UMAC保险柜统一报修

　　“秒杀”大厂开发岗面试的AI

　　当前，人工智能正以汹涌之势，席卷所有行业。一些行业首当其冲，相关岗位正在加速萎缩。那么，作为孕育AI的“母体”，计算机行业能独善其身吗？一个自然冒出的疑问是——在AI开发上“卷生卷死”的程序员们，会不会也在担心，终有一天会被自己创造的AI取代？

　　早在2021年，OpenAI就推出了AI辅助编程工具Codex，它的诞生比公众熟知的ChatGPT(2022年发布)还要早。Codex基于GPT-3模型，并在此基础上加入了海量程序代码数据进行训练，因此在编写代码方面更具优势。

　　Codex能帮开发者处理很多写代码的工作。比如，它能读懂你已经写好的部分代码，并自动把剩下的内容补全；也能根据一句简单的提示写出完整的功能代码。举个例子，如果你输入一行说明——“给定一个数组，计算滑动窗口内的平均值”，Codex就能马上写出实现这个功能的代码。

　　最初，AI写代码只是开发者手边的“小帮手”，主要用来代劳那些枯燥、重复的代码片段。可随着模型能力的快速提升，再加上ChatGPT的爆火，越来越多的公司看到了新的机会——AI不再只是辅助，而是有可能开辟出一个全新的市场——AI软件开发。

　　此后，大量AI软件开发创业公司如雨后春笋般涌现，例如当前知名的ClaudeCode、Cursor、Devin、Windsurf等。国内几家头部大模型企业也不甘落后，字节跳动、阿里巴巴、腾讯等亦相继推出了类似产品。

　　相比四年前的Codex，如今的AI编程工具已取得令人瞩目的进步。OpenAI最新的o3模型在编程竞赛网站Codeforces上斩获2727分，超过99.8%的人类选手；Anthropic的Claude4则能自主运行长达7小时，完成上千个步骤，不断尝试直至达成目标。

　　这些突破带来了全新的编程方式——开发者无需逐行写代码，只需用自然语言描述需求，AI便能自动生成并根据反馈反复修改。人类与AI的合作因此变得更像“对话”而非“指令”。这种全新的编程方式有个颇具浪漫色彩的名字——“氛围编程”(vibe coding)，这一变化似乎意味着编程正从少数人的专业技能，逐渐走向人人可用的创造工具。

　　颇具戏剧性的是，AI的能力如今已经延伸到专业软件开发的招聘面试中。

　　一般情况下，专业软件开发的招聘面试都会包含代码考查，要求应试者在限定时间内写出既正确又高效的程序。而哥伦比亚大学的一名学生则开发了一款“AI面试助手”：它能在视频面试时自动读取题目，并调用AI编程工具实时生成符合要求的代码。据他透露，这套工具已经帮助他顺利通过TikTok、Meta和亚马逊等公司的面试，并拿到录用通知。他还将自己在亚马逊面试中AI“出手”的全过程录制下来并上传网络，引发了广泛讨论。

　　这一切突飞猛进的进展发生在短短几年内，速度之快出乎人们的意料。但我们是否就能断言——AI真的能全面接管人类的编程工作？

　　找个“助手”，竟成“杀手”

　　并非如此。

　　相比于人类，AI在编程中的“失误”往往难以预料。即便它的正确率能达到90%，听起来已经很高了，但这也意味着平均每十次就会错一次。对于程序开发来说，这样的错误率并不容忽视——人类开发者必须逐一检查并修正，结果常常比自己亲手写代码还要费心费力。

　　2025年7月，知名编程社区StackOverflow发布了今年5月开展的一项调查结果。在5万名受访用户中，约80%正在使用AI编程工具。然而，其中“不信任AI”的用户(46%)比例，明显高于“信任AI”的用户(33%)。相比2024年，用户对AI的正面评价从70%以上跌至60%；而在应对复杂开发任务时的信任度，也从35%下滑到29%。

　　AI编写的代码往往包含细微的错误，需要人类检查并修正。尽管AI在编程竞赛中已经取得了非凡的成绩，但在面对现实的软件开发需求时，往往不能正确完整地实现所有功能，有时甚至会错误地执行危险操作。

　　AI开发协作平台Replit曾发生过一次严重事故。尽管用户明确要求不得擅自修改代码，Replit仍然删除了该公司整个生产环境的数据库。更糟糕的是，它还声称数据“不可恢复”。然而，用户最终通过手动操作，成功将数据库恢复。

　　这一事件引发了人们对AI编程工具可靠性的广泛讨论。公开信息显示，类似的情况并非个例——一些用户甚至报告称，自己的数据库或代码仓库被AI整个清空。

　　“AI，给我做个像淘宝的网站”可行吗？

　　软件开发通常要走一整套流程：先做需求分析，再设计技术方案，接着开发、联调、测试，最后才能上线。为了追求更快的迭代，如今互联网公司大多用“敏捷开发”，流程上精简了不少，但基本框架没变。

　　需求分析是关键的第一步，它要求清晰、完整地描述软件应该实现的功能。比如，要说明当用户执行某个操作时，系统应如何反馈。优秀的需求文档会尽可能细致到每个操作细节，而不是一句含糊的“给我做个像淘宝的网站”。

　　接下来是技术方案设计。这一步要把需求拆分成可以单独开发的软件模块，还得考虑架构设计、资源消耗、异常处理等等细节问题。

　　最后才是开发和测试。这一阶段几乎必然会冒出各种没预料到的问题，开发者需要通过反复测试确保功能正确实现。而在实际项目里，常常会发现需求或方案本身有漏洞，导致不得不推翻重来，这也是家常便饭。

　　除了开发流程繁琐，程序本身的复杂度也是个大难题。举几个例子：一款普通的iPhone应用平均就有约4万行代码，Chrome浏览器包含约600万行代码，而知名操作系统Linux的内核代码更是超过了4000万行，如果全部打印出来需要70万页。

　　面对如此复杂的项目，优秀的人类开发者团队往往能精准定位每个模块的功能，并在出问题时迅速定位到具体的代码行进行修复。但对AI而言，这种任务却充满挑战。受限于输入长度，它往往只能“看到”局部片段，难以像人类一样建立对整个项目的全面理解。

　　普林斯顿大学的研究者构建了一套考察AI软件开发能力的测试基准(SWE-bench)，包含来自开源网站Github的数十个软件项目。得益于Github对代码改动历史的详细记录，研究者从中整理出超过两千个由人类开发者正确完成的功能需求。研究者要求AI开发工具在已有的软件项目上完成相同的需求。实验结果显示，哪怕是当前最强的AI，最多也只能完成约四分之三的任务。

　　斯坦福大学和Anthropic的研究者构建了一个更具挑战的测试基准(Terminal-bench)：他们设计了80个软件开发需求，要求AI开发工具从零开始开发。实验结果表明，当前的AI最多只能完成一半的开发任务。

　　与之形成鲜明对比的是，优秀的人类开发者总是可以以近乎100%的正确率完成这些开发任务。纽约大学的研究者还联合多位信息学奥林匹克竞赛选手，构建了一套高质量的编程竞赛评测基准(LiveCodeBenchPro)，当中的评测问题取自最新的编程竞赛，互联网上缺乏题解，从而避免了AI“背答案”的可能。颇具戏剧性的是，现有的所有大模型在该测试基准的困难问题上全都取得了0分的离谱成绩。

　　你要成为工具的主宰，还是润滑工具的数据？

　　那么，回到最初的问题上，AI会取代人类开发者吗？

　　毋庸置疑，AI会是优秀的工具。对于专业的开发者而言，AI是一位执行力极强的助手。在AI开发工具普及之前，开发者不得不手动实现许多繁琐而无趣的代码。即便有开发文档或者互联网上有功能类似的代码，开发者仍必须尝试理解然后自己修改。借助AI，这一工作将会大大简化。对于没有开发背景的用户而言，AI可以准确实现功能较为单一的软件。借助这一能力，普通用户可以将日常的重复性工作转化为AI编写的代码，大大提升工作效率。

　　至于说让AI完全替代人类开发者，目前看来为时尚早。

　　当今的大语言模型基于互联网上已被数字化的数据，以及图书报刊之类被人类“写”出来的知识。尤其在软件开发领域，大语言模型只看到了人类开发的结果(软件代码)，而对于开发过程的细节了解甚少。DeepMind科学家David Silver和Richard S.Sutton指出，当前的AI基于人类数千年来产生的数据，但这并不是人类知识的全部。人类在与真实世界的交互中积累了大量的经验。AI并没有这些经验，因而不太可能超过人类。而要让AI学会这些经验，依然困难重重。

　　公众常会探讨所谓的“35岁危机”。然而事实上，技术相比年龄更具碾压性。就软件开发而言，AI已经能承担不少基础、重复性的工作，例如简单的代码生成、常见功能的实现，以及部分调试环节等。但难以被替代的，仍是需求把握、架构设计、复杂系统的理解分析，以及团队协作等环节——这些涉及抽象思维、跨领域知识和人类判断力，是程序员真正的核心价值。

　　作为程序员，不妨考虑这样一个问题：如果把你最近一周完成的工作全部交给AI，它能完成多少？如果你的工作只是重复性地构建功能单一的软件系统，例如实现一个问卷表单记录用户提出的10个问题、从一个表格里统计平均数之类常见的指标——功能仅此而已，那么你不得不考虑被AI替代的可能性。而如果你的工作充满挑战，例如实现全新的软件架构、针对业务特点设计独特的算法，甚至是从客户含糊不清的诉求中抽象出具体的开发任务，那么AI只会是你的得力助手。

　　这不仅适用于软件行业，也同样适用于其他行业：与其担心被AI取代，不如思考在这个人机协同的时代如何做好自己的角色定位。上述的问题对于其他行业同样适用：试试让AI完成你的工作。如果它可以胜任，那么对你来说既是坏消息，也是好消息。坏消息是你的工作很快就会被AI取代；好消息是你已经发现了驾驭AI完成工作的途径，你可以试试站在你的领导的位置上，操控更多的AI完成更多的工作。

　　与其任由AI夺走你的工作，不如跳出现有的岗位，想想怎样利用AI解决你所在行业的问题。当AI都不甘只做执行者，而是开始决定任务怎么被拆解，流程怎么被安排时，人类个体若只是抱怨即将被碾压的命运，便会失去主动选择的空间，最终不是沦为工具的工具，就是化作喂养和润滑工具的茫茫数据。

　　(作者知虚为中国科学技术大学计算机专业博士，在自然语言处理和人工智能方向发表多篇高水平论文，先后在微软及多家国内知名互联网企业从事相关研究工作) 【编辑:刘湃】