Arm Performix 全新的 Dynamic Insights (動態洞察) 功能，可協助開發者與 AI 程式設計的 AI 代理，將全系統的 runtime 資料轉化為以實證為基礎的建議，以最佳化 Arm 平台上的軟體效能。
AI 代理開發和 AI 編碼的 AI 代理正在改變軟體發展方式，透過加速程式碼的生成、修改和重構，顯著提升開發效率。這些工具幫助開發者更快地完成從構思到實現的過程，一個關鍵挑戰也因而凸顯出來：如何確保生成的程式碼能夠在實際運行的系統上實現高效效能。
生成可運行的程式碼只是工程開發工作的其中一環。開發者仍需瞭解應用在真實工作負載下的運行表現，包括執行時間主要消耗在哪些環節、系統資源如何被使用，以及哪些限制因素影響了效能表現。隨著 AI 以更快速度生成越來越多的程式碼，保持這種可視性相當重要，可進而避免效能分析成為整個開發流程中的瓶頸。
做為最新版 Arm Performix 的組成部分，Dynamic Insights (動態洞察) 功能能夠應對這項挑戰。它使開發者和 AI 編碼的 AI 代理能夠將詳盡的 runtime 資料轉化為基於事實依據的最佳化建議，進而最佳化基於 Arm 架構程式碼上的軟體效能。
Dynamic Insights 將 runtime 效能資料與大語言模型 (LLM) 的推論能力結合，説明開發者識別效能瓶頸、理解其根本原因，並將最佳化資源聚焦於最有可能帶來效能提升的領域。
可靠的AI指導遠不只一個提示詞那麼簡單
要實現穩定且一致的 AI 輔助效能分析，僅僅將效能分析資料登錄 LLM 遠遠不夠。現實世界中的效能分析資料往往包含大量雜訊，系統交互關係複雜，程式庫規模龐大，而 AI 開發環境一次能夠處理的上下文又十分有限。因此，有效的效能分析取決於在保留關鍵細節的同時，對相關證據進行合理篩選、組織和呈現，以確保分析結論能夠得到驗證。
Dynamics Insights 透過將 Performix 的 runtime 資料與基於 Arm 架構及軟體專業知識打造的效能分析指導結合，幫助解決此一挑戰。透過將這些指導能力直接整合到工具套件中，Arm 能夠隨 Performix 一同對其進行更新、測試和發佈。
Arm 還會在廣泛的效能分析場景中，對 Dynamic Insights 所提供建議的品質和一致性進行評估。採用這種產品等級的方法後，相較於在分析工具之外單獨維護的指導方案，這些指導內容更易於維護、驗證和持續改進。
為什麼AI編碼的AI代理需要runtime效能資料
如今的 AI 編碼助理非常擅長分析原始程式碼，但僅憑程式碼本身，它們無法推斷出所有問題。
許多效能問題只有在應用實際運行時才會顯現出來。缺乏 runtime 證據時，AI 代理往往無法判斷：
- 哪些函數消耗了最多的執行時間；
- 工作負載究竟受限於 CPU、記憶體還是 I/O；
- AI 加速器是否得到充分利用；
- 看似來自於軟體的問題，實際上是否是來自系統中的其他環節。
例如，一個運行緩慢的資料庫查詢，表面上似乎需要透過最佳化程式碼來解決，但真正的瓶頸可能是儲存的延遲。同樣，一個應用看起來可能受到 CPU 效能限制，而實際上，低效的記憶體存取才是限制整體輸送量的根本原因。
有了 Dynamic Insights 提供的 runtime 分析能力，開發者能夠在投入時間對錯誤環節最佳化之前，獲得區分這些不同場景所需的關鍵證據。透過從系統層面進行全面分析，Dynamic Insights 能夠基於工作負載與硬體協同 runtime 的實際表現，為 AI 提供更可靠的指導，而不僅是依賴原始程式碼層面的假設。
Arm Performix 將 AI 指導的效能分析導入代理式開發 – Arm®
Dynamic Insights如何幫助開發者更快做出最佳化決策
當開發者能快速判斷效能資料所代表的意義，以及應從何處著手改善時，這些資料才能發揮最大價值。Dynamic Insights 可協助開發者從 runtime 的實證資料出發，建立清楚且具優先順序的分析路徑。
借助 Performix 收集的 runtime 資料，Dynamic Insights 能夠生成根據事實產生的最佳化建議，指出哪些環節最有可能透過工程最佳化實現效能提升。這有助於開發者更早聚焦於真正重要的問題，減少解讀複雜效能分析結果所需的時間，並避免將精力投入到收益有限的最佳化工作中。
在此基礎上，開發者還可以進一步提出後續問題、要求更多解釋，或對相關建議進行質疑和驗證，同時始終保留對底層效能證據的存取權限。這使每項建議都更容易被理解、評估和驗證。
如何在Arm運算程式碼上最佳化軟體
Dynamic Insights 支援多種軟體工程的工作流程。
驗證並最佳化遷移到Arm運算程式碼的軟體
將應用遷移至基於 Arm 架構基礎設施的團隊，往往需要接手最初針對其他架構最佳化的軟體。Arm 模型上下文協定 (MCP) 伺服器能夠讓 AI 編碼的 AI 代理存取 Arm 開發工具和技術知識。
Dynamic Insights 則進一步導入 runtime 效能證據，説明開發者驗證遷移後的工作負載，識別與特定架構相關的效能瓶頸，並發現能夠提升目標系統效能的調校機會。Arm MCP 伺服器與 Performix 的結合，為軟體的評估、遷移、驗證和最佳化提供了更為互連的工作流程，展現開發者充分發揮 Arm 運算程式碼的優勢。
發現靜態分析無法揭示的效能瓶頸
許多最佳化機會僅靠檢查原始程式碼是無法發現的。透過關聯原始程式碼與系統 runtime 行為，Dynamic Insights 能夠幫助開發者深入瞭解處理器利用率、記憶體存取、I/O 活動以及其他系統互動如何影響應用效能。
加速專家級效能分析
經驗豐富的效能工程師可借助 Dynamic Insights，縮短從效能分析到歸因定位所需的時間。例如，Performix 的 CPU 微架構分析指南能夠詳細展示處理器在執行過程中的各項行為指標。Dynamic Insights 則説明工程師解讀這些資料，深入分析快取利用率、指令輸送量、熱點迴圈，以及應用可擴展向量延伸指令集 (SVE) 的機會。工程師還可以結合底層證據，對每項建議進行驗證。
以證據為基礎建構自主最佳化工作流程
Dynamic Insights 還支援新興的AI 代理工作流程。在這些工作流程中，AI 編碼的AI 代理能夠自動執行效能分析、解讀分析結果、提出程式碼修改建議，並評估這些修改帶來的影響。
雖然開發者仍需對建議的修改進行審核和驗證，但基於 runtime 證據建構的工作流程，能為值得信賴的 AI 輔助最佳化提供更堅實的基礎。同時，它還能建立一個可重複執行的回饋迴路：首先分析工作負載、識別系統限制，然後再修改程式碼，最終在目標系統上驗證最佳化效果。
在 Visual Studio Code 中使用 Codex 產生 Arm Performix AI 洞察
將基於事實依據的效能最佳化能力導入AI代理開發
隨著 AI 日益成為軟體工程流程中的積極參與者，效能最佳化方式也必須隨之演進。對於 AI 代理而言，僅具備生成程式碼的能力還遠遠不夠。它們還需要可信賴的工具、系統上下文以及 runtime 證據，才能判斷所生成的程式碼是否能夠在實際運行的硬體程式碼上實現高效效能。
透過將深入的運行時分析能力與 Arm 的架構專業知識以及開發者熟悉的 AI 開發工作流程相結合，Dynamic Insights 幫助開發者更快地完成從程式碼生成到驗證的全過程，進而打造能夠在基於 Arm 架構程式碼上高效運行的軟體。
目前，Dynamic Insights 已做為 Arm Performix 的一部分正式推出，並與其他新功能一同發佈。該工具套件可免費下載，並透過內置的 MCP 伺服器與可被支援的 AI 編碼的 AI 代理整合，説明開發者基於真實運行系統中的證據分析效能瓶頸、驗證最佳化建議，並持續提升軟體效能。
(作者：Arm 技術產品總監 David Haikney)
更多COMPUTEX 2026最新資訊就在 ioioTIME 專區中
現在就加入 ioioTIMES 臉書粉絲團 更多互動、更多好康攏抵加!!
我們有LINE TODAY頻道了，快來追踪我們吧!!--最新科技新聞 盡在你手
