TL;DR · 一位 AI 創業者稱，智慧體寫程式碼正在改變早期職業能力排序。 · 可評分任務更適合模型，人類要學會判斷問題、分配時間和工具。 · 現金回報不是唯一目標，關係、聲譽和交付品質會拉開差距。
一位據其自述曾在 Scale AI、DeepMind、OpenAI、Google 等公司工作、如今參與智慧體原生公司的創業者，在一篇英文長文中重新給年輕人寫了一份職業建議。背景是，AI 編碼工具已經從補全程式碼走向更完整的軟體工程智慧體。OpenAI 2025 年發佈 Codex 時稱，它可以在雲端並行處理寫功能、修 bug、提出 PR 等任務，但仍需要人工審查和驗證程式碼。問題隨之變成：當標準答案、普通程式碼和可評分任務越來越便宜，年輕人還應該把時間花在哪裡？
這篇文章的核心不是「程式設計師會被取代」，而是早期職業篩選標準正在變化。學校和傳統面試大量訓練的是定義清楚、答案明確、可以被批改的題目，而這正是模型進步最快的地方。未來更能區分人的，可能是發現重要問題、選擇高價值環境、建立可信聲譽，以及把智慧體生成的中等結果繼續打磨到可交付。
在作者的判斷裡，AI 創業環境下，資本和工具比過去更容易獲得，但高品質時間、強關係和可信聲譽仍然稀缺。
他用個人經歷解釋這一點。加入 Scale AI 之前，他稱自己曾拿到現金保障更高的量化崗位 offer，但最終選擇 Scale，是因為那裡有更強的社群、更廣的產品場景和更多接觸前沿問題的機會。按他的回憶，後來正是通過 Scale，他接觸到大模型推理供應商，獲得 DeepMind 和 OpenAI 的機會，也結識了後來創業的一批同事。
這些經歷不能簡單外推成所有人的職業公式，但給出的提醒很直接：早期職業選擇不應只看眼前現金。尤其在 AI 降低軟體建構門檻後，快速做出一個能賺錢的小工具不再罕見，長期回報往往來自更難的問題、更強的人群和更可信的履歷訊號。
年輕人需要問的不是「哪個機會立刻多給錢」，而是這件事是否值得投入時間，是否能和優秀的人一起做，自己的好工作能否被可靠的人看見，以及它會不會成為下一次機會的信用基礎。
當智慧體能處理越來越多邊界清晰的問題，工程師的價值不再只是「能不能解出來」，而是「能不能選對題」。
作者提到，他們所在團隊重新設計了面試方式。原因是，如果真實工作裡不再需要人手寫每一行程式碼，那麼單純考演算法題和傳統系統設計，與工作表現的相關性會下降。更有意義的測試，是看候選人能否快速理解環境，發現值得解決的問題，再調動 AI 工具和外部資源推進結果。
這也是智慧體寫程式碼之後的新分工。模型擅長處理目標明確、回饋清楚的任務，人需要判斷什麼問題重要，什麼路徑值得試，多少時間和模型調用成本應該投進去。
對學生來說，AI 能做作業可能會帶來挫敗感。但從招聘角度看，不同候選人的差異並沒有消失。即使都能用 AI 得到答案，有的人需要大量試錯和提示詞，有的人能帶著業務直覺、技術背景和上下文與智慧體協作，更快找到方向。
所謂「會用 AI」，也不只是把問題丟給模型。更強的能力包括拆分問題、識別缺失資訊、判斷何時繼續迭代、何時換路線，以及檢驗結果是否真的解決了業務或技術上的關鍵矛盾。
AI 降低了軟體建構門檻，也讓簡單系統更容易複製。作者借用機器學習研究中的「苦澀教訓」來解釋職業選擇：長期看，擴展通用方法往往勝過為單一任務做精細優化。
放到公司和個人職業上，這意味著簡單輸出的護城河會變薄。任何人都更容易做出一個看起來可用的系統，真正耐久的價值反而集中在足夠困難、足夠有野心的問題上。
選擇公司時，作者給出的標準是：這家公司是否在解決該問題最有野心的版本，它是否真的有機會解決。選擇崗位時，則要看這個角色能不能讓自己直接接觸到公司正在解決的前沿問題。
他還提到，不能只盯著早期產品是否漂亮，或 demo 是否驚豔。按他的主觀評價，Anthropic 早期 demo 在當時看起來只是一個不如 ChatGPT 的 Slackbot，但這並沒有阻止公司後來走向完全不同的軌道。早期公司會變，產品會變，團隊品質、市場空間和問題難度更能影響長期結果。
職業機會也是類似邏輯。高品質機會不一定每次都轉化成結果，但一個人要先站到能看見機會的位置上。能否站到那裡，仍然依賴長期積累的能力、聲譽，以及別人是否願意把機會告訴你。
當一個簡單提示詞就能讓智慧體生成中等品質結果，普通輸出的價值會下降，最後一段打磨的價值會上升。
原文援引紅杉資本 Alfred Lin 的說法稱，最後 10% 往往是 90% 的工作，也是 90% 的回報。放到 AI 時代，這句話的現實感更強。因為 70 分結果越來越容易獲得，真正能區分人的，是獨特視角、細節關注、迭代能力、架構品質、可擴展性和創造力。
第一版 AI 輸出很少直接完美。真正的工作常常發生在後續迭代裡：發現哪裡不對，哪些地方需要重構，什麼體驗還不順，哪些邊界情況沒有覆蓋，什麼時候應該利用下一代模型從頭再做一遍。
這些能力可以通過專案、實習和真實工作練出來。多花一點時間打磨，把架構做乾淨，把擴展性想清楚，把細節做到使用者真的願意用，都會在作品和面試中留下痕跡。
傳統工程能力並沒有失效。變化在於，寫程式碼本身的稀缺性下降了，判斷、審美、系統理解和交付品質變得更貴。AI 能讓更多人到達中等水準，剩下那部分差距反而更難補。
文章最後把討論延伸到「如何進入研究」。作者認為，AI 沒有讓研究只屬於頂級實驗室，反而降低了早期入門門檻。
現代研究當然更依賴算力，但起點可以很樸素：使用現有模型，把自己的直覺轉化成評測，參與公開優化榜單，利用雲算力平台給學生和研究者的額度，盡早測試想法。大多數想法最終會在放大規模時失敗，但理解失敗，是建立研究判斷的一部分。
研究者首先是一種工作方式，而不只是一個職位。前沿實驗室裡的研究，常常混合了好奇心、試新想法、和基礎設施磨合、理解系統細節、快速除錯，以及把結果價值講清楚以爭取更多資源。很多訓練不必等到拿到「研究員」頭銜之後才開始。
這篇文章留下的職業建議並不悲觀。AI 讓標準答案、普通程式碼和可評分任務更便宜，也讓年輕人更早接觸真實問題。機會仍然存在，只是分配方式變了：誰能找到重要問題，進入高品質環境，積累可信聲譽，並把結果推進到最後一公里，誰就更容易拿到下一輪機會。
點擊了解律動 BlockBeats 在招崗位
歡迎加入律動 BlockBeats 官方社群：
Telegram 訂閱群：https://t.me/theblockbeats
Telegram 交流群：https://t.me/BlockBeats_App
Twitter 官方帳號：https://twitter.com/BlockBeatsAsia
481.85萬 熱度
107.34萬 熱度
23.38萬 熱度
1.52億 熱度
141.41萬 熱度
AI會寫代碼後，年輕人的新壁壘是什麼？
一位據其自述曾在 Scale AI、DeepMind、OpenAI、Google 等公司工作、如今參與智慧體原生公司的創業者，在一篇英文長文中重新給年輕人寫了一份職業建議。背景是，AI 編碼工具已經從補全程式碼走向更完整的軟體工程智慧體。OpenAI 2025 年發佈 Codex 時稱，它可以在雲端並行處理寫功能、修 bug、提出 PR 等任務，但仍需要人工審查和驗證程式碼。問題隨之變成：當標準答案、普通程式碼和可評分任務越來越便宜，年輕人還應該把時間花在哪裡？
這篇文章的核心不是「程式設計師會被取代」，而是早期職業篩選標準正在變化。學校和傳統面試大量訓練的是定義清楚、答案明確、可以被批改的題目，而這正是模型進步最快的地方。未來更能區分人的，可能是發現重要問題、選擇高價值環境、建立可信聲譽，以及把智慧體生成的中等結果繼續打磨到可交付。
現金報價不再是唯一答案，時間和聲譽更稀缺
在作者的判斷裡，AI 創業環境下，資本和工具比過去更容易獲得，但高品質時間、強關係和可信聲譽仍然稀缺。
他用個人經歷解釋這一點。加入 Scale AI 之前，他稱自己曾拿到現金保障更高的量化崗位 offer，但最終選擇 Scale，是因為那裡有更強的社群、更廣的產品場景和更多接觸前沿問題的機會。按他的回憶，後來正是通過 Scale，他接觸到大模型推理供應商，獲得 DeepMind 和 OpenAI 的機會，也結識了後來創業的一批同事。
這些經歷不能簡單外推成所有人的職業公式，但給出的提醒很直接：早期職業選擇不應只看眼前現金。尤其在 AI 降低軟體建構門檻後，快速做出一個能賺錢的小工具不再罕見，長期回報往往來自更難的問題、更強的人群和更可信的履歷訊號。
年輕人需要問的不是「哪個機會立刻多給錢」，而是這件事是否值得投入時間，是否能和優秀的人一起做，自己的好工作能否被可靠的人看見，以及它會不會成為下一次機會的信用基礎。
工程師價值從「解題」轉向「找題」
當智慧體能處理越來越多邊界清晰的問題，工程師的價值不再只是「能不能解出來」，而是「能不能選對題」。
作者提到，他們所在團隊重新設計了面試方式。原因是，如果真實工作裡不再需要人手寫每一行程式碼，那麼單純考演算法題和傳統系統設計，與工作表現的相關性會下降。更有意義的測試，是看候選人能否快速理解環境，發現值得解決的問題，再調動 AI 工具和外部資源推進結果。
這也是智慧體寫程式碼之後的新分工。模型擅長處理目標明確、回饋清楚的任務，人需要判斷什麼問題重要，什麼路徑值得試，多少時間和模型調用成本應該投進去。
對學生來說，AI 能做作業可能會帶來挫敗感。但從招聘角度看，不同候選人的差異並沒有消失。即使都能用 AI 得到答案，有的人需要大量試錯和提示詞，有的人能帶著業務直覺、技術背景和上下文與智慧體協作，更快找到方向。
所謂「會用 AI」，也不只是把問題丟給模型。更強的能力包括拆分問題、識別缺失資訊、判斷何時繼續迭代、何時換路線，以及檢驗結果是否真的解決了業務或技術上的關鍵矛盾。
越容易做軟體，越要靠近更難的問題
AI 降低了軟體建構門檻，也讓簡單系統更容易複製。作者借用機器學習研究中的「苦澀教訓」來解釋職業選擇：長期看，擴展通用方法往往勝過為單一任務做精細優化。
放到公司和個人職業上，這意味著簡單輸出的護城河會變薄。任何人都更容易做出一個看起來可用的系統，真正耐久的價值反而集中在足夠困難、足夠有野心的問題上。
選擇公司時，作者給出的標準是：這家公司是否在解決該問題最有野心的版本，它是否真的有機會解決。選擇崗位時，則要看這個角色能不能讓自己直接接觸到公司正在解決的前沿問題。
他還提到，不能只盯著早期產品是否漂亮，或 demo 是否驚豔。按他的主觀評價，Anthropic 早期 demo 在當時看起來只是一個不如 ChatGPT 的 Slackbot，但這並沒有阻止公司後來走向完全不同的軌道。早期公司會變，產品會變，團隊品質、市場空間和問題難度更能影響長期結果。
職業機會也是類似邏輯。高品質機會不一定每次都轉化成結果，但一個人要先站到能看見機會的位置上。能否站到那裡，仍然依賴長期積累的能力、聲譽，以及別人是否願意把機會告訴你。
普通結果更便宜，最後 10% 更值錢
當一個簡單提示詞就能讓智慧體生成中等品質結果，普通輸出的價值會下降，最後一段打磨的價值會上升。
原文援引紅杉資本 Alfred Lin 的說法稱，最後 10% 往往是 90% 的工作，也是 90% 的回報。放到 AI 時代，這句話的現實感更強。因為 70 分結果越來越容易獲得，真正能區分人的，是獨特視角、細節關注、迭代能力、架構品質、可擴展性和創造力。
第一版 AI 輸出很少直接完美。真正的工作常常發生在後續迭代裡：發現哪裡不對，哪些地方需要重構，什麼體驗還不順，哪些邊界情況沒有覆蓋，什麼時候應該利用下一代模型從頭再做一遍。
這些能力可以通過專案、實習和真實工作練出來。多花一點時間打磨，把架構做乾淨，把擴展性想清楚，把細節做到使用者真的願意用，都會在作品和面試中留下痕跡。
傳統工程能力並沒有失效。變化在於，寫程式碼本身的稀缺性下降了，判斷、審美、系統理解和交付品質變得更貴。AI 能讓更多人到達中等水準，剩下那部分差距反而更難補。
研究門檻降低了，但研究不是一個頭銜
文章最後把討論延伸到「如何進入研究」。作者認為，AI 沒有讓研究只屬於頂級實驗室，反而降低了早期入門門檻。
現代研究當然更依賴算力，但起點可以很樸素：使用現有模型，把自己的直覺轉化成評測，參與公開優化榜單，利用雲算力平台給學生和研究者的額度，盡早測試想法。大多數想法最終會在放大規模時失敗，但理解失敗，是建立研究判斷的一部分。
研究者首先是一種工作方式，而不只是一個職位。前沿實驗室裡的研究，常常混合了好奇心、試新想法、和基礎設施磨合、理解系統細節、快速除錯，以及把結果價值講清楚以爭取更多資源。很多訓練不必等到拿到「研究員」頭銜之後才開始。
這篇文章留下的職業建議並不悲觀。AI 讓標準答案、普通程式碼和可評分任務更便宜，也讓年輕人更早接觸真實問題。機會仍然存在，只是分配方式變了：誰能找到重要問題，進入高品質環境，積累可信聲譽，並把結果推進到最後一公里，誰就更容易拿到下一輪機會。
點擊了解律動 BlockBeats 在招崗位
歡迎加入律動 BlockBeats 官方社群：
Telegram 訂閱群：https://t.me/theblockbeats
Telegram 交流群：https://t.me/BlockBeats_App
Twitter 官方帳號：https://twitter.com/BlockBeatsAsia