一个字，难。芯片设计难，芯片制造难，对应的编译器难，实际上应用更难。 如果说当前的人，项目资金来源情况， 共性的东西 关心的东西：厂商是不是怎么看？ 税务系统： 基金会，怎么和Kronos合作？完全还是部分兼容？三年跟当时的CUDA去比，技术难度有，完全兼容CUDA，难度加大了。 Sync编译器，LLVM编译器，跟后端还是哪里对接？实际的问题， ： 智元实验室，Chat编译器，API在算子这一块，哪一块比较有价值。编译器，原来在国外，动机是CUDA太难写，高级语言很难把性能发挥出来，统一的All2I，PX，CUDA代码很容易搞，真的每家厂商要搞一下，比较一致的东西。 从CUDA到C语言的转换，PTX比较Low level的比较难以转换。本身不是比较难搞，而是指令不一定支持，上层转换难，底层二进制翻译更难。 怎么对接到我做的编译器，Balance带来什么好处？ 需要芯片厂商，打个样例，提个小问题： 从我们公司角度来说，前端量化，定点执行过程，这个地方怎么做到各家统一。各家是不统一的，一种量化方式支撑不了，什么是精度比较高的，对称，非对称，各说各有理，这个地方要多想一下。 量化方式，思路，NVIDIA的思路，预定义过程。 在跟各家AI，软件栈，每合作一家都能够 AI厂家，适配的工作量， 适配不同的架构，帮助比较大，跟各个国产芯片架构变化大，难度大。训练框架，接入CUDA生态，特别多的第三方库，生态在做模型训练非常重要，做相应的改造，硬件生态达到一定的成熟度之后。总体上讲，API带来很大的便利，方便大家使用。 1）兼容CUDA非常重要，CUDA目前是异构计算的主流，开发人员多，Github上开源代码多，可能是未来的方向。因为我们从08年年开始做CUDA程序的开发和优化，对CUDA比较熟悉。我们觉得CUDA是一种比较好的编程模型，因为几个核心特征：高并发、可编程Cache、SIMT等。 2）语言无关编译IR我觉得很重要，这个可能是一个中间状态，能不能成为一个标准，类似MPI、OpenMP之类的标准模型。因为IR可能会成为未来一个很重要的抽象模式。 3）从应用的角度，我们觉得 大模型显卡集群的建立，推理也会是高潮 生态的打造，举个例子，必须借个位子，不兼容没有人用你 生态打造还是比较难，操作系统这一块，相对而言，技术路线还没有那么长，算力这一块难度比较大， |
说点什么...