AI浪潮中专业技术人员的价值重塑

在智能编程时代，招募初级工程师是否仍有必要？

初级工程师的成本不仅体现在薪酬上，更体现在资深工程师为其付出的时间成本上。过去，代码产出尚能部分抵消这部分开销，但如今更高效的策略是直接提升资深工程师的工作效率。招聘市场也印证了这一变化：资深工程师求职顺利，而计算机专业应届毕业生却面临前所未有的挑战。然而，OpenAI、Anthropic及诸多头部企业仍在激烈争夺初级人才。这背后的原因是什么？

本文将探讨AI时代专业知识内涵的演变。

曾有一种职业称为"计算员"，即能够精准迅速完成数学运算的人员。他们负责账目核算、根据距离和风速修正火炮射击角度、计算舰船和飞机机身的最佳外形等。如今这一职业已完全消失，算盘和计算尺最后一次大规模使用是在20世纪70年代，随后被科学计算器取代。随着时间推移，计算工具日益精密，如今的数值模拟软件已能运行完整的物理和工程仿真。（本文中"计算器"泛指从基础计算器到建模软件的所有工具。）

尽管计算工具已广泛普及，我们仍要求高中生学习代数、几何和微积分。进入大学后，理工科学生还需学习多元微积分、常微分方程、偏微分方程、统计学和线性代数。然而毕业后，他们中的大多数人每天依赖计算器，除了最基础的心算外，几乎遗忘了其他数学运算技能。

针对这一现象，主要有两种解释：

我曾坚信信号假说，但如今越来越认同技能假说（两者各占约50%）。显而易见，如今的高级工程师比初级工程师更擅长运用代码助手，这主要源于他们五年以上的手动编程经验积累。

由于代码助手的持续进化和学习能力的天然差异，约50%的计算机专业应届毕业生可能永远无法追上时代步伐。部分资深工程师即便起步较早，最终也可能被时代抛在后面。

回答文章开头的问题：仅有部分初级工程师值得招聘，具体而言是那些毕业两到三年内就能形成一定"编程直觉"的优秀人才。由于这类毕业生数量有限，少数顶尖公司会为争夺这些人才展开激烈竞争。

二流软件顾问的数量将持续增加，扩大就业市场整体规模，但预计其薪资增速远不及当下的高级工程师。

我认为关键突破点在于：

如果你已是软件工程师，可考虑涉猎数据科学、前端、后端、安全和性能优化/分析——这些都是不同的技能领域。

以下是一个数据科学领域"方法+时机+准确性"的案例：一位同事在处理数据集的相关性分析时，难以理解分析结果。我建议他直接让Claude使用NMF美化输出——结果突然显现出一些有价值的聚类信息。

（此提示的扩展版本：对成对距离矩阵进行非负矩阵分解(NMF)可获得k个聚类中心和聚类成员分数。根据argmax(聚类分数)对原始距离矩阵重新排序可突出显示聚类。"方法"是指掌握关键词"NMF"；"时机"是指"对距离矩阵进行聚类"；"准确性"是指了解其适用条件。）