英文为什么人工智能尚未取代软件工程师,也不会取代软件工程师
软件工程是观察AI就业影响的前沿样本,现有证据不支持“能力达标即大规模裁员”:许多AI裁员叙事实为财务压力或重组包装,就业仍在增长但增速放缓。AI主要压缩写代码等执行层,无法替代需求判断、系统理解、验证交付和责任承担,因此软件工程师总体需求可能保持健康,但个人职业将因技能、岗位和适应速度出现分化。
浏览 佳文共赏 分类下的公开文章、摘要与延伸阅读。涌现智元旗下AI信息管理工具
英文软件工程是观察AI就业影响的前沿样本,现有证据不支持“能力达标即大规模裁员”:许多AI裁员叙事实为财务压力或重组包装,就业仍在增长但增速放缓。AI主要压缩写代码等执行层,无法替代需求判断、系统理解、验证交付和责任承担,因此软件工程师总体需求可能保持健康,但个人职业将因技能、岗位和适应速度出现分化。
中文法国工程师Fabrice Bellard及其长期独立开发经历,说明FFmpeg、QEMU、TCC、QuickJS等项目如何成为视频处理、云虚拟化、编译器和运行时基础设施,并展示持续发布高影响力软件、以技术而非营销建立影响的路径。
中文Ed Zitron认为AI行业已陷入由OpenAI、Anthropic、NVIDIA、云巨头和风投共同维持的泡沫,核心矛盾是算力承诺、GPU销售、数据中心建设和真实收入之间数学上无法闭合;需求主要由少数AI公司和云厂商互相投喂制造,企业ROI不清、用户增长和利润率恶化,一旦数据中心融资放缓或OpenAI、Anthropic增速不达预期,将引发GPU减值、债务违约、云厂商收入缺口、供应链崩溃和风投清算,结论是AI泡沫不是是否破裂,而是何时以何种方式爆炸。
中文使用 Codex 回溯近30天会话、记忆与纪事,识别重复、高成本、可复用的工作流程,优先复用现有技能、子代理或自动化,只为高置信度缺口创建最小资产,并输出候选短名单、创建结果、跳过项及需更多证据的事项,避免推测、重叠和宽泛封装。能有效沉淀有用技能、子代理或自动化。
英文现代AI并非复制人类智能,也不是简单统计工具,而是学习并延展沉淀在人类语言中的认知结构,因此能生成流畅文本、代码和推理,却因缺乏与现实世界的直接经验而容易幻觉、组合推理失败、视觉理解脆弱。AI风险不在于其拥有自主意图,而在于无责任地放大未扎根现实的模式,可信AI必须依赖人类设计的治理、评估、审计和安全约束。
英文企业为证明AI工具投资价值,开始用AI生成代码行数、token消耗等指标衡量开发者生产力,但这些数字可被误触或刻意刷高,且与问题是否被正确解决无关;真正高效的工程往往是删减、简化和提升可靠性,按输出体量考核只会奖励无效活动,最终衡量的是订阅消耗而非生产力。
英文作者反驳“AI 编程只会快速制造低质代码”,主张用 LLM 放慢开发、提升质量:让多个模型联合审查 PR、交叉验证并排序缺陷,再由开发者筛选修复关键问题;这种方法未必提高产出速度,却能发现新旧漏洞、避免错误方案、加深对代码库理解,最终让 AI 成为谨慎、高质量编程的辅助工具。
英文Pi团队用Pi维护Pi时发现,LLM生成的议题和PR大量涌入,常把真实观察扩写成错误诊断、伪复现和过度设计,误导代理与维护者,增加审查和修复成本;近90天外部3145项中多数被自动关闭,PR合并率仅约8%。作者主张提交者只提供可验证事实,维护者坚持全局不变量和上游协作,开源价值不在孤立产码,而在共同维护可靠基础。
英文AI编码代理显著提升代码生成速度,却把瓶颈转移到代码审查、上下文理解、安全、协作和最终判断,开发者工作时长未变但决策密度上升,易引发疲劳和失误;组织需重构SDLC,将人类判断从逐行审核转向需求、边界、结果与风险验证,并用AI辅助审查和评估。