为什么AI尚未彻底改变软件开发——乔纳森·布洛在HN辩论中的见解
TL;DR——AI尚未解决软件开发问题
乔纳森·布洛的视频声称AI工具并未改变软件构建的方式,Hacker News上的讨论也基本同意:瓶颈仍然是系统设计、组织流程和遗留实践,而不是生成代码片段的能力。
1. 布洛的核心论点——范式仍然停滞不前
布洛认为,虽然大型语言模型(LLM)能够生成“叶子功能”(API调用、UI粘合代码、简单脚本),但它们并未改变底层软件架构或驱动工程工作的文化激励。他主张:
- 大多数现代代码仍然围绕21世纪初开发的相同模块、类和服务的模式组织。
- AI只是加速了底层实现,而高层设计、问题框架和架构决策仍然未受影响。
- 如果没有工程师优化目标的转变(例如,交付速度与长期质量),软件表面看起来仍将相同。
“AI给你更多你想要的东西,并且更快地给你,这本身并不会改变公司的文化或目标。” – @aavaa
2. 组织约束——真正的瓶颈
多位评论者指出,围绕代码的流程,而非代码本身,限制了生产力:
- 法律和合规团队经常规定缓慢、繁重的要求,主导了发布周期。
- 拉取请求瓶颈:一位用户报告说,在个人项目中每周合并100多个PR,但在工作中只有8个,这表明审查开销远远超过了任何编码速度的提升。
- 管理优先级:AI对管理者有吸引力,因为它减少了开发者的感知工作量,而不是因为它提高了产品质量。
“发布一个软件产品需要整个企业的努力,而不仅仅是工程师。法律团队贡献的拖延比工程团队多得多。” – @tonymet
3. 变化的证据——独立开发者的成功案例
一些参与者引用了具体例子,其中AI加速了开发:
- 一个Swift注释应用由作者零可见代码构建,却交付了精美的UI和高级功能。
- 小团队正在发布复杂的独立RTS游戏(例如,The Scouring),与传统的AAA引擎相媲美,部分原因是AI降低了自定义引擎工作的门槛。
- 个人开发者报告说,使用LLM生成的代码,将数月长的项目缩短到数周甚至数天。
“我最近构建了一个Swift应用……在构建过程中我看到了0行代码。这个应用运行高效,看起来比我经过十年UI/UX学习后能做的任何东西都要好。” – @dimavolo
4. 当前LLM的局限性——质量与数量
一些评论强调,AI的输出仍然嘈杂,通常需要大量后期编辑:
- AI擅长生成样板代码,但在深层架构推理、性能调优和安全考虑方面存在困难。
- “AI垃圾”现象:大量低质量工具和游戏泛滥,这些在几年前是不可接受的,稀释了整体感知质量。
- LLM从训练数据中继承错误;没有人工监督,它们可能传播系统性问题。
“AI解决编码问题的程度与AI解决写作和图像创作问题的程度相同——它有所帮助,但并未取代手艺。” – @jdlyga
5. 人类判断的作用——提出正确的问题
即使是热情的AI用户也承认,提示工程仍然是一项关键技能:
- 知道要问什么以及如何构建问题决定了AI输出是否有用。
- 初级工程师可能面临一个混乱的局面,AI做苦力活,但指导和设计经验仍然至关重要。
“知道问什么和怎么问,仍然有价值。” – @gchamonlive
6. 长期展望——渐进式与变革式变化
共识表明,这是一个渐进式转变,而非突然的革命:
- 在未来6-12个月内,我们可以预期更快的原型制作、更个性化的工具和更便宜的利基软件。
- 大型复杂系统(操作系统、AAA游戏引擎、企业SaaS)将继续以较慢的速度发展,因为它们需要超出LLM能力的深度领域专业知识。
- 在未来十年,随着模型在系统设计推理方面变得更加有能力,我们可能会看到更显著的影响,但文化和组织惯性仍将占主导地位。
“LLM一夜之间解决了自然语言处理这个70年的问题。然而,对于软件工程来说,大部分能力仍停留在技术演示阶段。” – @grumbel
关键要点
- AI加速了底层编码,但并未取代系统设计——软件的核心架构仍然由几十年的范式主导。
- 组织流程(法律、审查、管理)是主要瓶颈,限制了AI对已交付产品的可观察影响。
- 独立开发者和爱好者获得了最大的收益,用小型团队制作出复杂的游戏和应用。
- 质量问题持续存在:AI生成的代码通常需要大量审查,低质量工具的泛滥可能掩盖真正的改进。
- 人类在问题框架和架构方面的专业知识仍然至关重要,而制作有效提示的能力现在是一项宝贵的技能。
讨论强调,虽然LLM是一个强大的新工具,但它们只是思维的自行车——它们扩展了个人能实现的范围,但本身并不会重写软件开发的基本经济学和实践。
Sources
相关
- Dispatch
- Dispatch
- Dispatch
- Dispatch
- Dispatch