=========================
好久沒寫文章了，最近有一些對 AI 的看法，不吐不快。這篇文章，也是借助 GPT 在一個粗糙草稿上幫忙潤色完成的，配圖也是 Agent 幫忙搞定的。看起來缺少一些我過往文章的文風，不過這對 AI 也並不是難事，算了，懶得再餵它學習了。整體也寫得挺好，能清楚表達意思，沒有錯別字；要知道以前手寫文章的時候，光改錯別字、斷句什麼的都要整理好久。好了，不再囉嗦，開始正文。現在 AI 大型語言模型的流行，某種程度上反而證明了：這個世界很多地方，本質上就是個巨大的「草台班子」。
目前主流的 LLM（大型語言模型），本質更像一個「超大規模的文本預測器」：給定上文，去預測下一個最可能出現的詞（更準確地說是 token（標記）），然後一個 token 接一個 token 地生成完整回答。
在生成過程中，得益於 Transformer 的注意力機制，模型會「回頭看」前面哪些詞比較重要──也就是它會抓重點。這使得它對語言的把握明顯強於傳統的自然語言處理。再加上對互聯網公開知識的大量預訓練，LLM 的每次迭代看起來都在向「智能」靠近一步。
但這並不等於它學會了「思考」。
更準確地說，它學到的是大量「推理文字的寫法與套路」，以及一些可泛化的模式，比如類比、歸納、分步求解等。因此它能輸出看起來很像推理的內容，卻仍然可能胡編亂造（幻覺），生成聽起來合理但事實錯誤的結論。
這有點像某些邏輯不太好的人寫文章：每個字都認得，讀起來也順，但連起來其實不知道在說什麼。因為它並沒有真正的邏輯思維能力。
但這還不是最關鍵的問題。更要命的是：它缺乏持續的創新能力。
人類能在物種競爭中勝出，不只是因為會一代代模仿學習，更因為會創新──在總結規律的基礎上提出新問題、發明新工具、開闢新路徑。而現階段的 AI 並不具備這一點。這也是為什麼楊立昆（深度學習與捲積神經網路的奠基人）**並不認可「只靠文字訓練」就能實現真正通用人工智慧（AGI）」的原因之一。
即便如此，LLM 的能力仍然強到「足夠好用」，甚至在很多場景裡效果驚豔，超過了大量工作的真實要求。
比如程式設計師為什麼都喜歡 Claude Code？很重要的原因是：這類模型訓練時吸收了大量「人類解決程式設計問題的過程資料」，例如 Stack Overflow、GitHub Issue 等。那些資料裡不只是程式片段，還包含了工程師定位 bug、分析原因、嘗試方案、權衡取捨的思路。模型透過學習這些內容，等於也「照著套路」學會了。
這意味著它在很多任務上可以達到中級程式設計師的水準，能相對獨立地解決問題。
但它依然很難做出真正的創新。
例如，它並不會自己發現傳統 DOM（文件物件模型）操作在開發視圖時的結構性問題，然後發明 React、Vue 這類框架來解決；它更多是在既有範式內堆程式、補功能。除非你明確提示，它才會進一步抽象、優化、重構。
同樣，它也缺乏「自主的審美能力」：不知道什麼是較好的工程實踐、什麼是較差的工程實踐；很多時候能寫出可以執行的程式，但不一定能寫出長期可維護、可演進的系統。
不過，這並不妨礙它替代大量初級程式設計師的工作。因為我剛才說的那種抽象能力與工程審美，現實中很多程式設計師也並不具備。
也正因為如此，LLM 的爆紅從另一個角度說明：很多工作並沒有想像中那麼高大上。大量職位的產出，本質上就是在既有模板、流程和經驗裡做「可用的拼裝」，靠模仿同事也能把事情敷衍過去。
這恰恰證明了：這世界就是個巨大的草台班子。
所以，各位讀者讀完後，你是否對「現階段 AI 替代人類工作」這件事沒那麼焦慮了？畢竟，現在 AI 能完全替代的工作，本質上即使沒有 AI 也遲早會被替代，它只是把這個過程加速了。
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
