面壁智能ForgeKernel开源：AI自主改写底层算子，提速DeepSeek近10%

一场持续22.5小时的不间断运行，展现了AI工程研发范式的深刻转变。

在无人参与的情况下，面壁智能的AI智能体ForgeKernel在没有参考源码与技术论文的前提下，仅凭数学定义与硬件物理约束，在英伟达B200上重写了DeepSeek最新的核心注意力算子FlashMLA，最终将其Prefill耗时从518微秒降至472微秒，性能提升9.8%。人类工程师在此过程中写下的代码为零行。

突破人类手艺天花板

底层高性能计算算子是AI模型运行的基石，不仅决定了矩阵乘法与归一化等计算的执行效率，更直接锚定了芯片物理算力的释放程度。以往，像FlashAttention这类需要深度重构指令调度与存储层次的算子，通常需要顶尖人类专家耗费数月进行试错与调优。即便是在2025年初斯坦福发布的KernelBench测试中，主流推理模型编写的GPU算子能达到PyTorch基线水平的比例依然不足两成。

ForgeKernel的突破在于打破了这种依赖。在历时22.5小时、共计42轮迭代中，智能体自主发现了Q张量突发加载与KV数据搬运争抢访存资源的瓶颈，并主动调控访存节奏压低延迟。这种以往极度依赖芯片架构专家的微架构直觉，正被AI自主复现。

随后，华为昇腾CANN官方点名ForgeKernel，其不仅在昇腾CANNBench的950DT、950PR及A3（昇腾910C）三张硬件榜单中同时登顶，在950DT上的总分更是领先第二名37.1%。而在英伟达体系的SOL-ExecBench（FlashInfer-Bench赛道）中，该系统同样夺得第一。测试完成后，面壁智能联合OpenBMB社区正式开源了ForgeKernel。

RSI落地：从写代码转向造闭环

近年来，递归自我改进（Recursive Self-Improvement, 简称RSI）正在成为AI头部研发团队的核心方向。但与行业普遍聚焦于上层Prompt或简单脚手架不同，面壁智能选择将AI自演化切入最底层的系统工程。

从工程逻辑来看，代码运行结果的正确与否具备确定性反馈，验证成本远低于理论研究。面壁智能打造的ForgeTrain系统正是通过“责任分离”与“逐比特对齐”两大原则，让AI自主构建分布式训练框架：

1. 责任分离：切分管线各模块职责，各步独立自洽，避免错误级联；
2. 逐比特对齐：首版代码计算精度必须与基准实现完全一致，随后在此基础上由模型自主展开性能优化。

在Megatron与SGLang等经典系统对比测试中，AI从零编写的框架耗时约1.5至2.5天即可实现性能反超，内部复杂模型加速比达到10%至50%。面壁自研的MiniCPM模型早已迁移至这套完全由AI构建的训练基础设施上稳定运行。

重构底层软件生态竞争力

长期以来，高端芯片竞争的壁垒不仅在于硬件本身，更在于英伟达CUDA等耗费二十年积累的算子生态。当新硬件面世时，适配工作往往面临巨大的人力瓶颈。

随着ForgeKernel跨越CUDA与昇腾架构，在两套完全不同的硬件上边测边学、自主生成高效适配代码，以往需要数月乃至数年的算子迁移周期被压缩到“按小时计算”。

当AI接管工程优化的全闭环逐渐跑通，算法演进的主体正在从人类研究员向自主智能体转移。这场由底层算子引发的自动化工程重构，正在为国产算力生态乃至全球AI基础设施的演进提供全新的技术变量。