AI 编程 Agent 10 小时「复刻」CUDA：英伟达 20 年护城河真的被凿开了吗？

上周，一个消息在 AI 和芯片圈同时炸开：一家成立仅一年的 AI 软件公司 Infinity，用 AI 编程 Agent 只花了 10 小时，就为芯片初创公司 d-Matrix 搭建了一套类 CUDA 软件栈。

消息一出，讨论迅速分裂成两派。一派高呼「英伟达完蛋了」，另一派冷静指出「这只是个 Demo」。

但真相远比口号复杂——也远比口号有意思。

一、10 小时发生了什么？

Infinity 的核心产品叫 Ignition，是一个 AI 研究 Agent。它的工作方式很像人类工程师，只是快得多：

生成 GPU 内核代码——针对目标芯片的架构特点，自动生成计算 Kernel
运行测试——验证代码正确性
测量性能——评估是否达到硬件峰值
根据反馈自动改写——形成一个「写代码→编译→运行→测试→优化」的完整闭环

具体到这次合作，Ignition 在首次接触 d-Matrix 的 Corsair 芯片后，10 小时内达到了该芯片理论峰值的 92%，并在 10 天内让 Qwen3、Qwen3.5 和 Gemma4 三个前沿模型在该芯片上完整跑通。

这个速度有多夸张？过去，为新芯片编写底层推理软件，通常需要数月甚至数年。

Infinity 也因此拿到了 1500 万美元的种子轮融资，估值达到 1 亿美元。

二、CUDA 的护城河到底长什么样？

要理解这次「冲击」的含金量，得先搞清 CUDA 到底是什么。

很多人把 CUDA 当成一个编程语言，但实际上它是一整套围绕英伟达 GPU 的软件平台，可以拆成三层：

底层：Kernel 编译器、运行时——直接让芯片干活
中间层：cuBLAS、cuDNN 等高度优化的计算库，以及调试、验证工具链
最上层：PyTorch、TensorFlow 等开发框架，企业积累的海量代码和工作流，以及数百万开发者生态

把英伟达 GPU 想象成一座工厂：底层告诉机器每一步怎么操作，中间层提供现成的生产工具，最上层则是一整套已经运转多年的生产体系。客户买到的不是一块卡，是一座开箱即用的工厂。

这就是为什么英伟达的硬件可以被追赶，但客户很难换掉它——他们买的是整个系统，不是一块芯片。

那么，Infinity 的 Ignition 在 10 小时内「复刻」了哪一层？

答案是：主要是底层。

Ignition 擅长的是为不同芯片生成和优化推理 Kernel，并围绕这些 Kernel 搭建底层软件能力。它正在开发面向多种芯片的通用推理库，但这不是在 10 小时内复制了 CUDA 近 20 年的完整生态。

你不需要复制一个完整的 CUDA，就可以拿下 1500 万美元融资。

三、真正的战场不在训练，在推理

这也是整件事最微妙的地方。

大模型的计算分两段：训练和推理。在训练侧，CUDA 目前几乎无解。大规模训练对性能、稳定性和集群协同极度敏感，企业选择训练平台时极其保守。

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。」

为什么？因为推理和训练的核心诉求不同：

训练在乎极致性能——上万块卡协同跑几个月，不能出错
推理在乎每 token 成本——可以拆分到小集群甚至单卡，便宜就行

更重要的是，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，就此失效。

2026 年，AI 推理预计将占 AI 总计算开支的三分之二。而英伟达目前仍控制着约 80% 的数据中心 AI 加速器市场。但这种「统治」很大程度上是软件锁定的结果，而非硬件绝对优势。

AMD、Qualcomm、AWS 都有自己的芯片，纸面性能并不输英伟达。d-Matrix 的 Corsair 芯片也能做实际工作。问题从来不是「能不能造出好芯片」，而是「有没有好软件把它用好」。

AI 编程 Agent 的出现，正在改变这个等式。

四、不止 Infinity：三路并进，围剿 CUDA

Infinity 不是唯一一支力量。围绕 CUDA 替代的努力，至少有三条主线：

第一条：AI Agent 自动生成底层软件。

Infinity 走的就是这条路。用 AI 编程 Agent 自动生成、测试和优化 GPU Kernel，把新芯片的软件适配时间从年压缩到天。

这本质上是在用 AI 解决芯片软件的「冷启动」问题——没有成熟的软件生态，就用 AI 快速生成一个。

第二条：用高级 DSL 替代手写 CUDA。

DeepSeek 最近开源了 TileKernels，一个基于 TileLang 构建的高性能 GPU 算子库，包含 44 个生产级 GPU 算子。TileLang 是北大团队开发的 Python GPU 领域特定语言，定位在 Triton 和手写 CUDA 之间找一个平衡点——比 Triton 控制力更强，比手写 CUDA 效率高很多。

关键在这句话：TileLang 没有一行 CUDA C++。

而且 TileLang 的后端支持 NVIDIA、AMD MI300X 和华为 Ascend。如果未来需要迁移到非英伟达硬件，TileLang 的代码不用重写。

DeepSeek 创始人梁文锋最近也公开表示，编程 Agent 和 TileLang 让 AI 软件的构建「大幅简化」。

第三条：AI 巨头自研芯片软件栈。

Google 的 TPU、Amazon 的 Trainium/Inferentia、微软的 Maia，都在花巨大精力自建软件生态。Amazon 内部文档曾将 CUDA 列为自家 AI 芯片采用的主要障碍——这不是秘密。

五、护城河并没有消失，而是在迁移

说英伟达的护城河「被凿开」显然为时过早。

INT21 创始人、前英伟达员工 Bing Xu 的判断值得认真对待：「Agent 能在一小时内生成大量代码，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——Bing Xu 认为，Agent 时代，验证生态会成为 CUDA 的下一道护城河。

Modular 联合创始人 Chris Lattner 也泼了冷水：

写代码只是软件工程的一小部分，生产级优化才决定芯片性能
芯片软件是精英小众领域，公开代码远少于应用开发，AI 能学到的训练数据有限
几百万行存量代码的迁移成本不是技术问题，是组织决策问题

还有一个容易被忽略的点：英伟达自己也在用 AI。

英伟达开发者生态副总裁 Ankit Patel 表示，他们也在用 AI Agent 更快地开发 CUDA，并在更大规模上进行验证。内部已有超过 30,000 名工程师在使用专门的 AI 编程工具，代码产出量提升了 3 倍。

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。」

六、对 AI 从业者的启示

这个故事离我们并不远。有几点值得关注：

推理成本正在成为新的竞争焦点。当训练趋同、模型能力趋近，谁能把推理成本降到极致，谁就能拿到下一波应用爆发的入场券。AI 编程 Agent 加速芯片软件生态，本质上是在降低推理成本。
「用 AI 造 AI」不再是口号。Infinity 和 DeepSeek 的案例说明，AI 已经可以参与 AI 基础设施的构建。这个「元能力」的自我强化，可能比任何单项技术突破都更具颠覆性。
不要把「护城河」当成静态的。CUDA 的护城河正在从「代码的存量」迁移到「验证和优化的生态」。谁先占住新位置，谁才是下一个赢家。对任何做 AI 基础设施或工具链的人来说，这是一个重要的战略信号。
成本下降 → 应用爆发，这条逻辑链没有变。DeepSeek V4 Flash 正式版已经把推理价格打到极低；Agent 自动构建 Agent 的成本降到 0.2 元（PenguinHarness）；现在连芯片适配的软件成本也在被 AI 压缩。每一层成本下降，都在为下一波应用爆发铺路。

英伟达的 CUDA 护城河短期内不会消失，但它的形状正在改变——从「写代码」的壁垒，变成「验证代码」的壁垒。

而对整个行业来说，最重要的信号也许是：AI 正在成为自己基础设施的建造者。

这才是真正的蝴蝶效应。