在 AI 時代，專才是脆弱的。通才，才是最難被殺死的。
文章作者、來源：J0hn，AGl Hunt
AI 最先殺死的，到底會是誰？
這個問題，程序員們吵了快兩年了，到現在也沒個定論。我的判斷是
01先殺死誰
前端圈裡的朋友們，可能有的早就認了半條命了。
從 GPT-4 開始，每出一個新模型，前端就被「殺死」一次。
v0 殺一次，Cursor 殺一次，Claude Artifacts 殺一次。到了今年，GPT 5.5、Claude Opus 4.7、Gemini 3.0 輪番登場，Coding Agent 的能力又上了一個臺階……前端已經被殺了不知道多少遍了。
但前端的兄弟們倒也不太慌，因為他們發現了一件事：有了 AI，自己寫後端也完全沒問題了。
那誰先死呢？在前端看來，答案是那些天天寫 CRUD 的服務端同學：增刪改查這種活兒，AI 閉著眼都能寫好啊！
再往遠看，那些曾經死貴的算（調）法（參）工程師們，也不安全了。
自動調參、自動訓練的工具越來越成熟，Anthropic 聯創 Jack Clark 前兩天甚至發了篇長文，聲稱到 2028 年底，AI 實現端到端自動化研發的概率超過 60%。OpenAI 也宣佈要在今年 9 月前搞出「自動化 AI 研究實習生」。
連打造 AI 的人，都快被 AI 取代了。
所以問題就變成了：到底有沒有一個明確的「死亡順序」呢？
02吳恩達發言
於是，吳恩達親自下場了。
吳恩達是 Coursera 聯合創始人、斯坦福大學兼職教授，做過百度首席科學家和 Google Brain 負責人。
The Batch 期刊
在 AI 教育和工程領域，他可以說算是最有分量的聲音之一了。
他在自己的 Newsletter「The Batch」最新一期裡，給出了一個明確的加速排序：
前端 > 後端 > 基礎設施 > 科研。
從左到右，AI 的加速效果依次遞減。
03前端最先
吳恩達認為，前端開發被加速得最厲害。
AI Coding Agent 對 TypeScript、JavaScript 以及 React、Angular 這些框架，已經爛熟於心了。
訓練數據裡這類代碼見得太多，多到……想寫錯都難。
更關鍵的是，現在的 Agent 能自己打開瀏覽器，看看自己寫出來的頁面長什麼樣，然後自己迭代改進。這個「閉環」能力，讓 AI 寫前端從「寫完祈禱」變成了「寫完自檢」。
當然他也提了，LLM 在視覺設計方面依然是弱項。但如果設計稿已經有了，或者壓根不在乎設計有多精緻……
那實現速度，可以說簡直就是快得嚇人。
04後端稍慢
而後端，就沒那麼輕鬆了。
吳恩達的原話是：
“ 要花更多的人工來引導模型去思考那些可能導致微妙 bug 或安全漏洞的邊界情況。
而且後端 bug 的影響往往是隱性的。一個數據庫偶爾返回錯誤結果，比頁面樣式崩了要難查得多。數據庫遷移雖然有 AI 幫忙了，稍有不慎還是會丟數據。
他還補了句話：
“ 有經驗的開發者設計和實現的後端，依然遠好於那些用 AI 的新手。
這就有點扎前端同志們的心了。在後端這個領域，AI 拉不平經驗差距。你是新手，有 AI 幫你也寫不出老手的水平。
那些不懂技術的老闆們，你們也要學著點了……別被自媒體們（請別帶上我）洗腦了。
05基礎設施
到了基礎設施這一層，AI 就更力不從心了。
比如把一個電商網站擴展到同時支撐一萬活躍用戶，還要保持 99.99% 的可用性。這種任務涉及大量複雜的工程權衡，LLM 在這方面的知識儲備還相當有限。
吳恩達在文中提到：
“ 對於關鍵的基礎設施決策，我很少信任 AI。
找基礎設施的 bug 更是噩夢。一個細微的網絡配置錯誤，可能需要深厚的工程經驗才能定位到。AI 寫代碼再快，遇到這種場景也幫不上什麼忙。
老闆們，此處請劃重點！
06科研最慢
最後是科研，也是 AI 加速效果最弱的領域。
這倒也不難理解。科研的核心是什麼呢？想新點子、提出假設、跑實驗、看結果、調整假設、再來一輪……如此循環。
AI 能加速的部分，主要就是「寫實驗代碼」。吳恩達自己也用 Agent 來管理和追蹤實驗，讓一個研究員能同時跑更多項目。
但科研中大量的工作，跟寫代碼壓根沒關係。
“ 今天的 Agent 對科研的幫助，只能說是邊際性的。
吳恩達也坦言，這四類劃分是個極度簡化的模型。但這個簡單的心智模型，對他安排團隊確實好用：
“ 我現在要求前端團隊的交付速度，比一年前快了非常多。但對科研團隊的期望，變化並沒有那麼大。
07工種之外
吳恩達給了一個按職能排列的加速梯度，符合直覺，好記，也好用。
但在我看來，如果只看「職能」這一個維度，可能會漏掉一些更本質的東西。
AI 真正在殺死的，是一類「工作特徵」。
初級工作最危險。
不管前端還是後端，只要你做的事是「照著模板套」「按規範來」，AI 就能做，而且做得比你快。吳恩達自己也說了，有經驗的後端開發遠勝於用 AI 的新手。反過來講，新手的價值正在被擠壓得越來越小。
不需要與人協作的工作也危險。
代碼是人機交互，但談需求、做權衡、推動決策、協調團隊，這些是人人交互。AI 能替你寫一個 API，但替不了你去跟產品經理爭論需求優先級。越是需要溝通和妥協的事情，AI 越插不上手。
缺乏創造性的工作尤其脆弱。
吳恩達把科研排在最後，原因就在這裡。提出一個好假設，發現一個反直覺的規律，這些依然是人的事。而越是能被拆解成明確步驟的工作，AI 越容易吃掉。
還有一類容易被忽略的：AI 訓練數據裡出現最多的那些「平均值」工作。
React 組件寫了千萬遍，CRUD 接口寫了千萬遍，所以 AI 寫得又快又好。但一個獨特的系統架構，一個從沒人嘗試過的交互模式，AI 就沒了參照物。
與其爭論「前端先死還是後端先死」，不如問自己一個問題：
你每天做的工作裡，有多少，是平均值的東西？
08如何不死
在我看來，AI 時代不管你寫前端還是寫後端，做算法還是搞基建，需要關注兩個點：
一個是要充分利用 AI 提高自己的下限，然後讓它幫你去夠那個上限。AI 能幫你快速搞定那些你本來就會做的事兒，省下來的時間和精力，應該投到你原本夠不到的地方去。
另一件是，別再給自己貼標籤了。
前端工程師、後端工程師、算法工程師，這些標籤在過去是專業化的象徵。但在 AI 時代，它們越來越像枷鎖。
如果你只會寫 React，那 AI 寫 React 比你快更好的那一天，就是你的末日。
但如果你既懂前端又能搞後端，能做系統設計也能跟客戶聊需求，能寫代碼也能寫文檔……
AI 就殺不死你。
除非，它真的要殺死了所有人……
在 AI 時代，專才是脆弱的。通才，才是最難被殺死的。
相關鏈接：
• 吳恩達原文：https://x.com/AndrewYNg/status/2051691741150081122
• DeepLearning.AI The Batch：https://www.deeplearning.ai/the-batch/issue-350/
