极客跳动作为深耕行业10年的软件开发公司，深知在 AI 技术飞速发展的 2025 年，选择合适的 AI 软硬件结合开发合作伙伴已成为企业数字化转型的关键决策。本文将从技术适配、场景落地和商业价值三个维度，为您提供一套系统化的评估框架，助您在复杂的 AI 生态中找到最适合的软件开发伙伴。​

引言：AI 软硬件协同的新时代​

2025 年，人工智能产业正经历从 "单点突破" 到 "全栈联动" 的关键转型。当英伟达市值冲破 4 万亿美元，当寒武纪上半年营收同比增长 4347%，当商汤拆分的曦望芯片半年融资超 15 亿元，我们清晰地看到：AI 的下一站，拼的不是单一硬件的算力，而是软硬件协同的系统战斗力。​

当前行业面临三重核心矛盾：大模型推理成本高企与规模化落地需求的矛盾、国产芯片性能提升与生态碎片化的矛盾、通用算力过剩与场景化需求不足的矛盾。解决这些矛盾的关键，在于选择一家真正具备软硬件协同优化能力的开发公司。本文将基于中国信通院 AISHPerf 基准体系和行业实践案例，为您剖析选择 AI 软硬件结合开发公司的核心标准。​

一、技术实力评估维度​

1. 架构适配能力​

评估一家 AI 软硬件开发公司的技术实力，首先要看其架构适配能力。2025 年主流 AI 芯片呈现多元化发展态势，NVIDIA 的 Blackwell Ultra B300 GPU 提供了 30 PFLOPS 的 FP4 性能，而曦望 S2 芯片通过架构创新实现了推理成本降低 10 倍的突破。优秀的开发公司应能在不同架构间实现高效适配。​

关键评估指标包括：​

• 跨架构兼容性：能否同时支持 NVIDIA CUDA 生态和 AMD ROCm 等开源平台​

• 指令集优化深度：是否针对特定芯片的指令集进行深度优化，如曦望 S3 针对大模型推理的 Prefill 和 Decode 阶段优化​

• 内存效率：在 HBM4 等先进内存技术上的利用效率，如 Vera Rubin GPU 的内存带宽提升 1.6 倍​

2. 生态整合能力​

2025 年，AI 软硬件生态的碎片化仍然是行业痛点。国内存在 40 多种芯片和 40 多个基础软件栈，形成了无数 "算力孤岛"。选择开发公司时，需重点考察其生态整合能力。​

评估要点包括：​

• 框架兼容性：对 TensorFlow、PyTorch 等主流框架的支持程度，是否具备自定义算子开发能力​

• 中间件成熟度：是否拥有类似中国移动 "芯合" 软件栈的中间件技术，能实现跨芯片迁移​

• 开源贡献度：在 AI 开源社区的活跃度，是否参与重要开源项目的开发与维护​

中国信通院的 AISHPerf 基准体系为我们提供了客观的评估工具，截至 2025 年上半年，已有 18 家企业的产品通过该体系评估，这可以作为生态整合能力的重要参考。​

3. 创新技术储备​

在 AI 技术快速迭代的今天，技术储备决定了长期合作价值。2025 年值得关注的创新技术包括：​

• 存算一体架构：能否有效解决内存墙问题​

• 光互联技术：如 NVIDIA Photonics 实现的 3.5 倍能效提升​

• 机密计算：硬件级的数据安全保护能力​

• 动态适配技术：如上海 AILab 的 DeepLink2.0 体系，实现多芯片协同工作​

评估时可关注公司的专利数量、核心技术人员背景以及与科研机构的合作情况。曦望团队核心成员多来自 AMD、Intel、阿里等企业，这种技术背景使其在成立初期就具备强大的创新能力。​

二、场景落地能力评估​

1. 行业适配经验​

不同行业对 AI 软硬件的需求差异显著，选择具有相关行业经验的开发公司至关重要。我们可以按 "算力需求强度 × 实时性要求" 构建二维矩阵，将主要行业场景分类：​

• 高算力 + 高实时：如自动驾驶、工业控制。要求支持边缘计算和低延迟优化，类似矿山场景中的设备故障预警系统​

• 高算力 + 低实时：如医疗影像分析、气候模拟。需要大规模并行计算能力，如 GE HealthCare 利用新 GPU 将医疗重建算法处理时间缩短 2 倍​

• 低算力 + 高实时：如智能安防、零售推荐。需优化能效比，如 RTX Pro 6000 在推荐系统推理中速度提升 2 倍​

• 低算力 + 低实时：如办公自动化、智能客服。注重成本控制和易用性​

2. 规模化部署能力​

从实验室原型到规模化落地，是 AI 项目成败的关键一跃。评估开发公司的规模化部署能力，可关注以下指标：​

• 集群管理能力：如上海 AILab 实现 5 种芯片在万卡级别下 24 天持续训练​

• 容错机制：面对硬件故障和网络抖动的稳定性保障能力​

• 部署效率：从模型训练到生产环境部署的周期，是否具备自动化部署工具链​

• 资源利用率：通过 MIG 等技术实现 GPU 资源的高效分配，如 RTX Pro 6000 可划分为最多四个隔离实例​

3. 定制化开发能力​

每个企业都有独特的业务需求，通用解决方案往往难以完全适配。评估定制化开发能力时，可考察：​

• 硬件裁剪能力：能否根据需求定制硬件配置，平衡性能与成本​

• 算法优化能力：针对特定场景的算法改进，如皮克斯通过 GPU 优化实现 99% 的制作镜头在单卡完成​

• 接口开放性：是否提供灵活的 API 和 SDK，方便二次开发​

• 迭代速度：响应需求变化的速度，能否快速交付定制化版本​

三、商业价值评估​

1. 总拥有成本 (TCO) 优化​

AI 项目的总拥有成本远不止硬件采购成本，还包括软件授权、能耗、运维等长期支出。优秀的开发公司应能提供 TCO 优化方案：​

• 硬件选型建议：根据 workload 特性推荐性价比最高的硬件组合，如在推理场景中考虑曦望 S3 替代部分高端 NVIDIA GPU​

• 能耗优化：通过软硬件协同降低功耗，如 NVIDIA Photonics 技术实现 3.5 倍能效提升​

• 资源复用：支持多任务共享硬件资源，提高设备利用率​

• 升级路径：提供平滑的软硬件升级方案，保护既有投资​

2. 供应链稳定性​

2025 年，全球芯片供应链仍面临不确定性。评估开发公司时需关注其供应链管理能力：​

• 多供应商策略：是否与多家芯片厂商建立合作，避免单一依赖​

• 库存管理：对关键组件的库存规划，应对供应波动​

• 替代方案：当某类硬件缺货时，能否快速提供替代方案​

• 本地化支持：是否具备本地技术支持团队，缩短问题响应时间​

3. 长期合作潜力​

AI 技术的快速发展要求合作伙伴关系具备长期稳定性。评估长期合作潜力可从以下方面入手：​

• 技术 roadmap 契合度：开发公司的技术路线是否与您的长期规划一致​

• 生态布局：是否与主流芯片厂商、云服务商保持良好合作关系​

• 服务体系：是否提供从咨询、开发到运维的全生命周期服务​

• 价格模型：是否提供灵活的定价方案，如按使用量付费、订阅制等​

四、选择流程与避坑指南​

1. 五步评估流程​

基于以上维度，我们建议采用以下五步评估流程：​

1. 需求梳理：明确业务场景、性能要求、预算范围和合规需求​

1. 技术验证：通过 POC 项目验证候选公司的技术能力，可参考 AISHPerf 评估结果​

1. 场景适配测试：在真实业务场景中测试解决方案的表现​

1. 成本核算：全面评估 TCO，而非仅关注初始投入​

1. 生态考察：了解候选公司的技术合作伙伴和长期发展规划​

2. 常见陷阱与规避策略​

• 过度追求算力：并非所有场景都需要顶级 GPU，应根据实际需求选择​

• 忽视软件生态：只看硬件性能，忽视软件工具链的成熟度​

• 低估适配成本：不同架构间的迁移成本可能远超预期​

• 缺乏长期规划：仅考虑当前需求，未为未来升级预留空间​

• 忽视运维能力：软硬件结合的系统运维复杂度更高，需提前规划​

结语：共建 AI 软硬件协同新生态​

2025 年，AI 软硬件结合正迎来历史性机遇。选择合适的开发合作伙伴，不仅能解决当前的技术挑战，更能为未来发展奠定基础。作为极客跳动，我们建议企业在选择过程中注重技术实力、场景适配和商业价值的平衡，优先考虑那些具备 "芯片 - 框架 - 模型" 全栈优化能力的公司。​

未来的 AI 竞争将是生态系统的竞争。我们呼吁更多企业加入 AI 软硬件协同创新的行列，通过中国信通院等机构的评估体系，共同推动 AI 技术的标准化和产业化。极客跳动愿意与各界伙伴携手，在这个 AI 算力重构的新时代，共同探索技术创新与商业价值的平衡点，实现人工智能的真正价值。