谷歌工程師拋出5個殘酷問題：未來兩年，軟件工程還剩下什么？_自動化|軟件工程|編程

文章圖片

文章圖片

機器之心編譯
軟件行業(yè)正站在一個頗為微妙的拐點上。 AI 已經(jīng)從自動補全代碼，演進為能夠自主執(zhí)行開發(fā)任務(wù)的智能體。
在這一變化之下，初級開發(fā)者和高級開發(fā)者正同時被推入各自不同、卻同樣棘手的困境之中。
對初級開發(fā)者而言，最大的挑戰(zhàn)不在于會不會寫代碼，而在于還沒來得及成長，練級空間就被壓縮了。企業(yè)不再愿意為學(xué)習(xí)成本買單，初級崗位要么減少，要么被要求一上來就能獨立產(chǎn)出。
而對高級開發(fā)者來說，處境同樣不好過。 AI 并沒有讓他們更輕松，而是讓責(zé)任進一步集中。當(dāng)團隊規(guī)模縮小、初級人手減少，高級工程師往往既要做架構(gòu)決策，又要兜底 AI 和自動化系統(tǒng)帶來的各種隱性風(fēng)險，代碼質(zhì)量、性能、安全、合規(guī) 。寫代碼的比例在下降，但判斷、評審和決策的壓力卻在上升，一旦系統(tǒng)出問題，責(zé)任仍然落在人身上。
接下來會發(fā)生什么，充滿了不確定性。
Addy Osmani ，來自谷歌的一名軟件工程師，在一篇文章中提出了 5 個可能在 2026 年前重塑軟件工程的關(guān)鍵問題，并為每個問題給出兩種截然不同的走向。

文章鏈接：https://addyosmani.com/blog/next-two-years/
這五個問題都指向同一件事，軟件工程正在從寫代碼的職業(yè) ，轉(zhuǎn)變?yōu)轳{馭復(fù)雜系統(tǒng)與 AI 的職業(yè) 。未來不是單一答案，而是多種路徑并存，誰能適應(yīng)變化，誰就能留下來。
初級開發(fā)者之問
結(jié)論很直接：隨著 AI 開始自動化入門級任務(wù) ，初級開發(fā)者的招聘可能會出現(xiàn)崩塌；也可能隨著軟件滲透到幾乎所有行業(yè)而重新反彈。這兩種未來都存在，但對應(yīng)的生存策略完全不同。
像傳統(tǒng)路徑，學(xué)會編程、拿到初級崗位、逐步成長為高級工程師正在動搖。一項覆蓋 6200 萬名勞動者的哈佛研究發(fā)現(xiàn) ，當(dāng)企業(yè)采用生成式 AI 后，在六個季度內(nèi) ，初級開發(fā)者的就業(yè)人數(shù)下降了大約 9%–10% ，而高級開發(fā)者的就業(yè)幾乎沒有變化。過去三年，大型科技公司招聘的應(yīng)屆畢業(yè)生數(shù)量減少了 50% 。正如一位工程師略帶諷刺地說：既然一個 AI 編碼智能體的成本更低，為什么還要花 9 萬美元去雇一個初級工程師？
這并不只是 AI 的問題。像利率上升等宏觀因素，在 2022 年左右就已出現(xiàn)影響，那時 AI 工具還未大規(guī)模普及。但 AI 加速了這一趨勢。如今，一名配備 AI 輔助的高級工程師，產(chǎn)出已經(jīng)相當(dāng)于過去一個小團隊的工作量。相比裁員，許多公司更常見的做法是悄悄地不再招聘初級開發(fā)者。
反過來的情景是：AI 在所有行業(yè) ，而不僅僅是科技行業(yè) ，釋放出對開發(fā)者的巨大需求。醫(yī)療、農(nóng)業(yè)、制造業(yè)、金融業(yè)都開始大規(guī)模嵌入軟件和自動化。 AI 不是取代開發(fā)者，而是成為一種放大器，把開發(fā)工作擴展到過去幾乎不雇程序員的領(lǐng)域。初級崗位會更多出現(xiàn) ，但形式不同：那些能快速為特定細分場景構(gòu)建自動化和集成方案的 AI 原生開發(fā)者。
美國勞工統(tǒng)計局預(yù)計， 2024 年到 2034 年間，軟件相關(guān)崗位將增長約 15% 。如果企業(yè)選擇用 AI 來擴大產(chǎn)出，而不是單純壓縮人力規(guī)模，它們?nèi)匀恍枰祟惾グ盐?AI 創(chuàng)造的新機會。
但悲觀情景的一個長期風(fēng)險常常被忽視：今天的初級開發(fā)者，就是 5 到 10 年后的高級工程師和技術(shù)領(lǐng)導(dǎo)者。如果完全切斷人才培養(yǎng)管道，最終會造成領(lǐng)導(dǎo)力真空。行業(yè)老兵將這種現(xiàn)象稱為緩慢衰退，一個停止培養(yǎng)接班人的生態(tài)系統(tǒng) 。
如何應(yīng)對？
對于初級開發(fā)者來說，要讓自己具備 AI 使用能力并保持多面性。證明一名初級開發(fā)者 + AI 的組合，能夠匹配一個小團隊的產(chǎn)出。使用 AI 編碼智能體（如 Cursor、Antigravity、Claude Code、Gemini CLI）來構(gòu)建更大的功能模塊，但要理解并能解釋其中的每一行代碼，至少是大部分代碼。把重心放在 AI 不容易替代的能力上：溝通能力、問題拆解能力、領(lǐng)域知識。將相鄰崗位（如 QA、開發(fā)者關(guān)系、數(shù)據(jù)分析）視為切入口。建立作品集，尤其是包含 AI API 集成的項目。考慮學(xué)徒制、實習(xí)、合同制工作或參與開源項目。不要成為又一個需要大量培訓(xùn)的應(yīng)屆生，而要成為一個能夠立刻產(chǎn)生價值、并且學(xué)習(xí)速度很快的工程師。
對于高級開發(fā)者來說，初級人員減少意味著更多基礎(chǔ)性工作會落到自己身上。要用自動化來應(yīng)對日常事務(wù) ，但不要什么都自己做。搭建 CI/CD、代碼規(guī)范檢查工具以及 AI 輔助測試，以捕捉基礎(chǔ)問題。通過開源項目或輔導(dǎo)其他部門的同事，進行非正式的指導(dǎo) 。如果未來初級崗位需求回升，要準備好高效地進行入職引導(dǎo) ，并以結(jié)合 AI 的方式進行任務(wù)分配。你的價值不在于自己寫了多少代碼，而在于放大整個團隊的產(chǎn)出。

技能之問
【谷歌工程師拋出5個殘酷問題：未來兩年，軟件工程還剩下什么？】核心結(jié)論：當(dāng) AI 編寫了大部分代碼之后，編程基本功要么會逐漸退化，要么會因為人類開發(fā)者轉(zhuǎn)向監(jiān)督與把關(guān)而變得比以往任何時候都更重要。接下來的幾年，將決定我們究竟是用理解力換速度，還是在效率提升的同時守住理解。
如今，已有 84% 的開發(fā)者在日常工作中經(jīng)常使用 AI 輔助。對許多人來說，面對一個 Bug 或新功能時的第一反應(yīng) ，不再是從零開始寫代碼，而是先寫一個提示詞，把 AI 生成的代碼片段拼接起來。入門級開發(fā)者正在跳過最難的那條路：他們可能從未親手實現(xiàn)過一棵二叉搜索樹，也從未獨立排查過一次內(nèi)存泄漏。
技能結(jié)構(gòu)正在發(fā)生遷移：從實現(xiàn)算法，轉(zhuǎn)向知道如何向 AI 提出正確的問題，并驗證它的輸出。職業(yè)階梯的第一步，不再要求展示純粹的編碼能力，而是能夠熟練地提示 AI、校驗結(jié)果。一些資深工程師擔(dān)心，這會催生出一代無法獨立高質(zhì)量寫代碼的開發(fā)者，一種事實上的去技能化。而 AI 生成的代碼往往會引入隱蔽的 Bug 和安全漏洞，經(jīng)驗不足的開發(fā)者很容易忽略這些問題。
另一種對立的情景是：當(dāng) AI 處理掉 80% 的常規(guī)工作后，人類將專注于最困難的那 20% 。架構(gòu)設(shè)計、復(fù)雜集成、創(chuàng)造性設(shè)計、邊界情況 —— 這些仍然是機器單獨難以解決的問題。 AI 的普及并不會讓深度知識過時，反而會讓人類專家的價值更加凸顯。這正是高杠桿工程師：他們把 AI 當(dāng)作放大器，但必須對系統(tǒng)有深入理解，才能真正駕馭它。
如果每個人都能使用 AI 編碼智能體，真正區(qū)分優(yōu)秀開發(fā)者的，是能否判斷 AI 何時是錯誤的，或次優(yōu)的。一位資深工程師曾這樣說過：最好的軟件工程師，不是寫代碼最快的人，而是最清楚什么時候不該相信 AI 的人。
編程工作的重心正在轉(zhuǎn)移：更少時間用來敲模板代碼，更多時間用來審查 AI 輸出是否存在邏輯錯誤、安全缺陷，或與需求不匹配的問題。關(guān)鍵能力逐漸變成軟件架構(gòu)、系統(tǒng)設(shè)計、性能調(diào)優(yōu)和安全分析。 AI 可以很快生成一個 Web 應(yīng)用，但只有經(jīng)驗豐富的工程師，才能確保它遵循了安全最佳實踐，沒有引入競態(tài)條件。
在 2025 年，開發(fā)者社區(qū)的討論明顯分裂。一些人坦言自己幾乎不再手寫代碼，認為面試和考核方式也應(yīng)該隨之演進；另一些人則認為，跳過基礎(chǔ)訓(xùn)練會導(dǎo)致在 AI 輸出失效時陷入更頻繁、更痛苦的救火。整個行業(yè)開始期待工程師同時具備兩種能力：AI 帶來的速度，以及支撐質(zhì)量的基礎(chǔ)智慧。
如何應(yīng)對：
對于初級開發(fā)者來說，要把 AI 當(dāng)作學(xué)習(xí)工具，而不是拐杖。當(dāng) AI 編碼智能體（如 Cursor、Antigravity、Claude Code、Gemini CLI）給出代碼時，主動復(fù)盤它為什么能工作、哪里可能存在問題。偶爾關(guān)閉 AI 輔助，親手實現(xiàn)關(guān)鍵算法。優(yōu)先夯實計算機科學(xué)基?。菏萁峁埂⑺惴ā⒏叢傭確治觥⒛詿婀芾?。一個項目可以做兩遍，一遍借助 AI ，一遍不借助 AI ，對比差異。學(xué)習(xí)提示詞工程和工具使用技巧。同時訓(xùn)練嚴謹?shù)臏y試習(xí)慣：編寫單元測試，在不立刻求助 AI 的情況下閱讀堆棧信息，熟練使用調(diào)試器。深化 AI 難以復(fù)制的互補能力：系統(tǒng)設(shè)計、用戶體驗直覺、并發(fā)問題的推理能力。向外界證明，你既能借助 AI 高效產(chǎn)出，也能在它失效時解決棘手問題。
對于高級開發(fā)者來說，要將自己定位為質(zhì)量與復(fù)雜性的守門人。持續(xù)打磨核心專長：架構(gòu)、安全、可擴展性以及領(lǐng)域知識。練習(xí)在系統(tǒng)中引入 AI 組件時的整體建模，并提前思考失敗模式。持續(xù)關(guān)注 AI 生成代碼中暴露出的新型漏洞。主動承擔(dān)導(dǎo)師和評審者的角色，明確哪些場景可以使用 AI ，哪些場景必須人工審查（例如支付或安全相關(guān)代碼）。把精力更多放在創(chuàng)造性和戰(zhàn)略性工作上，讓初級開發(fā)者 + AI 的組合去處理常規(guī)的 API 對接，而你來決定應(yīng)該構(gòu)建哪些 API 。投資軟技能和跨領(lǐng)域知識，持續(xù)跟進新工具和最佳實踐。最終，進一步強化那些讓人類開發(fā)者不可替代的能力：穩(wěn)健的判斷力、系統(tǒng)級思考，以及培養(yǎng)他人的能力。

角色之問
核心結(jié)論：開發(fā)者這一角色，可能會收縮為一種有限的審計崗位（主要負責(zé)監(jiān)督 AI 生成的代碼），也可能擴展為一個關(guān)鍵性的編排者角色，負責(zé)設(shè)計和治理由 AI 驅(qū)動的系統(tǒng) 。無論走向哪一種未來，創(chuàng)造價值都不再只是寫代碼本身。
這里的兩種極端非常鮮明。在其中一種設(shè)想中，開發(fā)者的創(chuàng)造性職責(zé)被明顯削弱。他們不再真正構(gòu)建軟件，而是主要負責(zé)審計和看護 AI 的輸出。 AI 系統(tǒng)承擔(dān)實際生產(chǎn)；人類開發(fā)者檢查自動生成的代碼，查找錯誤、偏見或安全問題，并批準部署。創(chuàng)造者變成了檢查者，寫代碼的樂趣被風(fēng)險管理的焦慮所取代。
已經(jīng)有報道稱，一些工程師花在評估 AI 生成的 pull request 和管理自動化流水線上的時間越來越多，而從零開始寫代碼的時間卻越來越少。編程逐漸不像是一種創(chuàng)造性的問題求解，更像是一種合規(guī)性工作。一位工程師曾無奈地感嘆：我不想最后變成一個代碼清潔工，只是收拾 AI 扔過來的爛攤子。
另一種未來則要有意思得多：開發(fā)者進化為高層次的編排者，融合技術(shù)、戰(zhàn)略與倫理責(zé)任。隨著 AI 工人的出現(xiàn) ，人類開發(fā)者承擔(dān)起類似架構(gòu)師或總承包商的角色，負責(zé)設(shè)計整體系統(tǒng) ，決定哪些任務(wù)交給哪一個 AI 或軟件組件，并將眾多運轉(zhuǎn)中的部件編織成一個完整方案。
一位低代碼平臺的 CEO 曾這樣描述這一愿景：在 Agentic 的開發(fā)環(huán)境中，工程師會成為作曲家，指揮由多個 AI 智能體和軟件服務(wù)組成的合奏。他們不會親自寫下每一個音符，但會定義旋律 —— 系統(tǒng)架構(gòu)、接口，以及各個智能體如何交互。這個角色本身具有跨學(xué)科和創(chuàng)造性：既是軟件工程師，又是系統(tǒng)架構(gòu)師，同時還是產(chǎn)品戰(zhàn)略制定者。
更樂觀的看法是：當(dāng) AI 接管重復(fù)性勞動后，開發(fā)者的角色將被迫轉(zhuǎn)向更高價值的活動。工作本身反而可能變得更有意思。總得有人決定 AI 應(yīng)該構(gòu)建什么，驗證產(chǎn)品是否合理，并不斷對其進行改進。
最終走向哪一條路，很大程度上取決于組織如何選擇整合 AI 。把 AI 視為勞動力替代品的公司，可能會縮減開發(fā)團隊規(guī)模，讓留下來的工程師負責(zé)維持自動化系統(tǒng)運轉(zhuǎn)；而把 AI 當(dāng)作團隊放大器的公司，則可能保持相近的人員規(guī)模，但讓每位工程師承擔(dān)更宏大的項目。
如何應(yīng)對：
對于初級開發(fā)者來說，要主動尋找不只是寫代碼的機會。可以自愿參與測試用例編寫、CI 流水線搭建或應(yīng)用監(jiān)控等工作，這些能力都與審計者 / 看護者角色高度契合。同時，通過個人項目保持對創(chuàng)造性編碼的熱情，避免失去構(gòu)建的樂趣。培養(yǎng)系統(tǒng)思維：學(xué)習(xí)各個組件如何通信，理解什么樣的 API 才算設(shè)計良好。多閱讀工程博客和系統(tǒng)設(shè)計案例。熟悉代碼生成之外的 AI 與自動化工具，例如編排框架和 AI API 。提升書面和口頭溝通能力，寫文檔時假設(shè)讀者是另一個人。向資深同事請教時，不只問我的代碼能不能跑，而要問我是不是考慮到了該考慮的事情。為自己做好準備，成為驗證者、設(shè)計者和溝通者，而不僅僅是寫代碼的人。
對于高級開發(fā)者來說，要主動擁抱領(lǐng)導(dǎo)力和架構(gòu)層面的責(zé)任。塑造 AI 和初級成員遵循的標準與框架，制定代碼質(zhì)量清單和負責(zé)任使用 AI 的規(guī)范。持續(xù)關(guān)注 AI 生成軟件在合規(guī)與安全方面的新問題。把重心放在系統(tǒng)設(shè)計和集成能力上，主動梳理跨服務(wù)的數(shù)據(jù)流并識別潛在失效點。熟練使用各種編排平臺，如 Kubernetes、Airflow、無服務(wù)器框架以及智能體編排工具。進一步強化技術(shù)導(dǎo)師的角色：更多代碼評審、設(shè)計討論和技術(shù)規(guī)范輸出。打磨快速評估他人（或 AI）代碼并給出高層次反饋的能力。同時培養(yǎng)產(chǎn)品和業(yè)務(wù)意識，理解為什么要做某個功能，以及用戶真正關(guān)心什么。可以旁聽產(chǎn)品經(jīng)理的工作，或參與用戶反饋會議。通過原型開發(fā)、黑客松或前沿技術(shù)研究，保護并延續(xù)自己的創(chuàng)造熱情。從寫代碼的人，進化為指揮全局的指揮家。
專才還是通才之問
核心結(jié)論：過于狹窄的專才，面臨其細分領(lǐng)域被自動化或淘汰的風(fēng)險；而在一個快速變化、深度融入 AI 的環(huán)境中，更受青睞的是 T 型工程師，既具備廣泛的適應(yīng)能力，又在一兩個方向上有深度專長。
在模型、工具和框架不斷興衰更替的背景下，把整個職業(yè)生涯押注在單一技術(shù)棧上，風(fēng)險越來越高。某個傳統(tǒng)框架的專家，可能會突然發(fā)現(xiàn) ，當(dāng)新的 AI 工具幾乎不需要人工干預(yù)就能處理那套技術(shù)時，自己的需求度迅速下降。那些只專注于某一個技術(shù)棧、某一個框架或某一個產(chǎn)品領(lǐng)域的開發(fā)者，可能一覺醒來就發(fā)現(xiàn) ，這個領(lǐng)域正在衰退，甚至變得多余。
回想一下 COBOL 開發(fā)者、Flash 開發(fā)者，或那些在行業(yè)轉(zhuǎn)向時未能及時轉(zhuǎn)型的移動游戲引擎專家。不同之處在于，如今變化的速度更快。 AI 自動化可以讓某些編程任務(wù)變得極其簡單，從根本上削弱那些圍繞這些任務(wù)建立起來的崗位。一個只會做一件事的專家（比如精調(diào) SQL 查詢，或把 Photoshop 設(shè)計稿切成 HTML），可能會發(fā)現(xiàn) AI 已經(jīng)承擔(dān)了其中 90% 的工作。
招聘市場總是在追逐最新的細分領(lǐng)域。幾年前，云基礎(chǔ)設(shè)施專家炙手可熱；如今， AI/ML 工程師成為焦點。那些只深耕于昨日技術(shù)的人，往往會在該領(lǐng)域失去吸引力時陷入停滯。
與此相對的是一種新的專業(yè)化形態(tài)：多面手式的專才，或者說 T 型開發(fā)者。他們在一到兩個領(lǐng)域具備深度專長（縱向的一筆），同時對許多其他領(lǐng)域有廣泛了解（橫向的一筆）。這類工程師往往成為跨學(xué)科團隊中的膠水，能夠與不同方向的專家溝通，在需要時填補空白。
企業(yè)不再需要要么過于淺嘗輒止、要么過度狹窄的開發(fā)者，而是希望工程師既有堅實的核心能力，又能在整個技術(shù)棧中協(xié)同工作。原因之一是效率：T 型工程師往往可以端到端解決問題，而不必等待頻繁的交接；另一個原因是創(chuàng)新：不同領(lǐng)域知識的交叉，往往能催生更好的解決方案。
AI 工具實際上更能放大通才的能力，讓一個人同時處理多個組件變得更加容易。后端工程師可以借助 AI 輔助生成可用的 UI；前端工程師也能讓 AI 生成服務(wù)器端的樣板代碼。在一個 AI 高度充沛的環(huán)境中，人們可以更廣泛地工作。相反，深度專才可能會發(fā)現(xiàn)自己的細分領(lǐng)域被部分自動化，卻很難順利橫向擴展。
如今，接近 45% 的工程崗位都期望候選人具備多領(lǐng)域能力：比如既會編程，又懂云基礎(chǔ)設(shè)施；或者以前端為主，但對機器學(xué)習(xí)有一定了解。
如何應(yīng)對：
對于初級開發(fā)者來說，要盡早打下寬廣的基礎(chǔ) 。即便是因某個具體角色被錄用，也要有意識地走出自己的豎井。如果你做移動端，就去學(xué)一些后端基?。蝗綣闋鑾岸?，試著寫一個簡單的服務(wù)器。了解部署流程，熟悉 Docker、GitHub Actions 等工具。找出一兩個真正讓你產(chǎn)生興趣的方向，持續(xù)深入，這將成為你的縱向?qū)ｉL 。把自己定位成復(fù)合型角色，例如側(cè)重云安全的全棧開發(fā)者，或具備 UX 專長的前端工程師。利用 AI 工具快速進入新領(lǐng)域：當(dāng)你對后端還很陌生時，可以讓 ChatGPT 生成入門級 API 代碼并加以學(xué)習(xí) 。培養(yǎng)持續(xù)再學(xué)習(xí)的習(xí)慣。通過黑客松或跨職能項目，強迫自己進入通才模式。主動告訴你的經(jīng)理，你希望接觸項目的不同部分。在職業(yè)早期，適應(yīng)能力本身就是一種超能力。
對于高級開發(fā)者來說，要系統(tǒng)性地梳理自己的技能圖譜：哪些領(lǐng)域是你的強項，哪些相鄰領(lǐng)域只是淺嘗輒止。選擇一到兩個相關(guān)方向，投入精力做到能對話、能上手。如果你是后端數(shù)據(jù)庫專家，可以去熟悉一個現(xiàn)代前端框架，或?qū)W習(xí)機器學(xué)習(xí)流水線的基礎(chǔ) 。借助 AI 輔助，在自己薄弱的領(lǐng)域做一個小項目。把你的深度專長放到新的語境中：如果你擅長 Web 性能優(yōu)化，就去探索這些能力如何應(yīng)用到 ML 推理優(yōu)化上。主動推動或設(shè)計更具跨職能屬性的角色定位，爭取成為多領(lǐng)域項目的整合負責(zé)人。在指導(dǎo)他人、擴散技能的同時，也從他們身上學(xué)習(xí)新東西。更新簡歷，突出你的多面性。利用經(jīng)驗識別可遷移的模式和知識。最終，成為 T 型工程師的榜樣：在專長領(lǐng)域足夠深入，帶來權(quán)威和信任；同時不斷橫向延展自己的能力邊界。
教育之問
核心結(jié)論：計算機科學(xué)（CS）學(xué)位是否仍會是進入軟件行業(yè)的黃金標準，還是會被更快的學(xué)習(xí)路徑（訓(xùn)練營、在線平臺、企業(yè)培訓(xùn)）所取代？在一個每隔幾個月就發(fā)生變化的行業(yè)面前，大學(xué)可能越來越難跟上節(jié)奏。
長期以來，四年制計算機科學(xué)學(xué)位一直是進入軟件崗位的主要通行證。但這一傳統(tǒng)正在受到質(zhì)疑。
其中一種未來是：大學(xué)仍然重要，但越來越難保持相關(guān)性。學(xué)位依然是默認的資質(zhì)門檻，但課程內(nèi)容落后于飛速變化的行業(yè)需求，受限于緩慢的課程更新周期和繁瑣的審批流程。學(xué)生和雇主都會感覺，學(xué)術(shù)界與產(chǎn)業(yè)脫節(jié) ，教授的要么是純理論，要么是已經(jīng)過時、無法直接轉(zhuǎn)化為工作能力的實踐。
許多應(yīng)屆畢業(yè)生表示，在整個本科學(xué)習(xí)期間，他們從未接觸過云計算、現(xiàn)代 DevOps 或 AI 工具。如果大學(xué)要求學(xué)生投入高昂的時間和金錢，卻提供低相關(guān)度的教育，就有可能被視為昂貴的看門人。但由于慣性，許多公司仍然要求學(xué)士學(xué)位，于是彌補技能差距的負擔(dān)被轉(zhuǎn)嫁給學(xué)生，他們不得不通過訓(xùn)練營、在線課程和自學(xué)項目來補齊短板。
企業(yè)每年要花費數(shù)十億美元來培訓(xùn)新員工，因為畢業(yè)生并不具備職場所需的技能。大學(xué)可能會加一門 AI 倫理課，或開一門云計算選修課，但等到真正落地時，行業(yè)工具往往已經(jīng)更新?lián)Q代。
更具顛覆性的情景是：傳統(tǒng)教育體系被越來越多的新系統(tǒng)所替代，編程訓(xùn)練營、在線認證、自學(xué)作品集，以及由雇主主導(dǎo)的培訓(xùn)學(xué)院。許多知名企業(yè)（如 Google、IBM）已經(jīng)在部分技術(shù)崗位上取消了學(xué)歷要求。到 2024 年，接近 45% 的公司計劃在至少一部分崗位上取消學(xué)士學(xué)位門檻。
編程訓(xùn)練營本身也在成熟。它們培養(yǎng)出的畢業(yè)生，已經(jīng)可以與科班 CS 畢業(yè)生一起進入頂級公司工作。這類項目周期更短（例如 12 周的高強度訓(xùn)練），重點放在實用技能上：當(dāng)前流行的框架、云服務(wù)以及團隊協(xié)作。招聘中的硬通貨正在轉(zhuǎn)向?qū)崟r作品集、微證書和可驗證技能。一份強有力的 GitHub 作品集或被認可的認證，已經(jīng)可以繞過學(xué)位要求。
由雇主驅(qū)動的教育模式正在出現(xiàn)：公司建立自己的培訓(xùn)管道，或與訓(xùn)練營合作。一些大型科技公司已經(jīng)為非傳統(tǒng)背景的候選人開設(shè)了內(nèi)部大學(xué) 。 AI 本身也帶來了新的學(xué)習(xí)方式：AI 導(dǎo)師、交互式編程沙盒、個性化教學(xué) ，使學(xué)習(xí)不再局限于大學(xué)校園。
一個模塊化的學(xué)習(xí)生態(tài) ，比昂貴的四年制學(xué)位更加普惠。一個身處缺乏優(yōu)質(zhì) CS 大學(xué)國家的孩子，也可以修同樣的 Coursera 課程，構(gòu)建與硅谷學(xué)生同樣水平的作品集。
如何應(yīng)對：
對于有志或剛?cè)胄械拈_發(fā)者來說，如果你身處傳統(tǒng) CS 項目中，不要完全依賴它。用真實項目來補充課程：做一個 Web 應(yīng)用，參與開源項目，爭取實習(xí)或帶薪實訓(xùn) 。如果課程體系沒有覆蓋熱門方向，就通過在線平臺自學(xué) 。獲取行業(yè)認可的認證（如 GCP、AWS、Azure），向雇主證明你的實操能力。如果你是自學(xué)或來自訓(xùn)練營，重點打造有說服力的作品集，至少要有一個體量不小、文檔完善的項目。積極參與開發(fā)者社區(qū)：貢獻開源、撰寫技術(shù)文章，通過 LinkedIn、線下聚會和開發(fā)者活動建立人脈。爭取讓一位有經(jīng)驗的開發(fā)者為你背書。持續(xù)學(xué)習(xí) ，因為技術(shù)技能的半衰期很短。把 AI 當(dāng)作你的私人導(dǎo)師，用作品集、認證以及對自己項目的清晰講述來證明能力，這些都會為你打開機會之門。
對于資深開發(fā)者和管理者來說，單靠既有學(xué)歷不會一直奏效。要持續(xù)投入學(xué)習(xí)：在線課程、研討會、技術(shù)大會和認證。用新的方式驗證自己的能力，做好準備應(yīng)對以真實問題檢驗當(dāng)前水平的面試。保持使用新技術(shù)的副項目。重新審視招聘要求：你真的需要新員工擁有 CS 學(xué)位，還是你真正需要的是某些技能和持續(xù)學(xué)習(xí)的能力？推動以技能為先的招聘方式，擴大人才池。支持內(nèi)部培訓(xùn)項目或?qū)W徒制崗位，為沒有傳統(tǒng)背景的初級開發(fā)者搭建導(dǎo)師網(wǎng)絡(luò) 。積極與高校和替代教育體系互動：參與顧問委員會、做客座分享、反饋課程與行業(yè)需求之間的差距。也要在自身職業(yè)發(fā)展中體現(xiàn)這一點：真實世界的成果和持續(xù)學(xué)習(xí) ，比再拿一個學(xué)位更重要。
參考鏈接：https://addyosmani.com/blog/next-two-years/

谷歌工程師拋出5個殘酷問題：未來兩年，軟件工程還剩下什么？

推薦閱讀

清明時節(jié)雨紛紛是什么意思？

戒酒多久可以要孩子

clio氣墊保質(zhì)期在哪看

買櫝還珠告訴我們什么道理最佳答案名言買櫝還珠告訴我們什么道理

請問如何放下心中的包袱

家里沒有暖氣多肉植物的飼養(yǎng)管理

包子的包法包子怎么包

壓縮圖片大小最簡單的方法如何壓縮圖片大小

魚缸里怎么養(yǎng)綠蘿魚缸里養(yǎng)綠蘿怎么養(yǎng)

虛歲怎么算年齡虛歲怎么算

小米10至尊紀念版是5g嗎

水泥樓面為什么要淋水

研招網(wǎng)成績查詢，怎么在研招網(wǎng)上查成績

蒲地藍口服液兒童的功效與作用

今年新出的蘋果手機有哪些今年新出的蘋果手機

小編教你阿珊打字通怎么打數(shù)字。