一句话看懂：TileLang 在 2026 年 9 月底正式支持华为昇腾 950 NPU，具备原生代码生成、自动调度与同步、SIMD/SIMT 向量编程等能力。这意味着这个基于 TVM 的开源 DSL，从 GPU 阵营进一步延伸到国产 NPU 生态。
事件核心：发生了什么
据 GitHub 项目页信息，TileLang（此前仓库名为 tile-ai/tilelang）是一个面向高性能 kernel 开发的领域特定语言，用接近 Python 的语法编写 GEMM、Dequant GEMM、FlashAttention、LinearAttention 等算子，底层编译基础设施构建在 TVM 之上。项目公布的进展显示，2026-09-30 新增 Ascend 950 后端，官方支持华为昇腾 950 NPU，并提供了 GEMM、FlashAttention 等昇腾示例。
同一批更新还包括：2026-08-04 开源 TileLang LSP，为缓冲区形状、数据类型、作用域和推断布局提供 inlay hints；8 月 3 日发布 v0.1.13，引入多后端语言方言、编译器诊断源码位置、CUDA 与 Metal 新硬件路径；7 月底连续补充 Blackwell SM120 的 NVF4 block-scaled MMA，以及面向 Apple M5 的 Metal 4 cooperative-tensor GEMM。
为什么重要
AI 算力的竞争早已不只在芯片本身，软件栈能否把硬件性能真正“榨出来”同样关键。TileLang 的定位是让开发者用较高抽象写 kernel，同时保留接近手写的底层优化空间。目前公开信息显示，它正从单一 GPU 后端走向 CUDA、ROCm、Metal、LLVM CPU 和昇腾 NPU 的多后端格局。
昇腾 950 被纳入原生代码生成路径，对国内使用华为算力的大模型训练与推理团队有现实意义：过去针对 NPU 写高性能算子往往需要更深的底层积累，而 TileLang 试图把这一层门槛降下来。对 CUDA 生态而言，这不算替代，但它让“同一套 DSL 覆盖多种加速器”的设想又推进了一步。
对用户/开发者/创作者的影响
对算子与推理优化工程师，最直接的变化是多了一个可评估的昇腾开发路径：可以先跑官方 GEMM、FlashAttention 示例，再判断是否迁移自有 kernel。对使用 vLLM 类推理框架的团队，TileLang 支持 DeepSeek V3.2 稀疏 MLA、top-k 选择器等算子示例，意味着后续推理性能优化可能更多依赖这类 DSL 而非纯手工 CUDA。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
需要注意的是，v0.1.13 移除了若干旧 API，升级前应阅读兼容性说明；Apple M5、Blackwell 等新路径也仍处于逐步完善阶段，实际收益需按具体 shape 和负载验证。
值得关注的后续
一是昇腾后端能否从示例走向生产级算子库，自动调度在真实大模型负载上的表现是否稳定；二是 LSP 与 IR Lower Trace、Pass Visualizer 等调试工具能否降低团队上手成本；三是 CUDA、ROCm、Metal 与昇腾多后端并行推进时，社区维护精力是否跟得上。
来源：github
