CULTIVATE | 智耕

2026年，隨著PTT熱議資工系「畢業即失業」，我們必須從計算機科學的第一原理（First Principles）來審視這一現象。這並非單純的市場恐慌，而是編譯器技術與生成式AI結合後的必然結果。當撰寫語法（Syntax）的邊際成本趨近於零，工程師的價值便不再是產出程式碼的速度，而是系統架構的設計能力、對底層硬體的理解，以及形式化驗證的能力。本文將深入剖析竹科主管點名的三類人才，其背後的技術護城河究竟為何。

摘要：隨機性與確定性的對撞

在2026年的今天，看著PTT上關於「資工系崩潰」的討論，我不禁想起編譯器發展史上的幾個轉折點。從組合語言到C語言，再到Python，每一層抽象層的提升都淘汰了那些拒絕理解底層邏輯的執行者。現在，Agentic AI 只是將抽象層再往上推了一級：從「指令式編程」轉向了「意圖導向編程」。

竹科主管所言非虛，但我們需要用更嚴謹的計算機科學術語來定義這場變革。所謂的「AI寫Code比你快」，本質上是大語言模型（LLM）作為一個巨型的機率狀態機，在常見的演算法模式匹配（Pattern Matching）上，達到了人類無法企及的吞吐量（Throughput）。然而，軟體工程的核心從來就不是吞吐量，而是正確性（Correctness）與可維護性（Maintainability）。

深入剖析：倖存者的技術護城河

若要探討哪三種人能保住年薪，我們必須分析AI目前的架構缺陷以及計算機系統的物理限制。

1. 分散式系統架構師 (The Distributed Systems Architect)

AI擅長生成局部的、封閉的函數（Function），但在處理跨服務的狀態一致性（Consistency）時往往力不從心。當你設計一個高併發的金融交易系統，你需要權衡 CAP 定理（Consistency, Availability, Partition tolerance）。

為何AI做不到： AI傾向於給出「語法正確」的代碼，但往往忽略了系統邊界條件（Race Conditions, Deadlocks）。決定何時使用強一致性（Strong Consistency），何時接受最終一致性（Eventual Consistency），需要對業務邏輯與系統延遲有深刻的理解。這不是程式碼生成的問題，這是系統拓撲的設計問題。

2. 硬體感知優化專家 (The Hardware-Sympathetic Engineer)

在摩爾定律趨緩的後半場，軟體效能的提升越來越依賴對硬體的極致榨取。這包括對 GPU 記憶體頻寬（HBM Bandwidth）、快取一致性（Cache Coherence）以及異構計算（Heterogeneous Computing）的理解。

技術關鍵： AI 可以寫出跑得動的矩陣乘法，但只有精通硬體架構的工程師知道如何調整記憶體佈局以減少 Cache Miss，或是如何利用 Tensor Cores 進行低精度計算優化。對於像 $TSM 或 $NVDA 這樣的公司，能深入到底層暫存器（Register）級別的工程師，是 AI 無法取代的稀缺資源。

3. 形式化驗證與安全性專才 (The Formal Verification & Security Specialist)

生成式 AI 本質上是隨機的（Stochastic）。在關鍵任務系統（Mission-Critical Systems）中，我們不能接受「大概率正確」。這類人才懂得使用形式化方法（Formal Methods）來數學證明程式碼的正確性，或者專精於對抗性攻擊（Adversarial Attacks）。