近期有观点认为AI能写代码前端程序员将失业。但蚂蚁集团终端技术委员会负责人翁欣旦提出前端并未被AI取代而是面临转型。技术复杂度从物理堆叠转向数字堆叠AI应用界面返祖式简化交互和架构需重新思考。网络和算力限制下终端开发者的价值凸显前端需掌握新技能理解新架构以应对AI时代的挑战。前端没死只是换了个姿势最近朋友圈被一句话刷屏“前端程序员要失业了AI 已经能写代码了。”这话听着挺吓人的。但如果你和我一样去听了蚂蚁集团终端技术委员会负责人翁欣旦在 SEE Conf 大会上的演讲你会发现一个完全不一样的答案——前端没被 AI 杀死终端且得狂飙。这话乍听反直觉但仔细琢磨一下醍醐灌顶。一、一张图看穿 25 年的变迁翁欣旦在台上放了一张图。图里并排放着三部手机2000 年的诺基亚 3310、2007 年的初代 iPhone、2026 年的 iPhone 17 Pro。视觉上最直观的感受是什么电路板越来越复杂。3310 那块主板可能只是 iPhone 17 Pro 里一个不起眼的小传感器。很多人以为 AI 是一场革命是对传统开发的降维打击。但当你把技术的后盖拆开盯着那些密密麻麻的线路你会发现——复杂度从未消失。它只是换了一种形式存在。从电路板的物理堆叠迁移到了由模型、接口、网络、算力共同构成的数字堆叠。这才是真正的现实。二、AI APP 看着简陋其实是在返祖你有没有这种感觉现在打开 ChatGPT、蚂蚁的 AQ、灵光这些 AI 应用界面都太简单了——一个输入框一行行对话流没有花哨的导航没有复杂的层级没有堆满屏幕的信息流。这不就是二十年前的 WAP 网页吗这不就是支付宝 1.0 那个朴素的样子吗移动互联网花了十几年雕花把 APP 装得像精装修的豪宅AI APP 一夜回到毛坯房。这是倒退吗翁欣旦的判断是我们正在经历两个技术上的轮回式返祖。第一个轮回交互的轮回计算机的历史是从 DOS命令行走向 GUI图形界面的历史。DOS 的黑底白字被 Windows 的窗口图标取代因为点击比输入指令更符合直觉。而现在的 AI似乎正试图把我们拉回 CUI 时代——用自然语言对话解决一切。但这真的高效吗翁欣旦在现场抛出了一个灵魂拷问——如果小手轻轻一点就能办妥的事用户为什么要打开一个 Agent跟它絮絮叨叨讲上一分钟Rabbit R1 和 AI Pin 的翻车已经给出了市场反馈。当用户必须对着一个没有屏幕或屏幕极小的设备说话又无法通过视觉反馈确认操作状态时沟通成本反而大幅上升。单纯依赖 CUI处理复杂任务效率极低。交互的未来注定不是 CUI 杀死 GUI而是两者的共生。更明确地说是让 GUI 负责高频、确定性的操作CUI 负责长尾、复杂的意图理解。现在 AI APP 之所以界面简陋恰恰是因为这种GUI CUI的深度融合范式尚未成熟。行业还在摸着石头过河。第二个轮回架构的轮回移动互联网爆发初期API 网关是个里程碑式的存在。为了应对海量请求、给业务留足灵活性开发者们曾热衷于把接口做得很宽。翁欣旦提了一个非常血淋淋的例子为了图省事很多核心业务逻辑被塞进了一个叫 “extend_info” 的字段里。当年这么做是为了把接口管好。但到了 AI 时代这笔技术债爆雷了。当你试图让大模型去理解、去调用这些接口时模型懵了——它读不懂那个黑盒一样的 “extend_info” 里到底藏了什么。就算把几百行相关代码喂给模型缺乏上下文的它依然无法理解其中的业务含义。以前做 API 网关是为了让程序跑通现在做架构是为了让大模型能看懂。为了实现这一点我们不得不重新定义接口把那些为灵活性而牺牲的语义补回来。这哪里是 AI 杀死了前端分明是 AI 逼着前端工程师把以前偷懒没做好的作业重新做一遍。三、终端不可替代网络和算力的硬限制还有一种流行的焦虑叫云端万能论既然大模型都在云端跑终端是不是只需要做个显示器就好这种想法忽略了两个最硬核的物理限制——网络和算力。想象一下你正跟 AI 聊得火热突然走进电梯或者经过一个信号盲区屏幕上的文字戛然而止那个流畅吐字的 Token 流断了。这一刻的体验是灾难性的。无论云端模型有多智能无论流式传输吹得有多神在物理网络缺失的那一秒一切归零。翁欣旦把网络和算力放进了一个三维坐标系来分析——从 X 轴的网络维度看通信技术的进步确实解放了交互模态从 GSM 时代的纯文本 WAP到 3G 时代的图片4G 时代的视频再到 5G 时代的 3D 和 XR。但物理世界的网络覆盖永远存在盲区。5G 再快也消灭不了信号死角。从 Y 轴的算力维度看终端设备正在经历一场悄无声息的服务器化。2007 年的初代 iPhone412MHz CPU、128MB 内存开发者听说这点资源恐怕连个像样的 Demo 都跑不起来。而 2026 年的 iPhone 17 Pro4.29GHz 多核 CPU、12GB 内存堪比一个随身携带的小型服务器。翁欣旦做了一个极具画面感的假设——如果我们在会场搞一个彩蛋让现场几百人同时拿出手机用 AI 生成特效。完全依赖云端推理的话这一瞬间的并发请求足以把后端推理算力打爆。连一个彩蛋特效都能打爆那云端永远承载不了亿级用户的实时 AI 互动。未来的 AI 体验一定是云侧训练 端侧推理的混合模式。云端负责这一代模型的智力上限而终端负责让这份智力随时随地、无延迟地服务于人。在这个架构下终端开发者的价值非但没有被稀释反而因为要承载模型推理、保障隐私安全、处理极端场景变得更加核心。四、不要急着丢掉手里的螺丝刀既然前端没死终端依然重要那程序员的焦虑到底来自哪里很多时候焦虑源于对新技术的误解。我们往往高估了技术的短期爆发力而低估了它的长期渗透力。翁欣旦讲了一个关于多点触控的故事。2007 年乔布斯在发布会上用两根手指放大一张照片全场惊呼 “Apple invented Multi-touch”。事实并非如此——早在 1970 年代多点触控的原型就已经在实验室里诞生1999 年 FingerWorks 公司就开始商业化这项技术。苹果 2005 年收购了这家公司又花了两年打磨才把它变成 iPhone 上那个改变世界的交互。从技术原型到产品爆发中间隔了整整 37 年。AI 亦是如此。Transformer 架构 2017 年才提出但神经网络的理论基础早在 1980 年就已经成熟。为什么当年没火因为那是局域网时代没有海量数据喂养。是互联网这 30 年积累的浩如烟海的文本、图片、视频数据才让 Transformer 在今天有了用武之地。技术本身可能早已就位缺的只是应用体验的临门一脚。这正是前端和终端程序员的机会所在。现在的 AI 技术就像一把刚铸好且性能强悍的锤子。但到底要钉什么钉子钉多深钉完之后是不是歪的这需要人来把控。翁欣旦有一句话让我印象特别深——不要因为 AI 来了就急着丢掉手里的螺丝刀。那些看似枯燥的工程能力——如何优化首屏加载时间如何处理内存泄漏如何在高并发下保证稳定性如何在复杂的手机碎片化环境中保证 UI 一致性——这些对抗熵增的经验才是 AI 无法替代的护城河。机器学不会的对体验的极致敏感度正是优秀前端工程师的价值所在。写在最后读完整场演讲我最大的感受是技术从来不是非黑即白的。它更像一个巨大的轮回——规模在放大节奏在加快体验在被不断刷新。但底层那些和复杂度作战的人永远不会被淘汰。AI 不会杀死前端。它只会把那些只画页面的前端淘汰掉。而那些愿意主动把螺丝刀捡起来去理解新架构、扛起新场景的前端依然是这个时代最稀缺的人。前端没死。它只是换了个姿势重新站了起来。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】