當特斯拉更新編譯器時，我們該討論什么？

文｜三少爺

最近，特斯拉推送了FSD V14.3，盡管有不少馬斯克的小迷弟、小迷妹開始腦補這一版FSD有多么驚艷，但是，既然依然采用小版本號，說明FSD的改善幅度真的很有限。

不過，這一版FSD的更新說明里還是有一行字引發了特斯拉的死忠粉對其硬核實力的無盡想象：“基于MLIR框架重寫AI編譯器與運行環境，實現20%更快反應速度。”于是，一種聲音開始流傳了起來：特斯拉重寫了AI編譯器。

這個“重寫”顯然與事實相差甚遠，特斯拉做的實際上是另一件事——這個且容我們稍后細說。但這次誤讀，像一塊無意間拋入水中的石頭，讓我們得以窺見水面之下長期涌動的暗流。原來，在自動駕駛這場硬仗里，還有一個戰略價值需要被重估、名為“編譯器”的隱形戰場。它不只是工程師后臺的工具，而是已經成為決定算力效率、乃至系統能力上限的關鍵變量。

編譯器，算力效率的隱形裁判

談論自動駕駛系統的性能時，我們總是習慣性地仰望芯片的TOPS數字，或是算法模型的參數量級，但還有一環，常被忽略在聚光燈外，那就是編譯器。

本土頭號自動駕駛芯片廠商地平線曾經總結過決定算力效率的三大要素：芯片架構、算法、編譯器，其中，芯片架構是硬件地基，算法設計是軟件藍圖，編譯器則是連接兩者的翻譯官與調度師。特斯拉使用的MLIR便是編譯器中的關鍵一環，為的就是通過更準確的翻譯和更精細的調度，將其AI 4芯片的算力發揮得更加淋漓盡致一點。

圖片來源：地平線

為什么說編譯器這個翻譯官很關鍵呢？

想象一下，芯片是一個分工明確、各懷絕技的天才工匠團，團里面有擅長矩陣計算的、精于向量處理的、專攻高速緩存等各項任務的大師，算法是一份意圖宏大、結構精妙的建筑圖紙。如果兩者之間只有一個笨拙的翻譯，看不懂圖紙的精妙之處，也無法利用工匠團的獨門絕技，那么，再豪華的工匠團，再精妙的藍圖，也會因為糟糕的協同調度而功虧一簣。

編譯器，正是這個決定最終成敗的翻譯官和調度師。他既要吃透圖紙里面的結構意圖（算法邏輯），也得洞悉每一位工匠的特長與工作節奏（硬件微架構），然后將宏大的設計分解、調度、翻譯成一系列能讓最合適的工匠在最佳時機、以最高效率執行的工序。是它，決定了算法意圖能被硬件執行器理解并實現多少，是它，決定著系統的軟硬協同效率。

那么，編譯器這個翻譯官如何工作的？簡單來講，它要做多次轉換，每一次轉換都是語義層次的Lowering，每一次轉換的中間結果都是IR（Intermediate Representation）中間表示。在傳統的LLVM編譯器框架下，它先將AI算法轉換成計算圖，再轉換為統一的中間表示LLVM IR，最后生成機器碼。這種方式的問題在于Lowering的過程比較粗放，等到最后生成機器碼的階段，編譯器才看到硬件的細節，這樣一來，就無法再利用AI芯片那些寶貴的專用計算單元、復雜的內存層次、獨特的流水線設計了。其結果便是，芯片紙面算力耀眼，實際利用率卻可能慘淡，大量晶體管在功耗的消耗中徒然空轉。

圖片來源：LLVM

MLIR的出現，正是為了打破這種粗放的。它基于LLVM框架進行了改進，引入了MLIR（Multi-Level Intermediate Representation）多級中間表示，允許在從高級算法描述到底層機器碼的漫長Lowering鏈條上，通過多級“方言”，更早地利用芯片的硬件特性。你可以把“方言”理解為給硬件特性頒發的“官方語言證書”。芯片廠商可以用MLIR定義一套專屬方言，來聲明自家硬件的獨門絕技。比如，我有一種擅長做矩陣乘加的特殊計算單元，它的名字叫Tensor Core；我的內存分為全局、共享、寄存器三層，數據應該這么流動。這套方言，在編譯的早期、高層階段就介入，讓編譯器從一開始就摸清了硬件的脾性，從而做出全局最優的調度，而非在最后關頭才手忙腳亂地適配。

這樣，我們便能理解特斯拉在FSD V14.3中究竟做了什么了。它并非從零重寫了一個編譯器，而是做了一次關鍵的生態接入與硬件定義：特斯拉加入MLIR主流生態，并為自家的AI 4/AI 5芯片定義了一套專屬的硬件方言。在這之前，FSD芯片的強大特性，可能需要通過后期復雜的指令調度才能部分發揮。現在，通過MLIR方言，這些特性被提前、結構化地暴露給編譯流程。編譯器能更早、更智能地規劃計算與數據流，將任務精準分配給最合適的硬件單元。那20%的反應速度提升，正是“翻譯官”拿到了更精準的“方言詞典”后，指揮“天才工匠團”更高效工作的自然結果。這不是重起爐灶，而是在既有的精密體系中，插入了一把更契合的鑰匙。

特斯拉走的這條“芯片層擁抱MLIR”的路，并非孤例。在大洋彼岸，中國的頭部玩家們，早已在編譯器這片深水區，布下了各自的棋子。路徑或有不同，但它們對編譯器戰略價值的認知早就同頻共振了。

國內戰事：編譯器深水區的中國棋路

當特斯拉通過MLIR方言釋放硬件潛力時，國內的先行者同樣構建了復雜的編譯器戰略。這不是簡單的工具優化，而是從芯片架構原點出發，倒逼編譯器革新，進而重塑軟硬協同范式的系統工程。

既然針尖對麥芒，那就先派頭號種子選手華為上場。華為的路徑，與特斯拉在邏輯上同構，但體系更為厚重。華為為昇騰AI處理器打造的畢昇編譯器，其地位如同特斯拉的自研編譯棧。跟特斯拉的秘而不宣不一樣的是，華為公開表示為昇騰定義了基于MLIR的硬件方言層-AscendNPU IR。這套方言詳細描述了昇騰“達芬奇架構”中計算立方、內存層級等獨特設計。于是，在編譯高層，優化器就能看到“哦，這里有個矩陣乘，昇騰的3D Cube算它最快”，從而提前做好數據搬運和計算映射。華為通過畢昇編譯器與AscendNPU IR，實現了與特斯拉相似的目標：讓硬件特性在編譯前端就成為一等公民，而非后端的補救措施。這套組合拳，確保了昇騰芯片的理論算力，能通過軟件棧被充分榨取，形成從芯片、方言到框架的閉環。

圖片來源：華為

如果說華為和特斯拉代表了“為專用芯片定義方言”的范式，那么理想汽車則選擇了一條更顛覆性的架構之路。理想的馬赫M100芯片，核心并非傳統的CPU/GPU，而是采用了“數據流架構”，這就對編譯器提出了更為苛刻的要求。

傳統的馮·諾依曼架構像是一個中央指揮所，指令一條接一條下達，計算單元被動執行。數據流架構則顛覆了這一點，它沒有集中的指令控制器，計算單元像流水線上的工作站，數據包（令牌）流到哪個工作站，哪個工作站就自動激活干活。多個工作站可以同時忙碌，理論上效率和能效極高。

圖片來源：華為

但是，這種美妙架構的實現，極度依賴編譯器的“先知”能力。編譯器必須在軟件編譯期，就靜態地、精確地規劃好所有數據包的流動路徑、每個計算單元的工作時序與依賴關系。任何一處規劃失誤，都會導致數據包堵塞、計算單元空轉，效率反而暴跌。這要求編譯器不再是指令翻譯官，而必須是整個計算工廠的總規劃師。理想的編譯器團隊，需要深入芯片架構的毛細血管，其工作深度與難度，遠非適配一款現成GPU可比。數據流架構的潛力有多大，對編譯器的挑戰就有多高。鑒于馬赫M100芯片的具體表現現在還猶抱琵琶半遮面，理想在編譯器上的努力且待以后再談。

與理想從硬件源頭創新不同，小鵬汽車在編譯器上的努力，更直觀地體現在“效率倍增”的驚人結果上。在其第二代VLA模型上，小鵬通過算法與編譯器的協同優化，實現了12倍的端到端效率提升。

圖片來源：小鵬汽車

這12倍并非來自硬件換代，而是軟硬協同的“神之一手”。它源于兩方面：一是算法層面的“瘦身”，如通過類似“視覺Token剪枝”的技術，讓模型聚焦關鍵信息，減少冗余計算；二是編譯器層面的“精調”，讓精簡后的算法，能以最貼合硬件執行單元的方式運行。好比同一支交響樂團，樂器樂手不變，但指揮重新編排了樂譜，優化了每聲部的起承轉合，最終奏出了煥然一新的磅礴樂章。對于車端推理，12倍效率意味著同等算力下能運行更復雜的模型，或是以更低功耗達成同等性能，直接關乎用戶體驗與系統邊界。

圖片來源：地平線

華為定義方言，理想駕馭架構，小鵬優化調度。這三條路徑，映照出同一個共識：在算力軍備競賽之外，一場關于“算力轉化效率”的靜默戰爭已經打響。而編譯器，是這場戰爭中最具杠桿效應的兵工廠。

特斯拉的這次版本更新，像一道閃電，短暫照亮了編譯器這片長期處于技術深水區的戰場。讓我們看清，自動駕駛系統的終極競爭，正從堆砌算力的物理維度，快速演進到榨取效率的系統工程維度。芯片的TOPS數字是門票，但進門后的表現，取決于編譯器這位總規劃師與翻譯官的功力。它決定了天才的硬件設計，能否被算法充分驅動，也決定了精巧的算法創新，能否在硅片上落地生根。

特斯拉和華為的閉環、理想的顛覆、小鵬的倍增，無不說明這場競爭已悄然深入骨髓。未來，衡量一家公司自動駕駛實力的，或許將不僅是它有多少輛車在跑、用了多少TOPS的芯片，更是它能否回答這樣一個問題：你每一分錢的硬件成本，究竟通過編譯器，轉化成了多少可用、可靠、可進化的智能？編譯器之戰，剛剛顯形，但這個問題的答案，將決定誰能在下一個賽段中走向臺前！