思考 - AI 时代, 程序员真正的护城河: 科学素养

——以 ROS 工程师为例的系统性成长路径

引言

在过去很长一段时间里，软件工程师的核心竞争力主要体现在两个方面：编码能力与工程经验。然而随着 AI 编程工具、大模型代码生成系统以及自动化开发框架的迅速成熟，软件工程领域正在经历一次结构性变化。

今天，一个程序员仅仅具备“实现能力”已经不再足够。因为从技术趋势来看，实现正在被快速自动化，而理解仍然稀缺。

换句话说: 未来程序员真正的价值, 不再是“写代码”，而是“理解系统并建立模型”

这种能力的核心，就是科学素养 (scientific literacy)

对于 ROS 工程师而言，这一点尤为明显。机器人系统本质上是一个高度跨学科的复杂系统工程: 它同时涉及动力学、控制理论、概率统计、计算机视觉、嵌入式系统、实时通信以及软件架构设计。如果缺乏科学思维，仅依赖经验式工程方法，很难在这一领域走得足够深入。

在实际工程团队中，一个经验丰富的机器人工程师与普通开发者之间的差异，往往不体现在代码量上，而体现在问题的抽象方式与系统建模能力上。

本文尝试从工程与科学交叉的角度讨论四个问题：

1. 为什么 AI 时代更需要科学素养
2. 新手工程师如何逐步建立科学素养
3. 科学素养与“小模型思维”的关系
4. ROS 工程师的长期职业成长路径

1. 为什么 AI 时代更需要科学素养

在 AI 出现之前，软件开发的日常工作往往集中在以下几类活动:

• 编写业务逻辑
• 调试程序错误
• 阅读 API 文档
• 解决工程集成问题

这些活动本质上属于实现层面的工作

然而随着 AI 编程工具的发展, 大量实现层任务正在被自动化. 例如:

• 自动生成函数与模块代码
• 自动生成测试用例
• 自动补全 API 调用
• 自动进行代码重构

这意味着一件非常重要的事情正在发生: 单纯的编码能力正在逐渐失去稀缺性.

但与此同时，有一类能力依然难以被 AI 替代:

• 如何定义问题
• 如何抽象系统
• 如何构建模型
• 如何验证假设

这些能力正是科学训练的核心

1.1. 机器人领域尤其依赖科学素养

ROS 工程师实际上处在多个学科的交汇点。一个典型机器人系统往往同时涉及以下领域：

学科	工程问题
线性代数	坐标变换、姿态表示
概率论	SLAM、定位、传感器融合
控制理论	机械臂控制、运动稳定性
机器人学	运动学、动力学
计算机视觉	环境感知
网络系统	分布式机器人通信

因此, 在机器人工程实践中, 问题的性质往往不是“代码问题”, 而是系统模型问题.

举一个非常常见的例子: 当机器人轨迹出现抖动时, 工程师可能会产生两种完全不同的思考路径.

经验式思维

• 可能是代码写错了
• 改改参数试试

系统模型思维

• 控制频率是否稳定
• 传感器噪声是否影响反馈环
• 系统延迟是否导致闭环震荡
• 滤波器参数是否合理

这种差异，本质上就是: 代码视角 vs 系统视角

在复杂机器人系统中, 绝大多数问题都属于后者.

2. 新手如何逐步建立科学素养

科学素养并不是通过阅读几本教材就能获得的，它本质上是一种思维方式训练。对于工程师而言，可以通过四个阶段逐步建立。

2.1. 第一阶段

从经验编程到系统建模

很多初级程序员解决问题的方式是: 问题 → 搜索 → 复制代码 → 修改 → 能运行即可

这种模式在短期内能够提高开发效率，但长期来看会限制工程师对系统的理解深度

科学思维的第一步: 学会用系统模型描述程序

任何工程系统都可以用三个基本元素描述：Input → Processing → Output

例如一个 ROS 感知节点：Camera → 图像处理 → 目标位置

一个机器人控制系统：Sensor → Filter → Controller → Actuator

当工程师习惯用系统框图理解程序时, 本质上就已经开始进入科学建模的思维方式

2.2. 第二阶段

建立数学建模能力

机器人系统是典型的数学驱动工程, 其中最核心的数学基础主要包括三类:

线性代数 - 机器人学的基础

ROS 中广泛使用的坐标变换系统, 例如:

• 旋转矩阵
• 齐次变换矩阵
• 坐标系变换
• Eigen 数值计算库

理解这些概念之后, ROS 的 tf 系统会变得非常直观

概率论与统计

机器人系统必须面对一个现实: 传感器数据永远是不完美的; 因此机器人必须处理不确定性

典型模型包括:

• 贝叶斯估计
• Kalman Filter
• Particle Filter

SLAM, 定位, 传感器融合 - 本质上都是概率建模问题

控制理论

机器人本质上是一个动态系统。

常见控制方法包括：

• PID 控制
• 状态空间控制
• Model Predictive Control (MPC)

这些方法背后的理论基础来自: 微分方程与系统动力学

2.3. 第三阶段

训练实验科学能力

很多程序员在调试系统时依赖“直觉修改”, 例如:

• 改参数
• 再试一次
• 看看有没有效果

而科学方法强调:

• 提出假设
• 设计实验
• 收集数据
• 验证假设

例如机器人定位漂移问题, 可以提出多个假设:

• IMU 噪声导致误差
• 激光匹配不稳定
• 时间同步问题

然后设计实验逐一验证

这种方法在复杂系统调试中极其重要

2.4. 第四阶段

形成系统思维

工程师必须学会从整体系统理解问题:

一个典型机器人系统包括：感知 → 定位 → 规划 → 控制 → 执行

这些模块共同构成一个复杂的闭环系统

理解这种结构之后, 工程师对系统问题的定位能力会显著提升

3. 科学素养与“小模型思维”

AI 时代出现了一个非常重要的趋势: 工程系统正在演化为“大模型 + 小模型 + 规则系统”的组合结构

例如在机器人系统中:

功能	模型类型
视觉识别	大模型
控制系统	数学模型
运动规划	算法模型
系统逻辑	规则系统

这意味着未来工程师的重要能力之一是: 为不同问题选择合适的模型

而不是简单地将所有问题都交给 AI

从工程实践来看，很多问题反而更适合用简单而稳定的小模型解决，例如：

• PID 控制
• 轨迹优化
• 状态估计

这些模型虽然简单, 但具有可解释性、稳定性和可控性.

4. ROS 工程师的职业成长路径

机器人领域工程师通常会经历四个阶段

第一阶段：工程实现者（0–3 年）

特点：

• 熟悉 ROS 框架
• 能开发基本节点
• 能完成系统集成

重点能力：

• Linux
• C++ / Python
• ROS 通信机制
• 机器人基础知识

第二阶段：系统工程师（3–5 年）

特点：

• 能设计复杂系统
• 能解决跨模块问题

需要掌握：

• 控制理论
• 概率机器人学
• 网络系统
• 实时系统

这一阶段的工程师通常开始承担系统集成与技术方案设计的角色。

第三阶段：算法工程师（5–8 年）

此阶段开始深入核心算法领域，例如：

• SLAM
• 轨迹规划
• 视觉感知
• 机器人控制

工程师在这一阶段逐渐进入真正的算法设计与系统建模层面。

第四阶段：机器人架构师（8–15 年）

最高级别的工程师需要具备：

• 系统架构设计能力
• 跨学科整合能力
• 工程与算法统一能力

他们能够设计完整的机器人系统架构，例如：

• 硬件平台
• 控制系统
• 感知算法
• AI 系统
• 软件架构

这一层级的工程师通常承担技术方向制定与系统架构设计的角色。

5. AI 时代工程师需要额外补充的能力

在传统机器人技术之外，AI 时代的 ROS 工程师还需要逐渐理解三个新的技术方向：

5.1. 数据驱动系统

未来很多机器人能力将通过数据驱动方式获得, 例如：

• 视觉识别
• 抓取策略学习
• 行为学习

因此工程师需要理解:

• 数据集构建
• 训练流程
• 模型评估

5.2. 仿真系统

现代机器人开发越来越依赖仿真平台, 例如：

• Gazebo
• Isaac Sim
• Webots

仿真系统不仅用于测试, 还可以用于:

• 算法验证
• 数据生成
• 强化学习训练

5.3. 系统工程能力

随着机器人系统复杂度不断增加, 工程师必须具备更强的系统工程能力, 例如:

• 模块化架构设计
• 分布式通信
• 实时系统设计
• 软件可靠性设计

这些能力将决定工程系统是否能够长期稳定运行

结语

AI 正在改变软件工程的工作方式, 但它并不会取代工程师

真正发生变化的是: 程序员的价值正在从“写代码”转向“理解系统”

对于 ROS 工程师而言，这种转变尤为明显。

机器人系统本质上是一个科学问题与工程问题交织的领域。只有具备扎实的科学素养，工程师才能真正理解系统、设计系统，并推动技术的发展。

因此，在 AI 时代，一个程序员最重要的投资或许不是学习更多框架, 而是重新回到那些看似“古老”的基础：

• 数学
• 物理
• 控制理论
• 概率统计
• 系统科学

这些学科不会因为技术浪潮而过时, 反而会成为未来工程师最坚固的护城河.