SemiAnalysis分析师：OpenAI工程师在滚动查看自家内核代码时，并不清楚每一行在做什么

SemiAnalysis分析师Jordan Nanos称，OpenAI工程师在滚动查看自家内核代码时，并不清楚每一行在做什么，但这不影响结果，因为人工智能能写、能测、能跑出高性能内核。

他把这些代码称为“不是垃圾，因为它能跑”，同时又说它“基本上就是吐在Gluon里的人工智能生成汇编”。Gluon是OpenAI建在Triton之上的底层内核语言，沿用单程序多数据模型，并向下暴露接近硬件的抽象。

Nanos说，一起看代码的工程师懂硬件、懂系统概念，却说不清眼前这段给DeepSeek准备的MLA内核实际在干什么。可以逐行指过去，得到的是否定。测试和正确性由模型与校验脚本完成。

SemiAnalysis书面材料写到，OpenAI用内部放大版Codex写Jalapeño内核，部分手调内核长达约三千行，并配正确性检查和自制消毒器。早期仍是人在环内，后来转向更自动化。内部推理引擎名为Teacup。公司在用InferenceX对DeepSeek做基准前，甚至没有自己的MLA内核实现。

Gluon把布局做成一等抽象，把硬件资源映射到张量元素，并提供可证明的布局转换。对英伟达图形处理器，它能直接碰到张量内存加速、矩阵乘加和内存屏障一类指令。内核优化被描述成可验证的强化学习循环：给任务、给测试、让模型迭代数据搬移和计算单元。

市场机制上，买单的是要在每瓦特上挤出更多token的推理负载，卖出的是人类逐行可读的内核工艺。事件由自研芯片与开源模型基准驱动，资金从CUDA生态的人工调核转向“模型写核、测试收口”；受益的是能把硬件语义交给模型闭环的实验室，承压的是把护城河建立在少数内核工程师手写汇编上的路径。

来源：公开信息