Jeremy Howard：AI编程像老虎机，赢面只是伪装的损失

AI辅助编程正被捧上神坛，GitHub Copilot、Cursor、各类Agent工具层出不穷，开发者们似乎迎来了生产力的黄金时代。但知名AI研究者、fast.ai联合创始人Jeremy Howard抛出了一个尖锐的类比：AI编程更像一台老虎机，而非真正的生产力引擎。

控制的幻觉：你以为自己在编程，其实在拉杆

Howard的核心观点是，AI编程给了开发者一种"控制的幻觉"（illusion of control）。你可以精心打磨提示词（prompt），配置你的MCP列表、技能和各种上下文，看起来一切尽在掌握。

但归根结底，你做的事情和拉动老虎机的拉杆没有本质区别——"你输入提示词，然后某个东西返回给你，像是'樱桃、樱桃'的中奖画面"。当结果不理想时，你的反应是："下次我把提示词改一改，再加点上下文，再拉一次杆。"

这种行为模式本身就暴露了问题。你并没有通过确定性的逻辑推演解决问题，而是在一个随机系统里不断尝试，期待下一次能撞上好运气。

随机性 + 偶发奖励：赌场的经典配方

Howard指出，这个过程具备了"伪装成胜利的损失"（loss disguised as a win）的全部特征：结果是随机的（stochastic），同时又给你一种控制感，再加上偶尔到来的"中奖"体验——"哦，我赢了，我拿到了一个功能！"

这正是博彩公司精心设计进赌场的那套机制。间歇性奖励（intermittent reinforcement）是行为心理学中最容易让人上瘾的强化模式——不确定什么时候会中奖，反而让人无法停止拉杆。

当AI偶尔给出一个漂亮的解决方案时，那种成就感会掩盖掉之前无数次失败尝试所浪费的时间和精力。你记住的是中奖的瞬间，忘记的是反复试错的成本。

间歇性强化（Intermittent Reinforcement）由行为心理学家B.F.斯金纳在20世纪50年代通过鸽子实验系统研究。他发现，当奖励以不可预测的间隔出现时（即"变比率强化"），被试会产生最顽固、最难消退的行为——即使长时间没有奖励，也会持续重复该行为。这正是老虎机设计的心理学基础：玩家不知道哪一次拉杆会中奖，这种不确定性本身就成为驱动持续拉杆的动力。与之相对，如果奖励是固定可预期的（如每拉10次必中一次），行为反而更容易停止。AI编程工具在体验层面与此高度吻合：模型输出具有内在随机性，同一个提示词在不同时刻可能给出截然不同的结果，开发者永远无法预判下一次尝试是否会产出满意的代码，这使得"再试一次"的冲动在心理机制上与赌博行为共享同一底层结构。

数据说话：实际交付量只有微弱提升

Howard最有力的论据不是比喻，而是数据。他提到自己团队刚刚做过一项研究，结论是："没有人真的在创造比以前多50倍的高质量软件。"

实际的事实是，人们真正交付（shipping）的东西只有"微小的提升"（tiny uptick）。

这个结论直接戳破了行业里铺天盖地的"10倍工程师"、"生产力爆炸"的叙事。如果AI真的让编程效率提升几十倍，那么软件交付量应该出现数量级的跃升，但现实数据并不支持这种说法。

这里有一个值得深思的区别：写代码的速度和交付可用软件的速度是两回事。AI确实能快速生成大量代码，但生成的代码需要审查、调试、测试、修复——这些环节可能恰好抵消了生成阶段节省的时间。

Howard的观察与近期若干独立研究的结论相互印证。2024年METR（Model Evaluation & Threat Research）发布的一项研究显示，在真实开源项目的任务中，AI辅助并未如预期那样大幅提升有经验开发者的完成速度，部分任务中使用AI的开发者反而花费了更长时间，原因在于验证AI输出的认知负担被低估。此外，"写代码速度"与"交付速度"之间的剪刀差在大型项目中尤为明显：代码生成阶段的加速，往往在代码审查（code review）、集成测试、以及处理AI生成的"幻觉式Bug"（模型自信地生成了看似合理但逻辑有误的代码）这些下游环节被消耗殆尽。这使得仅凭代码行数或个人主观感受来评估AI收益，具有系统性的高估倾向。

这不等于AI无用，而是难以判断

Howard特意强调，这番批评"并不意味着AI没有用"。他的态度相当审慎："天哪，这真的很难判断。"

这种诚实恰恰是最有价值的部分。他没有走向"AI编程是骗局"的另一个极端，而是指出当前最大的问题是评估困难——我们缺乏可靠的方法去衡量AI到底带来了多少真实价值。

随机性和控制幻觉的叠加，使得个人的主观感受极不可靠。你觉得自己效率飞升，但这种感觉本身可能就是老虎机机制的产物。要得到真相，必须依赖像Howard团队那样的客观交付量研究，而不是开发者的自我报告。

对开发者和团队的启示

Howard的类比为狂热的AI编程浪潮提供了一剂冷静剂。几点可以带走的思考：

• 警惕成瘾式使用。如果你发现自己在反复微调提示词、不断"再拉一次杆"，不妨退一步，问问这是否是解决问题的最高效路径，还是陷入了随机奖励的循环。
• 区分感受与事实。个人的生产力感受容易被偶发的成功放大，团队层面应该用交付量、缺陷率等客观指标来评估AI工具的真实收益。
• AI仍有价值，但需理性预期。微小的提升也是提升，关键是别被"50倍"之类的营销话术绑架，用它来做适合的事。

Howard的这番话之所以有分量，在于它来自一位深度投身AI教育与研究的实践者，而非唱衰者。当连行业内部人士都在提醒"别把损失当成胜利"时，或许整个行业都该重新审视手里这台看起来很酷的"老虎机"。