“启智’的试验还在继续，期间也不用周昀每天盯着，不过他也不会闲着。
虽然只有他和陈默两个人，但也还是在九月底的时候完成了第一个版本的aetos，aetos就是周昀计划替代cuda的生态。
当然，现在还远远做不到cuda那样强大。。
而在进行了一系列的算子重写之后，aetos可以实现让一些非英伟达的显卡做到与之相同的矩阵运算速度。
但毕竟只是两个人做的，功能非常少，现如今能做到的只有一些内核基础算子，比如re、sigoid、tanh等激活函数，以及加法、乘法
还有求和、求最大值，矩阵转置，不过最为内核的还是ge，也就是通用矩阵乘法，而ge是深度学习、科学计算等领域的绝对计算内核
掌握了它就代表他们完成了从零到一的突破。
为此他们还专门写了一个专用的编译器，能将某种形式的计算描述转换成高度优化的gpu的机器代码，而这个机器代码可以适配不同的gpu内核，比如ad，英特尔，还有国产的。
简单来说，通过aetos，可以实现在ad平台上训练出一个简单的深度学习模型，例如轻量级的n、lst、dnn等等。
这在以前是很难想象的，最重要的就是其运算速度可以接近甚至持平在同级别n卡上用cuda跑的效果，这都是tie分割所带来的效果，让其足以弥补硬件上的差距。
除了这些优点，缺点自然也是有的，比如他现在还无法直接运行为cuda编写的现有代码，还无法兼容pytorch、tensorfiow等主流框架，同时也缺少cuda提供的成千上万个高度优化的库，如cudnn，cubs，cufft，缺乏nvidiansight那样强大的性能分析、调试工具，而且现在的aetos优化主要集中在ai和线性代数计算上，对图形、物理仿真等其他通用计算任务的支持非常有限或尚未开发。
而且哪怕是坐到了这种程度，就算工程师们知道你的东西是自己，勉强能用，但也不会舍弃已经非常成熟的cuda，除非是玄武’这种国家级别的项目，为了做到完全自研，才会去做这种费力不讨好的事情。
这也能看的出来，想要构建一个完整的生态是多么的困难。
而此时，正是aetos在大众面前的第一次亮相。
因为之前参加了玄武’项目，周昀在接下来的几年之内都不能出国，neurips之类的会议他自然是没法去了，国外的主会场去不了，国内的neurips线下论文分享会却是邀请了周昀。
周昀作为一个年轻学者，在neurips连续发表六篇论文，并且每一篇质量都极高，自然会引起学术圈的注意。
他也答应了，他正愁着该怎么宣传aetos，一个良好的技术生态或者是平台，开源永远都是迭代最快的方式。
而所谓neurips线下论文分享会，主要是为了国内人工智能领域的学者、研究人员、
学生以及从业者提供一个高质量的学术交流平台，因为neurips主会场在国外，很多人不能亲临，这才有了这个线下讨论会，也是为了能让国内的ai社区成员也能近距离接触和讨论最前沿的ai研究成果。
线下交流会的第二天，报告厅内，周昀在为大家讲解他发表在neurips上的论文。
报告厅内座无虚席，周昀站在讲台后，身后的巨幕投影着论文的整体框架图，他则是指着屏幕，不急不缓地讲解着自己的工作。
台下，来自各大高校、研究所和企业的专家学生们还不时有人举起手机拍下照片。
随后的提问环节，周昀都一一作答。
到了这个阶段，这场报告的预定时间才过了一半，不少人都觉得这可能是安排上的一个失误，周昀却是微微笑道：“感谢各位的问题，关于这篇论文的内容就到这里，接下来的时间，我想分享一下我们实验室最近的一个工作，相信各位肯定会感兴趣的。”
这个环节也是提前和主办方说好的。
不过台下的人并不知情，泛起些骚动，大家的好奇心都被勾了起来，毕竞随着周昀论文引用量的不断增加，他在学术圈的名气也是越来越大，至少在多模态这个领域，多数人都看过他的论，他的几篇论，都对多模态模型的发展做出了巨大的贡献。
周昀操作计算机，投影画面切换，一个logo出现在屏幕中间，aetos，下方则是一行小字agpuputgesysteforeveryone。
“在过去几个月里，我和我的学生，完成了一个非常创造性的工作，”周昀的目光扫过台下，朝着陈默点了点头，众人也看向这个有些拘谨的男孩。
“就是大家看到的这个，我们称之为aetos，目标是构建一个不依赖于特定硬件厂商的高性能gpu计算生态。“
话音落下，台下响起一阵阵议论。
gpu计算？生态？这两个词组合在一起，尤其是在当前的技术背景下，其指向性再明确不过cuda和英伟达的统治地位。
周昀也不意外大家的反应，只是继续自己的报告，ppt翻页：“为了实现这个目标，我们主要做了两件事：
第一，设计了一套新的中间表示（ir）层；
第二，创建了一个专用的编译器，负责将高级计算描述通过这套ir，最终转换为高度优化的且能适配不同gpu架构的机器码。
传统的cuda代码，其内核的编写方式与nvidiagpu的硬件特性，如线程层级结构、内存模型深度绑定，这使得它为n卡带来了极致性能，但也导致了其天然的封闭性。
aetos的ir层，试图站在一个更高的角度去描述计算本身，而不是如何映射到硬件，它更关注的是“要计算什么&039;，比如一个矩阵乘法的数据维度、依赖关系、并行粒度，而不是具体有多少个threadblock或warps。”
随后他展示了一个简单的ge在aetosir中的表示方式，它看起来更象是一个数学表达式和数据依赖图的结合体，几乎没有硬件特定的术语。
“这套ir是我们整个生态的基石，它就象普通话，而我们支持的各种gpu架构，就象是说不同方言的人，我们的编译器，就是一个优秀的翻译官。“