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
当AI遇到空间推理难题:最新研究揭示GPT-4等顶尖模型在传送门解谜和立体拼图中集体"挂科",复杂智能远比我们想象的更难实现。
大连理工大学和浙江大学研究团队提出MoR(Mixture of Reasoning)方法,通过将多种推理策略嵌入AI模型参数中,让AI能自主选择最适合的思考方式,无需人工设计专门提示词。该方法包含思维生成和数据集构建两阶段,实验显示MoR150模型性能显著提升,比基线模型提高2.2%-13.5%,为AI推理能力发展开辟新路径。
2025施耐德电气智算峰会上,全新EcoStruxure(TM) Energy Operation电力综合运营系统正式亮相,定位场站级智慧能源管理中枢,集技术领先性与本土适配性于一体。
剑桥大学研究团队开发了FreNBRDF技术,通过引入频率修正机制显著提升了计算机材质建模的精度。该技术采用球面谐波分析提取材质频率信息,结合自动编码器架构实现高质量材质重建与编辑。实验表明,FreNBRDF在多项指标上超越现有方法,特别在频率一致性方面改善近30倍,为游戏开发、影视制作、电商预览等领域提供了重要技术支撑。