Andrew Ng 对 AI 的态度一直很积极。他鼓励年轻人学习 AI鼓励软件工程师把能自动化的工作交给模型也鼓励市场、招聘、运营人员开始用 AI 构建自己的工具。在他看来AI 也许可以接手一份工作中 30% 到 40% 的任务但剩下那些需要人类完成的部分反而会变得更有价值。然后他说了一句听起来几乎和前面矛盾的话AI 模型非常不适合学习。https://www.youtube.com/watch?vo-wv_szZ0V0Andrew Ng 自己也会让 AI 解释一个陌生的前后端组件。答案出来了项目完成了一切都很顺利。六个月后再次遇到相同问题他发现自己并没有记住只好重新问一遍。这不是 AI 没把事情做完。恰恰相反正因为它完成得太顺利人的大脑没有留下多少东西。两件互相冲突的事正在同时发生现在的软件行业几乎同时相信两件事。第一件事是不使用 AI 的工程师会落后。Coding Agent 可以读代码、写功能、补测试、查问题过去需要几天的工作现在可能几个小时就能完成。第二件事是AI 生成的代码仍然需要有经验的人审查。你需要判断设计是否合理、抽象是否泄漏、测试是否覆盖真正的风险、一个看似能跑的方案会不会在半年后变成负担。这就产生了一个尴尬的问题。正确使用 AI需要架构、调试和判断能力。可如果一个新人从第一天起就把规划、实现和排错交给 AI他又要从哪里获得这些能力Lars Faye 在 AI Coding will Prevent Expertise 里把它称为熟练编排者悖论管理 Coding Agent 所需的能力正是长期使用 Coding Agent 可能削弱的能力。今天从 AI 里获益最多的人大多已经工作了很多年。他们在没有 Agent 的年代里写过失败的代码追过没有日志的 Bug亲手推翻过扩展不下去的设计。这些经历已经变成一种很难说清楚的直觉。他们看见一段代码会觉得这里以后可能出事。未必能立刻指出哪一行错了但知道应该停下来查一遍。AI 放大了这种经验却没有自动把经验传给新人。于是一种很奇怪的角色开始出现他能在 AI 帮助下交付超出自身能力范围的系统却不能独立解释这个系统为什么这样工作更不知道它什么时候会坏。他拥有专家级的输出却没有专家级的理解。完成一道题和学会解决这类题是两件事这个问题已经不只是一种行业焦虑。2024 年发表的一项研究观察了 21 场编程新手使用生成式 AI 的实验。21 名参与者里有 20 人完成了题目表面上看AI 几乎让所有人都成功了。但研究者看到的不是整体进步而是一道被拉大的裂缝。本来就有计划、知道自己要写什么的学生会把 AI 用在已经形成的思路上。他们可以接受有用的补全也能忽略错误建议。研究者把这种能力称为负面专业知识知道什么建议不值得听。原本就缺少规划能力的学生则更容易跟随 AI 的方向。他们跳过问题分析被生成结果带着走最后获得的不是理解而是能力错觉。他们以为自己表现得很好实际却无法说明刚刚发生了什么。The Widening Gap这项研究的样本不大也不能证明所有编程新手都会因此退步。但它揭示了一个重要差别AI 既可能加速你已经会做的事情也可能掩盖你根本不会做这件事。AI 在场时成绩更好拿走以后反而更差宾夕法尼亚大学参与的一项实验把这个问题放到了更大的样本里。研究覆盖了土耳其一所高中的近 1000 名学生。学生被分成三组只能使用教材的对照组、可以直接询问 GPT-4 的 GPT Base 组以及只能获得提示、不能直接拿答案的 GPT Tutor 组。在有 AI 帮助的练习阶段两组的表现都大幅提高GPT Base 组比对照组高 48%GPT Tutor 组比对照组高 127%。如果实验到这里结束结论会非常漂亮AI 显著提高了学习效率。但随后研究者拿走所有工具让学生独立完成考试。GPT Base 组比从未使用 AI 的学生低了 17%。练习时最容易获得完整答案的人在真正需要自己解题时反而表现更差。GPT Tutor 组的负面影响基本消失了但也没有在独立考试里显著超过对照组。它让学生在练习时走得更快却没有证明他们最终学得更多。PNAS 研究更值得注意的是学生并没有意识到自己学得更少。他们感觉 AI 很有帮助也觉得自己的表现不错。产出变好、信心上升、能力下降。这三个现象可以同时发生。在真实编码任务里差距最大的恰好是调试Anthropic 在 2026 年做了一项更接近软件工作的随机实验。52 名大多处于初级阶段的软件工程师需要使用自己不熟悉的 Python Trio 库完成两个功能。一组可以使用 AI 助手另一组手写代码。任务结束后所有人参加一场测试内容覆盖代码阅读、调试、编写和概念理解。AI 组平均只快了约两分钟这个速度差异没有达到统计显著。理解差异却很明显AI 组平均得到 50%手写组为 67%接近两个字母等级的差距。落差最大的题型是调试。手写组遇到了更多错误。他们需要理解错误、修改假设再重新运行。这个过程看起来更慢却让他们更清楚代码为什么失败。AI 组中直接把实现和排错委托给模型的人完成得很快测试成绩通常不到 40%。表现较好的参与者会追问概念、要求解释或者在拿到代码以后验证自己的理解。Anthropic 研究这项研究同样有边界。样本只有 52 人测试发生在任务结束后不久不能直接代表几年后的职业能力。实验使用的侧边栏助手也不同于能自主修改仓库的现代 Coding Agent。但这个限制并没有让问题变轻。Anthropic 自己指出更自主的 Agent 对技能形成的影响可能更明显。摩擦不是学习路上的 Bug我们习惯把开发中的阻力看成需要消灭的东西。查文档很慢等编译很慢定位类型错误很慢理解一套陌生框架更慢。AI 能直接跳过这些过程自然会被理解成一次效率升级。问题是并非所有摩擦都是浪费。有些摩擦只是在消耗时间例如抄样板代码、调整格式、重复迁移字段、机械地查找 API。这些工作适合交给 AI。另一些摩擦承担着形成能力的任务在动手前建立问题模型猜测错误可能出现在哪里比较两个方案为什么一个更容易扩展亲手验证生成结果和系统行为是否一致在没有现成答案时缩小问题范围。这些过程不是交付前的绕路。它们就是专业能力的生产线。学习做菜的人可以看一个月的视频也能准确描述一块五分熟牛排。但第一次真正站在锅前他仍然可能把牛排煎老。温度、声音、气味和时间形成的判断无法只通过观看答案获得。软件开发同样如此。所谓工程直觉很大一部分来自那些不顺利的时刻。认知卸载还是认知负债把工作交给工具本身没有问题。我们不会坚持手算每一笔账也不会为了理解网络协议而拒绝使用 HTTP 框架。抽象一直在推动软件发展。真正需要区分的是认知卸载和认知负债。认知卸载是把已经理解的机械工作交出去。即使 AI 消失你仍然知道目标是什么、结果是否正确以及出问题时该从哪里开始查。认知负债是把自己尚未形成的判断也一起交出去。代码暂时可以运行但你没有获得维护它所需的心智模型。以后每一次修改、排错和升级都需要继续向 AI 借能力。区分两者可以用一个简单问题如果现在拿走 AI我还能解释、修改和诊断刚刚生成的东西吗如果答案是否定的刚才节省下来的时间未必是效率也可能只是一笔没有显示在项目面板里的债务。真正的风险是专家供给管道断裂资深工程师使用 AI短期内通常不会失去全部能力。他们已经经历过形成专业判断所需的训练。AI 可以替他们写样板、搜索代码、尝试修复而他们负责决定方向和验收结果。企业看到这部分收益后很容易得出一个看似合理的结论既然资深工程师使用 AI 后可以产出更多那么所有工程师都应该尽可能多地使用 AI。但同一个工具作用在新人身上可能产生完全不同的结果。新人缺少的不是打字速度而是判断什么值得生成、什么结果不能相信、什么时候应该推翻整个方案。如果训练过程只奖励功能有没有按时交付最理性的选择就是把更多思考交给 AI。几年以后团队也许拥有更多代码却没有足够多能接住这些代码的人。这才是所谓专家供给管道的风险我们正在消费上一代工程师积累的判断却没有给下一代留下形成同等判断的机会。一套摩擦优先的 AI Coding 方法答案不是禁用 AI也不是要求所有人重新手写每一行代码。更合理的方式是根据任务目的决定把哪些摩擦保留下来。熟悉领域让 AI 承担机械劳动当你已经理解问题和实现边界可以让 AI 生成样板、补重复测试、完成迁移、查找调用点或整理文档。此时 AI 压缩的是劳动不是学习过程。陌生领域先形成自己的预测在询问 AI 以前先写下你对问题的理解、可能的方案和不确定点。哪怕猜错也有价值因为后续回答可以和一个明确的心智模型发生碰撞而不是直接覆盖一片空白。把给答案改成给提示让模型指出缺失条件、提出反例、解释错误或追问设计而不是直接完成实现。AI 可以扮演陪练但关键推理仍然由人完成。生成以后要求自己完成一次所有权测试不看对话解释代码的数据流和失败路径修改一个模型没有预料到的条件故意制造错误再独立定位。能完成这些动作才说明代码开始属于你。定期安排没有 AI 的重放对刚学会的概念隔几天重新实现最小版本或者在没有 AI 的情况下解决一个相似问题。记忆不是在第一次看懂时形成的而是在需要重新取回时被加固的。团队不能只测交付速度如果公司的唯一指标是需求吞吐量那么新人把思考交给 AI 是完全合理的行为。要保护长期能力团队需要改变验收方式。代码评审不能只问功能能不能跑还要问作者能不能解释关键选择、失败模式和回滚路径。新人需要拥有从问题分析到线上验证的完整任务而不是只负责把 Agent 生成的代码搬进仓库。团队也需要保留一部分不会立刻转化为产出的时间阅读底层实现、独立调试、复盘故障、重写失败方案。这些活动短期看起来降低速度却在生产未来能承担系统责任的人。AI 使用政策同样不应该只有允许或禁止。更重要的规则是哪些任务可以完全委托哪些决策必须由人先形成方案哪些知识需要在没有 AI 的情况下验证谁对生成代码的长期维护负责。当 AI 写出的代码越来越多人的价值不会只剩下点击接受。真正稀缺的是知道什么时候不应该接受。AI 没有改变人类学习的基本方式AI 可以让人完成原本做不到的事情。这是真实的生产力。但完成一项任务不代表获得了完成这类任务的能力。两者过去经常一起发生现在被 AI 拆开了。这也解释了 Andrew Ng 那个看似矛盾的判断。他一边要求每个人学习 AI、用 AI 构建另一边又担心 AI 破坏学习。因为生产和学习本来就不是同一个目标。生产模式关心结果是否尽快出现。学习模式关心结果出现以后人的能力是否发生了变化。我们真正需要防止的不是 AI 写太多代码而是人类在代码越来越多的时候逐渐失去理解、修正和接管它们的能力。如果未来的 Coding Agent 仍然需要专家监督那么今天最重要的工程问题之一就是不要在享受专家生产力的同时切断专家的生产线。参考来源Andrew NgThe Biggest Opportunities in AI Aren’t Where You ThinkLars FayeAI Coding will Prevent ExpertiseThe Widening Gap: The Benefits and Harms of Generative AI for Novice ProgrammersGenerative AI without guardrails can harm learningAnthropicHow AI assistance impacts the formation of coding skills