DeepSeek发布的Tile Kernels通过TileLang优化GPU性能，打破了CUDA的垄断，推动AI工程从模型设计转向系统能力。TileLang简化了GPU开发，支持跨硬件执行，提升了效率。然而，技术进步导致能力差距扩大，顶级团队获得更高效率，而大多数团队难以跟上。这一变化将重塑AI基础设施的竞争格局。

黄仁勋在访谈中谈到英伟达的成功与未来，强调其强大的合作伙伴生态系统和对稀缺组件的提前采购承诺。他认为AI工具的普及将推动软件公司快速增长，尽管面临供应链瓶颈，英伟达依然能通过技术创新和高效合作应对挑战。此外，他指出英伟达的架构灵活性使其在AI领域保持竞争力，未来将继续推动加速计算的发展。

学习CUDA编程，掌握NVIDIA Hopper GPU的WGMMA管道和Cutlass优化，适用于大规模矩阵乘法和现代AI。课程包括多GPU扩展及训练万亿参数模型所需的NCCL原语，需具备C++和线性代数基础。

智谱GLM-5.1模型在长程任务能力上取得显著突破，能够在14小时内优化CUDA Kernel，速度提升至35.7倍。该模型展示了自主编程、测试和优化的能力，且能在1小时内构建MacOS环境。在SWE-bench Pro测试中，GLM-5.1超越多款顶尖模型，标志着中国开源AI的崛起，推动行业变革。

Khal是一个抽象层，允许开发者使用Rust编写代码并在多平台上运行，包括WebGPU和CUDA。Vortx是一个支持基本张量运算的跨平台张量库。rust-analyzer更新了VSIX安装包，修复了一些问题并增加了新功能。Rust领导委员会进行了人员调整。

Boost的int128库现已支持CUDA，几乎所有函数可在主机和设备上使用。Boost.Charconv和Boost.Decimal也将因此提升性能。此外，Boost.Safe_Numbers库将提供安全的算术操作并支持CUDA。我们将继续改进错误报告系统，以提升用户体验。

飞桨推出插件式CUDA兼容硬件接入方案，模型推理速度提升2.2倍。通过C接口实现CINN编译器与硬件解耦，支持动态注册，降低适配成本，促进国产芯片融入AI生态。

黄仁勋在访谈中回顾了英伟达的成功，强调了CUDA的重要性和协同设计的必要性。他指出，AI的发展依赖于算力和数据，未来编程将更加普及，更多人将参与创新。他对人类未来充满信心，期待解决更多全球性问题。

Modular平台发布26.2版本，新增图像生成和编辑功能，支持FLUX.2模型，性能提升4倍。Mojo语言优化AI编程，简化GPU内核开发，支持CUDA转Mojo。此版本提升了图像生成速度，降低了总拥有成本，适用于云和企业用户。

2026年，中国AI芯片竞争加剧。阿里真武810E通过软件兼容性挑战CUDA，推动商业化。昇腾和寒武纪专注于推理，但灵活性不足。国产GPU如摩尔线程尚未盈利，龙芯则聚焦安全端侧市场。未来，能解决客户问题的企业将胜出。

本文介绍了在Windows系统和AMD显卡上成功编译ROCm版本的PyTorch，并通过MNIST手写数字识别脚本验证其性能。文章讲解了神经网络的基本概念，比较了前馈神经网络（FNN）与卷积神经网络（CNN）的区别，强调了CNN在图像处理中的优势。最后，展示了如何安装PyTorch、定义模型、准备数据并进行训练，成功实现了在AMD GPU上的训练过程。

一位Mojo社区成员利用AI在Mojo中解决了量化挑战，其速度比C++/CUDA实现快1.07到1.84倍。Mojo简化了GPU编程，适合开发者使用。