WAIC直击 | 十大开源社区「挤」进了一家GPU展台，沐曦凭什么？

WAIC直击 | 十大开源社区「挤」进了一家GPU展台，沐曦凭什么？

每个Token背后，都是一次开源协作

闻乐 发自 上海

量子位 | 公众号 QbitAI

每年WAIC第一天，都像一场“暴走探展”。

一圈逛下来，今年最热闹的几个关键词已经很明显：

超节点、大模型、Agent、AI4S。

沐曦也把今年的新东西几乎一次性搬到了现场。

曦景S600超节点首次亮相，单机柜64张GPU、可扩展至万卡集群；

AI4S方向的曦索X300系列科学智能GPU首次发布；

Agent体验区排起长队，数字员工、AI文创工作站几乎没停过。

按理说，这些已经足够成为一个GPU展台的主角。

但真正把我们留下来的，却是另一件事。

展台中央，被整整留给了十个开源社区。

龙蜥、vLLM、PyTorch基金会、SGLang……十个logo依次排开。

沐曦甚至专门做了一条开源社区打卡路线。

一家GPU公司，为什么把最显眼的位置之一留给了开源？

而要把答案讲清楚，得先从他们那套软件栈MXMACA说起。

软件，才是护城河

在算力这条赛道里泡久了的人都清楚一件事，NVIDIA能稳坐龙头，靠的从来不只是单颗芯片的硬件性能。

制程、架构、显存这些硬件指标，都是有清晰参数、看得见摸得着的东西，国产厂商咬着牙研发，总有机会把差距收窄。

真正难追的，是NVIDIA藏在硬件之下的那道护城河，CUDA软件生态。

数百万开发者的项目代码、开发经验、自研模块，全都沉淀在CUDA上。

换一张算力卡，意味着要把过往多年的技术积累大幅推倒重来，迁移成本足以让大多数团队止步。

所以国产GPU真正要啃的硬骨头，是造出一个能让开发者心甘情愿迁过来的国产算力开发环境。

沐曦自研的全栈计算软件MXMACA，正是针对这一问题交出的答卷。

这套全栈软件从编译器、算子底层函数库，一路覆盖到各大主流AI推理训练框架，目标只有一个：

把迁移成本压到最低，让开发者原有的代码无需改动，就能直接运行在沐曦GPU上。

当然了，「近零成本」已经得到了验证。

他们专门搭了一套自动化测试体系，纳入GitHub上近5000个热门开源项目，每一轮MXMACA版本更新都要跑一遍全量测试。

结果是，92%的项目一行代码都不用动，就能正常运行。

框架这头也是同样的打法。

针对PyTorch 2.8，MXMACA把全部2410个GPU算子做到了完整兼容；更关键的是速度，每次PyTorch出新版本，行业里同类方案通常要磨上好几个月才能适配完，沐曦这边一周就能收工。

vLLM生态那边就更能说明问题。

生态里两百多款大模型，沐曦自己只深度调试了五六十款主流型号，剩下的直接甩给普通本科生，让他们拿着沐曦的显卡逐一去测。最后只有十来款出现了适配障碍，绝大多数开箱即用。

连在校生都能跑完这么大规模的验证，说明MXMACA的通用兼容性足够扎实。

不过在沐曦的整盘棋里，把代码顺利跑起来还只是第一步。

真正的挑战，是AI爆发之后显现出来的。

如今，一个大模型从训练完成到上线服务，周期被压得极短，大模型厂商、云厂商都想在模型一升级就第一时间拿到收益。

可行业技术更新几乎没有间歇，今天某个模型厂商放出一套创新技术，隔天就有团队推出迭代方案。