这位DeepSeek工程师的文章，为什么会火爆全网？

作者：武泽伟

来源：星图金融研究院（ID：SIF-2015）

不久前，一篇DeepSeek工程师随笔在朋友圈刷屏。

作者刘胜与，北大图灵班出身，是DeepSeek v4.1主Attention算子负责人。他在《我不得不把才华埋葬在昨天》中诉说，自己亲手打磨的GPU算子正在加速大模型，而这个大模型正在学习取代他自己的手艺。

写下这些文字的刘胜与，站在AI大模型最核心的位置。他的困惑与思考，对于普通人而言具有很好的参考意义。

围绕这篇文章，我们有三点思考：第一，AI替代人类工作的边界，正在以超出预期的速度向内推进。第二，技术革命在改变岗位结构的同时，也在催生新的工作内容。第三，面对这一变化，个体的竞争力需要重新定位。

AI正在攻入专业腹地

刘胜与观察到，过去一年，AI在算子领域的进步速度超出预期。它已经从查文档、读代码、找bug的辅助工具，变成了能够独立阅读CUDA、PTX与SASS编码、通过专业工具分析指令停顿时间、进而独立优化算子的角色。

算子是大模型底层最基础的计算动作，模型的每一次注意力计算、每一次数据搬运，最终都要落到这些动作上。算子工程师的工作，是让这些计算在芯片上跑得更快、更稳、更省资源。这是一项对专业深度要求极高的工作，长期被认为是AI最难触及的领域之一。

然而，当前AI的能力边界正在快速向专业纵深推进。过去讨论AI替代，更多集中在重复性劳动、标准化流程、信息整理类工作。现在，连需要多年经验积累、涉及底层硬件理解的工程岗位，也进入了AI的射程之内。

更值得关注的是AI自我进化的前景。就在不久前，Anthropic CEO达里奥・阿莫代伊发表题为《我们必须放缓前沿步伐》的长文，明确提出“必须放慢提升AI大模型能力的脚步”。

他给出的理由是，当前AI帮助开发下一代更强版本的能力日益增强，即所谓“递归式自我改进”。如果任其发展，AI的能力可能超越人类理解和控制的范围。

递归式自我改进的核心逻辑是，AI介入自身的改进流程，在极少人类干预下，通过审查自身的源代码、算法架构和训练流水线，自主发现缺陷、优化方案，生成能力更强的下一代模型。

我们在这里并不打算讨论AI所带来的风险，重点是，无论是海外还是中国，巨头们都指出，AI自我发展和完善的速度都可能超过大多数人的想象。

当前的AI仍然需要人来编写算法、设计架构、设定训练目标。但如果递归式自我改进走向成熟，AI可能会自己编写让自己进化的算法，自己设计下一代模型的架构。这个过程一旦形成闭环，进步速度可能会远远超出人类的线性预期。

现在AI还没有大规模渗透到各行各业，很大程度上是因为它还没有到达临界点。我们不知道这个临界点具体在什么位置，可能是某个模型能力的突破，可能是某项成本的骤降，也可能是某个应用场景的爆发。但从技术演进的轨迹来看，这个临界点大概率会到来。

效率提升会催生新的岗位

刘胜与在文中用了一个类比。他说自己像精通织毛衣的手艺人，花纹配色一绝，享受一针一线完成作品的过程。

直到有人发明自动织毛衣机，质量不比手工差，速度远快于手工。手艺人不得不也去用机器，凭借多年经验操作水平可能仍高于同行，但手工创作的满足感已经不存在了。

这个类比指向自动化对就业的影响。工业革命以来，这个问题被反复讨论。每一次重大技术跃迁，都会伴随对失业的担忧。但历史经验显示，生产效率提升并不必然导致工作岗位总量减少。

珍妮纺织机的发明是一个经典案例。18世纪中后期，纺纱和织布技术的革新，让英国纺织业生产效率实现了数量级提升。机器替代了大量手工纺织工人，但纺织成本下降刺激了需求爆发，英国棉纺织品出口量在几十年间增长数十倍。行业规模扩张创造了更多就业，只是岗位内容从手工织造变成了机器操作、设备维护、质量检验等。

过去的自动化大多集中在工厂、制造业和蓝领岗位。写字楼、服务业和白领工作，因为涉及多样化判断、定制化需求、个性化沟通，长期以来自动化程度很低。这些领域的从业者，某种程度上处于“自动化豁免”的状态。

AI的出现改变了这个格局。自然语言处理、代码生成、数据分析、文档撰写等能力的突破，使得大量原本被认为需要人类智能的白领工作，开始具备被自动化的技术基础。这也是刘胜与的文章在白领群体中引发强烈共鸣的原因——它打破了“脑力劳动不会被自动化”的长期假设。

但AI在替代部分工作内容的同时，也在创造新的工作内容。刘胜与自己的选择就是例证。他判断自己大概率不会失业，但需要转业，从亲手编写算子转向做Agent的“调度者”，通过编排和指挥AI Agent来完成算子相关工作。这个角色需要理解算子原理，需要判断AI输出质量，需要在多个Agent之间协调任务分配。

类似的岗位变化正在多个行业发生。律师的部分文书工作可以被AI辅助，但案件策略判断、客户需求理解、庭审现场应对，仍然需要人。程序员的部分编码工作可以被AI加速，但系统架构设计、业务需求拆解、代码质量把控，人的角色依然关键。

生产效率提升之后，释放出来的人力和资本会流向新的领域。这些新领域可能是今天还不存在的行业，可能是因为成本太高而无法规模化的服务，也可能是因为技术限制而无法实现的产品。就业市场的结构会发生变化，总量未必缩减。关键在于劳动者能否跟上这种变化的节奏。

真正的竞争力在思维层面

面对AI的快速发展，个体应该如何应对？

一个常见误区是把精力放在学习各种AI工具的操作技巧上。工具迭代速度很快，今天熟练掌握的平台，明天可能被新产品替代。把核心竞争力建立在工具操作层面，风险很高。

更值得关注的是基础知识。无论AI工具如何变化，底层原理和逻辑相对稳定。理解机器学习基本概念，理解代码运行机制，理解所在行业的核心业务逻辑，这些知识不会因为模型升级而过时。它们是判断AI输出是否正确的基础。

刘胜与之所以能从算子工程师转向Agent调度，前提是他对算子有深入理解。他知道好的算子应该具备什么特征，知道AI生成的代码可能在哪些地方出问题，知道如何评估不同方案的优劣。没有这些基础知识，他就无法有效指挥AI，也无法在AI输出中做出正确选择。

未来随着AI发展，工作中那些依赖经验积累的小技巧、小窍门、小巧思，价值会越来越低。这些本来是老手相对于新人的优势，是时间和重复实践沉淀的隐性知识。但AI作为高效工具，可以快速学习和复现这些技巧，拉平人与人之间在操作层面的差距。

当操作层面的差距被拉平之后，真正的竞争力会向上迁移到思维层面。具体包括几个维度。

第一是问题定义的能力。AI擅长解决明确的问题，但不擅长发现和定义问题。一个任务应该拆解成哪些子问题，优先级如何，哪些值得投入资源，这些判断需要人的商业理解和行业洞察。

第二是提问的能力。同样的AI工具，不同的人使用结果差异很大，来源在于提问质量。能否清晰描述需求，提供足够上下文，把模糊目标转化为AI可执行的具体指令，直接决定产出质量。

第三是审校和判断的能力。AI的输出并不总是正确，可能有事实错误，可能遗漏关键条件，可能存在逻辑漏洞。快速识别这些问题，需要相关领域的专业知识和批判性思维。

第四是整合和决策的能力。AI可以提供多个方案和大量分析，但最终选择哪个方案、如何权衡因素、如何在不确定性中做决策，仍然需要人。涉及价值判断和风险偏好的决策，AI无法替代。

这些能力的共同特点是，不依赖于某个具体工具的操作，而是建立在对领域的深入理解和对思维方式的持续训练之上。工具会变，模型会升级，这些底层能力的价值会长期存在。

刘胜与的文章值得认真对待，因为它来自离AI最近的人的真实观察。他没有制造焦虑，也没有给出简单答案，只是诚实地记录了一个技术从业者在时代变化面前的思考。

技术变革的浪潮已经到来。它不会因为个体的担忧而减速，也不会因为短期的乐观而失控。能在变化中保持竞争力的人，通常是持续学习、灵活调整、把精力投入到真正不可替代能力上的人。

版权声明：部分文章推送时未能与原作者取得联系。若涉及版权问题，敬请原作者联系我们。