随着DeepSeek等模型的爆火，P/D分离技术成为AI算力领域的热门话题。这篇文章深入探讨了从早期的混合训练到如今推理阶段的P/D分离技术演变，揭示了为何混合使用不同芯片正成为新趋势，以及其背后的技术挑战与解决方案。对于关注AI基础设施和芯片技术发展的读者，这篇文章提供了宝贵的行业洞见和技术前瞻。
智能速览
AI芯片协同技术从最初的排斥，演变为行业新趋势。
DeepSeek的流行推动了P/D分离技术在推理部署阶段的应用。
P/D分离的核心思想是利用不同芯片在计算和存储上的差异化优势。
推理阶段的异构协同在技术上比训练阶段更容易实现。
实现异构协同的关键在于构建一个统一的跨芯片通信库。
精华内容
从最初被认为不可能，到如今成为AI算力发展的新方向，异构芯片协同之路经历了怎样的演变？P/D分离技术又为何在此时成为焦点？
技术演变的起点
最初，业界对不同芯片协同完成一项任务持排斥态度，认为这难以实现。以智源研究院为代表的机构率先探索了“混合训练”技术，旨在证明其可行性。然而，随着国内芯片算力供给的提升，该技术在大型训练场景中的需求一度减弱，进入了技术储备期。
推理引爆新需求
今年，该领域再度活跃，焦点从训练转向了推理，尤其是DeepSeek的爆火带火了“P/D分离”赛道。P（Pipeline）和D（Decode）两个阶段的计算、通信访存模式差异巨大，天然适合异构协同。推理阶段的异构协同相比训练更易实现，因此成为当前研发的重点。
协同的两大关键
要实现高效的异构协同，需解决两个层面的关键问题。首先是在框架层设计面向异构场景的并行策略，以充分发挥不同芯片的算力潜能。其次，也是最核心的，是建立高效的跨芯片通信工具，确保不同芯片间的任务能够顺畅地交换数据。
通信库的诞生
针对上述挑战，业界正致力于构建一个统一的通信库。这类库的目标是提供一个端到端的解决方案，屏蔽底层硬件的复杂性，为上层框架提供稳定、高效的通信支持。例如，文中提到的Flexix正是朝着这个方向努力的最新进展，旨在成为连接不同AI芯片的“桥梁”。
P/D分离不仅是应对当前AI算力挑战的权宜之计，更可能预示着未来AI基础设施的构建方式。随着统一的通信库等关键技术日趋成熟，混合使用不同芯片的异构计算将释放更大潜力。未来的AI系统，会是怎样一幅“各司其职”的图景呢？
