8位工程师一年近千万的工作，开源AI系统7天搞定100+应用：ForgeStencil实现Stencil算子自动优化，效率提升100倍
面壁智能与OpenBMB开源的ForgeStencil，通过两大Agent协同实现Stencil自动优化全闭环，将原本依赖稀缺HPC专家、每年仅能精调20个应用的研发效率提升约100倍，首次让工业软件与科学计算应用的性能优化走向规模化。
核心事件：开源AI优化系统ForgeStencil发布
ForgeStencil是全球首个支持Stencil（模板计算）自动研究、自动部署的AI优化系统，一周内完成超100个真实工业与科学计算软件的自动优化，等效于4-8名工程师一年、300万~1000万元的研发投入。
技术突破：两大Agent协同，无需人类专家介入
ForgeStencil首次实现从提出优化想法到应用无缝部署的全自动闭环，人类仅需提供源码，中间无需专家介入优化决策。
性能实测：全面超越现有开源方案
传统静态算子库难以直接融入真实软件，因为真实的科学计算算法不是标准Stencil循环；ForgeStencil的App Agent按应用定制方案，解决了从通用算子到真实部署的鸿沟。
真实应用落地：从核反应堆到医疗影像
ForgeStencil已在一批主流科学软件与基准上完成自动优化，其中42%直接对应真实工业生产软件厂家，并在应用自带GPU实现之上实现端到端加速。
行业背景与意义：AI正在重塑HPC软件优化范式
Stencil是高性能计算中最核心的访存密集型计算模式之一，广泛存在于气候模拟、地震成像、电磁仿真、流体力学等工业软件中。其优化水平直接决定仿真软件的运行效率，但传统上高度依赖稀缺的HPC专家，难以规模化。
| 维度 | 传统优化模式 | ForgeStencil 模式 |
|---|---|---|
| 人力依赖 | 稀缺HPC专家，每人每年精调应用不超过20个 | 自动研究+自动部署，无需人类专家介入决策 |
| 优化周期 | 单个应用数日到数周 | 小时级别 |
| 吞吐能力 | 线性受限于专家人数 | 1-2个数量级提升，可随算力规模并行放大 |
| 知识复用 | 依赖个人经验，难以系统沉淀 | 多Agent共享知识库，经验可复用、可迭代 |
从更广阔的视角看，ForgeStencil是“AI制造AI”理念的延伸，继5月ForgeTrain之后，面壁智能再次证明大模型不仅能辅助编程，更能自主进行软件性能优化，为工业软件带来新的效率革命。
展望：从存量优化到未来工业软件自动化开发
短期来看，存量工业软件和科学计算应用的自动优化可直接节省大量人力和算力成本；长期来看，Stencil之外的CAE仿真、地震成像、电磁与流体计算等更多领域有望实现性能优化自动化，加速国内制造业升级。
本条新闻核心价值在于一个可量化的效率跃迁：一周完成超100个真实应用的自动优化，等效替代4-8名工程师一年的工作量。报道不仅给出了性能加速比和效率提升数据，还覆盖了核工程、电磁仿真、油气勘探、医疗影像等多个关键工业领域，具备较强的行业说服力。同时，开源发布降低了技术门槛，可能催生一批基于该系统的下游工具和应用。值得关注的是，该系统目前聚焦于Stencil这一特定计算模式，其泛化能力仍需更多场景验证。