在我们最近的YC Paper Club上，研究人员和开发者分享了多GPU内核优化、本地推理的每瓦特智能、AI生成的GPU内核与基准测试、异构推理基础设施设计，以及用于强化学习的GPU加速游戏引擎。
感谢以下演讲者：
Stuart Sul (Stanford / Cursor), John (Stanford), Mark (PyTorch / GPU Mode / CoreAuto), Misha (Marlo), and Brennan (Stanford)
文字记录：https://www.ycrootaccess.com/p/multi-gpu-kernels-intelligence-per
章节：
0:00 – Francois Chaubard：芯片与内核专业化的理由
7:16 – Stuart Sul: Parallel Kittens - Systematic and Practical Simplification of Multi-GPU Al Kernels (https://arxiv.org/abs/2511.13940)
21:29 – Jon Saad-Falcon: Intelligence per Watt - Measuring the Intelligence Efficiency of Local and Cloud AI (https://arxiv.org/abs/2511.07885)
31:05 – Mark Saroufim：当AI开始编写系统代码
47:04 – Misha Smelyanskiy：为什么AI推理需要异构硬件
1:04:33 – Brennan Shacklett：构建一个完全在GPU上运行的高吞吐量游戏引擎 (https://madrona-engine.github.io/shacklett_siggraph23.pdf)
1:15:35 – 总结与下一步
申请加入Y Combinator：https://www.ycombinator.com/apply
在初创公司工作：https://www.ycombinator.com/jobs
