WAIC特別關注｜思想者論壇：當賽道瘋狂內卷，誰在拆解AI底層的底層？

在2026年世界人工智能大會（WAIC）的一場「思想者論壇」中，多位業界專家與技術領袖齊聚一堂，圍繞當前AI賽道瘋狂內捲的現象展開深度對話。論壇的主題直指核心：當應用層的競爭已陷入高度同質化，誰在真正拆解AI底層的底層？與會者普遍認為，算力、算法框架、數據基礎設施與芯片架構等基礎層面的創新，才是突破內捲困境的關鍵路徑。論壇開場，主持人點出當前產業的現狀：從大模型訓練到推理部署，幾乎所有廠商都在追逐更高的參數規模與更快的迭代速度，導致算力成本急劇攀升，資源浪費嚴重。

與會專家指出，這種「軍備競賽」式的發展模式難以持久，真正能拉開差距的，是對底層技術的重新審視與重構——例如如何從硬件設計、編譯器優化、存儲架構等環節入手，為AI工作負載打造更高效的基礎設施。在討論芯片層面時，多位嘉賓強調專用加速器與通用計算單元之間的平衡。傳統GPU儘管在並行計算上優勢明顯，但在特定場景下的能耗比仍有改善空間。有觀點認為，未來AI芯片的發展方向將不再是單純堆疊晶體管數量，而是透過異構計算、存算一體等技術，從底層改變數據流動方式。與會者也提到，開源硬件指令集架構正在降低芯片設計門檻，讓更多中小型團隊能夠參與底層創新。算法框架層面的內捲同樣是論壇焦點。

當前主流深度學習框架功能日益龐雜，但開發者往往只用到其中一小部分功能，其餘部分卻成為系統負擔。與會者提出「精簡化」與「模塊化」的觀點，主張將框架底層的運算圖優化、自動微分、分布式通信等核心組件獨立出來，讓開發者能夠根據實際需求靈活組合。這種「拆解底層」的做法，不僅能降低框架的維護成本，也有助於推動AI模型在邊緣設備上的部署。數據基礎設施也是論壇反覆提及的議題。與會專家指出，許多企業在訓練大模型時，數據預處理與存儲環節佔據了超過一半的總時間。底層數據管線的效率提升，往往比算法本身更能帶來實際收益。

與會者分享了在數據壓縮、索引結構、緩存策略等方面的創新思路，強調要從數據的「採、存、管、用」全鏈條拆解瓶頸，才能為上層應用提供真正的加速。論壇還特別關注了AI系統軟件棧的協同問題。多位技術專家認為，當前硬件、操作系統、編譯器、運行時庫等層級之間存在嚴重的「豎井」現象，各自為政導致整體性能無法充分發揮。拆解底層意味著要打通這些層級之間的壁壘，建立統一的抽象介面與調度機制。與會者呼籲業界共同制定開放標準，讓不同廠商的硬件能夠在同一軟件棧下無縫協作，從而降低生態碎片化帶來的開發成本。在討論「誰在拆解底層」時，與會者列舉了多個方向的探索。

例如，一些團隊正重新設計計算圖的調度器，使其能動態感知硬件拓撲與網絡帶寬，從而實現更智能的任務分配；另一些團隊則從編譯器層面入手，針對特定模型結構自動生成最優的指令序列。還有團隊專注於內存層次的重構，利用新型存儲介質與數據預取技術，減少數據搬運的延遲。這些努力並非追求華麗的應用效果，而是老老實實地從最基礎的環節提升效率。論壇上也出現了不同的聲音。有嘉賓提醒，過度追求底層優化可能導致研發資源分散，尤其在快速變化的AI領域，有時「先跑通、再優化」是更務實的策略。與會者對此進行了辯論，最終形成共識：底層拆解與應用創新應當雙線並行，而不是相互取代。

關鍵在於建立起從需求到基礎設施的反饋閉環，讓底層技術的進步能夠迅速被上層應用感知並利用。多位與會者強調，AI底層的「底層」不僅是技術問題，更是生態問題。當前許多核心工具與庫仍由少數國際巨頭主導，開源社群在底層創新中的角色日益重要。論壇上分享了一些開源項目如何透過模塊化設計，允許開發者自由替換底層組件，從而催生出多樣化的解決方案。與會者認為，這種開放與協作的模式，是破解內捲、推動產業健康發展的關鍵力量。論壇尾聲，主持人總結道，當賽道瘋狂內捲時，能夠真正沉下心來拆解底層問題的團隊，往往是最後笑到最後的贏家。從芯片到框架，從數據到系統，每一個細微的底層改進，都可能為整個AI生態帶來指數級的效益提升。

與會者一致認為，未來一年將是AI基礎設施加速重構的關鍵時期，誰能在底層建立起壁壘，誰就掌握了下一波浪潮的主動權。這場思想者論壇作為WAIC的重要環節，不僅為與會者提供了前沿視角的碰撞，也為整個行業指明了從「內捲」走向「內生」的路徑。多位嘉賓在會後表示，將繼續推動底層技術的開源與協作，並期待在下一屆大會上看到更多從基礎出發的創新成果。