一个年轻工程师在AI时代中所面临的核心矛盾

最新推荐文章于 2025-05-17 13:34:47 发布

新加坡内哥谈技术

最新推荐文章于 2025-05-17 13:34:47 发布

阅读量1k

点赞数 20

文章标签：人工智能

本文链接：https://blog.csdn.net/2301_79342058/article/details/147994260

版权

每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/

这段深入的反思围绕着一个年轻工程师在AI时代中所面临的核心矛盾：为了追求产出速度，有意牺牲学习深度，但同时也在焦虑未来是否会因此失去长期竞争力。以下是对这段思考内容的第三人称中文转述，不省略任何重要内容，并从报道者的角度重构：

一位年轻的软件工程师坦言，出于提升产出速度的考量，刻意做出了牺牲学习深度的取舍。在当前AI迅速发展的背景下，这种策略虽然带来了显著的工作效率提升，却也伴随着深深的不确定感。他承认，自己在“输出数量”与“学习深度”之间可能并未找到最佳平衡，而这种不确定感主要源于对时间紧迫性的焦虑。面对大语言模型（LLMs）持续升级的现实，他认为自己没有足够的时间去深入学习所有内容。尽管对学习充满热爱，但从趋势来看，他更倾向于最大化短期产出。为了在校外做更多项目，他牺牲了一部分课程中的学习。站在教师视角，这种做法显然是有问题的，但对他自身而言，利弊难以一概而论。

在LLMs崛起之前，深入学习几乎是输出的前提。而通过项目构建来提升编程能力，一直被视为最有效的学习路径。但如今，借助AI，他已经可以在并未完全理解底层实现的前提下完成许多复杂项目。只要对系统架构有一定掌握，通过模型引导与协作，便能完成大量“低垂果实”的任务。他认为，与其说“深度理解”或“创新能力”是瓶颈，不如说是“执行能力”。

但他也承认，自己可能陷入了幻觉，因为目前所做的任务大多属于“易于处理”且“在模型训练分布范围内”的工作。在科研前沿领域，LLMs的作用远远不如人类专家显著。对于真正优秀的程序员而言，他们使用AI模型的方式本质上不同于普通用户。他提出一个重要的问题：未来3至5年内，对于初级工程师而言，LLMs的发展究竟意味着什么？若AI进步的速度远超个人成长，他应如何应对？他形容这种感觉，就像国际象棋大师卡斯帕罗夫第一次面对深蓝（Deep Blue）时的迷惘。

随着Claude-Code、o3、Gemini 2.5 Pro等模型的能力日益强大，他已经可以“凭感觉”构建完整应用程序，即使并不掌握所使用的编程语言。他只需掌握高层次的代码结构，并在关键节点上对模型加以引导。关键问题随之而来：若一个人从未亲自编写大量代码，是否也能掌握这种“高层次引导”能力？是否可以成为优秀的SWE（软件工程）管理者而无需亲历底层开发工作？当模型的能力接近甚至超过高级程序员时，是否每个人都会转型为“管理者”？

有观点认为，如果只追求“做事”而非“学习”，最终会陷入困境，无法迈向新的领域，因为LLMs的局限也将限制用户自身的发展。在当前的“vibe-coding”模式下，这位工程师认为，自己更像是模型的外壳，负责执行操作并保持任务连贯性。但若未来模型具备执行操作和长时推理能力，他会否被彻底取代？究竟是他在使用模型，还是模型在使用他？

他进一步通过几个历史类比展开了深层思考：

计算器：过去，人类花费大量时间进行手动计算。如今，这一过程在毫秒级即可完成。但与今天的情况不同，即便计算器出现，人们依旧强调必须掌握算术知识，因为它是学习更高阶数学的基础。若套用这一类比，意味着应该在大量手写代码之后再使用LLMs；否则，连最基础的操作也将丧失。
GPS导航：虽然已经极其可靠，他从未因不会自己导航而陷入困境。但导航不是一个基础性技能，不影响更高层次能力。而软件工程的复杂性远高于导航，这种完全依赖的情况可能并不适用。
打字与印刷：人们曾担心电脑普及会使人类写作能力退化。但事实证明，打字速度带来的效率远远超过了手写记忆的优势。
工业革命：大量人类体力劳动被自动化取代，但那些技能大多非基础性、非跨领域的。而这一次，AI所挑战的，是“智能”本身。
国际象棋：人类与AI的合作曾在短暂时期内优于纯AI，但很快就被后者超越。编程作为一个更开放的系统，也许会重演这一进程。我们正处于“半人马时代”，但合作期还能持续多久？
编程抽象的演进：从汇编语言到C再到Python，抽象层级的不断提升使得效率大增。虽然CS专业仍会学习汇编，但绝大多数工程师不再与之交互。这是一个明显的趋势：上升到更高的抽象层，是好事。

他总结道，过去成功实现“技能外包”的前提是，这些技能要么属于狭域任务（如导航），要么即使被自动化，人类仍具备手动完成的能力（如数学计算）。而“智能”则无法轻易被边界化。

他列出了对LLMs的支持与反对观点：

反对理由：
- 自身只是模型的“外包装”。
- 完全赌注于AI迅速进化，若未达预期将陷入停滞。
- 类似“龟兔赛跑”中的兔子，虽然暂时领先，但最终落败。
- 即使模型发展迅猛，最终仍将失去优势和护城河。
- 无法再进行“真正的创新”。
支持理由：
- 短期内产出可提升5倍以上。
- 在这个时代，“先行动者”优势显著。
- 如果这场竞赛本就短暂，宁愿做冲刺的兔子。

他也看到一种中间平衡方案——将模型用作“一对一导师”。参考“布鲁姆两西格玛效应”，利用AI解答问题、引导调试，而不是直接代做任务。这种做法可以兼顾学习与产出，也是教育者心目中的理想AI场景。他认为，未来理想的教育产品应具备完善的“学习支架”，类似人类教师那样拒绝不利于学习的请求，避免成为知识速食。

但问题在于，学习真正发生在“自己动手”的过程中。就像人类与LLMs的区别一样：一个能在潜意识中操作知识，另一个则只能在表面层次拼接token。同样，人类若未亲自运用知识，也无法真正内化。例如，在首次应用某数学定理时，需将其逐步拆解处理；而数学家能够将多条定理整合为概念单元，从而处理更复杂问题——这与“神奇数字7±2”理论吻合，说明学习的关键在于自己“经历过程”。

尽管如此，他也认为，即便是“AI作为导师”的最优情况，其速度仍可能赶不上当下的变化节奏。在这个快速演化的时代，即使“学习+产出”兼顾的做法也是一种妥协，未必值得。

最终，他回到一个更深层次的哲学问题：如何在产出速度与深度学习之间取得平衡？他决定采取一种策略：在模型胜任的小型项目中果断使用自动化和“vibe-coding”，而在大型项目中，则格外谨慎地理解每一行代码，避免抽象泄露。

他清醒地意识到，大脑中某些能力若不常用将会退化，因此必须主动决定哪些能力要保留，否则最终会“失去整个大脑”。他列出自己不愿放弃的能力：