AI Coding for the GPU：构建加速 GPU 开发的 Coding Agent 技术分享

摘要： 本文为 GTC 26 会议中关于 AI Coding for the GPU 的演讲记录，重点探讨了如何通过构建 Coding Agent 帮助 GPU 开发者编写高性能（Speed of Light）代码，并介绍了 NVIDIA 旨在构建的 CUDA 智能生态系统。

行业主线：

1. 从手动编程转向 Agentic 工程：推动 CUDA 开发从简单的 LLM 生成代码，演进为由 Agent 驱动的“测试-提议-评估-选择-进化”的闭环工程模式。
2. 构建 CUDA 智能生态：通过 Nsight 工具、MCP（模型上下文协议）、SKILLs（技能集）和 TRACEs（轨迹记录）构建一个能够自我演进的开发者工具链。
3. 量化性能评估：引入 ComputeEval 等评估体系，通过 TDD（测试驱动开发）方法衡量新知识（NNK）的产生，确保代码在硬件极限下的正确性与性能。

关键变化与分歧：

1. 开发模式升级：2024-2028 年的路线图显示，开发将从简单的 Copilot 辅助，演变为基于 codebase 的智能体（2026年），最终实现全生命周期的自动定制化开发（2028年）。
2. 确定性与概率性的平衡：强调将概率性的 Agent 输出“编译”为确定性的工具和数据，以提高工业级软件的鲁棒性。

受益方向与风险：

1. 受益方向：能够高效利用 AI Agent 优化内核（Kernel）的 GPU 开发者、追求极致算力利用率的 AI 基础设施企业。
2. 核心风险：底层硬件瓶颈（如寄存器溢出 register spills）对 Agent 优化能力的挑战、高性能代码维护的复杂性。