最近,我们正在尝试把原先在 QEMU 中实现的一些机制真正下沉到 FPGA 硬件里。为了完成这件事,我不得不开始接触 Chisel、BOOM 和 FireSim,也第一次认真面对一个此前只是隐约感觉到的问题:
过去,我们相信可以边做边学,因为工作本身会强迫我们学习。今天,AI 不仅让“做完”和“学会”逐渐分离,甚至让停下来学习变成了一件近乎奢侈的事。
这可能比“人会不会过度依赖 AI”更加严重。因为它不只是个人习惯或自制力的问题,而是一种来自企业、同行和 deadline 的现实压力。
当所有人都能借助 AI 马不停蹄地向前推进时,你很难停下来承认:“对不起,这部分我还不理解,我需要先学一段时间。”别人做得快,你做得慢,慢本身就会变成你的错。
外行不能指导内行
首先必须承认,我其实完全不懂硬件。
我过去对 ISA 的理解非常有限。做系统编程时,我偶尔会翻阅 RISC-V 手册,确认一条指令、一个 CSR,或者某段特权级语义,却从未想过有一天要亲自设计和修改硬件。
因此,我最初提出的硬件方案非常激进,也很丑陋。它也许能够表达我想要的功能,却没有很好地遵循 RISC-V 原有的编程模型。很多设计只是从软件需求出发,把 QEMU 中已经实现的机制近乎直接地“压”进硬件,而没有认真考虑:一个真正属于硬件或者 ISA 的机制,应该以怎样的形式被软件看到,又应该如何自然地融入已有系统。
我的师弟也在一起做这件事。我们讨论了很多次,否掉了不少早期方案,最后决定重新设计一版。
在这个过程中,我逐渐发现,师弟对于底层 ISA 和编程模型有比我更好的直觉。有些方案我需要想很久,甚至真正写出来以后才能发现问题,他却能很快意识到:这个接口虽然可以实现,但放在这里并不自然;那个状态虽然可以暴露给软件,却不应该以这种方式成为编程模型的一部分。
这种直觉不是凭空出现的。
他参加过“一生一芯”,曾经以相对传统的方式亲手做过处理器;后来又在开芯院参与过 RISC-V H Extension 相关的实习项目,做过实际的调研和修改。这些经历让他不只熟悉 Chisel 的语法,也逐渐形成了对硬件接口、ISA 语义和软件编程模型的感觉。
我最终接受了一个很朴素的原则:不能外行指导内行。
需求和系统目标当然仍然需要一起讨论,但涉及具体的硬件设计和 ISA 编程模型时,我不能因为自己是项目的主要推动者,就默认自己的第一直觉更加可靠。经过几轮讨论、尝试和理解之后,我选择相信师弟在这些问题上的判断,和他一起重新修改了方案。
这件事让我重新意识到,“古法编程”真正留下来的,往往不只是一项具体技能。它还会在人脑中留下某种很难准确描述,却能在关键时刻发挥作用的直觉。
师弟今天能够迅速判断一个设计是否符合原有编程模型,并不只是因为他知道更多 Chisel 语法,也不只是因为他记得更多 RISC-V 手册里的内容。更重要的是,他过去真正写过、改过、调试过硬件。他曾经被具体的问题卡住,也曾经不得不理解一个设计为什么不能按照另一种方式完成。
那些看起来缓慢而笨拙的过程,最后变成了今天的判断力。问题在于,未来的人还会自然获得这种判断力吗?
工作曾经会强迫我们学习
过去,我们经常说一个人可以“边做边学”。
这句话之所以成立,不只是因为项目能够提供真实的问题,也因为在过去的工具条件下,学习往往是完成工作的必要条件。
当你要修改一个陌生系统时,必须先读文档、查接口、追代码,弄清楚状态如何变化。你会先做一个很小的修改,然后编译、运行、报错,再沿着错误一点点向下追。
有时候,你花一整天追踪一条路径,最后才发现自己对某个状态的理解从一开始就是错的。于是只能退回来,重新阅读代码,再建立一套新的解释。这个过程很慢,也经常让人沮丧。但如果不经历它,工作就很难继续。
换句话说,工作会强迫你学习。
你不一定有意识地把它当作学习,甚至可能只是想赶紧把眼前的问题解决掉。但在反复修改和调试的过程中,你会逐渐知道一个模块为什么这样组织,某个状态为什么存在,以及设计者为什么没有选择另一个看起来更简单的方案。
人类的泛化能力很强。你也许只解决了一个很小的问题,却会在这个过程中建立一套可以迁移到其他问题上的心智模型。下一次遇到相似的情况时,你不再需要从头开始。之前形成的理解会变成直觉,直觉又会帮助你解决更加复杂的问题。
每完成一个项目,能力都会增加一点;新的能力又让你有机会接触更困难的项目。所谓经验的复利和能力的滚雪球,大概就是这样发生的。
我们过去之所以推崇“以赛代练”和“项目式学习”,也正是因为真实项目会把人逼到知识边界上。遇到不会的东西,你不能停留在“好像懂了”的程度,而必须真正弄清楚,否则项目就无法继续。项目既是工作,也是训练。
但是,AI 正在改变这个前提。
师弟虽然有一定的 Chisel 经验,此前却没有真正修改过 BOOM 或 FireSim 这样的大型项目。去年我第一次和他谈起这项工作时,他还有些犹豫:代码应该从哪里进入,一个修改会影响哪些模块,能不能在有限时间里完成,当时都没有把握。
到了今年,随着 Codex 等工具的发展,情况已经明显不同了。我们可以更快地进入陌生代码库,定位可能需要修改的位置,对照已有实现补充代码,也可以更快地搭起一些基本测试。最后,修改确实完成了,一些 smoke test 也顺利跑通。
这不是虚假的进步,而是非常真实的能力扩张。去年我们还不敢承诺的工作,今年已经能够实际推进。AI 的确让个人和小团队跨过了原来的能力边界,让我们可以进入过去不敢轻易触碰的复杂系统。
但当事情真的做出来以后,我们不约而同地产生了另一种焦虑:完成这项工作以后,我们是否也像过去那样,更加理解 BOOM 和 FireSim 了?
答案可能没有那么乐观,我们都觉得再做一个耗费的时间也不会短多少。以前,为了完成修改,我们必须亲自穿过陌生的代码库。今天,AI 可以带着我们跳过其中相当一部分搜索、阅读、试错和调试,直接抵达一个能够工作的结果。
被省略的不只是机械劳动,也可能包括原本附着在这些劳动上的学习。系统做出来了,但那套系统直觉未必会随之产生。
藏在一个月里的学习
我之所以对这种变化格外敏感,是因为我自己的许多系统能力,恰恰来自那些曾经无法绕过的困难。
去年,一个看似很小的 Linux 内存管理需求曾经卡了我整整一个月。
问题并不涉及整个 Linux,更不是 QEMU、OpenSBI 和 Linux 之间复杂的跨层关系。它集中在 Linux 的一个很小的局部:内存如何分配和回收,以及页面元数据——尤其是 struct page——如何随着页面的生命周期发生变化。我当时建立了一个复杂的 old PFN 和 new PFN 的替换与映射机制,要让 new PFN 套用 old PFN 的元数据“狸猫换太子”,然后回收时还得同时把 old PFN 和 new PFN 都 reclaim 掉。
现在回头看,我有时甚至会觉得不可思议:这样一个需求,虽然今天来看“是错误的伪需求”,为什么会花掉一个月?
但在那一个月里,我不得不反复追踪页面从哪里被分配,在不同路径上经历了哪些状态,又在什么条件下被释放。GDB 和 printf 都写烂了,我需要弄清楚哪些字段代表所有权,哪些状态只是暂时的,哪些约束虽然没有明确写在接口里,却被上下游代码共同依赖。
我做过错误的判断,也尝试过最后被证明走不通的方案。有时花一整天追踪一条路径,最后才发现自己对一个状态的理解从一开始就是错的。然后只能退回来,重新读代码,重新梳理页面的生命周期,再寻找之前忽略的条件。
那一个月当然很痛苦。我当时并不会一边被 bug 折磨,一边庆幸自己正在获得宝贵的学习机会。我只是想尽快把问题解决掉。
但我也必须承认,正是在那一个月的挣扎里,我对 Linux 内存管理的这条具体路径建立了过去没有的认识。我开始知道面对类似问题时应该从哪里下手,也逐渐能够判断某种修改可能破坏什么约束。更重要的是,我处理复杂系统问题的信心,也是在这个过程中慢慢熬出来的。那是 2025 年的 10 月,Copilot 完全想不明白问题,我于雁栖湖和研究所通勤间思考的艰苦日子。(我人老了,开始常常怀旧了。)
以前,我可以把“做得慢”理解成一种暂时状态:因为我还没有理解这个系统,所以这一次会很慢;等到真正理解以后,下一次就会快很多。今天的笨拙会成为明天的直觉,眼前花掉的时间会以另一种形式返还回来。
但在今天,这种解释可能已经不再被接受了。
如果 AI 可以帮助另一个人在一天内给出一个看起来可行的补丁,而我坚持先花一周梳理页面生命周期,那么从短期结果来看,我就是比别人慢。即使我的理解可能在未来产生复利,也没有人能够保证企业、合作者或者 deadline 愿意等待这笔复利发生。
今天再遇到相同的问题,AI 也许可以很快帮我找到相关代码,解释 struct page 的字段,梳理可能涉及的分配与回收路径,甚至直接给出一个能够通过测试的补丁。
它也许可以帮我省掉那一个月,但它同时也可能省掉原本藏在那一个月里的学习。
这并不是说痛苦本身值得歌颂,更不是说所有人都应该故意花一个月解决本来一天就能解决的问题。大量机械性的搜索、重复劳动和无意义的试错——甚至我的老方案最后还被我优化掉了——本来就应该被工具消除。
真正的问题是:当这些过程被消除以后,我们有没有新的机制,接住原本附着在这些过程上的学习?如果没有,那么我们节省下来的可能不只是时间,也包括形成系统直觉的机会。
你不能停下来
这件事真正让我觉得严重,是因为在现实的企业、科研和个人竞争中,我们常常没有停下来学习的权利。
项目在赶工,论文在赶 deadline,企业在赶产品,同行也在使用同样的工具迅速向前推进。所有人都在跑,你很难突然停下来,说自己想先把基础补齐,等完全理解以后再继续。因为别人不会停下来等你。
如果别人借助 AI 一天完成了修改,而你花一周阅读文档、梳理代码,即使你最后理解得更加扎实,短期结果也仍然是:别人做得快,你做得慢。
别人做得快,你做得慢;你比别人慢,就是你的问题。
这句话当然很残酷,却接近许多工作环境里的真实逻辑。企业看的是进度,合作者看的是交付,论文看的是 deadline。大家首先关心的是东西有没有按时做出来,很少有人能够立即观察到你是否真正理解了背后的系统。
理解带来的收益通常很慢,也很难被直接衡量;交付速度却可以马上被看见。甚至,一个并没有真正理解系统、但能够借助 AI 不断交付结果的人,也可能在世俗意义上得到更多东西:更多机会、更好的评价,以及参与下一个项目的资格。
也许他的理解并没有跟上,但他确实比你做得快。而做得快的人,会获得更多项目、更多资源和更多反馈。这些东西本身又可能形成另一种滚雪球。
这不是依靠个人自律就能轻易解决的问题。你当然可以告诉自己,要克制使用 AI,要认真读代码,要把每一个问题都弄懂。但当项目进度、论文 deadline 和职业评价同时压过来时,选择慢下来学习,很可能意味着主动承担一种竞争劣势。
以前,学习是完成工作的必经之路。今天,学习可能变成了工作之外需要额外支付的成本。
到底哪一种才是真正的复利
从个人能力的成长来看,深入理解当然是一种复利。
我今天花一个月弄清楚一个系统,下一次遇到相似问题时,就可能一通百通。过去建立的心智模型可以迁移到新的代码和场景里,让我学得更快,也让我能够识别那些表面上可以运行、实际上并不合理的设计。
这种复利真实存在。师弟过去在“一生一芯”和 H Extension 项目中积累的经验,今天就转化成了他对 ISA 和硬件编程模型的判断。那个曾经把我卡住一个月的 Linux 内存管理问题,也确实让我在后来面对类似问题时更加从容。
但个人能力之外,还存在另一种复利:机会的复利。
假设我选择先花一个月理解问题,而我的同侪借助 AI,在一周内做出了一个短期看起来相当不错的结果。也许他没有完整读过生成的代码,对系统的理解也没有跟上,但招聘者首先看到的是:他做出了东西,而我还在学习。
如果面前恰好有一个很好的实习机会,他可能因此拿到这张入场券。进入更大的平台以后,他会接触到更好的项目、更丰富的资源、更有经验的同事,也会得到一段更有说服力的履历。这些东西又会帮助他获得下一次机会。即使他最初的理解并不比我深入,他也可能在更好的环境里逐渐把理解补起来。Context 便是如是,也许找人 coffee chat 问问就懂了。经典 fake it,made it。
机会本身也会滚雪球。大家不喜欢阿酥,会不会只是不喜欢自己不是阿酥?
更残酷的是,在中国的升学和求职环境里,很多人的试错窗口非常狭窄。实习有时间窗口,校招有毕业年份,研究方向也只有短暂的市场需求。你很难向评价者解释:我这一步虽然走得慢,但我正在建立一套五年以后更有价值的心智模型。
他们更可能看到的是,你没有在正确的时间拿出正确的结果,这就是原罪。国科大本科生大二、大三才上专业课,在学院路读 211 的同学却早就能腾出时间进入清北的实验室了。是他们笨吗?不是。即便他们未来发展真的很好,但在大三这个节骨眼上,简历除了 GPA 就空空如也,也是事实。
所谓“中国人不能犯错”,不一定是说一个人犯错后真的再也无法翻身,而是每走错一步、每错过一个窗口,后面都可能需要付出成倍的努力才能赶上。并没有人愿意等待你的长期价值被证明。今天的时代加剧地催化了这一点。
是的,你可以在自己的研究领域里不断向下钻,甚至可以觉得自己已经接近一个相当专业的位置。但当你打开 BOSS 直聘,却可能发现市场上已经没有多少能够承接这些能力的机会。你知道自己能力不错,有心气觉得自己不会输,但第一份实习工作的窗口已经找不到了。
理解确实增长了,能力的复利也确实发生了,但它没有自动转化成机会。与此同时,一个更早做出可见结果、进入热门方向的人,可能已经借助实习、平台和履历完成了另一轮复利。很多时候,也许就只是你比别人慢了一点,而你不被允许再慢了。
AI 没有消灭复利,却可能让机会的复利跑在理解的复利前面,并进一步决定谁还有资格继续学习。
这也解释了为什么不能把问题简单归结为人的惰性。有些人确实是在偷懒,但另一些人只是在非常现实地回应评价体系。如果做得快可以换来下一次机会,而学得深暂时不能,那么优先做得快并不是愚蠢,甚至可能是一种理性的生存策略。
“以赛代练”还成立吗
这也让我开始怀疑,我们过去非常推崇的“以赛代练”和“项目式学习”,在今天 Agent 能较多参与的环节,是否仍然会自然成立?
以前参加比赛或者做项目,最重要的收获往往不是最后的结果,而是在项目推进过程中被迫掌握的东西。你会遇到课堂之外的问题,会发现自己缺少某一部分基础,然后停下来补课、读书或者查文档。卡住本身就是学习的入口。
我以前很喜欢刷课,因为我本科的专业课学得很不好,因此还是挺喜欢这么做的。当项目卡在某个地方时,我可能会去找一门相关课程,只补一遍我真缺的东西。课程中不一定每一部分都能直接解决眼前的问题,但它可以帮我摸到一棵大树的枝桠。等我回到项目时,我就有能力提问了。
这种学习方式需要时间。它要求你允许自己暂时不产出,先承认“我还不懂”,然后花几天甚至几周去补齐最低限度的某些基础。
但今天,项目还会允许你这样做吗?
当你卡住时,最符合效率要求的选择已经不再是停下来,而是把问题交给 AI,让它解释相关代码、给出修改建议,然后继续推进。只要问题能够被解决,工作就没有理由等待你。
于是,刷课逐渐从工作的一部分变成了一种业余爱好。它不再是“我为了完成这项工作,确实没必要系统学,但需要先把最基本的补齐”,而是“如果下班以后还有时间,我也许可以系统学一下”。
可是,当工作本身已经让人筋疲力尽时,还有多少人会在业余时间重新学习那些已经被 AI 帮助绕过的问题?
所谓项目式学习能够成立,有一个常常被忽略的前提:项目必须允许人被问题卡住,也必须给人时间通过理解来跨过障碍。奖励最优方式是很快,但强化学习都得整个 KL 呢。依我看,硅基和碳基都是四个外层电子,没有太大不同。
我们依然在“以赛”,却不一定还在“代练”。
专家的 AI Native,不是初学者的 AI Native
最近蒋炎岩老师关于 AI-native 学习的一些思考很火,也很对。
我理解这种观点为什么有吸引力:与其按照旧的课程体系,从基础知识开始一级一级向上学习,不如直接借助 AI 进入真实问题,在项目中不断提出需求、获得反馈、修正错误,最终完成某种自我进化。
蒋炎岩老师现在开设的《生成式软件工程》,确实把知识与记忆管理、AI Native 架构和“个人能力放大器”等内容放进了课程。
他已经折腾过很多系统,写过很多代码,也讲授了多年操作系统和计算机系统课程。他过去的《计算机系统基础》课程本身就非常强调通过代码、状态机和编程实验理解系统,而不是只记住书本上的结论。
不过换句话说,他已经完成了非常充分的“预训练”。那我们呢?
当 AI 给出一段代码或者一个设计时,他脑子里已经存在一套相对完备的系统模型。他知道应该检查什么,能够发现哪些抽象不自然,也能够判断一个看似可行的方案是否破坏了更深层的约束。那我们呢?
对预训练充分的人来说,AI 就是后训练仙人,你自己脑子里有个 KL。
但大多数学生并不处在这个阶段,连 reward model 都没有。
他们没有亲手实现过多少系统,也没有被复杂问题长时间卡住过。很多基础概念刚刚接触,甚至连一个相对稳定的编程模型都没有形成。此时就要求他们用 AI-native 的方式“自我进化”,本质上是在让一个尚未完成预训练的心智模型,不断使用自己无法判断质量的输出继续训练自己。不是所有做模型的都被允许能像混元一样大刀阔斧地重建,重新把那些错误的输入数据踢出去,然后再把好数据拿进来做扎实。
写一个小组作业、拼出一个 MVP,可能没有问题。AI 可以让他们迅速得到一个能运行的结果,甚至让结果看起来非常完整:代码写好了,测试通过了,文档也生成了。
但再往后呢?他们是否读过这些代码?是否知道状态在哪里发生变化?能否解释为什么要这样设计?如果系统换一种输入,或者出现一条测试之外的错误路径,他们是否知道应该从哪里开始追踪?
这些问题不会因为项目完成了就自动获得答案。
因此,如果真的有人在不强调它对基础训练、主动性和判断能力要求的时候 all in AI-native 学习,也许有些不太负责。
不是所有人都拥有专家已经完成预训练的心智模型。教育面对的也不能只是那些最好奇、最自律、最愿意在项目结束后重新阅读全部代码的人。我们必须考虑大多数普通人的行为。
大多数人会自然地优化眼前的评价目标。老师要求交作业,就优先把作业做完;项目要求实现功能,就优先让功能跑起来;企业要求按时交付,就优先在 deadline 之前提交代码。这未必是什么道德缺陷,而是人在现实激励下非常正常的选择。
如果不理解也能完成,人就没有充分理由先去理解。如果 AI 可以立即给出答案,就很少有人会主动选择更痛苦、更缓慢的路径,先读一本书、刷一门课,再回来独立解决问题。
当然,一定会有少数人坚持这样做。但一种教育方法不能假设每个人都拥有少数人的自制力。更麻烦的是,那些真正愿意停下来学习的人,还会面对来自同侪的速度压力。
对专家来说,AI 可以放大已经存在的心智模型;对初学者来说,AI 也可能让心智模型在形成之前就失去训练机会。
真正负责任的 AI-native 教育,不能只告诉学生如何更快地获得结果,还必须回答另一个问题:在结果越来越容易获得以后,如何确认理解仍然发生了?
作业几乎全对,考试却不会做
我对这个问题的担忧,并不只来自推测。去年在雁栖湖做数字电路课程助教时,我已经看到了一些非常具体的现象。
当时,学生们已经很习惯使用 DeepSeek 帮助完成作业。我批改书面作业时,经常发现大家做得很好,许多题目几乎没有人出错。从结果上看,他们似乎已经掌握了相关内容。
但到了考试时,情况却完全不同。
考前老师给了往年题,有一道与作业题非常相似、难度还更低的题目,学生们希望我在考前习题课上专门讲一遍。我站在讲台上解释解法时,不少人拿出手机拍照。
那一刻我感到非常困惑。因为在我批改过的作业里,同类甚至更难的题目,班里几乎没有人做错。为什么作业里的难题可以全部答对,到了考试之前,反而需要重新讲解一道更简单的题目?
后来我意识到,作业的正确率是真的,考试时不会做也是真的。正确答案曾经出现在他们的作业本上,却不一定真正进入了脑子。完成作业与掌握知识,已经变成了微内核插件化的模块,而对于小朋友们来说,IPC 可能都不知道是啥,稍微懂点的很可能也就做出来个 Mach,全然达不到我们期望的 L4。
一些老师和助教也向我表达过类似的担忧,觉得学生能力——甚至不是借助 AI 解决问题的能力——似乎在下降。这当然只是一种来自教学一线的共同体感,不是严格的统计结论。但作业表现与实际理解之间越来越明显的落差,确实很难让人完全不担心。
“我们都准备好了,就等你来讲了”
我在雁栖湖和玉泉路的一些课程中,还观察到另一个很有意思的现象。而且我必须强调,这个现象是今年才出现的。
有些课程会设置小组大作业,给出了不错的任务说明书。往年,大家最先担心的往往是项目做不出来:题目一公布,就开始四处寻找靠谱的队友和能带着大家推进的大腿。真正稀缺的是能够写代码、解决问题、把项目落地的人。代码和文档都已经完成,却找不到人上台讲,这在过去几乎是无法想象的。
今年,事情却反了过来。代码已经写完,文档也准备好了,甚至演示系统都能正常运行,但小组里缺少一个愿意上台做 presentation 的人。
于是,他们会到群里摇人:“我们这边都准备好了,现在就差一个人来讲。”
我的女朋友曾经很不理解地问我:上去讲不是最“摘桃子”的事情吗?项目已经完成,文档也有人写好,只要把内容理解一下,然后在大家面前展示成果就可以了。为什么反而没有人愿意去?
谜底已经写在谜面上了。
当然,有人可能会说,对于一个“i 人”来说,上台做 presentation 简直会要了他的命。但本人作为一个社恐,还是比较清楚这不能完全解释问题。内向的人同样会两害相权取其轻:如果写代码、做项目和解决 bug 更困难,而上台只需要把自己已经做过的东西讲一遍,那么 presentation 再痛苦,通常也会有人愿意承担。
当写代码和完成项目的困难程度,反而低于上台解释它时,事情就有些不对了。
他们缺少的可能不是一个敢上台的人,而是一个真正理解这个项目、愿意为它作出解释的人。一个项目可以用非常 AI-native 的方式完成:需求交给 AI,代码交给 AI,文档也交给 AI,人在中间负责复制、运行和继续提问。最后,项目看起来完成了,但小组成员可能并没有真正参与理解。
代码可以由不同成员拼接,也可以借助 AI 快速生成;文档可以在最后统一整理;演示只需要沿着预先设定的路径运行。但 presentation 要求一个人在没有代码补全和聊天窗口的帮助下,把整个项目重新装进自己的脑子里。
他需要说明问题是什么,为什么采用这个设计,不同模块如何配合,还要面对老师和同学临时提出的问题。此时,“项目完成”和“我们理解项目”之间的距离便暴露了出来。
如果理解这件事真的只需要临上台前看一遍文档,那么当然应该有人愿意去摘这个桃子。之所以需要到群里专门摇人,恰恰说明理解并没有随着代码和文档一起自然产生。
作业完成了,但学习没有按照我们想象的方式发生。小组项目也是一样:代码完成了,文档完成了,MVP 也完成了,但最后找不到一个能够完整解释它的人。
如果这只发生在研究生阶段的一门课上,这是个好事啊。都读研了,大伙天天逃课,考前随便背一下考个八九十,实在不行也能及格万岁。完成课程作业借助 AI,简直不要太爽。
但如果同样的模式继续向前移动,进入本科生还在完成“预训练”的阶段,事情就会变得很可怕。本科阶段原本应该帮助一个人建立最基础的编程模型、系统观念和独立解决问题的能力。如果这些能力尚未形成,学生就已经习惯于绕过理解直接获得结果,那么以后即使面对更大的项目,他也很难知道自己究竟缺少了什么。
书面作业至少还有考试,可以检验一个人是否能够独立完成。但大型项目和系统编程所培养的直觉,很难通过一张试卷衡量。一个人是否真正理解对象的生命周期、并发状态、内存所有权和错误路径,往往只有在系统出现一个罕见问题时才会显现。
等到那一刻,我们也许才会发现:代码已经写了很多,项目也已经完成了,但形成判断力所需要的训练从未真正发生。
降低的是实现门槛,不是理解门槛
所以,我现在越来越倾向于区分两种能力。
一种是借助工具把事情做出来的能力;另一种是理解系统,并判断一个方案为什么正确的能力。
AI 正在显著降低前一种能力的门槛。我不熟悉 Chisel,Scala 都不会,也可以给出 high-level 的东西去修改 BOOM;不了解一个大型代码库,也可能很快定位问题;没有从头实现过某个模块,也可能交付一个能够通过测试的补丁。
这是非常了不起的进步。它让更多人能够参与原本门槛很高的工作,也让个人和小团队可以完成过去需要更多人力才能完成的项目。我手头的项目没有 vibe coding,估计要做三四年;这半年 vibe coding 能让我加速到我们目前正在进行的 FPGA 工作,本身就是这种能力扩张的证明。
但后一种能力的门槛并没有因此降低。
理解一个复杂系统仍然需要建立心智模型,需要知道关键状态如何变化,需要理解接口背后的隐含约束,也需要在多个看似可行的方案之间作出判断。
我一开始提出的“麻瓜”硬件设计,就是一个很直接的例子。AI 也许可以帮我把那个方案实现出来,甚至让它通过一些测试,但它无法自动弥补我对硬件和 ISA 编程模型缺少直觉的问题。
一个方案能够被实现,不代表它就应该被实现;代码能够运行,也不代表设计本身合理。最终指出这些问题的,仍然是师弟过去通过亲手实践建立起来的判断。
随着 AI 帮助我们构建越来越大的系统,这种判断力甚至会变得更加重要。我们可以生成更多代码,也就会面对更多看起来合理、实际上并不正确的方案。我们能够更快进入陌生领域,也就更容易在尚未理解问题时,作出影响深远的设计决定。
与此同时,企业和管理者还可能对 AI 的生产率产生不切实际的期待:既然代码可以更快生成,一个人就应该维护更多模块、处理更多问题、承担更大的系统。
把复杂系统做出来的门槛正在降低,但对复杂系统负责的门槛并没有降低。
我们能够更快地进入陌生领域,却未必拥有足够的时间在其中建立真正的理解。
当工作不再允许我们学习
我们不可能回到石器时代,现实也不会允许我们这样做。AI 带来的能力扩张是真实的。去年不敢承诺的工作,今年确实已经可以推进;过去需要一个月定位的问题,今天也许真的可以更快解决。消除机械劳动本身没有错。
问题在于,我们过去把太多学习寄托在工作过程中。那些低效、缓慢甚至令人痛苦的步骤,同时承担了训练人的作用,这些大家完全知道,然而现状是只能装作不知道。
现在,AI 把任务完成和能力成长分离了。更进一步说,竞争和效率压力还在不断扩大两者之间的距离:任务完成得越快,得到的奖励越明确;停下来理解得越深,付出的短期代价反而越高。
这意味着学习不能继续只作为工作的副产品存在。它必须成为一件被主动安排、主动保护的事情。也许,你会和极端保守的我一样,得抽你的业余时间,用古法编程搭建你的理解。
我们可能需要在“学习”的时候,刻意保留一些看起来不够高效的环节:自己追踪一次关键路径,脱离 AI 重新解释一个模块,认真 review 生成的代码,弄清楚一个字段为什么存在,或者在项目结束后重新整理整个设计,而不是看到测试通过就立刻进入下一项任务。
学校如果真的希望学生使用 AI 学习,得想出一种方式,像 RL 看 tracepoint 一样搞清楚学生的思维链,确认学生不只是交出了一个正确结果。缺乏 tracepoint 的人的惰性远甚于机器。
企业如果真的关心长期能力,也必须为这种学习提供明确的时间,而不能一面要求工程师理解系统、为系统负责,另一面又把每一分钟都换算成短期交付。
我们也需要诚实地区分几种不同的状态:我能否在 AI 的帮助下完成它?我能否独立解释它为什么有效?我是否理解它依赖了哪些假设?如果系统在测试之外出现问题,我是否知道应该从哪里继续追踪?下一次遇到不同但相关的问题时,我能否迁移这次获得的知识?
过去,这些问题常常被“工作做完了”一起回答。今天,它们已经不再等价。
上一篇文章里,我把这种现象称为“理解债”:AI 可以先帮助我们推进项目,但欠下的理解,最终仍然需要自己补上。
过去,工作本身会逼着我们偿还理解债;今天,我们不仅可以一直拖欠这笔债,甚至会因为停下来偿还它而受到惩罚。
未来真正稀缺的能力,也许不再是能不能把代码写出来,而是能否理解自己构建的系统,能否判断 AI 给出的方案为什么正确,以及能否在代码和测试之外发现:一个设计从一开始就走错了方向。
AI 让我们更容易把事情做出来。
但当工作不再强迫我们学习,甚至不再允许我们学习时,我们需要担心的就不只是某个人会不会使用 AI,而是下一代真正理解复杂系统的人,究竟要从哪里产生。
最后,感谢师弟和我一起把这些硬件方案反复推翻、重做,也感谢我们在项目推进间隙那些没完没了的吹水环节。本文的很多想法,并不是我一个人坐下来凭空想出的,而是在一次次争论、吐槽和互相提醒中逐渐成形的。
其他
我似乎有点搞清楚像是 AI 独角兽们招 IOI 和算法竞赛经验的人是做什么的了:这本质上是在挑一个预训练好了的脑子,哪怕和之后做的岗位关系不大。原谅我脑子的滞后。这个年头,实现系统的门槛降低了不少,而系统能力压根不是面试几个小时内能看清楚的。