stackoverflow的调研针对其社区的所有用户,主要给出了两个调研结果。
第一项:全球薪水最高的技术(Top paying tech)
画外音:我看了下,对比的都是开发语言,我觉得叫 Top paying dev language 可能更合适一点。
调研涉及到的技术太多了,很多领域我都不了解,选了一些有特色的单独拿出来一起看一下:
年薪10W+(单位:$)
Zig(10.3W)
平均年薪大于10W的技术仅此一项,有童鞋了解吗,这个语言一般在什么场景使用到?
年薪9-10W
Erlang(9.9W) > Ruby > Lisp > Scala > Perl > Go(9.3W) > Objective-C(9W)
Go做后端,目前在国内逐步流行起来了。
Objective-C,作为端上的开发语言扛起了大旗。
年薪8-9W
Rust(8.7W) > swift(8.6W) > shell > Lua(8W)
Rust和Lua是特定场景需要。
shell是指运维方向吗?
年薪7-8W
Python(7.8W) > Kotlin > TypeScript(7.7W) > Assembly > Fortran > Cobol > C#(7.5W) > C++(7.5W) > R > C(7.4W) > JavaScript(7.4W) > Java(7.3W)
Python,C++/C,JavaScript,Java,最流行的技术体系在这一档。
画外音:学的人多,供需关系不平衡,叫不上价。
年薪6-7W
Delphi(6.9W) > VB(6.5W)
Delphi和VB,国内用的不多吧?
年薪5-6W
PHP(5.9W)
根据调研数据,有一些问题值得我们思考。
问题一,某项技术薪水高,代表该技术流行吗?,
显然不是,代表的是市场供需关系,说明23年对该技术的需求大于人才供给,所以企业愿意支付高薪。
问题二:大家问问自己的体感,自己公司使用的技术栈,是相对集中,还是相对开放?
在中国,为什么技术的选型相对保守?
是行业发展,在中国更为落后?
是社区支持,在中国不够?
是学习资源,在中国跟不上?
...
我个人觉得,与企业对技术的定位,与技术人对自己的定位有关:如果定位是搬砖,那我们搬就好了,完成工作就好了,创什么新呢?
试点新技术,成了,不涨薪,败了,要背锅,还是怎么稳怎么来吧?
整体的畸形技术文化,浮躁的技术氛围,导致了技术发展较慢,社区支持不够,学习资源跟不上...
问题三:
世界上最好的编程语言,为什么沦落到年薪倒数第一?
是PHP语言本身的问题?性能、异步、框架...
是社区的分裂?
是其他语言的强势崛起?
...
值得我们思考。
其二:技术岗位年薪变化
对比周期:23年 vs 22年
我也选了一些技术单独拿出来一起看一下:
涨幅超过20%+
SAS > Dart
SAS和Dart一般用在什么场景,趋势看上去很“朝阳”呀,值得转行吗?
涨幅超过10%+
JavaScript > Swift > PHP > Java > R > Python > C > C++
Python,C++/C,JavaScript,Java等国内主流技术,年薪居中,涨幅也居中,能不能说明技术比较稳定?
我大PHP虽然薪水低,但对比22年,涨幅高呀!
涨幅超过0%+
Objective-C > TypeScript > Delphi > Ruby > C# > perl > go > lua
是不是Objective-C和go薪酬太高,涨不动了?
涨幅为负数(越小降幅越大)
Rust > Erlang(-4%) > Fortran(-5%) > Crystal > Clojure(-10%)
这里值得我们思考的是,相比22年,为什么有些岗位平均年薪还还降了呢?
我的想法是:
(1)不是从事这些岗位的程序员普遍降薪了;
(2)是相关岗位的从业者,选择了转型,离开了;
(3)进入相关岗位的新人,拿不到原来匹配的offer;
这些迹象表明,对于技术的发展趋势,或者说市场对该项技术的需求,是走下坡路的,企业不再愿意支付这么高的报酬了。
结束语
看完上面的薪酬调研结果,我百感交集:
为什么我们的技术栈选型,没有国际丰富?
技术岗的定位,是搬砖吗?
为什么有些岗位,平均年薪在下降?
供不应求的技术,要去学习吗?
身处夕阳技术岗位,要考虑转型吗?
曾经最好的编程语言,为什么沦落为年薪倒数第一?
…
好文章,需要你的鼓励
周一AWS美东数据中心DNS故障导致数百万用户和上千家企业断网,Reddit、Snapchat、银行和游戏平台均受影响。专家认为这凸显了冗余备份的重要性,CIO需要根据业务关键性进行风险评估,优先保护核心系统。单一供应商策略仍可行,但需通过多区域部署分散风险,建立故障转移计划。金融、医疗等高风险行业需更高冗余级别。
上海AI实验室等机构联合提出FrameThinker框架,革命性地改变了AI处理长视频的方式。该系统采用"侦探式"多轮推理,先快速扫描全视频获得概览,再有针对性地深入分析关键片段。通过两阶段训练和认知一致性验证,FrameThinker在多个视频理解基准测试中准确率平均提升10.4%,计算效率提高20倍以上,为AI视频理解领域带来突破性进展。
英国政府发布新的反勒索软件指导文件,旨在解决供应链安全薄弱环节。该指南与新加坡当局联合制定,帮助组织识别供应链问题并采取实际措施检查供应商安全性。英国国家网络安全中心过去一年处理了204起"国家重大"网络安全事件。指南强调选择安全可靠的供应商、加强合同网络安全条款、进行独立审计等措施,以提升供应链韧性和防范网络攻击。
复旦大学团队创建MedQ-Bench基准,首次系统评估AI模型医学影像质量评估能力。研究覆盖五大成像模式,设计感知-推理双层评估体系,意外发现医学专用AI表现不如通用AI。结果显示最佳AI模型准确率仅68.97%,远低于人类专家82.50%,揭示了AI在医学影像质控应用中的现实挑战和改进方向。