买了性能很强的芯片，为什么模型还是跑得不够快？这有点像给工厂买了新机器，却发现工人一直在搬材料、等上一道工序，机器反而没怎么干活。
面壁智能最近展示的 ForgeKernel，瞄准的正是这类问题：让 AI 参与编写和反复优化芯片上的底层计算程序，把已有硬件更有效地用起来。它值得关注的地方，是 AI 开始帮助改进支撑 AI 自身运行的软件。但这与“AI 已经全面超越工程师”，中间还隔着很长的验证链条。
先看动画 / 98 秒建立直觉
同一块铁，
换一种锻法。
芯片的峰值像灶台火力，实际出餐还要看备料、搬运和排班。看完动画，再往下拆开 DeepSeek 的直播案例。
不方便看视频？阅读文字导读
同一块芯片，程序组织方式会影响实际速度。ForgeKernel 让 AI 在生成、测试和修改中优化计算内核。直播案例针对 DeepSeek 的 Prefill 环节；单个内核约 1.10 倍性能，不等于整个模型快 10%。详细证据和政策意义见下文。
一、算子是什么？先走进一间“计算厨房”
把大模型想成一家接单的餐厅：用户的问题是一张订单，模型结构规定菜怎么做，芯片是灶台。矩阵乘法、归一化、注意力等计算，则是切菜、翻炒、调味这样的基本工序。
“算子”描述要做什么计算；kernel（计算内核）是把这些计算落实到具体硬件上的程序。日常讨论常把两者合称“算子”，但同一道计算题，可以有多种硬件实现。
菜谱相同，厨房的速度仍可能差很多。材料是否提前备好？相邻工序能否合并？多个灶眼能否同时工作？对应到芯片，就是数据搬运、存储安排、计算并行和指令调度。优化内核，通常希望在规定的数值误差范围内得到相同结果，同时减少耗时或资源消耗。
这也是为什么“芯片峰值算力”不等于“应用实际速度”。峰值像灶台的最大火力；实际出餐速度，还要看整间厨房如何协作。
二、ForgeKernel 做什么？把写代码变成一轮轮实验
据面壁智能及 OpenBMB 的公开介绍，ForgeKernel 是一个 AI 算子生成与优化系统。理解它时，与其想象“一句提示词变出最快程序”，不如想象一位会写程序、也会看实验结果的工艺师。
官方开源说明展示了这样的工作方式：先研究参照程序的硬件行为，形成优化方案，再由编程智能体实施、检查正确性并计时。新实现通过验收后，还可以成为下一轮参照。硬件探针验证过的经验，则保存在知识库中，供后续任务使用。来源：官方中文说明
这套系统仍需调用基础模型和编程工具，并非面壁重新训练了一颗专门“懂所有芯片”的大脑。它更像把工程经验、工具和验收流程组织成了一间可以持续试验的车间。
这条链上，每个环节都很重要。代码能编译，不代表答案正确；答案正确，不代表速度更快；一组输入更快，也不代表所有输入都更快。失败的候选程序，往往正是优化过程的一部分。
因此，系统价值不能只看“写了多少行代码”，还要看它能否用可承受的试验成本，稳定找到可验证、可维护的改进。
三、直播案例：给 DeepSeek 的“读题环节”改工艺
这次最具体的例子，是面壁智能公布的 10 月 29 日直播：让 ForgeKernel 针对 DeepSeek-V4.1 的真实推理负载，现场完成算子生成、编译和跑分，与 DeepSeek 开源的 FlashMLA Prefill 实现比较。
先拆开这个名字。FlashMLA 是 DeepSeek 的高性能注意力内核库。Prefill 则是模型处理输入上下文的阶段：在开始逐步生成回答之前，先把用户的问题、文档和历史对话“读进去”，并建立后续计算要使用的状态。把随后逐字生成答案比作答题，prefill 就有点像读题和整理材料。
注意力计算帮助模型建立不同位置之间的联系。输入较长时，这个环节可能成为重要开销，但它在总耗时中的占比会随模型、输入长度、并发量和部署方式变化。
这场演示的看点，是把 AI 放到一张具体的工程考卷前：面对明确的计算任务和硬件条件，它能否生成正确实现，并通过测量继续改进？现在已有可查看的产物：官方开源仓库列出了直播后生成的 DeepSeek-V4.1 融合稀疏注意力 Prefill 内核，使用 CUDA C++，在 NVIDIA B200 上标注为 FlashMLA 的约 1.10 倍性能。来源：官方内核目录及测试说明
这个结果可以理解为：在对应测试条件下，原先约 110 份时间完成的工作，现在约 100 份时间完成。它是约 10% 的速度提升，对应约 9.1% 的耗时下降，二者分母不同。这里引用的是项目方公布的结果，本文未在 B200 上独立复测。读者可以通过直播看板和开源代码继续核对。
对这一结果，准确的理解应当是：在该硬件、软件版本、输入形状、精度要求和计时方法下，这份实现更快。它并不自动意味着 DeepSeek 整个模型同幅度提速，更不意味着在另一类芯片上也能复制同一结果。
想把这个案例从热闹变成证据，需要同时看四件事：算得对不对；和哪个版本相比；哪些输入更快、哪些更慢；为了找到这个结果，花了多少时间和算力。
四、局部快一倍，整车会快一倍吗？
不会。用一个纯粹的教学假设算一笔账：某次任务总耗时 100 毫秒，其中目标内核占 30 毫秒，其他环节占 70 毫秒。如果内核加速到原来的两倍，它的耗时降为 15 毫秒，总耗时便是 85 毫秒。
整体速度约为原来的 1.18 倍，而不是两倍。这不是 ForgeKernel 的实测数据，只是说明局部优化如何影响全局。若瓶颈在通信、排队或数据读取上，内核的改进还可能被其他等待抵消。
同样，运行时间下降也不能直接换算成同比例节电或成本下降。电力、利用率、服务负载、试验成本与运维投入，都需要另外测量。
这道工序更快，整间车间能快多少？
设原任务耗时 100 毫秒。调整目标内核占比和加速倍数，观察整体变化。
整体约 1.18 倍速度，耗时减少 15.0%。
计算：70 + 30 ÷ 2.0 = 85.0 毫秒。蓝：目标内核；灰：其他环节。假设其他耗时不变，未计入额外接入成本。
五、为什么科技政策制定者值得关注？
第一，算力建设的产出，既取决于设备，也取决于软件工程能力。采购清单容易统计，设备实际被用得好不好更难衡量。此类工具提示我们，应同时关注适配效率、真实业务吞吐量、服务延迟和单位任务成本，而不只关注芯片数量与峰值指标。
第二，跨硬件适配可能获得新的工具。不同芯片像布局不同的厨房，同一道菜往往需要重新安排工序。自动生成与优化若能稳定工作，有望减少部分重复劳动，缩短新模型适配时间。但同一系统能服务多种硬件，不代表同一份代码无需修改就能处处高效运行；编译器、开发工具和工程人员仍然重要。
第三，公共评测基础设施可能比单个“冠军成绩”更有长期价值。可复现的任务、明确的数值误差标准、公开的版本和失败样本，可以帮助企业判断工具到底适不适合自己，也让公共资金支持的成果更容易比较和验收。
若考虑试点，适合先选择一个真实、边界清晰的负载，在同等精度和服务质量下比较优化前后表现，并把生成、测试、接入、维护的投入一起计入。试点应允许得出“该场景收益有限”的结论；这同样是有价值的证据。
六、让工程师少搬砖，也让验收更具体
ForgeKernel 所代表的方向，是把一部分依赖专家反复尝试的底层优化，交给 AI 参与搜索和实验。它可能让工程师把更多精力放在任务定义、系统瓶颈、正确性与上线质量上，但单次演示无法证明岗位已经可以被整体替代。
目前也不宜把“程序在反馈中持续改进”直接解释成没有边界的自我进化。它首先是一个有任务、有评价标准、有资源约束的工程优化问题。
对于政策制定者，最值得带走的问题是：在同样的资源投入下，这类工具能否让更多真实应用跑得更稳、更快、更经济？答案应由可复现的实验和实际部署给出。
工艺师是否优秀，最终看合格产品怎样走出车间。AI 写算子，也应接受同样具体的检验。
七、开源之后，还要看什么？
开源让外界有了检查实现和复现实验的入口，也使这个话题从一次演示走向可验证的软件。不过，官方仓库同样写明：已有参照实现时效果更可靠；优化停止不代表数学上已经达到最优；一次运行可能需要数小时 GPU 时间和前沿模型调用。公开工具的实验覆盖也不能直接推广到所有芯片。来源：官方限制说明
对于国产算力，相关评测成绩说明团队已经在探索不同硬件生态；这与“所有国产芯片都已支持”“无需适配即可部署”是不同层次的结论。政策支持可以关注通用工具、公共测试集、编译器生态和人才训练，并通过真实业务的对照试点检验收益。不要用一次榜单名次代替采购验收，也不应因为收益尚有边界，就忽略软件提效的价值。
资料与阅读路径
- ForgeKernel 官方中文说明：系统机制、使用条件及限制。
- 官方生成内核目录：DeepSeek-V4.1 Prefill 及其他算子的比较对象、硬件与环境。
- ForgeKernel 直播看板与直播入口：观察迭代过程；外部平台访问条件可能不同。
- DeepSeek 官方 FlashMLA：理解比较对象及支持范围。
- 面壁智能直播预告：确认 10 月 29 日直播任务与时间。
本文按 2026 年 10 月 30 日可访问的官方资料整理。产品方测试与贝有的解释分别标明；交互实验采用教学假设，不是产品跑分。动画由贝有提供，为科普演绎，非官方直播录像。