AI时代的专业知识：从数学类比看编码直觉与人才市场变迁

人工智能时代的专业知识2026-05-12标记：llms在编码代理时代，雇用初级工程师有意义吗？初级工程师的薪水和高级工程师的时间都很昂贵。这部分成本曾通过代码贡献得以回收，但如今，直接最大化高级工程师的产出更为有效。

招聘市场反映了这一趋势：高级工程师很容易找到工作，而应届CS毕业生正经历有史以来最糟糕的岁月。然而，OpenAI、Anthropic 和许多顶级公司仍在激烈争夺初级人才。这是怎么回事？在本文中，我将探讨人工智能时代专业知识不断变化的本质。

数学类比我认为从数学角度思考人工智能的影响会有所帮助——数学在半个世纪前就迎来了它的“AI时刻”。曾经有一种工作叫“计算器”，指的是能够准确、快速地进行数学计算的人。这些人负责平衡账目、根据距离和风向调整计算火炮射击角度、计算船舶和飞机机身的最佳船体形状等。

这项工作已不复存在，算盘和计算尺的最后一次严肃使用是在20世纪70年代，原因是科学计算器的发明。随着时间的推移，计算器变得越来越复杂，如今的数值建模软件可以运行全尺寸的物理和工程模拟。

（在本文中，我将用“计算器”指代从基本计算器到建模软件的一切。）尽管计算器已经存在，我们仍然教授并期望人们在高中学习代数、几何和微积分。进入大学后，我们要求STEM专业学生学习多元微积分、常微分方程、偏微分方程、统计学和线性代数。

毕业后，他们中的绝大多数人每天都使用计算器，却忘记了如何做除最基本心算之外的所有计算。对于这种差异，有两种基本解释：- （信号假说）STEM学位筛选出了那些能够学习并坚持完成四年困难数学课程的人。

- （技能假说）在数学课程中挣扎学习，赋予了一些难以量化的数学直觉，这对操作今天的计算器很有价值。作为信号假说曾经的坚定信徒，我现在越来越倾向于技能假说（假设每个原因各占约50%）。

很明显，今天的高级工程师比初级工程师更擅长使用编码代理，其中很大一部分原因是他们经历了五年以上手动编写代码的挣扎。不断变化的就业市场目前，为编码代理提供额外提示所需的计算直觉水平大约相当于五年的经验水平。

今天的高级工程师很幸运，能够有偿地建立他们的计算直觉，但随着编码代理的不断改进，差距正在扩大。在编码代理改进和学习能力的自然差异之间，也许有50%的CS新毕业生将永远无法跟上。一些高级工程师尽管起步较早，最终也会落后于时代。

回答本文开头的问题：只有一部分初级工程师值得雇用，具体来说，是那些足够优秀、能够在毕业后2-3年内达到“编码直觉”有用门槛的人。由于这类毕业生数量不多，少数精英公司激烈争夺这一人才。

第二梯队的软件顾问将继续增长，扩大就业市场的总规模，但我预计他们的工资增长速度远不及今天的高级工程师。每个人都应该学习一些编码即使进入软件工程的门槛在提高，我仍然认为每个人都应该学习一些编码。

我经常看到人们把计算机当作电器——只能完成它们被设计用来做的事情，仅此而已。如果你不认为计算机是可脚本化或可编程的，那么你永远不会想到让AI为你自动化某些事情！许多其他领域也是如此！

数学、法律、税务、医学、DIY家庭维修等……只要你知道如何提问，现在只需每月20美元就能获得丰富且廉价的专业知识。我认为主要的解锁阶段在于：- 1-2周：基本了解该领域的内容，以及让AI做某事时该使用哪些通用词汇。

- 1-2个月：基本了解如何以及何时向AI提问。- 4-6个月：能够检查输出的正确性（必要时使用外部来源）。如果你已经是一名软件工程师，你可能会考虑涉足数据科学、前端、后端、安全和性能优化/分析——这些都是不同的技能集。

这里有一个关于“如何+何时+正确性”的数据科学示例：一位同事正在对数据集进行相关性分析，发现很难理解发生了什么。我建议他直接让Claude“使用NMF让它更漂亮”——突然之间，有用的聚类开始出现。

（这个提示的扩展版本：对成对距离矩阵进行NMF，得到k个聚类中心和聚类成员分数。根据argmax(聚类分数)重新排序原始距离矩阵，可以突出显示聚类。这里的“如何”是知道关键词“NMF”；“何时”是“在距离矩阵上进行聚类”；

“正确性”是知道使用它的前提条件。）结论做好你的功课！

一种奇怪且普遍存在的虚无主义AI观点是，你应该停止努力，直接用AI来加速完成课程。我认为这可能是最糟糕的回应。做功课是掌握技能的最佳方式，就像你中学数学课上不允许使用计算器一样，你应该推迟使用AI来完成课堂作业。

计算器的建议在我小时候听起来很傲慢，这个AI建议可能听起来也一样——但我真的相信这是为了你好。毕业后，这个建议仍然适用。在你至少亲手做过一次之前，不要使用AI。