随着人工智能和高性能计算的快速发展，GPU（图形处理单元）作为核心计算引擎的地位愈发重要。特别是在深度学习训练和推理领域，编写高效的GPU内核代码成为提升性能的关键。然而，GPU内核的开发流程复杂且耗时，通常需要大量专业知识和工程投入。为解决这一瓶颈，MakoGenerate应运而生，为GPU内核生成带来了革命性的自动化解决方案。 MakoGenerate是一款基于大型语言模型（LLM）的AI智能代理，能够在不到60秒的时间内生成、高效编译、验证并基准测试GPU内核代码。与传统手工编写代码不同，MakoGenerate通过自动化流程，显著缩短开发周期，降低技术门槛，使更多研发人员能够快速获得高性能的GPU代码。
该工具目前支持CUDA和Triton两大主流GPU编程框架，能够针对英伟达最新系列GPU（包括Hopper和Blackwell架构）进行优化。这意味着无论是在最新的深度学习训练集群，还是强大的推理服务器上，MakoGenerate都能提供针对性定制的代码支持，提升整体计算效率。 用户只需在generate.mako.dev创建账号，选择预置的PyTorch参考问题，输入相应的文本提示，配置智能代理，即可一键触发代码生成。生成的第一个GPU内核通常在一分钟内完成，极大地方便了研发流程的快速迭代。MakoGenerate还提供了自定义提示功能，允许用户输入更详尽的上下文信息，如特定文档、教学示例或优化要求，满足个性化需求。 传统GPU内核设计对工程师来说挑战不小，不仅需要在内存访问、线程调度、同步机制等方面进行深厚的调优，还要考虑不同硬件架构下的兼容性和性能表现。
MakoGenerate通过将LLM驱动的代码生成与自动反馈循环相结合，有效降低了这一壁垒。系统会自动生成内核代码，运行功能验证测试，收集性能数据，并据此优化下一版本代码，呈现出一种迭代升级的工作方式。虽然单次迭代能带来一定的性能提升，但要达到业界领先的水平，进化搜索技术的介入显得至关重要。 进化搜索借鉴了生物进化的思想，系统并行生成多个候选内核版本，分别进行编译、验证与基准测试。通过分析编译诊断信息、资源占用估计和性能数据，智能代理为LLM提供精准反馈，指导后续候选内核在参数选择上进行定向变异。参数包括线程块大小、内存访问模式以及异步数据传输等核心因素。
经过多轮筛选和优化，进化搜索能够在不同操作和硬件架构下找到极致性能的实现方案。 这一优化过程由统一的测试环境和多后端管理框架支持，保证了代码的正确性与高效性。系统不仅能支持CUDA与Triton环境，还能针对目标GPU准确测量性能指标，为迭代更新提供数据基础。通过反馈编码，复杂的编译错误和运行时指标被压缩成简明指令，帮助LLM高效调整生成策略，实现快速且有效的性能提升。 MakoGenerate目前正处于研究预览阶段，用户可以直接体验其核心功能。更令人兴奋的是，团队已开放进化搜索版本的早期访问申请。
这个增强版本将在性能和优化能力上有显著提升，为GPU内核自动化生成树立新标杆。对于渴望突破技术瓶颈的企业和研究机构而言，参与早期试用能够抢先体验领先技术成果，提前布局未来发展。 MakoGenerate的推出也标志着高性能计算领域人工智能集成的一个重要里程碑。通过智能化自动编程，研发者能够将更多精力集中在算法设计和应用创新上，而非低层硬件调优，从而大幅提升研发效率和产品竞争力。 不仅如此，Mako团队在不断扩展和完善生态系统，包含MakoOptimize等一系列产品，旨在构建覆盖代码生成、性能优化及自动调试的全链条解决方案。通过持续的技术投资和资本支持，团队已成功筹集了850万美元资金，进一步加快产品迭代和市场推广步伐。
MakoGenerate也积极推动社区互动，成立专门的Discord服务器，鼓励用户分享生成的GPU内核、交换提示语，并举办赛事活动，激发更多创新灵感和技术积累。这种开放的社区体系有助于形成良性的生态繁荣，提升整体技术水平。 总的来说，MakoGenerate不仅为GPU内核开发注入了人工智能的新活力，也为未来的异构计算和高性能应用带来更多可能。随着技术的不断成熟和应用案例的丰富，自动化GPU代码生成将成为主流开发模式，推动计算领域进入一个智能化、自动化、高效能的新纪元。研发者和企业应密切关注这一动态，积极参与试用和反馈，把握未来计算创新的主动权。
