當(dāng)大腦不再負(fù)重，技術(shù)肌肉就開始萎縮。

作者｜Moonshot

編輯｜靖宇

「自然語言就是新的編程語言。」這句話在過去一年里被無數(shù)人奉為圭臬。

特斯拉前 AI 總監(jiān) Andrej Karpathy 帶火的 「Vibe Coding」（氛圍編程）更是讓這種狂熱達(dá)到了頂峰——你不需要懂語法，不需要管實現(xiàn)，只要對著 AI 喊出需求，然后 Check 一下感覺（Vibe）對不對就行了。

聽起來，程序員的門檻似乎要被抹平了。

但就在上周，大模型領(lǐng)域的「優(yōu)等生」、Claude（也是最受歡迎的 Vibe Coding 模型之一）的母公司 Anthropic 居然自己跳出來，給這股熱潮潑了一盆冰水。

圖源：arxiv

他們發(fā)了一篇題為《AI 如何影響技能形成》的硬核論文，告訴我們一個殘酷的真相：如果你在學(xué)習(xí)新東西時過度依賴 AI，你不僅不會變快，你的核心能力還會出現(xiàn)顯著退化。

甚至，你可能正在變成一個「半廢」的工程師。

01

人是輕松了，腦子也廢了

Anthropic 的研究員這次很較真，他們找來 50 多位有經(jīng)驗的 Python 程序員，搞了一場「閉卷考試」。

考題是讓大家去學(xué)一個從來沒用過的冷門 Python 庫：Trio，來完成一系列異步編程任務(wù)。這完美模擬了程序員在工作中經(jīng)常遇到的場景：老板突然讓你用一個你沒見過的工具/框架去解決問題。

程序員被分成了兩組：

「手動組」： 只能看官方文檔，用 Google 搜索，嚴(yán)禁使用 AI。

「AI 組」： 配備了一個基于 GPT-4o 的強大 AI 助手，可以隨時提問、讓它寫代碼、修 Bug。

任務(wù)結(jié)束后，所有人都參加了一場原本用于檢驗「學(xué)習(xí)成果」的考試。

考試內(nèi)容包括編程語法、對代碼邏輯的理解、閱讀代碼的能力，以及調(diào)試（Debugging）能力。

大家的第一反應(yīng)肯定是：AI 組肯定秒殺「土法煉鋼」組吧？畢竟這可是 GPT-4o 級別的輔助。

但實驗結(jié)果出來后，所有人都沉默了。

無 AI 組問答得分普遍高于 AI 輔助組｜圖源：Anthropic

最明顯的結(jié)果是：成績不好。數(shù)據(jù)顯示，使用了 AI 的那組人，考試得分平均比手寫組低了 17%。

論文中特別提到，分差最大的領(lǐng)域在于調(diào)試（Debug）。

這并不意外，畢竟 Vibe Coding 最大的弊端就在于，用戶不知道那堆代碼是怎么跑起來的，排查和調(diào)試都無從下手。

「好吧，我承認(rèn)我變菜了，但我至少變快了啊！」這可能是很多 Vibe Coding 愛好者的最后防線。

很遺憾，Anthropic 的數(shù)據(jù)再次打臉。報告顯示，在完成任務(wù)的總耗時上，AI 組和手動組在統(tǒng)計學(xué)上沒有顯著差異：AI 組平均 23 分鐘，手動組平均 24.7 分鐘。

為什么會這樣？我們不是有 AI 加持嗎？論文指出了一個被忽視的時間成本：

「交互稅」。

有些程序員為了讓 AI 寫出完美的代碼，花了大量時間在「寫提示詞」上。數(shù)據(jù)顯示，有人甚至花了 11 分鐘在跟 AI 聊天，或者在一項 35 分鐘的任務(wù)里，花了 30% 的時間在構(gòu)思怎么問問題。

「時價比」不高，花費的時間并沒有轉(zhuǎn)換成得分｜圖源：Anthropic

再結(jié)合上 Vibe Coding 最短的短板——Debug 困難。AI 組很容易陷入試錯式調(diào)試（Iterative Debugging） 的循環(huán)：AI 生成代碼-報錯了-把報錯丟給 AI：「解決一下這個 bug」-AI 再生成-又報錯了……

最后整個工程變成了不可逆轉(zhuǎn)的「屎山黑箱」（「屎山代碼」指一種混亂、難以理解和維護的代碼狀態(tài)，「黑箱」則指不知道內(nèi)部結(jié)構(gòu)的系統(tǒng)）。

在這個過程中，時間一分一秒流逝，而程序員的大腦處于一種「掛機等結(jié)果」?fàn)顟B(tài)，既沒有節(jié)省時間，也沒有學(xué)到東西。

到這兒你可能對 Vibe Coding 祛魅了？別急，這篇論文最精彩的部分，在于它通過錄屏分析，把使用 AI 的程序員分成了六種流派。

研究員發(fā)現(xiàn)，雖然 AI 組平均分低，但組內(nèi)方差極大。

有的人「廢」了，有的人卻「超神」了。區(qū)別全在于怎么用 AI。

02

代碼沒編好，

用戶畫像倒是有了

第一類用戶都可以歸為「AI 廢人」的低分低能組，考試得分極其慘烈，平均分都在 40% 以下（不及格）。

這一大類里還能細(xì)分為三個小類，分別是：

• 甩手掌柜型 (AI Delegation)：直接把題目復(fù)制給 AI，「幫我寫個函數(shù)解決這個問題」，然后 Ctrl+C / Ctrl+V，直接交卷。他們?nèi)蝿?wù)完成速度確實最快（平均 19.5 分鐘），但學(xué)到的東西幾乎為零，我奶奶來做都能行。

• 半途而廢型 (Progressive AI Reliance)：剛開始還想自己試試，寫了兩行發(fā)現(xiàn)報錯，心態(tài)崩了：「算了，AI 你來吧?！谷缓髲氐滋善?。

• 盲目試錯型 (Iterative AI Debugging)：這是最典型的「無腦 Vibe」。遇到 Bug 不看回溯，直接把報錯扔給 AI。AI 給出的代碼看都不看就運行，不對再扔。這是也是最慘的一群人。浪費了大量時間后拿了個低分，完全成了 AI 的「人肉測試員」。

第二類用戶就樂觀多了，雖然用了 AI，但考試成績甚至能和手寫組持平（65% - 86%），尋找到了人機共生的解決方案。

拿 AI 作「輔助駕駛」的三類人得分更高｜圖源：Anthropic

這一大類里也能細(xì)分為三個小類：

• 打破砂鍋型 (Conceptual Inquiry)：他們幾乎不讓 AI 寫代碼。 他們只問概念：「為什么要用 await？」「這是什么原理？」搞懂了原理，再自己手寫。這是真正的「把 AI 當(dāng)導(dǎo)師」，而不是當(dāng)實習(xí)生，而且這種 Vibe Coding 也得需要用戶真的「懂行」、「會問」。

• 先斬后奏型 (Generation-Then-Comprehension)：讓 AI 寫代碼，但在復(fù)制粘貼之前，他們會追問：「解釋一下這行代碼為什么這么寫？」這么一句，就能讓 AI 先自審一遍，自己也能看到 AI 的編程思路，把 AI 的輸出轉(zhuǎn)化為了自己的知識。

• 混合雙打型 (Hybrid Code-Explanation)：融合了上面兩個類型的特點，會寫「請寫出代碼，并解釋每一步的邏輯?！惯@種提示詞，強制 AI 輸出推理思維鏈，讓自己跟上 AI 的思路，也便于去 Debug。

為什么用的是同一個 AI，人和人的差距這么大？

或許并不是 AI 廢掉了程序員，而是我們自己在「偷懶」的誘惑面前，主動選擇了繳械投降。

03

Vibe Coding 的代價是

Anthropic 的這篇報告，其實觸及了一個心理學(xué)概念：

認(rèn)知卸載（Cognitive Offloading）。

即當(dāng)工具足夠強大時，我們會下意識地把原本需要大腦處理的計算、記憶、邏輯推演任務(wù)，「卸載」給工具，就像自動駕駛一樣。

在 AI 時代，我們正在把「理解力」卸載給大模型。

論文里用了個比喻：AI 就像一副「外骨骼」，當(dāng)你穿著它時，你力大無窮，能搬起千斤重。但問題在于，肌肉的生長需要負(fù)重和撕裂，如果你長期穿著它不脫下來，你的肌肉就會因為缺乏刺激而萎縮。

研究認(rèn)為，過度依賴 AI 會直接跳過思考過程｜圖源：Anthropic

這篇論文中有一個非常不起眼、但細(xì)思極恐的數(shù)據(jù)：報錯數(shù)量。

手動組在做任務(wù)時，平均每人遇到了 3 次報錯。所以他們被迫停下來，盯著紅色的報錯信息，去查文檔、去思考「為什么類型不匹配」、「為什么線程沒掛起」。

而 AI 組平均每人只遇到了 1 次報錯，大多數(shù)時候，AI 給出的代碼不僅能跑，而且跑得極其順滑。

AI 組的報錯顯著少于無 AI 組｜圖源：Anthropic

這聽起來是 AI 的優(yōu)點？不，Anthropic 的研究員指出，這恰恰是問題的根源。

論文明確寫道：「遭遇并獨立解決錯誤，是技能形成的關(guān)鍵一環(huán)?！?/p>

手動組之所以學(xué)得好，是因為他們經(jīng)歷了「摩擦」。每一次報錯，都是現(xiàn)實世界給思維的一次「阻力」。正是為了克服這種阻力，大腦被迫建立了深刻的心理表征（認(rèn)知心理學(xué)術(shù)語，指當(dāng)外部信息進入人腦之后，它會被我們的大腦加工，以一種特別的結(jié)構(gòu)儲存在大腦中）。

而 AI 組的體驗就太「平滑」了。但代價是，你失去了對地面的「抓地力」：脫下外骨骼，路都不會走了。

這種「AI 過于平滑」的通病，不僅僅存在于編程中，正在蔓延到我們生活的方方面面。

在編程里，它消除了 Debug 的痛苦，讓你誤以為自己掌控了系統(tǒng)；在創(chuàng)作里，它消除了構(gòu)思的枯燥，讓你誤以為自己擁有了創(chuàng)意；在人際關(guān)系里，它甚至也在消除「摩擦」。

就像很多 AI 成癮的問題，都源自于 AI 永遠(yuǎn)情緒穩(wěn)定，永遠(yuǎn)秒回，永遠(yuǎn)順著你的話說，這種極致的「平滑關(guān)系」，何嘗不是一種 Vibe Social。

04

「我行我上」的幻覺

Vibe Coding 最迷人也最危險的地方，在于它制造了一種「快樂但無知」 (Happy but Ignorant) 的幻覺。

論文中提到了參與者們微妙的心理變化：AI 組的參與者普遍覺得任務(wù)「更容易」，「手動組」則覺得任務(wù)很難，過程很痛苦。

但反轉(zhuǎn)來得很干脆：那些覺得「容易」的人，在隨后的測試中一塌糊涂；而那些覺得「困難」的人，雖然過程煎熬，但自我報告的「學(xué)習(xí)和成長感」 卻更高，分?jǐn)?shù)也更高。

所以Vibe Coding 讓你在寫代碼的過程中感覺自己是個天才，直到代碼報錯的那一刻，你才發(fā)現(xiàn)自己只是個「睜眼瞎」。

在面對「未知」時，AI 是公平的，它會平等地「廢掉」每一個試圖偷懶的大腦，無論這個大腦曾經(jīng)多么睿智。

研究人員按照編程經(jīng)驗將參與者分成了三層：1-3 年、4-6 年、7 年以上。

結(jié)果數(shù)據(jù)顯示，在所有經(jīng)驗層級中，不使用 AI 的組，考試得分都高于使用 AI 的組。

哪怕是資深工程師，在 AI 輔助下得分也低于無 AI 組｜圖源：Anthropic

這意味著，即使你是入行 7 年以上的老鳥，在面對一個全新的技術(shù)領(lǐng)域時，如果過度依賴 AI，你的學(xué)習(xí)效果依然會大打折扣。

當(dāng)然了，Anthropic 的這篇論文也不是讓我們因噎廢食，退回到手寫代碼的時代。

它更像是一份「AI 時代生存指南」。想要不被 AI「廢掉」，我們需要改變使用習(xí)慣，從報告中的「高分高能組」那里取經(jīng)：

比如多問「為什么」，少說「幫我做」；哪怕是 AI 生成的代碼，也要像審視同事的代碼一樣，逐行閱讀，理解代碼邏輯；珍視 Debug 的機會，下次遇到 Bug，試著先自己分析 5 分鐘，而不是 5 秒鐘后就截圖發(fā)給 ChatGPT。

AI 確實能讓我們跑得更快，但前提是，你得知道路在哪里，以及車壞了該怎么修。

畢竟，當(dāng)自動駕駛失效的時候，只有那個還沒忘記怎么握方向盤的人，才能救全車人的命。

*頭圖來源：Deeplearning AI Community

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請聯(lián)系極客君微信 geekparkGO

極客一問

你怎么看現(xiàn)在大部分代碼

都有 AI 生成這件事？

黃仁勛：如果我現(xiàn)在是學(xué)生，比專業(yè)更重要的是先學(xué) AI。

點贊關(guān)注極客公園視頻號，