面壁智能ForgeKernel自研AI算子性能超DeepSeekFlashMLA9.8%，22.5小时无人干预完成

10月30日启动的一场22.5小时直播，没有工程师敲代码，只有一台英伟达B200服务器与一个名为ForgeKernel的自主Agent。目标明确：在不接触DeepSeek原始实现的前提下，重写其开源推理框架DeepInfer所集成的核心注意力算子FlashMLA，并实现性能超越。

直播结束时，ForgeKernel生成的Prefill算子耗时472微秒，而FlashMLA为518微秒，提速9.8%。全程42轮迭代，产出32个版本，仅消耗22个GPU小时。更关键的是，整个过程完全由Agent自主完成——人类未写一行代码。

这一结果并非偶然。FlashMLA本身出自业内公认的基础设施（Infra）最强团队之手，是DeepSeek于10月20日刚开源的推理框架DeepInfer中的核心组件，代表了当前人类手写算子的顶尖水平。而ForgeKernel在无源码、无论文参考、仅依据数学定义与硬件约束条件下达成超越，凸显其底层推理与工程化能力。

算子是大模型运行时最基础的计算模块。矩阵乘法、归一化、注意力机制等操作，最终都需通过特定算子在芯片上执行。同一颗GPU，因算子优化程度不同，实际推理速度可能相差数倍。2022年FlashAttention的出现，仅重构注意力计算逻辑，就使长上下文推理效率跃升数倍，至今仍是主流大模型的标配。FlashMLA正是沿此路径演进的产物，其优化难度极高——需同时精通算法原理、芯片存储层级结构（如HBM带宽、L2缓存策略）、指令调度机制，并在真实硬件上反复调优。

ForgeKernel在迭代中展现出类专家级判断：例如在第7小时左右，它识别出Q矩阵突发加载与KV缓存数据搬运存在访存资源争抢，主动调整Q请求节奏，进一步压缩2.4%延迟。此类动态资源协调策略，过去通常依赖资深系统工程师的经验直觉。

值得注意的是，此次任务并非孤立实验。面壁智能自2024年5月起，已在其自研训练框架上持续训练自有大模型；该框架本身亦由AI Agent从空目录起步、约两天内构建完成，并跑赢人类多年打磨的基线系统。这表明其递归自我改进（RSI）能力已形成闭环：AI可自主构建开发环境、编写核心算子、训练模型，再以新模型反哺工具链迭代。

RSI作为当前AI前沿最具确定性的方向之一，正加速落地。Anthropic联合创始人Jack Clark于10月12日将完整RSI闭环实现时间预测从2028年提前至2027年，依据是其内部日代码合并量从5月的2500次飙升至9月的3万次以上，迫使团队弃用Git、转向自研版本控制系统Scion。马斯克仅回复“Obv”（显然），足见头部机构共识之强。

然而RSI缺乏统一评判标准，大量工作停留在概念或局部验证阶段。面壁智能的特殊性在于：它提供了可复现、可验证的具体成果——不仅有性能数据，还有完整迭代轨迹与硬件实测指标。

在华为昇腾AI榜单中，ForgeKernel方案以总分4010.75位列第一，显著领先第二名（3137.97）。其基础加速比达1.533x，提交任务成功率58/60，体现高稳定性与工程成熟度。

百人规模的面壁智能，能在如此底层且高门槛的领域实现突破，折射出AI研发范式的根本转变：当工具链本身可由AI构建，人类角色正从“编码者”转向“目标设定者”与“价值校准者”。两年前，面壁提出要为大模型打造一台“光刻机”——即能精密刻画并制造AI核心组件的底层平台。如今，ForgeKernel已实质承担起这一角色的部分职能：它不是模拟人类写代码，而是以系统级视角重构计算流程，逼近硬件性能极限。

行业普遍认为，算子层是当前AI基础设施中“最依赖人类手艺”的环节。而ForgeKernel的实践表明，AI已在该层实现关键突破。这不仅关乎单个算子的快慢，更意味着中国在AI全栈自研链条中最薄弱的一环——高性能系统软件与硬件协同优化能力——开始具备独立攻坚能力。

需指出，性能提升9.8%虽非数量级飞跃，但在算子优化后期阶段已属显著进步。FlashAttention初版相较传统实现提速3-5倍，后续每1%的优化都需极大投入；在接近理论极限的区间，AI驱动的自动化探索反而更具效率优势。

目前，ForgeKernel尚未开源，其技术细节仍待进一步披露。但其演示路径清晰指向一个趋势：未来大模型的竞争，将越来越取决于底层算子与训练框架的自研深度，而非单纯参数规模或数据量。谁掌握高效、可进化、适配多硬件的算子生成能力，谁就握有下一代AI基础设施的定义权。

面壁智能的这次实践，或许正是中国AI从“应用层繁荣”迈向“根技术自主”的一个标志性切口。