AI 正在毁掉我们的技能吗？早期结果已经出来了——而且不太乐观

感知到的技能退化

• 许多参与者亲身报告，在持续使用 AI 后，技能出现下降（编码、规划、问题解决，甚至打字），并常常把停用后的阶段形容为“重新学走路”。
• 核心担忧不仅是狭窄技能的丧失（如算术或 CLI 命令），更是广义推理、判断力以及“从空白页开始”的问题解决能力的侵蚀。
• 一些人指出，使用 AI 会削弱用户评估 AI 输出的能力，从而形成一种依赖的反馈回路。

工具使用、权衡与历史类比

• 有人将 LLM 与计算器、编译器、汽车或 Ghost 磁盘镜像相比：这些工具使旧技能不再必要，并让新的抽象层得以出现。
• 也有人认为不同之处在于范围：LLM 触及的是“几乎所有知识和沟通技能”，而不是某个狭窄领域。
• 大家普遍同意，不使用的技能会退化；争论在于这是否可以接受，还是从根本上危险。

对软件工程实践的影响

• 多个轶事提到资深工程师在“vibe-coding”，交付更多，但代码更差、判断力更弱。
• 有人担心，系统、语言、编译器、架构等高端、具体的专业能力会缩减，即便 CRUD 产出激增，也会导致真正创新放缓。
• 审阅者发现很难指导初级开发者，因为 AI 写出的代码不再反映初级开发者自己的思考过程。
• 也有人报告相反的情况：由于 AI 处理样板代码并支持更快的探索与重构，系统设计和架构思维反而有所提升。

学习、教育与认知影响

• 观点分歧：
  • 有些人把 AI 当作导师来攻克困难学科（物理、量子力学）、新语言和身体技能，强调练习与验证。
  • 另一些人则认为这通常只会带来表面的“教育娱乐”，理解广而浅，孩子通过复制提示词交作业，完全没有反思。
• 广度与深度是反复出现的主题：是轻松满足好奇心，还是艰难但能生成真正掌握的能力。

开源、可访问性与权力集中

• 围绕开源模型是否“足够接近”前沿系统，以及一旦模型对某项任务“足够好”时这是否就已足够，展开了争论。
• 有人担心，如果只有少数大型提供商控制顶级模型，社会将在认知上依赖一个集中化、政治化或企业化的“神谕”。

工作场所激励与职业动态

• 许多人指出，企业激励（速度、削减成本）偏向激进使用 AI，推动技能退化，同时要求更高产出。
• 一些人预见，平庸但被 AI 放大的开发者会更早进入管理路径；另一些人则预测，保有深厚技能的人会获得溢价。
• 短期生产力收益与长期职业和社会韧性之间存在张力。