学习AI编程 vs. 学习编程
我喜欢书店。
当我去一个新城市时，这是我首先访问的地方。
我有一个简单的学习计划。当我发现自己喜欢的主题时，我会寻找关于这个主题的书籍。
当我必须学习如何为我的公司做销售时，我买了这些书。
当我想了解领导力时，我阅读了各种各样的书籍
当我学习编码时，我阅读了关于编码的书籍。
在我最近的新加坡之旅中，我去了一家很棒的书店，那里有一个摆放编码书籍的书架。
正是在书店的这个区域，我意识到：
- 我没有阅读任何关于 AI 编码的书籍
- 我实际上也不需要阅读任何关于 AI 编码的书籍
这对我来说实际上是一个巨大的启示。这是我有史以来学到的不需要学习计划的第一项技能——放弃了我从学校就开始遵循的学习模式。
这让我意识到，学习 AI 编码根本不像编码。事实上，这更深刻，它不像我以前学过的任何东西。
这就引出了一个问题，如果 AI 编码不需要书籍：这里学到的技能是什么，它是否仍然配得上"编码"这个名字？
显然 AI 编码是一项技能。如果一个普通路人尝试使用 Cursor，他们不会像有经验的用户那样快速构建东西。
AI 编码涉及学习上下文、规划模式、规则文件、markdown。几乎没有这种学习是理论性的，或者是关于编码的，它是关于如何与 LLM 和编码编辑器交谈的。
我能想到的最接近的比喻：在 AI 之前，我们是某种半机械人智能驾驶员。我们不仅需要知道如何建造飞机，我们还需要知道如何驾驶飞机，我们还需要理解物理学定律、航空理论、复合材料理论、机器的一般理论。
如果你不能足够好地理解物理学定律，你就根本无法飞行。
现在情况已经改变了，我们更接近普通驾驶员了。我们只是驾驶飞机。跳上 Cursor，输入你想要的，然后 AI 会为你处理理论。
这种学习方式感觉更像是在玩《黑暗之魂》这款游戏。
在这个游戏中通过死亡来学习
《黑暗之魂》很有趣，因为当我第一次玩它时，我完全不知道我在做什么。我走到这条巷子里，然后被伏击死了。
我意识到我必须躲避攻击，然后我转到另一个角落又死了。这就是《黑暗之魂》循环的本质，你通过死亡来学习。
学习如何用 AI"编码"感觉就像这样。
当我在制作网站时，我会稳步进展。
一切都很棒，直到我撞到墙并死亡。
在这个例子中，我想在浏览器中实现一个有趣的游戏。
当我试图让这个游戏工作时，它真的很卡顿，没有什么像我想要的那样流畅。在《黑暗之魂》的世界里，我刚死了。
关于 AI 的奇怪之处在于，我只是让它解决问题，希望它能解决。如果它很快解决正确了，那就太好了，我现在知道将来如何避免像那样死亡了。
也许是需要安装一个软件包，也许是它知道的一个技巧，也许是我需要以正确方式提示的基本内容。
你明白我的意思，这是一种非常奇怪的学习方式。它本质上是在反馈中 100% 的学习，就像一个飞行员，几乎没有理论。
1、我认为这确实有一些重要的影响
这种方式学习很奇怪，因为成年生活的其他东西不会真正以这种方式模仿学习的东西。我说是成年是因为当我看着我女儿学习时，她某种程度上以类似于《黑暗之魂》的方式运作。当她建造一个塔楼时，她尝试一些东西，如果它倒了，她会尝试别的东西。
但在成人世界里，我们被灌输的是，在做事情之前必须理解理论。这是教育系统的整个基础。
该死的，即使只是从 ChatGPT 开始也很奇怪，因为没有真正的"正确"答案。
当我第一次成为土木工程师时，我开始新工作时必须遵循一系列清单。去现场，拍一些照片，输入现场地址，阅读议会法规。
然后我必须与高级工程师会面，他们必须向我解释工作的理论。
那是十年前的事了。
现在如果我是一名刚毕业的土木工程师，我只会把这个输入到聊天线程中。
阅读结果。
而且已经我会有花了好几个月才学到的上下文。我清楚地记得，花了我一年多的时间才真正理解洪水报告的理论。
这样做的结果已经翻转了我对智力技能应该如何形成的几乎每一个假设。
2、失败曾经要昂贵得多
在我职业生涯的大部分时间里，理论先于实践。你学习规则是为了不犯错误。失败是昂贵的。我只能一次得到高级工程师的一小时时间，或者我在大学的导师。问愚蠢的问题是"失败"，以及问一些他们已经告诉过你如何做的事情。
有了 AI，你可以问最愚蠢的事情，并且尽可能多地重复自己（不，我认为这与 Google 非常不同，因为即便那时，当你寻求如何做某事时，通常也涉及思考和阅读）。
编码以前奖励那些在触摸键盘之前就能在脑海中掌握抽象系统的人。你需要理解物理学才能飞行。
现在物理学大部分是隐藏的。
你几乎可以立即起飞。你通过飞行来学习。有时通过坠毁。
3、我不认为我们实际上知道这意味着什么
这一切都指向一些令人不舒服的事情：
AI 已经将做与理解分离了，我们还不知道这意味着什么。
这对脑力工作来说是真正前所未有的。我知道快速的反驳论点将是你总是需要保持某种程度的理解来驱动系统，但这真的正确吗？随着这些系统的发展，这仍然是真的吗？
这在 2025 年底确实比 2024 年底要真实。现在工作中在员工之间传递项目时，我们几乎不需要交接了。系统知道更多，并且更擅长调整它向提问的人解释系统的的方式。
我有一种奇怪的直觉，我认为这种分离将会加速，我们将有大量的人不理解他们构建的任何东西……但这实际上不会重要。当然会有边界情况，事情会出问题，关键系统会失败，但我想知道在 5 年的时间框架内它会是什么样子的。
也许薄薄的一层理解就是我们所需要的，一个高层次的概念性理解。
让我们在这种分离将继续并且不会实际重要的前提下继续，这会改变什么？
它改变的第一件事是我们应该在人们中寻找什么。
专业知识的旧模型是积累。多年的学习，获得的证书，在实践开始之前吸收的理论。我开始将其思考为招聘梯度，而不是 Y 轴截距（这是 Y Combinator 引用的一句话）。某人从哪里开始不如他们移动的速度重要。一个迭代快、对失败不怯步的初级员工将超过在触摸键盘之前需要理解所有东西的资深员工。但一个具有高梯度的资深员工将主宰所有人。
我认为这肯定会影响我们如何招聘，我们现在是否应该更像体育团队那样招聘？不太关注多年的经验，更关注你能驾驶 F1 赛车的速度？
今年在工作中，我注意到新的特质开始变得更加重要，因为其中一些障碍正在下降：
毅力： 撞到墙、退后、尝试不同角度的意愿。一次又一次。
不带自我的好奇心： 能够问"为什么会坏？"而没有不知道事情的感觉愚蠢的能力。
探索优于优化： 愿意尝试三种错误的方法来找到一个有效的方法，而不是等到你确定为止。
所以下次我在书店时，我可能还是会直接去编码区。旧习惯。但我现在会寻找不同的东西——不是教授我系统如何工作的书籍，而是可能教授我在没有什么可以记忆时如何学习的书籍。
我们要进入一个多么奇怪、激动人心和奇怪的世界啊。
原文链接: Why Learning AI Coding Feels Nothing Like Learning to Code
汇智网翻译整理，转载请标明出处