2026年学CUDA，最怕的不是难，是把时间花在"贬值"的部分：对照Tile新范式、AI写内核和算子招聘市场，把先后顺序算清楚

源自88位全网作者

11:42

最近这段时间，如果你在学 CUDA，大概率会在同一天刷到两种互相打架的消息。

一种是让人焦虑的：字节 Seed 和清华 AIR 联合发布的 CUDA-Agent，一个专门训练来写 GPU 算子的 AI 智能体，在 KernelBench 基准上跑出了 98.8% 的通过率，96.8% 的生成代码比基线更快，平均比 torch.compile 快 2.11 倍，把 Claude Opus 4.5（66.4%）和 Gemini 3 Pro（69.6%）甩开了四十个百分点。微信更早一点，众智 FlagOS 社区的 KernelGen 在多芯片环境实测，AI 自动生成算子的可编译运行成功率做到了 82%。今日头条"AI 写内核"已经不是演示，是有论文、有基准分数的工程现实。

另一种是让人心痒的：算子开发岗的招聘一点没降温。有头部 AI 芯片公司的算子开发工程师/专家岗开出 50-150 万年薪，知乎上 AI Infra 社招的 CUDA 高性能算子岗位直接对标 P6-P8；小红书上还有工程师吐槽自己从算子岗跳去写 runtime 是"跳错坑"，因为"算子开发岗位超级多，BOSS 直聘天天一堆训推岗 HR 要简历"。微信知乎小红书

一边是 AI 能写内核了，一边是写内核的人还在被高薪抢。这两个事实放在一起，指向一个对学习者很实际的问题：2026 年学 CUDA，真正该担心的不是学不会，而是把未来 3-6 个月的时间，投到了正在贬值的部分上。

这篇就把这笔账算一遍：哪些东西在贬值，哪些在增值，顺序应该怎么排。不教语法，只做判断。

先说结论：CUDA 没有过时，但"会写"的门槛被抹平了，"写得好"的门槛反而抬高了

过去一年 CUDA 生态发生了三件结构性的事，每一件都在重新定价你的学习时间：

第一件：Tile 编程范式落地了。 2025 年 12 月，英伟达发布 CUDA 13.1，官方称之为"近 20 年最大的一次编程模型升级"，核心就是 CUDA Tile 编程模型——编程的基本单位从"线程"变成了"数据块"，你不再手动管线程索引、共享内存搬运和同步，编译器自动处理这些，还配套了 Python 接口。什么值得买刚开始它只支持 Blackwell 架构，到 2026 年年中，已经扩展到 Ampere 及以后的架构，也就是说 RTX 30 系以后的消费卡理论上都能碰到门槛；按 2026 年 8 月社区实测的说法，Python 版的 Tile 开发在 CUDA 13.2 可用，C++ 版要等 13.3。微信

第二件：AI 写内核从玩具变成了有基准分数的工具。 前面提到的 CUDA-Agent、KernelGen，还有社区里流传的实测案例——有人用大模型从零手写 FlashAttention，33 轮自动迭代把性能从 87ms 优化到 0.21ms，加速 414 倍，全程只花了几个小时。知乎注意，这不是说 AI 已经比人强，而是说"把一个 kernel 写出来并迭代到可用"这件事的成本，已经被打到极低。

第三件：Triton 成了事实上的第二语言。 PyTorch 2.x 的 torch.compile 默认后端就是 Triton，FlashAttention 的官方参考实现是 Triton 写的，连 LoRA/QLoRA 微调工具链底层都依赖它。抖音有实测文章在 A100/H100 上对比了 7 个典型算子：Triton 在 pointwise/reduction 类算子上接近最优，标准 GEMM 上 cuBLAS 仍有 5-15% 优势，差距最大的是 Flash Attention 这类融合算子，Triton 版比官方实现慢 25-30%；不过 autotune 能把 matmul 与 cuBLAS 的差距从 32% 缩到 3.8%。什么值得买

这三件事叠在一起，CUDA 技能的价格曲线就清楚了。

正在贬值的三类投入

第一，背 API 和"把 kernel 写出来"的能力。 cudaMalloc、cudaMemcpy、<<<>>> 这些语法本身，曾经是入门的门槛，现在是最不值钱的部分。KernelBench 这类基准上，经过专门训练的 AI 智能体已经做到 96.8% 的代码比基线快；就算用通用大模型，社区案例也证明几个小时内能迭代出可用的融合算子。面试官也知道这一点——现在大厂面试越来越少问"谈谈你对 GPU 架构的理解"，越来越多直接要求"现场手撕一个融合版 Softmax"，写完还要追问"带宽占用率能不能再拉一档"。什么值得买翻译过来就是：光会写，已经换不来溢价了。

第二，死记调参经验。 "block 大小先试 256"“grid-stride 循环万金油"这类口诀，过去是经验，现在 autotune 工具链做得更系统——Triton 内置自动调优，cuTile 方向也有 Autotile/TileGym 这类自动搜索。记住结论不如理解"为什么这个 shape 下这个配置好”，后者才是面试追问真正在考的东西。

第三，追求面面俱到的"完整学习路线"。 网上教程还在从向量加法一路教到纹理内存，但真实的大模型推理链路里，性能瓶颈高度集中在少数算子上：matmul、norm、attention、量化、TopK。主流刷题资源和面试题库的覆盖范围收敛得惊人，这本身就是信号——把时间均匀撒在所有知识点上，是回报率最低的学法。

正在增值的三类能力

第一，硬件执行模型的理解：warp、内存层级、瓶颈判断。 这是被所有证据反复指向的"硬通货"。一个容易被忽略的事实是：Tile 编程把抽象层抬高，瓶颈并没有消失，只是换了位置。讲 cuTile 的技术文章里说得很直白：就算用最高层的抽象，“Profiler 仍要看 registers/thread、spill、Tensor Core 利用率和 global store”。微信换显卡架构可以不重写代码，但判断"为什么慢"的能力永远要在人这边。面试也一样——bank conflict 怎么判断、访存合不合并、occupancy 为什么低，这些追问没有因为 Tile 范式出现而减少。

第二，把少数高频算子吃透。 上面说的收敛清单：matmul、softmax/norm、attention、量化、TopK。有一个被广泛引用的参照线：能手写一个效率达到官方库 80% 的矩阵乘法，才算"真入门"。什么值得买这条线短期内不会变，因为大模型推理的成本瓶颈就在这几个算子上，招聘方只为这个付钱。

第三，驾驭 AI 一起优化的能力。 这可能是 2026 年变化最大的一块。一位推理 Infra 从业者的观察很有代表性：把代码和 Nsight 的 profiling 数据丢给 AI 分析，AI 能给出清晰的瓶颈结论和优化方向，但目标设定、瓶颈判断、以及"这个优化方向在硬件层面到底成不成立"，仍然要人来做。他举的例子是 Hopper 架构的 TMA 硬件单元带来的双缓冲流水线收益——这种来自微架构的性能空间，AI 从软件层面怎么搜都搜不出来。也就是说，AI 抬高了所有人的下限，但上限仍然属于懂硬件的人。

Tile 新范式本身，建议"早接触、晚上生产"

给个明确判断：cuTile/Triton 这类 Tile 编程值得现在就在自己的卡上跑一遍，建立手感，但不要把它当学习起点，更不建议马上押进生产。

理由有两个。一是它确实香：官方演示里 15 行 Python 能达到过去 200 行 CUDA C++ 的性能量级，学习曲线平缓得多；二是它还太新——2026 年 8 月还在坚持写 CUDA Tile 系列实测的博主，给出的建议也是"先自行掌握技术，再在实际工程小范围试用评估"，API 随版本变动、旧卡兼容、生态资料少都是现实问题。微信

对大多数人更稳的入口其实是 Triton：它跟着 PyTorch 走，torch.compile、FlashAttention、量化工具链都在用，学会了立刻有应用场景；而且 Triton 的 block 级抽象和 cuTile 思路相通，学一个等于预习了另一个。

三种人，三条顺序

如果你是 PyTorch 用户/算法方向，不急着学 CUDA C++。顺序应该是：先建立 GPU 执行模型的基本认知（SM、warp、内存层级，花一两天看图解类内容足够）→ 然后直接上 Triton，从 torch.compile 的工作机制入手 → 等你真的遇到"这个算子为什么比官方慢这么多"的问题时，再回头补 CUDA 细节。这条路的检查点：能解释自己模型里最慢的三个算子分别卡在哪（带宽还是计算）。

如果你是学生、冲算子岗/秋招，时间预算 3-6 个月，顺序反过来：SIMT 基本功（手写 vectorAdd、reduce 只是热身，别停留）→ 尽快进入高频算子（softmax → rms_norm → GEMM → attention 逐级上难度）→ 从第一题就养成开 Nsight Compute 的习惯，每个优化都对着硬件指标说话 → 最后把"和 AI 协作调优"纳入工作流。这条路的检查点：能现场手撕融合版 softmax 并讲清楚每一步优化换来了什么，NCU 报告读得懂。