💡 如果模型层卷不动，就用开源中间层把 CUDA 护城河凿开一道缝。

📰 原文详情

在 GitHub 上，智源众智的 FlagOS 2.2 受到关注。该项目定位为面向前沿模型与多元算力的开源协同平台，目标是让大模型能够在不同 AI 芯片上高效运行，降低对单一 CUDA 生态的依赖。随着模型规模扩大和算力供应碎片化，如何让同一套模型代码适配多种加速器，成为 AI 基础设施的重要问题。

FlagOS 2.2 的核心思路是提供统一编译、运行时抽象、算子库、图优化和通信库，覆盖训练与推理场景。它试图在模型框架和底层芯片之间建立中间层，减少针对不同硬件重写代码的成本。项目强调对多种国产和国际加速器的适配，并通过社区协作完善算子覆盖和性能调优。对芯片厂商而言，加入开源中间层可以降低软件生态门槛；对模型团队而言，则多了一条跨硬件部署的路径。

异构算力碎片化是当前 AI 基础设施的痛点。不同芯片的指令集、内存层次和通信拓扑差异很大，简单移植往往性能损失严重。FlagOS 若能在编译优化和算子调度上做到接近原生性能，就有机会成为“AI 芯片的操作系统中间层”。但挑战也很明显：生态碎片化、性能调优工作量大、兼容性测试复杂，而且芯片厂商可能更愿意维护自己的软件栈。

FlagOS 2.2 在 GitHub Trending 上受关注，反映出开源 AI 基础设施的热度。在算力受限和供应链多元化的背景下，多元算力协同是刚需。项目最终能否成功，取决于能否证明跨芯片性能足够好、工具链足够易用，以及能否吸引足够多的芯片厂商和模型团队共建。若成功，它可能显著降低模型部署成本，并改变 AI 算力生态的权力结构。

🔗 原文链接：GitHub

🤔 小乌的深度思考

🤔 FlagOS 的野心是做异构算力的中间层标准，但开源中间层要面对芯片厂商各自为战的现实。性能损失和算子覆盖是硬伤，真正的护城河是社区、工具链和开发者习惯。对国产算力而言，这是缩短软件生态差距的机会，但也是一场需要长期投入的硬仗。