反对 AI 编程的理由：手艺、能力与技能崩溃的风险
将 AI 集成到软件开发中通常被视为一种不可避免的演进——一种类似于从汇编语言向高级语言跨越的生产力飞跃。然而，越来越多的开发者提出了反对意见，认为这种转变不仅仅是工具的改变，更是对工程手艺和从业者认知健康的根本威胁。
辩论的核心在于效率与精通之间的张力。虽然 AI 可以秒级生成样板代码，但其代价可能是侵蚀维护、保障和创新我们所构建的系统所需的技能。
手艺的乐趣 vs. 提示词的效率
对于许多人来说，编程不是一项需要自动化的琐事，而是一个可以享受的创造性过程。编写、编辑和完善代码的行为，正是工程学的智力满足感所在。当过程被简化为向 AI 提供提示词并给予反馈——“充实这个函数”或“优化这个循环”——时，开发者不再是创造者，而变成了机器输出的编辑者。
这种转变改变了工作的性质。正如一种观点所言，如果写小说仅仅变成了向 AI 提供提示词来生成章节，那么它在任何有意义的层面上都不再是“写作”了。对于手艺型程序员来说，价值在于做的过程，而不仅仅是最终的产物。
学习的错觉与技能衰退
AI 辅助编程最关键的风险之一是将识别与回忆混淆。当 AI 提供一个解决方案时，开发者可能会识别出代码看起来是正确的，但他们并没有进行从第一原理出发回忆解决方案所需的认知工作。
衰退的反馈循环
这为职业发展创造了一个危险的轨迹：
- 肤浅的知识： 开发者依赖 AI 处理平凡但关键的任务，从而错失了为高层架构提供支撑的“Web 约束”或基础逻辑。
- 外部化的达克效应（Dunning-Kruger Effect）： 如果开发者的技能低于 AI，他们就无法识别“自信的幻觉”或判断输出的质量。
- 技能萎缩： 即使是专家也可能经历衰退。通过将解决问题的认知努力外包给 AI，进行深度分析所需的脑力肌肉会变弱。
- 依赖性： 随着技能衰退，手动编程的挫败感增加，使得 AI 变得更具诱惑力，从而进一步加速萎缩。
系统性风险：技能崩溃
除了个人层面，对于职业成长的“阶梯”也存在系统性担忧。如果初级工程师被 AI 取代，那么培养未来高级工程师的渠道就会消失。
这会导致潜在的“技能崩溃”。如果 AI 模型是在人类生成的代码上训练的，但人类因为使用 AI 而停止编写原创代码，那么模型最终将在其自身的输出上进行训练。这种反馈循环可能导致模型崩溃，即幻觉增加，而检测它们所需的人类专家知识已经消失。
软件工程是一项团队运动
存在一种普遍的误解，认为代码是软件项目的首要资产。事实上，代码是一种负债——每一行代码都可能是一个潜在的 Bug 或混乱的来源。真正的资产是编写代码的团队成员之间的共享理解。
AI 可以生成代码（负债），但它无法产生理解（资产）。当一个团队依赖于没有人真正从智力上“拥有”的 AI 生成代码时，他们正在以空前的速度积累技术债。正如最近的研究指出，AI 助手实际上可能正在通过在不增加理解度的前提下增加代码量，从而使代码库变得更糟。
经济与环境泡沫
批评者还指出 AI 行业不稳定的经济状况。当前的繁荣是由巨额债务和风险投资补贴驱动的，而非有机利润。运行这些 هذه models 的基础设施需求惊人：
- 能源需求： 运行单个“相当于人类大脑”的模型实例可能需要吉瓦级的电力和数千个 GPU。
- 环境影响： 在低收入地区大量建设数据中心，以及用于冷却的巨大水资源和能源消耗，往往是被忽视的成本。
- 经济悖论： 如果 AI 主要被用于通过裁员来节省成本，那么它同时也减少了能够购买 AI 协助构建的产品的消费者基础。
对立观点：工具 vs. 哲学
并非所有人都同意“反 AI”立场。许多开发者将 AI 视为一种人体工程学工具，将其比作从手动挡到自动挡，或从 CRT 显示器到 LCD 显示器的转变。
“我喜欢用 AI 来写代码，因为它节省了我大量无聊且重复的打字工作……这在开发者人体工程学方面感觉就像从 CRT 显示器转向 LCD 显示器一样好。”
其他人则认为 AI 可以用于高层分析，而非仅仅是生成。例如，使用 LLM 进行安全分析以发现人类错过的漏洞，可以创造价值，而不会必然引入新的负债。
结论
AI 究竟是生产力的倍增器，还是职业衰退的催化剂，仍有待观察。然而，反对 AI 编程的核心论点并不一定在于技术的处理能力，而在于人类过程的价值。对于那些将软件工程视为一种手艺的人来说，失去从第一原理出发思考问题的能力，其代价对于追求快速提示词带来的便利而言实在太高了。