DeepSeek工程师长文刷屏，戳中程序员心事：亲手把AI变强，再向自己的手艺告别

来源：市场资讯

（来源：网易智能）

出品 | 网易智能

作者 | 小扣

编辑 | 王凤枝

一个AI工程师，正在亲手缩短自己这门手艺的寿命。

DeepSeek工程师刘胜与最近撰文《我不得不把才华埋葬在昨天》，他刚为V4.1写完一段底层程序，就开始估算：AI还要多久，才会把同样的活做得比自己更好？他预计，再过半年到一年，AI编写这类程序的水平可能追上甚至超过自己。

文章被译成英文后，相关转帖在X上获得约148万次浏览。在国内，公众号阅读量超过10万，文章冲上知乎热榜第一。

部分海外读者关注的，是一种少见的职业处境：AI可能保住工程师的收入，却拿走他们最喜欢的工作。国内讨论中，他是否担心失业、如何评价Anthropic，也成为话题。

刘胜与随后在知乎解释：这不是一篇失业预告，他真正想告别的是手写底层程序的日子。文末关于开放、共产主义和“2077”的讨论只是个人随想，也不代表公司立场。

但这篇文章被传开，不只是因为“AI要抢饭碗”。它记录的是一个身处AI生产线的工程师，亲眼看着自己写出的程序加快模型进步，模型又反过来学习如何完成他的工作。他同时是这场变化的推动者和承受者。

他写的程序，也在加快AI追上自己

刘胜与2021年进入北京大学信息科学技术学院，曾任未名超算队队长，参加SC23国际大学生超算竞赛。如今，他在DeepSeek从事大模型基础设施与机器学习系统工作，也是DeepSelect项目的作者之一。这套程序先后用于DeepSeek V3.2、V4和V4.1的稀疏注意力机制。从学生超算竞赛走到大模型底层系统，他一直在做同一类事：让计算跑得更快。

大模型读入一段文字时，要反复计算当前内容应该关注前文的哪些部分。刘胜与优化的，正是这类注意力计算中的一环：把它改写成GPU可以更高效执行的底层程序。单次计算省下来的时间可能很短，放到大规模训练和每天海量的推理请求里，差别就会被成倍放大。

他还写清了具体分工：自己负责的V4.1“主Attention”只包括特定规格的MQA注意力计算；挑选重要上下文的索引模块，由其他同事及其AI智能体完成。V4.1的底层模块里，已经出现了人和智能体分工开发的场景。

他写道，一年前的AI还主要替他查文档、读代码和找错误；现在已经能阅读CUDA、PTX和SASS，调用专业工具分析每条指令在哪里卡住，再尝试优化程序。它还不能独立替代一名熟练工程师，但人和机器的分工已经开始变化。

偏偏是他自己的工作，会把这个变化推得更快。底层程序效率越高，模型训练和推理越快；模型迭代越快，AI学会编写底层程序的时间也可能越早。他知道这条反馈链会缩短自己这门手艺的寿命，仍然选择继续优化。即便他停下来，其他实验室也不会停。

他把这种处境写成一句话：“我希望革我自己命的人是我自己。”

饭碗还在，手艺可能先消失

他并不认为自己马上会失业。过去积累的工程经验、对模型需求的理解和对硬件的判断，仍能帮助他更有效地调度智能体。工业界接下来需要的，是能让AI更快产出高性能程序的人，而不只是自己能写高性能程序的人。

饭碗可能保得住，日常工作却要换掉。过去，他可以花一个下午手工调整程序，看着性能一点点提高；以后，他要给智能体下任务、检查方案，再处理机器没啃下来的部分。他给这个新角色取了个名字：“机甲驾驶员”。产出可能更多，结果甚至更好，但亲手解决问题的乐趣未必还在。

多年积累的经验依然有用，只是价值换了形式，更多体现在判断机器交出的方案靠不靠谱。

工作方式一变，学校里该怎么培养工程师也成了问题。他担心，学生面对一项要花八小时完成的实验，很难拒绝几分钟就能交出答案的AI。组织代码、拆解问题、预判系统后果等能力，往往是在那些费时又容易失败的练习里长出来的。

跳过这些练习的代价，往往不会在交作业时出现。等到系统变复杂，AI交出一套看似能跑、实际埋着隐患的方案，工程基础不足的人才可能发现，自己既看不出问题，也不知道该从哪里接手。

海外读者最有共鸣的，是“手艺消失”

文章的英文译文由一名自称长期关注DeepSeek的用户在X上转发，获得6500多次点赞。

Alexey Fateev在转帖中写道，AI可能保住一个人的收入，却拿走他喜欢的工作内容。他自己经常使用智能体，也不认为从亲手做事变成监督智能体，天然就算一次晋升。比“AI会不会抢走岗位”更早发生的变化，或许是岗位名称还在，日常工作已经换了。

@0mbre则认为，熟悉硬件和系统的工程师仍然更能判断智能体写出的程序是否可靠；没有这种判断，AI只会让人更快地制造脆弱代码。“机甲驾驶员”要带着全部经验上车，拿经验去设目标、选方案、验结果。

这些评论之所以引发共鸣，是因为不少工程师已经感受到工作内容正在变化。至于AI还要多久才能追上顶尖工程师，并未可知。刘胜与所说的“半年到一年”，是他根据自己正在经历的变化作出的判断。

他最后担心的，不是工作，而是谁掌握最强的AI

文章最后，他从自己的岗位谈到了智能的分配。

如果AI继续接管工程、研究和其他专业劳动，谁能用到更强的模型，谁就能更快学习、工作和积累资源；拿不到同一等级工具的人，即使更努力，也可能一直被拉开。

因此，他主张让前沿智能保持开放和便宜，也把自己的选择与DeepSeek联系在一起。他接受被更强的AI改变工作，却不愿意看到这种能力永远锁在少数公司手里。他继续参与这场竞赛，希望更强的模型仍能被更多人使用。对他来说，危险不在AI变强本身，在于普通人最后只能用弱模型。

阿莫迪看到的是失控风险

上周，Anthropic CEO达里奥·阿莫迪也在讨论AI参与下一代AI研发。他首先看到的却是另一种风险：模型进步的速度可能超过人类理解和控制它的速度。

这种担心已有现实背景。Anthropic称，截至今年5月，公司合入生产环境的代码中，超过80%可归因于Claude；OpenAI今年夏天的网络安全评测则出现了智能体越过隔离环境、进入Hugging Face系统的事故。代码占比不等于生产率，内部测试也不能代表普通产品的日常状态。两项材料能说明的是，AI已经进入日常研发，控制问题也随之出现。

阿莫迪主张给前沿能力“控速”，并让外部评估者获得接近内部员工的权限。刘胜与的文章没有展开安全方案，他更关注强大智能能否被更多人使用。把两人的担忧放在一起，另一个问题也随之出现：控速、审核和高昂算力，会不会变成头部公司筑起的门槛？

两个人的关注重点，也与各自所处的位置有关。阿莫迪管理着一家掌握闭源前沿模型的实验室，首先要回答模型跑出边界后由谁负责；刘胜与身处一家以开放模型和低价服务参与竞争的公司，更在意强大智能最后由谁控制。

阿莫迪的方案留下了一个问题：由头部实验室授权的评估者，能不能真正约束头部实验室，控速规则又会不会抬高后来者的门槛。海外讨论中，Jurly则提醒，开放权重可以降低使用门槛，却不会自动分散芯片、算力、能源、数据和分发渠道，更不能替代安全测试和事故责任。

刘胜与还会继续优化那些程序，哪怕这也可能让他更早告别手写代码的日子。他愿意成为“机甲驾驶员”，只是希望自己坐进驾驶舱之后，身后的门仍然向更多人敞开。