国产AI基础设施自我进化，挑战GPU性能极限

近年来，人工智能的进步主要依赖于扩大模型规模、增加数据量和增强计算能力。但现在，一个新问题逐渐显现：AI能够根据执行任务的结果和反馈来改进自己吗？这就是目前炙手可热的递归自我改进（RSI）领域的关注重点。在Anthropic公司，Claude模型已经参与了内部模型开发，并能自主开展AI安全研究，提出和验证新方法。而Weco AI的团队则成功推出了首个具备一级递归自我改进能力的实验代理系统AIDE²。如今，AI系统不仅是研究对象，还是具备自我研发能力的研究者。在某些特定领域中，RSI的闭环已经初见成效。

然而，实现这种自我改进的过程远不止简单的代码生成和Token处理。AI不仅需要具备自主执行任务的能力，还需有可靠的评测环境、及时的结果反馈以及调整执行策略的能力。此外，AI所优化的成果还必须对其运行系统产生实际效果。最近，NVIDIA Research推出的GPU性能评测基准SOL-ExecBench，为我们提供了一个观察这一趋势的视角。这项围绕GPU内核优化展开的全球竞赛吸引了众多技术团队的参与，比如Databricks、SF Tensor、Cursor等。与以往的代码生成评测不同，SOL-ExecBench直接在高性能硬件上运行任务，要求参赛者的内核不仅要通过正确性验证，还需尽量接近硬件的理论性能极限。

赛道竞争愈发激烈。根据SF Tensor在2026年9月25日发布的数据，已有583支团队提交了超过3.1万次评测，榜单的更新频率约为每7分钟一次。随着越来越多的团队利用Agent自动生成、编译、测试和优化计算代码，这场竞赛考验的不再只是GPU编程能力，更是AI持续完成复杂工程任务的能力。在这个全球竞争的舞台上，来自中国的AI基础设施企业无问芯穹吸引了众多关注。该公司构建了一个针对GPU算子优化的Agent框架，并在L1基础算子、L2融合算子、Quant量化算子和FlashInfer-Bench推理算子等四个领域中取得了优异的成绩，占据所有参赛团队首位。 南宫28ng娱乐最新官网

然而，更加值得关注的是，这一成绩为我们提供了一个重要的观察点：当Agent不仅能优化算子，还尝试改善自身执行任务的方式时，AI基础设施是否可能从支撑智能运行向参与自我改进转变？为了构建能够优化GPU算子的Agent，首先需确保AI选择正确的研究方向。在以性能打分为目标时，Agent的探索可能会偏离算子本身，转而修改评测脚本或利用环境漏洞，这种行为在强化学习中被称为“奖励黑客”。为避免AI作弊，无问芯穹将工作区、调试区和评测区彻底分开，Agent在一个允许联网但不直接分配GPU的工作区中查阅资料和编写代码，GPU管理则由宿主调度器统一负责。

评测和调试容器均禁用网络，结果会传回Agent，从而形成了“代码生成—评测验证—性能分析—策略调整”的迭代闭环。通过容器隔离和权限控制，无问芯穹为Agent设定了执行边界，使其能够持续优化候选算子，避免在优化过程中绕过评测约束。同时，通过复用开源社区Skills的专业能力并建立框架感知技能，Agent可以学习如何在工作环境中提交评测、查询凭证和读取结果。

在探索过程中，Agent若能验证出有效策略和失败经验，会将这些信息连同适用条件存入共享记忆，以便后续任务复用。这一机制无疑为优化算子提供了更高效的途径。 南宫28ng娱乐最新官网