本文没有使用生成式 AI 技术。
去年，每星期一节的私教课，让我学会了许多健身的技巧。今年，为了学会自由泳，我报名了成人游泳课。
我并非没有接触过游泳。二十年前的暑假，我学习过蛙泳。那时候学得不好，二十五米的池子，游一圈回来必须要在泳池边歇一会儿。由于一些奇怪的原因，后来再也没有尝试过游泳，这么多年过去了，想必已忘得一干二净。
美国的成人游泳课程与国内不同。零基础的学员从自由泳起手，不像中国从蛙泳开始教。另外，这里没有新手保护，身体不会绑浮块，开局就是真实难度。
自由泳的动作不难，双腿打水，然后两只手臂交替前行。第一节课掌握了基本动作之后，能做到不换气前进几米。
呼吸是自由泳的难点。手臂划水的同时，轻微转动身体和头部，让嘴可以露出水面吸气。蛙泳需要把大半个头伸出水面，而自由泳的呼吸动作幅度很小。正因为这个原因，自由泳吸气的窗口变得岌岌可危。我和隔壁泳道的印度大哥始终把握不到要领，隔三差五就会呛水。
转折点发生在第五节课。我们没有从浅水区下去，而是直接去了深水区。老师告知大家，我们在浅水区会合。之后，神奇的事情发生了：所有人无一例外成功穿过了整个泳池抵达对岸。我记得自己游到后半段的时候，动作已经变形，喘不过气，但还是拼劲全力游到了另一侧。
这让我想起刚出生不久的雏鸟被父母丢下悬崖，学会飞翔的故事【注释1】。没想到老师用这种方式，教会了我们自由泳。
吗？
第六节课，一切又回到了最开始的模样。依然很难找到呼吸的时点。
这门课程没有期末考试。最后一节课，老师允许大家自由活动。一些学生游得像模像样，但我却属于另一些学生。正当我怀疑这门课程毫无价值的时候，二十年前关于蛙泳的肌肉记忆从虚空涌入了神经。尽管老师没有讲解任何关于蛙泳的内容，但我确信自己比二十年前游得更好。这是因为，与自由泳相比，蛙泳实在是太简单了！
注释1：在现实世界中，藤壶鹅的父母并不会主动把雏鸟扔下山崖，但是不跳下来的雏鸟会饿死。
同样与肌肉记忆相关的事情，还有驾驶汽车。2025 年，我在法国和新西兰尝试了自驾游，它们各自有着独特的体验。
七月，我们追随普罗旺斯的薰衣草，在法国南部探访了诸多秘境。
岩石城 - Gordes
跳水者 - Antibes
南法对自驾游非常友好。高速公路限速 130（约 80 英里每小时）。因为道路太平整，路面上连小石子都没有，所以实际平均车速可达 150。从马赛出发到尼斯，只需要两小时，非常方便。
大家不怕超速，是因为在摄像头的一公里外，会设置『前方测速』的指示牌。高速路上没有警车执勤，如果没看到指示牌，那么想开多快都可以。即便不小心在摄像头下超速了，也只需要缴纳 40 欧元的罚款，差不多等于一顿饭钱。
法国完善的基建，对超速的宽容，配合动力十足的 BMW，让南法之行充满了驾驶乐趣。我个人创下了接近 190 的最高极速。不过我知道自己从未受过专业训练，车技不过是凡骨水平，所以不敢一直赖在最左侧的超车道，有机会就挪到右侧。
开始新西兰的自驾之旅前，我的内心充满了忐忑。在道路左侧开车，真的能适应么？要知道，左行有许多反直觉的东西：左转变成了小弯，右转反而要穿过对面的车道。
不过，等我的车上路之后，紧张的神经逐渐放松下来。除了容易压线让左侧的乘客不安です之外，左行没有根本性的困难。每次转弯的时候记得用一秒钟思考一下，就不会和无辜的陌生人撞个满怀。
雪山 - Lake Hawea
在新西兰，判断左行新人司机的方法，除了看压线行驶外，还有一招，就是观察无意义的雨刷运动。谁曾料到，在方向盘从汽车左侧挪到右侧的同时，方向盘上的拨杆也调换了位置。由于肌肉记忆太过强烈，我每当在路口使用转向灯的时候，雨刷就不由自主地动了起来。还好汽车设计师们没有把刹车和油门也换个位置，否则从右行改成左行，会比从蛙泳切换成自由泳还难。
直到 2025 年的最后一天，Waymo 和特斯拉并未在左行国家（如英国、日本等）开展无人驾驶出租车业务。我很期待它们的表现。
2025 年无疑是 AI 全方位爆发的一年。这一年我编写的程序代码，有超过一半使用了生成式 AI 技术。在受到 AI 影响的各个领域中，编程是发展速度最快，渗透率最高的。有行业大佬发出了『编程已死』的感慨，认为程序员很快会成为自己的掘墓人。
我对这件事的看法没有那么悲观。有以下几个依据。
首先，大语言模型在训练结束后，不再具备学习的能力。你指出 AI 的错误，它会回复 "You are absolutely right!" 但在新对话中，它依旧会犯同样的错误。这意味着，它依赖于人类的监督与反馈。人类没有简单的办法避免模型重复犯错。
其次，大语言模型不擅长某些类型的编程任务。依我的观察，它擅长的任务有两类。
- 具体明确的任务，几乎没有自由创作的空间。例如，按照要求重构一段代码，或者为某段已有的代码编写单元测试。
- 宏观的任务，几乎没有自由创作的限制。例如，按照要求生成一个网页或者手机 APP。这时候 AI 大概率会依照前人的模版生成一个差不多能用的原型。
但是，现实生活中有很多编程任务，是介于这两者之间的。我们经常要实现一些模糊的功能，并且与这些功能有关的上下文十分复杂：有上游和下游的依赖，有历史遗留问题和技术债，有私人邮件和聊天记录中的讨论，还有只存在于员工脑海中，并随时可能失传的记忆。任何一套现有的信息系统，都无法全量记录关于一个项目的所有细节。让 AI 在缺少上下文的情况下做决定，不容易使人满意。
第三点，对于较为资深的程序员来说，编写具体的代码只是工作的一小部分。他们要花更多的精力在编程之外的事情，比如
- 搞清楚老板的意图，哪个项目最重要，哪个项目没那么重要，项目什么时候需要交付。
- 把宏观的意图拆分成具体的任务，把控总体技术方向，估算每一项具体任务需要的时间。
- 与上下游的其他团队对齐。
- 代码评审：监督同事以及 AI 的施工质量。
- 用户手册、监控报警、运维培训、故障处理。
这个列表中，有些事情虽然可以引入 AI 辅助，但最终还是需要人来执行。这是因为，如果出现问题，AI 无法成为那个背锅侠。
在我看来，AI 对初创公司的冲击，远大于对成熟公司的冲击。随着效率的提升，初创公司的同质化会更加严重，技术会越来越不重要。为了活下来，它们要用最快的速度卷死其他竞争者。成熟公司没有必要一味求快。构筑好自己的护城河，即便发展慢一点、效率低一点，也有生存和发展的空间。
从更大的视角来看，AI 辅助编程、文字生成图片，这些工具在大幅提高效率的同时，也催生了一种平庸的恶。如果我们可以很快得到一个可用的结果，为什么还要花额外的时间去打磨它？正像托尔金的《魔戒》一样，我们在享受 AI 力量的同时，AI 也在腐蚀我们的内心。