在矽谷，曾經以“程式碼能力”為唯一硬通貨的程式設計師們，正悄然掀起一場關於面容的極限最佳化。從漠視外表的極客文化，到如今成群結隊預約價值數十萬的面部手術，這一轉變背後遠非虛榮那麼簡單——它關乎年齡歧視、職業焦慮，更關乎如何使自己“看起來年輕”，從而不被淘汰。曾幾何時，矽谷的標誌性形像是連帽衫、牛仔褲、凌亂的頭髮與黑眼圈，相信“程式碼即正義”，信奉“實力至上”，對外表幾近忽視。在矽谷，頭腦才是唯一的通行證，容貌不過是隨時可被拋棄的“身外之物”。然而近年來，一場關於“臉面”的革命，正在科技心臟地帶掀起巨浪。曾經不修邊幅的矽谷精英，尤其是男性程式設計師與投資者們正瘋狂湧入整形外科。從數萬美元的“迷你拉皮”到堪位元斯拉首付的醫美項目，精英也逃不過用整容對抗“35歲焦慮”。（由本·塔利醫生提供的某位匿名患者術前術後對比照片，左圖為一名現年60歲，經營太陽能及科技企業的患者，右圖為一名近65歲的科技創業者、商業與財富顧問，兩人均接受了先進的面部和頸部提升術，並進行了SMAS最佳化）這場轉變背後，是矽谷文化深處一次冰冷而現實的校準。1. 科技行業的年齡歧視華爾街日報評論稱：“科技是年輕人的遊戲“。風險投資家彼得·蒂爾也曾揚言，“你不能僱傭任何超過30歲的人”，這種觀點雖顯極端，卻赤裸裸地揭示了科技行業心照不宣的青春崇拜。在飛速迭代的技術浪潮前，年輕普遍與“潛力”“耐力”“可塑性”直接掛鉤。當這種偏見根植於招聘與晉陞文化中，“看起來年輕”便不再是一種個人選擇，而成了一種生存策略。舊金山精神分析學家斯蒂芬·薩賓博士指出，他的客戶們普遍擔憂自己“看起來太老”而失去投資人或公司高層的青睞，因此整容成了一種對抗“職業性過期”的積極手段。2. 資本加持與“Zoom自拍效應”的催化矽谷的高收入為這場顏值競賽提供了彈藥。科技從業者資金充裕，能夠負擔得起數萬至數十萬美元的手術費用。與此同時，新冠疫情催生的遠端辦公常態，讓“Zoom自拍效應”凸顯——人們前所未有地長時間凝視螢幕上自己的面容，每一道皺紋、每一吋鬆弛的皮膚都被放大審視，再加上混合工作模式又恰好提供了隱秘的術後恢復期，讓醫美手術變得可行。3. 社會審美變遷“歷史上，如果男性有所成就，他們無論長相如何都會受到尊重，”舊金山整形外科醫生Timothy·Marten談到，“但現在男性覺得他們的成就不夠了，他們也必須看起來符合形象。” 傳統上施加於女性的容貌壓力，正在平等地降臨到男性身上。在矽谷這個崇尚“最佳化一切”的地方，外貌成為個人品牌與狀態管理中最後一個等待被最佳化的變數。4. 技術產品的“副作用”另一個意想不到的推手，是GLP-1類減肥藥物（如Ozempic）的流行。許多科技從業者借助這類藥物快速減重，卻導致面部皮膚鬆弛，從而被動地將醫美需求推向了拉皮手術等更複雜的領域，以解決“減了100磅後皮膚怎麼辦”的問題。圖源：網路矽谷人的醫美選擇，也深刻烙印著他們的職業思維。項目選擇重資料、看ROI（投資回報率）：眼瞼手術因能快速消除疲憊感，讓眼神“重新銳利”，成為最受歡迎的項目之一，因為它手術時間短、恢復較快，以較小的代價獲得顯著回報。追求“自然迭代”，厭惡“版本顛覆”： 他們普遍抗拒過去拉皮手術那種“緊繃”“不自然”的橫掃式效果，取而代之的是“迷你拉皮”或“短疤痕拉皮”，他們強調精細、隱蔽、漸進式改善，而非推倒重來。過程管理如項目管理： 他們會精確規劃手術與恢復期，利用遠端辦公的便利，將downtime無縫接入工作日程，如同處理一個需要短暫離線更新的系統。圖源：網路矽谷程式設計師扎堆走進整形醫院，可不是膚淺的追求。在矽谷，萬物皆可最佳化，演算法、產品、商業模式，乃至自己的身體與容顏。當“看起來更有活力、更可靠、更具備競爭力”與職業生命線深度捆綁，醫美便從一種簡單的消費行為，異化為一種特殊的職業投資。當對抗衰老的戰役從護膚精華延伸到手術刀下，當青春成為一項需要持續投入、月供償還的奢侈追求時，我們或許也該問一句：在矽谷這台永不停歇的“造夢機器”裡，被不斷最佳化和更新的，究竟是我們的能力，還是我們無法再從容老去的自由？ (留學生日報)

AI大神卡帕西引爆程式設計師焦慮潮：程式設計職業遭遇“9級地震”，人類正在淪為AI的副駕駛？“作為一名程式設計師，我從未感到如此落後。”卡帕西今天在社交平台上的發言瞬間刷屏（不到1天，已經近500萬圍觀）。這位AI領域標誌性人物坦言，程式設計職業正在被徹底重構。他描述道，程式設計師的直接程式碼貢獻越來越稀疏。如今他感覺自己本可以強大10倍。卡帕西列出了一長串需要掌握的新概念：智能體、子智能體、提示詞、上下文、記憶、模式、權限、工具、外掛、技能、鉤子……卡帕西坦言，程式設計職業正在經歷一場“9級地震”。這位OpenAI前創始人、在特斯拉領導AI部門的大神級人物，突然發現自己“前所未有地落後”。“如果我能夠恰當地串聯起過去一年中出現的技術，我的能力本可以增強10倍，”卡帕西寫道，“但如果不能抓住這次升級機會，那絕對是一個技能問題。”在AI工具迅速發展的今天，純粹的技術知識和深度專業能力已不能保證行業領先地位。新的技術堆疊不再是關於理解Transformer架構或編寫優雅演算法。程式設計的本質正在發生深刻變化：從編寫確定性的程式碼，轉向協調一群無人能完全控制的隨機系統。卡帕西列舉了15個在18個月前甚至不存在的新程式設計“基元”：智能體、子智能體、提示詞、上下文、記憶、模式、權限、工具、外掛、技能、鉤子、MCP、LSP、斜槓命令、工作流、IDE整合。這些概念每一個都在以周為單位演化，程式設計師需要建立全新的心智模型來應對這個充滿不確定性的新世界。傳統工程提供的是確定性系統——編寫程式碼，它就嚴格按編寫的內容執行。而現在，程式設計師需要管理“本質上是隨機、易錯、難以理解且不斷變化” 的實體。卡帕西將其比喻為“沒有說明書的外星工具”。整個行業都在即時反向工程這些能力，文件總是過時，三個月前的最佳實踐現在可能已經錯誤。“卡帕西在年底前給整個網際網路帶來了一場存在主義焦慮症，”一位Google員工在轉發時寫道。輝達大神總結道：“2024年：AI是副駕駛；2025年後：人類是副駕駛。Copilot正成為一種新的工程技能。”離開駕駛員座位並不容易，我們必須學會以AI的方式思考，適應陌生的“外星”工作流程。幫助AI，就是幫助我們自己。但也有開發者持樂觀態度：“這是多年來成為開發者最有趣的時刻。AI工具尚不完美，模式仍在形成，有真正的實驗空間。挽起袖子，開始建造吧。”這位開發者補充說，地震正在進一步拓展可能性邊界。關於這個新抽象層最好的消息是：傳統工程技能比以往任何時候都更有價值，而不是貶值。早期在CI/CD、測試、文件和程式碼審查上投入的開發者，在使用AI工具方面最為成功。這些“無聊”的基礎設施成了加速器。它們將智能體從混亂生成器轉變為生產力倍增器。真正的機會在於學習在不同高度上工作。開發者不再需要逐行鍵入語法，而是審查實現、捕捉邊界情況，並在幾小時內完成過去需要數天的功能開發。這確實令人興奮。學習曲線確實存在。理解如何提供上下文、迭代計畫並快速審查AI生成的程式碼需要實踐，但這是可以通過實踐學習的。“人類成為AI副駕駛”的觀念正在技術圈蔓延。這種角色轉換標誌著程式設計工作本質的根本性變革。面對這個新抽象層，傳統工程技能實際上變得更加重要。它們幫助我們最大程度減少交付低品質程式碼的可能性。已經投資於CI/CD、測試、文件和程式碼審查的開發者在使用AI工具方面最為成功。這些“枯燥”的基礎成為了加速器。真正的機會在於學習在不同的高度工作，從輸入語法轉向審查實現、捕獲邊界情況，並在數小時內完成過去需要數天的工作。面對卡帕西描述的程式設計職業“9級地震”，開發者應該如何應對？學習如何提供上下文、迭代計畫並快速審查AI生成的程式碼需要實踐，但這可以通過實際操作掌握——建構小工具、審查所有內容，通過重複培養直覺。當我們將AI的速度與工程判斷力結合時，倍增潛力是真實的。我們不是在取代程式設計技能，而是終於能夠將精力集中在有趣的問題上，同時將繁瑣的部分委託出去。地震已經發生，餘震成為新常態。卡帕西的警示提醒整個行業：要麼挽起袖子跟上，要麼被迅速拋在後面。這位AI先驅的“落後感”並非弱點展示，而是行業劇變的明確訊號。程式設計職業的重構已在進行中，新的抽象層正在形成，而每個人都在尋找掌握這個“外星工具”的方法。地震之後，餘震成為新常態。在程式設計這個曾經被確定性統治的領域，隨機性、不可預測性和持續變化正成為日常。 (三次方AIRX)

你刷著科技資訊，突然又看到那句老調重彈的斷言：“AI 將在 2026 年取代所有開發者。”可就在這時，OpenAI 聯合創始人 Andrej Karpathy 和亞馬遜、Google老將 Steve Yegge 卻給出了完全不同的預測。他們的觀點，直接顛覆了這種說法。他們的看法？大家都想反了。我這幾個月一直在密切使用 AI 程式設計工具，當這兩位大佬不約而同得出同樣的結論時，我就知道這事得好好琢磨一下。他們的觀點不僅和那些“末日論”截然不同，甚至可以說是完全相反。他們是誰？為什麼值得你關注Karpathy 可不是那種只會炒作 AI 的人。他是 OpenAI 的創始成員，曾任特斯拉 AI 總監，親手搭建了如今大家爭論不休的那些 AI 系統。AI 的侷限在那，他比誰都清楚。Yegge 則是在亞馬遜和Google負責過核心基礎設施的老兵，那時候“規模”這個詞的含義和現在完全不同。如今他在 Sourcegraph，直接和企業團隊合作，把 AI 真正落地到生產環境裡——不是做演示，而是要讓程式碼真正在現實中跑起來。當這兩位都看著 AI 程式設計的熱潮說“開發者不會消失”，我會認真聽。顛覆認知的核心觀點我突然明白了：這根本不是“取代”，而是“新一層抽象”。想想看，現在還有多少開發者寫彙編？幾乎沒有。高級語言出現後，程式設計師的飯碗沒丟，反而行業爆發式增長——因為大家能更快地做出更複雜的東西。Karpathy 和 Yegge 都認為，這個歷史正在重演。用 Yegge 的話說：“企業級軟體開發永遠都極其複雜，所以工程師和 AI 會聯手一起搞定它。”關鍵詞就是“聯手”，不是“AI 接管”，而是“協作”。現實中，這到底是什麼樣？給你舉個實際例子。Karpathy 發明了一個詞叫“vibe coding”（氛圍程式設計），非常貼切地描述了現在的變化：“現在有一種新型程式設計方式，我叫它‘vibe coding’，你完全順著感覺走，擁抱指數級提升，甚至忘了程式碼本身的存在。”聽起來挺嚇人？其實操作很簡單。Karpathy 做周末項目時，幾乎不碰鍵盤，直接和 Cursor Composer 對話：“把側邊欄的內邊距減半。”AI 就幫他改好了。看著沒問題，他就繼續。再也不用翻 CSS 檔案、偵錯邊距。遇到報錯，他直接把錯誤資訊貼上給 AI，什麼都不說。“通常就能搞定。”關鍵在於：這種方式是可以根據項目重要性靈活調整的。隨便玩玩的周末小項目？全程交給 AI，自己只管氛圍。企業級生產系統？就得像 Yegge 說的那樣用“監督式 AI”——AI 負責體力活，你全程把關、稽核。同樣的工具，具體怎麼用，取決於你在做什麼，人工介入的深淺也隨之變化。Yegge 的技術進化論（發展速度驚人）Yegge 一直密切關注著這場變革。他大約一年前提出了“對話式程式設計”這個概念——也就是通過與 AI 對話來寫程式碼，而不是依賴自動補全。但現在呢？“對話式程式設計還算主流，但智能體程式設計已經以指數級的速度超越了這種方式，效果遠勝以往。”所謂智能體程式設計，就是讓 AI 能夠獨立完成整個工作流程，你只需在旁邊觀看。與其說“幫我寫個函數”，不如直接讓 AI “為這個應用建構使用者登錄功能，包括密碼重設”。這場進步的速度令人咋舌。從自動補全到對話，再到自主智能體，前後不過一年半。三大程式設計時代（我們正步入第三階段）Karpathy 把這個過程分為三個清晰的階段：第一代：你寫出詳細的指令。比如要排序資料，就得手寫排序演算法。第二代：你給出示例，電腦通過學習樣本找出規律。比如要做圖片分類，就用成千上萬張帶標籤的照片訓練神經網路。第三代：你用英語描述需求。比如要使用者認證，只需說“建立一個帶密碼重設功能的安全登錄系統”。他的核心觀點是：“大語言模型（LLM）是一種全新的電腦，而你用英語來程式設計。”這不僅僅是工具的升級，而是讓任何能清楚表達想法的人都能參與程式設計。產品經理可以自己做原型，設計師也能無需等工程師就搭建互動演示。這不會取代開發者——而是讓所有人的能力成倍提升。一個鮮有人提及的問題：參差不齊的智能但我對此也有保留，Karpathy 的坦率讓人耳目一新。AI 存在所謂的“參差智能”——它能解決極其複雜的問題，卻也會在簡單問題上犯低級錯誤。AI 可能能完美實現複雜演算法，卻又信誓旦旦地告訴你 9.11 比 9.9 大。“目前，這一點尤其值得注意，特別是在生產環境中。要用 LLM 做它擅長的事，但要警惕那些‘參差邊界’，並始終讓人類參與把關。”這也是 “AI 會取代所有開發者”這種說法站不住腳的原因。AI 有時極其聰明，有時又愚蠢得不可思議，且難以預測。生產系統無法承受這種不穩定，必須有人類監督。經濟現實（已經在發生）有一點你必須重視：“有些公司已經裁掉了 30% 不願意用 AI 的工程師。”不是將來，而是已經發生。“有錢的公司可以直接投入，但其他公司就要做艱難選擇——要麼承擔成本、要麼被競爭對手甩開、要麼裁員來彌補新開支。”換句話說，如果一個用 AI 工具的開發者能頂仨人幹活，你覺得那兩個會被裁掉？這不是理論，我現在就在現實公司裡看到這種情況。會用這些工具的開發者變得極其搶手，而忽視 AI 的人正在被淘汰。你真正需要學什麼（和你想的不一樣）真正重要的能力，並不是死記硬背新 API，或者學點提示詞工程的小技巧。更高階的能力其實有以下幾種：AI 監督力：學會分辨 AI 輸出到底靠譜還是胡說八道。這種能力其實可以訓練出來——你會逐漸發現 AI 常犯的錯誤模式。問題架構力：把複雜需求拆解成 AI 能穩妥處理的小塊。這其實是傳統工程師的老本事，只不過用在了新工具上。質量把控力：能迅速發現 AI 帶來的那些隱蔽 bug。這和普通偵錯不一樣，因為 AI 的錯誤有自己獨特的規律。自然語言表達力：能更清晰地描述需求。如果程式設計越來越像對話，那溝通能力就成了技術能力。有趣的是，這些本質上都是人的能力，和 AI 協作後會被放大，而不是被取代。關於進展（別被炒作帶偏，關注現實）Karpathy 對“ 2025 年 AGI 就要來了”這種說法潑了盆冷水：“每當我看到‘2025 是智能體元年’這種說法，我都很擔心，其實我覺得這應該是‘智能體的十年’。”十年，不是一年。“可惜的是，華爾街並不懂得耐心，所以 AI 的炒作還會繼續喧囂下去，而真正的從業者還在摸索如何開啟新的計算時代。”但現在已經有些現實成果你可以用上：像 GitHub Copilot、Cursor 這樣的工具，已經讓開發者在日常任務上提速 30% 到 50%。這不是理論上的提升，而是你今天就能看到的實際效果。這場變革來得不算太快，你有時間適應；但也不算慢，現在就該開始行動。為什麼我對這場變革反而樂觀說實話，我一開始也很懷疑。“AI 讓程式設計大眾化”這種說法，聽起來就像矽谷的老套忽悠。但真正用這些工具做了幾個項目後，我突然明白了。每一次程式設計範式的變遷，都是類似的軌跡：從彙編到 C，從 C 到 Python，從命令列到圖形介面。每次大家都擔心門檻降低會讓行業變弱，但每次結果都是行業變大、變有創造力。那些最終脫穎而出的開發者，從來不是死守舊工具的人，而是善於用新工具做出以前做不到的東西的人。這次的變化更大。我們不只是換了種語法，而是獲得了一種全新的問題解決方式——更重視清晰表達，少了死記 API 的負擔。正如 Yegge 所說：“電腦科學教育確實需要進化，但基礎依然重要。當年彙編被高級語言取代時，大家擔心程式設計能力會退化，結果反而行業擴張、崗位增加。”現在最吃香的開發者，不是那些精通 React hooks 或 Kubernetes 配置的人，而是能清楚表達自己想法，並能引導 AI 正確實現的人。本周你該做什麼別再光看資料了，趕緊上手試試吧。挑一個 AI 程式設計工具用起來——如果你想要穩定一點的體驗，就選 GitHub Copilot；如果你想嘗鮮最新功能，那就試試 Cursor。先從一個無關緊要的小項目開始，做點有趣又無壓力的東西，比如隨機語錄生成器、簡單的待辦事項應用之類的。這種項目對程式碼完美與否沒什麼要求，放手去做就好。別想著一口氣徹底革新你的整個開發流程。先在這些低風險的小項目裡，適應一下人與 AI 協作的節奏。那些已經在 AI 時代如魚得水的開發者，從來不是等到工具完善、教學齊全才開始的。他們都是邊試邊錯，邊做邊學。真正的未來Karpathy 和 Yegge 都明白一件事，而那些“AI 取代人類”的說法卻忽略了：這項技術是放大人類智慧，而不是取而代之。我們不會被淘汰，我們會變成指揮者。AI 不是來搶我們的飯碗，而是讓我們和它配合，去解決單靠自己搞不定的大難題。未來屬於那些能站在更高層次思考、善於溝通、懂得如何指揮 AI 解決複雜問題的開發者。如果你已經走到今天這一步，其實你已經具備了大部分所需的能力。你只需要開始學會和 AI “共舞”。說真的，這支舞一旦跳順了，還挺有意思的。革命不是即將到來，而是已經發生。問題只在於，你是要參與塑造它，還是被它塑造。 (大模型技術共學營)

如果你有機會面對一片全新的土地，你會選擇種下怎樣的種子？鴻蒙生態，就如同這樣一片沃土，吸引了無數開發者前來探索和播種。除了那些耳熟能詳的大廠應用以外，更有一批不那麼為大眾所熟知的開發者。他們或來自公共服務領域，關注如何讓城市治理更高效，讓旅遊體驗更智慧；或是個人開發者，懷著對生活的好奇，立志解決日常中的小難題。他們面對的是更多元的使用者需求，以及一個面向未來、擁有無限潛力的生態，用各自的方式，回答這時代的問題。那麼，當同樣的問題擺在他們面前時，他們的答案，又會有怎樣的不同呢？1 程式設計師的第一問：小眾需求還是社會期待？當開發者決定進入鴻蒙生態時，他們的初衷總會源於一些具體的問題。這些問題，有的是對生活細節的追問，有的是對公共服務升級的探尋。“我是一個30歲的程式設計師，現在正是為了自由與夢想拚搏的年紀。”示路的開發者王維傑這樣介紹自己。在成都這座以慢生活著稱的城市裡，他和自己的妻子，有著一顆想要四處遊走的心，享受說走就走的自由感。示路的開發者王維傑他的妻子有個習慣，喜歡在出發前手繪旅行路線圖，把想去的地方一個個標記出來。但每次旅途中臨時的變化，總讓精心規劃的紙質行程顯得不那麼靈活，市面上大多數的旅行軟體又都太程式化，按部就班，完全沒有真正旅行時那種隨心所欲的感覺。“能不能有一種更方便、更隨心的方式規劃旅行？”王維傑開始思考。他發現鴻蒙作業系統5具備的分佈式能力與Map Kit地圖服務，正好可以實現他的設想，於是示路應運而生。這款應用最大的特點，是使用者可以在地圖上自由標記想去的地方，然後系統會自動生成一張蜘蛛網般的路線圖。沿著這些路線，你隨時可以拐出去探索，去任何讓你心動的地方。對於像他一樣的個人開發者來說，他們的初衷，常常來源於身邊最平凡的場景。快手筆的開發者鐘顯燊也是如此，只不過他的跨度更大一些。曾在海南航空做了近十年的飛機維修的他，在業餘時間自學程式設計，現在已經成為了一名獨立開發者。源於機場的工作經歷，他總會隨身攜帶一個小本子記錄故障快速處理指南，也慢慢形成了隨手記錄靈感與日常所見的習慣。同時，安全是航空的生命線，也讓他對安全異常敏感。因此他想開發一款既保證隱私安全，又能專注於分佈式卡片筆記的應用。考慮到傳統筆記軟體本地資料儲存與跨裝置同步，總存在一些無法迴避的麻煩，而利用鴻蒙的分佈式軟匯流排能力和安全隱私保護，可以實現資料本地儲存和無網資料跨裝置同步，在資料同步與隱私安全做到了完美平衡。快手筆的開發者鐘顯燊於是他開發了一款鴻蒙專屬的筆記應用——快手筆，將資料儲存在本地，可以在不同裝置間即時同步，“我一開始便將這款軟體做成了鴻蒙專屬，因為這些功能，只有在這裡才能實現。”如果說個人開發者是在解答自己或身邊人的生活追問，那政務開發者呢？他們回應的或許是整個社會的訴求與期待。井岡山元服務的項目負責人童瑋意識到，傳統的景區講解往往需要遊客主動掃碼或留意，容易讓遊客錯過景點的背後故事。“作為有歷史性的紅色文旅景點，井岡山與鴻蒙生態的結合，是新時代的必然趨勢。”基於鴻蒙的近場服務能力，井岡山元服務可以在遊覽過程中，適度為遊客提供相應景點背後的故事、典故，讓旅程變得鮮活；在自由行旅遊愈發盛行的趨勢下，鴻蒙也可以為使用者提供更加獨立、私人的旅遊體驗。在重慶，鴻蒙版渝快辦開發團隊負責人劉斐面對的挑戰更加直接。“如何讓便民服務應用更高效、更安全？”鴻蒙作業系統5具備的安全性、穩定性和生態優勢，使得渝快辦有了一個明確而穩妥的答案。適配鴻蒙，不僅是技術上的升級，更是數位化轉型大潮中的必然選擇。鴻蒙版渝快辦開發團隊負責人劉斐四位開發者，四種回答。無論形式如何，鴻蒙生態，以一種開放的姿態，容納了他們的追問與解答，也促成了他們各自精彩的故事。2 當問題來敲門：社區自救還是官方支援？開發從來不是一條平坦的路，無論是對經驗豐富的程式設計師而言，還是對初次上手的團隊來說。面對“崩潰時刻”，他們又會如何回應？“在準備開發的當天，我只看了一晚上的文件，第二天就基本可以著手開發了。”王維傑回憶起第一次接觸鴻蒙開發的經歷。這是他第一次開發自己的產品，原本以為會很複雜，沒想到鴻蒙的學習門檻如此之低。即便遇到問題，看看論壇與教學，基本一兩個小時就可以順利解決，這種開發體驗讓王維傑印象深刻。“就像拼積木一樣，你有一個個小元件，把它們拼上去，調整好間距和顏色，就能形成一個好看的介面。”不過，問題總在意想不到的時候敲門。為了實現自由繪圖，他需要在地圖上插入對應的圖片，這樣的需求很少遇到，現成的解決方案自然也寥寥，這幾乎成了示路開發初期最大的技術障礙。多番嘗試失敗後，他最終在鴻蒙開發者論壇中找到了一條技術帖，順著華為工程師留下的介面說明摸索，竟意外打通了功能實現的關鍵路徑。“看到那一刻，我是真的激動了，像是深夜的隧道盡頭突然亮起燈。”示路的產品經理，也就是王維傑的妻子，則是示路背後真正的靈魂人物，不斷從使用者視角給他提出反饋與建議。她提出需求，他在鴻蒙論壇裡尋求答案，是王維傑開發過程裡的常態，“痛並快樂著”，他說。鐘顯燊在快手筆的開發過程中，同樣面對過複雜度與自學能力之間的拉鋸。他曾經自學過Java等語言，跨界到鴻蒙，也全靠自己摸索。“但這是我自學道路上，最順暢的一次”，他在鴻蒙官網文件中找到了大量實例程式碼，也在開發者社區獲得了及時的回應。正因如此，快手筆完成後，他第一時間決定將部分元件開源，幫助更多人少走彎路。“我認為百花齊放比一枝獨秀更重要。既然我在社區裡得到了幫助，也應該回饋給其他開發者。”相比之下，政府應用開發者面臨的挑戰更加複雜，許多問題無法如個人開發者一般，憑一己之力解決，或是在社區裡找到答案。每到這些時刻，鴻蒙官方便會伸出援手。劉斐回憶起渝快辦適配鴻蒙時的情景，“我們面臨的最大困難，是原有的程式碼架構過於複雜，而且原來的開發者已經離職，僅靠我們的力量很難解讀那些程式碼。”關鍵時刻，鴻蒙技術專家也會參與合作。“他們的工程師甚至親自到場，和我們一起分析程式碼架構，尋找解決方案。”在適配鴻蒙的路上，他們並不是孤軍奮戰。井岡山元服務的負責人童瑋回憶道，“無論是官方文件、社區支援，還是華為的工單系統反饋，都能在關鍵時刻給你幫助。”井岡山元服務的負責人童瑋在這場充滿變數的開發旅程中，鴻蒙的學習資料、技術社區和工程師支援，成了他們並肩前行的“命運共同體”。3 真正把鴻蒙創新能力開放出來，讓所有開發者獲益當四位開發者，帶著各自的問題走進鴻蒙時，這一生態也用自己的方式給出了回應。鴻蒙作業系統5的創新特性，在這四款應用中得到了不同的體現。對於個人開發者來說，鴻蒙的分佈式特性與跨裝置能力，給了他們前所未有的創作空間。王維傑的示路充分利用了鴻蒙作業系統5的地圖服務，實現了行程的可視化。“通過接入鴻蒙系統花瓣地圖，示路能夠支援全球超過200個國家的地理標註服務。就像給使用者提供了一支畫筆，無拘無束地發揮自己的創意。”在這款軟體內，使用者們創造了許多個性化的路線，有川藏自駕的路途，也有城市內漫遊的線路，許多連王維傑自己都迫不及待地想親自嘗試下。基於鴻蒙作業系統5的安全特性，示路不會隨意收集使用者的位置資訊；示路提供的“多人協同規劃”及“AA旅行計算器”等旅行輔助工具，也可以輕鬆完成行程規劃與費用計算。鐘顯燊的快手筆則將鴻蒙的分佈式能力發揮到了極致。他所開發的筆記應用實現了跨裝置的即時同步，所有資料均保存在本地，無需擔憂雲端安全與隱私問題。快手筆的筆記應用實現了跨裝置的即時同步在鴻蒙AI能力的加持下，儘管沒有聯網，使用者也能在快手筆內實現語音識別轉文字。“筆記類應用”向來是一個競爭激烈的垂類，使用者的需求多且繁雜，快手筆能在其中脫穎而出，自有它的道理。對於政府項目而言，鴻蒙帶來的更多是安全性、技術升級和服務效率的全面提升。童瑋負責的井岡山元服務，其中許多功能都是基於鴻蒙的“意圖感知”框架。當遊客走近一個景點時，元服務會自動感知時間和空間，為遊客推送對應的服務。例如到達某個景點，推送對應的語音講解，到了飯點時間，推薦附近餐飲資訊。對於渝快辦，這一款政務服務類的應用而言，不僅加強保障了資料安全，更幫助其從“人找服務”升級到了“服務找人”的體驗飛躍。結合日曆開放能力，市民可以在App內建立日程並設定同步到手機日曆，系統將主動為市民推送證件到期等事項提醒；長輩版UI則讓年長使用者也能輕鬆使用政務應用。“鴻蒙版的渝快辦程式碼更加精簡，運行更為流暢。”劉斐特別提到，鴻蒙的技術架構讓應用在保持功能完整性的同時，大幅提升了響應速度和穩定性。這對於承載政務服務的應用來說，意義重大。鴻蒙生態，這個不斷發展的平台，正逐步兌現開發者們的理想，也在他們的創意與實踐中，不斷豐富著自己的可能性。正如鐘顯燊所說：“鴻蒙的意義早已超出了作業系統的範疇，它更像是一個面向未來的技術平台，連接需求與解決方案的橋樑。”4 在社區中獲得成就，在百姓中獲得好評技術從不是單向的表達。它連接著開發者的思考，也回應著使用者的反饋，最終構成平台、開發者、使用者之間的循環共振。對於王維傑來說，最意外的收穫是示路之內，使用者們彼此之間自發形成的社區。“我一直想要營運這個社區，但還有本職的工作要做，實在沒有時間和精力。”不過使用者們還是自己建立起了交流群，分享旅行攻略，推薦路線，甚至互相約伴出行。如今的示路已經有了5000多名使用者，其中不少成為了王維傑的網友。有使用者發現了軟體的Bug，會細心地給出建議，這種善意讓他深受感動，也更加堅定了繼續最佳化產品的決心。鐘顯燊的體驗則更加豐富。成為個人開發者後，身為“I人”的他認識了很多新朋友，有自己產品的使用者，會給他提出中肯的建議；也有其他的個人開發者，在技術社群裡互相交流經驗。常常有使用者告訴他，快手筆的分佈式同步功能讓自己的學習筆記管理變得前所未有的便捷，這種反饋讓鐘顯燊覺得所有的努力都值得。個人開發者的成功是垂直圈層內的口碑相傳，而對於政府應用來說，反饋則更為多元。它們所帶來的，是千萬市民、旅者的民生改善！童瑋看到了井岡山元服務帶來的變化。遊客在景區的平均停留時間延長了，年輕遊客的比例明顯提升，而且他們對紅色歷史的關注度也比以前更高。“這款元服務確實實現了我們最初的目標，它讓曾經那段艱苦奮鬥的歷史，以一種全新的方式呈現在了年輕人面前。”劉斐則從政務服務效率的角度看到了改變。“渝快辦鴻蒙版上線後，使用者滿意度有了顯著提升，辦事效率也明顯提高。”這些積極的使用者反饋，形成了一個良性循環：平台提供技術支援，開發者創造價值，使用者享受服務，反饋促進改進。從最初的探索嘗試，到現在的成熟應用，這個生態正在變得越來越豐富，越來越完善。“鴻蒙作為一個面向未來的生態，具備著更多可能性。”劉斐的話代表了四位開發者的共同心聲。在這個面向未來的新世界裡，每一行程式碼都可能改變生活，每一個創意都可能成為現實，每一次嘗試都可能開啟新的可能。開放、多元、包容的生態已經形成，而這個生態的未來，還需要更多人的參與和貢獻。為了激勵更多創新，鴻蒙星光計畫已經於6月20日正式開啟，投入了總額1億的現金和資源，支援更多校園開發者、創意人才在鴻蒙沃土探索創新。懷揣著熱枕的你，可通過HarmonyOS開發者官網(開發者聯盟官網)進行報名。 (鹽財經)

【新智元導讀】「程式設計的未來是Human語言」，AI掀起程式設計70年來最大變革，從對話到程式碼，「氛圍程式設計」與自然語言成為主角。老黃預言，AI讓人人都能成為人機互動的橋樑。你知道人類目前的程式語言到底有多少種？C、C++、C#、Java、Python、PHP、JavaScript、Go、Rust……但不論有多少種，這些都不重要了。未來也許只會剩下唯一一種程式語言，AI將徹底改寫人機互動的定義。倫敦科技周上，老黃一句話震撼全場：「未來新的程式語言應該叫Human」！多虧了人工智慧，即使非程式設計師也可以編寫程式碼。讓電腦編寫程序的方法就是「禮貌地詢問」，就像你向一個人提出請求一樣。現在，突然之間……出現了一種新的程式語言。這種新的程式語言叫做「Human」。老黃的意思很明顯——沒有人會去再學資料結構和演算法導論，甚至提示詞工程都已經過時。未來你最應該學會的是如何用Human語言來和AI溝通——不論是中文、英語、法語、德語還是孟加拉語。沒有作業系統、沒有C語言、沒有Java、沒有Python、無需再學習演算法和資料結構，只要你會說「Human」語言。人機互動將真正進入一個全新的時代，程式設計師作為職業或許從此將消失，任何人都可以用Human語言來和AI、和機器溝通。這個趨勢已經在現實中不斷地上演和被強化。Vibe Coding（氛圍程式設計）+ Human語言 = 人人都是程式設計師。別以為這只是概念噱頭——現實世界已經走在前面了！市場對AI程式設計工具的熱情不斷爆發。Cursor、Windsurf等估值不斷的走高：· 豪擲30億美元，OpenAI史上最大收購案！· 25歲MIT輟學天才一戰成名！3年成為90億美金公司CEOOpenAI發佈Codex：程式設計革命徹底爆發！剛剛，OpenAI最強智能體上線ChatGPTClaude發佈Claude Code：AI程式設計新王Claude 4，深夜震撼登基！連續編碼7小時，開發者驚掉下巴DeepSeek新模型R1-0528注重編碼能力：剛剛，新版DeepSeek-R1正式開源！直逼o3程式設計強到離譜，一手實測來了OpenAI專門推出程式設計用的GPT 4.1：GPT-4.1深夜登場，中科大校友領隊！百萬上下文程式設計驚人，GPT-4.5三個月後淘汰GoogleGemini 2.5 Pro的程式設計能力霸榜：新版Gemini 2.5所有榜一，Google無敵了！一個月全面擊敗o3，程式設計反超Claude 4這些AI程式設計助手可以輕鬆地將用普通人類的語言寫成的提示轉化為程式碼。依賴這些AI助手編寫完整程序的做法，催生了被稱為「Vibe Coding（氛圍編碼）」的編碼範式，甚至Vibe Coding之上還有「氛圍介面」。回顧程式語言誕生的歷史，當下我們正處於「Human程式語言」的新輪迴。AI迫使我們再次重新發明了程式語言——Human會成為人機互動最終的橋樑嗎？AI讓我們回到原點人類重新發明程式語言未來的人機互動或將建立在自然表達與形式精度的完美結合上。人類多年來實現了「與電腦對話」的夢想，卻發現必須教它們如何精確傾聽。想像你在給一個語言流利但從未出過門的人指路。你說：在那棵大樹那裡左轉。他卻問：那棵樹？多大算大？是你的左邊，還是樹的左邊？經歷無數次糊塗的旅程後，你最終制定了一套精確的指令：出門向北走三條街，在街角的麥當勞處左轉。70年前電腦發展的真實寫照——如今又再度上演。1950年代，科學家嘗試用英語與電腦交流，結果慘敗。於是他們發明了FORTRAN、COBOL等程式語言——這些正式、精準、無歧義的交流方式。之後就是我們熟悉的各種程式語言，這些語言推動了數字時代幾十年的發展。直到AI出現，我們又能用自然語言對電腦發號施令了。像ChatGPT就能理解「幫我寫個按字母排序名字的函數」。人類友好型計算，似乎回來了。但劇情反轉來了：我們發現了當年放棄自然語言的那些老問題，又重新找上門。於是人類又一次被迫發明正式語言來解決問題。歡迎來到計算史上最大規模的「似曾相識」。第一次失敗時間是1954 年，喬治城大學的研究人員正準備創造歷史。他們開發出一台能自動將俄文翻譯成英文的機器。演示非常成功——60句話翻譯無誤，媒體紛紛宣稱「即時翻譯」已成現實。但真相是：這一切不過是障眼法。系統只能識別250個詞和6條語法規則，測試句子也都是精心挑選的。就像你只會把特定的句子比如「貓是黑的」翻成法語，卻自稱發明了萬能翻譯器。最終，1966年的ALPAC報告宣判機器翻譯比人工翻譯更貴、更慢、更不准。自然語言計算宣告死亡。正式程式語言革命FORTRAN之父John Backus一語道破：用自然語言與電腦交流，是「一場近身肉搏」。他提供了激進的解決方案：創造專為人與機器溝通而設計的新語言——程式語言。正式程式語言的四大基石：無歧義語法：程序只有一種解釋方式組合語義：複雜意思由簡單部分構成無上下文結構：不依賴文化或背景知識數學基礎：基於邏輯推理而非人類解釋這不僅是技術選擇，更是生存之道。正式語言解決了人與機器之間的溝通難題，才有了後來的電腦革命。AI帶來新一輪混亂。時間快進到2022年11月，ChatGPT發佈，僅用五天使用者突破百萬。你可以對它說：「幫我寫個分析客戶資料並生成圖表的Python指令碼」，它竟然能完成！ChatGPT彰顯的前景似乎無限「美麗」：不再死記語法用英語（自然語言）程式設計AI真正「理解」你的需求然而，幾百萬使用者開始日常使用後，熟悉的問題再次出現。穿著新衣的老問題問題1：多義詞陷阱（再現）讓ChatGPT「bark up the right tree」（用對方法）——是操作樹型資料結構？還是處理錯誤日誌？模糊性再次成為障礙。問題2：語境混亂（仍在）「設個八點的鬧鐘」—— 它會問：早上還是晚上？那個時區？那一天？自然語言依舊假設存在共享上下文。問題3：編造問題（新麻煩）AI的新問題是「自信地胡說八道」：它能生成看似真實的學術文章，但作者和期刊全是假的；它會寫呼叫根本不存在的API的程式碼。看起來像真的，其實全錯。問題4：可靠性缺失（更嚴重）讓它寫整整500字，結果總有偏差。日常用途無妨，但對於關鍵系統，這是致命問題。我們再次撞上了1950年代的同一堵牆。正式程式語言回歸科技界並未因AI出錯而放棄，而是像當年一樣，開始建構更可靠的正式系統。第一步：提示工程框架程式設計師不再隨意發問，而是設計結構化提示：逐步思考法：強迫AI展示推理過程，例如「我們一步一步來」CLEAR框架：清晰、邏輯、證據、行動、結果Few-shot示例法：提供明確的行為範例這些不只是技巧，而是正在形成的新型 AI 交流正式語言。第二步：AI標記語言正在出現專為 AI 設計的新語言：模型上下文協議（MCP）：被稱為「AI 的USB-C」，標準化 AI 與工具之間的連接方式AIML 演進版：基於XML的結構化對話語言智能體通訊協議：AI與AI之間對話的正式語言，Agent2Agent第三步：結構化框架公司開始建構系統化方法：LangChain：用於管理AI對話的範本系統Constitutional AI：用正式規則訓練AIRAG系統：讓AI的回答有事實依據趨勢清晰可見：1950s：自然語言失敗→正式程式語言2020s：自然語言AI崛起→出現問題→正式AI交流語言再現→進化為新的Human程式語言我們正見證「提示程式語言」（Prompt Programming Languages）的誕生 ——在自然語言風格下，融入計算精度的正式系統。從趨勢和歷史來看，新的Human程式語言路徑是：近期（2025–2027）：正式化階段提示工程像軟體工程一樣系統化AI 標記語言廣泛普及企業AI必須使用正式協議中期（2027–2030）：融合階段多模態AI（文字、語音、視訊）配合正式驗證系統非技術人員也能用自然語言程式設計自動把人類語言翻譯成AI規範語言遠期（2030+）：融合進化腦機介面將配合正式語言協議人類語言與AI之間實現通用翻譯完全自主系統具備正式邏輯推理能力最佳平衡點未來不會拋棄自然語言，而是在其之下加上一層形式精確。就像現代程式語言比彙編語言更易讀，卻依然保持數學精度。最終形成三層架構：人類層：自然語言交流翻譯層：自動轉為正式規範機器層：依靠正式協議可靠執行回顧以上的程式語言輪迴史，不僅僅是數字計算發展的歷史，更揭示了人與機器交流的本質規律：真相一：歧義是人類的天賦人類語言靈活，效率高，那怕說「拿那個東西」，別人也能理解上下文。這種歧義帶來創造力、詩意和豐富表達。真相二：精確是機器的生存法則電腦執行任務必須毫不含糊。像「在那棵大樹處左轉」這種句子，對人類沒問題，但對自動駕駛汽車可能致命。真相三：人機互動的「橋樑」一定是正式語言每一個成功的介面——從程式語言、UI設計到API介面，最終都發展出了正式結構。人與機的有效溝通，離不開這種橋樑。真相四：每一輪循環都在升維我們不是走回頭路，而是在螺旋上升。1950年代的語言要求懂二進制，現在的AI框架幾乎像對話一樣自然。未來還會更自然、更精準。這種循環升維中蘊藏著真正的創新，突破點不在於消除歧義，而是系統化地管理歧義。未來的AI互動語言將：對人類而言自然自動轉為正式規範AI和機器可以可靠執行可驗證、可偵錯也許你可以把它看作「終極編譯器」：無縫將人類意圖轉為機器精確行為。我們起初是為了擺脫自然語言的模糊性，才創造了程式語言，推動了數字時代。AI把我們帶回自然語言對話——卻也讓我們重新面對同樣的老問題。但這一次，我們不再是從零開始。我們有70年建立正式系統的經驗，理解其中的規律，知道該往那走。問題不在於我們是否會為 AI 建構正式語言，而是我們能多快建構、多優雅地橋接人機之間的鴻溝。AI一旦足夠重要，就會對可靠性提出要求，正式方法自然會跟上。當你下次為ChatGPT誤解你的提示而煩惱時，不妨記住：你正親歷下一代人類交流革命的誕生。我們不是在回頭，而是在螺旋式進化——將人類語言的靈活性與形式邏輯的精確性完美融合。這場循環，不是問題，而是進化本身。未來屬於能連接人類意圖與AI精度的人。 (新智元)

【新智元導讀】紅杉專訪OpenAI Codex團隊揭示AI程式設計的未來：從工具協作邁向「非同步自主Agent」時代。Codex正從程式碼補全演化為可獨立完成任務的智能體。此外還有更大爆料！未來的AI Coding會是什麼樣子？Copilot、Cursor、Windsurf還是Claude Code？都不是！而且你一定也猜不到。在紅杉最新專訪中，OpenAI Codex產品負責人Alexander Embiricos描述了他的理想未來：下一個AI Coding範式不再是和編碼助手配對合作，讓AI進行程式碼補全；而是徹底將任務全部委託給智能體——一種真正的「非同步自主Agent」。軟體從開發&測試的傳統「線性模式」，變成了「經紀人模式」：Agent與人類的關係，從「配合」徹底切換成「多工委託」。更大膽的設想還在後頭——Alexander說，未來的軟體開發介面或許不再是IDE，而是像Tinder或者TikTok的訂閱資訊流。Agent不斷推送工作進展，人類只需滑動決定Approve（通過） or Not。Sora製作的未來程式設計範式應用Codex核心理念一改以往程式碼補全邏輯，強調「大膽委託心態」：讓Agent平行運行多個任務，用Agent自動完成所有繁瑣工作——bug修復、重構、功能開發……而開發者則退居幕後，主導審查、規劃與驗證，從「親自動手」轉向「高效稽核」。Codex模型雖然基於o3，但進行了微調，更有「工程味」和「品位」。Codex不再是單純求解競賽難題的AI學霸，而是一個懂得PR描述、風格對齊、測試覆蓋的成熟工程師。另一個令人驚訝的消息是，把o3的價格打到「白菜價」的原因竟然也是Codex！OpenAI秘密使用Codex作為內部智能體軟體工程師來「遞迴的」最佳化推理成本——而這僅僅只是個開始。2025，註定是Agent元年，而OpenAI的大棋是：未來不再有「專門的Agent」，ChatGPT將成為唯一通用助手，接入所有介面，接管一切。Codex能否成功承載這個理想，也許年底就能見分曉。紅杉專訪Codex團隊精華版1 Codex演進路線：從工具到智能體Codex最初是程式碼補全模型，如今已發展為能在雲端獨立運行的程式設計智能體。使用者可將完整任務交給Codex完成，輸出如PR（Pull Request）等實際成果。未來，使用Codex完成任務，甚至無需觸碰電腦。2 與傳統自動補全的區別相較於o3等模型專注於競賽程式設計，Codex通過強化學習微調。更符合專業開發者的真實工作風格，輸出更可合併、更實用的程式碼。3 實際應用場景與優勢Codex特別擅長修復bug與執行重複任務，OpenAI內部工程師通過平行提交多個任務，顯著提升開發效率。未來開發者將主要做「稽核與決策」，而非具體程式設計。4 人與AI協作的新範式Codex強調的是「委託」而非「配對」。未來，AI將獨立在雲端運行，開發者只需提供任務描述。Codex將會嵌入CLI、IDE、項目管理工具等各類開發工具中。5 編碼之外的開發流程重塑軟體開發不僅是寫程式碼，更包括規劃、設計、部署和維護。Codex未來目標是覆蓋整個開發流程，甚至提出開發計畫、撰寫文件、參與維運等。6 行業影響與未來展望隨著AI程式設計工具門檻降低，「專業開發者」總量或將增加。未來開發者的日常可能更像「Tinder」式管理流式任務，由多個Agent提交工作成果，人類僅需篩選與稽核。7 訓練環境與挑戰Codex在訓練和推理階段都使用相同的容器化環境，解決了「只在我機器上能跑」的問題，實現了高度一致的開發體驗。8 未來形態與願景未來將不再區分「寫程式碼的Agent」與「助手Agent」，ChatGPT將統一一切，具備終端、瀏覽器等通用工具，適應使用者所有需求。9 IDE介面將被「刷資訊流」模式替代Alexander爆料，未來的軟體開發介面可能像Tinder那樣呈現：Agent不斷提交任務成果，你滑一滑決定是否通過。這一理念背後是「富足心態」：不再是補全狀態下的一行程式碼一個建議，而是多個任務平行執行、多個結果一起提交——未來的AI能力就像水一樣，任意使用。未來的程式設計，就好像訂閱了無數的智能體一樣，你只需決定使用誰的成果。遞迴自我改進的人工智慧Codex和紅杉採訪之外還有更大的爆料！OpenAI已經在內部運行遞迴自我改進的人工智慧！她的名字叫Alice。她已經存在，並且還在工作，只是還沒有完全穩定，沒有完全獲得「人類」的信任。據Satoshi介紹，Alice已經可以自主設計、評估和改進新的模型架構。這並不是推測，也不是理論，這是一種自我引導智能的開始。一旦解決了Alice的問題，就會進入模型自我升級的階段，其速度比任何人類工程師團隊都要快。Codex所預示著AI Coding未來似乎已經觸手可及。 (新智元)

【新智元導讀】Builder.ai自稱用AI簡化軟體開發，吸引微軟、軟銀等巨額投資，估值一度超15億美元。但實際靠人工冒充AI，創始人虛報三倍營收。醜聞曝光後，投資被凍結，公司原地破產。印度老哥是真的有點猛啊！今天要說的這位，是AI程式設計公司Builder.ai的創始人兼前CEO——Sachin Dev Duggal。他不僅造了個「全是人工，沒有智能」的假AI公司從軟銀、微軟等巨頭手裡騙到了數億美元融資，估值幹到15億而且還敢對投資人虛報300%的營收是的，這家公司的後台裡並沒有AI，有的只是一群印度老哥假裝AI寫程式碼。更勁爆的是，這一騙愣是堅持了8年。但這周他算是徹底玩完了。創始人兼前首席執行官Sachin Dev Duggal隨著最近一次「欺詐」的曝光，上一輪的投資人嚇得趕緊凍結了投資帳戶裡的剩下的3700萬美元（共投資5000萬美元），只給公司帳戶留下500萬美元，而這500萬美元還受限於政府的資金出境規定，也沒法用來發工資。沒辦法，Builder.ai只能申請破產，此時的CEO早已換成來「擦屁股」的Manpreet Ratia——創始人Sachin Dev Duggal於2月份辭去CEO職務，由Ratia接替。這場鬧劇直接導致了自2022年ChatGPT發佈以來，AI初創公司中規模最大的一次倒閉事件——這家公司在上一輪融資中估值已經超過15億美元。Builder.ai的破產清算通告Builder.ai的官網已經無法訪問，只剩下兩個聯絡信箱而這場風波中的「冤大頭」除了上面提到的提供了5000萬美元的Viola Credit外，還有兩年前牽頭2.5億美元融資的全球最大主權財富基金之一——卡達投資局（QIA）。以及同年也進行了投資，並成為戰略夥伴的微軟。甚至，他們還把Builder.ai整合到了雲服務中。黃金時代Builder.ai誕生於倫敦，源於其創始人Sachin Dev Duggal對傳統軟體開發的不滿。在AI驅動的敘事黃金時代，Builder.ai有一個好到不容忽視的宣傳口號：讓軟體開發「像點披薩一樣簡單」。這家成立於2016年的初創公司聲稱，它可以通過一個據稱由AI驅動的平台，讓非工程師也能夠建構複雜的應用程式，從而普及軟體開發。AI的宣傳口號對投資者而言效果奇佳。Builder.ai的前身叫做Engineer.ai，總部位於倫敦和洛杉磯的公司2018年從包括Deepcore Inc.在內的投資者處籌集了 2950萬美元資金，Deepcore Inc.是軟銀（SoftBank）的全資子公司。其他投資方還包括總部位於蘇黎世的風險投資公司 Lakestar（Facebook Inc.和 Airbnb Inc.的早期投資者）以及總部位於新加坡的Jungle Ventures。創始人Sachin Dev Duggal在早年的一次科技會議上到2022年，Builder.ai已籌集了1.95億美元，並於2023年5月，在由卡達投資局 (QIA) 領投的一輪融資中又增加了2.5億美元。同年，微軟作為戰略投資者和合作夥伴加入，將其Builder.ai平台整合到其雲服務產品中。這帶來了巨大的認可，隨之而來的期望也同樣巨大。在接下來的8年裡，它籌集了超過4.45億美元的資金，其投資者包括微軟和卡達投資局，公司估值也跨過了 13 億美元的大關。Builder.ai提供的解決方案是：將模組化程式碼元件與人類開發者相結合，並由AI進行協調。其名為「Builder Studio」的平台，配備了一個名為「Natasha」（娜塔莎）的數字助理，承諾提供由AI驅動的無縫使用者體驗。Builder.ai酷炫的官網，如今已經全部無法打開但這個願景的背後實際上是：大部分工作是由印度的開發人員完成的，而非AI。2019年，「華爾街日報」揭露了一個令人尷尬的真相：Builder.ai的AI更多的是行銷噱頭，而非工程突破。多位現任和前任員工表示，一些定價和時間表的計算是由傳統軟體來做的，剩下的大部分工作也都是由員工手動完成。如果你告訴客戶你在使用AI，他們很可能不會想到上世紀50年代的技術。決策樹是一項非常老舊且簡單的技術。這些人表示，公司缺乏自然語言處理技術，並且公司內部使用的決策樹不應被視為AI。正如報導所言，Builder.ai這家AI公司「全是人工，沒有智能」。這種敘事與現實之間的鴻溝將決定該公司的發展軌跡。只有人工，沒有智能Builder.ai欺騙的跡象不僅僅出現在2019年華爾街日報的報導。根據Reddit上多位前員工和知情人士的爆料，Builder.ai公司可能一開始就只有人工，沒有智能。多位前員工表示，管理層不可能不知道正在進行的欺詐，只是視而不見。這公司工作兩年，幾乎沒有看到有項目交付。而且有前員工透露Builder.ai極限壓低員工工資，甚至稱「給的薪資太垃圾」，並且不是AI導向，而是行銷導向的公司。一名使用者在一年前就發現自己在使用Builder.ai的服務中發現很多「無法理解」之處。包括：開發體驗極差、缺少模組、程式碼無法使用、無法訪問IDE甚至有些程式碼完全無法修改。還有知情人士直接透露Builder.ai其實就是用「ai域名」來欺詐的公司。公司裡僱傭了大量的低成本開發人員來「假裝AI」。清算時刻隨著時間的推移，Builder.ai內部的裂痕也一直在擴大。據內部人士透露，該公司長期以來一直依賴誇大的營收預測和AI方面的宣傳來獲得融資。龐大的全球員工隊伍和耗資巨大的擴張計畫，包括在東南亞和中東開拓新市場，使資金消耗率不斷上升。與此同時，前CEO的法律問題也層出不窮。據「金融時報」報導，Duggal捲入了印度一樁洗錢刑事案件的調查。對此，Builder.ai的總法律顧問曾在一篇現已刪除的部落格中回應稱，Duggal只是該案的一名證人。不過，Duggal還是在2月辭去了CEO職務，但仍留在董事會並保留了他的「wizard」頭銜。接替他的，是亞馬遜和Flipkart的前高管Manpreet Ratia，後者此前曾擔任Builder.ai投資方Jungle Ventures的管理合夥人。緊接著，清算的時刻就來臨了。2025年5月，Builder.ai的高級投資方之一Viola Credit從該公司帳戶中扣押了3700萬美元，並觸發違約。僅在兩個月前接手收拾殘局的首席執行官Manpreet Ratia手中僅剩下500萬美元現金。幾天後，他申請了破產。事實證明，Builder.ai向貸款方提供了誇大的財務預測，謊報了其營收健康狀況。這一違反契約條款的行為讓Viola Credit得以採取斷然措施。但這次結構性崩潰背後更大的原因是，他們的商業模式從未與他們的品牌宣傳相匹配。Ratia在一次全公司範圍的電話會議中，承認了敗局已定。大部分全球員工遭到解僱，曾被定位為AI創新旗艦的產品也被擱置。5月20日，它正式宣告破產。在失敗之前的一個月，該公司進行了最後時刻的重組，裁掉了770名員工中的220人。Builder.ai本周表示，由於「無法從歷史挑戰和過去的決策中恢復過來，這些因素給公司的財務狀況帶來了巨大壓力」，儘管管理層「不懈努力」，但公司將任命一名行政官來監督破產程序。據「金融時報」報導，Builder.ai總共欠了亞馬遜8500萬美元，欠微軟3000萬美元。創業明星為何Duggal一開始能獲得投資人的青睞？不論是卡達資金、軟銀還是微軟，都不是輕易能夠欺騙的。這就不得不提Duggal「光鮮」的履歷了。Sachin Dev Duggal在14歲時開始通過組裝PC電腦開啟職業生涯，到17歲時，他為德意志銀行建立了世界上首批自動化貨幣套利交易系統之一。他在21歲仍在帝國理工學院就讀期間，啟動了他的下一個創業項目——雲端運算公司Nivio。在離開估值為1億美元的Nivio之後，Duggal開始專注於打造一個名為Shoto的照片分享應用。然而，他很難找到符合自己需求的前端開發人員。Duggal不禁思考：如果連他自己都難以找到可靠的幫手，那麼沒有工程背景的人又該如何開始建構一款應用呢？於是，他創立了Builder.ai，旨在讓軟體建構「變得像點披薩一樣簡單」。後面的故事，大家也都知道了。AI洗白在行業上，Builder.ai這種將傳統技術服務包裝成AI來騙取資金的模式，被稱為「AI洗白」（AI washing）。而它的失敗，也重新引發了關於在AI交易中進行技術盡職調查必要性的討論。對於客戶而言，其中許多是初創公司和中小企業，這次突然的停運讓他們手忙腳亂地重建或遷移他們的應用程式。這凸顯了依賴新興參與者提供關鍵任務軟體基礎設施的風險。儘管遭遇了這次打擊，但更廣泛的低程式碼/無程式碼市場依然保持韌性。Gartner預測，到2028年，60%的新企業應用程式將使用此類平台開發。預計到今年年底，全球市場規模將達到 260億美元。從Gartner的讚譽到Fast Company的排名，從明星投資者到其網站上展示的頂級公司標識，Builder.ai似乎是AI時代的偉大成功故事之一。但像許多建立在炒作之上的公司一樣，它混淆了規模與可持續性，以及知名度與生存能力。最終，Builder.ai的故事與其說是一項失敗的技術，不如說是假裝它曾經奏效所帶來的後果。在 ChatGPT 帶動的投資熱浪裡，規模、估值與曝光度並不等於護城河。Builder.ai的故事像極了昔日Theranos——當技術承諾與實際能力出現1毫米的裂縫，資本市場就會在下一秒撕開1千米的深淵。 (新智元)

AI開發者可能自食其果，最先被AI取代！ AI Impact Lab的創辦人認為：未來的趨勢是AI讓資深工程師比升值，而讓初級工程師貶值。如果AI能引發文明變革，那「程序猿」將首當其衝，最早被AI取代。如果AI真的取代人類工作，為什麼不從AI公司最熟悉的職位開始？如果AI引發大裁員，以前到底有沒有認真思索過最先被取代的是那些崗位？有早期跡象預示了這一趨勢？毫無疑問，AI公司最熟悉的職位，就是它們自己員工從事的職位。那在AI公司任職的研究員、軟體工程師不妨問問自己這些問題。最近，AI Impact Lab的創辦人兼負責人Taren Stinebrickner-Kauffman發表了一篇部落格文章，認為這些AI公司首先針對的就是軟體工程師。她認為AI革命可能最終會吞噬自身：即使AI不會導致整體大規模失業，工程類工作也會急劇下降。開發者自食其果？如果你關注科技就業市場或AI程式工具，上個月美國的一些資料肯定會讓你瞠目結舌！AI巨頭Anthropic的執行長Dario Amodei公開表示，在今年底前，AI可能會編寫90%的所有程式碼。Y Combinator的負責人Gary Tan提到，在2025年冬季季度的一批YC新創公司中，95%的程式碼是由AI編寫的。據報導，AI編碼新創公司Cursor的年度經常性收入已超過2億美元，這意味著擁有超過五十萬付費訂閱使用者，而免費使用者推測有幾百萬。Cursor在2024年底達到1億美元ARR的速度，與其他公司的比較。僅僅三個月後，到2025年3月，Cursor的ARR就翻倍到了2億美元！同時，科技就業市場持續疲軟。去年，美國大小科技公司裁員超15萬人。而在上個月，雖然美國IT產業的失業率下降至4.6% ，但美國的整體失業率為4.2% ，而且IT就業市場規模也隨之縮小。這些現像是否存在關聯？矽谷向來以顛覆傳統產業為榮，但若這次革命反噬自身呢？科技從業人員會否成為全球AI就業危機的首批受害者？Taren Stinebrickner-Kauffman深入分析了這些問題。社會運動家：Taren Stinebrickner-Kauffman為什麼技術崗位會先倒楣？Taren Stinebrickner-Kauffman有四個強而有力的理由，顯示工程類和其他技術類工作，可能會成為AI衝擊最早波及的領域。1.  AI公司對技術職位非常熟悉。AI實驗室的員工本身就是工程師，他們在解決自己最瞭解的問題。相較於為醫療或法律產業開發AI，打造編碼智能體所需的外部領域知識更少，這可能會加快研發進展。而且，程式設計師有悠久的傳統，喜歡開發工具來加速編碼。正如一句老話所說：「我寧願寫程式去產生程序，也不願直接寫程式。」2.成功指標更清晰。相較於其他領域的成果，判斷程式碼是否有效要簡單得多。特別是在「程式設計競賽」這類明確有對錯的領域，AI工具表現已經非常出色。這種清晰度讓AI模型更容易產生訓練資料、進行自動化評估，並形成更有效率的回饋循環來改進模型。而在許多領域，例如行銷、規劃等，成果好壞往往難以量化。3.有海量高品質訓練資料。像是活動策劃者或虛擬助理的工作流程和成果，沒有大規模的免費線上資料集但網上有大量開源程式碼資料，很多還帶有註釋和開發者的思路解釋！這些資料讓AI模擬工程師變得極為便利。4. AI研究的遞迴改進動力。頂尖AI公司非常希望用AI來加速自己的研究工作，打造出一個「自我增強」的正回饋回路－用AI來提升AI，從而更快地研發出更強的模式。如果你看過OpenAI爆料人Daniel Kokotajlo等人描繪的《AI  2027》場景，第4點正是他們未來設想中的關鍵邏輯。AI真能引發科技業大裁員？AI是否已經在科技業引發了大規模裁員？又或者，這種影響即在不久的將來顯現？對於這個問題，即使是理性的人，也有明顯的分歧。為了更清楚地瞭解當前的情況，Taren和Steve與超過25名工程師、管理者及相關的科技工作者進行了交談，試圖瞭解AI如何正在改變技術勞動力市場，以及他們預計未來會發生什麼變化。以下是從這些訪談中得出的主要觀點和發現，分為三個主要面向：1 AI還沒有改變大多數技術職位2 AI對初級職位招募造成巨大壓力3 AI正在模糊崗位邊界科技業中出現的模式，往往可以視為其他產業工程團隊即將面對的先兆。不過，也有可能他們兩個根本沒注意到其他產業的趨勢。大多數技術職位沒有被AI改變根據調查，發現AI並不是目前科技業疲軟的主要原因。雖然AI顯然對未來的計畫和一些當前決策有影響，尤其是涉及初級職位的招聘，但幾乎所有受訪者都一致認為，目前裁員和招聘放緩的主要原因仍是宏觀經濟因素，例如利率上升和疫情後的市場調整。一個頗具說服力的例子來自程式訓練營的一位負責人，他指出，即便是在明確禁止使用AI工具的產業（如金融業），工程師的就業市場也同樣低迷。AI目前鮮有「革命性」生產力提升。雖然在某些特定任務上，AI確實能顯著提高效率，但這種提升高度依賴於具體任務類型和使用者的熟練程度。通常來說，生產力的提升主要出現在那些小規模、結構清晰的新專案中，或是當開發者初次接觸某種新語言或API時。對於其他工作，目前AI工具帶來的收益往往要小得多，甚至可能被審查、偵錯、整合以及處理AI缺陷所需的時間完全抵消。更重要的是，寫程式碼並不是工程師的全部工作——而AI目前在需求撰寫、品質保證、會議溝通等方面幾乎幫不上什麼忙。因此，整體工作生產力的提升，通常遠小於那些引人注目的數字。即便是知名科技公司也沒有全部廣泛應用AI工具。一方面，整體來看，AI在編碼方面仍未帶來革命性的改變。在大多數情況下，一個優秀的工程師不用AI，依然比一個等級較低但用上AI的工程師更有價值。另一方面，技術的廣泛採用和組織層面的轉型本身就需要時間，即使是革命性的技術也不例外。但更重要的是，在某些場景下，AI還根本無法派上用場。AI對初級職位造成巨大壓力在訪談中，許多人都表示，他們所在公司（或與之合作的公司）幾乎已經凍結了初級工程師和資料分析師的招募。從供給端來看，程式設計訓練營紛紛關閉，大學電腦專業報考人數也因就業前景黯淡而持續下滑。這是為什麼呢？究其原因，一方面整體就業市場疲軟使得企業更容易招募資深工程師。但這並不是全部原因，更關鍵的可能是AI帶來的結構性影響：- 「碼農」崗位正在消失：純粹的日常編碼或資料查詢任務所需的時間正在迅速減少。某科技巨頭高階主管坦言：「十年前，面試能在白板上寫出出色的SQL語句，就能獲得工作機會，如今這種能力已不再稀缺。」初級員工如何快速創造價值正成為一個難題。-招聘經理預計AI編碼能力會迅速提升。某200人規模科技公司的技術主管透露，雖然當前AI並未顯著提升團隊效率，但管理層基於對未來AI能力的預期已調整招募策略。高階主管預計，未來一年內AI將能夠勝任初級員工的工作，即使現在還不行。初級工程師一直被視為長期投資，但如果AI在6個月後就能完成他們的工作，為什麼還要投入資源？-AI提升了高階工程師時間價值。一位來自大型科技公司的受訪者指出，如今有經驗的工程師反而比過去更吃香了。因為他們現在更能發揮「代碼醫生」的價值——快速診斷並修復AI生成的不完善代碼（這類似於過去指導初級工程師的工作）。而目前AI工具在系統架構、產品思維、技術複雜度管理等需要經驗累積的領域仍顯不足，這恰恰凸顯了資深工程師的不可替代性。綜合來看：當AI持續提升資深工程師價值、削弱初級員工作用，疊加就業市場更利於僱主獲取資深人才的背景下，企業自然不願再耗費資深工程師的寶貴時間培養新人。所以，雖然AI暫時沒有取代人類工程師，但它已經在悄悄重塑招募邏輯和團隊結構。真正受到衝擊的，是那些尚未累積經驗、又缺乏AI協作能力的年輕人。AI正在模糊崗位邊界即使未來科技業的人數總量沒有減少，AI也正在改變工作崗位的性質，以及什麼樣的技術棧更有價值。很容易想像這樣一個未來：產品團隊的組成方式將會發生變化，純技術崗位會相對減少，而跨職能複合型人才會更多。AI目前最能賦能「半技術型」人才。在他們的研究中回饋最大效率提升的群體，並不是名義上的工程師，而是那些具備一定技術基礎、但職位不是工程師的從業人員。他們現在可以藉助AI完成小型程式設計任務，幾乎不需要再依賴工程師。產品經理現在可以獨立完成功能原型開發，甚至實現基礎功能；曾經轉型的非技術職位員工也能藉助AI重建技術能力。AI正在降低「技術門檻」，讓更多人能「半腳」踏入原本屬於工程師的領域。AI鼓勵「全能型選手」，產品思維日益重要傳統技術團隊的分工通常是：產品經理、設計師、工程師各司其職。而AI的加入正在打破這些界限，催生更多「跨界」角色：產品經理或設計師可以寫簡單程式碼；工程師可以製作可互動的設計原型；有些公司甚至開始提升產品經理與工程師的比例，因為功能迭代更快了；那些具備產品視野的工程師變得比以往更加吃香。總的趨勢是：能理解使用者需求、又能操作AI工具的人，將成為團隊中的核心角色。數據分析師需要「進化」才能保住飯碗過去，資料分析師的大量工作是為產品經理或主管寫SQL、做報表。但現在，基礎的資料分析任務越來越容易被自動化或「平民化」（例如透過AI或BI工具實現自助查詢）。在訪談中，有兩家公司的高階資料負責人表示：他們團隊的分析師正在轉型，逐漸向「資料工程師」靠攏，工作內容變成了資料管道建置、調試維護等更技術性的任務。也就是說，如果資料分析師不學更多技能，就會有被邊緣化的風險。AI將如何重塑未來科技？回到Dario Amodei的預測：到2025年底，90%以上的程式碼將由AI產生。這個預言會成真嗎？從現實來看，這個預測可能過於樂觀，理由如下。1、技術瓶頸仍存目前AI在複雜工程任務中仍存在明顯短板：缺乏長期自適應記憶、後設認知能力薄弱、動態規劃能力不足。METR機構最嚴謹的研究表明，AI要可靠完成人類工程師一個月工作量的複雜任務，可能需要5-10年時間（儘管最新模型顯示進步速度可能快於預期）。2.產業轉型需要時間即使在科技業這個創新溫床，行為改變的速度也遠遠跟不上技術迭代。透過訪談可以發現，早期採用者仍在適應期，而保守產業的轉型將更為緩慢。基於當前趨勢，對未來幾年技術就業市場的預測為：• 初級崗位將持續萎縮「代碼搬運工」類職位將加速消失，企業會更傾向僱用能駕馭AI工具的中高階工程師。新入行者需要證明自己具備AI無法取代的複合能力。• 人機協作成為常態工程師將轉型為「AI督導」，工作重心轉向架構設計、複雜問題解決和程式碼品質把控。產品、設計等技術鄰接崗位需掌握基礎程式設計能力。• 價值評估體系重構單純的技術實現能力將貶值，而係統思維、產品洞察、跨領域協作等「人類專屬」技能會成為核心競爭力。當然，如果某個重大技術突破即將來臨，或者超級人工智慧（ASI）在今年秋天席捲全球，那麼一切預測都將失效。但如果沒有這種突破，以下是Taren對未來幾年AI和技術勞動市場的一些預測。沒有AGI的短期預測1 品質保證（QA）將成為AI智能體主戰場。在未來一到兩年內，AI智能體在軟體測試和品質保障（QA ）的能力，將成為重點發展方向。眼下的趨勢是：AI已經顯著加快了編碼速度，但QA階段卻成了新的瓶頸。隨著像OpenAI的Operator和Claude Computer Use這樣能夠操作電腦介面的工具不斷改進，將會出現一個龐大的市場，專門用於開發能夠輔助或取代人類進行QA的AI智能體。這些工具反過來也會增強AI程式設計工具的整體價值。2「AI技術債」危機隱現。AI快速產生程式碼的便利性正在埋下隱患。未來3-5年，「AI技術債」將成為一個產業共識：包括程式碼可維護性降低、測試覆蓋率不足、安全隱患增多，以及團隊對程式碼庫理解弱化等問題。這可能會催生新的專業工作類型，但同時也會削弱AI帶來的長期淨生產力效益。3 適應AI將成為必然。部分受訪企業已開始解僱拒絕使用AI工具的工程師。雖然目前這在大多數公司中還不是決定性因素——但很快就會是了。AI適應能力即將成為從業底線。假如未來幾年AGI沒有突然出現，產業繼續沿著現有軌道發展，那麼還有一個預判4 人才儲備將逐漸枯竭。許多人認為，對於大多數公司來說，初級職位的招聘將不再有吸引力，但經驗豐富的工程師仍將長期保持價值。然而，沒有人能回答一個顯而易見的問題：未來的經驗豐富工程師從那裡來？如果不讓人們以初級工程師的身份工作多年並領取薪水，如何培養他們成為AI賦能的高級工程師？如果工程職位在未來十年仍以熟悉的形式存在，產業可能面臨嚴重的人才斷檔。目前尚未出現可行的解決方案，這場延遲爆發的危機正在倒數計時。長期來看，工程師會滅絕嗎？簡而言之：無人能確知。更詳細的答案是：三種相互競爭的假設，都試圖解釋科技勞動市場的長期走向。Jevons悖論：工程師將激增。Jevons Paradox描述了一種現象：技術進步提高了資源使用的效率，反而可能導致該資源消耗總量的增加。換句話說，當某樣東西變得更便宜時，你不僅會買更多，甚至可能會在總量上花更多的錢。例如，隨著運算能力變得更便宜——晶片效率不斷提高——我們使用的總運算量顯然大幅增加，甚至連運算硬體的總支出也隨著時間推移而增加。將此理論應用於軟體工程：當AI突破人力供給限制，曾被視為不切實際的創意將獲得實現可能。更低的開發成本將催生海量新應用、客制化工具和功能迭代，最終對工程設計的整體需求（系統架構、整合測試、維運管理等）可能超越AI帶來的效率增益，導致工程師總量不降反升——儘管工作內容將轉向更高階的創造與監管。總的來說，根據這個理論，未來將需要更多的工程師，儘管他們的工作性質會轉向更高層次的設計和監督。歷史循環論：「太陽底下無新事」有些人認為，從長遠來看，AI其實並不是什麼大事。持此觀點的某資深工程師，直言不諱地建議「去讀讀技術史」。她指出，每隔10到20年，工程師的編碼方式就會引進一個新的主要抽象層。最初，人們直接用機器碼或低階組合語言程式設計；接著出現了像C這樣的高階編譯語言，自動化了直接硬體操作；然後物件導向語言又增加了一層抽象；再後來，像Java或C #這樣帶有自動記憶體管理和垃圾回收的語言，消除了大量人工操作和常見錯誤；之後又出現了複雜的框架、雲端運算和動態指令碼語言。每次變革都自動化了特定技能，但工程師職業反而因為處理更複雜問題而進化。從這個角度來看，AI程式碼生成只是下一個抽象層，很可能會遵循歷史上的模式：顛覆、適應，最終穩定，而非工程崗位的終點。全面自動化假說：技術職位首當其衝若相信AI終將取代多數現有工作，那麼前文論述的所有特質（清晰評估標準、豐富訓練資料等）恰恰使技術崗位成為最脆弱的標的。這可能表現為大規模失業，或透過勞動力向AI相對弱勢領域轉移維持就業平衡。Taren Stinebrickner-Kauffman認為上面描述的三種路徑在未來幾十年內都是有可能發生的，並且取決於AI能力的發展.但如果非要選一個，她最傾向於第三種情境：即使AI不會導致整體大規模失業，工程類工作也會急劇下降。 AI革命可能最終會吞噬自身。終極悖論在於：若AI真能完全取代工程師，意味著它已具備通用智能（AGI），屆時所有職業都將面臨重構。在這種情境下，「工程師失業」只是文明級變革的序章。更可能的情景是漸進式演化──就像汽車取代馬車伕卻創造了更龐大的交通運輸業，科技革命的真正影響往往超越我們最初的想像邊界。 （新智元）