人工智能时代的新工程思维

在经历了两年模型在编码、推理和写作方面的突破性进展后，尽管技术演示和工具不断涌现，许多工程师仍感到力不从心。当前面临的核心矛盾是，技术前所未有地强大，但应用者却感到前所未有的不知所措。这种现象并非矛盾，而是当前工程环境的根本问题所在，需要一种新的方法论来应对这种持续的疲惫感。

工程领域的核心挑战在于一切事物都在不断变化。模型、技术、工具系统和上下文管理流程都在经历根本性的迭代，每一次迭代都可能带来数倍的效率提升。工程师无法在一切都在快速移动时保持工作质量，需要事物相对稳定才能“钉住”关键点。然而，在当前环境下，试图用昨天的工具来处理今天的问题已成为常态。

我们从未拥有过更强大的AI，也从未感觉更不知所措，试图去使用它。

七个月前，为AI系统规划问题解决方案时，需要提供一个包含零到七个步骤的详细迁移计划，并明确指示AI一次只完成一个步骤，完成后返回更新文档中的检查标记。这种精细化的指令在当时是必要的，因为当时的系统还不具备完全的代理能力，无法自我评估、回溯并修复问题。如今，这些基础代理能力已经成熟，过去那种繁琐的规划步骤已不再是必需，因为模型和工具本身正在承担这些管理工作。

面对持续不断的变化，工程师需要采用一种新的、更具适应性的思维模式，即“AI优先”。这不是一套固定的补救措施，而是一种心智框架，用以理解和生活在快速变化的环境中，避免每月都需要重置工作方法。这种框架的核心在于认识到AI的非单一性，即它并非一个铁板一块的实体，而是由特定上下文、提示和工具集构建的系统系列。

当人们断言“AI可以”或“AI不能”做某事时，往往是陷入了将其视为单一实体的陷阱。工程师习惯于建立明确的系统，因此很容易得出结论：“我应用了最佳实践，但结果不佳，所以AI不适合这项任务。”然而，问题往往出在输入的信息、系统的构建方式或所使用的工具上，而非AI本身的能力边界。这种对AI的刻板印象阻碍了有效应用，因为其底层能力随时都在变化。

过去学习知识的方式是锁定信息，例如认为高中学到的知识是永恒不变的。然而，AI正在以每日的速度使知识过时。因此，工程师必须意识到当前锁定的工作模式或发现的有效模式具有极强的时效性，它们会迅速老化。认识到这一点，新的组件引入时就不再被视为对旧知识的修正，而是全新的事物。

接下来的关键概念是理查德·萨顿在2019年提出的“苦涩的教训”。通过研究计算机国际象棋、围棋、语音识别和视觉系统，萨顿发现早期研究人员倾向于构建模仿人类思考方式的精巧算法，试图用更巧妙的逻辑来解决问题。这种方法虽然在初期有效，但很快就会遇到一个陡峭的平台期。

他认为，我们对人类思维的理解不够充分，不应试图去推测它，持续犯下同样的错误。

萨顿得出的“苦涩的教训”是：构建模仿我们认为的思维方式的系统，从长远来看是无效的。最终的突破性进展来自于相反的方法：基于扩展计算能力。这意味着，与其将人类的精巧设计植入算法，不如利用强大的计算资源来驱动解决方案的演进。对于当前的工程实践而言，这意味着需要转向使用并行计算。

并行计算在当前环境下的体现是利用云代码环境，例如CodeX或Google的Jewels，在云端执行桌面端的工作。这使得工程师可以脱离构建过程中的关键路径和瓶颈，同时发起多个变更请求，实现初步的规模化。更重要的是，结合“苦涩的教训”，意味着不再需要构建一次就停止等待人工评估和集成，而是可以利用计算能力进行大规模的并行尝试。

以ChatGPT为例，付费用户在CodeX环境中已经可以看到生成多个版本的选项，例如直接请求构建四个版本。这表明工具开发者已经理解了“不要只构建一个版本”的理念。未来，工程师将普遍认识到，花费精力去“看管”第一个请求直到完成，本身就是一种效率低下的行为。通过并行计算，可以快速生成多个结果，然后从中挑选最优解，这比人工在每个细微变化点进行集成和调整要高效得多，因为此时工程师的角色是管理者而非瓶颈。

“AI优先”思维的最后一部分是三个关键要素的组合：计算（Compute）、协作（Cooperation）和好奇心（Curiosity）。这三者共同构成了理解和利用AI不断变化环境的关键。计算强调使用计算能力而非人类的精巧设计，协作强调AI是解决方案的一部分而非全部，而好奇心则是探索AI能力边界的驱动力。

在构建代理系统时，与其在提示中注入大量精巧的、模仿人类经理思考方式的逻辑，不如退后一步，让计算来解决问题。如果人类的精巧设计是固定的，那么系统的智能上限就被限制住了。相反，如果目标是获得十次答案，然后通过评估器选出最佳结果，那么随着基础智能和推理能力的提升，整体性能也会随之提升，且更容易进行调试和理解。

协作的核心思想是“协作而非控制”。AI是解决方案的一部分，并非必须完成所有工作，即便它只解决了部分问题，这也是可以接受的。不应采取非黑即白的评判标准。通过协作，可以发现AI在特定步骤上效率达到百分之六十，这仍然比雇佣他人完成全部工作更有效率。重要的是认识到这是一个合作过程，且所有结论都是暂时的，因为环境持续变化。

好奇心是最重要的要素，要求持续关注系统能力边界的变化，以及不同AI版本的能力差异。简单地断言“AI不能做X”是错误的，正确的做法是调整交互方式，探寻其能力极限。这种对边缘的探索并非浪费时间，而是理解当前AI环境能力范围的关键，与理解编程语言或数据库环境的能力边界同等重要。这种好奇心是区分未来工程师的关键销售点。

好消息是，您可以在一天中的任何时候进行这种探索。

工程师应当利用好奇心，将对AI的探索融入日常活动中，例如洗衣服时向ChatGPT询问建议，即使结果质量不高。这利用了计算能力，并且允许在稍后审视这些结果，发现自己未曾想到的角度。最终，理解AI的能力边界，而不是试图完全掌握它，才是应对未来挑战的自由之道。