คำตอบเผยแพร่แล้ว13 แหล่งที่มา
ที่นั่งบอร์ด PyTorch ของ Cambricon สะท้อนเกมระยะยาวด้านซอฟต์แวร์ AI
Cambricon เข้าร่วม PyTorch Foundation ระดับ Platinum โดยได้ตัวแทนใน Governing Board และ Technical Advisory Council (TAC) ซึ่งเป็นการขยับเชิงระบบนิเวศซอฟต์แวร์ มากกว่าการเปิดตัวชิปใหม่ แนวทาง “Upstream First” ครอบคลุมองค์ประกอบหลักของ PyTorch ตั้งแต่ torch.compile และ device runtime ไปจนถึง distributed computing, AMP...
เผยแพร่โดยแก้ไขด้วย GPT-5.6 Terraรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Cambricon เข้าร่วม PyTorch Foundation ระดับ Platinum โดยได้ตัวแทนใน Governing Board และ Technical Advisory Council (TAC) ซึ่งเป็นการขยับเชิงระบบนิเวศซอฟต์แวร์ มากกว่าการเปิดตัวชิปใหม่
- แนวทาง “Upstream First” ครอบคลุมองค์ประกอบหลักของ PyTorch ตั้งแต่ torch.compile และ device runtime ไปจนถึง distributed computing, AMP, DataLoader และ Profiler เพื่อลดภาระของสแตกเฉพาะผู้ผลิต
- กลยุทธ์นี้เชื่อมการพัฒนาโมเดลใน PyTorch เข้ากับการให้บริการ inference ผ่าน vLLM แต่ยังไม่ใช่หลักฐานว่าประสิทธิภาพ เทียบเท่าฮาร์ดแวร์รายอื่น ความครอบคลุมโมเดล หรือการยอมรับโค้ดทั้งหมดจะเกิดขึ้นแน่นอน
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What does Cambricon’s admission as a Platinum member of the PyTorch Foundation and its seat on the governing board—announced around the Sept. Article summary: Cambricon’s Platinum membership is primarily an ecosystem and software-portability move—not a new chip launch. It gives the company a formal role in shaping PyTorch governance and technical integration so Cambricon hardw. Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
Cambricon ที่เข้าร่วม PyTorch Foundation ในฐานะสมาชิกระดับ Platinum ควรถูกมองว่าเป็นหมากระยะยาวด้านซอฟต์แวร์และระบบนิเวศ มากกว่าจะเป็นข่าวเปิดตัวผลิตภัณฑ์ซิลิคอนรุ่นใหม่โดยตรง เป้าหมายคือทำให้ตัวเร่งความเร็ว MLU ของบริษัทกลายเป็นแพลตฟอร์มที่นักพัฒนาเลือกใช้ได้ง่ายขึ้นตลอดวงจรงาน AI ตั้งแต่พัฒนาและฝึกโมเดลด้วย PyTorch ไปจนถึงการให้บริการ inference ในระบบจริง 5
ในงาน PyTorch Conference China ที่นครเซี่ยงไฮ้ Cambricon และ Alibaba Cloud เข้าร่วมในระดับ Platinum ขณะที่ Ant Group เข้าร่วมในระดับ Gold โดยสิทธิของสมาชิก Platinum ทำให้ Cambricon มีที่นั่งใน Governing Board และมีตัวแทนใน Technical Advisory Council (TAC) 1
5
6
ทำไมที่นั่งในบอร์ดจึงมีความหมาย
ที่นั่งในบอร์ดไม่ได้หมายความว่าข้อเสนอทางเทคนิคของ Cambricon จะได้รับการอนุมัติโดยอัตโนมัติ แต่ทำให้บริษัทมีบทบาทอย่างเป็นทางการในการหารือเรื่องพันธกิจ ขอบเขต นโยบาย และทิศทางเทคนิคของ Foundation
ผู้แทนของ Cambricon ใน Governing Board คือ Jin Wang ซึ่งดำรงตำแหน่ง Senior Director of AI Frameworks and Infrastructure ส่วนการมีส่วนร่วมใน TAC ทำให้บริษัทเข้าใกล้การพูดคุยเชิงเทคนิคที่อาจส่งผลต่อการผนวกและดูแลรักษา backend สำหรับตัวเร่งความเร็วใน PyTorch 5
ประเด็นนี้สำคัญ เพราะการยอมรับฮาร์ดแวร์เร่งความเร็วไม่ได้ขึ้นอยู่กับสเปกชิปเพียงอย่างเดียว นักพัฒนายังต้องมีการรองรับจากเฟรมเวิร์กที่เชื่อถือได้ เครื่องมือที่เข้ากัน เอกสารที่ใช้งานได้จริง อินเทอร์เฟซที่เสถียร และเส้นทางสู่การให้บริการโมเดลในระบบผลิตจริง หากผู้ผลิตฮาร์ดแวร์ต้องดูแล PyTorch เวอร์ชันแยกของตนเองขนาดใหญ่ ก็ต้องแบกรับภาระการตามให้ทันทุกครั้งที่โครงการต้นน้ำเปลี่ยนแปลง
“Upstream First” คือความพยายามเลี่ยงปัญหาสต্যাকแยก
Cambricon เรียกแนวทางของตนว่า “Upstream First” และระบุว่าได้มีส่วนร่วมใน PyTorch หลายส่วน ตั้งแต่ torch.compile, Eager operators, device runtime, distributed computing, automatic mixed precision (AMP), DataLoader และ Profiler 5
แก่นเชิงกลยุทธ์คือ การส่งโค้ดและแนวคิดผ่านนามธรรมกลางของ PyTorch แทนที่จะพึ่งพาเพียงการติดตั้งแบบเฉพาะผู้ผลิตและแยกขาดจากโครงการหลัก หากงานเหล่านี้ได้รับการยอมรับและดูแลต่อในโครงการต้นน้ำ ก็อาจให้ประโยชน์ในทางปฏิบัติได้หลายด้าน ได้แก่
- ลดภาระการบำรุงรักษา: ลดความจำเป็นในการคอยปรับ backend ที่แยกออกมาให้ทันกับ PyTorch เวอร์ชันใหม่
- เวิร์กโฟลว์คุ้นเคยและสม่ำเสมอขึ้น: นักพัฒนายังคงใช้ API และเครื่องมือ PyTorch ที่คุ้นเคย แทนการเรียนรู้สแตกที่ต่างออกไปมาก
- พกพาโมเดลได้ดีขึ้น: โค้ดโมเดลและเครื่องมือโดยรอบอาจต้องแก้ไขน้อยลง เมื่อต้องประเมินแพลตฟอร์มตัวเร่งความเร็วที่รองรับต่างกัน
- การเชื่อมต่อที่ยั่งยืนกว่า: อินเทอร์เฟซกลางของเฟรมเวิร์กอาจเสถียรกว่าแพตช์เฉพาะกิจที่ผูกกับสแตกอุปกรณ์เพียงแบบเดียว
งาน Torch-MLU ของ Cambricon รวมถึงแนวทางผนวกแบบ PrivateUse1 ชี้ไปยังการใช้กลไกมาตรฐานของ PyTorch เพื่อขยายการรองรับไปยังอุปกรณ์เพิ่มเติม ผลลัพธ์ที่คาดหวังคือผู้ใช้จะต้องเขียนโค้ดเฉพาะตัวเร่งความเร็วน้อยลง แต่ยังเป็นเพียงเป้าหมาย ไม่ใช่สิ่งที่รับประกันได้ เพราะขึ้นกับคุณภาพการพัฒนา การทบทวนจากโครงการต้นน้ำ และความสามารถในการรักษาความเข้ากันได้กับ PyTorch รุ่นต่อ ๆ ไป
ไม่ได้หยุดแค่ PyTorch แต่ต่อถึง vLLM ในงาน production
ประกาศสมาชิกครั้งนี้ยังสะท้อนเป้าหมายที่กว้างกว่า นั่นคือรองรับเส้นทางการทำงาน AI ให้ครบตั้งแต่การทดลองจนถึงการนำไปให้บริการจริง
Mark Collier ผู้อำนวยการบริหารของ PyTorch Foundation วางโจทย์ไว้ว่า นักพัฒนาควรสร้างและปรับแต่งโมเดลใน PyTorch แล้วนำไปเสิร์ฟอย่างมีประสิทธิภาพด้วย vLLM ได้ 5 สำหรับ Cambricon ทั้งสองส่วนเป็นชั้นเทคโนโลยีที่เสริมกัน:
- การรองรับ PyTorch สำคัญต่อการพัฒนาโมเดล การฝึก การคอมไพล์ การดีบัก และเครื่องมือในระบบนิเวศ
- การรองรับ vLLM ครอบคลุมชั้นการให้บริการ inference ใน production ซึ่งประสิทธิภาพและการเข้าถึงโมเดลเปิดที่ได้รับความนิยมมีความสำคัญ
Cambricon ระบุว่าจะทำงานร่วมกับ vLLM ต่อไปเพื่อเปิดใช้โมเดลเปิดบนฮาร์ดแวร์ของตน พร้อมลงทุนเพิ่มในโครงสร้างพื้นฐานด้านการคอมไพล์, CI/CD และการรองรับไลบรารีเฉพาะโดเมนของ PyTorch ในลักษณะที่ไม่ผูกติดกับอุปกรณ์ 5 เมื่อรวมกัน ความพยายามเหล่านี้มีเป้าหมายให้แพลตฟอร์ม MLU ใช้งานได้ตลอดเส้นทางจากนักพัฒนาสู่ระบบผลิตจริง ไม่ใช่เพียงสำหรับการทดสอบวัดผลหรือการพอร์ตโมเดลเป็นรายกรณี
สิ่งที่ผู้ใช้ควรจับตาต่อจากนี้
หลักฐานสำคัญที่สุดจะเกิดขึ้นหลังการประกาศสมาชิก ทีมพัฒนาและทีมโครงสร้างพื้นฐานควรดูสัญญาณที่จับต้องได้ว่า การผนวกรวมกำลังพัฒนาไปไกลเพียงใด
- โค้ดที่ถูกรวมเข้าต้นน้ำจริง: การเปลี่ยนแปลงที่ PyTorch รับเข้าระบบสำคัญกว่าคำประกาศเจตนา
- ความเข้ากันได้ในแต่ละรุ่น: Torch-MLU ต้องตามการออกรุ่นของ PyTorch ให้ทัน โดยไม่บังคับให้ผู้ใช้เขียนใหม่ครั้งใหญ่
- รองรับงานจริงได้กว้าง: ควรครอบคลุมสถาปัตยกรรมโมเดลที่พบบ่อย รูปแบบการฝึกแบบกระจาย เส้นทางการคอมไพล์ และเครื่องมือดีบัก
- คุณภาพของ inference ใน production: การเชื่อมกับ vLLM ต้องรองรับโมเดลได้อย่างน่าเชื่อถือ และมีขั้นตอนการติดตั้งใช้งานที่ดูแลรักษาได้
- แนวทางผนวกตัวเร่งความเร็วที่ชัดเจน: การหารือใน TAC และแนวปฏิบัติของ PyTorch ในอนาคตอาจสร้างเส้นทางที่คาดการณ์ได้มากขึ้นสำหรับ backend ฮาร์ดแวร์
ข้อจำกัดที่ต้องไม่มองข้าม
สมาชิก Platinum และตัวแทนด้านธรรมาภิบาลของ Cambricon มีนัยเชิงกลยุทธ์ แต่ยังไม่ได้พิสูจน์ว่า MLU มีประสิทธิภาพทัดเทียมตัวเร่งความเร็วรายอื่น รองรับโมเดลได้กว้าง หรือ PyTorch จะรับรูปแบบ backend ที่ Cambricon ต้องการทุกประการ
ผลลัพธ์เหล่านั้นขึ้นอยู่กับสิ่งที่ถูกรวมในโครงการต้นน้ำจริง การประเมินของชุมชนเทคนิคและ TAC ตลอดจนความสามารถของ Cambricon ในการดูแลการเชื่อมต่อกับ PyTorch และ vLLM ให้แข็งแรงในระยะยาว ณ ตอนนี้ ข่าวนี้จึงเป็นสัญญาณที่ชัดที่สุดว่า Cambricon กำลังแข่งขันเพื่อชนะใจนักพัฒนาด้วยความเข้ากันได้ของซอฟต์แวร์โอเพนซอร์สและการมีส่วนร่วมในระบบนิเวศ ไม่ได้แข่งด้วยการเปิดตัวฮาร์ดแวร์แบบ Day-0 เพียงอย่างเดียว 5
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "ที่นั่งบอร์ด PyTorch ของ Cambricon สะท้อนเกมระยะยาวด้านซอฟต์แวร์ AI" คืออะไร
Cambricon เข้าร่วม PyTorch Foundation ระดับ Platinum โดยได้ตัวแทนใน Governing Board และ Technical Advisory Council (TAC) ซึ่งเป็นการขยับเชิงระบบนิเวศซอฟต์แวร์ มากกว่าการเปิดตัวชิปใหม่
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Cambricon เข้าร่วม PyTorch Foundation ระดับ Platinum โดยได้ตัวแทนใน Governing Board และ Technical Advisory Council (TAC) ซึ่งเป็นการขยับเชิงระบบนิเวศซอฟต์แวร์ มากกว่าการเปิดตัวชิปใหม่ แนวทาง “Upstream First” ครอบคลุมองค์ประกอบหลักของ PyTorch ตั้งแต่ torch.compile และ device runtime ไปจนถึง distributed computing, AMP, DataLoader และ Profiler เพื่อลดภาระของสแตกเฉพาะผู้ผลิต
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
กลยุทธ์นี้เชื่อมการพัฒนาโมเดลใน PyTorch เข้ากับการให้บริการ inference ผ่าน vLLM แต่ยังไม่ใช่หลักฐานว่าประสิทธิภาพ เทียบเท่าฮาร์ดแวร์รายอื่น ความครอบคลุมโมเดล หรือการยอมรับโค้ดทั้งหมดจะเกิดขึ้นแน่นอน