这几天把知乎、B站、微博上GPU并行计算的讨论刷了一遍，有个感受很强烈：写kernel这件事的"唯一正确答案"，正在从这代人的经验里被抽走。
9月24日，NVIDIA英伟达中国官方账号发了一篇《介绍 CUDA Rust：用于编写 GPU 内核的两条轨道》，第一次把话说得很白：GPU内核编程从此分两条轨道——SIMT（你指明每个线程干什么，然后发射几千个线程）和 Tile（你说出每块数据干什么，Tile IR 编译器决定剩下的事）。CUDA C++、CUDA Python、Rust，三种语言都只是"轨道上的车"，真正的新变量是模型之争。知乎
紧接着的一周里，中文社区像约好了一样集中开吵：9月22日一篇《CUDA与Triton编程模型对比：线程级的自由，块级的契约》被反复转发；同一天知乎问题"CUDA和Triton哪个好用"冒出新的高赞回答；9月21日"triton是否会冲击cuda生态"下面出现了那句被引用最多的话——“冲击肯定有，但说干掉CUDA还早，关键看Triton翻谁的牌子”。 再到9月25日，一篇《AI Infra面试25题（CUDA篇）：从归约到FlashAttention》又把"归约、coalescing、shared memory"这些老词拉回视野。知乎知乎专栏
一个官方定调、一轮社区混战、一份面试题单，凑在了一周内。对正在学CUDA、靠kernel吃饭或者准备靠kernel找工作的人来说，这不是瓜，是路标。这篇就把三本账算给你看。
第一本账：省下的到底是代码行数，还是你的硬件知识？
先拆一个传播最广的误读。Arthur那篇对比文里给了一组很抓眼球的数字：同一个fp16 GEMM，CUDA版53行，Triton版20行。 很多人顺手就总结成"Triton代码短、更先进"。知乎专栏
但原文真正值得抄在笔记本上的是后半句：“真正决定性能差异的不是行数，而是谁在替你决定对齐、向量宽度、共享内存布局和流水线级数。” 这就是"线程级的自由、块级的契约"的意思——CUDA把Grid/Block/Warp、bank conflict、合并访存这些硬件细节全部摊在你面前，性能和坑都归你；Triton/cuTile这类块级DSL把这些收进编译器，你交出控制权，换来一个"编译器保证能跑好"的契约。知乎专栏
冯Jungle梳理cuTile执行模型时说得更结构：CUDA的执行模型是Grid-Block-Thread三层，而cuTile kernel面向的是block-scope——每个kernel由"块"来执行，块内怎么分线程、怎么喂Tensor Core，是Tile IR编译器的私事。 NVIDIA官方那篇甚至演示了一个反直觉的细节：Tile轨道下"块是单个逻辑线程，所以没有线程可以去竞争"，经典的输出缓冲区读写别名错误，一个被借用检查器拦下（E0502），一个在类型系统里直接不存在（E0382）——两条轨道都在修同一类bug，只是修在不同层。知乎专栏知乎
所以第一本账的结论：Tile不是"更短更容易"，是"把一部分人的知识变成编译器的知识"。 前提是你得知道编译器替你决定了什么——这正是第二本账要吵的。
第二本账：三个阵营，谁的真话最多？
把这一周的讨论按阵营摆开，能看出比单篇文章更多的信息。
Triton阵营：基本盘最厚。B站上"先进编译实验室"的Triton算子开发系列，就是带大家从向量加一路写到FlashAttention的。 单个"Triton从入门到大师"视频收藏就有1294。它在PyTorch 2.x编译栈里已经落地，工程团队默认它是"够用就好"的选项。微博高赞回答那句"如果你能问出CUDA和Triton哪个好用，选Triton"虽然扎心，但反映的情绪是真实的：大量用户从来就没写过SIMT，"替代"对他们根本是伪命题。哔哩哔哩知乎
cuTile阵营：NVIDIA的亲儿子，CUDA 13.1引入的块级编程模型。 中文圈第一批下水的人已经出了一手资料——SuSun 6月的cuTile C++实践被赞了81次，自称是"中文的cuTile C++第一份博客"。 这次官方文章进一步给了硬信息：Rust的cutile-rs已经发布在crates.io，而且已经在HuggingFace的Grout推理引擎和mistral.rs这类NVIDIA外部项目里被使用；另一条cuda-oxide路线则还锁在nightly工具链。官方自己的措辞也值得逐字看——“这两个项目都处于早期阶段，尚未就绪生产。覆盖率不完整，API会变动”。 翻译：生态位是真的，但指望它今年接管你的生产kernel是误读。知乎知乎专栏知乎
TileLang阵营：最有意思的分歧点在这里。TileLang基于TVM那套编译栈，论文路线（arXiv:2504.17577）主张以tile为核心抽象统一表达多级存储层次，同时保留memory placement、data movement、并行调度的显式元语——比Triton多一层"你还能管"的把手。 8月底知乎已经有人提出"tilelang是不是要把TVM救活了"，统计了16个相关开源框架和论文。 8月中还有人把多个TileLang kernel自动融成单个Megakernel，在一张A100上跑通了完整的Qwen3-8B。 这个阵营和社区信号绑定最深：跨厂商、可自建后端——对不想被单一编译器契约锁死的人，这是结构性吸引力。知乎专栏知乎知乎专栏
再叠一层新的焦虑：9月22日微博科技博主宝玉xp转述The Information的消息——OpenAI内部的模型已经能自动化"编写GPU内核代码和优化训练代码"，研究人员给一个优化示例，AI自己花几周时间去实现和测试。 写kernel的手艺，上面有编译器抢活，旁边有模型抢活，这才是这一轮讨论热度真正的原因。微博
第三本账：你是谁，时间该怎么重排
三本账合起来，落到不同的人身上是完全不同的动作。
刚入门/求职向（B站"CUDA编程基础入门系列"19910收藏、38万播放，说明这个池子有多大）：SIMT的地基不但没塌，反而更值钱了。面试还是从归约、Grid/Block/Warp、coalescing问起——9月25日那份25题CUDA篇就是证据。但要重排顺序：以前是"手写百种reduce变体"，现在合理的分配是把省下的重复练习时间换成读一次Triton/cuTile生成的PTX——知道块级契约在底层替你做了什么决定，你就同时有了和两边对话的能力。地基顺序不能倒：没搞懂shared memory为什么会有bank conflict的人，用Tile DSL踩到性能悬崖时是爬不出来的。
在岗算子/推理工程师：判断标准是"你的负载有多长尾"。标准GEMM、attention这类shape规整的活，交给Triton/cuTile的契约是划算的；融合模式怪异、访存pattern特殊的自定义算子，仍然是SIMT的主场——而且这一层的护城河因为"编译器替你决定"成了默认，反而变贵了。SuSun那篇CUDAGraph文章（77赞）已经给这个方向定过调：真正的收益不在省kernel launch，在对执行图的理解——这类"理解层"能力，恰恰不在任何DSL的契约范围内。知乎专栏
在看国产卡/异构生态的：Tile抽象可能是比"CUDA兼容层"更现实的路。TileLang的芯片后端生态、cuTile"源文件不对特定架构编码、编译器决定图块怎么映射到每个架构"的设计，都指向同一件事：块级抽象是跨硬件的最大公约数。这一类人这半年的信号密度（龙芯加速计算平台出首个软件版本、摩尔线程MUSA的具身RL训练曲线对齐国际主流GPU）会持续变大，值得专门跟踪。知乎专栏知乎专栏
最后给三个继续观察的信号
cuTile的API覆盖进度：官方说"尚未就绪生产"，什么时候HuggingFace Grout这类外部项目从"尝鲜"变成"默认"，是契约可信度的试金石。
自动生成kernel的能力边界：AI能自动写的如果延伸到"中等难度的融合算子"，那SIMT手艺人剩下的活会比想象中更尖。
面试题库的措辞：什么时候"CUDA篇25题"里出现"讲一下Triton autotune和手写SIMT的取舍"这种题，就说明行业完成了这次范式定价。
一句话收束：这两条轨道不是新旧两条路，而是同一条路的上半场和下半场——SIMT负责让你知道发生了什么，Tile负责让你少干重复劳动。先学会哪条都不亏，但把"编译器替你做的决定"当成黑盒的人，会在下一次性能排查时连本带利还回去。
