22.5 小时无人直播：从零越过人类手写巅峰
2026 年 10 月 30 日上午，面壁智能智能进化实验室与 OpenBMB 社区宣布开源 ForgeKernel，并结束一场持续 22.5 小时的公开直播。任务只有一个：在英伟达 B200 上，从零写一个不劣于 DeepSeek V4.1 FlashMLA Prefill 的注意力算子。智能体拿到的输入只有算子的数学定义与目标硬件约束，DeepSeek 的实现全程封源，它只能靠黑盒命令行计时来感知性能。
数字里的范式转移
首版通过正确性检查，但耗时 1834 微秒；不到 4 小时，耗时压到 593 微秒，降幅约 67.6%，已逼近人类最佳实现的九成。第 7 小时前后，系统完成一次核心结构突破，先超过自己的前代版本，随后超过 FlashMLA。最终版本定格在 472 微秒，对照实现 518 微秒，快 9.8%。全程 42 轮迭代、32 个留存版本、1 张 B200、22 个 GPU 小时，而人类为此算子编写的代码是 0 行。FlashMLA 出自业内公认基础设施能力顶尖的团队，长期被视为人类手写算子的标杆，如今被一份没有人类逐行参与的算子越过。
它怎么做到的：架构与实现解耦的自进化
按官方与配套论文的说明，ForgeKernel 在「只给目标」的基础上补了三块短板。其一，把架构设计与实现分离，并将架构设计拆成里程碑，避免模型在开局几轮就把路线定死。其二，把每一次实测验证过的硬件经验写入知识库，换一个算子仍然可用。其三，把自身最好的版本当作下一轮的对手，做代际自进化。直播后期，它自己发现 Q 的突发加载在与 KV 数据搬运争抢访存带宽，于是主动限制 Q 的请求节奏，又省下 2.4% 的耗时。这种判断过去要靠资深专家完成。
同一套系统，两边都登顶
这场直播跑在英伟达 B200 上、用的是 CUDA 生态多年攒下的专家经验；而更早前在昇腾上，ForgeKernel 已用同一套方法拿下 CANNBench 三张硬件榜头名。950DT 以 4010.75 分领先第二名 27.8%，基准加速比 1.533×；950PR 总分 4165.94，加速比 1.638×；A3（昇腾 910C）总分 4341.16，加速比 1.898×。新硬件刚上市、配套算子库尚在建设初期，AI 能在几天内完成高质量适配，说明芯片从上市到适配好的空窗期正在被大幅压缩。
为什么值得关注：算子的护城河在被重写
CUDA 生态十余年的壁垒，本质是专家经验加时间；而端到端自进化的 Agent 直接对着性能指标试，绕过了这层经验。团队称同样做法在国产芯片上可提速 20% 至 30%、在英伟达上为 5% 至 10%——这意味着同等硬件投入能多出两到三成可用算力。生成的算子已接入训练框架，在国产芯片与英伟达平台完成 MiniCPM5-1B 的长训测试。当写代码对 AI 几乎不花成本，过去因专家太贵而算不过账的逐项优化，开始变得值得做。「国产模型写算子，国产芯片跑算子」的全栈闭环，正从设想走向一线。