反對 AI 編碼的論點：工藝、能力與技能崩塌的風險
將 AI 整合進軟體開發通常被框架為一種必然的演進——如同從組合語言轉向高階語言般的生產力飛躍。然而，越來越多開發者的反向思潮認為，這種轉型不僅僅是工具的改變，更是對工程工藝與從業者認知健康的根本威脅。
爭論的核心在於「效率」與「精通」之間的緊張關係。雖然 AI 可以在幾秒鐘內生成樣板代碼，但其代價可能是侵蝕了維護、保障與創新我們所構建系統所需的關鍵技能。
工藝的樂趣 vs. 提示詞的效率
對許多人來說，編碼並非需要自動化的瑣事，而是一個值得享受的創意過程。編寫、編輯與精煉代碼的行為，正是工程領域智力滿足感的來源。當過程被簡化為向 AI 發出提示詞並提供回饋——例如「充實這個函數」或「優化這個迴圈」——開發者就不再是創造者，而成了機器輸出結果的編輯。
這種轉變改變了工作的本質。正如一種論點所言，如果寫小說僅僅變成向 AI 發出提示詞來生成章節，那麼它在任何有意義的層面上都不再是「寫作」。對於工匠型的開發者而言，價值在於「實作」，而不僅僅是最終的產物。
學習的幻覺與技能衰退
AI 輔助編碼最關鍵的風險之一，是將「辨識」與「回憶」混淆。當 AI 提供一個解決方案時，開發者可能會辨識出該代碼看起來是正確的，但他們並沒有執行從基本原理出發回憶起該解決方案所需的認知工作。
衰退的反饋迴圈
這為職業發展創造了一條危險的軌跡：
- 膚淺的知識： 開發者依賴 AI 處理平凡但關鍵的任務，從而錯失了支撐高階架構的「網路約束」或基礎邏輯。
- 外化的達克效應（Dunning-Kruger Effect）： 如果開發者的技能低於 AI，他們將無法辨識「自信的幻覺」或判斷輸出品質。
- 技能萎縮： 即使是專家也可能經歷衰退。透過將解決問題的認知努力外包給 AI，進行深度分析所需的心理肌肉會變得虛弱。
- 依賴性： 隨著技能衰退，手動編碼的挫折感增加，使得 AI 變得更具誘惑力，進一步加速了萎縮。
系統性風險：技能崩塌
除了個人層面，對於職業成長的「階梯」也存在系統性擔憂。如果初級工程師被 AI 取代，那麼培養未來資深工程師的管道就會消失。
這會導致潛在的「技能崩塌」。如果 AI 模型是基於人類生成的代碼進行訓練，但人類因為使用 AI 而停止撰寫原始代碼，模型最終將會是在其自身的輸出上進行訓練。這種反饋迴圈可能導致模型崩塌，使得幻覺增加，而偵測幻覺所需的人類專業知識卻已經消失。
軟體工程是一項團隊運動
存在一種常見的誤解，認為代碼是軟體專案的主要資產。事實上，代碼是負債——每一行都是潛上的潛在錯誤或混淆來源。真正的資產是團隊成員之間「共享的理解」。
AI 可以產出代碼（負債），但它無法產出理解（資產）。當一個團隊依賴於沒有人真正從智力上「擁有」的 AI 生成代碼時，他們正在以史無前例的速度累積技術債。
經濟與環境泡沫
批評者也指出 AI 產業的脆弱經濟學。目前的繁榮是由巨額債務與風險投資補貼驅動，而非有機的利潤。運行這些模型所需的基礎設施規模驚人：
- 能源需求： 單個「相當於人類大腦」的模型實例可能需要吉瓦級別的電力與數千顆 GPU。
- 環境影響： 在低收入地區擴張數據中心，以及冷卻所需的龐大水資源與能源消耗，往往是被忽視的成本。
- 經濟悖論： 如果 AI 主要被用於減少人力以節省成本，它同時也會減少能夠購買 AI 協助構建之產品的消費者基礎。
反對觀點：工具 vs. 哲學
並非所有人都同意「反 AI」立場。許多開發者將 AI 視為提升人體工學的工具，將其比作從手動變速箱轉向自動變速箱，或從 CRT 顯示器轉向 LCD。
「我喜歡用 AI 來編碼，因為它節省了我許多無聊且重複的打字工作……這在開發者人體工學方面的感受，就像從 CRT 顯示器轉向 LCD 一樣好。」
其他人則認為 AI 可以用於高階分析而非僅僅是生成。例如，使用 LLMs 進行安全性分析以尋找人類可能遺漏的漏洞，可以創造價值而不一定會引入新的負債。
結論
AI 究竟是生產力倍增器還是職業衰退的催化劑，仍有待觀察。然而，反對 AI 編碼的核心論點並不在於技術的能力，而是在於人類過程的價值。對於那些將軟體工程視為工藝的人來說，失去從基本原理出發思考問題的能力，對於追求快速提示詞的便利性而言，代價實在太高了。