2026 年 11 月 7 日(周六),受余知权 Leo 的邀请,去南京雨花台区的云密城参加了 CCF 中国工程师文化日,我是冲着会议日程里有几个 AI 界的 CTO 或 CEO 决定去听的。
第一个院士讲的是制造业的质量管理,与大会主题几乎没什么关系。然后是一大堆签约仪式。第二个院士读了一大堆 AI 在行业中的应用,还推销了两本书。
一、AI 时代工程师能力蓝皮书
CCF 发布了一份 AI 时代工程师能力的蓝皮书,我还未从网上找到公开的 PDF 文件。可能由于 PPT 文件版本不对,演讲者对于稿子相当不熟悉。
大概内容有:
(1)AI 时代的工程师主要有两大类,一类是模型研发的工程师,另一类是 AI 应用的工程师。我感觉只有一类:AI 应用工程师,模型研发基本上是大厂里的技术大佬们能搞,他们站在这个生态的顶端,根本不会看什么蓝皮书。
(2)AI 来了之后,让各个工种的能力边界变得更加模糊。比如以前有产品经理、界面设计师、前端开发、后端开发、质量验证等,以前这些角色分得很清楚,但现在它们之间都有一定的融合。比如产品设计师,现在可以做原型的验证。前端、后端也分不太开了,前端也可以做后端工作,还可以进行质量验证等。
(3)工程师的分类方面,增加了新的一类,叫全栈工程师。就是用 AI 协作,能够保证端到端的交付,把所有的角色都集于一身。
(4)AI 的产品经理也发生了很大的变化,以前主要是定义这个产品做什么,现在可以直接用 AI 做一个原型来进行验证。
感觉有一张片子还有些启发,用手机拍了下来:
二、AI 时代工程师文化的变与不变
报告人是李大海,他以前是知乎的 CTO,现在是面壁智能的 CEO。
开场的第一句话是:今年可能是最后一个 1024 程序员节了。用来吸引听众的注意力,也拉近了与程序员之间的距离。然后说,蓝皮书的保鲜度可能没有几个月,因为 AI 的进化速度实在太快了。
工程师最本质的一项能力:problem solver
他以前在知乎,讲究"海盗精神",给你一个问题,工程师要去想办法,解决它。金子就在那,想办法拿回来。AI 来了,工程师的本质没有变,要解决问题。
- 作者是北大数学系毕业的,学生时代是解决数学问题。
- 毕业后当一个工程师,写一个一个的函数、模块。
- 在知乎当 CTO,要管理上千人的团队,问题更模糊了,但主要是技术问题。
- 在面壁当 CEO,在复杂的商业竞争中,面对的问题更加模糊。
工程师文化的三个核心
(1)定义问题
很多工程师在被安排一项任务的时候,会非常热情、积极地解决问题,这种态度本身值得肯定,因为前面说了,工程师的本质是解决问题。AI 来了,提供了各种各样的工具和能力,我们的信心增强了,都想用 AI 解决以前难以解决的问题。
但要多想一层,有些问题的前提可能就是错的。表面的问题与背后真正的问题可能差别很大。或者,把眼光放远一点,应该用另一种方式解决,能够让更多的人受益。如果问题定义错了,南辕北辙大家都知道,我们现在会烧更多的 token,其实还花了更多的时间。
(2)产品意识
工程师要把自己的产出当成作品来看待。这意味着什么?意味着我们要持续地打磨它。
AI 可以快速完成一个小功能,这会让我们更倾向于去做一次性的东西,做非常短期的东西,用后即弃。
但如果你做的这个模块在一个需要持续维护的大型系统里,你需要不断打磨它,改善它的设计,改善它的性能,改善它的可读性,改善它的扩展性。
(3)责任意识
AI 来了以后,其实很多岗位还是一定会存在的,因为需要有人签字,AI 是不可能给你签那个字的,就是兜底。
从作品的角度讲,这是荣誉;但从底线的角度讲,我交付出来的东西最后是我来兜底的。
我不能给我的上级说:“我是用 AI 写的,这个 AI 没写好,你去找它吧。”
个人的改变:责任前移
AI 能力迭代的速度非常快,上个月的热点可能在这个月就完成不一样了,需要在解决问题的时候,去亲自下场感受 AI 能力的边界。
产品方面:要做模型发展的朋友,而不是敌人
模型仍在不断进步,它是一个巨大的势能,这个势能是客观存在且不可撼动的。任何与这个势能对抗的尝试都是不理智的,都是没有意义的。
这里举一个例子,最近字节跳动的 Coze 下线了,Coze 下线不能说这个产品不好,Coze 其实是在做一个 AI 的工作流程 workflow,而模型越来越强大,AI 把这个 workflow 都学会了,不再需要人去显式地定义 workflow 了,所以说这个产品就没有价值了。
我自己的观点:我也见过一个软件公司用 Dify 定义智能体的工作流,一开始还比较简单,后来遇到的特殊情况越来越多,workflow 越来越复杂,维护越来越困难,这种方式感觉不像 AI 时代解决问题的方式。
在做产品的时候,要有这样的意识:在未来三个月、一年以后,模型可能还有三倍、五倍的能力增长。其实作者在这里的估计还是相当保守的,《吾辈如神》的作者估计是每 6 个月就有 10 倍的增长。基于这种情况,我们该如何制定我们的产品研发策略?这是每个人都应该思考的问题。
与 AI 做朋友,但也不能盲目、不能盲从。Gartner 预测,至少 30% 的生成式 AI 项目将在概念验证(PoC)之后被放弃。还有调查显示,只有 4% 的组织在实施了 AI 项目之后收到了预期的投资回报。技术上可行,并不代表可落地。
测试驱动开发变得更加重要
现在的代码都是 AI 写的,用什么把 AI 框住,让它实现我们预想的功能?单元测试变得比以往都更加重要。以前为了赶进度,可能会不写单元测试,现在要让 AI 有稳定地发挥,TDD(Test-Driven Development)会非常重要。
三、重卡智能驾驶
物流行业,与我关系不大,只是简单了解一下。
整个物流行业其实有 3000 多万的司机,其中重卡司机大概就有 800 多万,承载着我们国家的交通运输。
汇报人是王东,智加科技的 CEO,汇报题目是《从 AI 到真实世界:智加科技自动驾驶运货重卡的技术落地与产业实践》。他想解决三个主要问题:
第一,公路安全。
在所有的公路事故中,重型卡车的事故占比是 25%,而重大事故占比则超 50%。怎么提高这个安全性?
第二,人力问题。
重卡司机的老龄化非常严重,大部分都是 40 多岁。年轻人很少从事这类高强度、危险性大的工作。怎么解决人力问题,以及人力老龄化的问题?
第三,燃油成本。
整个运输过程中,最大的成本是燃油成本,具体数字我记不清了,好像有 35%。
后面的智能驾驶的技术,我没有认真听,有一个杭州真实道路上的演示,感觉还是相当不容易的。
其实我比较关注前面提出的三个问题,主要是联想到我们的传统地震采集业务,三个问题非常像:HSE 管控要求高,成百上千人在外面施工不能出事故。人员老龄化也非常严重。成本控制,钻井、放线、设备费占比很高。其它方面,工农问题、施工环境复杂,比重卡运输面临的问题还要困难。
四、圆桌讨论:从大模型到 AI 程序员——技术生态与工作方式的重构
这是上午的最后一个议程,主持人是新东方的首席技术官李海涛。
问题一:随着模型能力的不断提升,行业关注的焦点已经从模型回答问题变成了执行任务,特别是编程任务,有很多是好几个小时的长程任务,对模型的能力提出了更高的要求。对真实世界的复杂任务,基础模型下一步的重要突破是什么?你的判断是什么?
冯雯(MiniMax):
谈到技术的关键突破,我觉得还有两点是在短期当中我们能够预见得到的,而且它一旦突破之后,一定会对人类带来更大的一些变革。
首先,模型接下来需要一直优化它的推理效率,让每一个 token 都输出的言之有物。优化整体的速度,包括长任务的时间,整体成本的下降。
另一个非常关键的突破点,是多模态的融合,图像的理解、视频的理解和大语言模型结合在一起。大语言模型本身就是非常多模态的大脑,很多时候只有它理解了、它能够听懂,它才能够去写出更重要的内容。
唐飞虎(Kimi):
在可见的时间范围内,模型的长上下文的推理效率,token 的生成速度肯定都会提高。除此之外,我们可以观察到,大模型在执行很多长程任务时,其实都会卡在测试这类的阶段。
很多模型已经不仅仅是回答一个问题,而是在一个沙盒环境下去交付完整的软件结果。我觉得,未来可能会有更加 AI native 的方式去操作这些软件,更好地利用计算机硬件的交互方式,能够让大模型更好地去利用机器的性能,使得它参与测试的时间会大幅度地缩短。从而大幅度地提高长程任务的执行效率。
简单来说,就是会有新的、更加 AI native 的长程使用的界面诞生。
问题二:AI coding 让开发更快了吗?工程效率的真实变化情况是怎样的?
刘健(千问):
Qwen 对 AI 驱动软件开发的前景作出了积极乐观的判断,希望在半年到一年的时间里,真正实现全托管、Agent 驱动的开发。
正好有一个全新的应用项目,于是我们在这个项目中进行了一次完整的尝试。
实践下来,目前有三个基本结论:有效率提升,还没有让我们觉得惊艳,但未来可期。
整个尝试分为三个阶段:
第一阶段:从原型到 MVP。
这一阶段比较顺利,大约一周多,就完成了一个功能相对饱满的软件 MVP,开发效率有比较明显的提升。
第二阶段:从 MVP 到落地应用。
这一阶段遇到了比较大的困难。主要问题是 AI 生成的架构极其不稳定,导致问题定位、日志、数据统计、运营分析等配套系统无法稳定运行。每迭代一轮,周边系统就要跟着调整一轮,整体效率反而下降。
第三阶段:补齐工程化能力。
经过分析,发现主要问题在于给 AI 智能体提供的上下文知识库、设计约束、质量门禁和自动化测试没有跟上。于是针对这些方面进行了增强。
增强以后,从缺陷率和开发周期来看,能够获得相对确定的收益,虽然收益还不算大,但确实存在。
目前,AI 带来的质量提升主要集中在软件设计、开发和测试这个交付阶段,而在交付前后的两个阶段,仍然需要大量人工介入。
因此,我们认为,AI Coding 也好,AI Native 研发模式升级也好,这条路都要坚定不移地走下去,未来值得期待。但与此同时,我们自身的基础设施、知识库和协作方式,也需要进行比较大的改变。
彭云鹏(百度):
在回答之前,我想给大家分享一组数据。今年上半年,整个 Coding Agent 在我们行业里非常大规模地落地,大家都用 AI 写代码之后,我们也分析了百度的数据:最近一年,我们每一个工程师平均写的代码量比以前提升了一倍还多。
我们再去关注整个集团的研发效率,有个特别关键的指标叫人均需求交付吞吐量,它提升了 27%。
100% 多和 27% 明显是不对等的。所以这个问题也很好回答:AI 赋能之后,确实每个工程师都变快了,我们的集团也变快了,但是这两个变快的数据是不对等的。
为什么这样?因为软件工程本身是一个工程化问题,单点的提效并不能带来整体的变化。工程师写代码变快了,但背后还有很多的测试、运维、发布、用户反馈跟进等等一系列的事情要做。解决工程化的问题,一定也要有很多工程化的解决方案。
也有人说,AI 带来了大范围的效能提升之后,也带来了软件工程的复兴。以前大家不重视单元测试,不重视测试框架系统的构建;现在 AI 来了之后,那么多的代码蜂拥而至,去靠原先的 QA 能不能解决现有的问题,其实是很困难的。我们之前分析,代码写得快了之后,有大量的需求阻塞在测试上。
后来我们又发现,软件工程里原先有一个理论:人与人之间的协同,两个人的时候是一条线,三个人是个三角形,多了之后我们就变成蜘蛛网——协同复杂度也会带来工程性的下降。
所以整个 AI coding 带来的效率变化,我们认为未来不光是工程师单点赋能,更多也会带来一些组织上的变化。对于我们工程师来讲,要积极拥抱这些组织上的变化。
比如我们通过 AI 去打破能力边界,而在打破能力边界的时候要跳出舒适圈。比如说我是一个做后端研发的工程师,现在有 AI 之后我也能写前端,那我写前端的时候就会想:我的核心竞争力在哪里?我写了十年的后端,你现在让我写前端,跟刚毕业的前端研发工程师又有什么区别?这里就是舒适圈问题,我们要跳出这种思维,才能去拥抱新的变化。
同时,前端工程师能写后端代码、后端工程师能写前端代码之后,这也会涉及到对他人职责圈的侵入,这个时候大家也要去拥抱变化。只有我们都去拥抱这些变化,才能够真正带来 AI 带来的效能跃迁,最终带来组织级、整个企业级的效能变化,也才能够提升大家整体的职业竞争力。
问题三:AI coding 在哪些方面替代不了人类?新一代工程师怎么成长?
冯雯(MiniMax):
大模型的迭代始终应以人为本,模型对齐和优化都应围绕人类需求展开。需求的探索、感知和发现,仍然需要人来完成,因为只有人才能真正体会工作和生活中的困难,发现需要解决的社会问题。
建议工程师建立自己的测试集。面对模型快速迭代、性能不断提升的现状,不能只依赖公开 Benchmark,而要通过自己的测试集,持续评估模型的进步,比较不同模型之间的差异,了解各自的能力边界,从而更好地选择和利用模型,辅助实际工作。
刘健(千问):
AI 有两件事无法取代人。
第一,技术决策和设计决策。这不仅是分析和搜索问题,更是基于人性、审美、情绪和对未来预期的综合判断。面对软件开发中的各种取舍,应该抑制什么、发挥什么,最终都需要人来决策。
第二,创新性的机制突破。真正的技术跃迁往往没有现成的方向可循,比如搜索与大数据的结合、多模态注意力机制等,这类创新在很大程度上仍然需要人来引领。
对于 AI 时代新加入行业的年轻人,我有两点建议:
- 保持阅读代码的能力。通过阅读代码提升技术能力,积累和沉淀自己的技术功底。
- 善用 AI 这个 24 小时在线的好导师。不要惧怕 AI 替代自己的工作,而要主动利用 AI,逐步把自己训练成 AI 的 Leader。
戴丽(中新赛克)
我认为,一个有品位、有判断力的程序员,是 AI 难以替代的。AI 可能是一台无情的机器,而人需要承担评判者的角色。
任务的拆解、需求的定义、评判标准的制定,以及最终结果的验收,都需要人来把关。同时,程序员还要承担探索性任务,大胆尝试那些目前 AI 尚不能实现、但未来可能实现的事情。
因此,程序员不要遏制自己的创新能力,要大胆想象,大胆将 AI 应用到各个领域。
对于年轻程序员来说,现在是一个非常好的机遇,可以站在巨人的肩膀上快速拓展能力。但随着手搓代码的时间减少,如何准确表达问题、定义需求,并与 AI 高效交互,将变得越来越重要。这背后不仅是表达能力,还涉及思维模型,甚至需要借助哲学知识拓展自己的思维边界。
彭云鹏(百度):
我用两个比方谈谈 AI 的使用和工程师能力的培养。
第一,什么时候不用 AI?
可以把 AI 比作一辆非常先进的汽车。去马路对面的超市,没有必要开车;从北京到南京参加这个会议,也未必适合开车。使用 AI 同样要考虑成本和效率,极其简单、自己随手就能完成的事情,没有必要借助 AI。
即使汽车有了自动驾驶,它也只能把你送到目的地,却不能替你决定要去哪里、要做什么。AI 可以帮助我们实现目标,但目标的选择和方向的确定,仍然需要人来决定。
第二,AI 时代的工程师应该掌握什么能力?
我用算术和算盘来打个比方。算盘是一种工具,随着时代发展可以被淘汰,但算术所代表的计算原理和方法始终需要学习。
同样,编程工具可以不断变化,但数据结构、软件架构、软件工程等核心知识和技术原理,工程师必须掌握。
同样的 AI 工具,不同工程师给出的 Prompt 也会有很大差异。优秀的工程师能够清晰定义需求、考虑边界条件、设计系统架构、选择技术栈,并明确健壮性、高并发等要求,从而引导 AI 生成高质量的代码。
所以,要区分哪些是需要长期掌握的核心知识,哪些只是可以随时代更替的工具。建立自己的知识体系,才能真正驾驭 AI。
唐飞虎(Kimi):
第一个问题:AI 眼中的困难与人类眼中的困难并不一样。
例如,在大模型训练中,AI 可以辅助设计和优化算子,这对普通工程师来说是很困难的任务,需要大量专业知识。但在 AI 看来,这类任务反而可能更容易,因为它有明确的 Evaluation,可以快速获得反馈,衡量优化效果。
相反,设计一个机器学习框架,对人类来说可能相对容易,但对 AI 更困难。因为这类任务反馈周期长,软件本身还在不断变化,需要设计更具弹性的架构。
因此,AI 眼中的任务难度,更多取决于任务能否被评估、能否快速获得反馈,而不完全取决于人类认为的技术难度。
第二个问题:工程师应该如何适应 AI 时代?
短期来看,要尽可能多地使用 AI,充分利用每周的订阅额度。只有通过实际使用,才能了解不同模型的特点,掌握 Token 的使用技巧,以及如何针对不同任务选择合适的模型组合。
长期来看,AI 对软件工程师其实是一个非常好的机遇。编程经历了从机器语言、汇编语言到高级语言的发展,现在进一步发展到自然语言参与编程。
过去,软件工程和系统架构等知识主要掌握在少数优秀工程师手中。现在,随着 AI 大幅降低了技术执行成本,更多工程师有机会接触和学习这些知识,这实际上是一次能力提升的机会。
听完上午,几条可以马上去做的
(1)清晰地定义问题,解决问题,做出一个长期的产品。
(2)模型发展是大势所趋,顺应这个趋势做事,而不是抗拒 AI。
(3)烧完每周的 token 额度,探索各个模型的能力边界。
(4)重视单元测试。
(5)区分哪些是长期需要掌握的基础知识,在应用 AI 的过程中,慢慢补上它们。
以上是上午的内容,根据音频整理,自己水平有限,可能有错。下午还听了几个 Panel,没来得及整理。
整理过程,使用了 claude code,用 asr 语音转文字,还有 minimax 的 asr 功能,由于坐在会场的后排,录音的音频质量不佳,文字转录后有许多错误,还有许多嘉宾发言时的大量语气词需要去除,还使用了 GPT 进行文字的精简提炼。现场照片里有许多人头和无关的背景、梯形变形等,使用 GPT 进行了少量图片的修正。
在整理这些文字的过程,我也在琢磨,将来遇到这样的会议发言 mp3 音频,能否用一个长任务,一次性把这篇文章的文本整理出来?整理这些文字,其实也用了我一天多的时间。