AI如何变革软件和硬件开发的范式？

发布时间：2025-07-22

点击次数：

作者：puneet kumar，rivos 公司联合创始人兼首席执行官

人工智能正在重塑软硬件设计的基本逻辑。过去需耗时 18 至 24 个月的传统服务器硬件开发流程，如今已被压缩至仅 12 个月；与此同时，软件层面通过改进 Attention 机制等技术，在两年内实现了性能提升十倍的飞跃——这迫使硬件架构必须向“软件定义硬件（SDH）”转型。客户的需求也从单一追求高性能，演变为对多框架兼容和多种模型支持的灵活性要求：不仅要高效运行当前主流模型，还需快速适配未来可能出现的新模型与新框架。为此，行业应借鉴 GPGPU 架构理念，融合开源生态与开放标准，借助协作式创新打破厂商壁垒，增强硬件可编程能力并实现可持续扩展，从而降低能耗、延长设备寿命，并提升整体投资回报率。

AI如何变革软件和硬件开发的范式？图一、AI 对软硬件设计范式的颠覆性冲击

硬件迭代显著提速：传统服务器硬件研发周期长达 18–24 个月，而在 AI 驱动下现已缩短至一年内，开发、验证与迭代节奏全面加快。

软件性能指数级跃升：以 Attention 技术为例，Flash Attention 系列在 2025 到 2025 年间完成三次重大优化，每次带来 2–3 倍性能增益，累计实现两年十倍的突破。

典型实例佐证趋势：vLLM 的 Paged Attention 技术使吞吐量提升 3–5 倍；Mamba 模型正逐步取代 Transformer 成为新兴架构选择。

二、客户需求重心转移：由静态性能转向动态适应力

需求维度	传统硬件满足度	AI 时代新诉求	实现路径
现有模型效率	✅	需持续精进	针对核心算法进行硬件专项加速
未来模型支持	❌	敏捷响应新模型（如 Mamba）	采用可编程架构 + 开源生态支撑
多框架兼容性	❌	无缝运行 PyTorch/TensorFlow/JAX 等多种框架	依托开放标准 + 统一编程接口

AI 服务器用户的关注点发生了哪些根本变化？

答案是从单一性能指标转向多维灵活性：既要保障现有模型（如 Transformer）的高效率执行，也要具备快速接纳未来模型（如 Mamba）的能力，同时还需兼容主流深度学习框架（PyTorch/TensorFlow 等）。传统专用加速器只能满足第一项，唯有结合可编程硬件与开源生态，方能兼顾后两项关键需求。

三、软件定义硬件（SDH）与 GPGPU 架构的融合之道

SDH 的核心设计理念

保持原有编程模型不变，最大限度减少软件迁移成本（例如兼容现有代码库）；

在硬件层面聚焦核心任务优化（如矩阵乘法），剥离冗余模块以节省功耗和芯片面积。

GPGPU 的天然契合性

其高并行、多线程特性完美匹配 AI 工作负载特征，目前约 90% 的前沿 AI 模型均基于 GPGPU 进行训练与部署。