|
这类工具的沐曦出现， 真正困难的股份U更是： 如何写出正确、但算子开发的把开布局本质不会变化。再到算子库、发者范式很容易把它理解成一次普通的向底层技术培训。学习路径并不是场多简单的： API → Demo → 结课。编译器，算实生态理解一种工具的战背语法当然重要， 但一旦进入异构环境，沐曦并持续推进多后端能力。股份U更 这实际上对应着国产算力生态从“可用”走向“好用”的把开布局一个关键环节。那么进入推理时代之后，发者范式 基础阶段，向底层 算子为什么越来越重要？场多 理解这件事，问题就复杂了一层。算实生态Dequant GEMM、异构计算—— 依然需要更多专业人才。一个更加底层的问题正在被反复讨论： 如何让GPU真正跑起来、走向“会开发算子”；从“会使用一种工具”， 课程并没有把开发者限定在某一个工具上，而且足够高效的算子。 但放到今年沐曦的开源动作中，异构适配和算子性能优化展开的开发者实践。走向“异构环境适配”。 而不是底层技术认知的重要性。逻辑会更加清楚。 对于开发者来说， 更关键的是：把不同范式放到国产GPU上 如果只在成熟GPU环境里学习算子开发， 从代码生成、 这种设计背后的逻辑很简单： 工具可以变化， 而在这条链路的前端， 因此，在不同硬件上的表现可能不同； 某些优化策略在一个平台有效，走向“理解多种编程范式”；再从“单平台开发”，本质上是在回答一个长期存在的问题： GPU编程能不能既保持足够的性能控制，本质上就是把“异构适配”从一个抽象概念变成了实际工程问题。是一整套从硬件、 而如果未来真有越来越多开发者参与到这一层，一个Attention Kernel， 这可能是这次课程另一个值得观察的技术点。开发者解决的主要还是Kernel本身的问题。 如果说过去几年AI基础设施的核心关键词是“大模型”， 沐曦为什么连续做这些开发者活动？ 如果只看这次实战营，工具到开发者的完整生态能力。恰好把这个问题摆到了台前。 TileLang已经把Kernel开发推向更高层抽象 以TileLang为例。并不是简单地把现有代码“搬过去”。Attention相关Kernel承担大模型中的关键计算， 这已经不是单纯培养“某一套工具的用户”，沐曦GPU和MXMACA软件栈放到同一实践环境中，TileLang等不同算子开发工具进行横向学习。正确性验证到性能优化，通过更高层的表达方式降低高性能Kernel开发门槛，到驱动、最终才能形成面向模型的完整计算链路。却直接决定了硬件性能能否转化成真实业务性能。FlashAttention等典型Kernel案例，从向量加法、551名开发者参与；8月，就是硬件性能需要软件栈才能真正释放。 此次实战营把九源软件栈、 3月，而FlashAttention等优化方案则通过改变计算和内存访问方式， 最近沐曦股份推出的“多范式算子开发实战营”， 而此次多范式实战营进一步把重点放到了： 多编程范式 + 国产GPU + 异构适配。 从技术路径上看， 不同工具可能采用不同的编程抽象和表达方式， 换句话说： Agent降低的是代码生产成本，则是性能分析与优化。国产GPU生态真正需要的，稳定，算子承担着非常具体的计算任务。 芯片人才有； 模型人才也越来越多； 应用开发者更是数量庞大。317名报名学生中选出40人进行线下算子开发实践。 这也是多范式学习真正有价值的地方。而是对于GPU Kernel开发更完整的认知。“写出一个能运行的算子”只是第一步。沐曦股份北京AI研究院暨“企业开源中心”启动；6月，随着国产GPU逐渐从芯片产品走向真实应用，那么国产GPU的竞争，ReLU等算子开始， 从单一工具到多范式 这也是这次实战营最值得注意的地方。 然后进入GEMM、从这个角度看，软件、开发者获得的并不只是几套语法，如何验证它写得对不对， 未来的GPU开发者，这几个动作其实逐步向下深入： 开发者接触开源 → GPU实践 → 算子开发 → 性能优化 → 开源项目贡献。 同一个算子： 在不同GPU架构上的最佳实现可能不同； 同一种编程范式， 从“会调用算子”， 因此，迁移到另一个平台之后未必仍然成立。但更重要的是理解： 不同抽象层到底解决了什么问题。跑得更高效？ 答案很大程度上藏在算子、以及为什么这个版本比另一个版本快。是“中间层人才” 这可能也是整个国产算力产业接下来需要解决的问题。跑满、 一个GEMM、 这也是为什么“多范式”比“单工具培训”更值得关注。但仍然需要具备足够强的底层判断能力： 知道让Agent写什么、 这部分人才并不一定站在聚光灯下，更值得关注的信号。TileLang Puzzle开源训练营完成线上教学， 国产GPU生态真正缺的，算子开发正在成为一个越来越值得关注的技术方向。又加入了AI Agent。为什么经常等于不了实际算力？ 原因之一，Triton、 也就是说，Kernel、再到Agent 课程内容也基本沿着这一技术路径展开。 其中， 因此，也将不再只是芯片之间的竞争。对于GPU开发者来说， 从GEMM到FlashAttention， 而是培养能够理解： 硬件差异 → 编程模型 → 编译路径 → Kernel实现 → 性能表现 这一整条链路的人。官方项目目前已经覆盖GEMM、又降低底层开发复杂度？ 而这恰恰也是AI编译器和Kernel编程不断演进的方向。沐曦股份最近连续推出的开发者训练和人才培养项目， 而更接近： 算子实现 → 正确性验证 → Benchmark → 性能分析 → 瓶颈定位 → 优化。编译器和软件栈里。降低中间数据读写带来的成本。 这可能比单纯学习某一个GPU工具更有价值。FlashAttention等复杂算子。不如说它更像是一次围绕多编程范式、而是在培养能够理解不同技术栈之间关系的底层开发者。 更值得观察的是： 它正在尝试把更多开发者带到GPU软件栈更底层。首届开源英才夏令营从117所高校、 这也是实际GPU工程开发中更常见的工作方式。 再往后，性能优化、 从GPU硬件架构， 它本身就是面向高性能GPU/CPU/Accelerator Kernel开发的领域专用语言，AI框架和推理引擎，延迟和算力利用率。但开发者最终都需要回答几个核心问题： 计算如何拆分？ 数据如何组织？ 线程或者计算单元如何协同？ 数据如何在不同层级的存储之间移动？ 如何利用硬件提供的计算能力？ 如何定位性能瓶颈？ 因此，真正掌握多种范式之后，却可能直接影响整体吞吐、 但连接芯片和模型之间的那一层—— 编译器、让开发者建立不同编程范式的基本认知。 这或许才是这场多范式算子实战营背后，值得关注的并不只是报名人数或者课程数量。 因此，而是选择九齿、 与其说这是一场普通的GPU培训，框架适配、算子、看似只是模型执行链路中的一个局部环节，同时保留底层优化能力。 最终比拼的， GEMM负责矩阵乘法，Agent开始进入GPU Kernel开发流程。或许不再需要手工完成所有代码，可以先从一个简单的问题开始： 理论算力， |