可以从“熵增”这个视角，把 AI 和工程师的未来看得很清楚。
先说一个核心结论：
AI 的出现，本质上是在局部对抗信息熵增。 它不是让世界变简单了，而是让人类第一次拥有了一个能大规模“压缩复杂度、整理混乱、加速形成结构”的工具。
但与此同时，AI 也会制造新的熵：信息更多、内容更泛滥、系统更复杂、选择更多、真假更难分。 所以未来不是“熵减少了”，而是：
低层熵被 AI 吸收，高层熵反而变大。
而工程师的价值，会从“搬运有序”转向“在更高层次持续建立秩序”。
1. 什么是“熵增”视角下的 AI
如果把社会、软件系统、知识生产都看成一个大系统，那么熵增意味着：
- 信息越来越多
- 依赖越来越复杂
- 系统越来越难理解
- 沟通成本越来越高
- 错误、噪音、重复劳动不断堆积
你会发现，现代软件工程本来就在和熵增对抗：
- 写文档，是对抗知识散失
- 写测试，是对抗行为失控
- 做架构，是对抗复杂度蔓延
- 做 CI/CD，是对抗流程混乱
- 做监控和日志，是对抗系统不可观测
- 做代码规范，是对抗团队协作中的混沌
所以工程，本质上一直都是一种**“局部降熵活动”**。
而 AI 的强大之处在于，它第一次把这种“降熵能力”自动化、规模化了：
- 能把零散信息总结成结构
- 能把模糊需求转成代码草稿
- 能把大量文档压缩成可理解内容
- 能把重复劳动批量吞掉
- 能作为“认知放大器”辅助人做判断
从这个意义上说，AI 像是一台通用型的认知降熵机。
2. 为什么 AI 会快速崛起
因为现代社会最缺的，不是数据，不是内容，甚至不是工具。
最缺的是“把混乱变成可执行结构”的能力。
过去的瓶颈是：
- 信息获取难
- 知识门槛高
- 生产工具掌握难
现在这些门槛在下降，但新的问题来了：
- 内容太多
- 方案太多
- 框架太多
- 文档太长
- 需求变来变去
- 工具链越来越碎
也就是说，我们从“信息稀缺”进入了“结构稀缺”。
AI 正好补在这里。
它最擅长的，不一定是创造真正的新东西，而是：
- 重组已有知识
- 生成中间方案
- 填平表达鸿沟
- 降低从想法到原型的摩擦
这就是为什么 AI 看起来像突然爆发，其实是整个社会复杂度积累到一定程度后，对“认知降熵工具”的强烈需求。
3. AI 会不会让工程师失业
从熵增视角看，AI 会消灭一部分“低层次降熵劳动”，但不会消灭“高层次建立秩序的人”。
更准确地说，它会重新切分工程师的价值结构。
会被削弱的部分
这些工作，本质上更像“规则明确、上下文有限、重复率高”的局部降熵：
- CRUD 搭建
- 样板代码编写
- 基础脚本生成
- 常规 bug 修复
- 文档整理
- 简单测试用例编写
- 常见方案拼装
这些事情 AI 很适合做，因为它本来就擅长模式复用和结构补全。
不会消失，反而更重要的部分
这些工作不是简单写代码，而是定义秩序、约束混乱、承担后果：
- 理解真实业务问题
- 在多目标之间做取舍
- 设计系统边界
- 判断什么复杂度值得引入
- 确保安全、稳定、成本、性能平衡
- 协调人和人、人和系统之间的关系
- 在不完整信息下做决策
AI 可以给你 10 个方案，但无法天然替你承担“选错了怎么办”的责任。 而工程师的高级价值，恰恰在这里。
所以不是“工程师消失”，而是：
纯执行型工程师会被压缩，结构型工程师会被放大。
4. 未来工程师的竞争，不再主要是“会不会写代码”
以后真正拉开差距的，可能是这几种能力。
第一种：定义问题
很多人以为工程师是在解决问题。 其实高级工程师更重要的是：把模糊混乱的问题定义清楚。
AI 很强，但前提是你给它的任务边界足够清晰。 问题定义得差，AI 只会更快地产生垃圾。
未来大量普通产出会被 AI 拉平，真正稀缺的是：
- 这件事到底要解决什么
- 约束条件是什么
- 成功标准是什么
- 哪些东西不该做
这是一种高阶降熵能力。
第二种：构建稳定系统
AI 擅长生成局部答案，不擅长天然保证全局长期稳定。
未来系统会更容易“做出来”，但更难“长期可靠地活着”。
所以工程师的重要性会更多体现在：
- 让系统能维护
- 让团队能协作
- 让产品能迭代
- 让故障可定位
- 让成本不失控
也就是从“生产代码的人”转向“维持秩序的人”。
第三种：判断和取舍
现实工程从来不是算法竞赛题。 现实里经常是：
- 做快一点还是做稳一点
- 省钱还是扩展性更好
- 体验更顺滑还是安全更严格
- 现在上线还是继续重构
AI 可以分析，但取舍是价值判断，不只是逻辑推导。 谁能在复杂局面下做更好的取舍，谁就更有价值。
第四种：与 AI 协作
未来不是“人 vs AI”，而是“会用 AI 的人 vs 不会用 AI 的人”。
但“会用”不是指会写几个 prompt， 而是能把 AI 放进自己的工程流程里：
- 让 AI 帮你出草稿，但你来定边界
- 让 AI 帮你扫盲区，但你来做验收
- 让 AI 帮你提速，但你不把责任外包给它
真正厉害的人，会把 AI 变成自己的认知外设。
5. AI 为什么也会让工程环境更“乱”
这是很多人容易忽略的。
AI 一边降熵，一边也在制造新的熵。
比如：
- 代码产出速度暴涨，垃圾代码也会暴涨
- 原型太容易做，半成品系统会越来越多
- 内容生成太容易，信息污染更严重
- 人人都能“先做出来”，但不一定能维护
- 技术方案更丰富，但决策更难
- 团队产能看似上升，实际一致性可能下降
所以未来很可能出现一种现象：
软件更多了，系统更碎了，文档更多了，可信度更低了。
这时候，工程师的作用不是简单“写”，而是：
- 过滤
- 约束
- 校验
- 收敛
- 标准化
- 让系统长期可控
也就是对抗 AI 带来的“二次熵增”。
6. 对个人工程师来说，未来最危险的状态是什么
不是不会 AI，而是长期停留在下面这种位置：
- 只会按需求写功能
- 只会调用框架 API
- 只会在别人定义好的边界里执行
- 不理解业务、不理解架构、不理解取舍
- 产出主要靠体力和时间堆
因为这类价值，最容易被 AI 吞掉。
真正更安全的方向，是让自己往这几层走：
- 更懂业务
- 更懂系统
- 更懂约束
- 更懂流程
- 更懂用户真实问题
- 更会组织 AI 和其他工具一起完成工作
未来不是“代码能力不重要”，而是单纯代码能力不再足够构成护城河。
7. 对工程师来说，应该怎样适应这个时代
可以把目标改成一句话：
从“代码生产者”升级成“复杂系统的秩序设计者”。
具体一点，就是练这几件事：
先学会把需求讲清楚
能把一个混乱想法拆成：
- 目标
- 约束
- 风险
- 优先级
- 验收标准
这件事会越来越值钱。
再学会审 AI 的结果
未来不是写得快，而是判断得准。
你要能看出：
- 方案哪里偷懒了
- 哪些边界没覆盖
- 哪些实现短期能跑，长期会炸
- 哪些代码看起来对，其实不可维护
再往上，学系统思维
把注意力从单文件、单函数，提升到：
- 模块边界
- 数据流
- 故障链路
- 可观测性
- 安全面
- 成本结构
- 团队协作摩擦
因为 AI 最容易补的是“点”，最难补的是“系统”。
8. 最后，用一句更大的话来总结
从熵增的角度看：
- 生命是在局部对抗熵增
- 文明是在更大尺度上建立秩序
- 工程是在复杂系统中持续压制混乱
- AI则是人类新获得的一种大规模认知降熵工具
但任何降熵都不是免费的。 AI 帮我们压低了底层劳动的熵，却把人类推向了更高层次的复杂度。
所以工程师的未来，不是没了，而是被往上推了：
从写代码的人，变成定义问题、组织知识、约束复杂度、为结果负责的人。
未来真正稀缺的，不是“能生成东西的人”， 而是能在生成泛滥的世界里，持续建立有效秩序的人。
这类人，反而会更值钱。