本文探讨了AI计算栈中的算子工程，分析了算子在框架、算子库、手写kernel、编译和硬件指令层的关系。强调在特定场景下手写kernel的必要性，如多算子融合和新算子实现。指出性能瓶颈常源于访存，建议使用profiler定位瓶颈后再优化。最后提供了CUDA基础学习路径和性能优化的核心结论。