第129章 aetos

“启智』的试验还在继续，期间也不用周昀每天盯著，不过他也不会閒著。

虽然只有他和陈默两个人，但也还是在九月底的时候完成了第一个版本的aetos，aetos就是周昀计划替代cuda的生態。

当然，现在还远远做不到cuda那样强大。

在陈默完成了矩阵运算的tiie分割的攻克之后，vo.1版本的aetos就有了最为趁手的解决工具。

而在进行了一系列的算子重写之后，aetos可以实现让一些非英伟达的显卡做到与之相同的矩阵运算速度。

但毕竟只是两个人做的，功能非常少，现如今能做到的只有一些核心基础算子，比如relu、sigmoid、tanh等激活函数，以及加法、乘法.

还有求和、求最大值，矩阵转置，不过最为核心的还是gemm，也就是通用矩阵乘法，而gemm是深度学习、科学计算等领域的绝对计算核心。

掌握了它就代表他们完成了从零到一的突破。

为此他们还专门写了一个专用的编译器，能將某种形式的计算描述转换成高度优化的gpu的机器代码，而这个机器代码可以適配不同的gpu核心，比如amd，英特尔，还有国產的。

简单来说，通过aetos，可以实现在amd平台上训练出一个简单的深度学习模型，例如轻量级的cnn、lstm、dnn等等。

这在以前是很难想像的，最重要的就是其运算速度可以接近甚至持平在同级別n卡上用cuda跑的效果，这都是tie分割所带来的效果，让其足以弥补硬体上的差距。

除了这些优点，缺点自然也是有的，比如他现在还无法直接运行为cuda编写的现有代码，还无法兼容pytorch、tensorfiow等主流框架，同时也缺少cuda提供的成千上万个高度优化的库，如cudnn，cublas，cufft，缺乏nvidiansight那样强大的性能分析、调试工具，而且现在的aetos优化主要集中在ai和线性代数计算上，对图形、物理模擬等其他通用计算任务的支持非常有限或尚未开发。

而且哪怕是坐到了这种程度，就算工程师们知道你的东西是自己，勉强能用，但也不会捨弃已经非常成熟的cuda，除非是玄武』这种国家级別的项目，为了做到完全自研，才会去做这种费力不討好的事情。

这也能看的出来，想要构建一个完整的生態是多么的困难。

而此时，正是aetos在大眾面前的第一次亮相。

因为之前参加了玄武』项目，周昀在接下来的几年之內都不能出国，neurips之类的会议他自然是没法去了，国外的主会场去不了，国內的neurips线下论文分享会却是邀请了周昀。

周昀作为一个年轻学者，在neurips连续发表六篇论文，並且每一篇质量都极高，自然会引起学术圈的注意。

他也答应了，他正愁著该怎么宣传aetos，一个良好的技术生態或者是平台，开源永远都是叠代最快的方式。

而所谓neurips线下论文分享会，主要是为了国內人工智慧领域的学者、研究人员、

学生以及从业者提供一个高质量的学术交流平台，因为neurips主会场在国外，很多人不能亲临，这才有了这个线下討论会，也是为了能让国內的ai社区成员也能近距离接触和討论最前沿的ai研究成果。

线下交流会的第二天，报告厅內，周昀在为大家讲解他发表在neurips上的论文。

报告厅內座无虚席，周昀站在讲台后，身后的巨幕投影著论文的整体框架图，他则是指著屏幕，不急不缓地讲解著自己的工作。

台下，来自各大高校、研究所和企业的专家学生们还不时有人举起手机拍下照片。

隨后的提问环节，周昀都一一作答。

到了这个阶段，这场报告的预定时间才过了一半，不少人都觉得这可能是安排上的一个失误，周昀却是微微笑道：“感谢各位的问题，关於这篇论文的內容就到这里，接下来的时间，我想分享一下我们实验室最近的一个工作，相信各位肯定会感兴趣的。”

这个环节也是提前和主办方说好的。

不过台下的人並不知情，泛起些骚动，大家的好奇心都被勾了起来，毕竞隨著周昀论文引用量的不断增加，他在学术圈的名气也是越来越大，至少在多模態这个领域，多数人都看过他的论，他的几篇论，都对多模態模型的发展做出了巨大的贡献。

周昀操作电脑，投影画面切换，一个logo出现在屏幕中间，aetos，下方则是一行小字agpucomputingecosystemforeveryone。

“在过去几个月里，我和我的学生，完成了一个非常创造性的工作，”周昀的目光扫过台下，朝著陈默点了点头，眾人也看向这个有些拘谨的男孩。

“就是大家看到的这个，我们称之为aetos，目標是构建一个不依赖於特定硬体厂商的高性能gpu计算生態。“

话音落下，台下响起一阵阵议论。

gpu计算？生態？这两个词组合在一起，尤其是在当前的技术背景下，其指向性再明確不过cuda和英伟达的统治地位。

周昀也不意外大家的反应，只是继续自己的报告，ppt翻页：“为了实现这个目標，我们主要做了两件事：

第一，设计了一套新的中间表示（ir）层；

第二，创建了一个专用的编译器，负责將高级计算描述通过这套ir，最终转换为高度优化的且能適配不同gpu架构的机器码。

传统的cuda代码，其內核的编写方式与nvidiagpu的硬体特性，如线程层级结构、內存模型深度绑定，这使得它为n卡带来了极致性能，但也导致了其天然的封闭性。

aetos的ir层，试图站在一个更高的角度去描述计算本身，而不是如何映射到硬体，它更关注的是“要计算什么，比如一个矩阵乘法的数据维度、依赖关係、並行粒度，而不是具体有多少个threadblock或warps。”

隨后他展示了一个简单的gemm在aetosir中的表示方式，它看起来更像是一个数学表达式和数据依赖图的结合体，几乎没有硬体特定的术语。

“这套ir是我们整个生態的基石，它就像普通话，而我们支持的各种gpu架构，就像是说不同方言的人，我们的编译器，就是一个优秀的翻译官。“