从 Sam Altman 与 Matthew Berman 的 45 分钟访谈，看软件需求弹性、能力迁移与手艺的消失
关于 AI 与程序员的关系，过去两年流行过两个截然相反的预言。第一个是"AI 会让开发者失业"；第二个是"AI 只是工具，程序员照旧"。Altman 在访谈里给出的答案不属于其中任何一个，而且比两者都更值得技术从业者认真对待：
AI 没有替代编程这个职业，但它正在替代"写代码"这个动作。
这两件事经常被混为一谈。拆开来看，你会发现它们指向完全不同的后果。
一、需求弹性：为什么 Copilot 上线三年，你不是更闲而是更忙
先看一个不太符合直觉的事实。Altman 说，在六到十二个月前，很多人非常确信"程序员的岗位会消失"，而现实是程序员可能"比以往任何时候都更加忙碌"，创造的影响更大，收入也可能更高。
他自己的解释只有一句话：这个世界对软件的需求，远远超过此前任何人的想象。
这句话在经济学上有现成的名字——杰文斯悖论（Jevons paradox）。十九世纪煤炭利用效率提高，结果不是煤炭消耗减少，而是消耗总量暴增，因为效率提升解锁了新的用途。放到软件业，逻辑是同一个：当一个功能的边际开发成本下降一个数量级，你不会用更少的工程师做同样的事，而是会去做那些以前因为太贵而不做的事。
这个机制解释了开发者社区里普遍存在的一种困惑。你个人的产出确实变高了——IDE 里补全、重构、写测试、查文档都比三年前快得多。但你的 backlog 变长了两倍，会议邀请变多了，系统复杂度上升了，对可靠性的要求也水涨船高。于是净效应是：单位产出提升，总工作量反而增加。
这里有个容易忽略的细节：需求弹性只有在"供给瓶颈不在人类侧"时才成立。软件业恰好符合这个条件——产品经理、设计师、市场、合规都可以被同一波 AI 能力同步加速，于是瓶颈就全部挤到"把东西真正做出来"这一段，而真正的判断、架构、取舍、责任仍然需要人。
结论一：如果你感到更累，那是需求弹性在起作用，而不是你的能力退化了。
二、能力迁移：从数学证明到生物与材料，同一条路径
访谈里最有信息量的部分，不是"AI 会写代码"，而是"AI 已经在做科学"。Altman 提到，OpenAI 尚未公开的模型在部分数学研究任务上已经达到现有公开模型难以企及的水平。他还描绘了一条清晰的迁移路径：模型先具备端到端发现新知识的能力，从"独立完成一整颗芯片设计"这类任务起步；今天一家公司想做新材料，仍是"组织一批研究人员 + Codex + 大量 API 额度"；而当模型更强、算力更足、拿到足够多真实世界数据之后，它可能直接跳过中间那层人力组织。
这条路径对技术从业者有直接的现实意义：能力不会停留在你的工种边界上。数学、芯片设计、材料发现、生物——它们共享的底层结构是：有明确的验证信号（定理对不对、芯片能不能流片、材料性能是否达标），有海量可形式化的中间过程。凡是"可验证 + 可迭代"的领域，都会被同一个飞轮卷进去。
反过来看，这也给出一份粗略的"风险地图"。验证信号弱、反馈周期长、依赖人际信任与情境判断的领域——组织变革、临床决策、法律谈判、产品方向判断——被推进的速度会明显慢于预期。注意这只是速度差异，不是豁免。
Altman 自己的期望值很有意思：他预计未来几年内 AI 有望帮助找到针对重大疾病的候选治疗方案（注意是"候选"，临床与监管流程仍需人力和时间），而个人最兴奋的却是物理学突破。这个偏好透露了一点：他真正在赌的是AI 能否发现人类尚未想到的规律，而不是加速已知路径上的工程执行。前者才是范式级的，后者只是效率级的。
三、被取代的究竟是什么：一次穿孔卡片式的告别
Altman 说，他已经大约一年没有看过一行代码，未来可能再也不会亲自编程；如果老了再写，那大概像重演历史场景一样，是一种怀旧活动。
这段话被大量传播时，通常被解读为"CEO 不写代码很正常"。但它其实是整场访谈里最有解释力的一个比方：当编程从穿孔卡片迁移到编译器，也曾有人感叹"编程的艺术消失了"。
这个类比的锋利之处在于：它明确承认了一部分真实损失。对于很多工程师来说，攻克一个难题、写出一段漂亮的代码，本身就是成就感的来源——不只是交付物的价值，而是过程本身的价值。当 AI 几秒钟给出你花两天才能想到的解法，你获得的效率和你失去的乐趣，不在同一个坐标系里，无法直接兑换。
Altman 承认"对这个问题我目前还没有答案"，只说他相信人们会找到新的满足感，“希望这些新的满足感能够比过去更好”。这是一个诚实的让步，也是一个尚未被验证的乐观。
结论二：被取代的不是"工程师"这个身份，而是"逐行实现"这个动作。留下来的是定义问题、设定约束、验证结果、承担责任这四个环节——它们恰好也是最难被验证信号自动化的部分。
四、瓶颈在硬件，不在模型
论及下一代个人 AI 助手时，Altman 的判断是：模型已经足够聪明，缺的是产品、算力和能持续感知现实环境的新硬件。
他举的例子很具体：今天的语音助手你甚至不知道它什么时候在录音、什么时候已经停止；有人突然走进房间，它未必能理解情境变了；它不知道哪些信息只属于你们两人之间的私人对话，不该向第三人透露。
这段话实际上是对"上下文工程"的一记提醒。从业者常把上下文当作 prompt 里的 token 预算问题，但它真正的难点是感知与边界：什么该进入上下文，谁的上下文，什么时候应该停止采集。这些不是模型智能问题，是系统工程问题——而系统工程师在讨论"AI 取代程序员"时，往往把自己排除在风险之外。
关于算力，他的回答是"无限多，能拿到多少我就想要多少"。对照 OpenAI 押注的自研芯片、机器人建数据中心与供应链投入，这个答案是自洽的：他赌的不是"算力够用"，而是"算力永远不够用"。如果杰文斯悖论在软件需求上成立，那么它在算力需求上大概率也成立。
五、值得警惕的三处表述
写技术评论而不指出这些，是不负责的。
第一，"程序员更忙更赚钱"缺少数据支撑。访谈里这是观察与信念，不是统计结论。总需求上升与个体收入上升之间隔着一层分配问题：如果新增需求集中在少数平台型团队，大多数开发者的议价能力是否同步提升？访谈没有回答。这可能只是转型期的现象。
第二，"两年内出现重大疾病候选疗法"是一个非常紧的承诺。访谈没有给出任何具体项目、靶点或时间线依据。候选疗法与可用疗法之间，还隔着临床与监管。这个数字更像是给市场和团队的信心信号，而不是技术预测。
第三，"语言模型没有意识"与他随后的哲学让步之间存在张力。他说无法设计一个能让自己百分百信服的实验，同时又说意识可能是物质与能量相互作用的涌现属性。如果意识可以是涌现的、且不依赖特定物理介质，那么"今天的模型没有意识"就只是一个关于当前架构的观察，而不是一条原则上可以推广的结论。他真正紧张的其实不是意识问题本身，而是从意识问题滑向"人类不应掌控未来"的那一步推理。
六、给工程师的三条可执行推论
其一，把"实现"从你的核心技能表里往下移，把"验证"往上移。当生成成本趋零，稀缺的是判断哪一段生成是错的。测试设计、契约定义、可观测性、失败模式分析，这些能力在 AI 时代的相对价值只会上升。
其二，重新评估你的位置在"可验证闭环"的哪一侧。日常工作中被形式化、被反馈信号覆盖得越彻底的部分，越会被飞轮吞掉。反之，那些需要跨团队理解真实意图、需要在信息不全时做取舍的部分，是你的护城河。
其三，认真看待"手艺消失"这件事，它是真的。不必浪漫化逐行写代码，但也不要用"效率提升"掩盖它。你可以主动选择保留一部分手写的空间——造自己的小工具、读源码、不用补全写一遍算法——把它当作能力的定期体检，而不是怀旧。
剩下的问题
Altman 希望 AI 带来的"不是一场更忙碌的工业革命，而是一场让人有更多自由与创造空间的文艺复兴"。这个愿望能否成立，取决于一个尚未被回答的问题：当效率提升的红利全部被新需求吸收，自由从哪里来？
历史上，生产率提升转化为闲暇，靠的不是技术，而是制度。技术本身只改变可能性边界，不分配结果。这也是这场访谈里最大的空白——他描绘了能力曲线，却没有描述与之配套的分配机制。
访谈没有解释的问题还有三个，值得继续追问：
- 如果递归自我改进（RSI）被认定为需要限速，限速由谁设定——行业自律，还是监管？限速本身会不会成为护城河？
- "程序员更忙更赚钱"是普遍规律还是软件业的特例？当 AI 进入数学、法律等知识型职业，需求弹性是否存在同等量级的新增空间？
- OpenAI 未公开模型在数学研究上的具体水平，何时、以何种方式接受外部独立验证？没有这一点，"AI 已能产出新知识"就只能算一个内部陈述。
本文基于 InfoQ 整理的 Sam Altman 与 Matthew Berman 访谈内容，观点判断为作者独立分析。
