根據 NVIDIA 在 2025 年 GTC 大會上的官宣，CUDA 工具鏈將全面原生支持 Python 編程，這一重大更新旨在降低 GPU 編程門檻，吸引更廣泛的 Python 開發者進入 CUDA 生態。以下是核心信息整合：

1.?原生支持的意義與背景

• 無需 C/C++ 基礎：Python 開發者可直接用 Python 編寫 GPU 加速代碼，無需手動調用底層 C++ 接口或學習 C/C++，極大簡化開發流程。

• 生態適配需求：Python 在 GitHub 2024 年報告中成為“全球最受歡迎編程語言”，但此前 CUDA 的官方支持僅圍繞 C/C++ 和 Fortran，第三方庫（如 PyCUDA、Numba）無法滿足原生體驗需求。

2.?技術架構與開發模型革新

• Python 化重構：英偉達對 CUDA 進行了從運行時到編程模型的全面重構，而非簡單語法包裝。核心改進包括：

  • CUDA Core：重新設計的運行時系統，支持符合 Python 風格的執行流程。

  • CuTile 編程模型：以?tile（數據塊）?為基本計算單元，替代傳統線程/塊控制方式，更貼合 Python 開發者以數組、張量為核心的思維模式。編譯器自動將 tile 操作映射到 GPU 線程，兼顧性能與易用性。

  • JIT 編譯：減少依賴傳統編譯器，提升代碼執行效率和跨平臺可移植性。

• 關鍵工具與庫：

  • cuPyNumeric：作為 NumPy 的 GPU 替代庫，僅需修改導入語句即可將 CPU 代碼遷移至 GPU。

  • NVMath Python：提供統一的 host/device 函數調用接口，支持函數自動融合優化性能。

  • 分析工具套件：集成性能分析器和靜態代碼分析器，輔助開發者調優。

3.?分層生態與開發者覆蓋

• 金字塔式生態結構：

  • 底層：CUDA C++，面向追求極致性能的系統開發者；

  • 中間層：Python 接口（如 Triton、Python Cutlass），支持專業開發者進行低級別優化；

  • 頂層：PyTorch 等高級抽象工具，服務于快速原型設計。

• “民主化” GPU 編程：通過分層設計，開發者可根據需求靈活選擇工具層級，降低對底層硬件的關注，加速迭代效率。

4.?未來擴展計劃

• 多語言支持：繼 Python 后，英偉達計劃為 CUDA 添加對 Rust、Julia 等語言的原生支持，進一步打破“語言門檻”，推動 CUDA 從“專業工具”向“通用平臺”轉型。

• 生態增長預期：2023 年全球 CUDA 開發者約 400 萬，而 Python 開發者已超數千萬。此次更新預計吸引新興市場（如印度、巴西）的大批開發者加入。