人类第一次提前算了一遍 90 亿种 DNA 变化。 Google DeepMind 刚刚发布 AlphaGenome Atlas，预测了人类基因组中约 90 亿种可能的单字母变化。整个数据集达到 1PB，是 AlphaFold 数据库的 30 多倍。 简单说，人类 DNA 里的任何一个字母发生变化，它都能先给出一个判断：可能影响什么，会不会干扰基因表达、RNA 剪接或蛋白质功能。 过去研究罕见病，往往要在成千上万个变异中逐一排查。现在可以先让 AI 把最可疑的几个排到前面，再拿去做实验。一项合作研究中，它已经找出了此前被忽略的致病变异，随后得到实验验证。 当然，这不代表 90 亿种突变都真的做过实验。它更像是一张预测地图，还不是最终答案。 但这张地图还是很有用。生命科学里，很多时候最费钱并非验证答案，而是根本不知道该验证什么。 AlphaGenome Atlas 先帮忙筛了一遍 90 亿种可能性，让那些原本可能永远没人注意到的变异，第一次进入实验名单。 AI 对科研最实际的价值，可能就是把大海捞针，变成照着地图找针。

AI Coding 最危险的阶它写得太快了，快到人开始不知道自己到底写了什么。 最近一次周会上，我们聊到一个很有意思的变化。 以前研发开站会，一个人通常能很具体地说清楚：昨天完成了哪个功能，今天准备实现哪段逻辑，明天要联调什么。 一个需求如果要做五天，也会自然地被拆成五个阶段。每一天都有一个明确的结果，Leader 能听懂进度，开发自己也知道代码正在往哪里走。 但接入 AI Coding 以后，事情开始变得不一样。 有些人拿到需求，第一反应已经不是先把目标拆清楚，而是把整份需求直接丢给 AI。AI 很快就能生成一大堆代码，原本预计五天的开发，可能第一天看起来就“做完了”。 问题来了，接下来的四天并没有因此消失。有时候会远远超过四天。 它们只是换了一种形式出现：不断改 Bug、反复联调、修好一个地方又弄坏另一个地方。 更麻烦的是，开发者自己也很难准确回答： 这次到底改了什么？ 哪些功能真的完成了？ 哪些只是页面看起来能跑？ 这段修改影响了哪些旧逻辑？ 于是出现了一个很反常的现象，代码生成速度越来越快，团队对开发过程的理解反而越来越模糊。 测试也被拖进了这个黑盒。 原本测试应该做的是验收需求是否实现，功能是否符合预期，质量能否达到上线标准。 现在却经常变成陪着开发一起找答案，为什么修完新问题，旧功能又坏了？ 表面看，AI 把“写代码”这一步大幅提速了；但如果需求没有被拆解，阶段结果没有被定义，变更也不可追溯，那么被省掉的开发时间，最后很可能会以 Bug、返工和沟通成本的形式重新付回来。 AI Coding 带来的核心变化让软件工程里原有的反馈机制被打乱了。 过去，代码写得慢，反而逼着人一步步思考：我要做什么、先做什么、怎样验证。 现在，AI 可以一次吐出大量结果，人很容易产生一种“已经完成”的错觉。但生成完成，不等于功能完成；功能能跑，也不等于工程完成。 AI 越快，人越需要主动制造检查点。 下一代研发流程真正要解决的，可能不是如何让 AI 再快 20%，重点应该放在如何让每一步结果都能被人理解、验证和追溯。 AI Coding 的终局也不应该是人把需求扔进去，然后等结果出来。 那不是软件工程自动化，只是把原来的黑盒换成了一个速度更快的黑盒。 真正成熟的 AI 研发体系，应该让 AI 负责加速，让人始终保有理解、判断和验收的权力。 所以 AI Coding 的上半场比的是谁生成代码更快；下半场比的会是谁能在这种速度下，仍然保持工程过程清晰、质量可控。 模型能力最终会逐渐趋同，但谁先建立一套适合 AI 时代的研发机制，谁才真正拿到了 AI Coding 的红利，而不是得到一堆写得更快的 Bug。 以上。

佛家有本寓言集《百喻经》，里面有个中国人耳熟能详的故事《欲食半饼喻》，讲的是： 有个人肚子饿了，到饼店去买煎饼来吃。他一连吃了六个，觉得还是不饱。 就再买第七个，刚吃了半个，就觉得很饱了。 他心中很懊恼，用手打着嘴巴说：“我是这样的愚痴不知节约，早知道后头的半个煎饼可以吃饱，那么，我只要买这半个煎饼就是了，前头六个煎饼不是多吃了吗？” 可悲的是：我们大多数人都是故事里的人。

对个人，是隐私。 这两年越来越多人在搭自己的私有化 AI 助理，想用它管钱、管健康。可那些最私密的数据，大多躺在发票、账单、体检报告的 PDF 和照片里，要让 AI 接手，第一步得先把图读成字。这一步能在本地做完、数据不出门，才谈得上真正的私有化。 对公司，是成本。 尤其面向 C 端、要给海量用户读图的产品，过去 OCR 大多挂在云端，接入的人越多、图越多，账单越厚。现在把识别前置到端侧、甚至用户的浏览器里，省掉的是一笔笔云端调用费、一张张 GPU 账单和高并发的压力。那条一路往上涨的成本曲线，被摁住了。 PP-OCR 这一套，如今也是文心大模型多模态能力的重要组成部分，给文心的视觉理解垫了块底。 所以回到开头那个问题。 OCR 的未来，不一定是越来越大的 VLM。把一件确定的事做到极致的小模型，再让它跑在离数据最近的地方，才是真正缺的那块。大模型负责想，可想之前，总得先把眼前这张图看清楚，还最好别把它传出去。

我把刚开源的 PP-OCRv6 考了一遍，34.5M 居然跑赢了 235B。 这两年大模型越做越大，好像连读张图上的字，都得丢给一个几百 B 的多模态大模型。可我一直有个疑问，OCR 这件最朴素的事，未来真得越做越大吗。 百度上周开源的 PP-OCRv6 给了个反过来的答案。它一次出了三档，按官方定位，Tiny 只有 1.5M，给浏览器和端侧用；Small 7.7M，对手机和桌面；Medium 34.5M，对服务器，也是三档里最准的一档。三档都认五十种语言，tiny 是四十九种。我挑了最准的 Medium，装进自己 Mac，纯 CPU 跑了一遍。 先说结论，这么小的模型，日常这些图读得又准又稳。 一张洇着红污渍的旧登机牌，航班、姓名、长票号一字不差；手机截图里的状态栏、搜索框、一长串地名也都挑了出来；印刷的课本表格更不在话下，规整的手写它也能认对。真正难倒它的，只有那种连我肉眼都认不全的连笔草书。毕竟它是老老实实读字的，不替你瞎猜。

Google 每次都是想象力满分，产品力拉跨。就看看隔壁 Claude 和 Codex，抄都不屑于抄。 这一点倒是跟我很像😂 不管怎么样，还是再期待一次吧，毕竟之前也做过几个惊艳的产品。

关于软件工程和编码，在 @dotey 宝玉老师的观点基础上做个扩展。 软件工程还在，但编程这件事的价值，确实在往下走。 很多人，尤其是外行，会下意识把两件事绑死： 工程能力 = 手写代码能力，这个我之前团队的算法工程师就是这个根深蒂固的观点。 好像只要 AI 会写代码了，核心竞争力就会消失，软件工程就要完蛋。 但这两年最大的变化其实恰恰相反，这两件事正在快速脱钩。 工程的核心从来不是写， 工程真正解决的问题宝玉老师说的很清楚：把一个模糊不确定和混乱的目标，拆解成一条可以执行的路径，再组织人和资源，稳定交付结果。 特别是需求怎么定义、系统边界怎么划、架构怎么设计、质量怎么保证、团队怎么协作、项目怎么推进、系统怎么长期演进，这些东西，涵盖了从业务、产品、运营、开发、测试到运维几乎所有的团队，这才是工程的含量。 代码，只是其中一种实现介质，就像螺丝刀、焊枪和脚手架，只是工具。 不得不提到我刚学编程那会儿，还挺原教旨主义的。 老师是强制不准用 IDE 的。 只能在记事本里手敲。 理由很简单： “这样你才能真正理解代码。” 当时觉得这是基本功，是硬实力，是程序员的尊严。 现在回头看，那感觉有点像什么？ 真的像当年练五笔输入法，手写 Makefile。 不能说没用。 但很难说，这些东西今天还构成竞争力。 时代已经换了一套生产方式，同样的事发生在了编程上而已。 今天 AI 已经能自己写 CRUD、搭脚手架、重构函数、补测试、查 bug， 以前一个工程师一天的工作，除了沟通和方案设计外，其他时间都是在做这种体力劳动。 现在这些体力劳动开始被模型接管了。 真正稀缺的能力开始往上游迁移。 问题怎么定义、系统边界怎么切、技术债什么时候还等等等等。 这些决定成败的事情，AI 暂时还帮不了太多，但这些才是工程。 写代码这件事，越来越接近一种表达方式，就像打字。 当年会不会五笔，直接决定生产力。 后来拼音 + 自动联想，甚至语音输入出来之后。 打字还重要吗？ 重要。 但没人再把它当壁垒。 大家默认都会。 编程很可能正在走同一条路。变成一种基础素养。 人人都会一点，但不再构成稀缺能力。 再说另一个极端的例子，我觉得很多人没想明白。 大家老爱盯着 AI 的问题。 说它：不稳定有幻觉，代码质量一般、有时候还会写错 然后得出一个结论： “你看，它还不行。” 但这里其实混淆了两件完全不同的事： “能不能干” 和 “能不能干好”。 这是两个阶段。 难度也完全不在一个量级。 从不能干 → 能干，是质变。 等于发明蒸汽机。 从干得一般 → 干得很好，是工程优化。 只是时间问题。 写代码这件事，其实已经跨过第一条线了。 两年前，它只能生成 demo 玩具，Copilot 最初也就只能生成片段。 现在，它已经能独立写新项目和改老项目了。 你可以嫌它偶尔犯傻，但能不能把活干完，答案已经是能。 一旦跨过这条线，后面的提升只是时间函数。 模型几个月一代，工具链个月一代， 它只会越来越稳，不会退回去。 所以很多争论，在我看来有点像什么感觉？ 像 1905 年有人说： “汽车老坏，还不如马车靠谱。” 如果只看当下体验，你永远会得出错误判断。 技术判断要看的从来不是现在顺不顺手，而是方向是不是不可逆。 编程 AI 化方向已经非常清晰了，不管你干不干，时代就会推着你往前走。 未来最不值钱的就是能敲多少行代码，最值钱的大概率是能不能设计出一个系统，让机器替你写。 就编码这项基本技能而言，已经变成下一代的打字。 人人都会，但已经不稀缺了。 所以我的结论很清晰：软件工程不会消失，反而会更重要。但手写代码这件事的溢价一定会持续下降。 能不能从亲自干活的人，变成设计系统的人。 这才是工程真正的升级。 不过聊到这里，其实还有一个更现实的问题。 什么时候需要工程？什么时候只是开发？这中间是有一条线的。 不是所有项目都需要软件工程，很多人一上来就谈架构、谈流程、谈治理。 其实有点过度设计。 如果只是：一个人花两三天的时间做个工具、跑个 demo。 说实话，这就是开发，甚至就是写代码，用 AI 狠狠干就行。 快，比什么都重要，这个阶段谈工程，纯属浪费生命。 工程真正出现的时刻，通常只有几种情况： 当复杂度开始失控的时候。 比如：人多了、时间长了、需求开始反复变、系统要长期维护、要稳定性和 SLA、要合规和安全、要多人协作、要交接和可持续。 这时候就会突然发现一件事：代码本身已经不是最大的问题。 真正难的是： 在这么大规模的写作下怎么不乱。 这个时候一个技术团队的leader 或者架构师就会开始关心： 怎么拆模块、怎么定边界和怎么避免耦合，然后开始思考 怎么让新人一周上手、怎么快速回滚、怎么定位线上事故 怎么让十个人同时改代码还不互相踩， 这些东西，全是工程问题。 几乎都和会不会写代码关系不大。 我自己有个很土但很实用的判断标准： 如果这个项目活不过三个月，只有你一个人维护，然后挂了也没啥损失，那就不谈工程，狠狠干就完事。 但如果要活三年以上，三个人以上协作，挂一次公司就要挨骂，甚至影响收入和用户，那工程就是刚需。 不做工程，迟早还债，而且是带利息的那种。 不信你问问身边在公司内部 AICoding 的人，交流后就会发现一个挺有意思的现象： AI 把写代码变简单了，反而会让更多人更早撞上工程复杂度这堵墙。 因为 demo 做得太快了。规模扩张更快。混乱也更快。 最后倒逼着必须工程。 所以我现在的理解是： 编码是入场券，开发是起步阶段，工程是规模化之后的必修课。 三者不是一回事，只是过去我们习惯把它们混着叫而已。