北京
“持久勝利的方法，不是那些最好地編碼了人類直覺的系統。”這是 AI 先驅 Richard Sutton 在回顧 70 年人工智能研究時寫下的總結。他把這叫作“苦澀的教訓”——真正管用的，是那些能隨著算力變強而持續進步的通用方法，比如搜索和學習。人類經驗只在局部有效，而且很快撞上天花板。
后端工程正在面臨屬于它自己的苦澀一課。系統的未來不在“用智能體替換人類的判斷”，而是換一個工作方式：讓計算力可以轉化成更多、更正確的工程進展。人的職責是指定目標、圈定風險邊界、裁定什么證據算“足夠好”；智能體花算力，去跑那些瑣碎卻決定性的活——讀調用鏈、搭測試腳手架、跑實驗、擬合擴縮曲線、核對載荷等價性，并且把每一步都記下來。
我們遇到的那個問題，不是“讓某個慢接口變快一點”。它更殘酷：連接口都還沒寫出來，就要把吞吐量做到 500 到 1000 RPS。而大量已有接口，已經在個位數 RPS 上掙扎。水平擴展幾乎沒用——每加一個 CPU 或一個 Pod，帶來的吞吐增益微乎其微。嫌疑對象沒有單一指向：可能是 Python CPU 形狀、序列化器、ORM、數據庫算力、連接扇出、外部調用、工作槽位、事件循環阻塞、負載削減，也可能是它們之間的某種交互。在那個時候，任何一個自信的直覺猜測都不可靠。我們要的不是多一個聰明人拍腦袋，而是一套能搶在下一代接口設計出來之前，就把瓶頸真正找到的方法。
一個工程師的大腦大約只跑 20 到 30 瓦。這具生物計算器的效率固然驚人，但也是個硬瓶頸。再資深的工程師，能在工作記憶里同時塞下的假設、命令歷史、查詢計劃、部署狀態和前后測量值，也就那么多。后端工程師明明是最信奉實證的群體：談話里全是延遲直方圖、隊列深度、鎖爭用、p95、CPU profile、連接池、查詢計劃。可一旦系統超過人腦能裝下的復雜度，就還是會滑向拍腦袋式的優化。諷刺的是，后端性能恰恰被最嚴密的規律支配：離散數學、排隊論、網絡物理、存儲行為、CPU 調度、緩存失效、爭用模式。這些系統最終會向測量結果給出唯一答案，但一顆 30 瓦的大腦，根本裝不下所有需要同時權衡的變量。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
