原文摘要

原文链接

进一步信息揣测

• 顶级AI产品的底层技术选择：成功的大规模AI产品（如Cursor、v0等）普遍避开现成AI框架，直接基于AI基本单元（primitives）构建，暗示框架抽象可能限制灵活性和创新，尤其在快速迭代的领域。
• 行业认知偏差：主流开发者追逐最新AI框架时，头部产品反其道而行，说明公开宣传的“框架优势”可能掩盖了实际开发中的性能瓶颈或定制化需求。
• 规模化与敏捷性的权衡：直接使用primitives虽增加初期开发难度，但能避免框架的抽象层带来的性能损耗和迭代延迟，这是内部团队通过实践验证的关键经验。
• 未被公开讨论的技术路径：行业会议或社区通常强调框架易用性，但顶级产品私下更关注底层控制权，如直接调用CUDA或手写推理逻辑，这类细节极少出现在公开文档中。
• 商业竞争中的信息不对称：成功产品的技术选型可能故意不公开，以避免竞争对手快速复制其高效架构，形成技术壁垒。
• 框架生态的隐性成本：依赖框架可能导致后续被绑定到特定生态（如TensorFlow/PyTorch），而直接基于primitives可避免供应商锁定问题，这一风险很少被公开讨论。