AI、火箭與硬合同的迴歸（第一部分）

本文分析了AI輔助軟件開發的經濟學實質。普遍認為“AI使軟件變便宜”的説法在多數重要方面是錯誤的。AI真正降低的是實現成本：將決策轉化為可工作代碼的過程。但圍繞該過程的所有其他環節——決定系統應該做什麼、定義組件如何配合、劃定安全邊界、判斷生成結果是否真正有效——仍然保持原有成本。AI可以快速生成大量代碼，但判斷、品味和經驗仍然昂貴。這種錯配是AI輔助開發的核心經濟事實：AI生成代碼的速度遠超人類對其進行有意義的評估，且大部分生成內容看似合理但平庸，甚至潛藏問題。

為了找到可能的替代方案，作者轉向一個意外的領域：火箭發動機。通過對比美國阿波羅計劃和蘇聯N1火箭項目，揭示了兩種工程信任方式：阿波羅通過鉅額投入在發射前建立信心（建模、審查、測試等），而蘇聯發動機工坊則通過頻繁的實物測試和迭代來積累知識（建造、點火、檢查、修改）。阿波羅方式適合資源充足且要求極高可靠性的場景，而發動機車間方式則適合資源受限但需要快速進步的場合。

然而，軟件沒有物理世界的客觀審判者。一段代碼可以編譯通過卻毫無用處，一項服務可以滿足API契約卻實現錯誤業務邏輯。因此，不能簡單地將AI生成的大量代碼視為需要人類逐一審閲的珍貴成果。作者提出，應像發動機車間那樣，將生成視為廉價的候選過程，而將嚴格的評審和篩選放在關鍵節點。軟件雖無物理判官，但存在眾多“硬判決”機制：編譯器、類型檢查器、數據庫約束、事務、接口定義、狀態機、權限邊界、資源限制、沙箱等。這些機制能自動拒絕大量錯誤實現，而無需人類閲讀。

關鍵在於，不要將AI生成的“廢料”倒入阿波羅式的審查流程，期望人類能跟上。而應學習發動機車間的做法：大量生成、快速試錯、丟棄失敗品、再次嘗試。同時，要吸取N1的教訓：組件成功並不自動組成系統成功。應在意義重大和需要集成的地方投入昂貴的確定性，而在其他環節採用廉價的破壞性迭代。

當AI被引入傳統工作流時，實際發生的情況是：測試失敗、提交問題、AI生成補丁、人類審查。若AI生成補丁的速度比人類閲讀快十倍或百倍，審查隊列將成為整個系統的吞吐量瓶頸。而AI輸出看似合理，使得審查者需要重構其假設、尋找遺漏邊緣情況、注意被悄悄弱化的約束，這比審查人類代碼更困難。因此，需要重新設計工作流，將評審重點從逐行閲讀轉為利用自動判決機制篩選，並接受一定程度的錯誤，但確保錯誤發生時廉價且可快速學習。