本文数据截至 2026 年 6 月。写进正文的 15 条承重论断(关键就业数字、RCT 效应量、翻转性结论)各经 3 名独立验证者对抗核查(下载一手原文逐字核对、检索后续修订与反证):13 条原样通过、2 条按验证意见修正(BLS"从未下降"改为"微降后创新高";纽约联储数字对齐了数据年份)、0 条被推翻。未进验证流程的引用在文中标注来源等级,厂商与利益相关方的数字一律注明口径。
关于 AI 与初级工程师,2025-2026 年的证据里埋着一对表面矛盾,它比任何单边论断都更有信息量。
一边是实验室。目前最大规模的 AI 编程随机对照实验(Cui 等六人在微软、埃森哲和一家财富 100 强公司做的三场 GitHub Copilot 实验,4,867 名开发者,2026 年 2 月发表于《Management Science》)测得:拿到 AI 工具的开发者完成任务量平均增加 26.08%(标准误 10.3%),而且工龄短的开发者收益最大——短工龄组产出增加 27%-39%,长工龄组只有 8%-13%(作者注明这组分解噪声较大、未达统计显著)。经同行评审的姊妹证据在客服行业:Brynjolfsson、Li 与 Raymond 发表在《Quarterly Journal of Economics》的研究(5,172 名客服),AI 辅助让平均生产率升 15%,最缺经验的组升约 30%,工作满一年以上的老手几乎无变化。两组因果证据指向同一个方向:AI 是新手的放大器,不是老手的。
另一边是劳动市场。斯坦福数字经济实验室的 Canaries 研究(Brynjolfsson、Chandar & Chen,ADP 工资单微观数据,2025 年 11 月版,已验证)测到:22-25 岁软件开发者的在册就业,从 2022 年底的峰值到 2025 年 9 月累计下滑近 20%,同期更年长的开发者就业还在增长。风投 SignalFire 的数据(厂商口径,方向被多方旁证、量级偏软)更极端:2026 年报告称 12 家"Tech Majors"的应届/入门级招聘比 2019 年跌了约 65%。《Pragmatic Engineer》的从业者数据:大公司工程招聘里应届生占比从 2023 年的约 3 成跌到 2025 年的约 1 成。
把两边放在一起,就是本文要回答的问题:如果 AI 最帮初级,为什么最先收缩的恰恰是初级岗位?"初级工程师正在消失"这句流行论断,哪一半是真的、哪一半是恐慌、哪一半是别的东西在冒名?
这个话题的争论有一半源于口径混战:发言者各自引用一个真实的数字,但四个数字量的不是同一个东西。先把仪表盘摆齐。
存量(有多少人在岗)——历史新高。BLS 职业就业统计(OEWS,官方口径,已验证并修正):美国软件开发者总就业 2023 年 5 月约 165.7 万,2024 年 5 月微降 0.15% 至约 165.4 万(在抽样误差之内),2025 年 5 月升至约 168.8 万——最新数据是历史最高值。"软件工程师作为职业正在消失"在存量层面没有任何证据。
招聘广告(雇主想招多少人)——深坑后回升。Indeed 软件开发岗位发布指数(以 2020 年 2 月为 100,已验证):2022 年 2 月冲到 234 的峰值,2025 年 5 月跌到 61 的谷底,2026 年 6 月底回到 72.5——仍比疫情前低 27.5%,但同比回升约 10%。注意谷底在 2025 年,不在 ChatGPT 之后立刻出现;后文混淆变量一节会回到这条时间线。
新人入口(应届生拿到多少 offer)——崩塌最狠的一档。SignalFire 2025 年报告:应届生占大厂招聘的比例跌到 7%,比疫情前跌超过一半;2026 年报告进一步跌到比 2019 年低约 65%(VC 自建数据,基于抓取的职业档案,无误差披露)。求职端的镜像:纽约联储应届生就业数据(官方,已按验证意见对齐口径),计算机科学专业应届失业率 7.0%、计算机工程 7.8%,在全部专业里排第 2-4 高(全体应届生约 5.6%);但同一张表里,CS 的低就业率(做不需要学位的工作)只有 19%,在所有专业里几乎最低——找到工作的 CS 毕业生,拿到的仍然压倒性地是专业对口岗位。门变窄了,门后的房间没变差。
年龄分辨的在册就业(谁在岗位上)——只有最年轻一档在跌。这是四个仪表盘里最关键的一个,因为 BLS 不发布"职业×年龄"的就业序列,ADP 工资单数据是目前唯一能按年龄切开软件开发者就业的来源(Canaries 研究,working paper,未经同行评审,已验证):22-25 岁一档从 2022 年底峰值跌近 20%,26 岁以上各档持续增长。截至 2026 年 4 月的仪表盘更新显示分化仍在加深——高暴露职业里 22-25 岁就业以每年 3.8% 的速度收缩,而同龄人在低暴露职业里以约 2% 的速度增长(数字经 Fortune 转述,媒体口径)。
四个仪表盘合成一句话,这是全文的第一块基石:"消失"是一个流量现象,不是存量现象。职业没有收缩,收缩的是进入职业的入口,而且集中在最年轻、最暴露于 AI 的那一格。任何不区分存量与流量的论断——无论是"工程师要没了"还是"数据显示一切正常"——都在用一个口径掩护另一个口径。
劳动经济学处理自动化的标准装备是 Autor、Levy & Murnane 2003 年的任务模型:计算机资本"替代一组有限的、定义清晰的人类活动——常规(重复性)认知与体力任务,并互补于非常规问题解决与交互任务"(NBER 版摘要,已核对)。分析单位是任务而非岗位,所以模型预测的是岗位的重组而非消灭。2003 年的分类把写代码归入"非常规认知"——LLM 把其中相当一部分搬进了可自动化的列,这是原模型没有预料的移动,但框架本身不需要推翻,只需要重新填表。
Acemoglu & Restrepo 把方向问题形式化为两股力的赛跑:替代效应(自动化把任务从人手里拿走)对回填效应(新任务被创造出来还给人)。哪股赢是实证问题,不是理论问题——理论明确允许两个方向(《Journal of Economic Perspectives》2019)。所以"任务模型预测初级消失"和"任务模型预测初级没事"都是错误引用:模型只预测赛跑,不预测冠军。
对初级岗位问题,目前理论侧最锋利的预测来自 Autor & Thompson 2025 年的 Expertise 论文(NBER 工作论文):用四十年职业数据估计,当自动化消灭的是一个职业里"不需要专长"的任务时,该职业工资上升、就业下降、剩余任务的专长门槛上升;消灭的是专家任务时方向相反。AI 编程工具在软件工程里消灭的恰好是前者——样板代码、简单 CRUD、初级 bug 修复,正是初级工程师传统上赖以入门的任务组合。把这个框架套到 AI 编码上是推论(论文本身用 AI 举例但估计基于历史数据):它预测的不是软件工程师消失,而是这个职业变得更小的入口、更高的门槛、更好的工资——与第 1 节四个仪表盘的形状严丝合缝。
如果入口收窄只是周期,市场会自愈;麻烦在于有一个机制让它可能是自锁的。Arrow 1962 年的干中学是理论地基(原文已逐字核对):"学习是经验的产物。学习只能通过解决问题的尝试发生,因此只在活动中发生。"Doeringer & Piore 1971 年的内部劳动力市场理论补上组织侧:企业通过有限的"入口端口"(ports of entry)招人,高阶岗位靠内部晋升填充——初级招聘本质上是一笔递延回报的投资。
把两者接上 AI:如果"做"被 agent 吸收,新手失去干中学的介质;如果企业停开入口端口,晋升阶梯断在第一级。Ide 2026 年的学徒模型(arXiv 工作论文,纯理论)把这个直觉形式化:入门级自动化对单个企业私人有利,但可能社会性亏损——因为它切断专家向新手的默会知识传递,而这笔损失不进任何一家企业的损益表。这是一个市场失灵的形状:每家公司理性地少雇初级,全行业在五年后集体缺资深。Matt Beane 的田野研究(HBR 2019/《The Skill Code》2024)在 30 多个职业里记录了同一机制的前 AI 版本:智能机器把新手从专家身边分离,堵死在岗技能形成。
反方理论同样来自 Autor 本人(Noema 2024,立场文):AI 是专长平权器,能"把人类专长的相关性、覆盖面与价值延伸给更大的劳动者群体"——照此,AI 应该让更多而非更少的人有资格干高价值工作。注意两个 Autor 并不矛盾:平权器说的是"会的人变多",Expertise 框架说的是"要的人变少"——工资与就业可以反向运动。这正是下一节计量对战的理论看点。
2025-2026 年的实证文献在这个问题上分成两个阵营,而分界线不是立场,是数据类型。
Canaries(斯坦福,ADP 工资单微观数据,已验证):22-25 岁在 AI 暴露度最高的职业里,相对最低暴露职业出现 16% 的相对就业下滑(2025 年 11 月版;8 月初版为 13%,数字在版本间被修正过)——控制企业×时间固定效应后依然成立,也就是说,同一家公司内部的整体冲击(裁员潮、利率、税改)解释不掉它。下滑集中在 AI替代型(而非增强型)使用占主导的职业;调整走的是就业量而不是工资;结论对剔除科技行业、剔除可远程职业都稳健。
Hosseini & Lichtinger(哈佛,6,200 万份简历 + 招聘数据,SSRN 工作论文,已验证):给了现象一个名字——资历偏向型技术变迁(seniority-biased technological change)。从 2023 年一季度起,采用生成式 AI 的公司里初级就业相对未采用公司显著下滑,资深就业继续上升;下滑主要由放缓招聘驱动,不是裁员。两个独立数据源、两套方法,指向同一个形状:动的是入口,不是存量。
耶鲁 Budget Lab(CPS 住户调查,已验证):ChatGPT 发布 33 个月后"更广泛的劳动市场没有经历可辨别的扰动";2026 年 5 月用合成双重差分重测,到 2026 年一季度为止对 AI 暴露职业的就业与工资"总体上没有发现统计或经济上显著的效应"。EIG:2022 到 2025 年初,AI 暴露度最高的劳动者失业率反而涨得更少(+0.30 个百分点 vs 最低暴露组 +0.94)。纽约联储(Lightcast 招聘广告 + Anthropic 暴露度量,2026 年 5 月,已验证):高暴露职业里"初级与资深岗位的劳动需求大体平行移动",高低暴露的缺口在 2022 年之前就存在、之后没有断点。LinkedIn 官方报告(2026 年 1 月,已验证):"入门级岗位没有受到不成比例的冲击","我们没有看到 AI 影响入门级岗位——目前还没有"(原文带着那个 yet)——值得一提的是,这份报告与 LinkedIn 自家高管 Aneesh Raman 半年前在《纽约时报》发表的"职业阶梯最底一级正在断裂"专栏唱的是反调,同一家公司,两个声音。
这不是"一半研究说有、一半研究说没有"的糊涂账。两个阵营的测量对象系统性不同:
换句话说:如果真实现象恰好是"最年轻一档的招聘流量收缩",那么工资单数据应该看得见、广告和住户数据应该看不见——而这正是观察到的证据分布。空值结果不是矛盾,是测量分辨率的自然结果。经济学家 Jed Kolko 对这批文献的综述给了合适的时间戳:"这些研究没有一项是——也不可能是——最后的定论",研究"还在第一局"。
工资单阵营自己也收窄过口径:Canaries 作者在 2026 年 2 月的回应文(已验证)里承认,用最宽的控制,就业下滑只在 2024 年之后统计显著,"下滑时点的一部分归因于 AI 以外的因素"——原版"2022 年底起步"的叙事被作者本人收窄了。同一篇回应也反击了利率批评:AI 暴露度与职业的利率敏感度负相关(利率最敏感的建筑业恰好 AI 暴露最低),"利率假说指向错误的方向"。
"其实是宏观,不是 AI"阵营手里有四张真牌,每张都得按面值收下,然后看它们解释不了什么。
时间线。Indeed 自家分析(已验证):美国科技岗位广告从 2022 年初峰值的下滑,近一半发生在 ChatGPT 公开发布之前。谷歌两位经济学家(利益相关方,口径注明)补充:AI 暴露最高档的岗位广告 2022 年 3-4 月见顶,踩着美联储加息的节奏,而非任何模型发布;人口普查局数据显示 2023 年四季度计划在生产中使用 AI 的大企业不到 10%。Apollo 首席经济学家 Slok 的版本:应届生失业缺口 2022 年初就出现了,"更可能是低招聘、低解雇市场的产物,而不是一项当时企业几乎还没部署的技术"。
税改。美国税法 Section 174 从 2022 年起强制软件研发工资五年摊销(海外 15 年),taxfoundation 分析师估算约 2 万个软件岗位因此消失(政策模型估计,非事后测量),微软 2023 年为此多缴 48 亿美元税。2025 年 7 月 4 日 OBBBA 法案恢复即时费用化——这制造了一个天然实验,结果两面开刃:总量反弹了(2026 年 3 月软件工程师广告同比 +11%,Citadel 分析 Indeed 数据;4 月 IT/CS 广告 +14.2%,ZipRecruiter),初级份额继续跌(入门级占 IT 广告份额 8.1%→7.4%,资深份额 38.8%→43.1%,媒体转述口径)。一项年龄中性的税改,解释不了年龄梯度在税改修复后继续加深。
过度招聘回吐。layoffs.fyi 口径:2023 年科技裁员 26.3 万(峰值),2024 年 15.3 万,2025 年 12.3 万,逐年递减——回吐主体发生在 AI 编码 agent 成熟之前。
离岸。印度全球能力中心(GCC)2026 年预计招聘 51 万人,上半年同比 +11%,其中早期职业(0-3 年)招聘同比 +18%(招聘平台口径)。初级软件工作没有消失,一部分搬去了班加罗尔——这是四个混淆项里被反驳得最少的一个:它和 AI 一样能解释"美国初级独跌",而且 OBBBA 保留海外 15 年摊销的惩罚都没拦住它。
混淆项的合成判决,也是本文的第二块基石:宏观鸡尾酒解释水位,解释不了构成。利率、税改、回吐能解释 2022-2025 招聘总量的崩塌与回升,但它们都是年龄中性、行业中性的力量;而数据里最扎眼的形状恰恰是构成性的——同一家公司内部,同一时段,只有最年轻×最暴露的格子在跌(firm-time 固定效应内),同一套暴露度分类在 LLM 之前的历史时期(包括疫情失业冲击)预测不了年轻人的就业结果(Canaries 安慰剂检验,已验证)。AI 归因的份额仍然是推断,但"纯宏观、零 AI"的版本需要解释掉这个梯度,而目前没有谁做到。
现在回到开篇的矛盾:RCT 说 AI 最帮新手,市场说新手岗位最先收缩。两件事怎么同时为真?
第一步是把 RCT 的证据边界画清楚。Copilot 三场实验测的是已被雇佣的开发者的任务产出;QJE 客服研究测的是已入职客服的每小时解决量。没有任何一场实验测"企业因此多雇还是少雇新手"——这不是缺陷,是实验设计天然回答不了的问题。QJE 作者在结论里把两个分支都摆在了桌面上(原文已核对):"长期看,企业对新手生产率提升的响应,可能是雇更多新手,也可能是去开发更强的 AI 系统把劳动整个替换掉。"同一组实验证据,支持两个相反的雇佣预测——分岔点在企业的生产函数响应,而实验不识别它。
第二步是看清哪个分支在数据里显形。第 3 节的工资单证据显示,至少 2023-2026 年的美国软件行业,企业选的是第二个分支:新手更能干了,但"新手 + AI"能干的活,"资深 + AI"干得更快更稳——而资深已经在册。当 AI 把初级产出的下限抬起来,它同时把"不雇初级"的成本降下去了。帮新手最多的技术,恰恰让新手变得最可替代——这两句话在组织的账本上是同一句话。这不是悖论,是互补品与替代品在不同分析层次上的换位:在个体层面 AI 与新手互补,在组织层面"资深+AI"组合替代了"资深带新手"组合。
第三步是这个解法自带的长期账单,也就是第 2.3 节学徒经济学的实证接口。如果新手不被雇佣,干中学无从发生;如果新手被雇佣但活都让 agent 干了,干中学同样不发生。学习科学侧已有第一块因果证据(PNAS 2025,约千名高中生,已验证):无护栏的 GPT-4 让练习成绩涨 48%,但撤掉 AI 后比从未用过的对照组差 17%;而带护栏的导师版消除了大部分伤害。把它外推到工程师培养是类比不是证据——但方向与 QJE 研究的反例并存(该研究发现客服新手的收益反映"持久的学习",AI 宕机时技能仍在):AI 之于技能形成是毒是药,取决于使用架构,而不是取决于 AI。行业里没人测量的数字最能说明问题:截至 2026 年 7 月,"初级→资深晋升时长是否因 AI 改变"没有任何可信数据——整个行业在辩论阶梯断没断,却没有人在测量阶梯。
顺带钉一块墓碑:曾被广泛引用来支持"AI 其实帮资深最多"的 MIT 材料科学家论文(Toner-Rodgers),2025 年 5 月被 MIT 官方以数据造假为由否认并要求撤稿。"反转文献"目前在 agentic 时代没有任何一篇发表的 RCT 撑腰——"资深指挥 agent 收益更大"在 2026 年 7 月仍是厂商遥测支持的假说,不是实验结论。
企业嘴上说的和手上做的,在 2025-2026 年之间裂开了一道缝,缝的形状本身是证据。
宣言期(2025 上半年)。Anthropic CEO Dario Amodei 通过 Axios 警告 AI 可能在 1-5 年内消灭一半入门级白领岗位、把失业率推到 10-20%(注意口径:这组数字是 Axios 的转述表述,非逐字引语;AI 厂商 CEO 对 AI 能力叙事有商业利益)。Meta 的 Zuckerberg 说 2025 年内 AI 能顶中级工程师;Salesforce 的 Benioff 宣布 2025 年不再新招软件工程师(理由是 Agentforce 带来 30% 生产率提升,厂商自报无方法学);亚马逊 Jassy 发内部信称生成式 AI"未来几年会缩减公司总部员工数"(官方一手,但未特指工程或初级)。
回摆期(2025 下半年-2026)。Klarna 2024 年宣传 AI 客服顶 700 人,2025 年 5 月开始重新雇人,CEO 承认"走得太远"。Benioff 7 月改口否认"白领末日"框架。IBM 2026 年 2 月宣布把美国入门级招聘扩大两倍,CHRO 把管道逻辑说得很直白:"三五年后最成功的公司,是那些在这个环境里加倍下注入门级招聘的公司"——不雇初级的公司届时只能去挖别家的中级。Robert Half 调查:32% 因 AI 裁掉岗位的招聘经理后来重新招回了同类岗位;Orgvue:55% 做过 AI 裁员的领导者认为裁错了(三家均为人力行业厂商,口径注明,回摆叙事对其有利)。AWS CEO Garman 说得最狠:用 AI 替代初级员工"是我听过最蠢的想法之一"——初级员工是"最便宜的员工、AI 工具用得最溜的一批",亚马逊 2026 年照招 1.1 万实习生和应届生。
宣言与回摆之间的净残留,是三件更结构性的事。其一,资历化(seniorisation,PwC 2026 Jobs Barometer 的术语,咨询厂商口径):入门岗位没有消失,而是被重新定义——高 AI 暴露职业的入门岗位要求传统资深技能的概率是低暴露职业的 7 倍,"资历化"的入门岗位自 2019 年增长 35%,传统口径的入门空缺只降 10%。岗位还在,但它不再是给 22 岁白纸准备的。其二,训练场任务被 agent 吸收(厂商遥测,未验证):Anthropic 经济指数显示 Claude Code 上 79% 的会话是"自动化"型(AI 直接完成任务),最集中的任务——简单 UI、CRUD 应用、bug 修复——恰好是初级工程师传统的练级区。其三,训练管道的商业模式先死:编程训练营行业 2024-2025 年成片倒闭(Epicodus、Code Fellows 关停,2U 报名跌 40% 后退出,高口碑的 Rithm 停招并直言 2024 年是十几年来最差的入门市场)——依赖"初级岗位充裕"的商业模式是这个生态的煤矿金丝雀,它们先于任何官方统计死掉了。
历史基率提供最后一层校准。Hinton 2016 年 10 月说"现在就该停止培养放射科医生"(原话已核对:"深度学习五年内显然会超过放射科医生……也可能十年");十年后的 2026 年,放射科住院医师匹配岗位数创历史纪录(1,478 个,填充率 97.6%),平均薪酬 57.1 万美元,Hinton 本人对《纽约时报》承认"说得太宽了"、时点错了。但这个先例的伤害同样入账:预测本身把入口漏斗打伤了——放射诊断科申请人数从 2023 年峰值跌了 14%,恐慌叙事对管道的破坏不需要预测成真。ATM 机曾让银行柜员就业逆势增长 15 年(单网点柜员 21→13 人,开网点变便宜),直到移动银行补上最后一刀;电子表格消灭 40 万记账员岗位、同期新增 60 万会计岗位——总量活下来是历史常态,routine 层吸收全部损失也是历史常态。问题从来不是"职业会不会消失",是"入口那一层归谁"。
前六节的证据可以兑换成三份行动清单。每条建议标注它踩在什么证据上——证据够不着的地方,建议也到此为止。
全文归结为七个主张,按证据强度排序:
到 2027 年值得盯的判据:Canaries 梯度是否蔓延到 26-30 岁档(资历化的自然推论);招聘广告数据里初级/资深是否出现纽约联储目前没看到的分叉;IBM 式回摆是主流化还是个案;以及有没有任何组织开始发布"初级→资深晋升时长"数据。第一个把阶梯当资产负债表科目来测量的公司,会比所有宣言都更有信息量。
就业与招聘数据:BLS OEWS (SOC 15-1252, May 2023/2024/2025) · Indeed Hiring Lab 软件开发岗位指数 (FRED: IHLIDXUSTPSOFTDEVE) 及 Bernard "The US Tech Hiring Freeze Continues" (2025-07) · NY Fed, The Labor Market for Recent College Graduates (2026-02 更新) · LinkedIn Economic Graph, Labor Market Report (2026-01) · SignalFire State of Tech Talent 2025/2026 (VC 口径) · Orosz, The Pragmatic Engineer (2026-06) · CRA Taulbee Survey (2026-06) · layoffs.fyi
计量研究:Brynjolfsson, Chandar & Chen, "Canaries in the Coal Mine?" (Stanford Digital Economy Lab, 2025-11 版 + 2026-02 回应 + Canaries Dashboard) · Hosseini & Lichtinger, "Generative AI as Seniority-Biased Technological Change" (SSRN 5425555) · The Budget Lab at Yale (2025-10; 2026-05 SDID) · Eckhardt & Goldschlag (EIG, 2025-08) · Audoly, Guerin & Topa (NY Fed Liberty Street Economics, 2026-05) · Iscenko & Curto Millet (Google, "Looking for the Ladder", 2026-01) · Kolko (PIIE, 2026-03) · Massenkoff & McCrory (Anthropic, 2026-03, 厂商口径)
实验证据:Cui, Demirer, Jaffe, Musolff, Peng & Salz, "The Effects of Generative AI on High-Skilled Work" (Management Science, 2026) · Brynjolfsson, Li & Raymond, "Generative AI at Work" (QJE 140(2), 2025) · METR (arXiv:2507.09089; 2026-02 更新) · Paradis et al. (Google, arXiv:2410.12944) · Bastani et al., "Generative AI without guardrails can harm learning" (PNAS 122(26), 2025) · MIT 对 Toner-Rodgers 论文的撤稿声明 (2025-05)
理论:Autor, Levy & Murnane (QJE 2003) · Acemoglu & Restrepo (AER 2018; JEP 2019) · Acemoglu, "The Simple Macroeconomics of AI" (2024) · Autor & Thompson, "Expertise" (NBER WP 33941, 2025) · Autor, Noema (2024) · Ide, "Automation, AI, and the Intergenerational Transmission of Knowledge" (arXiv:2507.16078) · Arrow (1962) · Doeringer & Piore (1971) · Beane, "Learning to Work with Intelligent Machines" (HBR 2019) / The Skill Code (2024) · Deming, Ong & Summers (NBER WP 33323) · Bessen (ATM/柜员) · NPR Planet Money #606 (电子表格)
行业行为:Amodei via Axios (2025-05-28, 转述口径) · Zuckerberg via JRE (2025-01) · Benioff (2025-02; 2025-07 改口) · Jassy 内部信 (2025-06-17) · IBM 入门级扩招 (2026-02) · Garman via Platformer (2026-06) · Robert Half / Orgvue / Careerminds 回摆调查 (2025-2026, 人力厂商口径) · PwC Global AI Jobs Barometer 2026 (咨询厂商口径) · Strada (2026-05) · NACE Job Outlook 2026 · LeadDev AI Impact Report 2025 · Anthropic Economic Index (2025-04 软件开发报告; 2026-03; 2026-06, 厂商口径) · Stack Overflow Developer Survey 2025 · DORA 2025 · Course Report 训练营年报 · Klarna/IBM/Duolingo/Shopify 各回摆时间线 · NRMP Match 2026 放射科数据 · Hinton 2016 演讲 / Fortune 2026-05 访谈