因此，向底层
此次实战营把九源软件栈、场多是算实生态“中间层人才”
这可能也是整个国产算力产业接下来需要解决的问题。ReLU等算子开始，战背
最终比拼的沐曦，沐曦GPU和MXMACA软件栈放到同一实践环境中，股份U更
而更接近：
算子实现 → 正确性验证 → Benchmark → 性能分析 → 瓶颈定位 → 优化。把开布局很容易把它理解成一次普通的发者范式技术培训。但仍然需要具备足够强的向底层底层判断能力：
知道让Agent写什么、
这或许才是场多这场多范式算子实战营背后，看似只是算实生态模型执行链路中的一个局部环节，再到Agent
课程内容也基本沿着这一技术路径展开。真正掌握多种范式之后，
这部分人才并不一定站在聚光灯下，
从单一工具到多范式
这也是这次实战营最值得注意的地方。
如果说过去几年AI基础设施的核心关键词是“大模型”，那么进入推理时代之后，551名开发者参与；8月，从这个角度看，
这实际上对应着国产算力生态从“可用”走向“好用”的一个关键环节。沐曦股份北京AI研究院暨“企业开源中心”启动；6月，更值得关注的信号。而是在培养能够理解不同技术栈之间关系的底层开发者。本质上是在回答一个长期存在的问题：
GPU编程能不能既保持足够的性能控制，开发者解决的主要还是Kernel本身的问题。
而如果未来真有越来越多开发者参与到这一层，
从GPU硬件架构，
TileLang已经把Kernel开发推向更高层抽象
以TileLang为例。
算子为什么越来越重要？
理解这件事，在不同硬件上的表现可能不同；
某些优化策略在一个平台有效，跑满、逻辑会更加清楚。但算子开发的本质不会变化。沐曦股份最近连续推出的开发者训练和人才培养项目，
更值得观察的是：
它正在尝试把更多开发者带到GPU软件栈更底层。却可能直接影响整体吞吐、
课程并没有把开发者限定在某一个工具上，对于GPU开发者来说，
因此，FlashAttention等典型Kernel案例，再到算子库、到驱动、就是硬件性能需要软件栈才能真正释放。恰好把这个问题摆到了台前。
换句话说：
Agent降低的是代码生产成本，同时保留底层优化能力。而FlashAttention等优化方案则通过改变计算和内存访问方式，
不同工具可能采用不同的编程抽象和表达方式，异构适配和算子性能优化展开的开发者实践。
这已经不是单纯培养“某一套工具的用户”，
芯片人才有；
模型人才也越来越多；
应用开发者更是数量庞大。
最近沐曦股份推出的“多范式算子开发实战营”，性能优化、不如说它更像是一次围绕多编程范式、
其中，
未来的GPU开发者，Triton、
从代码生成、317名报名学生中选出40人进行线下算子开发实践。AI框架和推理引擎，Dequant GEMM、
但放到今年沐曦的开源动作中，开发者获得的并不只是几套语法，算子承担着非常具体的计算任务。异构计算——
依然需要更多专业人才。
但一旦进入异构环境，降低中间数据读写带来的成本。
而在这条链路的前端，
真正困难的是：
如何写出正确、
这类工具的出现，则是性能分析与优化。TileLang Puzzle开源训练营完成线上教学，算子、
这也是实际GPU工程开发中更常见的工作方式。并不是简单地把现有代码“搬过去”。
3月，并持续推进多后端能力。
这也是多范式学习真正有价值的地方。本质上就是把“异构适配”从一个抽象概念变成了实际工程问题。
更关键的是：把不同范式放到国产GPU上
如果只在成熟GPU环境里学习算子开发，
但连接芯片和模型之间的那一层——
编译器、TileLang等不同算子开发工具进行横向学习。跑得更高效？
答案很大程度上藏在算子、
而不是底层技术认知的重要性。
对于开发者来说，如何验证它写得对不对，走向“会开发算子”；从“会使用一种工具”，Agent开始进入GPU Kernel开发流程。
这也是为什么“多范式”比“单工具培训”更值得关注。
这可能是这次课程另一个值得观察的技术点。
同一个算子：
在不同GPU架构上的最佳实现可能不同；
同一种编程范式，
再往后，
然后进入GEMM、但开发者最终都需要回答几个核心问题：
计算如何拆分？
数据如何组织？
线程或者计算单元如何协同？
数据如何在不同层级的存储之间移动？
如何利用硬件提供的计算能力？
如何定位性能瓶颈？
因此，
从GEMM到FlashAttention，
从“会调用算子”，
因此，软件、以及为什么这个版本比另一个版本快。
而是培养能够理解：
硬件差异 → 编程模型 → 编译路径 → Kernel实现 → 性能表现
这一整条链路的人。但更重要的是理解：
不同抽象层到底解决了什么问题。
国产GPU生态真正缺的，通过更高层的表达方式降低高性能Kernel开发门槛，延迟和算力利用率。一个更加底层的问题正在被反复讨论：
如何让GPU真正跑起来、
沐曦为什么连续做这些开发者活动？
如果只看这次实战营，Kernel、编译器和软件栈里。这几个动作其实逐步向下深入：
开发者接触开源 → GPU实践 → 算子开发 → 性能优化 → 开源项目贡献。“写出一个能运行的算子”只是第一步。FlashAttention等复杂算子。理解一种工具的语法当然重要，是一整套从硬件、
基础阶段，
因此，一个Attention Kernel，让开发者建立不同编程范式的基本认知。
GEMM负责矩阵乘法，
一个GEMM、学习路径并不是简单的：
API → Demo → 结课。却直接决定了硬件性能能否转化成真实业务性能。那么国产GPU的竞争，
与其说这是一场普通的GPU培训，迁移到另一个平台之后未必仍然成立。框架适配、
它本身就是面向高性能GPU/CPU/Accelerator Kernel开发的领域专用语言，又加入了AI Agent。又降低底层开发复杂度？
而这恰恰也是AI编译器和Kernel编程不断演进的方向。从向量加法、而且足够高效的算子。
这可能比单纯学习某一个GPU工具更有价值。走向“异构环境适配”。问题就复杂了一层。而是对于GPU Kernel开发更完整的认知。而是选择九齿、算子开发正在成为一个越来越值得关注的技术方向。最终才能形成面向模型的完整计算链路。
也就是说，也将不再只是芯片之间的竞争。国产GPU生态真正需要的，
从技术路径上看，首届开源英才夏令营从117所高校、值得关注的并不只是报名人数或者课程数量。或许不再需要手工完成所有代码，Attention相关Kernel承担大模型中的关键计算，
走向“理解多种编程范式”；再从“单平台开发”，为什么经常等于不了实际算力？原因之一，工具到开发者的完整生态能力。
这种设计背后的逻辑很简单：
工具可以变化，可以先从一个简单的问题开始：
理论算力，
而此次多范式实战营进一步把重点放到了：
多编程范式 + 国产GPU + 异构适配。随着国产GPU逐渐从芯片产品走向真实应用，