AI编程为何难筑护城河

2023年初，笔者在首篇关于人工通用智能的文章中提出：

代码使用计算机语言，是设计完善的特殊语种，结构性强，长程关联，关系明确。

可以用微语言结构的概率分布为基底，张成语言空间，程序就是该语言结构空间的点线面体。

GPT可以用自己构建的高维语言空间简单方便地学习代码。

代码其实也可以看成特殊的思维链，训练可以降低信息熵，让信息更可预测。

大量这种语言结构示例参与预训练的话，GPT被注入足够的信息量，形成各种复杂关联的模式, 涵盖代码中的知识和知识结构。

高质量的代码，可以显著地降低GPT 获取的信息熵，这也是为什么GPT在代码上比自然语言更让人惊艳。

过去三年Claude Code等众多代码大模型的演化，几乎都印证了这个判断。

GLM5.2接近Claude Opus4.8，豆包2.1持平Opus4.7，是最新进展。

很多人认为编程是逻辑问题，但从大模型原理看，编程首先是语言问题，而且是最容易学习的语言问题之一。

人类语言天然充满歧义，一句话往往对应多种解释，同一个词在不同场景下可能完全不同。

而代码是一种被工程师长期优化过的人工语言，具备几个独特的性质：语法严格、语义确定、长程依赖明确、可组合、可验证。

对于Transformer来说，这几乎就是理想训练语料。从信息论看，自然语言属于高熵系统，代码属于低熵系统；

从信息几何看，自然语言形成的是高度弯曲、充满歧义的语义流形，代码形成的是边界清晰、拓扑稳定的结构流形。

模型学习代码，是在学习一个约束极强的概率空间，而学习自然语言则是在理解复杂的人类社会。

GPT3就已经具备不错的代码补全能力，GPT4开始能够完成完整软件开发，但后续模型几乎全部快速追平。

代码可能还是最符合 Scaling Law 的数据类型，同时具备如下特质：

代码领域的数据扩张速度远快于互联网文本，大模型越强，代码训练集增长越快，是一个天然正反馈系统。

所以Coding能力的构建与收敛速度远快于知识推理、世界模型、科学发现等其他领域。

之前的软件工程存在巨大经验壁垒。资深工程师重要价值是熟知哪些坑不能踩，比的不是谁代码写得快。

过去几十年，GitHub记录代码，Stack Overflow记录问题，博客记录经验，Issue记录失败案例，

这些原本分散在无数工程师头脑里的经验、隐性知识，被持续数字化。

大模型正在完成最后一步，经验蒸馏，大量工程经验开始从人脑迁移到参数。

很多开发任务正变成标准模式匹配：增删改查、API开发、前端页面、脚本自动化、数据流水线等等。

这些任务原本依赖开发者经验积累，现在越来越依赖提示词，经验壁垒正在快速下降。

商业上，AI Coding缺少形成壁垒所需的核心资产。历史上几乎所有伟大的科技公司，都掌握某种排他资源：

Google搜索流量，Meta社交网络，Amazon电商生态，Microsoft操作系统。

AI Coding却没有，训练数据是公开的、代码知识也是公开的。用户迁移成本低，开发者又很理性。

Cursor抢跑今天，Claude Code明天领先，后天可能又出现新的Agent框架。

其实写代码从来不是软件系统最贵的部分。

最贵的是，现实世界如何映射为软件，如何建模金融系统、供应链、组织、法规、用户行为等等。

代码只是业务本体（Ontology）的投影。真正困难的是如何定义系统。

过去几十年，开发者的大部分时间都花在理解需求上。AI时代这一规律没有改变，甚至会被强化。

成本下降之后，定义本身的成本反而成为瓶颈。未来最大的壁垒可能属于AI Mapping，怎样把复杂现实映射成可计算世界。

很多人以为AI会减少软件工程需求，历史经验恰恰相反。

每次编程门槛下降，软件数量都会爆炸。汇编 - C - Java - 互联网 - 移动互联网时代都这样，AI时代大概率也如此。

当生成代码趋近免费时，软件、Agent数量、自动化流程都会指数增长，企业内部会出现海量AI生成的系统。

新问题随之而来，谁治理这些系统？谁审计？谁维护？谁来纠错？谁保证安全？如何长期演化？

软件工程的重心应该会迁移，从Coding转向Harness，从构建转向治理，从 Build转向Control。

AI Coding的爆发源于代码本身是一种极度适合大语言模型学习的人工语言。

低熵、结构化、可验证、可组合，这些特征决定了代码能力会成为大模型最早成熟的能力之一，也决定了最容易被复制、被追平。

所以说，AI时代最稀缺的能力是定义问题、理解世界、构建本体、设计目标函数，以及决定哪些事情值得Coding。

Coding对应的是答案空间，未来的护城河，可能存在于问题空间。谁能定义问题，谁就能定义系统，谁能定义系统，谁就能定义未来。

AI Coding之所以没有护城河，是因为代码只是世界模型的一个投影。

从价值链看 World Model → Ontology → Workflow → Code，代码位于最底层。

AI Coding的终局可能是“代码变得像水电一样便宜”。未来最难替代的，是那些能够把模糊现实压缩成清晰目标函数的人。