AI时代最值钱的能力，不是写代码

封面图

你们都在学编程，但有人已经发现这事儿不对了

前段时间，GitHub上rsync项目的Issue区炸了。

维护者直接挂出一句话，语气里带着被踩到脚的愤怒：“Please Do Not Vibe Fuck Up This Software.”

翻译成人话就是——求求你们了，别用AI乱改我的代码。

这声怒吼，看似是对某个具体项目的保护，实际是整个软件行业面对AI冲击时，那个最尖锐也最没被说透的问题突然被戳破了：到底谁才有资格用好AI？

答案，可能跟你想象的不一样。

真正的超能力，是你脑子里那个“领域模型”

有个观点最近在技术圈悄悄发酵，来自一篇热度飙到8.5分的博客。

作者说，写软件的难处从来不是“写”本身。在你能敲出那行代码之前，你得先在脑子里搭建一个完整的领域模型。比如你要写一个工资系统，你得搞懂预扣税、代扣款项、以及当一个人的发薪期跨越税率调整时该怎么办。这些才是核心知识。代码，只是知识的转录。

这块分析判断的认知工作，才是真正的护城河。

AI出现之后，一个关键的变化发生了：生产和理解彻底脱钩。 以前，你要理解一个问题才能写代码解决它；现在，AI替你写代码，但你不一定理解它在干什么。于是问题的关键从“你能不能写出代码”，变成了“你能不能判断代码对不对”。

作者举了个极其生动的例子。一个物流调度员，对编程一窍不通，也绝对读不懂一段代码。但他只要看一眼AI生成的排班表，就能立刻判断出“没有司机会合法完成这个班次”。因为他有十年的行业直觉。这样的人，配上AI Agent，效率惊人——因为他不差的是判断力，差的只是那个被AI替代了的“编码能力”。

说穿了，不管你在什么时代，知道什么是对的，永远比知道怎么干更重要。

现在的问题是，AI产出的垃圾太多，人眼不够用了

但是，真正的问题也随之而来。

如果你放AI全自动干活，它会像开足马力的生产线一样，洪水般涌出PR（Pull Request）。而这些PR里，隐藏着各种不该出现的bug、错误逻辑、以及你根本想不到的幻觉内容（hallucination）。更可怕的是，如果人类审核跟不上，就只能降低标准，放低质量的内容进去。

这不就是我们现在很多人正在经历的吗？

有篇热度不高但内容相当硬核的文章，直截了当地提出了一个概念：背压（Backpressure）。这是系统工程里的一个机制，意思是下游向上游发出信号：我处理不了了，请慢点。

作者认为，这正是现在AI编程Agent缺少的东西。没有背压，上游Agent持续创建代码，下游开发者要么加班、要么躺平、要么降低审核标准。最好的方案是在AI流程内建一套自检机制，让Agent在自己输出质量不够的时候，主动中断、降速、乃至重算——而不是一股脑儿把一堆有问题的代码塞给人类。

这个思路很聪明。在还没有完美替代方案之前，靠系统自身开出的刹车，至少能保住底线。

如果你有200英镑，其实你也可以跑自己的AI模型

讲完方法，再说点硬核但过瘾的事情。

有人用一个极客的方式证明了门槛在持续降低。他在eBay花150英镑买了一块Tesla V100 SXM2数据中心GPU，再花点钱买了转接头，硬塞进自己家的游戏电脑里。结果：32GB显存、32 tokens/秒跑27B模型。总成本：200英镑。

这块2017年的显卡，内存带宽还比2022年的RTX 4080高22%。更别提和M3 Max、M4 Max比——那些动辄几千英镑的新品，在带宽上也不见赢得过这个“过气”服务器显卡。

这种用旧硬件魔改本地跑大模型的DIY方案在网上越来越热。评论区的讨论直接上升到了显存带宽对Agent工作流的瓶颈。技术实践的讨论非常扎实，一点也不含糊。

这告诉我们两件事：

第一，本地跑大模型，成本没有想象中那么高。AI的门槛，在硬件端正在迅速降低。
第二，真正的军备竞赛，根本不是跑不跑得起，而是你会不会用。

但最可怕的事还是发生了：四大会计所的报告，一半是AI幻觉的产物

接下来这个故事足够让所有企业高管背后一凉。

GPTZero发表了一份调查报告，指向全球四大会计师事务所之一的安永（Ernst & Young）。他们发现，安永加拿大分部发布的一份44页网络安全报告，里面大量的参考文献，是AI幻觉生成的假文献。

这叫“Vibe Citing”——你只记得有个参考文献，但不知道它是不是真的。于是AI“填”上去了。

这不是孤例。同一调查团队称，他们用一个自动化扫描管线去检查大型咨询公司的公开报告，发现“Vibe Citing”现象已经非常普遍。这是一个系统性毒化数据集的危机。 因为一旦这些假文献出现在报告里，它们会被新闻、博客、搜索摘要引用。于是恶性循环开始：AI生成垃圾 → 人类不审核或审核不足 → 垃圾进入公共数据集 → 下一轮AI在此基础上训练 → 更垃圾的产出。

企业级的AI应用，正在用自己的幻觉把自己毒死。

这里，跟前面提到的“背压”对上了——人类专家审核，才是最后那道防线。但问题是，有多少公司真正在这么干？

rsync维护者那句怒吼，其实是对所有人的警告

回到开头的rsync事件。

rsync，一个诞生于90年代的文件同步工具，几乎是无数数据迁移的命根子。从大型集群到个人备份，它都在安静地干活。

然后有人用AI“帮忙”改了一些代码。

维护者火了。

这不是反对AI辅助开发，而是在反对一种危险的松懈：对底层系统缺乏理解的“试图用工具替代思考”的鲁莽。

这条GitHub Issue下面，社区进行了激烈的讨论。有人支持维护者，认为这种工具不允许任何形式的“AI拍脑袋改代码”；有人则觉得AI只是工具，修改者的责任在于审核而非禁用AI。

我个人认同前者基于安全底线的审慎。不是不让用AI，而是你要为自己的改动负责。如果你的程度相当于一个只会背答案的学生，却妄图去修改高考试卷的标准答案，抱歉，你还没那个资格。

所以，到底谁才是AI时代的真赢家？

纵观这五条素材，看似是孤立的事件，其实全部都指向同一个核心：

技术加速了解决问题的手段，但“判断对错”这项人类独有且高度依赖领域积累的能力，反而随着速度的提升变得越来越重要。

理解问题比写代码重要（领域知识是护城河）。
系统内的质量自检比全速产出重要（背压是刹车）。
本地跑模型比依赖云端便宜（门槛在降低）。
不审核、就中毒（Vibe Citing会让整个行业变蠢）。
维护古老但关键的软件，需要的是责任而不是速度（rsync的咆哮）。

AI让一切变快，但也让一切变得更脆弱。当所有人都开始使用AI工具时，真正的竞争壁垒，永远不在你用什么模型，而在于你在自己的领域里，有多深地理解了什么是对的、什么是错的。

说实话，这个时代最稀缺的资源，可能不是算力，不是代码，而是那个能扛住AI幻想的、有真知灼见的人。

你，是那种人吗？

参考来源：

【锐评】：当每个人都能让AI疯狂产出，真正的厮杀才刚刚开始——拼的不再是速度，而是谁能一眼看出哪里错了。