Awni Hannun，苹果机器学习研究（MLR）组研究科学家，MLX框架联合创作者。曾任职于Zoom、Facebook AI Research及百度硅谷AI实验室，共同领导Deep Speech项目。斯坦福大学计算机科学博士（导师Andrew Ng），长期专注深度学习、语音识别、低资源机器学习等领域。
AI编写代码的质量和生成速度都在快速提升，目前看来这一趋势丝毫没有放缓的迹象。基于此，我越来越多地思考软件开发的未来，特别是以下三个正在酝酿深刻变革的领域。
1. 智能体优先协作 (Agent-first Collaboration)
过去一年，我们见证了从Cursor这类AI辅助IDE到Claude Code等智能体命令行工具（Agent CLI）的演变。这条演进路径清晰地揭示了一个趋势：随着AI能力增强，人类在编码过程中的直接参与度正在降低。
- 平台转型：顺理成章的下一步，可能是从CLI工具转向“智能体优先”的协作平台。你可以将其想象成一个为自主AI智能体打造的GitHub，或者说，GitHub本身也可能会朝这个方向演化。
- 新瓶颈出现：当AI能够高速生成绝大部分代码时，新的瓶颈会出现在哪里？提前思考这一点有助于我们找准未来的价值锚点。例如，AI生成的代码同样需要测试。届时，我们将需要大量低延迟计算资源，来高效验证AI产出的海量代码。
- 闭环系统的重要性：和人类一样，智能体在拥有快速、紧密的反馈闭环时表现最佳。这体现在多种场景：编写代码后能立刻运行测试；优化代码后能立即进行性能分析和基准测试；开发新功能后能观察其实际使用情况；或者为实验编写代码后能迅速获得运行结果。计算资源的可及性与敏捷性将成为关键。
2. 软件贤能政治 (Software Meritocracy)
在过去，一种编程语言、一个框架乃至一类硬件能否流行，很大程度上取决于“有多少人在用”。活跃的生态系统会不断巩固少数几种特定语言和平台的统治地位。
- 打破采用门槛：创造一种新语言（或框架/API/领域特定语言等）最困难的部分，是说服人类开发者去学习和使用它。历史上，许多优秀的设计或实现，仅仅因为缺乏用户基础而湮没无闻。
- 代码转换的力量：然而，大语言模型（LLM）极其擅长进行“代码到代码”的转换，这比从零开始生成（de-novo generation）要高效得多。就像人类一样，拥有参考代码对AI来说价值巨大。
- 即时专业化成为可能：LLM显著降低了新语言的入门门槛，也让“专业化”变得更具实践意义。未来，我们可能不再需要为了普适性而处处妥协的通用框架。AI可以实现即时的专业化定制，为特定任务生成最贴合的代码形态。
- 兼容性负担过时：“向后兼容”和“向前兼容”的重要性正在下降。为了处理兼容性问题（既不能破坏现有用户，也不能承诺未来无法支持的功能），维护者在API设计中引入了大量复杂性。其根源在于人类更新和迁移的速度太慢、惰性太大。而智能体可以在瞬间完成更新，这使得我们可以更自由地追求最优设计，而非被历史包袱所累。
3. 认知债 (Cognitive Debt)
随着人类亲手编写的代码比例越来越低，我们对底层系统和算法的思维模型会逐渐衰退，甚至从一开始就无法建立。这种理解能力的“负债”，就是“认知债”。
- 它重要吗？ 在当下人机协作的“半人马”阶段，它非常重要；但当进入完全自主阶段后，它的重要性就会下降。
- 稀缺的干预能力：我认为，达到99.99(...)%的代码由AI编写所需的时间，会比我们预期的短；但达到100%完全自主的时间，会比预期的长。这意味着在极少数但关键的边缘情况下，人类的干预依然不可或缺。基于简单的供需关系，这种干预能力将变得极具价值：能胜任的人越来越少，并且由于“认知债”的普遍存在，具备这种深度理解和纠偏能力的人会更加稀缺。
- 复杂性灾难的隐忧：智能体团队将以惊人的速度生产出复杂度极高的软件制品。事实上，这种情况已经在发生。目前，这类项目的影响范围还相对有限（即使崩溃也不会波及太多人），但这种状态不会永远持续。当由智能体编写和维护的软件成为我们社会基础设施的基石时，其中的任何一个Bug或安全漏洞，都可能带来灾难性的后果。
这不仅仅是工具效率的提升，更是一场关于软件创造逻辑、价值分配与风险形态的深层重构。这场变革将如何重塑开发者的角色与开发者社区的形态，值得我们持续观察与思考。
原文观点来自 Awni Hannun (X: @awnihannun) | 
发表于 昨天 04:25
|
查看: 6|
回复: 0
