一个前端工程师在调试着色器时突然想到：如果2011年的程序员手里就有今天的AI工具，现在的网站会变成什么样？
这个问题来自Sylwia Laskowska——一位日常用大型语言模型（LLM，Large Language Model）写代码、却在新领域屡屡碰壁的开发者。她的发现有点反直觉：AI最擅长的，恰恰是让人停留在舒适区。
AI的舒适区，是"已有答案"的地盘
Laskowska的日常体验很典型。让AI写个下载图片的功能，返回的代码干净、地道、立即可用。"感觉像在作弊"，她这样形容。
这些任务有个共同点：Rust、标准前端、常见模式——互联网上存在海量示例的领域。LLM本质上是在概率空间里做检索，训练数据越密集的地方，输出越可靠。
2011年的技术栈完美符合这个条件。PHP模板、jQuery、请求-响应循环——这些在当时已经成熟，文档和代码样本铺天盖地。如果AI突然降临，它能立刻生成大量"能跑"的代码。
但这里有个陷阱。
新技术的死亡谷：AI帮不上忙的地方
Laskowska的转折点出现在WebAssembly和WebGPU上。当她尝试用AI写WGSL（WebGPU Shading Language，WebGPU着色语言）着色器时，体验急转直下。
错误变得频繁。假设偏离实际。API被混淆。最终她放弃AI辅助，回到2010年代式的手动调试。
问题不在于AI变笨了。WebGPU和WGSL太新，训练数据稀疏，LLM开始"幻觉"——生成看起来合理但实际错误的代码。这不是技术故障，是结构性盲区。
2011年的假设实验里，这个盲区会出现在哪里？
当时"复杂客户端应用"尚未成为主流。React还要两年才发布，Vue和Angular的现代化版本更晚。单页应用（SPA，Single Page Application）的架构模式、组件化思维、虚拟DOM——这些概念要么不存在，要么极小众。
如果AI在2011年大规模应用，它会持续输出jQuery插件和服务器渲染模板。因为这就是它的"正确答案"。
加速的悖论：快，但可能快向错误的方向
技术演进有个常被忽视的维度：需求不是天然存在的，是被"能做的新事情"创造出来的。
2011年的开发者没有大规模抱怨"页面刷新太慢"，因为大家都这样。是Google Maps和Gmail先把异步交互做出来了，用户才被"教育"出新的期待。然后整个生态被迫跟进。
AI的介入会改变这个链条。Laskowska的核心观察是：AI可能"安静地稳定现状"，而非加速突破。
想象2011年的场景。产品经理要个功能，程序员用AI生成jQuery代码，两天上线。客户满意，团队轻松。为什么要冒险尝试陌生的客户端框架？AI给出的方案足够好、足够快、足够安全。
现代Web的底层假设——浏览器可以承载复杂应用状态——可能根本不会成为共识。或者推迟很多年。
工具与方向的博弈
Laskowska在文中提到自己的演讲主题："Rewrite or Refactor? How to Safely Move Legacy Apps to Modern Frameworks"（重写还是重构？如何安全地将遗留应用迁移到现代框架）。这个题目本身就暗示了现实：技术债是常态，迁移是痛苦的。
她的演讲将在JSNation 2026进行。这个会议被描述为"所有JavaScript大牛都会出现的地方"。
有趣的是，如果2011年就有AI，这个会议本身可能都不会以现在的形式存在。JavaScript生态的爆炸性增长，很大程度上源于2012-2015年间框架和工具的疯狂迭代。AI的"稳定效应"可能压缩这个创新窗口。
当然，历史无法重演。但Laskowska的追问指向一个更当下的问题：今天我们用AI写什么代码？
如果LLM在2025年已经能流畅生成React组件，这是否意味着我们正在错过下一个"WebGPU时刻"？某个尚未被充分训练数据覆盖的技术方向，可能正因为AI的"好用"而被延迟发现。
作者的小插曲
文章里有个轻松的细节。Laskowska提到为了庆祝演讲确认，买了瓶无酒精啤酒，结果" somehow woke up feeling like I had a huge hangover"（不知怎么醒来感觉像宿醉严重）。她把这称为"new achievement unlocked"（新成就解锁）。
这个无关技术的片段，反而衬出了整篇文章的基调：一个从业者真实的困惑，而非技术布道。
她明确说自己"不是AI专家"，只是足够了解RAG（Retrieval-Augmented Generation，检索增强生成）、推理、矩阵乘法、采样等概念，能舒适地使用这些工具。这种定位让她的观察更有分量——来自日常使用的摩擦感，而非理论推演。
那么，现代Web会存在吗？
Laskowska没有给出确定答案。她的核心贡献是提出一个被忽视的视角：AI的优化目标和技术演进的方向，并不天然一致。
LLM被训练来预测最可能的下一个token。在代码领域，这等价于"最主流的实现方式"。但技术史告诉我们，突破往往来自非主流——那些训练数据里还没出现、或者占比极低的模式。
2011年的假设实验因此有了现实意义。我们今天面对的不是"如果"，而是"正在"：AI辅助编程已经成为默认设置，它的偏见正在实时塑造代码库。
Laskowska在WebGPU上的碰壁经历，或许是个警示信号。当AI在新领域失效时，开发者被迫回到原始的手工调试——这种"倒退"反而可能是发现新大陆的必要代价。
如果AI在2011年就消除了所有摩擦，我们可能永远不会知道，那些摩擦原本会把我们推向哪里。
（全文完）
热门跟贴