DeepMind 負責人談程式員轉型：有價值的技能不是使用 AI，而是令 AI 系統真正運作

原文圖片：Google DeepMind 預訓練負責人的相關影片畫面

在 AI 時代，程式員最容易犯的錯，就是以為競爭在於誰更懂得使用模型。

Vlad Feinberg 的訪問指向了另一個答案：真正有價值的技能，不是叫 AI 寫更多程式碼，而是令模型、數據、算力、推理服務和真實產品作為一個穩定系統運作。

這篇文章不是又一篇關於程式員失業的恐慌故事。它是一個更有用的提醒：普通程式員並沒有被前沿 AI 拒諸門外。入場點已經改變。不再只是商業程式碼的速度，而是基礎設施、推理成本、核心優化、分散式系統、可重現實驗、開源貢獻，以及可見的工作證明。

同樣的邏輯也適用於 We0.ai。如果技術能力只停留在本機資料夾、GitHub commits 或私人聊天中，其他人很難理解。一旦它變成作品展示網站、技術案例研究、SEO/GEO 內容和可信的項目證據，就可以成為一項長期機會資產。

快速重點：AI 不會淘汰程式員，但會削弱被動的程式員

實際重點很簡單：機構付費的，不只是聰明答案。他們付費給那些值得信任、能令系統運作、降低成本並承擔結果的人。

1. 前沿實驗室不只需要「研究員」或「工程師」

很多人想像前沿 AI 實驗室由兩類人組成：寫論文的人和寫程式碼的人。現實更複雜。預訓練、後訓練、推理服務、搜尋整合、產品評估和可靠性，都同時需要研究判斷和工程執行。

Vlad 的觀點是，語言模型和產品之間的界線現在已經模糊得多。只有當訓練穩定、推理成本可負擔、事實性得到評估、引用可靠，以及延遲低到足以服務真實用戶時，模型才會變得有用。

這意味著普通程式員不需要在第一天就發明一種新架構。更實際的入場點，是模型周邊的工作：令它更快、更便宜、更穩定，以及更容易提供服務。

2. 骯髒活可能是最有價值的工作

其中一個最令人難忘的故事，並不是關於頂級會議論文，而是來自 Jeff Dean 的即時獎金。從光鮮亮麗的角度看，Vlad 的貢獻很細小：監督式微調、超參數調整、壓榨記憶體，以及令早期 Bard 版本在有限硬件上運行。

這聽起來可能不夠風光。但在大型模型系統中，戰場往往就在這些地方：少浪費一張 GPU、少一次失敗的訓練、較低延遲、較高吞吐量，以及更好的利用率。

如果你是後端工程師，這就是一個機會。這些問題與傳統工程技能密切相關：分散式系統、快取、佇列、負載平衡、效能剖析、儲存抽象、故障復原和資源排程。

AI 時代並不會降低工程的價值。它只是把工程推向更深層、更高價值的層面。

3. Gemini 對 DeepSeek 看似是一場模型競賽，但同時亦是一場服務競賽

外界喜歡透過排行榜比較 Gemini、DeepSeek、OpenAI 和 Anthropic。但這次訪談揭示了一個更貼地的壓力：模型在真實流量下亦必須快速、穩定，而且成本可負擔。

對 Gemini 2.0 Flash 來說，其中一個挑戰是在支援搜尋用例、維持低延遲的同時保持質素。專家混合模型可以提升容量，但亦會帶來通訊和記憶體壓力。團隊需要重新思考服務方式、專家配置、流水線式 prefill，以及如何把通訊隱藏在計算背後。

這是大多數讀者很少看到的一面：一個模型勝出，並不只是因為它在訓練時夠聰明。它之所以勝出，是因為它能在真實服務限制下運作。

原文圖片：訪談中的 Vlad Feinberg

4. 轉型路徑：由使用模型，走向把模型整合到業務之中

對一般程式員最有用的例子是 Nate Lintz。據報道，他並非出身於耀眼的 AI 研究背景，而是由搜尋的後端基礎設施做起。透過協助一條產品線採用大型模型，並解決推理和系統問題，他成為 DeepMind 內部一位關鍵技術貢獻者。

這條路徑是現實可行的。你不需要先拿到前沿實驗室的 offer，才可以做與前沿相關的工作。你可以由目前的產品開始：降低推理成本、建立快取、把 LLM 服務連接到搜尋、支援、營運、內容或開發流程，並令結果可評估、可追蹤。

5. 不要只寫履歷。要建立可信訊號。

Vlad 對求職者的建議很直接：拿出證據。親手實作一個 Transformer。完成 scaling law 練習。記錄過程。展示數學和程式碼。

背後的邏輯很清晰。前沿團隊不需要更多只會說自己對 AI 有興趣的人。他們需要證明你能拆解困難問題、在困難中堅持，並把論文、程式碼、系統和結果連繫起來。

對一般開發者來說，這種訊號不必只停留在面試材料之中。它可以成為長期資產：一個技術作品集、一系列文章、開源 pull request、一個持續運行的 demo，或一個結構清晰的案例研究網站。

這正是 We0.ai 的用武之地。技術能力需要一個 Showcase。作品展示網站可以整理項目背景、問題、方法、指標、源代碼、FAQ、比較和聯絡路徑，然後透過 SEO 和 GEO，令搜尋引擎和 AI 助手都能理解。

6. AI 不能承擔法律責任。最終仍然由人類簽署確認。

Vlad 用法律作為一個尖銳例子：模型可以讀完所有案例，但它不能在法庭上代表你，因為它不會失去律師執照。

同樣原則亦適用於程式員。AI 可以寫程式碼、修復錯誤，並產生測試。但當系統故障時，誰要負責？誰去調查失敗原因？誰為安全風險簽核？誰解釋業務損失？一個真實的人和一個真實的組織，必須為結果負責。

所以程式員的價值並不會消失，而是轉移了。過去，你可能透過寫更多程式碼來證明自己。現在，你需要證明的是判斷力、驗證能力、架構能力、責任邊界，以及交付質素。

7. 不要讓恐懼式營銷主導你的職業路向

這次訪談中最重要的訊息，是人們應該停止被恐懼式營銷牽着走。與其無止境地擔心 AI 會否製造一個永久的低下階層，不如問一個更有用的問題：我現在能否使用 AI，讓自己變得更有效率、更值得信任，並更擅長解決真實問題？

真正的行動是去建設。運行模型。連接系統。寫下優化方案。重現實驗。把你的推理和結果放到其他人可以找到的地方。

未來的機會不會只屬於談論 AI 的人。它們會屬於能夠讓複雜系統運作、清晰解釋它們，並展示證據的人。

8. 這對 We0.ai 意味着甚麼：展示網站會放大技術信號

在 AI 時代，許多個人和團隊並非缺乏能力，而是缺乏一個展示能力的結構。GitHub 提交、技術筆記、截圖、評估數據和客戶案例，往往分散在不同工具和平台上。零散的證據不容易轉化為信任。

We0.ai 並不只是用來生成網頁。它幫助把技術能力、產品、服務、案例研究和增長路徑，轉化成一個展示網站。

路徑是 Build → Showcase → Grow → Leads。建立網站，展示能力，獲得 SEO/GEO 可見度，並把關注轉化為機會、查詢、客戶或職業信號。

對程式員而言，未來的問題不是「我能否使用 AI？」而是「我能否使用 AI 產出可信的工作，並讓這些工作變得可被找到、可被理解、值得信任？」

最後重點

這次 DeepMind 訪談的真正價值，不在於五個人苦幹四十天的戲劇性故事。它揭示了大型模型競爭更深層的邏輯：除了模型之外，還有工程、系統、成本、信任和責任。

普通程式員不需要假裝自己已經是前沿研究員。更實際的路徑，是從工程優勢出發，走向 LLM 基礎設施、推理服務、評估系統、開源貢獻，以及真實產品整合。

如果你持續展示這些能力，它們就不再只是履歷上的一句話，而會成為可搜尋、可引用、能建立信任的資產。

常見問題

AI 會取代程式員嗎？

不會這麼簡單。只會等待任務的程式員可能會變得更被動，但能夠定義問題、建立系統、驗證結果並承擔責任的人，仍然會有價值。

後端工程師仍然可以進入 AI 領域嗎？

可以。後端基礎設施、推理服務、快取、隊列、分散式系統和效能優化，對真正部署 LLM 都至關重要。

前沿 AI 實驗室重視甚麼？

它們重視研究背景、數學成熟度、工程執行力、底層系統理解、毅力，以及有用工作的具體證明。

為甚麼不起眼的工程工作有價值？

在大型模型規模下，每一點記憶體、延遲、吞吐量和可靠性都很重要。讓系統持續運行，本身就是高價值工作。

程式員如何創造職業信號？

建立可重現的項目、開源貢獻、效能實驗、技術文章、案例頁面和技術作品集，清楚說明問題、方法、結果和程式碼。

這與 We0.ai 有甚麼關係？

We0.ai 可以把技術能力轉化為展示網站，利用 SEO/GEO、案例和增長工具，讓項目可被找到並獲得信任。

相關工具

• Google DeepMind

• Gemini

• Google Gemini 2.0

• vLLM

• SGLang

• ThunderKittens

• NVIDIA TensorRT-LLM

• We0.ai

來源

• 原始參考文章

• Vlad Feinberg：如何獲得前沿實驗室職位

• Business Insider：通往前沿 AI 職位之路

• The Peterman Pod：Google DeepMind 預訓練主管

• Google：介紹 Gemini 2.0

• Gemini 2.5 技術報告

• ThunderKittens GitHub

• ThunderKittens 論文