重点讨论了图形处理器（GPU）编程的未来，尤其是如何在面临硬件扩展挑战和经济制约的情况下，提高其可访问性和性能。演讲者们首先指出了当前 GPU 编程的复杂性，并提出了一系列创新项目，旨在通过改进数据可用性、构建更智能的编程模型和探索新的编程抽象来应对这一挑战。其中强调了三个关键举措：Kernel Bench 作为评估大型语言模型（LLM）编写内核能力的基准，Kernel Bot 作为收集高质量人类编写内核数据的竞争平台，以及 Kernel LLM 作为利用这些数据训练 LLM 编写高效 GPU 内核的尝试。此外，还介绍了 Thunderkittens 和 Cutlass 4.0 这两个项目，它们都致力于通过提供更直观易用的 Python 接口和抽象，降低 GPU 编程的门槛。最后，演讲者们回顾了 CUDA 的发展历史，强调了使 GPU 编程更易于获取的重要性，并展望了 AI 领域和其他科学计算领域 GPU 应用的广阔前景。