为什么说 AI 编程是人人都需要掌握的新技能？

▼最近直播超级多，预约保你有收获

今晚直播：《AI 编程技术架构剖析和案例开发实战》

 —1—

AI 编程能做哪些工作？

我们先来分析下软件产品的研发流程，有以下2类重要部分：

第一部分：业务需求分析、领域建模、架构设计、架构选型、详细设计、模块耦合设计、接口设计、测试设计、运维设计等。

第二部分：代码编写、写测试用例、写运维脚本、写注释、线上问题定位与分析、Code Review 等。

第一部分属于软件抽象层次比较高的部分，第二部分属于软件抽象层次比较低的部分。

很多软件项目实践都表明 AI 编程在细颗粒度、抽象层次较低的任务上，表现非常好。但在大颗粒度、抽象层次较高的任务上，表现比较差。而大颗粒度、高抽象的设计才是软件开发中核心的核心—抵抗软件的复杂性。

正如面向对象大师 Grady Booc h在回复 Andrej Karpathy 的“The hottest new programming language is English” 争论时，也鲜明地指出“整个软件工程的历史就是不断提升抽象层次”。

而这一点和 AI 编程 将人类知识“不断压缩、进而抽象”的发展路径不谋而合。

 —2—

程序员的核心竞争未来在哪里？

第一、学会使用 AI 编程，掌握 AI 编程的同学一定会比没有此项技能的同学更有竞争力。

第二、在 AGI 时代，软件开发中比较难被 AI 编程替代的部分主要包括以下抽象层次较高的任务：：需求分析、领域建模、架构设计、详细设计、模块耦合性设计、接口设计、开发者测试设计等。所以 AI 智能时代，程序员最重要的技能要聚焦在上述抽象层次较高的任务，才能有持续的竞争力。

第三、软件开发 = 抽象层次较高的任务 + 抽象层次较低的任务（编码），我们学会利用 AI 编程高效解决抽象层次较低的任务，同时借助于 LLM 大模型（比如：GPT 4 Turbo）作为我们的 Copilot，辅助解决抽象层次比较高的任务。

第四、对于抽象层次高的任务，LLM 大模型未来一定无能为力吗？理论上来讲，人类大脑的生物神经网络可以掌握的，基于 LLM 大模型的数字神经网络一定也可以。能不能实现主要看 LLM 大模型训练数据的质量、RLHF 中的人类反馈、Fine-tuning、Prompt 等环节是否能将软件行业积累这么多年的各种“抽象”的优秀实践都学习掌握到？至少目前以 GitHub、CodeParrot 开源代码为主要训练数据来源的 LLM 大模型在这方面表现还有相当大的距离。

我相信这也将是软件领域今后长期活跃的研究方向。但这一定是一个渐进、漫长的过程。

—3—

纯干货 AI 编程技术实战直播

为了帮助同学们掌握好 AI 编程技术架构和应用案例实战，今晚20点，我和陈东老师会开一场直播和同学们深度聊聊 AI  编程框架架构剖析、AI 编程 核心技术设计原理剖析、基于 AI 编程构建企业级架构应用案例实战，请同学点击下方按钮预约直播，咱们今晚20点不见不散哦~~

近期直播：《AI 编程技术架构剖析和案例开发实战》

END