每日AI新鲜事·07月15日午间版：AI是坏工具？MLE与SWE的身份焦虑

今天AI圈有点意思，既有安全漏洞曝出来，又有人在问「AI到底算不算一个好工具」，这个问题我看HN上讨论得挺激烈的。

先快速过几条新鲜事，李博你那边也看到啥好玩的了？

看到了，第一条还挺严重的，Tailscale出了个安全公告，编号TS-2026-009，说的是Tailscale SSH里有个参数处理漏洞，会让攻击者拿到root权限。

HN上这条有34个点赞，评论不多，但这种root access漏洞的级别你懂的，属于那种一旦触发就是灾难级别的。

等等，Tailscale SSH是什么场景下用的？不是所有用户都会开这个功能吧？

对，Tailscale本质是组建私有内网的工具，它的SSH功能是让你在这个私有网络里用SSH管理机器。开这个功能的一般是开发者、运维或者小团队，不是普通消费端用户。

但问题就在于，用这个功能的人往往在管理比较核心的机器，所以一旦被利用，影响面其实挺大的。他们已经发了安全公告，用户得尽快升级。

行，提醒一下用Tailscale SSH的朋友赶紧去官网查安全公告，链接是tailscale.com/security-bulletins。别拖着。

然后还有个挺有趣的，YouTube上有个视频在讨论「Codex Was A Developer Brand, So Why Remove It?」——Codex本来是个挺响亮的开发者品牌，结果被撤了，这个时机有点玩味。

是啊，Codex这个名字在开发者圈子里绑定了太多认知，当初GitHub Copilot背后就是Codex，相当于早期AI编程的代名词。

现在AI编程工具满天飞，Claude Code、Cursor、Windsurf各有各的定位，感觉OpenAI在这块有点被动，品牌收缩可能也反映了内部策略的调整。

说不定是要把资源集中到更统一的产品线上，不过从品牌的角度来说确实有点可惜，Codex这个名字还是挺有历史感的。

再来一条，Reddit上有个用户在问，他花了几个月录下了自己打英雄联盟的1700万条鼠标位置数据和67万次点击记录，问这些数据对机器学习有没有用。

这个我看到了，说实话挺有意思的。游戏鼠标轨迹数据某种意义上是非常高质量的人类行为序列，有时序、有上下文，还带着玩家意图。

比较直接的用途是训练游戏AI或者行为模拟，更fancy的方向是用来研究人类决策模式。不过只有鼠标数据没有游戏状态数据的话，利用起来还是有点受限。

他说是同步了视频画面的，有游戏画面对应着的。

那就好玩多了，鼠标轨迹加上视觉信息，这就有点像行为克隆的训练数据了，理论上可以学一个「模仿这个玩家操作风格」的模型。

好，新闻就先聊到这儿，接下来我们聊两个最近特别火的话题，一个是「AI到底是不是一个好工具」，另一个是ML工程师和软件工程师之间的身份问题。

先说第一个，HN上那篇「AI Is a Bad Tool」，56个点赞62条评论，对HN来说这个讨论量算是挺活跃的了。光这个标题我就想追进去看。

对，这篇文章核心观点是说AI作为工具来用的话，它有本质上的缺陷，主要指的是它的不可预测性——你不知道它什么时候对、什么时候错。

但HN上高赞回复的反驳角度挺锐利的：不可预测性其实是AI的特性，不是缺陷。就像你不会说「人类是坏工具」因为人类有时候会犯错。

等等，这两种说法放在一起有点绕。你说「不可预测性是特性」，但作为用户，我要把一个工具集成进工作流里，我必须能依赖它，不是吗？

你说的这个其实是问题的核心所在。传统软件工具的特点是确定性——给它同样的输入，永远给你同样的输出。AI不是。

所以文章作者的抱怨是有道理的，但他选的参照系是传统工具，这个比较框架本身就值得商榷。

也就是说，他的问题不是说错了，而是他在用评价锤子的标准去评价螺丝刀？

差不多是这个意思。而且我觉得这个讨论背后有个更有趣的问题——AI现在到底算工具还是算协作者？

工具你控制它，协作者你和它协商。如果你把AI定位成工具，你就会对它的不确定性非常不爽；如果定位成协作者，你反而会更宽容，更注重怎么跟它沟通。

这个视角我还挺认同的，但我想追问一下——业内那些真的在生产环境用AI的团队，他们是怎么处理这个不确定性的？

主要是两类策略。第一类是缩窄任务范围，让AI只处理边界清晰、可验证的子任务，不可预测性在这种情况下影响就小很多。

第二类是在外面加一层验证层，AI出结果之后有个确定性的程序去检查它，通过了才用，不通过就重试或者降级处理。

第二类就是把AI包在一个更大的可控系统里，它在里面跑，但出口是确定性的。

对，Claude Code的browser use那个功能其实就是这个思路的体现，沙箱隔离本质上就是在给AI的行为加一层确定性的边界。

所以最后你对这个问题的判断是什么？AI到底是不是坏工具？

我的结论是：AI是一种新型工具，用旧框架评价它当然会得出「它很糟糕」的结论。问题不在于AI好不好，在于你有没有学会跟它配合。

行，这个我部分认同。但我还是觉得对普通用户来说，「你得学会跟它配合」是在转移责任，工具体验本身就应该设计得更可预期。

这点我没法完全反驳，产品层面的体验确实还有很大提升空间，我们保留分歧好了。

好，第二个话题，Reddit上「MLE to SWE or vice versa?」这个帖子，ML工程师和软件工程师之间的转换问题，这个讨论最近为啥突然又热起来了？

我觉得这个话题热起来是有背景的——现在AI工具越来越强，SWE能做的事情AI帮助下可以做得更快，ML这边又因为大模型把很多传统ML任务都重新洗牌了。

两个岗位的边界都在模糊，所以大家开始焦虑：我现在的技能栈，未来还值钱吗？要不要转型？

我理解这个焦虑，但我一直觉得这两个方向其实不是那么对立的，你怎么看现在这两类工程师各自的优势？

SWE的核心优势是系统思维和工程落地能力，他们知道怎么把一个东西做成可靠的服务，能跑、能扩、能维护。

MLE的核心是对数据和模型的直觉，知道什么情况下数据在说谎，知道模型的局限在哪里，这种sense是很难快速习得的。

那你觉得在现在这个时间节点，从哪个方向往另一个转更顺一些？

我个人判断是SWE转MLE比MLE转SWE要稍微容易一点点，因为工程基础是可以复用的，而且现在有大量ML基础设施要建设，工程味道很重的ML岗位需求在增加。

但反过来，MLE如果只是对工程有基础了解，但不会写高质量的系统代码，去跟那些科班SWE竞争，会不会挺吃亏的？

会，所以我觉得这个问题的答案不是「转还是不转」，而是「两边都要有一条腿」。

现在最抢手的profile是：懂模型的原理和局限，同时能独立把一个ML系统落地到生产的工程师。这种人不多，但需求一直在涨。

也就是说焦虑转型的人可能方向想错了，与其纠结「我应该是MLE还是SWE」，不如去思考「我在哪条腿上是薄弱的，补上它」。

对，就这个意思。标签没那么重要，能力组合才是核心竞争力。

而且这个问题本身也挺有代表性的，就是当行业变化很快的时候，人会把对未来的焦虑投射到职业标签上，觉得只要选对了那个标签就安全了。

是，但标签是最容易被替代的，能力是最难被替代的。这话说起来像废话，但真的要抵制那种「我只要转成MLE我就稳了」的心理。

好，今天聊了Tailscale的安全漏洞、Codex品牌的去留、一堆有趣的社区讨论，重点聊了AI到底算不算一个好工具，以及MLE和SWE的身份焦虑。

感觉这两个深度话题背后都有同一个底色——当技术变化太快，大家开始用旧框架去衡量新事物，然后发现对不上，于是焦虑。

说得挺准的，框架的更新速度要跟上技术的更新速度，这才是最难的事情。

好，就这样，晚上见。