AI大模型分布式训练：张量并行与流水线并行深度实践
深入拆解大模型训练的两大核心并行策略——张量并行与流水线并行。从矩阵分块原理、1F1B 调度算法到 Megatron-LM 工程实现，配合 PyTorch 代码实战，详解 TP × PP × DP 三维并行体系如何在 3072 张 GPU 上跑出近线性加速比。
并行计算
CUDA 内核优化实战：从内存合并访问到 Warp 级原语与 CuTile 抽象的深度工程指南
本文系统性地讲解 CUDA 内核优化的核心方法论与工程实践，从全局内存合并访问、Shared Memory Bank Conflict 消除、Warp 级原语规约、线程占用率计算，到现代 CuTile 抽象与 Tensor Memory Accelerator 的使用，配合完整的代码示例与 Nsight Compute 性能分析数据。
WebGPU Compute Shader 深度工程实战：从 WGSL 到 GPU 极致优化
深入剖析WebGPU Compute Shader工程实现，从WGSL着色器语言到workgroup内存模型、同步原语，并通过矩阵乘法优化、并行前缀和与直方图统计三个典型GPU算法完整实现，展示如何在浏览器中榨取GPU并行算力极限。
多面体编译模型深度工程实战：从依赖多面体、仿射调度到 Tiling 与 GPU 代码生成的全链路解析
沿真实工程链路拆解多面体编译：迭代域与访问函数的仿射表示、依赖分析从 GCD/Banerjee 到 Farkas+ILP 的精确化路径、Feautrier/PLuTo 仿射调度搜索、Tiling 与 isl AST 代码生成，以及在 Polly、PPCG、MLIR Affine Dialect 中的工业落地形态与工程边界。
Polyhedral 编译优化：从依赖分析到自动并行化的深度工程实战
深入剖析Polyhedral编译优化的数学框架与工程实战：从迭代域建模、四类数据依赖分析，到Pluto算法的自动并行化与locality联合优化，再到MLIR Affine dialect和Polly的实现机制。包含Jacobi stencil的完整优化流程与性能数据对比。
WebGPU 实战：浏览器内并行计算的全新时代 — 从 Compute Shader 到 ML 推理的 GPGPU 革命
WebGPU实战权威指南：从计算着色器原理到浏览器内ML推理的完整实现路径。涵盖WGSL着色器、矩阵乘法性能基准、图像超分辨率项目实战及渐进增强部署策略。
Mamba状态空间模型的硬件感知推理优化：从选择性扫描到并行前缀和
深入分析Mamba架构选择性扫描的GPU硬件感知优化策略，包括并行前缀和、CUDA Kernel Fusion、FlashAttention风格IO-Aware Tiling等全链路优化方案，实测14倍加速。
WebGPU 下一代 GPU 编程接口深度实战：从 WGSL 着色器语言到计算管线、并行图像处理与生产级 Web 端 ML 推理部署的完全工程指南
WebGPU 作为 WebGL 的下一代替代标准，引入了现代 GPU 编程范式的全部能力：显式资源管理、计算着色器、Bindless 资源模型、显式同步与零开销抽象。本文从为什么需要 WebGPU 出发，系统讲解 WGSL 着色器语言、设备与资源管理、渲染管线与间接绘制、并行计算管线（工作组/共享内存/规约算法）、图像卷积与 CV 算子实战、ORT-Web/Stable Diffusion WebGPU 端推理部署，以及性能调优与可观测性，最后展望 Subgroups、Bindless、ML GPU 后端等标准演进，是 Web 端 GPU 编程从理论到生产部署的完全指南。
