夜雨聆风［兼论软件工程与AI的共事之道］
引子：一个月看十万行代码？
几个月前到最近，有几家软件公司邀请我去做技术交流。其中三家公司的意愿非常明确，要用AI时代的理念，重塑他们的业务结构、重塑商业方式、也重塑开发路径和方向。
交流中一个细节引起了我的注意。有两家公司不约而同地提到一个KPI：一个人一个月看了多少行程序。
A公司说10万行，B公司说1万多行。
我当时就问：“这些程序，你们用人一条一条去审？”
“对，需要一条一条审。”
“用AI，你们不放心？”
“不放心。”
我让他们拿了一段程序，瞄了一眼，立马看到里面有很多调用程序的结构。
“这些被调用的，你们也算进去？”
“算进去，除非是已经固化很长时间的程序。”
我追问：“那你举个例子，这里面有一个矩阵乘法函数，你也要去审核？”
“矩阵乘法很成熟了，这个不看。”
“再往上一级，里边有一个偏最小二乘（PLS）算法，你也要审核？”
“这个……有时候看一看，有时候就不看。”
我说：“像PLS这种算法，有标准的测试集。如果你用的场景不会跑到测试集之外，可能也没必要看这些细节。再往上一层，就是一个架构的问题了。”
话说到这里，问题的本质开始浮出水面。
“大概率，你应该是对自己的架构不放心，是否觉得架构有些混乱？”
你真正看了10万行代码也罢、1万行代码也罢，我不相信你每一行都去看。真正看到每一行，你反而看不明白。正确的做法应该是：从这些代码里捋出一个框架来，看看框架对不对。框架的测试相对比较容易，拿几个简单的例子看能不能走通，再拿复杂一点的例子看看算法对不对。
而这些工作，现在AI可以做得非常好。
如果你把人力按”看了多少行代码”作为KPI、作为工作政绩，我认为这就是在AI时代还用算盘来工作。 不能说用算盘不对，但用算盘也不能保证比AI更可信。
试想一下：一个人看1万行代码、10万行代码，你相信他看得准，还是相信AI看得准？
从”信不信任AI”到”谁更容易信任AI”
交流结束后，我一直在想一个问题：
这也许不仅仅是技术判断问题，更可能与个人的性格特质有关系。
什么样的性格，容易对新的事物产生信任？用什么样的方法来验证这种信任感？这些都是值得研究的事情。
性格特质可能决定了对AI的态度，也可能决定了用AI的深度。
几十年前，杰弗里·辛顿（Geoffrey Hinton）就说过一句话：“如果多看一些心理学的书，从人性本身去考虑问题，可能对AI会有不同的认识。” 他现在也经常说这句话。
辛顿作为深度学习之父，早就意识到：AI的发展瓶颈不仅仅是算力和算法，还在于人：人的认知方式、人的信任建立机制、人的性格倾向。
AI用得好和不好，真的与性格特质有关系。
这引出一个值得深入研究的课题：
MBTI性格分类，与AI的使用深度、信任感和使用效果之间，是否存在显著的相关性？
MBTI：理解性格特质的框架
在深入研究之前，有必要先回顾一下MBTI的基本框架。
MBTI（Myers-Briggs Type Indicator）将人的性格分为四个维度，每个维度两个极向：
精力来源
外向（E）与内向（I）
外向者从外部世界和人际互动中获得能量；内向者从内心世界和独处中获得能量。
信息获取
感觉（S）与直觉（N）
感觉型关注具体、实在、当下的信息；直觉型关注模式、可能性和未来的关联。
决策方式
理性（T）与情感（F）
理性型依靠逻辑和客观分析做决策；情感型依靠价值观和人际关系做决策。
生活态度
判断（J）与感知（P）
判断型喜欢计划、有序和控制；感知型喜欢灵活、开放和适应。
四维组合得到16种性格类型，如INTJ、ENFP等。
这为我们提供了一个分析AI信任问题的结构化框架。
性格特质如何影响AI使用深度
信息获取维度：感觉型S vs 直觉型N
这一维度可能是对AI信任影响最直接的。
感觉型（S）
倾向于依赖具体经验、可观察的事实和已验证的方法。面对AI时，他们的典型反应是：
“我没有亲眼看到它是怎么推理出来的，我不放心。”
“它在测试集上表现好，但我不确定边界条件是否覆盖了。”
他们需要亲眼看到每一行代码，亲手验证每一个输出。
回到开篇的例子，要求一个月看10万行代码的管理者，很可能就是感觉型占主导。他们需要通过”一行一行看过来”这一具体行为来建立安全感。
直觉型（N）
则更关注模式、趋势和可能性。面对AI时，他们更可能：
相信AI能够从大量数据中提取人类难以察觉的模式
接受AI作为”黑箱”工具，只要输出可验证即可
更关注”框架对不对”而不是”每一行写对了没有”
直觉型的人更容易跨过”一行一行审代码”的阶段，进入”用AI验证架构和逻辑”的层次。
决策方式维度：理性型T vs 情感型F
理性型（T）
建立信任靠的是逻辑验证。他们会问：
“AI的错误率是否可量化？”
“在边界条件下，AI的表现是否有统计学意义上的保证？”
如果数据证明AI比人类更可靠，他们会接受AI——即便心里仍有不适。
情感型（F）
建立信任靠的是人际经验和同理心。他们可能更关注：
“AI的决策是否考虑了人的因素？”
“如果AI出错了，谁来负责？”
“团队的成员能否适应AI带来的变化？”
情感型对AI的抗拒，有时不是因为技术不成熟，而是因为责任归属和人际关系的不确定性。
生活态度维度：判断型J vs 感知型P
判断型（J）
倾向于在充分了解后再做决定。他们可能需要：
完整的测试报告
明确的精度指标
清晰的失败模式文档
然后才决定是否使用AI
感知型（P）
更愿意边用边看。他们的典型态度是：
“先在一个小场景里试试”
“有了问题再调整”
对AI的采用更加渐进和弹性
精力来源维度：外向型E vs 内向型I
外向型（E）
更倾向于通过与同行交流、参加行业会议、听取专家意见来建立对AI的信任。
内向型（I）
更倾向于通过自己阅读文档、动手实验、独立思考来形成判断。
这一维度决定了建立AI信任的路径不同，但不一定影响最终的信任深度。
假设：MBTI类型与AI使用深度的关系模型
基于以上分析，可以提出一组初步假设：
最容易对AI建立深度信任的类型：
INTJ / INTP / ENTJ / ENTP
——直觉+理性组合，关注模式和逻辑验证，容易接受AI作为高效工具。
最容易对AI持保留态度的类型：
ISFJ / ISTJ / ESFJ / ESTJ
——感觉+判断组合，依赖具体经验和秩序，需要大量实证才能建立信任。
最需要通过人际验证来接纳AI的类型：
ENFJ / ESFJ
——外向+情感组合，更容易在团队共识形成后接受AI，而不是独立做出判断。
最有可能成为”AI早期采用者”的类型：
ENFP / INTP
——开放性强，乐于尝试新工具，对不确定性容忍度高。
当然，这些只是理论假设，需要通过系统性的实证研究来验证。
从性格研究到软件工程实践
回到软件工程的语境。理解性格特质对AI使用的影响，不仅仅是一个心理学课题，也有非常现实的工程意义。
代码审查的AI化，卡在哪里？
开篇的故事揭示了一个深层矛盾：在AI时代，软件工程的管理方法仍然停留在工业时代。
一个月看了多少行代码，这个KPI的本质是“用工作量衡量产出”。但在AI辅助时代，真正有价值的不是”看了多少行”，而是”发现了多少真正的问题”、“对整体架构有多少改进”。
而”不相信AI”的背后，往往是一个性格特质问题，而不是技术问题。
感觉型的管理者需要”亲眼看到”才能建立信任。但软件工程的现实是：一个复杂系统的代码量级，已经超出了任何人”亲眼看到每一行”的能力边界。你不可能用算盘去算一个深度学习模型的梯度，同样，你不可能用逐行审查去验证一个现代软件系统的正确性。
真正的出路在于：用AI来审查AI写的代码，用架构测试来替代逐行审查。
软件工程与AI共事的四个层级
第1层：工具使用
用AI辅助写代码、查文档、做代码补全。这是最浅的使用层次，几乎所有人都能接受。
第2层：代码审查
用AI做代码审查、发现潜在bug和安全漏洞。这一层开始出现信任分水岭：感觉型管理者倾向于”AI审一遍，人再审一遍”；直觉型管理者则愿意”AI审完无问题就直接通过”。
第3层：架构验证
用AI理解整体架构、检查模块间接口一致性、验证架构决策的合理性。这是开篇故事中我建议的方向——不逐行看代码，而是捋出框架来验证。
第4层：AI驱动重构
由AI分析遗留系统的架构问题，提出重构方案，并且在人类批准后自动执行重构。这一层需要的信任度最高。
如何帮助不同性格特质的工程师用好AI
对于感觉型工程师：
提供可量化的验证指标（如AI审查的误报率、漏报率）
保留”人机双重审查”的过渡期
用具体的、小范围的实验数据说话
对于直觉型工程师：
提供全局视野，让AI帮助他们理解系统的整体结构
鼓励探索AI能力的边界
关注”AI能做什么新事情”而不是”AI替代了什么”
对于理性型工程师：
开放AI的推理过程（如Chain-of-Thought输出）
提供统计数据而不是模糊的描述
尊重”逻辑上说得通”的论证方式
对于情感型工程师：
关注AI对团队协作和工作满意度的影响
建立”AI出问题时有人负责”的安全感
让团队共同参与AI工具的选型和落地决策
信任的建立是一个过程
从”一个月看10万行代码”到”MBTI性格分析”，中间贯穿的主线其实是同一个问题：
人如何建立对AI的信任？
信任不是一蹴而就的。它是一个渐进的过程，受到性格特质的深刻影响，也受到经验积累的持续塑造。
我观察到的一个有意思的现象是：很多一开始对AI持怀疑态度的工程师，在亲手使用AI完成一两个复杂的任务之后，态度会发生根本性的改变。信任不是靠说服建立的，而是靠亲身体验建立的。
从这个角度看，企业推动AI落地的关键，不在于选哪个模型、买多少算力，而在于：
这需要管理者理解性格差异、尊重性格差异、用好性格差异。
尾声：一个开放的问题
辛顿说”多看心理学的书”是对的。AI发展到今天，技术层面的瓶颈正在被快速突破，但人的层面的瓶颈：信任、接受、适应，正在变得越来越突出。
也许未来，一个优秀的AI落地团队，不仅需要有算法工程师和软件工程师，还需要有组织心理学家和行为科学家。因为最终，AI不是技术问题，而是人的问题。
MBTI与AI使用深度的关系研究，如果做得足够扎实，可能为企业提供一套可操作的AI落地指导框架：
你是什么性格类型？
你如何建立对AI的信任？
你的团队应该用什么样的节奏引入AI？
你需要在哪一层放慢、在哪一层加速？
这些问题，值得每一个正在思考”AI如何重塑软件工程”的人认真回答。
而第一步，可能不是去看论文，而是去做一次MBTI测试。