演讲主题

AI计算之战：如何在大模型时代建立有竞争力的标准化C++技术栈

AI和LLM革命虽然是用Python编写的脚本，但实际是在专用硬件上使用C++执行的。随着我们从通用CPU转向由GPU、NPU和其他AI加速器组成的复杂异构环境，C++在高性能计算中的基础作用面临着新的必要性。这种主导地位正受到挑战。新的专业语言，如Mojo和Triton，承诺提供类似于Python的生产力，同时具备C++级别的性能。然而，整个行业对专有CUDA生态系统的依赖，催生了对开放、可移植的替代方案的需求，如ROCm。本演讲将提出对这一新现实的对策。我们将展示C++并非一种需要“管理”的遗留工具，而是可以积极演进，成为整个AI栈中标准化、高性能且可互操作的核心。

新的AI使命：面向智能体时代的全栈C++ 标准化

几十年来，C++ 一直是高性能计算领域无可争议的通用语言，也是各类 AI 和机器学习框架背后强大的支撑力量；然而，这场技术革命长期以来是构建在一个碎片化的生态系统之上的，充斥着专有的 CUDA 内核、自定义的张量库以及非标准的 C 风格代码。如今，随着生成式 AI、基于大语言模型（LLM）的编程智能体（Agents）以及像 Mojo 这样特定领域新语言的兴起，我们面临一个新的当务之急：C++ 必须进化，它不能再仅仅甘当底层的实现细节，而应转型为支撑整个 AI 流程的标准化、高效且安全的平台。 本次演讲将展示 C++ 未来的连贯愿景，阐述近期及未来的新特性如何构建起一套完整的一流 AI 技术栈，我们将分三个层面来剖析这一战略：首先是基础层面（数据科学），我们将探讨 ISO C++ 委员会 SG19 工作组在 std::statistics 上的成果以及对 std::data_frame 的迫切需求，这些将为开启每一个机器学习工作流必经的“探索性数据分析”提供标准且高性能的工具；其次是核心数据结构层面（张量与图），在跨越 C++23 的 std::mdspan（即“张量视图”）之后，我们将讨论至关重要的后续步骤，包括 C++26 的 std::linalg（线性代数）、提议中的拥有所有权的 std::mdarray，以及 SG19 关于 std::graph 的宏大提案，这将成为图神经网络（GNN）、推荐引擎和知识图谱的标准解决方案；最后是执行层面（性能与并行），我们将涵盖 C++26 的 std::execution 如何作为标准的“管道”基础设施将新库的计算任务卸载至 GPU 和加速器，同时介绍 std::simd 如何提供一条可移植的高层向量化路径，从而让我们彻底告别非标准的编译器内建指令。 最后，我们将直面 AI 生成代码中最关键的因素：“垃圾进，垃圾出”问题。本次演讲将发起一项面向未来的行动呼吁：创建一个标准化的、特定领域的 C++ 训练语料库——即一个“C++ 版的 ImageNet”，旨在训练大语言模型能够生成地道的、现代的、安全的以及低延迟的代码。