新智元報道

編輯：Aeneas

僅用兩個月，AI 就「自己」寫出了一個能跑模型、對標PyTorch的深度學習系統！陳天奇、賈揚清紛紛大贊：AI終將完全超越人類程序員。

最近，英偉達又發布了一個炸裂成果。

英偉達高級工程師Bing Xu開源了VibeTensor項目，并且表示：「這是第一個完全由 AI 智能體生成的深度學習系統，沒有一行人類編寫的代碼。」

這是什么概念？深度學習運行時（Deep Learning Runtime），是讓神經網絡真正跑起來的底層系統系統。

僅僅用兩個月，AI就自己寫出了一個「深度學習運行時」。

它不是demo，不是PPT里的概念，是真正能跑起來的、對標PyTorch的一個系統！

這個項目也獲得了陳天奇、賈揚清等大佬的盛贊。

兩個月，AI寫出比肩PyTorch的成果

AI，能不能從零生成一整套「深度學習系統軟件」？這里指的，是那種真正的、工程師平時根本不敢讓AI碰的底層系統。

答案是，可以。

VibeTensor是一個受PyTorch啟發的即時運行時，它具有全新的C++20內核（CPU + CUDA）、torch風格的Python覆蓋層以及實驗性的Node.js/Typescript API。

注意，它并不是一個輕量級封裝器。它實現了自己的張量/存儲、調度器、自動微分引擎、CUDA運行時和緩存分配器和插件ABI。

在VibeTensor項目中，人類只需要做這幾件事：給出高層架構、定義約束條件，設定性能與可靠性目標。

剩下的事，就可以全部交給LLM驅動的編碼智能體，包括C++核心運行時，Python API，Node.js接口等等。

英偉達工程師們，再也不用手動編寫每一行代碼了。

速度也是很驚人：僅僅用兩個月時間，整個系統就開發完成了。

兩個月，是什么概念？要知道，PyTorch經過了十年級別的演進，需要成百上千名工程師，進行無數次架構的重構。

而VibeTensor只需要2個月，由AI生成大量代碼，還覆蓋了完整的運行時鏈路。

當然，VibeTensor現在還不能取代PyTorch。雖然某些特定內核的速度更快，但它整體的訓練性能仍然比PyTorch慢。

但這根本不是重點。

隨論文一同發布的AI生成算子內核套件的宏觀結構示意圖，該套件包含多個后端實現（Triton、CuTeDSL以及PyTorch參考路徑）

重點是，AI已經能造出PyTorch級別的復雜系統了。

這就證明：人工智能智能體已經足夠強大，能夠構建復雜的、功能齊全的軟件系統，而不僅僅是簡單的腳本。

編碼智能體不僅能寫函數，還能在測試約束下，協同生成并驗證一個跨越多層抽象的復雜系統。

網友們紛紛驚呼：庫茲維爾預言的遞歸改進循環，正在發生！

當然，AI智能體雖然可以編寫大量代碼，但最終成功與否，還要取決于項目是否附帶評審。

有人說，英偉達真正的秀肌肉之處，在于敢把生產級的C++內核交給智能體來寫。

這就意味著，英偉達背后，有著世界一流的測試基礎設施，以及完善到位的運行時遙測體系。

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

VibeTensor架構

這個架構的宏觀視角，是這樣的。

從使用體驗上看，VibeTensor是一個受PyTorch啟發的即時運行時，包括torch風格的Python API，以及熟悉的張量、算子、自動微分體驗。

但在實現上，VibeTensor并不是PyTorch的封裝或裁剪版，而是實現了自己的一整套系統棧。

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C++運算符注冊表分發。

核心運行時：張量/存儲 + 調度器 + 自動微分 + 索引 + 隨機數生成器。 CUDA運行時：流/事件包裝器、分配器、圖、內核啟動助手。

計算層：內置CUDA內核 + 可選Triton/CuTeDSL內核 + 插件加載內核。 多GPU實驗 ：Fabric張量和可觀測性（統計+事件環）。

更關鍵之處在于，它真的能訓練模型。

針對Blackwell架構（SM100/SM103）的warp級特化ring all-reduce內核的宏觀與微觀視圖

在評估階段，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練閉環作為驗證手段，覆蓋了三類具有代表性的工作負載：序列反轉任務、CIFAR-10 上的Vision Transformer，以及一個miniGPT風格的語言模型。

這三個任務并非隨意挑選。

序列反轉任務是經典的自動求導與時序依賴sanity check，能夠快速暴露梯度回傳、參數更新或狀態復用中的隱藏錯誤。

CIFAR-10上的ViT則引入了更復雜的算子組合，驗證系統在中等規模模型下的穩定性。

而miniGPT風格的語言模型則進一步拉長了訓練步數，對長時間運行、多步梯度累積、顯存管理和數值穩定性提出了更高要求。

論文展示的訓練曲線表明，在這些任務上，VibeTensor與PyTorch在整體收斂趨勢上是高度一致的：loss能夠穩定下降，accuracy或perplexity持續改善，沒有出現梯度爆炸、訓練發散或「跑幾步就崩」的情況。

這一點尤其關鍵，因為它意味著系統中的多個核心子系統能夠在真實訓練循環中正確協同工作。

真正顛覆性的意義：工程邊界被打破

英偉達這項研究真正顛覆性的意義，不在性能，而在「工程邊界被打破」。

需要強調的是，作者非常克制：他們反復聲明VibeTensor性能明顯落后PyTorch，也不適合生產環境。

但這恰恰讓這篇論文更有分量了。

因為它要證明的不是「AI能不能寫出最優代碼」，而是——系統軟件，第一次被證明是「可被AI整體生成」的！

在過去，大家都默認一個隱含前提：AI可以寫應用代碼、腳本、業務邏輯，但系統軟件、運行時、內存管理、并發控制，只能人寫。

VibeTensor 第一次用一個可運行、可復現的工程告訴你：這個邊界，正在被打穿。

另外，論文里一個非常重要、但容易被忽略的點是：測試不再只是驗證工具，而是約束 AI 搜索空間的核心機制。

在這個項目中：測試約等于可執行的設計文檔，回歸測試是對抗「AI 局部正確、全局崩壞」的唯一手段，多步訓練測試，則可以揪出單步算子永遠發現不了的bug。

這本質上是在說：未來系統工程的核心能力，可能不是寫代碼，而是「設計好一套讓 AI不敢亂來的測試體系」。

重要反面教材：「弗蘭肯斯坦效應」

論文最后還非常坦誠地總結了AI寫系統的典型失敗模式，作者稱之為弗蘭肯斯坦效應。

簡單說就是：每個子模塊單獨看都很合理，拼在一起卻會把系統性能徹底拖垮。

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

從單點看這是對的，但結果卻是：GPU kernel空轉、并行性被扼殺、系統整體變慢好幾倍。

這部分內容其實非常有價值，因為它說明了一件事：AI非常擅長「局部最優」，但極其不擅長全局性能目標。

而這，正是下一階段AI系統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行系統證明「AI已經可以觸碰深度學習系統工程核心腹地」的論文。

它不是終點，但很可能是一個分水嶺。

英偉達3萬工程師全員All in AI編程

最近，還有另一個內幕消息曝出：英偉達的30000名工程師在引入AI編程助手后，代碼產出狂翻3倍！

英偉達很早就在內部嘗試各種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」。

注意，Cursor并不是簡單補全，而是一套可以：自動生成新代碼、生成單元測試與集成測試、理解大規模代碼庫深層依賴關系、自動修bug的的「全流程AI編程助手」。

據英偉達工程負責人描述：Cursor現在在所有產品線、所有開發階段都在使用。它能自動從 ticket、設計文檔獲取上下文，然后基于規則自動生成包括代碼、測試、CI 在內的完整變更。

三倍代碼量，是說AI寫了很多垃圾代碼嗎？事實相反，英偉達強調：代碼質量仍由人工負責審核和監督。

工程師會留出更多時間，給設計決策和復雜邏輯，把重復性工作交給AI完成。

從英偉達的角度來看，這種「讓AI進入關鍵路徑」的做法其實并不陌生。早在多年前，DLSS就已經在超算上運行了。

可見，英偉達并不是第一次將AI引入高風險、高復雜度的工程系統，而是已經積累了長期經驗。