看到斯坦福那帮人用 AI 生成 CUDA 内核的新闻，我第一反应是摸了摸自己稀疏的头顶。搞了十几年算法优化，突然发现调参侠的饭碗要被 AI 抢了，这感觉就像当年数码相机让柯达工程师集体失业。
但仔细想想又觉得好笑。去年还在跟投资人吹 “我们的算法团队有十年 CUDA 优化经验”，现在 AI 一晚上生成的代码就能吊打人类专家几个月的成果。这让我想起 2017 年那些信誓旦旦说 “AI 永远写不出好代码” 的老哥，现在脸应该肿得像发酵过头的馒头。
最讽刺的是，这个项目的华人主创在 GitHub 上晒出的性能对比图，把 PyTorch 原生实现按在地上摩擦的样子，像极了我们当年用汇编语言暴打 C++ 程序员的场景。技术迭代的轮回总是充满黑色幽默，只不过这次被降维打击的换成了我们自己。
有个做 GPU 加速的朋友看完论文后，连夜把团队优化了半年的卷积核代码全删了。他说看着 AI 生成的指令调度，感觉自己在用石器时代的方法雕琢硅片。这话让我想起第一次见到自动驾驶汽车时，那个坚持 “人类司机永远不可替代” 的出租车司机。
不过最让我失眠的是商业层面的冲击。现在很多 AI 公司 70% 的研发成本都花在模型优化上，如果这块突然被自动化工具替代，那些估值动辄几十亿的初创公司，他们的技术壁垒会不会一夜之间变成皇帝的新衣？就像当年诺基亚的专利墙在触屏时代突然一文不值。
但转念一想，也许我们都在犯同样的错误 —— 高估技术的短期影响，低估长期变革。就像现在回头看，AlphaGo 既没有让围棋消失，也没有让职业棋手失业，只是重新定义了什么是 “顶尖水平”。说不定明年这个时候，最赚钱的岗位是 “AI 生成代码的人类调教师”。
（突然想到昨天还有个客户在问要不要投资 CUDA 优化团队，现在特别想给他发个捂脸表情包）
