12月9日消息，英伟达近日正式发布了“NVIDIA CUDA Toolkit 13.1”，其中“CUDA Tile”是最核心的更新，这是英伟达基于 Tile 的编程模型，可用于抽象化专用硬件，包括张量核心。 英伟达表示，这是自 2006 年 CUDA 平台诞生以来规模最大的升级。
在这次更新之前，CUDA为程序员提供了微调参数的杠杆，如 Tile 大小、共享内存加载数据以及GPU执行所需计算资源方面拥有优势，但有了CUDA Tile，情况则完全不同。
英伟达CUDA 13.1 带来了两个用于 Tile 编程的组件：1、Tile IR，一种用于 NVIDIA GPU 编程的全新虚拟指令集架构（ISA），它将 GPU 视为Tile处理器。这使得程序员能够更多地关注核心逻辑，而非GPU复杂性；2、cuTile Python，一种新的领域特定语言（DSL），用于在 Python 中编写基于数组和 Tile 的核函数。
得益于CUDA 13.1 优化，英伟达成功减少了手动优化，转而专注于结构化矩阵和卷积等高度规律的作。这样做的主要好处是 CUDA Tile 使 GPU 编程能够被更广泛的受众访问，且由于算法是抽象表达的，因此板载编译器决定GPU参数。当然，与底层实现相比，CUDA Tile的性能不会很好，但它是英伟达让每个人都能使用AI的方法之一。
Jim Keller认为CUDA Tile将使代码移植到其他GPU（如AMD的GPU）上变得更加容易的原因之一是，平铺方法在业界已经广泛使用，被Triton等框架使用，因此它最终增加了将CUDA代码移植到Triton，然后移植到AMD AI芯片的可能性。其次，当提高抽象级别时，开发人员就不必再担心编写特定于架构的CUDA代码了，因此可以认为代码移植会变得容易得多。
“英伟达是不是打破了CUDA的‘护城河’？如果他们像大多数其他硬件一样转向分块式架构，AI内核的移植就会更容易。”Jim Keller在“X”平台上写到。
然而，也有观点认为，CUDA Tile实际上加强了英伟达的护城河，主要是因为其背后的专有技术，如Tile IR，针对英伟达硬件语义进行了优化。因此，虽然移植可能会变得更容易，但实现仍然很复杂。最终，通过使CUDA编程更容易，英伟达实际上正在巩固其对CUDA堆栈的控制，这也是为什么最新的CUDA更新被吹捧为GPU编程领域的“革命”的原因之一。
编辑：芯智讯-浪客剑