2026 年 9 月，DeepSeek-AI 算子工程师刘胜与发布了一篇长文。他的公开履历写出来像一份「算子工程师」这个工种的教科书样本：北京大学图灵班成员、未名超算队前队长，带队拿过 ASC 世界大学生超算竞赛全球第一和 SC23 全球第二；2025 年 4 月加入 DeepSeek 后深度参与 DeepGEMM 的底层 FP8 GEMM 优化、DeepEP V2 的专家并行通信重构，直到 2026 年 9 月独立负责并实现了 DeepSeek V4.1 的主 Attention 算子——head dim = 512 的 MQA attention，直接支撑了 V4.1 在小模型与高效推理场景下的性能跃升。
用 InfoQ 报道的话说，他是「亲手铸造 AI 引擎的人」。而在长文里，这个人给出的判断是：AI 已经成了算子大师，未来半年到一年，AI 自主评估调度方案、设计并实现端到端极致算子的能力，大概率追平甚至超越顶级人类工程师——包括他自己。
他的原话更进一步：「我当然希望自己不要被革命，但如果非被革命不可的话，我希望革我自己命的人是我自己。」
这篇文章值得认真对待，不是因为它感人，而是因为它恰好是「递归自我改进」（Recursive Self-Improvement，下称 RSI）这个酝酿了六十年的思想实验的第一份一线施工日志。飞轮的第一圈不是在论文的 future work 里转起来的，而是在一位算子工程师的辞职信式自白里现形的。
RSI：五十年前的思想实验，和一个朴素得多的现实版本
1965 年，统计学家 I. J. Good 写下了智能爆炸研究被引用最多的段落：超智能机器被定义为「能远远超越任何人类的智力活动机器」，而「设计机器是智力活动的一种，超智能机器本身就能设计出更好的机器；毫无疑问会有智能爆炸，人类的发明将到此为止」。
这个论证结构后来被反复形式化：Schmidhuber 2003 年的 Gödel Machine 设想一个能证明「改写自己哪一行代码有利」然后照做的自指系统；Bostrom 的《超级智能》把「递归自我改进」列为能力跃升的主要通道；Hanson 与 Yudkowsky 那场著名的 FOOM 之辩，争的也只是飞轮转得多快、会不会一晚上 FOOM 掉，而不是会不会转。
但无论哪个版本，大众想象里的 RSI 都长着同一张脸：AI 修改自己的源代码或权重。I in RSI 被默认为 introspection——自我审视、自我改写。
现实给出的 V1 版本要朴素得多，也狡猾得多：
AI 不必修改自己，只要参与制造更快的自己。
大模型能力的迭代速度，本质上由「单位时间能跑多少实验」决定；而实验效率由训练与推理吞吐决定；吞吐由算子、通信库、编译器和芯片决定。这一层基础设施的自动化完全不触碰权重，却直接改写了「算力换智能」的汇率。当 AI 接管这一层，递归就成立了——定义 RSI 的最小充分条件，从来不是自我意识，而是系统改进的产物反哺系统自身的改进速度，形成正反馈回路。
第一闭环：算子层的飞轮已经咬合
把刘胜与长文里那个「残酷的技术悖论」逐字拆开，你会发现它就是一台飞轮：
flowchart LR
A["更强的大模型"] --> B["写算子的 AI Agent"]
B --> C["更快的 kernel 与通信库"]
C --> D["更高效的训练与推理"]
D --> E["同等算力预算下更多的实验"]
E --> A
H["人类工程师：方案 / 边界 / 品味"] -. 驾驶与监督 .-> B
工程师把底层算子优化得越极致，模型的训练与推理就越高效；模型迭代越快，写算子的能力就越强；写算子的能力越强，工程师被替代的周期就越短。每个箭头单独拿出来都已经被验证过，只是过去没人把它们排成一个圈。
算子层 → 训推效率，这是刘胜与们的本职工作：DeepGEMM 把 FP8 GEMM 压到逼近硬件极限，DeepEP 把 MoE 的跨节点通信开销打下来，V4.1 的主 Attention 算子支撑了小模型的高效推理。DeepSeek 靠这一层构成了「严苛成本控制」的技术护城河。
训推效率 → 迭代速度，是所有实验室的常识：同样的 GPU 预算，吞吐提高 38% 等于凭空多出 38% 的实验次数。
模型 → 写算子，这是过去十八个月里补齐的最关键一环，证据已经足够连成一条时间线：
| 时间 | 系统 | 作用层 | 结果 |
|---|---|---|---|
| 2022 | AlphaTensor（DeepMind） | 算法 | 在 F₂ 域把 4×4 矩阵乘降至 47 次乘法，半个多世纪来首次改进 Strassen 算法 |
| 2023 | AlphaDev（DeepMind） | 汇编 / 基础库 | 发现更短的汇编级排序例程，并入 LLVM libc++ |
| 2024 | AlphaChip（DeepMind） | 芯片 | 强化学习做布局规划（floorplanning），进入 TPU 生产流程 |
| 2025 | AlphaEvolve（DeepMind） | 算子 / 调度 / 硬件 | Gemini 训练关键 matmul kernel 提速 23%，整体训练时间缩短约 1%；优化 Borg 调度回收约 0.7% 的 Google 全球算力；4×4 复矩阵乘 48 次乘法打破 Strassen 的 49 次记录 |
| 2025 | Darwin Gödel Machine（Sakana AI） | Agent 自身 | 自改代码脚手架，SWE-bench 通过率 20.0%→50.0% |
| 2025 | Kevin-32B（Cognition） | 算子 | 首个多轮 RL 专训的 CUDA kernel 生成模型，KernelBench 上正确率 56%→82% |
| 2025–2026 | NVIDIA × Cursor 多 Agent | 算子 | 三周自动优化 235 个面向 Blackwell B200 的 CUDA 算子，几何平均提速 38%，19% 任务超过 2 倍（据 InfoQ 报道） |
| 2026 | OpenAI Astra + Codex 造芯 | 芯片 / 编译栈 | 定制 AI 芯片（代号「墨西哥辣椒」）规模化生成算子与编译栈，数十位专家数月的工作压缩至 9 个月（据 InfoQ 报道） |
这张表里最值得逐字读的是 AlphaEvolve 那一行：一个 Gemini 驱动的进化式编码 Agent，优化了Gemini 自己训练时的关键矩阵乘 kernel。kernel 层面提速 23%，换算到 Gemini 整体训练时间约省 1%——在 Google 的算力规模上，1% 是一笔以「十万块 GPU」计的巨款被从飞轮里回收出来，反哺下一版模型。递归自我改进不需要任何新理论，它已经在报账了。
而 Kevin-32B 补上了方法论的另一半：不需要进化搜索的天才灵感，多轮强化学习就足以把「算子品味」训练进一个 32B 模型——正确率从 56% 提到 82%，超过它的基座模型。评论区里那位南京大学博导的冷幽默，说穿了同一件事：「我反正相信系统设计的品味是可以由 RL 有反馈信号的，就看什么时候大家摸清数据的构造和训练方法吧，那时候就真完犊子了。」
还有一个容易被忽略的细节：DeepSeek 自己在这台飞轮里身兼两职。DeepGEMM 与 DeepEP 全部开源，等于把算子层的公共知识变成全球 AI 的训练语料与 RL 环境。刘胜与在亲手给飞轮添煤——这也是他「革我自己命的人是我自己」这句话的另一半含义：不但不躲，还把柴火搬到了公共锅炉房。
为什么这一环比「AI 改权重」更早闭合
权重层的自我改进并非没有概念验证：Darwin Gödel Machine 已经证明 Agent 可以通过修改自己的代码获得真实提升。但它改的是「脚手架」——外层调度逻辑，不是「肌肉」本身。而算子层飞轮率先闭合，有三个结构性原因。
其一，奖励密度。 强化学习最缺的是可靠、稠密、可自动计算的 reward，而 kernel 恰好是人类已发明的最适合 RL 的环境之一：编译能不能过、数值对不对、跑得快不快，三个信号全部客观、全部自动化、全部以纳秒计分辨率。KernelBench 把 250 个 PyTorch 工作负载做成标准环境后，这条赛道就变成了 RL 的主场。相比之下，「修改自己的权重后会不会变得更好」至今缺乏可靠的离线评估。
其二，优化空间陡峭。 算子层挤满了「人类来不及手写」的改进：tiling 启发式、指令停顿、寄存器分配、共享内存调度。这些空间大到什么程度？AlphaEvolve 仅仅搜索 tiling 参数就在 Gemini 的关键 kernel 上白捡 23%。Strassen 1969 年的 49 次乘法记录保持了五十六年，2022 年先被搜索算法打破，2025 年又被打破一次——不是人类变聪明了，是搜索终于有了算力。
其三，杠杆位置。 算子是 AI 工业的机床：一个 kernel 的改进乘以训练量就是整场革命的加速比。Anthropic CEO 透露其内部约九成代码已由模型写出，代码层闭环接近完成；而算子层是代码层里杠杆率最高的一段。
当然，现实中的 RSI 是一台有摩擦的飞轮，不是 1965 年式的爆炸：数据墙（高质量人类文本见底）、算力墙（晶圆与电力）、验证墙（品味中尚不能被标量的部分）、人类审批带宽（关键决策仍需人签字）。METR 2025 年的实证测得更诚实的曲线：AI 能完成的任务时长以约每 7 个月翻倍的速度推进——是指数，不是奇点。但请注意，刘胜与给出的半年到一年的追平时间表，说明至少在算子这个工种上，摩擦系数比行业平均水平小得多。
飞轮里的人：从手艺人到「机甲驾驶员」
刘胜与对自己职业结局的判断精确得近乎冷酷：不至于是「失业」，但必须是「转业」。生产算子的范式变了——「机甲」是那些拥有超高代码吞吐、能自主分析指令停顿并批量刷性能的 AI Agent；人退后一步成为「驾驶员」，凭借对上层模型需求的理解、底层硬件物理特性的认知和全局系统工程的把控，给 Agent 下达指令、设定边界、评估方案。
代价写得也很诚实：「为了适应工业界的需求，我势必要放弃之前那个我热爱的方向……我的手中多了些齿轮，但心中少了些节拍。」手艺人亲手打磨代码的快感被剥离了。
从 RSI 的视角看，这个新角色的本质是：工程师没有被移出飞轮，而是被移到了飞轮当前的瓶颈位上——方案敲定与品味判断，也就是 AI 还不能自主标量的那部分。评论区里同行「葫芦」的印证则说明瓶颈位正在收窄：他正用 Codex 做国产芯片的 Attention 算子开发，「除了方案不能替我敲定之外，别的都可以帮助我完成，又快又好」。注意这句话的语法——「除了 X 之外」的 X，就是飞轮下一圈的施工图。南大博导说品味可以 RL 化，Kevin-32B 已经在算子小域里演示了可行性；瓶颈位的迁移路径，就是 RSI 的路线图。
真正的风险在人类侧：工程根基的坍塌
刘胜与长文里最锋利的部分，不是对自身职业的推演，而是把镜头转向了能力供给侧。
他描绘了当下教育与科研训练中最普遍的投机诱惑：一边是苦哈哈花八小时完成一个 Lab 还未必拿满分，一边是花几毛钱、几分钟让 AI 写出满分代码——大部分学生会选哪个？这种触手可及的捷径，正在抽空开发者的核心能力：代码组织、系统构建、前瞻性设计、抽象能力，这些原本要在无数次撞墙与 Debug 中磨炼出来的东西，正在失去它们的训练场。
他的警告值得原样引述：「一个工程能力很差的人，在搭配上 AI 后，产出屎山的效率可以达到先前的数倍，进而给系统埋下各式祸患，让这个世界变得更加草台。」
把这段话翻译回飞轮的语言：RSI 的最后一道减速器是人类监督带宽——能看懂方案、能设定边界、能在 Agent 给出错误答案时识别出来的工程师数量。而教育反馈环正在批量生产没有经过撞墙训练的下一代：AI 替学生写 Lab → 学生失去打磨核心能力的机会 → 十年后合格的驾驶员与审批人变少 → 飞轮的最后一只刹车被拆掉。
这是 RSI 风险最被低估的放大器：它不在模型侧，在人类能力侧。模型能力是飞轮的转速，人类监督是飞轮的护罩；转速在指数上升，护罩的产能却在断崖下跌——因为培养一个能监督 AI 的人，仍然需要那个「八小时苦哈哈」的过程，而这个过程正在被效率捷径抽空。
飞轮往哪转：2077、开源配重与主体性
长文的后半段从工种跳到了政治经济学。刘胜与之问：「在未来社会中，权力（power）是不是会比技术或智商更加重要？」他推演的两个极端值得放在 RSI 语境下重读：一端是生产力被极大解放的普惠世界；另一端是「赛博朋克 2077」——少数公司控制大部分资源，极少数人用上最强的 AI 获得接近「机械飞升」的效果，大部分人只能用很弱的 AI，「你得先有最强的 AI，才能跨越阶层，形成一种死循环」。
注意这个死循环的结构：**AI 能力决定阶层，阶层决定你能用哪个档次的 AI，你能用的 AI 档次又决定你下一代的能力起点。**这其实就是飞轮的社会学版本——递归不仅发生在算子与模型之间，也发生在使用权与能力之间。
他留在 DeepSeek 的理由由此清晰：「我们研究强大、快速、普惠的人工智能并将其开源，或许能把世界从 2077 那端拉回来一些。」翻译成飞轮的语言：开源是把飞轮的增量知识变成公共品的机制。DeepGEMM、DeepEP、V3 系列论文的开源，让算子层的改进无法被锁进任何单一公司的飞轮——递归加速照常发生，但递归产生的杠杆不再自动归零和垄断。在一个飞轮必然越转越快的世界里，「谁能踩到飞轮」的分布，比飞轮本身的速度更值得争取。
至于个体，长文发布后热评第一的读者自嘲代表了大多数人的心境：「那我们现在岂不是 49 年入国军。」而当有人怀疑这篇文风流畅的文章出自大模型 Prompt 时，刘胜与只回了六个字：「这是我手写的。」在一个合成文本泛滥、Agent 批量刷性能的时代，坚持手写与独立思考，是人对飞轮做的最后一次人工减速——不是为了阻止它，而是为了配得上继续监督它。
结语：机床开始生产机床之后
算子是 AI 工业的机床。2025 年 AlphaEvolve 优化 Gemini 训练 kernel 的那一刻，机床已经开工生产更快的机床；2026 年，一位亲手锻造机床的顶级工匠公开给出了自己工种的退役时间表，并选择继续锻造——因为「革我自己命的人是我自己」。
递归自我改进用五十年从思想实验走到了报账单，如今又走进了某一个人的职业选择里。它不需要科幻修辞，它的证据链是 23% 的 kernel 提速、82% 的正确率和一个「除了方案不能替我敲定」的评论区。
对这篇文章的读者——多半也是工程师——刘胜与的长文其实给出了一份操作手册而不是讣告：参与飞轮而不是旁观它（他开源了 DeepGEMM）；占住当前瓶颈位并清楚它终将迁移（他转业做机甲驾驶员）；把增量知识变成公共品而不是私藏（他把 DeepSeek 的理由说成把世界从 2077 那端拉回来）。
飞轮的第一圈已经转完。真正的问题从来不是它会不会转得更快，而是转速产生的杠杆最终由谁握住——以及，握杠杆的手，还有没有经过那八小时的撞墙训练。
参考信源
- InfoQ 微信公众号对刘胜与长文的报道（2026-09，本文截图来源），含 OpenAI「墨西哥辣椒」芯片与 NVIDIA × Cursor 算子实验的转述
- 刘胜与个人主页（shengyuliu@deepseek.com）及其长文自述
- AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms（DeepMind, 2025）
- The Darwin Gödel Machine: AI that improves itself by rewriting its own code（Sakana AI, 2025），论文 arXiv:2505.22954
- Kevin-32B: Multi-Turn RL for Generating CUDA Kernels（Cognition, 2025），论文 arXiv:2507.11948
- KernelBench: Can LLMs Generate GPU Kernels?（Stanford Scaling Intelligence）
- AlphaTensor（Nature, 2022）与 AlphaDev（Nature, 2023）
- AlphaChip: Accelerating chip design with reinforcement learning（DeepMind, 2024）
- I. J. Good, Speculations Concerning the First Ultraintelligent Machine（1965）；J. Schmidhuber, Gödel Machines（2003）
- METR: Measuring AI Ability to Complete Long Tasks（2025）
读者留言
COMMENTS 暂无还没有留言，来说第一句？