共计 1523 个字符，预计需要花费 4 分钟才能阅读完成。
一场没有人类敲代码的 22.5 小时直播, 把“AI 能否改写算力底层”推到台前 。面壁智能的 ForgeKernel 仅凭数学定义和硬件约束, 写出比 DeepSeek FlashMLA 更快的 Prefill 算子, 随后又登上昇腾与英伟达官方榜单。
📌 看点速览: 这次突破新在哪
- 无人参与: 从空目录起步,Agent 自主迭代, 人类代码为零行。
- 跑赢标杆: 最终 472 微秒,FlashMLA 为 518 微秒, 直播口径为快 9.8%。
- 跨生态登顶: 昇腾 CANNBench 三张硬件榜第一, 英伟达 FlashInfer-Bench 赛道也排第一。
- 已开源: 面壁智能进化实验室联合 OpenBMB 开源 ForgeKernel, 论文随后公开。
🔍 22.5 小时直播跑了什么
第一版通过正确性检查时耗时 1834 微秒; 不到 4 小时压到 593 微秒 ; 第 7 小时前后完成核心结构突破, 首次跑赢 FlashMLA。最终版本 472 微秒, 全程 42 轮迭代、留下 32 个版本, 只用 22 个 GPU 小时。它还自行发现 Q 的突发加载与 KV 数据搬运争抢访存资源, 主动控制 Q 的请求节奏, 又压下 2.4% 的耗时。
💡 算子层为什么难, 榜单为何重要
算子是大模型运行时反复调用的基础计算模块, 矩阵乘法、归一化等运算都要靠它落到芯片上 。数据怎么搬、计算如何并行、硬件资源能否充分利用, 直接决定同一颗芯片能跑出多少性能。2022 年的 FlashAttention 只重写注意力计算这一步, 就让长上下文变得可用;FlashMLA 正是这条技术脉络上的延续。
这也是最依赖人类经验的一层。 写好顶级算子 , 需要同时理解算法、芯片存储层级和指令调度, 还要在硬件上反复试错。2025 年初斯坦福 KernelBench 显示, 最强推理模型写出的 GPU 算子, 能追平 PyTorch 基线的还不到两成。
10 月 27 日, 昇腾 CANN 官方点名 ForgeKernel, 称其同时登顶 CANNBench 的 950DT、950PR、A3 三张硬件榜单。其中 950DT 是华为今年推出的新一代芯片, 配套算子库还在建设初期,ForgeKernel 率先完成适配, 总分领先第二名 37.1%;A3 对应昇腾 910C, 在 10 月 15 日封榜的上一版榜单中已是第一。英伟达一侧, 它在 SOL-ExecBench 最难的 FlashInfer-Bench 赛道排名第一, 该评测从 124 个真实模型抽出 235 道 CUDA 算子题, 同榜还有 Databricks、Cursor、Qwen 等团队。
更关键的是跨平台方式: 同一套系统迁移时, 只把性能分析工具从 NCU 换成 msprof, 新芯片所需知识由模型边测边攒。 这意味着, 国产芯片软件栈的追赶, 可能不再只靠人头和年头, 而是可以按小时去补。
📊 RSI 热词下, 关键看“人在哪里”
ForgeKernel 被放进 RSI(递归自我改进) 叙事并不意外。10 月 12 日 ,Anthropic 联合创始人 Jack Clark 把完整 RSI 到来时间从 2028 年提前到 2027 年;Anthropic 日代码合并量从 5 月的 2500 次涨到 9 月的 3 万次以上。国内阿里、智谱、DeepSeek、MiniMax 等也在不同层面提到相关探索。
但 RSI 标准仍模糊。 面壁智能智能进化首席科学家李宇轩给出的尺度是“人在其中的位置”: 技术作用于研发流程哪些环节、占多大比重、实际效果提升多少 。照此看,ForgeKernel 压到了训练和推理最底层, 且已在国产芯片和英伟达平台跑完 MiniCPM5-1B 长训测试。
🚀 总结
围绕“中国人造出了那台“造 AI 的光刻机”吗?”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
