天下苦CUDA久矣，又一国产方案上桌了

思邈 2026-01-30 21:58:46 来源：量子位

允中 发自 凹非寺

量子位 | 公众号 QbitAI

国产算力基建跑了这么多年，大家最关心的逻辑一直没变：芯片够不够多？

但对开发者来说，真正扎心的问题其实是：好不好使？

如果把AI开发比作做饭，现在的尴尬是——

国产锅（硬件）虽然越来越多了，但大部分大厨还是只习惯用那套进口调料包（生态）。

这正是当下AI落地最真实的一幕。

模型层繁花似锦，底层却隐忧重重。大家在参数规模上轮番刷新纪录，回过头来却发现，最难摆脱的还是那套已经长进骨子里的开发流程。

△图片由AI生成

算力只是敲门砖，真正的胜负手，是那段算法与硬件之间的“翻译权”。

说白了，如果拿不到这支“翻译笔”，再强悍的国产硬件，也只能像是一座无法与外界沟通的孤岛。

终于，那个让开发者喊了无数次“天下苦CUDA久矣”的僵局，现在迎来了一个不一样的国产答案。

KernelCAT：计算加速专家级别的Agent

这几年，AI领域的热闹几乎是肉眼可见的。

模型在密集发布，应用数据持续走高，看上去一切都在加速向前。

但在工程现场，感受却更复杂。

真正制约落地效率的，并不是模型能力本身，而是底层软件生态的成熟度。

硬件选择一多，问题反而集中暴露出来：迁移成本高，适配周期长，性能释放不稳定。很多模型即便具备条件切换算力平台，最终也会被算子支持和工具链完整度挡在门外。

这让一个事实变得越来越清晰——突破口不在堆更多算力，而在打通算法到硬件之间那段最容易被忽视的工程链路，把芯片的理论性能真正转化为可用性能。

其中最关键的一环，正是高性能算子的开发。

算子（Kernel），是连接AI算法与计算芯片的“翻译官”：它将算法转化为硬件可执行的指令，决定了AI模型的推理速度、能耗与兼容性。

算子开发可以被理解为内核级别的编程工作，目前行业仍停留在“手工作坊”时代——开发过程极度依赖顶尖工程师的经验与反复试错，周期动辄数月，性能调优如同在迷雾中摸索。

若把开发大模型应用比作“在精装修的样板间里摆放家具”，那么编写底层算子的难度，无异于“在深海中戴着沉重的手铐，徒手组装一块精密机械表”。

但如果，让AI来开发算子呢？

传统大模型或知识增强型Agent在此类任务面前往往力不从心。因为它们擅长模式匹配，却难以理解复杂计算任务中的物理约束、内存布局与并行调度逻辑。

唯有超越经验式推理，深入建模问题本质，才能实现真正的“智能级”优化。

正是在这一“地狱级”技术挑战下，KernelCAT应运而生。

△终端版

具体来看，KernelCAT是一款本地运行的AI Agent，它不仅是深耕算子开发和模型迁移的“计算加速专家”，也能够胜任日常通用的全栈开发任务，提供了CLI终端命令行版与简洁桌面版两种形态供开发者使用。

不同于仅聚焦特定任务的工具型Agent，KernelCAT具备扎实的通用编程能力——不仅能理解、生成和优化内核级别代码，也能处理常规软件工程任务，如环境配置、依赖管理、错误诊断与脚本编写，从而在复杂场景中实现端到端自主闭环。

△桌面版

为国产芯片生态写高性能算子

在算子开发中，有一类问题很像“调参”——面对几十上百种参数或策略组合，工程师需要找出让算子跑得最快的那一组配置。

传统做法靠经验试错，费时费力，而且还容易踩坑。

KernelCAT的思路是——引入运筹优化，把“找最优参数”这件事交给算法，让算法去探索调优空间并收敛到最佳方案。

以昇腾芯片上的FlashAttentionScore算子为例，KernelCAT在昇腾官方示例代码上，可以自动对该算子的分块参数调优问题进行运筹学建模，并使用数学优化算法求解，在十几轮迭代后就锁定了最优配置，在多种输入尺寸下延迟降低最高可达22%，吞吐量提升最高近30%，而且整个过程无需人工干预。

这正是KernelCAT的独特之处：它不仅具备大模型的智能，能够理解代码、生成方案；还拥有运筹优化算法的严谨，能够系统搜索并收敛到最优解。

智能与算法的结合，让算子调优既灵活，又有交付保障。

在对KernelCAT的另一场测试中，该团队选取了7个不同规模的向量加法任务，测试目标明确——

即在华为昇腾平台上，直接对比华为开源算子、“黑盒”封装的商业化算子与KernelCAT自研算子实现的执行效率。

结果同样令人振奋，在这个案例的7个测试规模中，KernelCAT给出的算子版本性能均取得领先优势，且任务完成仅用时10分钟。

这意味着，即便面对经过商业级调优的闭源实现，KernelCAT所采用的优化方式仍具备一定竞争力。

这不仅是数值层面的胜利，更是国产AI Agent在算子领域完成的一次自证。

没有坚不可破的生态，包括CUDA

全球范围内，目前超过90%的重要AI训练任务运行于英伟达GPU之上，推理占比亦达80%以上；其开发者生态覆盖超590万用户，算子库规模逾400个，深度嵌入90%顶级AI学术论文的实现流程。

黄仁勋曾言：

我们创立英伟达，是为了加速软件，芯片设计反而是次要的。

这句话揭示了一个关键真相：在现代计算体系中，软件才是真正的护城河。

英伟达的持续领先，源于其从底层算法出发、贯通架构与编程模型的全栈掌控能力。

参考AMD的历史经验，即使在架构与制程上具备充足的竞争力，缺乏成熟的生态系统也仍然难以撼动英伟达的地位。

这类案例清晰地表明，模型性能并不简单等价于算力规模的堆叠，而是取决于算法设计、算子实现与硬件特性的协同程度。当算子足够成熟，硬件潜力才能被真正释放。

沿着这条思路，KernelCAT团队围绕模型在本土算力平台上的高效迁移，进行了系统性的工程探索。

以DeepSeek-OCR-2模型在华为昇腾910B2 NPU上的部署为例，KernelCAT展示了一种全新的工作范式：

• 对抗“版本地狱”：KernelCAT对任务目标和限制条件有着深度理解，基于DeepSeek-OCR-2官方的CUDA实现，通过精准的依赖识别和补丁注入，解决了vLLM、torch和torch_npu的各个依赖库间版本互锁的三角矛盾，硬生生从零搭建起了一套稳定的生产环境，结合基础Docker镜像即可实现模型的开箱即用。
• 准确修补：它敏锐地识别出原版vLLM的MOE层依赖CUDA专有的操作，和vllm-ascend提供的Ascend原生MOE实现，并果断通过插件包进行调用替换，让模型在国产芯片上“说上了母语”。
• 实现35倍加速：在引入vllm-ascend原生MOE实现补丁后，vLLM在高并发下的吞吐量飙升至550.45toks/s，相比Transformers方案实现了35倍加速，且在继续优化中。

• 无需人工大量介入：在这种复杂任务目标下，KernelCAT可以自己规划和完成任务，无需研发提供大量提示词指导模型工作。

这意味着，原本需要顶尖工程师团队花费数周才能完成进行的适配工作，现在可以缩短至小时级（包含模型下载、环境构建的时间）。

与此同时，它让国产芯片从“能跑”到“飞起”，实现了35倍的加速。

也就是说，KernelCAT让国产芯片不再是被“封印”的算力废铁，而是可以通过深度工程优化，承载顶级多模态模型推理任务的性能引擎。

“天下苦CUDA久矣”——这句话曾是无奈的自嘲，如今正成为行动的号角。

KernelCAT所代表的，不只是一个AI Agent新范式的出现，更是一种底层能力建设方式的转向：

从依赖既有生态，到构建能够自我演进的计算基础。

KernelCAT正限时免费内测中，欢迎体验：
https://kernelcat.cn/