AI 时代的软件工程师分界线

人工智能正在放大两种截然不同的工程行为：一种把 AI 当作杠杆来深化判断，另一种把 AI 当作遮蔽物来逃避思考。软件工程领域正在将人们分成两个模糊的群体：

这第一组将利用人工智能消除繁琐工作，加快工作速度，并将更多时间投入到真正重要的工作部分，例如：定义问题、权衡利弊、发现风险、明确方向和产生原创见解。

这第二组他们会利用人工智能来逃避思考。他们会把提示信息粘贴到文本框里，收集精心润色的输出结果，然后将其包装成自己独立思考的成果。在一段时间内，这看起来像是高效的生产力，甚至看起来像是天赋异禀。但这终究是一条死路。

未来最有价值的软件工程师并非那些事事亲力亲为的人，而是那些拒绝把时间浪费在人工智能可以代劳的工作上的人。同时仍然能够理解所有代表他们所做的一切。他们利用节省下来的时间，以更高的水平开展工作。他们通过严谨的工作方式提升自己的思维过程，而不是将其外包。

人工智能已经能够在几秒钟内生成代码、总结会议纪要、解释概念、生成设计草图和撰写状态更新。这固然有用，但也存在危险。

危险不在于人工智能会在某种模糊的道德意义上使人变得懒惰。因为它使得在不真正培养能力的情况下，很容易模拟出能力。

现在人们很容易受到诱惑，给一个模型一个问题，得到一个看似合理的答案，然后把这个答案当作自己理解的成果来重复。这几乎等同于抄袭，但在某些方面甚至更糟。至少学生抄袭他人的答案时，背后还有真实的人为因素。而在这里，人们可以呈现机器生成的、自己既不理解、也无法辩护、更不可能独立复现的推理。

这种依赖是有代价的。每次你用别人生成的答案代替自己的理解，你就是在跳过那些培养判断力的练习 / 重复过程。你是在用长期的能力换取短期的成就。

我将分享一些类比，使这种思路更加具体、更容易理解。

文中后续把这种风险比作大学里只会抄答案，然后去从事需要独立思考的工作；比作做任何算术题都依赖计算器，却从未培养出数感；也比作在学会开车之前就依赖自动驾驶功能。

这些辅助系统或许能让一个人看起来一切正常，但它们并不能让这个人真正具备能力。最终，真正重要的还是原始能力。没有其他办法可以替代。

最优秀的工程师肯定会更多地使用人工智能，而不是减少使用。但他们使用人工智能的方式会截然不同。

他们将让人工智能起草样板代码、总结文档、生成测试框架、提出重构建议、发现潜在故障模式、加速调查并压缩日常工作。他们将乐于承担工作的机械部分。但他们也会：

然后，他们会将节省下来的时间投入到最重要的事情上。

多年来，人们一直将软件工程与代码编写混为一谈。如今，这种混淆正逐渐被揭露。

如果这项工作的主要内容是编写语法正确的代码，那么人工智能当然会迅速取代该职业的大部分工作。但这从来都不是这项工作最有价值的部分。它的价值始终在于判断力。

真正优秀的工程师，是那种在系统崩溃前就能发现潜在瓶颈的人；是那种能察觉团队正在解决错误问题的人；是那种能将模糊的争论提炼成清晰权衡的人；是那种能识别缺失抽象的人；是那种能够调试实际问题，而不仅仅是阅读代码的人；是那种能在众目睽睽之下拨开迷雾、清晰呈现真相的人。

事实上，未来创造最大价值的工程师往往是那些首先创造知识、使人工智能更加有用的人。他们将创建设计原则、领域理解、模式、上下文和决策框架，从而提高机器的效能。他们将为系统提供更好的问题、更合理的约束和更有效的修正。

在那个世界里，工程师不会被人工智能取代。工程师的作用会更大，因为他们的工作超越了原始产出的层面。

这个问题对于职业生涯初期的人来说尤为重要。

早期教育至关重要，因为基础技能正是在这个时期形成的。例如：故障排除的本能、系统直觉、精准性、品味、怀疑精神、分解问题的能力，以及解释事物运作原理（而不仅仅是表面运作）的能力。

这些技能是在摩擦中磨练出来的。是在奋斗中磨练出来的。是在犯错并改正错误中磨练出来的。是在追溯失败的根本原因中磨练出来的。是在写下一些东西并意识到它经不起现实考验中磨练出来的。

这个过程并非可有可无，而是工程师获取和提升自身能力的途径。如果职业生涯初期的工程师利用人工智能来消除学习过程中的所有困难，反而会阻碍他们的发展。

那些利用人工智能解答所有难题的人，或许在一两个季度内看起来效率很高。但他们可能也在悄然地忽略了自身未来赖以生存的关键能力的培养。他们跳过了理解和形成这一重要阶段。

回到之前的比喻：这就像大学里只会抄答案，然后去从事需要独立思考的工作一样。这就像做任何算术题都依赖计算器，却从未培养出数感一样。这就像在学会开车之前就依赖自动驾驶功能一样。辅助系统或许能让你看起来一切正常，但它并不能让你真正具备能力。

这是有些人可能不想听到的部分——

没有任何现成的解释能够让你在不付出努力的情况下，就把掌握的知识灌输到你的大脑中。

你不可能长时间将推理能力外包出去，最终还能保持强大的推理能力。

你可以将机械维修工作外包，加快研发速度，并压缩日常任务。你可以大幅减少低价值劳动力。所有这些都是好事，而且应该这样做。

但是你不能跳过技能的形成过程，就指望直接拥有技能。

界限很简单：

如果人工智能能够帮助你更快地理解事物、更深入地思考、并以更高的水平运作，那么它就会让你变得更有价值。

如果人工智能帮助你逃避理解、逃避挣扎、逃避对推理过程的掌控，那么它正在降低你的价值。

一条路会让你不断进步，而另一条路只会让你变得空虚，最终被时代淘汰。

这就是为什么未来不属于那些只会使用人工智能的工程师，而属于那些确切知道该委派什么、该负责什么，以及如何将节省的时间转化为更好的思考的工程师。

如果还没有做出明智的选择，现在就应该开始考虑如何塑造你在行业中的未来了。

工程管理也将面临同样的抉择。

有些领导者会意识到，利用人工智能加速理解的工程师和利用人工智能模拟理解的工程师之间存在区别。而另一些领导者则不会。这种差距的影响将远超许多组织的想象。

人工智能时代，优秀工程领导者的一个显著特征是能够区分精心修饰的成果和真正的判断。无法区分这些区别的领导者可能会奖励速度、流畅性和表达能力，而忽略了技术深度更深层次的信号：原创性、严谨性、合理的权衡分析以及清晰地思考不熟悉问题的能力。

最有能力的工程师往往能够提供洞察力、背景信息、设计判断和纠正性反馈，从而使团队和人工智能系统更加高效。如果一个组织放任低理解、高流利度的工作肆意蔓延，不仅会降低个人产出的质量，还会破坏整个知识环境。评审力度减弱，设计讨论流于表面，文档越写越精雕细琢，实用性却越低。久而久之，组织赖以生存的清晰度和技术判断力也会随之下降。

这就是为什么领导力在这里如此重要。挑战不仅仅在于采用人工智能工具，更在于保护那些真正需要思考、学习和精湛技艺才能蓬勃发展的环境。

这一切始于招聘。企业需要更好的方法来识别真正理解技术而非仅仅流利表达的求职者。他们需要能够考察推理能力而非仅仅考察答案技巧的面试流程。他们需要能够奖励清晰表达、深入理解、良好判断和持久技术贡献而非单纯产出数量的评估体系。

它还会影响团队设计和文化。优秀的工程师不应该花费过多时间去清理那些看似合理却流于表面的工作，而这些工作往往是由外包人员完成的。如果领导层不积极防范这种情况，高绩效员工就会沦为除自身以外的所有人的累赘。这会导致员工迅速感到沮丧、标准降低，最终流失。

能够妥善处理这一问题的组织，并非那些大力推广人工智能的组织。它们会学会区分利用人工智能与依赖人工智能、加速人工智能与模仿人工智能、以及真正的能力与令人信服的输出结果。