作者对大型语言模型（LLMs）持怀疑态度，认为其在软件开发中的有效性远未证实。尽管AI革命已四年，但行业未产出实质改进，软件质量、速度、成本或安全性均无显著提升。作者不因未使用LLMs而感到落后。

我仍对大型语言模型（LLM）持怀疑态度，不为真正关心的事务使用它们。原因涉及环境、社会、政治等多方面，但核心在于其有效性——在构建非平凡软件方面，它们是否真正奏效，这一问题远未解决。

具体理由如下：

1. 四年“革命”成果寥寥：软件质量、速度、成本（排除劣质演示软件）及能力均未显著提升，安全性更未改善。技术革命通常伴随旧势力瓦解与新玩家崛起，但近年行业未产生真正新思想，多数人空喊口号却未交付实用产品。

2. 未使用LLM并未感到落后：尽管预期会落后，但我的开源项目声誉未受威胁。代码功能可被复制，但信任与系统构建基础远超功能列表。

3. 证据薄弱：投入1.5万亿美元后，仍缺乏独立研究证实AI带来顶级生产力提升。现有研究或聚焦无关指标（如“代码行数”），或样本过小，结论仅显示边际甚至负面收益。

4. LLM生成的代码质量低劣：虽重复性减少，但适用性未改善，值得合并的比例远低于人类编写。尽管AI输出渐趋自然，但人类仍会留下拼写错误，机器人尚未达到同等水平。

5. LLM常遗漏明显问题：我的开源库被FAANG公司依赖，前沿模型扫描报告部分有用，但多数不佳。常有业余爱好者用大脑发现模型忽略的关键问题。

6. AI鼓吹者的哲学违背软件开发本质：代码是开发过程的输入而非输出，但许多组织仍将代码行数视为生产力指标。这导致不可维护的“垃圾”，无论来自机器还是人类。

7. 当人人皆“超级”时，无人真正超级：大科技公司推动LLM的隐秘目标是同质化智力劳动，使其可互换，削弱工人议价能力。软件开发曾是“行会领域”，如今正工业化。我选择不依赖LLM，专注于少数技能，这一决策保障了职业安全。

以下是对评论内容的总结，涵盖主要观点、论据及不同立场的平衡呈现：

观点一：AI对劳动力市场的威胁

• 核心论点：大科技公司推动LLM的目标是使脑力劳动同质化、可替代，从而削弱工人议价能力。软件开发作为最后的“行会领域”正被工业化。
• 关键引用：
  • “The not-so-quiet goal of the LLM push by big tech was to homogenise intellectual labour... decreasing the bargaining power of workers.”（评论1）
  • “Software development was one of the last ‘guild fields’ and now we are seeing its industrialisation occur.”（评论23）

观点二：AI提升效率，但需谨慎使用

• 核心论点：AI能显著提升个人效率（如更快完成任务、辅助代码审查），但需有监督地使用，避免失控。
• 关键引用：
  • “I get more stuff done, faster... You have to use it judiciously and with supervision.”（评论2）
  • “I am still blown away at what I can achieve in 20 minutes with a couple of agents.”（评论16）

观点三：AI实际效果被夸大，证据不足

• 核心论点：AI对生产力的提升有限（约10%而非10倍），且软件质量未改善，甚至因“幻觉”问题不可靠。
• 关键引用：
  • “AI only makes people barely more efficient... 10 percent, not 10x.”（评论3，附链接）
  • “All AI hallucinates... It has no place in production use.”（评论15）

观点四：AI是工具，需转变思维模式

• 核心论点：AI应被视为辅助工具，而非替代品。使用者需从“执行者”思维转向“管理者”思维，监督并整合AI输出。
• 关键引用：
  • “You have to stop thinking like an employee... start thinking like a boss.”（评论7）
  • “I have had to shift my identity from ‘the guy who does the thing’ to ‘the guy who ensures the thing has been done.’”（评论18）

观点五：AI对软件安全与质量有实际贡献

• 核心论点：AI能发现人类遗漏的安全漏洞，并帮助修复大量代码缺陷（如Firefox的bug修复记录）。
• 关键引用：
  • “The models do show an ability to find security vulnerabilities that may have otherwise been missed.”（评论11）
  • “Apple, Mozilla, and Firefox just released a record number of bug fixes because of AI.”（评论21）

观点六：AI的长期影响尚不明确，需警惕依赖

• 核心论点：AI可能削弱人类能力（如编程技能），且过度依赖可能导致“95%程序员无法写Hello World”的后果。
• 关键引用：
  • “Everyone using an LLM is slowly destroying their brain cells... creating a learned dependence.”（评论27）
  • “If I ever lose access I can still perform my job at pre-AI ability.”（评论12）

观点七：AI投资与回报不成比例

• 核心论点：1.5万亿美元投资与当前成果不匹配，但技术仍处早期阶段，需时间验证。
• 关键引用：
  • “1.5 trillion dollars to prove the obvious... It has no place in production use.”（评论15）
  • “We’re still so early... the $1.5 trillion number is irrelevant for developing technologies.”（评论4）

平衡性总结

• 支持AI者强调效率提升、安全改进及新应用场景（如个人项目开发）。
• 质疑AI者关注劳动力替代、效果夸大、依赖风险及投资泡沫。
• 中立者指出AI是工具，需合理使用，且长期影响尚不可知。