8月30日，在第八届“芯动北京”中关村IC产业论坛高峰论坛上，中国工程院院士、清华大学教授郑纬民发表主题为《自主可控的智算芯片很重要，其核心基础软件也很重要》的演讲。
在发言中，郑纬民强调了软硬件相结合、构建国产智能算力的重要性，指出优秀的系统软件能够充分释放底层硬件算力的潜力，构建良好软件生态可以有效降低大模型在不同AI芯片适配中的成本。
构建良好软件生态
顺应AI要素本地化趋势
近年来，人工智能被越来越广泛地应用于诸多重要领域，AI大模型对算力的需求也产生了爆发式的增长。在大模型的整个生命周期中，模型训练、模型微调、模型推理三个主要过程都对算力有着庞大的需要。
对此，郑纬民指出，随着AI要素全面进入本地化时代，算力国产AI算力在总量中的占比将快速提升，到2025年将有50%为国产算力，到2030年国产算力将超过90%。然而，在国产智算芯片取得快速发展的同时，国产智能算力平台仍然面临来自软件生态方面的挑战。
据介绍，深度学习需要多层软件栈的支持，其中配套的核心基础软件至少有10种，包括并行系统、编程框架、通信库、AI编译器、算子库、编程语言、容错系统、调度器，内存管理、存储系统。只有将这些软件系统做好，并与集成电路适配起来，才能充分发挥AI芯片的性能，也才会使国产的智算芯片与核心基础软件逐渐获得用户的青睐。
当前，在大模型的训练推理过程中，国产系统仍然不具备竞争优势，最主要的原因就是来自软件生态的挑战。国产算力易得，软件生态欠缺。
软硬件适配
加速国产大模型训练推理进程
在实践中，郑纬民院士也身体力行，带领课题组对国产智算系统核心基础软件进行了大量开发工作。据介绍，郑院士课题组目前已经开发的软件系统，涉及10种核心基础软件中的7种，如PowerFusion为一款面向国产AI芯片智能编译器；FastMoE为MOE大模型并行加速系统；FastDecode为高吞吐大模型推理系统等。人们将上述软件系统综合命名为“八卦炉”基础软件系统。
本次演讲中，郑纬民也介绍了“八卦炉”基础软件系统在支撑国产AI算力应用中的实际效果。在神威新一代超级计算机案例中，八卦炉扩展到全机规模（10万台服务器），支撑了多个国产大模型的训练任务，如百川大模型、LLAMA大模型等。八卦炉+国产超算将实现百万亿参数量预训练模型加速。
郑纬民总结指出，发展人工智能领域，构建国产智能算力至关重要，而智能算力的软件生态是当前制约我国人工智能发展的关键因素之一，需要着力构建良好软件的生态体系。
