[RFC]: 封装ACLNN Adapter的多线程操作，提升算子对接抽象层级

### 背景与目标描述. 当前的ACLNN算子对接代码要求开发人员直接处理多线程异步操作，这带来了以下问题： - **认知负担重**：算子对接人员需要了解`PyBoostDeviceTask`、`DispatchRun`等底层多线程概念 - **样板代码多**：每个算子都需要重复编写类似的异步任务分发逻辑 - **维护成本高**：多线程相关代码散布在各个算子实现中，不易统一管理 - **出错风险大**：容易在异步任务中遗漏必要的内存管理或上下文设置 ### 建议的方案. #### 1. 封装多线程操作 引入`DISPATCH_LAUNCH_ACLNN`宏，将异步任务分发完全封装： ```c++ #define DISPATCH_LAUNCH_ACLNN(aclnn_api, ...) \ do { \ auto __device_context = op->device_context(); \ auto __stream_id = op->stream_id(); \ PyBoostUtils::DispatchRun(std::make_shared<runtime::PyBoostDeviceTask>( \ [=]() { LAUNCH_ACLNN(aclnn_api, __device_context, __stream_id, __VA_ARGS__); })); \ } while (false) ``` #### 2. 简化内存管理接口 提供统一的内存管理抽象： - `mindspore::pyboost::MallocAndCopy(op, inputs...)` - 分配输入tensor设备内存并复制数据 - `mindspore::pyboost::Malloc(op, outputs)` - 分配输出tensor设备内存 #### 3. 提升算子对接体验 **重构前**（需要感知多线程）： ```c++ PyBoostUtils::PrepareOpInputs(op->device_context(), op->stream_id(), x_tensor, y_tensor); PyBoostUtils::PrepareOpOutputs(op->device_context(), op->stream_id(), op->outputs()); PyBoostUtils::DispatchRun(std::make_shared<runtime::PyBoostDeviceTask>([op, x_tensor, y_tensor]() { MS_LOG(DEBUG) << "Run device task Add start"; auto device_context = op->device_context(); const auto &outputs = op->outputs(); PyBoostUtils::MallocOpInputs(device_context, x_tensor, y_tensor); PyBoostUtils::MallocOpOutputs(device_context, outputs); ScalarPtr alpha = std::make_shared<Int64Imm>(1); LAUNCH_ACLNN(aclnnAdd, device_context, op->stream_id(), x_tensor, y_tensor, alpha, outputs[0]); })); ``` **重构后**（只需关注算子逻辑）： ```c++ mindspore::pyboost::MallocAndCopy(op, x_tensor, y_tensor); mindspore::pyboost::Malloc(op, op->outputs()); const auto &output = op->output(0); const ScalarPtr kAddAlpha = std::make_shared<Int64Imm>(1); DISPATCH_…