AI时代的稀缺性
最近几个月，经历了大量高强度地使用 AI 进行编程、查询问题以及讨论一些相对深入的话题，深刻地感受到，人类社会将迎来一场极其重大的变革。
这篇文章结合最近看的一些文章和采访，以及一些自己的理解，讨论一下在即将迎来的全新时代中，人类社会面临的一些问题。
在 2025 年末至 2026 年初这个时间节点，随着大模型的广泛使用以及智能体（Agent）系统在编程领域的应用，许多低层级的编程问题 —— 尤其是不涉及复杂算法和系统设计的部分 —— 已经能够被大语言模型（LLM）很好地解决。更高级的部分也可以在人类的参与下，利用一些更细致的 prompt 通过与 AI 交互解决。
虽然我不是专业的高级软件工程师，但从我个人断断续续将近 30 年的编程历史（小学时候学了 LOGO 和 BASIC）来看，未来的编程将会和现在完全不一样。
当下的编程模式的过渡，区别类似于并远胜于当年从汇编语言（Assembly Language）转向以FORTRAN为代表的高级（high-level）编程语言。本质上是：
抽象层上移，人类关注更高层次的问题。
当然，这里面也有一些具体的区别，比如：
抽象跨度：
- 当年：汇编 → 高级语言，本质上还是人在写精确的指令（粒度变粗），但映射关系仍然是确定性的。
- 现在：自然语言意图 → 代码。这中间是一个模糊的、概率性的推断过程。你描述想要什么，AI "猜测" 实现方式。
验证模式：
- 当年：编译器是可证明正确的转换。FORTRAN 生成的汇编可能不如手写高效，但语义保证一致。
- 现在：AI 生成的代码没有正确性保证。人类从 "编写者" 变成 "审查者"。test-driven development 的重要性会变得越来越高。
而这种编程效率的提升以及门槛的降低，会让很多生活中原来由于技术门槛及时间性价比导致尚未被实现的自动化系统，很容易被实现。
比如现在随便一个人就可以仅通过描述做一个可用的 app。
比如用自然语言对话的方式控制家中各种设备的系统，涉及大量的 API 脚本编程，技术难度不高，但工程量相对较大。原来只有极客爱好者会做的事情，现在稍微有点思路的普通人就可以做到（这个会是 2026 年的一个个人项目，等年底看看能实现到什么程度）。
而在工业环境中，跟真实自动化和工业系统相关的工作，则需要由相关工程师进行更细致的指导和匹配。这部分的进展会稍微慢一点，但也会在接下来的几年内逐渐被实现。
总的来说，由于绝大多数的编程行为会变成几乎没有门槛或门槛很低的事情，以编程及自动化为基础的更上层的抽象设计，才是人类下一个阶段应该关注的事情。
在 AI 出现之前，几乎所有高性能的项目都需要用 C++ 来编写。最近几年，Rust 语言发展迅速，但能否被广泛接受，业界仍不确定，毕竟尚未经过时间和大型项目的充分验证。Rust 的优点业界普遍认可，其语言架构和编译系统都优于 C++。而 C++ 由于历史包袱确实难以在这方面进化。
正因为这方面的区别，在开始走进 AI 时代以后，我有一个不成熟的想法，这与上文提到的 test-driven development 的逻辑一致，即测试及编译系统越成熟、越有效的语言在 AI 时代会被更广泛地使用。这方面在最近的工作中大量使用 AI 写 Python 开发中型工业系统以后，我更加坚定了我的想法。
为验证这一想法，我做了一个实验性项目，将一个相对复杂的 C++ geometry viewer polyscope改写成 Rust 版本。选择该项目基于以下几个原因：
- 是图形学领域最近几年一个比较好的项目，复杂程度足够高；
- 我在自己的几个项目里面高强度使用，所以可以比较了解各部分的内容，也提交过 PR。
另一方面，我对 Rust 的了解仅限于能看懂语法，并无实际项目经验。因此这相当于从一个会编程的普通用户视角，利用 AI 重写一个 C++ 项目。
重写完成的项目在此：polyscope-rs，目前效果良好。 这意味着未来许多项目的后端基本可以通过 AI 编写 Rust 来实现，既能满足性能要求，又能保持较高的开发效率。至于 AI 编写 C++ 的能力，目前看来仍需较多人工介入，但有待进一步验证。
总的来说，即便站在当前这个时间点，也已经可以清晰地感知到，未来 AI 将迅速抹平人类过去需要经过长期训练和学习才能达到的操作能力差距。而真正能体现人与人差异的，是审美、判断、感知等由于机理尚不明确、缺乏客观评价标准，因而导致 AI 难以迅速超越的能力。
这对东亚教育体系培养出的学生而言确实是极大的挑战 —— 东亚教育体系主要倾向于培养学生的服从性和技艺熟练度，以实现集体利益最大化，而较少注重独立思考和批判精神的培养。
在知识获取层面，已经可以明显感受到，人们正在用 AI 来搜索和总结问题，而非像过去那样通过搜索引擎或网站自行整理。就连国内的父母都知道，有问题可以问豆包（字节跳动的大模型工具）。国内各类 AI 应用的落地也开展得如火如荼。AI 工具的发展速度确实惊人。
像 Google 搜索页面，现在搜索的顶部也会有 AI 给出的简单总结。技术层面，他们肯定做了很多信息的索引以及预处理，以减少算力的消耗。
由于 Agent 的出现，具备一定技术基础的人已经可以构建各种相对复杂的 AI 工具和系统。再加上许多基于 AI 打造、降低使用门槛的工具（比如 Anthropic hackathon 获胜者发布的Everything Claude Code），AI 对个人能力的放大效应将使人与人之间的差距愈发悬殊。
Anthropic 的工程师最近做了一个演讲，主题是 "不要构建 Agent，而是构建技能"： Don't build agents, build skills instead 其中提到了许多关键洞见，比如，未来 Agent 可以完成很多任务，但真正让人保持稀缺性的，是它所缺乏的实际人类社会经验（domain expertise）。
由于我在大学任教，这方面最近思考较多。但鉴于目前仍处于 AI 爆发及应用发展的早期阶段，许多事情的不确定性较高。或许需要相关工具及使用方式再迭代一两年，才能形成更清晰的认知。
看社交媒体上的新闻，很多小学生也已经开始通过跟 AI 对话来学习知识，传统意义上负责讲课的老师的作用越来越低。我个人最近用得比较多的是 Google Translate，它已经可以用 AI 生成听力及对话内容来辅助新语言学习，效果比 Duolingo 好得多（我在 Duolingo 里学完了德语课程，但实际水平并未达到 APP 标注的 B2）。
高等教育的层面确实有更多的不确定性。一方面，AI 会抢占大量人类的工作，这意味着很多专业的存在变得没有那么必要。另一方面，由于我们不可能断绝学生使用 AI，在很多学科的教学方法以及考核方式上也面临更多的挑战 —— 比如，教学中若放任学生依赖 AI 完成作业，那些需要通过反复练习才能巩固的思维技能就无法得到充分锻炼，导致他们在遇到 AI 无法解决的问题时缺乏深入分析和独立解决的能力。
若从理想化的角度设想，如果 AI 及未来可以预见的机器人能大量解放人类劳动，这将带来深远的变化。人类可以将更多时间和精力投入创造与创新，推动社会发展与进步。同时，机器人和 AI 将能够处理重复性和危险性工作，从而提升效率和安全性。如此一来，人类生活质量将大幅提高，社会也将更加和谐。
当然，作为一个相对悲观的人，我并不认为这会是人类走向的未来，至少在第一阶段不太可能。掌握更多算力和能源的人，仍然会人为制造社会等级。历史经验表明：
社会对技术的消化速度，往往慢于技术本身的发展速度。
可以预见，在 AI 能够覆盖的领域，AI 将作为放大器，极大地扩大人与人之间的差距。人类角色的定位将越来越接近艺术领域 —— 最高水平与最低水平之间的差距会更加悬殊，而系统设计与思维层面的能力将成为区分人才的关键。当记忆与基础训练不再构成主要障碍时，审美品位、问题理解力与直觉等根本性差异，将成为决定个体高度的核心要素。
可能我们也将真正走进一个，如古人所云 "君子不器，善假于物也" 的时代。