kimi chat提供的摘要：
您提供的链接指向了一篇名为 "The Grand Illusion: The Myth of Software Portability and Implications for ML Progress" 的研究论文。这篇论文由 Fraser Mince、Dzung Dinh、Jonas Kgomo、Neil Thompson 和 Sara Hooker 共同撰写，探讨了机器学习（ML）软件框架在不同硬件类型上的可移植性问题。研究者们通过大规模研究主流 ML 框架（如 TensorFlow、PyTorch 和 JAX）在不同硬件上的可移植性，发现框架在移植到其他硬件时可能会丢失超过 40% 的关键功能，且即使功能可移植，性能的下降也可能极端严重。
研究的主要发现包括：
PyTorch 和 TensorFlow 在 GPU 上的可移植性问题尤为突出，例如在 TPU 上，PyTorch 的 44% 基准测试功能部分或完全失败。即使功能可移植，性能差距也显著，例如 PyTorch 在 GPU 到 TPU 的迁移中，81.4% 的功能表现出超过 10 倍的减速。JAX 在 TPU 上的性能表现更好，91.8% 的 JAX 函数集在 TPU 上更快。硬件和软件的专业化趋势对 ML 研究的创新产生了阻碍。
这篇论文强调了在硬件和软件专业化日益增长的背景下，进行比较性评估的重要性，并指出未来在设计既高效又可移植的工具时，量化可移植性分析将变得更加重要。
如果您有关于这篇论文的具体问题或需要更详细的信息，请告诉我，我会尽力帮助您。

我刚打赏了这条讨论 ¥6，也推荐给你。