Сегодня на Hacker News появилась горячая новость: уровень безработицы в Калифорнии поднялся до 5,5%, что является самым высоким показателем в стране, и технологическая отрасль испытывает трудности: "Рынок труда слишком жесток". > Согласно данным, опубликованным в пятницу государственными органами, уровень безработицы в Калифорнии в июле поднялся до 5,5%, что является самым высоким показателем среди всех штатов США. За этим стоит продолжающаяся слабость в технологическом секторе и других офисных профессиях, а также низкая активность на рынке труда. Новость связывает это с ослаблением технологической отрасли, поскольку этот сектор играет ключевую роль в экономике Калифорнии. Эта новость вызвала бурное обсуждение в сообществе Hacker News, где участники анализировали глубокие причины происходящего с разных точек зрения, что оказалось гораздо более сложным, чем это подразумевает заголовок новости. Я считаю, что обсуждение выше хорошо подводит итог тому, почему сейчас наблюдается низкая занятость в технологическом секторе. 1. Прежде всего, ключевая точка зрения: прощание с "эпохой нулевых процентов" и ее последствия Это наиболее распространенная и глубокая точка зрения в обсуждении. Многие считают, что текущие проблемы в технологической отрасли вызваны не одним фактором, а цепной реакцией, вызванной окончанием десятилетия "политики нулевых процентов" (ZIRP, Zero Interest Rate Policy). - Лопнувший пузырь капитала: с 2012 по 2022 год крайне низкие процентные ставки сделали капитал необычайно дешевым. Огромные объемы венчурного капитала (VC) хлынули в технологическую отрасль, порождая множество бизнес-моделей, зависящих от "сжигания денег", особенно тех, которые не имели реальной ценности, таких как криптовалюты (Crypto) и компании метавселенной (Metaverse). С повышением процентных ставок Федеральной резервной системы эпоха дешевых денег закончилась, и у этих компаний оборвалась финансовая цепочка, что привело к массовым увольнениям и банкротствам. - Дисбаланс спроса и предложения на таланты: в эпоху ZIRP миф о высоких зарплатах в технологической отрасли привлек множество талантов. Университетские программы по компьютерным наукам (CS) значительно увеличили набор, а лагеря по программированию (boot camp) стали повсеместными, плюс иммиграция специалистов привела к резкому увеличению числа программистов за десять лет. Однако с оттоком капитала спрос (особенно со стороны стартапов) резко сократился, что привело к серьезному избытку кадров. - Эффект на смежные отрасли, такие как биотехнологии: биотехнологические (Biotech) и другие отрасли, также зависящие от долгосрочных и высокорисковых инвестиций, также пострадали. Эти отрасли зависят от дешевого капитала даже больше, чем программное обеспечение. После окончания ZIRP венчурный капитал постепенно иссяк, стартапы, исчерпав "деньги на развитие" (runway), не смогли получить новый раунд финансирования и были вынуждены сокращать штат или закрываться. > (от tqi): "На мой взгляд, сейчас говорить о том, что 'AI' оказывает существенное влияние на набор сотрудников в программных компаниях, еще рано. Более разумное объяснение заключается в том, что с 2012 по 2022 год количество программистов значительно увеличилось... А на стороне спроса венчурные капиталы в эпоху нулевых процентов в основном направлялись на те бессмысленные криптовалюты и компании метавселенной, которые в большинстве своем не смогли добиться успеха, что привело к нехватке компаний, способных привлечь этих специалистов." 2. Двусторонний меч удаленной работы: новая волна глобального аутсорсинга Пандемия COVID-19 популяризировала удаленную работу (Work From Home, WFH), что в то время воспринималось многими разработчиками как благословение, но сейчас начинают проявляться ее негативные последствия. - Упрощение аутсорсинга: когда разработчики активно боролись за право на полную удаленную работу, они, возможно, не осознавали, что это также открывает двери для компаний, чтобы передавать рабочие места в страны с более низкими затратами. Если все работают удаленно, почему бы компании не нанять индийского или восточноевропейского инженера, который зарабатывает всего 1/5 от зарплаты американского инженера и при этом не менее квалифицирован? - Офис, из которого "не вернуться": некоторые комментаторы считают, что политика "возврата в офис" (Return to Office, RTO), продвигаемая технологическими компаниями, в некоторой степени направлена на защиту местных рабочих мест. Как только работа оказывается полностью удаленной, она может выполняться из любой точки мира, и зарплатное преимущество американских инженеров исчезает. - Дебаты о качестве аутсорсинга: некоторые возражают, что аутсорсинг продолжается десятилетиями, и высококачественная разработка программного обеспечения по-прежнему требует местных талантов, поскольку проблемы, такие как затраты на коммуникацию, разница во времени и культурные различия, трудно решаются. Однако сторонники аутсорсинга утверждают, что с развитием инструментов для удаленного сотрудничества и улучшением управленческих моделей эти препятствия постепенно преодолеваются. > (от aurareturn): "С 2022 года я говорю на HN: все североамериканские разработчики, поддерживающие полную удаленную работу, будут шокированы, когда ваша компания решит заменить вас на сотрудников из-за границы. Если все работают удаленно, почему компания должна платить вам в 5 раз больше, чем более трудолюбивому и менее жалующемуся зарубежному сотруднику?... Поддержка приказа о возвращении в офис в долгосрочной перспективе может спасти вашу карьеру." 3. Роль AI: инструмент производительности, предлог для увольнений или "вампир" капитала? Обсуждение роли искусственного интеллекта (AI) в этой волне увольнений демонстрирует сложные разногласия. - Ограниченный эффект замещения: большинство согласны с тем, что текущий AI еще не может полностью заменить опытных программистов. Однако он уже начинает заменять некоторые начальные, повторяющиеся работы, такие как небольшие задачи в консалтинге. Некоторые консультанты сообщают, что клиенты больше не обращаются к ним, потому что могут использовать ChatGPT для решения небольших ошибок. - "Идеальный предлог" для увольнений: распространенное мнение заключается в том, что AI стал "идеальным предлогом" для компаний для сокращения штата и повышения эффективности. Даже если основной причиной увольнений являются экономические трудности или решения руководства, компании охотно упаковывают это как стратегическую корректировку "принятия AI и повышения эффективности". - "Черная дыра" капитала: AI играет еще одну ключевую роль — он поглощает оставшиеся на рынке венчурные инвестиции, которые могли бы быть направлены в другие технологические области. Венчурные капиталы сейчас почти исключительно интересуются проектами в области AI, что усугубляет трудности с финансированием стартапов в не-AI секторах. 4. "Ржавеющая зона" технологической отрасли? Структурные опасения о будущем Некоторые участники обсуждения выражают беспокойство о будущем с более макроэкономической точки зрения, сравнивая технологическую отрасль с когда-то процветающей, а затем упавшей производственной "ржавеющей зоной" (Rust Belt). - Повторение потери рабочих мест: так же, как когда-то США передали производственные рабочие места в Китай, сейчас IT и разработка программного обеспечения массово перемещаются в Индию, Латинскую Америку и Восточную Европу. Это может привести к тому, что когда-то высокооплачиваемая группа программистов столкнется с долгосрочной структурной безработицей. - Политические и социальные последствия: если большое количество рабочих мест среднего класса в технологическом секторе исчезнет, это может вызвать новые социальные и политические проблемы, как это произошло с упадком "ржавеющей зоны", который до сих пор влияет на политическую картину США. - Споры о иммиграции и визовой политике (H1B/O1): часть обсуждения направлена на рабочие визы, такие как H1B, которые, по мнению некоторых, используются неправомерно, что приводит к снижению зарплат местных инженеров и увеличению конкуренции. Другие же решительно защищают техническую иммиграцию, утверждая, что именно эти выдающиеся таланты со всего мира (например, выпускники Университета Ватерлоо) составляют основу инноваций в Силиконовой долине. 5. Изменения в управлении компаниями и культуре: "эффект Маска" Интересная точка зрения заключается в том, что массовые увольнения, проведенные Маском в Twitter (ныне X), создали эффект примера. - Обоснование увольнений: когда Маск уволил более 75% сотрудников Twitter, продукт продолжал функционировать, что заставило многих CEO задуматься: "Если он смог это сделать, почему я не могу?" Это разрушило прежнее мышление технологических компаний о том, что "чем больше людей, тем лучше", и сделало массовые увольнения психологически и коммерчески более приемлемыми. 6. Политические и законодательные факторы: споры о налоговых изменениях Технический, но имеющий далеко идущие последствия аспект касается изменений в налоговом законодательстве США. - Правила амортизации расходов на НИОКР (Раздел 174): в налоговой реформе (TCJA), принятой правительством Трампа в 2017 году, есть положение, требующее от компаний с 2022 года амортизировать зарплаты и другие расходы на НИОКР (R&D) в течение пяти лет, а не списывать их полностью в том же году, как это было раньше. Это значительно увеличило налоговую нагрузку на технологические компании (особенно стартапы) и сдерживало их желание нанимать сотрудников в США. - Восстановительная роль недавних законопроектов: недавно принятый законопроект "Восстановление лучшего будущего" (Build Back Better, BBB) частично исправил эту проблему, позволив вновь списывать расходы на НИОКР в стране сразу. Некоторые комментаторы считают, что они заметили улучшение на рынке труда около июля, что может быть связано с этим. В заключение Из этих обсуждений видно, что причины низкой занятости в технологическом секторе Калифорнии сейчас довольно сложны и не могут быть объяснены одним фактором. Это не просто "AI заменяет людей" или "циклический спад в отрасли", а результат множества факторов, переплетенных вместе, таких как окончание эпохи нулевых процентов, экономическая очистка, вызванная этим, перестройка глобального рынка труда из-за удаленной работы, двойной удар AI как новой технологии и магнита для капитала, а также изменения в налоговой политике. Не знаю, когда мы сможем выйти из этой ситуации? Или причины не ограничиваются только теми, что обсуждались выше.

Перевод: Почему большие языковые модели не могут по-настоящему создавать программное обеспечение Автор: Конрад Ирвин Я потратил много времени на интервьюирование программистов. Это, безусловно, сложная задача, и я не могу сказать, что у меня есть какой-то секрет; но этот опыт действительно дал мне время поразмышлять о том, что на самом деле делает эффективный программист. Основной цикл программной инженерии Когда вы наблюдаете за настоящим мастером, вы заметите, что они постоянно выполняют следующие шаги в цикле: * Создание психической модели требований. * Написание (надеюсь?!) кода, который реализует требования. * Создание психической модели фактического поведения кода. * Выявление различий между двумя моделями и обновление кода (или требований). Существует множество способов выполнения этих шагов, но выдающаяся черта эффективных инженеров заключается в том, что они могут создавать и поддерживать четкие психические модели. Как обстоят дела с большими языковыми моделями? Честно говоря, большие языковые модели довольно хорошо справляются с написанием кода. Когда вы указываете на проблему, они также неплохо обновляют код. Они могут делать все, что может делать настоящий инженер: читать код, писать и запускать тесты, добавлять логи и (возможно) использовать отладчик. Но они не могут поддерживать четкие психические модели. Большие языковые модели попадают в бесконечную путаницу: они предполагают, что написанный ими код действительно работает; когда тесты терпят неудачу, они могут только догадываться, нужно ли исправлять код или тест; когда они чувствуют себя разочарованными, они просто удаляют все и начинают заново. Это прямо противоположно тому, что я ожидаю от инженера. Программисты работают и тестируют одновременно. Когда тесты терпят неудачу, они могут сверять свои психические модели, чтобы решить, нужно ли исправлять код или тест, или собрать больше информации перед принятием решения. Когда они чувствуют себя разочарованными, они могут обратиться за помощью к другим. Хотя иногда они тоже могут удалить все и начать заново, это происходит только после того, как они лучше понимают проблему. Но это быстро решается, верно? С увеличением возможностей моделей, изменится ли это? Возможно?? Но я думаю, что это требует коренных изменений в том, как модели строятся и оптимизируются. Модели, необходимые для программной инженерии, не могут быть просто способными генерировать код. Когда человек сталкивается с проблемой, он может временно отложить весь контекст, сосредоточиться на решении текущей проблемы, а затем вернуться к своим предыдущим мыслям и вернуться к большой проблеме. Они также могут свободно переключаться между макро- и микро-уровнями, временно игнорируя детали, чтобы сосредоточиться на общем, и углубляться в детали, когда это необходимо. Мы не станем более эффективными просто потому, что заполним свое "контекстное окно" большим количеством слов; это только сведет нас с ума. Даже если мы можем обрабатывать огромные объемы контекста, мы знаем, что у текущих генеративных моделей есть несколько серьезных проблем, которые напрямую влияют на их способность поддерживать четкие психические модели: * Пропуск контекста: модели не умеют выявлять упущенную контекстную информацию. * Предвзятость новизны: они подвержены серьезной предвзятости новизны при обработке контекстного окна. * Галлюцинации: они часто "фантазируют" детали, которые не должны существовать. Эти проблемы, возможно, не являются непреодолимыми, и исследователи работают над тем, чтобы добавить памяти в модели, чтобы они могли использовать аналогичные мыслительные приемы, как мы. Но, к сожалению, на данный момент они (после определенной сложности) фактически не могут понять, что происходит. Они не могут создавать программное обеспечение, потому что не могут одновременно поддерживать две похожие "психические модели", выявлять различия между ними и решать, нужно ли обновлять код или требования. Так что же теперь делать? Очевидно, что большие языковые модели полезны для программистов. Они могут быстро генерировать код и отлично справляются с интеграцией требований и документации. Для некоторых задач этого уже достаточно: требования достаточно ясны, проблема достаточно проста, и они могут решить ее сразу. Тем не менее, для любой задачи с некоторой сложностью они не могут достаточно точно поддерживать достаточный контекст, чтобы в конечном итоге через итерации выдать жизнеспособное решение. Вы, как программист, все равно должны быть ответственны за то, чтобы требования были ясными и чтобы код действительно выполнял заявленные функции. В Zed мы верим, что в будущем люди и ИИ могут совместно создавать программное обеспечение. Однако мы твердо уверены (по крайней мере, на данный момент), что вы являетесь водителем, управляющим рулем, а большие языковые модели — это просто еще один инструмент, который у вас под рукой.

Вчера я выступал на конференции менеджеров по продуктам CSDN. Три месяца назад, когда друзья из CSDN пригласили меня выступить на конференции менеджеров по продуктам, я на самом деле хотел отказаться. Причина в том, что моя стартап-компания только что была основана полгода назад, и у меня нет много истинных знаний и опыта, которыми я мог бы поделиться с вами. Но друзья из CSDN сказали, что не переживай, до конференции еще три месяца, есть время, можно поделиться некоторым опытом с предыдущими продуктами. Как назло, на прошлой неделе после выпуска FlowSpeech, наш продукт получил отличные отзывы, MRR увеличился в три раза, ARR также преодолел небольшую цель, и что более важно, наши пользователи заработали настоящие деньги, используя продукт, что является лучшим доказательством нашей продуктовой силы. Поэтому вчера, когда я выступал, я пошутил, что ценность этой презентации PPT резко возросла, и попросил всех внимательно слушать.

"Как фермер, я покупаю только органические продукты; как специалист по ИИ, я смотрю только на контент, не созданный ИИ"😅

Vibe Coding — это плохой термин, который вводит в заблуждение. Его основное значение заключается в использовании ИИ для разработки прототипов, что помогает быстро определить требования к продукту. В программной инженерии код для разработки прототипов обычно является временным, и при официальной разработке продукта требуется заново провести системное проектирование, а затем кодирование и реализация. Результат Vibe Coding также аналогичен: после определения требований необходимо снова спроектировать и разработать.

В контексте проектирования агент должен использовать инструменты и взаимодействовать с окружением для получения данных, чтобы дополнить контекст.

Учебник по самообучению в области компьютерных наук TeachYourselfCS Если вы инженер, который обучался самостоятельно, или выпустились из курсов программирования, вам обязательно нужно изучить компьютерные науки. К счастью, вам не нужно тратить годы и значительные средства на получение степени: полагаясь только на себя, вы можете получить образование мирового уровня💸. В интернете есть множество учебных ресурсов, однако среди них есть как полезные, так и бесполезные. Вам не нужен список вроде «200+ бесплатных онлайн-курсов», а ответы на следующие вопросы: Какие предметы вам следует изучать и почему? Какие лучшие книги или видеокурсы по этим предметам? В этом руководстве мы постараемся дать определенные ответы на эти вопросы.

Пришли, друзья～ Я заработал всего 20 юаней с 3 миллионами пользователей: ложный бум AI-инструментов - ListenHub Рассказывать анекдоты, кто не умеет? Ранее многим было интересно, что я делился кейсами на Hard Disk Hacker, и я специально использовал @oran_ge на ListenHub, чтобы сделать подкаст с анекдотами. Можете послушать～

Многие друзья интересуются ограничениями использования версии ChatGPT для команд (Team) и корпоративной версии (Enterprise). Теперь официально опубликованы две новые статьи с часто задаваемыми вопросами (FAQ), которые объясняют это. * Версия ChatGPT для команд - использование GPT-5 и GPT-4o не ограничено, но для различных версий моделей существуют следующие ограничения: * 200 запросов на размышление (Thinking) GPT-5 в день * 2800 запросов на мини-размышление (Thinking mini) GPT-5 в неделю * 15 запросов на GPT-5 Pro в месяц * 500 запросов на GPT-4.1 каждые 3 часа * 300 запросов на o4-mini и o3 в день * Корпоративная версия ChatGPT - использование GPT-5, GPT-4o и GPT-4.1-mini не ограничено, но для различных версий моделей существуют следующие ограничения: * 200 запросов на размышление (Thinking) GPT-5 в неделю * 15 запросов на GPT-5 Pro в месяц * 20 запросов на GPT-4.5 в неделю * 500 запросов на GPT-4.1 каждые 3 часа * 300 запросов на o4-mini в день * 100 запросов на o4-mini-high в день * 100 запросов на o3 в неделю * 15 запросов на o3-pro в месяц В статье FAQ также упоминается, что в настоящее время ограничения модели размышления (Thinking) GPT-5 являются временными и на самом деле выше, чем указанные выше долгосрочные ограничения.

Это действительно так: меньше говорите в запросах, что не следует делать, а лучше указывайте, что следует делать. Большие модели в этом похожи на людей: чем больше запрещаешь, тем больше привлекается внимание.