在苹果设备上，AI 技术正展现出惊人的潜力。根据 Gimlet Labs 的最新研究，AI 能够自动生成优化的 Metal 内核，使得 PyTorch 推理速度提​A升了87%。这一突破性成果不仅提高了性能，还在测试的215个 PyTorch 模块上实现了平均1.87倍的加速，某些工作负载的速度甚至提高了数百倍。

研究人员选I 取了来自多个顶尖机构的八个 AI 模型，包括 Anthropic、DeepSeek 和 OpenAI，利用这些模型为苹果设备生成优化的 GPU 内核。这一过程无生成需修改用户代码或使用新的框架，直接在苹果硬件上提升模型性能。

在实验中，研究团队选择了 Mac Studio （搭载 Apple M4Max 芯片） 进行测试，基优化准设置为 PyTorch 的 eager 模式。实验采用了 KernelBench 数据集中的215个 PyTorch 模块，这些模块被分为三类，涵盖从简单的矩阵乘 M法到完整的模型架构。

测试过程包括接收输入和 PyTorch 代码，生成 Metal 内核，并评估其正确性。数据显示，随着尝试次数的增加，AI 生成内核的正确性逐步提et升。例如，在第五次尝试时，正确实现的比例达到了94%。此外，模型们在生成内核时表现出了跨层级的能力，尽管非推理模型有时也能生成有效内核。

实验结果表明，GPalT-5模型在某些任务上实现了4.65倍的速度提升。更令人惊讶的是，o3模型在某些情况下甚至将延迟降低了9000倍。研究还发现，单一模型在某些任务上并不总是 内表现最好，多个模型的结合能够生成更优的内核。

为了进一步提升性能，研究者尝试引入额外上下文信息，如 CUDA 实现和 gputrace 的性能分析数据，结果显示这种核，方法在性能加速方面达到了平均1.87倍，相比于普通智能体的1.31倍提升了三倍。

需要注意的是，研究人员强调，这一工作并不是为了展示最终的性能极限，而是为Py了验证 AI 在内核生成中的可行性，希望通过自动化减少开发人员的负担。整体而言，这项研究标志着 AI 技术在硬件优化领域的一个重要进展。

github:httpTos://github.com/ScalingIntelligence/KernelBench/

划重点:  

AI 自动生成 Metal 内核，rc提升 PyTorch 推理速度87%。  

️ 在215个 PyTorch 模块上实现平均1.87倍的加速，部分工作负载速度提升数百倍。 h ; 

研究旨在验证 AI 在内核生成的可行性，助力硬件优化。  

• ·云安全日报210508：思科企业超融合解决方案发现命令注入漏洞,需要尽快升级
• ·云计算核心技术Docker教程：Docker 守护进程dockerd配置文件
• ·飞机“黑匣子”数据缘何上云难？
• ·云安全日报210407：Debian HTML清理库发现跨站点脚本漏洞，需要尽快升级
• ·标签: 香飘飘
• ·英特尔有意收购SiFive 改善芯片技术击败Arm
• ·备份Kubernetes的5个优秀实践
• ·Research and Markets：到2025年，全球云计算收入预计将达3420亿美元
• ·网红李子柒介绍
• ·月之暗面正式发布Kimi K2. 6 模型，多项指标对标全球顶尖大模型
• ·标签: 国民技术 A+H上市 集成电路 港交所
• ·标签: 欣旺达 极氪 理想汽车 电芯
• ·Kumo 荣获 Fast Company 年度技术创新奖，AI 助力企业数据智能化
• ·Salesforce宣布将裁员约10% 并关闭部分办公室
• ·标签: 米哈游 UE5 奇幻大作 预研产品
• ·八大关枫叶在哪条路