Triton开始，这款产品有哪些独特之处？

Triton，本文指 OpenAI Triton，先看官方介绍， Triton is a language and compiler for parallel programming. It aims to provide a Python-based programming environment for productively writing custom DNN compute kernels capable of running at maximal throughput on modern GPU hardware. Triton 是一个用于并行编程的 Python DSL，也是一个将计算映射到并行硬件的编译器框架。 两个视角， 算法研究：使用 Python DSL 快速实现高性能算子，无缝接入 PyTorch 生态 编译器开发：为自研 AI 芯片提供编译基础设施，可基于 MLIR 构建完整编译栈 它是一座连接高级算法思想与底层硬件并行性的桥梁，兼顾了生产力、性能与可移植性。 本文聚焦于 AI 编译器开发，想的是怎么把 Triton + MLIR 上手玩起来。 不过在此之前，先聊聊我写这篇文章的初衷。 为什么写 Triton？ 我也是初次接触 Triton。那为什么想到写它了呢？ 因为目前 AI 编译器的主流方向是 Triton + MLIR，正好打算深入学习一下。 但真要写 Triton，现在又有问题了，怎么写呢？如今问一问 AI 不就好了。 所以，文风与内容，打算稍作变化。啥意思，会多点‘废话’，多唠叨几句，不再简要成手册，这就由 AI 来做吧。 我呢，多谈谈自己的想法：一是让大家感觉更像是在和一个人交流；二是分享个人实践的经验，希望能对大家有所裨益。 GoCoding 定位，让大家了解技术上新的东西，或能引导大家进入新的领域。技术深入跟随会议或社区进展就好。 怎么来学 Triton？ 官方渠道：不用多说，当然从官方渠道开始。不建议看我这样的二手信息。 那我写文的价值呢？一，对我个人最有用；二，让关注我的人能了解新的技术、发现感兴趣的领域，一起学习。 AI 辅助：与 AI 聊聊我的目标，看看它建议的学习路径。现在可真方便 ✌️ 那我们开始吧！ 首先，了解一样东西，我不仅仅会了解它是什么、用做什么。就如文章开头对 Triton 的描述。我一般还会去了解背景：它的由来、发展历程。挖掘得细一点，有时还会发现一些有意思的小故事。 其次，就是对比。为什么是它，它的优势在哪，它在往什么方向发展。也就是了解一下它“到哪里去”的问题。更远的，未来的可能性与不确定性，学习并深入时可能会想一想。 之后，才是学习。笨办法，是我用得比较多的。就是，把一本书或官方教程，全部写一遍、跑一遍。当然，现在 AI 开道，免费导师，可以试试聪明办法了。又想起我自己说过的那句：AI：不懂的人用，则是引导者 😊 现在，就按上述思考，开始吧！ Triton 的发展阶段 发展阶段 大致时间 核心特征与关键事件 技术栈与生态 主要目标用户 初创与原型 2018 - 2021 在OpenAI内部诞生，核心是为NVIDIA GPU提供比CUDA更友好的编程抽象。发表了开创性的学术论文。 独立的编译器，深度集成于PyTorch。后端主要为CUDA/NVVM。 AI研究人员、需要编写定制CUDA算子的开发者。 成熟与生态扩张 2021 - 2023 关键转折：基于MLIR重构。从“编译器”变为“编译器框架”，奠定跨硬件基础。前端DSL稳定，社区采用度激增（如FlashAttention）。 MLIR成为核心中间层。后端扩展至AMD GPU（ROCM）和Intel GPU（OpenCL/SPIR-V）。 高性能计算工程师、框架开发者、其他硬件厂商的编译团队。 平台化与工业部署 2023 - 至今 成为自研AI芯片的“上游编译前端”。其Triton IR（MLIR Dialect） 成为连接算法与多种硬件的关键抽象层。 基于MLIR的完整编译栈。出现针对不同自研硬件的定制后端。生态与Torch-MLIR等融合。 AI芯片公司的编译器团队、构建端到端编译基础设施的架构师。 Triton 的核心优势 Triton 核心优势：用 Python 写 GPU 算子，基于 MLIR 轻松跨硬件，已是 PyTorch 高性能算子的事实标准前端。