GPU算子高性能优化、仿真建模与AI驱动算子生成关键技术研究

课题背景 当前国产卡在算子生态成熟度与优化人才储备上仍有明显差距：核心算子的深度优化高度依赖专家经验、开发周期长；新架构迭代快，缺少精准的算子性能仿真建模能力，难以形成"硬件评估-集群规划-算子调优"的数据驱动闭环。同时，业界最新进展表明，执行反馈驱动的代码大模型已具备自动生成可编译、数值正确且有真实加速收益的GPU底层Kernel的潜力，AI生成算子正从研究探索走向工程落地。本课题围绕国产GPU算子高性能优化、性能仿真建模、AI驱动算子自动生成三个方向开展联合研究，构建"仿真建模指导优化、AI生成降低门槛、执行验证保障质量"的算子研发新范式。 课题挑战

1. 01

   国产异构架构的算子极致性能：Attn/GEMM/MoE/通算融合等核心算子需针对不同架构重新设计分块、流水与访存策略，优化空间大但专家稀缺，且需保证数值正确性与跨架构泛化。

2. 02

   算子仿真建模的精度与泛化：静态解析式模型难以捕捉复杂硬件行为，纯数据驱动模型面临样本稀缺、跨算子/跨形状/跨硬件泛化差的问题，仿真精度直接决定其对硬件选型与算子调优的指导价值。

3. 03

   AI生成Kernel的正确性与性能双达标：模型需掌握形状推导、线程索引映射、边界处理、访存模式、规约策略与数值稳定性等底层能力；生成代码须同时通过编译、数值验证并取得真实加速，且面临奖励稀疏、策略漂移、首轮质量低等强化学习训练难题。

4. 04

   执行式验证基座构建：需建设覆盖编译、运行、数值校验、反作弊检测、性能测速的全链路自动化验证环境，并将各类失败结果转化为结构化奖励信号，工程复杂度高。

5. 05

   生态与数据壁垒：开源算子样本、性能profiling数据、错误修复案例等高质量语料稀缺，编程模型互不兼容，数据构造与多后端适配成本高。 拟取得的成果 1.核心算子优化与库化：面向主流国产GPU完成Attention/GEMM/规约/归一化/通算融合/集合通信等核心算子的深度优化与库化沉淀，形成跨架构可复用的优化方法论与调优工具链，支撑规模化落地与推理降本。

1. 01

   包含但不限于计算机、信息工程、人工智能、自动化、软件工程、电子工程、微电子等相关专业的博士和优秀硕士；

2. 02

   有至少其中一项技能/知识：GPU编程（CUDA及国产编程模型）、算子开发与性能优化、编译器技术（LLVM/TVM/MLIR/Triton）、体系结构性能建模、大模型后训练（SFT/RL）与代码生成；

3. 03

   在AI Infra、算子库开发、高性能计算、编译优化等方向有深入实践，或有代码大模型训练、执行反馈强化学习相关经验者优先；

4. 04

   有好奇心，自驱力强，有较好的学习能力，编程能力强；

5. 05

   良好的沟通协作能力，能和团队一起探索新技术，推进技术进步。