现有的多数神经架构搜索（Neural Architecture Search, NAS）方法依赖于下游训练来评估网络架构，这一过程消耗大量计算资源。鉴于此类计算带来的巨大碳足迹，本文旨在探索一种绿色（即环境友好型）的NAS解决方案，该方案能够在不进行训练的情况下评估网络架构。直观地看，由架构本身所引发的梯度直接决定了模型的收敛性与泛化能力，这一观察促使我们提出“梯度核假设”：梯度可作为下游训练的粗粒度代理，用于评估随机初始化的网络。为验证该假设，我们进行了理论分析，并发现一种实际可行的梯度核，其与训练损失及验证性能具有良好的相关性。基于该假设，我们提出了一种基于核函数的新型架构搜索方法——KNAS。实验结果表明，在图像分类任务上，KNAS在获得与“先训练后测试”范式相当甚至更优的性能的同时，搜索速度提升了数个数量级。此外，极低的搜索开销使其具备广泛的应用潜力。所搜索得到的网络在两个文本分类任务上，性能超越了强大的基线模型RoBERTA-large。相关代码已开源，地址为：\url{https://github.com/Jingjing-NLP/KNAS}。