十倍工程师（10x Engineer）指代那些被认为效率远超普通工程师的程序员。这个话题总是引发强烈的情绪反应，因为它触及了一些深层次的观念：是否真的存在天赋高低的差异？这种差异是与生俱来的还是可以改变的？如果确实存在，我们应该如何对待这些不同的人？因此，是科技领域备受争议的概念：
支持者认为，认为10倍工程师的存在是不言自明的事实，，其技术能力在解决复杂问题时表现尤为突出。例如，LeetCode竞赛中顶尖选手的效率可比普通开发者高出数十倍。否认这一点要么是被某种意识形态蒙蔽，要么就是不愿意承认自己技不如人。
反对者则认为“10倍工程师”是个虚构的概念，充满刻板印象，甚至认为比起纯粹的编码能力，文档写作、指导新人以及团队协作才更重要。例如，Mozilla工程师Mike Conley讽刺其“头上长网线”，批评其忽视团队协作和可持续性。
近日，在AI的影响下，这一概念又被重提。故本文将就“十倍工程师”展开讨论。
定义与起源
“十倍工程师”最早由印度投资人Shekhar Kirani在推特上提出，他认为这类工程师能以一当十，显著提升创业公司的成功率。其核心观点基于早期研究，发现某些开发者的效率可达他人10倍。
最早发现程序员生产力巨大差异的研究是在20世纪60年代末，由Sackman、Erikson和Grant（1968）进行的。他们研究了平均具有7年经验的职业程序员，发现最优秀和最差的程序员之间的初始编码时间比约为20:1，调试时间比超过25:1，程序大小比为5:1，程序执行速度比约为10:1。同时他们没有发现程序员的经验年限与代码质量或生产力之间存在明显的关系。这一研究本身也有一些需要澄清和注意：
1.“10倍”指的是最佳与最差工程师之间的差距，而不是最佳与平均水平的差距。另外，“10倍”也只是一个平均值，实际上，不同研究得到的生产力差距范围大致在 5 倍到 25 倍 之间。因此，“10x”只是一个便于记忆的粗略概念，代表着生产力差异的数量级。
2.Sackman等人的研究方法存在一些缺陷，比如他们将使用低级编程语言的程序员和使用高级编程语言的程序员的数据混在一起进行分析，同时样本量也相对较小；部分生产力的衡量标准存疑，例如用“每日编写的代码行数”作为生产力指标（但也有更可靠的指标，比如任务完成时间）。尽管存在这些问题，研究仍然提供了大量证据，表明开发人员之间的生产力差异相当显著，而团队之间的差异也同样存在。
3.研究数据仅限于那些最终完成了任务的开发者，未纳入那些完全无法完成任务的人（有其他研究显示，这类人占比高达 10%）。此外，研究也无法衡量那些虽然完成了任务，但代码质量极差、难以维护甚至影响产品稳定性的开发者的影响。换句话说，现实世界中的生产力差距可能比研究数据体现的更大。
4.研究没有探讨生产力差距的原因，研究数据本身并未回答一些关键问题，例如：个人的生产力是否是固定的，还是会随着时间变化？工作环境对生产力的影响有多大？生产力是否受项目、团队、公司文化等因素影响？生产力可以通过训练提高吗？同时，研究发现“开发者的经验与生产力之间没有相关性”，但这并不意味着生产力不会随着时间提高，只是它不会自动随着经验增长而提高。
这种程度的个体差异不仅存在于软件开发领域。Norm Augustine在1979年的一项研究发现，在多个职业领域（写作、橄榄球、发明、警务等），都存在排名前20%的人贡献了约50%的产出，无论这个产出是达阵、专利、破案数，还是软件开发。
AI对工作效率的影响
2023年9月15日，哈佛商学院、宾夕法尼亚大学沃顿商学院、华威商学院联合波士顿咨询集团，发表了一篇题为《Navigating the Jagged TechnologicalFrontier: Field Experimental Evidenceof the Effects of Al on KnowledgeWorker Productivity and Quality》的论文。研究团队对 758 名波士顿咨询的顾问使用 AI 的情况进行了分组的分析，要求咨询顾问们完成四类任务：
●创作力相关，如针对一个未得到充分服务的市场提出至少 10 个新鲜的想法；
●分析思维，如根据用户分析鞋类行业细分市场；
●写作能力，如为产品起草一份营销文案；
●说服力相关，如给员工写一份鼓舞人心的备忘录，详细说明为什么你的产品会超越竞争对手。
结果表明 AI 能够显著提高质量和生产效率，甚至可以使某些任务完全自动化。具体数据如下：
●效率方面：使用 AI 的顾问平均多完成 12.2%的任务，完成任务的速度提高了 25.1%；
●质量方面：使用 AI 的顾问完成任务的质量比没有使用 AI 的顾问高出 40%以上；
●能力方面：使用 AI 后，低绩效顾问绩效分数提高了43%，高绩效顾问提高了 17%。
图1. 调研对象的任务输出结果质量分布（蓝色为没有使用 AI ，绿色为使用 AI 的组，红色为专门培训过 AI 使用的对照组）
近期，著名机器学习学家，吴恩达，也发表自己对“10倍”能力的见解。吴恩达认为，随着越来越多的工作受到人工智能的支持，不只是“10倍工程师”，会有更多的“10倍市场营销人员”、“10倍招聘人员”或“10倍金融分析师”这样的“10倍专业人士”出现。
吴恩达表示，现在还没有更多的“10倍专业人士”，是因为在许多岗位上，优秀员工和普通员工之间的差距存在上限。比如：无论超市收银员有多么稳健，他们也不太可能通过提高结账速度让顾客比普通情况下快10倍离开商店。类似地，即使是最好的医生，也不太可能让病人比普通医生快10倍康复。在许多工作中，物理法则限制了任何人或人工智能的能力。但对于许多主要涉及应用知识或处理信息的工作，人工智能将具有变革性。在一些角色中，我已经开始看到一些技术精通的个人，利用一套技术工具进行不同的工作，开始产生（如果不是10倍的影响，那也）至少是2倍的影响。并且，吴恩达预计这一差距会不断扩大。
另外，10倍工程师并不是写代码写得比别人快10倍，而是他们在技术架构决策上做出了重大改进，导致下游影响显著提升；又亦或者，他们有效地发现问题并优先处理任务；而且他们可能不需要重写1万个代码行（或标注1万个训练样本），而是通过写100行代码（或收集100个样本）就完成了工作。吴恩达认为，10倍市场营销人员、招聘人员和分析师也会以类似的方式改变做事的方式。例如，传统的市场营销人员可能反复编写社交媒体帖子。10倍市场营销人员可能会利用AI来帮助写作，但这种转变将深入得多。如果他们在应用人工智能方面非常成熟——最好能够自己编写代码来测试创意、自动化任务或分析数据——他们可能会进行更多的实验，获得关于客户需求的更深刻洞察，并生成比传统市场营销人员更精确或个性化的信息，从而产生10倍的影响。同样，10倍招聘人员不仅仅会使用Gen AI来帮助编写邮件或总结面试内容。（这种基于提示的人工智能使用方式很快会成为许多知识型职位的基本要求。）他们可能会协调一套人工智能工具，快速高效地识别并进行大规模候选人研究，使他们能够产生远超普通招聘人员的影响。而10倍分析师不仅仅会使用生成性人工智能来编辑报告。他们可能会编写代码，协调一系列人工智能代理，深入研究产品、市场和公司，从而得出比传统方式研究更有价值的结论。
最后他也提及了上文所说的哈佛大学和波士顿咨询公司的研究，并指出这只是使用2023年技术的平均水平。以更成熟的方式使用人工智能所能获得的最大优势将远远大于此，随着技术的不断进步，这一差距只会越来越大。
争议与反思
很有趣的是，除了前文中提到 AI 帮助咨询顾问提高工作效率和工作质量之外。波士顿咨询团队还设计了一个有趣的任务，这项任务被确定只有人类会完成。实验结果显示，没有使用 AI 的受试者任务完成率约为 84.5%，而使用了 AI 的受试者只有 60~70%的时候能够完成任务。这意味着，我们还不能完全把一切交给 AI；或者根据论文引文中显示，AI 会让人失去思考能力，就像“完全睡着在驾驶舱”。
同时，在吴恩达发表言论的几天里，14岁出道的编程天才，资深码农Namanyay一篇题为《New Junior Developers Can’t Actually Code》的文章，展示他对AI工具在软件开发中的广泛应用的忧虑——AI正在让新一代开发者跳过基础知识的学习，沦为「复制粘贴（CV）工程师」。这篇博客在硅谷科技圈引发热议，短短几天内就获得了几十万人围观，马斯克、Deedy Das 等行业大佬也参与到了这场讨论之中。
“此时此刻，在某个地方，有人正在学习编程。他们可能永远不会体会到完全依靠自己解决问题的满足感，永远不会经历通过数小时与 bug 搏斗而获得的深刻理解。我们正在培养一代开发者，他们知道如何向 AI 提出正确的问题，但不理解答案的含义。每当 AI 服务中断时，他们就会暴露出越来越无助的一面。”
Namanyay指出编程能力的衰退是一个潜移默化的过程。首先是不再阅读技术文档，因为 AI 可以即时解释一切；然后是调试能力的下降，开发者们开始不假思索地复制粘贴错误信息；最终，深度理解能力受到影响，程序员们不再花时间去理解解决方案的原理，而是简单地实施 AI 的建议。“我变成了一个人形剪贴板，仅仅充当了代码和大语言模型之间的中介。”Namanyay如此形容这一现象。他对比新旧两个时代的学习方式，展现了这一现象的成因。在 AI 工具普及之前，程序员遇到编程难题时，需要首先在 Google 上搜索，然后在 Stack Overflow这样的技术社区中寻找类似问题的解答。这个过程虽然耗时，但程序员能从其他开发者的思考过程和详尽讨论中获得深层次的理解。然而现在的情况却大不相同。“新一代开发人员甚至可能都不知道 Stack Overflow 的存在。”他们只需将错误信息复制粘贴给 AI 助手，就能立即得到解决方案。有些人甚至觉得切换到浏览器标签页都很麻烦，而是选择使用集成了 AI 功能的编辑器，在一个界面内完成所有操作。这种即时反馈虽然便捷，但导致他们失去了通过深入思考和探索获得全面理解的机会。
“我的原始问题当然得到了彻底的回答，但他并没有就此止步。我学到了很多新的事实。有些我甚至不知道存在，还有一些我本来不想知道。但现在它们永远地刻在我的大脑里了。” Namanyay用自己 12 年前在 Stack Overflow 上提出的一个关于 JavaScript 中一元加号运算符的问题为例，展示了当时社区中开发者互助的深度。解答者不仅详细回答了问题本身，还扩展了大量相关知识点，帮助提问者建立起更完整的知识体系。
图丨 12 年前，Nathan Wall 给作者给出的回答（来源：Namanyay）
这种依赖甚至在改变程序员的情绪和学习体验。Namanyay观察到，以前解决新问题是编程过程中的一种乐趣，而现在如果 AI 无法在 5 分钟内给出解决方案，开发者就会感到沮丧。“我们不是在借助 AI 成为‘10x 开发者’，而是在变得对 AI 十倍依赖。这两者是有本质区别的。”他本人也在开发一款 AI 驱动的开发工具。正是这种双重身份，让他对当前的局势有着切身的思考。他在文章中坦言：“说实话，我无法摆脱一种感觉，那就是我可能正在助长侵蚀我们集体技能的问题。”所以他提出了一种平衡方案：“无 AI 日”。具体来说，就是每周选择一天完全依靠自己的能力编程：仔细阅读每一条错误信息，重新使用调试器，从零开始编写代码，通过阅读源代码而不是询问 AI 来理解问题。“老实说，这个过程确实很痛苦。我感觉自己变得更慢、更笨拙，也更容易感到挫败。但我也能看到区别：我与代码之间的联系更强了，对代码的主导权也在慢慢回来，这些在依赖 AI 的过程中都逐渐消失了。而且，我学到了更多东西。”
如何成为AI时代的‘十倍专业人士’
所谓”十倍专业人士“本质是对技术生产力的极致追求，结合吴恩达、Namanyay以及哈佛和波士顿咨询的说法，不难看出，在AI时代，想真正成为超级个体，并不容易，我认为，重要的是，不能依赖AI解决问题，而是借助AI培养10倍专业人士的特质，比如：
1.流程重构能力：通过AI自动化繁琐环节，聚焦创意与策略；
2.工具整合与协作：利用AI智能体系统提升团队整体效率；
3.解决模糊问题：综合技术与业务视角提出解决方案。
4.长期主义思维：关注技术债务与未来收益的平衡，而非短期任务完成。
5.非技术技能：提升沟通与文档能力，避免成为团队瓶颈。
尾语
"在硅谷，越来越多的AI原生团队正在重新发明工作流程，以截然不同的方式做事。我们一直推崇最优秀的工程师，因为他们能产生巨大的影响力。这激励了几代工程师不断学习和努力工作，因为这样做能增加从事高影响力工作的机会。随着AI在更多岗位上变得更加有用，我相信我们将为更多人打开成为“10倍专业人士”的道路。"
——吴恩达
写到最后，我又想起两个非常有意思的概念：半人马 VS 赛博人。这两个概念在前面提到的论文中，用来代指人类使用 AI 的方式：前者是“人”和“马”有完全独立的分工，将人和机器之间划清了明确的界限，就像神话中的半人半马有明确的人体躯干和马身之间的分界线一样。半人马有一种战略性的分工，可以在AI和人类任务之间切换，根据每个实体的优势和能力分配责任；后者则是人机完全协同，将机器和人深度整合在一起，没有分工。这两种方式哪个更好，始终没有定论，但是我想，对于一个真正的”十倍专业人士“一定是对AI有着最小的依赖程度。
