AI代码占比89%:程序员从“写代码”转向“审代码”,门槛变高还是变低
一个叫Devin的AI软件工程师,最近搞出了个大新闻:它独立提交了公司89%的代码。这意味着每100行进仓库的代码,有89行不是人类写的。这个数字比"AI辅助编程"听起来要吓人得多——不是帮忙,是接班。编程工作的主力军,已经从人换成了AI。1
这个89%到底是怎么算出来的
别急着慌。先搞清楚这个89%是什么语境。Cognition公司的Devin目前主要服务的是高盛、奔驰、NASA这类大客户,它们的软件开发早就规模化、流程化了。Devin在这些场景下干的事,是把明确的编程任务拆解成代码、测试、debug,全程自主跑完。放到国内互联网那种"需求一直在变、文档从来不写、历史包袱重得要命"的环境里,AI能独立搞定的比例会低很多。1
但趋势是挡不住的。GitHub Copilot月活突破2000万,Stack Overflow调查显示84%的开发者已经在用AI工具,Claude Code正式开放后,很多公司反映AI代码提交占比超过80%。Google自己说75%的新代码已经是AI生成的了。Stripe让Claude Fable 5在5000万行Ruby代码库里做迁移,一天跑完了原本要两个月的工作。这些不是测试数据,是生产环境的真实发生。2
Fable 5把天花板捅穿了
真正让圈外人意识到事情已经变天的,是Anthropic在2026年6月发布的Claude Fable 5。这个模型的编程能力已经不是"辅助"级别了:在SWE-bench Verified基准上拿到95.5%解决率,Stripe的代码库一天迁移完,药物设计任务里14个靶点有9个产出强候选方案。它不是帮程序员写代码,它是在替代程序员完成项目。3
有个更直观的测试。内核工程师Elliot Arledge给Fable 5出了道题:写一个跑在RTX PRO 6000 Blackwell显卡上的GPU解码内核,必须是单融合kernel,不能拆成多个。行业里所有模型之前都"赢"了,但都是靠多kernel拼Triton流水线来取巧,没一个能通过真实性门禁。Fable 5用2.5小时写出了第一个真正的megakernel,加速比18.7倍。而且上下文越长,它的优势越大——2k时17.8倍,16k时扩大到19.5倍,越难越稳。4
有评论说Fable 5只是Anthropic内部Mythos模型的"阉割版"。这意味着公开版已经这么强了,内部版只会更夸张。Anthropic自己的数据显示,Claude参与的代码提交已经超过80%,任务复杂度大约每4个月翻一倍。按照这个速度,2027年AI能完成周级别的任务不是梦。5
那程序员的价值在哪
先把结论说清楚:程序员的岗位不会消失,但"只写代码"的岗位会消失。这个转变其实早就开始了,只是AI把加速键按了下去。6
PwC的2026年全球AI就业报告分析了一个有意思的现象:AI暴露度高的初级岗位,要求传统资深能力的可能性是低暴露岗位的7倍。入门岗位正在"高级化"。以前毕业生进去做CRUD、写单元测试,现在这些全被AI干了,公司反而要求新人有架构思维、业务理解、跨团队协作能力。门槛不是变低了,是变高了,只是高的维度不一样了。7
知乎上有个回答把这个问题说得很透:真正厉害的程序员,长期形成的是一套能力系统——强逻辑思维、商业与系统认知、扎实基础、工程手艺、代码阅读能力、AI协同与审查能力、高质量反馈与持续复盘。"写代码"只是其中一环,而且恰好是AI最擅长的一环。8
红衣大叔周鸿祎有句话说得挺准:真正被改变的可能不是"写代码",而是"审代码"。AI生成代码的速度太快了,人类的核心价值会转移到判断这段代码对不对、适不适合、有没有安全隐患——这本质上是架构能力和业务理解的结合。9
普通人有没有机会
有,而且比以前更大了。AI编程工具把门槛从"科班出身"降到了"会说人话"。Cursor这类工具支持自然语言描述需求直接生成完整项目,一个零代码基础的行政,用三个晚上就能做出自动生成周报的小工具。会提需求就能接单。这是真实在发生的事,不是噱头。10
但这里有个扎心的真相需要说清楚。AI放大了人的能力,而不是抹平了人的差距。同样用Cursor,普通人做一个数据看板,能收4500块;设计师+AI做产品,能秒杀腾讯9-10级。差距不在工具,在用工具的人。一个懂业务、懂设计、懂架构的人,AI对他来说是十倍杠杆;一个只会提"帮我做个XX"的人,AI给他的只是一堆精美的垃圾。11
现在该做什么
如果你现在还在做"写代码"的工作,有几件事是当务之急:
- 把写代码的时间砸进架构学习。AI能生成代码,但生成不了系统设计。理解一个系统为什么要这么搭、瓶颈在哪、怎么演进,这些是AI短期内替代不了的。12
- 学会用AI干活,而不是被AI干活。会用Cursor写项目,和能用Claude Code做复杂自动化任务,是两个段位。花时间搞懂AI工具的边界在哪,什么场景用它最顺手,什么场景它会瞎编。13
- 补业务理解。代码写得好的人,一抓一大把;但能把"用户要更丝滑"这句话翻译成技术方案的人,很少。业务理解是AI最难学会的东西,因为它是隐性的,不在文档里,在人的脑子里。6
- 如果你是学生,选专业别只盯着"人工智能"。人工智能本科专业反而没进高薪绿牌榜,倒是微电子、电子科学与技术、自动化这些硬件专业更稳。AI行业缺的是能把模型落地到具体场景的人,不是只会调参的人。14
程序员的角色正在被重新定义。不是从"好的"变成"坏的",而是从"执行者"变成"判断者"。AI接管代码编写,人类负责定义问题、评估方案、把控风险。这个转变对个体来说是挑战,对行业来说是一次效率跃迁。15
早点意识到这一点,比等到被替代了再转型,要从容得多。
当前文章无评论,是时候发表评论了