AI 時代該學什麼？OpenAI Codex 負責人的三個建議

本文整理自 Lenny’s Podcast 2024 年 12 月播出的單集，主持人 Lenny Rachitsky 專訪 OpenAI Codex 產品負責人 Alexander Embiricos。 收聽連結：YouTube

這個問題越來越難回答

「AI 寫程式越來越強，我還該學 coding 嗎？」

這問題現在幾乎每個考慮進科技業的人都會問，每個在科技業工作的人也在想。Alexander Embiricos 是 OpenAI Codex 的產品負責人——他的工作就是讓 AI 更會寫程式。如果有人知道答案，應該是他。

他在訪談中給了三個建議。這些建議不是那種「學會 prompt engineering」的淺層答案，而是更根本的方向性思考。

第一：成為做事的人

Embiricos 的第一個建議是：成為一個「做事的人」（be a doer）。

這聽起來像廢話，但他的意思很具體。他說，有了 coding agent 之後，即使是大學生或剛畢業的人，能做到的事情比以前多非常多。工具的進步意味著一個人的產出上限被大幅提高。這個變化是實實在在的，不是理論上的。

他在招募早期職涯的人時，會特別看一件事：這個人用最新的工具有多 productive？如果你是新手，你用 Codex、Cursor 這些工具的熟練度，應該要很高。因為這些工具正是用來彌補經驗不足的。

有趣的是，他認為這反而縮小了資深和資淺之間的差距。以前資深工程師的優勢是多年累積的經驗和直覺，需要時間才能獲得。但現在，很多「經驗」的價值可以被 AI 工具部分取代。資淺的人善用工具，可以更快接近資深的產出水準。

但這也意味著：如果你不用這些工具，你的劣勢會更明顯。以前資淺的人可以說「我還在學」，慢慢累積經驗。現在，如果你的同儕用 AI 工具做出了你做不到的東西，那個差距是立刻可見的。

他的建議是：不要只是完成學校的作業或公司指派的任務。去做一些真正的專案，用最新的工具，看看你能做到什麼程度。那個「做到什麼程度」的答案，會隨著工具進步而持續提高。你要持續追著那個前沿跑。

第二：系統工程和協作能力依然重要

第二個建議可能會讓一些人鬆一口氣：傳統的工程能力並沒有過時。

Embiricos 說，理解「什麼讓一個軟體系統變得好」這件事，在相當長的時間內還是很重要。這包括系統架構、可維護性、可擴展性、安全性——這些不是 AI 短期內可以完全取代的判斷。

他舉了一個例子。一個在 Atlas 專案（OpenAI 的瀏覽器）工作的工程師，發現 Codex 沒辦法自己驗證它寫的程式碼是不是正確。於是他提示 Codex：「為什麼你不能驗證你的工作？去修好它。」然後讓這個過程循環跑。這是一個需要人類判斷的介入——知道問題在哪裡、知道怎麼用 AI 來解決這個問題、知道什麼時候該介入和怎麼介入。

這種「在各個階段引導 AI 做正確的事」的能力，需要你對整個系統有理解。你不需要自己寫每一行 for loop，但你需要知道這個系統應該長什麼樣子、有什麼潛在的問題、怎麼驗證它是對的。

同樣重要的是團隊協作和溝通。AI 可能很快就能寫出不錯的程式碼，但讓一個團隊有效地合作、讓不同的系統整合在一起、讓技術決策跟商業目標對齊——這些還是人類的工作。而且這些工作的重要性可能反而會增加，因為當執行層面的工作被 AI 分攤之後，協調和整合的相對價值就更高了。

所以他的建議是：不要因為 AI 可以寫程式碼就忽略基礎的軟體工程知識。那些「該怎麼設計一個好系統」的 sense，依然是稀缺且有價值的。

第三：在前沿領域深耕

第三個建議比較微妙：去做那些 AI 還不太行的事。

Embiricos 的說法是，如果你在某個領域的「知識前沿」，那依然是非常有趣且有價值的方向。AI 在這些前沿領域的能力相對較弱，因為訓練資料本身就稀缺——前沿的定義就是還沒有太多人走過的地方。

這建議有兩個層面。直接的：在前沿領域，你的專業知識比 AI 更有價值，因為 AI 沒有那些最新的、還沒被廣泛記錄的資訊。間接的：當你試圖推進某個前沿，你會自然而然開始利用 AI 加速工作。這過程會讓你學會怎麼更有效地跟 AI 協作。

他用 Codex 團隊自己的例子來說明。Codex 寫了很多管理自己訓練過程的程式碼。這是一個前沿問題——怎麼讓 AI 更好地輔助 AI 訓練？——而解決這個問題的過程，同時也在探索「人類和 AI 怎麼協作」的邊界。

這意味著，選擇鑽研什麼領域，可能比選擇學什麼技能更重要。技能會過時，工具會改變，但「在某個前沿持續推進」這個策略本身不會過時。而且，當你在前沿工作時，你不得不使用最新的工具，這自然而然地解決了「會不會跟不上」的問題。

一個轉變中的招募視角

Embiricos 分享了一個招募的視角，我覺得很值得注意。

他說，如果你想加入 Codex 團隊，你需要是一個「使用這些工具的技術人員」。他會問應徵者一個問題：「假設你加入 OpenAI、在 Codex 工作六個月、做得非常好，那時候軟體工程師的工作會長什麼樣子？」

他想看的是：你有沒有在思考這個問題？如果你需要花很長時間才能回答，那可能不是最適合的人選。他要的是那些已經在想這個問題、對這個問題有自己觀點的人。

這個招募標準反映了更大的趨勢。「有沒有在用 AI 工具」正從加分項變成基本要求。「有沒有在思考 AI 怎麼改變工作」正從「有想法」變成「有經過驗證的想法」。標準在提高，而且很快。

這些建議的共通點

回頭看這三個建議，有一個共通點：它們都不是關於「學什麼具體技能」，而是關於「怎麼定位自己」。

成為做事的人——這是關於你跟工具的關係。善用工具來放大你的產出，而不是被工具取代。

系統工程和協作——這是關於你跟團隊的關係。做那些需要整體判斷和人際協調的事，那些 AI 短期內做不好的事。

前沿領域深耕——這是關於你跟知識的關係。去那些 AI 資料稀缺的地方，同時在過程中學會怎麼用 AI。

這三個方向不互斥，反而是互補的。一個在前沿領域做事、善用工具、能跟團隊有效協作的人，大概就是 Embiricos 想招募的那種人。

AI 時代該學什麼？也許這個問題本身就問錯了。該問的是：我應該成為什麼樣的人？