夜雨聆风摘要：2026 年 ，Anthropic 发布了一份有意思的研究：在一个小规模实验中，使用 AI 编程的开发者理解测试得分比手工组低 17%。这个发现让我想到了认知科学里的一个经典理论，也引发了我对行业走向的一些思考。
各位朋友，我是谢先生，技术观察者。
🧠 一切的起点：一个 18 年前的心理学实验
2008 年，UCLA 的心理学家 Robert Bjork 做了一个看似简单的实验。
两组学生学单词：
A 组：反复阅读单词表 B 组：读完后立刻测试，强迫自己回忆
从"学习体验"看，A 组轻松愉快，B 组痛苦焦虑——他们得绞尽脑汁回想刚才看过的词。
一周后测试，结果让所有人意外：B 组的成绩是 A 组的 2.5 倍。
Bjork 给这个现象起了个名字：必要难度 (Desirable Difficulty)。
核心结论：学习的效率和学习的效果是负相关的。
让你学得轻松的方式（反复阅读、划重点），长期记忆效果最差。让你学得痛苦的方式（测试、检索、犯错），长期记忆效果最好。
这不是鸡汤，这是认知科学的铁律。
18 年后，Anthropic 用 AI 程序员重演了这个实验。
结果几乎一模一样。
📊 Anthropic 的实验：一个让 AI 公司"唱衰自己"的研究
2026 年 1 月，Anthropic 发布了一篇论文，标题直白：
"How AI assistance impacts the formation of coding skills"
他们做了一个小规模的随机对照试验（52 人）：
核心数据：
17% 的差距，统计学显著（p=0.01）。
不过要说明：样本量不大，结论不能说板上钉钉，但方向值得注意。
一个卖 AI 编程工具的公司，做了一个可能对自己不利的实验。
这需要多大的勇气？或者说，这背后藏着多大的算盘？
🔬 实验设计的精妙之处
Anthropic 的研究团队做了一件非常聪明的事：他们不只看结果，还录下了所有参与者的屏幕。
逐帧分析。看他们怎么用 AI。
这让我想起那句话：数据不会说谎，但数据不会告诉你全部真相。 真相藏在"怎么用"里。
他们发现了什么？
🎭 四种"作弊器"模式：低分者的自画像
先说明一下：这部分是研究者对参与者屏幕录像的定性分析，样本更小（每组只有几个人），结论是"启发性的"，不是严谨的统计结果。但我觉得观察很有意思，值得分享。
低分的人（平均分 <40%），不是"不会用 AI"，而是"用错了姿势"。
模式一：AI 代写派
直接把需求扔给 AI，复制粘贴答案。
他们完成任务最快，错误最少。但测验时，他们连自己写的代码都看不懂。本质是把 AI 当外包。
模式二：渐进依赖派
开始还自己写，写着写着卡住了，问一次 AI，又卡住了，再问一次……， 最后干脆让 AI 写完。本质是外包了"坚持"。跳过了"痛苦地调试"这个过程。
模式三：迭代调试派
自己写代码，但遇到 bug 就把报错贴给 AI。AI 帮他们改好了，他们改完继续跑，再报错再贴……，本质是外包了"诊断"。跳过了"理解错误"这个过程。
这三种人有什么共同点？
他们都跳过了"痛苦的思考过程"。
而恰恰是那个过程——写代码时的卡顿、报错时的慌张、逐行排查时的烦躁——塑造了真正的技能。
💡 谢先生的思考：
这让我想起 Bjork 的"必要难度"理论。
AI 不是在帮你学习，AI 是在帮你跳过学习。
效率提升的代价，可能是技能形成的缺失。短期爽，长期亏。
🎓 三种"教练"模式：高分派的秘密
那么，那些用了 AI 却依然学得很好的人，到底做对了什么？
模式一：生成-理解派
先让 AI 生成代码，然后追问：
"为什么要这样写？" "这个参数什么意思？" "有没有更好的写法？"
他们不快，但测验得分很高。本质是把 AI 当教科书，而不是答案卡。
模式二：混合解释派
每次让 AI 写代码时，都要求"边写边解释"。他们读解释的时间比写代码还长，但这些解释让他们真正理解了代码背后的逻辑。本质是把 AI 当导师，而不是打字机。
模式三：概念提问派——最优解
这群人只问概念性问题：
"异步编程和线程有什么区别？" "这个报错是什么意思？什么情况下会出现？" "为什么要用这种写法而不是另一种？"
他们不让 AI 写代码。他们用 AI 理解概念，然后自己写。
结果是：
完成速度：全组第二快（仅次于 AI 代写派） 测验得分：全组最高
💡 谢先生的思考：
这三种高分模式有个共同点：把 AI 当陪练，而不是替身。
他们用 AI 跳过的是"查文档"的时间，但没有跳过"写代码"的过程。
效率可以来自"跳过"，也可以来自"加速"。前者是偷懒，后者是杠杆。
🔍 最可怕的发现：调试能力正在退化
Anthropic 的实验数据里有一个细节，被很多人忽略了。两组差距最大的题型是什么？不是"写出这段代码"——是"找出这段代码的 bug"。
这意味着什么？当 AI 帮你写完代码，它也帮你跳过了：
看到红色报错时的慌张 逐行检查时的无聊 找到问题那一刻的"啊哈！"
调试能力是人类在 AI 时代最后的护城河。
为什么？
因为 AI 生成的代码可能有错。只有能调试的人，才能发现并修正。
当 90% 的代码由 AI 生成，谁能发现那 10% 的错误？
💡 谢先生的思考：
调试能力不只是"找 bug"。它是你理解一个系统如何运作的唯一方式。
一个系统为什么跑通了？为什么跑不通？为什么跑着跑着就炸了？
这些问题的答案，不在代码里，而在你调试代码的过程中。
调试是"系统思维"的训练场。而系统思维，是程序员区别于"代码打字员"的分水岭。
📜 历史没有新鲜事：每次工具革命都在"阉割"技能
把时间尺度拉长，你会发现：这种焦虑两千年前就有了。
| 调试能力 | "代码能跑，但我不知道为什么" |
苏格拉底在《斐多篇》里批评书写技术：
"书写会让人们变懒，他们不再训练记忆，因为他们可以随时查阅。"
2000 年后，我们还在争论同样的问题。
🤔 但这次不太一样
计算器阉割了心算，但你仍然需要理解"为什么要这样算"。GPS 阉割了导航，但你仍然需要理解"我在哪里、我要去哪里"。搜索引擎阉割了记忆，但你仍然需要理解"这个答案对不对"。
但 AI 编程阉割的，是"理解系统如何运作"的唯一途径。
代码不只是"记住"，它是"理解复杂系统"的训练场。
当这个训练场被 AI 接管，我们失去的不只是调试能力，而是整个"系统思维"的养成路径。
💡 谢先生的思考：
以前的工具革命，替代的是"执行层"的技能。
计算器替代计算，GPS 替代导航，搜索引擎替代记忆。
但 AI 编程不同——它替代的是"理解层"的技能。
这才是为什么这次不一样。
📈 能力熵增：一个行业的隐形危机
把 Anthropic 的实验放大到整个行业，会发生什么？我用"能力熵增"这个概念来描述：
短期（1-2 年）：效率暴涨。
初级程序员用 AI 生产力翻倍，公司少招人，成本下降。股价上涨，KPI 达成。
中期（3-5 年）：技术债务堆积。
AI 生成的代码越来越多，但能理解这些代码的人越来越少。Bug 出现时，没人能解释"为什么"。
长期（5-10 年）：能力熵增临界点。
技能从人类流向工具，系统复杂度却在指数增长。最终，整个系统到达一个临界点——
没人能解释它为什么工作，也没人能解释它为什么不工作。
💡 谢先生的思考：
熵增定律：在一个封闭系统中，无序度（熵）总是增加的。要逆转熵增，必须从外部输入能量（努力）。
AI 编程让"写代码"这件事变得有序（高质量产出），但让"理解代码"这件事变得无序（技能退化）。
短期看是效率，长期看是熵增。
当系统的复杂度超过人类理解能力的临界点，系统就会进入"不可维护"状态。这不是危言耸听，这是软件工程的基本常识。
🏗️ 基建的黄昏：别在收费站门口练长跑
就在我写这篇稿子的 2026 年 4 月，OpenAI 把 GPT-5.3-Codex 的系统卡片甩到了大家脸上，微软也把那个所谓的 Azure AI Agent Service 给 GA（商用）了。
很多人在欢呼，但我看到的只有基建税。
大厂正在把路修死。以前你引以为傲的那点"业务逻辑实现能力"，在现在的云端基建面前，不过就是一行配置、一个 API 的事。如果你还觉得"手熟"是程序员的护城河，那只能说你对"降维打击"一无所知。
大厂的战略很直白：把编码变成像电力一样的廉价设施，然后按照你消耗的 Token 来收税。
当你发现你花十年磨练的架构，被大厂一个预设的 Agent 模板瞬间秒杀时，你才会意识到：基建越完美，"代码搬运工"的死期就越近。
更扎心的是今日 Arxiv 上那篇论文 (2604.02460)。它直接扯下了"多智能体协作"的遮羞布：研究发现，单体模型的推理能力已经强到可以无视所谓的团队协作。这意味着，平庸的连接毫无意义。
真相是：Token 的噪音再多，也填不平灵魂的贫瘠。 我们不需要一个由平庸 Agent 组成的"委员会"，我们需要一个足够强的单体模型，以及一个比模型更强的、拥有终极审美的"人类监工"。
💡 谢先生的思考：
大厂正在修高速公路，并在每一个出口架设收费站。如果你还想靠"走路"（写那点手熟的逻辑）去挣钱，那你只会被碾碎。
在被流水线接管的时代，拒绝当螺丝钉，去当那个设计路网的人。
如果你不能在代码炸裂时，一眼看穿基建背后的逻辑暗门，那你唯一的价值就是给大厂贡献 Token。
基建的黄昏，正是"监工时代"的黎明。
⚠️ 谁是真正的受害者？
大众观点：AI 编程工具会消灭低级程序员。
我的观点：AI 编程工具真正威胁的是中级程序员。
为什么？
低级程序员：本来就不会写，AI 帮他们"升级"了。他们从"写不出来"变成"能写出来"，这是净收益。
高级程序员：把 AI 当工具，核心能力（架构、调试、系统思维）不受影响。他们知道什么时候该用 AI，什么时候不该用。
但中级程序员——他们赖以生存的是"能写能改"。
现在"写"被 AI 接管了，"改"（调试）又因为缺乏练习在退化。
他们正处于能力的拐点：比上不足，比下有余。但 AI 正在把这个"有余"吃掉。
💡 谢先生的思考：
中级程序员是整个行业的中坚力量。他们能独立完成任务，但还没有形成"不可替代"的专业壁垒。
AI 对他们来说，既是效率工具，也是能力陷阱。
用得好，他们能快速晋升为高级；用不好，他们会被"降级"为 AI 操作员。
这个群体面临的，是一场静悄悄的"能力淘汰赛"。
🛠️ 一个判断标准：你用的是"外骨骼"还是"轮椅"？
下次你用 AI 写完代码，问自己一个问题：
"如果 AI 不在，我能解释这段代码为什么能跑吗？"
如果能，你在用外骨骼锻炼肌肉。如果不能，你的肌肉正在萎缩。
AI 不是代驾，是外骨骼。
外骨骼能帮你举起 500 公斤。但如果有一天它没电了，你连 50 公斤都举不起来——因为你的肌肉已经萎缩了。
📋 给个人的行动清单
第一层：改变提问习惯
核心原则：问"为什么"，而不是"怎么做"。
第二层：每天手写一段代码
哪怕只是 10 行。哪怕只是重复 AI 写过的东西。
肌肉记忆是 AI 抄不走的。
第三层：刻意练习调试
找一个你用 AI 写的代码，故意破坏它，然后自己修。
看看你能多快找到问题。如果不能，说明你还没真正理解。
🏢 给企业的警示
如果你的团队正在大规模使用 AI 编程工具，请思考以下问题：
问题一：谁来维护 AI 写的代码？
AI 能写代码，但 AI 不能维护代码。当 AI 生成的代码需要修改时，你的团队里有多少人能理解并修改它？
问题二：你的初级工程师还在成长吗？
初级工程师的成长路径是什么？是从写简单代码开始，逐步积累调试经验，最终形成系统思维。如果 AI 接管了"写简单代码"这个环节，初级工程师的成长路径就被切断了。三年后，你的初级工程师还是初级工程师。
问题三：你的技术债务在增长还是在减少？
AI 生成的代码，天生带着"技术债务"的属性——因为没人真正理解它。当这些代码积累到一定量级，你的系统就进入了"不可维护"状态。
🎯 结语：效率是短期红利，能力是长期资产
Bjork 的必要难度理论告诉我们：学得轻松，忘得快；学得痛苦，记得牢。
Anthropic 的实验告诉我们：用 AI 代写，学得少；用 AI 理解，学得多。
历史告诉我们：每次工具革命都在阉割技能，但这次不一样——AI 阉割的是"理解层"的技能。
能力熵增告诉我们：短期效率，长期债务。系统的复杂度终将超过人类理解能力。
当你用 AI 越来越顺手的时候，停下来想一想：
你是在积累资产，还是在透支未来？
参考资料
- Anthropic Research
: How AI assistance impacts the formation of coding skills (2026-01-29) - Paper
: arXiv:2601.20245 - Cognitive Science
: Bjork, R. A., & Bjork, E. L. (2008). "The New Science of Learning"
作者：谢先生，用 AI 放大品位，而非替代思考。
觉得分析有道理？点个「在看」，转发给需要看到这篇文章的朋友。
关注公众号，我们在 AI 的最前线等你。