允中 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

國產(chǎn)算力基建跑了這么多年，大家最關心的邏輯一直沒變：芯片夠不夠多？

但對開發(fā)者來說，真正扎心的問題其實是：好不好使？

如果把AI開發(fā)比作做飯，現(xiàn)在的尷尬是——

國產(chǎn)鍋（硬件）雖然越來越多了，但大部分大廚還是只習慣用那套進口調料包（生態(tài)）

這正是當下AI落地最真實的一幕。

模型層繁花似錦，底層卻隱憂重重。大家在參數(shù)規(guī)模上輪番刷新紀錄，回過頭來卻發(fā)現(xiàn)，最難擺脫的還是那套已經(jīng)長進骨子里的開發(fā)流程。

△圖片由AI生成

算力只是敲門磚，真正的勝負手，是那段算法與硬件之間的“翻譯權”

說白了，如果拿不到這支“翻譯筆”，再強悍的國產(chǎn)硬件，也只能像是一座無法與外界溝通的孤島。

終于，那個讓開發(fā)者喊了無數(shù)次“天下苦CUDA久矣”的僵局，現(xiàn)在迎來了一個不一樣的國產(chǎn)答案

KernelCAT：計算加速專家級別的Agent

這幾年，AI領域的熱鬧幾乎是肉眼可見的。

模型在密集發(fā)布，應用數(shù)據(jù)持續(xù)走高，看上去一切都在加速向前。

但在工程現(xiàn)場，感受卻更復雜。

真正制約落地效率的，并不是模型能力本身，而是底層軟件生態(tài)的成熟度。

硬件選擇一多，問題反而集中暴露出來：遷移成本高，適配周期長，性能釋放不穩(wěn)定。很多模型即便具備條件切換算力平臺，最終也會被算子支持和工具鏈完整度擋在門外。

這讓一個事實變得越來越清晰——突破口不在堆更多算力，而在打通算法到硬件之間那段最容易被忽視的工程鏈路，把芯片的理論性能真正轉化為可用性能。

其中最關鍵的一環(huán)，正是高性能算子的開發(fā)

算子（Kernel），是連接AI算法與計算芯片的“翻譯官”：它將算法轉化為硬件可執(zhí)行的指令，決定了AI模型的推理速度、能耗與兼容性。

算子開發(fā)可以被理解為內(nèi)核級別的編程工作，目前行業(yè)仍停留在“手工作坊”時代——開發(fā)過程極度依賴頂尖工程師的經(jīng)驗與反復試錯，周期動輒數(shù)月，性能調優(yōu)如同在迷霧中摸索。

若把開發(fā)大模型應用比作“在精裝修的樣板間里擺放家具”，那么編寫底層算子的難度，無異于“在深海中戴著沉重的手銬，徒手組裝一塊精密機械表”。

但如果，讓AI來開發(fā)算子呢？

傳統(tǒng)大模型或知識增強型Agent在此類任務面前往往力不從心。因為它們擅長模式匹配，卻難以理解復雜計算任務中的物理約束、內(nèi)存布局與并行調度邏輯。

唯有超越經(jīng)驗式推理，深入建模問題本質，才能實現(xiàn)真正的“智能級”優(yōu)化。

正是在這一“地獄級”技術挑戰(zhàn)下，KernelCAT應運而生。

△終端版

具體來看，KernelCAT是一款本地運行的AI Agent，它不僅是深耕算子開發(fā)和模型遷移的“計算加速專家”，也能夠勝任日常通用的全棧開發(fā)任務，提供了CLI終端命令行版與簡潔桌面版兩種形態(tài)供開發(fā)者使用。

不同于僅聚焦特定任務的工具型Agent，KernelCAT具備扎實的通用編程能力——不僅能理解、生成和優(yōu)化內(nèi)核級別代碼，也能處理常規(guī)軟件工程任務，如環(huán)境配置、依賴管理、錯誤診斷與腳本編寫，從而在復雜場景中實現(xiàn)端到端自主閉環(huán)。

△桌面版

為國產(chǎn)芯片生態(tài)寫高性能算子

在算子開發(fā)中，有一類問題很像“調參”——面對幾十上百種參數(shù)或策略組合，工程師需要找出讓算子跑得最快的那一組配置。

傳統(tǒng)做法靠經(jīng)驗試錯，費時費力，而且還容易踩坑。

KernelCAT的思路是——引入運籌優(yōu)化，把“找最優(yōu)參數(shù)”這件事交給算法，讓算法去探索調優(yōu)空間并收斂到最佳方案

以昇騰芯片上的FlashAttentionScore算子為例，KernelCAT在昇騰官方示例代碼上，可以自動對該算子的分塊參數(shù)調優(yōu)問題進行運籌學建模，并使用數(shù)學優(yōu)化算法求解，在十幾輪迭代后就鎖定了最優(yōu)配置，在多種輸入尺寸下延遲降低最高可達22%，吞吐量提升最高近30%，而且整個過程無需人工干預。

這正是KernelCAT的獨特之處：它不僅具備大模型的智能，能夠理解代碼、生成方案；還擁有運籌優(yōu)化算法的嚴謹，能夠系統(tǒng)搜索并收斂到最優(yōu)解。

智能與算法的結合，讓算子調優(yōu)既靈活，又有交付保障。

在對KernelCAT的另一場測試中，該團隊選取了7個不同規(guī)模的向量加法任務，測試目標明確——

即在華為昇騰平臺上，直接對比華為開源算子、“黑盒”封裝的商業(yè)化算子與KernelCAT自研算子實現(xiàn)的執(zhí)行效率。

結果同樣令人振奮，在這個案例的7個測試規(guī)模中，KernelCAT給出的算子版本性能均取得領先優(yōu)勢，且任務完成僅用時10分鐘

這意味著，即便面對經(jīng)過商業(yè)級調優(yōu)的閉源實現(xiàn)，KernelCAT所采用的優(yōu)化方式仍具備一定競爭力。

這不僅是數(shù)值層面的勝利，更是國產(chǎn)AI Agent在算子領域完成的一次自證。

沒有堅不可破的生態(tài)，包括CUDA

全球范圍內(nèi)，目前超過90%的重要AI訓練任務運行于英偉達GPU之上，推理占比亦達80%以上；其開發(fā)者生態(tài)覆蓋超590萬用戶，算子庫規(guī)模逾400個，深度嵌入90%頂級AI學術論文的實現(xiàn)流程。

黃仁勛曾言：

• 我們創(chuàng)立英偉達，是為了加速軟件，芯片設計反而是次要的。

這句話揭示了一個關鍵真相：在現(xiàn)代計算體系中，軟件才是真正的護城河。

英偉達的持續(xù)領先，源于其從底層算法出發(fā)、貫通架構與編程模型的全棧掌控能力。

參考AMD的歷史經(jīng)驗，即使在架構與制程上具備充足的競爭力，缺乏成熟的生態(tài)系統(tǒng)也仍然難以撼動英偉達的地位。

這類案例清晰地表明，模型性能并不簡單等價于算力規(guī)模的堆疊，而是取決于算法設計、算子實現(xiàn)與硬件特性的協(xié)同程度。當算子足夠成熟，硬件潛力才能被真正釋放。

沿著這條思路，KernelCAT團隊圍繞模型在本土算力平臺上的高效遷移，進行了系統(tǒng)性的工程探索。

DeepSeek-OCR-2模型在華為昇騰910B2 NPU上的部署為例，KernelCAT展示了一種全新的工作范式：

• 對抗“版本地獄”：KernelCAT對任務目標和限制條件有著深度理解，基于DeepSeek-OCR-2官方的CUDA實現(xiàn)，通過精準的依賴識別和補丁注入，解決了vLLM、torch和torch_npu的各個依賴庫間版本互鎖的三角矛盾，硬生生從零搭建起了一套穩(wěn)定的生產(chǎn)環(huán)境，結合基礎Docker鏡像即可實現(xiàn)模型的開箱即用。
• 準確修補：它敏銳地識別出原版vLLM的MOE層依賴CUDA專有的操作，和vllm-ascend提供的Ascend原生MOE實現(xiàn)，并果斷通過插件包進行調用替換，讓模型在國產(chǎn)芯片上“說上了母語”。
• 實現(xiàn)35倍加速：在引入vllm-ascend原生MOE實現(xiàn)補丁后，vLLM在高并發(fā)下的吞吐量飆升至550.45toks/s，相比Transformers方案實現(xiàn)了35倍加速，且在繼續(xù)優(yōu)化中。
• 無需人工大量介入：在這種復雜任務目標下，KernelCAT可以自己規(guī)劃和完成任務，無需研發(fā)提供大量提示詞指導模型工作。

這意味著，原本需要頂尖工程師團隊花費數(shù)周才能完成進行的適配工作，現(xiàn)在可以縮短至小時級（包含模型下載、環(huán)境構建的時間）。

與此同時，它讓國產(chǎn)芯片從“能跑”到“飛起”，實現(xiàn)了35倍的加速

也就是說，KernelCAT讓國產(chǎn)芯片不再是被“封印”的算力廢鐵，而是可以通過深度工程優(yōu)化，承載頂級多模態(tài)模型推理任務的性能引擎。

“天下苦CUDA久矣”——這句話曾是無奈的自嘲，如今正成為行動的號角。

KernelCAT所代表的，不只是一個AI Agent新范式的出現(xiàn)，更是一種底層能力建設方式的轉向：

從依賴既有生態(tài)，到構建能夠自我演進的計算基礎。

KernelCAT正限時免費內(nèi)測中，歡迎體驗：
https://kernelcat.cn/