属于CYY自己的世界
AI 提高了效率，喜欢打开黑盒的 hobbyist 怎么办
背景
我很幸运我是一个在很小的时候就找到了自己喜好的人——探索世界，打开一个个我曾经认为的黑盒子。
我也很幸运，从小学就会自己折腾计算机，翻看 Windows 的系统文件，自己学编程，组装电脑，硬件 Mod，折腾 Linux 桌面，甚至到最后学机器人参加比赛，以及玩 Arduino 单片机，这些事情给了我计算机以及程序逻辑的最早启蒙。
我同样很幸运，在高中的时候开始学 OI，最后拿到省一等奖参加自主招生，选了省一等奖可以满足前两个专业志愿的学校，再到后来继续参加 ICPC 比赛拿到 EC-Final 银牌，NSCSCC 比赛做出能跑 Linux 的五级流水双发射 CPU，再到后来当一生一芯助教，在学校给本科的 CPU 和 OS 课程实验做教学改革，在 PLCT 成为 GCC、Linux Kernel 等众多开源项目的贡献者，再到后来去到香山以及 Intel 实习。这些经历让我一直走在探索计算机底层的算法与基础软硬件的道路上，让我不停打开计算机的黑盒子，并成为一个自己能发现问题并改进现有软硬件架构的人。这些经历也许本来已经奠定了一生的方向。
可是最近看到的 Claude Opus 4.6 以及 GPT-5.4 的能力，却让我开始思考，不仅仅是 AI 的能力对从业者的影响，更是我们这样的 hobbyist 在未来应该怎么办。
AI 能力的发展
ChatGPT 出现的2022年底，恰好是我在学校当操作系统课程助教的期末改作业时间。由于是自己教改的实验自然对问题回答情况一清二楚，在那个时候，AI 针对这样很简单的问题还有相当严重的幻觉，大量的上下文错误（比如说非 x86 架构如何切换页表冒出来一个 CR3 寄存器的答案）。在那个时候我还尚且觉得， AI 距离走向实用还有一定的距离，但是对于 common sense 问题，它给出的回答结合自己去网上搜索的 validation 已经能够解答很多问题。
可是到了后来，事情越来越无法控制。我一直是一个 GitHub Copilot 使用者，4年来亲眼见证了：
● 2023年，它帮我写个 Verilog 连线都能写错，最后还是得自己写个小脚本，但是显而易见小函数的代码补全省了我很多的工作量。
● 2024年，Verilog 连线不是困难，大型开源软件还能帮我 Hint 出我不熟悉的 API，让我事半功倍。帮我改改论文更是不在话下。
● 2025年，它能帮我独立实现一个小的功能 Feature。
● 2026年，Claude Opus 4.6 开始，它可以对着我给的一个 Markdown 写出几千行代码，然后转一晚上完成测试。还可以自己打 CPU 性能计数器，打 CPU RTL 波形图，甚至反馈流程比我还快，还不用休息。
而我们自己去思考如何在一个大型项目插入想要的 feature，调试时打 stack dump，打印中间结果，抓 RTL 波形这些事情，最终对于我们这些 hobbyist 来说，每一次的经历不仅仅是工作本身，更是打开了我们所想要探索的黑盒子的过程，让我们了解更多，收获更多，自己的能力也随之提升。
而现在， AI 的出现让这些事情已经开始出现转机。甚至分析性能的 Agent 这样非常依赖经验和大量知识的事情都已经能够被 AI 取代。如果这个时候，出于目标导向来说，我把这样的活全部 Offload 给 AI，它干的不仅比我快还比我好，只是我在这个事情中什么都没有学到。
思考
我不禁思考，我们这样的系统工科猪在未来何去何从呢？本科毕业的时候我常听到许多人熟练了某种技能，比如说 CPU uArch、NoC 甚至 PCI-E 协议本身，就可以因为这样人才的稀缺性拿到很高的薪水。但是现在，我们所掌握的知识已经完全失去了小众性，失去了未来因为这种特殊经历与 HR 议价的权利。同时，在任务压力下，从业者很有可能因为自己已经无法超过 AI 的速度，而不再是以前那样的自己工作越多经验越多，而是直接把这些事情 Offload 给 AI 然后研究自己更喜欢研究的事情，AI 跑了几个小时帮我们找到了功能 Bug 甚至性能 Bug 然后自己修复，我们就完成了目标。
自己的许多创新想法正是因为自己有了这种经验，脑子里才能把零散的知识联系起来，做出创新。而在 AI 时代，如果我们给 AI 的 Prompt 仅仅知识完成任务，AI 也仅仅不废话地给我们一个最终结果以及思考思路。而若没有对中间结果发散地思考、细看，进而迸发出新的科研 idea，我们的创新会不会在这个过程中消亡呢？
自救
也许，到了思考自救的时候。我个人觉得这样的大势本身已经不可避免，自然最好的办法是 live with it。也许正是人有了更多的时间，因此可以更高效地探索一个自己甚至所属组织先前不熟悉的方向，结合自己已有的专业知识的摩擦，更容易迸发出创造性 idea，而不是对着几个 percent 的现存量化指标在那不停内卷。
同时，我觉得这也许将迎来经济模式的重大变革。也许未来的社会对螺丝钉的需求将逐步降低，因为那些事情本质已经可以 Offload 给 AI，进而中高端的知识密集型就业市场大概率会受到很大的冲击。
但是，我们生而为人，我们能够理解自己的需求，我们能够以自己主观的判断评价事物。而 AI 带来的是所有事情的门槛降低，包括产品化的软件、影视、音乐、动漫、游戏，结合每个人都可以在 AI 的加持下获得专业知识，对自然科学领域的所有问题进行低成本咨询，并将可计算的问题在自己的计算机上生成一个数学模型进行研究，那么自己能够在生活中以人的主观感受发现问题，解决问题的创新很大概率会大开花，且更容易落在每个人头上。正如同自己现在看到开源项目自己使用中存在的不足就想去提一个 PR 一样。因此，我给自己定的初级目标是：更加关注自己主观感受中不足的细节，当遇到可改进的问题或者想做成科技/艺术创作时，尽快行动。
希望5-10年后再来看这篇博客，我会感谢当时那个周末没烧多少 Token，慢下来的思考。
source
(author: Yangyu Chen)
AI 提高了效率，喜欢打开黑盒的 hobbyist 怎么办
背景
我很幸运我是一个在很小的时候就找到了自己喜好的人——探索世界，打开一个个我曾经认为的黑盒子。
我也很幸运，从小学就会自己折腾计算机，翻看 Windows 的系统文件，自己学编程，组装电脑，硬件 Mod，折腾 Linux 桌面，甚至到最后学机器人参加比赛，以及玩 Arduino 单片机，这些事情给了我计算机以及程序逻辑的最早启蒙。
我同样很幸运，在高中的时候开始学 OI，最后拿到省一等奖参加自主招生，选了省一等奖可以满足前两个专业志愿的学校，再到后来继续参加 ICPC 比赛拿到 EC-Final 银牌，NSCSCC 比赛做出能跑 Linux 的五级流水双发射 CPU，再到后来当一生一芯助教，在学校给本科的 CPU 和 OS 课程实验做教学改革，在 PLCT 成为 GCC、Linux Kernel 等众多开源项目的贡献者，再到后来去到香山以及 Intel 实习。这些经历让我一直走在探索计算机底层的算法与基础软硬件的道路上，让我不停打开计算机的黑盒子，并成为一个自己能发现问题并改进现有软硬件架构的人。这些经历也许本来已经奠定了一生的方向。
可是最近看到的 Claude Opus 4.6 以及 GPT-5.4 的能力，却让我开始思考，不仅仅是 AI 的能力对从业者的影响，更是我们这样的 hobbyist 在未来应该怎么办。
AI 能力的发展
ChatGPT 出现的2022年底，恰好是我在学校当操作系统课程助教的期末改作业时间。由于是自己教改的实验自然对问题回答情况一清二楚，在那个时候，AI 针对这样很简单的问题还有相当严重的幻觉，大量的上下文错误（比如说非 x86 架构如何切换页表冒出来一个 CR3 寄存器的答案）。在那个时候我还尚且觉得， AI 距离走向实用还有一定的距离，但是对于 common sense 问题，它给出的回答结合自己去网上搜索的 validation 已经能够解答很多问题。
可是到了后来，事情越来越无法控制。我一直是一个 GitHub Copilot 使用者，4年来亲眼见证了：
● 2023年，它帮我写个 Verilog 连线都能写错，最后还是得自己写个小脚本，但是显而易见小函数的代码补全省了我很多的工作量。
● 2024年，Verilog 连线不是困难，大型开源软件还能帮我 Hint 出我不熟悉的 API，让我事半功倍。帮我改改论文更是不在话下。
● 2025年，它能帮我独立实现一个小的功能 Feature。
● 2026年，Claude Opus 4.6 开始，它可以对着我给的一个 Markdown 写出几千行代码，然后转一晚上完成测试。还可以自己打 CPU 性能计数器，打 CPU RTL 波形图，甚至反馈流程比我还快，还不用休息。
而我们自己去思考如何在一个大型项目插入想要的 feature，调试时打 stack dump，打印中间结果，抓 RTL 波形这些事情，最终对于我们这些 hobbyist 来说，每一次的经历不仅仅是工作本身，更是打开了我们所想要探索的黑盒子的过程，让我们了解更多，收获更多，自己的能力也随之提升。
而现在， AI 的出现让这些事情已经开始出现转机。甚至分析性能的 Agent 这样非常依赖经验和大量知识的事情都已经能够被 AI 取代。如果这个时候，出于目标导向来说，我把这样的活全部 Offload 给 AI，它干的不仅比我快还比我好，只是我在这个事情中什么都没有学到。
思考
我不禁思考，我们这样的系统工科猪在未来何去何从呢？本科毕业的时候我常听到许多人熟练了某种技能，比如说 CPU uArch、NoC 甚至 PCI-E 协议本身，就可以因为这样人才的稀缺性拿到很高的薪水。但是现在，我们所掌握的知识已经完全失去了小众性，失去了未来因为这种特殊经历与 HR 议价的权利。同时，在任务压力下，从业者很有可能因为自己已经无法超过 AI 的速度，而不再是以前那样的自己工作越多经验越多，而是直接把这些事情 Offload 给 AI 然后研究自己更喜欢研究的事情，AI 跑了几个小时帮我们找到了功能 Bug 甚至性能 Bug 然后自己修复，我们就完成了目标。
自己的许多创新想法正是因为自己有了这种经验，脑子里才能把零散的知识联系起来，做出创新。而在 AI 时代，如果我们给 AI 的 Prompt 仅仅知识完成任务，AI 也仅仅不废话地给我们一个最终结果以及思考思路。而若没有对中间结果发散地思考、细看，进而迸发出新的科研 idea，我们的创新会不会在这个过程中消亡呢？
自救
也许，到了思考自救的时候。我个人觉得这样的大势本身已经不可避免，自然最好的办法是 live with it。也许正是人有了更多的时间，因此可以更高效地探索一个自己甚至所属组织先前不熟悉的方向，结合自己已有的专业知识的摩擦，更容易迸发出创造性 idea，而不是对着几个 percent 的现存量化指标在那不停内卷。
同时，我觉得这也许将迎来经济模式的重大变革。也许未来的社会对螺丝钉的需求将逐步降低，因为那些事情本质已经可以 Offload 给 AI，进而中高端的知识密集型就业市场大概率会受到很大的冲击。
但是，我们生而为人，我们能够理解自己的需求，我们能够以自己主观的判断评价事物。而 AI 带来的是所有事情的门槛降低，包括产品化的软件、影视、音乐、动漫、游戏，结合每个人都可以在 AI 的加持下获得专业知识，对自然科学领域的所有问题进行低成本咨询，并将可计算的问题在自己的计算机上生成一个数学模型进行研究，那么自己能够在生活中以人的主观感受发现问题，解决问题的创新很大概率会大开花，且更容易落在每个人头上。正如同自己现在看到开源项目自己使用中存在的不足就想去提一个 PR 一样。因此，我给自己定的初级目标是：更加关注自己主观感受中不足的细节，当遇到可改进的问题或者想做成科技/艺术创作时，尽快行动。
希望5-10年后再来看这篇博客，我会感谢当时那个周末没烧多少 Token，慢下来的思考。
source
(author: Yangyu Chen)
