就业岗位流失是一个普遍存在的严重问题,但计算机专业的从业者们需要为他们所在领域的紧缩做好准备。
本月,Reed Albergotti 在 Semafor 上发表的一篇文章揭示了 Replit 的 CEO Amjad Masad 是如何在智能 AI 的支持下,热衷于将公司员工裁减一半的同时,将收入提升了约 500%。
据报道,Replit 的新工具可以"仅通过自然语言提示就编写出可运行的软件应用",这将引领计算领域的新一轮复兴,但同时也会导致一些职业人士失去工作。
这些见解让我们意识到,在某种程度上,通用人工智能 (AGI) 已经来临。剩下的大多是语义学的问题——我们将拥有"弱" AGI 还是"强" AGI?或者可能在 2030 年左右出现介于两者之间的某种形态?
加速的时间表
在报道这一快速创新时,Albergotti 指出,Masad 原本认为这种进展在今年是不可能实现的。
Albergotti 写道:"如果你此前听过 Masad 的言论,'Agent'(Replit 的引擎) 现在应该还是不可能实现的。他曾表示这在本十年内可能都无法实现。即使在去年组建'agent 特别工作组'开发该产品时,他也不确定是否能成功。"
但是,Anthropic 的 Claude 3.5 Sonnet 在去年年底的 SWE-bench 测试中取得了高分,推理模型的飞速进展改变了游戏规则。
基本上,Replit 一直在收集大量基于编码过程的内部数据来构建知识库。但现在,随着无代码技术的普及,Masad 意识到这种策略将被淘汰。
Masad 被引述说:"仅凭我们能在不使用自己数据的情况下达到这一程度,就给行业带来了很多问题。只要我们保持创新速度和进步速度,并不断深化,我认为我们可以继续保持领先。但商业问题是,'什么是持久的护城河?'"
确实,当 AI 让所有竞争环境趋于平等时,现代公司的护城河究竟是什么?是否主要取决于公司品牌?
无代码服务:它们有多实用?
文章其余部分揭示,Replit 的商业模式现在某种程度上是作为使用 Claude 进行 AI 编码的模板,这印证了 Masad 的那句话:"我们不再关心专业程序员了。"文中还提到了一个据 Albergotti 称源自 Masad 本人的概念:"Amjad 法则",该法则表明每六个月,参与方就能从代码库知识中获得一定回报。
个人计算机革命
这篇文章我特别喜欢的另一部分是 Albergotti 建议我们可以从 20 世纪末视觉操作系统界面的发展方式中获得对 AI 发展和无代码的启示。他提到使用 PC-DOS 的"晦涩"过程——你必须在命令行界面手动输入命令才能完成工作。然后出现了 Windows——一个大胆的新型视觉设计,你只需用鼠标点击即可。菜单命令都已经为你写好了。它们是嵌套的,只需几次点击就能轻松看到。这使得更多人能够有效地使用个人计算机。
无代码过程也是如此。突然间,你不需要懂编程就能创建软件了。
无代码的实际应用:仍存在障碍
尽管这里和其他地方都充满热情,但我认为可访问的无代码设计还需要一段时间。
在尝试了一些主要的无代码系统后,我意识到,除非用户工具非常直观,否则非程序员会遇到与学习计算机编程语言时相同的问题。
换句话说,即使你不用输入代码行,如何让这些视觉元素发挥作用?如何在界面中构建变量?
我甚至向 ChatGPT 询问最好的无代码工具,它给出了 Wix 和 Squarespace 等选项。但网站建设器并不新鲜。软件建设器则要新得多。我认为它们还太新,以至于大多数人都不知道如何使用它们。
我们可能需要一个类似于最初的 Windows 桌面 GUI 的应用程序,来帮助所有这些非技术人员融入其中,让每个人都能成为程序员。
同时,考虑这种变革的受害者——专业程序员们,现在就不算太早。我们很容易忘记他们也是有家庭和账单要付的人。是时候思考当 AI 能够完成我们大多数工作时,如何为人类生活提供资金支持了。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
Google DeepMind最新研究发现,视频生成AI模型Veo 3展现出惊人的零样本学习能力,能够在未经专门训练的情况下完成图像分割、边缘检测、迷宫求解等多种视觉任务。研究团队通过18,384个视频样本验证了这一发现,认为视频模型正朝着通用视觉智能方向发展,可能引发类似大语言模型的行业变革。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
北航团队开发的GeoSVR技术突破了传统3D重建方法的局限,采用稀疏体素表示和体素不确定性评估,无需依赖初始点云即可实现高精度表面重建。该方法通过智能的深度约束和体素协同优化策略,在DTU等标准数据集上取得了最佳性能,为VR/AR、文物保护、影视制作等领域提供了新的技术选择。