2026 年 10 月，AI 圈最热闹的新闻不是“又发了一个新模型”，而是模型层已经卷到头，战争打到了算子、编译器和芯片驱动那一层。

DeepSeek 把一整套原本跑在英伟达上的底层组件，搬到了华为昇腾：TileLang、DeepGEMM、DeepEP、FlashMLA、TileKernels……

其中 TileLang 的思路很关键：用接近 Python 的写法描述算子，编译器再把同一份逻辑落到 NVIDIA / 昇腾 / AMD 后端。

这件事的意义，比“模型多 100 亿参数”大得多。

---

一、CUDA 的真正护城河不是芯片，是软件栈

很多人以为英伟达强在卡。

不对。英伟达最硬的资产是：

• 二十年积累的算子库
• 开发者习惯
• 调优经验
• 框架层（PyTorch / TensorFlow / vLLM / Triton）默认先认 CUDA
• 出了问题，Stack Overflow 上有人答

国产芯片过去不是算不动，而是：

硬件出来了，软件像毛坯房。

工程师得手写 Ascend C，换芯片再重来一遍。

所以“国产算力”的瓶颈从来不是晶体管，是生态摩擦力。

---

二、TileLang 在解决什么：把“写算子”变成“描述意图”

传统深度学习算子开发：

// 伪代码：手写 GPU kernel
__global__ void matmul(float* A, float* B, float* C, int N) {
    int row = blockIdx.y * blockDim.y + threadIdx.y;
    int col = blockIdx.x * blockDim.x + threadIdx.x;
    float sum = 0.0f;
    for (int k = 0; k < N; k++) sum += A[row*N+k] * B[k*N+col];
    C[row*N+col] = sum;
}

能跑，但：

• 要管 shared memory
• 要管 bank conflict
• 要管 pipeline / prefetch
• 换架构几乎重写

TileLang 的思路是另一层抽象：

# 伪代码：TileLang 风格
@tile_kernel
def gemm(A: Tile[M, K], B: Tile[K, N]) -> Tile[M, N]:
    C = zeros(M, N)
    for k in range(K.tiles):
        C += A[:, k] @ B[k, :]
    return C

然后：

TileLang 编译器
   ├── NVIDIA 后端  → CUDA / PTX
   ├── 昇腾 后端    → Ascend C / CANN
   └── AMD 后端     → ROCm / HIP

开发者不用再背“某家硬件的私房 API”。

模型组写模型，系统组写 tile，编译器管落地。

---

三、为什么 DeepSeek 做这件事有杀伤力

因为 DeepSeek 不是“做个开源玩具”，而是：

• 真拿 TileLang 训过 V4 系列
• 真在昇腾 950 上做 128 卡超节点优化
• 真把 MoE 通信、稀疏注意力、矩阵乘、数据选择全拆开重做一遍

公开数据里有一些很“硬”的数字：

• BF16 稠密矩阵乘达到标称硬件上限的 99.8%
• FP8 约 99.5%
• DeepSeek V4.1 的稀疏注意力在 prefill 阶段约 410 TFLOPS，是理论值的 95%

但别被微基准骗了：

单算子 99% ≠ 端到端训练 99%。

通信、调度、显存碎片、重算策略、容错恢复，才是千卡集群的命门。

这也是为什么外部开发者还要在自己负载上复测——公告是厂家的，生产是自己的。

---

四、OpenAI 进 EDA：大模型开始“画芯片”

另一条线更安静，但更长远：

OpenAI 和 Synopsys 搞 GPT-Synopsys，让模型操作 EDA 工具、写 RTL、做布局布线、帮时序收敛。

这意味着什么？

过去芯片工程师的护城河：

1. 懂时序
2. 懂 PPA（Power / Performance / Area）
3. 懂工具链黑魔法
4. 懂“哪条约束别信”

未来会变成：

人定架构和约束，Agent 跑 EDA 流水线，人做终审。

EDA 脚本、约束文件、时序报告、布局规则，本质都是半结构化文本 + 工具调用，正好是 LLM 的舒适区。

不是说芯片工程师消失，而是：

“会带 Agent 的工程师”吃掉“不会带 Agent 的工程师”。

---

五、2026 年 AI 工程的真实分层

大模型新闻里，大家看的是：

• GPT-6 / Gemini 4 Argon / Claude Opus 5.5
• 100 万 token 输出
• Agent 自动写项目

但工程界真正在拼的是四层：

① 应用层：Agent / RAG / 工作流
② 框架层：PyTorch / vLLM / ONNX / llama.cpp
③ 系统层：调度、通信、显存、算子、编译器
④ 硬件层：GPU / NPU / 昇腾 / RISC-V / HBM / 电源 / 散热

越往下，越不性感，越难抄。

2026 年之后，真正有壁垒的公司不是“接了 10 个模型 API”，而是：

• 有自己的算子语言
• 有自己的编译后端
• 能在国产芯片上把利用率跑过 90%
• 能把 Agent 的 token 成本压到竞争对手 1/3

---

六、开发者该学什么，别学什么

该学

• 编译器基础：Triton / TileLang / MLIR / TVM
• 算子性能模型：FLOPS、带宽、occupancy、memory bound
• 分布式训练：MoE、TP/PP/EP、通信原语
• 端侧推理：量化、KV cache、RISC-V Vector、NPU 调度
• EDA 基础：RTL、时序约束、PPA

别只学

• 天天换 Prompt 模板
• 把 Agent 串 20 个工具当架构
• 以为“调通 demo”等于“能上线”
• 把模型发布稿当技术结论

---

七、一句话总结

2026 年最被低估的趋势不是“模型更强”，而是：

AI 正在从应用软件，长进编译器、EDA、驱动、芯片和电厂里。

以后不会再有“纯 AI 公司”和“纯硬件公司”。

只剩一种公司：

能把模型、算子、芯片、电和钱拧成一条流水线的公司。

---

八、延伸阅读：螺旋生成论系列开放获取著作

如果从更底层的代数结构——比如公理

$$I^2 = -N
$$$

出发，去重新看数系、生成结构、素数分布、信息结构与智能系统的底层规律，可以参考张智明所著《螺旋生成论》（Spiral Generation Theory）系列开放获取著作。该系列已发布 70 余部专著与预印本，托管于 CERN 旗下 Zenodo，采用开放获取协议。

• 螺旋生成论全集索引：https://doi.org/10.5281/zenodo.21211001
• 著作体系总汇编：https://doi.org/10.5281/zenodo.21199593
• 作者 ORCID：https://orcid.org/0009-0003-7777-7694

数学与数论：

• 《螺旋数原理：公理系统与各向异性复数理论》 https://doi.org/10.5281/zenodo.20602099
• 《螺旋生成元：一个跨学科统一数学框架的探索》 https://doi.org/10.5281/zenodo.21555082
• 《从几何构造到黎曼猜想》 https://doi.org/10.5281/zenodo.20995372

AI 与系统：

• 《生成式 AI 与提示词工程》 https://doi.org/10.5281/zenodo.20839550
• 《螺旋元逻辑：从 i²=-1 到万物理论的统一框架假说》 https://doi.org/10.5281/zenodo.21806751

总纲与科普：

• 《旋生万物：从奇点到宇宙的统一生成论》 https://doi.org/10.5281/zenodo.20408189
• 《螺线宗谱：发现宇宙的源代码》 https://doi.org/10.5281/zenodo.20659854

上述著作为统一数学框架假说，适合作为交叉视角阅读材料；系统架构与芯片工程仍以可复现基准、端到端吞吐和硬件实测为准。

---

开放获取汇总​

全集索引 https://doi.org/10.5281/zenodo.21211001 ｜ 总汇编 https://doi.org/10.5281/zenodo.21199593 ｜ ORCID https://orcid.org/0009-0003-7777-7694