刚交付DeepSeek V4.1核心算子，工程师却要转行当AI的“机甲驾驶员”

2026-09-15 12:53 3 阅读

亲手造引擎的人，正在被引擎取代

凌晨两点，刘胜与发完那篇长文后关掉电脑。就在几天前，他刚独立交付了 DeepSeek V4.1 的核心 Attention 算子——一个 head dim=512 的 MQA 实现，直接支撑了这款小模型在高效推理场景下的性能跃升。按理说，这该是他职业生涯的高光时刻。但他写的标题却是《我不得不把才华埋葬在昨天》。

刘胜与不是普通程序员。他是北大图灵班2021级学生，未名超算队队长，SC23国际大学生超算竞赛选手。本科加入 DeepSeek 后，迅速成为底层基础设施与高性能算子优化的主力。过去一年半，他深度参与了 DeepGEMM 算子库（FP8 极致性能 GEMM）、DeepEP V2 专家并行通信库升级，以及 V4.1 主算子的开发。这些工作听起来抽象，但正是它们让 DeepSeek 能在有限算力下压低训练和推理成本，形成真正的技术护城河。

可讽刺的是，他越是把算子优化到极致，模型迭代就越快，而他自己被替代的速度也就越快。

“AI 成了算子大师”

在 GPU 编程领域，手写高性能算子曾被视为人类最难被取代的“手艺”。它要求工程师同时掌握上层计算逻辑、GPU 微架构细节、内存层次结构，甚至要深入 PTX 汇编和 SASS 机器码，分析流水线停顿，做寄存器分配和共享内存调度。这种工作极度依赖经验、直觉和对硬件的“手感”。

但刘胜与发现，这套逻辑正在崩塌。他在文中写道：“AI 能一秒思考 300 个 token、半秒敲出一行命令、二十秒写完一份代码，而我不行。” 更关键的是，AI 的能力还在持续进化——模型深度、思考强度、工具调用量、并行度都在提升，而人类有生理极限。

这不是危言耸听。行业已有实证：英伟达和 Cursor 曾公布一项实验，多 Agent 系统在三周内自动优化了 235 个面向 Blackwell B200 的 CUDA 算子，几何平均性能提升 38%，其中 19% 的任务提速超过两倍。OpenAI 在推进其定制 AI 芯片（代号“墨西哥辣椒”）时，也规模化调用 Astra 和 Agent 工具直接参与算子生成与编译栈搭建，将原本需数十位专家耗时数月的工作压缩至极短周期。

刘胜与推断，未来半年到一年内，AI 自主评估调度方案、设计并实现端到端极致算子的能力，将大概率追平甚至超越顶级人类工程师。

从“手艺人”到“机甲驾驶员”

明知自己在加速被替代，为何还要倾尽全力？刘胜与的答案很真实：一是技术多巴胺——看到自己写的算子性能飙升、跑赢芯片大厂官方实现时，那种成就感不亚于速通玩家打破世界纪录；二是清醒认知——就算他停手，全球其他团队的模型仍会加速推进，最终毫无悬念地席卷而来。

他说：“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。”

于是，“转业”成了必然选择。但这不是离开计算机系统领域，而是工作范式的彻底转变。他把新角色称为“机甲驾驶员”：人类不再逐行手写底层指令，而是退后一步，凭借对上层模型需求的理解、底层硬件特性的认知和全局系统把控力，给 AI Agent 下达指令、设定边界、评估方案。

饭碗保住了，但手艺人亲手打磨代码的快感被剥离了。他在文中感叹：“为了适应工业界的需求，我势必要放弃之前那个我热爱的方向……我的手中多了些齿轮，但心中少了些节拍。”

工程根基正在空心化？

比个人角色转变更令他忧心的，是整个技术生态的潜在风险。当下，开发者正面临一种触手可及的效率诱惑：用 AI 生成代码。这种捷径正在悄然抽空核心工程能力——代码组织、系统构建、前瞻性设计和抽象能力，这些原本需要在无数次撞墙和 Debug 中磨炼出来的素养，正在被绕过。

刘胜与尖锐发问：这些能力会像“编写 x86 汇编”一样逐渐边缘化，还是会像“理解整套计算机系统”一样成为永恒基石？如果是后者，那么 AI 的泛滥带来的就不是繁荣，而是一场系统性风险。

他写道：“一个工程能力很差的人，在搭配上 AI 后，产出屎山的效率可以达到先前的数倍，进而给系统埋下各式祸患，让这个世界变得更加草台。”

这种担忧在评论区得到了印证。读者“葫芦”坦言，自己正借助 Codex 进行国产芯片的 Attention 算子开发，“除了方案不能替我敲定之外，别的都可以帮助我完成，又快又好”。南京大学一位博导则评论：“我反正相信系统设计的品味是可以由 RL 有反馈信号的，就看什么时候大家摸清数据的构造和训练方法吧，那时候就真完犊子了。”

如果连架构审美和权衡取舍都能被强化学习的反馈信号渗透，人类工程师最后的“直觉护城河”或许也将消失。