梁文峰说，我们缺的从来都不是钱，而是高端芯片。
幻方官网显示，2022年，公司员工“一只平凡的小猪”一个人就向捐助了1.38亿。你说，这是钱的事吗？
为了突破卡脖子，幻方选择了搞AI的另一条路：从软件架构突破。理解了这个战略方向，就不难理解幻方核心技术突破点了。
要搞AI，存储，通信，计算三者缺一不可。
幻方的软件架构优化三大核心技术，正好与其一一对应。
- 存储模块，核心技术：3FS
- 通信模块，核心技术：hfreduce
- 计算模块，核心技术：hfai.nn
杀手锏一：3FS
(1) 3FS是什么？
一个用C++写的高性能分布式文件系统。
(2) 幻方为什么要搞3FS？
AI训练与推理的业务需求，传统分布式文件系统已经难以满足：
- 海量数据顺序读（语料输入）；
- 检查点（分步骤重算）；
- 顺序写（模型参数保存）；
- 随机读（特征查询）；
任何脱离业务的架构设计都是耍流氓。既然已有的分布式文件系统无法满足需求时，幻方就说，那我自己重写一个。
(3) 重写后的3FS有多牛逼？
- 读：8T/s
- 写：500G/s
- IO响应：18亿次/s
- 集群使用率：96%
- GPU使用率：85%
这个项目已开源，感兴趣的同学可在git查看细节。
杀手锏二：hfreduce
(1) hfreduce是什么？
一个高性能多卡并行通信工具。
本质上hfreduce相当于PyTorch中的DistributedDataParallel（DDP），只不过使用CPU做加法运算以计算总梯度，而不是调用其他的集体通信库（CCL），传递梯度到不同的显卡上，再各自计算总梯度。
(2) 幻方为什么要搞hfreduce？
还是那句话，任何脱离业务的架构设计都是耍流氓。幻方AI之所以采用CPU来做加法运算，计算总梯度，是因为幻方的主要AI场景是金融行为分析、自然语言处理、生物分子结构预测等。
在这些场景中，基本是数据规模大而模型大小适中。换句话说，在A100显卡40G的显存中，完全可以装得下一个完整的模型和批次样本数据。因此，模型的加速主要是依赖大量的数据并行，让尽可能多的显卡参与训练，再同步梯度。
(3) hfreduce达到什么效果？
如上图所示，对比传统通信方案，训练速度提高了多少，不用我多说了吧。
杀手锏三：hfai.nn
(1) hfai.nn是什么？
幻方AI深度学习算子。
(2) 幻方为什么要搞hfai.nn？
深度学习框架的流行（如PyTorch，Tensorflow等）极大方便了我们研发设计各种各样的AI模型，而在实际落地的环节中，模型代码往往面临着性能、准确度、资源等各种各样的问题。
幻方自研了一系列AI基础设施：3FS，hfreduce之后，同样需要对Pytorch框架进行了深度优化，结合自身集群特点与自身业务特点，对一些常用的AI算子重新研发，提升效率，于是，就有了hfai.nn。
幻方按照PyTorch框架风格，在hfreduce的基础上进行进一步封装，使用方法和PyTorch的DDP基本相同，但性能与表现明显比后者更好。
(3) hfai.nn达到什么效果？
最重要的三个算子：
①LSTM（长短期记忆网络）
画外音：记住重要的，忘记无关的，核心是根据重要性打分。
训练性能提升8倍。
②Attention（注意力机制）
画外音：动态关注当下最相关的，核心是QKV。
训练性能提升40%+，推理性能提升30%+。
③LayerNorm（归一化）
画外音：把数据拉到均值0，方差1的标准范围。
训练性能提升88%。
总结
幻方软件架构三大核心技术，对于幻方的发展，对于deepseek的发展，至关重要。在幻方的官网，在最显眼的地方，是这么描述的：
思路，比结论更为重要。
