Сьогодні на Hacker News є новина, яка дуже популярна, новинний контент полягає в тому, що рівень безробіття в Каліфорнії піднявся до 5,5%, що є дном Сполучених Штатів, а технологічна індустрія бореться: «Ринок праці занадто жорстокий». > Рівень безробіття в Каліфорнії зріс до 5,5% у липні, що є найвищим показником серед усіх штатів Сполучених Штатів, згідно з даними уряду штату, опублікованими в п'ятницю. За цим стоїть постійна слабкість робочих місць у технологічній галузі та інших офісних вакансіях, а також спад на ринку рекрутингу. У новинах це пояснюють слабкістю технологічного сектора, який є ключовою частиною економіки Каліфорнії. Ця новина гаряче обговорювалася в спільноті Hacker News, а глибинні причини, що стоять за нею, були проаналізовані з їхніх власних точок зору, набагато складніших, ніж передбачалося в заголовку. Я думаю, що ця дискусія є хорошим підсумком того, чому зайнятість у технологічній галузі зараз є млявою. 1. Перш за все, суть полягає в тому, щоб попрощатися з численними наслідками «ери нульових процентних ставок» Це найбільш мейнстрімний і глибокий момент у дискусії. Багато хто вважає, що проблеми нинішньої технологічної індустрії викликані не одним фактором, а скоріше хвилеподібним ефектом кінця ери політики нульових процентних ставок (ZIRP) минулого десятиліття. - Лопнула капітальна бульбашка: приблизно з 2012 по 2022 рік надзвичайно низькі відсоткові ставки зробили капітал надзвичайно дешевим. Приплив венчурного капіталу (VC) у технологічну індустрію породив незліченну кількість бізнес-моделей, які покладаються на «палаюче» зростання, особливо криптовалютні та метавсесвітні компанії, яким не вистачає реальної цінності. Коли ФРС підвищила відсоткові ставки, епоха дешевих грошей закінчилася, і ланцюжки грошей для цих компаній розірвалися, що призвело до численних звільнень і закриття. - Дисбаланс попиту та пропозиції талантів: В епоху ZIRP міф про високі зарплати в технологічній галузі привернув приплив талантів. Масове розширення програм з інформатики (CS) в університетах, розквіт навчальних таборів і технічна імміграція призвели до різкого збільшення пропозиції інженерів-програмістів за останнє десятиліття. Однак у міру того, як капітал відступав, сторона попиту, особливо стартапів, різко скоротилася, що створило серйозний надлишок талантів. - Хвильові ефекти в таких галузях, як біотехнологія: такі галузі, як біотехнології, які також покладаються на довгострокові інвестиції з високим ризиком, також сильно постраждали. Ці галузі ще більше залежать від дешевого капіталу, ніж індустрія програмного забезпечення. Після закінчення ZIRP кошти венчурного капіталу поступово вичерпувалися, і стартапи не могли отримати новий раунд фінансування після того, як закінчилися «фонди злітно-посадкової смуги» (злітно-посадкова смуга), і були змушені звільнити співробітників або збанкрутувати. > (від tqi): «На мою думку, ще занадто рано говорити, що «штучний інтелект» має значний вплив на найм компаній, що займаються розробкою програмного забезпечення. Більш правдоподібне пояснення полягає в тому, що в період з 2012 по 2022 рік пропозиція талантів для інженерів-програмістів значно зросла... Що стосується попиту, венчурні фонди в епоху нульової відсоткової ставки в основному інвестуються в безглузді криптовалютні та метавсесвітні компанії, більшість з яких не досягли успіху, що призводить до відсутності на ринку компаній на пізній стадії або нових лістингових компаній, які можуть поглинути ці таланти. ” 2. «Палиця з двома кінцями» віддаленої роботи: нова хвиля глобального аутсорсингу Пандемія COVID-19 популяризувала роботу з дому (WFH), яка в той час вважалася благом для багатьох розробників, але тепер її негативні наслідки починають проявлятися. - Прокладання шляху для аутсорсингу: Оскільки розробники борються за право працювати повністю віддалено, вони можуть цього не усвідомлювати, що також відкриває двері для компаній передавати робочі місця на аутсорсинг у країни з нижчими витратами. Оскільки всі працюють на відстані, чому б не найняти індійського або східноєвропейського інженера, який становить лише 1/5 американського інженера і є однаково хорошим? - Офіси «No Back to Office»: деякі коментатори вважають, що політика «повернення в офіс» (RTO), яку просувають технологічні компанії, частково спрямована на захист місцевих робочих місць). Як тільки робота виявиться на 100% віддаленою, то її можна буде виконувати в будь-якій точці світу, і переваги в зарплаті для американських інженерів більше не буде. - Дебати про якість аутсорсингу: Деякі стверджують, що аутсорсинг триває десятиліттями, а високоякісна розробка програмного забезпечення все ще вимагає найкращих місцевих талантів через такі проблеми, як витрати на зв'язок, різниця в часових поясах та культурне походження. Однак ті, хто підтримує перспективу аутсорсингу, вважають, що ці перешкоди долаються в міру того, як розвиваються інструменти віддаленої співпраці та вдосконалюються моделі управління. > (автор aurareturn): «Я говорю на HN з 2022 року: всі північноамериканські розробники, які підтримують повністю віддалену роботу, ви будете здивовані, коли ваша компанія вирішить замінити вас кимось з-за кордону. Якщо це все віддалено, чому компанія має наймати вас за 5-кратну ціну, а не закордонного працівника, який працює старанніше і менше скаржиться? ... Підтримка наказу про повернення в офіс може врятувати вашу кар'єру в довгостроковій перспективі. ” 3. Роль штучного інтелекту: це інструмент продуктивності, привід для звільнення співробітників чи капітальний «вампір»? Що стосується ролі штучного інтелекту (ШІ) у цій хвилі втрати робочих місць, дискусія представляє складний поділ. - Обмежений ефект прямого заміщення: більшість погоджується з тим, що сучасний штучний інтелект не може повністю замінити досвідчених інженерів-програмістів. Але він почав замінювати деякі молодші та повторювані завдання, такі як деякі невеликі консультаційні завдання. Консультант виступив і сказав, що клієнт перестав з ним виходити, тому що ChatGPT може вирішити деякі незначні баги. - «Ідеальне виправдання» для звільнень: поширена думка, що штучний інтелект став «ідеальним виправданням» для компаній, щоб звільнити співробітників і скоротити витрати та підвищити ефективність. Навіть якщо основною причиною звільнень є економічний спад або управлінські рішення, компанії із задоволенням розглядають це як стратегічне коригування, щоб «прийняти штучний інтелект і підвищити ефективність». - «Чорна діра» капіталу: штучний інтелект відіграє ще одну ключову роль – він висмоктує єдиний венчурний капітал, що залишився на ринку, який міг би перетекти в інші технологічні сектори. Венчурні капіталісти зараз цікавляться майже виключно проєктами зі штучним інтелектом, що посилило труднощі з фінансуванням стартапів у сфері, не пов'язаній зі штучним інтелектом. 4. «Зона іржі» технологічної галузі? Структурні занепокоєння щодо майбутнього Деякі учасники дискусії висловили занепокоєння щодо майбутнього з ширшої точки зору, проводячи паралелі між технологічною індустрією та колись славетним, а потім занепадаючим виробничим «Іржавим поясом». - Повторна втрата робочих місць: подібно до того, як Сполучені Штати передали виробництво на аутсорсинг Китаю, робочі місця в ІТ та розробці програмного забезпечення тепер масово перетікають до Індії, Латинської Америки та Східної Європи. Це може призвести до довгострокового структурного безробіття для колись добре оплачуваної групи інженерів-програмістів. - Політичний та соціальний вплив: Якщо значна кількість технічних робочих місць для середнього класу зникне, це може спровокувати нові соціальні та політичні проблеми, подібно до занепаду Іржавого поясу, який все ще впливає на американський політичний ландшафт сьогодні. - Суперечки щодо імміграційної та візової політики (H1B/O1): Частина дискусії вказала пальцем на робочі візи, такі як H1B, стверджуючи, що вони були використані не за призначенням, що призвело до зниження зарплат місцевих інженерів та збільшення конкуренції. Інші є переконаними захисниками кваліфікованої міграції, стверджуючи, що саме ці найкращі таланти з усього світу, такі як випускники Університету Ватерлоо, є наріжним каменем інновацій у Кремнієвій долині. 5. Менеджмент компанії та культурні зміни: «ефект Маска» Цікава точка зору полягає в тому, що Маск зразково вплинув на масові звільнення Twitter (тепер X). - Раціоналізація звільнень: коли Маск звільнив понад 75% співробітників Twitter, продукт все ще був функціональним, що змусило багатьох генеральних директорів задуматися: «Якщо він може це зробити, чому я не можу?». Це руйнує мислення технологічних компаній за принципом «чим більше талантів, тим краще» в минулому, роблячи масштабні звільнення більш прийнятними як з психологічної, так і з комерційної точки зору. 6. Політичні та політичні чинники: Суперечки щодо змін у податковому законодавстві Технічна, але далекосяжна підказка стосується змін у податковому законодавстві США. - Правило амортизації витрат на НДДКР (розділ 174): У Законі про податкову реформу адміністрації Трампа (TCJA) у 2017 році є положення, яке вимагає від компаній амортизувати витрати на дослідження та розробки (НДДКР), такі як зарплати на розробку програмного забезпечення, у розстрочку протягом п'яти років, починаючи з 2022 року, а не повністю вираховуватися в поточному році, як раніше. Це значно збільшило податкове навантаження на технологічні компанії, особливо стартапи, і знеохотило наміри наймати працівників у Сполучених Штатах. - Відновлювальний ефект нещодавніх законопроектів: нещодавно прийнятий законопроєкт Build Back Better (BBB) частково виправляє цю проблему, дозволяючи негайно знову вираховувати внутрішні витрати на НДДКР. Деякі коментатори вважають, що приблизно в липні вони відчули пожвавлення на ринку найму, що може бути пов'язано з цим. Нарешті Судячи з цих дискусій, причини нинішнього спаду зайнятості в технологічній галузі Каліфорнії досить складні, викликані не одним фактором, і їх не можна просто віднести до «штучного інтелекту, який замінює людей» або «циклічної рецесії в галузі», а є результатом економічної рецесії після закінчення ери нульових процентних ставок, реструктуризації світового ринку праці, спричиненої віддаленою роботою, подвійного впливу штучного інтелекту як нової технології та магніту для капіталу, а також змін у конкретній податковій політиці. Я не знаю, коли я вийду з цього скрутного становища? Або причина не тільки в тому, про що йшлося вище

Переклад: Чому великі мовні моделі насправді не можуть створювати програмне забезпечення Автор: Конрад Ірвін Одна річ, на яку я витрачаю багато часу, — це інтерв'ю з інженерами-програмістами. Це, очевидно, складне завдання, і я не смію сказати, що у мене є якісь хитрощі; Але це дало мені час подумати про те, що робить ефективний інженер-програміст. Основний цикл програмної інженерії Коли ви подивитеся на справжнього знавця, то побачите, що він завжди виконує такі дії в циклі: * Побудувати ментальну модель потреб. * Напишіть (сподіваюся?!) ) коду, що реалізує вимоги. * Побудуйте ментальну модель того, як насправді поводиться ваш код. * Знайдіть різницю між ними, а потім оновіть код (або вимогу). Існує багато способів виконання цих кроків, але найцікавіше в ефективних інженерів — це їхня здатність будувати та підтримувати чіткі ментальні моделі. Як працюють великі мовні моделі? Справедливості заради варто сказати, що великі мовні моделі досить добре справляються з написанням коду. Вони також добре справляються з оновленням коду, коли ви вказуєте на проблему. Вони також можуть робити все те, що робив би справжній інженер: читати код, писати і запускати тести, додавати логи і (імовірно) використовувати налагоджувач. Але чого вони не можуть зробити, так це зберегти чітку ментальну модель. Великі мовні моделі потраплять в нескінченну плутанину: вони будуть вважати, що код, який вони пишуть, дійсно придатний для використання; Коли тест не вдається, вони можуть лише здогадуватися, чи це фіксований код виправлення, чи виправлений тест; Коли вони розчаровуються, вони просто вирізають все і починають спочатку. Це повна протилежність тому, що я очікував би від інженера. Інженери-програмісти тестують під час роботи. Коли тест не вдається, вони можуть використовувати свою ментальну модель, щоб вирішити, чи виправляти код або тест, або зібрати більше інформації, перш ніж прийняти рішення. Коли вони відчувають розчарування, то можуть попросити про допомогу, спілкуючись з людьми. Хоча вони іноді видаляють все і починають спочатку, це вибір, який робиться після більш чіткого розуміння проблеми. Але це буде незабаром, чи не так? Чи зміниться це в міру того, як моделі стануть більш функціональними? Пе́вно?? Але я думаю, що це вимагає кардинальної зміни в способі побудови та оптимізації моделей. Для програмної інженерії потрібні моделі, які є чимось більшим, ніж просто генерація коду. Коли людина стикається з проблемою, вона здатна тимчасово відкласти весь контекст і зосередитися на вирішенні поставленої проблеми, а потім повернутися до великої проблеми. Вони також можуть перемикатися між загальною картиною та мікродеталями, тимчасово ігноруючи деталі, щоб зосередитися на цілому, і копатися в частинах, коли це необхідно. Ми не стаємо більш продуктивними, просто запихаючи більше слів у наше «контекстне вікно», це тільки зведе нас з розуму. Незважаючи на те, що ми можемо працювати з великою кількістю контексту, ми знаємо, що ці генеративні моделі в даний час мають кілька серйозних проблем, які безпосередньо впливають на їх здатність підтримувати чіткі ментальні моделі: * Контекстуальне упущення: моделі не вміють виявляти пропущену контекстуальну інформацію. * Упередження нещодавності: вони схильні до сильного упередження нещодавності під час роботи з контекстними вікнами. * Галюцинації: вони часто «фантазують» про деталі, яких не повинно бути. Ці проблеми можуть бути непереборними, і дослідники працюють над тим, щоб додати пам'ять до моделей, щоб вони могли розвивати ті ж навички мислення, що і ми. Але, на жаль, поки що вони (вийшовши за межі певного рівня складності) не можуть толком зрозуміти, що сталося насправді. Вони не можуть створювати програмне забезпечення, тому що не можуть підтримувати дві схожі «ментальні моделі» одночасно, з'ясовувати відмінності та вирішувати, оновлювати код чи оновлювати вимоги. І що тепер? Очевидно, що великі мовні моделі корисні для інженерів-програмістів. Вони швидко генерують код і чудово інтегрують вимоги та документацію. Для деяких завдань цього достатньо: вимоги досить зрозумілі, завдання досить прості, щоб їх можна було вирішити за одну ніч. З огляду на це, для будь-якого завдання певної складності вони не можуть підтримувати достатній контекст достатньо точно, щоб виконати ітерацію, щоб нарешті отримати життєздатне рішення. Як інженер-програміст, ви все одно несете відповідальність за те, щоб вимоги були чіткими, а код дійсно виконував те, про що він заявляє. У Zed ми віримо в майбутнє, де люди та агенти штучного інтелекту зможуть створювати програмне забезпечення разом. Тим не менш, ми твердо впевнені (принаймні поки що), що ви є водієм за кермом, і що великі мовні моделі – це лише ще один інструмент у вас під рукою.

Вчора я відвідав конференцію менеджерів з продуктів CSDN, щоб виступити з презентацією. Коли три місяці тому мої друзі з CSDN запросили мене виступити з доповіддю на конференції Product Manager, я насправді хотів відмовитися. Причина в тому, що мій стартап існує лише півроку, і я не маю багато інсайтів, щоб поділитися з вами. Однак друзі CSDN сказали, що це не має значення, до конференції ще три місяці, а час ще є, і ми також можемо поділитися деяким попереднім досвідом продукту. За збігом обставин, після того, як ми випустили FlowSpeech минулого тижня, репутація продукту вибухнула, MRR зріс у 3 рази, ARR також порушив невелику мету, і, що важливіше, наші користувачі заробили реальні гроші, використовуючи продукт, що є найкращим доказом сили нашого продукту. Тому, коли я вчора виступав з промовою, я пожартував з вами, що золотий контент цього PPT сьогодні різко злетів, будь ласка, слухайте уважно.

«Як фермер, я купую лише органічну їжу; Як практик штучного інтелекту, я дивлюся лише на контент, не створений штучним інтелектом». 😅

Кодування Vibe — це поганий термін, який вводить в оману, і його найбільше значення полягає в тому, що воно використовує штучний інтелект для створення прототипів, який може допомогти швидко визначити вимоги до продукту. У програмній інженерії від коду для розробки прототипів зазвичай відмовляються, а систему потрібно переробляти, кодувати та впроваджувати при офіційній розробці продукту.

У контекстному інжинірингу агенту потрібно використовувати інструменти та середовища для отримання даних та доповнення контексту

Підручник для самостійного вивчення інформатики TeachYourselfCS Якщо ви інженер-самоучка або закінчили курси програмування, то вам необхідно вивчати інформатику. На щастя, на отримання диплома не обов'язково витрачати роки і купу грошей: освіту світового рівня 💸 можна отримати самостійно. В інтернеті скрізь є багато навчальних ресурсів, але суть і шлак співіснують. Замість списку на кшталт «200+ безкоштовних онлайн-курсів» вам потрібні відповіді на такі запитання: Які предмети варто вивчати і чому? Яка найкраща книга чи відеокурс з цих предметів? У цьому посібнику ми намагаємося дати чіткі відповіді на ці запитання.

Ось мої друзі~ Я заробляю лише 20 юанів за 3 мільйони користувачів: помилковий бум інструментів штучного інтелекту - ListenHub Хто б не розповів анекдот. Багато людей зацікавилися кейсом, яким я поділився на Hard Ground Hacking, і я зробив подкаст спеціально на ListenHub @oran_ge. Ви можете його послухати~

Багато друзів стурбовані обмеженнями використання ChatGPT Team і Enterprise, і тепер вийшли дві нові статті з поширеними запитаннями (FAQ), які пояснюють це. * ChatGPT Team Edition - GPT-5 та GPT-4o необмежені, але є такі обмеження для різних версій моделі: * 200 запитів на мислення GPT-5 на день * 2800 міні-запитів GPT-5 на тиждень * 15 запитів GPT-5 Pro на місяць * 3 запити GPT-500 кожні 4,1 години * 300 запитів O4-Mini та O3 на день * ChatGPT Enterprise - GPT-5, GPT-4o та GPT-4.1-mini необмежені, але є такі обмеження для різних версій моделі: * 200 запитів на мислення GPT-5 на тиждень * 15 запитів GPT-5 Pro на місяць * 20 запитів GPT-4.5 на тиждень * 3 запити GPT-500 кожні 4,1 години * 300 запитів O4-mini на день * 100 запитів o4-mini-high в день * 100 запитів О3 на тиждень * 15 запитів O3-Pro на місяць У статті FAQ також згадувалося, що поточні обмеження моделі мислення GPT-5 є тимчасовими і насправді перевищують перелічені вище довгострокові межі.

Це дійсно так: менше в підказці сказати, що не треба робити, а що робити. Велика модель дуже схожа на людей, і чим більше ви їй не дозволяєте, тим простіше привернути до себе увагу