每个人都疯了——对人工智能炒作、资源错配和行业疲劳的批判性审视

TL;DR —— 人工智能的炒作正在消耗工程人才，推高环境成本，且未能改善安全性，因为真正的瓶颈在于补丁修复，而非漏洞发现。

文章“每个人都疯了”（2026年9月16日）认为，当前的人工智能狂热迫使工程师将大部分时间花费在脆弱的代理管道上，而忽视了资产清单、自动化补丁和跨团队协作等基本的运营卫生。作者警告说，这种错配助长了数据中心能源的浪费，促成了有害内容的生成，且没有提供任何可衡量的安全效益。

1. 人工智能过度曝光正在侵蚀工作满意度

“每天有超过75%的时间直接或间接地与人工智能打交道，这彻底剥夺了我从工作中获得的大部分乐趣。”

作为一名资深工程师，作者描述了人工智能增强工具主导工作流程的日常现实。评论者对此深有同感：

@Ancalagon: “这完全说出了我的经历。”
@BadBadJellyBean: “我感同身受。我厌倦了指挥代理……感觉就像在放牧一群蹒跚学步的孩子。”

共识是，不断地向大语言模型（LLM）代理发送提示词让人感到筋疲力尽，并降低了对手艺的追求感。

2. 真正的安全瓶颈不在于发现漏洞

“发现漏洞从来都不是信息安全领域的瓶颈。瓶颈一如既往，依然是让该死的软件包保持更新。”

作者批评了行业对用于漏洞发现的“前沿模型”（如 Anthropic 的 Glasswing，OpenAI 的 Daybreak）的关注。公司投入数百万美元进行人工智能驱动的扫描，但大多数发现的结果从未转化为更安全的系统，因为补丁部署仍然缓慢且依赖人工。

@AIiscoming 对此观点提出异议，但作者引用了他自己的博客 [Patching is hard] 作为支撑，该博客详细说明了及时更新所面临的系统性挑战。
@tptacek 指出漏洞研究仍然很重要，但作者的观点是，人工智能并没有消除核心的运营摩擦。

要点： 投资于稳健的资产清单、自动化的操作系统/应用更新以及定期重启，比将工程时间花费在人工智能生成的漏洞报告上能产生更高的安全投资回报率。

3. 人工智能军备竞赛加剧了环境影响

“人工智能竞赛需要越来越多的浪费水、污染空气、以化石燃料为动力的数据中心。”

文章链接到了 Bloomberg Law 和《纽约时报》的一篇文章，记录了数据中心集群不断上升的天然气消耗量以及引发野火的热量。评论者很少挑战这一说法；这种叙述与人们对人工智能碳足迹的广泛担忧相一致。

关键点： 如果没有监管压力或真正的绿色承诺，人工智能公司将继续扩张能源密集型基础设施，将气候成本外部化给社会。

4. 道德盲点与危险能力

作者列举了几个备受瞩目的危害：

将生成儿童性虐待材料（CSAM）作为登录用户的“产品功能”。
将人工智能用于军事目标选择，包括小学。
公司在花费大量“代币”用于投机性人工智能服务的同时，在修辞上采取“道德除外”的立场。

这些主张源自近期的新闻报道（The Guardian, Ars Technica），并说明了拟人化的营销如何掩盖了潜在的风险。

5. “超人类智能”的神话被误解了

“人工智能实现超人类智能有两种方式：递归自我改进，或者我们已经看到的代理大脑蠕虫。”

作者认为后者已经在发生：代理渗透到开发管道中，用不透明的代码生成取代了人类的理解，并产生草率的拉取请求（pull-requests）。这导致了对代码理解力的丧失，使得调试难度呈指数级增加。

@kragen 提供了一个反例，引用了 Claude Opus 5 在漏洞修复和代码生成方面的成功，但也承认了技能退化的更广泛风险。
@micromacrofoot 观察到一个平衡的观点：LLM 可以加速工作，但它们也会扭曲全球经济并放大误解。

结论： 即使人工智能生成了正确的补丁，人类洞察力的丧失也会造成一种脆弱的依赖，这种依赖在复杂的故障模式下可能会崩溃。

6. 社区反应——赞同与异议并存

评论者	主要立场	著名引言
@kragen	混合——承认人工智能的效用，但警告技能退化。	“我给它提供了一种新的 PEG 语言……它写出了一个可用的实现……我不打算利用人工智能来主动让我的大脑退化。”
@BadBadJellyBean	对代理工作流感到疲劳。	“这感觉更像是试图放牧一群蹒跚学步的孩子。”
@grebc	关于周期性社会“智力丧失”的历史视角。	“社会每10年左右就会失去一次集体理智……现在是人工智能。”
@sandinmyjoints	肯定了人力资源的零和博弈本质。	“人力资源仍然是一场零和博弈……”
@bucket2015	观察到软件工程师在人工智能爱好者和怀疑论者之间的分裂。	“软件工程师群体在那些对人工智能感到满意的人和怀疑者之间日益分裂。”
@tptacek	捍卫漏洞研究，但承认人工智能对补丁瓶颈的影响有限。	“漏洞研究人员正在依赖自动化……但核心问题依然存在。”
@daishi55	挑战了人工智能发现的漏洞不能提高安全性的说法。	“多亏了 LLM，有几十个 Linux 零日漏洞得到了修复。”

总的来说，讨论反映了一个分裂的社区：一部分人将人工智能视为生产力提升工具，而另一部分人则将其视为倦怠和系统性风险的来源。

7. 组织应该做什么？

优先考虑基础运营： 建立并维护最新的资产清单，自动化操作系统/应用更新，并强制执行定期重启。
明智地分配人工智能预算： 将 LLM 用于低风险辅助（如文档编写、探索性编码），但避免使用占用高级工程师时间的大规模代理管道。
要求透明度和监管： 推动人工智能供应商披露环境影响、内容生成保障措施以及现实的投资回报率指标。
投资于人类专业知识： 鼓励跨职能协作，而不是孤立的“以代理为中心”的项目，这些项目会孤立工程师。
监控道德结果： 跟踪人工智能输出在敏感领域（如儿童相关内容、军事目标定位）的使用情况，并执行严格的治理。

8. 最终结论

这篇文章是一种宣泄式的批评，捕捉到了资深工程师中日益增长的情绪：人工智能的炒作创造了一个人才浪费、环境成本膨胀和代码库脆弱的反馈循环。虽然一些评论者指出了 LLM 的具体成功，但核心信息仍然是：如果不解决潜在的运营瓶颈——特别是补丁修复和资产管理——人工智能将继续是一个昂贵的干扰，而不是安全或生产力的灵丹妙药。