反H1B的这群MAGA从论据到论点都不靠谱，难怪musk会发飙

伯克利CS满GPA毕业生找不到工作，主要原因还是21~22年各公司对线上业务增长需求误判导致疯狂扩招，两年招人超过之前十年，Meta4万变8万，Google也接近翻倍，非常惊人

之后发现业务需求没那么大，就算裁员15%也还有大量冗余，没那么多业务增长

另外的主要原因，除了经济周期+高息环境，还有印度和欧洲的薪资更低的技术中心崛起，以及CS毕业生十年增长了三倍造成供给端过剩

-----------------------------------------------------

和大半年前写这篇引文的时候相比，伯克利CS毕业生找工作难度目前并没有任何好转，几个就业曲线仍然躺在地板上连动都不带动一下

我的感受是现在应该又多加了两个不利因素：

1.买GPU军备竞赛capex花销并不是之前预期的是短期一次性而是会持续

各家对LLM的潜力评估比一年前更好，capex持续增长，对招人预算是很大的压力，花钱招人不如花钱买GPU，这个趋势在2024全年非常明显，比如Meta在去年底今年年初的时候巨量吃进H100，招人名额砍的狠，到后面才开始分部门分业务priority慢慢恢复

2.各个科技公司都在战略上招更多LLM/AI skillset的人，因为这是唯一确定的增长点，AI部门headcount数量和包裹都给的非常慷慨(AI offer比一般offer高20~40%)，总招人预算增长不多的情况下，其他领域基本上会战略上收缩或者减缓扩张，凑headcount给AI部门，所以结构性部门调整的特征也很明显

今年互联网大厂新招的员工不多，据我的不完全统计10个里怕是6~7个跟LLM/AI项目组是相关的

半导体公司作为比互联网公司预算更紧张的领域，这个趋势今年非常明显，高通和AMD都是整体裁员3~4%，把有限的预算放进AI这样的确定性增长机会进行扩招

----------------------------------------------------
AI/LLM的辅助coding对程序员效率的提升会不会对当前大厂CS 就业有严重影响？

至少目前的情况下这不是主要因素

现在各个互联网大厂只要是跟genai相关的sde组都非常累，从上到下timeline压力非常大，肯定不会愿意开发速度减慢，如果有AI工具产生的效率提升，也不愿因此裁员

因为各个VP/SVP的压力都巨大，巴不得多要资源多要人减少项目上线的时间线risk，在这上面卡人卡资源风险太大

-----------------------------------
那么长期来看以后的CS就业会不会因为LLM效率提升而降低需求呢

大厂CS工作和startup/小项目在LLM的辅助提升效果上可能并不一样

大厂的业务项目复杂度和规模普遍来说要高几个数量级，稳定性鲁棒性严格，design review/CR流程严格，一口气提升巨大不现实。小型项目在快速试错，原型搭建上效率提升会非常显著，效率翻倍甚至翻数倍也是可能的

虽然大厂内部LLM工具链做的完整，但整体来说效率提升（和完全不用相比）并不高，太多的debug和coding都是业务逻辑相关

以我的感受，一般大厂高级程序员(L5/E5/SDE3为例)平均50%工作时间在coding上，coding部分能提升10~40%效率，一个熟练使用目前GPT/Claude工具链的大厂高级程序员来说，在现有熟练业务~15%整体效率提升是一个比较合理的估计(新业务新领域上手效率提升多一些)

至于某些公司宣称的啥“特定场景”提升55%效率，PR宣传而已，笑笑就好

LLM在closed domain上的效果要好得多，因为有明确的reward函数，这次的o3数学上惊艳在reward函数上也是有秘密的 但open ended question上，目前的这种reasoning模式效果要差很多

即便是software engineering这样看起来LLM已经进度巨大的部分，也有太多的open ended task，task在各个维度上直接和间接需求以及legacy都是什么，从各个其他team和上下level的resource，priority，dependencies，bottleneck都是什么，这些看似close loop的问题实际上是open ended的，每一个决策看似close loop，实际上在这个“看似封闭”的问题中往往暗含大量“开放式”不确定性，用close loop思维和open ended思维做出的结果差异是很明显的

人的介入，本质上就是把open ended questions简化成closed loop question，或者在出现open ended scenario的时候介入，把搜索空间收敛起来

agentic flow也就是在模拟把open ended question简化成closed domian的过程，随着算力的进步效果会慢慢变好，这个过程也会和人一起协同进化，但本质上是人把更高抽象层的开放问题简化分拆给AI

可预见的未来内，人+AI一定比AI要强，不管AI进化到何种程度

这一代的genAI/LLM效果有多好，完全取决于使用的人，因为需要依赖人把open ended task变成closed loop tasks，从这一点来说，和过去的自动化工具没有任何差别。LLM在可预见未来内对于大厂程序员的整体效率平均提升20~30%应该是没有什么问题的，LLM用的最熟练的程序员肯定远不止这个效率提升，但程序员们对genAI使用的平均水平还要再打折扣

所以说LLM在大厂规模化取代程序员，在可预见未来范围内不太现实，20% headcount扩张对于互联网公司长期平均来说就是两年的招聘扩张额度

这是开源节流中的节流部分影响(降本增效)，但开源可能才是影响就业更重要的因素

CS就业的好坏更本质上还是取决于创造的疆域(价值)，现在还处于llm实际应用没有深耕的初级阶段，等到了深耕阶段，需要海量相关开发人员scale up，在各个领域降低成本和创造价值，就像互联网革命里Google和Facebook在15年前还是小公司一样，需要的sde大量扩张都是业务开始scale up/深耕的阶段

疆域的拓展一般是指数型，也就是初期增量看起来很弱，像是存量表现，经过长时间累积增量才会显著

刻舟求剑的说，2000至2004年互联网企业都刚创立不久，不需要那么多sde（互联网的玩法摸索也花了二十年），所以sde也经历了寒冬，大家都在转行画电路板layout，sde的北美就业直到近十年之后的2013年才开始彻底爆发，会写bubble sort就有offer，到2022才戛然而止

点击图片查看原图