일반 목적 소프트웨어는 다양한 요구 사항에 대응하지만, 이러한 유연성은 특정 요구 사항에서의 성능과 효율성을 저하시킵니다. 특정 요구 사항에 맞게 제작된 소프트웨어는 이러한 손실을 방지하지만, 개발하는 데에는 인간 전문가의 상당한 시간과 노력이 필요합니다. AI 에이전트는 대안을 제시합니다: 이들은 개별적인 요구 사항에 맞춰 아티팩트를 설계하고, 구현하며, 테스트할 수 있습니다. 우리는 이 생산 패러다임을 Forge라고 부릅니다. 특정 수요를 위한 포징(Forging)은 특화의 누적된 이점이 구축, 검증 및 유지보수의 총비용을 초과할 때 경제적으로 정당화됩니다. Forge를 반복 가능한 생산 프로세스로 만들기 위해, 우리는 제어 계층(control layer), 포지 루프(forge loop), 그리고 재귀적 자가 개선(recursive self-improvement, RSI) 루프로 구성된 ForgeSystem을 제안합니다.
제어 계층은 각 수요에 어떤 아티팩트가 적합한지 선택하고, 어떤 수요를 포징할지, 언제 포징할지, 그리고 어느 시작점에서부터 할지를 결정합니다. 포지 루프는 후보 아티팩트가 검증을 통과할 때까지 생산과 검증 사이를 반복하며 순환합니다. RSI 루프는 축적된 생산 기록을 활용하여 시작점을 제공하고, 하네스(harness)를 개선하며, 모델을 훈련시킵니다. 우리는 트레이닝 프레임워크, 메가커널 디코딩 및 개별 컴퓨팅 커널에 대해 ForgeSystem을 구현했습니다. 포징된 트레이닝 엔진은 참조 프레임워크 대비 1.047~1.332배의 모델-FLOPs 활용률을 달성했으며, 포징된 메가커널은 13가지 구성에서 SGLang 대비 기하 평균 디코딩 속도 향상(geometric-mean decoding speedup) 1.21배를 달성했고, 포징된 커널은 22가지 구성 중 18가지에서 전문가 라이브러리와 같거나 능가하는 성능을 보였으며, 동시에 작업별 품질 요구 사항을 충족했습니다.
통제된 비교는 명시적인 품질 요구 사항이 에이전트를 트레이닝 품질을 유지하는 최적화 방향으로 유도한다는 것을 보여줍니다. 또한 우리는 서비스 라우팅(service routing)을 통한 Forge로의 점진적인 전환과, 수요별 생산 방식이 가치 축적 및 신뢰를 생산 시스템 쪽으로 이동시킬 수 있는 방식을 논의합니다.