品味和审美
在Al时代，每个程序员都活成了自己最讨厌的那种team leader: 1.半年不写一行代码，编程能力严重退化，还自诩「我也是搞技术的」 2.开会的时候把一线开发干的活全说成是自己的功劳，连自己的汇报材料都 是让别人总结的 3.瞎JB指挥，出了问题就甩锅说是下面没执行好 4.不了解项目具体情况，只会提「单测加了没」、「性能还要优化」、「文档要沉 淀一下」这类空洞的要求 5.PR基本上看不懂，只会让别人先review了自己跟着点赞 6.遇到bug了只知道无脑转发让别人查一下，自己负责来来回回转发消息 7.还经常吐槽「今年的应届生水平越来越不行了」 by 象牙山刘能
虽然上面是调侃，但我觉得ai时代，品味的确是越来越重要了，以后人人都是这种技术主管，但如何才能让自己不成为一个拖累团队，而是让团队更上一层楼的主管呢？重点就在于明确的指出正确方向。但到底什么是正确的方向，这恰恰涉及到隐性知识，换言之就是那些能在情况不对时的感觉，亦或者说「品味」。
许多文章都谈到了品味，但只有第三篇将其和隐性知识关联起来，不过他并没有特别深入的讨论到这一日益重要的技能到底如何培养。对我来说，「品味」这个词本身并非什么黑箱式的不可触碰甚至难以学习的知识——和任何隐性知识一样，品味是可以借助自然决策等专家训练方式来掌握的。
但我更喜欢将品味和审美来进行类比，因为两者都是一种难以言说但又能在关键时刻决定方向性的东西。当我看到一段代码，我会觉得它不对，并认为应该怎样改才能更好，这就和当我看到一个设计时觉得他不对，应该往什么地方改要更好一样。品味和审美都共同的标志着一种方向性的启发式判断，基于当下的信息，我立即觉察到那些「坏味道」，并觉得难以下咽，必要修改。因此，我认为培养品味就和培养审美一样，可以寻找到一条明确的方式：最简单的就是学习美术对于审美素养的培养过程。
想要达成良好品味的做法很简单，就像自然决策所揭示的那样——接触大量附带专家判断的素材，是学习并迁移专家品味的最佳道路。观察，并浸入式的捕捉专家决策的信号：他们究竟在察觉到什么样的「味道」时，才会觉得这是「坏的」？比起捕捉专家的逻辑，品味作为一种启发式的直觉，捕捉那些「引发直觉」的信号，才更加关键。
所以我认为人类未来的应用层教育必然要重视对这种「品味素养」的培养，因为随着LLM的愈发强大，花费大量时间去学习并掌握一个专有的「操作性技能」会变得非常不划算。因为LLM根本不需要培养就能学会，那我花这么多时间投入一个几乎边际收益为零的技能上，难道不就是浪费时间吗？但相反，培养「判断力」会成为应用领域至关重要的一环。而这种对「判断力」的培养，几乎就等价于对「品味」的培养。
所以，旧有的应用培训体系必要变革，否则只会让其更加落后于时代。但是，对于非应用领域的知识积累，我仍旧认为这至关重要——因为积累同样是素养达成的一环，甚至是培养那种更加难以复制的「品味」的必经之路。比如应用上我可以判断一个东西是否正确，那是因为有大量工程经验提供了多种附带反馈的信号。但对于理论研究型知识，尤其是那种网状练习的「促发」型创新知识，它就根本缺乏这种「带有反馈信号的决策」场景。理论的「促发」要求的是「积累」，只有积累足够，一个知识网络才能建立起来，跨越知识网络的联想才能成为可能。所以这部分在我看来仍旧需要时间，是急不得的。
当然，也有反对立场会说，那LLM岂不是更能够构建这种知识网络？你看现在的数学，科学家几乎也和工程师一样，在关键的领域做判断就能够达成有效研究——没错，这当然是事实。但其实回答已经蕴含在问题里了。「科学家的判断力」从何而来？就像我说的，这恰恰是知识积累的结果。如果数学家没有日复一日的浸泡在自己的理论领域中，他又如何察觉到LLM走向了错误的方向，甚至察觉到那些理论前进中的「坏味道」？因此，浸泡在知识中仍然是至关重要的，对于LLM时代理论研究来说，它只会更重要：因为你必须要区分哪些是垃圾，哪些是金子；只有正确的方向才能让我们从LLM庞大的语料中打捞出有用的东西。
不过，我不觉得LLM会彻底取代拥有深厚知识的人类专家的位置。举个不恰当的比喻，这就像机械刀削面和手工刀削面的关系一样，如果你只是吃面，那肯定是最便宜的好，但如果你就是需要「人削的面」，那显然是手工的更好。因此必然会有少数细分领域仍然需要人类专家——但就像手工刀削面带来的高成本一样，这必然会成为一种市场少数，只能在部分像是金融、医疗等高度监管的行业才会选择承担这部分成本换取合规风险的降低。但对于市场上的大多数消费者来说，他们大多是不在意面是谁削的——我只想吃刀削面而已，好吃就行了。
因此，成果导向的市场必然指向大规模的LLM替代，对低成本同时高时间和效率的要求本身就会成为一种反向的选择压，淘汰那些还无法适用LLM的组织。当其他竞争对手能以更短的时间交付更高质量结果时，你还在坚持古法，那就必然要给客户一个解释——你们为什么不用AI？除非你的客户偏好真的踩在人工这一「特殊」要求上，否则高效率的LLM将会成为基本的标配。并且我认为，这个趋势基本不会逆转。
以文案撰写为例。这曾是一个需要多年磨练才能精通且收入颇丰的职业。即便在电子商务和广告技术推动需求激增之后，随着越来越多的专业人士涌入市场，这种情况也缓慢发生了变化。如今，LLM已经彻底摧毁了绝大多数专业人士的饭碗。 原因很简单：大部分需求来自需要文案的小公司，而ChatGPT生成的文案完全可以满足他们的需求。虽然现在仍然会雇佣一些文案撰写人员来提示、审核和发送文案，但由于需求并非无限，不可能雇佣所有人来做这项工作。现在一个文案撰写人员的工作量相当于10个人，但需求是固定的。供应量增加10倍，需求量也不会增加10倍。 当然，最优秀的文案撰稿人仍然有市场，但他们只占大约1%。其余99%的人都在为残羹剩饭而挣扎。用户体验文案撰稿人曾经是一个前景不错的职业。现在，我认识的这些人全都被裁员了。就连大型企业也解雇了他们；你完全可以借助ChatGPT生成文本标签，而且90%的情况下都够用，所以现在雇佣10个专业人士已经没有意义了，裁掉9个，留下1个吧。 by Replies to comments on my “LLMs are eroding my career” post | the human in the loop
如果模型继续朝着同一个方向改进，我们最终都会面临同样的命运。
How AI Is Transforming Work at Anthropic \ Anthropic How to Be a 30x AI Engineer with a Taste What Do Engineers Mean When We Say “Taste”? LLMs are eroding my software engineering career and I don’t know what to do | the human in the loop