編輯｜Panda、澤南
前兩天，Node.js 之父 Ryan Dahl 在 X 上斷言：「人類編寫代碼的時代已經(jīng)結(jié)束了論文?！乖撎l(fā)廣泛討論，瀏覽量更是已經(jīng)超過了 700 萬。而現(xiàn)在，我們迎來了一個對這一判斷的有力證明。
剛剛，英偉達杰出工程師許冰（Bing Xu）在 GitHub 上開源了一個新項目 VibeTensor，讓我們看到了 AI 在編程方面的強大實力論文。
從名字也能看出來，這是 Vibe Coding 的成果論文。事實也確實如此，這位谷歌學(xué)術(shù)引用量超 20 萬的工程師在 X 上表示：「這是第一個完全由 AI 智能體生成的深度學(xué)習(xí)系統(tǒng)，沒有一行人類編寫的代碼。」
展開全文
更具體來說，VibeTensor 是一個可運行的深度學(xué)習(xí)系統(tǒng)，配備了 RCU 風(fēng)格的調(diào)度器、緩存分配器和反向模式自動微分器論文。該智能體還發(fā)明了一種 Fabric 張量系統(tǒng) —— 這是目前任何框架中都不存在的新東西。
很明顯論文，許冰分享的這張項目架構(gòu)圖也是 AI 生成的
其 Vibe Kernel 包含 13 種不同類型、總計約 4.7 萬行代碼的自動生成內(nèi)核，這些內(nèi)核使用 Triton 和 CuteDSL 編寫，并且具有很強的性能表現(xiàn)論文。
許冰表示，VibeTensor 由英偉達的第四代智能體生成論文。但它也呈現(xiàn)出了一種「弗蘭肯斯坦效應(yīng)（Frankenstein Effect）」：系統(tǒng)本身是正確的，但某些關(guān)鍵路徑的設(shè)計效率低下。因此，其性能無法與 PyTorch 相媲美。
更重要的是，許冰強調(diào)：「自 2025 年夏天以來，我一行代碼都沒寫過論文?！顾f這項工作是他看過 Andrej Kaparthy 的播客之后開始的。「我當(dāng)時并不認同他的觀點，所以我和 Terry Chen（英偉達首席工程師）開始用它來測試我們的智能體的能力。弗蘭肯斯坦效應(yīng)最終暴露了我們智能體的一些局限性 —— 但方向很明確。」
該項目在 X 上引起了不少關(guān)注，許冰的幾位著名英偉達同事（也被列為參與者）也有分享點評論文。
比如陳天奇表示：VibeTensor 很有意思，它表明 AI 智能體能夠構(gòu)建深度學(xué)習(xí)框架這樣復(fù)雜的東西論文?！干傻拇a還有一些需要改進的地方，但它能夠做到這一點本身就非常有趣?！?/p>
賈揚清的評價則更高，他表示該項目的出現(xiàn)罕見地驗證了一個根本性問題：AI 能否編寫復(fù)雜的系統(tǒng)代碼？而該項目給出的答案是「能，但是……（仍有問題）」論文。他說 AI 正以驚人的速度前進，「如果我們能掌握更多正確的原則，AI 終將完全超越人類程序員。這就像 2015 年 1 月的 AlphaGo?！?/p>
目前，許冰已經(jīng)在 GitHub 上 NVlabs 帳號下發(fā)布了 VibeTensor 的相關(guān)內(nèi)容，其中也包含一篇論文論文。
論文標(biāo)題：VibeTensor: System Software for Deep Learning, Fully Generated by AI Agents
論文地址論文：
項目鏈接論文：
有意思的是，當(dāng)我們初看這篇論文時，我們發(fā)現(xiàn)論文中有一些 AI 生成的內(nèi)容論文。于是我們詢問了許冰本人，而他給出的答案讓我們非常震驚：這篇論文竟也是 100% 由 AI 撰寫的！
許冰的回復(fù)
下面我們就來詳細看看這個 AI 編寫的項目究竟是什么論文。
VibeTensor論文：全球首個完全由 AI 智能體生成的全棧系統(tǒng)
VibeTensor 可不僅僅是又一個深度學(xué)習(xí)庫論文。它是全球首個完全由 AI 智能體生成的全棧系統(tǒng)。從 Python/Node.js 的上層綁定，到 C++ 核心調(diào)度器，再到最底層的 CUDA 內(nèi)存管理，每一行代碼的增刪改查、每一次 Bug 的修復(fù)、每一輪構(gòu)建驗證，全部由英偉達第四代智能體（Agent）獨立完成。
而人類的作用是提供了高層級的需求指導(dǎo)，然后像監(jiān)工一樣看著 AI 智能體在兩個月內(nèi)瘋狂輸出論文。下面就來拆解一下這個氛圍編程版的 PyTorch：VibeTensor。
首先，性能上雖然 VibeTensor 目前還無法與 PyTorch 這種經(jīng)過多年磨礪的框架抗衡（根據(jù)論文測試，部分場景慢了約 1.7 到 6.2 倍），但作為一個功能完整的技術(shù)原型，其設(shè)計的完整度令人吃驚論文。
根據(jù)論文描述，VibeTensor 并不是一個簡單的包裝庫，它擁有極其硬核的底層架構(gòu)論文。
核心運行時的「暴力美學(xué)」
VibeTensor 的 C++20 核心并非簡單的庫調(diào)用論文。它實現(xiàn)了一個完整的 TensorImpl 架構(gòu)，作為參考計數(shù)的 Storage 之上的視圖。令人驚訝的是，AI 賦予了它支持非連續(xù)視圖（Non-contiguous views）和 as_strided 語義的能力，并引入了原子版本計數(shù)器來確保原地（In-place）操作的安全性。
在算子調(diào)度層面，AI 構(gòu)建了一個 schema-lite 調(diào)度器，能夠?qū)?vt::add 這樣的操作名精準(zhǔn)映射到 CPU 或 CUDA 的內(nèi)核實現(xiàn)上論文。這種設(shè)計支持鎖定（Boxed）和非鎖定（Unboxed）調(diào)用路徑，并通過不可變的快照狀態(tài)（Snapshot states）實現(xiàn)了穩(wěn)態(tài)下的無鎖調(diào)用，極大地壓低了調(diào)度開銷。
獨創(chuàng)的 Fabric 張量系統(tǒng)論文：不屬于任何現(xiàn)有框架
在 VibeTensor 的所有組件中，最令人振奮的莫過于名為 Fabric 的實驗性子系統(tǒng)論文。這是目前市面上任何主流深度學(xué)習(xí)框架（如 PyTorch 或 TensorFlow）中都不曾以這種形式存在的概念。
Fabric 本質(zhì)上是一個顯式的多設(shè)備抽象層論文。它的核心使命是打破單卡運行時的限制，直接接管硬件拓撲的自動發(fā)現(xiàn)過程。根據(jù)論文描述，F(xiàn)abric 能夠主動識別 CUDA P2P（點對點）和 UVA（統(tǒng)一虛擬地址）支持情況。
不同于傳統(tǒng)框架將多卡通信隱藏在復(fù)雜的分布式 API 后，F(xiàn)abric 提供了一套透明的可觀測原語，允許研究者直接控制內(nèi)存的放置與同步策略論文。
在 VibeTensor 的 Blackwell 評估中，AI 甚至基于 Fabric 構(gòu)建了一個可選的環(huán)形全歸約（Ring-allreduce）插件論文。這種插件直接綁定了 CUTLASS 的實驗性內(nèi)核，完全繞過了 NCCL。這意味著 AI 已經(jīng)開始嘗試從底層通信協(xié)議層面，去重構(gòu)大規(guī)模分布式訓(xùn)練的邏輯。
異步優(yōu)先的「Node.js + Python」雙前端
在用戶界面上，AI 并沒有止步于復(fù)刻一個 PyTorch論文。它不僅利用 nanobind 打造了一個高度兼容的 Python 覆蓋層（vibetensor.torch），還開創(chuàng)性地引入了一個基于 Node-API 的 Node.js 插件。
這個 JavaScript/TypeScript 界面采用了純粹的「異步優(yōu)先」設(shè)計論文。所有的重負載任務(wù)都被調(diào)度至 napi_async_work 以避免阻塞 Node 事件循環(huán)，并通過一個全局在途任務(wù)上限（VBT_NODE_MAX_INFLIGHT_OPS）來精細控制排隊壓力。這種橫跨數(shù)據(jù)科學(xué)（Python）與后端工程（Node.js）的選型，體現(xiàn)了 AI 智能體在處理異構(gòu)開發(fā)環(huán)境時的靈活性。
AI 內(nèi)核套件論文：從算子到顯存的全自動進化
在最底層的算子實現(xiàn)上，VibeTensor 附帶了一個由 AI 生成的龐大內(nèi)核套件論文。這里包含了 200 多個源文件，涵蓋了從基礎(chǔ)的 LayerNorm 到復(fù)雜的 Fused Attention 等各類算子。
這些內(nèi)核利用了 Triton 和英偉達自家的 CuTeDSL 編寫論文。
值得注意的是，AI 生成的內(nèi)核并非只是「能用」，在 H100 的實測中，其生成的 Fused Attention 內(nèi)核在特定形狀下，前向計算比 PyTorch 的原生 FlashAttention 快了 1.54 倍，后向計算快了 1.26 倍論文。盡管這只是孤立算子的表現(xiàn)，但它證明了 AI 在掌握硬件特性（如 Hopper 架構(gòu)的 TMA 或 Tensor Cores）方面的巨大潛力。
弗蘭肯斯坦效應(yīng)：AI 編程的隱形墻
盡管 VibeTensor 能夠跑通復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，但許冰和團隊在論文中誠實地提出了一個引人深思的概念：「弗蘭肯斯坦效應(yīng)（Frankenstein Effect）」論文。
這是 AI 智能體在構(gòu)建復(fù)雜系統(tǒng)時暴露出的核心局限性論文。簡單來說，AI 能夠確保每一個局部子系統(tǒng)（如調(diào)度器、分配器、算子）在邏輯上是正確的，且能通過單元測試。但當(dāng)這些局部組件拼湊成一個龐大的全局系統(tǒng)時，它們之間會產(chǎn)生意想不到的「摩擦」，形成性能瓶頸。
例如，AI 為了確保多線程環(huán)境下的安全性，在 Autograd 引擎中設(shè)計了一個非重入的全局互斥鎖論文。這個設(shè)計從局部看非常穩(wěn)健、安全，但在全局運行時卻成了「扼殺」并行性能的元兇，導(dǎo)致原本高效的顯卡內(nèi)核因數(shù)據(jù)等待而頻繁空轉(zhuǎn)。這種「正確但低效」的代碼，正是目前智能體在系統(tǒng)級架構(gòu)設(shè)計上的天花板。
AI 輔助的開發(fā)方法
VibeTensor 的誕生并非源于一次簡單的提示詞工程，而是一場長達兩個月的、由高層級人類指令驅(qū)動的 Agent 自主演化過程論文。許冰也讓 AI 在論文中用一個章節(jié)專門總結(jié)了「AI 輔助的開發(fā)方法」。
1. 徹底的「黑盒」工作流
在這場實驗中，人類的角色從「程序員」徹底轉(zhuǎn)變?yōu)椤副O(jiān)工」與「策略制定者」論文。許冰及其團隊并沒有進行任何代碼層面的 Diff Review（差異審查），也沒有手動運行過任何驗證命令。
相反論文，開發(fā)流程被簡化為一個持續(xù)循環(huán)的閉環(huán)：
目標(biāo)設(shè)定： 人類指定一個作用域明確的目標(biāo)和必須遵守的約束條件論文。
代碼生成： AI 智能體自主提議代碼更改，并以 Diff 的形式應(yīng)用到倉庫中論文。
工具校驗： Agent 會自動調(diào)用編譯器、測試框架和差異檢查工具論文。
多智能體評審： 為了彌補單體 AI 可能存在的盲點，團隊引入了多 Agent 協(xié)作評審機制，用于捕捉缺失的邊界情況、冗余的抽象或是潛在的安全隱患論文。
2. 測試驅(qū)動的「硬核」規(guī)范
在 Agent 驅(qū)動的開發(fā)中，測試不再是錦上添花，而是唯一的「真理來源」論文。VibeTensor 的每一行代碼都必須經(jīng)過 C++（CTest）和 Python（pytest）雙重測試套件的洗禮。
更具創(chuàng)新性的是，AI 智能體還利用 PyTorch 作為一個「參考原件」，建立了一套自動化的 API 對齊檢查器論文。當(dāng) AI 編寫的算子出現(xiàn)數(shù)值偏差或內(nèi)存泄漏時，Agent 會自主分析報錯日志，添加一個最小化的回歸測試用例，并重新進入修復(fù)循環(huán)。這種「測試即規(guī)格說明」的模式，確保了即使在缺乏人工干預(yù)的情況下，生成的 16 萬行代碼依然保持了極高的邏輯一致性。
3. 跨層級調(diào)試的挑戰(zhàn)
論文揭示了一個有趣的現(xiàn)象：AI 在處理「單次正確」的任務(wù)時表現(xiàn)卓越，但在處理系統(tǒng)的「組合穩(wěn)定性」時卻面臨巨大挑戰(zhàn)論文。例如，在 Fused Attention 算子的移植過程中，Agent 經(jīng)歷了多次挫?。簭淖畛醯膮?shù)超限、顯存對齊錯誤，到運行數(shù)千次后才暴露出的緩沖區(qū)初始化隱患。
這種跨越 C++ 運行時、CUDA 驅(qū)動程序和 Python 封裝層的多級調(diào)試能力，正是此次英偉達第四代智能體展示出的最核心競爭力論文。它證明了 Agent 已經(jīng)能夠理解復(fù)雜的內(nèi)存語義和硬件約束，而不僅僅是模仿代碼片段。
AI 工程師的「AlphaGo 時刻」論文？
VibeTensor 的出現(xiàn)并非為了取代 PyTorch，而是一場關(guān)于「生成式軟件工程」的宏大實驗論文。
正如前文所述，許冰提到這項工作的靈感源于 Andrej Karpathy 的播客論文。當(dāng)時他并不完全認同 Karpathy 關(guān)于「AI 編程」的某些激進觀點，于是決定和首席工程師 Terry Chen 一起，用最硬核的系統(tǒng)開發(fā)來測試智能體的極限。
現(xiàn)在，方向已經(jīng)明確論文。雖然「弗蘭肯斯坦效應(yīng)」依然存在，但 VibeTensor 的誕生標(biāo)志著一個新時代的開啟：未來的系統(tǒng)軟件可能不再是工程師逐行敲出來的，而是由人類定義需求、由 AI 在「氛圍」中生成出來的。
參考鏈接
