Gerade nachdem der Hauptoperator von V4.1 fertig entwickelt wurde, steht er schon vor einer "beruflichen Umorientierung"? Das spätnächtliche Monolog eines erfahrenen Operator-Ingenieurs von DeepSeek

In dem halben Jahr der rasanten Entwicklung großer Sprachmodelle werden die makroskopischen Erzählungen immer extremer: Auf der einen Seite stehen die übertreibenen Äußerungen von Gründern, die alles zu stürzen versprechen, auf der anderen Seite sensationelle Bedrohungen des Weltuntergangs. Wenn der Hammer des Wandels auf die erste Linie der KI-Entwicklung trifft, was erleben die Menschen, die die Obergrenze der Modellkapazität durch Code nach oben schieben, eigentlich wirklich?

In der frühen Morgenstunde gestern veröffentlichte Liu Shengyu, Ingenieur für Maschinelles Lernsystem (MLSys) bei DeepSeek, auf seiner persönlichen Plattform einen langen Artikel mit dem Titel „Ich musste mein Talent gestern begraben“.

Im Gegensatz zur üblichen Angst vor Arbeitslosigkeit ist der Autor ein Spitzeningenieur, der gerade den Kernoperator für DeepSeek V4.1 ausgeliefert hat. Das heißt, er ist die Person, die die KI-Engine selbst gebaut hat, musste aber nachdem er gesehen hat, wie die Modelle in professionelle Bereiche vordringen, zugeben, dass er selbst beschleunigt von der KI ersetzt wird und gezwungen ist, „den Beruf zu wechseln“.

Die Personen, die die Rechenleistungsgrundlage von DeepSeek stützen

Der Autor Liu Shengyu, Mitglied des Turing-Kohorts der Peking-Universität des Jahrgangs 2021, war ehemaliger Kapitän des Weiming-Supercomputing-Teams der Peking-Universität und vertrat die Universität bei dem internationalen Studentenwettbewerb für Supercomputing SC23.

Während seiner Studienzeit vertiefte er sich in die zugrundeliegende Architektur von Transformer und die CUDA-Programmierung und beteiligte sich unter Anleitung seines Betreuers an der Entwicklung des Inferenz-Frameworks für große Modelle. Nachdem er während seines Bachelorstudiums zu DeepSeek gekommen war, wurde er schnell zu einer tragenden Kraft für die zugrundeliegende Infrastruktur und die Optimierung von Hochleistungsoperatoren.

In dem Forschungssystem für große Modelle sind Algorithmenwissenschaftler für die Definition der Netzwerkarchitektur verantwortlich, während Systemingenieure (MLSys) das „Bauarbeiterteam für das Fundament“ sind, das diese riesigen Netzwerke auf physischer Hardware effizient betreibt. Die Kernarbeit von Liu Shengyu besteht genau darin, bis in die unterste Ebene der GPU-Architektur vorzudringen, um die Leistung jeder Generation von Rechenchips und die Speicherbandbreite voll auszuschöpfen.

Konkret umfassen die wichtigsten technischen Beiträge von Liu Shengyu:

• Februar 2025 · Open-Source-Veröffentlichung der DeepGEMM-Operatorbibliothek: Er war tief an der Optimierung des extrem leistungsstarken FP8-GEMM-Operators auf unterster Ebene beteiligt und legte den Grundstein für die Hardwarebeschleunigung des effizienten Trainings und der Inferenz der DeepSeek-Modellreihe;

• April 2026 · Aktualisierung der DeepEP V2-Parallelkommunikationsbibliothek für Experten: Angesichts der Kommunikationsengpässe der nächsten Generation von Modellarchitekturen und Mixed-MoE-Modellen beteiligte er sich tief an der Neugestaltung der Kommunikationsoperatoren und senkte den Overhead des Datenaustauschs zwischen Knoten und Karten erheblich;

• September 2026 · Auslieferung des Kernoperators von DeepSeek V4.1: Er war allein verantwortlich für die Implementierung des Haupt-Attention-Operators des Modells (MQA-Attention mit head dim = 512) und unterstützte direkt den Leistungssprung von V4.1 bei kleinen Modellen und effizienten Inferenzszenarien.

Man kann sagen, dass genau ihre extreme Beherrschung der unteren Hardwareebene den technischen Burggraben von DeepSeeks Modellen aller Generationen bei strenger Kostenkontrolle und effizienter Nutzung der Rechenleistung festigt. Derzeit ist die Verbesserung der Infra-Fähigkeit gleichzeitig die Kernkompetenz, mit der einheimische Modelle wie Zhipu unter begrenzten Rechenressourcen die Trainings- und Inferenzkosten ständig senken können.

Doch der Ironie und Grausamkeit des technologischen Wandels beginnt genau hier.

„Ich hoffe, dass die Person, die mich stürzt, ich selbst bin“

Lange Zeit galt das Schreiben von Hochleistungs-GPU-Operatoren als das „Handwerk“, das von menschlichen Programmierern am schwersten ersetzt werden kann.

Es erfordert nicht nur die Beherrschung der übergeordneten Hochleistungsrechenlogik, sondern auch, dass Ingenieure die Mikroarchitekturdetails der GPU und die Speicherhierarchie äußerst gut kennen, sogar bis auf die Ebene der zugrundeliegenden PTX-Assembler und SASS-Maschinencodes vordringen, um die Gründe für die Stillstände der Hardware-Pipeline zu analysieren und komplexe Registerzuweisungen und Shared-Memory-Planungen durchzuführen.

Aber die aktuelle Realität, auf die Liu Shengyu in seinem Artikel hinweist, ist: „Die KI ist zum Meister der Operatoren geworden“.

Liu Shengyu schließt daraus, dass in den nächsten sechs Monaten bis zu einem Jahr die Fähigkeit der KI, Planungen selbstständig zu bewerten, zu entwerfen und umzusetzen und extrem leistungsstarke End-to-End-Operatoren zu realisieren, höchstwahrscheinlich die von Spitzeningenieuren erreichen oder sogar übertreffen wird.

„Die KI kann in einer Sekunde 300 Tokens verarbeiten, in einer halben Sekunde eine Zeile Befehl schreiben und in zwanzig Sekunden einen vollständigen Code fertigstellen – ich kann das nicht. Die KI kann sich ständig in Aspekten wie Modelltiefe, Denkintensität, Menge der genutzten Tools (und der Häufigkeit der Interaktion mit der Umgebung) und sogar Parallelität verbessern – ich kann das nicht.“

Daraus ergibt sich ein grausames technologisches Paradoxon: Je extremer Ingenieure die Operatoren auf unterster Ebene optimieren, desto effizienter ist das Training und die Inferenz der Modelle; je schneller die Modelle sich weiterentwickeln, desto kürzer ist der Zeitraum, in dem sie von den Modellen übertroffen und ersetzt werden.

Da man weiß, dass man selbst die eigene Ersetzung beschleunigt, warum sollte man dann sein Bestes geben?

Die Gedankengänge, die Liu Shengyu darlegt, sind äußerst authentisch.

Auf der einen Seite stammt dies von der reinen technologischen Dopaminwirkung: Das Schreiben von Operatoren ist für ihn wie das Spielen von Spielen. Der Moment, in dem er eine neue Technik erfindet, sieht, dass die Leistung des Operators sprunghaft ansteigt, oder sogar die offiziellen Operatoren der Chiphersteller übertrifft, ist ein Erfolgserlebnis, das dem eines Speedrunners gleicht, der einen Weltrekord bricht.

Aber der tiefere Antrieb liegt in der Klarheit und Ruhe angesichts des großen technologischen Trends: Selbst wenn er aufhören würde oder sogar nachlässig arbeiten würde, würden die Modelle anderer Teams auf der ganzen Welt mit beschleunigter Geschwindigkeit voranschreiten und schließlich zweifellos überrollend kommen.

Er schreibt: „Ich hoffe natürlich, dass ich nicht gestürzt werde. Aber wenn ich unbedingt gestürzt werden muss, dann hoffe ich, dass die Person, die mich stürzt, ich selbst bin.“

Tatsächlich ist dieses Gefühl der „Ersetzung“, das Liu Shengyu wahrnimmt, auch ein technologischer Trend, der sich derzeit auf der Ebene von Chips und Systemsoftware beschleunigt. Die Automatisierung der Entwicklung von Operatoren und des Software-Hardware-Stacks ist längst kein bloßes Papiervorhaben mehr: In der Branche gibt es bereits eindeutige Fälle dafür.

In dem Bericht „Mit Astra+Codex CUDA besiegen! OpenAI schafft KI-Chips in 9 Monaten und schlägt Nvidia GB300“ haben wir bereits berichtet, dass OpenAI bei der Entwicklung seiner kundenspezifischen KI-Chips (Codename „Jalapeño“) Astra- und Agent-Tools in großem Maßstab nutzt, um direkt an der Generierung von Operatoren und dem Aufbau des Kompilierstapels teilzunehmen, wodurch der Entwicklungszyklus, der früher Dutzende erfahrener Experten für unterste Ebene mehrere Monate gekostet hat, auf eine extrem kurze Zeit komprimiert wird.

Früher haben Nvidia und Cursor ein noch stärker ingenieurwissenschaftliches Experiment veröffentlicht: Ein Multi-Agent-System hat innerhalb von drei Wochen 235 CUDA-Operatoren für Blackwell B200 automatisch optimiert, die geometrische mittlere Leistungssteigerung beträgt 38 %, wobei 19 % der Aufgaben um mehr als das Doppelte beschleunigt wurden.

Von dem handgeschriebenen Assembler auf unterster Ebene bis zur automatischen Optimierung von Operatoren durch Reinforcement-Learning und Modellgenerierung überschreitet die Entwicklungsgeschwindigkeit der Systemtechnik die ursprünglichen Vorstellungen aller Menschen.

Doch diese klare Überlegung führt letztendlich nicht zu der allgemein diskutierten Panik vor „Arbeitslosigkeit“, sondern zu einer genaueren beruflichen Einschätzung – „Berufswechsel“.

Nach Liu Shengyus Ansicht können Spitzeningenieure mit ihrem Weitblick, ihrem ingenieurwissenschaftlichen Urteil und ihrer Intelligenz immer noch am Spieltisch der Zeit bleiben, aber das bedeutet nicht, dass sie ihre Arbeit wie gewohnt fortsetzen können. Der sogenannte „Berufswechsel“ bedeutet nicht, den Bereich der Computersysteme zu verlassen, um einen anderen Weg zu gehen, sondern dass das Paradigma der Erstellung von Operatoren sich vollständig verändert hat. Liu Shengyu nennt diese Veränderung bildlich, der „Mecha-Pilot“ für Agenten zu werden.

In dieser neuen Rolle ist der „Mecha“ ein KI-Agent mit extrem hoher Code-Verarbeitungskapazität, der selbstständig Befehlsstillstände analysieren und die Leistung in großen Mengen optimieren kann.

Die menschlichen Ingenieure schreiben nicht mehr Zeile für Zeile die Anweisungen auf unterster Ebene, sondern treten einen Schritt zurück und werden zu „Piloten“ – mit ihrem Verständnis der Anforderungen übergeordneter Modelle, ihrem Wissen über die physikalischen Eigenschaften der unterliegenden Hardware und ihrer Beherrschung des globalen Systemingenieurwesens geben sie den Agenten Anweisungen, setzen Grenzen und bewerten die Lösungen.

Der Arbeitsplatz ist zwar erhalten geblieben, aber das Vergnügen der Handwerker, den Code selbst zu verfeinern, ist damit verschwunden.

Wie Liu Shengyu in seinem Artikel seufzt: „Um den Anforderungen der Industrie gerecht zu werden, muss ich unweigerlich die Richtung aufgeben, die ich früher geliebt habe, und zu einer unbekannten neuen Richtung wechseln … In meinen Händen sind mehr Zahnräder, aber in meinem Herzen fehlt etwas an Rhythmus.“

Tiefe Sorge: Der Einsturz der ingenieurwissenschaftlichen Grundlagen

Neben der Veränderung der persönlichen Rolle lenkt Liu Shengyu seinen Blick auch auf die zukünftige Frage der gesamten ingenieurwissenschaftlichen Ausbildung in der Informatik und der technologischen Gesellschaft.

In der heutigen universitären und wissenschaftlichen Ausbildung besteht ständig eine sehr reale und weitverbreitete Versuchung zur Spekulation:

Diese leicht erreichbare Abkürzung für Effizienz entleert heimlich die Kernkompetenzen der Entwickler: Code-Organisation, Systemaufbau, vorausschauendes Design und Abstraktionsfähigkeit, die ursprünglich durch unzählige Fehlversuche und Debugging geschult werden müssen.

Zu der Frage, ob diese Fähigkeiten von der Zeit überholt werden, stellt Liu Shengyu einen scharfen Vergleich und eine Überlegung auf: Werden sie allmählich an den Rand gedrängt wie das alte „Schreiben von x86-Assembler“, oder werden sie zu einem ewigen Grundstein wie das „Verständnis des gesamten Computersystems“?

Wenn es das Letztere ist, bringt