少人会提出一个疑问：为什么当下 AI 在编程领域表现尤为突出？一种流传很广的解释是：编程已经高度工程化。代码写完即可获得明确反馈，编译能否通过、测试是否跑通，全部可以自动验证。而其他行业缺少这套自动化验收机制，结果好坏高度依赖人的主观评判，因此 AI 落地处处受阻。这个说法看上去合乎情理，实则颠倒了因果，把现象当成了根源。

一、当前 AI，只能处理已经被记录下来的符号知识

这是理解所有问题的前提。现阶段以大语言模型为核心的 AI，无论是对话模型还是代码助手，处理对象本质都是被记录下来的文字符号：文字、代码、数学公式，一切已经被人类表达出来的信息。模型学习的是书籍、论文、网页、代码库等固化下来的资料；它捕捉的是符号与符号之间的关联规律；输出的产物，同样还是符号。简言之：当前的 AI，只能够处理那些已经被说出来、被书写下来的知识。这一底层特性，划定了它能力的边界。

二、为什么编程会成为 AI 的优势场景

编程恰好完整运行在这套符号体系之内。程序员使用的程序语言属于形式化语言，语法严谨，语义确定，输入与输出都是符号。代码完成之后，编译器、测试用例就会给出客观结果，不需要依靠人的主观感受去评判代码优劣。AI 之所以在编程领域如鱼得水，并不是模型拥有类似人类的独创智慧，而是这个领域绝大部分知识、规则早已完成记录，刚好匹配大模型处理符号的能力。所谓 “因为编程拥有自动验收机制，所以 AI 擅长编程”，因果关系需要反转：并非先有自动验收，才有 AI 编程能力；正是因为编程本身就是符号化的工作，天然支持自动化校验，AI 才得以在此场景发挥价值。自动化验收，是符号化带来的结果，而非起因。

三、即便是编程，AI 也只能胜任一半工作

就算是 AI 表现最好的编程领域，能力也存在清晰的边界。一个软件项目大致分为两个阶段：一是厘清需求，明确用户诉求、业务边界以及各类异常场景；二是编写实现代码。AI 擅长后半段工作：当需求清晰完整、边界条件全部写明，把完备的规格文档交给 AI，它可以高效生成代码。但前半段 —— 把现实中模糊混沌的诉求，转化为严谨清晰的技术规格，这件事 AI 无法独立完成。即便 AI 可以辅助梳理整理，源头的认知依然需要由人提供。这也解释了提示词的意义：撰写提示词，本质是人把脑海中模糊的想法，翻译为明确可执行的指令。仅仅一句 “帮我写一个登录功能”，AI 无法自主判断需要短信验证还是密码登录、是否保存登录状态、密码错误多少次需要锁定账号。所有约束条件，都需要人类逐条交代。提示词效果变好，并不代表 AI 变得更聪明，而是人类替 AI 完成了隐性想法向显性文字符号的转化。

现实工程里，这份翻译工作往往比写代码本身更加棘手。嵌入式开发就是典型例子：程序对接真实硬件，处理传感器信号，兼顾时序与功耗。硬件手册给出的理论参数，和实际工况经常存在偏差。这类实操经验沉淀在工程师脑海，没有写进任何文档，AI 无从获知。企业内部业务系统同样如此：审批流程是两级还是三级、特殊情况由谁决策、历史数据如何迁移，大量规则藏在老员工的经验、长期形成的工作惯例、零散表格甚至口头约定之中，没有整理成成文规范，AI 自然难以介入。由此可见，即便在编程领域，真正的卡点依旧在于：需求模糊，大量知识属于隐性，尚未转化为可被记录的文字符号。这份困境，和其他行业遇到的落地难题，本质完全相通。

四、各行各业的共同阻碍：难以言说的隐性知识

医疗场景：经验丰富的医生观察病人神态、倾听症状描述，就能形成初步判断。可被追问完整的判断逻辑时，却很难全部讲清楚。大量临床经验沉淀为直觉，藏在细微的观察感知之中，无法完整记录在病历文本里。

司法场景：法条文本是固定的，但法官拥有自由裁量空间。判决之中融合着对社会现实、人情事理的综合理解，这些内容很难全部写进教材。

创意写作领域：好作品和普通作品之间，不存在类似编译器的评判工具。何为文笔出众，本身就没有一套可以完全固化的硬性规则。

这些行业有一个共同痛点：支撑业务的核心知识，没有被充分转化为文字记录。哲学家波兰尼有一句著名论断：我们知道的，远多于我们能够说出来的。医生脑海的认知，多于病历所能记录；法官的判案感悟，多于判决书所能书写；创作者的心得体会，多于创作教程所能概括。这种只可意会、无法完整言说的经验，就是隐性知识。

而当前的 AI，只能处理已经被表达出来的显性符号知识。这不是单纯模型不够强大的问题，而是底层基础的限制：AI 建立在语言符号之上，触碰不到符号之外的隐性经验。

五、“依靠人验收” 只是表层现象

回到最初的流行观点：其他行业 AI 落地难，是因为需要人完成结果验收。需要人工验收是客观现象，但这依旧只是结果，不是根源。之所以必须依靠人评判，是因为行业的评判标准本身无法转化为硬性规则，做不到自动化校验。标准无法写成规则，根源在于评判逻辑根植于隐性知识。医生判断患者是否需要住院，参考的不只有诊疗指南条文，还有数百份病例沉淀下来的复杂模式。这套模式高度细碎，高度依赖具体情境，很多感知很难落实到纸面。知识不能写成文字/符号，AI 就无法学习；标准不能转化为规则，就无法自动化验证。二者是一枚硬币的两面，根源都是隐性知识尚未完成形式化。

六、AI 落地的真正瓶颈

由此可见，AI 落地受阻，往往不是算力不足、数据体量不够、模型参数不够庞大。真正的瓶颈，是行业核心知识还停留在专家脑海的隐性状态，没有被提炼、转化为可被机器读取的文字/符号。把隐性经验转化为显性文字，是整个链条中最难、也无法跳过的一步。主要依靠领域专家从直觉经验中提炼概念，从模糊感知中梳理清晰表达。这个过程繁重、缓慢。

AI 可以参与协作，加速整理归纳的效率，但无法独立完成这一根本性的转化。编程之所以成为 AI 最先突破的领域，不是碰巧拥有完善的校验体系，而是编程本身就是人类思维高度符号化的产物。AI 擅长符号匹配，自然在此领域如鱼得水。医疗、法律、教育、艺术想要实现 AI 深度落地，首要任务并不是搭建一套自动验收系统，而是推动领域隐性知识完成文字/符号沉淀。恰恰这一步，难度最高。

七、如何判断 AI 在一个领域的发展上限

评判 AI 在某一领域能走多远，不必紧盯算力与数据集，只需要问一个核心问题：这个领域的核心知识，有多大比例已经转化为文字/符号？

• 核心知识几乎全部文字/符号化：编程、棋类、纯数学，AI 已经具备超越人类的能力；
• 大部分知识已经形成文字/符号：医学影像、语音识别、机器翻译，AI 高速迭代，但存在清晰天花板；
• 核心知识大量留存于人脑中：战略决策、高阶艺术创作、复杂综合研判，AI 只能停留在表层模仿。

这本质上属于认知层面的难题，而非纯粹的技术难题。很多人看到 AI 写代码、作诗、解习题，便会默认它可以适配所有场景。可 AI 能够处理的，仅仅是已经被文字记录下的世界。那个更庞大、更混沌、大量经验只存于人脑海的现实世界，它依旧难以触碰。AI 能力的边界，并不由它能吞下多少数据决定，而是取决于人类已经把多少知识，完成了形式化外化。而这条边界，AI 无法独自突破。