JetBrains研究播客：值得深入探讨的五个思想实验
每周至少有一项关于 AI 将如何改变软件开发的新公告。大多数讨论节奏很快，但流于表面，关注的只是生产力提升、就业替代，或者哪个模型在最新基准测试中得分最高。
我们更感兴趣的是这些喧嚣之下的问题，因此我们制作了 JetBrains Research 播客。在节目中，我们探讨诸如以下问题：
- 理解一个系统意味着什么，而不只是生成它的代码？
- 心理学告诉我们，团队为何成功或失败？
- 在训练智能体时，为什么可验证性比声望更重要？
在我们的播客中，我们主要关注各种形式的研究以及研究背后的个人。每一期节目都会邀请一位曾在重要问题上深耕多年的嘉宾，展开有趣的对话。在这篇博客文章中，我们重点介绍这些对话中涌现的观点。
Cat Hicks：文化是基础设施
文化是基础设施。它不仅仅是“锦上添花”。它塑造我们的思维方式，塑造我们解决问题的方式，直接改变我们所做工作的质量。
[LOADING...]
在我们最新一期节目中，我们与 Cat Hicks 对话，她是心理学家，也是《软件团队心理学》（Psychology of Software Teams）一书的作者。我们问她：究竟什么因素决定了软件团队能否做好工作？为什么研究团队而不是个别开发者？
Hicks 发现，来自团队的归属感、学习机会和认可信号，可将开发者所感受到的“AI 身份威胁”（即担心自己的专业知识正在过时）大约削减一半。她强调，必须从团队层面出发，才能更好地理解每个团队成员的经历。
例如，Hicks 提出了一个她称之为“过度产出压力”的衡量指标，指的是一种只有当短期产出才重要时出现的感受。当这种压力很高时，人们会在不理解代码的情况下生成代码，不信任同事，也不再对管理者诚实。
Hicks 还挑战了“孤独天才”的神话：认为团队应该围绕一位才华横溢的个人来构建。相反，她认为，更值得追求的是“更多乐队，更少摇滚明星”。高度协作的文化，例如开源式问题解决，尤其能有效地实现技术突破。
Tomáš Petříček：五种文化，一个论点
编程从来就不仅仅是在实现一份规格说明。
[LOADING...]
在我们的第四期节目中，我们与布拉格查理大学教授 Tomáš Petříček 对话，他研究软件的历史与哲学。他的著作《编程的文化》（Cultures of Programming）认为，编程从来不是一门单一的学科。相反，从计算诞生之初，以下五种不同文化就一直在相互竞争与协作：
- 数学文化：将程序视为需要证明其正确性的形式对象。
- 黑客文化：重视与运行中的机器直接互动。
- 管理文化：关注可预测性和劳动力组织。
- 工程文化：承认系统是复杂的，并追问哪些实践能在这种复杂性下让系统可靠。
- 人文文化：从一个问题出发：人与软件交互时，人脑中发生了什么。
每种文化对程序是什么、优秀工作是什么样、什么最重要，都有不同的理解。这些文化解释了为什么同一事件会导致不同的诊断。以 2012 年的 Knight Capital 事故为例，一次软件部署错误在不到一小时内让公司损失了 4.6 亿美元。取决于你从哪种文化出发来接近问题，诊断结果可能大相径庭。以下是从五种文化出发的可能诊断：
- 数学文化会问：什么可以从形式上得到保证？
- 黑客文化会问：什么底层知识本可以抓住这个问题？
- 工程文化会问：测试和回滚做得如何？
- 管理文化会问：流程和问责制如何？
- 人文文化会问：系统是否让操作者能够理解自身状态？
Petříček 还谈到当前对 AI 智能体的热情，尤其是以规格说明驱动的开发。他强调了回顾历史的重要性。自 20 世纪 60 年代以来，人们一直试图把编程中机械化的部分分离出来并加以自动化。但至今没有成功，因为软件开发从来都不仅仅是将规格说明付诸实现。团队是通过原型、对话和使用来了解他们正在构建的东西的。
Alexander Kulikov：当解决方案未知时，你在构建什么
当你遇到一个怎么也放不下的问题时，这很可能就是对的问题。
[LOADING...]
在我们的第三期节目中，我们与 Alexander Kulikov 对话，他负责 JetBrains Research 的算法与复杂度理论实验室，同时也是帕福斯内阿波利斯大学计算机科学与人工智能学士项目的负责人。他对当前环境的描述比大多数人都更诚实：“惊人、激动，同时又令人恐惧。”
而且这种担忧并非完全停留在理论上。例如，国际象棋引擎早在几十年前就超越了所有人类棋手。Kulikov 并不知道有任何定律能阻止 AI 最终在定理证明上做到同样的事情。他认为这不会很快发生，但他也没有预料到 AI 辅助编程会进展得这么快。他的立场被他称为“警觉的不确定性”：既不否认，也不认命。
在节目中，我们还讨论了在一个 AI 能够解决奥林匹克竞赛题的时代，教授计算机科学到底意味着什么。Kulikov 的课程策略很简单：教会研究生如何高效地学习困难的事物。他们未来需要的具体技术是不可知的。深入一个陌生领域、建立心智模型并取得进展的能力，比任何特定技能都更持久。
这也是为什么在一个 AI 辅助编程的世界里，他仍然认真对待数学。一个理解问题结构的学生，能够检验 AI 生成的答案，识别缺失的假设，并在第一次尝试失败后恢复过来。一个只会请求答案的学生，可能不知道答案是否可信。
Kulikov 还区分了“鸟类”研究者（即在各领域间翱翔、从高处发现联系的人）和“蛙类”研究者（即在某个领域深耕的人）。按照这个类比，他属于蛙类。但他认为，AI 可以充当专家们的“人工鸟”：降低你跳出本领域向外看的成本，而无需你成为通才。
Ibragim Badertdinov：从牙科到编码智能体
凭感觉的检查无法规模化。
[LOADING...]
在我们的第二期节目中，我们与 Nebius 的首席研究工程师 Ibragim Badertdinov 对话。他走向 AI 研究的道路有点不寻常：他先以优异成绩毕业于医科大学，完成了牙科住院医师培训，然后给了自己一年时间去尝试别的事情。在这期节目中，他谈到了自己如何完成这一转变、在 School 21 和 Kaggle 上学到了什么，以及之后的工作。最值得一提的是，我们讨论了他构建 SWE-rebench 的工作。
SWE-rebench 是一个自动化流水线，用于在真实软件工程任务上评估编码智能体。它被 NeurIPS 2025 接收，同时在 Hugging Face 上有超过 1200 万次下载，每个月有 100 万次排行榜访问。其关键设计特性是去污染，即只在模型发布日期之后才从 GitHub 拉取任务，这样智能体就无法在答案上进行训练。通过这种方式，SWE-rebench 将模型的问题解决能力与任何对训练数据的潜在接触分离开。发布之后，它成为头条新闻，因为许多模型在 SWE-rebench 任务上的表现明显差于 SWE-bench Verified（详见论文）。
这一点尤其重要，因为目前的标准是 SWE-bench Verified，而这个基准测试的报告分数在研究界和整个行业中都拥有重要分量。正如最近一篇博客文章所讨论的，只关注 SWE-bench Verified 分数的倾向可能让我们对模型性能产生误导。这篇文章还提出了更准确评估模型的方法。
Badertdinov 还谈到，为什么使用可验证奖励的强化学习会在编程和数学领域带来如此显著的进步。其洞察简单得令人意外：在能够验证答案是否正确的领域，你可以自动生成大量训练信号。代码能运行或不能运行；测试通过或不通过。这正是软件工程任务对于后训练如此有价值的原因：不是它们的声望，而是它们的可验证性。
Anna Kogan：成为基础设施的库
现在，计算机视觉并不酷。大语言模型非常酷。
[LOADING...]
我们的首期节目邀请了 FitWise 创始人兼首席执行官、OpenCV.ai 前首席执行官 Anna Kogan 进行对话。她在计算机视觉领域工作了 15 年，至今仍相信它的科学价值：在计算机视觉中，研究者收集数据集、训练模型、衡量指标、解决特定任务。在我们的对话中，我们讨论了该领域面临的挑战，包括开源工具的货币化，以及尽管技术已经存在，但 AI 在多个行业采用缓慢的问题。
开源工具的影响与资源投入之间的差距，是对话中的一条线索。我们讨论的一个例子是 OpenCV，这个开源计算机视觉库在她帮助下成为全球标准。它运行在数十亿台设备上，仅在 PyPI 上每月就有 3200 万次 Python 下载。正因为这些数字，许多人以为该库由数百名开发者维护，而实际上任何时候都只有两到八名开发者在维护。
对话的另一条线索涉及一个更难的问题：为什么即使像 OpenCV 这样的工具明显非常流行，计算机视觉的采用仍然如此缓慢？对此，Kogan 提到了体育运动中的动作捕捉。尽管技术进展已经足以让体育行业的人们不再需要手动点击和标注转播画面，但各组织仍然抗拒采用 AI 辅助。其中一个原因是，雇佣菲律宾工人来做这些手动工作，仍然比搞一套 AI 系统来接管更便宜。
通过 FitWise AI，Kogan 希望帮助体育组织看到采用计算机视觉的价值。他们提供数据，即运动员身体形态和动作的实时 3D 数字复制品；这些数据通过已经在传输视觉数据的体育场摄像头收集。体育组织可以将自己的专业知识应用于这些视觉数据，目前已经出现了一些有趣的结果。例如，一家公司提取了四分卫投掷时手臂的角速度，并表明这是精英水平表现的强预测指标。
像 FitWise AI 这样的工具可以改变团队理解表现和受伤风险的方式。在这个领域，技术实际上已经领先于行业接受的意愿，而 Kogan 并不打算等待行业自行追赶。
在我们的播客中探索这些想法及更多内容
以上只是我们在 JetBrains Research 播客中讨论的部分想法。如果你发现了一个你无法不去想的问题，那正是我们有意为之。