前端进阶之旅前端进阶之旅
基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
知识卡片NEW
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 业务场景题真实业务问题与追问
  • 查漏补缺常见问题解析
  • AI 模拟面试NEW模拟真实面试 + 报告
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
    • AI 定制路线NEW按你的简历现排
    • AI 知识地图NEW串起全站知识点
  • 动态
    • AI 热点NEWAI 每日动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
AI 助手NEW
旧版
基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
知识卡片NEW
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 业务场景题真实业务问题与追问
  • 查漏补缺常见问题解析
  • AI 模拟面试NEW模拟真实面试 + 报告
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
    • AI 定制路线NEW按你的简历现排
    • AI 知识地图NEW串起全站知识点
  • 动态
    • AI 热点NEWAI 每日动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
AI 助手NEW
旧版
返回 AI 情报前线
All News · 全部资讯8649
  • Google发布Gemini轻量级和高性能模型
  • Claude Code请求被发现暗中标记 引发隐私担忧
  • 重新定义 Agent:核心是日志而非模型
  • AI 发展的本地化与开源化趋势
  • AI模型走向专业化分工的趋势分析
  • Copilot 原生集成 JetBrains IDE,开箱即用
  • 预测人类意图:为何需要超越Next Token预测
  • Sourcegraph 智能批量代码迁移 Agent 公测上线
  • 从 Core Dump 分析发现 18 年遗留的基础设施 Bug
  • HuggingFace模型卡整合全量评估基准结果
  • Cursor 团队市场升级:支持 MCP 和组织管理
  • GeneBench-Pro:生物信息学领域的 AI 基准测试
  • Memora:分层记忆设计让 AI Agent 上下文不丢失
  • DiScoFormer:跨分布的密度和评分一体化Transformer
  • Ornith-1.0:自我改进的 Agent 编码开源模型
  • 解读AI全栈:从硬件到应用的完整理解
  • JetBrains Air IDE 正式支持 Windows 平台
  • API 限制困扰开发者,本地 LLM 生成 Git 提交信息
  • LLM 不需要记忆,设计情境才是关键
  • LLM API 调用全链路解析:从请求到流式响应
  • AI 行业走向的反思:从实践看未来
  • Cursor iOS 版上线:随处管理 AI Agent 编程
  • Semgrep基准测试:GLM 5.2超越Claude的场景启示
  • Codex 无法排除敏感文件:AI 编程工具的安全隐患
  • Wayfinder Router:本地/远程 LLM 智能路由
  • TrueType 字体内嵌二维码渲染器
  • Adrafinil:Agent 工作流 Mac 自动化工具
  • 统一 AI API 网关避免重复包装
  • 本地开源模型打造编程Agent:Claude Code的平价替代方案
  • DSpark推测解码:LLM推理速度翻倍的实现方案
  • Playwright 自动化浏览器抽奖示例
  • GPT-5.6 Sol 模型首次亮相
  • Claude/Codex/Cursor 内的智能模型路由
  • GPT-5.6 Sol 发布:编码能力迎接新台阶
  • LLM 运营成本可持续性警告
  • 一行命令在 HF Jobs 上启动 vLLM
  • 拥有和维护大型代码库为什么这么难
  • GitHub Copilot Agent 多模型性能评测
  • OpenKnowledge:AI 原生笔记应用
  • JetBrains IDE 推荐 AI Agent 升级到 GPT 5.6
  • Rider 用实时 Profiler 数据让 AI 精准诊断瓶颈
  • 思维工程师工具包正式上线
  • AI Agent 时代的生产故障根本原因分析
  • OpenAI 论文:AI Agent 如何重塑工作流
  • 圣经数据构建 RAG 系统的开源实现
  • OpenAI 发布首款自研 AI 推理芯片
  • Gemini 3.5 Flash 获得计算机控制能力
  • NVIDIA NeMo 加速 Transformer 模型微调训练
  • OpenAI 和 Broadcom 推出 LLM 推理专用芯片
  • OpenAI 和 Broadcom 推出 LLM 推理专用芯片
  • 开源语音识别基准排行榜发布
  • 已加载 51 / 8649
5.0
关注
AI SCORE
观点评论2026-06-29 15:18

AI 行业走向的反思:从实践看未来

DEV Community · Sylwia Laskowska#AI#发展趋势
Editor brief · 编辑速览

作者基于实战经验对 AI 发展方向的观点评论,198 次社区互动反映关注度。泛论性较强,需深入阅读才能获取有针对性的见解。

文章思维导图
Knowledge map
拖拽缩放
Full translation

完整中文译文

受限的访问权限和全球不平等

我写了很久的 AI 相关文章,但这可能是我第一次真正不知道该怎么想。不是因为技术突然停滞,而是游戏规则可能在改变。

我今天本想写一些更轻松的内容,但感觉有必要分享过去几天的一些想法。越来越难以忽视最新 AI 模型周围发生的事情。@pascal_cescato_692b7a8a20 的帖子《1%》只是证实了我不是唯一一个想知道接下来会发生什么的人。

但让我们从头开始。上个周五,知名科技记者 Adrian Bridgwater 请我为他的文章《OpenAI GPT-5.6 访问受限》提供评论。作为一个曾在媒体行业工作过的人,我清楚记者在请求评论时的期待:迅速的回应、简短的引述和一个有力的论点。😅 但这次的话题让我停下来深思。

改变一切的四年

在过去几年里,AI 的进步是不可思议的。我们都知道这一点。2022 年 11 月 30 日,OpenAI 发布了基于 GPT-3.5 的 ChatGPT,生成式 AI 突然成为了主流。仅仅用了几个月,到 2023 年 1 月,ChatGPT 已经达到了大约 1 亿月活用户。

即便如此,人们当时就在说 AI 很快就会夺走开发者的工作。然而,从今天的角度看,不到四年后,GPT-3.5 几乎显得有点傻。

一年后,我们都在嘲笑"感觉编程者",并将他们与真正的软件工程师对比。但随后出现了编码 Agent,突然间我们都变成了"感觉编程者"😉 好吧,我们都知道 Claude Code 或类似的工具今天仍然不会取代一个优秀的开发者,而且公司内的 AI 应用往往留下许多不足之处。

但这仍然是 LLM 真正在市场上可用的不到四年时间。如果再过两三年,Agent 真的足够好,能写出比人类好得多的代码呢?这项技术的限制在哪里?

开发者的位置在哪里?

我得承认,我是个典型的过度思考者。我喜欢分析世界和人,以及提前思考两百步。当然,在这样的世界里仍然需要开发者,但我们都会被需要吗?或者一家曾经需要 500 名工程师的公司突然只需要 5 个人?或者只需要一小群人来训练、监督和整合模型?

我是一名资深工程师,我的市场优势是,除了写代码,我还能和人交流。而业务部门迫切需要这种能力。但我不是那种会锁在地下室里一个月深入研究硬件内部来让 LLM 运行得更快的人。我也不是那种乐意每天花 12 小时默默地研究基准测试的人。我敬佩这样的人,但那绝对不是我。

而且我不确定,如果 LLM 发展得更进一步,我"能和业务交流"的优势是否还会是一种优势。那我应该怎么办?也许慢慢开始考虑开发者倡导,因为这对我似乎进展不错?也许把我的简历发给附近的 Biedronka 折扣店以备不时之需——他们确实在招聘,而且我几乎每天都去那里,有时比员工更好地指导人们选择产品 😆

但随后情况开始改变。Token 变得贵得多了。公司开始意识到,也许对于简单的任务,一个初级开发者可能其实更有意义 😅 而且说实话,我还没有看到大规模招聘实习生的浪潮,但节省 token、放弃某些工具,以及说"对简单任务使用更便宜的模型"已经变得非常普遍。

现在有了禁运。首先是围绕 Mythos 和 Fable 的禁运,现在是围绕 GPT-5.6 的禁运。如果你错过了,简短的版本是:访问一些最先进的 AI 模型不再简单地"对任何能付费的人开放"。它正在变得受限,受到地理位置、组织类型、安全关切或战略决策的限制。在实践中,这意味着并非每个开发者、公司或国家都能依赖平等获取最佳模型了。

我不知道该怎么想这个问题。这些模型真的对关键基础设施那么危险吗?

或者也许政府已经开始像对待半导体一样把它们当作战略资产?也许这是自由 AI 市场的终结?

对于开发者来说,一开始,这可能不会有太大影响。即使 LLM 的进展停留在我们今天已有的模型上,我们仍然会改进基础设施、完善 Agent、构建更好的工具,并继续相当愉快地工作。也许在一段时间内模型甚至会变得更稳定,拥有更可靠的 API 和更好的开发者体验。

但接下来会发生什么?与强大的 LLM 一起工作会只被保留给特定的人吗?或者特定的公司?或者特定的国家?

另一方面……这些模型贵得离谱。必须有人为它们买单。我很难想象公司投入数十亿美元只是为了永远把他们最好的模型锁在保险库里。他们需要客户。他们需要收入。所以也许这整个"AI 禁运"只是暂时的?或者也许政府最终会介入,用对待战略基础设施的方式来对待前沿 AI?说实话,我真的不知道。

接下来会发生什么?

也许会像波兰科幻作家 Rafał Kosik 20 年前在他的青少年系列小说《Felix, Net and Nika》中预测的那样——AI 因为被认为过于危险而对公众不可用,模型会被锁起来?😉 当然,这是一个极端的愿景,但说实话,没有什么能让我再感到惊讶了。

仅仅一两年前,我们还在问 AI 是否会取代开发者。今天我发现自己在思考稍微有点不同的问题:最强大的 AI 是否甚至还会保持对普通人的可用性?

你怎么看?这一切会往哪个方向发展?我不想装作一个无所不知的警长,我真的很好奇你的看法。

另外,我下周不会发布任何东西,因为我要去度假——就像每个自重的波兰人一样,去克罗地亚。这只是对那些在每周日午餐时间左右阅读我的帖子的人的一个提醒 😆

如果你来自捷克或附近地区,来参加 FrontKon,我会在那里演讲。我们那里见面击掌吧!或者,如果你愿意,请在 LinkedIn 上关注我。

有些评论可能仅对已登录访客可见。登录以查看所有评论。

Original source

本文由 AI 翻译整理自 DEV Community · Sylwia Laskowska,原文版权归原作者所有。

阅读英文原文
上一篇
LLM API 调用全链路解析:从请求到流式响应
下一篇
Cursor iOS 版上线:随处管理 AI Agent 编程