在编译器和 AI 编译领域，经常会听到 Graph IR 和 SSA IR。 它们并不是“新旧关系”，而是解决不同问题的两类中间表示（IR）。
本文用直观的方式解释它们的区别，以及各自适合做什么。
1. 什么是 Graph IR？
直观理解
Graph IR 像一张“算子连接图”
- 节点（Node）是算子（MatMul、Add、Softmax）
- 边（Edge）是 Tensor
- 整体是一个 有向无环图（DAG）
一个简单示例
Q ──┐
├─ MatMul ── Softmax ── MatMul ── Out
K ──┘ ▲
│
V这在 ONNX、TensorFlow Graph、Pytorch 中看到的形式。
Graph IR 擅长什么？
- 算子级调度
- 算子融合（Op Fusion）
- 跨设备/跨算子执行规划
- 粗粒度内存规划
一句话：擅长“调度算子”
Graph IR 的局限
Graph IR 不知道：
- 算子内部是否有循环
- 哪一维是 reduction
- 是否可以做 tiling
- 中间结果能否复用
- 是否存在循环携带依赖
在 Graph IR 中，算子内部是 黑盒
2. 什么是 SSA IR？
直观理解
SSA IR 是“一段可分析、可重写的程序”
SSA（Static Single Assignment）要求：
- 每个值只定义一次
- 所有依赖关系显式可追踪
一个简单示例
%a = load %A
%b = load %B
%c = arith.mulf %a, %b
%d = arith.addf %c, %bias这里的每个 %x 都是一个有生命周期的变量。
SSA IR 擅长什么？
- 循环分析与变换
- Tiling / Fusion / Unrolling
- Reduction 重写
- 数据复用分析
- 生成 micro-kernel
一句话：擅长“重写程序”
3. 一个关键区别：算子 vs 程序
| 对比维度 | Graph IR | SSA IR |
|---|---|---|
| 表达单元 | 算子 | 语句 / 循环 |
| 控制流 | ❌ | ✅ |
| Loop | ❌ | ✅ |
| Reduction 语义 | ❌ | ✅ |
| 数据依赖 | 隐式 | 显式 |
| 程序重写 | ❌ | ✅ |
本质区别在于：
Graph IR 表达的是 “做什么算子” SSA IR 表达的是 “怎么算”
4. 用 Attention 举一个直观对比
在 Graph IR 中
MatMul(Q, K)
→ Scale
→ Softmax
→ MatMul(·, V)编译器只能：
- 调整算子顺序
- 尝试算子融合
在 SSA IR 中
Attention 会被展开成：
- 显式的多重循环
- 明确的 reduction 维度
- 可分析的中间变量
因此可以：
- Tile Q/K/V
- 将 Softmax 改写为 Online Softmax
- 融合成一个 micro-kernel（如 FlashAttention）
FlashAttention 在 Graph IR 中几乎不可表达，在 SSA IR 中是一次程序重写。
5. 为什么现代 AI 编译器需要两者？
现实中的编译器并不是“二选一”，而是：
Graph IR → SSA IR → 低级 IR各自分工明确
- Graph IR
- 模型结构表达
- 算子级优化
- 全局调度
- SSA IR
- 循环与数据局部性优化
- Tiling / Fusion
- Micro-kernel 生成
6. 一句话总结
Graph IR 是“算子调度的语言”， SSA IR 是“程序优化的语言”。
如果只想“连算子”，Graph IR 足够； 如果想“榨干硬件性能”，SSA IR 不可或缺。