10月30日至31日，面壁智能进行了一场持续22.5小时的公开直播：一个名为ForgeKernel的智能体在无人参与的情况下，仅依据算子的数学定义与目标硬件约束，为英伟达B200 GPU编写DeepSeek注意力核心算子FlashMLA的Prefill实现。最终版本耗时472微秒，较FlashMLA的518微秒快9.8％。全程完成42轮迭代，留下32个版本，消耗22个GPU小时，人类手写代码为零行。
算子是大模型运行时反复调用的基础计算模块，矩阵乘法、归一化等运算均需通过算子在芯片上完成，其优化水平直接决定芯片实际性能的发挥程度。这一层长期被视为最依赖人类专家经验的环节，从业者需同时掌握算法、芯片存储层级与指令调度，FlashAttention类深度重构算子往往需要数月乃至半年才能完成一次迭代。2025年初斯坦福发布的KernelBench显示，当时最强推理模型写出的GPU算子能追平PyTorch基线的不足两成。
直播过程中，ForgeKernel在第一版通过正确性检查后耗时1834微秒，不到4小时压缩至593微秒，第7小时前后实现核心结构突破并首次跑赢FlashMLA。后段该智能体自主识别出Q的突发加载与KV数据搬运争抢访存资源的问题，主动控制Q的请求节奏，进一步降低2.4％耗时。此类判断此前通常由资深专家完成。
在华为昇腾侧，ForgeKernel同时登顶CANNBench的950DT、950PR、A3三张硬件榜单，其中950DT为华为今年新推出的芯片，配套算子库尚处建设初期。按10月27日榜单数据，其总分领先第二名37.1％。在英伟达SOL-ExecBench最难的FlashInfer-Bench赛道上，ForgeKernel同样排名第一，该评测从124个真实模型中抽取235道CUDA算子题，衡量的是与硬件物理极限的距离，同榜团队包括Databricks、Cursor、Qwen等。跨平台迁移时，ForgeKernel仅需将性能分析工具从NCU更换为msprof，新芯片所需硬件知识由模型在目标芯片上边测边攒。
直播结束后，面壁智能进化实验室联合OpenBMB社区宣布开源ForgeKernel，相关论文也已挂网。面壁智能此前以端侧模型见长，此次其生成的算子同时位列昇腾与英伟达官方榜单首位，并已接入训练框架。对于国产芯片而言，算子适配长期受制于专家数量与迭代速度，自动化算子生成若能在多硬件平台复用，将直接影响芯片软件栈的成熟节奏。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
