Мы учимся десятилетиями, наращиваем "Coding Skills" до уровня машинного обучения и системного дизайна, а потом просто падаем вниз к иконкам ChatGPT и Claude

Мы учимся десятилетиями, наращиваем "Coding Skills" до уровня машинного обучения и системного дизайна, а потом просто падаем вниз к иконкам ChatGPT и Claude. Действительно ли в реальной работе нужно отличное знание алгоритмов, математики и структур данных, или всё сводится к гуглению и промптам для нейросетей?

Ответ, как и всё в реальной разработке, лежит не в крайностях, а в плоскости «зависит от контекста». Давайте разберем это рассуждение по частям.

1. Почему график падает: Иллюзия "всё свелось к нейросетям"

Мем не врет в одном: порог входа в базовую разработку действительно рухнул. Если 20 лет назад, чтобы сделать простой сайт, нужно было знать HTML, CSS, понимать, как работает HTTP, и писать скрипты вручную, то сейчас нейросеть сгенерирует вам работающий прототип за 10 секунд по текстовому описанию. В этом смысле "кодинг" (написание синтаксиса) действительно обесценивается.

— Зачем помнить точный синтаксис регулярного выражения, если Copilot его напишет?

— Зачем вручную верстать бутстрап-сетку, если AI сделает это идеально?

— Зачем гуглить, как перебрать массив в Python, если Gemini даст ответ мгновенно?

Для задач уровня "сделать кнопку", "распарсить JSON" или "написать простой CRUD", глубокие знания математики и алгоритмов не нужны. Нейросеть выступает в роли идеального гугла, который не просто дает ссылки, а сразу пишет код.

2. Почему график врет: Ловушка "Кнопки Easy"

Главная проблема этого графика в том, что он предполагает, будто падение необходимости писать код означает падение необходимости понимать, как он работает. В реальности всё наоборот. Когда нейросеть генерирует код, ответственность за него несет программист, а не нейросеть. И здесь начинается ад. Представьте, что AI сгенерировал вам функцию сортировки. Вы её вставили. Проект работает на тестовых данных из 10 записей. А потом в продакшене оказывается 10 миллионов записей, и всё падает с OutOfMemory или зависает намертво.

Человек, который знает алгоритмы и структуры данных, посмотрит на код и скажет: «Стоп, здесь O(n?), нам нужен O(n log n) или хеш-таблица». Он поймет, почему это не работает.

Человек, который "просто использует нейросети", будет сидеть и просить ChatGPT "исправь, пожалуйста, ошибку", получая всё новые и новые галлюцинации, потому что AI не видит контекста всей системы и не понимает, что именно является узким горлышком.

3. Где математика, геометрия и ML всё еще правят бал

Мем показывает пик навыков на "Machine Learning", а потом падение. Но это обман зрения.

Машинное обучение (ML): Нейросети (ChatGPT, Gemini) — это инструменты. Чтобы применять их, вам не нужно знать матанализ. Но чтобы создавать новые модели, тонко настраивать их, бороться с переобучением или дрейфом данных, вам нужна серьезная математика (линейная алгебра, теория вероятностей, матанализ). Без этого вы просто пользователь чужой магии.

Геометрия и математика: Если вы пишете игры, системы компьютерного зрения, занимаетесь картами, беспилотниками или даже сложной аналитикой данных — геометрия и линейная алгебра никуда не делись. Нейросеть не сможет "погуглить" за вас задачу поворота матрицы в 4D-пространстве, если вы не понимаете, что именно хотите получить.

Алгоритмы и структуры данных: Это фундамент. Нейросеть может написать код, но выбрать правильную архитектуру для высоконагруженного сервиса — это задача человека. Выбор между очередью, стеком, графом или деревом — это то, что AI делает плохо, потому что он не видит бизнес-требований целиком.

4. Синдром "Калькулятора"

Вспомните школу. Когда появились калькуляторы, многие думали, что математика больше не нужна. Но мы не перестали учить математику. Мы просто перестали тратить время на арифметические действия в столбик, чтобы сосредоточиться на более сложных концепциях. С нейросетями то же самое. Мы не перестаем быть программистами. Мы перестаем быть "переводчиками с человеческого на язык синтаксиса".

Современный программист — это не тот, кто пишет код, а тот, кто управляет сложностью.

Что реально нужно? Гугление и нейросети заменяют память, но не заменяют мышление.

1. Синтаксис и рутина: Забудьте. Нейросети делают это лучше и быстрее. Не тратьте время на зазубривание API.

2. Алгоритмы и структуры данных: Нужны не для того, чтобы писать их с нуля, а чтобы читать чужой код, оценивать сложность решений AI и выбирать правильный инструмент. Это ваша "чуйка" на баги.

3. Математика: Нужна для специализированных областей (графика, ML, криптография, финтех). В обычном вебе она нужна редко, но если нужна — нейросеть не спасет, она сама запутается в формулах.

4. Системный дизайн: Это высший пилотаж. AI пока не умеет проектировать распределенные системы, учитывая требования бизнеса, бюджет и сроки. Здесь правят люди с опытом.

Картинка права в том, что нам больше не нужно быть "ходячими энциклопедиями кода". Но она опасно неправа, если вы думаете, что можно просто скатиться к иконкам GenAI и ничего не понимать.

Нейросеть — это экскаватор. Вы можете выкопать яму, не зная, как устроен двигатель. Но если вы не знаете, где копать, и что делать, если экскаватор застрял в скале, вы просто выкопаете себе могилу.

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: