AI取代程序员之前，会先取代老板

AI终将取代程序员，但这不是最该担心的事

一个在技术圈引发广泛讨论的话题：AI会不会取代程序员？一位B站UP主给出了一个颇具思辨性的回答——AI未来一定会取代程序员，但在此之前，它会先取代老板。

这个观点乍听之下有些反直觉，但仔细推演下来，逻辑链条却相当完整。让我们拆解这套推演，看看它到底说了什么。

取代程序员的临界点在哪里

作者首先给出了一个定性判断：当AI超过全世界最伟大的程序员，当全人类加在一起都无法解决的问题AI可以解决时，程序员这个职业就会被取代。

要理解这个临界点，需要先了解AI编程能力的技术现状。从早期的GitHub Copilot（基于OpenAI Codex）到GPT-4、Claude等大语言模型，再到2024年出现的Cursor、Devin等AI编程助手，AI在代码生成、调试和架构设计上的能力正在快速逼近中级工程师水平。Devin被称为"第一个AI软件工程师"，能够独立完成从需求分析到部署的完整开发流程，在SWE-bench基准测试中解决了约13.86%的真实GitHub问题——这一数字在此前被认为几乎不可能实现。技术能力的跃迁速度，让"临界点"的到来比多数人预期的更早。

但这个时间点什么时候到来？作者的回答很有意思——从宏观来讲一定会发生，但从个体一生的维度来看，需要考虑一个更根本的问题：如果AI比全人类加在一起还聪明，那人类还有什么存在的必要？

这就引出了一个关键约束：人类会主动保留一定的控制权。 在AI安全领域，这被称为"对齐问题"（Alignment Problem）——如何确保超级智能AI的目标与人类价值观保持一致。OpenAI、DeepMind等顶级AI实验室都将此列为核心研究方向，目前主流的技术路径包括RLHF（基于人类反馈的强化学习）、宪法AI（Constitutional AI）和可解释性研究。以军工行业为例，目前军工内部极少使用AI辅助编程，下载软件甚至还需要刻光盘带进去。这不是技术落后，而是出于安全和控制的考量——这些安全机制的本质，正是在AI能力扩张的同时，人为设置能力边界和价值约束。人类不会把所有事情都交给AI，尤其是在涉及生存安全的领域。

越不市场化的岗位越排斥AI

作者提出了一个很有洞察力的观察：有门槛的岗位会排斥AI，越不市场化的岗位越排斥AI。

技术社会学中有一个经典命题：技术的采纳速度不仅取决于技术本身的成熟度，更取决于既有权力结构的接受意愿。诺贝尔经济学奖得主达龙·阿西莫格鲁在其著作《权力与进步》中系统论证了这一点——历史上多次技术革命（包括工业革命）的收益分配，都高度依赖于当时的制度安排和权力格局。比如政治首领这个岗位，AI可能永远无法取代——不是因为能力不够，而是因为"地位本身会排斥AI"。再比如烟草行业，你觉得那里的人是因为能力强、效率高才占据那些位置的吗？一个AI完全可以把所有事情搞定，但这些岗位的存在逻辑本身就不是效率导向的。

这个观察揭示了一个常被忽略的事实：很多岗位的存在不是因为市场效率，而是因为权力结构和制度安排。 AI擅长优化效率，但它无法改变权力格局——至少在人类主动让渡之前不会。在军工、政府、金融监管等领域，技术采纳的瓶颈从来不是能力，而是谁有权决定"是否采纳"以及"采纳后谁受益"。

编程能力等于做任何事的能力

这是整个推演中最关键的一环。作者指出，编程本质上是与世界交互的通用接口：

• 你可以通过编程做机器人
• 你可以通过编程训练AI模型
• 你可以通过编程控制自动化产线
• 你可以通过编程让AI在现实世界中拥有"身体"

如果AI能写出任何程序，那么理论上AI就能做到任何事情——唯一的限制只有客观的物理定律。这意味着，当AI的编程能力达到极致时，被取代的绝不仅仅是程序员，而是几乎所有岗位。

所以，"有了AI编程，老板是不是就不需要程序员了？"答案是肯定的。但更深层的答案是：可能也不需要老板了。

想法和创意真的不可替代吗

很多人会说："AI只能执行，创意和想法是人类独有的。"作者对此进行了犀利的反驳。

首先，商业上所谓的创造力，一半可以被心理学和用户行为学替代。 一半是理解用户，一半是对接需求。如果AI能充分理解人类并对接几乎无尽的统计数据，它在这方面很可能做得比人类更好。

其次，创造力的本质是什么？ 大多数情况下，所谓创造力不过是"把一个行业的解决方案移植到另一个行业"。这种跨领域的模式匹配，恰恰是大语言模型最擅长的事情。大语言模型（LLM）的工作原理是在海量文本数据上进行自监督学习，通过预测下一个token来建立对语言和知识的统计表征。这种机制天然具备跨领域模式迁移的能力——模型在训练中同时接触了医学、法律、工程、艺术等几乎所有人类知识领域，因此能够自动发现不同领域之间的结构相似性。研究者将这种能力称为"涌现能力"（Emergent Abilities），即在模型规模达到某个临界点后，突然出现训练目标之外的新能力。

作者举了一个很有说服力的例子：海明威和福楼拜被问到如何写出好作品时，回答都是"先写出足够多的烂作品"。创造力不是灵光一现，而是大量积累后的涌现。而AI在"积累"这件事上，拥有人类无法比拟的优势——它见过人类历史上几乎所有的创造。

除非你能想出人类历史上从未出现过的创造，否则你就会被AI打败。 更准确地说，你不仅要超越所有人类，还要超越AI在理解了全人类创造之后所产生的新创造。这几乎是不可能的。

天赋的本质是效率而AI的效率可以无限扩展

关于"天赋"，作者也给出了一个去魅的解读：天赋本质上是学习效率的差异。一个模型训练2万小时达到80%的效果，另一个模型200小时就达到同样效果——后者就是"有天赋的