解决了“错误的问题”：对AI编程热潮的深度反思
每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/
在AI辅助与AI主导编程逐渐普及的今天，越来越多的从业者沉醉于自动生成代码的惊艳表现。然而，对于经验丰富的软件工程师Uwe Friedrichsen而言，这场“革命”始终带着一种隐隐的不协调感——我们可能正在用一种极其强大的技术，去解决一个根本不是问题的问题。
以下是他对当前AI软件开发热潮的冷静拆解与深刻反思。
一、AI编程的两个版本：辅助者与主导者
Uwe将AI编程分为两个阶段：
-
AI辅助编程：人类写代码，AI作为助手支持流程。
-
AI主导编程：AI生成整个解决方案，人类仅在外围观测行为，这种方式被戏称为“vibe coding”。
尤其在第二种场景中，AI生成的代码表现令人惊艳——它能实现复杂逻辑、集成多种功能模块，甚至有“奇才”般的创造力。
但同时，它也像一个注意力极度分散的天才儿童，频繁走神、忘记目标、偏离约束，需人类不断提醒其回归正轨。
更令人困惑的是：AI有时能在整体表现优秀的代码中，突然插入一段完全不合逻辑的错误语句。
即便如此，Uwe承认，AI的技术潜力令人赞叹。但即便放下种种担忧、全力以赴接纳AI，依然存在那种难以言明的不安：我们，真的解决的是“对”的问题吗？
二、LLM的工作原理意味着什么？
LLM（大语言模型）并不是真正意义上的“智能体”：
-
它基于概率进行响应：对输入进行模式匹配，生成最可能的下一个Token；
-
它不能进行真正的创造，只能在训练中“见过的知识”范围内进行组合；
-
所谓的“创新”往往是对既有知识的重新拼接。
这意味着：如果AI生成了可用的代码，那它“看过”类似代码的可能性极高。
Uwe通过一个Rust编程的案例进一步说明了这个问题：
-
当AI被要求直接生成Rust代码时，它失败了；
-
但当先生成Python代码再转换为Rust时，它成功了；
-
原因在于训练数据中Python样本远多于Rust样本；
-
本质：AI“生成力”的上限 = 它训练数据的质量与广度。
三、AI是在加速“重复造轮子”？
既然AI生成的代码很大概率是“它见过很多次”的代码，那么问题来了：
如果这些代码如此常见，为何它们不早已封装成库、框架，甚至平台服务？
为何AI仍需要一次又一次“重写”这些早已存在的解决方案？
我们是否沉迷于“重复制造轮子”，却忽视了应该抽象的方向？
Uwe的判断是：我们用AI加速生产的是重复性劳动的堆叠，而非对复杂问题的根本解决。
四、“AI让我做出一款iOS App！”——真的是生产力飞跃吗？
Uwe指出，许多对AI编程赞不绝口的“先锋”往往并非专业开发者：
-
他们不具备语言或生态知识；
-
他们做出的只是一个简单的玩具或原型；
-
AI只是填补了他们知识上的缺口，而非真的带来“效率革命”。
这种现象掩盖了一个核心问题：AI提升的是对“知识门槛”的穿透力，不是“工程能力”的跃迁。
而真正写生产级代码的开发者，几乎没人说“AI让我的速度提升了10倍”。
他们说的更多是：AI让工作更轻松了，能少做些无聊事。
五、AI生成的代码质量会更好吗？未必。
支持AI编程的一个普遍说法是：反正现在的代码质量也不高，AI生成的“也就那样”，还能更快，不好吗？
Uwe承认，大多数企业软件确实只达到“勉强能用”的水平。
但他指出：
AI的训练数据就是这些低质量代码！
AI从中学习，再反哺生成；这意味着我们在用AI重现我们想摆脱的“问题代码”。
本质问题不是人类开发者效率低，而是整个行业缺乏系统性、工程化、教育投入——AI并不能弥补这些。
六、真正的问题：缺乏教育与持续训练
Uwe揭示了开发行业被忽视的真相：
-
许多软件开发者并没有接受过正式的计算机科学教育；
-
很多人是“转行”来的，靠培训班上岗，基础薄弱；
-
公司普遍不重视持续培训，缺乏对“长期能力”的投资；
-
即使有基础，IT变化太快，不更新技能就会被淘汰。
我们创造了一个机制，它产出的是劣质代码；现在，我们又指望用AI更快地产出更多劣质代码。
七、“业务需要更多功能！”——真的吗？
Uwe指出一个被广泛忽视的问题：我们是否真的需要那么多功能？
他总结了企业中常见的恶性循环：
-
需求提出：业务说“我们需要更多功能”；
-
功能上线：但实际并未带来业务提升；
-
误判根因：领导层认为“功能不够多”，继续提出更多需求；
-
再开发、再失败，循环加剧。
这导致：
-
大量无用功能堆积在代码库中；
-
软件复杂度（尤其是意外复杂度）飞速增长；
-
开发效率越来越低；
-
AI介入后，只是加速这个恶性循环罢了。
八、讽刺的是：AI要求我们重视的，正是我们一直忽视的
最后一击讽刺性极强：
为了让AI写出高质量代码，必须提供明确的需求和良好的架构设计。
而这正是过去几十年人类开发者不断请求却被拒绝的东西。
企业一边无视人类开发者对“设计时间”的需求，另一边却愿意为AI去写更好的文档。
这无疑反映出一种对技术的非理性崇拜，以及对人类工程能力的轻视。
总结：我们正在用AI解决“错的问题”
Uwe总结了他的“nagging feeling”来自哪里：
-
LLM的能力本质上是组合训练数据的重构；
-
大量AI粉丝其实只是缺乏知识而获得了一种“捷径”；
-
经验开发者并未显著加速，AI带来的只是便利；
-
系统性教育缺失才是“代码质量差”的根源；
-
企业急功近利、低投入培训，反而指望AI治愈一切；
-
功能膨胀、需求盲目，导致了软件系统的崩溃；
-
我们几十年来都忽视了设计与文档，现在却为了AI去认真对待这些；
-
而所谓的“AI解决方案”，根本不曾触及以上任何核心问题。
Uwe的结语：
“LLM 是令人惊叹的技术。但如果我们只是盲目地将它们应用于一切，我担心它最终只会巩固现有弊病，并放大软件开发中已有的问题。”
真正令人兴奋的不是“AI可以写代码”，而是如果我们先解决已有问题，再使用AI，那才是真正的飞跃。
我们不需要用AI制造更多废料，我们需要的是彻底重新思考问题本身。
AI本身并非错误，但把AI用在错误的问题上，是。