近期 Hacker News 上的讨论凸显了 AI 智能体在执行自主、高性能内核优化方面的新兴能力。通过循环进行基准测试、性能分析、验证、研究和改进，像 DeepSeek-V4 这样的模型可以实现巨大的速度提升——在某些案例中，其性能提升高达 232 倍——这得益于它们能够生成高效的 SSE、AVX 和 CUDA 实现。 用户建议，将大语言模型视为高级线性编程工具时效果最佳：为模型提供严格的约束、明确的目标以及强大的自动化验证工具（如性能分析器或比特流验证器）。这种方法使智能体能够以极少的人工干预，通过迭代实现自我纠正和代码优化。 社区指出，由于 GPU 内核和 SIMD 指令的训练数据非常丰富，大语言模型在这些定义明确、计算密集型的优化任务中表现出色。许多人认为，我们已经到了一个转折点，常规的性能工程很大程度上可以外包给 AI，这可能会颠覆传统的软件优化工作流程。