Expertise in the Age of AI：AI 时代的专家价值重构

背景

随着 Coding Agents（代码智能体）和大型语言模型（LLMs）的迅速普及，软件工程的招聘市场正在经历一场深刻的结构性震荡。传统上，初级工程师（Junior Engineers）虽然薪资较低，但往往需要资深工程师投入大量时间进行指导，其产出主要用于“学习曲线”的消化。然而，随着 AI 工具直接最大化资深工程师的生产力，初级工程师的“性价比”受到质疑。

数据显示，当前资深工程师求职容易，而计算机科学（CS）应届毕业生正面临前所未有的就业寒冬。尽管如此，OpenAI、Anthropic 等顶尖科技公司仍在激烈争夺少量优秀的初级人才。这种矛盾现象引发了一个核心问题：在 AI 时代，人类专家的价值究竟在哪里？

核心内容

文章通过类比“计算器”在数学教育中的角色，深入探讨了 AI 对专业技能（Expertise）本质的改变，并分析了当前的就业市场趋势及应对策略。

1. 数学与计算器的类比：信号假说 vs. 技能假说

作者引入数学领域的历史变迁作为类比。半个世纪前，“计算器”（Calculator）曾是一份正式职业，负责进行精确且快速的人工计算，如平衡账目、计算火炮射击角度或优化船体形状。随着科学计算器的发明，这一职业消失殆尽，如今我们拥有能运行全规模物理和工程仿真的数值建模软件。

尽管计算工具已极度发达，但教育体系依然要求学生在高中和大学阶段学习代数、几何、微积分、常微分方程（ODEs）、偏微分方程（PDEs）和线性代数。大多数 STEM 专业毕业生毕业后每天依赖工具，甚至忘记了基础的心算能力。

对于这种“工具普及但基础学科依然必修”的现象，存在两种解释：

• 信号假说（Signaling hypothesis）：STEM 学位主要作为一种筛选机制，证明个体具备学习并坚持完成四年高难度数学训练的能力。
• 技能假说（Skills hypothesis）：在数学学习中挣扎的过程，赋予了人们一种难以量化的“数学直觉”，这种直觉对于操作现代复杂的计算工具至关重要。

作者坦言，过去他是“信号假说”的坚定信徒，但现在更倾向于“技能假说”（各占约 50% 的权重）。同理，在软件工程领域，资深工程师之所以能比初级工程师更有效地使用 Coding Agents，很大程度上是因为他们经历了 5 年以上手动编写代码的“痛苦”过程，从而建立了深厚的计算直觉。

2. 劳动力市场的剧烈波动

目前，能够有效地对 Coding Agents 进行增量式提示（additively prompt），所需的“计算直觉”水平大约相当于 5 年的工作经验。

• 资深工程师的优势：今天的资深工程师幸运地获得了带薪构建这种直觉的机会。
• 新人的困境：随着 Coding Agents 能力的持续提升，这一门槛也在不断提高。在 AI 进步速度和学习能力自然差异的双重作用下，预计约 50% 的新 CS 毕业生将永远无法赶上这一曲线。甚至部分资深工程师也可能因停滞不前而被淘汰。

因此，回到文章开头的问题：只有部分初级工程师值得雇佣，即那些在毕业后 2-3 年内能够达到有用“编码直觉”阈值的精英人才。由于这类毕业生数量稀少，少数顶级公司才对此类人才展开激烈竞争。

与此同时，软件咨询行业的“二流梯队”（即依赖 AI 完成基础任务的初级劳动力）规模将持续扩大，增加就业市场的总量，但其薪资增长速度预计将远低于当前的资深工程师。

3. 全民编程素养的重要性

尽管进入软件工程的门槛在提高，作者仍主张每个人都应学习一些编程知识。许多人将计算机视为“电器”，认为其只能执行预设功能，而忽略了其可脚本化和可编程的本质。如果不具备这种思维，用户就不会想到让 AI 来自动化处理任务。这一逻辑同样适用于数学、法律、税务、医学、DIY 家居维修等领域。

如今，只需每月 20 美元，即可获得丰富且廉价的专家级知识，前提是你懂得如何提问。作者提出了掌握 AI 辅助技能的三个时间阶段：

• 1-2 周：基本了解该领域的概念，以及向 AI 提问时使用的通用词汇。
• 1-2 个月：基本理解如何以及何时向 AI 提问。
• 4-6 个月：具备检查输出结果正确性的能力（必要时借助外部资源）。

作者建议软件工程师还应涉猎数据科学、前端、后端、安全和性能优化/剖析等 distinct skillsets（独立技能集）。

案例解析： 一位同事在运行数据集的相关性分析时遇到困难。作者建议他直接让 Claude 执行：“使用 NMF（非负矩阵分解）使其更美观”。结果，有用的聚类结构随即显现。

• How（如何）：知道关键词“NMF”。
• When（何时）：知道在“距离矩阵上进行聚类”时使用。
• Correctness（正确性）：知道使用 NMF 的前提条件（即 NMF 在成对距离矩阵上给出 k 个聚类质心和聚类成员得分，并根据 argmax(聚类得分) 重新排序原始距离矩阵以突出聚类）。

4. 结论：拒绝虚无主义，坚持“先动手，后 AI”

针对一种常见的虚无主义观点——即认为既然有 AI，就不必努力，应利用 AI “速通”课程——作者予以强烈反驳。

• 做功是掌握的关键：就像中学数学课上不允许使用计算器一样，学生阶段应推迟使用 AI 来完成课业。
• 长期价值：这种建议在学生毕业后依然适用。在通过手工方式至少完成一次任务之前，不要依赖 AI。这并非出于保守，而是为了建立真正的掌握能力（Mastery）。

关键要点

• AI 并未消除基础技能的价值：虽然 Coding Agents 提升了效率，但操作这些工具所需的“计算直觉”依然源于大量手动实践。资深工程师的优势在于其积累的直觉，而非单纯的代码产出。
• 就业市场两极分化：
  • 精英层：具备快速建立直觉潜力的初级工程师（前 50%）受到顶级公司争抢。
  • 大众层：大部分毕业生难以跟上 AI 迭代速度，可能沦为低薪的“二流”软件咨询劳动力。
  • 资深层：目前仍具高价值，但需警惕因停止学习而被 AI 超越的风险。
• 提示工程的核心是领域知识：有效的 AI 交互（How + When + Correctness）依赖于对领域底层逻辑的理解（如知道何时使用 NMF），而非仅仅是对 AI 语法的熟悉。
• 教育建议：
  • 鼓励非技术人员学习基础编程思维，以解锁 AI 自动化潜力。
  • 学生和初学者应“先手工，后 AI”，通过手动实践建立必要的直觉和判断力，避免陷入“速通”导致的技能空心化。

意义与影响

这篇文章揭示了 AI 时代技能评估标准的根本性转移：从“执行能力”转向“判断与直觉能力”。

1. 对教育体系的挑战：传统的“先学基础，后应用”模式可能需要调整，但“基础”的定义正在从“记忆公式/语法”转变为“建立直觉/理解原理”。教育者需确保学生通过足够的“手动练习”来构建这种直觉，否则 AI 将成为掩盖知识漏洞的遮羞布。
2. 对企业招聘的影响：企业不再愿意为“培训成本”买单，而是直接寻找具备“即战力直觉”的人才。这意味着初级工程师的培养周期被极度压缩，招聘门槛实质上是提高了。
3. 对个人职业发展的启示：
   • 资深人士：必须持续深化领域知识，因为 AI 只能放大你的能力，无法替代你的判断。
   • 初学者：不要试图绕过基础训练。在 AI 辅助下，那些能够迅速理解问题本质、验证结果正确性的人，才是未来的赢家。
   • 跨领域人士：掌握“如何向 AI 提问”的能力，正在成为一种通用的元技能，适用于法律、医疗、金融等几乎所有知识密集型行业。

最终，AI 没有让努力变得多余，而是让“正确的努力”变得更加昂贵且稀缺。