XLA
谷歌开发的加速线性代数编译器，用于将高级深度学习代码即时编译为针对特定硬件（如TPU）优化的高效机器指令
核心事实
时间轴 (近 90 天)
JAX 要求被追踪的函数是纯函数，控制流需通过 lax.cond、lax.scan 等原语表达，才能被编译成 XLA 设备端执行图。
TorchInductor、XLA 和 TVM 是使用内核融合策略的编译器或框架。
过去在 TPU 上运行 PyTorch 通常需要经过 XLA 桥接层做图转换，导致算子覆盖不全、调试链路割裂、性能不符合预期等问题。
TPU 侧对应的 XLA 编译器、PJRT 运行时与 JAX 生态在性能上并不逊色，但面向 PyTorch 用户的工具链厚度明显不足。
TorchTPU 若走原生后端路线，本质是把 XLA 作为内部实现细节而非用户可见的编程模型。
PyTorch/XLA 方案依赖 xla_device 与 lazy tensor 机制，张量操作先被记录成图，直到需要具体数值时才触发编译执行。
PyTorch/XLA通过XLA编译器将PyTorch计算图转换为可在TPU上执行的二进制，采用惰性执行模式。
TPU依赖XLA做静态图编译，对动态shape和细粒度控制流的支持相对受限，更擅长规则的大批量计算。
TorchTPU通过torch.compile和XLA完成图编译优化，允许开发者在需要性能时切换到编译模式。
XLA 是 Google 主导的开源机器学习编译器，也是 TPU 软件栈的核心，负责接收计算图并进行算子融合、内存布局优化和常量折叠等变换，最终生成 TPU 可执行代码。
还有 15 条时间轴事件
全部知识事实 (20)
JAX 是 Google 于 2018 年发布的数值计算库，核心特性包括基于 XLA 编译器的 JIT 加速、自动微分以及 vmap 和 pmap 原语
65%已验证JAX由Google开发，基于函数式编程范式，提供自动微分和XLA编译优化
65%待验证Google通过JAX框架和XLA编译器构建自己的软件生态，使开发者能够在TPU上运行模型
90%待验证XLA是Google的加速线性代数编译器，深度集成于TensorFlow和JAX
60%待验证JAX 要求被追踪的函数是纯函数，控制流需通过 lax.cond、lax.scan 等原语表达，才能被编译成 XLA 设备端执行图。
50%待验证TorchInductor、XLA 和 TVM 是使用内核融合策略的编译器或框架。
50%待验证TPU 侧对应的 XLA 编译器、PJRT 运行时与 JAX 生态在性能上并不逊色，但面向 PyTorch 用户的工具链厚度明显不足。
50%待验证过去在 TPU 上运行 PyTorch 通常需要经过 XLA 桥接层做图转换，导致算子覆盖不全、调试链路割裂、性能不符合预期等问题。
50%待验证PyTorch/XLA 方案依赖 xla_device 与 lazy tensor 机制，张量操作先被记录成图，直到需要具体数值时才触发编译执行。
50%待验证TorchTPU 若走原生后端路线，本质是把 XLA 作为内部实现细节而非用户可见的编程模型。
50%待验证TPU依赖XLA做静态图编译，对动态shape和细粒度控制流的支持相对受限，更擅长规则的大批量计算。
50%待验证PyTorch/XLA通过XLA编译器将PyTorch计算图转换为可在TPU上执行的二进制，采用惰性执行模式。
50%待验证TorchTPU通过torch.compile和XLA完成图编译优化，允许开发者在需要性能时切换到编译模式。
50%待验证XLA 是 Google 主导的开源机器学习编译器，也是 TPU 软件栈的核心，负责接收计算图并进行算子融合、内存布局优化和常量折叠等变换，最终生成 TPU 可执行代码。
50%待验证TPU长期仅通过谷歌云以托管服务形式对外提供，软件栈以XLA编译器和JAX/PyTorch/XLA桥接为主。
50%待验证GPU拥有CUDA、cuDNN、NCCL等成熟软件栈，NPU多依赖厂商私有SDK（如昇腾的CANN、TPU的XLA路径），跨平台可移植性和算子覆盖度远不如GPU。
50%待验证JAX 的核心设计是将 NumPy 风格的 API 与 XLA（加速线性代数）编译器结合，提供 jit、vmap、pmap 三个核心变换
50%待验证内核优化领域常见的参照基线包括 NVIDIA 的 cuBLAS/cuDNN、Google 的 XLA 编译器生成代码以及 Triton 手写内核
50%待验证Torch Neuron底层通过XLA编译器将PyTorch计算图转化为适配Trainium神经网络计算核心（NeuronCore）的指令
50%待验证XLA（Accelerated Linear Algebra）曾是 Google 将 TPU 接入 PyTorch 的主要路径，但其编译模型与 PyTorch 动态图风格存在阻抗，调试困难、编译开销大
50%