编程 ≠ 软件工程：AI 编程热潮下的认知危机与范式重构
2026-03-17 00:00:00
文章转载自"北大纵横"
Anthropic CEO Dario Amodei在《技术的青春期》中宣称：顶尖工程师借助AI可实现“指数级效率跃升”，并由此推断普通开发者将迅速被自动化取代。未来LLM将直接输出机器码，“编程语言和库文件都将变得多余”。 就在这种技术决定论甚嚣尘上之际，一位曾亲手奠定现代NLP基石的人物发出了截然不同的声音。fast.ai创始人、Kaggle传奇冠军、ULMFiT论文作者——这句话并非情绪化的嘲讽，而是一把精准的解剖刀，切开了当前 AI 编程叙事中最危险的认知盲区。 当我们将“写代码”等同于“软件工程”时，是否正在系统性地误解技术创新的本质？要理解Howard批判的深层逻辑，首先必须厘清两个常被混用的概念：编程（Programming）与软件工程（Software Engineering）。 编程是将已知逻辑转化为可执行指令的过程，其核心任务是语法正确性与功能实现。而软件工程则是在高度不确定的环境中，通过抽象建模、系统设计、持续迭代与协作治理，构建可维护、可演化、可扩展的复杂系统。Fred Brooks在1986年的经典论文《没有银弹》中早已指出：软件开发的瓶颈从来不在编码环节，而在“概念结构的构建”——即对问题域的理解、模块边界的划分、接口契约的设计以及演化路径的规划。Howard的实证观察印证了这一点：“我现在大约90%的代码由模型生成，但整体效率并未显著提升。”真正的开发时间消耗在需求澄清、架构权衡、调试推理、技术债管理与跨团队协同上，而非键盘敲击。据 IEEE 2023年对全球12,000名开发者的调研，平均仅17%的工作时间用于实际编码，其余均分配于沟通、设计与验证。 因此，将AI编程工具视为“生产力革命”的核心，本质上是一种因果倒置：当前 AI 编程工具最令人迷惑的，是其表面展现出的“创造性”。例如，Claude Code 曾用 Rust 实现一个 C 语言编译器，引发社区惊叹。然而，Howard 与 LLVM 创始人 Chris Lattner 的深入交流揭示了残酷真相：该实现并非原创，而是对训练数据中已有编译器模式（如 TinyCC、LCC）的高维插值。大语言模型的“创造力”本质上是组合式外推（combinatorial extrapolation），而非概念性突破（conceptual breakthrough）。它能在已知解决方案的空间内高效搜索最优组合，但无法跨越训练分布的边界。它没有目标函数，没有状态机，没有对程序语义的真正理解。正如计算机科学家Leslie Lamport所言：“程序不是文本，而是状态转换的规范。”开发者容易误以为模型理解了问题，从而跳过关键的验证环节。约38%的自动生成代码存在隐蔽逻辑错误，而使用者仅对其中12%进行了深度审查。Howard的批判不止于技术层面，更指向一场正在发生的认知能力退化危机。并非天生，而是通过数万小时的“必要之难”（desirable difficulty）锤炼而成。开发者在手动编写、调试、重构的过程中，逐步建立起对程序行为的内在表征。这种表征使他们能在脑中模拟执行流、预判副作用、识别耦合点。 而当前主流AI编程工具的设计哲学恰恰消解了这一过程。用户输入自然语言提示，模型返回完整函数，中间的认知黑箱被彻底遮蔽。开发者不再需要理解算法细节、内存布局或并发语义，只需“相信模型”。Anthropic 2024年的一项纵向研究佐证了这一趋势：在持续使用Claude Code六个月后，中级开发者（2–5 年经验）在系统设计题上的表现平均下降23%，而在基础语法题上提升 15%。当团队集体丧失对核心系统的深层理解，任何架构演进都变得举步维艰。Howard警告：“这些公司正在用 AI 加速走向不可维护的深渊。”面对这一困局，Howard并未否定AI的价值，而是提出了一种范式级的重构方案：将AI置入与人类相同的交互环境中，构建“人—机—AI”三方实时协作的生态。 该工具以Jupyter Notebook为载体，允许开发者在富交互环境中逐行执行、可视化对象状态、动态修改参数，并即时观察系统响应。AI代理同样运行于同一Python解释器内，可直接操作内存对象、调用函数、读取变量——Alan Kay的Smalltalk强调“活的对象”（live objects），Ken Iverson的APL主张“可执行的数学”，Stephen Wolfram的Mathematica追求“计算即文档”。降低认知摩擦，强化直觉反馈，让开发者与系统持续对话。 在nbdev中，AI不再是“代码生成器”，而是“协作者”。它可建议下一步实验、解释异常行为、生成可视化图表，但所有决策仍由人类主导。开发者通过微步迭代（micro-step iteration）持续验证假设，bug在诞生之初即被捕捉。Howard自述：“我几乎不用调试器，因为错误从未有机会隐藏。” 从直观交互切入（简单），经由系统复杂性展开（复杂），最终提炼出可复用的抽象模式（简单）。他指出，当前AI编程工具的商业模式正在加剧知识剥夺与权力集中。 开发者将创意、领域知识与调试经验输入封闭的商业模型，却无法获得相应产权或反馈控制权。平台通过用户交互数据持续优化模型，形成“免费劳动力—更强模型—更多依赖”的正反馈循环。据估算，2023年全球开发者为闭源AI模型贡献了价值超47亿美元的隐性训练数据。 当基础编程能力被外包给API，新一代开发者失去了“从零构建”的机会。而今，创新被限定在模型允许的插值空间内，真正的颠覆性思想因缺乏实践土壤而窒息。 苏美尔时期的书写权仅限祭司阶层，直到腓尼基字母简化后才普及。AI技术若要释放最大社会价值，必须走向“去中心化赋能”，而非“中心化控制”。否则，我们将迎来一个由少数科技巨头定义软件未来的时代——优秀的开发工具不应追求“替代人类”，而应致力于“增强人类认知”。1. 透明性：所有 AI 建议必须附带可追溯的推理链与数据来源，避免黑箱决策； 2. 可干预性：开发者应能随时介入、修改、否决 AI 行为，保持控制主权； 3. 认知共建：工具应促进开发者对系统内在机制的理解，而非掩盖复杂性。 在放射学中，AI标记可疑结节，医生专注诊断与治疗决策；在病理学中，AI量化细胞特征，专家聚焦生物学解释。这种“分工增强”模式既提升效率，又保留人类核心价值。 AI可承担重复性任务（如样板代码生成、格式校验、基础测试），但系统设计、架构权衡、异常处理等高阶认知活动必须由人类主导。工具的设计重心应从“生成完整函数”转向“支持探索式验证”。回看马斯克与Dario的论断，其根本谬误不在于高估AI，而在于低估了软件工程的复杂性。他们将编程简化为文本生成任务，忽视了其背后庞大的认知、协作与演化体系。 Howard的批判之所以有力，正因其根植于基本面研究：软件的价值不在于代码行数，而在于其承载的问题解决能力；工程师的核心竞争力不在于打字速度，而在于构建心智模型的能力；技术的终极目标不是自动化人类，而是扩展人类的可能性边界。 真正的技术革命从不来自对现有流程的简单加速，而源于交互范式的根本重构。从命令行到图形界面，从瀑布模型到敏捷开发，每一次跃迁都重新定义了“人如何与系统共处”。 AI编程的未来，不应是让模型替我们思考，而是创造一个让人类与AI在同一认知平面上实时协作的新环境。唯有如此，我们才能避免陷入Howard所警示的认知陷阱，在释放AI潜力的同时，守护人类创造力的火种。 这或许才是价值投资视角下，AI编程工具最值得押注的长期方向。
文中观点仅为作者观点，不代表本平台立场
各位读者朋友，公众号改了推送规则，如果您还希望第一时间收到我们推送的文章，请记得给北大纵横公众号设置星标。
点击左下方公众号“北大纵横”→点击右上角“...”→点选“设为星标⭐️”。 
