21CTO导读：人工智能正在延宕人的就业，也在影响着工程师的学习、成长进化。

近日， 在QCon London 演讲以及随后的采访中，阿拉斯代尔·艾伦（Alasdair Allen）探讨了 AI 对软件工程职业发展构成的“结构性威胁”。

我们先了解艾伦这个人。

阿拉斯代尔·艾伦曾是一名天体物理学家。他是Negroni Venture Studios的首席技术官，目前还担任医疗科技初创公司Evaro的临时首席技术官。

他致力于开源硬件、机器学习、数据科学和新兴技术的交叉领域研究，尤其擅长电子技术，特别是无线设备、分布式传感器网络和嵌入式计算。他以对新一代机器学习加速器硬件进行基准测试而闻名，他还以破解酒店收音机而著称。

他之前曾担任树莓派的技术文档主管，领导团队负责编写各种文档，从面向初学者的教程到新芯片的寄存器级文档，无所不包。

他撰写过一百多篇学术论文、八本书，并参与制定了多项关于实时事件和应用互操作性的标准。在从天体物理学领域回归之前，他构建了一个分布式点对点望远镜网络，该网络能够自主运行，并根据时间紧迫的事件做出反应式的观测调度。

了解完这个人。接下来我们来听听他在会议上的演讲梗概。

阿拉斯代尔·艾伦认为，通过将入门级任务自动化，AI 移除了初级开发者获得经验、模式识别和系统直觉所必需的“学习阶梯”。

艾伦指出，虽然 AI 看似擅长生成代码，但在工程的“手艺”上却有所欠缺，包括理解遗留系统、生产模式以及复杂的业务规则。

他向人们警告说，当前各个公司优先追求短期的 AI 生产力，而忽视了能够监督这些工具的高级工程师的长期培养，这正在削弱未来的人才输送管道。

阿拉斯代尔·艾伦在QCon伦敦大会上，以题为《人工智能吞噬中间层：工程发展之路》进行演讲。他在其中增加了详细解释，他称人工智能正在颠覆职业发展模式，它一方面消除了各个层级的学习机会，另一方面又使人们能够超越自身经验水平。加入行业的初级开发人员数量减少，人工智能也减缓了入门级职位的招聘速度。

艾伦说，人工智能能够编写大量代码，开发者的工作内容也因此发生了巨大变化。他接下来为开发者们分析重点：

编写代码从来都不是我们这个职业的重点。

使用人工智能需要监督，而监督又需要编程技能。如果人工智能承担了过去培训工程师的工作，他强烈的质疑下一代工程师将从何而来？

他接着如此总结道：

“如果人工智能的使用阻碍了初级工程师的技能发展，那么人工智能带来的生产力提升可能会以牺牲验证人工智能编写代码所需的技能为代价”。

艾伦表示，资深程序员所具备的模式识别能力，例如系统应该如何构建、复杂性隐藏在哪里以及大规模运行时哪些环节容易出错，已经无法通过传统方式习得。初级工程师根本无法培养出必要的直觉，来判断他们所查看的代码哪些是正确的，哪些是错误的。

初级工程师不会再花数年时间阅读遗留代码库或在凌晨 3 点调试生产故障，他们只需将 AI 代理指向它，并要求它进行总结即可。

艾伦说，大多数工程项目都属于人们所说的“黑场”：高负载的遗留系统，虽然大家都同意应该逐步淘汰，但却没有人有时间执行。规范要么从未编写过，要么编写过但几十年来由于缺乏文档记录的决策而失效。业务规则被编码在早已过时的条件语句中，而这些条件语句的寿命甚至超过了所有理解它们的人。

他说，人工智能代理可以读取代码、测试文档，但它们无法读取生产环境。

它们无法查看多年的请求模式，也无法理解哪些代码路径承担着负载，而这些负载是代码本身无法揭示的。

艾伦提到当前公司的招聘和选人现状。

在一些高风险行业，年轻员工的招聘速度确实在放缓。但25岁以上员工的工作机会并没有减少。

他解释说，这意味着加入这个行业的初级开发人员数量减少了：

人们并没有被解雇；他们根本就没有被录用。

人工智能阻碍技能形成，人工智能将工作变成监督，现在人工智能又减缓了入门级职位的招聘。

各个组织机构竞相采用人工智能编码工具的同时，削弱了培养能够监管这些工具的人才的渠道。然而能够为人工智能构建良好环境的人，是那些通过多年实践积累了丰富经验的人。

艾伦认为，培养这些人的渠道正在崩溃。

艾伦说，就像住院医师培训一样，你做那些琐碎的工作是为了学习，而不是为了提高效率。他总结道，那些这样做的公司，十年后才会留下资深开发人员，因为到那时我们其他人可能都已经退休了。

技术媒体InfoQ在阿拉斯代尔·艾伦演讲结束后对他进行了专访。

InfoQ：关于人工智能如何影响开发时间和生成代码质量的研究得出了哪些结论？

阿拉斯代尔·艾伦：研究结果比双方都愿意承认的更加矛盾。METR 的随机对照试验发现，经验丰富的开发者在使用人工智能后速度反而降低了 19%，而他们却认为自己的速度提高了 20%。Anthropic 的研究发现，初级工程师在使用人工智能后，掌握程度降低了 17%，但完成速度并没有加快。他们白白浪费了学习时间。

人工智能在处理简短、定义明确的任务时确实很有用，但随着复杂性的增加，其优势会急剧下降，瓶颈也会转移到上游的代码审查环节，而这恰恰是资深专家判断的所在。尽管通过了自动化测试，但在实际的开源项目中，15 个由人工智能生成的 PR 中没有一个能够被合并。人工智能能够实现功能，但无法经得起精雕细琢。

InfoQ：程序员在使用人工智能工具时，他们的工作方式会发生哪些变化？

艾伦：编程正变得越来越像管理。Anthropic 的工程师们在日常工作中 59% 的时间都使用 Claude，但只有大约 20% 的时间可以完全委托给人工智能。未来，工作岗位将存在于这 20% 的空白区域，介于代码生成和判断之间。人工智能编写代码；人类判断代码是否正确。

我担心的是，现在80%到90%的工程问题都交给了人工智能，而不是同事。当人工智能直接给出答案，无需经历摸索过程时，与导师一起苦苦钻研问题所带来的学习机会就被忽略了。职业发展路径是为编写代码的人设计的，我们却没有为系统管理员重建它。

InfoQ：你对人工智能时代工程师的培养有何建议？

艾伦：我没有完整的答案。我们现在还处于诊断阶段，而不是解决方案阶段。但我们可以立即采取行动：建立结构化的学习路径，并有意识地轮换学习基础知识，就像医学住院医师培训一样，因为琐碎的工作能够培养判断力。我们需要衡量的是理解力，而不是速度。关注人们的思考方式，而不是他们的产出。将上下文视为基础设施，编写的文档应该像为一位懂得编程但不了解代码库的高级工程师准备的入职指南。我们需要设定合理的预期。人工智能是一种工具，但不是老师。用它来跳过理解阶段，就是在透支你的未来。

作者：场长