X记录空间AWS和微软领导层之间的冲突
今年两篇关于人工智能对初级软件工程师影响的文章，其内容却截然相反，而且被分享得最多。
在《初级开发人员怎么办？》一文中，AWS 副总裁兼杰出工程师 Marc Brooker 指出，初级开发人员拥有结构性优势。他们积累的经验法则尚未固化成习惯，因此无需摒弃任何旧知识。他表示，对于那些愿意拓展视野的人来说，这个领域“比以往任何时候都更有发展潜力” 。
大约在同一时间，微软Azure首席技术官兼副首席信息安全官马克·鲁西诺维奇（Mark Russinovich）和微软副总裁兼技术人员斯科特·汉塞尔曼（Scott Hanselman）发表了题为《重新定义人工智能软件工程职业》的论文，该论文提出了截然相反的观点：人工智能会“拖累”职业生涯早期的开发人员。初级开发人员必须在有机会培养胜任这项工作所需的判断力之前，就必须引导、验证和集成人工智能的输出。如果组织只关注短期效率，他们“就有可能扼杀下一代技术领导者”。
这两篇论文都引起了广泛的讨论，都被视为权威之作，但它们的观点却截然相反。
如果他们不这样做呢？
如果双方对人工智能和初级开发人员的看法都正确呢？
Brooker描述的是初级开发人员的个人能力。他们能够摒弃错误的思维定式，自如地将工作范围扩展到业务背景和系统所有权，随身携带寻呼机，并在编写代码的同时学习经济学知识。这样的人将会取得成功。当那些根深蒂固的假设最终都会过时时，缺乏这些假设反而会成为一种优势。
鲁西诺维奇和汉塞尔曼描述的是初级开发人员群体所面临的困境。当公司停止招聘初级开发人员，或者招聘后让他们与人工智能代理而非经验丰富的工程师搭档，或者只衡量短期产出速度时，组织内部的人才培养体系就会枯竭，因为培养判断力所必需的结构已被移除。
这两种说法都正确，只是关注的层面不同。布鲁克谈的是个人特质，而鲁西诺维奇和汉塞尔曼谈的是组织设计。表面上的矛盾并不存在，他们只是聚焦于不同的层面。
这意味着真正值得问的问题不是“人工智能会伤害还是帮助初级开发人员？”，而是“谁在做这个决定，我们是否在有意地做这个决定？”
自动化如何重塑了职业格局
19 世纪铁路工程师亚瑟·M·惠灵顿（Arthur M. Wellington）因其在基础设施经济学方面的工作而闻名，他将工程定义为“用一美元做好任何笨蛋用两美元也能勉强做到的事情的艺术”。
他例子中的“艺术”指的是经济高效地建造。当建造成本降低时，这个行业就会围绕判断、权衡和约束管理进行重组。
这是一种规律，而不是预测。
最清晰的量化例子来自制造业。20世纪70年代及以后，随着数控机床（CNC）的普及，金属加工自动化程度不断提高，操作手动工具的工人逐渐被取代。但这个职业并没有萎缩。美国国家经济研究局（NBER）2022年发布的一项研究《计算机化机床与美国制造业的转型》追踪了四十年的数据，研究团队发现，受影响行业的大学毕业生就业率在较低基数的基础上增长了86%，而高中毕业生的就业率则下降了7%至8%。
研究人员表示，需求增长的任务“更具概念性，与社会联系更紧密，需要更多的培训、准备和学习”，而需求下降的任务则不然。
执行变得可编程，整个行业围绕判断、定制和系统级思维进行了重组。
你可能已经听过这个故事的电子表格版本了。Excel问世后，簿记员和文员的数量从200万锐减至150万，但会计师、审计师和财务经理的数量却激增。随着账务工作成本的降低，这个行业开始向上游发展，涉足分析和咨询领域。
不过，结构上最相似的案例目前正在另一个领域上演：随着取证和合同审查的自动化，大型律师事务所正在缩减初级员工的规模。
以人为本的工作重心转移到叙事构建、诉讼策略和客户咨询上。但将职业重心向上游转移并非易事：历史上，证据开示是初级律师培养判断力的关键环节。审阅成千上万份文件的繁琐工作教会了他们模式识别、相关性筛选和对抗性思维。执行环节的自动化消除了这些苦差事——同时也抹去了这片训练场。
听起来是不是很熟悉？
模式始终如一：当执行成本降低时，各行各业都会围绕判断力进行重组。而具体情况不同的问题是，这种重组是否会吸纳下一代人才，还是会将他们抛弃。
你已经开始做出招聘决定了——无论你是否意识到这一点
本季度所有选择不增设初级职位的公司都做出了这样的决定。所有让资深工程师与人工智能编码代理搭档，而不是与初级开发人员合作的团队也都做出了同样的决定。所有只关注产出速度而不考虑如今已不复存在的指导关系的管理者，也默认做出了同样的决定。
这些都是如今正在做出的决定，而且大多并非有意为之。
比“直接招几个初级工程师，让他们结对工作”更复杂的是：布鲁克在同一时期发表的另一篇文章《我的经验法则错了，现在怎么办？》描述了一场“经验法则的灭绝事件”。资深工程师们在被要求传递判断的同时，也在修正自己的经验法则。经验丰富的工程师关于系统可维护性、代码成本、API设计和服务边界假设的思维模型，几乎实时地被推翻。
这就是为什么鲁西诺维奇和汉塞尔曼的导师制模型（通过结对实践进行结构化指导）强调为期一年的平等结对关系，而不是资深专家向实习生传授经验。该模型之所以有效，是因为双方都在共同学习。资深专家贡献模式识别和系统背景知识，而实习生则贡献对人工智能工具的熟练运用以及摆脱不再适用的经验法则的能力。双方都不是老师，而是学习者。
如果你正在招聘，那么你的选择是：要么有意识地做出这个结构性决定，要么让它在无意中发生——进行上百次关于人员编制的讨论，却从未考虑过你的人才储备。
如果你是初级员工：如何在不等待组织的情况下建立判断力
以上所有内容都与作用于你的各种力量有关。这些力量是你无法改变的，例如组织决策、群体动态和人才储备经济状况。
但无论公司选择哪种方式，你仍然可以进行优化。
布鲁克的建议很简单：拓展视野。深入了解业务背景、客户需求、经济因素和权衡取舍。掌控系统。随时待命。不要等到架构完善才去培养判断力。要主动去探索模糊之处，从而构建自己的判断体系。
AWS 的另一位工程师 Albert Zhao在最近的一段视频中具体阐述了这一点：与其“学习如何更好地编写代码”，不如“学习如何对系统做出决策”：理解为什么服务边界会出现在哪里，为什么会选择特定的权衡取舍，以及当需求发生变化时会产生哪些次要影响。
组织架构设计问题是你无法控制的。你能控制的是，你是否在构建一种对决策双方都至关重要的判断力。
