这篇文章，其实就是 AI 帮忙写完的
最近对 AI 的发展有一些想法，不吐不快，于是写了个很粗糙的草稿。
然后做了一件很“当代”的事情：
草稿丢给 GPT 润色
配图让 Agent 自动生成
几分钟之后，一篇结构完整、没有错别字、逻辑顺畅的文章就出来了。
老实说，确实有点感慨。
以前写文章的时候：
改错别字
调整断句
重排结构
这些机械工作都要折腾半天。
现在 AI 一分钟就能干完。
虽然少了一点我以前的文风，但这对 AI 其实也不是难事， 只要把旧文章喂给它训练一下就行。
不过算了，懒得折腾了。
反正意思表达清楚就好。
于是就有了这篇文章。
-****01-
**AI 更像“超级自动补全” **
现在最火的 大语言模型（LLM, Large Language Model）， 很多人觉得它已经“接近智能”。
但如果用一句大白话解释：
LLM 本质上就是一个超级强大的自动补全。
原理其实很简单：
给它一段文本：
<pre data-start="550" data-end="570" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0); margin: 0px; padding: 0px; outline: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">
今天天气很好，我们准备去
</pre>
模型要做的事情只有一个：
预测下一个最可能出现的 token。
例如：
<pre data-start="615" data-end="631" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0); margin: 0px; padding: 0px; outline: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">
郊游 公园 爬山
</pre>
然后继续预测下一段。
就这样：
<pre data-start="651" data-end="680" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0); margin: 0px; padding: 0px; outline: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">
token → token → token
</pre>
一步一步生成完整回答。
听起来是不是有点像：
手机输入法的自动联想？
只不过它的规模大到离谱。
[图片上传失败...(image-348f2e-1773654573874)]
-****02-
**为什么它看起来这么“聪明”？ **
如果只是“自动补全”， 为什么 AI 看起来这么像在思考？
关键在两个技术点：
| 技术 | 作用 |
|---|---|
| Transformer | 处理长文本 |
| Attention（注意力机制） | 抓重点 |
注意力机制（Attention）可以理解为：
模型在生成新内容时，会“回头看”前面哪些词最重要。
这就像人类写文章时：
回顾上文
抓重点
顺着逻辑继续写
于是输出就会显得：
逻辑清晰
结构完整
像是在推理
再加上海量互联网数据训练：
论文
博客
Stack Overflow
GitHub Issue
模型学会的其实是：
人类是怎么写推理过程的。
[图片上传失败...(image-3973c7-1773654573874)]
-****03-
为什么 AI 会“胡说八道”？
AI 有一个非常著名的问题：
幻觉（Hallucination）
简单说就是：
听起来很合理，但其实是编的。
原因其实也很好理解。
因为模型并没有真正的“思考能力”。
它只是学会了：
推理的写法
论证的套路
表达的结构
就像有些人写文章：
每句话都通顺
每个词都对
但连起来却发现：
好像什么都没说。
因为背后没有真正的逻辑推导。
[图片上传失败...(image-4c2318-1773654573871)]
-****04-****AI 为什么很擅长写代码？
很多程序员最近都有一个共同感受：
AI 写代码真的很强。
尤其是像 Claude Code 这种工具。
原因其实很简单：
AI 在训练时，吸收了大量：
Stack Overflow
GitHub
Issue 讨论
Debug 过程
这些数据里不只是代码。
还有：
程序员怎么分析 bug
怎么一步步排查
怎么权衡方案
换句话说：
AI 等于把 全世界程序员的经验套路都学了一遍。
所以它能做到：
写代码
找 bug
给方案
很多时候甚至可以达到：
中级程序员水平。
[图片上传失败...(image-4c1cd6-1773654573870)]
-****05-****AI 为什么很难真正创新？
AI 很强，但有一个致命短板：
创新能力。
举个例子：
历史上很多技术突破，比如：
React
Vue
Kubernetes
Git
本质上都是：
先发现问题，再创造新范式。
例如 React：
开发者发现 DOM 操作的复杂度爆炸，
于是提出：
Virtual DOM + 组件化
这是一种：
结构级创新。
而现在的 AI 更擅长的是：
写代码
修 bug
优化函数
但很少会：
自己发现架构问题，然后发明新框架。
除非你明确提示它：
<pre data-start="2024" data-end="2047" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0); margin: 0px; padding: 0px; outline: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">
请重新设计一个框架解决这个问题
</pre>
否则它大概率只会：
在现有模式里堆代码。
[图片上传失败...(image-2e2c17-1773654573873)]
-****06-****一个有点扎心的现实
但这里有个有趣的现象。
即便 AI 不会真正创新，它依然能替代大量工作。
为什么？
因为现实世界很多岗位，本质上就是：
模仿
拼装
调整参数
比如很多开发工作其实是：
<pre data-start="2201" data-end="2226" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0); margin: 0px; padding: 0px; outline: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">
找方案 改代码 调接口 修 bug
</pre>
说白了就是：
在既有范式里做拼装。
这也是为什么 AI 一出来就能：
写代码
写文案
写报告
写 PPT
因为很多工作本来就不需要创新。
[图片上传失败...(image-d8f1c9-1773654573873)]
-****07-****总结
某种程度上说：
AI 的爆火，反而证明了一件事。
这个世界很多地方，本质上就是：
一个巨大的草台班子。
很多岗位看起来很高大上。
但真实产出往往是：
按流程操作
按模板拼装
按经验复制
AI 只是把这个过程：
自动化了。
看到这里，其实可以稍微松一口气。
AI 目前最容易替代的工作是：
机械重复
模式固定
经验拼装
而真正难被替代的能力是：
| 能力 | AI 状态 |
|---|---|
| 提出好问题 | 很弱 |
| 结构级创新 | 很弱 |
| 审美与取舍 | 很弱 |
| 长期系统设计 | 不稳定 |
所以未来最重要的能力其实只有一个：
创新能力。
包括：
提出新问题
抽象问题
创造解决方案
AI 的出现确实改变了很多行业。
但它更像一面镜子：
照出了哪些工作是 真正创造价值的， 哪些只是 重复拼装。
所以与其焦虑：
“AI 会不会替代我？”
不如问一个更重要的问题：
我做的事情，是否具有不可替代的创造性？
