CUDA 代碼在 Apple M3 Pro GPU 上運行，速度提升 10 倍

A computing program originally designed for NVIDIA CUDA ran directly on an Apple device equipped with an M3 Pro, with virtually no modifications to the kernel code.

這是 X 網友 @Abhinav 昨天公佈的一項進展。更令人意外的是，它並非一個簡單的「向量加減乘除」演示，而是在真實的三維流體模擬任務中，實現了約 10 倍的速度提升。

這件事的背后，有一個特殊的參與者 —— GPT-5.6 Sol。

這件事發生在開源科學計算平台 OpenFPM 上。研究人員一直致力於做一件很多人認為「不太可能」的事：讓原本為 CUDA/HIP GPU 設計的高性能計算程式，跨越平台壁壘，在蘋果自己的 Metal GPU 架構上運行。

為什麼這很困難？過去十幾年，GPU 計算領域高度碎片化——NVIDIA 有 CUDA，AMD 有 HIP，蘋果有 Metal。這些生態系統如同不同語言，彼此不相容。一個用 CUDA 寫成的程式，通常需要大量重寫才能在其他平台運行。

但這次，開發者並未選擇重新開發一套 Metal 版本，而是搭建了一條轉換通道：程式先經過 Clang/HIP 處理，再透過 SPIR-V、Vulkan 和 MoltenVK 等中間層，最終讓蘋果 Metal GPU 能夠理解並高效執行。

更重要的是，他們完全沒有新增任何 Metal 專用的粒子 API。應用層仍保留原有的 CUDA/HIP 風格 kernel 調用，實現了真正的硬體透明。

在這個過程中，GPT-5.6 Sol 發揮了關鍵作用。它幫助完成了裝置端記憶體佈局構建，用約 6 小時的時間發現了 MoltenVK 和 SPIR-V 中的相容性問題，並設計了相應的變通方案。

項目連結：https://github.com/mosaic-group/openfpm/pull/18

真正考驗這項工作的，是一個複雜的測試用例——三維 SPH 大壩潰壩模擬。這個任務需要同時處理掃描、排序與重排、單元格和鄰居列表構建、ghost 粒子交換、歸約操作以及原子操作等多個複雜模塊，任何一個環節出問題，都會導致性能下降或物理結果偏差。

但測試結果出乎預期。在搭載 M3 Pro 芯片的蘋果設備上，使用 Metal GPU 運行，約 6 秒完成；使用 CPU 順序計算，約 60 秒完成。也就是說，同一個程序，僅僅更換計算硬體，就獲得了約 10 倍的速度提升，且 GPU 利用率接近 100%（表明轉換效率很高）。

更重要的是，速度的提升並未以犧牲準確性為代價。開發者進一步檢查了模擬結果，發現蘋果 GPU 版本和原始計算版本最終得到的物理結果保持一致，關鍵參數和模擬軌跡均高度接近。這意味著，蘋果 GPU 不僅成功運行，而且真正完成了科學計算任務。

開發者進一步指出，粒子存儲隨粒子數 N 線性增長，而鄰居搜索等工作量大致為 O(N・k)（k 為固定密度下的鄰居數）。目前展示的 10 倍加速是單機後端對比的結果。未來，藉助蘋果 Thunderbolt 支持的 RDMA 技術，還可以實現多機動態負載均衡，讓模擬在多台設備上擴展。

當然，這項突破距離改變整個 GPU 產業還有距離。目前 Apple Metal GPU 最大的限制之一，是對高精度浮點計算支援不足，而很多專業科學計算領域依賴雙精度運算。因此，在天氣預測、航太航空模擬等超級計算場景中，NVIDIA 專業 GPU 仍然佔據優勢。

不過，也有人質疑這項探索的意義，一位網友表示：「市面上明明有那麼多更合適的系統，在 Mac 上跑這種小仿真，到底有什麼用？」言下之意是，MacBook 的 GPU 再快，也終究不是為科學計算而生的，這件事聽起來更像一場炫技。

開發者的回應頗為坦率：「最大的用處，就是好玩，以及工作順手。」他解釋說，團隊的大規模模擬本就跑在叢集上，而這次能在蘋果架構上跑通，恰恰驗證了設備抽象層的設計是成立的。更實際的理由藏在日常開發裡 —— 跑大模擬之前，總要先用小模擬調試，而本地調試靠 CPU 實在太慢；模擬結果動輒幾個 GB，SSH 根本傳不回來，遠端桌面又笨重難用，不如直接在本地跑。最妙的地方在於，在筆記型電腦上調試通過的那份代碼，原封不動地放到 GPU 叢集上，就能自動擴展規模。