前言
近期，由腾讯联合中国移动、中国联通、中国信通院、中国科学院计算技术研究所共同发起，在中国通信标准化协会（CCSA）互联网与应用委员会（TC1）推动异构硬件两项行业标准成功立项。
发展历程与难点
在通用处理器漫长发展过程中，逐渐形成了由编程语言、编译器中间表示、指令集架构等构成的复杂的层次化中间层（indirection）模型，通过引入平台无关的中间抽象，兼容不同下层实现的差异，比如处理指令集架构，形成了非常成功的软件生态，其中典型代表就是Java字节码。因此，程序员在开发应用时，基本只需要面向通用编程语言或接口，无需消耗心智在底层实现复杂性上。
在AI 大模型时代，开发者希望无论新一代的GPU硬件设计如何变化，之前用户编写的软件依然可以在不同的芯片上正确运行，但实际上存在两个突出难点：
硬件层面：新硬件通常依赖私有架构及其配套独有的编程模型，难以用传统ISA抽象。
应用层面：仅依靠编程语言与编程接口，很难通过硬件架构无关的方式有效表达加速需求。
这意味着程序员必须重新编写代码，以适配不同的硬件设计，严重增加开发团队成本
积极的信号
在国际上，高通、谷歌和英特尔等公司参与的UXL基金会(UXL Foundation)正计划开发一套软件和工具，支持多种类型的人工智能芯片，让软件代码能够在任何芯片和硬件上运行，增强开发者使用不同GPU硬件的信心。
这是一个积极的信号，它反映了当前人工智能领域中的一个重要趋势：即对跨平台兼容性和标准化的迫切需求。
标准成功立项
在国内，本次腾讯联合多家单位成功立项的这2项行业标准：《智能算力硬件统一编程模型及范式技术要求》和《智能算力硬件统一虚拟指令集技术要求》。前者为开发者提供一套针对不同硬件的统一编程模型及范式标准；后者将定义一套异构硬件的统一虚拟指令集，对异构高性能加速硬件的运算、处理等基础功能进行一致化约束，实现同一应用程序经过一次编译即可在不同异构硬件上运行和迁移。
为AI 软件在不同硬件芯片上迁移提供标准牵引，提升大模型时代的AI应用开发效率。
落地与兼容性
标准成功立项参考了腾讯海量的实战经验，腾讯大数据自研ABO异构编译器对此探索了完全开放的问题域， 比如，对于典型的数据分析、推荐等神经网络加速场景，ABO在自研芯片落地、GPU加速分析和CPU内置加速器等多环节，实现并验证了该方案的可行性与效果。
同时，展现了其对主流框架、模型格式、以及异构硬件的强大支持能力，包括兼容PyTorch、Tensorflow、ONNX等主流框架及相应的模型格式，支持CPU、GPU以及腾讯自研的紫霄处理器等多种硬件平台，使得业务几乎无需对源码或模型结构进行修改，便能在异构平台上运行，并获得显著的性能提升。
业务实践
在腾讯广告推荐场景中，支持联盟粗排等业务异构芯片生产上线，性能超过了厂商原生方案的30%-140%，精排业务也在上线进行中；
在大模型推理场景中，ABO异构编译器支持多种混元子模型，能够平滑运行在多异构芯片上，有效降低平台架构和应用开发者迁移成本，并成功落地文档、大数据、AI数据通路等多个业务；
在AI领域数据通路场景中，支持自研文生图、文本图片相关性模型运行在NPU、GPU和CPU等混合芯片场景。
