MLIR与OpenAI Triton（编译器）的对比
从一次深夜调试说起
凌晨两点，盯着屏幕上跳出的“CUDA error: misaligned address”，我第N次检查了Triton kernel的指针偏移计算。明明MLIR的affine map推导出的地址是16字节对齐的，怎么Triton生成的PTX就给我搞了个非对齐访问？这个bug让我意识到，虽然MLIR和Triton都在做“中间表示”这件事，但它们的哲学和实现细节差异，足以让一个自认为懂编译器的工程师在深夜怀疑人生。
那次调试的最终结论是：Triton的块级调度器在循环展开时，对指针的步长计算做了激进优化，但MLIR的memref分析更保守——它保留了原始循环的边界信息。这个差异直接导致了地址对齐假设的失效。从那以后，我养成了一个习惯：在写高性能算子时，先问自己“这个优化是MLIR风格还是Triton风格”。
设计哲学的“分岔路口”
MLIR（Multi-Level Intermediate Representation）和Triton，虽然都试图解决“写高性能计算代码太难”的问题，但它们的出发点完全不同。MLIR是“编译器基础设施”，它给你一堆乐高积木（Dialect），让你自己搭出想要的编译流水线。Triton则是“领域特定编译器”，它直接给你一个写GPU kernel的Python DSL，然后帮你搞定一切。
这种差异在IR设计上体现得淋漓尽致。MLIR的IR是“多级”的，从高层的linalg、tensor，到中层的affine、scf，再到底层的LLVM、NVVM，
