8 月初，一则消息在 AI 芯片圈炸开了锅。
一家成立仅一年的初创公司 Infinity，用自己开发的 AI 编程 Agent Ignition，为 AI 芯片公司 d-Matrix 的推理芯片搭建了一套完整的底层软件栈——从 GPU Kernel 生成、编译、测试到性能优化，全程 AI 驱动。
只花了 10 小时。
具体数据是：Ignition 在首次访问硬件后的 10 小时内，达到了该芯片理论峰值性能的 92%；10 天内，让 Qwen3、Qwen3.5、Gemma4 三款前沿模型在该芯片上端到端跑通——每一层代码都是 AI 从头生成的。
对比之下，这个流程过去需要工程师团队数月甚至数年。
英伟达花了近 20 年构建的 CUDA 软件帝国，被一个 AI Agent 在 10 小时内"复刻"了核心能力层。
这不是危言耸听。这是正在发生的事实。
拆解：Ignition 到底做了什么，没做什么
要理解这个事件的真实分量，先得拆解 CUDA 的层次结构。
CUDA（Compute Unified Device Architecture）不是一门编程语言，而是围绕英伟达 GPU 建立的 三层软件平台：
- 底层（内核层）：Kernel 生成、编译器、运行时——让芯片干活的指令集
- 中间层（库层）：cuBLAS、cuDNN 等高度优化的计算库，以及调试、验证、性能分析工具
- 上层（生态层）：PyTorch/TensorFlow 框架、企业积累的代码工作流、数百万开发者社区
Infinity 的 Ignition 攻入的主要是 第一层：为特定芯片自动生成和优化推理 Kernel，并围绕这些 Kernel 搭建底层软件能力。
Ignition 的工作流是一个典型的"AI 闭环"：
写代码 → 编译 → 运行 → 测试正确性和性能 → 根据反馈循环迭代
这种任务对 AI Agent 而言天然适配——因为反馈信号明确（能否编译？结果对不对？性能是否提升？），不需要模糊判断。
但要注意的是，Ignition 没有在 10 小时内复制 CUDA 全栈。它没有触及中间层那些经过 20 年打磨的优化库，更没有触及上层数百万开发者的代码生态。
它做的是更关键的事：证明了一条新路径的可行性。
建框架：为什么这次不一样？
"CUDA 被替代"的叙事每隔几个月就会出现一次。AMD 的 ROCm、Intel 的 oneAPI、Google 的 TPU……每次挑战者出现，分析师的结论都是"撼动不了"。
但这次有两点不同。
1. 攻击方是 AI 本身，不是另一家软件公司
过去，挑战 CUDA 意味着需要组织一支和英伟达相似的工程师团队，花数年时间适配、优化、验证。这是一个 人力密集型 的游戏，英伟达靠规模优势碾压。
但 Ignition 的路径是：用 AI 自动生成代码，用 AI 自动测试和优化。这意味着软件栈的构建成本正在从"人力规模"转向"算力规模"——而算力是商品，可以按需购买。
DeepSeek 也在做类似的事。他们开源了 TileKernels 算子库，用自研的 TileLang 编写，大幅减少手写底层 CUDA 代码。DeepSeek 创始人梁文锋最近公开表示，编程 Agent 加上 TileLang，让 AI 软件构建变得"实质性更容易"。
2. 战场在推理侧，不是训练侧
这是最容易被忽视的关键点。
大模型的计算分两段：训练 和 推理。在训练侧，CUDA 目前依然近乎无解——大规模训练对性能、稳定性、集群协同极为敏感，企业选择极其保守。
但在推理侧，游戏规则变了。
韩国 AI 芯片公司 Rebellions 的首席商务官 Marshall Choy 说得很直白：
"在推理侧，CUDA 不再是决定因素。这将是一场开源软件的竞争。"
推理在乎的不是"极致性能"，而是"每个回答的成本"。只要能跑、便宜、够用，客户就愿意试。而推理软件可以跨芯片运行——如果推理框架支持多种芯片，用户就能在不同硬件之间切换，不用重写代码。
CUDA 最大的锁定效应——厂商锁定——在推理侧就此失效。
推演：护城河在迁移，而不是消失
这就引出了最核心的问题：英伟达的护城河到底还在不在？
答案是：还在，但它在迁移。
短期：训练侧安全，推理侧松动
短期内，英伟达在训练侧的主导地位不会动摇。大规模训练集群的稳定性、芯片间通信、故障恢复——这些能力不是靠 10 小时的 Agent 生成就能解决的。
但推理侧正在变成"第二战场"。d-Matrix、Rebellions、Cerebras、AMD、亚马逊 Inferentia、谷歌 TPU……各路芯片厂已经排兵布阵。他们不需要立刻替代英伟达，只需要证明：在某些推理任务中，不依赖 CUDA 也能跑得更快或更便宜。
中期：验证生态成为下一道护城河
这个问题最深刻的洞察来自 Bing Xu（INT21 创始人，此前创办的芯片软件公司 HippoML 被英伟达收购）：
Agent 能在短时间内生成大量代码，但 验证才是最大瓶颈。AI 生成一万行代码很快，但"证明这一万行在各种边界情况下都算得对、跑得稳"极慢。CUDA 最深的资产恰恰是它的验证工具链。
换言之，护城河正在从 "代码的存量" 迁移到 "验证和优化的生态"。
生成代码是 AI 擅长的，但验证代码——尤其是在小众芯片领域，需要大量领域知识和测试数据——仍然是 AI 的短板。谁先占住验证生态的位置，谁就是下一个赢家。
长期：英伟达也在用 AI
还有一个容易被忽略的变量：英伟达自己也在加速。
英伟达开发者生态副总裁 Ankit Patel 明确表示："我们也在使用 AI Agent 来更快地开发 CUDA，并在更大规模上进行验证。"
以己之矛，攻彼之盾。进攻方的相对优势也会打折。
Bing Xu 总结得很到位：这场仗的胜负，取决于竞争对手追赶英伟达的速度，能否快过英伟达自我迭代的速度。
落到行动：四条判断
如果你在选推理芯片：不要只看纸面参数。重点关注该芯片的软件生态是否支持"跨芯片推理框架"（如 vLLM、TensorRT-LLM 的多芯片兼容性），这决定了你未来的议价能力。
如果你是 AI Infra 工程师：花时间研究 AI 编程 Agent 在 GPU Kernel 生成上的能力边界。Ignition 和 DeepSeek TileKernels 是两条值得跟踪的路径。这可能是未来 12 个月你最需要关注的技能方向。
如果你是芯片创业公司：你的核心竞争力不再是"硬件比英伟达好多少"，而是"你的软件适配速度有多快"。如果你能用 AI Agent 把适配周期从 12 个月压缩到 1 个月，你的硬件即使只有英伟达 70% 的性能，也有生存空间。
如果你是投资者：关注"AI 原生芯片软件栈"这个赛道。Infinity 的 $15M 种子轮和 $100M 估值只是开始。当 AI 可以自动生成底层计算软件时，芯片创业的入场门槛在降低，但投资逻辑也会从"押注硬件"转向"押注软件生态"。
一句话 thesis： 英伟达 20 年构建的 CUDA 护城河，不是被某家竞争对手攻破的，而是被 AI 编程 Agent 这种新的软件生产方式从根本上重新定义了竞争规则——护城河从"代码存量"变成了"验证生态"，而这场变革的起点是推理侧。
参考来源：Business Insider、36氪/量子位、Infinity 官方案例、Semianalysis、The Next Web