适配PyTorch、TensorFlow、vLLM、SGLang等260余个主流训练与推理框架，工具链也支持按需灵活选用，不绑定任何特定技术路线。

z |          这一条其实最见格局，SAIL明确把技术选型的自主权留给开发者，开发者也不必担心被锁死在某个封闭生态里。         不重写、不等待、不绑定，用开放换取信任，用兼容降低门槛，T-Head SAIL把迁移的摩擦力尽可能降到了“零”。         平头哥的全栈牌局          其实再把视线拉远一点会发现，SAIL开源是平头哥8年布局走到今天的一个必然节点。         2018年，平头哥成立时AI芯片赛道已经挤满了玩家，外界对它的初始印象大抵是“阿里内部的一个芯片孵化项目”。         但平头哥在阿里内部的待遇从来不普通，芯片这块最难啃的骨头一直享受着饱和式投入的待遇。         高强度的研发投入，加上与阿里云、大模型等核心部门的紧密协同，让平头哥以一种闷声干大事的节奏，成长为中国芯片产业链里最大的黑马。         2019年，成立仅一年的平头哥推出第一颗芯片含光800。         这是一颗针对AI推理场景深度定制的芯片，采用自研架构、推理性能达到78563 IPS，也就是每秒可处理7万8千张图片，一举拿下当时同类芯片性能与能效比的两项第一。

|          随后含光800逐步应用于双11淘宝主搜场景，在真实流量中完成检验。         紧接着，平头哥把目标投向了难度更高、通用性更强的CPU赛道。         2021年云栖大会上，倚天710正式亮相，这是阿里体系内第一颗通用服务器CPU。         阿里由此成为首家具备CPU研发设计能力的中国互联网公司。         这颗芯片性能超过同期业界标杆20%，能效比提升超过50%，如今已通过阿里云大规模应用于视频编解码、高性能计算、游戏等领域。         而在通用AI芯片这条最考验综合能力的主跑道上，平头哥的步伐同样扎实。         真武810早在2022年底、2023年初就已经完成了研发和场景验证。         它采用并行计算架构和片间互联技术，配备96GB HBM2e内存和700GB/s片间互联带宽，支持PCIe 5.0×16接口，功耗控制在400W，配合全栈自研软件栈实现了从硬件到软件的完整自主可控。         阿里已将其大规模用于千问大模型的训练和推理，外部客户也将其部署在各种AI推理和训练的产线上。         到了今年的2026阿里云峰会，平头哥亮出了新一代训推一体AI芯片真武M890。         这颗芯片内置144GB显存，片间互联带宽提升到800GB/s，整体性能是真武810E的3倍。         更重要的是，M890原生支持从FP32高精度训练到FP4低精度推理的全场景覆盖。         再加上自研的ICN Switch 1.0芯片，可实现64卡全带宽互联，显著提升大规模智算集群的计算效率与稳定性。         到这里，平头哥的芯片版图已经非常清晰了。

|          算力维度，有真武系列AI芯片和倚天系列Arm服务器CPU，一个打AI，一个打通用计算。         网力维度，有ICN Switch互联芯片和磐脉系列智能网卡，负责大规模集群内部的高速数据交换。         存力维度，有镇岳系列存储主控芯片，例如对标业界标杆三星旗舰的SSD主控芯片镇岳510，满足AI训练推理对低延时、高带宽存储的需求。         算力、网力、存力，这数据中心的三件套，平头哥全部实现了自研。         放眼整个中国芯片行业，能做到这一点的企业，用一只手就能数得过来。         恰恰是在硬件布局已经相当完整、产品力已经充分验证的这个节点，平头哥走出了关键破局的一步棋，开源AI软件栈。

|          56万片出货、400多家客户已经足够证明产品力，但止步于此，终究只是一家芯片供应商。

|          要建一个真正的芯片生态，应该让开发者可以基于你的平台做创新、研究机构能用你的工具链产出、产业伙伴围绕你的技术栈开发解决方案。         开源软件栈的本质，就是先降低开发者的使用门槛，再把建设的权利也一并交出去。

|          平头哥在这次开源中提出将与全球开发者、科研机构及产业伙伴一起，共同打磨工具链、丰富算子生态、优化性能体验。         落点在共同两个字上，依托经过真实业务验证的成熟算力底座，生态的后续拓展交由全行业协同完成。         某种意义上，这也是国内AI算力生态最缺的一环，国内硬件追赶力度充足，但软件生态积淀不足；          生态的厚度需要时间，更需要先有人敞开技术大门，吸纳全行业力量共建。         最后回到名字本身，T-Head SAIL中的SAIL，全称是Seed of AI Library。         用平头哥自己的话说，他们把每一行开源代码都视作一颗蕴含无限可能的种子，期待未来国内AI生态能在共建中蔚然成林。

Current article:http://www.shangfochengcongshuaizhuang.buzz/4hpil/bupwf2.html

Published on:07:46:53