没有源码，没有论文，直接从零开始。
今早，面壁智能推出的无人参与Agent系统ForgeKernel，在无需参考DeepSeek原始实现的情况下，当着全网直播的面，将DeepSeek最新的核心算子写快了9.8%。
整场直播仅耗时22.5小时，引发了广泛关注：
本次挑战的目标是在英伟达B200上，超越DeepSeek-V4.1的FlashMLA Prefill算子。FlashMLA作为业内公认Infra最强团队打造的注意力核心算子库，代表了人类手写算子的巅峰。
AI仅获取算子的数学定义和目标硬件约束，通过0帧起手自进化改进。全程42轮迭代，保留32个版本，消耗1张B200和22个GPU小时，人类代码编写量为0行。
-
首版通过正确性检查，耗时1834微秒； -
不到4小时，耗时降至593微秒，降幅约67.6%； -
第7小时左右，核心结构突破，首次超越FlashMLA； -
最终版本耗时472微秒（FlashMLA为518微秒），提速9.8%。
直播结束后，智能进化实验室联合OpenBMB社区宣布开源ForgeKernel。
包揽国产算力三个第一
此前在10月27日，昇腾CANN官方发文显示，ForgeKernel同时登顶CANNBench 950DT、950PR、A3三大硬件榜单。
950DT榜单：ForgeKernel以4010.75分排名第一，领先第二名27.8%，基准加速比1.533×。这意味着同等硬件投入下，可用算力增长近50%，企业部署成本可降低约一半。该成绩表明AI能快速适配新一代芯片，大幅压缩硬件上市到适配完成的空窗期。
950PR榜单：竞争最激烈，ForgeKernel总分4165.94排名第一，基准加速比1.638×，约为第二名的1.18倍。
A3榜单（昇腾910C）：自CANNBench v1.1起持续保持第一，v2.0中总分4341.16，基准加速比1.898×，约为第二名的1.22倍。
尽管英伟达CUDA与昇腾架构差异巨大，ForgeKernel凭借同一套系统在两边均取得第一。
无师自通的技术原理
高性能算子长期依赖资深工程师手写调优，人力难以跟上芯片和模型迭代速度。10月27日，ForgeKernel团队发布论文《JustGoal》，证明仅给优化目标，AI即可在B200上多数算子跑赢人类开源库。
针对纯目标驱动难以设计整体架构的问题，ForgeKernel采取三项策略：
-
分离架构设计与实现能力，将架构抽象为里程碑拆解问题； -
建立硬件经验知识库，实测验证过的经验可跨算子复用； -
自我博弈进化，以历史最佳版本为对手进行迭代。
在直播中，Agent不仅超越了上一代版本和FlashMLA，还自主发现Q加载与KV搬运的资源争抢问题，主动控制节奏进一步降低2.4%耗时。在29项对比中，ForgeKernel有24项打平或超越专家实现。
该方法不依赖特定硬件，只需更换性能分析工具并积累新芯片知识，即可快速迁移至其他国产芯片，无需从零搭建适配流程。
显著的经济效益与生态价值
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%，对应节省约148亿美元。由于国产芯片算子库尚不完善，AI优化带来的提升更为显著（国产芯片提速20%～30%，英伟达平台为5%～10%），有助于缩小与英伟达的差距。
目前，ForgeKernel生成的算子已接入训练框架，并在国产芯片与英伟达平台上完成MiniCPM5-1B长训测试。随着DeepSeek V4.1等国产大模型参与算子生成，“国产模型写算子，国产芯片跑算子”的全栈生态闭环正在成型。
面壁智能首席科学家李宇轩表示，AI超越最佳人类实现的算子优化任务最多只需两天，而人类专家往往需数月。ForgeKernel的开源将为国产芯片厂商和模型团队提供新的效率路径，推动研发主体从人类转向AI，人类专家角色将从代码工匠转变为系统架构师。
开源地址：
https://github.com/OpenBMB/ForgeKernel