AI拿走一切之后

AI 生成代码的质量与“垃圾”

• 许多评论者表示，LLM 写出来的代码往往有微妙错误或结构很差，即使是很简单的任务也是如此（例如，把按字节计的 LRU 实现成了按条目数计）。
• 审查成本常常超过生成速度；专家说，自己写代码通常更快也更安全。
• 也有人回应说，人类代码同样充满 bug 和重复；他们认为 LLM 输出只需要达到“够好”就行，而不必优雅。
• 有人担心管理者看不出垃圾代码，但仍会推动采用，从而加速软件“enshittification”。

品味、工艺感与责任心

• 几个人把差异概括为“有没有品味”或“有没有在意”：清晰的心智模型、一致的结构，以及愿意把东西收拾干净。
• 在缺乏技能的人手里，LLM 会放大糟糕的品味；有些人认为这对浅薄从业者来说是活该的存在性危机。
• 也有人反驳说，优雅从来都得让位于交付；AI 只是把这一点变得更明显了。

时间线与对炒作的怀疑

• 对“AI 会在 18–24 个月内拿走一切”的说法强烈反弹；这些预测被视为不可证伪的炒作。
• 有人认为，如今模型改进只是渐进式的，而不是范式转变。

工作、技能与经济影响

• 讨论焦点在于大多数工作会消失，还是会转向新角色（熟练技工、医疗、更加深层的工程工作）。
• 担心即便是“AI 免疫”的工作，也会被失业的白领挤爆，从而压低工资。
• 核心焦虑不只是失去工作，而是失去被认可的价值，以及养家糊口的能力。

谁受益，以及如何回应

• 反复出现的问题是：如果 AI 产生巨额财富，谁会拿走它——少数精英，还是整个社会？
• 有人看到了与过去技术革命的相似之处；最好的情况是激烈竞争把 AI 成本压低，并让消费者受益。
• 也有人强调组织动员和政策（版权改革、强制许可、再分配），而不是个人的“拼搏”叙事。

数据、所有权与向人付费

• 有一种观点认为，AI 寄生于人类创造的数据；有人建议模型应为内容使用向个人付费，或为大量创作者提供资金池。
• 反方观点是，试图给每个人分配价值，最终会变成税收/再分配问题。

元话题：AI 写的文章与讨论疲劳

• 几个人认为链接的文章（或其英文版）带有 LLM 的典型特征：篇幅臃肿、口号重复、过度修饰。
• 对那种冗长、哲学化的“如何适应”文章感到沮丧，因为它们似乎回避了具体而现实的问题。