文章指出，尽管软件开发技术不断变革，但程序员始终是行业核心。作者以43年从业经历见证多次"程序员终结"的预言落空，强调开发者才是软件开发的未来关键。

软件开发的未来仍属于开发者

一位拥有43年编程经验的资深开发者回顾了技术发展史，指出每隔一段时间就会出现"程序员即将被淘汰"的预言。从早期的Visual Basic、Delphi，到后来的可执行UML、无代码/低代码平台，再到如今的大型语言模型(LLM)，这些技术都曾被鼓吹将取代程序员。但历史证明，这些预言从未实现，反而催生了更多软件和程序员，形成了1.5万亿美元规模的"杰文斯悖论"现象。

作者指出，编程的真正难点不在于代码编写本身，而在于将模糊、矛盾的人类思维转化为精确、无歧义的计算思维。这一核心挑战从打孔卡时代延续至今，即使在使用AI生成代码时依然存在。自然语言因其固有的模糊性，永远无法成为精确的编程工具。

当前AI编程助手与历史上的编译器有本质区别：相同的提示词几乎不可能生成完全相同的程序，且生成的代码必然需要专业开发者审查修正。许多公司已经发现，过度依赖AI生成的代码与系统故障率上升存在相关性。

作者认为，超大规模语言模型可能像"阿波罗登月计划"一样难以持续，因其训练成本过高。未来AI更可能以适度形式（如基于基础语言模型的Java编程助手）辅助原型开发或代码补全，但关键工作仍需要人类开发者完成。

文章最后建议企业趁早招聘开发者，并为团队提供专业技能培训，以应对即将到来的需求反弹。真正的软件开发效率提升之道，在于优化开发流程本身，而非依赖AI替代开发者。

（全文保留了核心论点和技术发展脉络，删减了重复论述、图片描述、社交媒体分享按钮等非核心内容，总字数控制在800字左右，符合中文科技类文章的行文风格。）

以下是评论内容的总结，平衡呈现不同观点并保留关键引用：

1. 编程的核心挑战是思维转换

   • 主要观点：编程的难点在于将模糊的人类思维转化为精确的计算思维，而非代码语法本身。这一挑战从打孔卡时代延续至今。
   • 引用：
     > "The hard part is turning human thinking... into computational thinking"
     > "知道确切要什么始终是难点"

2. 对AI编程的乐观与担忧

   • 乐观派：认为当前AI模型成本已大幅降低（如中国模型仅需数百万美元训练），技术将长期存在。
     引用：
     > "Some of the best Chinese models... trained for single-digit millions"
   • 悲观派：担忧AI生成的低质代码会污染训练数据，限制模型发展上限。
     引用：
     > "LLMs... will substantially dilute the pool of good training data"

3. 程序员职业危机感

   • 部分开发者感到AI已在代码设计、审查、规划等方面超越人类，自身角色被弱化为"协调者"。
     引用：
     > "I’m basically just the conductor"
     > "我现在的工作相当于过去20名工程师的产出"
   • 但有人认为AI仅能生成脆弱原型，仍需人类程序员完善（类比早期VB/Delphi时代）。
     引用：
     > "AI might generate a brittle program... real programmers make it stable"

4. 历史类比视角

   • 将AI革命比作工业革命：初期质量下降但规模化优势终将颠覆"手工业"（如开发者群体）。
     引用：
     > "We are at the beginning of the end of the cottage industry for developers"
   • 建议用"瑞士奶酪模型"理性评估AI在开发流程中的价值，关注可衡量的指标提升。
     引用：
     > "treat LLMs as a layer of cheese... improvement for measurable metrics"

5. 代际差异

   • 指出资深开发者可能低估AI对新从业者的冲击，当前毕业生就业环境已显著恶化。
     引用：
     > "HN is skewed towards senior devs... new grads are going through awful times"

总结呈现了技术本质讨论（观点1）、行业影响分歧（观点2-3）、历史参照（观点4）及群体认知差异（观点5）的多维度争议。