资深芯片设计师Keller评英伟达的软件变革：CUDA护城河或被破

　　NVIDIA近日推出的CUDA 13.1工具包标志着其GPU编程平台的重大转向，这一更新引入了基于Tile的编程模型，引发了行业资深芯片设计师Jim Keller的关注。他在社交媒体上指出，这一变化可能削弱CUDA长期依赖的软件壁垒，让AI内核移植到其他硬件变得更简便。这一观点源于CUDA Tile对传统SIMT模型的颠覆，旨在降低编程门槛，同时为开发者提供更抽象的表达方式。

　　行业资深芯片设计师Jim Keller

　　CUDA作为NVIDIA自2006年推出的并行计算平台，已成为AI和数据中心领域的核心基础设施。13.1版本是20年来最大规模迭代，重点优化了加速计算的性能和可访问性。NVIDIA开发者博客强调，这一更新通过抽象硬件细节，让开发者专注于算法逻辑，而非手动调优GPU参数。

　　具体而言，CUDA Tile将GPU视为“Tile处理器”，引入Tile IR作为低级虚拟机，支持结构化矩阵运算和卷积等高规整操作。相比以往，开发者无需手动管理Tile大小、共享内存加载或计算资源分配，由板载编译器自动处理。这不仅简化了AI工作流，还提升了整体效率，Nsight Compute 2025.4工具已添加对Tile内核的剖析支持。

　　英伟达的芯片架构

　　Jim Keller，这位曾主导AMD Zen和Intel处理器设计的传奇人物，对CUDA更新持谨慎乐观态度。他在X平台发帖称：“Curious. Did Nvidia end the Cuda 'moat' If they move to tiles like most other hardware, the AI kernels will be easier to port。”这一评论直指CUDA Tile的Tile-based方法与行业标准如OpenAI的Triton框架高度一致，可能便利代码从NVIDIA GPU向AMD或Intel硬件的迁移。

　　Keller此前曾将CUDA比作“沼泽”而非“护城河”，指出其复杂性虽锁定开发者，但也积累了低效代码和维护负担。2024年，他补充道：“Basically nobody writes CUDA. If you do write CUDA, it is probably not fast。”此次更新虽提升抽象层，但Tile IR仍为NVIDIA专有，优化针对其硬件语义。这意味着性能虽不如低级实现，却为非专家开发者打开大门，尤其在AI模型训练和推理场景中。

　　从工程角度，CUDA Tile摒弃了Single Instruction, Multiple Threads（SIMT）的线程级原子单位，转向Tile作为编程核心。这允许开发者以更高抽象度描述算法，编译器则动态调整GPU参数，如Tensor Core的协调动作。测试显示，在矩阵数学任务中，优化需求减少30%，延迟降至毫秒级。

　　配套工具链包括Nsight Systems 2025.6.1的追踪增强，支持设备启动图的剖析；Compute Sanitizer 2025.4则添加内存检查编译标志。整体栈兼容CUDA 13.x系列，驱动要求为R535以上，确保Blackwell和Hopper架构的无缝集成。这一设计源于NVIDIA对AI基础设施的长期投入，预计将加速大型语言模型（LLM）的开发，而非像CEO黄仁勋所言的“AI末日”。

　　2025年，GPU市场正从硬件竞赛转向软件生态融合。NVIDIA凭借CUDA占据AI芯片90%份额，但AMD的ROCm和Intel的oneAPI正加速追赶。CUDA Tile的开放倾向响应了这一压力，调研显示，开发者中65%希望跨平台移植简化，以降低对单一供应商的依赖。Triton等框架的普及进一步放大这一效应，预计2026年AI内核移植率将升至40%。

　　然而，NVIDIA通过专有IR维持控制，类似于x86的向后兼容“沼泽”。数据中心出货量同比增长15%，但供应链波动和能效需求推动厂商探索RISC-V替代，如Tenstorrent的Buda软件栈。整体趋势显示，编程模型从低级优化向抽象协作转型，助力AI从云端向边缘扩展，但兼容性瓶颈仍需迭代解决。

　　CUDA 13.1的Tile更新体现了NVIDIA在软件创新上的平衡之道，为开发者提供了更易用的工具，同时为行业跨平台协作铺设了桥梁，逐步重塑AI计算的格局。