面壁智能ForgeKernel从零自进化，算子性能反超DeepSeek 9.8%

没有源码，没有论文，直接从零开始。

面壁智能旗下的自主智能体系统 ForgeKernel 在全网直播中完成了一项突破：在完全脱离人工干预且不参考原始实现的情况下，针对 NVIDIA B200 平台重写了 DeepSeek-V4.1 的核心算子 FlashMLA Prefill，最终执行速度比人类手写版本快了 9.8%。

FlashMLA 是 DeepSeek 开源的注意力核心算子库，代表了业内顶尖的基础设施工程水平。而在本次测试中，AI 仅获得了算子的数学定义以及目标硬件约束，需要通过自进化机制自主迭代代码。

整个优化过程耗时 22.5 小时，经历了 42 轮迭代、生成 32 个版本，累计消耗 22 个 GPU 小时，全程人类编写的代码量为零：

• 第一版通过正确性验证，耗时 1834 微秒；
• 4 小时内，耗时压缩至 593 微秒，降幅达 67.6%；
• 约第 7 小时，系统通过核心结构重构首次超越 FlashMLA；
• 最终版本耗时 472 微秒，优于 FlashMLA 的 518 微秒，性能提升 9.8%。

直播结束后，面壁智能进化实验室联合 OpenBMB 社区宣布将 ForgeKernel 正式开源。

横扫昇腾三大算力榜单

在此次 NVIDIA 平台验证之前，ForgeKernel 已在国产算力生态中展现了通用性。华为昇腾 CANN 官方评测显示，ForgeKernel 同时登顶了 CANNBench 的 950DT、950PR 与 A3 三大硬件榜单：

• 950DT 榜单：以 4010.75 分位居第一，领先第二名 27.8%，基准加速比达 1.533×；新芯片刚上市便快速补齐高质量算子，大幅压缩生态适配周期。
• 950PR 榜单：获得 4165.94 分夺冠，基准加速比达到 1.638×。
• A3（昇腾 910C）榜单：总分 4341.16，基准加速比 1.898×，持续稳居榜首。

两套生态底层软硬件架构截然不同，NVIDIA 依赖成熟的 CUDA 积累，昇腾则拥有独立的硬件架构与工具链，而 ForgeKernel 凭借同一套系统均拿下了第一。

摆脱预设经验的自进化机制

长期以来，高性能算子开发高度依赖资深工程师的手动调优，人力供给难以赶上芯片与模型的推新频率。

面壁智能与清华大学等机构在 arXiv 发表的论文《JustGoal: With Only a Goal, the AI Baseline Is Above the Expert Kernels》探讨了这一范式的演进：研究人员只提供优化目标而不设定算子开发流程，AI 在 B200 上的 10 个算子中有 8 个击败了开源专家库；相比预设复杂规则的框架，纯目标驱动的表现更优。

针对大语言模型容易陷入局部最优、缺乏宏观架构设计的缺陷，ForgeKernel 在 JustGoal 的基础上进行了工程强化：

1. 解耦架构设计与代码实现：将宏观架构拆解为可度量的演进里程碑；
2. 跨算子硬件知识沉淀：把经实测验证的访存与计算经验归档为知识库，供后续算子复用；
3. 对抗自进化：将此前生成的最佳版本作为新一轮优化的基准对手。

在优化后期，系统能够自主识别出 Q 矩阵的突发加载正与 KV 数据搬运争抢访存带宽，从而主动调控请求节奏，进一步削减了 2.4% 的执行耗时。

在涉及硬件迁移时，系统无需更改优化逻辑，只需将性能分析工具从 NVIDIA 的 NCU 切换至昇腾的 msprof，即可在物理硬件上即测即学。

算力重构的产业价值

根据 Gartner 预测，2026 年全球 AI 基础设施支出将达 1.48 万亿美元，算力效率每提升 1%，对应的行业价值便达百亿美元规模。目前，ForgeKernel 生成的算子已整合进训练框架，并在国产芯片与 NVIDIA 平台上完成了 MiniCPM5-1B 模型的长周期训练验证。

面壁智能首席科学家李宇轩表示，过去开发 FlashAttention 级别的复杂算子往往需要顶尖工程师数月投入，如今 AI 驱动的优化任务在两天内即可完成。

随着自动化算子生成工具的开源，底层研发范式正从“人类编写代码”演进为“人类定义环境与指标、AI 自主探索最优解”，为异构芯片跨越软件生态壁垒提供了全新路径。