谷歌总监示警：软体工程师过度依赖AI “恐透支未来能力”

AI初创企业Anthropic于今年初进行的一项试验中，让两组工程师学习新的Python程式库。虽然有AI辅助与纯手动学习的两组人马完成速度相同，但在随后的理解力测验中，AI组的正确率仅有50%，远低于手动组的67%。

有趣的是，在AI组内部，仅利用AI复制贴上生成程式码的工程师，测验得分甚至跌破40%；反之，利用AI询问概念性问题者，得分则超过65%。这证明决定结果的不是工具，而是使用者的态度。

此外，麻省理工学院的“Your Brain on ChatGPT”研究也透过脑电图测量发现，随着外部辅助程度增加，大脑各部分的连通性会逐渐降低，其中使用大型语言模型的大脑连通性最弱。

在撰写完文章后，高达83%的大型语言模型使用者，甚至无法回忆或背诵自己刚产出的任何一行内容。研究人员将此定义为“认知负债”，即今天省下的脑力，明天就必须付出失去批判性思考能力的代价。

另一项发表于计算机协会人机互动会议（CHI 2026）的研究也指出，若在任务一开始就让大型语言模型介入引导问题框架，即便后续工作由人类独立完成，仍会显著降低决策品质。

欧斯曼尼指出，目前的AI工具预设环境与用户体验设计，完全是为了“缩短开发周期”与“减少按键次数”等指标而优化。

但他强调，工具消除了所有摩擦，然而学习往往存在于摩擦之中，即使Claude、Gemini都推出了类似学习模式的功能引导人们思考，高压工作中仍几乎无人使用。

有人认为，如果AI都能做，为何还需要理解？支持这项说法的人提出这是正常的技术演进，就像以前开发者需要学习机器语言，现在几乎不用一样。

不过，欧斯曼尼解释，对于重复性的程式码或用过即丢的脚本，委派给AI的确符合经济效益；但对于真正的核心软体而言，放弃思考让AI处理，终将面临问题。

例如AI“产生幻觉”时，面对看似合理实则错误的答案，只有具备足够专业知识的工程师才能一眼看破。

又或者系统崩溃除错时，AI生成的程式码同样会出错，工程师不理解架构便无法找出根源；或者基础架构变更时，当框架更新或安全审查出现结构问题，无法单靠提示词解决，需要工程师手动进行系统迁移，这就仰赖工程师自身的本事。

欧斯曼尼表示，这不代表AI只会让人越用越笨，而是取决于你怎么使用这项技术，他指AI同样可以培养出优秀的工程师。

他建议，在向AI寻求解答前，应先自行撰写两三句话的假设，用AI的回答来验证自身理论。在进入陌生领域时，应优先要求AI解释运作原理与权衡取舍，彻底理解概念后再要求程式码。

同时，应将AI的输出结果视为菜鸟工程师的成果，抱持批判态度审视内容，并适当退回而非测试通过就盲目合并。最后，偶尔手动重写AI生成的程式码，并在对话结束前多发送一则指令，要求AI说明其设计思路，都是避免能力退化的有效方法。

“‘产出’与‘学习’是两个独立的指标。你的主管与客户只会关心前者，而后者只能靠你自己。”

欧斯曼尼表示，他宁可只交付80%的成果并换取100%的学习，也不愿本末倒置，耽溺于眼前的便利，牺牲未来专业技能的发展潜力。