Triton 编译器负责人更新 | AI生成和翻译

Home 2026.06

让我搜索一下当前的相关信息。问题： Philippe Tillet（Triton 的作者）目前在做什么？

回答：

Philippe Tillet 仍在 OpenAI 担任技术团队成员，领导 Triton 编译器项目。他常驻圣地亚哥，拥有约 13 年在高性能机器学习系统、编译器工程和 GPU 内核优化方面的经验。以下是他的职业轨迹和当前工作重点的简要回顾：

背景。 他于 2011 年作为 ViennaCL 贡献者开始接触 GPU，2012 年获得 Telecom SudParis 学士学位，2014 年获得台湾国立交通大学硕士学位，2020 年获得哈佛大学博士学位，博士论文主题为 GPU 上分块算法的编译器。他于 2020 年全职加入 OpenAI，致力于 Triton 项目——该项目始于 2018 年，源于他对用 CUDA 编写矩阵乘法自动调优器的不满。

当前工作——对您而言值得关注的要点：

  1. Triton 在定制芯片上的应用。 这是近期最有趣的信号。他正在扩大 OpenAI 的 Triton 编译器团队，并招聘工程师以提升 OpenAI 自研第一方加速器上的性能。这证实了 OpenAI 将 Triton 作为其自家芯片（与 Broadcom 合作的硬件）的内核编写层，而不仅限于 NVIDIA——这是一项硬件可移植性策略，如果您关注 MoE/推理优化栈的走向，这一点非常重要。

  2. Blackwell 支持。 他于 2025 年初发表了题为“Blackwell Programming for the Masses with OpenAI Triton”的演讲，涵盖了 CUDA-C++ 与 XLA/Torch 的权衡空间，以及新的 TMA 风格 API（如用于 Blackwell 上分块 GEMM 的 tl.make_tensor_descriptor）。该演讲深入探讨了实际硬件限制——例如在 H100 上，wgmma.sync 无法区分 QK 和 PV MMA，因此无法独立进行流水线处理（这与 FlashAttention 内核调度直接相关）。

  3. 研究成果。 他与博士生 Nasib Ullah、Jinbin Zhang 和 Erik Schultheis 合作发表了一篇 ICML 2025 论文（ELMO），关于大型输出空间模型的纯 16 位和 8 位训练，利用融合的 Triton 内核将峰值 GPU 内存从约 40GB 降低到约 6GB（基于一个包含 300 万项目的推荐数据集）。

这对您的职业发展为何重要： Triton 在定制加速器上的应用方向值得深入关注。如果您正朝着推理优化和 GPU 计算方向发展，Triton 正日益成为可移植的内核中间表示层——而 OpenAI 将其押注在自己的 ASIC 上（正如 AMD 已经维护了一个 ROCm Triton 分支，您可以在 MI300X 上使用它），这意味着用 Triton 编写的内核技能在不同硬件供应商之间具有叠加效应，这是 CUDA 所不具备的。建议您直接对照 MI300X 研究 Triton 教程，了解 ROCm 后端代码生成与 NVIDIA 路径的差异。

参考文献：

Back Donate