软件开发的未来：AI时代，代码将不再由人来写

全球逾3000名软件开发者于周二齐聚旧金山，共同探讨软件开发在AI时代的前景与走向。

此次活动由吴恩达旗下DeepLearning.AI主办，会议名称为AI Dev 26 x SF。

DeepLearning.AI首席运营官Jonathan Heyne在开场时抛出了一个核心议题：五年后，软件工程究竟意味着什么？

答案目前无人知晓，但与会者围绕当下现状进行了大量讨论。

Heyne表示，软件开发的瓶颈历来是编写代码本身，而有了AI之后，"瓶颈变成了我们的想象力"。

AMD企业副总裁、AI软件负责人Anush Elangovan随后登台，重点介绍了AMD开源软件栈ROCm在AI工作负载优化方面的最新进展，涉及多个技术项目：HotSwap——一个可在运行时拦截GPU内核工作负载并重定向ISA的工具；面向llama.cpp的全新原生HIP后端；以及高性能IREE C分词器。

Elangovan指出，AI对科技行业的变革速度远超以往任何一次技术转型。他说："速度就是护城河。"他还补充道，在AI时代，已经没有什么"太难"的事情了——当然，这一说法仍有待商榷。

AWS副总裁、杰出工程师Marc Brooker随后发言。他表示自己每天仍在编写生产代码，并直言这是他职业生涯中最令人振奋的时期。"我已经在软件行业摸爬滚打近30年，从未见过今天这样的变革速度。"

不过，Brooker并不认为AI会全面接管一切。他认为，智能体的应用空间受限于错误率，降低错误比一味追求技术前沿更为关键。他指出，智能体真正有价值的地方在于其反馈循环机制——"即便底层存在缺陷，也可以通过反馈循环在其上构建出出色的产品。"

他还介绍了AWS在代码正确性方面的多个项目，包括：Hydro（一个用于智能体与人类协作编写分布式协议的Rust框架）、Cedar（一种用于编写授权器的语言）以及Strata（一款自动化推理工具）。他同时强调了规范驱动开发的重要性，认为为AI模型提供明确规范能够显著提升输出质量。

Actian数据智能公司首席技术官Emma McGrattan接着登台。她在探讨企业数据层工程化路径时提醒在场听众，技术创新无法绕过现实中的政治因素——尤其是欧洲各国政府和企业对于将数据托管于美国服务器的普遍顾虑。她还强调，混合基础设施才是当今的主流模式，边缘部署、本地部署与云部署各有其适用场景。

会议最后举行了一场关于软件开发未来的圆桌对话。主持人Marina Mogilko邀请嘉宾以1到10分为软件开发的未来打分：Practical Data Media的Joe Reis给出8分，LandingAI的Dan Maloney给出8到9分，Oracle的Richmond Alake给出7分，Replit的Michele Catasta则给出满分10分，认为前景一片光明。

Oracle的Alake预计，未来的软件开发将更多地表现为智能体编排与管理，软件工程师的角色也将趋于融合，逐步承担产品管理、设计乃至市场营销等职能，需要直接与客户沟通以理解需求。

DeepLearning.AI创始人吴恩达在主题演讲中也表达了类似观点。他认为，由少数通才组成的小团队负责监督AI智能体，将是未来的主流模式。他还建议，与其让AI智能体只承担部分代码编写工作，不如让其全权负责所有代码。

"如果我还需要审查代码，那我自己就成了瓶颈。"他说，手写代码当然也没问题，但对于许多前沿团队而言，趋势正在向100%由AI生成代码靠拢。

软件开发的未来，看起来将越来越少地涉及真正意义上的"软件开发"。

Q&A

Q1：AI Dev 26 x SF大会上，业界对软件开发未来的主流判断是什么？

A：与会嘉宾普遍认为，未来软件开发将更多表现为对AI智能体的编排与管理，工程师角色也将向产品、设计、市场等方向延伸。吴恩达更是提出，应让AI智能体承担全部代码编写工作，人工审查反而会成为效率瓶颈，部分前沿团队已在朝100%由AI生成代码的方向迈进。

Q2：AWS的Marc Brooker如何看待AI智能体的局限性？

A：Brooker认为，智能体的应用空间受制于错误率，降低缺陷比追求技术前沿更重要。他指出，智能体的核心价值在于反馈循环机制，即便底层存在问题，也能通过持续迭代构建出高质量产品。他还介绍了Hydro、Cedar、Strata等多个旨在提升代码正确性的AWS项目。

Q3：AMD在AI软件工具方面有哪些新进展？

A：AMD企业副总裁Elangovan在会上介绍了ROCm开源软件栈的最新成果，包括可在运行时重定向GPU内核工作负载的HotSwap工具、面向llama.cpp的原生HIP后端，以及高性能IREE C分词器，整体方向是加速AI工作负载的优化与部署效率。