金磊 发自 凹非寺
量子位 | 公众号 QbitAI
没有源码，没有论文，直接从零开始。
就在今早，ForgeKernel， 一个无人参与的Agent在无需参考DeepSeek原始实现的情况下，就当着全网的面，把DeepSeek最新的核心算子写快了9.8%！
并且整个过程的直播，仅仅花了22.5小时的时间（从设计算子的角度来看，消耗时间算短的），也引来了不少网友的围观：
具体来说，这个直播的内容是一个Agent在英伟达B200上，超越DeepSeek-V4.1的FlashMLA Prefill算子。
FlashMLA是DeepSeek开源的注意力核心算子库，10月20日刚开源的推理框架DeepInfer也把它集成在内；它出自业内公认Infra最强的团队之手，可以说是代表了人类手写算子的巅峰。
而也正如我们刚才所说，AI拿到的只有算子的数学定义和目标硬件约束，它要0帧起手，通过自进化一轮轮改进。
在这22.5个小时里，每一次改写、每一个性能数字的跳动，就这么水灵灵地摆在了全网观众眼前：
第一版通过了正确性检查，但耗时1834微秒，效率相对较低； 不到4小时，耗时压到593微秒，降幅约67.6%，已从零逼近当前最佳实现的九成； 第7小时前后，一次核心结构突破让它先超过了自己的上一代版本，随后首次超过FlashMLA； 上午9点多，直播结束。最终版本耗时472微秒，FlashMLA为518微秒，快了9.8%。
全程42轮迭代，留下32个版本，用了1张B200和22个GPU小时；而人类为这个算子写的代码是，0行。
手写巅峰，就这样被一份人类没写一行代码的算子越过了。
那么这到底是何许Agent？
它，正是来自面壁智能的算子生成系统ForgeKernel；并且在本场直播结束之后，智能进化实验室随即联合OpenBMB社区宣布开源。
不过这场直播还并非是ForgeKernel的首次亮相，早在前几天，它就已经famous过一次了。
包揽了国产算力三个第一
就在10月27日，昇腾CANN官方发文，就“点名”了一下ForgeKernel——
同时登顶CANNBench 950DT、950PR、A3三大硬件榜单！
这三个榜单分别对应的三类昇腾硬件，它们的成绩看点可以说是各有不同。
我们先来看下950DT这个榜单，这也是三张榜里经济账算得最明显的一张。
ForgeKernel在这张榜上以4010.75分排名第一，领先第二名27.8%；基准加速比1.533×，约为第二名的143%。
这就意味着在同等硬件投入下，可用算力增长接近50%，企业的算力采购与部署成本可相应降低约一半。
之所以这个榜单值得关注，是因为950DT是新一代芯片，配套算子库尚在建设初期，人工适配周期长，而ForgeKernel率先完成了适配并登顶。
这说明新硬件刚上市，AI就能快速产出高质量算子，芯片从上市到适配好之间的空窗期，正在被大幅压缩。
950PR则是三张榜里竞争最激烈的一张，前三名的基准加速比都达到了1.3倍：
ForgeKernel在这张榜上总分4165.94，同样排名第一；基准加速比1.638×，约为第二名的1.18倍。
最后，就是A3，也就是目前广泛使用的昇腾910C。
早在10月15日封榜的CANNBench v1.1中，它就已拿下A3硬件榜第一；v2.0开榜后，这个位置一直没有让出，目前总分4341.16，基准加速比1.898×，约为第二名的1.22倍。
在这次直播中，ForgeKernel是跑在英伟达B200上，用的是CUDA，这套生态攒了多年的专家经验；而这三张榜单是在昇腾上跑的，昇腾有自己独立的架构和工具链。
虽然两边的软硬件差别很大，但ForgeKernel却能用同一套系统，在两边都拿到了第一。
那么接下来的问题是，它是如何做到的呢？
是无师自通的那种
模型最终能跑多快，很大程度上得看算子。
因为同一款模型、同一块芯片，换一套更高效的算子，性能就会拉开明显差距。
而长期以来，高性能算子依赖资深工程师逐个手写调优，周期长、门槛高。CUDA生态走到今天，靠的是多年的专家积累；而国产芯片每出一代新硬件、每来一个新模型，都要重新适配一遍。
一言以蔽之，人类专家的数量，跟不上芯片和模型的迭代速度。
那么此局又该如何破解？
10月27日，ForgeKernel团队与清华大学等机构在arXiv发布了一篇名为JustGoal：With Only a Goal，the AI Baseline Is Above the Expert Kernels的论文。
在这篇论文中，研究团队只给模型一个优化目标，不提供任何算子知识，也不规定固定流程，让它自己去写。结果在B200上，模型在10个算子中的8个跑赢了人类维护的开源库。
他们还让同一个模型套上MIT韩松团队参与开发的专用框架KDA-0.5，在单配置优化任务上的平均成绩反而只有JustGoal的0.95×。也就是说，写算子越来越依赖模型自身的能力，专家预先写好的经验和流程，作用在变小。
不过，只给目标也有做不到的地方。模型擅长调细节，却难以独立设计好整体架构，常常在开局几次尝试中就把路线定死，之后只能在原有架构里微调。ForgeKernel就是在JustGoal的基础上，专门补这块短板的。
它的做法可以分成三部分：
一是把架构设计和实现能力分离，并把架构设计抽象成里程碑，拆解问题； 二是把每一条实测验证过的硬件经验存进知识库，换一个算子也能接着用； 三是把自己写出的最好版本当作下一轮的对手，一轮轮自进化。
而这三部分，刚好可以与我们刚才展示的直播一一对应。
ForgeKernel先超过了自己的上一代版本，接着才超过FlashMLA，这就是自进化。
到了后期，它还自己发现Q的突发加载在和KV数据搬运争抢访存资源，于是主动控制Q的请求节奏，又压下2.4%的耗时，这种判断过去要靠资深专家来做。
△ForgeKernel Live 中的 Agent 运行日志
放到更多算子上，ForgeKernel在29项对比中有24项打平或超越专家实现，三套领先Agent系统公开的7个最强算子，也全部打平或超越。
这份收益，还能在不同的国产芯片之间复制，因为ForgeKernel的设计对国产芯片还有一个好处，那就是不依赖于具体的某一款硬件。
具体的算子实现，要贴着每款芯片的硬件特性来写，没法照搬；但ForgeKernel组织优化的方法是通用的，没有为任何一款芯片预设固定流程。从英伟达换到昇腾，它只需把性能分析工具从NCU换成msprof，新芯片需要的硬件知识，再由模型在这块芯片上边测边积累。
这样一来，ForgeKernel可以快速迁移到其他国产芯片上，新一代国产芯片推出时，也不必再从零搭建一套适配流程。
省下的是真金白银
如果算子能快上1%，这又到底意味着什么呢？
据Gartner最新预测，2026年全球AI基础设施支出约1.48万亿美元。按这个量级，算力效率每提升1%，对应的就是约148亿美元。
若是放到国产芯片上，这笔账会更加明显一些。
英伟达的CUDA已经被专家优化了多年，现成的高性能算子很多，AI再往上提速的余地有限；国产芯片配套的算子库还不完善，不少算子没有经过充分调优，AI能带来的提升也就更明显一些。
ForgeKernel团队用AI优化训练框架时，也看到了这个差别，同样的做法在国产芯片上能提速20%～30%，在英伟达上为5%～10%，这意味着，ForgeKernel可以进一步提高国产芯片在训练和推理任务上的性价比，缩小与英伟达的差距。
当写代码对AI几乎不花成本以后，很多以前嫌专家太贵、算不过账的优化就值得做了，比如给某个模型或某颗芯片单独定制一套算子。
事实上，这些超越人类专家的算子并没有停留在榜单上，而是已经走向了真实的产业一线。
目前，ForgeKernel生成的算子已正式接入训练框架，在国产芯片与英伟达平台上完成了MiniCPM5-1B的长训测试。
更值得注意的是，在这场算力底层的重构中，以DeepSeek V4.1为代表的国产大模型，已经开始参与到算子的生成和优化中；而这些算子，最终又稳稳地跑在国产芯片之上。
“国产模型写算子，国产芯片跑算子”，一条属于中国AI的全栈生态闭环正在成型。
这不仅是算子的胜利，更是RSI（递归自进化）落地的真实缩影：AI研发的行为主体，正在从人类转向AI。
正如面壁智能智能进化首席科学家李宇轩所说，由于代码能被机器快速验证，工程落地会比理论研究率先实现闭环：
过去，像 FlashAttention 系列这样需要深度重构架构的顶尖算子，人类专家往往需要数月甚至半年才能完成一次迭代；而如今在团队内部，AI 超越最佳人类实现的算子优化任务，最多只需两天就能完成。
而随着ForgeKernel的正式开源，这套方法也将作为基础设施，为国产芯片厂商和模型团队提供了新的效率路径。
以前国产芯片要追赶英伟达，难的往往不是硬件指标，反倒是CUDA生态里堆积了十几年的专家经验与软件分层。但在RSI的范式下，AI正在把这种依靠人力堆叠、耗时数年建立的生态壁垒彻底打穿，直接端到端生成最优解。
当“国产模型写算子，国产芯片跑算子”成为新的算子工程范式，研发的主体或许正在不可逆地从人类转向模型。但这并不意味着人类专家的离场，只是他们的工作重心发生了根本性的跃迁：
从亲手打磨每一行底层代码，转向为AI搭建环境、设定目标与验证标准，去配合AI把算子写得更好。
当人类从代码工匠转变为系统架构师，国产芯片在“能跑”和“跑好”之间的鸿沟，正在被AI以小时为单位迅速填平。
开源地址：
https://github.com/OpenBMB/ForgeKernel
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
🌟 点亮星标 🌟
