关于 AI 编程，有一种几乎人人都会说的担忧：它会让程序员变懒、变依赖、变退化。
这个判断听起来正确，但它抓错了病根。
变懒，是一个行为描述——它假设程序员”本来能做，只是不愿意做了”。顺着这个诊断开出的药方也都很轻：克制一点、少用一点、多自己想想,就好了。
但过去两三年真正发生的事，比这复杂得多，也阴险得多。一个用了三年 AI 的程序员，往往不是”变懒了”——他可能比从前更忙、产出更多、PR 更频繁。他失去的不是工作的意愿，而是一种更底层的东西：在卡住的时候，自己挣扎着把问题想通的能力。
这不是退化，这是发育的中断。
两者的差别是致命的：懒是选择，靠意志力可以克服；发育中断是结构性的，你甚至意识不到自己缺了什么。一个懒人知道自己在偷懒，一个发育被打断的人，会真诚地以为自己一直在成长——因为他每天都在”学到新东西”。
这篇文章想讲的就是这件事：AI 真正切走的，不是程序员的勤奋，而是程序员”成熟”所必需的一条回路——受挫回路。而这条回路，恰恰无法被任何工具替代，只能从痛苦中长出来。
一、先校正一个坐标：”懒”是个误导性的诊断
要讲清楚受挫回路，得先把”懒”这个诊断从脑子里清掉。
“AI 让人变懒”这个说法，隐含了一个模型：人本来有某种能力，AI 把它接手了，于是这个能力像闲置的肌肉一样萎缩。在这个模型里，解药很简单——别让 AI 接手，能力就保住了。
但如果你认真观察一个深度使用 AI 的程序员，会发现一个反常现象：他并没有真的”闲下来”。他依然在写代码、调接口、改 bug、读报错。从行为上看，他做的每一件事都和以前一样，甚至做得更快。如果只是”懒”，他应该清闲才对。
真正发生的变化，藏在更细的颗粒度里。它发生在每一次”卡住”的瞬间。
一个程序员在工作中会反复进入同一个状态：我遇到了一个问题，我暂时不知道答案。过去，这个状态之后跟着的是一段长短不定的挣扎期——翻文档、加日志、读堆栈、写最小复现、在脑子里反复推演、走神、回来再试、试错、再走神、突然想通。这段挣扎期有时几分钟，有时几天，痛苦且低效，但它是不可跳过的。因为正是这段挣扎，把”信息”锻造成了”能力”。
AI 做的事情，不是替你完成了挣扎之后的工作，而是在挣扎刚开始的那一刻，就把答案递了过来。
这听起来像是好事——谁不愿意少痛苦一点？但问题在于：那个痛苦不是工作的副作用，那个痛苦就是学习本身。把它拿走，你拿走的不是痛苦，是学习。
所以”懒”是个错误的诊断。程序员并没有停止工作，他们只是不再挣扎。而挣扎，恰恰是能力生长的唯一土壤。
二、什么是受挫回路，为什么它是认知发育的必需品
把上面那段直觉，拆成一个更清楚的概念：受挫回路。
一个完整的受挫回路，长这样：
- 卡住：遇到一个超出当前能力的问题，产生真实的困惑和不适。
- 挣扎：在信息不全、方向不明的情况下，自己尝试、推演、失败、再尝试。
- 顿悟：在某个瞬间，原本散乱的信息突然连成一条因果链，”啊，原来是这样”。
- 内化：这条因果链被刻进直觉，下一次遇到类似问题，你能几乎不假思索地锁定方向。
这四个环节缺一不可，而且第三步的顿悟，只能由挣扎来换。你没办法跳过挣扎直接到达顿悟，就像你没办法跳过咀嚼直接尝到味道。
这一点有认知科学上的根据，但不需要引用一堆论文也能讲明白：人脑对”自己推导出来的结论”和”别人告诉自己的结论”，处理方式根本不同。前者会被编织进你已有的知识网络，成为可迁移的直觉；后者只是被登记成一条孤立的记忆条目，下次需要时你得重新检索，而且检索不到的时候，你毫无办法。
这就是为什么一个背过整个《算法导论》的人，未必能做出一道中等难度的题；而一个在 leetcode 上痛苦刷过两百道的人，看到新题会自动归类。差别不在信息量，在有没有经过挣扎这道锻造工序。
程序员的成熟，几乎全部建立在这条回路的反复运转上：
- 调试能力，是在无数次”为什么这里会炸”的挣扎中，慢慢长出对系统行为的因果直觉。
- 架构能力，是在无数次”为什么这里改不动”的挣扎中，慢慢长出对耦合和边界的敏感。
- 排错直觉，是在无数次”这个报错到底在说什么”的挣扎中，慢慢长出从现象直达根因的嗅觉。
这些能力没有一门课能教，没有一本书能给，没有一个 AI 能”传输”。它们只能从受挫回路里，一个一个长出来。
而 AI，正在系统性地短路这条回路。
三、AI 切断回路的方式，比想象中更精确
如果说 AI 只是”降低了学习门槛”，那它最多让一部分人不那么痛苦，不至于造成发育中断。但 AI 切断受挫回路的方式，要精确得多，也危险得多。
它的精确性体现在一个细节上：它不是在回路的某个环节帮忙，而是在”卡住”和”顿悟”之间，插入了一个”答案”。
注意这个插入点的位置。它没有替你完成”卡住”（你依然会遇到问题，依然会困惑），也没有替你完成”内化”（你依然会觉得自己学到了东西）。它只切掉了中间的”挣扎”那一段。
这造成了一个极其迷惑的假象：整个回路看起来还在运转。你遇到问题了（卡住），你问了 AI，AI 给你解释了，你点头说”懂了”（顿悟感），你记下来了（内化感）。从主观体验上，你和过去一样在”学习”，甚至学得更快、更全、更没有遗漏。
但这是一个没有锻造的学习。挣扎那段被抽走之后，”顿悟”不再是你大脑里神经回路重新连接的产物，而变成了一种被喂食的认同感——你认同了 AI 给出的因果链，但你没有自己构建过它。
这里有一个关键区分，值得反复咀嚼：理解一个答案，和拥有得出那个答案的能力，是两件完全不同的事。
理解答案，只需要你的语义加工能力——AI 说”这个 bug 是因为异步回调里使用了已释放的对象”，你听懂了，你能复述，你甚至能解释给别人听。但这不意味着下一次遇到类似的 bug，你能自己想到这个方向。因为”想到这个方向”依赖的，是你在过去无数次类似挣扎中积累的、对”什么情况下会出这种问题”的模式直觉。而这种直觉，AI 没法给你，因为它正是挣扎的产物。
更阴险的是，AI 给出的答案越清晰、越完整、越有说服力，这种”虚假的顿悟感”就越强。一个含糊的答案还会逼你再去想；一个完美的答案会让你彻底放弃自己去想。而今天的 AI，给出的答案正越来越完美。
四、最危险的部分：你感觉不到自己退化了
如果一个人在变懒，他至少会有愧疚感——”我今天又全靠 AI 了，这样不行”。愧疚是个警报，它意味着人意识到问题的存在。
但受挫回路被切断的人，感觉不到任何警报。因为他的每一次交互都很顺畅，每一次都”学到了东西”，每一次都觉得自己在进步。
顺畅，本身就是症状。
这是一个反直觉的判断，但值得记住：一个永远顺畅的学习过程，几乎不可能在塑造能力。因为能力的塑造，生理上依赖于”认知冲突 + 自行解决”这个循环对神经回路的反复重写。没有冲突，就没有重写；没有重写，就没有成长。顺畅只意味着——你在消费信息，不在生长能力。
这里可以给出一个相当可靠的自检判据，请你诚实地对照自己过去半年的状态：
当你解决了一个技术问题之后，你有多久没有产生过那种真正的、带着生理性释然的”啊，原来是这样”的顿悟时刻了？
不是”AI 解释完我觉得有道理”的那种点头，而是你自己琢磨了很久、绕了几次弯路、最后某个瞬间一切贯通的那种”通了”的感觉。那种感觉对应的，就是受挫回路完整运转后、神经回路被重写那一刻的生理反馈。
如果这个时刻越来越少，甚至想不起来上一次是什么时候，那不是因为你”已经什么都懂了”（没有人会），而是因为你的受挫回路已经被切断了。你以为你在持续学习，其实你只是在持续获取信息。两者外表相似，内核完全不同。
这就解释了一个行业里正在浮现、却很少被准确命名的人群画像：看似全能、实则空心的程序员。他们什么都能聊，什么框架都”用过”，什么问题都能迅速给出 AI 风格的回答，但你让他独立定位一个没有现成答案的复杂问题，他会立刻露出马脚——不是因为他笨，而是因为他从来没练过这个，他练的一直是”提问和整合答案”。
而行业最核心的、最难外包的能力，恰恰是”在没有答案的地方自己造出答案”。这恰恰是受挫回路唯一能长出来的东西。
五、回路的丧失，会塌陷出几道具体的能力裂缝
把上面的逻辑落到更可观察的层面，受挫回路的丧失会沿着几条清晰的路径，塌陷出具体的能力缺口。你可以拿这些裂缝去对照身边的同事，或者对照自己。
第一道裂缝：只会描述现象，不会定位根因。
完整的受挫回路，会训练出一种”从现象逆向追溯到根因”的因果直觉。一个经过足够多挣扎的程序员，看到一个报错，脑子里会自动冒出几个候选方向，然后有条理地排除。这是直觉，不是流程——它是无数次挣扎沉淀下来的模式匹配。
失去回路的人，面对同一个报错，能精确地复述现象（甚至比老手复述得更全，因为他会直接把 AI 的总结搬过来），但下一步是空的。他不知道该怀疑谁，不知道该从哪里切入，他能做的只有”再去问 AI”。而 AI 在没有完整上下文的时候，给出的往往是泛泛的方向，于是他再问、再得到泛泛的方向，循环往复。他卡住的地方，不是信息不足，而是没有自己产生假设的能力。
第二道裂缝：在证据不全时，不敢做判断。
成熟的程序员有一个标志：他能在信息不完整、时间紧迫、对错未明的情况下，做出一个”目前最合理”的判断，并准备好在证据反转时推翻自己。这个能力同样来自受挫回路——因为你挣扎过太多次”以为对了其实错了”，你才学会了对自己的判断既敢用、又敢改。
失去回路的人，会发展出一种判断瘫痪。他总要等到 AI 给出足够完整、足够有把握的信息才敢动手。一旦 AI 也含糊，他就停在那里不动。他不是谨慎，他是没有自己下注的经验。一个从来没在不确定中独自下过注的人，是不敢下注的。
第三道裂缝：默认接受，失去怀疑的本能。
挣扎会训练出一种对抗性的直觉：任何结论，不管来自谁，先在心里过一遍”真的吗”。这种怀疑不是态度，是习惯，是无数次”我以为对了结果错了”的挣扎刻出来的反射。
失去回路的人，会对 AI 的输出有一种近乎天然的信任。不是因为他傻，而是因为他没有形成对抗性反射的土壤。AI 说得越流畅，他越没有理由怀疑。而一旦他习惯性地不怀疑，他不仅会接受 AI 的错误，更可怕的是，他会逐渐丧失对自己直觉的信任。每当自己的判断和 AI 不一致，他默认自己是错的。一个不再信任自己直觉的程序员，已经失去了独立工程能力的心脏。
第四道裂缝：无法从失败中提取模式。
受挫回路的最后一个环节是内化。内化的本质，是从”这次怎么解决的”提炼出”这类问题长什么样”。这个提炼只能自己做，而且只能在挣扎之后做。因为只有自己走过一遍的路，才能看出哪一段是本质、哪一段是噪音。
AI 帮你解决了问题之后，你拿到的是一个已经收敛的结论，而不是一个可以反复回溯的过程。结论没法被提炼成模式，只有过程可以。于是失去回路的人，解决了一百个 bug，却积累不出一个模式。下一次遇到相似的，他还是得从头问 AI。他经历了很多，但他什么也没沉淀。
六、压力测试：这个判断是不是太悲观了？
讲到这儿，一个理性的读者应该会反驳。我也认为必须把这些反驳摆出来正面回应，否则这个立意就只是危言耸听。
反驳一：历史上每次工具进步，都被说成”让人退化”。计算器没有消灭数学能力，Google 没有消灭记忆力，AI 凭什么特殊？
这是一个很强的反驳，但它建立在一个错误的类比上。计算器替代的，是机械计算。一串人脑本就不擅长、也不该花算力去做的算术步骤。它替你做的是你本不需要挣扎的部分。Google 替代的是事实检索。记住某个 API 名、某个函数签名，这本来也不是认知发育的核心。
但 AI 替代的是什么？是挣扎本身。是那个从”不知道”到”知道”之间，必须由你自己走过的那段路。计算器和 Google 是在回路外部帮忙，AI 是在回路内部动手。前者是外骨骼，后者是替你咀嚼。这是一个本质区别，不是程度区别。
反驳二：强者会自己保留挣扎，弱者本来也学不会，所以影响只在中层，不必夸大。
这个反驳看似冷静，其实回避了真正的问题。受挫回路被切断的，恰恰不是最顶端的人（他们有大量存量挣扎打底），也不是最底端的人（他们本来就要从基础挣扎起），而是最庞大的中间层——那些正在从新手走向成熟、最需要回路运转的人。
而软件行业，恰恰是靠中间层运转的。顶端的人定方向，底端的人做执行，中间层负责把方向落地成可运行的系统、把模糊的需求变成清晰的实现。一个行业的工程能力，基本等于它中间层的能力中位数。如果中位数在塌陷，顶端再强也补不回来。因为落地的是中间层，出 bug 的也是中间层。
所以这不是”一部分人受影响”的问题，是行业能力中位数系统性下移的问题。
反驳三：AI 也能制造新的受挫回路，比如让程序员接触到更难的问题，反而提升了上限。
这个反驳对顶端 5% 的人成立。他们确实用 AI 跳过了低级挣扎，进入更高级的挣扎，回路还在运转，只是上移了。
但对剩下 95% 的人，这个机制不成立。因为 AI 切断回路的方式不是”让你去做更难的事”，而是”让你连当前的难都不用面对”。一个连当前难都还没练熟的人，不会被”提升到更难的层次”，他只会被”永久安置在当前难度的舒适区”。AI 给他的是答案的平移，不是难度的提升。这两件事外表相似，方向相反。
把三个反驳都接住之后，这个立意反而更稳了：它不是全面悲观，而是精确悲观。它不否认 AI 对顶端的增益，但它指出，AI 对中间层的回路切断是结构性的、不可逆的、且难以察觉的。而这恰恰是最被低估的风险。
七、那么怎么办：不是反 AI，而是重新设计受挫的配比
讲到这里，如果只停留在”AI 有害”的结论上，那这篇文章就白写了。因为你不可能、也不应该不用 AI。问题从来不是”用不用”，而是”怎么用，才不至于把回路切断”。
真正可行的方向，不是抵制 AI，而是有意识地把受挫重新设计回工作流程。下面是几条我自己实践和观察下来有效原则。
原则一：设置”无 AI 区间”，先挣扎，再求助。
每一个你遇到的问题，强制自己先独立挣扎一段固定时间——15 分钟、30 分钟，视问题难度而定。在这段时间里，不许问 AI，只能自己读代码、加日志、查文档、推演。
这不是为了”证明你能行”，而是为了让回路的前半段真正运转。哪怕最后还是去问了 AI，你带着自己挣扎过的痕迹去问，和直接问，得到答案后的内化深度完全不同。前者是把答案焊到你已经搭了一半的脚手架上，后者是把答案放在一张白纸上——前者能长出能力，后者只会被遗忘。
原则二：把”答案”降级为”提示”。
问 AI 的时候，改变提问的方式。不要问”这个 bug 怎么修”，而问”这个 bug 最可能的三个方向是什么”。不要问”这段代码怎么写”，而问”这种需求通常有哪几种实现思路，各自取舍是什么”。
你要的是方向、取舍、反例，而不是结论。结论 AI 给了你也用不上——因为你没有自己走过那条路，结论焊不上去。方向是可以焊上去的，因为它正好接在你挣扎的终点上，让你自己走完最后一段。让 AI 当向导，不要让它当搬运工。
原则三：追求”复现式学习”，每个 AI 给的答案，必须自己能从零推演一遍。
AI 给你一个修复，你不要直接用。先问自己：如果我不知道这个答案，我会怎么推导出来？然后真的去推一遍。推不出来，就回去问 AI “你是怎么想到这个方向的”，而不是”答案是什么”。
这一步是把”被喂食的认同”强行转回”自行构建的顿悟”。它很慢，很笨，但它能让回路重新闭合。一个你自己重新推演过的答案，会成为你的直觉；一个你直接拿过来用的答案，永远只是别人的直觉借住在你脑子里。
原则四：守住卡顿的痛苦，那是你在长能力的信号。
这一条最反直觉，也最重要。当你卡住、烦躁、想立刻问 AI 的时候，停一下，识别这个感觉——这个不适，正是你的回路在运转的生理表现。如果你每次都立刻消除它，你就在每次都掐断自己的成长。
这不是受虐，这是对”顺畅”的警惕。一个永远不卡顿的程序员，几乎可以肯定没有在成长。成长必然伴随卡顿，就像肌肉生长必然伴随酸痛。把卡顿当信号去珍惜，而不是当障碍去消除。这是 AI 时代程序员最该建立的新直觉。
原则五：团队层面，给新人留”该踩的坑”。
如果你带团队，尤其是带新人，克制住”用 AI 把所有路铺平”的冲动。有些坑，是必须让新人自己踩的；有些挣扎，是你不该替他省去的。
一个被 AI 全程护航的新人，会在三个月内看起来很能干，然后在遇到第一个 AI 解决不了的问题时彻底崩溃——因为他没有属于自己的任何回路可用。而一个被允许适度挣扎、被允许适度失败的新人，会慢一些，但他长出来的是自己的能力。
短期的效率，和长期的能力，在 AI 时代第一次出现了明显的冲突。而绝大多数团队，都在用前者透支后者。
八、结论：被偷走的，恰恰是最不能给的东西
回到开头那个问题：AI 让程序员变懒了吗？
没有。程序员没有变懒，他们甚至更忙了。他们失去的不是勤奋，是成熟所必需的一条回路。这条回路叫受挫回路，它由”卡住-挣扎-顿悟-内化”四个环节组成，任何一个环节被代劳，整条回路就断了。而 AI 恰好切在了最要命的位置，它保留了卡住和内化的假象，只抽走了中间的挣扎。
于是出现了一代程序员：他们每天都在”学习”，却很少在成长；他们什么都知道一点，却什么都不能独立打通；他们看起来比任何一代前辈都全能，却在遇到真正复杂的问题时，比任何一代前辈都更无助。
这不是他们的错。这是工具设计和使用方式共同造成的一个结构性陷阱，它让”变强”这件事变得太舒服了，而真正的变强，从来都不舒服。
受挫回路是程序员成熟的脐带。AI 可以帮你做很多事，但它不能替你走那条从不知道到知道的路。那一段路，只能你自己走，而且必须走得有点痛。剪断这条脐带，你得到的不会是一个更高效的程序员，而是一个永远不会真正成熟的程序员——一个看起来什么都会、实际上什么都不能独自打通的人。
所以，如果你是一个正在用 AI 的程序员，最重要的能力，可能不是学会怎么更好地用 AI，而是学会什么时候不用它。
给自己留一点卡顿。那是你还在长的证据。
发表回复