57年程序员生涯：从Fortran II到云端机器学习的职业见证

一位74岁程序员自述57年职业生涯，从1963年的IBM 1620机器编码到今日云端大数据反欺诈，见证并参与整个计算机时代的发展，为技术从业者提供了罕见的长期视角与职业启示。

一个跨越半个多世纪的起点

故事始于1963年5月。故事的主人公在Mitchell Engineering Company（一家供应钢结构建筑的企业）找到了人生第一份全职工作——计算机程序员。在那个年代，计算机编程还不是一个被广泛理解的职业，甚至程序员这个头衔本身都显得新奇。

他当时使用的工具是什么？IBM 1620——一台诞生于1959年的科学计算小型机。这台机器被官方定位为廉价科学计算机，但实际上它是一个以十进制运算为核心、内存以磁芯存储的经典设备。IBM 1620的内存最初只有20K数字，后来可扩展至60K，每个数字使用6位二进制编码表示（一种奇偶校验位+5位编码）。编程语言则是Fortran II——IBM于1958年发布的Fortran改进版本，引入了子程序和函数的重要概念，为结构化编程迈出了早期一步。

他的任务非常实际而朴素：用Fortran II编写程序，优化公司订单处理和履行的效率。在那个时代，企业刚意识到计算机可以自动化处理大量重复性商业逻辑，而钢结构建筑的订单流程涉及计算材料规格、重量、价格、工程参数，非常适合程序化。

57年从未间断——这是全文最核心也最惊人的事实。从1963年5月起，直至写作该文的2020年，他所有的工作岗位都与编程相关。这不是一项爱好或者偶发的副业，而是持续了半个多世纪的职业技术生涯。

职业路径的演进：从企业程序员到数据科学家

如果说前20年是传统企业级编程，那么他在中后期经历的转向对整个行业都有标本意义。他目前的工作角色是数据科学家，专注于基于云平台开发大数据反欺诈检测算法，核心工具是现代机器学习技术和其他高级分析技术。

这一转变并非偶然，他的学习路线揭示了一种系统性的自我迭代机制：

• 获得运筹学硕士（Operations Research）——运筹学作为一门应用数学学科，核心方法涵盖线性规划、网络优化、决策分析、博弈论，本质上就是今天算法思维的雏形。它培养了他对复杂系统建模和优化的能力。
• 获得管理科学硕士（Management Science）——管理科学更关注使用定量方法（统计、仿真、优化）来解决管理决策问题。这一步让他从纯工程视角向商业决策层面拓展。
• 在工程学院人工智能专业的博士项目中研读了3年——他虽然没有完成博士学位（文中未说明原因），但这三年的系统性AI训练使其在深度学习时代到来前已具备扎实的AI与非符号推理基础。请注意，他大约是1970年代中期至1980年代初攻读AI的，此阶段正是专家系统和早期神经网络（如感知器后遗症以及新连接主义的萌芽）重叠的时期。
• 66岁那年——可能有人觉得太晚了——他在一所本地大学（FAU，即佛罗里达大西洋大学）的商学院和计算机科学学院，同时获得了大数据分析研究生证书（Graduate Certificates in Big Data Analytics）。这发生在2018年左右，距离他退休年龄超过10年，但他选择重新进入校园补上现代分布式计算与数据产品的知识缺口。

此外，他持有认证分析专业资格（Certified Analytics Professional, CAP）——这是一个由INFORMS和美国统计协会等机构认可的中立跨行业认证，测试内容包括框定问题、获取数据、方法论选择、构建模型、部署与生命周期管理等完整数据分析价值链。

独特视角：几代技术浪潮的活化石

如果仅从时间跨度来看，这位程序员经历的完整技术变革值得用一层层技术浪潮来说明：

1. 主机与穿孔卡时代（1960s-1970s）：Fortran II在IBM 1620这类系统上运行，程序员往往需要理解硬件时序甚至裸机调度。编程工具薄弱，对机器行为的直接理解极为关键。
2. 结构化编程与个人计算机的萌芽（1970s-1980s）：高级语言结构日益成熟，Pascal、C语言兴起，软件工程开始受到关注。
3. 互联网与客户机/服务器时代（1990s）：企业级应用大量转向分布式架构，网络编程成为基本技能。
4. 移动、云与开源生态（2000s-2010s）：云计算平台如AWS/Azure崛起，大数据系统（Hadoop/Spark）催生了全新的数据工程位面。
5. 机器学习与AI原生应用（2010s至今）：深度学习框架（TensorFlow/PyTorch）将AI带入了可操作的实施阶段，预测建模成为现代反欺诈系统的根基。

他自身的轨迹完美踩在了每一次技术跃迁的浪尖：运筹学（数学化优化）→ 管理科学（量化决策）→ AI博士课程（智能算法）→ 大数据证书（分布式计算与分析能力）→ 云端ML反欺诈系统（大规模生产应用）。这是一种有意识的不断地重新学习以应对范式变化的生存策略。

关于反欺诈：一个极其硬核的领域

他目前的工作——云上大数据反欺诈检测——是所有实时系统中要求极高的一类。反欺诈系统的难点在于：

• 样本极端不平衡：真实欺诈交易占比往往不到0.1%，传统分类器面临严重的偏置问题，需使用欠采样/过采样（如SMOTE）、代价敏感学习或异常检测（Isolation Forest, One-Class SVM）等专门技术。
• 对抗性演化：诈骗者会主动适应检测规则，因此模型必须具备增量学习或在线学习的特征，通常需要频繁重训练和A/B测试。
• 实时性与吞吐的平衡：比如在支付领域，每笔交易只有几百毫秒的决策窗口，必须在流式计算框架（如Apache Flink/Kafka Streams）中嵌入机器学习模型，同时保证高可用一致性。
• 可解释性与合规性：金融监管（像公平信贷机会法案、GDPR）要求模型决策理由可回溯，单纯黑箱深度学习在严肃反欺诈线路上并不可行。因此很多生产实际采用梯度提升树（XGBoost/LightGBM）加SHAP归因解释的方法。

这个领域集合了数据工程、在线架构与MLOps——一个74岁工程师仍然站在当代技术的最前沿战斗，确实令人肃然起敬。

为什么没有退休？——超越生存的编程精神

文中最后一句措辞坚实但没有感伤：I still have no plans to retire or to stop programming（我74岁，依然没有退休或停止编程的打算）。

这背后可能有多重因素，而原文只呈现了最表层的核心：编程本身不是负担，而是认知世界的方式和乐趣的源泉。很多长期编码者都进入过所谓的心流状态（flow），在代码构建过程中获得持续的智力反馈。对于该主人公，57年来的完全投入使他已将编程内化为自我表达与思维延展的载体。

同时，他的经历对当下程序员具有切实的启示性：

1. 没有白学的知识体系：运筹学在1970年代可能显得学术，但它的优化与概率严谨性在50年后的机器学习中焕发新的价值和实用性。投入基础学科永远不会过时。
2. 转型需要大胆且持续：66岁去读大数据研究生课程——这不是年轻人专属的故事，学习不应设置年龄上限。
3. 能力大于职位头衔：他从程序员到数据科学家的转换并不是简单贴新标签，而是实际技术栈的系统升级；职业存活来自于可迁移的底层能力（算法、模型、系统理解）与新的工具栈结合。
4. 好奇心驱动长寿职业：技术颠覆每5-10年发生一次，如果没有正反馈和深度兴趣，很难在57年内持续迭代。编程为好奇心提供了无限的实验场。

总结思考

HN上的这则帖子吸引了大量评论和讨论，评论区既有25岁刚入行的新人表示深受鼓舞，也有四十几岁的程序员抱怨行业年龄歧视。网友都承认，这种持续更新的真实案例是对所谓35岁程序员退休线叙事的直接反击——虽然他的例子属于个体意志强的极端，但它警惕我们不要过早将职业局限在技术时髦词汇中。真正支撑职业生涯的，是不断的思维训练、问题抽象能力和对新工具打开的接纳心态。

一位1963年起在IBM 1620上编写Fortran II的程序员，现在依然每天与Python、Cloud、ML打交道——这不仅是美国计算机工业史的传承缩影，更是一剂给予所有过度焦虑的软件工程师们的镇静剂。编程很可能是一种智力长寿活动，只要你愿意一直不断地学习。

原文：https://news.ycombinator.com/item?id=23366546