我长达30年的编程生涯，正逐渐成为一件历史文物。目前从事的AI相关工作让我确信，只需短短几年，当人类回顾过往时，会觉得“人类曾需要亲手为机器编程”这件事显得颇为可笑。
我曾坚信编程离不开人类
我从8岁就开始编程，当时抱着一本Commodore 64用户手册，照着杂志背面的代码敲打。自那以后，学习从未停止。编程并非学几年就能完全掌握的技能。在过去的40年里，我始终身处全行业持续不断的技术演进洪流中。
招聘程序员时，我们看重的核心品质是适应性、自主学习和批判性思维能力。要想站在技术前沿，必须付出持续不断的努力。
编程从根本上需要一种对机械的共鸣。你需要理解机器如何运作——存储、内存、处理、接口。在此之上，你学习语言和工具集的语义，掌握哪些字符组合能被系统执行。再往上，是大型程序的抽象、程序系统，乃至整个计算机系统。程序员的大部分工作在于管理复杂性，因此学习和开发应对复杂性的技术至关重要。
经验丰富的开发者会拥抱各种抽象：数据结构和算法、配置与状态、封装、函数式与对象组合、实体与数据、事件与快照、顺序与递归，这是一个永无止境的过程。与此同时，新产品持续发布，每周都在重构你的工具箱。
还有那些权衡取舍！所有编程（正如所有工程）都关乎权衡。你可以用处理能力换取内存，用时间换取完整性，用可靠性换取成本，用可维护性换取速度；调整上百个变量以打造出符合需求的程序。
程序并非存在于真空中。它们旨在解决真实人群的真实问题，并以可转化为实际产品和服务的方式呈现。程序员必须懂得如何定义问题，识别用户需求，并以可理解、令人满意的方式满足它们，确保构建的系统可行且能创造可行的业务。程序员编写与用户交互的程序，因此我们始终处于心理学、社会学及其与技术相互影响的前沿。
一个程序员在几十年里学会的，是思考本身如何运作。如果你试图将问题空间中的推理分解为一系列步骤，或将其拆分以便协同工作，或想弄清楚哪些事物会随时间演变，那么房间里确实应该有一位程序员。
这就是为什么编程作为一门学科，在过去半个世纪里已渗透到几乎每一个科学领域。程序员是设计者、架构师和建造者，他们在所有领域都为解决问题注入了强大动力。
等等……编程真的需要人类吗？
三年前，我结束了数位高级工程师职位的候选人面试。在流程中，发现一些人——无论出于何种原因——未能掌握编程工作所需的基本技能，这种情况并不少见。根据具体情况，如果他们拥有强大的批判性思维或解决问题的能力，我们或许会放宽要求，但发现这种情况仍令人震惊。
在一连串候选人表现不佳后，我倒在办公椅上感叹：“为什么这些候选人在用编程解决这个基础问题时都这么吃力？”
我的同事觉得好笑，问道：“是什么问题？”我描述了问题。“好吧，”他说，“……那么一个令人满意的解决方案应该是什么形式？”我转过身，意识到他并非真要帮我提高面试技巧——他正在我们刚获得早期访问权限的OpenAI GPT-3 Davinci playground中输入这个问题。敲了几下键盘后，他提交问题，一个完美无缺的Python答案便跳了出来。我看了一下，它正确且高效。
我惊呆了。
于是，我让他用另一种编程语言解决。它做到了。然后让他用不同的编程范式解决。它也做到了。接着，它不等我们要求更多变体，便开始自动打印出一系列其他语言的解决方案。
从那天起，我们在微软的小团队便开始研究由LLM驱动的系统。起初我相信，正如业界在接下来两年里逐渐意识到的那样，单凭这项技术就足以在计算机技术触及的几乎每个领域提高生产力。但我也认为，要让这些系统解决不仅仅是玩具问题，还需要很长时间。程序员日常使用的技能，对于一个文本补全神经网络来说，期望值实在太高了。
我们一个接一个地解决问题。首先，它们的记忆窗口很短，于是我们开发了应对技术。然后，我们将系统连接到其他工具，赋予它们写文本之外的能力。接着，我们让这些系统能处理更长的连续操作链。下一步，我们研究如何将更大的任务分解成更小的任务，并且仍能取得进展。然后，我们研究技术让它们的结果更可衡量、更可靠。最终，我们致力于让它们更具自省能力，能够根据实时表现自我调整。
在我们的研究过程中，模型能力越来越强，生态系统也在不断发展。一步步地，我们的系统从程序员手中接走了越来越多的工作。
今年春天，Anthropic发布了Claude Code，它包含了一些关键要素，真正让我们的系统进入了超速运转状态。
首先，它可以直接通过命令行与你的计算机交互，而非像ChatGPT或API那样被困在网页应用中。其次，他们优雅地整合了一些已知模式——任务分解、任务委派和工具调用（如网络获取和文件搜索）——这使得系统能够以可靠的方式编排一系列任务。
今年我们一直在使用Claude Code这类工具，并不断提升AI系统的能力，以承担更大型的任务，具有更高的可靠性，运行更长时间。而所有这些，都没有让我觉得编程本身会变成历史文物。
我们一直在将各种技术和实验打包整合到Claude Code之上，将其作为一个快速实验平台。我们能够将许多来之不易的发现快速集成进去。我们在 https://github.com/microsoft/amplifier 发布了一个早期原型，并将在接下来一两周内发布一个较新的模型无关版本（不运行在Claude Code上）。
这还不是那个能完全取代我作为程序员的东西，但它让我确信，时间线是以月而非年为单位。它已经完成了困难的部分。
有了Amplifier，你现在可以描述你想要什么，它就会为你构建出来，从设计到后端，再到前端，包括测试，并且遵循你自己的编程理念。
但这还不是重点。重点是你用得越多，它就变得越好。随着时间的推移，你会创建可重用的工具，它能捕捉有用的技术。它会从你的使用中学习，建议改进自身的方法。这是一种指数级的生产力提升。
在过去的一周里，我使用Amplifier检查了两个独立的代码库，提取了我在其中一个中开发的功能集，提出了三种可能将相同想法集成到另一个代码库的方式，并行实现了每一种，然后为我提供了一份关于哪些可行、哪些不可行的总结。我还用它处理了一组大量的bash脚本，将它们转换成了一个Web服务API、一个Golang命令行界面和一个完整的Web应用前端。当然，设置提示词需要时间和程序员知识，但上述每一项任务都只需向Amplifier发出大约三个提示。在每种情况下，Amplifier都会运行30到120分钟，然后带着可工作的软件回来，包括文档。
与此同时，我们扩展团队中的其他人用它构建了十几样东西，包括新版本的Amplifier、一个广泛的评估框架，以及两个不同的图形化实验桌面。
最让我印象深刻的是一位设计师，他编程背景有限，设想了一种全新的方法，从期望的设计美学出发，直达完整的设计框架，他借鉴了Figma和Storybook等其他工具组合中的想法和工作流，创建了一个全新的助手驱动设计应用程序，我估计这能让他的生产力提升十倍。
上周，我们让Amplifier处理一个用于管理大型互连任务列表的有趣项目，然后它把这个功能集成到了自身之中，允许我的同事整夜持续运行它，自主完成几十项任务，甚至为他准备了一份“晨间报告”，其中包含了各种组件的多种实现方式，以获取他关于下一步该做什么的反馈。
这还不是最终产品，我们（以及整个行业）还有很多工作要做。硬件和软件制造商将需要发布产品上下文供AI使用。我们将需要继续发展并发布新的系统集成标准。但这是我第一次感觉到，困难的部分已经完成。从这里开始，机器直接按你的要求做事，而无需程序员从中协调，已是清晰可见的前景。
可预见的未来会是什么样子？
我上面提到的那个项目，把bash脚本变成Web应用程序？实际上，整个开发过程都是在一个树莓派微型电脑上运行的。我只需要在上面安装Amplifier，挂载旧的代码库，然后告诉它去创建所有其他项目。我从未碰过代码，它已经比我花好几周时间自己做出来的要好了。
我计划发布这个项目供他人使用，但你可以想象，使用相同的过程来构建定制的、个性化的软件，甚至无需分发它。我们不再需要下载和安装软件，我们将能够直接告诉机器我们想要什么，它就会创造出来。想修改一些东西？添加新功能？做一个全新的应用程序？只需开口要求。
我上面描述的所有编程技能，我花了一辈子时间掌握的技能，现在都可以通过像Amplifier这样的工具，加上恰当的提示词来完成。最后一步就是将所有这些专业知识打包起来，交给AI，然后任何没有编程经验的人，都将能够根据需要让AI构建他们所需的任何软件。
那么现在该怎么办？
我不介意把这描述为一次个人的存在主义危机。我的身份认同中，确实有很大一部分是与“成为一名程序员”紧密相连的。我曾认为找到正确的咒语让机器做出神奇的事情是一种魔法，一种职业超能力。
那么，当每个人都能施展魔法时，这意味着什么？我的超能力现在变成了日常生活？我还能在决策桌上拥有一席之地吗？这对我所追求的价值传承又意味着什么？我们都希望一生所做的事情能超越自身而持续。但现在很清楚，我的职业生涯遗产将会是一种奇特的遗存……就像铁匠、抄写员或宫廷弄臣。
但也许这比之前技术驱动的淘汰更奇怪。在以前的所有案例中，变得冗余的人能够将他们领域知识和解决问题的技能提升，应用到新事物上。铁匠建造了铸造厂，抄写员变成了印刷商，弄臣变成了喜剧演员。他们继续解决同样的问题，通常规模更大，使用新工具。
但是，当解决问题本身变得过时时，我们该做什么？就在刚才，我停下来去读了我的同事Brian Krabach关于他对此存在主义危机的文章。他六个月前就到了这个阶段，但我当时还不相信他。当然，机器会取代一部分编程工作，但在可预见的未来，我们仍然需要程序员来让机器做到这一点。Amplifier每天都在明确地证明，我在时间线上错了。
在他的文章中，他描述了如何在意识到取代程序员能让他解脱出来，去做他作为程序员一直热爱的事情——更快地解决更大的问题——中找到慰藉。但我不太确定。识别问题和提出解决方案对我来说似乎一直是比较容易的部分。我在各种创新实验室的经历告诉我，这些事情，也仅仅是可被自动化的流程而已。
“但是机器无法获取关于需要解决什么问题的数据！它们不知道我们面临什么问题！” 当然——直到我们让它们编写软件来做这件事。
所以，是的。想到真正的问题——尤其是当前最急需的社会层面问题——即将得到解决，确实有相当的慰藉。我无疑会参与到其中许多问题中去。我只是需要努力接受一个事实：我的贡献将不再主要依靠我辛苦获得的编程技能。这些技能很快将触手可及，只要能够购买一些计算资源的人都能拥有。
发表于 昨天 04:03
|
查看: 5|
回复: 0
