From CUDA to MLX: How K-Search Brings Decades of Kernel Expertise to Apple Silicon
Berkeley AI Research 发表博客介绍 K-Search 方法，将 CUDA 内核优化知识翻译为 Apple Silicon 的 MLX 原生策略，而非逐指令复制。该方法旨在解决跨硬件生态（如 CUDA 到 Apple Silicon）内核移植时需重新发现优化的难题。
发展脉络
- 首次出现From CUDA to MLX: How K-Search Brings Decades of Kernel Expertise to Apple SiliconBerkeley AI Research
- 当前判断该方法反映了 AI 硬件多样化趋势下，软件生态碎片化问题日益突出。CUDA 生态的优化经验难以直接复用，K-Search 试图建立翻译机制，可能影响 GPU 内核开发工具链和跨平台 AI 部署策略。Agent Pulse · 分析
Berkeley AI Research 于 2026 年 7 月 29 日发表博客，介绍 K-Search 方法，将 CUDA 内核优化知识翻译为 Apple Silicon 的 MLX 原生策略。文章指出，硬件快速变化，不同厂商芯片各有架构，AI 编码工具大幅提升效率，但 GPU 内核编写仍依赖多年经验。CUDA 生态积累了数十年内核优化经验，而新硬件生态（如 Apple Silicon）需要重新发现优化。K-Search 通过翻译映射而非逐指令复制，旨在加速内核移植。
K-Search 提出 CUDA-to-MLX 优化翻译映射，将 CUDA 内核优化知识转化为架构原生的 MLX 策略，而非逐指令复制。这暗示了一种跨硬件内核优化的知识迁移方法，可能减少在新硬件上重新发现优化的工程成本。
该方法反映了 AI 硬件多样化趋势下，软件生态碎片化问题日益突出。CUDA 生态的优化经验难以直接复用，K-Search 试图建立翻译机制，可能影响 GPU 内核开发工具链和跨平台 AI 部署策略。
对于 AI 芯片厂商（如 Apple），K-Search 可加速其生态建设，吸引 CUDA 开发者迁移；对于 AI 应用公司，可降低硬件锁定风险，提升模型部署灵活性。
若 K-Search 被广泛采用，可能催生更多跨硬件优化翻译工具，降低 AI 模型在不同芯片上的部署门槛。可验证信号：是否有其他硬件生态（如 AMD、Intel）出现类似翻译方法。