AI 越会写代码，程序员越危险？普林斯顿教授说了一个反常识的答案

上个月，一个程序员在 Hacker News 上发帖，标题叫《LLM 正在毁掉我的软件工程职业生涯，我不知道该怎么办》。

他说他现在每天的活儿是：让 AI 写代码，然后 review AI 写的代码。产出的速度确实翻了几倍，但他一点都不觉得自己变厉害了，只是从一个写代码的人，变成了一个给 AI 改代码的人。

底下吵成一锅粥。有人安慰他，有人说这是时代的必经之路，还有人劝他赶紧转行。

我看到这篇的时候，正好在跟进一个项目，做的是给康复系统的智能体做工程化。项目里最累的部分不是写代码，是判断——判断 AI 给出的方案对不对、边界有没有漏、异常路径要不要补。这些活儿看起来不炫技，但一件都省不掉。

所以我想认真回答一个问题：AI 真的会取代程序员吗？

去年在 ICML 2026 上，普林斯顿大学教授 Arvind Narayanan 讲了一个把整个开发圈听愣了的观点。

他把软件工程切成三块，像一个三明治：

Decide（决定）：客户到底要什么，需求成不成立，边界在哪，准备怎么做。Execute（执行）：编码和调试。Deliver（交付）：理解改动、做集成、补测试、上线、维护，并且为结果负责。

然后他说了一句关键的话：Agent 压缩的是中间那一段。

中间那段，本来就没占满整个项目

很多人的直觉是：AI 写代码快了 10 倍，那开发就该快 10 倍。

Narayanan 的估算是——Execute 原本可能只占三分之一。

你让 AI 修一个 bug，它几秒钟就能甩给你一份 diff。但在你让它动手之前，总得有人判断：这个 bug 的复现路径对不对？问题到底出在业务逻辑、数据，还是基础设施？改完之后，回归范围多大？会不会影响兼容？监控和回滚要不要重新配？

这些活儿，一件都没有因为 AI 变快而消失。

更扎心的是，代码生成得越便宜，事情反而越多。

以前两周只能做一个方案，现在一天能生成五个；以前很多功能因为排不上期就自然消失了，现在每个想法都有机会变成一个能跑的 Demo。

Demo 变多了，但决定该做哪一个的人，一个都没多。

于是就出现了一个反直觉的结果：Execute 越快，Decide 和 Deliver 越忙。

团队没有少做决定，只是更早地、更多地面对这些决定。

那个「70% 准确率」的坑

如果你想把 AI 接进工作流，这组数据你必须知道。

一个 AI 标称准确率 70%，听起来已经能干不少活了。但这个 70% 是什么意思？

是它固定在 70% 的任务上每次都做对？还是面对任何任务都有 30% 概率突然翻车？

跑分表里，这两种情况可能给出同一个数字。但放进真实生产环境，差别大得离谱。

Narayanan 的团队把「靠谱」这件事拆成了四块：

维度

大白话

一致性

同一个活儿，重复做十次结果一样吗

鲁棒性

环境稍微一变，它会不会失手

校准

它知不知道自己搞错了

运行安全

失败了能不能救回来

然后他们查了这两年的数据：AI 的能力曲线一路陡升，可靠性只涨了大约 5 到 10 个百分点。

这就是为什么行业里有个越来越明显的共识：现阶段，「让 AI 帮我干活」比「让 AI 独自接管」要靠谱得多。

前者允许你随时改方向、补上下文、拦下危险操作。后者要求它在没人盯着的时候也稳稳当当。

只要任务碰到生产数据库、密钥、支付或者客户数据——那 5% 的不确定性，贵得能让你哭。

硅谷两大佬说的其实是同一件事

有意思的是，Narayanan 和黄仁勋的论证路径完全不同，但碰到了同一块地方。

黄仁勋在 GTC 上被问到「AI 会不会减少软件岗位」，直接怼了一句：complete nonsense（纯属胡扯）。他的理由很商业：NVIDIA 自己的软件工程师数量还在增加。如果一个工程师靠 AI 能产出更多有价值的软件，公司不会刚好满足于原来的产出再把人一裁了——只要新增的产出还能换回钱，继续招人就有账可算。

Narayanan 讲得更有意思。他查了几起「AI 导致裁员」的案例，发现这些公司往往先有财务压力，把裁员归因于 AI 只是更省事。他借用了一个经济学的概念，叫「固定工作量谬误」。

这有个经典例子：ATM 银行机大规模铺开之后，银行柜员岗位不但没减少，反而变多了。因为取钱变便宜了，排队的人多了，业务量也涨了。

软件工程一路从机器码走到高级语言、开源框架、云服务，每一轮都降低了门槛。程序员没有因为工具变强而消失，软件反而钻进了更多行业和设备。

只是「代码写得更快」，不等于「岗位按比例减少」。中间漏掉的就是需求扩张这一项。

未来长什么样：起重机操作员

Narayanan 用了一个比喻，我觉得特别贴切——未来的知识工作者，会越来越像起重机操作员。

机器负责干重活，人负责控制、理解和判断。

放到 AI 编程上，这意味着程序员的能力清单要多出几项：

• 会拆任务：把目标、上下文、边界、验收条件、风险交代清楚
• 会搭反馈回路：让测试、日志、性能指标这些，AI 自己能读懂
• 会审结果：看出「测试通过」背后有没有漏掉业务边界和权限
• 会管权限：知道哪些命令能自动跑，哪些必须停下来等人点头
• 为上线负责：留好记录，出问题能定位、能回滚

Claude Code 的负责人 Boris Cherny 有个差不多的观察。他把产品团队的未来分成五种人：原型探索者、产品建造者、代码清理者、产品增长者、系统维护者。

对着上面那个三明治看就很清楚了：AI 最能加速前两种人干活的「执行」环节；到了后三种，工作大量进入「交付」环节。

AI 能一口气生成几千行代码，但它不会替你决定：哪些抽象该删，哪个指标才代表产品真的变好了。

结语

代码会继续变得便宜，责任不会。

需求没想明白，AI 只会更快地做错；测试和审查不到位，它也会更快地把问题送进生产环境。

所以下次再看到「AI 又刷新了一个编码榜单，替代程序员还有几年」这种讨论时，我建议你换个问题：

如果写代码已经不再稀缺了，我还能不能把问题选对，把东西交付好，并为最后的结果负责？

这道题，AI 帮不了你。

这是「数字生命岐伯」第 1 问。我，野慢，广东，25岁。白天在大厂做AI产品，晚上被AI教做人。今天这题我替你们问过了，坑也替你们踩了。想让我测哪个AI，评论区点单。我们，下篇见