学习AI没有捷径

AI好厉害啊

我第一次用AI编程的时候，感觉就像是打开了一个新世界。

一句话输入，一个完整的前端页面就生成了。配色、布局、交互，全都给你整好了。我作为一个跟编程八竿子打不着的人，突然觉得自己什么都能干。

那个瞬间，我的脑子里只有一个念头：有了AI，小白也能秒变大神。

我相信很多跟我一样的人，都有过类似的体验。你打开Cursor、打开Claude，对着它说一句"帮我做一个XXX"，然后——唰——一个看起来还挺像那么回事的东西就出来了。

那一刻，你觉得自己站在了时代的风口上。

然后呢？

然后呢？

然后我就想改一个细节。

比如，我想把这个按钮的颜色从蓝色换成橙色。这个需求简单吧？我就跟AI说："把按钮换成橙色。"

AI照做了。但是——它换的不是我想换的那个按钮。它把页面上另一个按钮也一起换了。我再说"只换第一个"，它换了，但是布局乱了。我再说"恢复原来的布局"，它恢复了，但是按钮颜色又变回蓝色了。

一个改按钮颜色的操作，我折腾了十几轮。

这时候我才意识到一个很残酷的事实：AI给我生成的页面看起来不错，但我连"我要改哪里"都描述不清楚。

这不是AI的问题。是我的问题。我不知道那个按钮在代码里叫什么，不知道它受哪个样式表控制，不知道它和周围元素的关系是什么。AI给了我一个成品，但我对这个成品一无所知。我拿着一张精美的地图，但我不会看地图。

这就像什么呢？就像你花钱请了一个顶级厨师做了一桌菜，然后你想让他"把那个汤稍微咸一点"。他说"哪个汤？咸多少？跟主菜搭不搭？"你张嘴说不上来——因为你根本没进过厨房。

越深入，越难

但这个阶段还不是最难的。最难的是后面。

当你用的越多，踩的坑越多，你会发现一个反直觉的规律：你对质量交付的要求越高，你需要知道的反而越多。

不是更少。是更多。

一开始你觉得AI帮你写代码就够了。后来你发现，你起码得看得懂终端的报错信息。然后你得知道什么是技术框架、什么是架构。再后来，你得理解测试流程——不测试你怎么知道AI写的东西是对的？再再后来，你发现你得懂Docker，因为别人给你的环境跟你本地的环境不一样，AI写的代码在这个机器上跑得通，换一台就不行了。

每往前走一步，就有一个新的"你必须懂"等着你。

这跟我想象的完全不一样。我以为AI是电梯，能把我直接送到顶楼。结果它是——它确实让我起步更快了，但每上一层楼，门后面都站着一个新的门槛。

极致的效率带来极致的不灵活

今天我看了一个理想汽车的视频，他们技术负责人讲了一句话，直接把我点醒了：

极致的效率带来的是极致的不灵活。

他讲的是设计哲学。但我听到这句话的时候，脑子里全是AI编程。

你想啊，AI一句话就能给你生成一个页面，这个效率确实极致。但是然后呢？当你要迭代呢？当你要定向修改一个细节呢？当你要把两个AI分别生成的模块拼到一起呢？

你发现那个"极致高效"的起点，恰恰变成了你"极致不灵活"的瓶颈。

因为那个页面不是你理解的产物。它是AI理解的产物。你的理解和AI的理解之间，隔着一整条你自己没走过的路。

这就像你坐了一趟直升机到了山顶，然后发现要下山的时候，直升机飞走了。你得自己走下来。但山上每一条路你都没走过，你甚至不知道东南西北。

AI帮你跳过了爬山的辛苦，但也同时跳过了你在爬山过程中建立的方向感。

一个让人不舒服的悖论

接下来要说的事，可能会让一些人不太舒服。

都说学AI不难。门槛低了嘛，对吧？以前你得学编程，学算法，学数据结构。现在你说人话就行了。

但是，你有没有注意到一个现象：那些用AI用得特别厉害的人，本身就已经很强了。

他们有很强的沟通能力——知道怎么把一个模糊的需求说清楚。他们有拆解问题的能力——知道怎么把一个大任务拆成AI能消化的小任务。他们有工程思维——知道AI生成的代码哪些能用，哪些要改，哪些直接扔掉重来。他们甚至有管理能力——知道怎么"管理"AI，知道什么时候该放手让它干，什么时候该自己介入。

这些能力，都不是"学了AI"就能获得的。

这就是那个悖论：AI的使用门槛确实降低了，但把AI用好所需要的底层能力，反而更高了。

AI给了所有人一张入场券。但进门之后，你能走多远，取决于你进门之前就积累了多少东西。

有人花一个小时用AI写完了别人写一周的功能。代码跑通了，测试过了，合并进去了。三周后，系统在高并发下崩了。他打开日志，看了五分钟，然后——把整段崩溃日志粘进了AI的对话框。

这不叫解决问题。这叫把问题转交给另一个人。只不过这个"人"是AI。

正如Kent Beck说的：

先学抽象的价值，再学抽象的代价，然后你才准备好做工程。

AI做的是直接把你传送到第三步。你跳过了被折磨的记忆。你没有见过没有抽象的样子，不知道它在什么情况下会失效。AI不会主动提醒这一点——因为它太有礼貌了，不会告诉你你不知道什么。

以前的差距写在简历上

我记得 François Chollet——就是那个创建了Keras深度学习框架的人——说过一句话：

要精通某一层抽象，你必须对它下面那一层有还不错的理解。

评论区有人反驳说这是"老一代的保守观念"。然后另一个工程师给出了完全相反的观察：有经验的工程师用AI工具用得更好，不是因为保守，而是因为他们能看懂AI在做什么、知道哪里会断、知道该在哪里叫停。

这两种说法不矛盾。

以前的技术差距写在简历上——你会什么语言、做过什么项目、在哪家公司待过。清清楚楚。

现在呢？AI把入场券发给了所有人，却把VIP通道的门悄悄锁上了。

所有人都用Cursor一小时写完一周的功能。代码看起来一模一样。但高并发一来，懂底层的人和不懂底层的人，崩溃时的表情也一模一样——区别是前者知道为什么崩，后者只能继续问AI为什么崩。

以前差距写在简历上，现在差距藏在系统崩溃前的那五分钟里。

所以，学习AI有捷径吗？

说了这么多，回到标题的问题：学习AI有捷径吗？

我的答案是：AI本身确实降低了起点，但它把终点推得更远了。

你不需要花三年学编程才能用AI写代码了，这是事实。但你想用AI做出真正靠谱的东西，你需要理解的底层知识——终端、架构、测试、部署、系统工程思维——一样也没少。

AI没有消除学习的曲线。它只是把曲线的前半段削平了，然后把后半段变得更陡了。

所以"学习AI没有捷径"这句话，其实有两层意思：

第一层：你要用好AI，你得先学AI之外的东西。沟通能力、逻辑思维、工程常识、拆解能力。这些东西没有捷径。

第二层：AI给你的速度感本身就是一种幻觉。它让你觉得你已经到达了，但其实是它替你到达了。你站在一个你自己没有搭建过的建筑里，每修一扇窗户，都需要先理解这栋楼的承重结构。

如果你现在主要靠AI工具做东西，这不是批评。这是一个可以自测的问题：当AI给你生成了一个方案，在不验证之前，你能不能猜到它在哪些情况下会出问题？

能猜到，说明你有底层的东西。猜不到，说明你有速度，但不太确定这个速度在堆什么。

学AI没有捷径。但这个"没有捷径"，不是一件坏事。

因为那些你一步一步走过去的路——那些踩过的坑、那些自己调试到半夜的经历、那些被报错信息折磨到想砸电脑的时刻——它们不只是"浪费时间"。它们是你理解系统、建立直觉的唯一方式。

AI可以帮你快，但只有你自己走过的路，才能帮你稳。

这篇文章不是要劝你别用AI。恰恰相反，我每天都在用。但它是我用了一段之后的真实感受：AI是工具，不是电梯。它能让你走得更快，但它不会替你记住来时的路。

大家有什么看法？欢迎一起聊聊。