不要外包学习

现在，让人工智能编写代码而你跳过学习太容易了。该错误得到修复。你的思维模式没有改变。我们正在默默地用未来的能力换取现在的速度，而这些工具不会强迫我们这样做。那部分必须来自你。我们大多数人都已经陷入了一个默认循环。您粘贴规范或错误消息。该模型为您提供了解决方案。症状消失。你船。在这个循环中的某个地方，问题和解决方案之间的混乱斗争根本不再发生。我之前写过关于认知投降的文章，即人工智能审稿人的裁决悄悄取代你自己的裁决的那一刻。这是同一循环的独奏版本。只有你和模特。该模型速度更快，因此您不再试图在理解力上进行竞争。在数千次这样的小交互中，如果没有人工智能在你的肩膀上监视，你实际上可以构建的东西每周都会变得更弱。这些时刻在发生的那天都不会成为问题。我并不反对人工智能。我每天都使用这些工具，去年使用它们发货的数量比前五年还要多。但我们使用它们的默认方式针对一件事进行了优化：关闭任务。这与保持足够敏锐以引导他们度过数十年的职业生涯是完全不同的目标。这些研究都集中在同一点上 去年的几项研究都得出了大致相同的结论。 Anthropic 在 2026 年初进行了一项随机试验，工程师们学习了一个新的 Python 库，一半有人工智能辅助，一半没有人工智能辅助。两组都以相同的速度完成任务。但人工智能组在后续的理解测验中表现不佳：人工组为 50%，手动组为 67%，而且在调试方面差距进一步拉大。有趣的削减是在人工智能团队内部。使用 AI 提出概念性问题的工程师得分超过 65%。复制粘贴生成代码的工程师得分低于 40%。该工具无法确定结果。姿势做到了。麻省理工学院关于 ChatGPT 的 Your Brain 研究比较了法学硕士、搜索引擎和纯大脑组的论文写作。脑电图测量显示，大脑的连通性随着每一层外部支持的增加而缩小。 LLM 组表现出最弱的耦合。写完论文后，83% 的 LLM 用户无法引用他们刚刚写的任何一行内容。研究人员称这种认知债务为：今天节省脑力，明天用批判性思维来偿还。 CHI 2026 研究添加了相关发现。当人们在任务开始时获得法学硕士访问权限时，法学硕士会框定整个问题。即使人类自己完成其余的工作，最初的锚定也会产生明显更糟糕的决策。操作顺序比使用的人工智能总量更重要。不同的方法，相同的结论。在没有主动学习意图的情况下使用人工智能会降低你获得报酬的技能。这些工具默认用于交付，而不是教学如果您启动编码代理并坚持默认设置，那么一切都会针对一个指标进行调整：完成任务。模型编写代码。你接受它。循环重复。该工具绝不会停下来询问“您认为问题是什么？”或者“尝试自己写前五行。”这不是阴谋。这是用户体验引力。产品团队因合并变更和缩短周期时间而获得奖励，而不是因为使您成为更敏锐的工程师。我们都希望减少击键次数，因此这些工具已经消除了摩擦。问题在于，学习存在着摩擦。一些公司已经开始反击。 Anthropic 为克劳德提供了学习模式，它使用苏格拉底式提问，并在继续之前停下来要求你编写代码。 OpenAI 和 Google 也提供了类似的功能。几乎没有人将它们用于实际的生产工作。我们悄悄地将它们归档在“学生”下，这是一个错误。帮助大二学生学习 React 的功能同样适用于高级工程师学习 Rust。你只需要愿意再次感觉自己像个初学者。 “如果人工智能能做到，我为什么需要理解它？”这是一个公平的问题。对于某些工作，答案是：不需要。如果它是样板文件、粘合代码或您永远不会再看的一次性 CI 脚本，请将其委托给他人。记住 YAML 语法的机会成本太高了。对于真正的软件，纯委托在一些特定的地方会失败。当有东西坏掉的时候。人工智能生成的代码崩溃的方式与人类代码的崩溃方式相同。 “代理写的”并不能帮助您调试问题。团队中必须有人了解架构。当它确信是错误的时候。法学硕士产生幻觉。针对看似合理的错误答案的唯一防御措施是拥有足够的专业知识来发现它。当基础发生变化时。代码是临时的；系统是永久性的。当框架更新或安全审查标记出结构性问题时，您无法重新提示您的出路。您需要足够了解系统的工程师来迁移它。当你离开中位数时。人工智能擅长解决以下问题