芯片賣了56萬片之后，阿里平頭哥把最值錢的東西開源了

聞樂 發自 凹非寺
量子位 | 公眾號 QbitAI

如果把AI芯片比作發動機，那AI軟件棧就是「變速箱+傳動系統+駕駛系統」。

發動機再猛，傳動拉了胯，動力傳不到車輪上，車照樣跑不起來。

這個道理，做了8年芯片的平頭哥比誰都清楚。

WAIC 2026現場，阿里平頭哥宣布開源自研AI軟件棧T-Head SAIL

這是其真武系列AI芯片的底層軟件，擁有獨立的自主知識產權，同時全面兼容主流AI生態，覆蓋從OS層、SDK層到接口層的完整鏈路。

源碼、驅動、工具鏈、文檔一次性擺上桌，全球開發者都可以在平頭哥開發者社區下載。

而在開源之前，這套軟件棧已經攢下了一份相當能打的成績單。

截至今年4月，真武AI芯片累計出貨56萬片，服務20多個行業400多家客戶

還在阿里云以及大量行業企業的真實生產環境里跑了很久，扛過雙11級別的大規模流量洪峰，也扛過復雜場景和嚴苛SLA的反復拷問。

也就是說，平頭哥這次拿出來的是自家業務的核心底盤。

所以問題來了，一家芯片公司，為什么要主動拆掉自己的圍墻？

AI芯片的勝負手，從來不在硬件

要理解這個動作的分量，首先得理解軟件棧在AI算力鏈條中有多關鍵。

一顆芯片剛從產線上造出來的時候，對開發者來說其實是不可用的。

開發者日常寫代碼用的是PyTorch、TensorFlow這些上層框架，他們不會，也不應該直接去跟芯片底層的電路和指令集打交道。

這中間必須有一整套完整的基礎設施來做翻譯和調度，把開發者用Python寫的幾行代碼拆解成成千上萬條芯片能高效執行的底層指令。

這個橋梁就是AI軟件棧。

△圖片AI生成

用戶能看到的只是水面之上的API接口，水面之下是厚厚的算子庫、編譯器、運行時、驅動層，以及圍繞這些核心組件的調試工具和性能分析套件。

只有配合足夠強大的軟件棧，才可能充分發揮出芯片的算力性能。

然而，現實中的門檻還要更高一層。過去很長一段時間里，AI軟件棧對大多數開發者來說都是一個典型的黑盒

△圖片AI生成

芯片廠商交付的是一套編譯好的二進制工具鏈，你只能按照文檔給定的方式調用，既看不到內部實現邏輯，也不知道芯片在底層到底怎么跑你的模型。

所以一旦遇到性能瓶頸或者兼容性問題，開發者只能提工單等廠商響應。

一個模型遷移項目，動輒要花數周甚至一兩個月的時間來回調試，而在這個時間里，模型版本可能已經迭代了兩三輪。

時間成本之外，開銷成本也足以讓人打退堂鼓。

這也解釋了為什么NVIDIA能在AI算力市場上穩坐接近十年。

靠的不只是哪一代GPU的紙面參數，更是護城河CUDA。

開發者十幾年積累下來的開發習慣、代碼資產、社區經驗和工具生態，構成了一道比制程更難跨越的墻。

CUDA之于NVIDIA，就相當于SAIL之于平頭哥

現在，平頭哥決定把這個局面徹底翻轉過來，SAIL開源就是主動替開發者拆掉那道墻，把原本黑盒的底層能力，變成了透明可控的白盒

軟件棧開源后，過去只有頭部云客戶才能接觸到的底層能力，現在對任何一個研究團隊、任何一個開發者都是敞開的。

用戶可以讀源碼真正搞清楚芯片的運行邏輯；遇到bug能自己定位甚至直接動手修復；

更進一步，還可以針對自己的業務場景做深度定制優化，畢竟沒有人比開發者自己更了解自己的負載長什么樣。

平頭哥SAIL一開源，開發者的開發效率和技術自主性都同時邁上了一個新的臺階。

無需重寫、無需等待、無需綁定

細說平頭哥這次開源，對外開放的是一套經過生產環境驗證的五層完整技術棧，從最底下的驅動一直堆到最上面的運維工具。

最底層是驅動和運行時（Driver & Runtime），這層決定了操作系統能不能識別真武芯片、能不能把計算任務正確地調度下去。

PPU Runtime負責管理設備內存、命令隊列和計算上下文。

PPU Driver分為用戶態驅動（UMD）和內核態驅動（KMD），配合PPU Runtime對外提供統一的設備管理和內存管理接口。

這一層是芯片和操作系統握手的地方，也是過去最不透明、開發者最摸不著的地方。

這套驅動和運行時的設計，是真武芯片能夠在大規模集群里穩定運行的基礎。

往上是編程語言層，開放了C/C++和Python接口。

看起來是個簡單的設計選擇，但背后隱含著一個關鍵判斷：

不讓開發者為一顆芯片去學新語言、換編程范式，而是與主流生態對齊，讓現有代碼資產平滑遷移。

再往上是編譯器層，包含Compiler與Debugger兩大組件，支持從模型圖到可執行代碼的端到端編譯優化。

對開發者來說，這意味著可以看到編譯過程中每一步的中間表示，理解模型在具體場景里是怎么被優化的。

第四層是高性能庫，SAIL技術棧里最厚的一塊。

計算庫涵蓋線性代數加速庫acBLAS、快速傅立葉變換庫acFFT、隨機數生成庫acRAND、稀疏矩陣加速庫acSPARSE、深度神經網絡加速庫acDNN、求解器acSOLVER等全套數學和AI基礎庫。

這些庫的每一行代碼，都針對真武芯片的底層架構做了精細優化，確保常用的AI計算操作能以最高的效率執行。

編解碼庫包含編碼HGENC、解碼HGDEC、JPEG編解碼HGJPEG與預處理HGPP等，對應多模態數據處理的高吞吐需求；

集合通信庫PCCL與sailSHMEM，專為多卡、多機分布式訓練設計，沖的是大規模訓練里的通信瓶頸。

此外還配備了acext擴展庫與HGML機器學習庫，繼續拓寬功能邊界。

最頂層是開發工具層，Asight Compute做算子級的精細性能分析，用來定位微觀瓶頸；Asight Systems做系統級全棧Profiling，提供宏觀視角；

PPU-SMI負責設備的實時監控與管理；PPU-DCGM則支撐集群級別的資源智能調度。

單卡上摳算子性能，千卡集群上盯資源調度，兩頭都有稱手的工具。

不過對絕大多數開發者來說，比「全」更要緊的是「遷移成本」，平頭哥給出的答案是三個無需妥協。

首先是無需重寫代碼

SAIL兼容主流AI生態，主流模型即開即用，算子庫完整對標，主流編程模型高度兼容。

開發者過去積累的經驗、寫下的代碼、攢下的調優技巧在SAIL上都能直接復用。

其次是無需等待適配

AI技術的迭代速度有多快不用多說，一個新模型出來，社區的適配往往是以天計的。

SAIL這邊，平頭哥自研的推理引擎提供開箱即用的生產級性能，同時已經建立起與主流社區同頻的響應機制。

目前對主流AI推理框架的平均適配時間小于7天

這個速度基本意味著，社區那邊的熱度還沒過去，開發者在真武芯片上就已經能跑了。

而且無需自己額外做適配和調優，就能用上最新的算子、特性與優化手段。

最后是無需綁定框架平臺

SAIL已經全面適配PyTorch、TensorFlow、vLLM、SGLang等260余個主流訓練與推理框架，工具鏈也支持按需靈活選用，不綁定任何特定技術路線。

這一條其實最見格局，SAIL明確把技術選型的自主權留給開發者，開發者也不必擔心被鎖死在某個封閉生態里。

不重寫、不等待、不綁定，用開放換取信任，用兼容降低門檻，T-Head SAIL把遷移的摩擦力盡可能降到了“零”。

平頭哥的全棧牌局

其實再把視線拉遠一點會發現，SAIL開源是平頭哥8年布局走到今天的一個必然節點。

2018年，平頭哥成立時AI芯片賽道已經擠滿了玩家，外界對它的初始印象大抵是“阿里內部的一個芯片孵化項目”。

但平頭哥在阿里內部的待遇從來不普通，芯片這塊最難啃的骨頭一直享受著飽和式投入的待遇。

高強度的研發投入，加上與阿里云、大模型等核心部門的緊密協同，讓平頭哥以一種悶聲干大事的節奏，成長為中國芯片產業鏈里最大的黑馬。

2019年，成立僅一年的平頭哥推出第一顆芯片含光800

這是一顆針對AI推理場景深度定制的芯片，采用自研架構、推理性能達到78563 IPS，也就是每秒可處理7萬8千張圖片，一舉拿下當時同類芯片性能與能效比的兩項第一。

隨后含光800逐步應用于雙11淘寶主搜場景，在真實流量中完成檢驗。

緊接著，平頭哥把目標投向了難度更高、通用性更強的CPU賽道。

2021年云棲大會上，倚天710正式亮相，這是阿里體系內第一顆通用服務器CPU。

阿里由此成為首家具備CPU研發設計能力的中國互聯網公司。

這顆芯片性能超過同期業界標桿20%，能效比提升超過50%，如今已通過阿里云大規模應用于視頻編解碼、高性能計算、游戲等領域。

而在通用AI芯片這條最考驗綜合能力的主跑道上，平頭哥的步伐同樣扎實。

真武810早在2022年底、2023年初就已經完成了研發和場景驗證。

它采用并行計算架構和片間互聯技術，配備96GB HBM2e內存和700GB/s片間互聯帶寬，支持PCIe 5.0×16接口，功耗控制在400W，配合全棧自研軟件棧實現了從硬件到軟件的完整自主可控。

阿里已將其大規模用于千問大模型的訓練和推理，外部客戶也將其部署在各種AI推理和訓練的產線上。

到了今年的2026阿里云峰會，平頭哥亮出了新一代訓推一體AI芯片真武M890

這顆芯片內置144GB顯存，片間互聯帶寬提升到800GB/s，整體性能是真武810E的3倍。

更重要的是，M890原生支持從FP32高精度訓練到FP4低精度推理的全場景覆蓋。

再加上自研的ICN Switch 1.0芯片，可實現64卡全帶寬互聯，顯著提升大規模智算集群的計算效率與穩定性。

到這里，平頭哥的芯片版圖已經非常清晰了。

算力維度，有真武系列AI芯片和倚天系列Arm服務器CPU，一個打AI，一個打通用計算。

網力維度，有ICN Switch互聯芯片和磐脈系列智能網卡，負責大規模集群內部的高速數據交換。

存力維度，有鎮岳系列存儲主控芯片，例如對標業界標桿三星旗艦的SSD主控芯片鎮岳510，滿足AI訓練推理對低延時、高帶寬存儲的需求。

算力、網力、存力，這數據中心的三件套，平頭哥全部實現了自研。

放眼整個中國芯片行業，能做到這一點的企業，用一只手就能數得過來。

恰恰是在硬件布局已經相當完整、產品力已經充分驗證的這個節點，平頭哥走出了關鍵破局的一步棋，開源AI軟件棧。

56萬片出貨、400多家客戶已經足夠證明產品力，但止步于此，終究只是一家芯片供應商。

要建一個真正的芯片生態，應該讓開發者可以基于你的平臺做創新、研究機構能用你的工具鏈產出、產業伙伴圍繞你的技術棧開發解決方案。

開源軟件棧的本質，就是先降低開發者的使用門檻，再把建設的權利也一并交出去。

平頭哥在這次開源中提出將與全球開發者、科研機構及產業伙伴一起，共同打磨工具鏈、豐富算子生態、優化性能體驗。

落點在共同兩個字上，依托經過真實業務驗證的成熟算力底座，生態的后續拓展交由全行業協同完成。

某種意義上，這也是國內AI算力生態最缺的一環，國內硬件追趕力度充足，但軟件生態積淀不足；

生態的厚度需要時間，更需要先有人敞開技術大門，吸納全行業力量共建。

最后回到名字本身，T-Head SAIL中的SAIL，全稱是Seed of AI Library

用平頭哥自己的話說，他們把每一行開源代碼都視作一顆蘊含無限可能的種子，期待未來國內AI生態能在共建中蔚然成林。