ForgeKernelAI零帧生成算子，22.5小时反超DeepSeek手写实现快9.8%

10月30日上午9时许，一场持续22.5小时的直播结束。屏幕上显示最终版本算子耗时472微秒，而DeepSeek-V4.1中由人类手写的FlashMLA Prefill算子为518微秒——AI生成版本快了9.8%。整个过程未调用任何原始代码或论文，仅输入算子的数学定义与英伟达B200硬件约束，由一个名为ForgeKernel的自主Agent从零开始迭代完成。

这是AI首次在核心推理算子层面，以纯自进化方式超越业内公认“Infra最强团队”的手写实现。DeepSeek于10月20日开源FlashMLA，作为其新一代推理框架DeepInfer的核心注意力算子库，代表当前人工优化的顶尖水平。而ForgeKernel的挑战设定极为严苛：零帧起手、无参考实现、全程无人干预。

直播中，性能曲线清晰可见演进路径：首版通过正确性验证但耗时1834微秒；4小时内降至593微秒，降幅67.6%；第7小时出现关键结构突破，首次反超自身前代并迈过FlashMLA阈值；最终定格于472微秒。全程共42轮迭代，产出32个有效版本，仅消耗1张B200 GPU与22个GPU小时——人类参与的代码行数为0。

这一成果出自面壁智能研发的算子生成系统ForgeKernel。其技术路径并非微调已有代码，而是基于形式化建模与强化学习驱动的自动搜索：将算子抽象为可组合的计算图基元，在硬件约束下动态探索调度策略、内存布局与融合模式，并通过即时性能反馈闭环优化。系统内置的验证模块确保每轮输出满足数值精度与边界条件要求，避免“快但错”的陷阱。

值得注意的是，此次直播并非ForgeKernel的首次高光亮相。早在10月27日，昇腾CANN官方公告确认，该系统已同步登顶CANNBench三大硬件榜单：950DT、950PR与A3。

其中，950DT为华为最新一代昇腾950推理芯片，配套算子库尚处建设初期。ForgeKernel以4010.75分领先第二名27.8%，基准加速比达1.533×，意味着同等硬件投入下可用算力提升近50%，直接降低企业部署成本。这一成绩尤为关键——新芯片上市后，传统人工适配周期常达数月，而AI可在数日内完成高质量算子交付，大幅压缩“芯片空窗期”。

950PR榜单竞争更为激烈，前三名加速比均超1.3×；ForgeKernel以4165.94分与1.638×加速比位列第一。至于广泛部署的昇腾910C（A3），ForgeKernel自10月15日CANNBench v1.1封榜起即稳居榜首，v2.0版本总分4341.16，加速比1.898×，持续领先。

上述表现揭示出一个结构性变化：算子开发正从“人力密集型工程”转向“AI驱动的自动化生成”。过去，高性能算子依赖资深工程师对硬件架构的深度理解与反复调优，周期长、门槛高、易形成知识壁垒。如今，AI系统能在给定数学规范与目标平台后，自主探索最优实现路径，且速度与质量已逼近甚至超越人类专家。

行业影响正在显现。一方面，芯片厂商可更快释放新硬件潜力——如昇腾950刚上市即获成熟算子支持；另一方面，大模型厂商能更敏捷地适配多平台，减少对特定Infra团队的依赖。更重要的是，它降低了高性能计算的准入门槛：中小团队无需组建数十人底层优化团队，即可获得接近SOTA的算子性能。

技术挑战依然存在。当前ForgeKernel聚焦单算子优化，尚未覆盖跨算子融合、动态批处理或稀疏计算等复杂场景；其生成代码的可维护性与可解释性也待验证。此外，不同硬件架构（如NPU vs GPU）的泛化能力仍需加强。

不过，开源动作已明确释放信号：直播结束后，智能进化实验室联合OpenBMB社区宣布ForgeKernel开源。这意味着该能力将向更广泛的研究者与开发者开放，推动“AI for Systems”范式落地。

回看整个事件，真正标志性的不是9.8%的提速数字，而是“0行人类代码”这一事实。当AI能独立完成从数学定义到高效执行的全链路转化，底层系统软件的生产逻辑正在被重写。未来，算子可能像编译器优化一样，成为基础设施的默认能力——而人类工程师的角色，或将更多转向问题定义、约束设计与结果验证。

目前，ForgeKernel已在多个国产AI芯片平台验证有效性，后续计划扩展至Transformer变体、MoE路由及量化感知算子等方向。随着训练-推理协同优化需求上升，此类自主生成系统有望成为大模型基础设施的新支柱。