AMD CEO: 工程师的核心竞争力

AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

就在两年前，我可以用一句话描述一个"优秀的雇佣"：写整洁代码、懂算法、无需监督就能交付功能的人。这就是标准。

现在，那个标准已经消失了。

当我聆听苏姿丰博士在MIT 2026届毕业典礼上的演讲时，这场演讲 addresses了我一直在问自己的许多疑问和问题。

这位将AMD从濒临破产的边缘转变为万亿美元竞争对手的CEO，并没有描述励志的空话。她几乎逐行描述了行业现在迫切需要雇佣的特质，以及那些不再需要的特质。

1. 工程师的本能：你能分解无法解决的问题吗？

苏姿丰提到的最有价值的特质是她所说的 "工程师的本能"，这不是直觉。这是一种训练有素的反应，能够将看似不可能的问题分解成可以解决的部分。

这是应用于你自己认知的分而治之。你遇到障碍。你不会僵住，也不会假装知道答案。你隔离变量，直到未知的表面缩小到你可以实际攻击的范围，就像你会隔离两百个微服务中一个失败的服务，直到异常被孤立。

行业痛苦地学到的是，这种特质不会出现在简历上。它出现在当有人被扔进一个领域，用苏姿丰的话说，"完全不知道自己在做什么"，而他们保持冷静，因为他们信任自己在运行时找出答案的能力，而不是提前记住答案的能力。

重要的重新定义：→ 信心不是在开始前预先计算每个可能的状态。

→ 它是对动态解决能力的深深信任。

→ 面试官越来越深入地探究这一点，那些只在已经见过的问题上表现良好的候选人会被快速过滤掉。

当这种本能横向扩展时，它会复利。一个敏锐的头脑是有用的。一个能够将其分解框架转移到协调团队的敏锐头脑是一个力量倍增器，这是单线程进程和分布式架构之间的区别。公司不再雇佣解决者。他们雇佣那些让周围团队更擅长解决问题的人。

能力：

• 对阻碍者运行分而治之。 将看似无法解决的问题分解成你能命名的最小子组件，然后一个一个地解决它们，而不是盯着整个问题。
• 缩小未知的表面区域。 当你不知道自己在做什么时，隔离变量，就像你会隔离一个失败的微服务，直到你不理解的部分变得小而受控。
• 通过二分查找调试，而不是全局修复。 应用根本原因分析：反复将搜索空间减半，直到异常被孤立，而不是猜测性地进行大规模更改。
• 写下你的分解并交给团队。 本能只有在框架被共享时才能横向扩展，所以让你的分解对其他人可见，而不仅仅是你自己。
• 引入跨学科节点。 大多数难题跨越领域，所以刻意招募你缺乏的专业知识，而不是强迫单一领域的解决方案。
• 从消费者转变为创造者。 停止仅仅消费现有的API契约，开始创作新方法；高级跃迁是从理解领域到扩展领域。

2. 你是在真正构建，还是只在画图？

MIT的校训是Mens et Manus：心灵与手。苏姿丰的观点很直白：

理论架构在现实编译它之前是脆弱的，而现实是一个无情的编译器。

她谈到在洁净室制造半导体设备，然后把它们送到测试实验室，却发现它们的表现与理论承诺的完全不同。每个工程师都经历过类似的情况。你的本地开发环境不是生产环境。你的架构图是一个假设，不是一个系统。

行业在这里筛选的特质是愿意弄脏手并快速迭代，当第一次尝试失败时。那个在白板上设计漂亮系统但从未感受过"本地工作"的部署具体痛苦的候选人，现在是负担，而不是资产。

纯理论的危险：_ 完全在架构图中设计而不测试组件在暂存环境中，会保证在运行时失败。蓬勃发展的工程师是那些刻意将系统推向失败以找到边界的人，即混沌工程思维，而不是避免失败直到失败找到他们。_

能力：

• 用真实数据验证每一个理论假设。 在信任设计之前，将其放入测试实验室或暂存环境，并根据经验结果检查；第一次编译很少与模型匹配。
• 构建快速反馈循环。 当第一次或第五次实验失败时，不要停止，调整参数并部署下一次测试。像CI/CD管道一样对待想法。
• 在接触遗留状态之前映射爆炸半径。 任务关键型系统与精密晶圆具有相同的内在风险，因此在提交更改之前使用测试工具和仔细的状态管理。
• 故意注入故障。 借鉴混沌工程：刻意将系统推向其崩溃点，以映射弹性边界并验证你的恢复路径确实有效。
• 运行无责事后分析。 当某事失败时，回到日志分析、指标审查和客观假设生成，而不是分配责任。
• 通过与团队一起构建来学习，而不是通过阅读文档。 深度理解来自成为积极发现和交付某事的团队的一部分，而不是仅仅研究文档。

3. 奔向最困难的问题

苏姿丰的基础导师建议是三个字："奔向最困难的问题。" 不是作为动机。而是作为策略。

这是区分停滞不前的工程师和持续复利的工程师的特质。 困难的问题是你自己技术栈的压力测试。它们暴露瓶颈，迫使你重构心智模型，并教你真正的能力上限。安全、已解决的问题什么也教不了我们，更糟的是，它们让我们走上被淘汰的精确轨迹。

这里隐藏着一个工程师应该觉得解放的精英制度。编译器不在乎你多大年纪或在公司待了多久。它在乎代码是否编译以及想法是否高效。苏姿丰25岁加入IBM，因为输出是认真的，所以被信任做认真的工作。行业在最好的时候仍然这样运作：高价值输出胜过任期。

对于公司想要如何被领导的推论：最好的公司为有才华的团队 carve out一个受保护的沙箱，给他们"大思考的空间"，并 shield them from短期运营噪音足够长的时间来构建重要的东西。

值得保留的职业启发式：如果我们当前的工作从未让我们感觉自己不知道自己在做什么，我们可能过度关注安全而忽视成长。"梦想工作"几乎总是那个要求我们综合所学来解决存在性问题的工作。_

能力

• 将困难问题视为能力压力测试。 选择揭示你瓶颈并迫使你重构心智模型的工作；那是你找到真正能力上限的地方。
• 承担重要的前沿赌注。 即使失败风险很高，也选择具有不成比例回报的问题，因为教训和护城河会在很久之后复利。
• 对范式转变进行长期押注。 提前投资，就像AMD在HPC普及之前押注一样，而不是在流量达到崩溃点之后才扩展。
• 首先定义目标状态。 在执行转型之前，阐明"我们成长后想成为什么"；没有那个愿景，努力就会碎片化为技术债务。
• 按产出而非任期判断贡献。 工作不在乎你的年龄或资历，所以无论你在哪里都推动高价值想法，并以同样的方式评估他人。
• 如果你领导， carve out一个受保护的沙箱。 给有才华的团队大思考的空间，并 shield them from短期运营噪音足够长的时间来构建重要的东西。

4. AI时代：为什么判断力是新的溢价

这是对任何想知道AI是否让他们多余的人最重要的部分。

AI可以以任何实用脚本都无法做到的方式加速发现，压缩气候建模、医学、材料科学的数据合成。仅在医疗保健领域，它就可以作为编排层，将世界最好的专业知识带给单个患者，综合患者历史、全球研究和实时遥测数据，这是任何个体医生都无法在脑海中掌握的。

然而。苏姿丰精确地指出了机器停止的地方，每一行都是对人类现在被雇佣为了什么的描述：

• AI无法决定哪些问题值得解决。 它可以计算你指向的任何东西，但它没有赋予内在价值的能力。资源分配是人类的责任。
• AI无法在数据不存在时做出艰难判断。 它在缺少上下文的零样本环境中会退化。人类弥合不完整遥测和必须做出的决策之间的差距。
• AI无法对结果负责。 神经网络无法承担部署的道德或法律责任。人类拥有最终部署和随后的一切。
• 技术是中立的。 它不决定未来。使用它的人决定。

委托陷阱：_ 不要将架构责任或伦理判断卸载给语言模型。AI提供综合。工程师提供上下文、方向和最终运营判断。公司已经想通了，这就是为什么目的、判断力和勇气突然成为市场上最昂贵的特质。_

工作没有消失。它向上移动了技术栈。只执行的工程师现在直接与执行更快的模型竞争。决定什么重要以及为什么的工程师根本没有竞争对手。

5. 创造自己的运气

苏姿丰以那句总结一切的话结尾：最优秀的人找到创造自己运气的方法。 她几乎是字面意思地将其作为一个工程问题。

运气不是Math.random()。它是一个你可以优化的加权随机过程。你通过将自己部署到高方差、高回报的环境中来扩大意外发现的表面区域，即困难的问题，突破在结构上是可能的。安全、已解决的问题生活在低方差状态下，幸运的突破根本不可能发生。

审计我们自己的变量：如果我们在职业生涯中感到不走运，诚实地问：_

→ 我们是在承担真正的风险吗？ → 我们是在真正未解决的问题上工作吗？ → 我们是与提高你基线的人在一起吗？ → 如果其中任何一个是false，解决方案是重构你的环境，而不是等待骰子以不同的方式落地。

6、底线

如果你将苏姿丰的演讲解读为招聘规范，而它确实如此，那么情况很清楚。行业已经停止为产生正确代码的能力支付溢价，因为那部分正在被自动化。溢价已经完全转移到人类层面：

分解无法解决的问题的能力，用无情的现实验证理论的能力，奔向困难问题而不是远离它们的能力，提供任何模型都无法提供的判断力和责任感的能力，以及通过选择更困难的问题和更好的人来创造自己运气的能力。

模型定义了基准的上限。你定义了其中任何部分是否值得构建，它是否在与现实接触后存活，以及当它发布时谁负责。

原文链接：AMD CEO: What Industry is Looking For in Software and AI Engineers

汇智网翻译整理，转载请标明出处