上一篇讲了个体层面的心理调适。这篇讲宏观层面的结构性变化：程序员群体正在分化为两层，中间层正在被压缩。
这不是预测。数据已经出现了。
一、技能溢价的 U 型曲线
劳动经济学有一个反复被验证的规律：自动化技术引入后，技能溢价（skill premium）会呈现 U 型分布。
高技能溢价
│ .
│ . .
│ . .
│ . .
│ . .
│ . .
│ . . . . .
│. .
└──────────────────────
低技能 高技能中间技能的溢价被压缩。低技能和高技能的溢价相对维持或增加。
对应到程序员群体：
| 层级 | 典型工作 | AI 影响 |
|---|---|---|
| 初级 (Level 0-1) | 前端页面、CRUD API、配置修改 | 被 AI 大幅加速 -> 需要更少的人 |
| 中级 (Level 2-3) | 功能模块开发、代码审查、技术选型 | 核心工作被 AI 部分替代 -> 溢价下降 |
| 高级 (Level 4-5) | 系统架构、性能优化、技术决策 | AI 是加速器 -> 溢价上升 |
中间层的压缩不是”中级程序员失业”——而是”中级程序员的市场价格下降”。一个中级工程师用 AI 能完成以前两个中级工程师的工作量，所以企业需要更少的中级工程师，或者给同样的工作量付更少的钱。
二、已经出现的信号
招聘数据
多个信号指向同一方向：
- Indeed 2024 年报告显示软件开发岗位发布量同比下降约 30%，但 Staff/Principal 级别和 ML Infra 方向的岗位基本持平
- Stack Overflow 2024 开发者调查中，76% 的开发者表示正在使用或计划使用 AI 编码工具——但只有 43% 表示”信任 AI 输出的正确性”
- “AI/ML Engineer” 的岗位增长显著快于传统全栈方向，而且要求的背景越来越偏向系统编程 + 数学
工资趋势
Levels.fyi 2024 年度报告和美国劳工统计局 BLS OES 数据 显示的趋势：
- 初级岗位（L3/Junior）的中位薪资近两年基本持平或微降
- Staff+ 和 ML Infra 方向的中位薪资持续上升
- 总体薪资分布的方差在加大——头部和底部的差距拉开了
精确的百分比每个来源不同，但方向一致：中间层被压缩、上层溢价上升。U 型曲线的早期信号。
代码生成工具的使用分布
GitHub 官方博客 (2024) 和 Google 的 AI-assisted coding 研究 (2024) 都报告了类似的模式——AI 辅助编码的效果因任务类型差异巨大：
| 任务类型 | AI 辅助的有效程度 |
|---|---|
| 测试代码 / boilerplate | 高（接受率 40-55%） |
| 业务逻辑（CRUD） | 中高（30-40%） |
| 算法实现 | 中（20-30%） |
| 系统级代码（并发/内核） | 低（5-15%） |
| 架构设计 | N/A（AI 不直接输出） |
AI 在系统级代码上的有效率最低。这和我们的实验数据一致——并发代码的生产可用率只有个位数。这意味着写系统级代码的工程师受 AI 的冲击最小。
三、两层结构
正在形成的新结构：
上层：系统思考者 (System Thinker)
- 设计架构和约束
- 做技术决策（用什么不用什么）
- 定义 AI 应该写什么代码
- 审查 AI 生成代码的正确性
- 调试 AI 无法定位的 bug
- 性能优化和系统调优
这些能力的共同特征：需要上一篇讲的 Level 4-5 chunking，需要 System 2 推理，需要在矛盾约束中做权衡。
下层：AI 辅助实现者 (AI-Augmented Implementer)
- 使用 AI 快速实现已定义的功能
- 按规范写测试
- 做 bug fix（已定位的）
- 维护现有代码
这些工作没有消失——反而产出更高了（AI 辅助下效率提升 2-5 倍）。但因为门槛降低，供给增加，价格下降。
消失的中间层：
- “能独立完成功能模块，但不做架构决策”的工程师
- 这层的工作在 AI 出现前需要 3-5 年经验。AI 把门槛降到了 1-2 年。
- 结果：3-5 年经验的工程师不再比 1-2 年 + AI 的组合更有优势。
四、这个模型不适用的地方
上面画了一个简洁的两层结构。现实更脏。
创业公司不分层。 在 5 个人的 startup 里，每个人都是全栈。系统思考者也要自己写 CRUD，AI 辅助实现者也要做架构决策。两层结构是大公司的奢侈品。
有些”中间层”工作天然抗 AI。 不是所有中级工作都是 CRUD。金融合规系统、医疗器械软件、航空电子——这些领域的中间层需要领域知识 + 安全意识，AI 覆盖不了。
地域差异巨大。 美国科技公司的分化最剧烈，因为 AI 工具的渗透率最高。传统制造业的嵌入式团队、日本的 SI 行业、国内的政企项目——这些环境里 AI 的影响至少滞后 3-5 年。
行业维度上也不均匀：
受冲击大的：Web 应用开发（CRUD 密度最高）、企业内部工具开发（需求明确、创新度低）、外包/离岸开发（标准化程度高）。
受冲击小的：基础设施和系统编程（AI 接受率最低）、安全工程（需要对抗性思维）、硬件相关开发（嵌入式、驱动、FPGA）、前沿研究（ML infra、分布式系统、编译器）。
两层模型是一个方向性判断，不是精确预言。但方向足够明确：中间层被压缩这个趋势不会逆转。
五、怎么应对
不是要给建议——每个人的情况不同。但数据指向几个方向：
如果你在中间层：
选择一：向上走。投资 System 2 能力——系统设计、性能分析、形式化推理。不是一年能完成的，但方向明确。
选择二：专精 AI 无能区。这个博客覆盖的领域——内存屏障、无锁数据结构、io_uring、eBPF——正好是 AI 接受率最低的领域。不是因为这些领域”高大上”，而是因为它们需要理解硬件行为和全局不变量，AI 做不到。
选择三：换赛道。AI 本身的基础设施需要大量系统编程能力。推理引擎的性能优化、模型服务的 GPU 调度、分布式训练的通信库——这些是系统编程和 AI 的交叉点。
如果你在上层：
AI 是你的杠杆。你设计系统，AI 帮你实现。产出乘以 3-5 倍。你的市场价格在上升。
如果你在下层：
效率提升了，但竞争也加剧了。保持学习，但不要指望用同样的工作内容获得更高的薪酬——市场在重新定价。
延伸阅读：
- 你的大脑正在发生什么 – 理解分化的认知基础
- 程序员的身份危机 – 个体如何应对这个变化
- AI 生成的”高性能”代码到底有多快 – 为什么系统编程是 AI 的盲区
参考资料：
- Autor, D. (2015). Why Are There Still So Many Jobs? JEP.
- Acemoglu, D. & Restrepo, P. (2019). Automation and New Tasks. JEP.
- Eloundou, T. et al. (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of LLMs. arXiv.
- GitHub. (2024). Research: Quantifying GitHub Copilot’s impact in the enterprise.
- Levels.fyi. (2024). 2024 End of Year Pay Report.
数据和引用截至 2025-02。