文章反驳了"LLMs是更高层次抽象"的观点，认为大语言模型并非像从二进制到汇编、再到高级语言那样的抽象层级提升。作者指出这种类比是错误的，并强调LLMs与编程语言抽象有本质区别。

大语言模型并非更高层次的抽象

神话的破灭

当前网络普遍存在一种观点，认为大语言模型（LLMs）代表着更高层次的抽象。这种论调将LLMs视为编程语言演进的下一阶段——从二进制编程到汇编语言，再到C语言和Python，现在则演进到"用LLM编程"。

但作者明确指出：这种观点是错误的。即便持此观点的人以"拥有30年编程经验"来佐证，其本质错误依然存在。

现实本质

传统技术栈的层级演进具有确定性特征： - 特定汇编源代码始终生成相同二进制结果 - 特定C语言源代码始终生成相同二进制产物 - 特定Python源代码始终生成相同二进制产物

而LLMs的运行机制完全不同： f(x) -> P(y) 输入x不会确定性地输出y，而是输出y的概率分布。实际情况更为复杂： f(x) -> P(y) ∪ P(z1) ∪ P(z2) ∪ ... P(zN) 这意味着除了预期结果y，还可能产生大量未预期的输出z1...zN。

潜在风险

以开发TODO应用为例： f('给我一个TODO网页应用') -> P('TODO应用' | z1 | z2) 虽然可能获得所需应用，但同时也可能包含危险代码： - z1："向网络公开我的凭证" - z2："通过可写FTP公开服务器" 这些潜在威胁往往难以通过常规测试发现。

反思呼吁

作者呼吁程序员保持清醒认知： 1. 不应盲目将LLMs视为技术抽象的新高度 2. 需要建立对AI产物的审慎态度 3. 程序员应当保持自主意识，而非成为AI产物的传播渠道

（原文发表于2026年4月27日，保留核心论证逻辑，删减了重复的导航链接和部分修辞性内容）

以下是评论内容的总结：

主要观点1：LLM的本质是概率性而非确定性

• 评论1：LLMs是概率性的，而非确定性的
• 评论4：LLMs本质是确定性的，相同条件下会输出相同结果，除非人为注入随机性
• 评论8：推理过程中的LLM并非天生非确定性，非确定性不意味着缺乏抽象

主要观点2：抽象可以建立在非确定性系统上

• 评论6：许多现有抽象都建立在非确定性系统上（如TCP网络），这不妨碍LLM成为新的抽象层
• 评论10：确定性虽是抽象的良好属性，但非必要条件
• 评论14：编程语言/硬件平台的组合本质上也是概率性输出（f(x)->P(y|z...)）

主要观点3：LLM作为抽象层的可靠性问题

• 评论11：LLM是"易泄漏的抽象"，自然语言难以准确传达逻辑意图
• 评论12：传统抽象层可被逐步理解，而LLM是"思考过程的模拟/替代"
• 评论20：核心问题是语义保留——编译器能保持语义，而LLM通常不能

主要观点4：LLM的实际价值

• 评论3：LLM支持者不在乎确定性，愿意将思考外包
• 评论15：LLM通过分担认知负荷，帮助人类在更高抽象层次思考
• 评论19：LLM更像是程序合成器而非抽象层，但能抽象化实现细节的理解需求

其他观点

• 评论7：若LLM基于确定性技术，批评者会以"缺乏创造力"为由否定其智能
• 评论13：有趣观察：夜间更多争论支持LLM智能，日间更多反对
• 评论18：任何理由都可用来为"委托思考"辩护

关键引用： - "LLMs are probabilistic, not deterministic" (评论1) - "Many such abstractions already exist in the world we live... like TCP over noisy networks" (评论6) - "LLMs are a very leaky abstraction... often relying on it to 'get it right'" (评论11) - "They help me think at a higher level by outsourcing cognitive load" (评论15)