人工智能、高性能计算等领域的发展走上了快车道，在这背后，GPU并行计算给予了它们强有力的支撑。GPU以其多线程、高并发的特性，能够支持多个小的计算单元同时独立地进行计算，为高性能计算、机器学习等领域中大规模的数据计算提供了强劲算力，并通过快速并行计算的方式大大提升了计算效率。

　　CUDA是当前最主流的并行化程序编程方法之一，作为一种立足于GPU的并行计算架构，CUDA能够有效地管理可用资源并提供最大化的执行速度增益。大多数的开发者在开发中，出于对C或者C++可移植性和可扩展性的青睐，会倾向于使用这两种语言进行CUDA的开发，不过尽管C、C++能最大程度的实现较为复杂的功能，但这也为CUDA在开发者中的普及设下了一道门槛。

　　相比于C语言、C++，Python语言给开发者的限制就少了许多。Python除了可以支持接入各种各样的开源类库，还具有语法简洁、数据类型丰富、结构清晰等诸多特点，能够满足新手对易用性的要求，也能兼顾更为成熟的开发者对开发性能的需要。随着企业和开发者对开发效率要求的不断提高，加之Numba这样支持Python CUDA的编译器的出现，用门槛更低、效率更高的Python语言替代C、C++进行CUDA开发将成为越来越多人的选择。

　　taichi而不论是对CUDA新手，还是对从传统编程语言转向Python语言的CUDA开发者而言，使用门槛和实现效率固然是选择CUDA Python的重要依据，但怎样搭建部署支持CUDA Python的计算环境、编程技巧、相关工具的使用才是更加关注的内容。taichi https://taichi-lang.cn/