深度专注力而非人工智能 ¶

在技术社区中，工程师们纷纷利用大型语言模型（LLMs）解决计算机科学问题，这一热潮引起了广泛关注。这类模型无疑是极其强大的工具，对工程师而言，如同如虎添翼。它们能够自动化重复性任务、生成代码片段、协助头脑风暴、帮助调试等，这些功能为工程师节省了大量时间和脑力，使其可以将资源投入到更复杂、更具创造性的解决问题过程中。然而，正所谓 “工欲善其事，必先利其器”，就像使用任何工具一样，大型语言模型也应被明智地使用。

大型语言模型虽强大，但过度依赖它们所带来的风险不容小觑。这不禁让人想起过去面试程序员时的一个现象 —— 需要甄别 “百度 / 谷歌程序员”。这类程序员在面试中对技术问题的回答看似头头是道，对自己的工作内容也能介绍得清楚明白，但一旦深挖实现细节，就会暴露出他们不过是通过搜索引擎获取各种代码，稍作修改拼凑后，调试通过即认为大功告成，却对实现原理知之甚少，这无疑会给后续的迭代工作埋下巨大隐患。而在大型语言模型时代，这种 “Ctrl+C/V” 式的编程习惯，只会让我们基本技能加速退化，甚至连基础算法原理都有可能遗忘。

回溯到搜索引擎时代，用户会通过多轮探索，比如不断调整关键词，来寻找最佳答案。这种过程其实是一个半自动化的模式，搜索引擎负责返回结果列表，最终选用哪个结果，仍需我们自己逐一查看。大型语言模型则大不相同，它们往往倾向于直接给出答案，除非提供的方案行不通，用户才会被迫去探索其他可能性。这并非在比较搜索引擎与大型语言模型的优劣，而是想强调一个关键观点： “利用” 和 “探索” 本应相辅相成。然而，过度依赖大型语言模型会导致探索与利用的失衡，缺乏探索的支撑，单纯的 “利用” 就如同在沙滩上建造高楼，基础不稳，越往后越容易摇摇欲坠。

试想这样一个场景：一家初创公司利用大型语言模型生成的代码构建了其核心产品，初期产品运转良好。但当竞争对手推出更高效的方案时，由于团队缺乏对底层原理的理解，无法迅速迭代产品，最终在市场竞争中被淘汰。这并非危言耸听，现实中已有许多过度依赖 “快速交付” 的团队在大型语言模型营造的舒适环境中，丧失了突破性创新能力。

计算机科学的诞生源于人类对更快解决问题工具的需求，我们希望将精力集中在真正的问题上，而非耗费在重复性任务中。人类创造机器以加速问题解决，工程师本应是算法的主人。然而，若工程师沉迷于大型语言模型生成的 “快餐式” 代码，我们将面临一项基本技能 —— 专注力 —— 丧失的风险。专注力如同肌肉，需要不断练习才能保持强健。

计算机科学的本质在于人类对复杂性的掌控。在 20 世纪 90 年代，程序员需要手写汇编代码以优化性能；如今，大型语言模型能够自动生成优化建议。当我们逐渐将复杂问题的解决权交给人工智能时，人类的独特价值在哪里？或许答案就藏在每一次我们深呼吸、关掉所有通知、专注盯着屏幕调试代码的瞬间。真正的创新，永远属于那些愿意在混乱中寻找秩序、在噪声中聆听真相的人类工程师，至少在目前的 AI 水平下，距离达到这个标准还有很长的路要走。