當前，中國正處于從「制造大國」向「智造強國」跨越的關鍵歷史節點，其中工業軟件（如 CAE 仿真、流體力學計算、電磁 EDA 等）是這一歷史轉折的核心橋梁。

從天氣預報、地震勘探，到電磁仿真、材料模擬……現代工業與前沿科研的每一次突破，都離不開規模龐大的高性能計算（HPC）軟件。

近年來，國產工業軟件在算法功能和物理建模上進展迅速，正在加速實現自主可控。然而，當這些軟件真正投入到航空航天、芯片設計、能源勘探等高精尖的一線場景時，往往會面臨一個核心瓶頸——性能不足，也就是「跑得慢」。

在這些工業軟件的底層，Stencil（模板計算）是最基礎、也是最消耗算力的計算模式。由于它極度消耗顯存帶寬，一旦代碼與硬件架構的適配不夠極致，再先進的 GPU 芯片也會陷入原地「干等」數據的性能荒。

過去，想讓這些軟件跑得更快，往往要靠少數高性能計算（HPC）專家逐個分析和調試，耗時數日到數周進行代碼手工精調，由此每人每年所能優化的軟件應用通常不超過 20 個——在龐大的國產工業軟件優化需求面前，這一速度難以跟上國產智造加速的腳步。

AI Agent 時代，這個長達數十年的工業軟件性能優化枷鎖，正在被一家中國大模型公司打破。

今天，面壁智能聯合 OpenBMB 開源社區正式發布并開源了全球首個 Stencil 優化「自動研究+自動部署」大閉環的 AI 系統——ForgeStencil，僅用 1 周時間就自動完成了 100+ 真實工業和科學計算軟件的重構優化，全程 0 人類專家介入。

這是面壁智能繼今年 5 月底發布全球首個完全由 AI 編寫的大模型預訓練框架 ForgeTrain（訓練速度比英偉達 Megatron 快 10%）后，基于 Forge Engineering（鍛造工程）軟件工程新范式研發的又一重磅技術成果，也是面壁智能在 AI 智能自主進化方向布局的最新力作。

在整個過程中，人類只需要提供待優化的應用源碼，后續全流程由 ForgeStencil 接手——從自動分析真實應用、定位熱點函數、鍛造 Kernel，到完成算子替換、正確性驗證與集成回原應用，全程沒有人類專家介入任何一步優化決策，首次實現了從「提出優化想法」到「應用無縫部署」的全自動閉環。

ForgeStencil 不僅證明了通過 AI 重構代碼路線、無需追加硬件投資即可成倍榨干既有物理性能的可能，更深刻切中了當前中國制造業升級的核心訴求：用算力平替人力，為國產工業軟件按下自演化的加速鍵。

ForgeStencil現已開源

歡迎掃碼查看

雙 Agent 驅動：

0 人工介入，全球首個

ForgeStencil 要優化的 Stencil，究竟是什么？

Stencil（模塊計算）是工業軟件與科學計算中分布最廣、最基礎的核心計算模式之一，其核心是對規則網格上每個點及其固定鄰域執行相同局部運算。

無論是大氣動力學、地震波場傳播、電磁場演化，還是流體力學與相場模擬，其底層的計算都可以歸納為同一種操作：用網格點鄰居的加權組合，反復更新整個網格——即 Stencil 計算。這類計算訪存密集、受內存帶寬主導，往往占據整個應用的大部分運行時間。

在 Stencil 的計算中，最大的挑戰是數據量太大：程序需要反復讀取和寫入海量數據，路線一旦設計不合理，GPU 就得原地干等。一個底層步驟慢下來，整個應用都會被拖慢。它也因此成為許多工業與科學計算軟件的性能瓶頸。

過去，讓 Stencil 跑出硬件極限速度，通常是少數高性能計算（HPC）專家的硬功夫。他們既要看懂算法和應用，又要根據數據規模和 GPU 調整代碼。換一個應用，甚至換一款芯片，原有方案都可能需要重做。面對數量龐大的工業與科學計算軟件優化需求，這種逐個依賴專家優化的方式很難規模化。

ForgeStencil 的出現，打破了這一困局。

ForgeStencil 系統由 Kernel Agent 與 App Agent 組成，二者結合完成了從算子優化到應用部署的完整閉環，超越了以往所有自動調優工具。其中：

Kernel Agent 專注于底層算子編寫優化，使其無限逼近硬件物理極限。

它會針對不同類型的 Stencil、不同的網格形狀和計算精度，自動生成大量候選 Kernel，嘗試各種數據讀取方式、線程調度策略和計算結構，再通過編譯、運行和性能反饋，一輪輪篩出最快的算子。

在算子測試中，ForgeStencil 與目前市面上開源的最優算法（包括 Halide、Devito、EBISU、DRStencil、FlashFFTStencil 等知名框架）在同等硬件下進行對比測試，展示了強勁的技術優勢：

? 同精度（fp32）對比下，獲得了幾何平均 2.35× 的加速比；

? 混合精度（fp16）讀寫時，又拿下了額外的 1.95× 提速；

? 即便在業界公認最難的「變系數 Stencil」全部 Shape 上，相比最優基線仍取得幾何平均下 1.34× 的加速。

然而，一個底層算子跑得快，并不等于整個龐大的工業軟件能直接變快。在真實的科研和工業生產代碼中，Stencil 循環的代碼往往寫得非常復雜，常常與多物理場耦合項混寫，精度和數據格式也無法直接套用現成的標準算子庫。如果直接從現成算子庫里選個包塞進去，軟件必然會報錯或無法編譯。

App Agent 負責工程部署，要解決的正是從算子快到應用快的關鍵一環。

App Agent 的做法是為每個應用單獨鍛造方案：定位性能熱點、建立應用自身的 GPU 基線、鍛造候選優化、用程序自帶的校驗與計時驗證、再集成回原應用。

在框架級，App Agent 尋找算子融合的機會，并把待優化的 Stencil 算子提取出來。Kernel Agent 則負責優化具體的算子，其在之前建立的算子矩陣被作為后續開發的知識庫。最終，App Agent 會使用應用自帶的測例做端到端評測，以確保優化面向真實場景。

Kernel Agent 與 App Agent 緊密協同，讓 ForgeStencil 成功完成了從「自動生成代碼」向「自動研究優化」、從「局部算子提速」向「真實應用部署」的智能進化，實現全程 0 人工介入。

1 周優化 100+ 真實應用

超越人類專家

在雙 Agent 閉環驅動下，ForgeStencil 將單個真實工業軟件與科學計算應用的優化從數天、數周壓縮到了小時級內。

據統計，ForgeStencil 在一周內完成了100+ 真實工業與科學計算應用的自動優化，全程 0 人工介入，研發吞吐提升了 1-2 個數量級，研發效率遠超人類專家。

（ForgeStencil 性能效率表）

此外，與人類專家優化相比，AI 優化還有另一個技術優勢，即：

人類專家的經驗都在自己腦子里，很難共享給別人；但 ForgeStencil 有大量并行的 Agent 共享知識庫，經驗可以實時共享，可以實現智能的集體同步進化。

在 HPC 的世界中，所有的軟件研發范式迭代都必須接受真實工業場景和真實生產代碼的嚴苛檢驗。ForgeStencil 自動優化的 100+ 個軟件中，約 42% 直接對應真實的實體工業生產場景。

為了更直觀地體現 ForgeStencil 對現代工業制造升級的助力，我們深度剖析了其中兩個最具代表性、技術壁壘極高的國產化重器場景：

hypre（加速 3.86×）

攻克通用 CAE 軟件的數學心臟

在航空航天、汽車制造和高端裝備的研發中，CAE（計算機輔助工程）軟件是絕對的核心。無論是計算飛機的機翼受力，還是汽車碰撞時的金屬形變，其底層數學本質都是在求解龐大的偏微分方程組。

由美國勞倫斯利弗莫爾國家實驗室（LLNL）主導研發的 hypre，是全球工業仿真求解器中最廣泛依賴的數值庫之一。hypre 求解效率的高低，直接決定了 CAE 軟件的整體性能。在 hypre 內部，有一個極度消耗算力和帶寬的瓶頸——「紅黑高斯-賽德爾（Red-Black GS）光滑子」迭代計算。由于紅黑更新在內存中是不連續的，導致 GPU 顯存帶寬吃緊，硬件性能大量閑置。

在無任何人類專家干預的前提下，ForgeStencil 自動跑進了 hypre 錯綜復雜的源碼中。優化后的 hypre 在 GPU 上跑出了 3.86× 的真實端到端加速！

這相當于在沒有增加一分錢硬件成本的前提下，CAE求解器的計算顯著提速。

FDTD（加速 2.47×）

重構電磁仿真的通用底盤

從探地雷達、天線設計到電磁兼容分析，基于 Yee 網格的時域有限差分算法（FDTD）是電磁仿真領域應用最廣的數字底盤。

FDTD 算法為了精確模擬微觀物理邊界，代碼中充斥著復雜的邊界條件處理、介質屬性切換，其底層的 Stencil 更新極難做到硬件級別的優化。

ForgeStencil 直接接管了這一電磁仿真底座。最終，該應用在標準測例上取得了 2.47× 的真實加速。這一數字背后，意味著電磁仿真的迭代周期縮短了一半，國產探地雷達設計的研發效率獲得了實打實的重構。

此外，ForgeStencil 在更多真實工業軟件上取得了令人震撼的加速效果：minisweep 核反應堆中子學計算獲得 5.78 × 加速，RTM 油氣地震成像獲得 1.81 × 加速；在醫學成像領域，非笛卡爾 MRI 重建獲得 2.45 × 加速，DBT 數字乳腺斷層成像反投影獲得 1.63 × 加速……

從真實應用加速

到工業軟件自主可控

今年 5 月底，面壁智能首次發布 Forge Engineering 時，曾提出一個頗具野心的判斷：一旦 AI 研究和構建 AI 的速度超過人類，人工智能的發展就不必再完全受限于專家數量，而可能更多取決于可投入的算力和自動化系統。

ForgeTrain 是這一判斷在大模型基礎設施中的第一次驗證；如今，ForgeStencil 又把相同的可能性帶到了工業與科學計算。

當同一套 Forge Engineering 能夠不斷跨越軟件領域，真正值得關注是一種新的軟件生產方式——代碼可以由 AI 按照具體需求現場鍛造，工程經驗可以在 Agent 之間持續流動，軟件基礎設施也因此從人類一次性編寫、長期維護的固定資產，轉變為能夠按需生成、持續優化和不斷演進的生產力。

ForgeStencil 把 Stencil 模板計算優化變成了可自動執行、可持續積累和可規模化擴展的工程能力。短期來看，它能夠幫助存量軟件快速釋放軟件紅利；長期來看，它讓算法設計與硬件上的性能實現逐步解耦，工程師和科學家可以花更多精力在模型、物理問題和算法創新上，而不是被性能優化的細枝末節拖住腳步。

ForgeStencil 試圖補上的，正是國產工業軟件走向「性能自主」的重要一環：打破軟件性能優化對少數 HPC 專家的依賴，讓工業計算軟件能夠針對具體應用和硬件持續自我進化。

這種效率優勢最終會傳導到制造業的研發鏈上。工程仿真更快，設計團隊就能驗證更多方案；地震成像更快，能源勘探就能縮短計算周期；醫學重建更快，成像設備就能提升處理效率。它并不直接替代工程師或科學家，而是加速支撐設計、驗證、分析和計算的底層軟件，讓 AI 能夠更快進入制造業、成為其不可或缺的數字基礎設施。

工業軟件是制造業的「大腦」。當大腦的運轉速度不再受限于稀缺的專家資源，中國制造業的升級才算真正擁有了可規模化的技術底座。

點擊此處探索ForgeStencil的更多可能