营收破百亿后，平头哥把目光投向芯片之外

2009 年，村上春树在耶路撒冷领奖时谈到“高墙与鸡蛋”。他说，如果必须选边，他永远站在鸡蛋一边：高墙象征体制，鸡蛋则是一个个具体而脆弱的人。 十七年后，把视线转向 AI 算力世界，人们同样会看到一堵高墙——CUDA。 很少有人会否认它的影响力。近二十年的技术积累、数百万开发者、完善的编译器、算子库与工具链，共同构成了一套事实上的行业通用语言。今天，绝大多数 AI 模型都从这里起步。 随着时间推移，这道壁垒仍在不断加固。开发体验愈发顺畅，迁移成本却持续攀升。时间越久，生态惯性越强，路径也越难改变。 正是在这样的背景下，阿里开始尝试撬动这一结构。 2026 年 7 月 18 日，上海世界人工智能大会上，阿里旗下芯片公司平头哥宣布开源 T-Head SAIL，完整开放真武 AI 芯片的底层软件栈：从内核驱动、编译器到六大数学库，从单卡调试到千卡集群运维工具，以及配套技术文档，全部向全球开发者开放。 SAIL（Seed of AI Library），意为“种子”。这个名字本身也指向它的目标——在中国 AI 算力生态里种下一套可共用、可演进的底层工具。 对于年化营收已跨过百亿元门槛的平头哥而言，这次开源释放出一个清晰信号：芯片规模化只是第一步，下一阶段的竞争，将发生在芯片之外的软件与开发者生态。 一、芯片本身只是半成品：一堂被 CUDA 上了二十年的课 要理解 SAIL 的意义，首先要看清 CUDA 如何成为行业标准。 2006 年，黄仁勋决定让 GeForce 显卡支持 CUDA。这意味着，一款面向游戏玩家的产品，需要为尚未出现的通用计算开发者预留晶体管，并承担额外成本。 当时的华尔街难以理解这笔投入：游戏玩家用不上科学计算，科学家也没有理由购买游戏显卡。为什么要让当下的产品，为一个尚不存在的市场付费？ 答案在六年后出现。 2012 年，多伦多大学的三人团队——Geoffrey Hinton 和他的两名学生——用两块 GTX 580 训练出 AlexNet，在 ImageNet 竞赛中大幅领先，错误率比第二名低了十多个百分点。 那套设备不在任何科技巨头的数据中心，而是摆在学生 Alex Krizhevsky 的卧室里。 由此，深度学习的大幕被拉开。但真正让浪潮迅速扩散的，不只是 AlexNet 本身，而是当研究者涌入时，CUDA 已经提前铺好了的基础设施。 编译器、算子库、调试工具和技术文档一应俱全，研究者不必从零构建底层系统。此后，主流 AI 框架将 CUDA 设为默认后端，论文优先在 CUDA 上复现，一代代开发者也在这套体系中完成技术启蒙。 CUDA 的“高墙”就这样形成了。英伟达最深的护城河，不只在芯片性能，更在芯片之外的软件体系。 这解释了一个常被忽视的事实：对开发者而言，一颗刚出厂的 AI 芯片仍是“半成品”。如果没有软件栈，再强的硬件也只是难以使用的硅片。 开发者通常在 PyTorch、TensorFlow 等框架中编写模型，不会直接面对芯片指令。要让这些代码真正运行，需要一整套软件完成转换与调度：驱动和 Runtime 管理设备，编译器生成指令，算子库承担核心计算，调试与性能工具保障系统稳定高效。 如果把芯片比作发动机，软件栈就是让动力真正落地的整套传动与控制系统。SAIL 正是真武 AI 芯片的这套系统，而且与英伟达相比，它开放的不是其中一部分，而是完整链路。 从驱动、Runtime，到编译器、调试器，再到覆盖训练与推理的数学库、分布式通信能力以及集群运维工具，这条链路全部被打通。开发者面对的，不再是一颗孤立的芯片，而是一套可以直接使用的计算系统。 需要警惕的是，行业并不缺少“发布会式开源”：代码公开，并不等于开源完成。如果软件尚未成熟，所谓开源往往只是把风险转嫁给开发者，消耗社区最宝贵的信任。 对此，SAIL 选择了相反的路径：先进入生产，再走向开源。 截至 2026 年 4 月，真武 AI 芯片累计出货 56 万片，服务 20 多个行业、400 多家客户。作为底层软件，SAIL 已经在阿里云真实生产环境中经历大规模流量、复杂业务和严苛 SLA 的持续检验。 这条路径并不陌生。谷歌的 Borg 系统在内部运行多年后，其经验被带入开源项目 Kubernetes，后者之所以能迅速成为云原生基础设施标准，关键就在于它从诞生之初就具备真实的生产经验。 当一套经过生产验证的完整软件栈走向开发者，AI 芯片竞争的衡量标准也在发生变化：从“拥有多少晶体管”，转向“能吸引多少开发者”。 芯片决定性能上限，软件决定性能能否释放，开发者决定生态能走多远。英伟达用二十年证明，后两者更难积累，也更具长期价值。而此次的开源，正是让开发者进入生态的入口。 接下来要观察的，是它如何改变开发者写代码、调模型以及管理算力的方式。 二、从黑盒到白盒：三个“无需妥协”，把选择权交还开发者 做过算力迁移的 AI 基础设施工程师，大多都熟悉一种处境。 卡夫卡在《城堡》中写到的：土地测量员 K 看得见城堡，却始终无法进入，只能在反复提交申请与漫长等待中猜测城堡内部的运作。 很长一段时间里，AI 算力开发者面对的，正是类似的“黑盒”。 当模型出现难以解释的性能瓶颈，或在大规模分布式通信中发生死锁（deadlock）时，开发者往往无法定位问题，只能提交工单，等待厂商排期与修复。 典型的迁移过程也类似：模型可以跑通，但关键算子文档不完善，工具链封闭、可观测性有限，报错信息不足；一旦性能下降，既难以判断瓶颈位置，也难以进行针对性优化，最终只能反复沟通、等待补丁。 行业里有句自嘲：“适配两周，训练两天。”参数在规格表里，成本却消耗在迁移排障过程中。 SAIL 试图改变的，正是这种状态。它给出的答案，可以概括为三个“无需妥协”。 第一，不用推倒重来——保留既有代码与经验。 更换芯片，过去往往意味着重写代码、重新调优，工程师积累的工具链和经验随之失效。迁移中最昂贵的，从来不是硬件，而是时间。 SAIL 尽量兼容主流 AI 生态，主流模型可以直接运行，算子库与编程模型保持一致，业务只需少量适配。代码可以延续，经验可以复用，既有投入不被清零，迁移不再等同于重建。 第二，不用漫长等待——跟上社区的节奏。 AI 技术以周为单位演进，新模型、新算子不断出现。底层软件的响应速度，直接决定芯片能否进入真实业务。 在封闭模式下，每一次适配都依赖厂商排期，等工具准备完成，社区往往已经向前推进。SAIL 建立了跟随主流社区的响应机制，自研推理引擎可直接用于生产，主流推理框架的平均适配周期控制在七天。 第三，不用被平台绑定——保留长期选择权。 平台绑定很少发生在初始采购，而是在长期使用中逐步形成。使用越深，迁出成本越高，一次技术选择可能演变为长期锁定。 SAIL 已适配 PyTorch、TensorFlow、vLLM、SGLang 等 260 余个主流框架。开发者可以直接编译源码，也可以根据业务需要自由组合工具，技术路线不再被单一平台限定，同时保留未来迁移与调整的空间。 据平头哥披露，这些能力可以将典型迁移周期从数周压缩至数天。但更关键的变化，不只是效率提升，而是软件的控制权发生了转移：谁理解系统、谁修改代码、谁决定更新节奏。 过去，埃里克·雷蒙在《大教堂与集市》中将软件开发分为两种模式：少数人主导的“大教堂”，以及代码开放、协同演进的“集市”。 “Linus 定律”也由此提出：参与审视的人越多，问题越容易被发现和解决。 黑盒与白盒的差别，正体现在这里。 在黑盒体系中，开发者只能提交工单，修复时间与结果由厂商决定；而当源码开放，开发者可以直接阅读代码、定位问题并自行优化。从提交工单到提交代码，角色随之发生转变。 这种转变也在降低门槛。过去，理解芯片与管理集群往往依赖大客户体量与厂商支持；现在，SAIL 将驱动、工具链和完整文档开放出来，开发者可以直接上手分析与优化系统。 对企业而言，这意味着更高的透明度与可控性；对开发者而言，则意味着可以把经验沉淀为代码，而不是重复踩坑。 从黑盒到白盒，改变的不只是软件形态，更是开发者与芯片厂商之间的关系。当更多人能够参与其中，这套系统才有可能持续演进。 三、开源的经济学：如何形成“算力共生” 2002 年，互联网泡沫破裂后，曾参与微软 Excel 开发的程序员 Joel Spolsky 提出一个问题：IBM 为什么愿意投入资源支持开源软件？把有价值的东西免费交出去？ IBM 的答案很直接：聪明的公司，会让自己产品的互补品变得更便宜、更普及。 机票越便宜，去迈阿密的游客越多，当地酒店的生意就越好。IBM 支持开源软件，是因为其核心收入来自硬件和服务——软件使用越广，相关需求就越大。 同样的逻辑也在 AI 算力时代重演。云厂商的收入来自算力使用，而不是软件授权。底层软件越成熟，模型迁移与部署越容易，开发者使用算力的门槛就越低。 这如同谷歌当年开源 Android——免去操作系统授权费，却借此将搜索、广告和云服务扩张到整个移动互联网。少收一笔软件的钱，换来的是一个不断扩张的算力消耗生态。 对平头哥和阿里来说，这种开放并非首次尝试。 过去十几年，阿里一直是中国公司参与开源的重要力量。据其披露，旗下开源项目累计获得超 100 万 star。2023 年，阿里便开源千问大模型，吸引开发者进行微调与部署；如今，T-Head SAIL 又将开放推进到 AI 芯片软件层。 从云计算、底层软件到大模型，阿里在 AI 基础设施上的不断投入，终于被一条完整的开源链路串联起来。 如果把千问与 SAIL 放在一起，还可以看到一套清晰的“双开源”循环： 开发者使用开源模型进行训练与推理，必然消耗算力；开源软