技术悖论成立吗？从刘胜与的“才华埋葬“算一笔算子工程账

关注

原创最新推荐文章于 2026-11-07 21:30:32 发布 125 阅读 AI 写同款· GEO 优化 ›

【行业洞察】《我不得不把才华埋葬在昨天》及补充说明等解读：当 AI 开始接管 GPU 底层算子开发 2026 年 9 月 14 日凌晨，DeepSeek 的 MLSys 工程师刘胜与在个人公众号发布随笔《我不得不把才华埋葬在昨天》，这篇文章迅速在国内与海外技术圈子引发热烈讨论。作者本身是顶尖的底层 GPU 算子开发工程师，深度参与大模型底层的性能优化工作，属于亲手建设 AI 系统的从业者，并非外部观察者。文章的核心并不是宣扬失业焦虑，而是来自从业者内心的反思：当下依靠 Agent 闭环工作流，AI 已经可以阅读底层硬件指令并且自主编写、优化 GPU 算子；按照目前的发展速度，半年到一年之内 AI 的算子开阅读详情

技术悖论成立吗？从刘胜与的"才华埋葬"算一笔算子工程账

封面：技术悖论的飞轮与阻尼

写在前面

这几天，DeepSeek MLSys 工程师刘胜与的长文《我不得不把才华埋葬在昨天》刷屏了。多数讨论停留在情绪层面：焦虑的转发、共鸣的点赞、"程序员要失业了"的老调重弹。

但作为一个每天和代码打交道的人，我更想做的不是加入情绪合唱，而是把他的"技术悖论"当真——当真到一个地步：拿公式出来，算一算它到底成不成立。

先交代事实。刘胜与，北大图灵班 2021 级，2025 年入职 DeepSeek 做 MLSys，是 V4.1 主 Attention 算子的作者。9 月 14 日他发文预判：未来半年到一年内，AI 写算子的水平将大概率追平甚至超越顶级人类工程师，他将从"手艺人"转向 Agent 的"机甲驾驶员"。9 月 15 日晚他补充回应：写这篇文章不是失业焦虑，是"和过去手写算子的那段时光说句再见"。

好，情绪部分到此为止。下面开始算账。

一、悖论的数学结构：一个真实的正反馈环

先把"技术悖论"形式化。刘胜与的原话是：

"我算子写得越好，我们的新模型的训练、推理速度就会越快，模型能力进步就会更快，我就会更早地被取代。"

翻译成工程语言，这是一个四节点正反馈环：

算子优化水平 x
  → 训练/推理效率 f(x)
    → 模型能力 g(f(x))
      → AI 写算子的能力 h(g(f(x)))
        → 下一轮的 x' 更强，或者干脆不需要 x

这个环在结构上成立。它就是硬件圈熟知的"飞轮"，和显卡性能提升推动更大模型、更大模型推动更好编译器的逻辑同构。刘胜与的特殊之处在于，他站在飞轮的一个特定节点上——那个节点的产出物（高性能算子）恰恰是加速飞轮本身的燃料。

站位即命运。 这是全文最锋利的一句潜台词：不是 AI 决定要替代你，是你所在的位置决定了你把自己的替代品喂养得最快。

但如果结论只有这一句，那就不用算账了，直接躺平就行。问题在于：正反馈环描述的是"方向"，不描述"时间"。而所有"半年到一年"的判断，赌的都是时间。所以我们得问：这个环里有没有阻尼项？

二、三个阻尼项：为什么"追平"不会像外推曲线那么快

信息图：一个飞轮，三个阻尼

阻尼一：硬件天花板决定了优化收益的边际递减

算子优化的本质是在给定硬件约束（指令集、寄存器、内存带宽、缓存层级）下逼近理论性能上限。V4.1 Flash 的技术报告标题直接写着"把 KV Cache 压缩推到极限"——注意"极限"两个字。

当你离理论峰值还有 30% 时，优化是高杠杆的；当你离峰值只剩 5% 时，每 1% 的收益都要付出十倍代价。AI 可以加速逼近上限的过程，但上限本身不因 AI 而移动。 硬件不动，优化的空间曲线就有尽头——尽头之前，人和 AI 拼速度；尽头之后，拼的是"能不能发现新的上限"，比如非对称架构。

事实上 V4.1 已经在这么做了：CED 非对称结构（输入 8B、输出 16B 两套参数），承认"长程 Agent 的工作负载是输入重的"，把 prefill 和 decode 拆开。这种架构级创新目前仍然是人的领地——AI 擅长在给定框架内逼近极限，不擅长发明新框架。半年到一年"追平手写算子"，我信；半年到一年"替代算子工程师"，存疑。

阻尼二：验收成本不会消失，只会转移

AI 生成算子有一个绕不开的环节：等价性验证 + 性能验收 + 生产环境签字。这三个词在工程语境里是三个不同的岗位责任。

刘胜与自己在回应里埋了答案——他说未来会"引入 AI Agent 写算子"。那么谁验收 AI 写的算子？短期内只能是懂算子的人。这就产生了一个有趣的悖论变体：

AI 写得越多，"能看出 AI 写错了"的人越稀缺，这类人的时薪越高。

谷歌 CEO 皮查伊今年 4 月公布的数据可以佐证这个转移：谷歌内部 75% 新增代码由 AI 产出（2024 年 10 月仅 25%，2025 年秋突破 50%）。两年时间"生成"环节被 AI 吃掉，但"审核校验代码"恰恰被官方表述为工程师工作的新重心。 生成被压缩，验收在膨胀——这不是替代，是价值链的位移。

阻尼三：责任边界在组织里是物理存在的

生产环境跑一个 AI 生成的算子，出了 silent corruption（静默数据损坏）谁负责？到目前为止，所有负责任的工程组织的答案都是：签字的那个人。签字权必须建立在理解之上，理解必须建立在手艺之上。

这就是为什么我不认为"机甲驾驶员"是一个降级岗位。机甲驾驶员之所以存在，是因为机甲值钱、机甲会撞、撞了要有人赔。

三、被忽略的那半篇：AI 学习惩罚

刘胜与的文章里，被讨论最多的是他自己，而我认为最重的那段话其实是他对学生的担忧：如果学生普遍用 AI 几分钟完成代码作业，代码组织、系统设计、抽象能力可能出现断层。

这不是杞人忧天，有数据。据人物杂志报道，香港大学与斯德哥尔摩大学学者对国内中部县域 26811 名初高中生做了长期跟踪：用生成式 AI 代写作业，短期作业分数提升约 18%，但半年后月考平均下滑 20%；两年维度下，中考、高考成绩最高分别下滑 24%、18%。研究者把这叫"AI 学习惩罚"。

（数据转引自媒体报道，原始论文我还没读到，这个 caveat 要放在这。）

把这笔账和算子工程师的账并排放，会发现它们是同一个方程的两个解：

	学生版	工程师版
短期收益	作业分数 +18%	交付速度大幅提升
长期代价	考试成绩 -20%~24%	手艺衰减、验收能力丢失
悖论内核	用 AI 越熟练，独立解题能力越差	优化越出色，替代周期越短

区别只有一个：学生通常没有选择（大家都在用），而工程师有——刘胜与用他的回应示范了这个选择：继续写算子，同时引入 Agent 帮自己写算子。代笔型用法外包思考，驾驶型用法放大思考。同一个工具，两种用法，两年后是两条职业曲线。

四、所以，悖论成立吗？

拆完三个阻尼项，可以给结论了：

作为数学结构：成立。 正反馈环真实存在，站位即命运的洞察是真的，每个"手艺正被 AI 快速吃掉"的岗位都该自查一下自己站在环的哪个节点上。

作为失业预言：不成立。 阻尼项（硬件上限、验收成本、责任边界）决定了时间线远比"半年到一年"的外推曲线长，且价值链会位移而非清零——生成贬值，验收增值，架构升值。

作为个人策略：高度可执行。 刘胜与给出的路径其实只有一句话："我当然希望自己不要被革命，但如果非被革命不可的话，我希望革我自己命的人是我自己。"这不是鸡汤，这是工程决策——在正反馈环里，主动切换节点的成本永远低于被动被切换。

五、给不同阶段工程师的三条转型线

验收者路线（1-3 年经验）：把 AI 生成当默认输入，刻意训练"看出错"的能力——跑基准、读 diff、构造对抗用例。生成人人都会，验收是护城河。
驾驶员路线（3-8 年经验）：把领域知识写进 Agent 的工作说明、技能文件、验收清单。你现在写的每一份"给 AI 的方法论"，都是你五年后的资产——前提是方法论是你的，不是抄来的。
边界者路线（资深）：往架构决策、需求预判、抽象设计走。这三个方向的共同点是错误成本极高、反馈周期极长、无法用基准测试自动化——是 AI 最难啃的硬骨头，也是"半年追平"叙事覆盖不到的地方。

写在最后

刘胜与写："我的手中多了些齿轮，但心中少了些节拍。"

这句话很美，但我想给它补一个工程注脚：齿轮是新的运行时，节拍是旧的存储格式。他埋葬的不是才华，是才华的一种存储格式。 手艺不会消失，它只是从"手写"这个介质迁移到"指令、验收、架构"这些介质上——迁移过程当然疼，疼是迁移税。

真正该焦虑的从来不是转业的人，是拒绝承认介质已经变了的人。

参考与信源：刘胜与《我不得不把才华埋葬在昨天》及 9/15 补充回应（观察者网/网易转述）；DeepSeek V4.1 Flash 技术报告（KV Cache 压缩、CED 架构）；皮查伊 2026 年 4 月公开数据（谷歌 75% 代码 AI 生成）；AI 学习惩罚数据转引自人物杂志对港大/斯德哥尔摩大学研究的报道。

本文为个人分析，与文中提及的任何公司无关。