CUDA是英伟达于2007年发布的高性能计算平台，经过近二十年的发展，CUDA在成熟度和面向AI场景的支持能力方面，相比其他AI芯片厂商存在一定的优势。英伟达先后在CUDA平台引入了NVLink、混合精度训练（FP16）等能力，并在CUDA层面实现了对Tensor Core的支持，使矩阵计算的速度得到数量级提升。因此，CUDA也成为了英伟达在高性能计算和AI计算领域的主要壁垒。
　　虽然CUDA已具备较高的成熟度以及较为完善的算子支持，但在工程中仍需要开发者进行工作量较大的手动优化。同时，在进行跨平台代码迁移时，基于CUDA接口的代码也需要开发者重新进行编写。因此，Philippe Tillet由于2019年提出Triton项目，Triton能够自动化处理线程、内存的操作等底层细节，进一步降低了GPU内核程序的开发门槛，加快了开发者在AI场景下的开发效率。随着Philippe Tillet在2020年加入OpenAI，Triton在OpenAI内部得到了推广和使用，OpenAI于2021年正式将Triton开源。
　　目前，国产AI芯片厂商的高性能计算平台在框架兼容性和工具链完善度上，与英伟达CUDA平台仍有一定的差距。此外，国产AI芯片厂商的硬件架构无法做到互相兼容，各厂商的高性能计算平台也无法实现通用，这导致开发者需要针对不同的国产AI芯片平台进行优化和适配，增加了开发成本，不利于国产AI芯片的大规模推广和使用。
　　TileLang由北京大学计算机学院团队开发，并于2025年1月正式开源。TileLang与Triton类似，都是专为AI算子开发设计的程序语言。TileLang将高性能计算中的“分块技术”（Tile）作为提升AI算子性能的关键，通过分块实现了内存优化和自动调度。TileLang将原本需要手动优化的操作，与内核的数据流（Dataflow）解耦，将大多数优化工作交给TileLang编译器完成，编译器能够自动推导出适合目标硬件的优化策略。
　　我们认为：TileLang或将解决头部AI芯片公司与国产AI芯片的高性能计算平台之间接口互不兼容的问题，同时，对国产AI芯片的高性能计算平台进行有效的优化。TileLang有望降低互联网大厂在生成式AI模型推理和训练代码迁移时的成本，加速国产AI芯片的技术落地和商业化。
　　建议关注：
　　1）AI推理芯片：寒武纪、海光信息。
　　2）算力服务器：浪潮信息、中科曙光、华勤技术、神州数码。
　　风险提示：人工智能技术落地和商业化不及预期；产业政策转变；宏观经济不及预期。