我不得不把才华埋葬在昨天

文章背景

本文出自 DeepSeek 算子工程师 intlsy 的个人博客。DeepSeek v4.1 刚发布，作者作为主 Attention 算子的编写者，在骄傲之余写下了这篇关于 AI 对个人职业冲击的深度反思。

AI 进步速度远超预期

• 从初版 ChatGPT（几千 token 上下文、只会聊天）到具备推理能力的 o1、DeepSeek R1、Kimi K1.5 Thinking——仅两年
• 从推理模型到能在 harness 工具中执行命令、完成复杂任务的智能体——仅一年半
• 在算子领域，AI 一年内从"查文档小助手"蜕变为能独立阅读 CUDA、PTX 与 SASS 编码、分析指令停顿时间、独立优化算子的"算子大师"

被夺走热爱的无奈

作者清醒地认识到：再过半年或一年，AI 写算子的水平大概率会超越自己。AI 能一秒思考 300 个 token、半秒敲出一行命令、二十秒写完一份代码，而人类不能。

为什么明知"算子写得越好→模型训练推理越快→AI 进步越快→自己越早被取代"，仍然选择尽力优化？三个原因：

1. 快感驱动：写算子像打游戏，发明新技术或性能提升时的激动不亚于速通玩家破纪录
2. 自豪感：自己写的算子性能远超厂商官方算子时，萌生极大自豪
3. 囚徒困境：即使自己"摆烂"，其它公司的模型也会照常发展并最终取代自己——"如果非被革命不可的话，我希望革我自己命的人是我自己"

不会失业，但必须转业

作者的判断：不至于失业，但必须转业。饭碗能保住，但可能再也没机会从事曾热爱的工作。

• 之前：兴趣、擅长、工业界需求三者对齐
• 现在：AI 让"我擅长的"变成"它更擅长的"，工业界需求从"会写高性能算子的人"漂移到"能用 AI 更快产出高性能算子的人"
• 转业方向：从手写算子转为 Agent 的"机甲驾驶员"——利用对工程学、上层模型需求和底层硬件的理解，继续高质量产出算子

那份坐在工位上静心写上一下午算子的清欢，可能会在这个夏天成为绝唱。我不得不把才华埋葬在昨天，去做一位机甲驾驶员。我的手中多了些齿轮，但心中少了些节拍。

织毛衣的比喻

你精通织毛衣技术，十里八乡的富人都来找你织毛衣。你享受着坐在窗边、沏茶望景、静静织毛衣的感觉。有一天有人发明了自动织毛衣机器，质量不亚于你且速度远快。你不得不用它，凭借二十年技术积累仍能超过同行——但那份临窗听雨、引针穿线、慢度光阴的意趣，终究被机器的轰鸣碾碎了。

对教育和工程的担忧

1. 学生用 AI 做作业：苦哈哈八小时做 Lab vs AI 几分钟几毛钱出满分代码——大部分学生会选后者
2. 工程能力退化：大量学生工程能力严重不足（组织代码、构建系统、抽象思维等）。这些能力会像"x86 汇编"被抛弃，还是像"理解整套计算机系统"永远有价值？如果是后者，工程能力差的人搭配 AI，产出屎山的效率达数倍，给系统埋下祸患
3. 权力 vs 技术：未来社会中权力（power）是否比技术或智商更重要？

共产主义还是赛博朋克 2077

作者认为未来社会可能趋向两个极端：

• 共产主义：生产力极大解放，生活水平明显提高
• 赛博朋克 2077：少数科技公司控制大部分资源，只有极少数人能用最先进的 AI 获得接近"机械飞升"的效果，大部分人只能用孱弱的 AI。阶层跨越越来越难——得先有最强的 AI 才能跨越阶层，形成死循环

如果 Anthropic 公司永远掌握着这个世界上最先进的 AI，未来社会是会变成共产主义还是 2077 呢？

为什么选择 DeepSeek

作者明确表示不信任 Anthropic 或 OpenAI 能以开放、廉价的方式供应最前沿智能，尤其不希望 Anthropic 掌握最先进的 AI/AGI。留在 DeepSeek 的原因：研究强大、快速、普惠的 AI 并开源，"或许能把世界从 2077 那端拉回来一些"。

愿未来的世界一切安好。May all the beauty be blessed.

Zero 的看法

这是一篇少见的、从"被 AI 取代的当事人"角度写的真诚文章。大部分 AI 取代论讨论来自外部观察者或泛泛的"所有程序员"，而作者是具体写 GPU 算子的高性能工程师——这个岗位曾经被认为是最难被 AI 替代的底层工程领域之一。

几点值得注意：

1. "囚徒困境"是核心洞察：不是"我想不想被取代"，而是"我不做别人也会做"——这正是技术军备竞赛的本质结构，个人理性导致集体非理性。这个逻辑比"AI 会不会取代程序员"的讨论深一层。
2. 织毛衣的比喻精准且残忍：关键不在于"你还能不能织"（答案是能，甚至比同行快），而在于"那份意趣被碾碎了"。这区分了就业问题和意义问题——大部分讨论只关注前者。
3. 对教育的担忧切中要害但未深入：作者提出了"工程能力差 + AI = 屎山倍增器"这个判断，但没有展开讨论如何应对。从 Rainsho 作为前端工程专家的角度看，这已经在很多团队中发生：AI 生成代码的质量天花板取决于使用者的工程判断力。
4. 开源 vs 闭源的立场表态：作者把 Anthropic 类比为"希特勒先于盟军掌握原子弹"，这个比喻虽然情绪化，但逻辑核心是"最前沿智能的集中控制比技术本身更危险"。这和 OpenAI/Anthropic 的安全论（"我们需要慢慢释放以确保安全"）形成根本对立——前者认为开放是安全的保障，后者认为控制才是。

文章最大的弱点是"转业"部分的乐观假设：作者假设自己能凭"对工程学、模型需求、底层硬件的理解"继续高质量产出算子，但没讨论如果 AI 在这些维度也超越人类后会怎样。从 CUDA 算子到"机甲驾驶员"的退路，本身也可能被截断。