程序員的下一代，誰來培養？

“這段為什麼不直接用AI 產生的那個？反正測試都過了。”

類似的對話，也越來越頻繁地出現在各家公司的code review 現場。年輕的工程師能飛快地把功能”做出來”——PR 乾淨、測試通過、需求關閉；可一旦被追問”這裡為什麼這麼寫””半夜線上炸了你第一步查哪兒””這個寫法將來會不會埋坑”，往往就答不上來了。真正讓帶他的人後背發涼的，不是某一次卡殼，而是一個更冷的念頭：如果AI 已經替他抹平了大部分掙扎，他還會不會有機會長出那套本該在掙扎裡形成的判斷力？

而在管理階層那邊，這筆帳算得清清楚楚。一位技術負責人最近就幫我算過一筆。

他的團隊今年有三個交付節點撞在一起。按過去的辦法，他得招兩三個初級工程師，先把人補進來，再讓團隊裡的老人慢慢帶。但前半年，這幾個人大概率不是產出，而是成本：需求要一句句講，代碼要逐行review，線上問題不敢讓他們獨立碰，寫出來的東西還得有人收尾。等他們真能獨當一面，專案窗口多半早過去了。

所以他沒這麼做。他為現有團隊配齊了AI 程式設計工具，讓幾個中高階工程師把需求拆得更細，把樣板程式碼、介面聯調、測試腳本和文件交給AI。結果很直接：節點沒誤，人沒多招，預算還省了一截。

從任何一個季度看，這都是一個無可指摘的決定。

問題是，今年幾乎每家科技公司都在做同樣的決定。當所有人都發現”資深工程師+ AI”就能頂掉大半新人補位的活，一件沒人願意挑明的事正在發生：這個行業供給資深工程師的入口，正在悄悄收窄。

這不是一個”AI 搶走年輕人飯碗”的故事，真相要冷靜得多。 AI 沒有直接殺死新人，它只是讓企業越來越沒有理由去招募、培養、容忍新人。企業用AI 填上了今天的產能缺口，卻把人才供給的窟窿，挪到了幾年以後。

這是一筆很像”技術債”的帳：眼下無痛，短期甚至相當划算，卻會在未來某一刻集中到期。差別只在於，技術債拖垮的是一個程式碼庫，而人才債拖垮的，是一個產業的下一代。

最先消失的，不是程式設計師，而是”新人入場的理由”

要理解這筆賬，得先想清楚一件事：過去，初級程式設計師憑什麼能進一家公司？

答案有點反直覺：恰恰不是因為他們能力強。他們寫得慢、想得淺、容易漏掉邊界狀況，對線上系統還沒什麼敬畏心​​。但即便如此，企業還是年年招他們——因為團隊裡總有一大堆低風險、低難度、卻又必須有人幹的雜活：改一個頁面、補一個接口、寫一個腳本、修一個邊角bug、整理一份文檔、跑一遍測試用例。

這些活看著不起眼，卻是新人踏進工程世界的第一張門票。公司用它們換來未來的人才儲備，新人用它們換來在真實系統裡練手的機會。這筆交易過去談不上完美，甚至常常粗糙，但它一直都在。

AI 出現之後，最先被吃掉的，恰恰是這類活。樣板程式碼能生成，單元測試能補齊，介面文件能整理，簡單bug 能讓模型先定位，前端頁面能從一張截圖直接還原。過去一個新人要磨兩天的東西，現在一個中級工程師帶著AI，半天就交了。

於是企業的算盤變了。它不再問”AI 能不能完全取代一個初級工程師”——答案顯然是不能；它問的是一個更現實的問題：”既然現有團隊加上AI 就能頂住交付，我為什麼還要招一個半年內不穩定、需要人帶、還可能出錯的新人？”

這才是關鍵。初級崗位不是被AI 正面打敗的，而是失去了進入組織的理由。

這比”AI 替代程式設計師”隱蔽得多。它不會表現為一場轟轟烈烈的失業，而是悄悄藏在招聘計劃裡少掉的幾個校招名額、HC 審批裡劃掉的一行junior、部門負責人一句”先不招了，讓現有團隊用工具頂一頂”裡。每一步都很理性──可是所有理性加在一起，就成了結構性的斷檔。

短期看，這是一筆划算的買賣

得先承認：企業這麼做，不蠢，也不壞。

過去技術團隊擴張靠的是一套粗放邏輯：需求多了就加人，專案多了就擴組，老人帶新人，慢慢頂上來。這套打法天生低效——新人頭幾個月的產出，往往蓋不住帶教的成本；業務又變得快，人還沒帶出來，方向已經改了。 AI 給了管理者一個舒服得多的選項：不擴編，先提效——資深的人拆任務、把關，中級的人用AI 出初稿。溝通成本更低，交付更確定，管理半徑更小，還省下了培養新人那段漫長又不確定的投入。在降本增效的周期裡，這幾乎是最容易被簽字通過的方案。

數據也在往同一個方向走。美國勞工統計局的職缺與勞動力流動調查顯示，資訊產業招募熱度已明顯低於2022 年高點。同時，多項招聘市場觀察都指向同一個現象：入門級技術職位承壓更明顯。紐約聯邦儲備銀行關於近期畢業生的數據也顯示，電腦科學、電腦工程應屆生的失業率近年來明顯抬升，已不再低於全體應屆生的平均水準。

需要說明的是，依專業拆分的應屆就業資料樣本有限、年度波動也大，不宜把某一年的排名過度解讀成”讀計算機不如讀某某專業”。但放長看，趨勢是清楚的：過去”學CS 就有確定性入場券”的時代，正在鬆動。

這背後的邏輯並不複雜：AI 是個擴大機，不是替代品。它能放大一個人已有的判斷力，卻無法憑空給一個人判斷力。 一個資深工程師用AI，能更快地寫代碼、查問題、驗證方案——因為他知道哪裡該信、哪裡該改；一個毫無工程經驗的新人用AI，很可能只是更快地產出一堆連自己都講不清的代碼。於是企業自然傾向：留住會判斷的人，再用AI 去補執行力。

這正是這一輪變化最冷的地方：AI 並不平均地托舉每個人。它先抬高那些已經會判斷的人，再擠出那些本該靠幹活來練出判斷力的人。短期看，這叫效率提升；長期看，這叫訓練場消失。

資深工程師不是招來的，是熬出來的

業界有一個常被忽略的事實：資深工程師，不是從招募網站長出來的。

一個人從”能寫代碼”到”能在復雜系統裡做出可靠判斷”，中間隔著無數不體面的過程：看不懂祖傳代碼，被線上bug 折磨到崩潰，被review 打回去重寫，中間隔著無數不體面的過程：看不懂祖傳代碼，被線上bug 折磨到崩潰，被review 打回去重寫，在一次次事故複盤裡才明白”這裡為什麼不能圖快”。這些經歷很慢、很笨，也很難寫進效率報表，可工程能力恰恰就是這麼長出來的。

一個可靠的工程師，值錢的從來不是”能不能寫出一個函數”，而是”他知道這個函數丟進系統之後會發生什麼”——邊界在哪，哪裡將來會變成技術債，哪個看似簡單的需求會把整個系統拖下水。這種判斷力，灌不進去，也生成不出來，它只來自真實的回饋。而過去，新人正是靠那些低階任務一點點攢下回饋的：寫錯了被review，上線掛了被追責，程式碼難維護被老項目反噬。

現在的問題是，AI 正在替新人把這些過程統統跳過。

Anthropic 的一項研究顯示，在學習陌生程式碼庫的任務中，使用AI 的一組測驗平均得分為50%，手寫程式碼的一組為67%，差距最大的是偵錯題。真正拉開差距的，不是”用不用AI”，而是怎麼用：把AI 當概念討論對象的人，更容易保留理解；把它當代筆的人，則更容易繞過理解。

同樣一件事，對資深和新人，意味著完全不同的結果。資深的人無所謂，他腦子裡早有一套成熟的模型，知道AI 寫的程式碼哪裡可疑、什麼時候該推翻重來。新人沒有這套底子。他要是一上來就把AI 當答案機器，就會很快嚐到一種虛假的成就感——需求做完了、PR 合併了——可讀懂系統、定位問題、為後果兜底這些真本事，根本沒跟著長出來。

於是供給端被兩頭收緊：一頭，企業減少初級招聘，新人越來越難擠進真實系統；另一頭，就算擠進來了，也可能靠著AI 繞過最該經歷的磨練。這才是”人才負債”的真正意義－不是今天少招一個人，明天就少一個人寫代碼；而是今天少給一個新人真實的訓練機會，五年後就少一個能在關鍵時刻兜底的人。

更普遍的結果，是市場上會出現一批”資深新手”：履歷上寫著五六年經驗，認知深度卻還停留在當年新人的水平。他們能熟練地調用各種AI 工具、把功能”做出來”，卻獨立定位不了一個沒有現成日誌、由競態條件引發的幽靈bug——因為真正需要靠時間和事故餵出來的那部分判斷力，從來沒在他們身上長出來過。

別全怪AI：這條管道本來就不夠結實

把鍋子全甩給AI，也是一種偷懶。

現實是，很多公司過去也沒真正建起過完整的培養體系。所謂”帶新人”，不少時候就是把人丟進專案裡自生自滅：老人沒空帶，專案不允許慢慢教，績效也從不獎勵帶人。所謂師徒制，說到底只是組織缺乏系統訓練能力之後，湊合打的一塊補丁。

所以有一種反方觀點值得認真聽：AI 並沒有打斷一條原本健康的管道，它只是讓這條管道本來就脆弱的真相顯了形。這話沒錯──但脆弱，不等於沒用。過去管道再脆弱，至少還在轉：新人總能靠”活總得有人幹”被捲進來，公司再不情願，也得分點低階任務給他們；老人再忙，也會在review 和救火裡順手教上兩句。這套機制談不上理想，卻好歹維持著產業的世代流動。

AI 一來，連這個不理想的入口也在關上。過去是公司不擅長培養新人，現在是公司開始有理由不招新人──前者讓新人長得慢，後者讓新人壓根進不來。這是兩件事，後一件要命得多。

在中國，這個問題來得更早，也更狠

放到中國，這件事更尖銳。

中國科技業本就長期擰著一個矛盾：嘴上喊缺高級人才，手上卻不願為高級人才的養成付錢。招人時人人都想要”即插即用”——最好三年經驗、熟悉業務、來了就能上線，還得便宜；校招生和初級工程師則被當成不確定性，要帶、要試錯、要容忍低效。

業務高歌猛進時，這個矛盾被成長蓋住了：人手緊缺，初級崗位有的是入口，新人能在一片混亂裡硬熬出來。可增長一放緩，邏輯全變了。校招收縮、外包化、降本增效、35 歲焦慮，已經把技術人的職涯路徑壓得更短、更急、更功利。如今AI 又添了一把火：既然工具能讓存量工程師多工作，為什麼還要給新人留練等級的空間？

於是一個危險的循環成形了：企業不招新人，因為新人不夠好用；新人沒有真實項目練手，所以更不好用；企業便更不願意招。最後，所有公司都在市場上搶”已經成熟的人”，卻沒有一家願意為”把人變成熟”買單。

更麻煩的是，中國科技業本來就壓著年齡這根弦。一個工程師剛熬到有判斷力的年紀，就開始要面對”年齡偏大、成本偏高、不夠卷”的打量。新人入口在收窄，中年出口在提前，整個職業結構就被擠成了一個掏空的沙漏：底部進不來，頂部留不住，中間被AI 和績效兩頭壓。這不是哪個人努力就能解的題，它是組織激勵的問題。

一場沒有人負責的公地悲劇

把鏡頭拉遠，這是一場典型的”公地悲劇”。對每一家公司來說，用AI 武裝現有團隊、解決眼前的產能，都是無可挑剔的買賣；至於五年後還招不招得到合格的架構師，那是市場的事、是下任CTO 的事、是競爭對手的人才池該操心的事。每家都把”培養”的成本甩給社會，把”提效”的收益留給自己。

但人才不會憑空冒出來──業界每一個資深工程師，都曾是某家公司花了真金白銀養出來的新人。當所有人都盤算著從”別處”挖人、卻沒人再肯養人，那個”別處”遲早會被抽乾。

更遠處還有一層風險：今天的大模型高度依賴高品質的人類代碼來訓練，當越來越多”能跑但平庸”的AI 代碼回流進公共代碼庫、再被餵給下一代模型，理論上可能形成一個自我退化的閉環，學界稱之為”模型坍縮”。這事尚無定論，卻指向一個讓人不安的方向──人類工程能力一旦退化，最終可能連AI 自己也跟著變得平庸。

真正該重建的，是AI 時代的學徒制

所以，出口不是反AI。讓公司放棄AI 工具不現實，讓工程師不碰AI 也沒意義。真正該討論的是：在AI 時代，業界該怎麼重新設計新人的培養機制。

過去的學徒制，是新人跟著老人寫程式、改bug、做需求，在真實專案裡慢慢長大。 AI 時代的學徒制，不能只讓新人”更快交活”，而要讓他學會監督AI、質疑AI、看懂AI 寫出來的東西。換句話說，新人不該只被考核”你用AI 做了多少”，更該被考核”你知不知道AI 為什麼這麼做”。

這至少要重新設計三件事。

其一，把初級崗位當成長期投資，留住一定比例的入口。這不是出於情懷，而是出於供給——就像企業不能為了短期利潤砍掉研發，也不該為了AI 提效就徹底關上新人的門。

其二，把”結對”從人機結對改回師徒結對。今天流行講”人和AI 結對編程”，但要培養新人，更該回到老手帶新手：老手可以用AI 探索方案，但每一行交付的代碼，都要向新人講清它的意圖、邊界和風險，新人能複述出來，才允許提交。這也意味著code review 要變——過去只看程式碼能不能進庫，今後還要看提交者是不是真懂自己提交的東西，即使它出自AI 之手。

其三，給”帶人”重新定價。很多公司不培養新人，不是不懂它的重要，而是帶人這件事不被獎勵──一個資深工程師花時間把新人帶出來，短期產出下降，績效卻未必體現。只要組織還只獎勵短期交付，就不會有人真心願意為長期的人才供給買單。

教育端也需要跟著變。未來的電腦教育，不能只停在”手寫語法和演算法細節”，也不能簡單放任學生把作業交給AI。更重要的訓練，應該是系統拆解、問題定義與批判性評估：給學生一段AI 產生、藏著並發與邏輯漏洞的程式碼，讓他找出來、講清楚、修復。 AI 時代真正要教的，不是如何當提示詞打字員，而是如何當代碼的判斷者。

說到底，這不是技術問題，而是管理問題。 AI 能產生程式碼，卻生成不了組織責任；它能幫新人寫出看起來能跑的功能，卻替不了他經歷真實系統的回饋，也替不了他建立起對複雜性的那份敬畏。一個產業可以用AI 臨時補上產能的缺口，卻沒辦法用AI 偽造下一代資深工程師。

帳單總會到期

AI 沒有親手殺死新人培養體系，是一連串完全理性的決定，合力做到了這件事。

每個團隊負責人都能為自己的選擇辯護：預算有限，專案緊急，新人難帶，AI 好用，先扛過這個季度再說。每個決定單看都沒錯，甚至很專業。但一個行業，從來不是由某個季度組成的。今天少招一個新人，系統不會立刻崩；今天少帶一個新人，也不會馬上寫進財報。它只會變成一筆安靜的表外負債，掛在未來的人才供給上。

這正是人才負債最危險的地方：它沒有明確的責任人，也沒有即時的懲罰。技術債至少會在系統變慢、bug 變多時露頭；人才債更陰，等它浮出水面，往往已經不是哪一家公司能單獨補救的窟窿，而是整個行業的代際斷層。

所以真正該問的，不是”AI 會不會取代程式設計師”——這個問題太窄了。該問的是：當企業用AI 乾淨利落地還清了今天的產能賬單，那筆被推遲的人才賬單，最終會記在哪一年，又由誰來還？

AI 不是兇手，它只是讓那筆被長期忽視的人才帳單提前到期。程式碼可以大量生成，判斷力不能大量列印；今天沒有新人的訓練場，明天就不會憑空長出資深工程師。

華客|新聞與歷史：程序員的下一代，誰來培養？