Ken Liu 在 2012 年的短篇《The Perfect Match》里写过一个 AI 助手 Tilly替用户决定早餐、音乐和约会对象。主角慢慢忘记自己喜欢什么因为算法比他自己更懂他。十三年过去小说里的 Tilly 变成了我们熟悉的 Claude、ChatGPT、Gemini、DeepSeek。有人已经开始把全部思考外包给 AI 了。HN 上一位后端工程师说自己做十几年开发JSON 解析闭着眼都能写。后来项目赶进度他把需求扔给 AI几秒钟代码就出来了。用顺手之后凡遇 JSON 相关问题第一反应就是问 AI。慢慢地他再看到 JSON脑子里只剩一个模糊的感觉。直到有一天他想自己写一个 JSON 解析函数手指悬在键盘上愣住了。完全不知道怎么下手。那篇帖子下面很快堆了几百条回复。有人面试时被问到基础算法题当场脑子卡住有人带新人时发现自己能看懂 AI 写的代码却解释不清为什么这样设计有人项目做了两年交接时翻出自己的代码发现有三分之一自己都不认识。AI 提高了我们获得答案的速度。但它会不会也让我们减少了寻找答案的过程。人类一直在进行认知外包把一部分能力交给工具并不是 AI 时代才有的事。文字出现之前知识主要依靠人的记忆保存。文字出现后人类把大量信息放到了外部载体。后来算盘替代部分计算计算器替代复杂运算搜索引擎替代大量事实记忆。这些变化并没有让人类失去能力。因为过去工具主要替代的是执行层面的重复劳动。计算器可以告诉你结果但不会告诉你应该计算什么。搜索引擎可以提供资料但不会替你判断哪个答案更可靠。工具减少的是执行成本。判断应该做什么这件事始终需要人自己完成。AI 不同的地方是它开始接近判断过程AI 不只是帮我们保存信息或者执行任务。它开始参与判断过程本身。一个程序员以前解决一个问题需要经历很多步骤。理解需求判断这个需求是否合理。拆解问题判断这个问题可以怎么拆分。尝试实现遇到错误分析错误原因判断下一步怎么调整。这些步骤看起来很慢。但经验恰恰是在这个慢的过程中形成的。第一次遇到一个错误你可能完全不知道原因。第二次遇到类似问题你会想到几个可能的方向。几年之后你看到一个异常现象大脑会快速联想到几个可能的原因。这就是工程经验。工程经验来自过去不断解决问题所形成的判断模式。记住更多答案并不能直接得到它。但 AI 可以直接跳过其中很多步骤。你描述问题它给你一个能跑通的方案。结果可能完全正确而你缺少了那个从混乱到清晰的判断过程。你跳过的每一步里都藏着一次判断。你以为在跳过麻烦其实在跳过练习判断的机会。被外包出去的是判断很多人误以为自己能看懂 AI 生成的代码就代表自己掌握了。但理解答案和产生答案是两种不同的能力。看一段代码你可以知道它做什么。可到自己写的时候你需要判断。这个需求应该怎么拆。这里为什么需要异常处理。这个设计未来扩展时会不会变成坑。什么时候应该选择简单方案而不是完美方案。这些判断才是能力积累的核心。如果长期跳过思考过程人会逐渐失去形成判断的机会。判断力和肌肉一样长时间不用就会萎缩。AI 重构大型项目没有想象中简单这个问题不仅存在于个人开发场景。在工程领域有人期待 AI 可以自动重写大型项目。分析代码重新设计架构自动优化实现。但最困难的部分从来不是生成代码。而是理解代码背后的历史和取舍。为什么这里用了一个看起来不优雅的方案。因为当时有不得不这样做的约束。为什么这个模块没有继续抽象。因为抽象的成本在当时超过了收益。为什么这个问题暂时没有解决。因为解决它需要付出的代价暂时还不值得。这些答案往往不在代码里而在工程师长期积累的经验里。个人把写代码完全交给 AI失去的是自己的判断过程。团队把工程决策完全交给 AI失去的是整个系统的经验。判断可以被辅助但不能被完全外包。区分效率提升和能力成长那么应该少用 AI 吗。当然不是。未来大多数工作都会依赖 AI。要先区分两件事。哪些事情可以交给 AI 来提升效率哪些事情需要自己经历才能成长。类型典型场景你的收获✅ 可外包写测试用例、格式转换、整理资料、重复代码效率⚠️ 须自己练首次设计数据库表、手写核心算法、第一次解决某类问题能力关键不在用不用 AI而在你把它放在什么位置。如果你已经掌握一项能力让 AI 处理重复部分这是效率提升。但如果你第一次学习一个领域就直接跳到 AI 给的最终答案你得到的是结果不是能力。同样是使用 AI动机不同结果就不同。让 AI 替你完成任务你积累的是速度。让 AI 参与你的思考你积累的是能力。AI 可以帮我们更快拿到答案。但拿到答案之前的思考过程才是判断力形成的地方。你最近有没有发现某个你曾经很熟练的东西现在已经想不起怎么下手了