无处不在的 AI

周末我家来了三个小朋友，和小千一起完成一项作业：介绍一种你最喜欢的动物，并为此准备 PPT。

她们这个四人小组是喵喵队，都喜欢猫，因为我家养了一只名叫大福的猫，于是成为本次活动的据点。

说是四个人合作，其实做 PPT 的事被学霸小王一人包揽了，其他三个人加油助威。所谓的加油助威，就是在一旁大肆玩闹，时不时发出超过 70 分贝的狂笑。小王不愧是学霸，任她们在一边玩乐，自己专注干活。

我家有一本关于猫的彩图百科，小王参考着书做 PPT，她在用打字的方式抄写书上挺长的一段。我立即推荐了一个省事的方法，拿 iPad 拍了书页照片，会自动识别图上的文字，只要拖选上面文字复制就行了。她看完立刻学会，之后又如法炮制抄了几段，用的飞起！

其实这几年 AI 的能力已经慢慢渗透到日常生活中，文字识别就是典型的 AI 应用。只不过今年大语言模型太炸裂，让我们觉得好像只有 ChatGPT 这种的才算 AI。苹果刚刚推出的高性能头显 Apple Vision Pro，就有很多这类 AI 的用武之地，未来 AI 会无处不在，为 AI 而设计的芯片也会无处不在。

把不该用户关注的化于无形，是苹果做事的风格。AI 芯片和 AI 处理能力，这些并不需要喊给用户听，就像长按照片上的文字可以复制这事，相信很多人并不知道，但苹果就是沉得住气。我就挺烦 App 更新了版本以后，一打开先看好几屏的功能介绍，我从没认真看过一眼。做这些图的人可能也只是做给上级领导看，至于用户烦不烦无关他们的 KPI。

从算法工程师到需求翻译工程师

就这几天的一个新闻，谷歌的 AlphaDev 实现了更快的排序算法。排序可是相当底层的算法，多年来被认为已经没有改进空间。这个消息出来后，仿佛看到了正在转行的算法工程师，脸上的最后一丝苦笑。

算法，交给 AI 来干简直太合适了。如果 AI 也面临毕业找工作，做算法工程师简直是 AI 梦想中的职业：有着明确具体的工作目标，节省最昂贵的脑力成本。

受影响的不只是算法工程师，偏底层基础设施、远离业务逻辑的部分都会受到冲击。我刚毕业做程序员那会，就有很强的倾向去写库函数，而不是业务逻辑。因为觉得业务逻辑既繁琐又没技术含量。仗着自己技术好，组长派给我的任务主要就是写库和算法，这让我远离了业务，也让自己的技能更加 portable。当时程序员的共识就是，写底层的比写业务逻辑的更牛。不过现在有了 AI，形势就不一样了。

对 AI 来说，业务逻辑很难用几句话就讲清楚，拆解需求的工作还是要人来完成，而且是技术人员。只要你能把需求拆的足够细，用技术语言表达出你的需求，最后写代码的活 80%可以交给 AI，剩下的 20%并不是难度太高 AI 搞不定，而是用 AI 还不如你自己上手来得快。随着 AI 越来越智能，这部分也会逐步变小。大部分程序员都会变成把需求用技术语言讲给 AI 的翻译。

技术选型不得不考虑的

以前做技术选型，要评估这项技术的学习成本、开发成本、维护成本。有了 AI 以后，要考虑一个新的因素，就是 AI 对这项技术了解的充不充分？只有 AI 了解的足够多，才能成为得力助手，我们会非常在意 AI 生成的代码质量，也希望 AI 根据报错信息解决疑难杂症。

AI 从已有资料中学习，显然那些被广泛使用的技术，在网上有大量资料，AI 就掌握的更好。而小众的技术，就有点惨了。流行的越发流行，小众的越发冷僻，技术的马太效应。