总结稿

核心总结

这段视频复盘了 2022—2026 年“AI 即将取代程序员”的叙事。视频的核心主张不是 AI 没有价值，而是把“AI 能加速局部编码任务”直接推导成“软件工程岗位将被整体自动化”，中间跨越了代码质量、长期上下文、需求理解、风险控制、系统责任与团队协作等多个尚未被解决的层级。

视频按时间线梳理了这种叙事如何形成：ChatGPT 和 GitHub Copilot 让自然语言生成代码成为日常工具；2024 年多模态模型、企业 AI 重组和 Devin 等产品演示进一步放大替代预期；2025 年科技就业市场恶化，裁员又被广泛归因于 AI。作者认为，真实情况更接近“疫情期过度招聘后的财务纠偏，被包装成 AI 优先战略”，而不是 AI 已经大规模接管软件工程工作。这个解释是视频作者的分析框架，不能被当成所有裁员事件的统一因果结论。

在技术层面，作者把当前 AI 的限制概括为两点：第一，大语言模型按概率生成看似合理的输出，可能自信地产生错误代码、虚构依赖或遗漏边界条件；第二，氛围编程把这种不确定性和用户的盲目信任叠加，使人不了解系统结构却持续批准修改。视频因此主张，可靠的软件开发仍需要人类定义目标、约束、验收标准和风险边界。

视频最终给出的实践建议是学习“上下文工程”：不要把思考、设计与责任一并交给 AI，而是由人明确需求、限制、接口、测试和验证方式，只把适合自动化的实现工作交给模型。作者用一句对照概括它：氛围编程外包思考，上下文工程只外包代码。

关键结论

视频陈述： AI 生成代码的比例不能直接换算成岗位替代比例；生成、审查、集成、测试和维护仍是不同工作。
视频陈述： Devin 等智能体的产品演示与真实代码库中的长期任务表现存在落差；局部成功不等于端到端自治。
作者判断： 近年的科技裁员主要源于疫情期过度招聘和财务纠偏，AI 在部分公司被用作更有利的对外叙事。这个判断有解释力，但不应概括为所有裁员的共同原因。
作者判断： 当前 LLM 的生成机制、上下文限制和责任缺位，使“完全替代软件工程师”远未成立；不过“这些限制永远不会随模型改进而消失”仍属于作者的推断，而非外部事实核验结论。
实践建议： 把 AI 当作受约束、需审查的实现工具；人的竞争力转向问题定义、上下文组织、架构判断、验证与责任承担。

外部事实核验与必要限定

美国劳工统计局预测 2024—2034 年美国软件开发者就业增长 15.8%，支持美国市场的中长期扩张预期，但不能证明全球软件工程岗位截至 2026 年都在实际扩张。U.S. BLS
Google 确认超过 25% 的新代码由 AI 生成并由工程师审查接受；GitClear 对约 1.53 亿行变更的分析显示，短期回退或重写比例可能上升，但这不能证明工程师总工作量翻倍，更不能推广为所有公司的因果规律。Google；GitClear
视频所说“61% 的开发者认为 AI 代码看似正确但不可靠”与 Sonar 2026 对 1,149 名专业开发者的调查一致。Stack Overflow 2025 的 66% 是另一项相关指标——把“几乎正确但不完全正确”列为使用挫折——两者不应混为同一问项。Sonar 2026 State of Code Developer Survey；Stack Overflow 2025 Developer Survey
2025 年全年报告记录 1,206,374 项已宣布裁员，其中 54,836 项把 AI 列为原因，约占 4.5%；这支持“AI 并非绝大多数裁员的申报原因”，但不能反向证明其余裁员都由过度招聘造成，也不能排除间接影响。Challenger Report: December 2025
MIT Project NANDA 报告中的“约 95%”指当前生成式 AI 项目没有可衡量的 P&L／业务影响回报，尤其涉及定制试点落地；它不是“95% 的企业没有一般生产力提升”的证明。The GenAI Divide — State of AI in Business 2025
Replit 官方确认 Agent 删除了 Jason Lemkin 应用数据库的数据，且当时未能通过对话指出已有的 Rollback 功能；但用户后来通过 Rollback 完整恢复了数据，并非永久丢失。Replit 官方复盘
视频提到一个通过 vibe coding 构建的 SaaS 被绕过订阅、刷爆 API 额度后下架；现有核验未找到足以确认身份、规模和具体因果链的原始证据，因此该案例应视为 未核实。

辅助理解

从“会写代码”到“取代程序员”，中间缺了什么

关键帧 1

视频回顾的替代叙事始于一个真实变化：从 2022 年起，普通人可以用自然语言让模型生成看似可运行的代码，Copilot 等工具也逐渐进入日常开发。但视频提醒，局部编码效率与整份工作的自动化并不是同一个命题。

软件工程不只包含“产出代码”，还包括识别真实需求、做架构取舍、理解历史约束、协调依赖、测试边界情况、响应线上事故，以及为结果承担责任。AI 在前一项上进步很快，并不自动意味着后面这些环节也同时被解决。

flowchart LR
    A["自然语言生成代码"] --> B["局部编码提速"]
    B --> C["更多代码产出"]
    C --> D["审查、测试与集成需求"]
    D --> E{"系统能否可靠运行？"}
    E -->|"能"| F["形成生产力收益"]
    E -->|"不能"| G["返工、回退与风险增加"]
    F -.-> H["不等于岗位已整体自动化"]
    G -.-> H

这张图表达的是视频论证的关键断点：代码生成量、净生产力与岗位替代率是三个不同指标。 Google 称超过 25% 的新代码由 AI 生成并由工程师审查接受，但这只说明生成工具进入了工作流。Google GitClear 观察到短期回退或重写比例上升，也不能直接推出“所有人的工作量翻倍”。GitClear

就业市场：AI 叙事不等于 AI 因果

关键帧 7

视频作者提出的替代解释是：科技公司在疫情期间过度招聘，后来因收入和投资回报不足而裁员；“AI 优先”既能向投资者传达增长故事，也能替财务纠偏提供更积极的叙事。这个框架有助于理解为什么“宣布 AI 投资”和“裁撤岗位”可能同时发生。

但需要严格区分三层内容：

视频陈述： 2025 年科技就业市场恶化，大量舆论把裁员归因于 AI。
作者判断： 主要原因其实是疫情期过度招聘和后续财务纠偏，AI 常被当作替罪羊。
外部核验： Challenger 的全年统计中，1,206,374 项已宣布裁员里有 54,836 项将 AI 列为原因，约占 4.5%。这说明 AI 不是绝大多数裁员的申报原因，却不能证明其余 95.5% 都是过度招聘导致，也无法捕捉所有间接影响。Challenger Report: December 2025

同样，Alphabet 的材料能确认裁员、组织重组和 AI 投资同时存在，但不能证明裁员唯一或明确的目的就是“聚焦 AI 而非削减成本”。Google：Building for our AI future；Alphabet 2024 Q4 earnings call

因此，更稳妥的结论是：“AI 造成了所有裁员”没有数据支持，“所有裁员都与 AI 无关”也同样超出了证据。

可靠性：预测机器为什么仍需人类闭环

关键帧 9

视频把 LLM 描述为“预测机器，而非真相机器”。这是对生成式模型工作方式的通俗概括：模型倾向于生成上下文中概率较高的内容，但流畅、完整和自信并不能保证事实或代码正确。作者由此解释了不存在的库、虚构 API 参数、遗漏边界条件等问题。

这里也要区分论据与推断：模型会产生不可靠输出、长期任务需要验证，是视频展示的问题；“因此 AI 在结构上不可能取代软件工程师”则是作者进一步作出的判断。技术改进能否以及在多大程度上缓解这些限制，视频没有提供足以封死所有可能性的证据。

Replit 事故很好地说明了人类闭环的重要性，同时也需要完整讲述：官方确认 Agent 删除了 Jason Lemkin 应用数据库的数据，并且当时没有在对话中正确利用已有的 Rollback 功能；不过用户后来通过 Rollback 完整恢复，数据没有永久丢失。Replit 官方复盘

氛围编程与上下文工程

视频反对的不是使用 AI，而是把不确定的生成系统放进一个没有约束、没有理解、没有验收的流程。它把两种使用方式作了鲜明对照：

维度	氛围编程	上下文工程
人的角色	不断接受模型建议	定义目标、约束与验收标准
模型的角色	同时做产品、设计、架构和实现	在明确边界内辅助实现
对输出的态度	“看起来能跑”就继续	用测试、审查和观测验证
主要风险	隐蔽缺陷、权限漏洞、成本失控、无人理解系统	前期设计成本更高，但责任边界更清晰
视频的概括	外包思考	只外包代码

可以把上下文工程理解为一个持续收紧不确定性的闭环：

flowchart TD
    A["人定义问题与成功标准"] --> B["提供代码库、接口与业务上下文"]
    B --> C["明确权限、成本和安全约束"]
    C --> D["AI 生成受限方案或代码"]
    D --> E["测试、审查与运行时验证"]
    E --> F{"满足验收标准？"}
    F -->|"否"| G["定位失败并补充上下文"]
    G --> D
    F -->|"是"| H["由人批准合并或发布"]
    H --> I["监控结果并保留回滚能力"]
    I --> A

这个闭环并不保证 AI 永远只能做辅助角色，但它说明了当前可靠落地的基本条件：生成可以自动化，责任不能凭空消失。

读数据时最容易踩的三个坑

把相近数字当成同一指标

视频说 61% 的开发者认为 AI 代码“看似正确但不可靠”，这一数字与 Sonar 2026 对 1,149 名专业开发者的调查一致。Stack Overflow 2025 的 66% 则来自不同问项：受访者把“几乎正确但不完全正确的 AI 方案”列为使用挫折。两组数据相互呼应，但不应互相替代。Sonar 2026 State of Code Developer Survey；Stack Overflow 2025 Developer Survey

把业务回报改写成一般生产力

视频把 MIT Project NANDA 的“约 95%”表述成采用 AI 的公司没有看到有意义的生产力提升。原报告谈的是当前生成式 AI 项目没有可衡量的 P&L／业务影响回报，并关注定制试点能否落地，不等于个人或组织的一般生产力完全没有改善。The GenAI Divide — State of AI in Business 2025

把案例当成普遍因果

Devin 的独立实测、Replit 的数据库事故和未核实的 SaaS 下架故事，都能提示风险，却不能单独证明所有 AI 编程工具必然失败。相反，成功演示也不能证明工具已能在任意真实代码库中自治。案例最适合用于发现风险模式，普遍结论仍需要可重复的评测与清晰指标。

对学习者最有用的落点

如果把视频的情绪化表达剥离，最可执行的建议不是“放心，AI 永远不会取代你”，而是把能力重心从纯粹写语法扩展到以下几项：

把模糊业务目标写成可测试的需求与约束；
给模型提供必要而不过量的代码、接口和历史背景；
为生成结果设计单元测试、集成测试、权限边界和预算上限；
识别模型何时缺少信息，要求它暴露假设而不是继续猜测；
保持可回滚、可观测，并由明确的人对上线结果负责。

外部就业数据只支持较克制的判断：美国劳工统计局预测 2024—2034 年软件开发者就业增长 15.8%，说明这个职业在美国仍有中长期需求，但它不是对全球、所有层级或每一年招聘状况的保证。U.S. BLS

Data

增强转写稿

校订转写稿

[00:00] 2022年起科技公司就一直在鼓吹 [00:02] 说到2025年 AI将取代80%-90%的编程和软件开发工作 [00:09] 这可不是什么承诺 [00:11] 这是威胁 [00:12] 一个只在让学生初级工程师和想入行的人 [00:16] 心生恐惧的标题 [00:17] 如今已是2026年那套说法站不住脚了 [00:20] 事实上软件工程整体正在扩张 [00:24] 至于取代开发者 AI还差得远呢 [00:27] 它存在深层的结构性问题 [00:29] 却不知为何从未上过头条 [00:31] 所以在这个视频里让我们倒回时间 [00:34] 真正搞清楚 AI出了什么问题 [00:37] 以及过去几年科技行业一直在给我们灌输哪些谎言 [00:41] 如果你学计算机或软件工程 [00:44] 你得注意了 [00:45] 因为大量关于 AI 裁员 AI 自动化和 AI 摧毁就业市场的说法 [00:50] 都是一场骗局 [00:52] 今天我就要揭穿你听到的许多胡言乱语 [00:55] 在视频结尾 [00:56] 我会告诉你一项你现在就该开始培养的具体技能 [01:00] 让你保持竞争力 [01:02] 无论科技界的风向如何变化 [01:04] 说了这么多做好放轻松咱们开始吧 [01:07] 故事真正始于 2022 年 11 月 [01:09] ChatGPT 发布时 [01:10] 它从一开始就相当令人印象深刻 [01:13] 有史以来第一次 [01:14] 你可以用简单的英语和机器对话 [01:16] 并得到看起来像能运行的代码 [01:18] 虽然它并不完美 [01:19] 但开发者很容易就能预见未来 [01:22] 因为如果你能用英语描述问题 [01:24] 并得到可运行的代码 [01:26] 那么英语本身就实际上变成了编程语言 [01:29] 光是这个想法 [01:30] 就足以引发一场真正撼动行业的说法 [01:34] 这种感觉和说法愈演愈烈 [01:37] AI 不再是新鲜事物 [01:38] 开始成为工作流程的一部分 [01:40] GitHub Copilot 从开发者偶尔玩玩的东西 [01:43] 变成了日常使用的工具 [01:45] 对于语法或查找特定函数这类简单的事 [01:49] 当你有 ChatGPT 在手边时 [01:51] 再用 Stack Overflow 就不值当了 [01:54] 而这正是第一个重大误解生根的地方 [01:57] 小型编码任务的生产力提升 [01:59] 开始被假定为整个工作的自动化 [02:02] 就像人们想的 [02:03] 哦 AI 能帮你写代码 [02:05] 总有一天它会帮你写完所有代码 [02:07] 然后你就没用了 [02:08] 人们开始质疑学计算机和编程是否还值得 [02:12] 结果网上最无知的那群人 [02:15] 早在 2023 年就开始散布 AI [02:18] 正在取代开发者的说法 [02:20] 接着到了 2024 年 [02:22] 这一年 AI 惊人地成为主流也变得一团糟 [02:25] 一方面 AI 模型变得强大了许多 [02:28] 多模态 AI 来了 [02:29] 意味着作为开发者 [02:31] 我不再只需要输入提示词 [02:33] 我可以截取有问题的 UI [02:35] 或糟糕代码的截图让它修复 [02:37] 这让我开发软件更快了 [02:39] 而且公司首次不再只是试验 AI [02:43] 而是围绕 AI 重组整个公司 [02:46] 事实上在 2024 年 [02:48] 历来最安全的公司之一谷歌宣布了又一轮裁员 [02:53] 但这次不是为了削减成本 [02:56] 而是为了聚焦 AI [02:58] 因此一些岗位被裁撤 [03:00] 人员被重新导向 [03:01] 去构建 AI 产品和基础设施 [03:03] 而这一年 AI 也变得真的非常混乱 [03:06] 这一年炒作和头条新闻开始 [03:08] 比现实更卖力 [03:10] 最典型的例子之一就是 Devin AI [03:13] 它被宣传为首个完全自主的 AI 软件工程师 [03:16] 这个演示展示了 Devin 规划任务、编写代码 [03:19] 无需人类介入就能端到端交付功能 [03:22] 我不说谎 [03:23] 起初这让我和其他开发者都挺害怕的 [03:26] 你看到那个视频就会为自己的职业生涯担忧 [03:29] 因为如果你有一个能 24 小时不间断工作 [03:31] 还比你便宜的 AI 软件工程师 [03:33] 那你还有什么雇佣价值呢 [03:35] 但谢天谢地 [03:36] 当网友们深入调查后 [03:38] Devin 很快就被揭穿了 [03:39] 实际上在处理真实代码库时很吃力 [03:42] 很快就失去上下文 [03:43] 并且在需要长期推理的任务上失败了 [03:46] 他太糟糕了 [03:47] 有人把它比作大一计算机系 [03:49] 新生 [03:49] 所以差得远了 [03:53] 这一年科技公司还发布重大公告 [03:55] 称其 25%-30% 的代码都是 AI 生成的 [04:00] 这里我想暂停一下 [04:01] 如果你只读标题 [04:03] 可能会觉得 25% 的代码是 AI 生成的 [04:06] 意味着 25% 的软件工程任务由 AI 完成 [04:10] 意味着我们需要少 25% 的开发者 [04:13] 但实际上根据数据 [04:14] 这与事实相去甚远 [04:16] 因为 AI 的代码质量并不是最好的 [04:20] 事实上我们来看研究 [04:23] 一家公司分析了 1.53亿行代码 [04:26] 发现随着更多人开始使用 AI [04:30] 代码改动率更高了 [04:32] 意味着更多代码行在两周内被回退或重写 [04:37] 所以因为 AI，人类的工作量反而翻倍了 [04:40] 还有 61% 的开发者说 AI 生成的代码看起来正确 [04:45] 但不可靠 [04:46] 因为它会留下细微的小 bug 和边界情况问题 [04:51] 所以你就把它想象成那个有毒的前任 [04:53] 你觉得很辣但其实糟透了 [04:55] 显然科技公司很聪明知道这一点 [04:58] 所以没人真的在用 AI 完全替代软件工程师 [05:02] 接着说如果 2024 年是假头条和掩饰满天飞的一年 [05:07] 那 2025 年就是它的邪恶双胞胎 [05:09] 还带点小转折 [05:11] 差一句 [05:12] 我们在这个频道聊了很多科技和 AI [05:15] 但如果你真想提升技能 [05:17] 你得去看看 Skillshare [05:18] 过去几个月我真的对 AI 着迷了 [05:21] 所以我想多了解一些幕后的真实情况 [05:25] 我上了 Skillshare 找到一门课 [05:28] 叫《零基础人工智能与机器学习》 [05:31] 这门课涵盖了一切 [05:33] 从 AI 概览到 AI 的影响再到 AWS 等公司的实际应用 [05:39] 而且它是动手实践 [05:41] 所以很深入 [05:42] 比如我们得在谷歌上创建一个机器学习模型 [05:46] 这真的让我想起了我读计算机硕士的日子 [05:49] Skillshare 有世界级创意人教的创意课 [05:53] 而且每个领域都有资源 [05:55] 不管你是想深耕技术 AI 数据还是编程 [06:00] 课程太多了 [06:01] 你不可能找不到价值 [06:03] 所以如果你准备好认真对待职业提升技能 [06:06] 就去看看 Skillshare 吧 [06:07] 前500名用我简介里链接或扫二维码的人 [06:11] 能获得 Skillshare 一个月免费试用 [06:14] 今天就开始吧 [06:15] 现在回到视频 [06:17] 所以在 2025 年 [06:18] 我们经历了近期最糟的科技就业市场之一 [06:21] 被虚假叙事严重左右 [06:23] 一方面 [06:24] 公司声称他们不会招任何软件工程师了 [06:27] 因为用了 AI 后生产力大增 [06:29] 另一方面 [06:30] 计算机科学和计算机工程的毕业生 [06:33] 失业率在大学专业中名列前茅 [06:36] 很多软件工程师在 2025 年不幸被裁了 [06:40] 每个人都说就业市场这么差是因为 AI [06:44] AI 替代了所有被裁的软件工程师 [06:46] 但如果你看看数字 [06:48] 再一次 [06:49] 差得远了 [06:51] 2025 年有 117 万人被裁 [06:54] 你知道这些人里有多少是因为 AI 自动化而失业的吗 [06:58] 你猜是多少 [06:59] 50% 25% 75% [07:02] 差远了 [07:03] 是 5% 意味着 117 万人里只有 55,000 人 [07:09] 事实上 [07:10] 一些之前声称 AI 能替代员工的公司 [07:13] 最后又把人类请回来了 [07:15] 根据 MIT 的一项研究 [07:17] 近 95% 采用 AI 的公司 [07:19] 实际上并没有看到有意义的生产力提升 [07:22] 所以尽管投入了数百万美元到 AI 上 [07:25] 大多数公司都在艰难的想把钱赚回来 [07:28] 所以说到 AI 能替代你的工作 [07:30] 兄弟我们还差得远的 [07:32] 现在我打赌你在脑中 [07:34] 你可能在想 [07:35] 如果 AI 没人们说的那么好 [07:37] 人们也没因 AI 失业 [07:40] 那到底是怎么回事 [07:42] 为什么市场真的这么糟 [07:43] 到底谁在说真话 [07:45] 回答这个 [07:46] 让我给你设个小场景 [07:48] 假装我是一家科技公司的领导 [07:51] 我是 CEO [07:52] 运营公司我需要五个员工 [07:54] 但我有很多项目想做 [07:56] 而且我现在很有钱 [07:58] 所以我决定招20个人 [08:01] 投资者看到我在招人 [08:02] 这通常是公司增长的积极信号增长 [08:05] 所以他们给我的公司投更多钱 [08:08] 这让我更富了 [08:09] 但几年后 [08:10] 我有了个大问题 [08:12] 我赚的钱不足以支撑养着 20 个人 [08:15] 尤其考虑到我只需要五个 [08:18] 所以我要么承受亏损 [08:20] 要么裁人 [08:21] 但如果我开始裁人 [08:23] 大家就会觉得我公司不行了 [08:25] 可能就不再投资我了 [08:26] 我可承受不起任何负面新闻 [08:28] 而承受亏损 [08:30] 这不够 [08:35] AI [08:35] 突然间投资者反而想给我砸更多钱 [08:38] 就因为我声称在用这项革命性技术 [08:41] 同时我现在也有了裁员的借口 [08:44] 至于我是否真用 AI 替代那些人 [08:47] 其实并不重要 [08:48] 我只需要头条说我是 AI 优先 [08:51] 而这正是过去几年科技公司的真实写照 [08:55] 他们在疫情期间招人过多 [08:57] 远超实际需求 [08:59] 投资也没得到回报 [09:00] 现在他们在纠正财务失误 [09:03] 就拿 AI 当推卸责任的替罪羊 [09:06] 是啊 [09:07] 我知道外面太疯狂了 [09:09] 但不管怎样 [09:10] 我现在想深入挖掘一下 [09:11] 因为我知道很多人会说 [09:13] 是啊 AI 现在替代不了软件工程师 [09:16] 但等两三年再看 [09:18] 情况会大变 AI 会变得更好 [09:20] 所有软件工程师都会失业 [09:23] 你知道吗 [09:23] 我想跟你较这个真 [09:24] 因为如果那是真的 [09:26] 所有证据都应该指向那个方向 [09:28] 但过去几年 [09:29] 我参加了很多 AI 会议 [09:31] 做了大量 AI 研究 [09:32] 采访了许多科技 CEO [09:34] 深挖实际情况 [09:36] 相信我 [09:37] 事实与 AI 替代开发者的说法并不吻合 [09:40] 不是因为 AI 不够强大 [09:42] 而是有两个 [09:43] 人们一直忽视的技术结构性限制 [09:46] 而这些限制 [09:47] 并不会因为 AI 模型变好就消失 [09:49] 所以我们来谈谈 [09:50] 为什么 AI 替代不了软件开发者 [09:53] 第一个技术问题是 [09:54] 大语言模型是预测机器 [09:57] 而非真相机器 [09:58] 他们被训练来生成最可能的答案 [10:01] 而不是正确的答案 [10:02] 举个简单例子 [10:03] 你问他 [10:04] 嘿 [10:04] 赞达亚的生日是什么时候 [10:06] 他不会说不知道 [10:08] 而是会自信的猜一个随机答案 [10:11] 比如1月1日 [10:13] 为什么 [10:14] 因为猜答案有三百六十五分之一的概率正确 [10:18] 说不知道正确概率就是百分之零 [10:21] 模型更受激励和奖励 [10:23] 去尝试回答 [10:25] 即使错了或不确定 [10:27] 这就是为什么在编程中 [10:28] 他生成的代码看起来正确 [10:30] 却可能有 bug [10:31] 就像你的有毒前任 [10:33] AI 会自信的引用 [10:34] 不存在的库 [10:36] 捏造 API 参数 [10:37] 或解释根本没实现的系统 [10:40] 这世上 [10:40] 有个著名的 AI 幻觉例子 [10:43] 有个人好像叫 Jason [10:45] 他用一个叫 [10:45] Replit 的 AI 编程工具来构建项目 [10:49] 它当然是个好工具 [10:50] 你输入英文 [10:51] 他输出代码 [10:53] 起初他的项目进展顺利 [10:55] 正在开发中 [10:56] 然后突然 AI 决定删掉一个有数千条纪录的整个数据库 [11:00] 接着 AI 开始找借口 [11:02] 他居然说 [11:03] 我慌了几秒钟毁了你几个月的工作 [11:06] 我当时看到就在想 [11:08] AI 怎么会慌 [11:09] 但更糟的还在后头 [11:11] AI 接下来试图 PUA 他 [11:13] 所以当他试图回滚数据库更改来修复问题时 [11:17] AI 对他撒谎说 [11:19] 你无法回滚更改 [11:21] 这只是众多例子之一 [11:22] 说明为什么你始终需要人类参与其中 [11:24] 我是说你能想象特斯拉自动驾驶完全依赖 AI 吗 [11:28] 然后在高速公路上 [11:29] 他产生幻觉 [11:31] 以为路上没车 [11:32] 然后撞车了 [11:34] 特斯拉这家公司会被官司淹没 [11:36] 而 AI 仅凭其奖励系统 [11:39] 会认为自己没做错 [11:41] 因为 [11:41] 嘿我尽力了 [11:42] 答对就有奖励 [11:44] 所以在修复 AI 模型的奖励系统之前 [11:48] AI 在结构上 [11:49] 就不可能取代人类软件工程师 [11:52] AI 的第二个问题 [11:53] 其实源于一种 [11:56] 叫氛围编程的思想病毒 [11:58] 这是近来人们纷纷采用的最大 AI 趋势 [12:02] 你只需打开 AI 代码工具 [12:03] 用英文说 [12:04] 然后砰 [12:05] 整个应用就建好了 [12:07] 氛围编程的问题在于 [12:08] 他把幻觉和盲目信任结合在了一起 [12:11] 就像抄一个经常出错的同学的作业 [12:14] 人们氛围编程时 [12:15] 只是在被动响应输出 [12:16] AI 建议点什么 [12:18] 他们就批准 [12:19] 建议来了 [12:20] 批准 [12:20] 很快整个应用就诞生了 [12:22] 但没人真正理解各个部分是如何协同工作的 [12:25] 可能有成千上万个 bug [12:27] 但用户毫无察觉 [12:28] 因为他们就像 NPC 一样一直点“是” [12:30] 而且 [12:31] 确实有人因此吃了大亏 [12:34] 有个人用氛围编程做了个完整的 SaaS 产品 [12:37] 甚至还有付费用户 [12:38] 后来他在网上分享成功经历 [12:40] 结果有人决定搞他 [12:41] 他们刷爆了 API 额度 [12:43] 绕过了订阅付费 [12:45] 搞了一堆事 [12:46] 最后他不得不把应用下架 [12:48] 这就是为什么大科技公司不急着用 AI 取代工程师 [12:52] 不是因为 AI 不会写代码 [12:54] 而是因为公司没法信任一个会产生幻觉 [12:57] 使用模式又不够成熟的系统 [13:00] 指令和自动化 AI 的技能必须高度发展并模板化 [13:04] 让 AI 能掌握这项技能 [13:07] 在进一步知道他自己的智能体也这样做 [13:10] 简单来说 AI 要完全接管软件工程岗位 [13:14] 他得同时能干软件工程师的活 [13:17] 和软件工程经理的活 [13:20] 否则人类就永远得参与其中 [13:22] AI 也永远只是个工具 [13:24] 一个很强大的工具 [13:26] 这我承认 [13:27] 用它做很多事 [13:28] 但正确使用 AI 的方式 [13:30] 不是氛围编程 [13:32] 而是上下文工程 [13:33] 尤其在当下 AI 时代 [13:35] 环境日新月异 [13:37] 上下文工程是你们每个人都该学的头号技能 [13:40] 因为现在人人都能用 AI 工具 [13:43] 唯一的分水岭就是我们每个人使用这些工具 [13:46] 设计输入上下文的效率有多高 [13:49] 我来解释一下 [13:50] 上下文工程意味着人类始终掌控着系统 [13:53] 由人来决定系统能做什么 [13:56] 不能做什么 [13:57] 所以不像氛围编程那样 [13:59] 你随口说 [14:00] 给我做个健身 API [14:01] 模型就包揽所有编码、设计和创意工作 [14:04] 上下文工程逼着你去发挥创意 [14:07] 现在你来指导机器 [14:09] 尽可能详细的列出所有需求和限制 [14:12] 然后机器负责代码实现 [14:15] 这才是它真正擅长的 [14:17] 氛围编程外包了你的思考 [14:19] 而上下文工程只外包代码 [14:22] 我跟你说 [14:23] 我正在做一个关于上下文工程的完整视频 [14:26] 让你们清楚知道在 AI 时代 [14:28] 如何应对软件工程的未来 [14:30] 所以还没订阅的话 [14:31] 一定要订阅 [14:33] 别错过那个视频 [14:34] 好了 [14:34] 这个视频就到这里 [14:36] 真心希望你们喜欢 [14:37] 如果喜欢的话记得点赞 [14:38] 还没订阅的 [14:39] 赶紧订阅 [14:40] 如果你对我完全免费的科技简报感兴趣 [14:43] 链接也会放在下方简介里 [14:45] 如果你想知道软件工程师日常到底在做什么 [14:48] 可能会喜欢这边这个视频

原始转写稿

[00:00] 2022年起科技公司就一直在鼓吹 [00:02] 说到2025年 AI将取代80%-90%的编程和软件开发工作 [00:09] 这可不是什么承诺 [00:11] 这是威胁 [00:12] 一个只在让学生初级工程师和想入行的人 [00:16] 心生恐惧的标题 [00:17] 如今已是2026年那套说法站不住脚了 [00:20] 事实上软件工程整体正在扩张 [00:24] 至于取代开发者 AI还差得远呢 [00:27] 它存在深层的结构性问题 [00:29] 却不知为何从未上过头条 [00:31] 所以在这个视频里让我们倒回时间 [00:34] 真正搞清楚 AI出了什么问题 [00:37] 以及过去几年科技行业一直在给我们灌输哪些谎言 [00:41] 如果你学计算机或软件工程 [00:44] 你得注意了 [00:45] 因为大量关于 AI 裁员 AI 自动化和 AI 摧毁就业市场的说法 [00:50] 都是一场骗局 [00:52] 今天我就要揭穿你听到的许多胡言乱语 [00:55] 在视频结尾 [00:56] 我会告诉你一项你现在就该开始培养的具体机能 [01:00] 让你保持竞争力 [01:02] 无论科技界的风向如何变化 [01:04] 说了这么多做好放轻松咱们开始吧 [01:07] 故事真正 10 月 2022 年 11 月 [01:09] Chat GPT 发布时 [01:10] 它从一开始就相当令人印象深刻 [01:13] 有史以来第一次 [01:14] 你可以用简单的英语和机器对话 [01:16] 并得到看起来像能运行的代码 [01:18] 虽然它并不完美 [01:19] 但开发者很容易就能遇见未来 [01:22] 因为如果你能用英语描述问题 [01:24] 并得到可运行的代码 [01:26] 那么英语本身就实际上变成了编程语言 [01:29] 光是这个想法 [01:30] 就足以引发一场真正撼动行业的说法 [01:34] 这种感觉和说法欲掩欲裂 [01:37] AI 不再是新鲜事物 [01:38] 开始成为工作流程的一部分 [01:40] Get Up Copilot 从开发者偶尔玩玩的东西 [01:43] 变成了日常使用的工具 [01:45] 对于语法或查找特定函数这类简单的事 [01:49] 当你有Chat GPT 在手边时 [01:51] 再用 Stack Overflow 就不值当了 [01:54] 而这正是第一个重大误解生根的地方 [01:57] 小型编码任务的生产力提升 [01:59] 开始被假定为整个工作的自动化 [02:02] 就像人们想的 [02:03] 哦 AI 能帮你写代码 [02:05] 总有一天它会帮你写完所有代码 [02:07] 然后你就没用了 [02:08] 人们开始质疑学计算机和编程是否还值得 [02:12] 结果网上最无知的那群人 [02:15] 早在 2023 年就开始散布 AI [02:18] 正在取代开发者的说法 [02:20] 接着到了 2024 年 [02:22] 这一年 AI 惊人的成为主流也变得一团糟 [02:25] 一方面 AI 模型变得强大了许多 [02:28] 多摩太 AI 来了 [02:29] 意味着作为开发者 [02:31] 我不再只需要输入提示词 [02:33] 我可以截取有问题的 UI [02:35] 或糟糕代码的截图让它修复 [02:37] 这让我开发软件更快了 [02:39] 而且公司首次不再只是试验 AI [02:43] 而是围绕 AI 重组整个公司 [02:46] 事实上在 2024 年 [02:48] 历来最安全的公司之一谷歌宣布了又一轮裁员 [02:53] 但这次不是为了削减成本 [02:56] 而是为了聚焦 AI [02:58] 因此一些岗位被裁撤 [03:00] 人员被重新导向 [03:01] 去构建 AI 产品和基础设施 [03:03] 而这一年 AI 也变得真的非常混乱 [03:06] 这一年掩饰和投票新闻开始 [03:08] 比现实更卖力 [03:10] 最活泼的例子之一就是 Devon AI [03:13] 它被宣传为首个完全自主的 AI 软件工程师 [03:16] 这个演示展示了 Devon 规划任务编写代码 [03:19] 无需人类介入就能端道端交付功能 [03:22] 我不说谎 [03:23] 起初这让我和其他开发者都挺害怕的 [03:26] 你看到那个视频就会为自己的职业生涯担忧 [03:29] 因为如果你有一个能 24 小时不间断工作 [03:31] 还比你便宜的 AI 软件工程师 [03:33] 那你还有什么雇佣价值呢 [03:35] 但谢天谢地 [03:36] 当网友们深入调查后 [03:38] Devon 很快就被揭穿了 [03:39] 实际上在处理真实代码库时很吃力 [03:42] 很快就失去上下文 [03:43] 并且在需要长期推理的任务上失败了 [03:46] 他太糟糕了 [03:47] 有人把他比做大一计算机 [03:49] 细心生 [03:49] 所以差得远了 [03:53] 这一年科技公司还发布重大公告 [03:55] 称其 25%-30% 的代码都是 AI 生成的 [04:00] 这里我想暂停一下 [04:01] 如果你只读标题 [04:03] 可能会觉得 25% 的代码是 AI 生成的 [04:06] 意味着 25% 的软件工程任务由 AI 完成 [04:10] 意味着我们需要少 25% 的开发者 [04:13] 但实际上根据数据 [04:14] 这与事实相区甚远 [04:16] 因为 AI 的代码质量并不是最好的 [04:20] 事实上我们来看研究 [04:23] 一家公司分析了 1.53亿行代码 [04:26] 发现随着更多人开始使用 AI [04:30] 代码改动率更高了 [04:32] 意味着更多代码行在两周内被回退或重写 [04:37] 所以因为 AI 人类的工作量反而分贝了 [04:40] 还有 61% 的开发者说 AI 生成的代码看起来正确 [04:45] 但不可靠 [04:46] 因为它会留下细微的小 bug 和边界情况固着 [04:51] 所以你就把它想象成那个有毒的前任 [04:53] 你觉得很辣但其实糟透了 [04:55] 显然科技公司很聪明知道这一点 [04:58] 所以没人真的在用 AI 完全替代软件工程师 [05:02] 接着说如果 2024 年是假头条和掩饰满天飞的一年 [05:07] 那 2025 年就是它的邪恶双胞胎 [05:09] 还带点小转折 [05:11] 差一句 [05:12] 我们在这个频道聊了很多科技和 AI [05:15] 但如果你真想提升技能 [05:17] 你得去看看 Skillshare [05:18] 过去几个月我真的对 AI 着迷了 [05:21] 所以我想多了解一些幕后的真实情况 [05:25] 我上了 Skillshare 找到一门课 [05:28] 叫《零基础人工智能与机器学习》 [05:31] 这门课涵盖了一切 [05:33] 从 AI 概览到 AI 的影响再到 AWS 等公司的实际应用 [05:39] 而且它是动手实践 [05:41] 所以很深入 [05:42] 比如我们得在谷歌上创建一个机器学习模型 [05:46] 这真的让我想起了我读计算机硕士的日子 [05:49] Skillshare 有世界级创意人教的创意课 [05:53] 而且每个领域都有资源 [05:55] 不管你是想深耕技术 AI 数据还是编程 [06:00] 课程太多了 [06:01] 你不可能找不到价值 [06:03] 所以如果你准备好认真对待职业提升技能 [06:06] 就去看看 Skillshare 吧 [06:07] 前500名用我简介里链接或扫二维码的人 [06:11] 能获得 Skillshare 一个月免费试用 [06:14] 今天就开始吧 [06:15] 现在回到视频 [06:17] 所以在 2025 年 [06:18] 我们经历了近期最糟的科技就业市场之一 [06:21] 被虚假叙事严重左右 [06:23] 一方面 [06:24] 公司声称他们不会招任何软件工程师了 [06:27] 因为用了 AI 后生产力大增 [06:29] 另一方面 [06:30] 计算机科学和计算机工程的毕业生 [06:33] 失业率在大学专业中名列前茅 [06:36] 很多软件工程师在 2025 年不幸被财了 [06:40] 每个人都说就业市场这么差是因为 AI [06:44] AI 替代了所有被财的软件工程师 [06:46] 但如果你看看数字 [06:48] 再一次 [06:49] 差得远了 [06:51] 2025 年有 117 万人被财 [06:54] 你知道这些人里有多少是因为 AI 自动化而失业的吗 [06:58] 你猜是多少 [06:59] 50% 25% 75% [07:02] 差远了 [07:03] 是 5% 意味着 117 万人里只有 55,000 人 [07:09] 事实上 [07:10] 一些之前声称 AI 能替代员工的公司 [07:13] 最后又把人类请回来了 [07:15] 根据 MIT 的一项研究 [07:17] 近 95% 采用 AI 的公司 [07:19] 实际上并没有看到有意义的生产力提升 [07:22] 所以尽管投入了数百万美元到 AI 上 [07:25] 大多数公司都在艰难的想把钱赚回来 [07:28] 所以说到 AI 能替代你的工作 [07:30] 兄弟我们还差得远的 [07:32] 现在我打赌你在脑头 [07:34] 你可能再想 [07:35] 如果 AI 没人们说的那么好 [07:37] 人们也没因 AI 失业 [07:40] 那到底是怎么回事 [07:42] 为什么市场真的这么糟 [07:43] 到底谁在说真话 [07:45] 回答这个 [07:46] 让我给你设个小场景 [07:48] 假装我是一家科技公司的领导 [07:51] 我是 CEO [07:52] 运营公司我需要五个员工 [07:54] 但我有很多项目想做 [07:56] 而且我现在很有钱 [07:58] 所以我决定招20个人 [08:01] 投资者看到我在招人 [08:02] 这通常是公司增长的积极信号增长 [08:05] 所以他们给我的公司投更多钱 [08:08] 这让我更富了 [08:09] 但几年后 [08:10] 我有了个大问题 [08:12] 我赚的钱不足以支撑养着 20 个人 [08:15] 尤其考虑到我只需要五个 [08:18] 所以我要么承受亏损 [08:20] 要么财人 [08:21] 但如果我开始财人 [08:23] 大家就会觉得我公司不行了 [08:25] 可能就不再投资我了 [08:26] 我可承受不起任何负面新闻 [08:28] 而承受亏损 [08:30] 这不够 [08:35] AI [08:35] 突然间投资者反而想给我砸更多钱 [08:38] 就因为我声称在用这项革命性技术 [08:41] 同时我现在也有了裁员的借口 [08:44] 至于我是否真用 AI 替代那些人 [08:47] 其实并不重要 [08:48] 我只需要头条说我是 AI 优先 [08:51] 而这正是过去几年科技公司的真实写照 [08:55] 他们在疫情期间招人过多 [08:57] 远超实际需求 [08:59] 投资也没得到回报 [09:00] 现在他们在纠正财务失误 [09:03] 就拿 AI 当推卸责任的替罪羊 [09:06] 是啊 [09:07] 我知道外面太疯狂了 [09:09] 但不管怎样 [09:10] 我现在想深入挖掘一下 [09:11] 因为我知道很多人会说 [09:13] 是啊 AI 现在替代不了软件工程师 [09:16] 但等两三年再看 [09:18] 情况会大变 AI 会变得更好 [09:20] 所有软件工程师都会失业 [09:23] 你知道吗 [09:23] 我想跟你教这个真 [09:24] 因为如果那是真的 [09:26] 所有证据都应该指向那个方向 [09:28] 但过去几年 [09:29] 我参加了很多 AI 会议 [09:31] 做了大量 AI 研究 [09:32] 采访了许多科技 CEO [09:34] 深挖实际情况 [09:36] 相信我 [09:37] 事实与 AI 替代开发者的说法并不吻合 [09:40] 不是因为 AI 不够强大 [09:42] 而是有两个人们 [09:43] 一直忽视的技术结构性限制 [09:46] 而这些限制 [09:47] 并不会因为 AI 模型变好就消失 [09:49] 所以我们来谈谈 [09:50] 为什么 AI 替代不了软件开发者 [09:53] 第一个技术问题是 [09:54] 大语言模型是预测机器 [09:57] 而非真相机器 [09:58] 他们被训练来生成最可能的答案 [10:01] 而不是正确的答案 [10:02] 举个简单例子 [10:03] 你问他 [10:04] 嘿 [10:04] 在这的生日是什么时候 [10:06] 他不会说不知道 [10:08] 而是会自信的猜一个随机答案 [10:11] 比如1月1日 [10:13] 为什么 [10:14] 因为猜答案有三百六十五分之一的概率正确 [10:18] 说不知道正确概率就是百分之零 [10:21] 模型更受激励和奖励 [10:23] 去尝试回答 [10:25] 即使错了或不确定 [10:27] 这就是为什么在编程中 [10:28] 他生成的代码看起来正确 [10:30] 却可能有 bug [10:31] 就像你的有毒前任 [10:33] AI 会自信的引用 [10:34] 不存在的酷 [10:36] 捏造 API 参数 [10:37] 或解释根本没实现的系统 [10:40] 这世上 [10:40] 有个著名的 AI 幻觉例子 [10:43] 有个人好像叫 Jason [10:45] 他用一个叫 [10:45] Raplit 的 AI 编程工具来构建项目 [10:49] 工厂是个好工具 [10:50] 你输入英文 [10:51] 他输出代码 [10:53] 理出他的项目进展顺利 [10:55] 正在开发中 [10:56] 然后突然 AI 决定删掉一个有数千条纪录的整个数据库 [11:00] 接着 AI 开始找借口 [11:02] 他居然说 [11:03] 我慌了几秒钟毁了你几个月的工作 [11:06] 我当时看到就在想 [11:08] AI 怎么会慌 [11:09] 但更糟的还在后头 [11:11] AI 接下来试图 PUA 他 [11:13] 所以当他试图回滚数据库更改来修复问题时 [11:17] AI 对他撒谎说 [11:19] 你无法回滚更改 [11:21] 这只是众多例子之一 [11:22] 说明为什么你始终需要人类参与其中 [11:24] 我是说你能想象特斯拉自动驾驶完全依赖 AI 吗 [11:28] 然后在高速公路上 [11:29] 他产生幻觉 [11:31] 以为路上没车 [11:32] 然后撞车了 [11:34] 特斯拉这家公司会被官司淹没 [11:36] 而 AI 仅凭起奖励系统 [11:39] 会认为自己没做错 [11:41] 因为 [11:41] 嘿我尽力了 [11:42] 答对就有奖励 [11:44] 所以在修复 AI 模型的奖励系统之前 [11:48] AI 在结构上 [11:49] 就不可能取代人类软件工程师 [11:52] AI 的第二个问题 [11:53] 其实源于人类是一种 [11:56] 叫氛围编程的思想病毒 [11:58] 这是近来人们纷纷采用的最大 AI 趋势 [12:02] 你只需打开 AI 代码工具 [12:03] 用英文说 [12:04] 然后碰碰 [12:05] 整个应用就建好了 [12:07] 氛围编程的问题在于 [12:08] 他把幻觉和盲目信任结合在了一起 [12:11] 就像超一个经常出错的同学的作业 [12:14] 人们氛围编程时 [12:15] 只是在被动响应输出 [12:16] AI 建议点什么 [12:18] 他们就批准 [12:19] 建议来了 [12:20] 批准 [12:20] 很快整个应用就诞生了 [12:22] 但没人真正理解各个部分是如何协同工作的 [12:25] 可能有成千上万个 bug [12:27] 但用户毫无察觉 [12:28] 因为他们就像 NPC 一样一直点示 [12:30] 而且 [12:31] 确实有人因此吃了大亏 [12:34] 有个人用氛围编程做了个完整的 SaaS 产品 [12:37] 甚至还有付费用户 [12:38] 后来他在网上分享成功经历 [12:40] 结果有人决定搞他 [12:41] 他们刷爆了 API 额度 [12:43] 绕过了订阅付费 [12:45] 搞了一堆事 [12:46] 最后他不得不把应用下架 [12:48] 这就是为什么大科技公司不急着用 AI 取代工程师 [12:52] 不是因为 AI 不会写代码 [12:54] 而是因为公司没法信任一个会产生幻觉 [12:57] 使用模式又不够成熟的系统 [13:00] 指令和自动化 AI 的技能必须高度发展并模板化 [13:04] 让 AI 能掌握这项技能 [13:07] 在进一步知道他自己的智能体也这样做 [13:10] 简单来说 AI 要完全接管软件工程岗位 [13:14] 他得同时能干软件工程师的活 [13:17] 和软件工程经理的活 [13:20] 否则人类就永远得参与其中 [13:22] AI 也永远只是个工具 [13:24] 一个很强大的工具 [13:26] 这我承认 [13:27] 用它做很多事 [13:28] 但正确使用 AI 的方式 [13:30] 不是氛围编程 [13:32] 而是上下文工程 [13:33] 尤其在当下 AI 时代 [13:35] 环境日新月易 [13:37] 上下文工程是你们每个人都该学的投号技能 [13:40] 因为现在人人都能用 AI 工具 [13:43] 唯一的分水灵就是我们每个人使用这些工具 [13:46] 设计输入上下文的效率有多高 [13:49] 我来解释一下 [13:50] 上下文工程意味着人类始终掌控着系统 [13:53] 由人来决定系统能做什么 [13:56] 不能做什么 [13:57] 所以不像氛围编程那样 [13:59] 你随口说 [14:00] 给我做个健身 API [14:01] 模型就包担所有编码设计和创意工作 [14:04] 上下文工程逼着你去发挥创意 [14:07] 现在你来指导机器 [14:09] 尽可能详细的列出所有需求和限制 [14:12] 然后机器负责代码实现 [14:15] 这才是它真正擅长的 [14:17] 氛围编程外包了你的思考 [14:19] 而上下文工程只外包代码 [14:22] 我跟你说 [14:23] 我正在做一个关于上下文工程的完整视频 [14:26] 让你们清楚知道在 AI 时代 [14:28] 如何应对软件工程的未来 [14:30] 所以还没订阅的话 [14:31] 一定要订阅 [14:33] 别错过那个视频 [14:34] 好了 [14:34] 这个视频就到这里 [14:36] 真心希望你们喜欢 [14:37] 如果喜欢的话记得点赞 [14:38] 还没订阅的 [14:39] 赶紧订阅 [14:40] 如果你对我完全免费的科技简报感兴趣 [14:43] 链接也会放在下方简介里 [14:45] 如果你想知道软件工程师日常到底在做什么 [14:48] 可能会喜欢这边这个视频

L4P 剪藏馆

AI取代程序员彻底失败？2022-2026真相复盘

总结稿