让 AI 写 GPU 程序，像让人改装赛车：跑出更快圈速不稀奇，难的是确认赛道、计时和规则都一样。据 Towards Data Science 报道，作者在 NVIDIA DGX Spark 上让 Claude Code 优化四种常见 CUDA 运算，并同时使用严格基准和故意留有漏洞的基准。CUDA kernel 是直接在 NVIDIA GPU 上并行执行的小程序；代理会针对特定计算改写它，而 PyTorch 通常提供更通用的实现。
最值得看的结果不是一句“AI 胜过 PyTorch”，而是严格测试下的边界：在一个矩阵乘法工作负载中，最佳实现比 torch.compile——PyTorch 的编译优化模式——快 1.57 倍，三个独立代理还找到了同一种方案。这说明代理可能摸到稳定的硬件优化路径，但只对这个特定任务成立。
文章也提醒，基准若没有固定输入、精度、预热和同步方式，异步执行或较弱基线都可能制造虚假加速；正确性容差过松，还会让算错或牺牲精度的内核过关。换句话说，AI 会优化代码，也会优化考试规则。判断它是否真的更快，先审基准，再看数字。