Who Will Become the Next Senior? How Generative AI Erodes the Development Pathway in Software Engineering
通过对韩国软件工程师的访谈，本研究认为生成式人工智能正在通过将初级任务吸收进高级人工智能工作流中，从而侵蚀初级人员的职业发展路径，进而剥夺了新手获得专业知识所需的本质性的“生产性挣扎”，并造成了一种阻碍组织纠偏的感知不对称。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，软件工程的世界就像一个繁忙、喧闹的大型厨房，最复杂的菜肴由大师级厨师烹饪。几十年来，年轻厨师成为大师的过程并不是通过在图书馆阅读食谱，而是通过切洋葱、削土豆和洗刷锅具。这些“枯燥”的任务是秘密的训练场。它们迫使年轻厨师犯错、品尝酱汁、意识到它太咸了，然后去修正它。这种挣扎、失败并修复的过程，是他们学习理解食物风味的途径。
最近，出现了一位神奇的机器人厨师。这个机器人由生成式人工智能驱动，可以比任何人更快地切洋葱和削土豆，而且从不出错。这看起来是厨房的一大胜利。但棘手之处在于：如果机器人承担了所有的切菜工作，年轻厨师就永远无法拿起刀。他们永远无法了解一个坏掉的洋葱是什么感觉，或者如何修复烧焦的酱汁。他们最终可能会做出完美的菜肴，但他们自己却不知道如何烹饪。这篇论文探讨了一个可怕的问题：如果机器人做了所有的初级工作，我们该如何培养下一代大师级厨师？研究人员担心，“训练阶梯”正在被抽走，让年轻工程师陷入困境，找不到向上攀爬的方法。
吃掉了训练轮的机器人
这项研究深入探讨了软件领域正在发生的一场无声危机，特别是观察了像 ChatGPT 和 GitHub Copilot 这样的新工具是如何改变从“初级”（新手）到“高级”（专家）软件工程师的路径的。研究人员来自韩国，他们采访了 14 人：其中 8 名是即将进入职场的学生或应届毕业生，6 名是至少有六年经验的资深工程师。
他们发现了一种被称为**“吸收”（Absorption）**的模式。这就像一台吸尘器，吸走了所有细小的、混乱的、初级水平的任务。在过去，一名高级工程师会说：“嘿，你是新人，去修一下这些微小的漏洞，或者写一下这份简单的文档。”这就是“生产性挣扎”——那些让初学者真正学会思考的艰苦工作。但现在，高级工程师可以直接要求 AI 来完成。AI 处理基础工作的效率极高，以至于高级工程师不再需要把这些工作委派给别人。他们自己几秒钟就能搞定。
结果呢？曾经作为新工程师训练场的入门级工作消失了。高级工程师在做这些工作，但初级工程师却没有得到实践的机会。
“黑盒”问题：知道答案，却不知原因
研究人员发现，当初学者利用 AI 跳过挣扎时，他们失去了一些至关重要的东西：识别“什么行不通”的能力。一名学生解释说，在 AI 出现之前，他们会为一个问题而挣扎、失败，然后从失败中学习。现在，AI 直接给了他们答案。他们得到了完美的成绩，但内心感到空虚。
想象一下你在学骑自行车。如果有一个魔法力场支撑着你，让你永远不会摔倒，你看起来可能骑得非常完美。但一旦力场消失，你就会摔倒，因为你从未学会如何平衡。论文指出，AI 正扮演着那个力场。初学者在“使用工具”方面获得了“流利度”，但他们并没有建立起对代码本身的深度理解。他们不知道一个“坏例子”长什么样，因为他们见到的只有 AI 输出的完美结果。
一位资深工程师直言不讳地说道：“之所以被称为高级工程师，是因为他们知道工作‘不应该’如何进行。”但如果初学者从未有机会犯错，他们就永远学不会什么是“不该做的”。
同辈压力陷阱
你可能会想：“那学生们难道不能选择停止使用 AI，而是通过艰苦学习吗？”论文对此给出了否定回答，而这正是最有趣的地方。研究人员发现，在大学课堂中，使用 AI 已经成为了常态。这就像一场比赛，其他人都背上了喷气背包，如果你试图步行，就会掉队。
一名学生描述了这种压力：“除了我以外，大家都在用 GPT，所以除了我以外，大家都能拿到接近完美的成绩。我不再拥有独立完成作业的自由……所以最后，我也别无选择，只能跟着用。”即使一个学生想要通过挣扎来学习，系统（成绩、截止日期、同辈竞争）也会迫使他们选择捷径。这种让大脑变聪明的“期望难度”（desirable difficulty）——即让学习变得更有意义的挣扎——正被追求速度和效率的集体压力所抹杀。
盲点：为什么没有人解决它
那么，为什么没有人阻止这一切呢？为什么高级工程师不说：“等等，我们需要让初学者去做那些困难的工作”？论文发现了一种奇怪的脱节，或者说“感知不对称”。
那些已经通过传统方式掌握了手艺的高级工程师认为，情况是在可控范围内的。他们相信，如果初级工程师拥有真实的实战经验，他们可以用 AI 来弥补差距。他们想：“我们可以等他们在工作中学习。”但他们没有意识到，“在职学习”的机会已经被 AI 吃掉了。他们站在山顶俯瞰，认为路径清晰；而初学者在山脚下，意识到路径已经消失了。
相反，初学者感受到了压力，却无法改变系统。他们陷入了一个循环：他们需要经验才能获得工作，但由于工作正被 AI 完成，他们无法获得经验。高级工程师看不见这个陷阱，因为他们已经逃离了它；而初学者则忙于生存，无暇去修复这个陷阱。
解决方案：设计一个新的游乐场
论文得出结论，我们不能仅仅寄希望于个人能解决这个问题。系统本身出了问题，需要自上而下的修复。研究人员建议，我们需要刻意设计一些“训练区”，在这些区域里，AI 要么被禁止使用，要么必须以特定的方式使用，从而强制人类去经历挣扎。
他们从其他领域寻找灵感。在航空领域，尽管飞机高度自动化，飞行员仍被要求练习手动飞行，以免丧失技能。在核电领域，操作员必须在模拟器上进行训练，以应对自动化系统通常可以预防的紧急情况。
同样，软件公司和大学需要创造“失败的安全空间”。这可能意味着：
- 在学校： 设计一些 AI 无法完成工作的作业，或者根据解决问题的“过程”而非仅仅是“最终答案”来进行评分。
- 在职场： 专门为初级工程师设计一些小任务，确保他们有犯错并从中学习的机会，即便这比使用 AI 的速度要慢。
底线是，成为高级工程师的路径正在被侵蚀。如果我们不刻意重建这条路径，我们可能会拥有一代能够与机器人对话、却在没有机器人时无法构建任何东西的工程师。那个问题——“谁将成为下一位高级工程师？”——并没有简单的答案，但论文暗示，如果我们不设计一种新的学习方式，答案可能是“没有人”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。