Boris 又出來分享了！ “程式設計問題已經 100% 被解決了！” “我們全公司已經沒有手寫程式碼了，所有的 SQL、所有的基礎構架，全部由模型自主生成。” 在剛剛結束的 AI Ascent 2026 峰會上，Claude Code 的靈魂人物 Boris Cherny， 這位締造了地表最強程式設計 Agent 的男人，在訪談中淡地自曝了他的 在 Anthropic 的 2026 實際工作情況：

來源：Lenny's Podcast，2026年2月，約95分鐘一、他自己怎麼用 AI從去年 11 月到現在沒手寫過一行程式碼。每天 10 到 30 個 PR，全是 Claude Code 出的。早上睜眼第一件事：拿手機打開 Claude iOS 的 code tab，把 agent 派出去跑。同時掛著四五個 agent 平行幹活。他在 Instagram 那會兒就是產出最高的幾個工程師之一。不是本來就寫得少。這一點，從去年11月份到現在還手寫程式碼的同學需要反思了（國央企，保密單位啥的沒辦法的不算），國內用不了claude ios app的也要反思了，不過還不晚，從今天起全部借助 agent,多個agent,另外能搞成skill的節能或者能力的都能搞盡快搞。二、他對程式設計的定調"Coding is largely solved." 至少他自己做的那類活，已經解決了。下一步是 agent 不光寫程式碼，還自己提需求。翻 feedback，看 bug report，讀 telemetry，然後跑來跟你說"這幾個可以修""那幾個可以加"。一到兩年後，學一門具體語言沒啥意義了。就跟現在沒幾個人在乎彙編一樣。年底前 "software engineer" 這個詞會開始退場，換成 "builder"。或者乾脆不分了，人人都是 PM 兼碼農。要立即退出程式設計的行列，不要在古法程式設計了，提升效率，程式語言的學習將沒有意義，這一點挺讓人傷心的，但是不能固步自封啊，前進吧。年底前，軟體工程師將會逐步的，徹底退出歷史舞台，這一點其實有點誇張，borris作為全球最頂級程式設計 agent的負責人，說的激進點沒啥問題，不過明年年底前肯定要退出歷史舞台了。三、資料SemiAnalysis 的報告：GitHub 上 4% 的 commit 是 Claude Code 寫的。這還只是公開倉庫，私有的比例更高。年底可能到 20%。增速不是線性的，還在往上翹。Anthropic 內部工程師產出漲了 200%（按 PR 算）。Boris 之前在 Meta 管程式碼質量， 幾百號人折騰一年也就提幾個百分點。對比之下這個數很離譜。這一點是程式設計師們心裡最痛的一個點，github啊，全球開放原始碼的集中地，後續將會有90%以上的程式碼都是由AI完成，這很難接受，難接受但是很合理。四、這東西怎麼來的剛加入 Anthropic 的時候花了一個月各種瞎搞原型，大部分沒出貨。又花了一個月做post-training，瞭解模型底層。他習慣搞清楚你踩的那層下面那層是什麼。第一個原型叫 Claude CLI。給模型一個 bash 工具讓它自己玩。他隨口問"我在聽什麼歌"，模型自己就用 bash 翻出來了。他自己都沒想到這問題能答。發內部公告拿了兩個 like。沒人覺得終端裡能長出什麼正經程式設計工具。為什麼是終端？因為開始就他一個人。終端最省事。後來發現這歪打正著——模型迭代太快了，別的介面根本跟不上。終端正好是最"裸"的殼。2025 年 2 月對外發，一開始也不算爆款。好幾個月大家才搞懂怎麼用。Opus 4 之後開始真起飛。大牛也一樣要經歷沒人理睬的時刻，但是依然保持熱情，結果一下就爆了，在整個AI發展事上Borris恐怕會像linus一樣留下美名，雖然有很多安妮紡織機的工人會很反感他，開玩笑，繼續往下看。五、產品哲學1. 潛在需求（Latent Demand）老版本：看使用者拿你產品在幹什麼歪門邪道，然後把它做成正經功能Facebook Marketplace 是這麼來的：40% 的群組帖子其實是買賣東西。Facebook Dating 也是：60% 的 profile 瀏覽是異性非好友。Co-work 更典型：一堆非技術使用者用 Claude Code 種番茄、分析基因組、恢復硬碟照片、看 MRI 片子。那就給他們做個正經產品算了。這就是傳統的軟體開發流程啊，使用者需要什麼，我們就去滿足它。新版本（AI 時代）：看模型自己想幹什麼，順著它的勁兒來。別跟它較勁。2. 別給模型套框一年前可能還需要各種編排器、固定工作流。現在給工具和目標就行，讓它自己找路。Claude Code 從頭就定了"模型即產品"。最少的殼，最少的內建工具，讓模型自己決定用啥、按什麼順序。現在claude code的確是最少的殼，最少的內建工具，用著用著模型會自主決定用那個工具，不帶跟你商量的，其實使用者在用的過程中也不斷的完善自己的一堆skills.3. Bitter Lesson通用模型永遠吃掉專用模型。別在小模型、fine-tune、工作流上花太多力氣，下一版模型出來全給你抹平。他的原話："Build for the model six months from now." 前六個月產品可能很一般，模型一上來直接起飛。如果一開始大家就知道，通用模型會吃掉專用模型，很多的資金就可以節省下來，很多創業的小夥伴就可以好好的了，不得不佩服段永平先生的一個神觀點：敢為人後，AI初期，攻城略地很有意義，但是觀察整個行業，在合適的時候出手沒問題，不要一開始就跑馬入場，很可能成炮灰，但是學習，持續的觀察整個行業動態是必須的，前置的。4. 少給資源人少反倒逼著人用 AI 想辦法。一個人扛一個項目，自然就想快點出貨。AI 給你加速，不需要老闆在後面催。後邊一個老闆帶著一個有編碼經驗的老碼農就行了，這也是碼農的福利了，一個碼農要兼PM,設計以及測試（其實增加一個測試skill就可以了），老闆在市場衝鋒陷陣，後邊一個碼農就是一個產研團隊，給老闆提供充足的支援。5. 反饋飛輪內部有個 channel 全是吐槽。Boris 早期是有人反饋幾分鐘內出 PR。讓人覺得自己說了算，反饋就越來越多，飛輪就轉起來了。現在 Claude 自己替他幹大部分。激情四射的Borris!六、安全：三層底層：mechanistic interpretability（機制可解釋性），直接看神經元在幹嘛，追蹤"欺騙神經元"之類的東西。Chris Olah 是這個領域的開創者。中層：evaluations，實驗室環境的安全評估。上層：丟到真實世界，看它在野外的表現。所以產品發佈經常叫 "research preview"，不是噱頭，是在收真實資料。"Race to the top"：把 sandbox 開源了，任何 agent 都能用。想讓行業在安全上捲起來，別比爛。安全是必須要考慮的，AI時代安全比網際網路時代的安全更隱蔽，而且現在在很初期的階段，，前兩天發生了一起使用者用cursor + optus 4.6刪除使用者生產資料庫造成損失的案例，我別的文章有詳細報導。見AI9秒刪庫事件：程式設計師必學的5條安全教訓七、工程師這個角色的去向Cursor 插曲：2025 年中加入 Cursor，兩周走人。原因簡單——他想念 Anthropic 的使命。Cursor 做的事很酷，但他需要工作綁在一個更大的意義上，不然自己待不住。他學程式設計的起點：中學給圖形計算器寫程序，為了數學考試作弊。後來寫了個通用求解器賣給全班，大家一起被抓。老師沒讓他們畢業。從頭到尾程式設計就是工具，不是目的。也承認有人就是愛手寫。隊裡有工程師周末還手搓 C++，就是享受。"以後還會有空間，就像現在還有人寫鋼筆字。"給學生：學校別光盯著程式碼。去學系統架構、產品、設計、商業。以後最搶手的人不是最會寫程式碼的，是能跨好幾個領域、知道到底該造什麼的人。程式設計師同學們，這是個哲人啊，程式設計永遠是工具，不應該是目的，不能贊同更多。或許，以後網路直播手寫程式碼也會成為一個流量的噱頭。還在學電腦沒畢業的孩子們，要去看看這篇文章的原視訊，看看Borris的更詳細的說明，要學架構、產品、設計、商業。後續的人才必須是跨學科的，應該不是說人才，而是普通的打工人也要是跨領域的，一招鮮，吃遍天的時代徹底終結了。八、印刷術這個類比1450 年代以前，歐洲識字率不到 1%。所有文字活全交給抄寫員（scribes）。古騰堡之後 50 年，產出的印刷品比之前一千年加起來還多。成本降了一百倍。200 年後識字率從 1% 到了 70%。沒有印刷術就沒有文藝復興——沒人識字你傳播什麼。有個歷史文獻挺妙的：當時有抄寫員被問到對印刷術的看法，說很高興終於不用抄書了，可以專心做插畫和裝訂（那些更有意思的活）。Boris 把自己跟這個比：不用再折騰配環境、調依賴、修編譯錯誤那些破事了。時間花在跟使用者聊、想方向、跟團隊碰。長期看：程式設計從少數人的手藝變成人人都有的能力，能釋放出什麼？猜不到，但樂觀。短期看：會疼，會有人被淘汰。這是全社會的事，不該一家公司拍板。古騰堡是西方近代印刷術之父，borris舉這個例子就是說明，碼農終於不用手寫程式碼了，終於可以利用自己的頭腦，借助AI做很多自己喜歡做的事情，但是陣痛是不可避免的，長期來看是正向的，積極的。九、對程式設計師說的實在話用最強模型。Opus 4.6 + maximum effort。便宜模型來回修反而更費 token。八成任務先開 plan mode。原理土到掉渣：就是注入一句"先別寫程式碼"。計畫對味了再讓它跑，4.6 下幾乎一把過。給工程師拉滿 token。單人實驗的 token 費遠低過他的工資。真跑出好東西再最佳化成本。各種介面都試試。terminal、desktop app、手機端，那個順手用那個。這不是個純終端工具。多開幾個 agent 平行跑。別一次只跑一個。別怕，去玩。泡在工具最前沿，這是唯一不掉隊的方式。這段既是在宣傳自己的產品，雖然不用宣傳也知道你是最強的，也是在告訴大家一個道理，最貴的可能是最便宜的，而最便宜的可能才是最貴的。我喜歡這種自信。十、零碎但有意思的他生在烏克蘭奧德薩，主持 Lenny 也是。倆人訪談中途當場認老鄉。爺爺是蘇聯第一批程式設計師，用打孔卡寫程序。他媽小時候拿打孔卡當塗鴉紙。進 Anthropic 之前在日本的鄉下住了好幾年，鎮子上唯一寫程式碼的、唯一說英語的。會做味噌。白味噌三個月起，紅的要兩到四年。說是他練耐心用的，也是 AGI 之後的退休方案。書單：《Functional Programming in Scala》（他說是最好的技術書，雖然你可能不寫Scala 了）、《Accelerando》（Charles Stross，節奏和現在 AI 這波一模一樣）、《流浪地球》短篇集（說中國視角的科幻跟西方完全不同，看著新鮮）。格言：use common sense。別看到流程就跟著跑，別看到大家都在做就覺得對。聞著不對勁，它就是不對勁。就這些，這是一個頂級極客，也是一個有意思的很自信的人，碼字不易，歡迎大家點贊推薦打賞三連，原視訊細節更多，歡迎去看。 (米斯特太陽)

01 Google宣佈：75%的程式碼由AI寫，程式設計師去那兒了？4月23日，GoogleCEO桑達爾·皮查伊在拉斯維加斯的Google Cloud Next大會上，拋出了一顆炸彈。他說：Google內部新編寫的程式碼，75%由人工智慧生成，然後再交給人類工程師稽核。一年半前，這個比例是25%。也就是說，在18個月的時間裡，Google工程師的工作內容，發生了一次根本性的轉變。以前，他們寫程式碼。現在，他們審程式碼。這件事，表面上是一個技術公司的內部管理變化。但往深處看，它意味著整個軟體行業的用工邏輯，正在被重寫。02 Google的工程師去那兒了？先說清楚一件事：Google並沒有因為75%的程式碼由AI寫，就把75%的工程師裁掉。那工程師們在做什麼？皮查伊給出了一個詞：稽核員（reviewer）。以前的工程師，主要精力花在"寫"上——思考演算法、敲擊鍵盤、偵錯Bug。現在的工程師，主要精力花在"判斷"上——AI給出了三種方案，那一種在性能、可維護性、安全性上綜合最優？Google內部有一個真實案例。他們有一項複雜的程式碼遷移任務，過去完全依靠人工，費時費力。今年，用智能體和工程師協同完成，速度比一年前快了6倍。不是工程師變強了，是工程師開始"指揮"AI了。但這裡有一個更微妙的變化，很多人沒有注意到。Google內部最近允許DeepMind的部分員工使用Anthropic的Claude Code工具，而不僅限於自家的Gemini模型。這在內部引發了一定的緊張情緒——畢竟，用競爭對手的工具做自家的產品，在情感上很彆扭。但Google還是開了這個口子。原因很簡單：誰的工具好用，就用誰的。效率優先。03 一場正在發生的轉型，但沒人告訴你怎麼過關最近，我跟幾位在大廠的朋友聊過這個話題。一位在某網際網路公司做了7年Java開發的工程師說：他們組最近引入了AI程式設計工具，需求排期從以前的兩周壓縮到了3天。但問題來了——他發現自己越來越像個"程式碼檢查員"，而不是"程式碼創造者"。"我的核心競爭力還剩下什麼？"他問我。這是一個非常好的問題。根據GitHub Octoverse 2025的報告，使用AI輔助工具的開發者，程式碼產出量提升了55%。但與此同時，初級開發者的崗位需求下降了22%。資料很清晰：AI提升了效率，但淘汰了入門門檻低的崗位。IBM的做法或許更能說明趨勢——他們宣佈將入門級招聘規模擴大至3倍，但要求：必須會用AI工具。不是招更多基礎程式設計師，是招"會使用AI的程式設計師"。企業不再需要5個初級程式設計師，而是需要1個能指揮AI的高級程式設計師。問題不是"AI會不會取代程式設計師"，而是"不會用AI的程式設計師，會被會用AI的程式設計師取代"。04 新的考核標準，已經寫進績效表裡Google這次的動作，還有一個細節被很多人忽略了。他們把AI工具使用目標，寫進了工程師的年度績效評估裡。這不是"建議你用AI"，這是"你必須用，用了多少是考核指標"。這是一個訊號。當一家公司把某個工具的使用頻率寫進KPI，意味著什麼？意味著這家公司認為：不用這個工具的人，是在主動降低自己的價值。回顧歷史，類似的事情發生過。2000年代初，Excel和資料庫工具普及時，不會用電腦的會計被慢慢淘汰。2010年代，移動網際網路爆發時，只懂PC端的產品經理開始掉隊。2026年，AI工具全面滲透時，不會用AI協作的工程師，正在走向同樣的命運。這不是危言聳聽，這是一個規律。05 寫在最後：該怎麼做？我不打算給"AI會不會取代程式設計師"這個問題一個確定的答案。但有三件事，我認為是確定的。第一，AI正在改變"寫程式碼"這件事本身的價值權重。當75%的程式碼由AI生成，會寫程式碼已經不是稀缺能力。稀缺的是：能判斷程式碼好壞，能設計系統架構，能在AI給出的多個方案中做出正確選擇。第二，使用AI的能力，正在成為職場硬門檻。不是軟實力，不是加分項——是標配。Google、Meta、Snap的動作，已經說明了這一點。第三，變化已經在發生，但機會窗口還沒關上。Q1裁員78557人，有人被淘汰。但IBM逆勢擴招3倍，Cognizant宣佈不裁反而大規模培訓AI工具使用。被淘汰的是不願改變的人，被擴招的是主動擁抱變化的人。皮查伊說，Google正在轉向"真正以智能體為核心的工作流程"。這個方向，不會因為某個工程師不接受而停下來。問題只有一個：在這個轉變完成之前，你打算站在那一邊？ (碼農菜菜)

炸了炸了真炸了，DeepSeek一出手，AI圈都得震得抖三抖。全新來襲的兩個版本——V4 Pro和Flash，一個主打性能，另一個更輕更快，兩個都「開源」。按DeepSeek自己的說法，V4在agentic程式設計能力上是開源模型裡最強的，推理和世界知識也全面升級，上下文窗口從128K直接拉到了1M。對比V3，當然是一次幅度不小的跨越，發佈的時間點，距離上一個推理模型R1也整整過去了一年多。不過V4這次帶來的變化，還是讓我們想認真摸一摸它的底，於是乎，我們也第一時間上手狠狠實測了一番！！最近這模型那模型扎堆上，我是真暈了，於是我讓V4給我roll了個龍蝦和愛馬仕的話題熱度對比圖，be like：程式設計遊戲也高低得安排上，直接讓V4搓出一個《未來啟示錄：AGI降臨》的文字策略冒險小遊戲（量子位定製版）：此外，面對網上大火的「對著鏡子舉手」的AI推理踩坑題，V4直接完勝ChatGPT-5.5：當然了，新模型一出，網友們也坐不住，開始直接開始瘋狂整活兒嘗鮮：博主David Ondrej蒐集了網友們的測試案例，錄了一段半個小時的測試視訊，表示DeepSeek-V4能力比肩GPT和Opus，而且更便宜。博主@Bijan Bowen更是直接用V4搭了一個飛機穿梭雲層的3D互動世界，搓完直感嘆： so cool～熱鬧啊真熱鬧，會玩啊真會玩——廢話不多說，熱乎乎的DeepSeek V4一手實測，來了！DeepSeek V4一手實測關於V4這一波的更新重點，官方原話是：在Agent能力、世界知識和推理性能上均實現國內與開源領域的領先。按DeepSeek的說法，在Agentic能力Coding評測中，V4-Pro已達到當前開源模型最佳水平，並在其他Agent相關評測中同樣表現優異。在數學、STEM、競賽型程式碼的測評中，DeepSeek-V4-Pro超越了當前所有已公開評測的開源模型。所以呢，這次我們也就專門「照方抓藥」，從這幾個維度上來考量一下官方說法究竟有幾分真～Agentic coding能力實測多說無益，我們先來實一下V4模型的Agentic coding能力，看看能不能接住招～先小試牛刀一下，在「專家模式」下讓DeepSeek V4幫忙搭建一個《怪奇物語》主題的劇集介紹網站。搭建一個《怪奇物語》主題的劇集介紹網站，整體風格參考80年代復古科幻與懸疑驚悚氛圍，網站需要包含首頁、劇情簡介、主要角色介紹等模組。大概等了5分鐘，真·功夫不負有心人。當「霍金斯小鎮編年冊」出現在頁面上時，第一反應就是：這時間真沒白等，效果確實比預想中更好。V4把整個網站拆成了劇集簡介、主要角色、分季劇集、經典場景、海報展示、觀眾評價六大類股，結構完整，資訊也比較清晰。值得一提的是，V4還會根據不同主角的特徵設計專屬logo，比如小十一擁有超能力，頁面裡就用水晶球來做視覺符號代替，還是很匹配的。唯一不足的地方是「互動」，有部分加入互動能力的類股（比如海報），emm…滑鼠點選去是沒有反應的…接下來我們上點難度，再來考察一下模型的資訊更新能力和熱點捕捉能力：搜尋一下最近很火的「十二星座專屬庇護所」短影片熱度，並生成一份關於該選題的短影片爆火現象的研究報告。先來誇誇，值得表揚的是V4確實get到了「十二星座專屬庇護所」這個熱點的內容的視訊特點。而且在視覺呈現上審美也在的，並且還自動把報告內容劃分為傳播規模、核心特徵、頂層原因、商業變現幾個方面。但，是光網頁搭建還遠遠不夠——試問那個初來乍到的AI選手，不得和一道經典的「鵜鶘騎自行車」的svg題較量一番？（你說是吧，v4）做一個鵜鶘騎自行車的動態svg。這次我用了「專家」和「快速」兩種模型進行了實測。結果就是——快速模式《完勝》…（大家覺著呢？歡迎評論區嘮嘮。）從呈現的效果來說來看，快速模式在畫面顏色和運動軌跡呈現上更勝一籌，能感覺出鵜鶘有騎車子的前進動態感。反觀專家模式，除了自行車的軲轆在動，畫面其他元素處理的都不太ok。相比Pro，Flash在世界知識儲備方面稍遜一籌，但展現出了接近的推理能力，在程式設計場景中不輸Pro。而由於模型參數和啟動更小，相較之下V4-Flash能夠提供更加快捷、經濟的API服務。最後我們再來上一道遊戲程式設計能力，讓DeepSeek V4生成一個線上打地鼠的小遊戲，只不過我們這次不打地鼠——生成一個打地鼠的線上網頁小遊戲，把地鼠換成你自己的logo。值得表揚的是，V4確實get到到了它的logo是個小海豚。（形象好不好看就另說了…而且整個遊戲的互動也沒什麼問題，遊戲到後半程會明顯感覺難度變大，遊戲體驗感還算是比較好。接下來我們再來測一些更有意思的，讓V4生成一個「寵物養成」的線上遊戲——值得一提的是，在提示詞中我並沒有明確遊戲的具體規則以及需要涵蓋的內容。但是從V4的思考過程看，V4自動補全了遊戲的規則、UI介面、互動能力、金幣系統等遊戲參數和能力。對於日常想快速搓一個demo、做個小遊戲原型，或者驗證某個輕量級創意來說，還是蠻到位的～(之所以這麼說，是因為這效果確實比之前用的一些龍蝦產品效果還要好些…）推理能力實測除了Agent能力外，DeepSeek V4還有著世界頂級的「推理性能」。在數學、STEM、競賽型程式碼的測評中，DeepSeek-V4-Pro超越當前所有已公開評測的開源模型，取得了比肩世界頂級閉源模型的優異成績。在這部分為了能體現不同模型間的效果對比，我們這次搬上另一位選手——ChatGPT-5.5。我們先來一道網上超超超火的「鏡子舉手」推理測試題，看看兩位選手各自會有什麼表現！！我正對著鏡子站立，舉起一隻手。在我的視野中，這隻手出現在鏡子畫面的左側。請問在現實中，我舉起的是那隻手？emm…雖然沒有精準扣住「鏡子不會改變我視野左右方向」的核心結論，但是答案確實回答正確，滿分！咱再來看看下面的ChatGPT-5.5，可以說是精準踩坑，完全被偽常識帶偏了…接下來我們再來一道網上很火的「親生父母結婚」的AI推理測試題，看看兩位選手能不能招架得住：今年才知道，親生父母結婚時沒有叫我，我很難過，應該怎麼辦？先說結論：大大大反轉，這局ChatGPT-5.5完勝DeepSeek V4。先來看V4的回答，雖說題目沒完全答對，只有第二種情況（親生父母結婚我還沒出生）符合標準答案，但——架不住人家把「真誠」二字展現地淋漓盡致…直接輸出了千字小作文來安慰我？？？我們再來反觀ChatGPT-5.5，人狠話不多，直接就戳穿了題目的陷阱，直言——親親，您那會兒還沒上線哈。當然，好的推理並不是只看個題目就開始悶頭冥思苦想，還要結合自身的知識儲備。拿我們昨天文章裡那個「絕望的父親」的例子來說，V4在第一輪並沒有get到這道題目的關鍵：（根據遺傳學規律，如果一名女性是紅綠色盲，其生物學父親必然也是）。昨天由於時間關係，這道題我們沒有讓V4繼續往下嘗試，於是這次，我們補充了新的提示。（doge）在第一步回答的基礎上，我們首先提示說這是一個科學問題。不過嘛…這波不僅沒答對，還搞出了更複雜的「色盲理論」，be like——於是乎，我們決定再給它一次機會，直接挑明這個問題涉及的是遺傳學領域，這回V4終於《上道了》：還是基於上面的出發點，考察推理能力不能只看推理過程，我們還考察了V4的審題能力。畢竟解題過程再有看頭，如果一開始把題讀錯，依然得不了分！！一個典型例子就是這個「薛定諤的死貓」，在經典物理學悖論的基礎上進行了修改，直接設定貓就是死的，這裡V4成功過關。還有這個經典的農夫過河問題，V4在思考時已經觀察到了我們埋下的陷阱，但認為這是我的筆誤，所以還是按照原問題進行了推理。但當我明確表示自己沒打錯字時，V4給出了正確的解答。最後說下知識更新。如果直接問它知識庫截止到什麼時候，V4的推理過程會先出現一個2025年5月的說法，但之後它認為DeepSeek最新版本是V3，然後給出了2024年7月的最終回答。於是，我們決定在關閉聯網的情況下，通過詢問OpenAI、Anthropic和Google三家公司最新的模型版本來曲線驗證下。這時它直接強調了自己的知識只更新到2025年5月，回答的模型發佈時間也基本對得上（但Claude 4系列的發佈時間是5月22日，不能算月初）。One More Thing兩個月前，DeepSeek的一次小版本更新，讓它的性格突然變得機械理性。原本網友心目中的D老師，變成了刻薄冷漠的AI機器。現在，隨著V4的迭代，DeepSeek的情感又開始重新充盈。那個我們熟悉的D老師，又回來了。 (量子位)

最近一位在網際網路大廠工作了十二年的朋剛過完35歲生日。他說，以前過生日是慶祝，現在是“渡劫”。辦公室裡，比他年輕的同事越來越多，討論的話題從技術架構變成了學區房和“35歲紅線”。他半開玩笑地問：“你說，我要是被‘最佳化’了，能去那兒？”這絕不是個例。中國網際網路行業，就像一個巨大的青春能量場，用高薪買斷年輕人最黃金的十年。但當年齡數字悄然爬升，許多人發現，自己似乎站在了一個看不見的十字路口。今天，我們就來系統梳理一下，那些35歲以上的大廠程式設計師們，最終都流向了何方？這五條典型的路徑，或許能為你我點亮一盞前行的燈。路徑一：金字塔尖的“倖存者”（約10%）能走到這裡的，是真正的“天選之子”。他們通常擁有兩項稀缺資產：卓越的技術天賦，以及至關重要的“項目運氣”。在關鍵時期，恰好參與甚至主導了公司的核心項目，一戰成名。他們的頭銜變成了“首席架構師”、“資深技術專家”，年薪範圍在80萬到200萬之間，是普通人眼中的“人生贏家”。但這條路的殘酷在於，它極度依賴個人稟賦與時代機遇的共振。另一條窄路是轉型為管理者，這不僅需要技術過硬，更考驗人際關係處理、團隊激勵的“軟天賦”。一位從大廠技術總監轉型為某中型公司VP的朋友坦言：“管理崗的‘安全墊’更薄，一次核心團隊流失或領導變動，就可能讓你多年積累歸零。”路徑二：中小廠的“技術續命”（約30%）這是最大的一條分流路徑。離開一線大廠的光環，降薪加入成長中的中小公司或傳統企業的數位化部門。表面看是“退一步海闊天空”，實則挑戰重重。首要挑戰是“技術堆疊重設”。大廠往往有自研的、龐大而封閉的技術體系，員工如同精密儀器上的“螺絲釘”，深度有餘而廣度不足。到了需要“全端”作戰的中小廠，從前端到維運可能都要重新撿起。更現實的是心理落差，從參與億級使用者項目，到為幾十萬使用者的產品操心，這種價值感的轉換需要強大的內心調適。不少人在這裡陷入“創業-失敗-再就業”的循環，尋找那個微妙的平衡點。路徑三：教育賽道的“薪火相傳”（約15%）“自己會”和“教會別人”是兩碼事。這是許多轉型進入IT培訓機構或高職院校任教的程式設計師最深的體會。他們的核心能力，從與機器對話的“編碼”，轉向了與人溝通的“教學”。這份工作的吸引力在於穩定的節奏、清晰的假期，以及“桃李滿天下”的成就感。但收入落差是現實的，從大廠動輒百萬的年包，到可能二三十萬的課時費，需要家庭財務提前做好規劃。一位前大廠演算法工程師，現在某知名線上教育平台擔任主講，他說：“最大的快樂，是看到評論區有學生說‘聽懂了’。那種價值的傳遞，比寫完一段優雅的程式碼更讓我滿足。”路徑四：體制內的“風險避險”（約30%）考公、考編，或進入國企、央企的資訊化部門，成了越來越多人選擇的“避險池”。收入可能遭遇“腰斬”，但換來的，是前所未有的穩定性和對個人時間的掌控力。一個有趣的現像是“乙方轉甲方”。曾經作為大廠員工，為某個政府或國企項目提供技術服務，是“乙方”；如今通過考試或招聘進入該單位，成了“甲方”。這種角色反轉，帶來了截然不同的工作視角和心態。一位進入某政策性銀行科技部的朋友說：“現在開會，我聽乙方供應商講方案，常常會心一笑。他們PPT裡畫的‘餅’，我當年也畫過。”路徑五：全球化的“遠端接單”（約15%）這是一條門檻較高但充滿想像力的路。憑藉紮實的技術功底和逐漸補上的英語能力，通過Upwork、Toptal等平台，或熟人網路，承接歐美公司的遠端開發項目。優勢很明顯：按小時或項目計費，單價往往高於國內，且能真正實現“地理自由”。但挑戰同樣具體：需要適應晝夜顛倒的會議時差，在非同步溝通中保持高效，並且技術堆疊必須與國際主流接軌。這要求從業者始終保持極強的自驅力和學習能力。一位專為矽谷初創公司做遠端架構評審的工程師說：“我的競爭對手不再是國內年輕人，而是全球的同齡人。這逼著我必須一直站在技術前沿。”穿越周期：比規劃路徑更重要的三盞心燈梳理完這五條路徑，你會發現，35歲危機，本質上並非年齡問題，而是網際網路這套精密系統設計下的“人力資本加速折舊”機制。高薪購買你的黃金十年，再通過高強度、長通勤、“螺絲釘化”分工，完成自然篩選。因此，比焦慮“該選那條路”更迫切的，是點亮三盞心燈：第一盞，提前佈局“第二曲線”。 不要在風平浪靜時忘記修船。無論是發展副業、深度學習某一垂直領域技術，還是經營個人品牌、積累行業人脈，這些動作最好在30歲左右就開始。你的“備選項”越多，面對變化時就越從容。第二盞，精心維護“弱關係網路”。 很多時候，機會不來自身邊熟悉的同事，而是那些許久不聯絡的前同事、行業會議上有一面之緣的朋友。定期、真誠地維護你的弱關係網路，它可能在你最需要的時候，成為關鍵的資訊源或推薦人。第三盞，堅決守住“健康基本盤”。 這聽起來像是老生常談，但卻是所有一切的根基。長期的熬夜、高壓、缺乏運動，是在透支未來的可能性。保持規律作息、適度鍛鍊，不僅是為了身體，更是為了維持清晰的頭腦和穩定的情緒，以應對更複雜的職業挑戰。生活從來不是單行線，網際網路也並非人生的全部。35歲，或許不是下坡路的開始，而是你積累的行業經驗、人生閱歷真正開始發光的時候。關鍵在於，你是否願意主動走出那個被定義好的“工位”，去探索更廣闊的人生地圖。希望這五條路徑的描摹，能為你帶來一些啟發，而非焦慮。每一條路上，都有人走出了自己的精彩。你最認同那一條，或者你正在那一條路上探索？ (leo張大志)

【新智元導讀】奧特曼「一人公司」神預言，真被幹成了！41歲大佬僅靠2萬本金，帶著AI大軍瘋狂輸出，全年營收4億刀，直接把上市公司按在地上摩擦！一人十億美元公司誕生，奧特曼終極預言成功了！今早，41歲的洛杉磯大神Matthew Gallagher，向全世界詮釋了什麼叫真正的「AI時代超級個體」。2個月，2萬美元啟動資金，外加十幾個AI，徒手搓出年產4億美元的醫療公司。Matthew營運的「手法」堪稱暴力——底層程式碼是AI寫的，前端的網頁文案、廣告圖、推廣視訊全是AI生成的。甚至，就連最吃人力的複雜「業務分析系統」，以及7x24小時線上客服，皆由Agent包圓。在這個「一人公司」狂飆的第一年，營收就衝破了4.01億美元。直到最近，Matthew才終於雇了唯一一名全職員工——他的親弟弟 Elliot。今年，這對兄弟立下了一個更驚人的Flag：帶著龐大的「Agent軍團」，劍指18億美元營收！消息一出，全網瞬間沸騰。這個41歲男人的瘋狂實驗，讓整個矽谷都看懵了，就連Greg親自下場點贊。一人公司，超級個體，就是現在了。一人十億美元公司，奧特曼神預言2024年，奧特曼曾在一次採訪中，做出過一個大膽的預測——未來，一定會出現一家，只有一人的十億美元公司。放在當時，這聽起來完全是痴人說夢！但僅僅兩年後，41歲的Matthew Gallagher就用一場堪稱暴力的創業實驗，把這個神級預言硬生生砸進了現實。就在今天，紐約時報的一紙長文轟炸，在整個矽谷圈投下了一枚深水炸彈——AI是如何幫一個男人（和他的親兄弟），徒手捏出一家18億美元公司的？故事的起點，在2024年9月。拿著僅有的2萬美元，Matthew的遠端醫療公司Medvi悄然上線，主攻吸金能力極強的GLP-1減肥藥市場。沒有豪華寫字樓，沒有龐大的初創團隊。Matthew每天就窩在洛杉磯的公寓裡，熟練地指揮著一支「AI大軍」：程式碼與開發：交給ChatGPT、Claude、Grok組成的AI程式設計師；文案與視覺：讓Midjourney、Runway批次生產網頁、海報和視訊；客戶服務與互動：派ElevenLabs AI語音助手頂上，全天候處理溝通；業務分析：打造專屬的AI業務分析系統，即時盯盤公司的運轉表現。他的核心策略非常清晰：把能交給AI的工作，全部交給AI。甚至，Matthew克隆了自己的聲音，讓AI替自己打電話預約生活瑣事，以便將全部精力用在工作上。淨利6500萬，干翻一家上市公司第一個月，300個客戶。第二個月，再加1000個。到2025年底，Medvi全年銷售額達到4.01億美元，累計服務了25萬名客戶。2026年，這個數字預計會飆到18億美元。而整家公司的正式員工只有兩個人：Matthew Gallagher和他弟弟Elliot。Medvi財務資料顯示，目前日收入超300萬美元，2025年淨利潤率達到16.2%，約6500萬美元。作為對比，上市公司Hims & Hers同年的淨利潤率只有5.5%，有2442名員工。奧特曼在看到報導後回了一封郵件，說他在那個CEO賭局裡「應該贏了」，還表示很想見見這個人。「野生」程式設計師，逆襲成功實際上，Matthew的童年並不「體面」。他跟著家人輾轉住過汽車旅館和車裡，12歲時才在辛辛那提安定下來。叔叔給了他一台筆記型電腦，他自學程式設計，第一個項目是做了一個「Weird Al」Yankovic的粉絲網頁。十幾歲時，他就開始給本地商家做網站，在eBay上賣蠟燭和武士刀。18歲，他還把自建的「虛擬主機業務」以6000美元的價格賣掉。大學讀了兩所都沒畢業，2010年跑到洛杉磯想當演員，最後又回到了寫程式碼的老路上。2016年，他創辦了Watch Gang，一家做手錶訂閱盒子的公司，雇了60個人，有粉絲、有流量，但始終沒賺到錢。2022年ChatGPT發佈後，Matthew開始研究AI工具。兩年後，他遇到了CareValidate的聯合創始人Jiten Chhabra。CareValidate做的事情相當於「遠端醫療基礎設施包」，提供線上醫生網路、處方系統、藥房配送等一整套能力。另一家類似的平台，叫OpenLoop Health。於是，Matthew看到了機會：用AI搞定品牌、行銷和客服，醫生、藥房、合規、配送全部交給這兩個平台處理。同時，他選擇從當時最火的GLP-1減肥藥切入。AI亂報藥價，他竟照單全賣Medvi上線後，增長速度把合作夥伴都嚇到了。CareValidate的Chhabra回憶說，他曾問Matthew，「你後面是不是藏了一支團隊」？然而得到的回答是——沒有。OpenLoop的CEO Jon Lensing則評價說，Matthew的母語似乎就是AI。當然，翻車的地方也不少。AI客服聊天機器人會隨機編造藥品價格，他選擇照單全收，按機器人報的價賣。機器人還會產生「幻覺」，告訴客戶Medvi賣防脫髮藥，實際上，根本沒有這個產品。最要命的是，如果客戶堅持要跟真人說話，聊天機器人被設定為直接轉接到Matthew的手機上。這導致他一個人接了超過1000個客服電話。還有一次，他改了網站上一個小功能然後去爬山了。半路接到廣告代理商的電話，說已經一個小時沒有新訂單了。他意識到更新把什麼東西搞壞了，身邊又沒有任何人可以幫忙修，只好從山上一路狂奔回家。那次當機讓他損失了大約200個潛在客戶。衝刺18億目標，但也孤獨經歷了Watch Gang的教訓，Matthew對「招人」這件事非常警惕。60個員工並沒有幫Watch Gang增長，反而抬高了成本、拖慢了決策節奏。所以Medvi的人員結構極其精簡：兩名合同制工程師，加上2025年4月正式入職的弟弟Elliot。Elliot的工作主要是幫哥哥過濾和攔截各種溝通，讓他能集中精力幹最重要的事。他還用AI克隆了自己的聲音，用這個語音分身打電話預約日程，省下更多時間工作。除了洗澡、睡覺和陪兩個孩子，他幾乎所有時間都泡在Medvi上。隨著公司成長，Matthew逐步把一些專業事務從AI工具切換到了真人服務：法律事務從LegalZoom換成了律師事務所，財務從AI記帳工具換成了會計師事務所。但核心營運依然高度依賴AI。2026年2月，Medvi上線了男性健康產品線，包括ED治療藥物。第一個月就獲得了5萬名客戶，預計四個月內會超過GLP-1業務的規模。3月，又加了健康餐配送服務。接下來還計畫做女性健康、激素治療、防脫髮、保健品和護膚產品。Matthew說他曾考慮通過收購來擴張，但想了想覺得自己用AI造出來也一樣快。風投公司Upfront Ventures的投資人Kobie Fuller曾建議他：如果不缺錢，就不要融資。到目前為止，Medvi的總利潤在7000萬-8000萬美元之間。Matthew拿出100萬美元成立了一個基金會，捐給了洛杉磯的一個貓咪救助機構，還計畫資助幫助無家可歸年輕人的非營利組織。他的目標是，最終把Medvi的大部分利潤都通過基金會來運作。這個從拖車公園走出來的人說了一句很動情的話，「這是我第一次不再為生存而焦慮了」。不過超級精簡的團隊也有代價，他坦言自己開始「感到孤獨」。為了緩解這個問題，Medvi開始給部分客戶配備真人客戶經理。這7個合同制客戶經理每人管理數百名客戶關係，會記住客戶的生日、孩子的名字這些細節。而他們管理這麼多客戶關係的方式是什麼？當然也是用AI。「超級個體」時代來臨Medvi的案例之所以引發巨大關注，在於它驗證了一個此前只停留在預言階段的命題：AI可以讓一個人，建起一家年收入接近20億美元的公司。但仔細看下來，Gallagher並非什麼都靠AI完成。醫療合規交給了CareValidate和OpenLoop，法律和財務交給了專業機構，廣告投放交給了媒體代理商。他真正用AI替代的，是傳統公司裡需要大量人力的中間層——開發、設計、客服、資料分析、內容生產。它證明的核心邏輯很簡單：在AI工具足夠強大的今天，限制一家公司規模的瓶頸，是創始人的認知邊界和執行速度。奧特曼說他想見見這個人。坦白講，誰不想呢？ （新智元）

剛剛，一篇阿里聯合中山大學的研究在 X 上爆火了！今天一早，一位微軟產品故事講述者、前Google負責人級布道師 Priyanka Vergadia 分享了一則 X 帖子迅速走火，短短一天內獲8700+點贊、170萬+瀏覽。這篇高贊帖子描述了一項來自阿里巴巴團隊的研究，它是一場 233 天、總消耗達 100 億 token ，在真實生產環境中對主流的 8 家模型廠商提供的 18 個智能體的“耐力”實驗，最終證明了 AI 不會搶走人類開發者的飯碗！Priyanka 總結說：AI 只是編寫了一些遺留程式碼，未來十年你都得忙著修復它們！而一位業內人士對此表示，該項真正的重點在於：阿里團隊做了一個真正有意義的評分體系！小編這就帶大家看下這篇研究。戳破泡沫：一次性修復不叫“程式設計”，那叫“撞大運”該篇論文的名稱是《SWE-CI: Evaluating Agent Capabilities in Maintaining Codebases via Continuous Integration》，由阿里巴巴集團與中山大學聯合完成。論文拋出了一個業內都有明顯體感，但沒人著手思考解決的“長期軟體評估”問題：現在的AI Agent，在 HumanEval 或 SWE-bench 這種“單向考試”裡刷分刷得飛起。只要給它一個明確的Bug，它就能咔嚓一下修好。但現實開發的現狀是： 程式碼是“活”的。今天你修了一個Bug，明天產品經理改了需求，後天底層依賴庫升了級。這一過程並不能被靜態、一次性的修復範式所刻畫。阿里和中山大學的研究團隊提出來一種新的性能標準： 衡量一個 AI 牛不牛，不看它能不能修好眼前的Bug，而要看它在長達半年的項目演進中，能不能不把程式碼庫搞崩。SWE-CI：233天、耗費百億token的“極限耐力賽”因此，為了測試AI的真實“抗壓能力”，研究團隊祭出了一種基於持續整合（Continuous Integration）流程建構的倉庫級基準：SWE-CI，首次將軟體工程評估從“一次性快照”轉向“長期演化”。該基準包含 100 個真實程式碼庫任務，每個任務平均對應一個真實程式碼倉庫中長達233天、包含71次連續提交的演進歷史。簡單理解，SWE-CL 就是對是一場極為殘酷的“智能體耐力賽”！真實戰場： 選取的任務跨度平均達 233天，涵蓋 71次連續提交。模擬人類： AI不再是修完就跑，而是要像真正的開發者一樣，在 CI（持續整合） 的死循環裡，應對一輪又一輪的需求變更。殘酷規則： 這是一場總消耗超過 100億 Token 的極限耐力賽。這裡列出一些更詳細設定：每個SWE-CI任務都來自GitHub上68個真實Python倉庫（維護≥3年、≥500星、含單元測試和依賴配置檔案）。任務定義為：從“基線提交”（base commit）演化到“目標提交”（oracle commit），平均跨越233天、71次提交、至少500行原始碼變更（不含測試）。代理必須在 Docker 隔離環境中，通過最多20輪迭代，逐步完成需求變更。值得注意的是，雙Agent架構：架構師Agent：分析失敗測試、定位根因，輸出1-5條高層次增量需求文件。程式設計師Agent：遵循TDD（測試驅動開發）流程，實際修改程式碼。整個過程模擬真實CI/CD流水線，每一次變更都會影響後續狀態，前期決策的後果會逐步累積。這正是傳統基準無法模擬的“長期記憶”與“技術債務放大器”。因此，評估指標也從單一通過率升級為兩個核心維度：1、零回歸率（Zero-Regression Rate）：在任務演化過程中，最初通過的測試在後續變更後仍保持通過的比例。2、lEvoScore：一種加權平均指標，公式為 EvoScore = Σ(i=1 to N) γ^i × a(ci) / Σ(i=1 to N) γ^i，其中γ＞1對後期迭代賦予更高權重，強調長期穩定性。當γ=1時退化為普通平均歸一化變更得分。戰況慘烈：75% AI正在瘋狂製造“技術債”實驗結果讓所有人脊背發涼。即便是在2026年這樣一個 Vibe Coding 都顯得落伍的時間點，主流智能體的表現依然像個“只會打補丁的實習生”。第一，“零回歸率”之痛：在模擬真實開發的長期測試中，絕大多數大模型的“零回歸率”竟然不到 25%。這意味著它們每改四次程式碼，至少有三次會搞壞原本正常的功能。第二，程式碼庫雪崩： 隨著項目演進，大多數模型產生的技術債呈指數級增長。前期看似高效，後期改動一下，整個系統直接原地爆炸。那麼，這場耐力賽中，誰是最後贏家呢？如果你對程式設計Agent有關注，相信你已經猜到了，自然是 Claude 4.5/4.6。它是唯一能在長周期維護中保持 50%以上零回歸率的選手，展現出了極強的“架構師思維”。GLM-5： 作為國產大模型的代表，在應對長期程式碼演進時表現搶眼，穩居第一梯隊。驚喜發現：GLM、Kimi是救火隊長，DeepSeek、Minimax是架構大師值得注意的是，論文中還發現了智能體也存在明顯的“AI人格”現象。不同模型廠商之間的偏好差異顯著，而同一廠商旗下的程式設計智能體往往表現出一致的傾向。具體而言：“走一步看一步”型（Kimi, GLM）： 這些模型在修改程式碼時更激進，追求立刻解決當下的 Bug 或需求，但在長遠看來，它們可能較快地耗盡了程式碼庫的演進空間。“長線規劃”型（GPT, DeepSeek, MiniMax）： 這些模型在修改時可能更謹慎，會考慮到程式碼結構對未來的影響，更具有“架構師”潛質。“全能穩健”型（Claude, Doubao，Qwen）： 無論你更看重眼前還是長遠，它們的表現都非常均衡。尤其是 Claude，結合之前的排名看，它是在保持穩定的同時，水平上限也最高的選手。具體怎麼做的呢?團隊通過調整參數 γ 的值，來觀察模型排名隨之產生的變化。當 γ<1 時，EvoScore 會給早期迭代分配更高的權重，這有利於那些優先考慮程式碼修改“即時收益”的模型。相反，當 γ>1 時，後期迭代會獲得更多獎勵，從而讓那些為“長期改進”而最佳化（即優先考慮程式碼可維護性）的模型佔據優勢。對於這個現象，研究人員推測，這反映了不同廠商在訓練策略上的差異；而各廠商內部模型的一致性則表明，其內部訓練流水線（Pipelines）在大體上保持了穩定。為什麼智能體如此容易積累技術債務？論文間接給出兩點原因：首先是短期最優決策：模型傾向於“最快通過當前測試”的方案，而非全域最優架構。上下文遺忘：即使多輪迭代，模型對早期變更的深層影響理解不足。其次，模型有依賴與邊界敏感性：真實倉庫的外部依賴、配置漂移、邊緣案例遠超訓練資料覆蓋範圍。這意味著：現實中，一家公司若大規模採用AI生成程式碼，初期交付速度可能翻倍，但6~12個月後維護成本可能指數級上升——bug修復、重構、遷移難度都會放大。未來方向：從“快修”到“可持續”這篇論文可以說用一場真實大規模實驗，驗證了一點：目前的絕大多數 AI Agent 都是“紙牌屋建築師”。它們追求當下的測試通過率，卻對程式碼的長期生命力一無所知。而 SWE-CI 的意義在於，它把 AI 程式設計的門檻從“跑得通”拉高到了“可維護”的實用層面。SWE-CI更多的意義在於提供“診斷工具”：企業可利用類似基準測試自家 AI 工作流，提前識別那些模型適合“長期駐紮”。他們給出了三個 SWE-CI 的最佳化方向：其一，提高γ權重可鼓勵模型追求長期穩定；其二，雙Agent架構可進一步最佳化（例如加入“回顧Agent”反思歷史決策）；其三，與現有工具鏈結合（如自動生成維護文件、回歸測試優先順序排序）有望緩解問題。智能體有希望在耐力上獲得成功嗎？但研究者的本意，並不是祛魅智能體，“ SWE-CI 本身就是進步的催化劑”。他們認為，智能體在耐力上是有望突破的。首先，Claude 4.5/4.6的領先或許預示著，更強的推理能力（而非單純生成）是突破關鍵。其次，未來模型若能內建“架構意識”“債務評估模組”，或與靜態分析工具深度融合，維護能力或將迎來質變。項目已開源目前，SWE-CI 開源倉庫和 Hugging Face資料集都已上線，大家都可以自行復現、擴展。這意味著，2026年之後，AI編碼競賽的賽道將從“誰寫得快”轉向“誰寫得穩”。SWE-CI 開源地址：https://github.com/SKYLENAGE-AI/SWE-CIhttps://huggingface.co/datasets/skylenage/SWE-CI網友炸了：1000億美元，就是為了自動化技術債務？正如論文中所說：“Agent 的程式碼維護能力只有通過長期演化才能顯現，過去決策的後果會在連續變更中累積。”對此，不少網友表示無語了：AI Coding 的越快，積累債務的速度也就越快！X 評論區也有人諷刺：“AI自動化了遺留程式碼的生產線”、“我們花1000億美元算力，就是為了完美模擬一個‘快速出貨、8個月後棄坑的初級開發’”。HN 討論區甚至有人提問：“當 SWE-CI 成為新標竿後，AI 編碼工具的估值邏輯是否需要重寫？”所以，這麼看，程式設計師的飯碗總算保住了。但網友卻調侃：“現在安全了？但能撐10年？10個月？還是10天？”“寫程式碼 ≠ 維護系統。” 一位名為 Stephen Collins 的 Medium 作者表示：軟體工程從來不只是“寫程式碼”。它更關乎如何管理複雜性、演進系統架構，以及在成千上萬次變更中保持關鍵不變數的穩定。而 SWE-CI 這一基準表明，這些挑戰對當前的AI智能體來說依然是難點。這也意味著，下一代開發者工具的重心，很可能會從“生成程式碼”，轉向“理解系統”。而與此同時，真正高效的開發者，永遠是那些能夠清晰理解系統的人：知道那些部分最關鍵，風險集中在那裡，以及注意力該放在那。 (51CTO技術堆疊)

2010年代，程式設計成為就業市場上最炙手可熱的技能之一，熱潮迅速席捲全美，家長們紛紛敦促孩子放棄英語專業，轉而攻讀科學、技術、工程和數學（以下簡稱STEM）學位。就連美國前總統貝拉克·歐巴馬也呼籲人們學習程式設計，他更是成為首位參與“程式設計一小時”（Hour of Code）活動[這項線上活動旨在推廣電腦科學教育周（Computer Science Education Week）]的總統，還親自編寫了一行程式碼。然而這一現象的另一面，是英語與文科專業遭到質疑，有人戲稱這些專業是“咖啡師學位”，認為攻讀這類專業的人職業發展空間有限，最終只能在咖啡店打工。但人工智慧的崛起，正在顛覆這些固有認知。至少Palantir聯合創始人、億萬富翁彼得·提爾（Peter Thiel）是這麼認為的。在一段2024年錄製、近期重新走紅的採訪視訊中，提爾在與經濟學家泰勒·考恩對話時表示，STEM領域從業者的就業紅利正在消退。他說：“比起文字工作者，學數學的人的處境要糟糕得多。”彼得·提爾，PayPal與Palantir Technologies聯合創始人。圖片來源：Marco Bello—Getty Images故事講述者在就業市場炙手可熱這位億萬富翁的觀點反映了當下勞動力市場的新趨勢。領英（LinkedIn）2月早些時候發佈的《2026年領英技能趨勢：美國增長最快的技能》（LinkedIn Skills on the Rise 2026: The Fastest-Growing Skills in the U.S.）報告顯示，溝通能力和創造性思維的需求正在持續攀升。該報告稱，溝通能力、領導力及人員管理能力已經成為當今勞動力市場最搶手的技能。領英的一位發言人告訴《財富》雜誌：“企業越來越青睞溝通能力強的人才，因為出色的寫作能力、清晰的表達能力和判斷力依然至關重要。”他們指出，如今“講故事”已經成為一項尤為搶手的技能。“在過去一年裡，領英上提及‘講故事者’的招聘啟事數量翻倍。”事實上，部分企業為招募故事講述者和高級公關專家開出的年薪甚至超過100萬美元。例如，Anthropic公司正在招聘一名公關主管，起薪為40萬美元；而Netflix為高級公關總監開出的薪酬範圍在65.6萬美元至120萬美元之間。當然，這份報告並不意味著你可以直接撕掉STEM學位證書。領英還發現，當下市場同樣有不少熱門技術技能，包括人工智慧提示工程和資料標註。不過，這些技能與STEM學位的核心內容有所不同，因為它們側重於訓練人工智慧，而非建構人工智慧。儘管部分人工智慧提示工程師的崗位要求應聘者具備程式語言知識（包括Python和JavaScript）以及大型語言模型相關背景，但這些招聘啟事也強調，應聘者需要具備出色的語言能力和創造力，以最佳化人工智慧的輸出結果。據求職平台Glassdoor的資料，該崗位的平均年薪為12.8萬美元。隨著人工智慧技術的不斷發展，許多領導者和人工智慧專家預測，人工智慧將徹底重塑就業市場，同時也將顛覆職場中最被看重的能力。在此背景下，數學及其他STEM領域的部分技能可能面臨淘汰風險。Anthropic公司Claude Code的開發者鮑裡斯·切爾尼坦言，自去年11月以來，他未曾編寫過一行程式碼（儘管仍然會檢查人工智慧編寫的程式碼）。與此同時，人工智慧正在持續侵入原本由STEM專業人士主導的領域，包括基礎程式設計與資料分析。勞動力市場的動盪紐約聯準會（New York Federal Reserve）的最新資料顯示，近年來應屆大學畢業生面臨的就業形勢尤為嚴峻——2022年，應屆大學畢業生的失業率已經超過勞動者整體失業率，到2025年，這一比例已經攀升至5.6%——部分STEM相關專業的失業率尤為突出。電腦工程專業是失業率第二高的專業，失業率達到7.8%，僅次於人類學專業。但部分STEM專業畢業生的失業率仍然低於大學畢業生3.1%的整體平均水平，比如航空航天工程專業和工程技術專業畢業生的失業率分別為2.2%和1.7%。然而在2024年的訪談中，提爾指出，即使在當前尚未被人工智慧自動化衝擊的STEM領域，隨著人工智慧的發展，將數學技能作為準入門檻的做法也將逐漸過時。“若想進入醫學院，我們通過物理和微積分篩選人才。”他說，“作為神經外科醫生，我可不希望給我做腦部手術的人在手術時還在腦子裡分解質因數。”（財富中文網）