8.1 MLIR 的核心架构

8.1 MLIR 的核心架构

本节摘要：MLIR（Multi-Level Intermediate Representation）用一套极小的统一抽象支撑"多级 IR"：方言是命名空间，操作（operation）是唯一的一等公民，属性与类型携带元信息，块与区域承接 SSA/CFG 语义——本册第3章的控制流概念原封适用。在此之上，"编译"被重新定义为"从高语义方言逐级降级到低语义方言"，每次降级本身就是一个 pass（第7章的机制直接继承）。本节讲清这套抽象为什么能同时容纳张量运算与标量指令，以及"可扩展 IR"解决了单级 IR 的什么死结。读完你应当能用四件套的术语描述任意 MLIR 代码片段，并说清降级链的运行机制。

LLVM 章末尾留了个悬念："多级中间表示"到底比单级多出了什么。本节从单级 IR 的一个具体困境讲起，再看 MLIR 的抽象怎么解。

一、单级 IR 的死结：语义过早蒸发

把"C = A × B（两个 1024×1024 的矩阵相乘）"编译到 LLVM IR，会发生什么？矩阵乘的三重循环结构进 IR 后只剩标量指令：load、fmul、fadd、br。张量的形状（1024？还是 4096？）、访问模式（行主序？分块策略？）这些最高价值的语义，在进入 IR 的第一刻就没了。优化器想把它变回高效的 SIMD 内核，只能靠启发式反推：认归纳变量、猜依赖方向、赌对齐——5.2 的向量化 pass 干的就是侦探工作。

问题不在 LLVM 做得不好，而在单级表示天然只能选一个抽象档位。选高了（离机器远），后端要自己降；选低了（离机器近），高阶语义没地方放。AI 负载把这个死结顶到了明面上：张量运算与机器指令之间的语义落差，比 C 与指令之间大了整整一个数量级，垫一层 IR 根本不够用。

MLIR 的回答：IR 的抽象层级不该是编译器的常量，而应是编译过程的变量。同一个编译器里并存多种方言（dialect）——张量级的、向量级的、标量级的——编译即从高语义方言"逐级降级"到低语义方言，每一级保住该级的语义做该级的优化。张量乘在最高层还是"乘"，形状与布局都在；降到向量层才变成 SIMD 切分；降到 llvm 方言才是 7.1 读过的那种 IR。

二、四件套：方言、操作、属性、类型

MLIR 的一切由四个构件拼成。看一段真实的 MLIR（张量乘的降级链起点）：

%result = linalg.matmul ins(%A, %B : tensor<1024x1024xf32>,
                                     tensor<1024x1024xf32>)
                        outs(%C : tensor<1024x1024xf32>) -> tensor<1024x1024xf32>
​

• 操作（operation）：唯一的一等公民。linalg.matmul 是一个操作——它把"矩阵乘"作为原语表达，而不是拆成三重循环。传统 IR 的一条指令 ≈ 一个操作；区别在于操作的集合可无限扩展。
• 方言（dialect）：命名空间。linalg. 前缀表示它属于 linalg 方言；vector.transfer 属于 vector 方言；llvm.add 属于承接 LLVM 的方言。方言 = 一族相关操作的集合 + 它的降级规则。
• 类型（type）：形状与元素类型直接写在值上——tensor<1024x1024xf32>。7.1 的类型系统思想被放大：类型不描述"32 位整数"这种机器概念，还能描述"1024×1024 的单精度张量"这种领域概念。
• 属性（attribute）：挂在操作上的编译期常量与元信息（步长、排列、padding 策略）。它让"这个 matmul 想怎么切"这样的策略信息有处可放——单级 IR 里这类信息通常只能丢。

结构层面，操作包含区域（region），区域里是块（block），块里是操作——递归自指。但块、参数、跳转的语义与 3.1 的基本块/CFG 完全同源；标量计算降到最低层后，形式上就是熟悉的三地址码加 phi。新瓶装的是旧酒 + 新的酒：控制流理论原封继承，"值唯一赋值"的 SSA 纪律原封继承，被扩展的只是"操作与类型可以自定义"。

图：降级塔——语义逐级受控坍缩

三、降级机制与基础设施的继承

降级（lowering）在 MLIR 里被建模成方言间的转换 pass：A 方言 → B 方言 的每条规则是一个可单元测试的小变换，pass 管理器（7.5）照单编排。第7章学到的机制几乎全数继承：分析缓存与失效（降级也弄脏 IR）、分层执行（张量级 pass 不必看到标量）、管线描述即配置（降级链是一份名单）。7.4 的"逐 pass 验收"工作法在这里同样成立——对照降级前后各 dump 一份，看哪个操作被拆、被换、被折叠。

基础设施之外，还有两个设计决策值得点名。其一，dialect 的开放性是双刃剑：任何团队可以造自己的方言（确实有大量 AI 芯片厂商这么干），表达力与生态碎片化的张力始终存在——评估"要不要自建方言"时，问的正是一个新 IR 该不该被造出来的老问题，只是代价从"改编译器本体"降到了"写一套新操作"。其二，通用基础设施的复利：因为四件套统一，为新方言写 pass 时，支配树、别名框架、序列化全部现成——3.x 与 7.x 的全部积累，以基础设施的形式再次变现。

💡 关键直觉：MLIR 没有发明新的数据流分析或新的 SSA——它发明的是"让 IR 本身可编程"。当表示可以按抽象层级定制，"编译"就从"一次翻译"变成了"沿受控阶梯的逐级换挡"，而每一级挡位上的优化都站在完整语义的地板上。

本节要点回顾：

• 语义过早蒸发：单级 IR 只能选一个抽象档位，高阶语义进 IR 即丢失；
• 四件套：操作（一等公民）、方言（命名空间）、类型（含领域形状）、属性（策略元信息）；
• 结构同源：块/区域/参数与第3章 CFG、SSA 完全一脉，扩展的是操作与类型的开放性；
• 降级 = 方言间 pass：受控、可测试、由第7章的 pass 管理机制编排；
• 开放性的代价：表达力与生态碎片化的张力，自建方言前先算生态账。

抽象讲完了，下一节沿一条真实的降级链走一遍——把"多级"从口号变成读得懂的代码。