所以，蝦米是優化？

首先，蝦米是優化？

假設今天我們手上有一個 Kernel、一個程式，或者 whatever，反正我們現在只知道一件事情：它跑了 100 ms。

但 100 ms 到底是快還是慢？其實不知道。因為我們不知道它跑在什麼硬體上、不知道 input size，也不知道同樣的事情別人需要花多少時間。現在的 100 ms 就只是一個測量結果而已，它自己並不能告訴我們效能到底好不好。

所以要談優化，第一件事情其實很簡單：你需要一個比較的對象。

假設同樣的運算、同樣的 input、同樣的硬體，我們有另外一個版本只需要 50 ms，那事情就開始有意思了。100 ms 跟 50 ms 放在一起，我們終於可以說後者有 2x speedup，或者換個角度說，它的 execution time 減少了 50%。

這個比較對象可以是修改之前的版本，可以是另一套 implementation，也可以是某個我們估算出來的硬體上限。後面我們甚至會開始從算力、Memory Bandwidth 這些東西去估：「這個 Kernel 理論上到底還能快多少？」但不管是哪一種，背後其實都是同一件事：

有比較，才有優化。

沒有 Baseline 的 100 ms，不是快，也不是慢。它就只是 100 ms。

不過，有了 Baseline，也不代表看到哪裡可以變快就要衝過去改。

假設今天整個程式跑完需要 100 ms，其中 Program A 花了 80 ms，Program B 花了 20 ms。你看了一下 Program B，覺得這東西寫得有夠爛，改一改應該可以直接快兩倍。

然後你真的做到了：

Program A: 80 ms
Program B: 20 ms → 10 ms

Program B 快了整整 2x，execution time 直接少了一半，單看這個結果其實很漂亮。但放回整個程式：

Before: 80 + 20 = 100 ms
After:  80 + 10 =  90 ms

你花了很多力氣把一段程式優化了 2x，最後 End-to-End 只從 100 ms 變成 90 ms，大概是 1.11x speedup。

這就是效能優化裡一個很現實的問題：一個東西「能優化多少」，跟它「值不值得優化」，其實是兩件不同的事情。

如果一段程式只佔整體執行時間的 20%，那就算你有一天突然得到神力，把它從 20 ms 直接優化成 0 ms，剩下那 80 ms 還是好端端地站在那裡。所以整個程式最快也只能：

100 ms → 80 ms

也就是最多 1.25x。

這件事情其實就是 Amdahl's Law 在講的東西。假設可以被加速的部分佔原本執行時間的比例是 (P)，而我們把這部分加速了 (S) 倍，那整體的 Speedup 會是：

這個公式真正想講的事情很簡單：你沒有動到的那部分，最後會變成你的極限。

所以比起看到哪段 Code 很醜就先救哪段，我們更在意的是時間到底花在哪裡。如果一個 Kernel 只佔整個程式的 1%，就算把它優化得跟鬼一樣，對整體效能可能還是沒什麼影響；反過來，一個 Kernel 佔了 70% 的時間，就算最後只能快個 20%，搞不好都比前面那個有價值得多。

簡單來說就是：

先找大頭。

不然很容易忙了一整天，Benchmark 也真的變快了，最後一看 End-to-End：

「嗯？」

「大的勒？」

那時間到底花去哪了？

找到大頭之後，接下來才是比較麻煩的地方。

一個 Kernel 跑了 10 ms，而且佔整個程式 70% 的時間，我們現在知道它很重要，卻還是不知道這 10 ms 到底花去哪裡。這也是為什麼「慢」本身其實沒有告訴我們該怎麼優化。

這邊先不急著看一大堆 GPU Metrics，也先不管 Warp、Occupancy、Cache、Register。那些後面都會慢慢遇到。我們現在先很粗暴地把時間切成三個方向：

Compute、Memory、Overhead。

有些工作是真的需要做很多計算，資料都準備好了，GPU 的計算單元也一直在工作，但就是還有一大堆東西沒算完。這種我們先叫它 Compute Bound。

另一種剛好相反。計算本身可能根本沒多少，GPU 一下就算完了，時間反而花在把資料搬進來、搬出去。這種比較接近 Memory Bound。

最後還有一種比較尷尬：Kernel 本身可能都很快，但工作切得太碎，每次都要 Launch、Dispatch、Synchronization，最後「叫 GPU 去工作」這件事情本身開始變得不能忽略。這種我們先放進 Overhead Bound。

這三種情況可以先想成一間工廠：

Memory 負責把原料送進來，Compute 是工廠裡真正加工東西的機器，而 Overhead 則是每次開工以前要處理的那些事情。

如果今天原料一直送不進來，那把工廠裡的機器換成兩倍快，大概也沒什麼用。反過來，如果原料早就堆滿整間工廠，現在是機器真的做不完，那再買十台卡車來送貨，也不會讓成品生得比較快。

至於如果工廠每做一顆螺絲就關門一次，下一顆螺絲來了再重新開門、打卡、開機……

那工廠跟卡車可能都沒有問題。

是你的開工方式很有問題。

後面會看到的 Memory Bandwidth、Tensor Core、Kernel Fusion、Shared Memory，甚至 PTX，其實都不是「用了就會變快」的魔法。它們各自在處理不同的限制。

所以比起先問「CUDA 有哪些優化技巧」，我們現在比較想知道的是：

到底是什麼東西，限制了它繼續變快？