AI 正在快速改变软件工程：写代码的成本持续下降，工程师能够完成的任务越来越复杂，产品研发的瓶颈也随之转移。这篇文章整理了 CS230 分享中关于 AI 职业发展的五点建议——理解变化、选择同行者、用产出衡量努力、打牢技术基础，以及关注 Small AI。

来源：Stanford CS230 · Autumn 2025 · Lecture 9: Career Advice in AI（Andrew Ng、Laurence Moroney、Kian Katanforoosh）

1. AI 编程正在把瓶颈推向“构建什么”

AI 能够处理的代码逻辑复杂度和连续工作能力，正在以很快的速度增长。讲座中给出的判断是：大约每隔两个多月，这种能力就会翻倍。

AI 可完成任务的时间跨度约每七个月翻倍，AI 编程约每七十天翻倍

当写代码变得更快、更便宜以后，软件开发中最稀缺的能力不再只是“如何实现”，而逐渐变成：

应该构建什么？什么问题真正值得解决？

换句话说，瓶颈正在从 Engineering 向 Product Management 转移。工程师与产品经理的比例可能继续下降，甚至趋近于 1:1。这里并不是说工程能力不再重要，而是单纯执行明确需求的价值在下降，能够定义需求、塑造产品的工程师会更加稀缺。

AI 编程降低构建成本后，获取反馈与产品管理成为新的瓶颈

工程师需要更接近用户

传统的软件工程工作容易把人留在技术内部：讨论架构、实现功能、修复缺陷，却很少直接面对用户。AI 降低实现成本之后，决定产品成败的往往是另一组能力：

  • 主动和用户交流；
  • 持续获取真实反馈；
  • 对用户的问题建立深刻同理心；
  • 根据反馈快速决定做什么、不做什么；
  • 将模糊需求塑造成可用的产品。

未来走得更远的，可能不是敲代码速度最快的人，而是既懂工程，又能理解用户并快速迭代产品的人。

2. 选择一起工作的人，而不只是公司品牌

影响一个人成长速度和成功概率的强指标，是他身边的人。社会学研究常用一个直观例子解释这种影响：如果一个人的五位密友都吸烟，他吸烟的概率也会显著提高。我们的行为标准、学习速度和判断方式，都会被周围的人塑造。

职业选择也是如此。讲座分享了一个例子：一位非常优秀的学生拿到了热门 AI 实验室的 Offer，但公司始终没有说明他将进入哪个团队。他原以为自己会参与令人兴奋的 AI 项目，入职后却被安排维护后端 Java 支付处理系统。由于工作内容与预期相差太大，他非常沮丧，并在大约一年后离开了公司。

这个例子提醒我们，选择工作时不能只看公司或实验室的光环，还应该尽量弄清楚：

  • 每天会和谁一起工作；
  • 直属负责人是谁；
  • 团队是否勤奋、聪明且知识丰富；
  • 实际负责的项目是否让自己兴奋；
  • 团队能否提供高质量反馈并推动自己成长。

和优秀的人长期共事，往往比进入一家品牌响亮、但工作内容和团队未知的公司更重要。

3. 努力工作的尺度是产出，而不是工时

今天，鼓励别人“努力工作”有时会显得不合时宜。确实，每个人所处的人生阶段不同：家庭责任、身体状况或其他现实原因，都可能让一个人暂时无法高强度投入。对此应该给予尊重和支持。

但另一方面，优秀成果通常离不开长期而专注的投入。成功的博士生往往非常刻苦，凌晨两点仍在进行实验并不是罕见的场景。如果你恰好处在人生中能够全力投入的阶段，那么当下仍有大量值得把握的机会。

关键是不要用“坐了多久”衡量努力，而要看有效产出：

  • 有多少时间真正用于推进重要问题；
  • 产出了什么可以验证的结果；
  • 是否找到了自己能够持续创造价值的领域；
  • 今天的工作是否在为下一阶段积累能力。

讲座中的一句话很好地概括了这种产出导向：

Don’t let your output be for the job you have; let your output be for the job you want.

不要让你的产出只匹配现在的职位，要让它匹配你希望获得的下一份工作。

4. 市场遇冷，但有策略的人仍有机会

当前就业市场面临一些真实压力：

  • 初级岗位的招聘明显放缓；
  • 大规模裁员持续占据新闻头条；
  • 入门职位显得更加稀缺；
  • 求职竞争愈发激烈。

这些变化不应该被轻视，但也不意味着机会消失。AI 领域仍在快速变化，能够及时调整方向、采用正确策略的人依然拥有大量机会。

把复杂技术讲得“平凡”

建立技术基础的一种有效方式，是主动把复杂概念变得 mundane——平凡、具体而日常。

遇到一个看起来高深的概念时，不要满足于复述术语或公式，而应该继续追问：

  • 能不能用普通语言解释它？
  • 它解决的到底是什么问题？
  • 去掉术语后，最核心的机制是什么？
  • 能否用一个日常例子让非专业人士理解？
  • 对方真正需要理解到什么程度？

当你能根据听众的需要，把复杂技术讲得详细而接地气时，通常才意味着你真正理解了它。这种能力既能巩固技术基础，也能改善沟通、教学和产品决策。

5. 一个值得关注的趋势：Small AI 与底层算力

讲座最后给出的趋势判断是：Small AI，也就是端侧 AI 和小模型，可能成为下一个重要增长点。

云端大模型拥有强大的能力，但端侧模型也有自己的优势：

  • 更低的请求延迟；
  • 更好的隐私保护；
  • 弱网或离线环境下仍可使用；
  • 降低云端推理成本；
  • 能与具体设备和个人场景深度结合。

移动端的硬件架构也在快速演进。讲座特别提到 SME（Scalable Matrix Extension，可伸缩矩阵扩展）：这类底层能力使矩阵计算可以更高效地运行，并为将更多 AI 工作负载放到本地 CPU 上提供可能。

对工程师来说，这意味着值得关注的不只是更大的模型，也包括模型压缩、量化、端侧推理、编译器优化、硬件架构和能效等方向。

总结

AI 时代的职业竞争力，可以归纳成五点：

  1. 不只学习如何实现，也要学会判断应该构建什么；
  2. 选择能激励你、帮助你成长的团队和同事；
  3. 用有效产出衡量努力，并让产出指向想要的未来；
  4. 把复杂技术讲得简单、具体，建立真正扎实的基础；
  5. 在大模型之外，持续关注 Small AI 和底层算力的机会。

AI 让实现产品变得更容易，也让判断力、同理心、沟通能力和环境选择变得更加重要。技术仍然是基础，但真正拉开差距的，会是一个人如何用技术发现问题、理解用户并持续创造价值。