摘要：这让不少工程师感到焦虑。本文作者 Jasper Gilley 曾是大厂的机器学习工程师，在他看来，这场变革正在加速推进，他的岗位或许在今年年底前就会被 AI 取代。面对从工程师即将转型为“AI 调试员、AI 产品经理+基础设施运维员”的新角色，在可以预见的未来

随着 AI 编程工具的飞速发展，传统的开发模式正受到前所未有的冲击。许多曾经依赖人力完成的任务，如今依靠一个智能编码助手便能在短时间且轻松搞定。

作者 | Jasper Gilley 责编 | 苏宓

出品 | CSDN（ID：CSDNnews）

以下为译文：

直到今年 2 月，我还在某家 FAANG 公司担任机器学习工程师，主要负责对 LLM 进行微调，以优化语言翻译任务。这是一份不错的工作，我喜欢这份工作，也喜欢我的同事。然而，从如今市场动态来看，我在几周前决定辞职。我现在确信，我之前的工作将在今年年底前变得过时。

2025 年初的工程师职位现状

首先，我想介绍一下自己的工作背景，我的职业生涯始于一家创业公司的后端工程师，随后跳槽到几家早期 AI 初创公司从事 ML 工作，最后成功进入 FAANG 公司。

自 2021 年入行以来，不到五年的时间，这个行业已经发生了巨大的变化。

我的第一份工作主要就是按照 Jira 任务单上的指示，完成一个个被分配好的小任务。这些任务按照难度被打上了不同的分数，我的工作就是逐个解决它们。有时候，我会和另一位工程师一起结对编程。但现在看来，这种工作方式如果还没有完全被淘汰，也基本上快成为“上个时代的老古董”了。

如今，一线大厂公司的代码成本已大幅下降，大约是过去的 1/10。像我第一家公司那样的微服务代码库，现在可能只需要一个人借助高级编码辅助工具（如 Claude Code）一天就能完成。这也就不难理解，为什么初级开发者的需求几乎消失了——如今，这类公司的大部分后端工作都集中在调试复杂、棘手的案例，而这些问题通常只有高级工程师以上的水平才能解决。

机器学习（ML）工作的不同之处在于，它涉及对成本极高的硬件资源的管理，包括成本、可用性和执行时间——即使在超大规模公司也是如此。曾经，我认为这一点可以在一定程度上保护 ML 岗位免受自动化的冲击。AI 生成的代码或许在你的 Next.js 个人项目的前端还能凑合，但如果它在训练过程中产生了错误假设，导致隐性错误，那就麻烦了。

这种情况在可预见的未来可能仍然成立，但对于希望保住工作的 ML 工程师来说，有两个关键问题：

就像代码成本已经下降了一个数量级一样，调试的成本也在快速下降，AI 编码 Agent 或工具能比你更快地扫描代码并找到问题。

如果你的工作只是充当 AI 系统的“上下文管理粘合剂”，或者是“首席调试官”，负责解决最复杂的问题——这种工作真的值得拥有吗？

不久前，我在旧金山科技圈普遍感受到这样一种趋势：随着 AI 编码能力的提升，最好的去处是找一份 FAANG 公司的养老股（rest-and-vest）工作，在那里你可以慢慢地自动化自己的工作，同时领取股票激励（RSU）。

但很遗憾，有效市场假说（Efficient Market Hypothesis）比这更接近现实。

注：有效市场假说认为，市场上的所有可用信息都会迅速、准确地反映在资产价格中，因此，没有人能够长期通过技术分析或基本面分析获得超额收益。换句话说，股价已经包含了所有已知信息，试图通过研究历史数据或财务报表来预测股价并获得高额回报是无效的。

AI 编码 Agent 能进步多快，管理层的期望值就能涨多快。

这意味着，工程师岗位的瓶颈不再是编写代码，而是基础设施管理、文档撰写/AI 上下文管理以及测试工作——最令人沮丧的是，与非技术人员的沟通。

相比于过去完整的开发流程（编写规范 → 编写代码 → 测试），越来越多的人可以做到“复制需求 → 交给 AI 编码代理 → 进行测试”。

科技公司在短期内可能不会过分追求利润最大化，但在中期内，它们非常贪婪。为了保持声誉，它们不会在经济向好时裁员，但在中等或低迷时期，它们一定会裁员来节省大量成本。

2025 年底或 2026 年的工程师工作会是什么样？

现在，大部分工程师的工作时间并不在 IDE 里，而是花在：

编写/澄清需求，与利益相关方讨论消除歧义

验证功能是否按预期运行

这些任务目前仍然超出 AI 模型的能力范围，原因并非是 AI 无法胜任，而是因为它涉及：

理解和操作内部软件

参考大量文档

在特定背景下设计和运行合理的测试

但要让 AI 能够自动执行这些“信息收集”任务，所需的能力进步并不多。作为一个有 GUI 代理开发经验的人，我认为这些能力应该能在 2025 年底前实现。它只需要：

适当管理上下文信息

该忽略时忽略信息，该查找时查找信息

从技术角度来看，这些都不是什么难以突破的障碍，尤其是在 Anthropic 的 MCP(Model Context Protocol)等非 GUI 工具的加持下，这种能力的采用和准确性会进一步提升。

顺便提一下，AI Agent 的一个关键区别在于你告诉它们使用的是第一方软件还是第三方软件。如果你让 AI 执行太多次在 UberEats 网站上帮你订餐之类的任务，很可能会被 CAPTCHA 或反机器人系统拦截。但如果是访问内部文档，公司可以确保 AI 不会被拦截，因此 GUI 代理在内部任务上的应用速度可能会远快于外部任务。

总而言之，我认为有证据表明，到 2025 年底或 2026 年，绝大多数工程和纯知识型工作的岗位都将由 AI 代理完成，而原本的从业者可能转型为：

AI 产品经理

基础设施运维人员

AI 代理团队的管理者

从某种角度来说，这是一件好事！我们将拥有几乎无限的、成本约等于零的代码产出。但老实说，成为“AI 产品经理+基础设施运维员”的工作对我来说太无聊了，所以我几周前辞掉了 FAANG 的工作。

在无限机器智能时代，人类该何去何从？

尽管一些科技人士可能认为“智能”是唯一重要的生产要素，但事实并非如此，仍然有一些经济活动是人类独有的，不会仅凭 AI 的“智力”就被替代。

如果你目前是一名知识型从业者，但不想成为“AI 代理管理员”，你未来的方向将取决于你的个人特点和技能。一个方法是与 AI 对话，思考哪些工作即使 AI 可以做得很好，人们仍然不愿意让 AI 去做。当然，你也可以选择继续当 AI 管理员。

但对我来说，工程职业的魅力在于“运用智力解决问题”，而恰恰是这部分工作最容易被 AI 替代。人类不仅仅是靠“智力”定义的，但更不是靠“帮 AI 做管理”来定义的。

我认为，某些类型的销售工作属于“即使 AI 能做好，人们仍然希望由人来做”的范畴。对于买卖双方来说，让“人”介入交易流程是符合经济利益的。因此，我辞职后的下一个职业方向是——与人交谈，介绍优秀的 AI 产品，并帮助他们判断这些产品是否有用。

来源：CSDN