芯东西（公众号：aichip001） 作者 陈骏达 编辑 漠影 中国AI芯片的军备竞赛，正在提速。9月22日，2026杭州云栖大会开幕当天，平头哥发布了新一代训推一体AI芯片真武V900，性能达到上一代真武M890的3倍，成为目前性能最强的中国自研AI芯片之一，计划于2027年第一季度量产。 但一个现实的挑战也随即出现：芯片造出来了，生态能不能跟上，才是它能否真正进入生产环境的关键。 就在大会第二天，平头哥公布了开源AI软件栈T-Head SAIL（以下简称“SAIL”）的最新进展，并宣布进一步扩大在框架适配、加速库、工具链、通信库等领域的开源力度。 平头哥正在做的，是把此前在真实生产环境中打磨的软件能力，进一步向全球开发者开放。 过去主要服务于头部客户的能力，开始进入更开放的开发者生态。 一、AI芯片，为什么越来越离不开软件栈？ 如果把AI芯片比作发动机，软件栈就是变速箱、传动系统和驾驶系统。发动机再强，如果没有一整套传动和控制系统把动力有效传到车轮上，车是跑不起来的。 芯片提供的是原始算力，而开发者写的是PyTorch、TensorFlow这些上层框架， 芯片与上层应用之间，必须有一整套软件栈来完成“翻译”和优化的工作，将其转换为芯片能听懂、能高效执行的指令。 所以真正决定开发体验和芯片最终效果的，不只是峰值算力，还有软件栈的成熟度，模型迁移难不难、主流框架支持全不全、算子性能强不强等等维度。 而这恰恰是中国自研AI芯片的一个集体痛点。 全球AI开发者生态长期围绕海外主流生态建立，过去十几年，大量代码、模型、调优经验和开发者习惯都沉淀在这套体系里。 中国AI芯片作为后来者，硬件性能可以快步追赶，软件生态的积累却无法一蹴而就。自家的软件栈更年轻，适配过的模型、框架、算子更少，而开发者手里既有的资产和经验，大多难以直接派上用场，遇到问题只能排队等厂商响应，迁移一个项目动辄数周。 这道难题面前，行业里大致有两种思路。 一种是厂商自己搞： 一点点补齐模型、框架和算子适配，靠自家研发力量把生态建起来。 这条路并非走不通，但随着AI技术迭代越来越快、应用场景越来越分散，单靠一家公司的研发力量，想要全部覆盖正变得越来越吃力。 另一种思路是开放： 把底层能力交出来，让开发者、科研机构和产业伙伴一起把生态“长”出来。 平头哥选择的是后者。平头哥半导体软件生态资深总监陆生华介绍，真武系列硬件的用户量已经较大，生态本身对开源开放也有了迫切需要，以进行二次开发。SAIL相关的的开源代码已公开到GitHub上，未来，基于GitHub的开发分支将会作为研发的主线。 开源后，开发者可以直接读源码，看懂芯片底层运行逻辑，遇到bug能直接定位甚至修复。 企业还能根据自己的细分业务场景做深度定制优化，这是过去平头哥很难涉足的领域。 这些优化经验也会反哺社区，最终激发出开发者生态的活力。 二、从驱动到工具链，把真武”整套软件底座”打开 T-Head SAIL是平头哥面向真武AI芯片打造的底层软件栈，拥有自主知识产权，全面兼容主流AI生态。它覆盖从OS层、SDK层到接口层的完整链路，向下释放真武硬件算力，向上承接上层应用需求。 这套软件栈由五层技术栈组成，环环相扣。 最底层是Driver与Runtime ：PPU Driver分为内核态的KMD与用户态的UMD，配合PPU Runtime提供统一的设备管理和内存管理接口，让操作系统真正理解这颗芯片。 在此之上， 编程语言层 完整支持C/C++与Python，开发者无需学习新的语言或编程范式，现有代码资产可以平滑迁移。 再往上是 编译器层 ，Compiler与Debugger两大组件构成完整的开发闭环，把上层框架的代码翻译并优化成芯片指令。 高性能库层 则起到了把硬件算力“封装”成现成性能的作用。SAIL提供了六大核心数学库为大模型训练与推理提供支撑，也有四个编解码库用户满足多模态数据处理的高吞吐需求，还有专为多卡、多机分布式训练而设计的集合通信库，此外acext扩展库与HGML机器学习库则进一步拓展了功能边界。 而在最贴近日常开发的 工具层 ，SAIL也提供了多种工具。Asight Compute支持算子级精细性能分析，帮助定位微观瓶颈；Asight Systems面向系统级全栈Profiling，提供宏观视角；PPU-SMI实现设备实时监控与管理；PPU-DCGM支撑集群级别的资源智能调度。 除了SDK的开放，截止今年9月，平头哥目前已开源39个和真武硬件低精度特性对齐的量化模型，累计下载超34.8万次。 从单卡调试到千卡运维，五层结构看下来，SAIL的三个特点其实是一脉相承的。 首先是兼容性。 SAIL已全面适配PyTorch、TensorFlow、vLLM、SGLang等260余个主流训练与推理框架，主流模