飞桨

定义

飞桨是百度研发的开源开放深度学习平台，英文名 PaddlePaddle，其中 Paddle 取自并行分布式训练(Parallel Distributed Training)的含义^[4]。按官方产品手册的界定，它并不是单一的框架代码，而是把深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件整合在一起的产业级平台^[1]。

在技术栈中，深度学习框架向下对接芯片等硬件，向上支撑各类模型与应用，因此常被类比为智能时代的操作系统^[5]。百度在 2013 年设立深度学习研究院，相关技术先在搜索排名、定向广告、图像分类、机器翻译、自动驾驶等内部业务中应用，随后才以开源形式对外发布^[6]。

原理

飞桨的核心框架采用分层架构，可分为接口层、表示层、执行层与适配层。接口层提供张量表示、模型组网、优化策略等 API；表示层包含 Program、SSAGraph 以及飞桨中间表示 PIR；执行层负责计算图执行与显存内存管理；适配层通过算子库 PHI 和神经网络编译器 CINN 完成对硬件的抽象与对接^[7]。

框架同时支持动态图与静态图两种编程范式。动态图按 Python 风格逐行解析执行并即时返回结果，便于调试；静态图则先定义完整网络结构再编译执行，由于可脱离 Python 依赖在 C++ 端运行并做全局优化，在推理部署时性能更好^[8]。自 2.0 版本起，默认编程模式改为动态图，开发者只需在函数前添加 @paddle.jit.to_static 装饰器，即可把动态图代码转写为静态图并用于训练或部署^[9]。这一转换由基于源代码级转换的 ProgramTranslator 完成，并配以 paddle.jit.save、paddle.jit.load 接口保存和加载推理模型^[9]。

在训练侧，飞桨支持数据并行、模型并行、流水线并行与优化器并行等组合的 4D 混合并行策略，并采用通用异构参数服务器架构，允许不同类型的硬件节点参与同一训练任务^[10]。3.0 版本进一步引入自动并行，开发者无需手工设计通信逻辑即可完成分布式训练^[11]。其神经网络编译器 CINN 则把框架中间表示转换为 CUDA C、SYCL 或 LLVM IR 等更低层的代码，借此减少逐算子调用带来的显存读写开销^[11]。

推理部署是平台架构中的独立环节。框架提供面向服务器的原生推理库、面向移动与边缘设备的轻量化引擎、服务化部署组件以及前端推理引擎，模型可部署到云端服务器、移动端和边缘端，并可加载其他开源框架训练出的模型^[1]。

发展历程

百度自 2012 年起着手研究和应用深度学习技术，2013 年设立深度学习研究院，其深度学习平台在内部各产品线持续打磨了三年以上^[12][6]。2016 年 9 月 1 日，百度在世界大会上宣布将内部使用的 PaddlePaddle 对外开放，同年正式开源，成为中国较早开源的深度学习框架之一^[6][13]。

2018 年，飞桨发布 1.0 版本^[13]。2019 年 4 月的深度学习开发者峰会上，百度首次对外公布其中文名「飞桨」，并发布包含核心框架、工具组件与服务平台的全景图^[2]。2020 年 12 月，2.0 候选版本在深度学习开发者峰会上发布，标志框架进入 2.0 阶段^[10]；2021 年 3 月，2.0 正式版发布，默认开发模式由静态图改为动态图，同期 API 体系新增 217 个接口、优化修改 195 个接口^[14]。

2025 年 4 月，飞桨框架 3.0 正式版发布，围绕动静统一自动并行、大模型训推一体、科学计算高阶微分、神经网络编译器、异构多芯适配 5 项特性展开，并兼容 2.0 版本的开发接口^[13][15]。据官方披露，截至 2024 年 10 月，飞桨文心生态已凝聚 1808 万开发者、服务 43 万家企事业单位、创建 101 万个模型^[13]；到 2025 年 9 月，该生态开发者数量为 2333 万，服务企业 76 万家^[16]。

应用

平台以开发套件的形式覆盖主要任务类型，包括图像分类、目标检测、图像分割、文字识别、语义理解、语音合成、点击率预估等方向的套件，以及自然语言处理、计算机视觉、推荐、语音等基础模型库^[1]。这些套件面向具体产业场景，提供从数据处理、训练到部署的流程化工具。

在工业制造领域，中车集团基于飞桨及科学计算套件 PaddleCFD 构建空气动力学智能化仿真大模型，整体仿真效率提升 30 倍以上^[17]。在能源与通信行业，国家电网与百度合作的人工智能基础设施使安全巡检效率提升 36 倍，中国联通的智能中心 AI 平台则用于约 1.3 万座基站的安全作业^[17]。

在科学计算方向，飞桨对 DeepXDE、Modulus 等开源科学计算工具进行了适配，并成为 DeepXDE 的默认推荐后端，相关能力被用于气象预测、生命科学、航空航天等场景^[13]。在生态建设方面，平台通过星河社区向开发者提供实践项目、公开课与竞赛，并在上海、广州、武汉、南京、宁波、厦门、南昌、无锡等地落地产业赋能中心、数据生态中心和教育创新中心^[17]。

局限

与在国际上使用更广的框架相比，飞桨的用户基数与软件生态规模仍有差距。国内期刊文章指出，国际上围绕 PyTorch 已形成丰富软件生态，国产框架的用户数量相对较少，生态上与之存在较大差距^[18]。开源项目目录的评估也提到其社区与生态规模小于 PyTorch 或 TensorFlow，文档与教程以中文为主，对英语开发者不够友好^[19]。

动态图与静态图两种范式并存，也带来了额外的使用约束。官方文档说明，静态图需要先预定义完整网络结构再编译执行，调试难度较大；而动转静功能受 Python 语法支持范围限制，转换过程中可能出现报错，需要专门排查^[8][9]。框架对外公开的开发接口已接近 2000 个，接口维护与算子开发的门槛随之上升^[11]。

在跨框架迁移方面，飞桨可以加载其他开源框架训练的模型，但不同框架在算子和优化器实现上的差异仍可能影响结果一致性，迁移后通常需要做精度对齐与性能调优^[1]。此外，平台的算力与工具服务较多依赖百度的云服务与自建开发者社区，脱离这一体系时的可用性受相应产品开放程度影响^[16]。

参见

• 深度学习 —— 飞桨所支撑的模型训练与推理所依托的机器学习方法。

• 文心大模型 —— 与飞桨协同演进的大模型系列，其开发与部署以该平台为技术底座。

• TensorFlow —— 由谷歌开源的深度学习框架，与飞桨同属深度学习平台类别。

• PyTorch —— 由 Meta 开源的深度学习框架，在学术研究与开源生态方面使用广泛。

• 神经网络编译器 —— 飞桨框架中负责把中间表示转换为底层代码、提升执行效率的组件所属的技术类别。