arXiv上一篇被归类为计算机科学下软件工程（cs.SE）与人工智能（cs.AI）方向的论文，刚推翻了“AI淘汰软件工程师”的流行观点。
你可能听过类似的讨论：AI写代码越来越快，软件工程师会不会失业？这篇论文的结论刚好相反——AI编码工具兴起，软件工程师反而更不可缺少，甚至是AI辅助开发的核心基础，没有它，AI产出的代码只会是“看似合理却不可信”的垃圾。
先说说AI的天生缺陷。论文里明确，大语言模型有三个结构属性，是无论怎么训练都改不掉的：概率生成、领域无关性、语义无状态。概率生成很好理解，它生成代码的每一行，都是按训练数据里的概率选出来的，不是基于严谨的逻辑推导——比如它能写出“计算用户年龄”的函数，却可能忘了把出生日期的格式做校验，只是因为训练数据里这类代码的概率更高。领域无关性呢？它是通用模型，没有深度的特定领域知识，比如你要它写符合医疗数据隐私规范的模块，它根本不知道那些规范的具体要求，只能按通用逻辑凑。语义无状态更关键：它不跟踪对话里的深层上下文，比如你先让它写“用户登录功能”，再让它“加个短信验证”，它可能忘了之前提过的“密码加密规则”，直接生成一个新的、不符合要求的登录逻辑。这三个缺陷，不是靠堆训练数据或算力能解决的，是模型本身的特性。
那谁来填这个坑？论文说，需要四个“知识杠杆”，而且每一个都必须由软件工程师来做，变成可落地的持久产物。这四个杠杆是：方法学知识、领域知识、设计选择、过程选择。方法学知识就是怎么搭架构、怎么组织代码的逻辑，不是瞎堆代码；领域知识是某个行业的特定规则，比如金融的支付校验、医疗的数据隐私；设计选择是选微服务还是单体架构、用哪种数据库这类决策；过程选择是怎么写测试用例、怎么做代码审查这些流程。每个环节，软件工程师都要扮演三个角色：方法学家定规则、中介协调需求和AI输出、保管者维护这些知识，让AI能在正确的框架里工作。
换个说法，AI像个会查字典但不会写作文的学生，能快速拼出句子，但要写出符合要求的作文，必须有老师（软件工程师）定好大纲、选好素材、检查逻辑。原来软件工程师要写作文，现在要当老师，核心能力变了，但不可或缺。
对行业来说，这不是挑战，是角色的重新定义：原来的软件工程师要精通代码实现，现在要精通“让AI为我所用”的规则，把零散的知识变成可复用的框架，让AI的产出能落地、可信。
当AI能生成大部分代码，软件工程师的核心竞争力，会不会从“写代码”变成“定义AI的代码规则”？
素材来源：arXiv (LLM/多模态新论文) · AI情报、AI智能体、科研前沿
查看报道原文
发表第一条评论吧