前言：大模型时代引发的思考
如今，随着大模型在编程、代码生成、自动化测试等领域展现出越来越强大的能力，一个引人深思的问题浮现出来：大模型会不会最终取代程序员的工作？
有些人认为，世界上本就没有哪项工作是绝对安全的，机器取代人工本就是迟早的事。从 GitHub Copilot、ChatGPT 到国产的通义灵码，各类替代工具纷纷涌现。AI 会做得越来越多，人类做得越来越少。百度 CEO 李彦宏就曾说过，基本上以后不会存在 “程序员” 这种职业了，因为只要会说话，人人都会具备程序员的能力。
但另一些人，则持不同的观点。他们认为：“低端程序员会消失，有创造力的程序员会做大”，“编程仍是基础，是必须要学的，程序都看不懂，再有创造力也没用”。360 CEO 周鸿祎就觉得，程序员热十年内不会减弱。尽管未来人人都会用电脑，所谓人人都是程序员，但不同的人用电脑创造的产品完全不一样，AI 时代更需要计算机专家和程序员，他们可能是各行各业最有发言权的。
那么，真实的情况是怎样的？大模型技术到底能取代哪些工作，又会如何影响程序员的职业生涯？作为普通程序员，应该如何适应变化？
我们邀请到了科大讯飞 AI 工程院智能体研究负责人杨彦波、PingCAP AI Lab 团队数据科学家孙逸神、Infra 工程师马工，一起来探讨一下，大模型的发展，究竟会如何塑造未来的技术职场？
一、现在的大模型发展到哪一步了？能替代哪些工作？
在讨论大模型对程序员职业的影响时，杨彦波指出，程序员的工作范围已经从单纯的软件开发扩展到包括脚本编写、软件测试等多个领域。目前，大模型在简单场景下，如翻译、文档整理、数据标注等方面，已经能够配合一些智能体框架做得比较好，这些领域的工作相对容易被大模型替代。
孙逸神提到，虽然大模型如ChatGPT在文字领域有惊艳的表现，但在处理复杂的文本关系时准确率并不高。他认为，大模型在程序员领域可以处理一些基础工作，但缺乏真正的逻辑推理能力，无法进行高级开发或创新。
马工提出，尽管大模型如Copilot能提供有用的代码建议，但程序员仍需亲自审查，以确保代码质量。他质疑，如果大模型能处理99%的日常工作，那么程序员的角色是否会大幅减少。
杨彦波进一步解释，大模型的发展不仅仅是其自身能力的提升，还包括编程范式的转变，特别是智能体（agent）的概念。他预见，未来复杂的任务可能会通过智能体平台，由多个协同工作的智能体来完成，这可能会改变程序员的传统工作方式。
综上所述，大模型目前能在一些简单场景中替代程序员的工作，但在高级开发和创新方面仍有限制。未来，随着智能体和编程范式的进一步发展，程序员的工作方式可能会发生重大变化。
二、未来还需要人类程序员吗？
在讨论大模型对IT团队的影响时，杨彦波提出了一种激进的观点，认为大模型不仅可能取代程序员，还可能取代整个IT团队，包括产品经理等角色。他预见到，随着这些岗位的消失，新的岗位将会诞生。
孙逸神则从实际经验出发，指出当前大模型在处理复杂任务时仍面临挑战。例如，在长上下文或复杂逻辑的情况下，大模型的成功率较低。他强调，尽管大模型如ChatGPT在某些方面表现出色，但在重复执行复杂任务时，其性能可能会大幅下降。此外，他还提到，对于医疗、金融等敏感领域，即使AI能够提供决策支持，最终仍需人类专家承担责任和审核，这意味着相关岗位不会被完全取代。
马工提出，随着技术的发展，大模型可能会在未来几年内取得显著进步，从而能够处理更多复杂任务。他还探讨了在不同领域，如医疗信息管理系统，大模型的应用可能性。
综上所述，虽然大模型在IT领域的应用正在逐步扩展，但目前仍存在许多限制，特别是在复杂任务和需要承担法律责任的情况下。因此，尽管大模型可能会改变某些岗位的工作方式，但在可预见的未来，它们不太可能完全取代IT团队或程序员。
三、什么样的岗位最危险？
杨彦波认为，自动驾驶的例子并不适用于程序员的工作，因为现实中无人公交和无人快递的试点已经显示出技术的可行性，尽管完全取代人类驾驶员还需要时间。他提出，程序员的工作被取代也是逐步的过程，从简单重复的代码开发开始。他的公司已经使用依赖大模型的智能体技术来取代这类工作，从而降低了用人成本。
杨彦波进一步解释了智能体的概念，指出智能体（agent）在 大模型出现之前就已经存在。智能体是一个工具或实体，可以帮助人们完成特定任务。在当前的应用中，智能体不仅仅是调用大模型，还包含高阶能力，如任务规划和领域知识，使其更加贴近真实用户的需求。
孙逸神赞同杨彦波的解释，并补充说，智能体可以被视为一个控制器或机器人，它接受输入，感知环境，做出决策，并输出行动以改变环境。例如，使用LLM的携程客服可以被视为一种智能体。
四、被取代了该怎么办？
在讨论程序员被大模型取代后的出路时，杨彦波指出，即使大模型的能力边界扩大，程序员应该关注的是如何提高大模型输出的质量、安全性以及符合伦理标准。他提到，随着大模型的应用，将产生新的岗位，如内容安全审核等。此外，他还预测开发智能体（agent）将成为一种新兴岗位，旨在使大模型更加易于理解和使用。
马工对普通程序员是否有能力开发智能体表示怀疑，认为他们可能只能成为智能体的小助手，负责审核智能体的工作成果。
孙逸神认为，大模型虽然可以替代一些基础工作，但程序员的工作并不局限于简单的输入输出。他强调，程序员在不同的领域仍需要专业知识来完成复杂任务，如系统架构和复杂的业务场景。他指出，大模型在理解物理定律方面有限，因此在需要深入专业知识和技术的工作领域，程序员仍有其不可替代的作用。
马工提出了一种应对策略，即通过学习和使用新语言来保持职业竞争力，因为大模型可能还没有充分学习到这些新语言的文本，从而在这些领域中仍需要程序员的参与。
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【】
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- prompt 攻击和防范
- …
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 Javascript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …