中国人造出了那台“造AI的光刻机”吗？

文 | 胡说成理 就在这两天，ForgeKernel，一个无人参与的Agent在无需参考DeepSeek原始实现的情况下，当着全网的面，把DeepSeek最新的核心算子写快了9.8%！ FlashMLA是DeepSeek开源的注意力核心算子库，10月20日刚开源的推理框架DeepInfer也把它集成在内；它出自业内公认Infra最强的团队之手，可以说是代表了人类手写算子的巅峰。 这在中美竞逐全球AI创新第一策源地的PK中，拿下了RSI领域极其重要的一分，尤其是它不是编程、不是跑评测、不是开发游戏，而是写最底层的算子时，它的意义被格外加强了——RSI的光亮，已经照到了中国AI创新的底层研发能力上。 从9月到10月，各路 AI 大牛给 RSI（递归自我改进）添柴加火的力度就没降下来过。有的出于对人类和 AI 终极关系的焦虑，有的也许只是在替背后的商业组织保住一份声量。 说话的人大致分两种。一种是造风者，看的是行业的热度和比拼的烈度，底层比的是造风的能力，典型如马斯克；另一种手里有成体系的实践做凭据，却缺少整体方法论层面的支撑，比如下文的 Clark。 10月12日，Anthropic 联合创始人 Jack Clark 在 Import AI 第476期改了口：完整 RSI——递归自我改进实现完整闭环——的到来时间，从2028年提前到了2027年。 他是证据派，证据就在身边。Anthropic 的日代码合并量从五月的两千五百次涨到九月的三万次以上，Git 撑不住了，换上了自研的版本管理系统 Scion。马斯克在社交媒体上只回了一个词：Obv——显然。 所有头部企业都在往这个方向使劲，RSI 像是今天确定性最高的前沿方向；可它同时又是标准最模糊的方向，没有公开的评判框架，同一个词底下装着价值完全不同的工作。 我关注到面壁智能，是因为它比前面两种人都更进一步，拿出了可以被检验的东西。AI 从一个空目录起步，两天左右写出的训练框架，跑赢了人类工程师打磨多年的基线；面壁自己的模型，从今年5月起就在这样的框架上训练；而一场直播和它在华为榜单上的屠榜，又把这家公司推到了一个业界极其特殊、极其瞩目的位置上。 真正让我觉得炸裂的，是这家公司的体量。一家百人量级的公司，走在了 AI 研发范式的最前沿。这不是一个天授奇才的故事，它反映的是 AI 前沿竞争眼下的趋势。 两年前，面壁说要给大模型造一台“光刻机”。这台机器造出来没有，造到了哪一步，是这篇文章要回答的。 01 最依赖人类手艺的那一层，它赢了 一场让一般人看起来觉得极其枯燥的22.5小时的直播炸了。 它就是我们开头说过的：ForgeKernel， 一个无人参与的Agent在无需参考DeepSeek原始实现的情况下，就当着全网的面，把DeepSeek最新的核心算子写快了9.8%！ 直播从10月30日开始，一直跑到第二天上午九点多，前后22.5个小时。屏幕上没有人在敲代码，只有一个智能体、一块英伟达 B200，和一个目标：写出一个比 DeepSeek 的 FlashMLA 更快的 Prefill 算子。 它手里只有算子的数学定义和目标硬件的约束，没有源码，也没有论文可抄。第一版过了正确性检查，耗时1834微秒；不到4个小时，就压到了593微秒。 第7个小时前后，一次核心结构上的突破，让它先超过了自己的上一代版本，接着第一次跑赢了 FlashMLA。 直播收尾时，最终版本耗时472微秒，FlashMLA 是518微秒。全程42轮迭代，留下32个版本，只用了一块 B200、22个 GPU 小时。 人类为这个算子写下的代码，是零行。 直播后段有个细节。它自己发现，Q 的突发加载正在和 KV 的数据搬运争抢访存资源，于是主动控制 Q 的请求节奏，又压下了2.4%的耗时。这样的判断，过去只有资深专家做得出来。 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，都需要通过相应的算子在芯片上完成。一颗芯片能发挥出多少性能，很大程度上取决于这些算子的优化水平。数据怎么搬运、计算如何并行、芯片资源能不能充分利用，都会影响模型最终的运行速度。同样一颗芯片，算子优化水平不同，实际性能可能相差很大。 一个算子，能改写一个行业。2022年的 FlashAttention 只重写了注意力计算这一步，就让它快了数倍，长上下文从此用得起，今天几乎每个大模型都离不开它和它的后代。DeepSeek 的 FlashMLA，就是这条血脉上长出来的一支。 这也是最依赖人类手艺的一层。写好一个顶级算子，得同时吃透算法、芯片的存储层级和指令调度，再在一块块硬件上反复试错；据面壁介绍，FlashAttention 这类需要深度重构的算子，人类专家往往要数月甚至半年才完成一次迭代。 这一层，也一直是 AI 写代码最吃力的地方。2025年初斯坦福发布 KernelBench 时，最强的推理模型写出的 GPU 算子，能追平 PyTorch 基线的还不到两成。写网页、写业务代码，AI 早已得心应手；到了算子这一层，它面对的是人类手艺的天花板。 英伟达的护城河，很大一部分就筑在这一层。CUDA 生态走到今天，靠的是近二十年里一代代专家手写、调优出来的算子库；国产芯片每出一代新硬件、每来一个新模型，这些算子都得重新适配一遍。去年8月，华为宣布把昇腾的 CANN 软件栈全面开源，瞄准的就是这道墙。 可人类专家的数量，跟不上芯片和模型迭代的速度。中美在高端算力上本来就有差距，软件这道坎如果还要靠人头和年头去填，差距只会越拉越大。 所以10月27日昇腾 CANN 官方发文点名 ForgeKernel，分量很重：它同时登顶 CANNBench 的950DT、950PR、A3三张硬件榜单。 950DT 是华为今年才推出的新一代芯片，配套算子库还在建设初期，人工适配本来就慢。 ForgeKernel 率先完成适配，按10月27日的榜单，总分领先第二名37.1%。 A3 对应的是眼下用得最广的昇腾910C，早在10月15日封榜的上一版 CANNBench 里，这张榜的第一就已经是它。 英伟达那一侧，ForgeKernel 在英伟达推出的 SOL-ExecBench 上最难的FlashInfer-Bench赛道上，同样排名第一。这套评测从124个真实模型里抽出235道 CUDA 算子题，量的是离硬件物理极限还差多远；同榜的还有 Databricks、Cursor、Qwen 等海内外团队。 两边的软硬件差别很大，英伟达是 CUDA，昇腾有自己独立的架构和工具链。ForgeKernel 用的是同一套系统，换平台时只把性能分析工具从 NCU 换成 msprof，新芯片需要的硬件知识，由模型在这块芯片上边测边攒。 成绩摆在官方榜单上，过程摆在全网眼前，代码也交了出来：直播结束后，面壁智能进化实验室联合 OpenBMB 社区宣布开源 ForgeKernel。 又过了几天，关于ForgeKernel的论文也正式挂网了。 这件事改变了面壁在产业里的位置。它原本以端侧模型见长；现在，它写的算子同时排在昇腾和英伟达官方榜单的最前面，ForgeKernel 生成的算子也已接进训练框架，在国产芯片和英伟达平台上跑完了 MiniCPM5-1B