Transcription
大家好，这里是最佳拍档。
在过去的几十年里，软件工程师一直被认为是这个星球上最接近造物主的职业。他们通过敲击键盘，用一行行冰冷的代码构建起了今天繁荣的数字世界。然而，随着人工智能技术的爆炸式发展，这个群体正面临着前所未有的生存危机与身份重塑。
一个不可回避的问题摆在了所有科技从业者的面前：当人工智能已经能够以人类数千倍的速度编写、测试甚至重构代码时，传统的软件工程师是否即将退出历史舞台？
前几天，知名播客节目《Lenny's Podcast》，邀请到了OpenAI的API与开发者平台工程负责人Sherwin Wu。作为在人工智能浪潮最前沿阵地冲浪的指挥官，Sherwin不仅看到了各种大模型能力的迭代，更是亲眼目睹了全世界最顶尖的AI初创公司是如何使用这些工具的。他为我们揭示了一个极其震撼的行业现状，以及对未来几年的深刻洞察。
让我们先从一组惊人的内部数据开始。如果你问，在当今世界上最顶尖的人工智能公司里，工程师们究竟在多大程度上依赖AI来完成工作？Sherwin给出的答案是，在OpenAI内部，高达百分之九十五的工程师每天都在使用Codex来辅助编程。更为震撼的是，目前OpenAI内部百分之百的代码合并请求，在合并到主分支投入生产环境之前，都会经过Codex的自动审查。人工智能不仅会仔细检查代码的语法错误，还会分析代码的上下文，甚至会自动在审查意见中提出具体的优化建议和修改方案。
这已经不再是我们过去理解的那个，只能提供代码自动补全功能的高级打字机了。当AI开始全面接管代码审查这个核心环节时，它实质上已经成为了团队中不可或缺的资深技术专家。
更为深远的意义在于，这种工作方式的改变打破了以往我们对大模型能力的固有认知。在此之前，很多人对AI写代码抱有怀疑态度，认为它生成的代码充满了漏洞，不堪大用。但是事实证明，随着时间的推移和团队使用深度的增加，工程师们对AI工具的信任度，正在以指数级的速度上升。Sherwin提到，那些高频使用AI工具的工程师，他们提交代码变更的频率，比不怎么使用的工程师高出了百分之七十。而且，随着对工具的熟练掌握，这个效率差距还在不断拉大。人们已经习惯了AI作为第一生产力的存在，就像我们现在习惯了使用搜索引擎一样自然。
但是，还这仅仅是一个开始。OpenAI现任产品负责人Kevin Weil曾经说过：“你现在所使用的AI模型，是未来你将使用的所有模型中，最差的一个。”这句话听起来像是一句简单的调侃，但是却揭示了深度学习领域一条铁一样的定律：随着算力的堆叠、数据的增加和算法的优化，模型的能力正在按照特定的规律持续提升。
如果我们今天觉得AI写代码还有点笨拙、还需要人类不断去纠正，那么在接下来的十二到二十四个月内，这种状况将会发生翻天覆地的变化。
软件工程师的工作内容，在过去的两年里所经历的改变，甚至超过了过去二十年的总和。在过去，一个软件工程师的职业生涯轨迹是非常清晰的：从初级程序员开始，学习语法，理解数据结构，一行一行地编写业务逻辑。随着经验的积累，逐渐晋升为高级工程师或者技术主管。技术主管不再需要亲自去写每一行代码，他们的核心价值在于架构设计、系统规划、边缘情况的考量，以及对初级工程师的指导。
而现在，随着人工智能的下场，一切都被加速了。在某种意义上，每一个使用AI的软件工程师，都正在被迫或者主动地转变为一个技术主管。你面前坐着的，不再是一个需要你手把手教的初级程序员，而是一个拥有全人类开源代码记忆、不知疲倦、可以在几秒钟内生成上千行代码的AI智能体舰队。你的工作不再是纠结于某一个函数的具体实现，而是变成了管理、调度和审查。你需要像一个指挥官一样，同时管理几十个并行的AI执行线程。你向它们下达高维度的业务指令，看着它们去执行，然后审查它们交上来的工作成果，并给出反馈。这是一种从代码编写者向系统编排者的维度跃升。
谈到这里，Sherwin引用了一个在计算机科学界奉为圭臬的经典隐喻。如果你在大学里系统地学习过计算机科学，你可能听说过麻省理工学院那本著名的教科书《计算机程序的构造和解释》，也就是我们常说的SICP。在这本四十年前的经典巨著的开篇，作者将软件工程师比作是掌握着神秘力量的魔法师，而编程语言，就是魔法师口中念出的咒语。只要你念出正确的咒语，计算机这个强大的机器精灵，就会为你创造出不可思议的现实。
在过去，这套咒语是非常晦涩难懂的汇编语言、C语言或者是Java。你需要经过长年累月的枯燥训练，才能掌握这门只有少数人懂的魔法。但是今天，这一切发生了质的改变。英语，或者说人类的自然语言，正在成为这个世界上最强大的编程语言。我们现在只需要对着AI Agent说出我们的意图，这种自然语言的咒语就能立刻转化为可以直接运行的复杂系统。
但随之而来的，是极其严峻的控制危机。Sherwin非常巧妙地将现在的状态，比作是迪士尼经典动画电影《幻想曲》中的那个著名片段——魔法师的学徒。在这个故事中，米老鼠趁着老魔法师不在，偷戴了魔法帽，并且对扫帚施展了咒语，让扫帚代替自己去打水。一开始，一切都很完美，扫帚高效地完成了任务。但问题在于，米老鼠这个学徒虽然知道如何启动咒语，却不知道如何让扫帚停下来，也没有考虑到系统的边界。最终，失控的扫帚大军无休止地打水，几乎把整个城堡淹没。
这正是今天所有在构建和使用AI Agent的开发者们所面临的真实困境。大模型的代理能力正变得越来越强大，它们可以根据目标自主分解任务、编写代码、调用外部API、甚至去网上搜索信息。这是一种极具杠杆效应的能力。但如果你作为一个开发者，没有深厚的架构思维，没有建立起完善的边界控制，你的AI Agent就极有可能像那些失控的扫帚一样，陷入死循环，消耗掉海量的API计算资源，甚至对你的生产环境数据库造成不可逆的破坏。
在这样的背景下，软件开发的重心正在发生根本性的偏移。既然代码的生成已经变得如此廉价和高效，那么什么是昂贵的？什么是不可替代的呢？答案是，验证。
在AI时代，编写代码的逻辑正在让位于编写测试的逻辑。因为人工智能模型并不是完美的，它们会产生幻觉，会生成看似合理、但实际上存在致命漏洞的代码。如果一个高级工程师同时管理着十几个AI Agent，每个Agent每天生成几万行代码，人类的肉眼审查是绝对无法跟上这种速度的。因此，构建强大的、自动化的评估系统，以及完善的持续集成与持续部署流水线，就成了现代软件工程的生命线。
当AI写完代码后，如何验证它是否满足了业务需求呢？如何确保它没有引入新的安全漏洞呢？这就要求人类工程师必须预先定义好极其详尽的测试用例和防错机制。以前，工程师抱怨最多的工作是写代码后的测试和部署环节。而未来，自动化的测试和基础设施的构建，将成为工程师建立核心竞争力的护城河。你需要用工程化的手段，在AI的创造力与系统的稳定性之间，拉起一道坚不可摧的安全网。
在探讨了开发者角色的转变之后，Sherwin向整个科技行业的初创公司和创业者们，发出了一个非常严厉的警告。这个警告可以概括为一句话：大模型会把你的脚手架当早餐吃掉。
这是一个非常生动且一针见血的比喻。什么是脚手架？在建筑工程中，脚手架是为了搭起高楼而临时搭建的支撑结构，楼盖好之后，脚手架就会被拆除。在AI开发领域，所谓的脚手架，就是指开发者为了弥补当前人工智能模型的不足，而人为编写的各种复杂的外围代码和中间件。比如，在过去的一两年里，因为模型的上下文窗口有限、记忆力不足、逻辑推理能力容易跑偏，很多初创公司花费了海量的精力，去构建复杂的提示词链条、精密的检索增强生成管道、以及繁琐的错误重试和解析机制。他们试图通过这些工程化的脚手架，强行把一个不够聪明的模型，包装成一个看似智能的产品。
如果你的公司核心商业壁垒，仅仅是建立在这些脚手架之上，那么你的结局注定是悲惨的。因为整个深度学习产业的演进速度实在是太快了。当你还在为一个复杂的长文本摘要逻辑沾沾自喜时，下个月OpenAI或者其他顶级实验室发布的新一代模型，可能原生就具备了处理百万级别超长上下文的能力，并且逻辑推理准确率提升了几个数量级。新模型一次简单的直接调用，就能瞬间秒杀你用几万行代码堆砌起来的复杂架构。你的脚手架，在新一代基础模型的降维打击下，不仅变得毫无价值，反而成为了阻碍系统运行的累赘。
因此，Sherwin强烈建议所有的创业者，要为模型的未来去构建产品，而不是为了适应模型当下的缺陷去打补丁。你要相信并押注基础模型能力会持续、快速地提升。初创公司真正的价值，应该建立在独特的用户体验、深度的行业专有数据，以及对特定业务场景的深刻洞察上。不要试图去跟底层算法的Scaling Laws做对抗，那是一场注定会输的战争。
这种对未来极度乐观的预期，自然引出了业界最火热的一个话题，那就是Sam Altman曾经提出的预言：在不久的将来，一定会出现由一个人组成的、估值达到十亿美元的初创公司。
从表面上看，这似乎是一个极具浪漫主义色彩的科技神话。在过去的互联网时代，要打造一个十亿美元级别的独角兽公司，你需要庞大的技术团队来编写底层代码，需要庞大的运营团队来维持服务，还需要层层递进的管理架构。这一切都意味着高昂的人力成本。但是在AI时代，一个拥有极高业务敏感度和产品嗅觉的个体，可以通过驱使成千上万个廉价的AI代理，完成以往需要几百人才能完成的工作。生产力的极大解放，让单人独角兽在理论上成为了可能。
然而，在这个光鲜亮丽的预言背后，Sherwin为我们指出了一个更加务实、也更具商业潜力的深层趋势，那就是第二层和第三层的衍生效应。是的，也许真的会诞生那么一两个单人十亿美元的公司，但这并不是这股浪潮的全貌。更宏大的图景是，因为软件开发的边际成本，正在以肉眼可见的速度趋近于零，这将在全球范围内催生出成千上万个由少数人组成的、年收入在几百万到几千万美元之间的微型SaaS公司。
换句话说，我们将迎来一个定制化B To B软件的黄金时代。在传统的软件经济学中，由于聘请顶级软件工程师的薪水极高，软件公司只能去解决那些拥有庞大用户基数的共性问题，只有这样才能通过规模效应收回研发成本。这就导致了在这个世界上，存在着海量的、高度垂直的长尾需求，被长久地忽视了。比如，一家传统的制造企业，想要一套完全契合其独特生产流程的管理软件；一家地方性的物流公司，需要一个特定逻辑的排单系统。这些需求在过去因为不值得投入研发而被大厂放弃。
但是今天，情况完全不同了。只要你懂业务，哪怕你不是科班出身的程序员，你也可以利用AI工具，快速、极低成本地为这些细分领域，定制一套完美的软件系统。技术门槛的消失，意味着商业竞争的焦点，将从如何写出代码，彻底转移到如何发现问题和如何懂客户上。
此外，Sherwin在访谈中还深入探讨了平台底层能力的未来演进趋势。其中，他特别强调了一个目前在企业级应用市场中被严重低估的领域：多模态能力，尤其是语音交互的巨大潜力。Sherwin指出，我们目前大多数人对人工智能的认知，依然停留在文本交互的层面，但这并不是人类最自然的信息交流方式。而在广阔的商业世界里，大量的核心业务是无法通过键盘来高效完成的。随着模型的发展，语音不再仅仅是文字的转化工具，而是带有情绪、语气和极高信息密度的交互入口。
同时，为了加速这种全行业的智能化进程，像OpenAI这样的底层平台提供商，也在疯狂地降低开发者的使用门槛。他们不仅提供基础的API接口，还在构建更为完善的开发者生态，比如，推出更加强大和易用的Agent开发工具包，甚至提供可以直接嵌入到各种应用程序中的图形界面组件。他们的目的非常明确：让任何一个想要利用人工智能重塑业务的人，无论技术背景深浅，都能以搭积木的方式，最快速度地构建出属于自己的智能应用。平台正在尽一切努力，让智能像水电一样，成为触手可及的基础设施。
最后，在这个风起云涌的AI大航海时代，我们应该如何自处呢？通过Sherwin的视角，我们可以得出一个结论：软件工程这门学科并没有死去，它只是在经历一次剧烈的蜕变。正如Sherwin所观察到的那样，在AI工具面前，顶尖的优秀人才会变得如虎添翼，他们会主动去重塑公司的业务流程，不断探索技术的边界；而那些抗拒变化、固步自封的人，将会发现自己迅速被边缘化。科技的齿轮永远在向前转动，唯一不变的，是我们对新事物的求知欲，以及适应环境的勇气。
感谢收看本期视频，我们下期再见。