人工智能时代的专业知识

# AI时代的专长 来源: https://www.moderndescartes.com/essays/ai_and_expertise/ 2026-05-12 标签:llms (https://www.moderndescartes.com/essays/tags/llms) --- 在编码代理盛行的时代，雇佣初级工程师还有意义吗？ 初级工程师成本高昂，无论是薪资还是资深工程师耗费的时间。这部分成本过去还能通过代码贡献部分回收，但如今，直接最大化资深工程师的产出效率要高得多。招聘市场也反映了这一趋势：资深工程师找工作容易，而刚毕业的计算机专业学生正经历有史以来最糟糕的年份。然而，OpenAI、Anthropic 和许多顶级公司仍在激烈争夺初级人才。这究竟是怎么回事？ 在这篇文章中，我将探讨 AI 时代中专业知识本质的变化。 ## 以数学作为类比 我认为，用数学来类比思考 AI 的影响会很有帮助，因为数学在半个世纪前就经历了它的“AI 时刻”。 过去有一种工作叫做“计算员”，是指能够准确快速地进行数学计算的人。这些人负责记账、根据距离和风偏修正计算火炮射击角度、计算船舶和飞机机身的最佳船体形状等等。由于科学计算器的发明，这个工作在 1970 年代就消失了。计算器随着时间的推移变得越来越复杂，今天的数值建模软件可以运行全尺寸的物理和工程模拟。(为了本文的讨论，我将“计算器”泛指从基础计算器到建模软件的所有工具。) 尽管计算器存在，我们仍然教导并要求人们在高中学习代数、几何和微积分。进入大学后，我们要求 STEM 专业学生学习多变量微积分、常微分方程、偏微分方程、统计学和线性代数。毕业后，他们中的绝大多数人每天都使用计算器，忘记了除了最基本的心算之外的所有计算。 对于这种差异，有两种基本的解释： - (信号假说) STEM 学位筛选出了那些能够学习并坚持完四年艰难数学课程的人。 - (技能假说) 在数学课程中挣扎的过程赋予了某种难以量化的数学直觉，这对操作当今的计算器非常有价值。 作为一个曾经坚定相信信号假说的人，我现在越来越倾向于技能假说（假设每种原因各占大约 50%）。很明显，今天的资深工程师在使用编码代理方面远比初级工程师熟练，这其中很大一部分原因是他们经历过了 5 年多手动编写代码的挣扎。 ## 处于动荡中的就业市场 目前，为编码代理进行增量式提示所需的计算机直觉水平大约相当于 5 年的经验。今天的资深工程师很幸运，能够有偿地建立他们的计算机直觉，但随着编码代理的不断改进，差距正在扩大。 考虑到编码代理的改进和个体学习能力的自然差异，也许 50% 的新计算机科学毕业生将永远无法追上。一些资深工程师尽管有先发优势，但最终也会落后于时代。 回到文章开头的问题：只有部分初级工程师值得雇佣，具体来说，是那些在毕业后的 2-3 年内能够达到某个有用的“编码直觉”门槛的优秀毕业生。由于这样的毕业生数量不多，少数精英公司会激烈地争夺他们。 二线的软件顾问群体将继续增长，扩大整个就业市场的规模，但我预计他们的薪资增长速度远不及今天的资深工程师。 ## 每个人都应该学点编程 即使进入软件工程行业的门槛在提高，我仍然认为每个人都应该学点编程。我经常看到人们把电脑当成电器——只能做它们被制造出来要做的事，别无他用。如果你不把电脑看作是可脚本化或可编程的，那么你永远不会想到让 AI 帮你自动化某些事情！许多其他领域也是如此！数学、法律、税务、医学、DIY 家居维修等等……只需每月 20 美元，就能获得丰富而廉价的专业知识，前提是你知道如何提问。 我认为主要的突破点在于： - 1-2 周：基本了解该领域是关于什么的，以及当请求 AI 做某事时该使用什么通用词汇。 - 1-2 个月：基本了解如何以及何时向 AI 提问。 - 4-6 个月：能够检查输出的正确性（根据需要借助外部来源）。 如果你已经是一名软件工程师，你可以考虑涉足数据科学、前端、后端、安全和性能优化/分析——这些都是截然不同的技能集。 这里有一个关于“如何 + 何时 + 正确性”的数据科学例子：一位同事正在对某个数据集进行相关性分析，发现很难理解其中的情况。我建议他直接问 Claude，“用NMF (https://en.wikipedia.org/wiki/Non-negative_matrix_factorization)让它更好看”——突然之间，有用的聚类就开始出现了。 (这个提示词的扩展版本：对成对距离矩阵 (https://en.wikipedia.org/wiki/Metric_space#Definition)应用 NMF 可以得到 k 个聚类质心和聚类成员分数。根据 argmax(聚类分数) 重新排序原始距离矩阵可以突出聚类。这里的“如何”是知道关键词“NMF”；“何时”是“对距离矩阵进行聚类”；而“正确性”是知道使用它的前提条件。) ## 结论 做好你的功课！有一种奇怪且普遍存在的虚无主义观点认为，你应该停止那么努力，直接用 AI 速通你的课程。我认为这可能是最糟糕的回应。付出努力是建立精通的最佳方式，就像你过去不被允许在中学数学课上使用计算器一样，你也应该暂时不应用 AI 来完成课堂作业。关于计算器的建议在我小时候听起来像是说教，这个关于 AI 的建议可能听起来也差不多——但我真的相信这是为你好。这个建议在你毕业后也同样适用。在你至少亲手做过一遍之前，不要使用 AI。