当一个人开始亲手制造自己的替代者

前两天看了一篇文章，标题叫《我不得不把才华埋葬在昨天》。

一开始我以为又是那种“AI 会不会取代程序员”的老话题。这两年这类讨论已经多到让人疲劳：程序员还能干几年、哪些岗位最危险、以后是不是只剩下会用 Agent 的人。读下去才发现不太一样——作者就在 DeepSeek 做算子，而且参与了核心 Attention 算子的实现。

他不是站在旁边看 AI 变强，而是在亲手让它变强。更麻烦的是，他自己已经能感觉到：正在做的这件事，正在帮 AI 更快地学会取代自己。

真正难受的不是失业，而是“这件事以后不用你亲手做了”

作者有个判断我很认同：自己大概率不会失业，但很可能要“转业”。这两个词差别很大。

很多人讨论 AI 对工作的影响，习惯把它简化成“还有没有工作”。可现实更可能是，岗位还在，人还在，只是工作的内容变了。

以前你花半天分析性能问题、读 CUDA、改实现、跑 benchmark；以后可能是 Agent 先完成绝大部分工作，你负责提要求、看结果、做判断、处理它搞不定的地方。

从公司角度看，这是效率提升。从个人角度看，未必只是好事。如果你本来就不喜欢写代码，那当然很好，脏活累活都交给 AI。但如果你真的喜欢写代码，喜欢一点点把系统理顺、把延迟从 500ms 压到 80ms，那“以后不用亲手做了”本身就是一种失去。

原文用织毛衣来比喻，我觉得很准确。机器出现以后，手艺人的经验依然有价值，他知道什么料子好、什么图案合理，也比普通人更会用机器。只是那种坐在窗边慢慢织一下午毛衣的日子，大概真的结束了。

这也是“把才华埋葬在昨天”最打动我的地方。不是说才华突然没用了，而是这个时代不再需要你以原来的方式使用它。

更无奈的是，你还不能停下来

作者其实很清楚一个悖论：自己写的算子越好，模型训练和推理越快，模型能力进步也越快；模型越强，AI 就越快学会写算子。

换句话说，他正在加速制造自己的替代者。

但他又不可能停。你不用，别人会用；你不做，别家公司会做。单方面拒绝 AI，并不会让 AI 发展得慢一点，只会让自己先失去竞争力。

这一点我也有感触。现在学各种 Agent 和编程工具，未必都是出于兴趣，有时候只是知道工作方式正在变，自己得跟上。比起一直纠结该不该接受它，先去用，弄清楚它能做好什么、哪里还需要人，可能更有用。至于是不是会喜欢这种新的工作方式，恐怕要做过一段时间才知道。

“会写代码”本身，会越来越不值钱

过去程序员值钱，是因为“把想法变成能运行的软件”成本很高。一个需求从文档到真正落地，中间隔着设计、编码、调试、部署、维护一大堆事情。

AI 正在快速压缩这个距离。以后“能不能写出来”可能不再是最难的问题，真正值钱的会慢慢变成“知不知道该写什么”“能不能判断它写得对不对”。

如果新人从第一天起就主要靠 AI 写代码，他以后靠什么判断 AI 写得好不好？这个问题我也没有答案。

很多工程经验不是看书学来的，是自己踩坑踩出来的。你写过五百行的函数，才知道为什么不该那么写；真遇到过数据不一致、并发、幂等、索引失效，才知道哪些东西不能只看 Demo。

所以以后可能出现一种很别扭的情况：以前水平不够，很多东西至少“做不出来”；现在什么都能做出来，而且看上去还挺像回事。反倒是“做出来了”这件事，越来越难用来判断一个人的工程能力。

最后的问题：最强的 AI，谁能用得上

原文最后把问题从职业转到了更大的层面：如果 AI 成为最重要的生产工具之一，那关键问题就不只是“它有多强”，而是“谁能用”。

如果最强的模型始终只掌握在少数公司手里，AI 未必会自动带来普惠，甚至可能放大差距。一个组织拥有明显更强的模型，就能更快地写代码、做研究、分析市场、迭代产品，优势会不断自我强化。

所以我能理解作者为什么这么强调“开放、廉价、普惠”。我不觉得所有模型都必须无条件开源，但希望这个世界上一直存在真正有竞争力的开放模型。如果有一天，智能真的变成像电力、网络一样的基础生产资料，那“谁拥有最强的智能”就不只是商业问题了。

看完之后，我其实没那么纠结“AI 会不会比我更会写代码”。这件事大概率迟早会发生。

我更在意的是另一件事：当那些练了很多年的能力变得不再稀缺，我还能不能继续建立新的判断力，以及能不能在这个过程中，留住一点自己真正喜欢做的事。接下来该学的还得学，只是在用 AI 的时候，得留意别把自己理解问题、判断结果的能力也一并交出去。

只是偶尔回头看的时候，可能真的会发现，有些东西已经留在昨天了。