十年前，我在大学图书馆翻到Marvin Minsky的《The Society of Mind》。那本在学术圈小有名气的书，我读了无数遍。所以当AI革命真的到来时，我一点都不意外——我等这一天很久了。

但Minsky猜错了细节。他早期推广神经网络，后来却转向其他方向，觉得这条路走不通。现在回头看，幸好有人坚持了下来。现代深度学习本质上就是神经网络的胜利，而算力成了真正的推手。

打开网易新闻 查看精彩图片

Rich Sutton写过一篇著名的"Bitter Lesson"：70年来，最大的进步永远来自对算力的充分利用，而非人工设计的精巧方法。这个判断正在我们眼前应验。

这意味着什么？软件开发的底层逻辑变了。

我们团队做"半自主智能体"——简单说，就是造能帮人造智能体的工具。在这个定位下，我看到一个清晰的趋势：人类的工作正在向两端收缩。

传统软件开发有三根支柱：构想目标与定义需求、编写代码、部署上线并观察反馈。现在中间那根——具体的实现工作——正被AI快速接管。

构想和规格定义，目前仍是人的主场。Herb Simon说得对：我们要按人类想要的方式设计环境，而不是迁就机器。这些系统终究是为我们服务的。

剩下的关键战场是验证。

当GitHub Copilot、Cursor、Claude Code这类工具批量生产代码时，一个尴尬的事实出现了：生成的代码太多，人根本看不过来。我们每天都在和"不完全理解"的代码打交道。

所以人类的角色正在重新聚焦——明确目标，并检验结果是否正确。

历史上，软件验证靠的都是相对轻量的手段：代码审查、文档、测试、CI/CD、模糊测试、基于属性的测试，以及形式化验证。其中最便宜、最普遍的是代码审查。

但AI生成的代码量正在压垮这个机制。当审查对象从"同事写的几百行"变成"AI产的成千上万行"，原有的方法论需要重新设计。

这不是小修小补，而是整个工程范式的切换。