從 DOS 到 GPT:台灣軟體工程 30 年的三次典範轉移，淘汰的從來不是寫程式的手，而是拒絕回頭看的人

1992 年的台北光華商場旁，一間小公司的工程師正在跟 640KB 的傳統記憶體搏鬥。他們得手動管理擴充記憶體（EMS/XMS）、計算每個程式段的載入位址，只因為硬體資源太少，工程師必須對機器的每一層都瞭若指掌。那是台灣軟體的黃金年代:倚天中文系統、自然輸入法、一堆上市櫃遊戲公司，都是在那個「距離硬體只有一層薄紗」的年代長出來的。

30 年後，畫面換成了 Cursor 或 ChatGPT 的視窗。新一代工程師用自然語言描述需求，AI 在幾秒內吐出可執行的程式碼。很多人問:寫程式這件事，是不是要被淘汰了？

歷史給的答案剛好相反。過去 30 年，台灣軟體業至少經歷三次被宣判「工程師將死」的轉移，每一次死掉的都不是寫程式的人，而是某一種不肯回頭看的工作方式。

第一次轉移:從組合語言到高階語言，死掉的是「記憶體地圖」

DOS 時代的台灣工程師，很多人能用組合語言直接驅動印表機埠、攔截中斷向量。當 Windows 與 C++、Java 興起，垃圾回收取代了手工記憶體管理，這批人被分成兩群:一群只會抱怨「新工具又慢又肥」，逐漸退出一線；另一群把對底層的理解帶進新世界——因為他們知道，垃圾回收的停頓時間、記憶體頻寬的瓶頸，最終仍要用底層思維去解。

這正是今天 AI 輔助編程的縮影。語言模型靠注意力機制預測下一個 token 的機率分布，它產出程式碼的依據是統計相關性，不是對併發、鎖、交易隔離層級的理解。工程師若不懂 CAP 定理的取捨、不懂為什麼某段程式碼在 GPU 記憶體頻寬牆上撞壁，就無法判斷 AI 產出的東西能不能上線。工具升級，鑑賞力反而變成稀缺資源。

第二次轉移:從單機到網路，死掉的是「一台機器搞定」的世界觀

2000 年前後，.com 浪潮把台灣工程師從單機軟體推向網頁與分散式系統。突然之間，延遲、吞吐量、部分失敗（partial failure）成了每天要面對的現實。當年很多單機時代的明星工程師跨不過去，因為他們的世界裡，函式呼叫要嘛成功要嘛失敗，不存在「三分之一的節點回應了但訊息順序錯了」這種事。

今天的對應版本更兇狠:AI 系統本身就是分散式系統——模型訓練卡在 All-Reduce 的通訊開銷，推論服務卡在 KV cache 的記憶體占用，這些都不是「會下 prompt」能解決的問題。懂底層的人看 AI 基礎建設，就像當年 DOS 工程師看記憶體地圖:哪裡有牆，一目了然。

第三次轉移正在發生:死掉的可能是「不看歷史」的自信

生成式 AI 這一波最危險的心態，不是不會用工具，而是相信工具等於能力。回顧前兩次轉移，存活者有一個共同點:他們把舊知識當成理解新系統的骨架。Erlang 的 actor model 早在 1980 年代就示範了訊息傳遞式併發，今天每個號稱革命性的前端框架，骨子裡都在重新發明半世紀前的概念。看得懂這條血脈的人，學新東西的速度比別人快，因為他們學的不是「新」，而是「舊問題的新解法」。

台灣的優勢其實就在這裡。半個世紀的硬體產業鏈，讓這座島上始終有一群離矽 very 近的工程師。當全球軟體圈集體往抽象層頂端遷移，願意往下挖的人反而變成戰略資源——因為 AI 的下一步瓶颈，大概率不在演算法，在記憶體頻寬與散熱。

黃金年代從來不是那個年代的專利。它是每一代工程師對底層保持好奇的那一刻。下一波被淘汰的，不會是還在寫程式的人，而是以為歷史與自己無關的人——問題是，你屬於哪一邊？