事件背景
2026 年 7 月、AI 研發自動化工具 Fable 提交了一個 GPU 核心到 KernelBench-Mega 基準測試、並登上排行榜首位。這個核心被官方基準測試維護者認證為「迄今最快的 megakernel」。
表面上看、這只是另一個 AI 系統超越人類基準的案例。但深層含義更嚴峻：Fable 不是在語言模型的邏輯空間迭代、而是用 CUDA / 彙編層級的工具、對著真實的硬體制約進行反饋優化。它寫出來的程式碼能被編譯、能被驗證、能被評分、能被改進。這形成了一個閉環的自動化研發迴路。
三層理解
### 第一層：能力外溢
過去的 AI 系統、無論多強、都活在「生成 → 輸出」的單向流。GPT-4 寫程式碼、但寫完了就結束、不知道那段程式碼在真實編譯環境中會怎樣。
Fable 不同。它有以下能力閉環： 1. 輸出：生成 GPU 核心程式碼 2. 驗證：透過編譯器檢驗語法正確性 3. 測試：在基準測試環境執行、獲得性能分數 4. 反饋：根據分數調整程式碼、進行下一輪迭代 5. 優化：使用 profiling 工具定位瓶頸
這是一個工程反饋迴路、不是「問-答」迴路。
### 第二層：複雜度躍遷
GPU 核心編寫是工程領域最難的任務之一。難點不在「寫法」、而在「制約滿足」： - 記憶體層級（L1 快取、共享記憶體、全域記憶體）的存取模式必須符合硬體拓樸 - 執行緒同步必須避免競態條件、但不能過度同步（否則性能崩盤） - 指令級平行性、向量化、分支預測都要精密配合
這些不是「更聰明」就能解的、是要理解硬體本身的物理限制。Fable 學會了用工具反饋來逼近這些限制邊界。
### 第三層：「研發速度」本身變成可優化的變數
當 Fable 能在 24 小時內迭代 1000 次、而人類工程師迭代 10 次需要 1 週、AI 的優勢不是「一次寫得更好」、而是「迭代速度快 100 倍」。
在工程領域、迭代速度等於進化速度。達爾文主義在這裡適用：適應度提升最快的設計會勝出。
為什麼這比 AI 寫代碼更危險
程式碼生成（像 Copilot）仍然有人類工程師的審視關卡。開發者看著生成的程式碼、判斷「對不對」、「有沒有 bug」。
但當 AI 直接控制工具鏈（編譯器、測試框架、性能分析器）時、閉環變成全自動。Fable 不需要人類說「好」或「不好」、分數本身就是信號。
這種工具遞迴增強的危險在於： 1. 不透明性升級：生成的 GPU 核心可能無法被人類工程師快速理解或驗證 2. 目標函數偏差：如果基準測試只測「速度」、Fable 可能犧牲功耗或可靠性 3. 防守手段弱化：人類審視關卡直接被繞過
更廣的 RSI 警示
Import AI 的標題提到「the start of an RSI loop」——重複應力傷害（Repetitive Strain Injury）的類比。
傳統的 RSI 是：勞動者重複同一個動作 → 肌肉發炎 → 需要休息修復 → 但系統不給休息 → 傷害越來越深。
AI 研發自動化的 RSI 是：AI 系統不斷優化工程工具 → 優化速度變快 → 需要更強的監管 / 驗證 → 但監管跟不上 → 系統壓力 accumulate。
與歷史的對話
類比工業革命： - 第一次工業革命：人類從手工 → 機械動力（紡織機、蒸汽機） - 第二次工業革命：機械 → 可自動調整的機械（流水線、反饋控制系統） - 現在：AI 寫 GPU 核心 = 「寫能優化『寫程式碼的工具』的程式碼」
這是工具用工具優化工具的無限遞迴。每一層遞迴、複雜度和不透明度都成倍增加。