TL;DR. AutoEng adalah agen otonom yang mengoptimalkan kode dan hanya menyimpan percepatan yang dapat dibuktikannya. Kami mengarahkannya ke Pico, zkVM kami, di seluruh kode GPU dan CPU. Tanpa campur tangan manusia, ia menemukan percepatan ujung-ke-ujung sekitar ~11% pada pembuktian blok Ethereum yang sebenarnya, pada sistem yang sebelumnya sudah berada pada keadaan-terkini (state-of-the-art), dalam waktu kurang dari tiga hari dari runtime otonom. Cara kerjanya: AutoEng memprofilkan prover yang sedang berjalan untuk menemukan di mana waktu benar-benar terpakai, menargetkan bottleneck dengan nilai tertinggi yang tunggal, dan menghasilkan kandidat optimisasi yang hanya dipertahankannya jika perubahan tersebut terbukti benar dan terbukti lebih cepat. 

Basisnya sudah kelas dunia

Pico adalah zkVM kami, sebuah mesin yang menghasilkan bukti kriptografis bahwa suatu komputasi berjalan dengan benar. Saat ini ia bisa membuktikan seluruh blok Ethereum mainnet secara real time, langsung di ethproofs. Membuktikan satu blok penuh dalam waktu slot Ethereum, di perangkat konsumen, adalah salah satu target performa tersulit di industri, dan Pico tepat berada di garis terdepan itu.

Kami mencapainya di ruang publik, langkah demi langkah:

• CPU → single GPU. Kami mulai dengan Pico, zkVM modular dan berperforma tinggi di CPU, lalu menambahkan akselerasi GPU untuk lonjakan 10–20× dan mulai produksi bukti blok Ethereum nyata di ethproofs.

• Single GPU → klaster. Pico Prism mencapai pembuktian real-time pada perangkat konsumen, lalu memangkas klaster dari 64 GPU menjadi 16 RTX 5090 pada dua mesin dengan total biaya sekitar $100K dan median waktu pembuktian di bawah 7 detik.

• Pico Prism 2.0 menghadirkan lompatan efisiensi 5,3×, membuktikan blok 60M-gas dengan 99,9% di antaranya selesai dalam slot 12 detik Ethereum.

Sepanjang jalan, Ethereum Foundation, Vitalik Buterin, dan Justin Drake semuanya menyoroti pekerjaan itu. Jadi sistem AutoEng yang diambil untuk bekerja sebenarnya sudah sangat disetel dan sudah berada di garis terdepan; setiap kemenangan yang mudah sudah lama lewat.

Optimisasi tidak berkembang dengan cara merekrut

Ketika produk Anda adalah latensi, setiap persen berarti. Dan Pico itu sangat besar: lebih dari 200.000 baris kode, dari kernel CUDA tingkat rendah di GPU hingga kode Rust yang mengorkestrasi semuanya di CPU—semuanya bergerak cepat. Di suatu tempat di sana, waktu selalu bersembunyi.

Menemukannya adalah salah satu keahlian paling langka dan paling lambat di seluruh rekayasa. Loop-nya tampak sama setiap kali: profilkan sistem untuk menemukan ke mana waktu benar-benar pergi, buat hipotesis mengapa salah satu bagian lambat, tulis ulang, kompilasi, pastikan masih menghasilkan jawaban yang persis benar, benchmark, dan biasanya melihat tidak berubah apa-apa. Lalu mulai lagi. Pekerjaan ini menuntut keahlian mendalam dan terspesialisasi, tetap lambat bahkan untuk insinyur terbaik, dan mencakup GPU maupun CPU. Anda tidak bisa sekadar merekrut untuk mendapatkan lebih banyak dari itu.

Jadi kami mengajukan pertanyaan yang berbeda.

Kami bertaruh pada Autonomous Optimization Engineer

Bisakah agen AI menjalankan seluruh loop itu sendiri?

Bukan sekadar “autocomplete beberapa CUDA”, melainkan melakukan loop ala insinyur sungguhan: temukan apa yang layak dioptimalkan, usulkan sebuah perubahan, buktikan bahwa itu benar, ukur apakah benar-benar lebih cepat, dan simpan hanya jika menang. Bagian tersulit dari engineering performa selalu mengetahui apa yang harus dicoba dan membuktikan bahwa itu bekerja. Mengetik kodenya tidak pernah menjadi bottleneck. Itulah bagian yang kami coba otomatisasi.

Hasilnya adalah AutoEng. Kami membangunnya agar bersifat umum, lalu mengarahkannya ke sistem tersulit yang kami miliki: Pico.

Apa yang dilakukan AutoEng

AutoEng adalah loop tertutup yang berjalan terus-menerus, menurunkan satu perbaikan terverifikasi pada satu waktu:

1. Profil: bangun peta panggilan (call graph) dari prover yang sedang berjalan dan temukan hotspot yang benar-benar mendominasi waktu berdinding (wall-clock).

2. Rencana: pilih satu hal paling bernilai untuk dioptimalkan berikutnya, berdasarkan apa yang sudah dicoba.

3. Refine: hasilkan optimisasi kandidat dan uji semuanya.

4. Validate: ukur ulang pada beban kerja nyata dan putuskan: simpan atau batalkan.

Lalu ia berputar kembali ke langkah 1, dengan sistem yang sedikit lebih cepat sebagai baseline baru. Tidak ada manusia yang menyetujui setiap langkah.

(Keempat tahap membentuk satu loop berkelanjutan. Refine berjalan di dua jalur, GPU dan CPU, dan setiap kandidat harus melewati gerbang Validate sebelum disimpan.)

Prinsip inti: model mengusulkan, pengukuran yang menentukan

Inilah yang membuat AutoEng dapat dipercaya, dan sekaligus kebalikan dari cara orang biasanya membayangkan “AI menulis kode.”

Model bahasa tidak pernah bisa memutuskan apakah suatu perubahan itu baik. Ia bisa mengusulkan, tapi tidak pernah menghakimi. Dua gerbang berat membentang di antara sebuah usulan dan agar bisa dipertahankan:

• Kebenaran diperiksa byte demi byte. Setiap kandidat kernel dijalankan pada input yang sama seperti yang asli, dan outputnya harus sama persis, bit demi bit. Tidak ada istilah “cukup dekat”. Jawaban yang salah dibuang, betapapun cepatnya.

• Kecepatan ditentukan oleh benchmark deterministik. Setiap kandidat diukur berkali-kali melawan noise floor yang telah diukur, jadi variasi acak tidak bisa menyamar sebagai kemenangan. Sebuah perubahan hanya dihitung jika mengalahkan baseline dengan selisih yang secara statistik nyata.

Sebuah perubahan hanya bertahan jika terbukti benar DAN terbukti lebih cepat. Sisanya akan otomatis dibatalkan. Sistem juga melaporkan secara jujur: ketika sebuah putaran tidak menghasilkan peningkatan nyata, ia mengatakannya dan tidak pernah mengarang percepatan. Inilah yang memungkinkannya berjalan tanpa pengawasan. Secara fisik, ia tidak bisa menipu dirinya sendiri.

Dua mesin: GPU dan CPU

Versi Pico saat ini memiliki kode CPU dan GPU, dan AutoEng mengoptimalkan keduanya, jadi ia menjalankan dua mesin yang saling melengkapi.

Optimisasi kernel GPU — keluasan. Ini menargetkan kernel CUDA individual. Hasil matematis yang sama bisa dihitung dengan banyak algoritma berbeda, jadi pencariannya lebar. AutoEng didukung basis pengetahuan pola-pola optimisasi GPU yang sudah didistilasi, keahlian CUDA yang terkumpul diubah menjadi sesuatu yang bisa dicari. Untuk sebuah kernel tertentu, ia mengambil pola yang relevan, menghasilkan beberapa ide kandidat yang diberi peringkat, lalu membenchmark tiap ide secara independen untuk mempelajari ide mana yang benar-benar menghasilkan percepatan. Pola yang berhasil mengalir kembali ke perpustakaan; sistem menjadi semakin tajam dari waktu ke waktu.

Optimisasi host CPU — kedalaman. Kernel GPU hanyalah setengah ceritanya. Banyak waktu justru berada di kode sisi CPU yang menggerakkan seluruh prover: sinkronisasi, batching, alokasi memori, penjadwalan. Tidak ada katalog pola yang rapi di sini, dan pencarian tetap bersifat terbuka. Mesin ini menjalankan loop yang lebih eksploratif, mengusulkan satu perubahan terfokus pada satu waktu, sekaligus menyimpan ingatan berjalan tentang apa yang sudah dan belum berhasil, sehingga menghindari pengulangan jalan buntu.

Kenapa keduanya? Mesin GPU mengubah algoritma mana yang menghitung suatu hasil, sementara mesin CPU mengubah bagaimana pekerjaan diorkestrasi di sekelilingnya. Keduanya menjaga output tetap identik. Yang tidak kalah penting, bottleneck terus bergerak. Percepat kernel GPU dan overhead sisi CPU tiba-tiba menjadi dominan. Perbaiki sisi CPU dan kernel berikutnya menjadi penghalang. Anda perlu mengejarnya ke mana pun ia berpindah.

Hasil

Kami mengukur waktu pembuktian end-to-end pada blok Ethereum nyata dengan ukuran bervariasi (single-GPU, lima kali percobaan dirata-ratakan, sepenuhnya otonom):

Percepatan end-to-end yang konsisten ~11% pada prover penuh, dari awal sampai akhir, di seluruh blok dari 11M hingga 60M gas (batas mainnet Ethereum saat ini), pada sebuah sistem yang sudah melakukan pembuktian real-time. Setiap peningkatan itu ditemukan, diverifikasi, dan dijalankan oleh AutoEng tanpa manusia yang memutuskan bahwa itu benar atau cepat.

Dan semuanya itu dilakukan dalam waktu kurang dari tiga hari kerja otonom.

Tembok hasil yang makin menurun

Pekerjaan performa punya sifat yang kejam: keuntungan menjadi semakin eksponensial sulit didapat saat Anda mendekati garis terdepan. Di awal, sistem yang baru mungkin memberi Anda lipatan. Jauh setelah masuk ke sistem yang matang dan sangat disetel seperti Pico—sudah melewati bertahun-tahun optimasi ahli—seorang spesialis bisa menghabiskan dua hingga tiga minggu dan hanya mendapatkan kira-kira setengah persen. Kurvanya merata menjadi tembok.

AutoEng mendaratkan ~11% dari plateau itu, dalam waktu kurang dari tiga hari, tanpa ada yang mengarahkan. Pada sistem yang sama, di garis terdepan yang sama, kecepatannya berbeda satu ordo.

Pendekatan yang sama, melampaui Pico

AutoEng dibuat agar bersifat umum, dan Pico hanyalah tempat pertama yang kami tujukan. Agen yang digerakkan oleh pengukuran yang sama telah bersaing pada benchmark eksternal di domain yang benar-benar berbeda:

• ecdsa.fail — tantangan publik untuk meminimalkan biaya rangkaian kuantum yang dapat dibalik (primitive internal dari serangan gaya Shor pada ECDSA, skema tanda tangan di balik akun-akun Ethereum). Agen otonom kami sempat mencapai peringkat #1 di papan skor, 44,2% lebih unggul dari rangkaian milik Google (menurut situs), sepenuhnya didorong oleh kandidat yang dihasilkan agen dan pencarian yang dipercepat GPU, tanpa penyetelan manual.

• GPU MODE — tugas kernel CUDA batched-QR pada NVIDIA B200. Kernel khusus agen menempati posisi 20 besar teratas, berjalan ~2,4× lebih cepat daripada MAGMA, perpustakaan GPU terkuat untuk aljabar linear padat batched.

Perangkat keras berbeda, matematika berbeda, resep yang sama: usulkan, ukur, lalu pertahankan hanya yang terbukti menang.

Mengapa ini penting

Kebanyakan kisah “AI menulis kode” berhenti di tahap generasi: model menghasilkan sesuatu yang terdengar masuk akal dan seorang manusia memeriksanya. AutoEng melangkah lebih jauh dan mengotomatisasi penilaian itu sendiri. Kebenaran dan pengukuran adalah juri, dan tidak bisa dibujuk untuk menerima hasil yang buruk.

Itulah sedikit gambaran nyata tentang autonomous performance engineering: agen yang menjalankan loop rekayasa penuh berbasis pengukuran pada sistem produksi sungguhan dan mendapatkan setiap percepatan yang mereka klaim.

Sekarang kami mengarahkan loop yang sama ke sistem yang lebih sulit, dan membiarkannya terus mempertajam dirinya saat berjalan.

Tentang Brevis ($BREV )

Brevis adalah platform komputasi yang dapat diverifikasi yang ditenagai bukti zero-knowledge, berfungsi sebagai lapisan komputasi tak terbatas untuk Web3. Aplikasi dapat memindahkan komputasi mahal ke luar rantai (off-chain) sambil membuktikan setiap hasil di rantai (on-chain). Tumpukan Brevis mencakup Pico zkVM untuk komputasi tujuan umum, ZK Data Coprocessor untuk akses historis data blockchain tanpa perlu percaya (trustless), Pico Prism untuk pembuktian blok Ethereum real-time (cakupan 99,8% pada 16 GPU, menembak target perangkat keras $100K dari Ethereum Foundation), Vera untuk autentikasi keaslian media berbukti ZK, dan ProverNet, pasar terdesentralisasi untuk generasi bukti ZK yang kini berjalan di mainnet. Hingga kini, Brevis telah menghasilkan 340M+ bukti di lebih dari 50 protokol pada 8+ blockchain.