昨天刷到黄仁勋的一段采访视频，他说：

"编程已经不再重要了，因为AI可以编程。现在最重要的是学会与AI对话，告诉它你想要什么。"

评论区瞬间炸了。

有人说："程序员要失业了。" 有人说："黄仁勋不懂编程。" 还有人说："终于可以不写代码了！"

作为一个写了12年代码的程序员，我想聊聊自己的看法。

一、黄仁勋说的是事实吗？

是，也不是。

编程确实在变简单

我亲身体验过AI辅助编程带来的效率提升：

场景1：写CRUD接口

以前：

• 打开IDE，新建Controller

• 写参数校验、写Service调用、写异常处理

• 写单元测试

• 总耗时：30分钟

现在：

• 告诉Cursor："写一个用户注册接口，包含参数校验和异常处理"

• AI生成80%的代码

• 我review并微调

• 总耗时：5分钟

效率提升6倍。

场景2：重构遗留代码

以前：

• 读懂老代码逻辑（可能要半天）

• 小心翼翼地修改

• 担心改出bug

• 总耗时：1天

现在：

• 让AI分析代码逻辑

• AI给出重构建议

• AI生成重构代码 + 测试用例

• 我验证和调整

• 总耗时：2小时

效率提升4倍。

从这个角度看，黄仁勋说得没错——纯粹的"打字"确实不值钱了。

AI已经可以：

• 写标准的CRUD代码

• 实现常见的算法

• 生成单元测试

• 重构老代码

• 写文档和注释

但这只是故事的一半。

二、AI到底替代了什么？

我仔细分析了自己一周的工作，发现：

AI替代的部分（约占工作的40%）：

✅ 重复性的代码编写（CRUD、Model、DTO） ✅ 标准化的单元测试 ✅ 简单的bug修复 ✅ 代码格式化和优化 ✅ 文档生成

AI无法替代的部分（约占工作的60%）：

❌ 需求理解与澄清

• 业务方说"我要一个用户系统"

• 但他们真正需要的是什么？

• 需要支持哪些场景？

• 边界条件是什么？

❌ 架构设计

• 这个系统应该用微服务还是单体？

• 数据库该如何设计？

• 缓存策略怎么定？

• 如何保证高可用？

❌ 技术选型

• 市面上10种方案，选哪个？

• 每种方案的trade-off是什么？

• 团队能力能不能hold住？

• 长期维护成本如何？

❌ 问题诊断

• 生产环境突然变慢，原因是什么？

• 日志里一堆错误，先看哪个？

• 这个问题是数据库瓶颈还是代码问题？

❌ 代码Review

• AI生成的代码有没有安全隐患？

• 性能是否满足要求？

• 是否符合团队规范？

• 长期可维护性如何？

❌ 跨团队协作

• 和产品、运维、测试的沟通

• 技术方案的推动落地

• 突发问题的应急处理

结论：AI替代的是"编码"这个动作，但编码只是程序员工作的一部分。

三、一个真实的案例

上个月，我们接了一个需求："做一个智能推荐系统"。

如果只是"打字"，这事儿很简单：

我：帮我写一个基于协同过滤的推荐算法
AI：[生成一大段代码]

但实际情况是：

第1天：需求澄清

• 业务方：我们要给用户推荐商品

• 我：推荐的目标是什么？点击率还是转化率？

• 业务方：都要

• 我：那冲突怎么办？优先级？

• 业务方：...我们再想想

第3天：技术调研

• 协同过滤？深度学习？还是混合方案？

• 实时推荐还是离线计算？

• 冷启动问题怎么解决？

• 调研了5种方案，做了对比分析

第5天：架构设计

• 设计了召回 → 粗排 → 精排的三层架构

• 选定了Spark + Redis + TensorFlow的技术栈

• 定义了数据流和接口规范

第10天：编码实现

• AI帮我生成了70%的代码

• 但剩下30%的核心逻辑（特征工程、模型调优）需要反复调试

• Code review发现了3个性能问题和1个安全隐患

第15天：上线调优

• 灰度发布，监控指标

• 发现推荐准确率不达标

• 分析数据，调整策略

• 迭代了3个版本

如果只是"打字"，第1天就结束了。但实际上，真正有价值的工作在后面的14天。

四、程序员的价值在哪里？

过去，程序员的价值 = 编码能力 × 工作时间

现在，程序员的价值 = （理解业务 + 架构设计 + 技术判断 + 问题解决） × AI效率加成

具体来说：

1. 理解业务的能力

好的程序员不只是"接需求"，而是：

• 能听懂业务方的"方言"

• 能发现需求里的坑和矛盾

• 能提出更好的解决方案

• 能预见可能的问题

AI不懂业务。它只能按你的指令写代码，但不会问你"这个需求合理吗"。

2. 架构设计的能力

系统设计是一个trade-off的艺术：

• 性能 vs 成本

• 复杂度 vs 可维护性

• 快速上线 vs 长期演进

这需要：

• 对技术栈的深度理解

• 对业务场景的准确判断

• 丰富的项目经验

AI可以给你10种架构方案，但选哪个、为什么选，只有你能决定。

3. 技术判断的能力

• 这个开源框架靠谱吗？

• 这个新技术适合我们吗？

• 这个优化值得做吗？

• 这个风险可以接受吗？

AI没有判断力。它会告诉你Redis很快，但不会告诉你在你的场景下MySQL可能就够了。

4. 问题解决的能力

生产环境出问题了：

• 日志里一堆错误

• 监控指标异常

• 用户在投诉

你需要：

• 快速定位问题

• 找到根本原因

• 制定解决方案

• 防止再次发生

AI可以帮你分析日志，但诊断问题、做决策、承担责任的，是你。

五、那些被淘汰的，和那些不会被淘汰的

会被淘汰的程序员：

❌ 只会"打字"的码农

• 拿到需求，直接开写

• 不思考为什么，不关心业务

• 代码能跑就行，不管质量

• 遇到问题就搜Stack Overflow

❌ 拒绝使用AI的保守派

• "AI写的代码不靠谱"

• "我用不惯AI工具"

• "还是手写代码踏实"

• 结果效率被同行甩开10倍

❌ 只会用框架的API调用者

• 不理解底层原理

• 遇到问题完全不会调试

• 框架不支持的功能就没辙了

不会被淘汰的程序员：

✅ 懂业务的技术人

• 能和业务方对话

• 能发现需求背后的真实问题

• 能提出技术视角的解决方案

✅ 会设计的架构师

• 理解各种技术的trade-off

• 能设计可扩展的系统

• 能平衡短期和长期

✅ 善于用工具的效率专家

• 熟练使用AI辅助编程

• 把AI当"超级助手"

• 把时间花在更有价值的事情上

✅ 持续学习的终身学习者

• 不断学习新技术

• 不断优化工作方式

• 保持技术敏感度

六、我的应对策略

面对AI的冲击，我做了这些调整：

1. 拥抱AI，但不依赖AI

我的原则：

• AI生成的代码，必须完全理解后才提交

• 关键逻辑，自己设计，AI辅助实现

• 安全相关的代码，必须人工review

具体做法：

• 每天用GitHub Copilot / Cursor写代码

• 但会关掉AI，手写核心算法

• 定期code review AI生成的代码

2. 从"写代码"转向"设计系统"

减少时间：

• 重复性的CRUD → 5%（交给AI）

• 简单的业务逻辑 → 10%（AI辅助）

增加时间：

• 需求分析和设计 → 30%

• 架构设计和技术选型 → 25%

• Code Review和质量把控 → 15%

• 性能优化和问题诊断 → 15%

3. 深入业务，提升不可替代性

• 参加产品需求评审会

• 主动和业务方沟通

• 学习业务领域知识

• 提出技术驱动的创新

结果：从"需求执行者"变成"方案设计者"

4. 建立自己的知识体系

AI能替代的是"know-how"（知道怎么做） AI替代不了的是"know-why"（知道为什么）

我在做的事：

• 深入学习底层原理（操作系统、网络、数据库）

• 总结架构设计模式

• 积累问题诊断经验

• 建立自己的技术判断力

5. 提升软技能

技术只是工具，解决问题才是目的。

我在提升：

• 沟通能力（和产品、业务、运维的协作）

• 项目管理（需求拆解、风险控制）

• 团队协作（Code Review、技术分享）

• 决策能力（技术选型、优先级判断）

七、给程序员的5个建议

1. 立即开始用AI辅助编程

不要等，不要怀疑，现在就开始。

推荐工具：

• GitHub Copilot（基础）

• Cursor（强大）

• ChatGPT / Claude（万能助手）

用AI不是"作弊"，而是提升效率的工具。

2. 把节省的时间投入到更有价值的事情上

AI帮你节省了40%的编码时间，你要用这些时间：

• 深入理解业务

• 学习架构设计

• 提升系统性思维

• 而不是摸鱼

3. 培养"工程师思维"，而不只是"程序员思维"

程序员思维：给我需求，我写代码 工程师思维：

• 这个需求合理吗？

• 有更好的解决方案吗？

• 长期怎么演进？

• 如何保证质量？

4. 建立自己的"护城河"

找到AI短期内无法替代的能力：

• 行业领域知识（金融、医疗、电商）

• 复杂系统的架构能力

• 问题诊断和调优经验

• 团队协作和管理能力

5. 保持学习，但不要焦虑

技术迭代很快，AI也在进化。

但不要焦虑，要做的是：

• 关注核心原理（不变的部分）

• 快速学习新工具（变化的部分）

• 建立学习能力（最重要的能力）

八、写在最后

黄仁勋说"编程只是打字"，他说的是编码这个动作的价值在下降。

但程序员的价值从来不只是"打字"。

真正有价值的是：

• 理解问题的能力

• 设计方案的能力

• 做出判断的能力

• 解决问题的能力

• 持续学习的能力

AI是工具，不是替代品。

就像计算器没有让数学家失业，搜索引擎没有让律师失业一样，AI不会让程序员失业——它只会让不思考的程序员失业。

未来的程序员，不是"码农"，而是：

• 懂业务的技术专家

• 会设计的系统架构师

• 善用工具的效率大师

• 持续进化的终身学习者

AI时代，编程确实变简单了。

但成为一个优秀的程序员，从来没有变简单过。

---

你怎么看？欢迎留言分享你的观点。

💬 回复「AI工具」获取我常用的AI辅助编程工具清单 💬 回复「学习」查看我的技术学习路线 💬 回复「交流」加入程序员AI学习交流群

---

后端AI实验室
不讲概念，只谈实战
代码开源，每周更新