AI辅助开发：效率悖论与技能传承的断层

2025年，一项严谨的实验聚焦于16位经验丰富的开源工程师。

他们被随机分组，一组使用AI工具辅助工作，另一组则否。

实验结果出人意料——启用AI辅助的那一组，任务完成时间反而比未使用AI的对照组延长了19%。

参与实验的并非初级人员，而是来自拥有超过22,000星标的大型开源项目的资深开发者，每人拥有多年的实战经验。研究机构为确保他们认真对待，支付了每小时150美元的报酬。

分配的任务真实且具代表性，涵盖了bug修复、功能开发和代码重构等，平均每项任务耗时约两小时。

实施此项研究的机构是METR，一个专注于AI安全领域的独立研究组织，而非AI技术供应商。

那么，这16位工程师最初的预期如何？

他们事前普遍预测，AI工具能使他们的工作效率提升24%。

然而，实际数据显示，效率反而降低了19%。

预期的效率提升与实际结果之间，存在高达43个百分点的巨大差距。

更引人深思的是后续情况——当研究人员邀请他们参与一项不使用AI的后续研究时，相当一部分人表示拒绝。“他们难以想象回归没有AI辅助的状态。”

这个故事的开端只是一个引子。

真正值得探讨的核心问题并非AI本身的能力强弱，而是——

当所有人都依赖AI编写代码时，人类独立进行代码审查的能力将会受到怎样的影响？

这个问题，似乎无人愿意正面回答。

4月24日，DeepSeek发布了其V4模型。

这或许是本周科技界最重大的事件之一，但大多数媒体的报道角度集中于：DeepSeek又一次刷新了某项纪录，AI能力实现了新的飞跃。

很少有人关注另一个关键数据：V4-Flash版本的API定价为每百万输入token仅需0.14美元。

这究竟意味着什么？

这意味着，仅需14美分，一个顶尖的AI模型就能处理高达一百万个token的文本信息。

其边际成本几乎趋近于零。

这背后蕴含着怎样的深层含义？

它表明，代码生成的门槛正在以前所未有的速度快速瓦解。一个初级工程师，只需花费几美元，就能生成过去需要高级工程师数天才能完成的代码量。

随之而来的问题是——代码审查的速度是否能够跟上这一变化？

答案是：尚未跟上。

一位公司工程负责人曾撰写一段文字，虽未被主流媒体广泛报道，但其内容值得深入思考：

在其公司的一次招聘过程中，共有2,253名候选人进入筛选环节，最终仅有4人获得录用，转化率仅为0.18%。

这并非市场人才供给不足，而是同时具备“扎实的技术功底、能够准确判断AI生成代码中的错误、并且能在凌晨2点独立解决分布式系统故障”的复合型人才，几乎已成为“熊猫级别”的稀缺。

这种人才并非仅仅是稀缺，而是濒临灭绝。

这并非个别现象。

LeadDev机构对工程负责人进行的一项调查显示，超过半数的人认为AI工具的普及正在减少初级工程师的招聘机会。

与此同时，计算机专业的招生人数也在呈现下滑趋势。CRA（计算机研究协会）对全美计算机系的年度调查表明，超过一半的院系报告今年的新生入学人数有所下降。

这两个数据结合来看，意味着大约六年之后，初级工程师的劳动力供给将出现显著减少。

而在此期间，那些本应在初级岗位上通过编写代码、修复bug、调试系统来逐步培养判断力和解决问题能力的人，却通过AI绕过了这一关键的学习过程。

在行业内，这种状态被形象地称为“AI介导的能力”（AI-mediated competence）。

即，能够有效地向AI发出指令（prompt），但却无法准确指出AI生成代码中的错误所在。

让我们回顾开头提到的19%的效率下降数据。

该研究是在2025年初进行的，当时使用的是Claude 3.5/3.7 Sonnet模型。

而到了2026年的今天，DeepSeek V4的模型在基准测试中的表现已能媲美GPT-5.4和Gemini-3.1，且其API价格仅为后者的百分之一甚至千分之一。

这意味着，AI的能力更强，而成本却更低。

然而，人类开发领域所发生的变化，其走向并非完全取决于AI版本的快速迭代。

它在很大程度上取决于初级工程师是否仍在积极地编写和调试代码。

在美国国防工业中，有一个真实且发人深省的故事，名为“Fogbank”。

这是核弹头生产过程中一种关键材料的代号，于1975年至1989年间生产，随后工厂关闭。到了2000年，政府试图恢复生产时，却发现所有掌握该材料生产技术的工程师要么已经退休，要么已故，要么转行，相关的技术文档记录也不完整。

耗费了两千多万美元和多年的逆向工程努力，好不容易制造出了新材料，却发现其纯度过高——原始配方中一个看似“杂质”的成分，实际上是实现功能的核心要素。这个“杂质”从未被正式记录在任何文件中，只有当年亲手操作过的人才知晓其关键作用。

最终，他们花费了更长的时间，才最终理解“不纯”才是正确的解决方案。

这个故事的核心并非材料本身，而是强调了知识的传承高度依赖于拥有实际经验的个体。

当前软件开发领域正在经历类似的转变。

代码审查已成为当前开发流程中的一个瓶颈。AI能够快速生成代码，但人类审查代码的速度却相对缓慢。整个行业的应对策略是什么？

是让AI来审查AI生成 Thus, the human element in understanding and debugging complex systems is becoming increasingly critical. The industry's response to this bottleneck is to leverage AI to review AI-generated code.

有人对此表示担忧，并改变了其Pull Request（PR）模板，要求每个PR必须详细解释：修改了什么内容、为何进行此次修改、属于何种类型的改动，并附带修改前后的截图。

他解释这样做的目的是——“我希望培养的是那些能够在凌晨两点诊断并解决分布式系统故障的人，而不是仅仅能够向AI描述分布式系统故障现象的人。”

故事的另一面。

并非所有人都对当前形势感到忧虑。

乐观的观点认为：每一次技术革命都会淘汰一部分旧岗位，同时催生出新的就业机会。例如，马车夫的消失催生了汽车修理工的出现。AI也将扮演类似的角色。

这一逻辑在过去历次技术革命中都得到了验证。

然而，其前提是——人类技能的传承过程没有因此中断。

马车夫能够学会驾驶汽车，是因为存在足够的时间和过渡期，让他们有机会接触、熟悉汽车，并在实践中积累相关的操作经验。

而当前正在发生的，并非是人类学会了如何利用AI编写代码。

而是人类直接跳过了“学习编写代码”的这个关键环节，直接进入了“学习使用AI”的阶段。

如果AI的能力在2031年遇到发展瓶颈，或者在某些特定场景下AI突然失效——

那么，那批从未经历过“在凌晨2点排查并发现是数据库连接池配置问题”这样深刻实践经验的人，将如何应对？

有一个数字，留待最后。

这个数字不会出现在任何AI厂商的新品发布会上。但它与DeepSeek V4的价格——每百万token仅需0.14美元——共同构成了这个时代最真实而深刻的注脚：

AI的能力正在飞速发展。而人类技能的传承，却在悄无声息中面临断裂的风险。

这两股趋势，正在同一个季度里并行上演。

主要