线程很多，矩阵乘法仍在重复同一种小操作。

每个线程负责输出矩阵的一个元素，却要在 K 维上顺序完成 16 次乘加。程序是正确的，但没有把矩阵结构表达给硬件。

标量矩阵乘法256 OUTPUT THREADS · K = 16

01int row = blockIdx.y * blockDim.y + threadIdx.y;

02int col = blockIdx.x * blockDim.x + threadIdx.x;

03float sum = 0.0f;

04for (int k = 0; k < 16; k++) {

05sum += A[row][k] * B[k][col];

06}

07C[row][col] = sum;

SCALAR KERNEL READY0 / 256

输出 TILE C16 × 16 ELEMENTS

每个输出的乘加16输出线程256矩阵形状16³

动画只显示计算结构，不表示真实时钟、吞吐或固定性能倍数。