0:00 大家好,这里是最佳拍档
0:02 你可能想不到,美国的程序员群体
0:04 正在经历一场被业内称为大屠杀的行业重构
0:08 这不是危言耸听的标题党
0:10 也不是遥远的预言
0:11 而是正在发生的、有数据支撑的残酷现实
0:15 根据美国劳工统计局的官方数据显示
0:18 美国程序员的就业率已经暴跌了27.5%,
0:21 意味着将近三分之一的岗位彻底消失
0:24 而由AI直接或间接导致的全球大裁员
0:28 在2025年达到了117万
0:30 这是自2020年疫情以来的最高纪录
0:33 对于2026届的计算机科学专业毕业生来说
0:37 他们一走出校园
0:38 面对的不是曾经毕业即高薪的黄金时代
0:41 而是一岗难求的水深火热
0:44 今天
0:44 我们就来拆解这场AI引发的行业地震
0:47 它到底有多猛烈?
0:49 谁是最大的受害者?
0:51 以及未来的从业者,又该如何破局?
0:53 首先,我们从最核心的就业数据说起
0:57 斯坦福大学的研究团队
0:58 分析了美国最大薪酬公司ADP的工资记录
1:01 追踪了2021年至2025年7月间
1:04 数万家公司
1:05 数百万名员工的就业轨迹
1:07 研究发现,在2022年底之前
1:10 22-25岁的年轻开发者和年长开发者的就业曲线
1:14 几乎是完全重合的
1:16 行业发展相对平稳
1:18 但是从2022年底开始
1:20 也就是ChatGPT等AI工具开始普及之后
1:23 两条曲线就出现了明显的分化
1:26 年轻开发者的就业率持续下滑
1:29 短短两年间下降了将近20%,
1:31 而年长开发者的就业情况
1:33 却相对稳定
1:34 没有出现大规模失业的现象
1:37 为什么年轻开发者会成为重灾区?
1:39 答案是,AI正在替代的
1:41 恰恰是那些入门级、高度结构化的编码工作
1:45 美国一家咨询公司的报告显示
1:47 2025年AI直接或间接导致了美国近55000人失业
1:52 这场冲击的严重程度
1:54 仅次于2020年的疫情
1:56 在科技行业内部
1:57 这种冲击更是无处不在
1:59 一位匿名的程序员在自己的博客中
2:01 发出了这样的疑问
2:03 为什么我认识的每一个人
2:04 都在被裁员?
2:06 他提到,Meta裁员数千人
2:08 谷歌招聘冻结
2:09 曾经让无数人向往的FAANG的神话
2:13 正在从内部慢慢腐烂
2:15 他甚至调侃着
2:16 给这场危机起了各种名字
2:18 比如科技升级灾难,独角兽清洗
2:21 FAANG末日
2:23 还有一个非常形象的称呼,CrashGPT
2:26 而对于刚毕业的CS专业的学生来说
2:28 他们面临的困境比在职者更加残酷
2:31 斯坦福大学的CS毕业生们发现
2:33 自己的求职处境和三年前
2:35 简直是天壤之别
2:37 三年前,很多学生还没毕业
2:39 就已经收到了科技巨头的offer
2:41 CS专业是人人追捧的香饽饽
2:43 动辄就能拿到百万年薪
2:45 还有完善的福利和充满创造力的工作环境
2:48 但是到了2025年
2:50 他们投出的简历大多石沉大海
2:52 很多人不得不选择多读一年研究生
2:54 试图通过提升学历来增加竞争力
2:57 多伦多大学的计算机系毕业生阿兹卡·阿兹米(Azka Azmi)
3:00 今年春天毕业之后就一直在找工作
3:03 越找越沮丧的她发现
3:05 自己几乎没有机会和真人招聘官交流
3:08 所有公司都在用AI进行简历筛选和初步面试
3:11 整个求职过程变成了人与机器的对话
3:14 她提到
3:15 曾经很多学生依靠实习或合作项目的机会
3:18 获得全职工作,但是现在
3:20 只有百分之一的申请者能收到回复
3:23 竞争激烈到令人绝望
3:25 另一位多伦多大学的毕业生埃利奥特·陈(Elliot Chen)的经历更具代表性
3:29 2024年春季,他获得了CS本科学位
3:31 之后投递了几百份简历
3:33 却发现留给应届毕业生的机会少的可怜
3:37 很多岗位都明确要求
3:38 至少一年的非实习工作经验
3:41 这对于刚毕业的学生来说
3:42 无疑是一道无法跨越的门槛
3:44 由于求职不顺
3:46 埃利奥特·陈决定继续攻读CS硕士学位
3:48 希望通过更高的学历
3:50 让自己在求职市场中脱颖而出
3:52 但是让他没想到的是,读研读到一半
3:55 他收到的雇主回复竟然比本科时还要少
3:58 这种越努力越迷茫的处境
4:00 正在成为很多年轻CS毕业生的常态
4:03 还有一位CS博士告诉媒体
4:05 现在本科阶段的CS学生们
4:07 正面临着极度的恐慌
4:09 甚至出现了心理健康问题
4:11 竞争非常激烈
4:13 很多环境都变得非常不友好
4:15 这些孩子什么都做
4:16 他们超越了以往任何人的极限
4:18 这对每个人来说都是残酷的
4:21 多伦多大学的学生克丽丝·朱(Chrisee Zhu)也有同样的感受
4:24 她发现同学们都异常焦虑
4:26 在小组课程中常常心不在焉
4:28 无法专注于课程任务和团队协作
4:31 每个人都把所有的精力
4:33 放在了求职申请和编程练习上
4:35 只为了能在技术面试中多一分胜算
4:38 可能有人会说,年轻人缺乏经验
4:41 被AI替代很正常
4:43 那行业内的资深大佬是不是就高枕无忧了?
4:46 答案是否定的
4:47 就连前特斯拉AI总监、OpenAI联合创始人安德列·卡帕西(Andrej Karpathy)
4:51 都在社交媒体上发出了这样的感叹
4:54 他说
4:54 我从未感到作为一名程序员如此落后
4:57 这个职业正在被彻底重构
5:00 程序员所贡献的代码越来越稀少且分散
5:03 卡帕西进一步解释说
5:05 过去一年中涌现出了大量AI工具
5:08 如果能正确地将这些工具串联起来
5:10 程序员的效率就能提升十倍
5:12 但是如果无法抓住这个提升得机会
5:15 那就是技能上的重大缺陷
5:17 他提到,现在的程序员
5:19 需要掌握一个全新的可编程抽象层
5:21 这个抽象层叠加在原有的技术栈之上
5:24 涉及到agent、sub-agent、提示词、上下文、MCP、LSP等一系列全新的概念
5:30 更重要的是
5:31 程序员需要构建一个全面的心理模型
5:34 来理解这些本质上
5:35 随机、不可靠、难以理解且不断变化的实体
5:39 而这些实体现在已经和传统严谨的软件工程实践
5:43 交织在了一起
5:44 卡帕西还将AI比作被递到人类手中的强大外星工具
5:48 它没有说明书,每个人都得靠自己
5:50 摸索着掌握如何使用
5:52 他用9级地震来形容这场变革对行业的冲击
5:55 最后呼吁同行
5:56 卷起袖子,别掉队了
5:58 他的这番言论引发了广泛共鸣
6:01 Anthropic公司的工程师鲍里斯·切尔尼(Boris Cherny)在评论区留言说
6:05 自己每周都会有同样的感受
6:07 有时候他开始手动处理一个问题
6:09 中途就会提醒自己
6:10 Claude可能能搞定这个
6:13 切尔尼还分享了一个具体的例子
6:14 最近他们团队在调试Claude Code中的一个内存泄漏问题
6:18 他一开始用的是老办法
6:20 连接性能分析工具、运行应用、暂停分析工具、手动查看堆内存分配
6:26 而他的同事则直接让Claude生成一个堆内存dump
6:29 然后让Claude分析dump
6:31 寻找不应该存在的保留对象
6:33 结果Claude一针见血地找到了问题所在
6:36 还直接提交了代码合并请求
6:38 这种情况每周都会发生
6:40 更让他感触的是
6:42 那些对AI模型的能力没有预设偏见的新同事
6:45 甚至是刚毕业的新人
6:47 反而能最有效地使用这些工具
6:49 因为每隔一两个月
6:51 AI模型在编码和工程方面的能力
6:53 就会有明显的提升
6:54 想要持续调整对模型能力的认知
6:57 需要付出相当大的脑力劳动
7:00 切尔尼还透露,自己上个月
7:01 完全没有打开过IDE
7:03 纯让Opus 4.5写了大约200个代码合并请求
7:07 每一行代码都是AI生成的
7:09 他感叹道
7:10 软件工程正在发生根本性的变化
7:12 即使对于我们这些早期的采用者和实践者来说
7:16 最难的仍然是不断调整自己的预期
7:18 而这,才刚刚开始
7:20 卡帕西也表示,自己有类似的经历
7:23 AI就像一把强大但是难以驾驭的武器
7:26 你到处挥舞的时候,它可能会走火
7:28 但是如果能握持得恰到好处
7:30 一道强大的激光就会射出来
7:32 直接解决你的问题
7:34 这两位行业大佬用亲身经历告诉我们
7:36 AI带来的不是简单的替代
7:38 而是整个行业工作模式的根本性重构
7:41 无论是新人还是资深开发者
7:44 都必须重新学习如何与AI共处
7:46 否则就会被时代淘汰
7:49 不过,在这场行业地震中
7:50 并非所有的编程相关岗位都在衰退
7:53 美国劳工统计局的数据显示
7:55 2023年至2025年间
7:57 虽然程序员的就业率暴跌27.5%,
8:00 但是整体计算机和数据处理行业的就业率
8:03 仅微跌了0.3%。
8:05 与此同时
8:06 信息安全分析师和AI工程师的职位
8:09 出现了两位数的爆发式增长
8:11 这种岗位分化背后
8:13 是雇主对技能需求的根本性转变
8:15 宾夕法尼亚大学职业服务中心的高级副主任
8:18 杰米·格兰特(Jamie Grant)分析得是一针见血
8:21 她警告那些追求软件工程职位的学生
8:23 现在不再仅仅是写代码那么简单了
8:26 雇主要求的是更高阶的思维能力、对软件开发生命周期的全面掌控
8:31 以及那些AI无法替代的技能
8:33 比如理解客户那些模糊不清的需求
8:36 美国大学与雇主协会(NACE)发布的《2026就业展望》,
8:40 也印证了这一点
8:42 雇主们的悲观情绪已达到2020年以来的最高点
8:46 在这份报告中
8:47 雇主对就业市场的评级分布显示
8:49 认为市场较差(Poor)的比例达到6.0%,
8:52 一般(Fair)的比例为45.0%,
8:54 而认为良好(Good)和非常好(Very Good)的比例
8:56 分别为37.0%和12.0%,
8:58 与前几年相比,整体信心明显下滑
9:01 但是值得注意的是
9:02 雇主们并非在全面缩减招聘
9:05 而是在重新定义岗位需求
9:07 他们不再需要只会堆砌代码的执行者
9:10 而是需要能利用AI提升效率、解决复杂问题的战略家
9:14 说到这里,可能很多人会有一个疑问
9:16 既然程序员的岗位在减少
9:18 是不是因为AI写代码比人类更好、更高效呢?
9:21 真相可能会让你大吃一惊
9:23 AI软件公司CodeRabbit近期发布的一份研究报告
9:27 给盲目崇拜AI编程的人们泼了一盆冷水
9:30 该公司分析了470个代码合并请求
9:33 得出的结论是
9:34 人类编写的代码
9:35 平均每个请求包含6.45个问题
9:38 而AI生成的代码
9:39 平均每个请求包含10.83个问题
9:42 也就是说
9:43 AI生成代码的出错率是人类的1.7倍
9:46 更令人担忧的是错误的性质
9:48 CodeRabbit的报告显示
9:50 AI生成的代码中
9:51 严重(Critical)和重大(Major)问题的比例远高于人类代码
9:54 其中,严重问题的数量是人类的1.4倍
9:57 重大问题的数量是人类的1.7倍
10:00 尽管AI在拼写和语法上的准确性
10:02 比人类高两倍
10:03 但是一旦出错
10:04 往往是深层次的逻辑谬误、功能正确性缺失
10:08 以及代码的可读性灾难
10:10 从错误类型的分布来看
10:12 AI在逻辑与正确性方面的错误率
10:14 是人类的1.75倍
10:16 其中算法或业务逻辑错误是人类的2.25倍
10:20 并发控制错误是人类的2.29倍
10:22 空指针或None的引用错误是人类的2.27倍
10:26 在代码质量与可维护性方面
10:28 AI的错误率是人类的1.64倍
10:30 其中代码可读性问题
10:32 更是达到了人类的3.15倍
10:34 命名不清晰问题是1.87倍
10:37 代码格式错误是2.66倍
10:39 未使用和冗余代码是1.64倍
10:42 在安全方面
10:43 AI生成的代码安全漏洞数量是人类的1.56倍
10:46 其中跨站脚本攻击漏洞是人类的2.74倍
10:50 密码处理不当问题是人类的1.88倍
10:52 不安全的对象引用是1.91倍
10:55 安全公司Apiiro的研究也得出了类似的结论
10:58 使用AI的开发者搞出的安全问题
11:01 是不使用AI的同行的十倍
11:03 因为AI在处理密码和敏感信息时
11:06 经常会出现降智的表现
11:08 导致受保护的信息泄露
11:10 贝恩公司(Bain & Company)在9月的报告中更是直言不讳的指出
11:13 尽管编程是最早部署生成式AI的领域
11:16 但是成本节省并不显著
11:19 而且结果未能达到炒作的预期
11:21 这些数据告诉我们一个残酷的现实
11:24 AI并没有成为更优秀的程序员
11:26 反而成了一个Bug制造机和长期技术债的积累者
11:30 CodeRabbit的报告指出
11:31 AI生成的代码问题
11:33 正在像滚雪球一样累积
11:35 这些问题不仅难以审查
11:36 而且会给后续的维护和升级
11:38 带来巨大的麻烦
11:40 最终转化为企业的技术债务海啸
11:42 那么
11:43 既然AI生成的代码质量如此堪忧
11:46 为什么还有越来越多的公司
11:47 在使用AI编程呢?
11:49 答案很简单
11:50 那就是AI能极大地提升产出效率
11:53 即使是以牺牲质量为代价
11:55 对于很多追求短期业绩的公司来说
11:57 快速产出代码、推进项目进度
12:00 比代码的长期可维护性更重要
12:02 但是这种短视的做法
12:04 正在让人类开发者陷入一个荒诞的困境
12:07 他们的工作不再是从零开始编写代码
12:10 而是变成了给AI擦屁股
12:12 研究机构METR在7月的一项研究
12:14 揭示了一个反直觉的现象
12:16 对于经验丰富的开发者来说
12:18 AI工具实际上拖慢了他们的进度
12:21 这项随机对照试验
12:22 招募了16名具有一定AI使用经验的开发者
12:25 他们平均拥有5年的大型复杂项目经验
12:28 需要完成246项任务
12:30 结果显示
12:31 这些资深开发者使用AI工具后的效率
12:34 反而比不使用时下降了
12:36 虽然经济专家、机器学习专家以及开发者自己
12:39 在研究开始前的预测
12:41 都认为AI会提升效率
12:43 但是实际的结果却截然相反
12:45 为什么会出现这种情况呢
12:47 因为资深开发者被迫变成了全职的找茬专家
12:51 他们需要像拿着显微镜一样
12:52 逐行审查AI生成的、看似完美、实则漏洞百出的代码
12:57 AI生成的代码往往表面上逻辑通顺、语法正确
13:00 但深层的逻辑谬误、安全漏洞却非常隐蔽
13:04 只要漏掉一个,整个系统就可能崩溃
13:07 这种审查工作需要消耗大量的精力
13:09 甚至比自己从头编写代码还要累
13:12 但是这并不意味着我们应该抛弃AI
13:15 杰米·格兰特(Jamie Grant)将AI比作一套外骨骼
13:18 想象一下
13:18 它能让你轻松举起1000磅的重物
13:21 所以它应该是你工作的增强器
13:23 强化你更高阶的批判性思维
13:26 NACE的数据也支持了这个观点
13:29 61%的雇主表示
13:30 他们并没有用AI简单地取代入门级岗位
13:33 而是有41%的雇主
13:35 计划利用AI来增强这些岗位的工作效率
13:38 也就是说
13:39 AI的正确定位应该是辅助工具
13:41 而不是替代者
13:42 它负责完成重复性的编码工作
13:44 人类则专注于更有价值的设计、审查、决策等工作
13:49 然而,当前行业的现状是
13:51 很多公司并没有正确使用AI
13:53 而是陷入了盲目依赖的误区
13:55 这不仅导致了技术债务的累积
13:57 还引发了一个更为深远的危机
13:59 那就是新一代工程师的成长阶梯断裂了
14:02 过去
14:03 初级工程师的成长路径非常清晰
14:05 他们从简单的、任务导向的脏活累活开始做起
14:09 比如编写基础模块、修复简单的Bug、优化代码格式等等
14:14 通过这些基础工作
14:15 他们逐渐熟悉软件的开发生命周期
14:18 积累实战经验,培养解决问题的能力
14:20 最终成长为
14:21 能够独当一面的资深工程师和架构师
14:24 但是现在
14:25 这些基础工作都被AI包圆了
14:27 初级工程师一入职
14:29 就被要求直接处理复杂的设计问题、审查AI生成的代码
14:33 甚至解决深层次的逻辑漏洞
14:35 但他们根本没有经过基础工作的磨练
14:38 缺乏相应的技能和经验
14:40 很难胜任这些高阶工作
14:42 SignalFire发布的报告显示
14:44 顶尖CS项目毕业生的就业率
14:46 正在持续下滑
14:47 基于美国排名前20的工程学院的CS毕业生数据
14:51 2019年有80%的毕业生
14:53 在毕业后6个月内找到工作
14:55 其中68%成为工程师
14:57 18%进入七巨头公司;
15:00 而到了2024年
15:01 整体就业率下降到了70%,
15:03 成为工程师的比例降至61%,
15:06 进入七巨头公司的比例更是只有12%。
15:09 更严峻的是,入门级岗位的占比
15:11 已经从疫情前的水平下降了50%。
15:14 SignalFire的数据分析显示
15:16 无论是大型科技公司还是初创公司
15:19 招聘新员工时
15:20 对工作经验的要求都在不断提高
15:23 2019年
15:23 大型科技公司新招聘的员工中
15:26 有近15%是工作经验不足1年的应届生
15:29 而到了2023年
15:30 这个比例骤降至不足5%,
15:32 2024年虽有小幅回升
15:34 但是仍远低于疫情前水平
15:37 初创公司的情况也类似
15:39 2019年应届生在新员工中的占比约为12%,
15:42 2023年降至4%左右
15:45 与此同时,大型科技公司和初创公司
15:47 都在增加对资深员工的招聘
15:50 2024年,大型科技公司招聘的员工中
15:52 工作经验10年以上的占比显著提升
15:55 而初创公司对5-10年经验员工的需求
15:58 也在增长
15:59 这种重资深、轻新人的招聘策略
16:02 导致职场新人陷入了
16:03 先有鸡还是先有蛋的死循环
16:06 没有基础工作经验
16:07 就无法获得高阶工作机会
16:09 但是没有高阶工作机会
16:11 又无法积累基础经验
16:13 Creating Coding Careers的创始人迈克·罗伯茨(Mike Roberts)对此发出了警告
16:17 认为许多公司目光短浅
16:19 只看重下个季度的业绩
16:21 不愿投资培训新人
16:23 在他看来
16:23 当前的行业现状正在透支未来的人才储备
16:27 当资深工程师逐渐退休
16:29 而新一代工程师无法成长起来
16:31 整个行业可能会面临人才断层的危机
16:34 在社交媒体上
16:35 关于软件工程是否正在走向终结的讨论
16:38 也异常热烈
16:39 用户萨姆瓦拉(Samswara)写道
16:41 软件工程师这个职业正在走向终结
16:43 可能是5年,也可能是10年
16:45 但我们都感受到了,终点正在开始
16:48 愿我们能以光荣、欢乐和庆祝的方式
16:50 为这个辉煌产业的终结画上句点
16:53 而另一位用户妮塔(Nita)则反驳道
16:55 我不认为软件工程会结束
16:57 真正结束的
16:58 是对普通技能存在无限需求的幻觉
17:01 将会有一个混乱的过渡期
17:03 大量工作被自动化
17:04 许多事情会出错
17:05 质量下降,人们也会感到沮丧
17:08 那些保持好奇心、不断更新技能
17:10 并且真正分析哪里出了问题的人
17:13 在调整之后将处于最强的位置
17:15 其余的人则会筋疲力尽
17:17 总之
17:18 美国码农行业正在经历的大屠杀
17:20 本质上是AI浪潮下
17:22 一场优胜劣汰的自然选择
17:24 平庸者将被淘汰
17:25 强者则将借助AI的力量
17:27 实现能力的跃迁
17:29 无论如何,AI时代的大门已经打开了
17:32 与其恐惧变革,不如主动适应变革
17:35 与其抱怨被淘汰,不如努力提升自己
17:38 感谢收看本期视频,我们下期再见