斯坦福意外用AI生成超强CUDA内核，性能比人类专家优化得还要好！

明敏 克雷西 发自 凹非寺
量子位 | 公众号 QbitAI

好家伙，AI意外生成的内核（kernel），性能比人类专家专门优化过的还要好！

斯坦福最近披露了一组新发现，结果真的太亮眼了。

由AI优化的内核，在常见深度学习操作上，翻倍超越原生PyTorch，性能至多可以提升近400%——

• 矩阵乘法（Matmul，FP32）：性能达到PyTorchtorch.matmul的101.3%。
• 二维卷积（Conv2D）：性能达到torch.nn.Conv2D的179.9%。
• Softmax：性能达到torch.softmax的111.8%。
• 层归一化（LayerNorm）：性能达到torch.nn.LayerNorm的484.4%。
• Conv2D+ReLU+MaxPool组合操作：性能达到PyTorch参考实现的290.1%，以及torch.compile()参考实现的189.0%。

（在NVIDIA L40S GPU上进行基准测试，性能百分比定义为参考时间除以生成的kernel_size时间）

更惊人的是，这一切都是意外实现的。

研究团队本来的目标是生成合成数据以训练内核生成模型。

结果发现，仅在测试阶段生成的合成数据本身，竟然可以生成性能非常优秀的内核。

围观网友：没想到AI也要取代内核工程师了。

还有人发现，除了性能大幅提升外，研究团队采用的方法也非常有趣：

他们没有简单的在操作上逐步优化（类似于爬坡算法），而是在每次迭代之间加入了一个语言推理的步骤，通过这种方式鼓励搜索过程更加多样化。
也就是说，他们是让系统在每次改进时通过类似“思考”的方式产生更多想法，从而找到更好的解决方案。

具体如何实现，一起来看。

改代码前先生成自然语言优化思想

按照斯坦福团队博客的描述，这种内核生成的思路非常简单——给定torch代码，然后告诉大模型编写自定义内核来替换torch算子。

这些内核是用纯CUDA-C编写，无需使用CUTLASS和Triton等库和DSL（Domain-Specific Language，领域专用语言）。

不同于传统方法的是，模型并不是一上来就直接改代码，而是先用自然语言生成优化思想，然后再将这些思想转化为新的代码变体。

团队这样做的理由是，“按顺序修改”式的优化思路缺乏多样性，导致陷入局部极小值，重复访问同一类转换或无休止地优化没有前景的轨迹。

为了进一步增强思路多样性，斯坦福团队还使用了多分支的探索模式。

具体来说，他们的方法并非每一步都只优化一个候选方案，而是将每个想法分散开来，使其衍生出多个实现，并使用性能最高的内核作为下一轮的种子。

团队使用OpenAI o3和Gemini 2.5 Pro挑战KernelBench 1级中的10个问题，运行多轮后，最佳内核开始出现。

其中大多数最佳结果出现在后续轮次（总共5轮），并且主要是第4轮或第5轮。

KernelBench是斯坦福团队自己提出的一套AI生成内核测试基准，基准中的任务分为3个级别，其中1级是指单一原始操作（Single primitive operation），包括AI的基础构建块（例如卷积、矩阵-向量与矩阵-矩阵乘法、损失函数、激活函数以及层归一化）

这一发现再加上之前DeepMind的AlphaEvolve，以及o3发现Linux的0day漏洞等一系列事件，让网友们认为Gemini 2.5Pro和o3的能力水平已经达到了新的层级。

回到斯坦福的项目，在生成过程当中，可以看到模型的生成思路开始显现出与人类的经验相似之处——

• 内存访问优化：提高不同内存层次结构（全局内存、共享内存、寄存器）之间数据移动的效率，并确保以最大化带宽和最小化冲突的方式访问数据；
• 异步操作和延迟隐藏：通过将慢速操作（如全局内存访问）与计算或其他内存传输重叠，“隐藏”慢速操作的延迟；
• 数据类型和精度优化：尽可能使用低精度数据类型（如 FP16 或 BF16）以减少内存带宽要求、提高缓存效率；
• 计算和指令优化：提高算术计算本身的效率，减少指令数量，或利用专门的硬件指令；
• 并行性和占用率增强：最大化流多处理器（SM）上的活动线程数量，以更好地隐藏延迟并提高整体吞吐量；
• 控制流和循环优化：减少与循环、分支和索引计算相关的开销。

并且斯坦福团队还展示了一组具体的优化轨迹，从中可以看出，并不是每一步优化都一定能让速度更快，但经过多个步骤的组合，内核的速度能够得到大幅提升，并最终超越PyTorch。

在具体实现上，有人询问AI生成CUDA内核时的优化建议，是否可以被转化为对应代码实现、还是说只是触发了随机探索？

作者回应说，尽管还没有进行更严谨的系统验证，但是手动检查的案例中，生成的CUDA实现与提出的优化建议是大致匹配的。

即AI并不是在完全随机做优化，而是确实在尝试实现它自己提出的策略。

华人主创团队意外发现

这项研究共有三位作者：Anne Ouyang、Azalia Mirhoseini和Percy Liang。

Ouyang目前是斯坦福大学扩展智能实验室的博士生，她本硕毕业于麻省理工，曾在英伟达cuDNN团队工作。

Percy Liang是斯坦福大学计算机科学副教授兼统计学助理教授，目前担任斯坦福基础模型研究中心主任。

曾和李飞飞一起发布、推进了多项研究工作。

Azalia Mirhoseini是斯坦福大学计算机科学助理教授、斯坦福扩展实验室创始人。她曾在DeepMind、Google Brain以及Anthropic工作过。

她此前参与的研究包括MoE、芯片设计算法AlphaChip等。

本次研究，本来是希望生成数据来训练内核生成模型。

但是在过程中却出现了意想不到的结果，仅在测试阶段生成的合成数据本身，竟然可以生成性能非常优秀的内核。

因为这些内核利用了此前被认为很难实现的高级优化和硬件特性，所以团队决定以博客形式分享此次成果。

不过具体是如何生成数据的，研究团队暂时不对外发布，只是提到了这种设计理念也很简单

最关键的还是，它已经展示出了巨大潜力。

此外，研究团队也认为此次发现也与最近的一些趋势相呼应——大规模再训练已不是必需。

有时，聪明的搜索和分支策略，可以解锁科学创新并解决复杂问题，通过verifier进行广泛搜索还能有更多收获。
将强大推理能力与同时探索多个假设结合起来，能带来更好结果。就像AlphaEvolve、AlphaEvolution、 Gemini 2.5 Pro深度思考一样。

最后，团队表示这项研究还有很多可优化的空间。比如他们手头上就还在优化两个维度：

• FP16 Matmul：52% performance of torch.matmul
• FP16 Flash Attention:：9% performance of torch.nn.functional.scaled_dot_product_attention

与FP16或BF16相比，FP32在新推出硬件上的优化程度通常比较低，这也是为何使用FP32内核比PyTorch更容易实现性能提升。

他们表示，虽然现在还有不少限制，但是对于未来前景还是很乐观的。

毕竟最开始，他们连能正常运行的内核都生成不了，但是通过不断优化搜索方法，已经能让flash attention的性能提升到了一个不错的水平。

值得一提的是，搜索使用的资源也很少，大概只用了300万token输入和400万token输出。

One More Thing

实际上，不只是一个团队在尝试开发内核大模型。

就在5月，开发了Devin的Cognition开源了首个通过强化学习即可编写CUDA内核的大模型Kevin-32B。

它基于QwQ-32B在KernelBench数据集上使用GRPO，实现了多轮强化学习，性能优于o3、o4-mini。

[1]https://crfm.stanford.edu/2025/05/28/fast-kernels.html
[2]https://x.com/anneouyang/status/1928124885567467768
[3]https://x.com/cognition_labs/status/1919835720493236295