业内关於预训练的策略已经很成熟了。赵文渊回海城之後，连续读了几篇论文，又用小数据集调整了一下具体的训练策略和参数，确认损失曲线没有明显问题之後，就正式在鼎盛的集群上全量开跑。

从那一刻开始，这件事就进入了真正的水磨功夫。一次训练开始，往往就是几十天不能停机。

成百上千张高算力显卡组成一个集群，海量数据被切分、打包、送入模型。

每一秒，都有无数矩阵计算在显卡之间传输。

每隔一段时间，还要对中间结果进行快照，防止因为偶发故障导致数据丢失。

快照不能太频繁，太频繁会拖慢训练效率。也不能间隔太长，间隔太长的话，一旦集群故障，前面几个小时甚至几天的训练都有可能白跑。

这里面涉及的资金需求、工程能力、集群调度、故障恢复，不是小公司能轻易负担的。

这也是为什麽赵文渊一直说，大模型不是谁都玩得起。

没有足够的算力，连牌桌都上不了。

而没有足够强的工程团队，即使上了牌桌也没用，只会被自己的训练任务拖死。

像这次源智科技和鼎盛签了合作协议，赵文渊拿到的是一个特殊设置过的帐号。

这个帐号有鼎盛云内部权限，可以调用专门用於大模型训练的gpu集群。这种gpu集群在鼎盛云，乃至各家云服务提供商那里，根本就不是普通客户打开网页、充值余额就能买到的服务。

有钱你也买不到。

所以韩路一能拿到鼎盛的算力，的确是走了一条大大的捷径。

赵文渊承认这一点，但他也很不爽，因为他们还得防着鼎盛偷标注数据。

这一轮训练出来的汤圆，只能是「残血版」。

最核心、最值钱、最能体现源智科技优势的那部分数据，赵文渊根本不敢往鼎盛的集群里放。

就像一个特级厨师终於借到了顶级厨房，却只能把最精华的调料藏起来，用一半的配方做菜。

这怎麽可能做出发光的料理呢？

不过，这些都不是赵文渊现在最烦的。

真正让他烦躁的，是韩路一从京城回来之前，给他下的新任务一研究国产显卡的适配。

离开京城的时候，赵文渊兴奋的上了飞机。

甚至可以说是热血上头。

国产算力、自主可控、摆脱海外gpu生态，让大规模大模型训练和推理在国产显卡上成为可能。

这几个关键词一拎出来，就能让技术人心跳加速热血沸腾。

赵文渊甚至在飞机上就建了个文档，列了好几页的计划。

《汤圆模型国产算力适配路线图》

然後赵文渊一下飞机，连家都没回，直接拖着行李箱去了办公室。

他接了一杯咖啡放在桌上，打开电脑，挽起袖子，就准备扯断套在国产显卡上的生态枷锁。

结果，赵文渊一头撞在了墙上。

不，甚至不能说是一堵墙那简直是一座山。

cuda生态困境，这个当年在谷歌折磨他的噩梦，这次又以更可怕的姿态出现了。

在普通人眼里，显卡就是显卡，国外显卡能算，国产显卡也能算，无非就是性能高点或者低点。

但对做ai大模型的人来说，显卡可不是一块单独的硬体，它背後是一整套生态。

最底层是驱动，驱动之上是运行时，运行时之上是编程模型，编程模型之上是算子库、通信库、编译器、调试器、性能分析工具。

再往上，才是pytorch、tensorflow、jax这些训练框架。

而大模型训练，又站在这些框架之上，调用各种高度优化过的算子和分布式训练能力。

英伟达的cuda生态就像是一座已经修建了十几年的超级城市，水电消防医院等等基础设施都已经运转了好多年了。

而训练大模型就像在这个城市里举办一场大型的体育赛事。

数十万的游客涌进来，对整个城市的承载能力都是巨大的考验。但因为是超级城市，所以在精心调度之下，还能做的到。

而换成别的生态呢？你在大城市旁边的小镇，说我能不能也开个世界盃啊？

当然可以试试，但这不是叫两个足球队过来踢球那麽简单，这个小镇从地下管网到商业生态都得重建一遍，等到它也成了超级城市了，就可以了。

更要命的是，全世界的人都已经习惯了这个老城市的规矩了。他们写代码的时候默认cuda可以调用，默认用的是英伟达的显卡，论文上说的也都是在英伟达上才能跑通的用例。

不用英伟达？那你自己试试吧。

本来能跑的代码，把cuda的依赖删掉，一下冒出一千个错误来，修完了第一个错误，又冒出一千个来。

模型能跑，不代表能跑的快；小模型能跑，不代表大模型能跑；单卡能跑，不代表多卡能跑；多卡能跑，不代表千卡集群能稳定训练几十天。

而大模型最可怕的地方就在这里，它不是「能跑」就算成功，它还必须稳定、必须高效、必须鲁棒。

必须能在极端昂贵的算力成本下，把每一张卡的利用率压到足够高。

否则你花同样的钱，别人训练一个月，你训练三个月。别人烧一千万，你烧三千万。

最後模型效果还不一定赶得上。

赵文渊潜心研究了两天，越研究，脸色越难看。最大的困难不是技术上完全不可行。

恰恰相反，很多东西理论上都有办法做。

最大的问题是，工程量太大了。

这不是一个天才程式设计师闭关三个月就能解决的问题。

这是业内十多年、无数公司、无数开发者、无数论文、无数开源项目共同堆起来的生态。

这就像愚公移山，别说是赵文渊一个人，别说是源码科技模型组的这点人，就算韩路一给他几百人的开发团队，花个几年时间，可能也就能把最核心的部分做一个可用版本。

这现实吗？

不现实。

赵文渊狠狠的抓了抓头发，然後看着自己抓掉的头发，又心疼的摸了摸。

他打开微信，找到一个在谷歌工作时的华人同事。

那个同事当年给tpu做过适配工作。谷歌自研晶片加自研框架的路线，面临的是一样的困境，只是他们当年砸钱砸出来了。

赵文渊写了一条长长的信息，把自己的困境简短说了一下。

如何从训练框架层面对新硬体做适配？自研晶片生态早期最难补的短板是什麽？如果一个创业团队想在国产ai晶片上跑大模型，有没有现实一点的切入方式？

这里面可能会涉及一些保密内容，赵文渊和这个前同事也两年没联系了，他本来也不预期一定会收到回复。

没想到半个小时之後，对方回复了。

看到信息的内容，赵文渊气笑了。

回复很简短：「别想了，没戏。」

原来人气极了真的会笑。

过了一会，对方又发了更长的一段话过来。

「tpu这条路不是创业公司能复制的。你们如果只是想省钱，直接买n卡。你们如果想支持国产晶片，那也应该让晶片厂来做生态，你们最多做应用层适配。总不能花几千万美元给硬体厂商补生态吧？」

几千万？美元？朋友，你说保守了。

赵文渊把手机锁屏，打开电脑，看着自己在飞机上写的那个文档。

《汤圆模型国产算力适配路线图》

有点儿讽刺。

他把标题删了，重新打了一个。

《汤圆模型国产显卡适配评估：暂不具备可行性》

整层办公楼已经只剩下赵文渊一个人了，他透过玻璃看向外面的黑夜，玻璃上映出他自己的脸，看起来有点陌生。

这时，手机震了一下，屏幕又亮了起来。

他低头一看，是韩路一发来的消息。

「文渊，我刚落地海城，周一早晨我们对一下模型训练的进度。」

赵文渊犹豫了一下，不知道该怎麽回复韩路一。

>