Skip to content

巴别塔上的风景：AI 时代的一些思考

· 11 min

有个问题我一直在想。如果 AI 能帮你写出完全能用的代码，做出看起来专业的东西，拿到真实的结果，那花几百个小时自己练，到底还有没有意义？

2025 年 2 月，Karpathy 发了条推文，说自己写代码全凭感觉。不看 diff，不读生成的代码，报错直接贴回去。450 万次浏览。Collins Dictionary 年度词汇。一夜之间所有人都在 vibe code。

大家忽略了一个细节。Karpathy 是 OpenAI 前研究副总裁，Tesla Autopilot 前负责人。他写了二十年代码。他的「凭感觉」，建立在他闭着眼睛都能写出来的基础上。

一个专家的放松模式，传着传着就变成了新手的学习方法。

METR 找了 16 个资深开源开发者，平均十几年经验，用 AI 完成 246 个真实任务。结果速度慢了 19%。但开发者自己觉得快了 20%。感知和现实之间差了 43 个百分点。

Wharton 的研究更直接：大约一千名高中生用 ChatGPT 做数学练习，成绩涨了 48%。把 AI 拿走考试，成绩比从没用过 AI 的学生低 17%。

这两个实验测到的是同一个东西。AI 制造了一种「我会了」的错觉。你看着 AI 生成的答案觉得都懂，但那是识别，不是理解。认知科学里有个概念叫存储强度，就是信息在你脑子里扎得多深。看一遍答案能拉高你此刻的熟悉感，但存储强度几乎没动。

真正让知识扎下去的是主动提取：不看答案，先从脑子里拼。这个过程很慢，经常拼不出来。但 Bjork 的研究发现，提取越费劲，存储扎得越深。他管这叫必要难度。

AI 做的事情，恰好是把必要难度拿掉了。不只是学习。用 GPS 导航三年的人，海马体依赖的空间记忆显著退化。不是因为他们天生方向感差才用 GPS，而是用了 GPS 之后方向感才变差的。用进废退不是比喻，是生理事实。

上面说的都是学习层面的：AI 让你跳过了练习，所以没真正学会。道理很清楚。可如果换个角度呢？

如果你不需要学会呢？

伦敦的 black cab 司机要考 The Knowledge，花四五年把两万五千条街道记在脑子里。神经科学家扫描他们的大脑，发现司机们的海马体确实比普通人大。

但对乘客来说，black cab 价格贵，叫车不方便。早期的 GPS 确实不靠谱，定位漂移、路线绕远、不知道哪条路在修。但今天的地图应用实时更新路况，精确到每个路口。Uber 2012 年进了伦敦之后，2014 年有两万五千多名持证出租车司机，到 2025 年只剩一万六千多，2024 年全年只发了 104 张新执照。

一个人用 AI 做了一个产品，用户喜欢，能解决问题，能赚钱。他不懂底层实现，但结果是实实在在的。你说他不行，依据是什么？就像你说一个用 Google Maps 的 Uber 司机不如一个背了四年街道的 black cab 司机。但乘客到了，花的钱更少，等的时间更短。

这是我真正卡住的地方，认知科学告诉我过程重要，但现实不断在展示结果就够了。

Peter Steinberger 做了二十年 iOS 开发，创办过 PSPDFKit，退休后回来用 AI 做了 OpenClaw，GitHub 上 27 万星。他用 AI 用得很猛。但你用 OpenClaw 的时候能感觉到，很多细节做得很舒服。这种 taste 不是 AI 能生成的。AI 帮他跑得更快，但方向盘一直在他手里。

Django 的作者 Simon Willison、Google 的工程总监 Addy Osmani，也在大量用 AI 写代码。但他们的共同点是：关掉 AI，照样能判断代码好不好。

但能不能判断好坏，才是真正拉开差距的地方。

AI 给你五个方案，你选哪个？它生成了一段逻辑，你怎么知道有没有漏洞？当你自己没有建立过判断框架，你只能选「看起来最专业的那个」。但「看起来专业」恰恰是 AI 最擅长制造的东西。

你的产出完全依赖一个你无法评估的黑箱。

今天它给的结果碰巧是对的，你觉得自己很厉害。明天它错了，你不会知道。

2009 年法航 447 航班在大西洋上空遭遇空速传感器结冰，自动驾驶断开。两名副驾驶需要手动接管，但他们几乎没有高空手动飞行的经验。失速警报响了 54 秒，他们始终没有做出正确的恢复动作。4 分 20 秒后，飞机坠入大西洋，228 人遇难。

同一年，萨利机长的飞机在起飞后撞上鸟群，双引擎全部失效。从撞鸟到迫降哈德逊河，一共 208 秒。他后来说：「42 年来我一直在往经验银行里存小额存款。1 月 15 日那天，余额刚好够我做一次大额提取。」NTSB 做了模拟测试，发现即便让飞行员提前知道会撞鸟、立刻掉头，加上 35 秒的判断延迟后，每一次模拟返航都坠毁了。萨利的判断不只是「一个好决定」，是唯一活路。

同样的故事发生在 2018 年。四川航空 8633 航班，风挡玻璃在万米高空爆裂脱落。驾驶舱瞬间失压，温度降到零下 40 度，风速接近飓风，副驾驶被吸出窗外一半。自动驾驶失效，仪表板损毁。机长刘传健靠手动操控，在几乎看不见仪表的情况下把飞机飞回了成都。128 人全部生还。

三个案例，同一个规律：自动化越强，手动接管的机会越少。但一旦需要接管，能不能活下来，完全取决于之前积累了多少。

但我还是没想通那个更大的问题。

这些人已经花了十几二十年建立底层能力，今天能把 AI 当杠杆用，前提是判断力早就在了。可对正在学的人来说，路径可能完全不同。也许未来真正值钱的不是写代码，而是知道该写什么、判断写得对不对。但「知道该写什么」能不能跳过「自己写过」直接到达？

Bjork 的研究说不能。深度加工需要你亲手跟问题较劲，这个过程没法外包。但他的结论来自 AI 之前的世界。

当 AI 不只是帮你做事，而是帮你筛选信息、构建观点的时候，你怎么确定那些「你的想法」真的是你的？你读的摘要是 AI 挑的，你做的决定是在 AI 框定的选项里选的。每一步看起来都是你在选。但选项空间是别人划的。

Jobs 说过，“People don’t know what they want until you show it to them.” 心理学家 Slovic 的研究更进一步：偏好不是提前存在等你去发现的，是在你做选择的那一刻被建构出来的。问法不同，答案就不同。如果连「我想要什么」都是被框架塑造的，那当 AI 成为你最主要的框架提供者，你的选择还在多大程度上是你的？

也许三年后回看，今天的焦虑全是多余的。也许 AI 真的会重新定义什么叫「能力」，就像计算器重新定义了什么叫「会算数」，过程真的不重要了，只要结果够好。

但在还看不清的时候，我觉得至少有一件事值得做：搞清楚哪些东西是自己真懂的，哪些是借来的。

参考