Il 16 settembre 2026 è diventata pubblica la previsione di Shengyu Liu, ingegnere di sistemi di machine learning e kernel engineer di DeepSeek: entro sei-dodici mesi, sostiene, i kernel scritti dall’IA potrebbero eguagliare o superare il suo lavoro. La parte già concreta è più circoscritta ma tutt’altro che banale: NVIDIA ha usato DeepSeek-R1 per generare kernel di attenzione dentro un ciclo automatico di verifica e riscrittura.
Cosa sta prevedendo Shengyu Liu
Un kernel GPU è una piccola operazione di calcolo eseguita moltissime volte durante l’addestramento o l’inferenza di un modello. Esempi tipici sono la moltiplicazione di matrici, l’attenzione, la quantizzazione e il routing degli esperti nei modelli Mixture of Experts (MoE).
Il suo rendimento dipende da dettagli molto concreti: come i dati vengono letti dalla memoria, come vengono divisi i blocchi di calcolo, quale precisione numerica viene usata e come i thread vengono sincronizzati. Un cambiamento locale può quindi incidere sul tempo necessario per produrre una risposta o sulla quantità di richieste gestibili da un sistema.
Liu descrive un’evoluzione avvenuta in circa un anno: dall’aiuto nella documentazione, nella lettura del codice e nel debugging, l’IA sarebbe passata all’analisi di CUDA, PTX e SASS, fino allo studio degli stalli delle istruzioni e all’ottimizzazione degli operatori. La sua previsione sui sei-dodici mesi riguarda il proprio lavoro e resta una previsione personale, non una misura generale delle capacità dell’IA.
Perché i kernel contano nella velocità dei modelli
Un modello linguistico non esegue un unico calcolo gigantesco. Durante ogni passaggio concatena numerose operazioni specializzate. Se una di queste accede male alla memoria o lascia inattivi molti core, il rallentamento può propagarsi a tutta la catena.
Questo spiega perché l’efficienza di DeepSeek non dipende soltanto dall’architettura del modello. L’ottimizzazione comprende anche la gestione delle comunicazioni tra GPU, il routing degli esperti e librerie progettate per sfruttare hardware specifico. Un’analisi tecnica dedicata all’infrastruttura di DeepSeek descrive proprio questo approccio: scheduling personalizzato a basso livello e uso mirato delle risorse, invece di affidarsi sempre alle librerie standard.
Il ciclo automatico già dimostrato
Nel test descritto da NVIDIA, DeepSeek-R1 non riceve un compito e consegna semplicemente codice senza controllo. Il flusso combina generazione, compilazione e verifica numerica:
| Fase | Cosa succede | Risultato riportato |
| Prompt iniziale | DeepSeek-R1 riceve l’obiettivo e produce un candidato in CUDA C++ | Viene creato un kernel di attenzione |
| Verifica | Un verificatore controlla il comportamento numerico del candidato | Il codice viene accettato oppure respinto |
| Raffinamento | Il sistema modifica il prompt e genera un nuovo candidato | Il ciclo può ripetere la ricerca |
| Valutazione | I candidati vengono confrontati nei problemi KernelBench | 100% di correttezza numerica al livello 1 e 96% al livello 2 |
Il ciclo di ottimizzazione descritto da NVIDIA ha avuto un budget di 15 minuti. Il risultato importante non è una promessa generale sull’IA, ma la dimostrazione di un metodo: il modello propone codice, uno strumento esterno lo controlla e il sistema usa quel risultato per tentare una nuova soluzione.
Dalla scrittura dei kernel alla direzione degli agenti
La possibile trasformazione del lavoro è qui. Oggi un ingegnere sceglie strategie di tiling, accesso alla memoria, istruzioni e scheduling, poi verifica sia la correttezza numerica sia il comportamento sull’hardware. In un flusso assistito, il modello può generare più candidati e ricevere automaticamente il risultato dei test.
Il ruolo umano non scompare dal processo dimostrato: qualcuno deve definire il problema, predisporre il verificatore, stabilire i criteri di accettazione e interpretare il risultato. La previsione di Liu riguarda però uno spostamento del baricentro: meno tempo a scrivere manualmente ogni kernel, più tempo a dirigere agenti, scegliere gli obiettivi e validare le soluzioni.
È una differenza sostanziale rispetto alla frase “l’IA sostituirà gli ingegneri”. Il caso NVIDIA riguarda problemi KernelBench e condizioni specifiche; la previsione di Liu guarda invece a un possibile ampliamento futuro del metodo.
L’ecosistema di ottimizzazione di DeepSeek
Il progetto ufficiale TileKernels mostra che il lavoro sui kernel non si limita all’attenzione. La raccolta comprende operazioni di gating, routing MoE, quantizzazione, trasposizione, Engram e connessioni ipermanifold, espresse con TileLang.
Il repository indica come requisiti Python 3.10 o superiore, PyTorch 2.10 o superiore, TileLang 0.1.9 o superiore, CUDA Toolkit 13.1 o superiore e GPU NVIDIA con architettura SM90 o SM100. Sono vincoli tecnici precisi: l’ottimizzazione di un kernel non è una proprietà astratta che si trasferisce automaticamente a ogni GPU o a ogni modello.
Questa combinazione — librerie specializzate, scheduling attento all’hardware e generazione automatica sottoposta a verifica — è il terreno sul quale la previsione di Liu potrebbe essere messa alla prova nei prossimi mesi.
