AI 會取代我們嗎 ？
下一篇，如果你想學編程 ，害快注意每個問題的写代根源都可以追溯到我們前麵章節的知識 ：
| 問題 | 表現 | 根源（回溯前文） | ||
|---|---|---|---|---|
表麵能跑
，他會說"把側邊欄的多厉但错多內邊距減半"這種大白話
，直接全部接受
。害快而不是写代對你業務的理解
。你不需要背誦 for循環的多厉但错多寫法——AI 會替你寫 。數據充足、害快但讓"設計係統""判斷質量""理解需求"變得更加重要 。写代你甚至不需要看懂代碼——看結果就行 。多厉但错多記得 Karpathy 說的害快那句"用來隨手做點周末項目還不錯"嗎 ？這句話暗示了一個重要的分界線 。也是写代 AI 幫不了你的部分 。你來檢查 。多厉但错多它在 A 文件裏把日期格式定義為"2025-01-15"，害快不是編程術語 。 2023 年 1 月 ， 這也和 Karpathy 的話完美呼應 ：VibeCoding 適合"周末小項目"——因為小項目模式簡單 、 當一個項目隻有幾個文件 、但"這個循環為什麽要跑 10 次而不是 20 次""這裏應該用什麽數據結構""這兩個功能之間的依賴關係是什麽"——這些判斷需要你自己來做 。 2025 年 7 月 ，軟件開發崗位到 2033 年將增長約 17%，它們是"超級模式匹配器"的必然局限——當匹配所需的信息超出了訓練模式或上下文窗口 ，調試和修改 。不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解） | ||||
| 不理解業務需求 | 65% 開發者反映 AI 缺失上下文 | AI 在"續寫"代碼
，可以直接用自然語言對話來寫代碼）更是創造了軟件行業的增長奇跡——成立僅兩年就達到了 3 億美元的年化收入
， 代碼語法是模式 ，而是用語音跟 AI 說話 。發現了很多有意思的東西 ，"能駕馭 AI"的崗位在增加。 美國勞工統計局（BLS）預測 ，需求明確 、"這個應用應該分成幾個模塊 ？數據怎麽流動？用什麽技術方案 ？"——這些需要理解整個項目的目標 、不理解你的業務規則 這個"缺失上下文"具體長什麽樣 ？Qodo 的報告指出， 編程的本質不是寫語法 ，模式極其明確 。企業對財務分析的需求因此暴漲。會發生什麽 。 Part2 ：AI 編程到底能做到什麽——一起來看看光說數據可能還不夠直觀 。 仍然需要人做的架構設計 。 斯坦福數字經濟實驗室的研究發現 ，遇到報錯 ？把錯誤信息直接複製給 AI，而暴露出來的永遠是那個"真正需要人的思考"的部分 。 1980 年代 ，這可能是 AI 編程給我們最大的啟示。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶） | ||
| 項目大了前後矛盾 | 大型項目中 AI 反而拖慢 19% | 超出上下文窗口 ，程序就出了問題 。
| AI 代碼邏輯錯誤高出 75% | AI 匹配最常見的代碼模式 ， 更有趣的是感知和現實的差距 ：開發者在做任務之前預估 AI 會讓他們快 24%；做完任務之後 ， "我該不該學編程 ？"如果你之前因為"語法太難記"而對編程望而卻步 ，有四分之一的代碼庫幾乎完全由 AI 生成 。但要做好 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，恰好在 AI 的能力範圍之內。報錯信息在訓練數據中大量出現，用 AI 放大你的優勢而非替代你的思考 。但實際測量的結果是——慢了 19% 。測試生成和代碼審查這些關鍵任務中 ， Part4 ：正確的姿勢——AI 編程適合做什麽知道了 AI 編程的優勢和局限後 ，進而刺激更多的軟件需求——總體效果是需要更多而不是更少的開發者 。" VibeCoding——這個詞後來入選了維基百科詞條 。還一起看了它在編程這個最擅長的領域裏的表現和局限。 他說 ："代碼的規模已經超出了我通常理解的範圍——如果要仔細讀一遍，歡迎分享+關注 。每種編程語言都像一本規則手冊 ，在代碼重構 、 研究中一位開發者的反饋很說明問題："AI 在代碼的其他部分做了一些奇怪的修改 ，不代表代碼正確 。超過 1.5 億開發者在上麵協作 。擁抱指數級增長 ，" 他這句輕描淡寫的話，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，不是"解決問題"這個能力。AI 替代的是"敲代碼"這個動作 ，30 歲以下年輕程序員的就業率下降了約 6%；而 30 歲以上程序員的就業反而增長了 6-13% 。 學習新語言和新框架 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。兩邊不一致 ，讓代碼"能跑"容易， 但短期有一個值得關注的信號：入門級崗位在收縮 。先來理解一個更根本的問題 ：為什麽編程恰好是 AI 最擅長的領域之一？ 上一篇我們已經知道
，代碼提交量提升了 8.69% ，需要理解的部分永遠需要人——AI 降低的是編程門檻，結果可驗證時 ，即程序讀寫數據的操作）的問題更是高出近 8 倍 這意味著什麽
？AI 寫的代碼經常"看起來能跑" ，代碼量小 ，他們怎麽使用產品 、他在做一個他自己都不完全看懂的程序——但程序跑起來了 。 他們找了 16 名經驗豐富的開源開發者——這些人平均在自己的項目上工作了 5 年——隨機決定每個任務是否允許使用 AI 工具
。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。不確定可不可行？讓 AI 先做一個粗糙版本出來
， 這些數字很漂亮 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法
，主要級別的問題多了 1.7 倍 一句話回顧AI 讓寫代碼快了 55%，也是這個係列的最後一篇 ，於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你 ，"修改了舊數據後要不要重新觸發校驗 ？""用戶刪除賬號後曆史數據保留多久 ？"——這些不是代碼問題 ，到 2025 年底估值達到約 90 億美元 。 Part1 ：為什麽 AI 特別擅長寫代碼在搞清楚 AI 編程能做到什麽之前 ，你可以告訴 AI"用 JavaScript 實現這個功能"，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。AI 見過無數"錯誤-原因-解法"的模式對 ，所有代碼都在遵循這些規則——形成了極其規整的模式 。它就顧不上了 。 曆史給了我們一個有用的類比。246 個任務做下來 ，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。AI 生成的代碼改動 ？他全部直接接受 ， 埃森哲（全球最大的谘詢公司之一）做了一項更嚴格的隨機對照實驗 ：使用 Copilot 的開發者 ，AI 來生成代碼 。讓我們慢慢拆解 。忘記代碼的存在……我就是看看效果 、 先看長期趨勢 ：整體需求在增長。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，以及這種"滿"本身又會製造什麽問題 。直到搬到馬尼拉才第一次接觸電腦 。AI 很可能用"浮點數"（計算機中表示小數的常見方式）來做加法 。 但如果故事在這裏結束，想分享給你 。編程中有大量高度固定的模式 ：數據庫連接 、他不用打字 ，結果容易驗證。不變的是對邏輯的思考 。 這也解釋了為什麽 AI 編程工具的增長速度如此驚人—— GitHub Copilot（GitHub 推出的 AI 編程助手 ，結果是 ： 使用 AI 工具的開發者反而慢了 19% 。AI 不知道你的用戶是誰 、因為懶得自己去代碼裏找具體位置 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、這意味著 AI 的輸出可以被立刻檢驗——這正是三問判斷法裏最關鍵的"可驗證"條件 。成為有史以來達到這個裏程碑最快的軟件產品之一， 在菲律賓 ，
讀者可能會問的兩個問題"程序員會不會失業？"這個問題幾乎每個人都在問 。但更高的生產力會降低軟件的開發成本 ，即可訂閱 。迭代而非一次到位、AI 自動化掉的永遠是那個"模式匹配"的部分 ，而是"隻會寫代碼"的崗位在減少 ，當 AI 處理了語法層麵的事情後 ，也更難被機器替代 。說說想法 、而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，AI 理解他的意思後 ， 讓我們來看看 ，但 Karpathy 描述了自己的真實工作流程 ：他用語音輸入（一款叫 SuperWhisper 的語音工具）跟 AI 說話 ，連看都不看 。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、遇到一個看不懂的報錯信息？丟給 AI 。 適合交給 AI 的原型開發和快速驗證 。很多人預言會計職業將會消亡 。你有一個想法 ，模式匹配的部分被自動化了 ， 分界線在哪 ？就是三問判斷法 。讓我們來看看 AI 編程在實際中長什麽樣 。看看效果 。而是因為 AI 寫得又快又好 。AI 寫代碼不是什麽"魔法" 。在"做得更完善"和"差不多就行"之間做取舍——這些是編程真正的核心能力 ， 這背後的道理 ，AI 時代的好消息是 ：語法門檻確實大幅降低了 。 比如 ，你可能會注意到一件事：當你清楚知道自己要什麽時 ，使用 AI 後 ，模式匹配器就能發揮最大威力 。AI 就"迷路"了 還記得第 6 篇講的"上下文窗口"嗎 ？這是 AI 一次能"看到"的信息長度限製。Signal Fire 的報告顯示 ，讓我們一起認真聊聊這個問題 。模式明確 、它消滅的是"手敲代碼語法"這個動作 ，其實藏著很深的含義 。 數字背後的驅動力 ，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"。但如果 AI 能寫代碼 ，需求變複雜 ， 所以 ，後續文章也會持續更新 。 AI 編程工具和電子表格是同一個故事的新版本 。需要人來做 。它和 AI 識別人臉（第 1 篇） 、 編程語言不像人類語言那樣模糊 。直接修改代碼文件。AI 就開始出錯。 修 bug 和理解報錯 。但"這個產品應該解決什麽問題""這個功能的邊界在哪裏""這段代碼的邏輯對不對"——這些是理解 ，正確的使用方式就清晰了。約束和取舍。
互聯網上有海量的公開代碼 。寫作如此，模式匹配在這裏力不從心。依據的是訓練數據中的統計模式 ，但做的不是你想要的） 。給你一個盡可能完整的回答 。 第三 ，為自己的社區建了一個資源共享應用 。甚至可能不在你給它的對話上下文裏 。AI 就幫她生成了可用的程序。數據充足、 Replit（一個在線編程平台）的 CEO 則分享了另一個數字 ：他們平台上有大量非程序員用戶通過自然語言描述來構建應用——他們隻描述想要什麽 ， 第二 ，AI 不知道這個區別 ，在農村長大， 個人錨點如果你也試過讓 AI 寫代碼 ， 代碼審查 。分析了 470 個開源項目的代碼提交 。AI 寫的每一行代碼 ，幾百行代碼時 ， 參考資料
訂閱如果覺得有意思 ，接口定義、而編程恰好是三個條件全滿的黃金場景 。我花了不少時間去找到並撤銷這些改動 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。不知道哪些邊界情況需要特殊處理——因為這些信息不在訓練數據裏 ，邏輯有錯 CodeRabbit（一個 AI 代碼審查平台）在 2025 年 12 月發布了一份《AI 與人類代碼生成現狀報告》 ， 舉個例子 ：如果你讓 AI 做一個記賬工具，這不隻是頂級 AI 專家才能做的事 。
上一篇 ，反而大幅增長 ，Stack Overflow（全球最大的編程問答社區）上有超過 2300 萬個編程問答——每一個都是一對"問題-解決方案"的模式 。因為它不"理解"你在做記賬工具——它隻匹配"數字相加"的最常見寫法 。它描述的是一種全新的編程方式 ：你不寫代碼 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，AI 來實現。 最後一個問題 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，跑跑程序 、而是會重新定義開發者的角色——從"寫代碼"轉向"設計係統和管理 AI 工具" 。讓 AI 來寫，" 把三個問題串起來讓我用一張表來總結，遠超所有職業平均 4% 的增長率 。配置文件 。然後輸出——但"最常見的模式"不等於"在你的具體場景中最正確的做法" 。 先從一句話說起 。都需要有人審查。複製粘貼一下 ，然後對照 AI 生成的代碼來學習 。 非程序員的真實案例更令人驚訝的是 ，AI 給出的東西怎麽改都不對。得花好一會兒。結果很說明問題 ：
|
這三個問題不是意外。隻有 3.8% 的開發者對 AI 代碼有足夠信心直接發布——96.2% 的人認為仍然需要人類審查。這是典型的模式匹配強項。拆開了 AI 的黑箱 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，
性能優化 。學會了怎麽和它一起工作 ，讓我們一起來探索這個問題 。
想清楚一個工具應該怎麽工作 、
代碼能不能跑 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。
相关文章
精彩导读
热门资讯
关注我们
