AI 世界充滿了帶有隨機器官的老舊基礎設施。

這句話大概比任何東西都更能解釋我最近為什麼覺得自己變慢了。不是因為我不再在乎 AI，不是因為我沒辦法再做東西，也不是因為工具已經超越了我。若要說的話，工具其實是往相反方向發展：它們讓我更快產生程式碼、更快做原型、更快碰觸到我平常會一層一層慢慢處理的各個層面。

但即便如此，在實際工作中，我還是覺得自己變慢了。

這就是讓人不舒服的地方。AI 讓我覺得一切都應該加速，但我越認真使用它，就越把時間花在那些不會順暢加速的部分。程式碼很快就出來了，草稿很快就出來了，工作流程很快就出來了。但接著我得去理解它實際在做什麼。我得測試元件之間的邊界。我得確認結果不只是看起來合理，而是足夠正確，能在現實接觸下存活。

也許這就是 AI 開發的第一個真正陷阱：

創造變便宜了，驗證卻沒有。

這聽起來很簡單，甚至簡單到有點顯而易見，但我想這正是許多人覺得速度與疲憊之間出現這種奇怪落差的原因。我們現在能產生的表面積，已經超過了我們能舒適檢視的程度。原本要花好幾天草擬的功能，現在幾個小時就能出現。後端路由、前端元件、提示詞鏈、測試、部署腳本、工作流程圖：這些都能很快生成，以至於讓人產生整個流程被壓縮了的錯覺。

但整個流程並沒有被壓縮。

昂貴的部分只是移了位置。

你還是得理解系統。你還是得驗證假設。你還是得測試端到端行為。你還是得問：這東西是否穩定、可維護、安全、可觀測，並且有沒有符合原本意圖。AI 讓第一版草稿變便宜，但它也讓人更容易在更多層級同時產生第一版草稿。所以最後的負擔通常變得更大，而不是更小。

在 AI 出現之前，開發本來就有一種自然摩擦。你寫得比較慢，所以產出和理解彼此更接近。現在產出可以跑得比理解還快。你可以建得比你消化得還快。而一旦發生這種情況，瓶頸就很明顯了。

不是打字。

甚至也不是寫程式。

而是判斷。

這就是我感到自己變慢的地方。我不是在 AI 擅長加速的部分慢下來。我是在加速之後才變慢。我是在需要判斷一個生成出來的東西，值不值得進入系統時變慢。我是在需要從「這東西跑得動一次」轉成「這東西是否足夠可信，能成為基礎設施」時變慢。

這種慢，在吵雜的環境裡看起來一點也不好看。

AI 世界獎勵的是移動。它獎勵反應快的人、改名快的人、包裝快的人、留言快的人，以及在概念還沒冷卻之前就先發文的人。每個星期都有新模型、新基準、新代理框架、新的「這將改變一切」時刻、新工具據稱會取代半個產業，然後兩週後又消失在 GitHub 封存庫裡。

某個時候開始，我對追逐這些感到疲倦了。

也不是完全不追。我還是會關注這個領域，我還是關心真正重要的東西。但我已經沒有力氣把每次發表、每個 demo、每篇討論串，以及每個帶漸層背景、彷彿理應獲得我全部注意力的 AI 產品都當成必須全神貫注的事。概念驗證不是產品，提示詞鏈不是認知，包裝器不是基礎設施，儀表板也不是智慧的作業系統，只因為有人在首頁標題寫了「agentic」。

久而久之，噪音就變得很昂貴。

而當我停止追逐每一個更新後，奇怪的事發生了。我沒有變得對 AI 比較沒興趣，反而對更老的事物更有興趣了。

分散式系統。權限。控制迴路。網路最佳化。關注點分離。路由。握手。回饋。生物系統。螞蟻群。病毒。演化。複雜適應系統。

我越看 AI，就越覺得老問題正以新的基底重新出現。不是完美複製，也不是自動解決，而是回來了。相同的一類問題，在較新的語言底下不斷浮現。元件如何協調？誰可以存取什麼？決策在哪裡發生？當某個元件安靜失效時會怎樣？如何阻止局部不確定性變成全域污染？當系統的某些器官是用機率在說話時，要如何讓它仍然保持可觀測？

所以我一直說，AI 基礎設施常常讓人覺得像是帶有隨機器官的老舊基礎設施。身體是熟悉的，但器官的行為方式不同了。

而這裡我得更精確一些，因為含糊的深刻太容易了。只說「老原則又回來了」還不夠。那會讓它看起來像另一句優雅的句子，卻避開了真正該做的工作。

拿編排來說。

現在很多人所謂的 AI 編排，概念上其實並不新。我們早就有協調、路由、權限、佇列、重試、回退、握手、關注點分離，以及驗證邊界。這些都不是因為 LLM 出現才有的；它們原本就是軟體、分散式系統、自動化與基礎設施工程的一部分。

但元件變了。

決定性服務的失敗方式，通常是我們可以推理的。請求逾時、Schema 壞掉、權限檢查拒絕存取、佇列卡住、相依服務回傳錯誤。失敗也許很痛，但至少通常會自己宣告。

生成式元件可能一邊失敗，一邊聽起來像成功。

它可以回傳一個乾淨的布林值，結果還是錯的。它可以通過檢查，但回傳型別底下其實藏著不確定性。它可以輸出一個流暢的答案，看起來像完成，其實只是漂移。它可以很有自信地說「是」，因為提示詞、模型與輸入分佈剛好都一起朝向同一個盲點。

這就是編排問題真正改變的地方。

舊原則仍然重要：邊界有用，檢查有用，關注點分離有用，權限有用。但邊界之下的錯誤模型不同了。和隨機元件做握手，和決定性元件做握手，不是一回事。介面也許看起來很乾淨，但不確定性沒有消失，它只是被壓縮了。

所以我不認為正確的做法只是「先用 AI，再檢查 AI」。這太溫和了。它聽起來負責任，但它掩蓋了一個更重要的問題：什麼樣的檢查？在什麼錯誤模型下？有哪些獨立性假設？

想像這樣一條管線：

A > B > C > 最終檢查

如果最終檢查通過，系統就繼續。如果失敗，就改走別的路。這很簡單，也很危險，因為早期的幻覺可能會在被檢查之前，就一路傳到整條鏈。

所以我們把流程切得更細：

A > 檢查 > B > 檢查 > C > 檢查 > 評估檢查結果

這樣感覺比較好，而且很多情況下確實比較好。細粒度會讓系統的取樣率更高。它會打斷累積效應。它會更早抓到問題。它會降低單一局部失敗的影響，因為系統在更多節點上變得可觀測、可中斷。

但它不會神奇地降低模型本身的不確定性。

它降低的是傳播出去的不確定性。它降低的是爆炸半徑。它降低的是一個壞步驟污染所有下游流程的機率。這些都是真實的好處。

但原子層級的不確定性還在。

而我認為比一般 AI 安全口號更重要的是：如果所有檢查都共享同一個盲點，再多檢查也幫不上什麼忙。

傳統的重試邏輯，默默假設了某種程度的獨立性。如果服務呼叫因為暫時性的網路問題失敗，再試一次可能就成功。如果 worker 因為一時負載過高而崩潰，換地方重試可能就行。很多 AI 工作流程也常常不經檢查就把這個想法搬進來：再問一次、再檢查一次、再驗證一次、多加一個關卡。

但生成式錯誤往往是相關的。

同一個模型、同一類提示詞、讀著同一類輸入，可能會重複產生同樣錯的結論好幾次。一條管線可以收集到很多綠色勾勾，而這些勾勾其實都共享同一個缺陷。到了這時候，細粒度不會帶來安全，只會帶來高解析度的錯誤自信。

這就是變異與偏差的差別。

細粒度檢查有助於處理變異。它們能抓住隨機、局部、一次性的偏差。它們讓系統對孤立錯誤比較不脆弱。

但它們無法修正偏差。如果檢查器系統性地錯，加更多同樣的檢查器，只會把錯誤放大。它會在同一個錯誤上疊出一排漂亮的確認。

這時候，老舊基礎設施的比喻開始失效，而另一個比喻就變得有用。

修復不只是重試。

修復是去相關化。

不同模型、不同提示詞、不同評估角度、同一任務的不同表示法、不同的失敗假設。有時甚至是不同模態的檢查：一個元件看結構，另一個查事實依據，另一個驗證約束，還有一個找矛盾。

那已經不是傳統意義上的重試了。

那更像是物種分化。

你不會靠重複同一個生物體來讓系統更穩健。你會透過引入足夠的變異，讓單一盲點不至於變成整個群體的疾病。生物系統之所以能存活，不是因為每個單位都完美，而是因為多樣性能改變失敗的傳播方式。

這就是我一直從老工程學，連到我多年來讀的那些更古老的生物材料時，持續找到的橋樑。

我花了快三年讀《Ant Encounters》。不是因為那本書不值得更快讀完，而是因為每一頁都會連到別的東西。關於螞蟻的一個小觀察，不再只是螞蟻的事。它變成對局部決策、全域行為、任務分配、分散式協調，以及一個系統如何在沒有單一中心真理來源掌控每個決策的情況下仍能穩定下來的問題。

現在我在讀關於病毒作為複雜適應系統的書，結果又發生同樣的事。翻一頁，就會思考一個禮拜。適應、持續、突變、失敗、在壓力下生存、局部變異、全域行為。突然之間，這不只是生物學。它變成一種思考 AI 系統的方式：那些不能依賴完美決定性元件、但仍然必須產生可靠行為的系統。

和 AI 世界的節奏相比，這看起來慢得荒謬。

人家午餐前就能發五篇對五個新工具的看法，而我還卡在一本根本不是在講 AI 的書裡的一個生物學類比上。

但也許「卡住」這個詞用錯了。

也許這不是閱讀，而是在編譯。

這不是在消耗某一頁內容，而是在把它連到別的上下文：舊工作、未完成的想法、技術傷痕、軟體架構、生物學好奇心，以及對膚淺 AI 產品的挫折感。結果不是速度，而是壓縮。一個小輸入，引發了巨大的內部重組。

這很有價值，但也有一個嚴重問題。

它是看不見的。

也許這才是真正藏在「我是不是太慢了？」背後的恐懼。不是我真的很慢，不完全是。真正的恐懼是：當我在串連這些點時，整個領域會不會已經往前走了，卻完全看不見我做的這些事。恐懼的是，沒有可見輸出的深度，會變得和不存在沒兩樣。恐懼的是，AI 世界太吵、太快、又太沉迷於新詞彙，如果我不持續產出可見的東西，我就會在這些喧鬧中消失。

這個恐懼並不不理性。

這個領域獎勵對當週語言的流暢掌握。如果關鍵字是「agents」，大家就都在做 agents。如果關鍵字是「reasoning」，一切都變成 reasoning。如果關鍵字是「memory」，每個快取都成了 memory。如果關鍵字是「workflow」，每一串 API 呼叫都變成平台。

我明白為什麼會這樣。注意力稀缺，時機很重要。如果你來得太晚，對話已經移到別的地方了。

但如果永遠配合這種節奏，就要付出代價。你會開始和噪音同步。你會開始優化「跟得上最新」而不是「做得正確」。你會比理解詞語底下的舊問題，更快學會怎麼說新詞。你會變得反應很快，但不一定有思考。

而我不想那樣。

但同時，我也不能永遠拿深度當藉口。

這就是不舒服的地方，而我不應該用一句好聽的話把它帶過。

有時候我不是慢，我是在過濾。有時候我不是慢，我是在串連。有時候我不是慢，我是在拒絕把認知能量花在兩週後就會消失的炒作上。

但有時候，我是在用深度躲起來。

不是理論上，不是作為某種普遍的寫作者問題，而是我自己，現在，就在這個確切的模式裡。

當一個連結在腦中停留得比它該停留的時間更久時，我感覺得到。我能感覺到某個想法因為一旦發表就會變得更小、更暴露、也更容易被批評，所以它在腦中越變越複雜。我能感覺到「我還在想這件事」一開始是紀律，後來卻慢慢變成了庇護所。

這就是我需要抓住的失敗模式。

因為慢思考只有在最後會變得可見、可測試、可分享，或可執行時才有價值。否則它只是私人的複雜性。它在內部也許很深刻，但從外部看，毫無重量。

這不代表每個想法都得變成打磨完成的理論，那樣只會造成另一種停滯。但中間步驟必須留下痕跡。讀完一頁後寫下筆記很重要。螞蟻互動與 AI 路由之間的連結很重要。模型檢查其實是在回傳型別底下藏著不確定性的握手，這個觀察很重要。去相關化的評估器，比起重試更接近物種分化，這個想法也很重要。

不是因為每個片段都完整。

而是因為這些片段把工作過程顯示出來了。

這大概就是我一直低估的東西：在連結舊原則與新系統的過程中，那種仍然混亂的連接狀態本身。

現在的 AI 論述充滿了「看這個新東西」的人。也許還有空間讓某個人說：「看這個舊原則以一種奇怪的形式回來了，還有，請仔細看類比在哪裡會失效。」

那不是更慢。

那是不同的節奏。

一種短期內不太能和炒作競爭，但也許更經得起時間考驗的節奏。

也許那才是我真正想要的。我不想贏每週一次的 AI 詞彙賽。我不想每次市場換新詞時就重建我的思考方式。我不想成為另一個把速度誤認成方向的人。

我想理解的是，當喧囂的關鍵字退場之後，還剩下什麼是真實的。

這種工作天生就比較慢。你不可能用產品發表串的速度，把生物學、分散式系統、軟體架構和 AI 編排串起來。你不可能靠對每個通知都有反應，來建立一個持久的心智模型。你也不可能只靠消化這個領域最新的宣稱，就真正理解它。

但你確實可能在默默做深度工作時，從世界上消失。

這是我認真看待的警告。

不是「你太慢了」。

比較像是：

你的慢，需要輸出。

慢且看不見，很危險。慢且可追蹤，就不同了。慢且可執行，就不同了。慢且有發表，就不同了。慢且能連到實驗、程式碼、圖表、論證、失敗與公開推理，就會變成一份作品。

所以也許答案是：對，我是慢。

但我慢，不是因為我迷失了。

我慢，是因為我在理解機械結構，而不只是把儀表板重新上漆。我慢，是因為每個新的 AI 點子，後面都像拖著一個更古老的問題。我慢，是因為我不信任速度，當速度主要來自社會壓力時尤其如此。我慢，是因為我一直在新潮關鍵字裡，找到舊領域的有用幽靈。

真正的風險不是慢。

真正的風險是，讓工作一直卡在我腦中，直到世界再也無法分辨深度與沉默。

所以我大概不需要追更多。

我需要更常把它們拿出來。

我需要把閱讀變成筆記，把筆記變成論點，把論點變成實驗，把實驗變成成果。不必完美，也不必等到整個理論都乾淨才開始。要更早，更混亂，更誠實。

因為也許在這個 AI 世界裡，對每個新詞做反應，並不等於適應。

也許更難的是：當那個關鍵字消失之後，你仍然能繼續思考。

原文出處：https://dev.to/marcosomma/am-i-becoming-too-slow-for-the-ai-world-1904