Cursorマルチエージェントシステムが3週間で235台のNVIDIA GPUオペレーターを最適化し、ハードウェアの限界に近づく

MEニュース：4月15日（UTC+8）、動察Beatingの監視によると、AIプログラミングツールCursorは、NVIDIAとの複数エージェントシステムの共同実験を公開した。このシステムは、27枚のBlackwell B200 GPU上で3週間自立して動作し、DeepSeek、Qwen、Gemmaなど124以上の本番レベルのオープンソースモデルから抽出された235の実際の演算子最適化課題に対して、ゼロからGPU演算子コードを生成・最適化し、全体で38%の幾何平均加速を達成した。GPU演算子最適化はソフトウェアエンジニアリングの中で最もハードルの高い分野の一つであり、チップアーキテクチャ、アセンブリレベルの命令、メモリスケジューリングに精通したエンジニアが必要で、高性能な演算子は通常、熟練した専門家が数ヶ月から数年をかけて磨き上げる。Cursorの複数エージェントシステムは、235の課題を一括して処理した：一つの計画エージェントがタスクを割り振り、性能指標に基づいて動的にスケジューリングし、複数の作業エージェントが並列に最適化を行い、システムは自らNVIDIAのSOL-ExecBenchベンチマークパイプラインを呼び出して「テスト→デバッグ→最適化」の自動ループを形成し、一切の人的介入なしに実行された。システムはCUDA C（インラインPTXアセンブリ含む）とCuTe DSLの両方でそれぞれ一回実行し、前者は最下層ハードウェア推論能力を、後者は公開トレーニングデータにほとんど存在しない新APIの学習能力をテストした。235課題のうち、システムは149課題（63%）で基準を上回り、そのうち45課題（19%）では2倍以上の加速を達成した。代表的な3つの結果： 1. BF16グループクエリアテンション（Llama 3.1 8B推論シナリオから抽出）：手動最適化されたFlashInferライブラリより84%高速、SOLスコア0.9722（理論的上限1.0に近い） 2. BF16行列乗算：ゼロから生成された演算子がNVIDIA cuBLASの手動最適化性能の86%に達し、LLM推論デコードでよく使われる小Mシナリオでは最大9%基準を上回った 3. NVFP4混合エキスパート層線形演算（Qwen3などのMoEモデルから抽出）：システムが4ビット浮動小数点量子化ボトルネックを自ら特定し、対応する融合最適化を実施し、39%の加速を達成 Cursorは全体の中央値SOLスコアが0.56にとどまっており、大幅な改善余地があると認めている。主な理由はGPUリソースが限られていること（235課題で27枚のGPUを共有）。Cursorはこの複数エージェント技術が「まもなくコア製品に統合される」と述べている。IDE企業のAIエージェントが、アセンブリレベルでのGPU最適化において人間のトップエキスパートに迫るレベルに到達したことは、「アプリコードを書いてくれる」以上の大きな進展である。（出典：BlockBeats）