AI会对工业软件产生哪些影响之二:每个企业都需要一个AI模型工程师.

      上一篇聊了聊AI会对工业软件的需求和业务逻辑产生哪些影响。今天聊聊AI for coding的会对工业软件研发产生哪些影响。

       写这篇文章的前一周，正好听说了一个工业软件公司的奇葩事情：某个高级研发工程师把自己团队负责的核心模块的软件代码全部上传给了国内某AI大模型的代码库——这种事情放在过去简直难以想象，但是放在如今这个AI时代，可能就是基操——想让AI帮你干活，那不得先给AI做做培训么？告诉AI代码逻辑是什么、接口是什么，前后依赖是什么、数据库表结构是什么......如果不让AI阅读你以前的代码，在没有总结出合适的Skill的时候，可不就得把先代码传给他，让他自己先学习一遍么？

      用过AI for coding的工程师都知道，如果你就接一些商用的大模型，就会出现丢失上下文、过度封装、忽略性能、遗漏接口等一系列不可预测的问题，所以即便是AI for coding发展到了今天也依然需要人工对代码进行走查。在工业软件这个重度依赖工程师对工业业务理解的领域，对AI for coding的依赖程度远远低于互联网等行业。这就出现了一个矛盾：工业软件领域用AI for coding，通用大模型不懂工业业务会出现大量的“幻觉”；不用AI for coding，每个项目都面临大量的现场开发，项目成本难以控制。

      年初Palantir“前线部署工程师”（Forward Deployed Engineer, FDE）模式火了一把，我当时就认为那是互联网开发工程师们“友邦惊诧”为什么Platantir的FDE在中国是个“坏模式”，在工业软件这个领域，哪个工业软件公司的开发工程师不跑现场？哪个工业软件公司的主要人力成本不是在了项目交付环节？这里面的核心矛盾主要是两个方面：

      首先是ToB和ToC不一样，ToC是“长尾理论”他们并不在意某些个人用户或者特定群体的需求，只要目标用户数量足够大，企业商业模型就能成立。比如拼X，App的做得那么烂，但是并不妨碍人家成为互联网巨头。但是做工业软件是ToB，而且一般都集中在某些特定的领域，如果企业在他们的特定领域无法充分尊重客户的业务需求甚至满足特定人员的需求，时间长了在这个领域想立足都非常困难。

     其次是ToC的本质在于重商业模式轻行业知识，而工业软件领域恰恰相反，商业模式非常传统，但是重行业知识，工业软件工程师们即便干了几十年，也得先熟悉客户的业务才敢动手。而每家企业不仅需求有区别，文化也不一样。所以我一直说工业软件老说“两化融合”其实不妥，应该是“三化融合”——除了数字化、工业化融合外，还要和企业或者行业文化融合。这里插个题外话，有一年项目组一个开发MM新认识了个男朋友，项目组聚会带过来让我们帮忙“面试”，之前也不知道是干什么的，但是几句话就聊到了“后墙不倒”、“双五归零”，我们这群人马上就集体赞成通过，后来这俩人果然非常幸福。

AI for coding要解决上面两个矛盾其实是非常困难的，把代码交给AI模型训练几乎是唯一的办法，因为只有把它训练明白了，它才有可能充分的理解客户的需求和企业现有工业软件代码的关系，也只有这样，工业软件的FDE才有可能对客户的需求和文化充分理解后帮助FDE和软件公司的内部研发人员快速的响应客户的需求，但是又不能像开篇那样把融入了这么多优秀工程实践和知识的代码一股脑都上传给通用大模型，那怎么办呢？答案只有一个：私有化部署。

也就是说在上一篇AI会对工业软件产生哪些影响之一：API or All in提到的把AI能力融入到自己产品的同时，自己也要把自己的骨肉和文化融入到AI当中——自己构建算力、自己训练模型、自己开发面向自己的研发工程师和FDE工程师的Copilot，因此很可能未来每个工业软件企业出了一般的研发工程师外，还需要培养自己的AI模型工程师——短期来看，这是无疑是一笔巨大的投资，但是长远来看，我认为这将是一个工业软件企业与同行拉开差距的分水岭。

     工业软件企业的大量软件资产是根据客户需求逐步积累的。传统的软件工程是将共性需求融入到某个大版本里面，或者采用微服务的架构变成一个个服务或者app，这种模式就导致如果要考虑客户的特定需求，就要综合成本、周期、质量等一系列因素。但是如果能训练一个只属于自己的模型，就可以利用AI for coding的能力，为每个客户都去重构一套只属于自己的软件。以往这种模型最大的问题在于后期的维护，但是有了私有的模型以后，几乎就是有了一个永远不会离职的代码工程师。而且只要你不断地训练它，这个工程师在理解和优化现有代码的能力上，是远远高于人类工程师的。无论是解释一段天书股的正则表达式，还是进行大规模的代码重构，比如将整个项目的回调改为async/await，AI都能轻松应对，将原本耗时耗力的工作变得轻而易举。当遇到一个棘手的Bug，比如空指针异常，只需把错误日志粘贴给它，它就能快速定位问题并给出修复建议。同样，当的代码性能不佳时，AI也能帮工程师分析瓶颈，提供优化方案，让代码跑得更快。

      随着工业企业对数字化的重视，大部分工业企业都具备了一定的开发能力，所以要求工业软件在交付的时候要提供二次开发接口甚至是源代码。而未来的模式，可以在交付工业软件的同时，也交付一个蒸馏过的代码模型，工业企业自己的开发人员也可以依靠这个模型，用自己企业的业务语言去对工业软件进行修改和优化。

     不过，这一切的实现还有个前提和基础，就是知识产权的保护也需要同步跟上，这就是另外一个话题了。