行业投资评级 - 行业评级为“超配”，前次评级亦为“超配”，评级变动为“维持” [7] 报告核心观点 - 报告认为，由北京大学团队开发并于2025年1月开源的TileLang，有望解决国产AI芯片与英伟达CUDA平台之间以及国产芯片各平台之间的接口兼容性问题 [3] - TileLang通过其编译器自动完成优化，能有效提升国产AI芯片的性能，有望降低互联网大厂在生成式AI模型代码迁移时的成本，加速国产AI芯片的技术落地和商业化 [3][36] 高性能计算是生成式AI的技术基础 - GPU因其大量内核而具备卓越的并行计算能力，非常适合处理生成式AI中的矩阵计算任务 [12] - 英伟达的CUDA平台将GPU的并行计算能力转化为处理AI计算任务的能力，经过近二十年发展，引入了NVLink、混合精度训练（FP16）并支持Tensor Core，使矩阵计算速度得到数量级提升，构成了英伟达在高性能计算和AI计算领域的主要壁垒 [1][14][18] - 尽管成熟，CUDA编程仍需大量手动优化，且跨平台代码迁移成本高 [2] - Triton由Philippe Tillet于2019年提出，能自动化处理底层细节，降低GPU编程门槛，提升AI开发效率，并于2021年由OpenAI开源 [2][19] - Triton能跳过cuBLAS等闭源CUDA库直接生成PTX代码，代码更简洁且能自动进行多种优化，在多种场景下性能达到甚至超越CUDA优化库 [22] TileLang有望成为国产AI芯片的CUDA和Triton - 国产AI芯片厂商的高性能计算平台在框架兼容性、工具链完善度及开发者社区规模上，与英伟达CUDA平台存在差距 [2][28] - 国产AI芯片硬件架构互不兼容，各厂商平台无法通用，增加了开发者的适配成本和开发成本，不利于大规模推广 [2][28] - 英伟达自CUDA 11.6（2024年）起禁止使用转换层将CUDA功能引入第三方AI芯片平台，增加了向国产芯片的迁移成本 [24] - TileLang与Triton类似，是专为AI算子开发设计的程序语言，通过将高性能计算中的“分块技术”（Tile）作为关键，实现内存优化和自动调度 [3][32] - TileLang将优化工作与内核数据流解耦，由编译器自动推导优化策略，显著降低代码复杂度，例如将FlashAttention算子实现从500多行减少至80行，并保持性能持平 [32] - DeepSeek团队在DeepSeek-V3.2-Exp模型开发中正式使用TileLang进行原型开发，并将其作为精度基准 [35] - 截至2025年10月13日，TileLang在GitHub上已获得3.5k星标，并吸引华为昇腾、沐曦股份等国产芯片厂商进行适配 [36] 建议关注 - AI推理芯片：寒武纪、海光信息 [4][37] - 算力服务器：浪潮信息、中科曙光、华勤技术、神州数码 [5][37]