先说结论

2026年9月23日下午，云栖大会「平头哥算力峰会：T-Head SAIL软件栈技术论坛」上，平头哥把自家AI芯片真武（PPU）的整套软件栈T-Head SAIL摊开在桌面上：名字取自Seed of AI Library，官方口径是"每一行开源代码都是一颗种子"。这是继7月WAIC上宣布开源之后，SAIL第一次在正式场合拿出完整路线图——分批开源、GitHub主线开发、适配代码回流上游社区。据公开资料，截至2026年4月真武芯片累计交付56万片、服务400余家客户；论坛上平头哥软件生态资深总监陆生华给出的更新数字是20多个行业、约650家客户（截至今年6月，嘉宾口径）。真正值得关注的不是数字，而是这场论坛揭示的行业转折：芯片静态算力的竞赛接近同质化之后，竞争的定价权正在向软件栈的"兑现率"迁移——同一颗芯片，软件栈好坏能让实际业务吞吐差出数倍。蚂蚁团队在论坛上给出的账本是一年29倍的推理吞吐提升，这个倍数里没有一代硬件的更换，几乎全部来自软件。对任何采购算力、做推理平台或写算子的人来说，这篇文章试图回答三个问题：平头哥开源了什么、客户们真实用出了什么水平、以及这套逻辑对局外人的决策有什么用。

一、SAIL开源路线图：不是放出代码，而是交出开发流程

陆生华的开场逻辑很直白。上午的硬件论坛刚发布新一代真武V900芯片，算力指标"国内领先"（嘉宾称）；但他的论点是，静态算力要靠软件兑现成业务性能，存量软件迁移到新芯片要花多少工时，取决于软件栈的完备度与可迁移性；而PyTorch、vLLM、Hugging Face这些开源生态的迭代速度，芯片厂必须跟得上。他说截至今年6月，650家客户用真武跑主流训练推理场景（嘉宾口径），客户开始提出更高要求——想自己写高性能定制算子，这就需要了解硬件架构、软件栈实现甚至指令集设计。需求侧的参与意愿，是这场开源的直接推力。

SAIL的结构分两层。下层是平头哥自研SDK：内核与用户态驱动加PPU Runtime统一管理设备与内存；编译器支持C/C++/Python与存量代码平滑迁移；往上是计算加速、互联加速、编解码加速三类高性能库；再往上是设备监控、诊断、性能分析等开发者工具。上层则是对开源软件的适配——用陆生华的话说，“几乎适配了整个AI界的全部软件栈”。据公开资料，这套栈对外宣传三个"不"：不重写代码、不等待适配（主流推理框架平均适配时间小于7天）、不被平台锁定，已适配超过260个主流训练推理框架组件。论坛上陆生华强调的三个特点与此呼应：基于主流生态开发的程序重新编译一次即可在PPU上运行且性能不错；跟随PyTorch、vLLM、SGLang最新版本快速迭代，他称平头哥是"国内跟随开源社区版本最激进的厂商之一"；以及全量框架适配，让开发者保留原有开发方式。

真正有信息量的是开源的方式。陆生华给出三条原则：信任为基——全部代码放GitHub，开源开发分支就是研发主线，平头哥内部工程师怎么开发对外全程可见，他称这是"开发流程的本质变化"；标准为纲——拥抱既有生态的使用习惯，不另起炉灶、不把开发者锁进私有体系；加速为势——对真武的适配代码全部提交（upstream）到上游社区，借助社区力量迭代。配套动作已经落地：两个月前上线平头哥开发者社区网站，SDK、内核驱动、性能分析工具、文档、预编译包全部开放；Model Scope上已放出39个针对真武低精度特性量化的主流开源模型（千问、DeepSeek、Kimi、MiniMax等，覆盖INT8/FP8的A8W8与A4W4多精度，嘉宾称截至9月累计下载34.8万）。GitHub上第一批仓库包括PyTorch for SAIL、模板库、DeepGEMM、FlashMLA、FlashAttention、Xformers、代码迁移工具与Triton支持；他承诺月底或十月初放出第二批：TensorFlow、JAX、推理引擎、Flash Linear Attention、低精度计算库、PPU GDB与高性能集合通信库。据公开资料，集合通信库官方名为PCCL，这与论坛口径一致。

治理规则同样照搬主流开源社区：issue、fork、PR、公开评审、CI验证，三原则是透明可信、自治共享、无分叉负担——所有贡献统一回流主线，升级即得最新演进，避免私有分叉的长期维护成本。长期规划有四条：一套软件栈支持多代硬件（810E、正商用的M890、刚发布的V900三代共用一套软件）；从深度学习扩展更多场景；持续推进PPU upstream到vLLM、Triton、PyTorch等主流生态；社区运营上每年开平头哥开发者大会、常态化Meetup、校企联合实验室与开源实习。陆生华的收尾定调：“T-Head SAIL是一份软件栈，也是一份共建的邀约"“凡可开源者皆尽开源”。

从行业机制看，这一步的实质是：当一家芯片厂把研发主线搬到GitHub，它卖的就不再只是芯片，而是把客户从消费者变成共建者的通道。二阶影响是客户切换成本与厂商锁定成本的同时下降——小红书拿开源文档喂agent、蚂蚁与SAIL团队共研量化格式、北大拿捐赠算力跑科研，都是这条通道上的早期样本。评估任何新算力平台时，“软件栈开源深度、上游社区是否有原生支持、是否存在私有分叉负担"应与峰值算力同权重。

二、推理侧的两本账：蚂蚁的29倍与小红书的agent调优

四份客户账本里，蚂蚁集团高级技术专家蔡腾纬这份最像一份性能工程编年史。起点是去年DeepSeek R1发布后，蚂蚁要在810E卡（96GB显存、单机16卡）上低成本部署这个MoE大模型。第一个坑就很典型：BF16版R1部署后每卡权重占用约84GB，KV Cache只剩约74K token容量，并发很快受限——排查发现是推理引擎默认打开了MoE矩阵吸收，把投影矩阵合并成更大的融合权重，挤占了KV空间。关掉这个特性、修复非吸收路径的tensor shape后，权重降到约80GB，KV容量提升70%，单机16卡折算吞吐从880提升到1210（+38%，嘉宾称，测试口径为每请求4K输入1.5K输出、平均TTFT小于3秒、P90 TPOT小于100毫秒下的最高吞吐）。这个案例的启发是：性能问题先查引擎默认配置，再怪硬件。

接下来是一条量化路径。W8A8（权重激活均INT8，channel-wise权重scale加per-token激活scale，int8点积、int32累加后处理scale）让吞吐推进到3100+；更有意思的是W4A8：蚂蚁先用Triton做per-group量化验证精度与链路，再与SAIL团队共同定义高性能方案——非共享专家权重量化成INT4 per-channel（蔡腾纬提到这结合了计算库acext的channelwise能力，据公开资料acext确为SAIL的扩展库）、激活保持INT8 per-token，执行前做打包布局预处理、寄存器内解包符号扩展后送入矩阵单元，SAIL侧优化tiling与循环展开控制INT4解包成本。最终模型权重从600多GB降到330GB，量化工具沉淀进QLin并集成到SGLang，整套用于生产；对照实验里W4A8折算16卡吞吐比W8A8再提升59%（嘉宾称）。再叠加PD分离（SGLang加Mooncake框架，两个TP8的Prefill实例配一个EP32的Decode实例）、KV传输与专家均衡，单机折算总吞吐达到6600+。蔡腾纬特别说明这些吞吐数字均为折合单机16卡口径。他还提到一个反直觉的实验结果：在810E上把专家并行从EP32扩到EP48、EP64，吞吐不再提升——并行度不是越大越好，通信拓扑有上限。把一年串起来看：从最初连高效attention实现都没有、output TPS只有75，到2100+，29倍提升（嘉宾称），全部发生在同一代硬件上。今年的新工作是GLM长上下文场景：CP16分摊attention计算加稀疏化attention，40K输入单并发TTFT从8.59秒降到5.6秒（-35%）；相邻层索引复用让80K输入从9.4秒降到8.1秒（-14%，需结合精度验证）；两阶段流水线分层从41:37调回39:39，prefill吞吐+8%。对新一代M890，蚂蚁用内部AI coding数据集压测给出的综合折算加速系数是：以810E为基线，DeepSeek V4 Pro约2.5倍、GLM5.2约4倍——他强调这反映的是硬件、精度格式与软件栈整体共同作用，且为内部数据集口径。

小红书模型工程负责人骆兆楷的账本展示了另一条路径：用agent把调优经验工具化。搜广推场景三级缓存架构里最难的差异点在hash table（embedding）算子层。他的判断是，真武PPU与GPU生态兼容度特别高、开箱即用，“但最难的是把国产硬件用好”（嘉宾原话大意）。迁移已有算子时，GPU与PPU硬件参数、存储大小的差异会变成多参数调优问题，他们用一个agent加workflow把这些细节补齐；新开发算子则让agent基于平头哥开源文档与知识库构建，再结合profile工具拿到真实调优数据迭代。这里有个细节很有行业信息量：英伟达Nsight Systems的分析报告没有API可调，agent只能截图喂给视觉模型、丢失大量信息；而平头哥的报告可以用命令行方式逆向解析，对agent友好——骆兆楷把这称为"小技巧”，并期待未来profile报告直接提供API。他称这套agent调优能达到80%以上专家调优水平，架构直接复用一篇打过FlashInfer比赛的论文（友商出品），路径可复现。计算图层面，他们先把"free style"的Pythonic代码（for循环逐行塞tensor）改写成torch.compile友好的形式——他用"从中文变成英文"作比——FX Graph压平后算子间模式复杂度下降，Kernel Fusion才好做；而平头哥底层算子较多归一到模板库（对标英伟达CUTLASS），分支集中意味着agent幻觉更少、GPU上前几年的学术与工程优化成果可以复用。这本账的启发是：当硬件文档、profile工具、开源算子库对机器足够友好，“专家调优能力"就开始平权，中小团队也能吃到大半的优化红利。

三、训练侧与学术侧：小鹏的千卡与北大的2K全景

小鹏汽车AI Infra高级专家彭飞补上了训练视角。他称小鹏"应该是"第一家使用PPU的企业，PPU在小鹏不只做推理，很大一部分在跑模型训练，覆盖训练、部署、自动标注、闭环仿真与数据挖掘。时间回到两年前，小鹏正处BEV范式向VLA 2.0切换的节点，团队拿PETR、Sparse Drive等开源模型先在PPU上验证可用性，最担心的两点是去掉CUDA生态与NVLink后通信能力够不够、能否scale到千卡万卡。结果（嘉宾口径）：60项指标中16项相对某些H卡最优、训练Tensor相似度96%以上；随后依托平头哥profiling工具做系统级调优与瓶颈算子kernel优化，整机性能约2倍提升，千卡线性加速比保持96%以上，故障率约为GPU卡的1/11.7（此处转写口径存疑，方向为显著低于GPU）。工程细节上，小鹏自研了基于PyTorch的训练平台（带通讯、蒸馏、RL框架与弹性容错），上面做了一个自动感知硬件的调度模块——GPU、PPU、CPU之间无感切换、自动配超参，业务侧对硬件无感；底座是阿里云的容器算力服务（转写为"ECS弹性容器”，据公开资料阿里云面向真武PPU的容器服务为ACS），相对裸金属故障率减少80%（嘉宾称）。kernel层面的例子：调整tiling策略让Conv3D性能提升20%多，FlashAttention支持不规则mask后SDPA性能提升90%多；他特别指出这些算法与框架层优化没有为PPU做特定修改，从反面印证PPU生态与主流生态匹配度高，GPU上的优化开箱即用。痛点与方向同样具体：十六卡机器上视频训练的瓶颈在CPU，数据与训练分离（独立CPU机器预处理再传给PPU）带来约2.5倍加速；单卡推理任务则更划算地用PPU内部的专用解码硬件，他称"一颗大约等效七十颗GPU芯片”（口径存疑）；VLA 2.0上线后旧业务收缩释放出PPU卡，小鹏正在尝试GPU与真武的混合训练。

北京大学施柏鑫教授（议程头衔：长聘副教授、研究员，Camera Lab负责人）代表学术用户视角，讲了智能体视频生成。研究目标是"电影感"的四个可控：光影可信、镜头连续、音画同步、叙事连贯；方法隐喻是智能体分工——导演、灯光师、分镜师、配音师、剪辑师各司其职。技术上，光照可控靠3D proxy场景代理加多材质渲染作为显式条件注入扩散模型，把光与材质形状解耦；视频生成网络本身还能兼作光照估计器；分镜靠首尾帧迭代预测加多镜头记忆模块；音视频联合生成与自动剪辑两项工作刚在9月初的ECCV宣讲（嘉宾称）。与平头哥的合作始于2026年3月之前的算力捐赠，先小规模试用体验不错再推荐给学院，6月正式签约（他提到平头哥尹总是北大计算机学院校友），目前部署4台810E共32卡，用于科研与本科教学。最能说明软件栈价值的一个数字：团队基于万相Wan底座的全景视频生成工作（论坛转写为"Panda One"，经外部核验应为PanoWan，NeurIPS 2025论文，基于Wan 2.1文生视频框架扩展全景能力，需处理球面极点与赤道采样率不均、左右边界闭环无缝等特有难题）在810E平台上代码几乎没改、支持bf16混合精度，96GB大显存直接把训练分辨率从480p推到2K——迁移成本极低，显存约束的解除直接改变了产出质量。他的团队正在赶ICLR投稿，做可交互的全景世界模型。

四、性能分析方法论：从凭经验猜到用证据讲

平头哥软件技术资深总监王政华的演讲可以看作整场论坛的"内功心法"：在M890超节点上对千问3.8大模型做性能分析与调优的完整实践。他把性能目标定为四个指标——TTFT（首token时延，决定"开始快不快"）、TPOT（每token时延，决定"流不流畅"）、吞吐（系统产能）、硬件利用率（判断计算瓶颈还是访存瓶颈，决定优化方向），并强调SLA条件会限制最大batch size，同一模型在不同SLA下吞吐利用率差异很大，性能分析不能脱离SLA。成果（嘉宾口径）：100K长输入下TTFT提升6%；4K输入1.5K输出场景下TPOT提升600%、在SLA要求TPOT小于30毫秒的同时单卡output吞吐提升117%；核心算子GDN显存带宽利用率约69%，MoE与GEMM的矩阵利用率与带宽利用率分别达75%与70%——他的解读是，这些提升主要来自把硬件能力真正发挥出来。

方法论三步。第一步抓trace：用平头哥的性能分析工具（论坛转写为"Asset System"，据公开资料官方名为Asight Systems）获取模型运行的完整时间线，CPU与PPU上的事件、每个kernel起止、通信与同步位置一目了然，“把性能分析从凭经验猜变成用证据讲”。第二步分解：看端到端占比排序，千问3.8实例中top5 kernel类别是framework、flash attention、MoE、GEMM与通信；再看重点算子的硬件利用率——flash attention初始矩阵利用率仅26%、GEMM为56%、all-reduce带宽利用率74%已接近理论上限，优先优化占比大而利用率低者。第三步逐个击破，且kernel与框架两层并行：kernel层要理解PPU的硬件差异，比如为提升CU访存带宽，PPU把shared memory分成4个group每组1024字节，除bank conflict外还要避免新的group conflict；CU数量不多但每个CU有更多指令发射单元、可装更多thread block，同样能发射更多访存指令提带宽；用warp interleaved让两个warp访问向量核与矩阵核的时间错开、消除bubble。框架层的例子则说明"kernel快不等于系统快"：某个device的请求提前结束后新请求优先执行费时的prefetch，会让其他device的decode空等；一个device上combine前的kernel耗时异常变长，会让所有device的同步被阻塞，系统级combine平均耗时被拉长——这类问题只有回到框架粒度才能定位。框架侧四类手段：并行策略组合（TP/PP/EP/DP加PD分离）、投机采样策略（如MTP）提升draft命中率、MoE的FP4加FP8混合量化配合EPLB专家负载均衡、核心算子选用PPU优化版本。最后他把整个方法总结为四层粒度逐层细化：请求端到端、框架iteration、算子OP、kernel硬件指令与访存，并把这套方法论沉淀成工具（Asight Systems做系统级、Asight Compute做kernel级分析，均带智能专家分析），让"每个人都成为性能分析专家"。对读者的启发是：这套"定目标、抓trace、做分解、两层击破"的流程与具体硬件无关，任何做性能工程的人都可以直接搬用。

五、圆桌：day-0适配、超节点的爆炸半径、agent写代码的时代

压轴圆桌「超大规模模型推理的技术挑战」由平头哥编译器技术资深总监何军主持，嘉宾是vLLM核心维护者兼Inferact联合创始人游凯超、红帽大中华区CTO张家驹、阿里百炼推理平台高级技术专家何涛、平头哥推理引擎技术资深总监邢冲。背景是近几个月旗舰模型密集发布——主持人列举Kimi K3（7月）、千问3.8 Max（8月初）、DeepSeek V4 Pro（8月中），均为万亿参数、百万级token上下文，会场透露下一代参数规模将达5T到10T。

第一个话题是day-0适配。游凯超的解释最系统：模型权重是静态的，跑起来需要对应代码；百炼的适配代码在阿里内部无法共享，所以vLLM的做法是在模型发布前与模型厂合作提前拿材料做适配，发布时权重与适配代码同步开源。他称适配最难的部分是KV Cache管理——独立的kernel适配可以拆分并行，KV Cache管理在引擎上层、与其他模型共享模块，必须前置讨论，比如Kimi K3的混合线性注意力需要与Moonshot合作做partial prefix cache hit。据公开资料，Inferact确于8月完成Kimi K3的厂商验证认证，与论坛口径互证。张家驹给出了企业级视角的分层：红帽在vLLM社区投入了专门的团队，但企业客户不求day-0，要等大厂验证可靠才上——“有点像Kubernetes从互联网进企业”，红帽做的是day-1、day-2的深度优化，重心在Kubernetes层的llm-d项目（据公开资料，llm-d为红帽与Google Cloud等联合发起、2026年3月进入CNCF沙箱的K8s原生推理服务栈）。何涛从百炼角度定义了"day-0即生产"的三重挑战：精度对齐（他提到历史上有的模型给开源社区的reference code本身就有问题）、给定硬件无经验时拿出满足SLA的交付、以及day-0就意味着接生产流量带来的稳定性问题。邢冲则给出芯片厂答案：平头哥从芯片设计阶段就把用户使用方式前置，programming model与业界主流一致，对DeepGEMM、DeepEP、MoonEP等库提前适配，内部自研推理引擎做集成验证，与vLLM深入合作让能力第一时间进开源代码——“让day-0发生在PPU芯片上”。

第二个话题是超节点。主持人给出量级：通信开销约占推理时间的10%到30%（论坛口径）。何涛的两个点最有运营深度：一是模型越大、规模越大，调度请求、KV Cache长度、通信、专家激活四类不平衡都成为性能抖动来源，需要在并行策略上精细调整；二是扩大EP能更好利用超节点通信能力提吞吐，但单节点故障影响的节点也越多，生产上要按工况动态调节部署形态，平衡性能与故障爆炸半径——“规模不是越大越好”。游凯超补充了经济学视角：scale-up域要装得下权重加活跃请求的KV Cache，scale-out域最好容得下未来可能缓存命中的KV Cache；万亿MoE模型的部署成本有一条陡坡，用户量不够就亏，用户多则靠稀疏性摊薄，“平摊下来的成本可能跟同等激活量的模型差不多”。他还提到阿里同学做的部署simulator即将放出，因为真实加载几个T的参数冷启动要几分钟到十几分钟，每改一个配置就重测的代价太高。邢冲给出硬件侧坐标：M890提供800G全互联带宽，当天发布的V900支持214GB单卡显存与1024卡超节点（论坛口径），下一代互联带宽将到1200G；算力仍紧缺，超节点下对硬件MFU的挖掘仍有空间，EP rank变大后负载均衡问题更显著。

第三个话题软硬协同，被游凯超引向一个更远的问题：agent时代，未来代码大部分可能是agent写的，硬件应该做的是开放接口、把programming model说清楚——“agent有能力消化这个复杂度”，业界已有工作把硬件细节spec喂给agent自迭代、省掉很多软件抽象层、直接最大化利用硬件能力；甚至不必为兼容老芯片保留抽象层，因为agent的上下文"脑容量"比人大得多。张家驹提出平衡的一面：传统抽象层是给人看的，为了优美与可维护性，agent成为写代码主力后，如何在效率与长期可维护性之间取舍是长期课题。邢冲给出现场最有说服力的实例：平头哥内部一位并非MMA优化专业的同学，让agent协作阅读开源sample代码与SAIL开放文档，写出了定制化的attention算子，在特定shape上"某种程度上达到SOTA性能"（嘉宾原话，限定语较多）；他还提到FP4低精度不应只停留在推理，最好进入模型后训练过程保障精度，以及上午Kimi讲的MoonEP用超节点互联带宽换取专家负载不均衡的trade-off。展望环节，游凯超用了电力的比喻：“我们还在学发电，但更有用的是电器”；张家驹强调开放（开放权重、开源框架、开放硬件API）让更多人类智慧协同应对AGI时代；何涛判断一年后高质量、低成本交付每个token仍是最大挑战与机会；邢冲收在"生态协同、软硬协作，充分释放芯片算力支撑AI普惠"。

六、把论坛压缩成五条链条

这场论坛的信息量大，但真正可迁移的是几条完整的"机制、二阶影响、启发"链。

第一条，兑现率链。静态算力不等于可用算力，软件栈完备度决定兑现率（蚂蚁同一代硬件29倍、王政华利用率从26%提到75%均为证据）→ 二阶影响：芯片竞争的主战场从制程与峰值参数转向软件生态与迁移成本，软件栈开始给芯片定价 → 启发：评估任何新算力时，把"重编译即可跑、上游原生支持、无私有分叉负担"当作一级指标；反过来，厂商通稿只谈峰值算力不谈软件栈时值得警惕。

第二条，开源主线链。研发主线搬到GitHub加适配代码upstream（陆生华承诺、游凯超与邢冲的vLLM合作互证）→ 二阶影响：客户从消费者变成共建者（小红书逆向文档喂agent、蚂蚁共研W4A8格式、北大多轨教学科研），厂商锁定成本与社区迭代速度同时改善 → 启发：企业团队可以把厂商的开源文档与sample代码当作agent知识库资产管理；选基础设施时估算"分叉负担"的终身维护成本。

第三条，低精度与并行链。量化（W8A8→W4A8，权重600G→330G）释放显存 → 显存释放打开并行与资源配置自由度（TP8双实例、PD分离、EP32）→ 二阶影响：推理成本结构被改写，万亿模型部署的规模经济门槛被拉低（呼应游凯超的"陡坡"论）→ 启发：模型部署的成本杠杆有优先级——先量化与显存，再并行策略，最后才是单kernel优化；跟进硬件原生低精度格式（FP8、FP4、MXFP4）的落地节奏。

第四条，超节点权衡链。高速互联聚合显存带宽算力（800G→1200G、1024卡）→ 单故障影响面同步放大 → 二阶影响：部署规模从技术问题变成"性能对爆炸半径"的运营问题，simulator与成本模型成为上线前标配 → 启发：大规模部署不要单调"越大越好"，建立仿真与动态调节能力再扩规模。

第五条，agent写代码链。软硬件适配的主体正在从人转向agent → 硬件接口清晰度比抽象层完备度更重要，开放文档与可解析工具（如平头哥可命令行解析的profile报告对比闭源无API的竞品）成为agent时代的隐形基础设施 → 二阶影响：专家能力平权（邢冲的内部案例、骆兆楷的80%专家水平）→ 启发：把"agent可操作性"纳入工具链与供应商评估维度；个人层面，与其和agent比拼写kernel的手速，不如积累"喂给agent的知识资产"——文档、样例、可复现的调优流程。

七、反方视角与观察清单

按惯例要说明这场论坛的局限。第一，主场叙事：所有性能数字均为嘉宾自报、论坛口径，没有竞品同台对照——“60项指标16项最优"的对照卡型模糊、“一颗解码硬件等效70颗GPU"与"故障率1/11.7"两处转写不清且无脚注，M890的2.5倍与4倍加速是蚂蚁内部数据集的折算，不可直接外推到公开基准。第二，客户数字快照不一致：论坛称650家客户（截至6月），公开资料4月口径为400余家，两者时间不同但都为厂商口径。第三，承诺待验证：第二批开源（TensorFlow、JAX、推理引擎、集合通信库PCCL等）承诺在月底或十月初，upstream"几个月内达成"是自估时间表，兑现与否要看GitHub与上游commit，而不是看通稿。第四，圆桌共识大于分歧：真正的反方观点——例如开源软件栈的安全合规成本、企业级客户对社区版稳定性的疑虑——只有张家驹从day-1/day-2角度点到，没有展开。

下一步的观察清单很清晰：十月初看T-Head GitHub第二批仓库是否如期放出；看vLLM、PyTorch、Triton上游是否出现真武PPU的原生支持commit（这是"无分叉负担"承诺的硬指标）；看Model Scope上量化模型数量与下载量的增长斜率；看平头哥开发者大会的规格与校企课程的落地；以及看蚂蚁、小鹏们在M890与V900上的下一批公开数字是否与内部折算口径收敛。算力正在变成水电煤式的基础设施——这句收尾的修辞背后，真正的产业事实是：定价权在软件栈，而软件栈的竞争，才刚刚开始。

附注一：转写校正记录（ASR Corrections）

本文依据论坛音频转写整理，转写稿中术语与人名被ASR大量打散，以下为主要校正（未定项已正文标注"转写存疑”）：

  1. T Head Cell / Tidal Cell / T4 Core / T H A R T C L / T H C L / Cell → T-Head SAIL（依官方议程名）
  2. SAIL全称：转写"Seed of AI Libraries”，官方口径为 Seed of AI Library
  3. 正武 / 政务 / 真我 / 正五 → 真武（PPU系列芯片）
  4. 施伯新 → 施柏鑫；骆兆凯 → 骆兆楷；蔡同伟/蔡腾伟 → 蔡腾纬；王振华 → 王政华；尤凯超/尤海超 → 游凯超；张家军/家居/嘉驹 → 张家驹（均依官方议程）
  5. VLM（社区语境）→ vLLM；Infraact/InfraX → Inferact
  6. 收广推 → 搜广推；探询（计算语境）→ attention；N I system → Nsight Systems
  7. Asset System / Asset Computer / Anside → Asight Systems / Asight Compute（据平头哥开发者社区公开资料核验）
  8. Peekle / Pico → PCCL（高性能集合通信库，据公开资料核验）；ACEXT → acext（计算扩展库，据公开资料核验）
  9. 八幺零E / 八幺零一 → 810E；千万三点八 → 千问3.8（Qwen3.8）
  10. Q Lin / Qing → QLin（量化工具，转写校正）；MuEP / Moon EP → MoonEP（Moonshot专家并行方案，待官方确认）
  11. Panda One → PanoWan（北大施柏鑫团队全景视频生成工作，基于Wan 2.1，据智源社区等公开报道核验；转写"基于One的视频background"应为"基于Wan"）
  12. V I 二点零 → VLA 2.0；iClear → ICLR；DeepJin → DeepGEMM；LMD → llm-d（红帽K8s原生推理项目，据CNCF公开资料核验）
  13. MFO → MFU；A真 → AGI；ECS弹性容器 → ACS容器算力服务（据阿里云真武PPU页面核验）
  14. 十一点七倍 → 按"故障率约为GPU卡的1/11.7"校正（方向依上下文推断，口径存疑）；二点五解码 → PPU内专用视频解码硬件（转写不清）；Auto Level业务 → 旧智驾业务（转写不清，模糊化）；天感训练 → VLA 2.0相关训练（转写不清，模糊化）
  15. 两百一十四B显存 → 214GB单卡显存（单位依上下文推断）；中ウ芯片 → 真武芯片；百百灵千问 → 百炼/千问

附注二：外部核验清单（External Verification）

以下主张已用论坛外公开来源核验：①T-Head SAIL于2026年7月18日WAIC宣布开源、五层栈结构、开发者社区上线与分批开源计划（chinaainews、百度百科、FlagOS等）；②真武810E规格96GB HBM2e、700GB/s片间带宽，M890为144GB、800GB/s、64卡全带宽互联，截至2026年4月累计交付56万片（阿里云真武PPU官方页面等）；③Asight Systems / Asight Compute、acext、PCCL等工具与库名（平头哥开发者社区公开资料）；④游凯超为vLLM核心维护者、Inferact联合创始人兼首席科学家，Inferact于2026年8月完成Kimi K3厂商验证认证（Inferact官网、个人主页）；⑤llm-d为红帽联合发起、2026年3月进入CNCF沙箱的Kubernetes原生推理项目（GitHub）；⑥施柏鑫为北大长聘副教授、Camera Intelligence Lab负责人，PanoWan基于Wan 2.1、PanoVid数据集1.3万片段（智源社区、实验室官网）；⑦小鹏扶摇智算中心与阿里云共建于乌兰察布（小鹏官网2022年新闻）。论坛内部数字（29倍、+59%、2.5×/4×、80%专家水平、故障率与解码等效比等）均为嘉宾口径，未做独立复测。