品味和審美
在Al時代，每個程式設計師都活成了自己最討厭的那種team leader: 1.半年不寫一行程式碼，程式設計能力嚴重退化，還自詡「我也是搞技術的」 2.開會的時候把一線開發乾的活全說成是自己的功勞，連自己的彙報材料都 是讓別人總結的 3.瞎JB指揮，出了問題就甩鍋說是下面沒執行好 4.不瞭解專案具體情況，只會提「單測加了沒」、「效能還要最佳化」、「文件要沉 澱一下」這類空洞的要求 5.PR基本上看不懂，只會讓別人先review了自己跟著點贊 6.遇到bug了只知道無腦轉發讓別人查一下，自己負責來來回回轉發訊息 7.還經常吐槽「今年的應屆生水平越來越不行了」 by 象牙山劉能
雖然上面是調侃，但我覺得ai時代，品味的確是越來越重要了，以後人人都是這種技術主管，但如何才能讓自己不成為一個拖累團隊，而是讓團隊更上一層樓的主管呢？重點就在於明確的指出正確方向。但到底什麼是正確的方向，這恰恰涉及到隱性知識，換言之就是那些能在情況不對時的感覺，亦或者說「品味」。
許多文章都談到了品味，但只有第三篇將其和隱性知識關聯起來，不過他並沒有特別深入的討論到這一日益重要的技能到底如何培養。對我來說，「品味」這個詞本身並非什麼黑箱式的不可觸碰甚至難以學習的知識——和任何隱性知識一樣，品味是可以藉助自然決策等專家訓練方式來掌握的。
但我更喜歡將品味和審美來進行類比，因為兩者都是一種難以言說但又能在關鍵時刻決定方向性的東西。當我看到一段程式碼，我會覺得它不對，並認為應該怎樣改才能更好，這就和當我看到一個設計時覺得他不對，應該往什麼地方改要更好一樣。品味和審美都共同的標誌著一種方向性的啟發式判斷，基於當下的資訊，我立即覺察到那些「壞味道」，並覺得難以下嚥，必要修改。因此，我認為培養品味就和培養審美一樣，可以尋找到一條明確的方式：最簡單的就是學習美術對於審美素養的培養過程。
想要達成良好品味的做法很簡單，就像自然決策所揭示的那樣——接觸大量附帶專家判斷的素材，是學習並遷移專家品味的最佳道路。觀察，並浸入式的捕捉專家決策的訊號：他們究竟在察覺到什麼樣的「味道」時，才會覺得這是「壞的」？比起捕捉專家的邏輯，品味作為一種啟發式的直覺，捕捉那些「引發直覺」的訊號，才更加關鍵。
所以我認為人類未來的應用層教育必然要重視對這種「品味素養」的培養，因為隨著LLM的愈發強大，花費大量時間去學習並掌握一個專有的「操作性技能」會變得非常不划算。因為LLM根本不需要培養就能學會，那我花這麼多時間投入一個幾乎邊際收益為零的技能上，難道不就是浪費時間嗎？但相反，培養「判斷力」會成為應用領域至關重要的一環。而這種對「判斷力」的培養，幾乎就等價於對「品味」的培養。
所以，舊有的應用培訓體系必要變革，否則只會讓其更加落後於時代。但是，對於非應用領域的知識積累，我仍舊認為這至關重要——因為積累同樣是素養達成的一環，甚至是培養那種更加難以複製的「品味」的必經之路。比如應用上我可以判斷一個東西是否正確，那是因為有大量工程經驗提供了多種附帶反饋的訊號。但對於理論研究型知識，尤其是那種網狀練習的「促發」型創新知識，它就根本缺乏這種「帶有反饋訊號的決策」場景。理論的「促發」要求的是「積累」，只有積累足夠，一個知識網路才能建立起來，跨越知識網路的聯想才能成為可能。所以這部分在我看來仍舊需要時間，是急不得的。
當然，也有反對立場會說，那LLM豈不是更能夠構建這種知識網路？你看現在的數學，科學家幾乎也和工程師一樣，在關鍵的領域做判斷就能夠達成有效研究——沒錯，這當然是事實。但其實回答已經蘊含在問題裡了。「科學家的判斷力」從何而來？就像我說的，這恰恰是知識積累的結果。如果數學家沒有日復一日的浸泡在自己的理論領域中，他又如何察覺到LLM走向了錯誤的方向，甚至察覺到那些理論前進中的「壞味道」？因此，浸泡在知識中仍然是至關重要的，對於LLM時代理論研究來說，它只會更重要：因為你必須要區分哪些是垃圾，哪些是金子；只有正確的方向才能讓我們從LLM龐大的語料中打撈出有用的東西。
不過，我不覺得LLM會徹底取代擁有深厚知識的人類專家的位置。舉個不恰當的比喻，這就像機械刀削麵和手工刀削麵的關係一樣，如果你只是吃麵，那肯定是最便宜的好，但如果你就是需要「人削的面」，那顯然是手工的更好。因此必然會有少數細分領域仍然需要人類專家——但就像手工刀削麵帶來的高成本一樣，這必然會成為一種市場少數，只能在部分像是金融、醫療等高度監管的行業才會選擇承擔這部分成本換取合規風險的降低。但對於市場上的大多數消費者來說，他們大多是不在意麵是誰削的——我只想吃刀削麵而已，好吃就行了。
因此，成果導向的市場必然指向大規模的LLM替代，對低成本同時高時間和效率的要求本身就會成為一種反向的選擇壓，淘汰那些還無法適用LLM的組織。當其他競爭對手能以更短的時間交付更高質量結果時，你還在堅持古法，那就必然要給客戶一個解釋——你們為什麼不用AI？除非你的客戶偏好真的踩在人工這一「特殊」要求上，否則高效率的LLM將會成為基本的標配。並且我認為，這個趨勢基本不會逆轉。
以文案撰寫為例。這曾是一個需要多年磨練才能精通且收入頗豐的職業。即便在電子商務和廣告技術推動需求激增之後，隨著越來越多的專業人士湧入市場，這種情況也緩慢發生了變化。如今，LLM已經徹底摧毀了絕大多數專業人士的飯碗。 原因很簡單：大部分需求來自需要文案的小公司，而ChatGPT生成的文案完全可以滿足他們的需求。雖然現在仍然會僱傭一些文案撰寫人員來提示、稽核和傳送文案，但由於需求並非無限，不可能僱傭所有人來做這項工作。現在一個文案撰寫人員的工作量相當於10個人，但需求是固定的。供應量增加10倍，需求量也不會增加10倍。 當然，最優秀的文案撰稿人仍然有市場，但他們只佔大約1%。其餘99%的人都在為殘羹剩飯而掙扎。使用者體驗文案撰稿人曾經是一個前景不錯的職業。現在，我認識的這些人全都被裁員了。就連大型企業也解僱了他們；你完全可以藉助ChatGPT生成文本標籤，而且90%的情況下都夠用，所以現在僱傭10個專業人士已經沒有意義了，裁掉9個，留下1個吧。 by Replies to comments on my “LLMs are eroding my career” post | the human in the loop
如果模型繼續朝著同一個方向改進，我們最終都會面臨同樣的命運。
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