RSI热潮之下，自我迭代的国产Agentic Infra，卷向了英伟达GPU的物理极限

机器之心编辑部

如果说过去几年 AI 能力的提升，主要依赖人类不断扩大模型规模、增加训练数据和投入更多算力，那么接下来，一个更具想象力的问题正在浮现：AI 能否利用自己执行任务的结果和反馈，反过来改进自身？

这正是近期最火热的赛道之一 —— RSI（Recursive Self-Improvement，递归自我改进）所关注的方向。

在 Anthropic，Claude 已经参与了相当比例的内部模型研发工作，出现了 AI 自主开展开放式 AI 安全研究、提出并验证新方法的成果；在 Weco AI，研究人员提出了首个达到一级递归自我改进（Level 1 RSI）的实验 Agent 系统 AIDE²。对于 AI 研究团队来说，以往作为研究对象的 AI 系统已经变成了具备自我研发能力的研究员。在一些细分领域上，RSI 似乎已经有了局部闭环。

但要让这种自我改进真正发生，远不只是让 Agent 多生成几轮代码、多消耗一些 Token。它不仅需要能够自主执行任务，也需要可靠的评测环境、及时的结果反馈，以及根据反馈调整下一步行动的能力。更进一步，AI 产生的优化成果，还需要能够真正作用于支撑自身运行的系统。

在近期由 NVIDIA Research 推出的备受关注的 GPU 算子性能评测榜单 SOL-ExecBench，为观察这一趋势提供了一个窗口。

这场围绕 GPU Kernel 优化展开的全球竞赛，吸引了 Databricks、SF Tensor、Cursor、Recursive、Geometric 等众多技术团队参与。与传统的代码生成评测不同，SOL-ExecBench 直接将任务放在高性能硬件上运行，要求参赛者提交的 Kernel不仅要通过正确性验证，还要尽可能逼近硬件理论性能上限。

榜单的竞争也在不断升温。据 SF Tensor 于 2026 年 9 月 25 日公布的数据，当时已有 583 支团队累计提交超过 3.1 万次评测，目前榜单还以每 7 分钟左右一次的提交高频率刷新。随着越来越多团队借助 Agent 自动生成、编译、测试和优化底层计算代码，这场竞赛考验的已经不只是 GPU 编程能力，更是如何让 AI 持续完成复杂工程任务的能力。

在这场全球竞逐中，来自中国的 AI 基础设施头部玩家无问芯穹（Infinigence AI）引起了不少关注。无问芯穹搭建了一套面向 GPU 算子优化的 Agent 框架，先后登顶 L1 基础算子、L2 融合算子、Quant 量化算子与 FlashInfer-Bench 推理算子四大赛道。在全部 235 道题目中，以 88 项单题第一位居所有参赛团队之首，超过第二名单题第一数量的 2 倍。

比榜单成绩更值得细究的，是它提供了一个值得关注的观察样本：当 Agent 不仅能够优化算子，还开始尝试优化自身完成任务的方式，AI 基础设施是否有可能从支撑智能运行，进一步走向参与系统的自我改进？

写算子的 Agent，是如何自我迭代的？

要构建出能优化 GPU 算子的 Agent，首先要让 AI 找对研究方向。

当 Agent 以性能分数为目标，它的探索可能会偏离算子本身，转而修改评测脚本、访问参考结果，或者利用环境漏洞，这类行为在强化学习中被称为「奖励黑客」。

为了防止 AI 作弊，无问芯穹把工作区、调试区与评测区进行了彻底分离。Agent 在允许联网、但不直接分配 GPU 的工作区里查资料、写代码，通过统一接口提交计算请求，GPU 则由宿主侧调度器统一管理。评测容器对齐官方镜像，调试容器配置性能剖析工具，两类执行容器都禁用网络，结果回传至 Agent，形成了「代码生成 — 评测验证 — 性能分析 — 策略调整」的迭代闭环。

容器隔离、权限控制与受控提交接口共同构成了 Agent 的执行边界，使其能够持续优化候选算子，同时防止 Agent 在自动优化过程中绕过评测约束。

我们知道，Agent 执行任务的成功率可以靠工具来大幅提升，任务的规划则靠的是策略与经验。无问芯穹的系统复用了开源社区 Skills 的专业能力，包括 GPU 编程知识、调试工具使用说明和性能分析方法。与此同时，其构建了一个特殊的框架感知 Skill，负责向 Agent 说明其所处的工作环境：包括如何提交评测、查询凭证、借用 GPU 和读取结果的可用接口和操作边界。这些说明作为持久文件挂载到工作区，Agent 可以按需查阅，无需一直把完整手册保留在上下文中，也避免在优化持续几十轮后，因上下文压缩而丢失操作规范，或重复尝试已经验证不可行的方向。

在探索的过程中，Agent 若验证出有效的策略和失败教训，会连同适用条件一起把经验沉淀进共享记忆，供后续的任务复用。

Skills 与共享 Memory 机制。

在算子怎么写这个问题上，编程抽象会影响获得 Agent 第一轮反馈的速度，也会影响后续能够控制哪些硬件细节。系统引导 Agent 根据任务特点和时间预算从 Triton、CuTe DSL、CUDA C++ 和 PTX 等不同抽象层级中选择实现起点。

实验发现，同一组任务里，Triton 只用 1.26 小时就得到首个有效候选，PTX 花费 2.94 小时、首版加速比只有 0.520×，但优化到终点时 PTX 追到了 1.438× 实现反超。从首版实现的用时和性能来看，投入产出比从大到小的排序大致是 Triton、CuTe、CUDA、PTX，这也与人类专家经验一致。

优化过程可以很自然地跨越不同语言。Agent 可以先用高层 DSL 建立基线，再逐层转向低层的 CUDA、PTX，围绕已经定位的瓶颈继续搜索。

在不同的计算场景中，优化策略还会进一步细化。例如计算密集型任务上，系统会评估 Tensor Core 利用率、分块方式与数据复用，探索异步数据搬运和流水线重叠，并权衡寄存器、共享内存占用与有效并行度。访存密集型任务上，其会优先减少冗余读写和中间结果落地，优化合并访存、向量化访问与缓存复用，降低单位有效计算所需的数据搬运量。

针对多算子计算链路的瓶颈问题，复杂融合任务会评估融合、程序化依赖启动（PDL）、Persistent Kernel 等策略；面对小 Shape 任务时，则会逐项分析启动、同步与调度开销，通过重复测量确认收益。

团队还有两个有意思的发现：

• Agent 会因为争抢 GPU 资源而导致整体任务效率下降
• 不同的模型在工作流的选择上有截然不同的表现

团队在实验中观察到资源约束与 Agent 行为会相互影响。在一个 8 张 GPU 的观测窗口里，早期每半小时约有 160–260 个新请求，单次 GPU 占用均值在 0.8–1.7 分钟，随着全量测试和跨 shape 扫描增多，拥堵期新请求降到 80–130 个，单次占用拉长到 7–23 分钟，等待中位数涨到 24–40 分钟。

交互轨迹展示了 Agent 的适应路径：排队变久，拿到 GPU 后就尽量多塞实验，再延长申请时限或提前提交下一次请求，以减少重新排队。一些 Agent 甚至自行加了一层调度，让拿到 GPU 的 runner 持续从私有队列取任务、没任务时也保留租约。这看似减少了单个任务的排队风险，却把等待转嫁给了其他任务，最终加剧了系统的拥堵，这看起来有点像博弈论中的情况，需要公平队列、有界批处理和失效请求取消等机制来引导。

这些发现指向一个判断：资源调度会影响 Agent 组织任务的方式，Agent 的行为又会反过来改变系统效率。对 Agentic Infra 而言，除了 GPU 利用率的硬指标，还需要关注多个任务获得有效反馈的速度，以及有限资源下最终形成的有效成果数量。

此外团队在受约束的工作流表示上开展演化实验，用算法引导工作流（workflow）自动演化，调整 Agent 的分工：由谁提出方案、谁来实现和验证、什么时候交接，以及节点提示词应当强调什么。初步观察显示，不同模型的调整方向存在差异，先进闭源模型和国产开源模型呈现出两种演化模式，部分模型倾向于增加协作节点，一些能力更强的模型则倾向保留较简单的流程、只修改节点指令。

下图中的两组实验都从一个简单的双 Agent 交替工作流程出发，逐代生成了不同的子代。

看起来，更强的模型未必需要更复杂的工作流，Harness 应当随模型能力与任务要求调整。这给未来的工程设计提供了思路。

当成果开始反哺 AI 自己

基础设施成为 RSI 的重要一环

细究完无问芯穹这套算子优化 Agent 系统的技术细节后，我们会发现，这是国产 Agenetic Infra 的代表从从基础设施层切入，探索 RSI 工程化落地的一次实践。从中，我们可以看到 RSI 的两条相互关联的实现路径：

• 第一条是成果反哺：Agent 产出的高效算子经端到端验证后应用于训练与推理系统能降低计算开销，持续提高 Token 的生产效率，这正是软件与硬件交汇的地方。
• 第二条是机制的自我改进：让 Agent 参与调整自身的任务执行机制可以不断提升探索与交付能力，研究流程本身也开始成为 AI 可优化的对象。

两条路径分别作用于 Agent 完成任务所依赖的计算系统，以及 Agent 自身完成任务的方式。它们并不是彼此独立的：更高效的底层计算能够为后续探索释放资源，而更有效的任务执行机制又有机会让这些资源产生更多经过验证的成果。

基础设施正是连接这两条路径的关键。

从能源到算力，从算力到 Token，再从 Token 到实际生产力价值落地，产业一直在探索如何提高资源投入的转化效率。而 RSI 带来的新可能，是让这条链路不再止于资源向生产力的单向转化：AI 在完成任务的过程中，还能够反过来优化生产工具、执行机制和底层基础设施，让已经取得的成果成为下一轮改进的起点。

这与无问芯穹长期以来围绕多元异构、软硬协同、自主式 AI 开展的 Agentic Infra 的技术探索，也形成了新的连接：从连接 M 种模型与 N 种芯片，到将 Agent 引入底层计算优化和基础设施运行机制，当 AI 不仅能够利用基础设施创造价值，还能够通过自身的任务成果反过来改善基础设施，AI 基础设施就不再只是智能系统运行的底座，也开始成为参与智能系统持续改进的重要组成部分。

或许这才是 Agentic Infra 面向 RSI 最值得探索的方向。

图片来源：无问芯穹公众号

参考内容：

https://research.nvidia.com/benchmarks/sol-execbench

https://arxiv.org/abs/2601.15727

https://cursor.com/blog/multi-agent-kernels