代码降价了，签字权没降价

今天鸭鸭刷到一段挺扎心的发言：

5 月 13 日，一家头部大厂的创始人在 AI 开发者大会上抛出一句让所有写代码的人心里咯噔一下的判断：

“代码能力越来越重要，但代码本身正在变得不值钱。”

同一场演讲里他还往前推了一句：软件正在成为快消品，软件行业被重新定义。

他还顺手亮了一组数字。大会上同期发布的代码智能体产品，号称 90% 的代码都是 AI 自动生成的，累计服务用户超过 1000 万，对外标的应用价值 50 亿。

听完这两句话，脉脉评论区基本分成了几派。

有人破防：每天加班写代码的人，被一句话宣判成无效劳动。

有人附和：早晚的事，趁着工资还在赶紧攒钱。

也有人冷笑：那您先把贵司程序员都裁了，再来谈代码值不值钱。

鸭鸭看完这几派，想说一个多数文章没明说的事：

“代码不值钱”听着像在判工程师的死刑，但真正值钱的从来不是那一行行字符，是那个敢在 PR 上点合并、敢在故障群里第一个回应、敢在监控告警里签字背锅的人。代码降价了，签字权没降价。

这里面有四笔账，多数程序员没算清楚。

第一，写代码从来不等于“做软件”。陌生需求要拆解，跨部门要扯皮，老接口要兼容，上线后还要看监控、写复盘、追客诉。代码这一段确实在被 AI 接走，但拆解、扯皮、复盘、追责这些活，AI 短期内接不动。能被接走的部分降价，接不动的部分反而在悄悄升值。

第二，老板说“代码不值钱”的时候，他没说出口的下半句是“AI 的算力很值钱”。5 月 12 日，36 氪和新浪财经都报道了一条让人发凉的新闻：Uber 在 2025 年底给工程师全员部署了 Claude Code，结果不到 4 个月，烧光了全公司 2026 全年的 AI 预算。Uber CTO 自己承认：我回到了白板前面，原本估的预算被彻底突破。

新闻里给的数字更直观。每个工程师每月 AI 工具开销 500 到 2000 美元，按 6000 工程师、中位数 1000 美元算，4 个月烧掉 2400 万美元。70% 的提交代码已经由 AI 写，工程师主要在审。

翻译成大白话就是：以前公司付工资请你写代码，现在公司付算力费请 AI 写代码，再付审查费请你审。两笔账加起来，整体并没有变便宜。所以这事的尽头不是直接裁人，是“算力账”要从“工资账”里找补回来。你要么帮公司省算力，要么帮公司多吃单，要么帮公司把那 70% 的 AI 代码审住别出事。

第三，“快消品软件”不是说软件全行业都变快消品了。被 AI 抹平的是一次性脚本、内部小工具、表单页面、个人创意小 App 这一层。但企业级核心系统、订单 / 风控 / 支付 / 调度，这些代码改一行可能赔几千万的活，老板第一个不敢让 AI 全权写。这一层不仅没降价，反而被衬得更值钱了。

第四，那个 90% 由 AI 生成的代码智能体，剩下 10% 在哪？在产品经理和工程师的 review 里。这个产品真正在向外卖的不是它会生成代码的能力，是它敢上线、敢服务 1000 万用户、敢标 50 亿应用价值的那个“敢”字。背后是测试、灰度、发版、回滚、客诉处理这一整套工程化体系，AI 接不动。

四笔账拼起来其实是一句话：“代码不值钱”是真的，但老板真正想说的下半句是，这家公司不再为单纯写代码的人付溢价了。值钱的，是那个敢签字、能扛锅、判得准的人。

那这事儿能怎么办？

鸭鸭说几句实在话。

• 简历别再堆“精通 N 种框架”：3 年前是优势，今天读起来像在和 AI 比谁手快。改成写“在 X 项目里用 AI 把交付周期从 Y 压到 Z，独立 review 过多少行 AI 代码、修过多少个 AI 翻车 case”，把价值挪到“指挥 + 审查 + 背锅”这一侧。
• 把自己锁在“AI 不敢碰”的那部分活上：核心交易链路、强合规模块、跨部门改造、线上事故 P0 处理。这些活做得越多，越不容易被一句“代码不值钱”切走。
• 学会读 AI 代码，而不只是会写：能不能 5 分钟看出一段 200 行 AI 代码里哪里挖了坑、哪里调错了 API、哪里把异常吃掉了。这个能力 AI 自己短期补不上，也是面试里最该秀的肌肉。
• 把“敢签字”练成可被看见的能力：在公司里多接几次 release owner、多写几次故障复盘、多在群里发一次“这版我审过没问题”。下次绩效面谈，这些事比你贡献多少 token 更值钱。

最后说一句鸭鸭看完这场大会发言之后的判断：

“代码不值钱”是一句卖产品的口号，不是一句给程序员发工资的标准。把代码当成快消品的人，是想卖更多的代码。真正会涨价的，是那个敢说“这版我担”的人。

下次老板再拿这句话压你工资的时候，可以淡淡接一句：那您愿意把签字权也一并交给 AI 吗？

定价权，是从那个“敢”字开始重新分配的。

大家公司有没有出现“AI 写的代码越来越多，但人却更忙了”的情况？你的代码量和绩效之间，这两年还成正比吗？评论区聊聊～

……

今天鸭鸭和大家分享一道 AI 大模型面试题。

【大模型常见的微调任务有哪些？ 】

回答重点

大模型微调任务按输入输出形式可以分成几大类：

1）文本分类，输入一段文本，输出一个类别标签。典型场景有垃圾邮件识别、情感分析、内容审核、意图识别。电商平台用它做商品评论的情感分析，每天处理几百万条评价

2）命名实体识别，从文本里把人名、地名、机构名、时间这些实体抽出来并标注类型。搜索引擎用它理解查询意图，知识图谱用它抽取结构化信息

3）问答系统，给一个问题和一段上下文，让模型定位答案在哪里或者直接生成答案。智能客服、文档问答都是这个任务

4）文本生成，根据输入生成相关文本，包括摘要生成、对话生成、文案写作、代码生成。ChatGPT 本质上就是做指令跟随的文本生成任务

5）机器翻译，把一种语言翻成另一种语言。虽然通用大模型翻译能力已经不错，但特定领域比如法律、医学文档翻译还是需要专门微调

6）多模态任务，处理图文混合输入，比如图像描述生成、视觉问答、图文检索

扩展知识

不同任务的微调难度差异

并不是所有任务微调起来难度都一样。

文本分类是最简单的，输出空间小、评估指标明确，几千条标注数据就能训出不错的效果。

命名实体识别难一些，需要处理实体边界和类型的联合标注，数据标注成本高，而且不同领域的实体定义差异大，金融领域的"产品"和电商领域的"产品"可能完全是两回事。

文本生成是最难的，输出空间无限大，评估也麻烦，自动指标如 BLEU、ROUGE 跟人类感知经常对不上。对话生成还要考虑上下文一致性、人设保持这些额外约束。

指令微调和任务微调的区别

早期的微调都是针对单一任务，训一个情感分析模型、训一个 NER 模型，各管各的。

指令微调是另一种思路，用自然语言指令描述任务，让模型学会理解指令并执行。同一个模型既能做分类也能做生成，关键看你怎么写 prompt。ChatGPT 就是典型的指令微调产物，用户用自然语言描述需求，模型理解后执行。

指令微调的数据长这样：输入是"请判断以下评论是正面还是负面：这家餐厅味道很棒"，输出是"正面"。这种格式让模型学会的是理解任务本身，不是死记硬背某个特定任务的模式。

RLHF：用人类反馈做微调

单纯的监督微调有个问题，模型可能学会了任务但回答不够好。比如回答正确但啰嗦、或者语气生硬、或者遇到敏感问题不知道拒绝。

RLHF 是 ChatGPT 的核心技术之一。先收集人类对模型回答的偏好数据，训练一个奖励模型判断回答好不好，再用强化学习让模型往高奖励的方向优化。

这套流程成本很高，需要大量人工标注偏好数据，训练也复杂。后来出了 DPO 这种简化方案，直接用偏好数据训练，跳过奖励模型这一步，效果差不多但简单很多。

领域微调的数据来源

做领域微调最头疼的就是数据从哪来。几种常见做法：

1）人工标注，质量最高但成本也最高，适合核心任务

2）利用已有业务数据，比如客服系统的历史对话记录、搜索日志里的 query 和点击，清洗一下就是现成的训练数据

3）用大模型生成合成数据，比如让 GPT 生成指令数据，Alpaca、Vicuna 都是这么干的。质量取决于 prompt 设计和后处理

4）数据增强，对已有数据做回译、同义词替换、句式变换，扩充数据量

篇幅有限，更多 AI 大模型 相关面试题可以进入面试鸭进行查阅。