avatar
Y11
2周前
连续创业者相比于第一次创业的人有哪些优势？
#创业 #连续创业者 #经验 #优势 #商业
avatar
小互
2周前
奥特曼预告一些新模型和产品 算力要求更高 只给Pro用，另外收费 可能是除了 ChatGPT 会发布新的应用产品
#奥特曼 #新模型 #Pro #ChatGPT #新应用
avatar
因为真正坐在会议室前排、能决定这台价值数百万的deepseek一体机明年电费预算的大佬们，想要的不是一个“笔杆子PLUS”，他们想要的是“产业转化”，是能让K KPI曲线抬头、让竞争对手连夜开会研究的“黑科技”。 于是，我们目睹了2025年最昂贵的赛博奇观：一台算力猛兽，在墙角静静地吃灰，思考着自己与这个世界的温差。 这台机器的困境，就是整个企业AI落地的困境。
#AI落地困境 #算力猛兽吃灰 #产业转化需求 #企业AI困境 #赛博奇观
avatar
金平路步行街“??进??出”都是人！大零号湾街头艺术节3天迎...
“烟火零号湾，科创幸福城”
#烟火零号湾 #科创 #幸福城
avatar
我国为何规划撞击一颗小行星？科普来了
小行星撞击是全人类共同面临的潜在威胁，但随着探测、防御能力提升，与小行星的“亲密接触”，有望打开太空资源的更多可能。虽然小行星防御受到较高关注，但对其进行探测与资源开发利用同样重要。
#小行星撞击 #太空资源 #探测与防御 #资源开发利用 #潜在威胁
avatar
云风
2周前
苹果照片自带的标注真的是太难用了，我就是想标注个尺寸而已，恶心了我半个小时，最后还是让我这个强迫症觉得标得很难看。手指挡操作/平移触发和中间那个调尺寸圆点冲突/一不小心操作就全部回退/几乎没有交互菜单和说明却有各种耍小聪明实际是为鼠标而不是手指设计的交互。
#苹果照片 #标注功能 #用户体验差 #交互设计 #强迫症
avatar
orange.ai
2周前
论论这个AI，一打开 APP，它就开始自动帮你解读最前沿最有趣的论文，像播客一样把论文用语音讲出来。 如果你不交互，它就会一直讲一直讲。 很少见到这么主动的E人 AI。 它的声音是论论CEO的，性格也让我想起论论CEO。 我一开始以为是 onboarding，没想到是全部自动生成的。 播放的时候还会播放魔性动画。 所有的这些都跟以前的 APP 完全不同。 这对一个 AI4S 的 APP来说，简直太反差了。
#AI #论文解读 #语音播客 #E人AI #魔性动画
avatar
哥飞
2周前
昨天在生财 AI 大会的分享，这张照片传播挺广的
#生财AI大会 #AI #大会分享 #照片传播
avatar
我的科学观｜武庆庆：热爱科研的人需要不被“打断”的环境
#武庆庆 #科研环境 #科研热爱 #不被打断 #积极
avatar
【啥牌子的车用纸壳子呀? -】理想i7
#理想i7 #纸壳子 #汽车 #负面 #质量问题
avatar
每周看到 AI 做事情新的玩法的我自己：啊！
#AI #新玩法 #每周 #积极
avatar
都是苹果17差别咋那么大呢 中国的苹果17和国外的苹果17的区别
#苹果17 #国内外差异 #产品对比
avatar
微软最近疯狂乱裁员，很多人都很焦虑，朋友圈里不少人都不幸被分手了。这个报道也是这么说的：「员工士气方面，据说已经低到谷底，连续的裁员让大家人心惶惶，很多人都害怕被AI取代。2024年《应用心理学杂志》的一项研究显示，在积极采用AI的科技公司中，士气平均下降了30%——微软这里的情况绝对是典型，最近的9000人裁员新闻一出，大家都感觉到AI不是在提升效率，而是在直接抢饭碗。」
#微软裁员 #员工焦虑 #AI取代 #士气低落 #科技公司
avatar
我们为什么要去撞击小行星
#小行星撞击 #行星防御 #太空探索
avatar
Susan STEM
2周前
只要底层代码是AI写的，那么软件工程的范式必定要发生变化 Warning: 这是一个扯淡贴，我自己都没把细节想清楚，纯探讨，纯扯淡。 我们正在进入下一个软件工程的范式：生态化（没错，就是那个 eco-system，生化环材里的“生”，生物这个学科里会涉及的生态）。 关键在于AI写出来的代码你怎么定位 过去几年，程序员群体围绕着“AI 会不会替代程序员”这个话题吵了无数次，互相拉黑、互相开喷。但在我看来，这些争论都白费了，因为根本问题一开始就问错了。真正的关键不是“AI 替代与否”，而是：你究竟如何定位 AI 写出来的代码？ 有人可能觉得奇怪：AI 写的代码，不就是代码吗？还能是什么？可你回想一下大学里的“软件工程”这门课，那真的是“写代码课”吗？当然不是。软件工程讲的是一个多层次的工程体系，而不只是单纯的代码实现。Layers! 所以在我看来，AI 写的代码不能被当成稳定的“产品”，而应该被理解为一种熵源。大模型的本质决定了它的输出虽然极端高效，但并不是低熵的终态，而是高熵的输入。它的特点非常鲜明：数量多，可以瞬间产出海量实现；质量杂，正确与错误并存，差异巨大；重复性高，常常生成类似功能的多版本。这些特征意味着，AI 输出的代码更像是生物进化中的“基因突变”——提供丰富的多样性，但需要经过筛选、压缩和演化，才能沉淀为稳定的结构。(虽然低端码农现在已经确定要被淘汰，但是你不能硬扯说低端码农写出来的代码也不一定全高质量，这个我们后面再说，不是纠结这个问题的事）。 AI生成代码将我们把软件工程的范式进程又往前了一步 如果我换个视角，把 AI 生成的代码看成一种“熵源”，那么它的意义就不再是最终产品，而是燃料。这些高熵输出，必须经过协议约束、反馈筛选和治理机制的控熵处理，才能逐渐被压缩为低熵的“结构”，最终沉淀为文明级的生态资产。于是，整个项目的逻辑，就不再是单点开发，而是一次生态演化。所以读这篇帖子时，请不要把自己仅仅当成程序员，而要先把自己当成一个生态设计者。在上世纪 80 年代，美国有一个著名的实验叫“生态箱”（Biosphere），它是一个完全封闭的独立生态系统，模拟核大战后的求生仓或星际航行场景。很有意思的是，它的第二任总经理还是史蒂夫·班农。 这篇帖子我们要探讨的，正是AI 时代的软件工程范式变化，其核心概念就是结构池（Structure Pool）与生态演化的运行逻辑。回顾软件工程的发展轨迹，最早的旧范式（封闭/流水线）把开发过程当成工厂化的流水线：需求 → 设计 → 开发 → 测试 → 部署。它强调稳定和可控，本质上是通过压制熵来维持秩序。后来出现了过渡范式（敏捷/Agile），承认需求随时可能变化，引入局部演化和迭代，但仍然局限于项目内的小闭环。这是从“压制熵”走向“利用熵”的第一步。如今，我们正走向新范式（AI + 开放结构池）：软件开发变成了一个生态，AI 生成、用户反馈和开发者约束共同作用于公共结构池，推动系统不断演化。在这种模式下，交付不再是一次性产品，而是贡献结构单元，沉淀到池子里复用和演化。工程逻辑因此发生根本转变：从“压制熵”走向“利用熵”，最终进入生态学的思维模式。 再抽象一层：封闭 → 开放、静态设计 → 动态演化本来就是工程学整体的历史逻辑。 在早期的工程时代，逻辑是封闭系统 + 静态设计。工程师像“造物主”，试图在设计阶段就把复杂性全部压缩掉，以此换取高稳定性，但代价是适应性极差。进入工业工程阶段，才逐渐出现了局部开放。福特式的流水线把复杂制造拆解成可控环节，虽然整体依然是封闭系统，却开始允许局部的模块替换。同时，电气化与标准化（螺丝、接口、电网标准）的出现，让不同厂商、不同系统之间能够首次组合。这相当于工程进入了结构化阶段，但仍偏向封闭。 所以，千万不要把眼光只盯在自己的一亩三分田，从毕业到现在只看到眼前的屏幕和 IDE。工程的格局要抬高来看，否则根本看不清楚历史的逻辑。 在软件工程中，传统范式如瀑布模型、V 模型，本质还是“封闭设计—一次性交付”。随后出现的Agile(所谓的敏捷/DevOps）打破了大周期，强调迭代与反馈，迈向了“动态演化”。再后来，开源运动通过开放源代码，让外部贡献进入系统，软件第一次出现了“生态演化”的模式。 由此，工程思维逐渐转变：开始接受不确定性，用反馈驱动优化。整条历史逻辑清晰可见：从封闭到开放，从静态设计到动态演化。早期工程靠“压制熵”维持秩序，而今天我们靠“利用熵”来激发演化。AI 的到来，只是把这一长期趋势推到极致，让工程彻底进入生态学逻辑。 在我谈发展方向的时候，建议先看看我前几天写的两篇关于“容器与协议”的帖子——那两篇把我现在想表达的技术骨架讲得比较清楚。要说明的是，这个观点并非我凭空想出来：我的思考来自与不同背景开发者的反复交流，很多想法是在碰撞中逐步成形的。然而现在真正的难点在于，我们正在探索一个尚未被命名的未知领域；很多概念的术语还没被发明出来，导致常常出现“说半天、却互不相通”的状况——看起来像是在鸡同鸭讲，但实际上大家可能在谈同一个抽象思路。甚至我们自己都不确定彼此讨论的本质是否一致，这也是为什么在讨论同一个抽象概念时，还会产生争执。语言本身就是人类理解世界的边界；在面对全新的概念时，去拓展语言、去达成共识，比登天还难——我亲身体验过这种挫败感。打个比方：我从没住过宫殿，却在想象在做梦的时候自己当公主；然而在梦里中我仍在自家找厕所，这种错位正是我们在用现有语言描述未来范式时经常遇到的尴尬。 计算机世界的趋势：从容器到协议 我的意思不是要彻底颠覆“容器”，而是现在有大量的协议真空 我的想法：生态设计，将项目变成一个“结构池子”。 在 AI 驱动的新范式下，软件工程正在从封闭的流水线逻辑转向生态化逻辑。过去的软件开发像工厂一样，遵循需求—设计—开发—测试—部署的线性流程，强调稳定与可控，本质上是通过“压制熵”来维持秩序。而在新的范式中，开发被看作一个开放的生态系统：AI、开发者与用户共同参与，代码与结构不断生成、验证、淘汰和进化。这意味着软件工程的重心从一次性交付转向持续演化，从单一产品转向结构单元，从工厂思维转向生态思维。 在这一生态化框架中，结构池子（Structure Pool）是核心机制。它是一个公共池，存放 AI、人类和用户贡献的各种“结构单元”（容器、规则、服务、协议）。新生成的结构单元在通过协议验证后沉淀到池子里，成为可调用、可组合的资产，并在持续反馈与选择压力中不断升级或被淘汰。结构池不是一个静态仓库，而是一个动态生态，它分为多个层次：执行层保证容器能运行，协议层保证容器能互联，治理层维持池子健康，演化层推动协议升级，而文明层则让其成为人机共用的知识与规则基建。 整个生态的运行依赖一个容器—协议—反馈—治理的闭环：AI 或开发者生成新容器，经协议规则验证后进入结构池，附带元数据与版本，随后在调度中被调用。使用过程产生的反馈成为适应度信号，决定哪些单元升级、哪些淘汰，而协议也会随生态扩大不断进化。其本质，就是把 AI 的高熵输出通过控熵机制压缩为低熵结构资产。 在这个过程中，几条心法至关重要：AI 代码应被视为熵源，是生态燃料而非终态产品；协议是边界，确保不同容器能对接并过滤垃圾；反馈是驱动力，决定存活与淘汰；选择压力提供方向，避免演化失序；演化则是常态，软件不再是一次性交付，而是一个持续进化的生命系统。 从文明意义上看，软件工程已经沿着一条清晰的历史轨迹演化：从封闭到开放，从静态设计到动态演化。结构池子正在成为人机共建的“文明记忆体”，其中沉淀的不仅是代码，还有规则、知识和协议。AI 的商用化则把这一趋势推到极致，让工程彻底进入生态学逻辑：不再压制熵，而是利用熵来激发演化。 AI 范式下的软件工程 = 生态化设计开发 → 以结构池为核心 → 通过持续演化实现文明级的控熵与积累。 关键词： 生态化开发 —— 软件工程不再是流水线，而是开放生态。 结构池（Structure Pool） —— 存放、调度、演化的公共池子。 熵源 —— AI 代码是高熵输入，是生态燃料而不是终态产品。 控熵机制 —— 协议、反馈、治理，把高熵转化为低熵结构。 持续演化 —— 软件不再一次性交付，而是动态进化的生命系统。 协议边界 —— 确保互操作、过滤垃圾、维持秩序。 文明记忆体 —— 结构池沉淀的不只是代码，而是人机共建的知识与规则。 示例：语言翻译的结构池子（Translation Structure Pool） 1. 执行层（容器单元） 在这个结构池里，有许多不同的翻译容器： 容器 A：中 → 英，偏直译 容器 B：中 → 英，偏意译 容器 C：英 → 日，适合新闻 容器 D：英 → 法，法律文档优化 容器 E：多语言小句实时翻译（对话场景） 👉 每个容器就是一个“可运行的翻译模块”。 2. 协议层（边界与接口） 所有翻译容器都必须符合一个协议，例如： { "input_text": "string", "source_lang": "string", "target_lang": "string", "metadata": { "domain": "general|legal|news" }, "output_text": "string" } 👉 协议保证了：无论内部算法怎么实现，外部都能用统一方式调用。 3. 治理层（验证与筛选） 验证：新容器加入时，先跑测试集（BLEU 分数、延迟、错误率）。 淘汰：错误率过高或不符合协议的容器会被下架。 分层：通过反馈和测试，容器会被标记为 bronze / silver / gold 级别。 👉 这样避免了“垃圾翻译”污染结构池。 4. 演化层（反馈与升级） 反馈采集：用户可以打分、标注错误，系统也监控延迟与准确率。 自我优化：容器 B 在用户反馈中逐渐学会更好地处理成语。 协议升级：当生态发展后，协议增加字段 "formality_level": "casual|formal"，支持更精细的语境。 👉 池子随使用情况不断升级，而不是一次性定型。 5. 文明层（共享与沉淀） 不同开发者、公司、甚至用户都可以贡献翻译容器。 有人专门贡献“小语种”容器，有人贡献“学术论文优化容器”。 最终形成一个动态开放的 翻译生态，而不是单一的翻译软件。 👉 池子沉淀的不是某个翻译产品，而是 多样的翻译结构，可被任何系统调用。 一个 语言翻译的结构池子 就像一个多物种的“翻译生态”： 容器是各种翻译模型（不同风格、语言对、场景）。 协议是统一的接口规则。 治理保证质量和秩序。 反馈驱动容器优化和协议升级。 最终沉淀为一个共享的文明记忆体，供全球人机协作使用。 开发的关键，就是你如何去设计这个池子。
#AI驱动软件工程 #生态化开发 #结构池 #控熵机制 #持续演化
avatar
中国品牌手机日益走俏拉美市场
　　国际市场分析机构Canalys近日发布的最新报告显示，拉美地区2025年第二季度智能手机整体销量较第一季度增长约2%，达3430万台；在销量排名前五的智能手机品牌中，除三星外，中国品牌小米、联想旗
#拉美地区智能手机市场 #Canalys报告 #2025年Q2销量增长 #三星 #中国品牌
avatar
宝玉
2周前
转译：有人发现了一个让 AI 智能体（AI Agent）工作更出色的绝妙方法，简单到令人惊讶：只要给它们设定一个人格。 我最近读了一篇关于“心理学增强型 AI 智能体”（Psychologically Enhanced AI Agents）的论文，它揭示了一个引人入注的观点：我们无需进行任何复杂或昂贵的重新训练，就能引导 AI 的行为。 事情的背景是这样的：通常，如果你想让一个 AI 精通某项特定任务（比如，让它擅长创意写作，而不是战略分析），你必须进行成本高昂且耗时的“微调”（fine-tuning）。 问题在于，一个通用的、“一刀切”的 AI 往往不是最佳选择。一个为检索事实而优化的模型，可能很难写出一个富有同理心、感人至深的故事。 这篇论文的关键发现，是一个名为 MBTI-in-Thoughts 的框架。研究人员发现，只要在提示词（prompt）里，简单地要求大语言模型（LLM）扮演一个特定的迈尔斯-布里格斯类型指标（MBTI）人格，它的行为就会发生可预测、且非常有用的改变。 举个例子，在一个策略博弈游戏中： * 被设定为“思考”（T）型人格的智能体，选择背叛的概率接近 90%。 * 而被设定为“情感”（F）型人格的智能体则更倾向于合作，背叛的概率仅为 50% 左右。 这一切仅仅通过一句提示词就实现了，根本不需要任何微调。 这事儿最让人着迷的地方，就在于它出人意料的简单。这种能力其实一直都潜藏在模型内部，而提示词就像一把钥匙，把它解锁了。 为了确保这不是巧合，研究人员还让被“注入”了人格的 AI 去做了官方的 16 型人格测试（16 Personalities test）。结果，AI 的答案与它被指定的人格完全一致。在执行任务时，它真的“变成”了那种人格。 这彻底改变了我对提示词工程（prompt engineering）的看法。它不再仅仅是关于你*问 AI 什么*，更是关于你*让 AI 成为谁*。 实际应用前景可以说是立竿见影： * 需要一个能共情的 AI 客服？把它设定成 ISFJ（“守卫者”）。 * 需要一个能做冷酷市场分析的 AI？试试 ENTJ（“指挥官”）。 你可以根据手头的任务，来匹配智能体的“天赋”。 从更宏观的视角来看，这意味着未来我们可能不再依赖于单一的、庞大的 AI 模型。取而代之的，我们或许可以构建由多个 AI 智能体组成的多元化团队，每个智能体都拥有为其特定角色量身打造的“人格”。 想象一下，一个充满创意的“ENFP”型智能体和一个注重逻辑的“ISTJ”型智能体一起头脑风暴，共同规划一个复杂项目。这就引出了一个全新的问题：要解决某个特定问题，最佳的人格组合是什么？ 归根结底，这项研究为我们指明了一个通往更通用、更强大、也更可控的 AI 的未来。我们正在学习的，不仅是塑造 AI 的输出结果，更是它在处理任务时整个的认知与情感风格。一句简单的提示词，就能解锁一个行为的全新维度。
#AI人格 #提示词工程 #MBTI #AI智能体 #心理学增强
avatar
以前central line 伦敦地铁没信号，现在有了，继续vibe coding
#伦敦地铁 #Central Line #信号改善 #Vibe Coding #积极
avatar
iPaul
2周前
罗永浩谈苹果手机为何很难被打败
#罗永浩 #苹果手机 #竞争分析 #商业评论 #科技
avatar
强大的傲慢之后，英特尔不想成为又一个诺基亚
每经品牌价值研究院付克友9月18日，英伟达宣布以50亿美元入股英特尔，后者股价应声暴涨30%。这历史性的一幕，让人想起2..._新浪网
#英伟达 #英特尔 #股票上涨 #50亿美元投资 #科技合作
avatar
勃勃OC
2周前
看了一下，发现iPhone 17 Pro系列不大行啊 打算退货了 更重，边框更大，玻璃背板有公差，8x摄像头是裁切的，不是光学 摄影新功能一般人用不到 除了续航和散热好一点之外， 没有任何优势啊？ 😂😂😂😂
#iPhone 17 Pro #退货 #负面评价 #摄像头裁切 #续航提升
avatar
宝玉
2周前
“我们正在经历一场从稀缺到丰盈的转变。” —— OpenAI 董事长 Bret Taylor 就像电力取代了人类的体力，AI 正在逐步取代人类的脑力。这场悄无声息的变革，正在各个角落蔓延。 当智慧像空气一样随处可得的时候，人们竞争的瓶颈不再是获取知识的能力，而是能否创造出新颖独特的想法。 过去，因为智慧稀缺，人们把它视为宝贵而专属的财富。而如今，AI 正把智慧变成了随用随弃的消耗品。 几个世纪以来，我们一直努力从人的头脑中“提取”智慧。而现在，我们只需轻轻一点，就能随时生成想要的智能。
#OpenAI #人工智能 #变革 #智慧 #未来
avatar
神器：让邮件订阅的Newsletter变成RSS订阅源 很多AI Newsletter内容优质，但不习惯邮箱阅读。 发现一个有趣的网站叫kill-the-newsletter .com 想订阅某个Newsletter，先用它生成一个邮箱订阅。 自动会生成一个xml的RSS订阅地址。 用folo等RSS订阅器订阅即可。
#newsletter #RSS订阅 #kill-the-newsletter.com #邮件订阅 #AI
avatar
勃勃OC
2周前
专家观点： 硬件更新：iPhone 17整体出货量较iPhone 16上浮4%，其他硬件方面常规更新。 AI功能更新：主要集中在提升处理速度、降低功耗或增强图形处理能力。 与OpenAI和谷歌的合作：可能涉及AI功能的开发和规划，具体合作模式尚未确定。 三星星计划：可能在2026年三四月推出能够执行谷歌应用生态的AI Agent。 苹果的深度合作劣势：苹果在应用生态方面可能处于劣势，需要加强与AI Agent的整合。 iPhone 17在中国市场的AI功能：可能基于端侧模型实现，包括邮件与信息处理、图像编辑等。 Apple Intelligence在美国市场推出：用户使用率预计40%，整体使用量提升。 AI功能在美国市场未取得成功的原因：大模型能力优于苹果，苹果需提升AI手机的核心竞争力。 SirI Ultra的成功要素：需要在2026年3月前交付训练成果，与第三方开发者合作。 与国内厂商的合作模式：可能采用包年模式，按年支付费用。 在构建AI Agent生态方面的竞争定位：苹果将聚焦于AI Agent至关键应用，与阿里巴巴等合作。 AI手机的竞争格局：苹果面临Google Pixel和三星的竞争，需提升AI功能。 考虑Siri和Android在全球范围内的长期竞争力：苹果需提升AI能力，预计2029年达到75%以上。 Apple Glass的研发进展：预计2026年推出，与Apple Watch配合使用。 2025年到2023年用户从手机转向AR眼镜的挑战：成本、技术法规和隐私保护是主要挑战。
#iPhone 17 #AI功能 #OpenAI #谷歌 #三星 #Apple intelligence #Siri Ultra #Apple Glass
avatar
宝玉
2周前
AI本该助力新人，为何反而让高手更强？ 作者：Can Elma “AI会不会彻底取代程序员？”类似的问题已经被问烂了，人们不断地尝试给出答案。虽然这个话题已经不新鲜，但我还是想分享一些自己的观察和思考。 起初，许多人都相信，未来公司会减少对高级工程师的依赖。毕竟，有了AI，初级程序员也能创造出高质量的代码——至少坊间流传的故事是这样的。然而现实却截然不同。AI并未如宣传中那样神奇，最终真正有效的组合，不是“新人 + AI”，而是“高手 + AI”。 为什么会这样？ 我们来仔细看看，在代码编写上，AI到底哪里强、哪里弱。 AI擅长的事： • 快速生成大量样板代码（boilerplate）和脚手架（scaffolding）。 • 自动化重复、枯燥的任务。 • 尝试多种不同的实现方式。 • 借助快速迭代，迅速验证想法。 • 在需求清晰的前提下，快速交付功能。 这些特性帮助了谁？显然更利于高级工程师。对新人来说，想把AI的这些能力真正变成实际价值，要难得多。 AI出问题的地方： • 代码审查（Code review）： AI无法真正“理解”代码。审查时可能有些帮助，但一旦涉及边缘情况（edge cases）——而AI生成的代码通常有更多边缘情况——最终还是需要资深工程师出马。 • 不好的指令（Bad prompts）： 能写出高质量提示词的人，必须是那些真正懂得自己要做什么的人。如果使用者缺乏深入理解，即使AI看起来产出还行，实际也只是给项目埋下了无数隐患。 • 架构设计（Architecture）： 没有扎实的架构，软件很快就会失去价值。当前AI并不擅长设计优秀架构，虽然表面上看起来似乎可以，但实际上，这种复杂推理仍然依赖人类。许多以弱架构起步的项目，最终深陷技术债（technical debt）泥潭。 • 代码质量（Code quality）： 选择恰当的抽象层次、正确运用设计模式、保持代码的干净清晰，这些都是AI目前的短板。 • 安全性（Security）： 新手搭配AI的组合更容易出现漏洞，就像盖一座房子忘了装门锁。虽说漏洞无处不在，但高级工程师至少能提高警觉和谨慎。 • 错误学习（Wrong learning）： 新人如果不能正确判断AI产出的代码好坏，就会潜移默化地吸收错误知识。在公司里，这意味着制造的是损害而非价值。 以上这些问题，概括起来就是：AI暂时对高级工程师并没有威胁，甚至反而让他们更加强大。这里不是在批评新人，而是强调不应对他们抱有不切实际的期望，把他们扔到充满风险的环境中。 我们真正该如何用AI？ • 快速原型开发（Fast prototyping）： 想快速尝试新想法时，AI再适合不过。 • 加速重复任务（Speeding up routines）： AI最重要的用途，就是自动化那些你已经非常熟悉并经常重复的工作。 • 跨领域协作（Multi-disciplinary work）： AI可以弥补你知识上的短板，建议有用的函数库或方法，帮你快速连接不同领域的知识点。 • 功能测试（Function tests）： 简单重复、风险较低的测试代码，AI可以帮你快速生成，并且容易进行人工复核。 从我的角度来看，这就是AI目前的现状。AI写的每一行代码，我们依然需要逐行审阅。它远远称不上完美：没有自我意识，只会模仿人类的推理，生成结果不可控（non-deterministic），所以我们才依靠确定性的东西，比如单元测试。可是，你真的放心让AI自己编写测试，来验证它自己的代码吗？ 我想起我曾发过的一条推特，有个提示词可以让AI在“不懂时回答‘我不知道’”，我评论道：“即使AI回答‘我不知道’，你也不能确定它到底知不知道自己不知道。” 确实，“新人 + AI”的模式很诱人，看起来成本低廉，还迎合了人们“AI将抢走我们工作”的恐惧。但当你把软件开发和其他行业作比较，就会发现软件行业仍然不够成熟。在建筑行业，建筑师专注于设计；但在软件领域，即使是“架构师”，也仍在不断地亲手“砌砖”，编写底层代码。我们还远没有实现真正的分工和专长化，成本优先的思维主导市场，这只会贬低工作价值，让人疲惫不堪。 因此，AI目前非但没有让编程变得更加民主化，反而更集中地将能力交给了那些资深工程师。现实与预期产生了错位。未来会如何发展，谁也说不准。我对AI的长期发展依然乐观，但短期内，我们最好重新校准自己的期待，别再让不切实际的想法越走越偏了。
#AI #程序员 #高级工程师 #代码质量 #技术债务