Dnes je na Hacker News zpráva, která je velmi populární, obsah zpráv je, že míra nezaměstnanosti v Kalifornii se vyšplhala na 5,5 %, což je dno Spojených států, a technologický průmysl se potýká s problémy: "Trh práce je příliš krutý". Míra nezaměstnanosti v >Kalifornii se v červenci vyšplhala na 5,5 %, což je nejvyšší hodnota ze všech států Spojených států, vyplývá z údajů státní vlády zveřejněných v pátek. Za tím stojí pokračující slabost pracovních míst v technologickém průmyslu a dalších kancelářských pracovních pozic, stejně jako pokles na náborovém trhu. Zprávy to připisovaly slabosti technologického sektoru, který je klíčovou součástí kalifornské ekonomiky. Tato zpráva byla v komunitě Hacker News vášnivě diskutována a základní důvody, které za ní stály, byly analyzovány z jejich vlastních perspektiv, mnohem složitějších, než naznačoval titulek. Myslím, že tato diskuse je dobrým shrnutím toho, proč je zaměstnanost v technologickém průmyslu v současné době pomalá. 1. V první řadě je hlavním bodem: rozlučte se s mnoha pokračováními "éry nulových úrokových sazeb" To je nejmainstreamovější a nejhlubší bod v diskusi. Mnozí se domnívají, že současné potíže technologického průmyslu nejsou způsobeny jediným faktorem, ale spíše dominovým efektem konce éry politiky nulových úrokových sazeb (ZIRP) v minulém desetiletí. - Prasknutí kapitálové bubliny: Přibližně od roku 2012 do roku 2022 způsobily extrémně nízké úrokové sazby kapitál neobvykle levný. Příliv rizikového kapitálu (VC) do technologického průmyslu zplodil nespočet obchodních modelů, které se spoléhají na "spalující" růst, zejména krypto a metaverzové společnosti, které postrádají skutečnou hodnotu. Když Fed zvýšil úrokové sazby, éra levných peněz skončila a peněžní řetězce pro tyto společnosti se přetrhly, což vedlo k četnému propouštění a zavírání. - Nerovnováha mezi nabídkou a poptávkou po talentech: V éře ZIRP přilákal mýtus o vysokých platech v technologickém průmyslu příliv talentů. Masivní expanze programů informatiky (CS) na univerzitách, rozkvět bootcampů a technická imigrace vedly v posledním desetiletí k dramatickému nárůstu nabídky softwarových inženýrů. S úbytkem kapitálu se však poptávková strana, zejména startupy, prudce snížila, což vytvořilo vážný přebytek talentů. - Dominový efekt v odvětvích, jako jsou biotechnologie: Těžce byla zasažena i odvětví, jako jsou biotechnologie, která se rovněž spoléhají na dlouhodobé a vysoce rizikové investice. Tato odvětví jsou ještě více závislá na levném kapitálu než softwarový průmysl. Po skončení ZIRP VC fondy postupně vysychaly a startupy nemohly získat nové kolo financování poté, co jim došly "runway funds" (runway), a musely propouštět zaměstnance nebo zkrachovat. > (podle tqi): "Podle mého názoru je příliš brzy na to, abychom řekli, že 'AI' má podstatný dopad na najímání zaměstnanců softwarových společností. Pravděpodobnějším vysvětlením je, že mezi lety 2012 a 2022 se nabídka talentů pro softwarové inženýry výrazně zvýšila... Na straně poptávky jsou fondy rizikového kapitálu v éře nulových úrokových sazeb investovány hlavně do nesmyslných kryptoměnových a metaverzálních společností, z nichž většina neuspěla, což má za následek nedostatek společností v pozdní fázi nebo nově kótovaných společností na trhu, které by mohly tyto talenty absorbovat. ” 2. "Dvousečná zbraň" práce na dálku: nová vlna globálního outsourcingu Pandemie COVID-19 zpopularizovala práci z domova (WFH), kterou v té době mnoho vývojářů považovalo za přínos, ale nyní se začínají projevovat její negativní dopady. - Dláždění cesty pro outsourcing: Vývojáři bojují za právo pracovat plně na dálku, ale nemusí si to uvědomovat, což také otevírá dveře společnostem k outsourcingu pracovních míst do zemí s nižšími náklady. Když jsou všichni vzdálení, proč nenajmout indického nebo východoevropského inženýra, který je jen 1/5 amerického inženýra a je stejně dobrý? - Kanceláře "bez návratu do kanceláře": Někteří komentátoři se domnívají, že politika "návratu do kanceláře (RTO" prosazovaná technologickými společnostmi je částečně zaměřena na ochranu místních pracovních míst). Jakmile se ukáže, že práce je 100% vzdálená, pak ji lze vykonávat kdekoli na světě a platová výhoda pro americké inženýry již nebude existovat. - Debata o kvalitě outsourcingu: Někteří tvrdí, že outsourcing probíhá již desítky let a vývoj vysoce kvalitního softwaru stále vyžaduje špičkové místní talenty kvůli problémům, jako jsou náklady na komunikaci, rozdíly v časových pásmech a kulturní zázemí. Ti, kteří podporují perspektivu outsourcingu, se však domnívají, že tyto překážky jsou překonávány s tím, jak nástroje pro vzdálenou spolupráci dozrávají a modely řízení se zlepšují. > (od aurareturnu): "Na HN říkám od roku 2022: všichni severoameričtí vývojáři, kteří podporují práci plně na dálku, budete překvapeni, když se vaše společnost rozhodne nahradit vás někým ze zámoří. Když je vše vzdálené, proč by vás měla společnost najímat za 5násobek ceny místo zahraničního zaměstnance, který pracuje tvrději a méně si stěžuje? ... Podpora příkazu k návratu do kanceláře vám může z dlouhodobého hlediska zachránit kariéru. ” 3. Role umělé inteligence: Je to nástroj produktivity, záminka k propouštění zaměstnanců, nebo kapitálový "upír"? Pokud jde o roli umělé inteligence (AI) v této vlně ztrát pracovních míst, diskuse představuje složitý rozdíl. - Omezený efekt přímého nahrazení: Většina se shoduje na tom, že současná umělá inteligence nemůže plně nahradit zkušené softwarové inženýry. Začal však nahrazovat některé dílčí a opakující se úkoly, jako jsou některé malé konzultační úkoly. Vystoupil konzultant a řekl, že ho zákazník přestal kontaktovat, protože ChatGPT mohl vyřešit některé drobné chyby. - "Dokonalá výmluva" pro propouštění: Obecně se věří, že umělá inteligence se stala "dokonalou záminkou" pro společnosti k propouštění zaměstnanců, snižování nákladů a zvyšování efektivity. I když je hlavní příčinou propouštění ekonomický pokles nebo rozhodnutí managementu, společnosti to rády zabalí jako strategickou úpravu s cílem "přijmout umělou inteligenci a zvýšit efektivitu". - "Černá díra" kapitálu: Další klíčovou roli hraje umělá inteligence – vysává jediný zbývající rizikový kapitál na trhu, který by mohl proudit do jiných technologických odvětví. VC se nyní téměř výhradně zajímají o projekty AI, což zhoršilo potíže s financováním startupů v oblasti bez AI. 4. "Rezavá zóna" technologického průmyslu? Strukturální obavy o budoucnost Někteří panelisté vyjádřili obavy z budoucnosti z širší perspektivy a načrtli paralely mezi technologickým průmyslem a kdysi slavným a poté upadajícím výrobním "Rezavým pásem". - Opakované ztráty pracovních míst: Stejně jako Spojené státy outsourcovaly výrobu do Číny, pracovní místa v oblasti IT a vývoje softwaru nyní ve velkém měřítku proudí do Indie, Latinské Ameriky a východní Evropy. To by mohlo vést k dlouhodobé strukturální nezaměstnanosti pro kdysi dobře placenou skupinu softwarových inženýrů. - Politický a sociální dopad: Pokud zanikne významný počet pracovních míst v technologiích střední třídy, mohlo by to vyvolat nové sociální a politické problémy, podobně jako úpadek Rezavého pásu, který dodnes ovlivňuje americkou politickou scénu. - Kontroverze imigrační a vízové politiky (H1B/O1): Část diskuse ukázala prstem na pracovní víza jako H1B a tvrdila, že jsou zneužívána, snižují platy místních inženýrů a zvyšují konkurenci. Jiní jsou neochvějnými zastánci migrace kvalifikovaných pracovníků a tvrdí, že právě tyto špičkové talenty z celého světa, jako jsou absolventi University of Waterloo, tvoří základní kámen inovací v Silicon Valley. 5. Řízení společnosti a kulturní změna: "Pižmův efekt" Zajímavým úhlem pohledu je, že Musk měl exemplární vliv na masivní propouštění Twitteru (nyní X). - Racionalizace propouštění: Když Musk propustil více než 75 % zaměstnanců Twitteru, produkt byl stále funkční, což přimělo mnoho generálních ředitelů k zamyšlení: "Když to může udělat on, proč bych to nemohl udělat já?" To narušuje myšlení technologických společností v minulosti "více talentu, tím lépe", takže rozsáhlé propouštění je přijatelnější jak z psychologického, tak z obchodního hlediska. 6. Politické a politické faktory: Kontroverze ohledně změn daňových zákonů Technickým, ale dalekosáhlým vodítkem jsou změny v daňových zákonech USA. - Pravidlo o amortizaci výdajů na výzkum a vývoj (oddíl 174): V zákoně o daňové reformě (TCJA) Trumpovy administrativy z roku 2017 je ustanovení, které vyžaduje, aby společnosti odepisovaly výdaje na výzkum a vývoj (R&D), jako jsou platy za vývoj softwaru, ve splátkách po dobu pěti let počínaje rokem 2022, místo aby byly v aktuálním roce plně odečteny jako dříve. To výrazně zvýšilo daňové zatížení technologických společností, zejména začínajících podniků, a odradilo od náborových záměrů ve Spojených státech. - Regenerační účinek nedávných zákonů: Nedávno schválený zákon Build Back Better (BBB) tento problém částečně napravuje a umožňuje okamžitě znovu odečíst domácí výdaje na výzkum a vývoj. Někteří komentátoři se domnívají, že kolem července pocítili oživení na náborovém trhu, což s tím může mít něco společného. Konečně Soudě podle těchto diskusí jsou důvody současného poklesu zaměstnanosti v kalifornském technologickém průmyslu poměrně složité, nejsou způsobeny jediným faktorem, ani je nelze jednoduše připsat "umělé inteligenci nahrazující lidi" nebo "cyklické recesi v odvětví", ale jsou výsledkem ekonomické recese po skončení éry nulových úrokových sazeb, restrukturalizace globálního trhu práce způsobené prací na dálku, dvojího dopadu umělé inteligence jako nové technologie a kapitálového magnetu a změn v konkrétních daňových politikách. Nevím, kdy se z téhle šlamastyky dostanu? Nebo důvodem není jen to, co bylo diskutováno výše

Překlad: Proč velké jazykové modely nedokážou ve skutečnosti vytvářet software Napsal(a) Conrad Irwin Jednou z věcí, kterou trávím hodně času, jsou rozhovory se softwarovými inženýry. To je zřejmě obtížný úkol a neodvažuji se říci, že mám nějaké triky; Ale dalo mi to čas zamyslet se nad tím, co dělá efektivní softwarový inženýr. Základní cyklus softwarového inženýrství Když se podíváte na skutečného znalce, uvidíte, že v cyklu vždy provádí následující kroky: * Vybudujte si mentální model potřeb. * Pište (doufejme?!) ), který tyto požadavky implementuje. * Vytvořte si mentální model toho, jak se váš kód skutečně chová. * Najděte rozdíl mezi těmito dvěma a poté aktualizujte kód (nebo požadavek). Existuje mnoho způsobů, jak těchto kroků dosáhnout, ale skvělá věc na efektivních inženýrech je jejich schopnost vytvářet a udržovat jasné mentální modely. Jak fungují velké jazykové modely? Abychom byli spravedliví, velké jazykové modely jsou docela dobré v psaní kódu. Odvádějí také dobrou práci při aktualizaci kódu, když na problém upozorníte. Mohou také dělat všechny věci, které by dělal skutečný inženýr: číst kód, psát a spouštět testy, přidávat protokoly a (pravděpodobně) používat ladicí program. Co však nemohou dělat, je udržovat si jasný mentální model. Velké jazykové modely upadnou do nekonečného zmatku: budou předpokládat, že kód, který píší, je skutečně použitelný; Když test selže, mohou pouze odhadovat, zda se jedná o opravný kód nebo o opravený test; Když jsou frustrovaní, jednoduše všechno vystřihnou a začnou znovu. To je přesný opak toho, co bych očekával od inženýra. Softwaroví inženýři testují během práce. Když test selže, mohou použít svůj mentální model k rozhodnutí, zda opravit kód nebo test, nebo shromáždit více informací, než se rozhodnou. Když se cítí frustrovaní, mohou si říct o pomoc tím, že komunikují s lidmi. I když někdy všechno smažou a začnou znovu, je to volba, která se dělá po jasnějším pochopení problému. Ale bude to brzy, že? Změní se to, až se modelky stanou schopnějšími? Možná?? Myslím si ale, že to vyžaduje zásadní změnu ve způsobu, jakým jsou modely vytvářeny a optimalizovány. Softwarové inženýrství vyžaduje modely, které jsou více než jen generování kódu. Když se člověk setká s problémem, je schopen dočasně odložit celý kontext a soustředit se na řešení daného problému a poté se vrátit k danému velkému problému. Mohou také přepínat mezi celkovým obrazem a mikrodetaily, dočasně ignorovat detaily, aby se zaměřili na celek, a v případě potřeby se ponořit do jednotlivých částí. Nestaneme se produktivnějšími jen tím, že do našeho "kontextového okna" nacpeme více slov, to nás jen přivede k šílenství. I když si poradíme s velkým množstvím souvislostí, víme, že tyto generativní modely mají v současné době několik vážných problémů, které přímo ovlivňují jejich schopnost udržovat jasné mentální modely: * Kontextové opomenutí: Modelky nejsou dobré v rozpoznávání přehlížených kontextových informací. * Zkreslení aktuálnosti: Při práci s kontextovými okny jsou vystaveni silnému zkreslení aktuálnosti. Halucinace: Často "fantazírují" o detailech, které by neměly existovat. Tyto problémy nemusí být nepřekonatelné a výzkumníci pracují na přidání paměti do modelů, aby mohly uplatňovat podobné myšlenkové schopnosti jako my. Ale bohužel prozatím (poté, co překročili určitou úroveň složitosti) nemohou skutečně pochopit, co se skutečně stalo. Nemohou vytvářet software, protože nemohou udržovat dva podobné "mentální modely" současně, zjistit rozdíly a rozhodnout se, zda aktualizovat kód nebo aktualizovat požadavky. Takže, co teď? Je zřejmé, že velké jazykové modely jsou užitečné pro softwarové inženýry. Rychle generují kód a vynikají v integraci požadavků a dokumentace. U některých úkolů to stačí: požadavky jsou dostatečně jasné, problémy jsou dostatečně jednoduché, aby je bylo možné provést přes noc. Jak již bylo řečeno, pro jakýkoli úkol určité složitosti nemohou udržet dostatečně přesný kontext, aby iterovali a nakonec vytvořili životaschopné řešení. Jako softwarový inženýr jste stále zodpovědní za to, aby požadavky byly jasné a aby kód skutečně poskytoval to, co tvrdí, že dělá. Ve společnosti Zed věříme v budoucnost, ve které mohou lidé a agenti umělé inteligence společně vytvářet software. Pevně však věříme (alespoň prozatím), že za volantem sedíte vy a že velké jazykové modely jsou jen dalším nástrojem na dosah ruky.

Včera jsem se zúčastnil konference produktových manažerů CSDN, kde jsem měl prezentaci. Když mě moji přátelé z CSDN před třemi měsíci pozvali, abych vystoupil na konferenci produktových manažerů, chtěl jsem to vlastně odmítnout. Důvodem je, že můj startup vznikl teprve půl roku a nemám se s vámi o co podělit. Kamarádi z CSDN ale říkali, že to nevadí, do konference zbývají ještě tři měsíce a že je ještě čas a můžeme se s vámi podělit i o některé zkušenosti z předchozích produktů. Shodou okolností poté, co jsme minulý týden vydali FlowSpeech, pověst produktu explodovala, MRR se zvýšilo 3krát, ARR také překonalo malý cíl, a co je důležitější, naši uživatelé používáním produktu vydělali skutečné peníze, což je nejlepší důkaz síly našeho produktu. Takže když jsem včera dělal projev, žertoval jsem s vámi, že obsah zlata v tomto PPT dnes raketově vzrostl, poslouchejte prosím pozorně.

"Jako zemědělec kupuji pouze biopotraviny; Jako odborník na umělou inteligenci se dívám pouze na obsah, který není generován umělou inteligencí." 😅

Vibe kódování je špatný a zavádějící termín a jeho největší význam spočívá v tom, že využívá umělou inteligenci pro vytváření prototypů, což může pomoci rychle určit požadavky na produkt. V softwarovém inženýrství se obvykle upouští od kódu pro vývoj prototypu a systém je třeba při oficiálním vývoji produktu přepracovat, nakódovat a implementovat.

V kontextovém inženýrství musí agent používat nástroje a prostředí k získání dat a dokončení kontextu

Výukový program pro samostudium informatiky TeachYourselfCS Pokud jste inženýr samouk nebo jste absolvovali kurz programování, pak je nutné, abyste studovali informatiku. Naštěstí nemusíte utrácet roky a spoustu peněz za titul: můžete získat prvotřídní vzdělání 💸 sami. Na internetu existuje mnoho výukových zdrojů všude, ale podstata a struska existují vedle sebe. Namísto seznamu jako "200+ bezplatných online kurzů" potřebujete odpovědi na otázky jako: Jaké předměty byste měli studovat a proč? Jaká je nejlepší kniha nebo video kurz pro tyto předměty? V této příručce se snažíme poskytnout definitivní odpovědi na tyto otázky.

Tady přicházejí mí přátelé~ Vydělávám jen 20 juanů za 3 miliony uživatelů: falešný boom nástrojů AI - ListenHub Kdo by neřekl vtip. Mnoho lidí se zajímalo o případ, který jsem sdílel na Hard Ground Hacking, a já jsem vytvořil podcast speciálně na ListenHubu @oran_ge. Můžete si ho poslechnout~

Mnoho přátel je znepokojeno omezeními používání ChatGPT Team a Enterprise a nyní byly vydány dva nové články s často kladenými otázkami (FAQ), které to vysvětlují. * ChatGPT Team Edition - GPT-5 a GPT-4o jsou neomezené, ale pro různé verze modelů platí následující omezení: * 200 GPT-5 přemýšlejících požadavků za den * 2800 GPT-5 Přemýšlíme mini požadavků za týden * 15 požadavků GPT-5 Pro za měsíc * 3 požadavky GPT-500 každých 4,1 hodiny * 300 požadavků O4-mini a O3 za den * ChatGPT Enterprise - GPT-5, GPT-4o a GPT-4.1-mini jsou neomezené, ale pro různé verze modelů platí následující omezení: * 200 GPT-5 požadavků na přemýšlení týdně * 15 požadavků GPT-5 Pro za měsíc * 20 požadavků GPT-4.5 týdně * 3 požadavky GPT-500 každých 4,1 hodiny * 300 požadavků na O4-mini za den * 100 požadavků O4-mini-high za den * 100 požadavků O3 týdně * 15 O3-Pro poptávek měsíčně V článku FAQ bylo také zmíněno, že současná omezení modelu GPT-5 Thinking jsou dočasná a ve skutečnosti jsou vyšší než dlouhodobé limity uvedené výše.

To je pravda: méně v pobízení říkat, co nedělat, ale co dělat. Velký model je velmi podobný lidem, a čím více mu to nedovolíte, tím snazší je upoutat pozornost