Эпоха ручного написания CUDA-кода столкнулась с экзистенциальной угрозой со стороны систем, которые она сама и породила. По отчетам Джека Кларка из Import AI, модель Fable совершила качественный переход: от написания прикладного софта она спустилась на уровень проектирования низкоуровневых мегакернелов для GPU. Это уже не просто автодополнение кода, а начало цикла рекурсивного самосовершенствования (RSI), где ИИ перекраивает собственную вычислительную среду. Главным узким местом теперь становится не дефицит инженерных талантов, а скорость, с которой система может проводить бенчмарки собственных архитектурных решений.
Крах бенчмарка PyTorch
На тестах KernelBench-Mega модель Fable продемонстрировала ошеломляющее ускорение в 18,71 раза на картах RTX PRO 6000 Blackwell по сравнению с оптимизированным базисом PyTorch. Для понимания масштаба: Claude Opus 4.8 от Anthropic достигла лишь 14,4-кратного ускорения через Triton, GLM-5.2 показала 11,14x, а GPT-5.5 от OpenAI и вовсе плетется в хвосте с результатом 4,34x. Как отметил один из кураторов бенчмарка, Fable создала первый в истории и самый быстрый мегакернел, когда-либо представленный в KernelBench-Mega.
«Fable написала первый подлинный и самый быстрый мегакернел, когда-либо поданный на KernelBench-Mega», — констатирует один из мейнтейнеров проекта.
Техническая пропасть между Fable и остальными заключается в управлении ресурсами. Пока конкуренты дробили задачу на 4–14 отдельных запусков кернелов на каждый токен, решение от Fable использовало ровно один кооперативный запуск. Минимизация накладных расходов на вызовы — это высший пилотаж в архитектуре GPU, который раньше считался исключительной прерогативой элитных инженеров по производительности.
От автоматизации фриланса к RSI-циклам
Этот прыжок происходит на фоне резкого роста экономической полезности агентов. По данным Center for AI Safety (CAIS) и Scale Labs, показатель успеха ИИ в индексе удаленного труда (RLI) взлетел с жалких 2,5% в октябре 2025 года до 16,1% к July 2026-го. В этих тестах Fable 5 оставила конкурентов позади, успешно справляясь с комплексными сквозными задачами вроде 3D CAD-моделирования, пока конкуренты в лице Opus 4.8 и GPT-5.5 показывали лишь 8,3% и 6,3% соответственно.
Когда системы обучаются оптимизировать фундамент собственного развития — дизайн кернелов и автоматизацию R&D, — цикл прогресса ускоряется экспоненциально. Для бизнеса это означает смену парадигмы: конкурентное преимущество переходит от тех, кто просто внедряет стандартные модели, к тем, кто способен использовать ИИ для оптимизации проприетарных инфраструктурных стеков.
Новая парадигма R&D
Мы наблюдаем девальвацию традиционного человеческого преимущества в высокотехнологичном труде. Когда агент проектирует мегакернел, работающий в 18 раз быстрее стандартных библиотек, стоимость владения ИИ-инфраструктурой меняется в одночасье. Структура компаний неизбежно станет «облегченной» в плане персонала и перегруженной ИИ-процессами, где цикл проектирования, бенчмаркинга и внедрения полностью автономен.
Для GPU-зависимых бизнесов использование стандартных решений на PyTorch скоро станет похожим на попытку запустить высокочастотный трейдинг на софте для розничных инвестиций. Разрыв в производительности, создаваемый оптимизированными ИИ-кернелами, станет слишком велик, чтобы его игнорировать. Владение циклом автономного R&D теперь ценнее, чем содержание штата CUDA-инженеров, чьи навыки стремительно превращаются в артефакт прошлого.