程序员常面临一个难题：写出的代码能运行，但执行效率低下。这就像烹饪时菜品味道尚可，却缺乏火候与效率。专业厨师凭借多年经验，能将菜品雕琢至极致。如今，科研人员正探索让AI掌握这种“精益求精”的能力，将普通代码优化为高效程序。
宾夕法尼亚大学的研究团队在arXiv平台以预印本形式发布了编号为arXiv:2501.18916v2的论文，提出两套创新方法——“检索增强搜索”（RAS）与“原子编辑引导搜索”（AEGIS），使AI优化代码的平均速度提升幅度达到人类程序员的两倍以上，部分测试中甚至超越人类水平。
程序优化的本质是在不改变功能的前提下，为代码寻找“高速公路”。现代编译器虽能进行自动优化，但仅限于“低层次”调整，如系紧鞋带而非换跑鞋。高水平优化需改变算法本身，这要求对程序逻辑有深刻理解。此前，AI因训练数据缺乏“程序运行速度”信息，优化效果有限。宾夕法尼亚大学团队曾建立PIE基准测试集，发现“动态代码检索”虽优于无优化，但仍存在匹配不精准、缺乏迭代改进等问题。
RAS的核心突破在于改进检索方式与引入迭代机制。传统方法通过代码相似度匹配案例，易出现“形似神不似”的错误。RAS则先让AI用自然语言描述程序算法，再基于语义向量匹配真正算法相似的案例，确保优化策略的针对性。例如，两段代码虽写法不同，但若均使用动态规划解决最短路径问题，即可被正确匹配。RAS采用“束搜索”机制，通过多轮迭代逐步优化代码：每轮检索相关案例生成多个版本，挑选最优者作为下一轮起点，避免“一锤子买卖”的局限性。实验显示，在C++程序优化中，使用GPT-4o的RAS平均加速比达8.03倍，优化成功率96.92%，接近人类程序员水平。
AEGIS的灵感源于编译器设计，旨在将大改动拆解为小步骤。传统方法单次改动幅度大，透明度低，而AEGIS通过预处理将训练数据中的慢-快程序对分解为“原子编辑+示例程序对”数据库。具体流程包括：分解差异为有序改动列表、生成中间程序、泛化描述为通用优化技巧。优化新程序时，AEGIS检索相关原子编辑，结合示例指导AI应用具体改动。实验表明，AEGIS虽性能略低于RAS，但字符级编辑距离更小，改动更均匀，便于程序员理解与审查。
代码优化的准确性是关键。研究团队通过严格测试验证方法可靠性：在GPT-4o实验中，RAS仅5个案例选错程序，准确率99.5%；AEGIS无错误，准确率100%。形式化验证工具CBMC进一步证明，DeepSeek生成的10个程序对中，8个完全等价，2个仅输出格式有微小差异。研究团队分析了失败案例，发现AEGIS在二分搜索问题、RAS在Kruskal算法上优化能力较弱，为后续改进指明方向。
对比实验显示，专用代码嵌入模型（如Codestral-Embed-2505）虽优于通用文本嵌入，但与上下文检索差距显著。原因在于竞赛代码常因变量名相似导致表面匹配错误，而上下文检索通过算法描述抽象差异，匹配更精准。
尽管RAS与AEGIS存在计算开销较大、对大型工业代码库适应性待验证等局限，但其为AI代码优化提供了可行路径。相关技术已开始在工业界应用，例如优化仓储系统性能。对用户而言，这意味着未来软件运行更快、耗电更少；对程序员而言，AEGIS的“小步改动”模式可作为有力辅助工具，提升优化效率与可解释性。不过，AI优化结果仍需人工验证，目前更像“博学助手”而非完全自主工具。感兴趣者可查阅arXiv论文获取技术细节。
