AI重构HPC：ForgeStencil如何实现工业软件零人工自动优化？
高性能计算领域的范式转移
在高性能计算（HPC）领域，Stencil计算因其规律性的内存访问模式，成为众多科学计算与工业仿真应用的核心负载。然而，针对特定硬件架构的Stencil算子优化，长期以来一直依赖于领域专家的手工调优。这种模式不仅耗时费力，且难以适应快速迭代的硬件环境。面壁智能联合OpenBMB开源社区推出的ForgeStencil系统，标志着这一传统模式正在被彻底颠覆。作为全球首个支持Stencil自动研究与自动部署的AI优化系统，ForgeStencil通过引入双智能体闭环架构，实现了从优化策略发现到真实生产软件集成的全流程零人工介入。
这一突破并非简单的工具升级，而是对软件研发流程的重构。系统在一周内完成了100余个工业与科学计算软件的端到端优化，中位加速比达到1.41倍。这一数据背后，是覆盖油气勘探、电磁仿真、医学影像等8大工业领域与5大科学领域的广泛实践。ForgeStencil的出现，证明了AI在解决复杂系统工程问题上的巨大潜力，也为高性能计算软件的性能优化提供了全新的自动化路径。
双智能体协同的核心架构
ForgeStencil的技术核心在于其独特的双Agent协同架构，这一架构由Kernel Agent与App Agent组成，形成了一个紧密耦合的闭环系统。Kernel Agent主要负责理论层面的发现与合成，它通过“计划-编码-分析”（Plan-Code-Profile）的循环，自主研究并合成逼近硬件物理极限的Stencil算子。这一过程不再局限于人类预设的优化空间，而是通过智能体的自主探索，发现分块、融合、布局调整、占用率优化以及主机端重构等多样化策略。
与此同时，App Agent则专注于工程落地。它负责定位应用中的性能热点，建立GPU基线，并调用Kernel Agent构建的算子矩阵知识库，为应用锻造专属的优化算子。App Agent还承担着正确性验证与应用集成的重任，确保优化后的代码能够无缝融入现有的生产级软件中。这种分工明确的协同机制，使得理论创新与工程实践得以高效结合，突破了传统优化方法中理论与实践脱节的瓶颈。
算子矩阵与知识库的进化机制
在ForgeStencil的运行过程中，算子矩阵与知识库的进化是一个关键特征。Kernel Agent在优化过程中，会持续构建专用的算子矩阵作为知识库。这些矩阵不仅记录了成功的优化策略，还包含了针对特定硬件特性的深度洞察。当App Agent需要为新的应用进行优化时，它可以复用这些已有的技术，从而避免重复劳动。
更值得注意的是，多并行Agent之间共享这一知识库，实现了经验的实时共享与集体同步进化。这意味着，当一个Agent发现了一种高效的优化策略时，其他Agent可以立即受益。这种机制突破了人类专家经验难以规模化传递的瓶颈，使得优化能力随着系统运行时间的增加而不断增强。这种自我进化的能力，是ForgeStencil区别于传统静态优化编译器的关键所在。
可审计的端到端验证协议
在高性能计算领域，性能优化的可信度至关重要。ForgeStencil引入了一套可审计的端到端测量协议，以确保加速比的真实可信。该协议以应用自身的生产级GPU实现为唯一基线，原始路径与优化路径仅通过单一的环境开关（USE_OURS）进行区分。这种设计确保了原始路径与上游代码的字节一致性，杜绝了因基线不一致导致的性能虚高。
在验证过程中，系统使用程序内置的正确性检查和计时器，在多轮交错运行后取中位数作为最终结果。这种严谨的测量方法，从系统层面杜绝了造假空间，确保了报告的所有标准用例的几何平均加速比具有高度的可信度。此外，ForgeStencil不捆绑任何第三方源码，每个应用仅提供上游出处记录、获取脚本和集成补丁，通过自动化脚本拉取指定版本的上游代码，确保了许可证的清洁与结果的可复现性。
跨代GPU适配与自动化部署
硬件的快速迭代是高性能计算面临的另一大挑战。ForgeStencil支持跨代GPU适配，能够自动识别并分发针对A100、H100、B200等不同运行时架构的最优Kernel路径。同一代码库可以根据部署环境的硬件特性，自动选择最佳的执行路径。这种架构级的自适应能力，使得优化成果具有长期的生命力，无需针对每一代新硬件重新进行大规模的人工优化。
在部署方面，ForgeStencil实现了真正的零源码捆绑。它通过Patch模式与自动化集成脚本，将优化后的代码无缝集成到目标应用中。用户只需运行简单的命令，即可启动Kernel Agent与App Agent的自主优化循环。系统会自动完成从应用分析、热点定位、Kernel锻造到集成验证的全过程，无需HPC专家参与决策。这种自动化部署能力，极大地降低了高性能软件优化的门槛。
工业与科学领域的实际应用
ForgeStencil的应用场景涵盖了广泛的工业与科学领域。在油气地震勘探中，它优化了RTM逆时偏移等核心算法，显著加速了石油勘探数据处理流程。在电磁仿真设计领域，通过提升gprMax/FDTD等Yee网格Maxwell方程求解器的效率，服务于雷达与芯片的电磁分析。在医学影像重建方面，加速了非笛卡尔MRI重建及数字乳腺断层成像反投影等计算负载。
此外，ForgeStencil还在气候与天体物理模拟、量化金融计算等领域展现出巨大潜力。在气候模拟中，它优化了大气动力学与宇宙学模拟中的Stencil密集型计算；在量化金融中，它为QuantLib等金融机构定价库提供了Stencil热点的自动优化，有效降低了交易计算的时延。这些实际应用案例证明，ForgeStencil不仅是一个技术原型，更是一个能够解决真实世界复杂问题的工程化工具。
效率飞跃与未来展望
从研发效率的角度来看，ForgeStencil带来了显著的飞跃。单应用的优化周期从传统的数月缩短至一天内，一周内即可完成100多个应用的优化，等效节省约20-30人年的研发投入。在性能表现上，端到端中位加速比达到1.41倍，43%的应用加速比超过1.5倍，算子级几何平均加速比达到2.16倍，领先于最优开源基线。
与Halide等传统优化框架相比，ForgeStencil在优化策略来源、部署范围、基线对比、正确性验证及知识积累等方面均展现出明显优势。它不再依赖人类设计的DSL与调度策略，而是通过Agent自主发现新策略；它不仅面向单算子，更支持真实应用的端到端集成；它不仅依赖框架内置测试，更通过系统级协议确保结果可信。
随着AI技术的不断进步，ForgeStencil所代表的自动化优化范式有望成为高性能计算软件开发的标配。它不仅提升了软件的性能，更释放了领域专家的生产力，使其能够专注于更具创造性的工作。未来，随着更多领域知识的融入与智能体能力的增强，我们有理由相信，AI驱动的软件优化将开启高性能计算的新篇章。