針對AI對程序員的影響，我們不應過于悲觀和焦慮，而是要積極看待AI變革對我們產生的影響。只有不斷提升自己，擁抱AI，才能讓自己立于不敗之地。雖然AI 技術可能會影響程序員的部分工作，但不太可能完全取代他們。程序員應關注技能提升和專業(yè)發(fā)展，以適應不斷發(fā)展的技術環(huán)境。

AI 能否替代軟件？

• Chat UI：適合業(yè)務導向的需求，例如打車、買票，用戶要的是結果，也就是最適合秘書干的活。

• Traditional UI：適合體驗導向的需求，例如淘寶、抖音，用戶要的是過程，秘書可以幫你買東西，但是不能代替你逛街。

• Super UI：所有生產力工具都會增加 AI 能力，跟 AI 的交互包括但不限于聊天。

  
  

你可以把大模型比作人腦，傳統(tǒng)程序比作計算器。雖然人腦也能做加減乘除，但是人腦能取代計算器嗎？大家都知道神經網絡模擬的是人腦，雖然現(xiàn)在還不能完全作證這個模擬到了什么程度，但起碼出發(fā)點是模擬人腦，那按理說人腦有的缺點大模型也會有。目前的實踐也證明了大模型不善于計算，無法精準地存取信息，存在隨機性，這些恰恰也是人腦的弱點，卻正好是傳統(tǒng)程序的強項。

所謂程序，其實就在干兩件事“數據的存儲，數據的處理”，無它。為什么數據庫軟件這么牛逼，賺這么多錢？因為數據的存儲和處理少不了數據庫。人類創(chuàng)造的大量高價值軟件都是某個行業(yè)的信息系統(tǒng)，比如航空機票、鐵路調度、ERP、銀行賬戶、股票交易等，都極大地依賴數據庫以及精準的數據處理。

我很難想象把 12306 干掉，放一個大模型在那里，所有人訂票都跟 12306 聊天，然后這個大模型記錄了一切。起碼在目前的 AI 范式下，這個事情不可行。所以大模型更多的是取代人腦，而非取代軟件。要讓大模型很好地工作，需要給它工具，軟件工具，正如 ChatGPT Plugins 所做的那樣。所以編程不會被終結，反而會越來越重要，因為不光要給人做軟件，還要給 AI 做軟件。

軟件和模型的區(qū)別大致可以總結為：確定的交給程序，動態(tài)的交給模型。但這個格局會不會發(fā)生變化？兩件事情的發(fā)生會打破這個格局：

• On-deman UI，即 UI 界面可以按需實時生成。例如在和 ChatGPT 聊天過程中，它不但會用語言、圖片、視頻來回應，還可以彈出一個界面讓你做一些操作，例如在調色板上選取心儀的顏色。再比如文字編輯場景，實時生成一個編輯器讓你設置段落和文字樣式。On-deman UI 的出現(xiàn)，可以根據當下的場景，實時生成具有交互能力的界面，充分利用攝像頭、麥克風、鍵盤鼠標等交互能力。

• Model as Database，指大模型徹底解決了“記憶力”的問題。大模型可以像數據庫一樣實時、高效、精準地存取數據，相當于大模型內置了一個數據庫，或者想象一下你的大腦內植入了一個數據庫。

這兩個技術的出現(xiàn)可以讓我們徹底拋棄現(xiàn)有的軟件，這才是編程的終結。我不知道怎樣才能發(fā)展出這兩樣技術，但起碼對于目前的 AI 而言，需要新一輪的范式升級才有可能實現(xiàn)。未來的事情 who knows，關注當下，軟件依然重要，比以前更加重要。

AI 是否會替代程序員的工作機會？

要回答這個問題，我們得搞清楚 AI 帶來了什么——AI 是智力革命，是對智力的替代。工業(yè)革命讓英國的農業(yè)人口從 60% 降低到 10%，信息革命讓美國的工業(yè)人口從 40% 降到了 8%。按照這個思路，如果說 AI 是智力革命，白領在就業(yè)市場的占比會從 60%+ 變成個位數。從這個角度說，長期來看，AI 的確會替代程序員的工作機會。

如果 AI 可以替代人，那就意味著它替代了一種生產要素。這對于生產力的影響是巨大的，將釋放更多的人類創(chuàng)造力，消滅舊崗位，創(chuàng)造新崗位，對大家的生活造成極大的影響。

GPT-4 的智力水平已經相當高，GPT-5 可能超越 80% 的人類智力。在這樣的背景下，問題就變成了如何讓 AI 真正去替代某一個工種。但當前來看，AI 技術仍然更偏向于輔助者，而非驅動者。市場上出現(xiàn)的完全由 AI 構建應用的產品，仍停留在玩具階段。而輔助型的 AI 助手則更加成熟，如 GitHub Copilot，這樣的工具并不能替代程序員，只能作為生產工具的增益，無法替代生產力本身。

• LLM 能力本身提高

Semantic Kernel 團隊曾總結過：人類覺得有困難的工作，對于 LLM 同樣困難。這點出了 LLM 的本質：一個類似于人腦，可以理解意圖、代替腦力勞動的工具。那這個人腦本身的水平，自然限制了其是否可以在復雜場景下處理復雜問題。

對于復雜應用來說，LLM 需要在如下三個方面達到一定標準：

1. Context Length（上下文長度）

上下文長度可以說是新時代的內存。正是因為上下文長度不夠，所以目前構建 LLM 應用需要各種復雜的 Prompt Engineering（提示工程）來做各種召回、切換、調度等工作，有點像當年的虛擬內存。但同樣的上下文長度，質量卻是不一樣的。不能光看模型聲明的上下文長度，而要實測有效的上下文長度。例如，GPT-4 默認的上下文長度是 8K，但也有 32K 版本。在實際測試時，會發(fā)現(xiàn) 32K 版本在上下文超過 8K 的情況下能力驟降，很多內容會被忽略。我理解這是 LLM 的注意力不夠導致的，額外的上下文長度沒有意義。所以 Context-Length 這個指標核心考察的是該 LLM 的有效上下文長度，得分越高說明處理長文本的能力越強。

2. Reasoning Depth（推理深度）

推理深度可以理解為 LLM 的“聰明”程度，能否舉一反三、理解隱含意圖、基于中間答案推斷出最終答案。比如：

You are an AI software requirement analyst. Please make a judgement if the following requirements needs persistent storage. YES or NO, no explanations. Requirements: I want to hold a party tomorrow night. Please send invitation emails to my friends. My friends emails: Ella: ella@gmail.com, jack: jack@gmail.com. 

In the email, give them a link that shows a web page, ask them what kind of alcohol they prefer, whisky, wine or beer. I also need a web page to see their choices.

這是一個簡單的信息收集應用的需求，在需求描述中是沒有提到存儲或者數據庫這樣的字眼，但是實現(xiàn)這個應用需要用到存儲或者數據庫。這就要求 LLM 理解這個需求的意圖，并且推斷實現(xiàn)這個意圖必須有持久化的存儲，正確答案是 YES。

3. Instruction Compliance（指令遵循）

指令遵循可以理解為 LLM 聽話的程度。跟 LLM 打交道的過程中往往會遇到你讓它不要干啥，但它壓根不理你，還是會輸出一些你不想要的內容的情況。比如你跟它說不能討論政治，但在聊天過程中還是會回答政治相關的問題。我們還是拿上面那個信息收集的應用舉例。我們在 Prompt 中明確了回答只要 YES or NO，但是我們來看看 LLM 的表現(xiàn)：

可以看到 Claude 的理解是對的，但答案的格式是錯的，也就是沒有按照我們的指令生成答案。

指令遵循的能力是 LLM 結構化輸出的基礎，例如輸出 YAML 或者 JSON。如果這個能力不好，不按照格式要求輸出，會導致輸出結果很難被下游的程序所使用。所以 Instruction Compliance 這個指標得分越高，說明 LLM 結構化輸出的能力越好。

以上是在構建復雜應用的場景中必備的三個能力，恰好對應了“輸入-處理-輸出”三個環(huán)節(jié)，任何一項的薄弱都會導致很難實際使用這個 LLM。所以 LLM 能力本身的大發(fā)展，是可以替代人的基礎。

• 工作內容 DSL 化

當我們提到 LLM 在工業(yè)代替人進行工作時，除了和人打交道，往往還要和具體行業(yè)的知識、數據、系統(tǒng)進行交互。給 LLM 灌輸行業(yè)知識，當前有兩種方式，一種是 Fine Tuning（微調），另外一種是 Prompt Engineering。就目前實際的行業(yè)發(fā)展而言，F(xiàn)ine Tuning 還未形成共識，并且成本巨高，實際目前的大量應用都是基于 Prompt Engineering 做的——當前世界上應用最廣泛的模型 GPT-4 并不提供 Fine Tuning 的選項。

但無論是 Fine Tuning 還是 Prompt 工程，都對結構化數據有一定要求。這方面我認為最值得參考的是微軟的一篇論文，來自 Office Copilot 團隊所著的“Natural Language Commanding via Program Synthesis”，這篇論文提到的工程實踐有一個核心點就是 ODSL（Office DSL），是 Office 團隊為這個場景定制的一套 DSL（領域特定語言），這也是控制大模型輸出的主要手段，就是結構化，事實證明“大模型喜歡結構化”。

• 成熟的、給 AI 設計的工具

盡管人類和人工智能（AI）都擁有一定的智力能力，但在現(xiàn)階段，大多數產品設計仍然以人類為中心，而非 AI。

以協(xié)作為例，單個人的工作能力有其天然的限制，因此需要與他人協(xié)同合作。這就導致了人類工作的異步性。在軟件工程領域，我們使用 Git 這樣的工具來解決異步協(xié)作帶來的問題。

再比如，任何一個工程項目都需要經過生產和測試兩個環(huán)節(jié)?？紤]到確保工作的誠信性，通常我們不會讓生產者和測試者是同一個人。但你完全可以讓一個 AI 同時進行生產和測試，因為 AI 本身不存在誠信問題。

此外，人類和 AI 在交互方式上也存在著顯著差異。比如，大部分的軟件操作都需要使用鼠標，因為這種人類和 AI 在輸入和輸出（I/O）方式上的區(qū)別，導致 AI 其實很難操作現(xiàn)有的軟件。

小結

AI 未來會怎樣，沒有辦法預知，但是可以確定，它目前的編碼水平不會威脅到程序員。

雖然現(xiàn)在的情況不太好，但等過了低谷期，經濟恢復了，程序員的需求就會上升。

你的工作今年是有保障的。如果你努力的話，明年也是有保障的，而且很可能從此都是有保障的。因為如果一直不斷學習 AI，你會越來越熟練地掌握它，讓它為你工作，達到你的目的。也就是說，它會放大你的生產力。這就是很關鍵的地方，AI 與人類不是競爭關系，

它未必會減少機會，反而可能帶來更多的機會。

因此，當前AI的編碼水平不會對程序員構成威脅，并且通過不斷學習和掌握AI的使用方法，可以將其作為工具來提高生產力。

以上為本次所有分享內容

關注“盛圖科技”公眾號

私信“寒假編程訓練營”即可免費報名參加！