AI 寫完程式碼後，年輕人的新門檻是什麼？

簡而言之：一位人工智慧創業家指出，人工智慧編碼代理正在改變早期職業技能的優先排序。模型更適合處理適合模型的任務，而人類則需要學習如何判斷問題、分配時間以及使用工具。現金獎勵並非唯一目標；人脈、聲譽和交付品質同樣重要。一位自稱曾在Scale AI、DeepMind、OpenAI和谷歌等公司工作過的、參與原生人工智慧公司的創業者，在一篇長篇英文文章中重塑了年輕人的職業建議。文章的背景是，人工智慧編碼工具已經從程式碼補全發展成為更全面的軟體工程人工智慧代理。 OpenAI在2025年發布Codex時表示，它可以並行處理編寫函數、修復bug和在雲端創建PR等任務，但仍需要手動程式碼審查和驗證。由此產生的問題是：隨著標準答案、日常代碼和適合模型的任務變得越來越便宜，年輕人應該把時間投入哪裡？本文的核心並非“程式設計師將被取代”，而是早期職業篩選標準正在改變。學校和傳統面試著重於培養應徵者回答那些定義明確、答案清晰、可評分的問題，而這正是模型最擅長的領域。未來，真正能讓人脫穎而出的，或許是那些能夠識別重要議題、選擇高價值環境、建立可信賴的聲譽，以及將人工智慧生成的中間結果提煉成可交付成果的能力。 ### 現金獎勵不再是唯一答案；時間和聲譽更加稀缺 作者認為，在人工智慧創業環境中，資金和工具比以往任何時候都更容易獲得，但高品質的時間、牢固的人脈關係和值得信賴的聲譽仍然十分稀缺。他以自身經驗為例來說明這一點。在加入 Scale AI 之前，他聲稱曾收到一份高薪量化分析師職位邀請，但最終選擇 Scale 是因為其更強大的社群、更廣泛的產品應用場景以及更多接觸前沿問題的機會。這些經驗並不能簡單地套用到每個人的職涯規劃中，但其中蘊含的道理卻很明確：早期職涯選擇不應只關注眼前的現金收入。尤其是在人工智慧降低了軟體開發門檻之後，快速開發出一款盈利的小工具已不再罕見；長遠的回報往往來自於攻克更複雜的問題、融入強大的關係網絡以及擁有更具說服力的簡歷。年輕人需要問的不是“哪個機會能提供更多前期收入”，而是這項事業是否值得投入時間，能否與優秀的人共事，自己的出色工作能否被可靠的人看到，以及它能否為下一個機會奠定基礎。 ### 工程師的價值從“解決問題”轉向“發現問題” 隨著人工智慧系統處理定義明確問題的能力不斷增強，工程師的價值不再僅僅取決於“能否解決問題”，而是取決於“能否選擇正確的問題來解決”。作者提到他們的團隊已經重新設計了面試流程。原因在於，如果現實世界的工作不再需要個人親自編寫每一行程式碼，那麼僅僅測試演算法問題和傳統的系統設計與實際工作表現的相關性就會降低。更有意義的測試是檢視候選人能否快速理解環境，識別值得解決的問題，並利用人工智慧工具和外部資源推動成果達成。這也是人工智慧編寫程式碼後的一種新的分工。模型擅長處理目標明確且有回饋的任務，而人類則需要辨別哪些問題重要，哪些路徑值得探索，以及應該投入多少時間和模型呼叫成本。對於學生而言，人工智慧能夠完成作業可能會讓他們感到沮喪。然而，從招募的角度來看，候選人之間的差異並沒有消失。即使每個人都能使用人工智慧獲得答案，有些人可能需要大量的試誤和提示，而有些人則可以利用商業直覺、技術背景和上下文訊息，更有效率地與人工智慧協作，更快地找到方向。 「精通人工智慧」並非僅僅意味著將問題交給模型。更強大的能力包括分解問題、識別缺失資訊、判斷何時繼續迭代、何時轉向，以及驗證結果是否真正解決了關鍵的業務或技術矛盾。### 軟體開發越容易，就越應該著手解決更複雜的問題 人工智慧降低了軟體開發的門檻，也使得複製簡單的系統變得更加容易。作者以機器學習研究中的「慘痛教訓」來解釋職業選擇：從長遠來看，擴展通用方法往往比針對單一任務微調更有價值。對於公司和個人職業生涯而言，這意味著圍繞簡單輸出的護城河將會變薄。作者提出的選擇公司的標準是：這家公司是否正在研究問題的最雄心勃勃的版本，而且它真的有機會解決這個問題嗎？選擇職位時，必須考慮該職位是否允許自己直接參與公司正在解決的前沿問題。他還提到，不應該只關注早期產品的外觀是否出色或演示是否令人印象深刻。以他的主觀評價來看，Anthropic 當時的早期演示似乎只不過是一個不如 ChatGPT 的 Slackbot，但這並沒有阻止該公司後來走上一條完全不同的道路。早期公司會不斷變化，產品也會不斷變化，團隊素質、市場空間和問題複雜性等因素更有可能影響長期結果。職業機會也遵循類似的邏輯。高品質的機會並不總是能轉化為實際成果，但首先必須找到合適的定位才能發現機會。能否抓住機會仍取決於累積的技能、聲譽以及他人是否願意告知你這些機會。 ### 普通結果成本更低；最後10%更有價值 當一個簡單的提示就能讓AI產生中等品質的結果時，普通輸出的價值就會降低，而最終潤飾的價值就會提升。原文引用紅杉資本的林恩（Alfred Lin）的話說，最後10%的工作量往往佔了90%，回報也佔了90%。在人工智慧時代，這句話更適用。隨著70分以上的結果變得更容易獲得，真正讓個人脫穎而出的是獨特的視角、對細節的關注、迭代能力、架構品質、可擴展性和創造力。人工智慧的初始輸出很少是完美的。真正的工作往往發生在後續迭代中：識別錯誤之處、需要重構的區域、體驗尚不流暢的地方、未涵蓋的邊界情況，以及何時需要從頭開始建立下一代模型。這些能力可以透過專案、實習和實際工作來磨練。傳統的工程技能並未過時。變化在於編碼本身的稀缺性降低；判斷力、美感能力、系統理解能力和交付品質變得更加重要。人工智慧使更多人能夠達到中等水平，但也使得彌合剩餘差距變得更加困難。 ### 研究門檻降低，但研究並非頭銜 文章最後將討論擴展到「如何進入研究領域」。作者認為，人工智慧並沒有將研究局限於頂尖實驗室；相反，它降低了早期進入研究領域的門檻。現代研究無疑更依賴運算能力，但起點可以很樸素：使用現有模型，將直覺轉化為評估結果，參與公開排行榜，利用面向學生和研究人員的雲端運算額度，並儘早測試想法。研究人員主要是一種工作方式，而不僅僅是一個職位。在前沿實驗室進行研究通常需要具備多種能力，包括好奇心、嘗試新想法、基礎設施調試、理解系統細節、快速調試以及闡明研究成果的價值以爭取更多資源。許多訓練並不需要等到獲得「研究員」頭銜才能開始。本文給出的職業建議並非悲觀。人工智慧降低了標準答案、普通程式碼和易於評分的任務的成本，同時也讓年輕人更早接觸到現實世界的問題。機會依然存在，但分配方式發生了變化：那些能夠識別重要問題、進入高品質環境、建立可靠聲譽並最終取得成果的人更有可能獲得下一輪機會。 [BlockBeats]