[AIKG] 支持Triton代码作为AIKG输入任务

| name | about	                                              | labels                           |
| ---- | ---------------------------------------------------- | -------------------------------- |
| RFC| 支持Triton代码作为AIKG输入任务 | kind/feature  |

### Backgroud（背景信息）
AIKG当前支持的输入任务主要是KernelBench类的算子组合Model。通过调用Model、get_inputs、get_init_inputs来执行任务代码。
```python
class Model(nn.Cell):
    
    def __init__(self):
        super(Model, self).__init__()

def construct(self, A: ms.Tensor, B: ms.Tensor) -> ms.Tensor:
        return ms.ops.matmul(A, B)

M = 1024
K = 4096
N = 2048

def get_inputs():
    A = ms.ops.randn(M, K, dtype=ms.float16)
    B = ms.ops.randn(K, N, dtype=ms.float16)
    return [A, B]

def get_init_inputs():
    return []  # No special initialization inputs needed
```

但实际的算子生成、优化任务并不一定只有这种场景：例如还有针对已有生成代码继续优化的场景。
例如：算子任务是一个已生成的triton代码，但是希望通过AIKG继续优化该算子的性能。本RPC希望支持此类“继续优化”的场景。

### Benefit / Necessity （价值/作用）
- 在Triton-ascend/cuda里，存在不少手写的、未被优化的算子实现，这类实现可通过AIKG持续优化
- 在inductor直接生成的Triton代码里，可能是一个通用版本，通过AIKG可尝试接入优化

### Design（设计方案）

简要方案分析
**方案一**
TrionOld当做 TaskDesc 接通AIKG任务。
优点：接入相对简单；
不足：可能原来的TritonOld写法未必是最优方案，基于该方案的优化可能过早陷入局部最优。

**方案二**
还原算子组合再跑AIKG。
优点：从最基础的算子组合出发，便于探索更多可能；还原之后可无缝衔接原AIKG流程。
不足：还原后成需额外验证，确保正确性。

MindSpore/akg

内容风险标识

评论 (2)

MindSpore/akg .gitee-modal { width: 500px !important; }

内容风险标识