从 2018 年到现在（2024年），我不止一次地想到这个结论，也不一止一次地担心 AI 的进步让这个结论失效。不过，似乎到现在，也没失效。 我从心里，还是希望这个结论能失效的。可是，似乎目前还不行。 算法工程，是依附在业务上的，也是依附在数据工程上的。一个不够强悍的业务模式，是养不出一个强悍的数据工程的；没有坚实的数据工程，算法的成效也就更难产出。 站在业务流的角度看，算法几乎不可能改变业务逻辑。是的，推荐系统改变了分发的逻辑，也就改变了业务的逻辑。但是再往深了一步看，对于用户来说，分发的逻辑，一直都是“我明确想关注的”和“你们猜测我感兴趣的”两大块，并没变化。变化的只是实现对“你们猜测我感兴趣的”的判断的方法。谁说人工推荐不是推荐呢？ 在[为什么运筹优化的就业方向不如ai?](https://www.zhihu.com/question/657596263/answer/3581507423)的这个回答里，博主认为： > 运筹学的成功应用基本都需要**依附于**某一个已经相当成熟的产业：比如最早的航空优化，到后来的供应链优化、交通优化、sharing economy等等。总之，都需要在一个已经**极度规模化**和**成熟化**的产业里面通过“优化”产生额外的巨大价值。因此，**运筹学产业缺少核心技术和产品**， 更何况，没有业务，算法的花开不出来。用户量不大，算法模型就失效。内容少，算法模型也失效。 在 AI 辅助编程上，生成式算法还是只能做优化。 比如 [AI Native的交互不仅是对话](https://mp.weixin.qq.com/s/xjPRGvIc9fYQJrNZR7UQOg) 里提到的 Cursor 体验： > 比如有一次我想把我的Markdown输出逻辑整体改一下，当我改了两次之后，我发现Cursor明白了我的意图，接下来我就跟着它一路按Tab，它就不停的在文件里跳来跳去，总共改了差不多二十多处，看起来就完事了。当然Cursor也还没这么完美，测试发现它还是漏改了三个地方，但85%的情况下我只要按Tab就行。这对比较复杂的重构就太有用了，之前我这几十个地方改下来怎么得二十分钟，找和改都需要时间，但现在大概才五分钟。 又比如，在 [对话蚂蚁小刀，codefuse 如何将程序员生产力提升50%](https://www.xiaoyuzhoufm.com/episode/66b5c520db5e6d6bf912c72f) 的播客里，提到 AI 对编程的提效，可以达到50% > 从综合的结果来看，我们会发现实验组在整个期间之内，它生产的量其实是超过50%的。所以这个50%更多的是说在整个观察期间它生产代码量确实是超过50%了。 但是还是主要在 > 一些间接的体验，怎么讲呢？就是其实以前大家在写代码的过程中，不纯粹是在coding这一件事情。他可能是需要去做一些额外知识的检索，然后想要去看看别人以往是这个方法是怎么写的对，那以前的话你可能是要去不同的平台上去检索不同的知识，然后去学习别人怎么写，甚至看多人怎么写，然后再综合自己在自己的这个场景下怎么去实现。现在的话如果有了AI这样的工具的话，它其实帮你减少了非常多检索的成本以及总结的成本，以及帮你去挑所谓好的用法的成本。它其实在这些方面也给程序员带来了非常多的可能性。对，就相当于是把以前非常冗杂的，但是显得没有那么有必要的这些工作，把它变成了让AI去做，然后自己就专注放在自己的业务逻辑本身上面。所以我们其实评估下来，这个间接影响其实会比它直接coding的这个影响带来的效果是要更显著的。