文章作者、来源：J0hn，AGl Hunt

AI 最先杀死的，到底会是谁？

这个问题，程序员们吵了快两年了，到现在也没个定论。我的判断是

01先杀死谁

前端圈里的朋友们，可能有的早就认了半条命了。

从 GPT-4 开始，每出一个新模型，前端就被「杀死」一次。

v0 杀一次，Cursor 杀一次，Claude Artifacts 杀一次。到了今年，GPT 5.5、Claude Opus 4.7、Gemini 3.0 轮番登场，Coding Agent 的能力又上了一个台阶……前端已经被杀了不知道多少遍了。

但前端的兄弟们倒也不太慌，因为他们发现了一件事：有了 AI，自己写后端也完全没问题了。

那谁先死呢？在前端看来，答案是那些天天写 CRUD 的服务端同学：增删改查这种活儿，AI 闭着眼都能写好啊！

再往远看，那些曾经死贵的算（调）法（参）工程师们，也不安全了。

自动调参、自动训练的工具越来越成熟，Anthropic 联创 Jack Clark 前两天甚至发了篇长文，声称到 2028 年底，AI 实现端到端自动化研发的概率超过 60%。OpenAI 也宣布要在今年 9 月前搞出「自动化 AI 研究实习生」。

连打造 AI 的人，都快被 AI 取代了。

所以问题就变成了：到底有没有一个明确的「死亡顺序」呢？

02吴恩达发言

于是，吴恩达亲自下场了。

吴恩达是 Coursera 联合创始人、斯坦福大学兼职教授，做过百度首席科学家和 Google Brain 负责人。

The Batch 期刊

在 AI 教育和工程领域，他可以说算是最有分量的声音之一了。

他在自己的 Newsletter「The Batch」最新一期里，给出了一个明确的加速排序：

前端 > 后端 > 基础设施 > 科研。

从左到右，AI 的加速效果依次递减。

03前端最先

吴恩达认为，前端开发被加速得最厉害。

AI Coding Agent 对 TypeScript、JavaScript 以及 React、Angular 这些框架，已经烂熟于心了。

训练数据里这类代码见得太多，多到……想写错都难。

更关键的是，现在的 Agent 能自己打开浏览器，看看自己写出来的页面长什么样，然后自己迭代改进。这个「闭环」能力，让 AI 写前端从「写完祈祷」变成了「写完自检」。

当然他也提了，LLM 在视觉设计方面依然是弱项。但如果设计稿已经有了，或者压根不在乎设计有多精致……

那实现速度，可以说简直就是快得吓人。

04后端稍慢

而后端，就没那么轻松了。

吴恩达的原话是：

“ 要花更多的人工来引导模型去思考那些可能导致微妙 bug 或安全漏洞的边界情况。

而且后端 bug 的影响往往是隐性的。一个数据库偶尔返回错误结果，比页面样式崩了要难查得多。数据库迁移虽然有 AI 帮忙了，稍有不慎还是会丢数据。

他还补了句话：

“ 有经验的开发者设计和实现的后端，依然远好于那些用 AI 的新手。

这就有点扎前端同志们的心了。在后端这个领域，AI 拉不平经验差距。你是新手，有 AI 帮你也写不出老手的水平。

那些不懂技术的老板们，你们也要学着点了……别被自媒体们（请别带上我）洗脑了。

05基础设施

到了基础设施这一层，AI 就更力不从心了。

比如把一个电商网站扩展到同时支撑一万活跃用户，还要保持 99.99% 的可用性。这种任务涉及大量复杂的工程权衡，LLM 在这方面的知识储备还相当有限。

吴恩达在文中提到：

“ 对于关键的基础设施决策，我很少信任 AI。

找基础设施的 bug 更是噩梦。一个细微的网络配置错误，可能需要深厚的工程经验才能定位到。AI 写代码再快，遇到这种场景也帮不上什么忙。

老板们，此处请划重点！

06科研最慢

最后是科研，也是 AI 加速效果最弱的领域。

这倒也不难理解。科研的核心是什么呢？想新点子、提出假设、跑实验、看结果、调整假设、再来一轮……如此循环。

AI 能加速的部分，主要就是「写实验代码」。吴恩达自己也用 Agent 来管理和追踪实验，让一个研究员能同时跑更多项目。

但科研中大量的工作，跟写代码压根没关系。

“ 今天的 Agent 对科研的帮助，只能说是边际性的。

吴恩达也坦言，这四类划分是个极度简化的模型。但这个简单的心智模型，对他安排团队确实好用：

“ 我现在要求前端团队的交付速度，比一年前快了非常多。但对科研团队的期望，变化并没有那么大。

07工种之外

吴恩达给了一个按职能排列的加速梯度，符合直觉，好记，也好用。

但在我看来，如果只看「职能」这一个维度，可能会漏掉一些更本质的东西。

AI 真正在杀死的，是一类「工作特征」。

初级工作最危险。

不管前端还是后端，只要你做的事是「照着模板套」「按规范来」，AI 就能做，而且做得比你快。吴恩达自己也说了，有经验的后端开发远胜于用 AI 的新手。反过来讲，新手的价值正在被挤压得越来越小。

不需要与人协作的工作也危险。

代码是人机交互，但谈需求、做权衡、推动决策、协调团队，这些是人人交互。AI 能替你写一个 API，但替不了你去跟产品经理争论需求优先级。越是需要沟通和妥协的事情，AI 越插不上手。

缺乏创造性的工作尤其脆弱。

吴恩达把科研排在最后，原因就在这里。提出一个好假设，发现一个反直觉的规律，这些依然是人的事。而越是能被拆解成明确步骤的工作，AI 越容易吃掉。

还有一类容易被忽略的：AI 训练数据里出现最多的那些「平均值」工作。

React 组件写了千万遍，CRUD 接口写了千万遍，所以 AI 写得又快又好。但一个独特的系统架构，一个从没人尝试过的交互模式，AI 就没了参照物。

与其争论「前端先死还是后端先死」，不如问自己一个问题：

你每天做的工作里，有多少，是平均值的东西？

08如何不死

在我看来，AI 时代不管你写前端还是写后端，做算法还是搞基建，需要关注两个点：

一个是要充分利用 AI 提高自己的下限，然后让它帮你去够那个上限。AI 能帮你快速搞定那些你本来就会做的事儿，省下来的时间和精力，应该投到你原本够不到的地方去。

另一件是，别再给自己贴标签了。

前端工程师、后端工程师、算法工程师，这些标签在过去是专业化的象征。但在 AI 时代，它们越来越像枷锁。

如果你只会写 React，那 AI 写 React 比你快更好的那一天，就是你的末日。

但如果你既懂前端又能搞后端，能做系统设计也能跟客户聊需求，能写代码也能写文档……

AI 就杀不死你。

除非，它真的要杀死了所有人……

在 AI 时代，专才是脆弱的。通才，才是最难被杀死的。

相关链接：

•  吴恩达原文：https://x.com/AndrewYNg/status/2051691741150081122 

•  DeepLearning.AI The Batch：https://www.deeplearning.ai/the-batch/issue-350/