原文文章圖片：Google DeepMind 預訓練負責人的相關影片畫面
AI 時代程式設計師最容易犯的錯，就是以為競爭在於誰更會使用模型。
Vlad Feinberg 的訪談指向了不同的答案：真正有價值的技能，不是要求 AI 產出更多程式碼，而是讓模型、資料、運算資源、推論服務與真實產品能夠作為一個穩定系統運作。
這篇文章不是另一則關於程式設計師失業的恐慌故事。它是一個更有用的提醒：一般程式設計師並沒有被排除在前沿 AI 之外。進入點已經改變。它不再只是商業程式碼的開發速度，而是基礎架構、推論成本、核心最佳化、分散式系統、可重現實驗、開源貢獻，以及可被看見的工作證明。
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 commit 或私人聊天中，其他人就很難理解。一旦它變成作品展示網站、技術案例研究、SEO/GEO 內容，以及可信任的專案證據，就能成為長期的機會資產。
快速重點：AI 不會淘汰程式設計師，但會削弱被動的程式設計師
過去程式設計師的優勢 | AI 時代的新優勢 |
快速撰寫商業程式碼 | 定義問題、拆解系統，並驗證結果 |
熟悉框架與語法 | 理解模型服務、推論成本、資料路徑與可靠性 |
交付被要求的功能 | 將 AI 連結到真實產品，並對結果負責 |
在履歷上列出專案經驗 | 展示開源成果、技術寫作、案例頁面與可重現的示範 |
聚焦於職稱 | 成為幫助團隊讓 AI 真正運作起來的人 |
實際重點很簡單：組織付費的對象不只是能給出聰明答案的人。他們付費給那些值得信任、能讓系統運作、降低成本並承擔結果的人。
1. 前沿實驗室需要的不只是「研究員」或「工程師」
許多人想像前沿 AI 實驗室由兩類人組成：寫論文的人，以及寫程式碼的人。現實要複雜得多。預訓練、後訓練、推論服務、搜尋整合、產品評估與可靠性，都同時需要研究判斷與工程執行。
Vlad 的觀點是，語言模型與產品之間的界線如今已經模糊許多。只有當訓練穩定、推論成本可負擔、事實性經過評估、引用可靠，且延遲低到足以服務真實使用者時，模型才會變得有用。
這表示一般程式設計師不需要在第一天就發明新的架構。更實際的切入點，是圍繞模型周邊的工作：讓它更快、更便宜、更穩定，也更容易提供服務。
2. 髒活可能是最有價值的工作
其中一個最令人印象深刻的故事，並不是關於頂尖會議論文，而是來自 Jeff Dean 的即時獎金。從光鮮亮麗的角度看，Vlad 的貢獻很小：監督式微調、超參數調整、壓榨記憶體，以及讓早期 Bard 版本能在有限硬體上運行。
這聽起來也許不夠光鮮。但在大型模型系統中，戰場往往就在這裡：少浪費一張 GPU、少一次失敗的訓練執行、更低延遲、更高吞吐量，以及更好的資源利用率。
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有深刻關聯：分散式系統、快取、佇列、負載平衡、效能分析、儲存抽象、故障復原與資源排程。
AI 時代不會降低工程的價值，而是把工程推向更高價值的更深層次。
3. Gemini 對 DeepSeek 看起來像是一場模型競賽，但其實也是一場服務競賽
外界喜歡透過排行榜比較 Gemini、DeepSeek、OpenAI 和 Anthropic。但這場訪談揭示了更務實的壓力：模型在真實流量下也必須快速、穩定且負擔得起。
對 Gemini 2.0 Flash 來說，其中一項挑戰是在服務搜尋使用情境時，以低延遲維持品質。混合專家模型可以增加容量，但也會帶來通訊與記憶體壓力。團隊必須重新思考服務方式、專家放置、管線式預填，以及如何把通訊隱藏在運算之後。
這是多數讀者很少看到的一面：一個模型並不是只因為訓練時很聰明就能勝出。它之所以勝出，是因為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：從使用模型，走向將模型整合進業務
對一般程式設計師來說，最有用的例子是 Nate Lintz。據說他起初是從搜尋的後端基礎架構做起，而不是來自光鮮亮麗的 AI 研究背景。透過協助產品線採用大型模型，並解決推論與系統問題，他成為 DeepMind 內部關鍵的技術貢獻者。
這條路徑很實際。你不需要先拿到前沿實驗室的錄取通知，才開始做與前沿相關的工作。你可以從目前的產品內部開始：降低推論成本、建立快取、將 LLM 服務連接到搜尋、客服、營運、內容或開發工作流程，並讓結果可以被評估與追蹤。
轉型方向 | 具體專案構想 |
推論服務 | 使用 vLLM、SGLang 或 TensorRT-LLM 進行吞吐量、延遲與 KV Cache 實驗 |
核心與低階最佳化 | 透過小型重現案例研究 CUDA、ThunderKittens 與類似 FlashAttention 的想法 |
業務整合 | 將 LLM 連接到搜尋、知識庫、客服、程式碼審查或內容工作流程 |
評估與事實性 | 建立來源品質檢查、引用流程、幻覺審查與人工核准迴圈 |
技術展示 | 將實驗轉化為案例頁面、技術部落格、可重現的示範與開源 PR |
5. 不要只寫履歷。要創造可信的訊號。
Vlad 給候選人的建議很直接：拿出證據。親手實作一個 Transformer。完成 scaling law 的練習。記錄過程。展示數學與程式碼。
更深層的邏輯很清楚。前沿團隊不需要更多聲稱自己對 AI 有興趣的人。他們需要的是證明：你能拆解困難問題、在困難中持續推進，並把論文、程式碼、系統與成果連接起來。
對一般開發者來說，這樣的訊號不必只停留在面試資料中。它可以成為長期資產：技術作品集、一系列文章、開源 pull request、持續運行的示範，或架構良好的案例研究網站。
這正是 We0.ai 能發揮作用的地方。技術能力需要一個 Showcase。展示網站可以整理專案背景、問題、方法、指標、原始碼、FAQ、比較與聯絡路徑，然後透過 SEO 與 GEO，讓搜尋引擎與 AI 助理都能理解。
6. AI 無法承擔法律責任。仍然需要人類簽核。
Vlad 用法律作為鮮明的例子：模型可以閱讀所有案例，但它不能在法庭上代表你，因為它不會失去律師執照。
同樣的原則也適用於程式設計師。AI 可以撰寫程式碼、修復錯誤，並產生測試。但當系統停擺時，誰要負責？誰來調查故障？誰來核准資安風險？誰來說明業務損失？必須由真實的人與真實的組織來承擔結果。
所以，程式設計師的價值並不會消失，而是轉移了。過去，你可能透過撰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，以及交付品質。
7. 不要讓恐懼行銷主導你的職涯
這場訪談中最好的訊息是，人們應該停止被恐懼行銷牽著走。與其無止盡地擔心 AI 是否會創造永久的底層階級，不如提出一個更有用的問題：我現在能否使用 AI，讓自己更有效率、更受信任，並更擅長解決真實問題？
真正的行動是去打造。執行模型。連接系統。記錄最佳化方式。重現實驗。把你的推理過程與成果放在其他人能找到的地方。
未來的機會不會只屬於談論 AI 的人。它們會屬於那些能讓複雜系統運作、清楚解釋它們，並提出證明的人。
8. 這對 We0.ai 意味著什麼：展示型網站能放大技術訊號
在 AI 時代，許多個人與團隊並不缺乏能力。他們缺少的是一套展示能力的結構。GitHub commit、技術筆記、截圖、評估資料與客戶案例，往往分散在各種工具與平台上。零散的證明不容易轉化為信任。
We0.ai 不只是用來產生網頁。它能協助把技術能力、產品、服務、案例研究與成長路徑，轉化為一個展示型網站。
路徑是 打造 → 展示 → 成長 → 潛在客戶。建立網站、展示能力、取得 SEO/GEO 能見度，並將關注轉化為機會、詢問、客戶或職涯訊號。
對程式設計師來說，未來的問題不是「我會不會使用 AI？」而是「我能否使用 AI 產出可信的成果，並讓這些成果可被找到、可被理解、值得信任？」
最後重點
這場 DeepMind 訪談真正的價值，不在於五個人苦撐四十天的戲劇性故事。它揭示了大型模型競爭背後更深層的邏輯：除了模型之外，還有工程、系統、成本、信任與責任。
一般程式設計師不需要假裝自己已經是前沿研究員。更務實的路徑，是從工程強項出發，逐步走向 LLM 基礎架構、推論服務、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行文字，而會成為可搜尋、可引用、能建立信任的資產。
常見問題
AI 會取代程式設計師嗎？
不會這麼簡單。只會等待任務的程式設計師可能會變得更被動，但能夠定義問題、建構系統、驗證結果並承擔責任的人，仍然會具有價值。
後端工程師還能進入 AI 領域嗎？
可以。後端基礎架構、推論服務、快取、佇列、分散式系統與效能最佳化，都是實際部署 LLM 所不可或缺的能力。
前沿 AI 實驗室重視什麼？
它們重視研究背景、數學成熟度、工程執行力、底層系統理解、韌性，以及有用工作的具體證明。
為什麼不起眼的工程工作很有價值？
在大型模型規模下，每一點記憶體、延遲、吞吐量與可靠性都很重要。讓系統持續運作，本身就是高價值的工作。
程式設計師如何創造職涯訊號？
建立可重現的專案、開源貢獻、效能實驗、技術文章、案例頁面與技術作品集，並說明問題、方法、結果與程式碼。
這與 We0.ai 有什麼關係？
We0.ai 可以把技術能力轉化為展示型網站，運用 SEO/GEO、案例與成長工具，讓專案更容易被找到並取得信任。
相關工具
• Gemini
• vLLM
• SGLang
• We0.ai
來源
• 原始參考文章
• Business Insider：通往前沿 AI 工作的道路
• The Peterman Pod：Google DeepMind 預訓練負責人
