AI編碼將阻礙專業知識的積累

在軟體工程領域，AI編碼工具的普及引發了關於專業知識積累的深刻討論。本文作者指出，儘管AI工具能顯著提高工作效率，但對於缺乏經驗的開發者而言，它們可能成為學習道路上的障礙，甚至阻礙專業技能的培養。文章首先引用OpenAI CEO Sam Altman的預言——未來的智慧將像水和電一樣成為公用事業，但作者警告，這種便利性可能以犧牲長期技能形成為代價。

作者此前在“Agentic Coding is a Trap”一文中提出了“熟練的編排者悖論”：管理AI代理所需的技能，恰恰是透過持續使用這些代理而逐漸削弱的技能。當前行業向開發者發出了混亂的訊號：一方面強調不使用AI工具將被淘汰，另一方面又指出要獲得最佳結果需要高階思維和嚴格的程式碼審查。然而，這些能力來自於長期實踐中的挫折和挑戰。這造成了一個悖論：如果AI工具需要專業知識才能有效使用，卻又削弱了培養專業知識的途徑，那麼新手如何才能成為專家？

JetBrains的一項研究發現，重度依賴AI的參與者跳過了關鍵的規劃階段，產生了“能力錯覺”，而限制AI使用的參與者則發展出了“負面專長”，即識別並忽略無效AI建議的能力。更令人驚訝的是，在最佳表現的初學者中，那些儘量減少或完全忽視AI協助的人表現最好。這揭示了“倒置學習”的現象：在LLM的自導特性下，經驗越豐富，受益越多；知識越少，越容易被誤導。新手在學習新領域時，甚至不知道應該提出哪些問題來引導模型給出最佳答案。AI模型缺乏判斷力、同理心和教學意圖，其解決方案基於訓練資料中的模式，而非真實經驗。

作者強調，挫折是技能形成的核心特徵。正如UPenn的一項大規模研究所示，使用AI輔助學習數學的學生表現比僅使用課本的學生差17%，而使用AI作為蘇格拉底式輔導工具的學生則在練習中表現優越。Anthropic的研究也得出相似結論：認知努力和陷入困境對於掌握技能至關重要。作者認為，如果一味追求程式碼生成而忽略深度理解，我們將無法培養出能繼承現有程式碼體系的下一代專家。David Cramer (Sentry聯合創始人) 在採訪中也指出，認為LLM會清理所有垃圾的想法是一種科學實驗，而非現實。

文章最後提出“挫折優先”的方法：將AI視為教學夥伴而非生產工具，確保在效率提升的同時不犧牲專業知識的積累。正如Joel Spolsky在2002年所言，程式碼生成工具作為抽象層會洩漏，唯一應對之道是深入瞭解抽象的工作方式。因此，開發者應謹慎使用AI工具，避免陷入能力錯覺的陷阱。