英伟达深圳闭门会:三个信号,一个比一个猛

技术变革从来不是突然发生的，但它发生的时候，往往比所有人预期的都快。

人间温柔，皆因母爱。先祝全天下的母亲，节日快乐，被时光温柔以待。

一场不一样的技术分享会

5月8日，深圳湾万怡酒店，NVIDIA AI Open Day深圳站。

作为GBA OPC联盟代表，我受邀参加了这场活动。说实话，去之前我以为又是一场常规的技术路演，但三个小时听下来，感觉不太一样——英伟达传递的信号，比我想的要猛。

这篇文章不是流水账式的活动报道，而是我从技术细节中提炼出的行业信号。三位嘉宾，三种视角，却指向同一个方向——AI正在重新定义软件开发的基本范式。

第一个信号：英伟达在"抢人"，而且很诚实

第一位嘉宾的分享，我到得晚，没赶上名字，但Key Learnings这三句话，我觉得是整场活动最接地气的部分。

第一句：Decouple your job from your tasks.

把你的工作从任务中解耦。这句话听起来有点绕，但我理解他的意思是：不要让你的身份和具体的任务绑定太深。在AI时代，单个任务的边界正在变得模糊，今天你是一个"写代码的"，明天可能变成"定义问题的"。

第二句：AI is empowering engineers, but not replacing them.

AI在赋能工程师，不是替代他们。这句话在活动现场被英伟达用绿字高亮了"We are actively hiring excellent engineers"——英伟达正在积极招聘优秀工程师。

这句话很实在。如果连全球最懂AI的公司都在喊"我们还在招人"，那些鼓吹"程序员要被替代"的声音，至少在可预见的未来，显得有些过于乐观了。

第三句：The honest part — the boundary is moving.

最诚实的部分：边界正在移动。

我觉得"边界正在移动"是整场活动最有分量的一句话。它不是危言耸听，也不是粉饰太平。它承认变化会发生，但同时也在说：现在还没定，我们还在塑造这个边界。

第二个信号：从"人写代码"到"Agent写代码"

第二位嘉宾是Luis Ceze，NVIDIA VP of AI Systems Software。他的演讲主题是：Programming NVIDIA GPUs at Speed-of-Light Performance for AI Agents (and Humans)。

这个标题本身就透露了关键信息：AI Agents和Humans并列。不是从属关系，是并列关系。这可不是随手的措辞。

光速文化与AI进化飞轮

Luis Ceze提到了一个"AI进化飞轮"的概念：智能体互相学习，加上工具链反馈，加上开源生态，这三者形成正循环，呈指数级加速。

他给了一个具体目标：SoL（Speed of Light，光速）= 硬件100%利用率。通过Python高级语言，获得90%以上的光速性能，不需要手写PTX汇编。翻译成大白话：用最简单的语言，榨干硬件的性能。

这句话对工程师意味着什么？意味着门槛在降低。以前要写出接近硬件极限性能的代码，需要深度掌握CUDA、PTX这些底层语言，门槛很高。现在，通过更高级的抽象，依然可以达到90%以上的性能。

现代CUDA技术栈的重构

Luis Ceze详细介绍了NVIDIA的技术栈分层：

第一层是Frameworks，包括PyTorch、Jax、TensorRT-LLM；第二层是Libraries，包括cuDNN、cuBLAS这些核心库；第三层是Tile-level languages，包括cuTile、CUTLASS、Triton；第四层是CUDA C++和Python；最底层是PTX和NVVM。

这里的关键变化是：统一语言cuda-lang。他们希望通过Python DSL整合所有编译器后端，服务两类用户——普通开发者和内核开发者。

Agent正在成为GPU的"第一类用户"

这是Luis Ceze演讲中最颠覆认知的部分。他明确指出，人类和AI智能体对技术栈的需求完全不同：

人类需要清晰报错、Nsight分析工具、优美的文档。智能体需要机器可读的Benchmarks（JSON格式）、结构化IR、编译器诊断API。

这两类需求差异巨大。面向人类的工具，讲究可读性和交互性；面向智能体的工具，讲究机器可解析性和高吞吐量。

他提到了一个里程碑式的进展：在Blackwell架构上，AI自主生成的内核性能已经超越了人工调优的FlashAttention-4和cuDNN。

这句话的分量很重。FlashAttention-4和cuDNN都是业界公认的最高性能内核库，是人类工程师多年优化的结晶。AI生成的内核能在Blackwell上超越它们——注意，这已经不是"接近"，是"超越"。

还提到了一个验证工具ProofWright：双智能体验证流水线，自动证明74%生成内核的语义等价性。74%这个数字，意味着超过三分之二的AI生成内核能通过自动验证，平均每个内核验证时间只需3分钟。

Luis Ceze的结论是：编译器与智能体共进化，编译器不再是静态工具。编译器会根据智能体的反馈持续优化，智能体会成为编译器的"共同设计者"。

第三个信号：英伟达在开源上押了重注

第三位嘉宾是Ankit Patel，NVIDIA VP of Developer Ecosystem。他的演讲主题是：Open Models from Open Training to Open Serving — NVIDIA's ongoing investment and support in the OSS AI stack。

如果说Luis Ceze讲的是"技术怎么进化"，那Ankit Patel讲的就是"英伟达在赌什么"——而赌注之大，出乎我意料。

六大关键开源项目

Ankit Patel详细介绍了NVIDIA在开源领域的六大关键项目：

TensorRT-LLM：官方参考大模型推理引擎；Dynamo：解耦推理服务框架；CUTLASS：高性能计算模板库，核心前端已开源；FlashInfer：最先进推理内核库；cuTile编译器：从编程语言到TileIR层级都已开源；cuDNN前端已开源，底层也在逐步开放。

这份清单释放了一个明确信号：英伟达正在有计划地开放自己的核心技术栈。不是蜻蜓点水式的"开放几个工具"敷衍一下，而是系统性的——从上层框架到中间编译器到底层库的全面开放。

Agent First的战略

Ankit Patel重申了"Agent作为第一类用户"的战略。他指出，技术栈的接口正在被重新设计，要同时支持人类的高交互性需求和智能体的高吞吐需求。

具体到cuTile内核工厂，端到端编程智能体（cuTile Skill）能实现从自然语言描述到cuTile内核的自动生成。在Blackwell B300上，AI生成的内核比PyTorch原生快1.23倍至5倍以上。

他还提到了TileGym内核工厂项目：Qwen 3.5的内核覆盖率从0%提升到了67%。从零起步，覆盖三分之二的核心计算场景，这个速度很惊人。

LLM推理优化的最新进展

在LLM推理优化方面，Ankit Patel介绍了投机采样（Speculative Decoding）技术。原理很巧妙：用轻量级的"草稿模型"做预测，再由大模型验证。这样可以有效突破内存带宽限制，显著降低首字延迟（Time to First Token）。

TensorRT-LLM现在支持多种变体，包括Medusa和动态草稿模型。企业可以根据自己的场景选择合适的方案。

Ankit Patel的愿景总结是：智能体作为编译器的共同设计者，软件栈形成自我优化循环。

写在最后

这场活动的信息密度很大，我整理出了三条核心脉络：

第一，边界正在移动，但主导权还在人手里。 英伟达在积极招聘工程师，不是因为他们慢了，而是因为他们知道，最终定义这个边界的，还是人。AI是工具，但握着工具的人决定工具怎么用。

第二，从"人写代码"到"Agent写代码"的范式转变正在发生，但还处于早期。 AI生成的内核能超越FlashAttention-4，说明这个方向是可行的。但74%的验证率意味着还有26%的生成结果需要人类介入把关。效率大幅提升，但完全自动化还有距离。

第三，英伟达在开源上的投入，是一场豪赌。 把自己最核心的技术栈逐步开放出去，短期看似乎是在培养竞争对手。但长期看，生态的繁荣才是英伟达真正的护城河。更多的人在CUDA生态上开发，意味着对NVIDIA硬件的依赖度只会更高。

技术变革从来不是突然发生的，但它发生的时候，往往比所有人预期的都快。

你觉得这三个信号里，哪个最值得关注？或者你看到了我没注意到的方向？评论区聊聊，我看到都会回。

往期回顾：