文章指出，随着AI辅助编程的发展，过去需要专业团队才能完成的性能优化工作，现在任何人都能轻松实现，软件没有理由再变得缓慢臃肿。

好的，这是根据您的要求，对原文主要内容进行的中文重述，保留了核心细节，并删减了与主题无关的冗余内容。

文章核心观点：软件没有理由再慢下去

过去，软件性能优化是一项昂贵且需要稀缺专业技能的工作。但现在，随着AI（特别是大型语言模型）的发展，优化的成本急剧下降，使得许多过去因成本过高而无法实施的优化变得可行。这意味着，我们可以为特定工作负载定制高度优化的软件，而无需依赖少数专家。

主要论据与案例：

1. 优化成本大幅降低：过去需要专家团队数天甚至数周才能完成的优化工作（如编写JIT编译器、实现多线程算法），现在借助AI代理，普通人只需几分钟的描述就能完成。作者以自己开发的Azul游戏AI为例，通过AI代理实现了多线程优化，使其成为世界最强AI，而这类优化若手工完成将耗费巨大精力。

2. 工作负载特定优化成为可能：作者通过AI代理，针对自己电脑上ripgrep（一个搜索工具）的实际查询模式进行优化。结果显示，即使只花费几分钟，也能在特定工作负载上获得2%的性能提升。这表明，未来软件可以不再是“通用”的，而是可以根据用户的具体数据和使用习惯进行动态定制优化。

3. AI代理在特定优化问题上超越人类专家：文章提到，在Anthropic公司的一个性能优化面试题中，AI代理的表现超过了人类性能工程师。AI能够尝试许多人类工程师因时间成本而不会去尝试的“疯狂”优化方案。

4. 从“通用优化”到“个人优化”：作者通过分析自己电脑上ripgrep的查询日志发现，AI代理生成的查询模式（如超长的正则表达式）与人类手动输入的模式截然不同。因此，针对这些实际工作负载进行优化，比追求通用的基准测试成绩更有意义。

结论与展望：

• 软件性能将迎来变革：随着AI降低优化门槛，软件将不再受限于“通用性”和“开发成本”，而是可以针对特定场景进行极致优化。这既是机遇（性能大幅提升），也带来风险（如过拟合、数据依赖）。
• 个人也能受益：即使是个人项目，也能通过AI代理快速进行性能实验和优化，这在过去是不可想象的。
• 作者声明：本文是作者快速、非严谨的实验分享，旨在展示AI带来的可能性，而非提供严格的性能基准测试。

根据评论内容，总结如下：

主要观点一：软件性能持续下降，AI并非万能解药

• 多数评论者认为软件正变得越来越慢、越来越臃肿，且这一趋势难以逆转。
• 关键引用：
  • "But software seems to be getting slower and less user friendly by the hour." (ungreased0675)
  • "100% sure software in the coming years will just feel slower and slower." (raincole)
  • "The vast majority of users... obviously don't care about 'slow'." (bell-cot)

主要观点二：AI/LLM在优化方面潜力有限，且存在风险

• 部分评论者指出，LLM擅长微观优化（如预分配数组），但难以理解全局架构，且可能生成不安全、不可靠的代码。
• 关键引用：
  • "LMs still don't do data or hardware-oriented design well out of the box... you're going to be spending hours tracking down bad allocation decisions." (mccoyb)
  • "In the hands of a junior, this is dangerous... it will do things that are insecure." (jongjong)
  • "Very few humans do software optimization productively, so I'm not optimistic about machines built by humans." (jeffbee)

主要观点三：AI在特定场景下可提升性能，但需专业引导

• 少数评论者分享了成功案例，认为AI在明确定义的任务（如正则引擎、前端加载优化）中能显著提速，但前提是工程师具备专业知识。
• 关键引用：
  • "I went from a 4s load on simulated slow 4g to ~750ms." (jjcm)
  • "I had an agent take the data structures... build a prefix tree for fast auto completion... significantly faster feeling." (gravypod)
  • "Giving an LLM a program that does a well defined thing correctly and asking it to make a faster version... is a great way to burn through a bunch of tokens and getting a faster program." (Lerc)

主要观点四：性能问题的根源在于优先级和激励，而非技术能力

• 多位评论者强调，软件变慢的根本原因是商业激励（追求开发速度、功能迭代）而非技术限制。
• 关键引用：
  • "Incentive has shifted. It's now more important to worry about 'developer productivity' and churning out as much code as quickly as possible." (HumblyTossed)
  • "There are still tons of reasons for software to be slow, the biggest of which is priorities." (0xbadcafebee)
  • "If you want faster/more efficient software, force it to run on a 100MHz CPU with 512KB RAM and a 56k modem." (0xbadcafebee)

主要观点五：AI可能加剧而非解决性能问题

• 部分评论者认为，AI降低了编码门槛，导致更多低质量、低效代码被生产，且难以修复。
• 关键引用：
  • "Jevon's paradox implies we're getting more fast software, and more slow software. Sturgeon's law implies the ratio will remain the same." (4lx87)
  • "The engineer or the manager can choose more tech debt, then LLM's power is neutered... you are back to square one." (m3kw9)
  • "AI coding is often about making lots of additive changes without a lot of (or any) thinking in advance." (shoopadoop)

平衡性总结： 评论呈现明显分歧。一方认为AI是性能优化的新工具，在特定领域有效；另一方则强调软件变慢是系统性问题（激励、优先级、技术债），AI可能加剧而非解决。多数评论者对AI全面优化软件持怀疑态度，认为其效果高度依赖使用者的专业水平。