人工智能实验室OpenAI正式发布GPU程序语言Triton，这个语言是专门用来开发机器学习算法，让开发人员以类似Python程序代码撰写方式，在即便没有CUDA程序开发背景下，也能够撰写高性能GPU程序代码，而且大部分程序代码都能与专家撰写的程序代码性能相当。
官方提到，深度学习领域的研究方向，通常需要使用原生框架运算符来实现，但这种方法需要创建许多临时张量，而这会损害神经网络的性能。虽然可以通过编写专门的GPU核心来解决这个问题，但是因为GPU程序代码开发很复杂，因此增加了开发门槛。
虽然现在有许多系统来简化这个过程，但OpenAI认为，这些系统通常过于冗长，或是缺乏灵活性，甚至产生的程序代码性能，明显低于手动调整的基准。因此他们为了解决这个GPU程序开发痛点，因而扩展并且改进了Triton，现在发布最新版本Triton 1.0。
Triton原本的创造者Philippe Tillet，在2年前发布论文，首次公开了Triton初始版本，而现在Philippe Tillet在OpenAI工作，与其他研究人员一起改进Triton，使其成为适用于企业的机器学习项目。
当前大部分企业人工智能模型，都在Nvidia的GPU上执行，开发人员使用Nvidia提供的软件构建这些模型，而Nvidia重要的框架CUDA，提供人工智能程序使用GPU进行运算的基础模块。而现在OpenAI所推出的Triton，拥有编写简单且执行高性能的优点，比起CUDA框架普遍被认为撰写具有挑战性的问题，Triton对开发人员来说更加友善。
OpenAI研究人员解释，现在GPU架构大致可以分成3个重要组件，DRAM、SRAM和ALU（算术逻辑单元），而优化CUDA程序代码必须同时考虑这三者。来自DRAM的内存传输，必需要整合成为大型交易，以妥善利用内存接口的最大带宽，而这些资料在重新使用之前，必须手动存储到SRAM中，并且管理最大容量，来减少检索时共享内存库的冲突，而且运算必需要在流媒体复合处理器（Streaming Multiprocessors）间，仔细分区和调度，来善用指令和线程平行运算，或是增加专用ALU的使用率。
撰写程序代码时，考虑这些要素需要许多经验，即便对拥有多年开发经验的CUDA开发者来说，也并非一件简单的事，而Triton的目的是要能自动进行优化，让开发人员可以专注在开发高级逻辑上，不过，Triton也保有了一些灵活度，为了使Triton广泛适用，因此不会跨流媒体复合处理器自动调度任务，Triton把这些重要的算法考量留给开发人员决定。
