新智元報(bào)道

編輯：Aeneas

僅用兩個(gè)月，AI 就「自己」寫出了一個(gè)能跑模型、對(duì)標(biāo)PyTorch的深度學(xué)習(xí)系統(tǒng)！陳天奇、賈揚(yáng)清紛紛大贊：AI終將完全超越人類程序員。

最近，英偉達(dá)又發(fā)布了一個(gè)炸裂成果。

英偉達(dá)高級(jí)工程師Bing Xu開源了VibeTensor項(xiàng)目，并且表示：「這是第一個(gè)完全由 AI 智能體生成的深度學(xué)習(xí)系統(tǒng)，沒有一行人類編寫的代碼?！?/p>

這是什么概念？深度學(xué)習(xí)運(yùn)行時(shí)（Deep Learning Runtime），是讓神經(jīng)網(wǎng)絡(luò)真正跑起來的底層系統(tǒng)系統(tǒng)。

僅僅用兩個(gè)月，AI就自己寫出了一個(gè)「深度學(xué)習(xí)運(yùn)行時(shí)」。

它不是demo，不是PPT里的概念，是真正能跑起來的、對(duì)標(biāo)PyTorch的一個(gè)系統(tǒng)！

這個(gè)項(xiàng)目也獲得了陳天奇、賈揚(yáng)清等大佬的盛贊。

兩個(gè)月，AI寫出比肩PyTorch的成果

AI，能不能從零生成一整套「深度學(xué)習(xí)系統(tǒng)軟件」？這里指的，是那種真正的、工程師平時(shí)根本不敢讓AI碰的底層系統(tǒng)。

答案是，可以。

VibeTensor是一個(gè)受PyTorch啟發(fā)的即時(shí)運(yùn)行時(shí)，它具有全新的C++20內(nèi)核（CPU + CUDA）、torch風(fēng)格的Python覆蓋層以及實(shí)驗(yàn)性的Node.js/Typescript API。

注意，它并不是一個(gè)輕量級(jí)封裝器。它實(shí)現(xiàn)了自己的張量/存儲(chǔ)、調(diào)度器、自動(dòng)微分引擎、CUDA運(yùn)行時(shí)和緩存分配器和插件ABI。

在VibeTensor項(xiàng)目中，人類只需要做這幾件事：給出高層架構(gòu)、定義約束條件，設(shè)定性能與可靠性目標(biāo)。

剩下的事，就可以全部交給LLM驅(qū)動(dòng)的編碼智能體，包括C++核心運(yùn)行時(shí)，Python API，Node.js接口等等。

英偉達(dá)工程師們，再也不用手動(dòng)編寫每一行代碼了。

速度也是很驚人：僅僅用兩個(gè)月時(shí)間，整個(gè)系統(tǒng)就開發(fā)完成了。

兩個(gè)月，是什么概念？要知道，PyTorch經(jīng)過了十年級(jí)別的演進(jìn)，需要成百上千名工程師，進(jìn)行無數(shù)次架構(gòu)的重構(gòu)。

而VibeTensor只需要2個(gè)月，由AI生成大量代碼，還覆蓋了完整的運(yùn)行時(shí)鏈路。

當(dāng)然，VibeTensor現(xiàn)在還不能取代PyTorch。雖然某些特定內(nèi)核的速度更快，但它整體的訓(xùn)練性能仍然比PyTorch慢。

但這根本不是重點(diǎn)。

隨論文一同發(fā)布的AI生成算子內(nèi)核套件的宏觀結(jié)構(gòu)示意圖，該套件包含多個(gè)后端實(shí)現(xiàn)（Triton、CuTeDSL以及PyTorch參考路徑）

重點(diǎn)是，AI已經(jīng)能造出PyTorch級(jí)別的復(fù)雜系統(tǒng)了。

這就證明：人工智能智能體已經(jīng)足夠強(qiáng)大，能夠構(gòu)建復(fù)雜的、功能齊全的軟件系統(tǒng)，而不僅僅是簡(jiǎn)單的腳本。

編碼智能體不僅能寫函數(shù)，還能在測(cè)試約束下，協(xié)同生成并驗(yàn)證一個(gè)跨越多層抽象的復(fù)雜系統(tǒng)。

網(wǎng)友們紛紛驚呼：庫(kù)茲維爾預(yù)言的遞歸改進(jìn)循環(huán)，正在發(fā)生！

當(dāng)然，AI智能體雖然可以編寫大量代碼，但最終成功與否，還要取決于項(xiàng)目是否附帶評(píng)審。

有人說，英偉達(dá)真正的秀肌肉之處，在于敢把生產(chǎn)級(jí)的C++內(nèi)核交給智能體來寫。

這就意味著，英偉達(dá)背后，有著世界一流的測(cè)試基礎(chǔ)設(shè)施，以及完善到位的運(yùn)行時(shí)遙測(cè)體系。

用AI快速交付，其實(shí)并不難，真正困難的是如何可靠地交付——而這，依然是人類的護(hù)城河。

VibeTensor架構(gòu)

這個(gè)架構(gòu)的宏觀視角，是這樣的。

從使用體驗(yàn)上看，VibeTensor是一個(gè)受PyTorch啟發(fā)的即時(shí)運(yùn)行時(shí)，包括torch風(fēng)格的Python API，以及熟悉的張量、算子、自動(dòng)微分體驗(yàn)。

但在實(shí)現(xiàn)上，VibeTensor并不是PyTorch的封裝或裁剪版，而是實(shí)現(xiàn)了自己的一整套系統(tǒng)棧。

從宏觀層面來看，它由如下部分組成——

前端：Python（nanobind）和 Node.js（N-API）都向同一個(gè)C++運(yùn)算符注冊(cè)表分發(fā)。

核心運(yùn)行時(shí)：張量/存儲(chǔ) + 調(diào)度器 + 自動(dòng)微分 + 索引 + 隨機(jī)數(shù)生成器。 CUDA運(yùn)行時(shí)：流/事件包裝器、分配器、圖、內(nèi)核啟動(dòng)助手。

計(jì)算層：內(nèi)置CUDA內(nèi)核 + 可選Triton/CuTeDSL內(nèi)核 + 插件加載內(nèi)核。 多GPU實(shí)驗(yàn) ：Fabric張量和可觀測(cè)性（統(tǒng)計(jì)+事件環(huán)）。

更關(guān)鍵之處在于，它真的能訓(xùn)練模型。

針對(duì)Blackwell架構(gòu)（SM100/SM103）的warp級(jí)特化ring all-reduce內(nèi)核的宏觀與微觀視圖

在評(píng)估階段，論文并沒有止步于單算子正確性或micro-benchmark，而是刻意選擇了完整訓(xùn)練閉環(huán)作為驗(yàn)證手段，覆蓋了三類具有代表性的工作負(fù)載：序列反轉(zhuǎn)任務(wù)、CIFAR-10 上的Vision Transformer，以及一個(gè)miniGPT風(fēng)格的語(yǔ)言模型。

這三個(gè)任務(wù)并非隨意挑選。

序列反轉(zhuǎn)任務(wù)是經(jīng)典的自動(dòng)求導(dǎo)與時(shí)序依賴sanity check，能夠快速暴露梯度回傳、參數(shù)更新或狀態(tài)復(fù)用中的隱藏錯(cuò)誤。

CIFAR-10上的ViT則引入了更復(fù)雜的算子組合，驗(yàn)證系統(tǒng)在中等規(guī)模模型下的穩(wěn)定性。

而miniGPT風(fēng)格的語(yǔ)言模型則進(jìn)一步拉長(zhǎng)了訓(xùn)練步數(shù)，對(duì)長(zhǎng)時(shí)間運(yùn)行、多步梯度累積、顯存管理和數(shù)值穩(wěn)定性提出了更高要求。

論文展示的訓(xùn)練曲線表明，在這些任務(wù)上，VibeTensor與PyTorch在整體收斂趨勢(shì)上是高度一致的：loss能夠穩(wěn)定下降，accuracy或perplexity持續(xù)改善，沒有出現(xiàn)梯度爆炸、訓(xùn)練發(fā)散或「跑幾步就崩」的情況。

這一點(diǎn)尤其關(guān)鍵，因?yàn)樗馕吨到y(tǒng)中的多個(gè)核心子系統(tǒng)能夠在真實(shí)訓(xùn)練循環(huán)中正確協(xié)同工作。

真正顛覆性的意義：工程邊界被打破

英偉達(dá)這項(xiàng)研究真正顛覆性的意義，不在性能，而在「工程邊界被打破」。

需要強(qiáng)調(diào)的是，作者非常克制：他們反復(fù)聲明VibeTensor性能明顯落后PyTorch，也不適合生產(chǎn)環(huán)境。

但這恰恰讓這篇論文更有分量了。

因?yàn)樗C明的不是「AI能不能寫出最優(yōu)代碼」，而是——系統(tǒng)軟件，第一次被證明是「可被AI整體生成」的！

在過去，大家都默認(rèn)一個(gè)隱含前提：AI可以寫應(yīng)用代碼、腳本、業(yè)務(wù)邏輯，但系統(tǒng)軟件、運(yùn)行時(shí)、內(nèi)存管理、并發(fā)控制，只能人寫。

VibeTensor 第一次用一個(gè)可運(yùn)行、可復(fù)現(xiàn)的工程告訴你：這個(gè)邊界，正在被打穿。

另外，論文里一個(gè)非常重要、但容易被忽略的點(diǎn)是：測(cè)試不再只是驗(yàn)證工具，而是約束 AI 搜索空間的核心機(jī)制。

在這個(gè)項(xiàng)目中：測(cè)試約等于可執(zhí)行的設(shè)計(jì)文檔，回歸測(cè)試是對(duì)抗「AI 局部正確、全局崩壞」的唯一手段，多步訓(xùn)練測(cè)試，則可以揪出單步算子永遠(yuǎn)發(fā)現(xiàn)不了的bug。

這本質(zhì)上是在說：未來系統(tǒng)工程的核心能力，可能不是寫代碼，而是「設(shè)計(jì)好一套讓 AI不敢亂來的測(cè)試體系」。

重要反面教材：「弗蘭肯斯坦效應(yīng)」

論文最后還非常坦誠(chéng)地總結(jié)了AI寫系統(tǒng)的典型失敗模式，作者稱之為弗蘭肯斯坦效應(yīng)。

簡(jiǎn)單說就是：每個(gè)子模塊單獨(dú)看都很合理，拼在一起卻會(huì)把系統(tǒng)性能徹底拖垮。

比如，為了安全性，AI在autograd引擎里加了一個(gè)全局backward鎖。

從單點(diǎn)看這是對(duì)的，但結(jié)果卻是：GPU kernel空轉(zhuǎn)、并行性被扼殺、系統(tǒng)整體變慢好幾倍。

這部分內(nèi)容其實(shí)非常有價(jià)值，因?yàn)樗f明了一件事：AI非常擅長(zhǎng)「局部最優(yōu)」，但極其不擅長(zhǎng)全局性能目標(biāo)。

而這，正是下一階段AI系統(tǒng)工程必須正面解決的問題。

總之，如果用一句話來概括VibeTensor這篇論文的意義，那就是：這是第一篇用完整可運(yùn)行系統(tǒng)證明「AI已經(jīng)可以觸碰深度學(xué)習(xí)系統(tǒng)工程核心腹地」的論文。

它不是終點(diǎn)，但很可能是一個(gè)分水嶺。

英偉達(dá)3萬工程師全員All in AI編程

最近，還有另一個(gè)內(nèi)幕消息曝出：英偉達(dá)的30000名工程師在引入AI編程助手后，代碼產(chǎn)出狂翻3倍！

英偉達(dá)很早就在內(nèi)部嘗試各種AI代碼生成輔助工具，但自從定制版Cursor廣泛部署之后，效能提升才真正「爆發(fā)」。

注意，Cursor并不是簡(jiǎn)單補(bǔ)全，而是一套可以：自動(dòng)生成新代碼、生成單元測(cè)試與集成測(cè)試、理解大規(guī)模代碼庫(kù)深層依賴關(guān)系、自動(dòng)修bug的的「全流程AI編程助手」。

據(jù)英偉達(dá)工程負(fù)責(zé)人描述：Cursor現(xiàn)在在所有產(chǎn)品線、所有開發(fā)階段都在使用。它能自動(dòng)從 ticket、設(shè)計(jì)文檔獲取上下文，然后基于規(guī)則自動(dòng)生成包括代碼、測(cè)試、CI 在內(nèi)的完整變更。

三倍代碼量，是說AI寫了很多垃圾代碼嗎？事實(shí)相反，英偉達(dá)強(qiáng)調(diào)：代碼質(zhì)量仍由人工負(fù)責(zé)審核和監(jiān)督。

工程師會(huì)留出更多時(shí)間，給設(shè)計(jì)決策和復(fù)雜邏輯，把重復(fù)性工作交給AI完成。

從英偉達(dá)的角度來看，這種「讓AI進(jìn)入關(guān)鍵路徑」的做法其實(shí)并不陌生。早在多年前，DLSS就已經(jīng)在超算上運(yùn)行了。

可見，英偉達(dá)并不是第一次將AI引入高風(fēng)險(xiǎn)、高復(fù)雜度的工程系統(tǒng)，而是已經(jīng)積累了長(zhǎng)期經(jīng)驗(yàn)。