Jonathan Blow – 如果 AI 解决了编码,为什么我的软件还是一样?[视频]

“AI 已经解决了编码”的说法在这里遭遇现实:大多数人日常使用的软件仍然显得迟缓、脆弱,或几乎没有变化。评论者认为,编码从来都不是真正的瓶颈:组织激励、产品愿景、架构、测试和维护才更难,而当前的 LLM 主要是在加速样板代码和个人工具的开发,同时往往增加技术债和低质量的“垃圾内容”。与此同时,参与者也在争论高产的独立开发成果和定制的一次性应用究竟算不算真正进步,以及如何看待那些对 AI 对软件工艺影响持怀疑态度的知名游戏开发者。

感知到的软件质量与变化

  • 许多人认为日常软件变得更糟:更多漏洞、更慢(例如现代操作系统版本、Outlook 提醒),以及更多拼接上去的“AI 垃圾” 。
  • 也有人说核心质量并没有太大变化;只是硬件和表层工具改进了,而 UX 和可靠性停滞不前,甚至倒退了。
  • 有人指出,占主导地位的商业应用变化很慢,而由 AI 驱动的改进大多是看不见的内部工具和个人实用程序。

编码 vs. 组织瓶颈

  • 一个强烈的主题是:编码很少是真正的瓶颈;沟通、规划、法律、政治以及协调才主导着时间线。
  • LLM 压缩了“编码 + 组件测试”阶段,暴露出需求、架构、部署和反馈循环如今才是主要耗时之处。
  • 拥有会议、流程和法律审查的大型组织,无法轻易把原始编码速度转化为更快的发布。

AI 编码生产力:炒作 vs. 现实

  • 支持者声称某些任务的产出可提升 10–100 倍,能迅速创建完整应用、引擎,以及商业工具的个人克隆版。
  • 怀疑者报告净收益为负或仅有温和收益:AI 产出过于复杂、脆弱的代码,带来巨大的 PR,以及更多维护/验证工作。
  • 多位评论者强调选择偏差:个人项目和全新项目的演示看起来惊艳;业务场景、边缘情况和长期维护则会暴露局限。

架构、需求,以及“该做什么”

  • 普遍认为 AI 并不能“解决”产品愿景、优先级排序或高层系统设计。
  • 良好的需求、领域建模和抽象边界仍然需要人类判断;LLM 往往会破坏封装并制造纠缠的架构,除非经过强力引导。
  • 有人预见未来的工作流会变成人类指定目标和约束,而 AI 决定实现细节,但这仍只是愿景。

个人与独立开发用例

  • 许多人报告说,用 AI 构建个人软件取得了巨大成功:自定义媒体工具、生产力应用、独立游戏、替代 SaaS 的本地优先工具。
  • 这些工具通常非常适合单个用户,但若作为通用产品则会很脆弱或难以扩展;QA、UX 打磨和边缘情况仍然很难处理。

就业、权力动态与文化

  • 几位评论者提到开发者的工作焦虑正在上升;一些管理者公开表示高兴,因为 AI 已经“削了开发者的尾巴”,让他们更顺从。
  • 人们担心 AI 会强化管理层对产出物数量(工单、文档、代码行数)的关注,而不是结果,并加速劣化(enshitification)而非提升质量。

整体情绪

  • 共识是:AI 已经显著改变了代码的编写方式,但尚未改变主流软件的本质,也没有改变组织的运作方式。
  • 对 AI 作为强大工具的热情,与对质量、可维护性、激励机制以及长期影响的深度怀疑并存。