AI芯片竞争本质是软件生态竞争
📚 共计 30 章节
01
AI芯片的“三国杀”
为什么硬件跑分高，客户却不用？——从CUDA的垄断看软件生态的护城河效应。
CUDA
护城河
02
编译器之争：从TVM到MLIR
AI芯片的“翻译官”如何决定生死？——我亲历的一次算子适配噩梦。
TVM
MLIR
编译器
03
算子库的“军备竞赛”
为什么英伟达的cuDNN让对手绝望？——一个卷积算子优化背后的十年功力。
cuDNN
算子
04
框架绑定：TensorFlow/PyTorch的“隐形锁链”
为什么新芯片必须跪着求框架支持？
框架
生态绑定
05
开发者体验的“最后一公里”
从文档、SDK到社区，为什么华为昇腾的CANN被吐槽？——我踩过的坑。
CANN
昇腾
开发者
06
模型部署的“巴别塔”
ONNX、TensorRT与Triton——为什么统一推理标准这么难？
ONNX
TensorRT
Triton
07
从“卖芯片”到“卖算力”
云原生时代的AI芯片商业模式变革——AWS Inferentia的启示。
云原生
Inferentia
08
开源的力量：OpenAI Triton、MLIR与LLVM
为什么开源生态是挑战CUDA的唯一希望？
开源
Triton
LLVM
09
硬件抽象层（HAL）的博弈
AMD的ROCm能否复刻Linux的成功？——一个开放标准的理想与现实。
ROCm
HAL
开放标准
10
边缘AI的“碎片化”困局
从手机SoC到IoT MCU，为什么没有统一的软件栈？——我的嵌入式AI实战。
边缘AI
嵌入式
碎片化
11
训练 vs 推理：生态分水岭
为什么训练生态被CUDA统治，而推理市场群雄逐鹿？——软件栈的“分水岭”。
训练
推理
CUDA
12
数据流架构的“软件诅咒”
从Graphcore到Cerebras，为什么硬件创新总被软件拖后腿？
数据流
Graphcore
Cerebras
13
RISC-V的AI野望
向量扩展与矩阵扩展——一个开放指令集能否长出软件生态？
RISC-V
向量扩展
14
量子计算与AI芯片
软件生态的“降维打击”还是“空中楼阁”？——我的一点观察。
量子
前瞻
15
芯片公司的“开发者关系”战争
从技术布道到黑客松，为什么英伟达的GTC是行业风向标？
GTC
开发者关系
16
跨平台编译的“圣杯”
从XLA到JAX，Google的端到端生态野心。
XLA
JAX
Google
17
内存墙与数据搬运
为什么软件调度比硬件算力更重要？——一个访存优化的案例。
内存墙
访存优化
18
稀疏计算与模型剪枝
软件如何“欺骗”硬件，让AI模型跑得更快？——我的一次模型瘦身经历。
稀疏
剪枝
模型压缩
19
自动机器学习（AutoML）与芯片适配
NAS如何反向定制硬件架构？——软件定义硬件的未来。
AutoML
NAS
硬件定制
20
安全与隐私：TEE、联邦学习与AI芯片
为什么软件生态必须考虑安全？
TEE
联邦学习
隐私
21
国产AI芯片的“破局点”
从寒武纪到地平线，为什么软件生态是最大短板？——我的真实体验。
国产芯片
寒武纪
地平线
22
大模型时代的“算力焦虑”
从GPT-4到Llama 2，为什么软件优化比买更多卡更重要？
大模型
算力
优化
23
存算一体芯片的“软件鸿沟”
为什么模拟计算很难编程？——一个非冯·诺依曼架构的困境。
存算一体
模拟计算
24
光芯片与AI：软件生态的“从零开始”
为什么光计算还停留在实验室？
光芯片
光计算
25
芯片仿真与虚拟原型
为什么在流片前就要开始写软件？——我的“软硬协同”设计经验。
仿真
虚拟原型
软硬协同
26
FPGA作为AI加速器
从HLS到Vitis，为什么FPGA的软件生态始终小众？
FPGA
HLS
Vitis
27
GPU之外的“第二选择”
AMD、Intel与Apple Silicon的软件生态现状。
AMD
Intel
Apple Silicon
28
AI芯片的“基准测试”陷阱
为什么跑分高不等于实际好用？——我见过的“刷分”套路。
基准测试
跑分
29
软件生态的“网络效应”
为什么开发者越多，芯片越好用？——一个经济学视角。
网络效应
经济学
30
未来展望：从“软件适配硬件”到“硬件定义软件”
AI芯片生态的终极形态。
未来
终极形态