看看这几年领域特定编程语言(Domain Specific Language, DSL)的发展，会发现算法和调度的解耦越来越明显，同时编译和综合的边界越来越模糊。
这些年涌现了一大批DSL，它们算是软件2.0时代的产物，也是编译3.0时代的推进者。
其中的先锋者即Halide1，最早提出要将算法(algorithm)和调度(schedule)相分离。 之后的TVM2、HeteroCL3、GraphIt4、Taichi5等DSL无不在践行这一准则。
事实上调度的思想在HLS的发展中一直存在，毕竟HLS就是以综合作为根基的。但是HLS的问题在于它太过将算法和调度紧耦合了，导致代码十分的难写（也即所谓的混合软硬件特性）。还是举经典的GEMM的例子
void matrix_mult(
mat_a a[IN_A_ROWS][IN_A_COLS],
mat_b b[IN_B_ROWS][IN_B_COLS],
mat_prod prod[IN_A_ROWS][IN_B_COLS])
{
// Iterate over the rows of the A matrix
Row:
for (int i = 0; i < IN_A_ROWS; i++)
{
// Iterate over the columns of the B matrix
Col:
for (int j = 0; j < IN_B_COLS; j++)
{
#pragma HLS PIPELINE II=1 // here!!!
prod[i][j] = 0;
// Do the inner product of a row of A and col of B
Product:
for (int k = 0; k < IN_B_ROWS; k++)
{
prod[i][j] += a[i][k] * b[k][j];
}
}
}
}
其中实现流水最好是将编译指示插在中间层循环，但是对于没有经验的人来说，可能就需要在三层循环体分别进行尝试，然后选出最优性能的插入。
我们会发现，事实上无论你的编译指示插在哪，对最终计算的结果是不会有影响的，而影响的只是它的计算速度。除了流水线，对于循环的优化还有调换顺序、循环展开(unrolling)、铺砖(tiling)等等，这些都不会对运算结果产生影响。
因此如果我们将算法（也即GEMM）抽象出来，然后要做的优化（也即所谓的调度）又另外进行抽象，那我们就可以采用一些自动化的方法对整体程序进行优化。
所以当#pragma HLS PIPELINE II=1这种语句写成GEMM.schedule("PIPELINE",1)的形式，那我们就实现了算法和调度的分离。更一般化地来说，我们可将调度表示成
<algorithm>.schedule(<optimization>,<args>)
从而程序员可以更加focus在算法的核心部分，而其余的优化则交由编译器来做。
这种方法能行得通的原因很大程度上也依赖于现在硬件的发展，因为硬件的速度越来越快，因而我们也开始有办法去处理这些庞大的搜索空间，而不再需要程序员手工去优化。无论是启发式方法抑或是机器学习方法，都能实现很高程度的自动化，进而实现自动调优的功能，这也是现在为什么这些DSL的编译器基本都集成了综合的功能。只要spec定义得好，那么剩下的事情就交给机器了，既然是有限的搜索空间（<opt>和<args>都是有限的），那就一定能搜出最优解（至于搜多长时间就涉及到搜索算法的效率问题了）。
Jonathan Ragan-Kelley (MIT), Connelly Barnes, Andrew Adams, Sylvain Paris, Frédo Durand, and Saman Amarasinghe, Halide: A Language and Compiler for Optimizing Parallelism, Locality, and Recomputation in Image Processing Pipelines, PLDI, 2013 ↩
Tianqi Chen (UW), Thierry Moreau, Ziheng Jiang, Lianmin Zheng, Eddie Yan, Arvind Krishnamurthy, et al., TVM: An Automated End-to-End Optimizing Compiler for Deep Learning, OSDI, 2018 ↩
Yi-Hsiang Lai (Cornell), Yuze Chi, Yuwei Hu, Jie Wang, Cody Hao Yu, Yuan Zhou, Jason Cong, Zhiru Zhang, HeteroCL: A Multi-Paradigm Programming Infrastructure for Software-Defined Reconfigurable Computing, FPGA, 2019 ↩
Yunming Zhang (MIT), Mengjiao Yang, Riyadh Baghdadi, Shoaib Kamil, Julian Shun, Saman Amarasinghe, GraphIt: A High-Performance Graph DSL, OOPSLA, 2018 ↩
Yuanming Hu (MIT), Tzu-Mao Li, Luke Anderson, Jonathan Ragan-Kelley, Frédo Durand, Taichi: A Language for High-Performance Computation on Spatially Sparse Data Structures, SIGGRAPH Asia, 2019 ↩