11月3日消息，面壁智能智能进化实验室联合 OpenBMB 社区推出算子生成 Agent 系统 ForgeKernel。一场公开直播实测显示，该 AI 在不参考原始源码、论文前提下，从零生成算子，在英伟达 B200 硬件上，性能超越 DeepSeek‑V4.1 的 FlashMLA Prefill 人类手写算子，速度提升 9.8%，完成测试后整套系统正式对外开源。

FlashMLA 是 DeepSeek 开源的注意力核心算子，被集成进最新推理框架 DeepInfer，代表当下人类手写算子的顶尖水平。本次直播仅向 ForgeKernel 提供算子数学定义与硬件约束条件，依靠 Agent 自进化迭代完成全部开发，全程人类零代码参与。

整场直播历时 22.5 小时，消耗 1 张 B200、合计 22 个 GPU 小时，共计 42 轮迭代，产出 32 个版本。项目初期版本虽然结果正确，但耗时高达 1834 微秒；运行不到 4 小时，耗时压缩至 593 微秒，性能逼近人类最优实现的 90%；第 7 小时出现架构层面突破，首次超越 FlashMLA；直播结束，最终算子耗时 472 微秒，对比 FlashMLA 的 518 微秒，实现 9.8% 的性能领先。

在此之前，ForgeKernel 已经在国产昇腾算力平台交出亮眼成绩。10 月 27 日，昇腾 CANN 官方公布榜单，ForgeKernel 一举拿下 CANNBench 950DT、950PR、A3 三大硬件榜单第一名。

其中 950DT 榜单得分 4010.75 分，领先第二名 27.8%，基准加速比达 1.533×，同等硬件条件下算力提升接近 50%，可显著降低企业算力采购部署成本；950PR 竞争激烈，基准加速比 1.638×；面向广泛商用的昇腾 910C（A3）平台，基准加速比 1.898×。

该系统在英伟达 CUDA 生态与昇腾独立架构两套差异巨大的软硬件栈上均取得榜首，证明其具备跨硬件平台通用优化能力。

高性能算子长期依赖资深工程师手动调优，开发周期长、人才门槛高。国产新芯片上市后，算子适配往往存在较长空窗期，专家人力供给跟不上芯片与大模型迭代节奏。

团队同期发布论文《JustGoal：With Only a Goal，the AI Baseline Is Above the Expert Kernels》，研究表明仅给定优化目标，不提供算子先验知识，在 B200 平台 10 个算子中有 8 个效果优于人类开源实现。同时发现纯目标驱动模式存在短板：AI 擅长细节调优，但很难独立完成整体架构设计。

ForgeKernel 在 JustGoal 基础之上补齐架构设计短板，核心分为三部分：将架构设计与代码实现解耦，把复杂任务拆解为多个里程碑；把硬件实测沉淀的经验存入知识库，支持跨算子复用；将自身最优版本作为对标对象，开展自进化迭代。

直播过程中，Agent 自主识别出 Q 加载与 KV 数据搬运存在访存争抢问题，主动调整请求节奏，再收获 2.4% 性能收益，这类问题以往需要资深专家才能发现。

测试数据显示，在 29 组算子对比中，ForgeKernel 有 24 项打平或者超越专家实现；同时全部胜过三套主流 Agent 系统公开的 7 个标杆算子。该系统不会绑定特定硬件，切换芯片只更换性能分析工具，硬件专属知识由 AI 在目标硬件上测试积累，能够快速迁移适配新一代国产芯片。

算力效率提升拥有巨大产业价值。按照 Gartner 预测，2026 年全球 AI 基础设施支出约 1.48 万亿美元，算力效率每提升 1%，对应约 148 亿美元收益。相较于已经经过多年打磨的 CUDA 生态，国产芯片算子库优化空间更大，ForgeKernel 在国产硬件上普遍可实现 20%‑30% 提速，英伟达平台提速 5%‑10%，有助于缩小国内外算力底座的性能差距。

目前 ForgeKernel 生成算子已经落地产业，接入训练框架，在英伟达与国产芯片上完成 MiniCPM5‑1B 长序列训练测试。行业正在形成 “国产模型写算子，国产芯片跑算子” 的全栈闭环，也是 RSI 递归自进化技术落地的典型案例。

过去顶尖算子重构迭代，人类专家往往耗费数月乃至半年；现在 AI 完成同等难度优化任务，最多仅需两天。不过这不代表人类工程师被替代，工作模式将发生转变：工程师不再逐行手写底层代码，转为负责设定目标、搭建环境、验证结果，扮演系统架构师角色。AI 正以小时级迭代速度，填平国产芯片 “能跑” 到 “跑好” 之间的软件鸿沟。