如果说过去几年AI基础设施的核心关键词是“大模型”，那么进入推理时代之后，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、跑满、跑得更高效？

答案很大程度上藏在算子、编译器和软件栈里。

一个GEMM、一个Attention Kernel，看似只是模型执行链路中的一个局部环节，却可能直接影响整体吞吐、延迟和算力利用率。

因此，随着国产GPU逐渐从芯片产品走向真实应用，算子开发正在成为一个越来越值得关注的技术方向。

最近沐曦股份推出的“多范式算子开发实战营”，恰好把这个问题摆到了台前。

与其说这是一场普通的GPU培训，不如说它更像是一次围绕多编程范式、异构适配和算子性能优化展开的开发者实践。

算子为什么越来越重要？

理解这件事，可以先从一个简单的问题开始：

理论算力，为什么经常等于不了实际算力？

原因之一，就是硬件性能需要软件栈才能真正释放。

从GPU硬件架构，到驱动、编译器，再到算子库、AI框架和推理引擎，最终才能形成面向模型的完整计算链路。

其中，算子承担着非常具体的计算任务。

GEMM负责矩阵乘法，Attention相关Kernel承担大模型中的关键计算，而FlashAttention等优化方案则通过改变计算和内存访问方式，降低中间数据读写带来的成本。

因此，对于GPU开发者来说，“写出一个能运行的算子”只是第一步。

真正困难的是：

如何写出正确、稳定，而且足够高效的算子。

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。

课程并没有把开发者限定在某一个工具上，而是选择九齿、Triton、TileLang等不同算子开发工具进行横向学习。

这种设计背后的逻辑很简单：

工具可以变化，但算子开发的本质不会变化。

不同工具可能采用不同的编程抽象和表达方式，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，开发者获得的并不只是几套语法，而是对于GPU Kernel开发更完整的认知。

这也是为什么“多范式”比“单工具培训”更值得关注。

TileLang已经把Kernel开发推向更高层抽象

以TileLang为例。

它本身就是面向高性能GPU/CPU/Accelerator Kernel开发的领域专用语言，通过更高层的表达方式降低高性能Kernel开发门槛，同时保留底层优化能力。官方项目目前已经覆盖GEMM、Dequant GEMM、FlashAttention等典型Kernel案例，并持续推进多后端能力。

这类工具的出现，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，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。

对于开发者来说，理解一种工具的语法当然重要，但更重要的是理解：

不同抽象层到底解决了什么问题。

这也是多范式学习真正有价值的地方。

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，开发者解决的主要还是Kernel本身的问题。

但一旦进入异构环境，问题就复杂了一层。

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，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，迁移到另一个平台之后未必仍然成立。

因此，国产GPU生态真正需要的，并不是简单地把现有代码“搬过去”。

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。

此次实战营把九源软件栈、沐曦GPU和MXMACA软件栈放到同一实践环境中，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。

这可能比单纯学习某一个GPU工具更有价值。

从GEMM到FlashAttention，再到Agent

课程内容也基本沿着这一技术路径展开。

基础阶段，从向量加法、ReLU等算子开始，让开发者建立不同编程范式的基本认知。

然后进入GEMM、FlashAttention等复杂算子。

再往后，则是性能分析与优化。

也就是说，学习路径并不是简单的：

API → Demo → 结课。

而更接近：

算子实现 → 正确性验证 → Benchmark → 性能分析 → 瓶颈定位 → 优化。

这也是实际GPU工程开发中更常见的工作方式。

而在这条链路的前端，又加入了AI Agent。

从代码生成、正确性验证到性能优化，Agent开始进入GPU Kernel开发流程。

这可能是这次课程另一个值得观察的技术点。

未来的GPU开发者，或许不再需要手工完成所有代码，但仍然需要具备足够强的底层判断能力：

知道让Agent写什么、如何验证它写得对不对，以及为什么这个版本比另一个版本快。

换句话说：

Agent降低的是代码生产成本，

而不是底层技术认知的重要性。

沐曦为什么连续做这些开发者活动？

如果只看这次实战营，很容易把它理解成一次普通的技术培训。

但放到今年沐曦的开源动作中，逻辑会更加清楚。

3月，沐曦股份北京AI研究院暨“企业开源中心”启动；6月，TileLang Puzzle开源训练营完成线上教学，551名开发者参与；8月，首届开源英才夏令营从117所高校、317名报名学生中选出40人进行线下算子开发实践。

从技术路径上看，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。

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。

这已经不是单纯培养“某一套工具的用户”，而是在培养能够理解不同技术栈之间关系的底层开发者。

国产GPU生态真正缺的，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。

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。

但连接芯片和模型之间的那一层——

编译器、算子、Kernel、性能优化、框架适配、异构计算——

依然需要更多专业人才。

这部分人才并不一定站在聚光灯下，却直接决定了硬件性能能否转化成真实业务性能。

因此，从这个角度看，沐曦股份最近连续推出的开发者训练和人才培养项目，值得关注的并不只是报名人数或者课程数量。

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。

从“会调用算子”，走向“会开发算子”；从“会使用一种工具”，走向“理解多种编程范式”；再从“单平台开发”，走向“异构环境适配”。

这实际上对应着国产算力生态从“可用”走向“好用”的一个关键环节。

而如果未来真有越来越多开发者参与到这一层，那么国产GPU的竞争，也将不再只是芯片之间的竞争。

最终比拼的，是一整套从硬件、软件、工具到开发者的完整生态能力。

这或许才是这场多范式算子实战营背后，更值得关注的信号。

文章纠错