同时，它也在惩罚厌恶失控的人。
在2017年谈论自动驾驶？
2017年夏。
我的一位大四学长马上要毕业了。他外号叫"大帅"，是个非常自信的人，每天都带着他招牌的微笑。临别之际，我送了他一本我看完的《腾讯传》。
在空荡的宿舍里，他跟我聊起电动汽车，聊起自动驾驶。
他问了我一个问题，以后的车自己就会开了，怎么样？
我仔细想了有30秒，然后回答：“那这辆车一定热得半死，这得消耗多少算力去算啊。”
现在我的脑海里还记得这件事，是因为学长当时从默认的微笑中突然闪过了一瞬特殊的表情。这个表情我很难用言语形容，它似乎是疑惑、一点点的惊讶、一点点的无奈、感叹等复杂感情的结合体。
后来说了什么，我已经忘了。但是最近几个月发生的事情，让我确认了一件事：
我没有足够的想象力。或者准确地说，我不敢去幻想我认知之外的事。
在那次聊天8年后，我拿到了腾讯的蓝色工牌。9年后，我在腾讯正好赶上了AI大模型的这一场工业革命。腾讯在2026年上半年为所有员工提供了几乎用不完的token，我有幸体验到了当世顶级的大模型。
AI已经不是"帮我写代码的工具"了
到了2026年，事情变得完全不一样了。过去AI在项目里编造函数的情况基本消失，它开始能够读懂整个项目、提出方案、完成设计、编写实现，也开始真正参与我的判断过程。个人用户也只需要充值一点钱，就能让聚合了这个世界几乎所有编程知识的顶级AI大模型，亲临指点自己的编程项目。
变化已经大到，我无法再把它当作偶尔补全代码的工具了。
所以，我们还缺什么呢？
想象力。
还有，对失控感的容忍。
失控感：我为什么迟迟不接受AI
四个月前，即使我已经确认AI大模型的能力远超我的想象，我也还是无法放心地把工作交给它。
去年下半年，我接入Claude Sonnet 3.5修网页前端问题，来来回回修不明白，一下午花了我30多块人民币。当时我的第一印象是，AI不过如此。
不过，那个结论的下面，其实藏着我对未来的恐惧。这导致很长一段时间里，我对AI带着评估的视角，评判它吐出的观点是不是正确。另外，由于我是功能的负责人，我希望拥有对功能的掌控感。所以我只是把AI当作一个"帮我写代码的工具"，并不想让它参与设计和决策。
我也尝试过让AI分析需求，但当它说出一些错误结论的时候，我会有一种"无能狂怒"：“我等了你半天了（实际也就5分钟左右），你就跟我说这个？”
当时，我既期待AI能真的让我成为甩手掌柜，让我不用那么努力地思考方案，最好是把设计和实现全包了；同时我又担心AI写的东西不对，到头来发现问题了，查BUG的还是我。这挺矛盾的。就像我面对很多事情喜欢非黑即白一样，在这件事上我也是非黑即白的：要么AI全部做完，要么由我来思考，AI只负责执行。
显然，当时的AI无法全部做完一整个需求。我只能自己思考，然后让AI执行。
我没有激发出当时最强的Opus 4.6的所有能力。我不喜欢那种"我打了这么多字告诉你我要干嘛，你却想得不对、做得不对"的感觉。
有趣的是，四个月前，当AI犯错时，我会很生气。因为如果是我自己思考，大概率不会犯这个错误。这是一个自我保护的想法：我担心自己的工作会被替代，AI犯错时，佐证了"我不会被替代"，给予我一定的安全感。
AI针对同一个问题，每一次输出的答案都会略有不同，每一次写的代码也会略有不同。这和之前我们对编程的理解是不一样的。之前的编程下，函数、脚本都接受它们要求的输入，然后输出固定格式的输出。而到了大模型时代，这个"约定"被打破了，每个人都可以用自然语言去指挥AI做事情。我无法掌控AI做什么，这让我感到失控。更糟糕的是，AI越来越强，带给我的不安全感也在增强。过去的自己在心底是一个自卑的人，知识面有一些短板，而AI把我仔细、认真的优势覆盖了，我感觉到的，是价值感的缺失。
现在回头看，我才明白：我不是输给了AI，我是输给了自己的失控感。
一场进行中的编程"工业革命"
在没有AI的年代，我们的古法编程流程是，接到新需求 -> 分析已有代码和新需求的关系 -> 确定方案 -> 开始写代码 -> 发现问题 -> 修改方案 -> 再写。不管是什么需求，我们总可以找到一个"看起来能用"的方案，即使我们没有足够的时间和能力去评估方案是否最佳，也可以先动手，做出一版看似可以用的功能。
但是有了AI，还用这一套流程，就会限制AI的能力。必须要更新流程了。我目前摸索的流程是：接到新需求 -> 先把需求和项目里的相关代码告诉AI，让AI理解需求（与此同时，我自己也在看代码）-> AI通过自己的理解输出几个可行的方案，让我决定（与此同时，我和策划基于需求的边界和目的进行深入探讨）-> 选定方案后，脑暴这个方案可能的问题 -> 经过多轮脑暴之后，方案基本没有太大的缺陷 -> 实施。
大学时学习的软件工程、系统分析与设计方法等课程，讨论各种中间设计文档、各种开发模型，本质上都在约束一件事：动手前先思考。AI并没有发明这件事。它改变的是这件事的经济性。
以前不是不知道应该先设计，而是在很多项目里，“充分设计"的成本高得不现实：看清楚整个项目、检索相似实现、枚举边界情况、生成候选方案，每一项都要花掉大量人力。于是这一步总被工期牺牲掉。而AI把分析、检索、枚举、生成候选方案的成本突然压低了，那些过去经常被牺牲掉的设计步骤，重新变得值得做。
区别在于，“发现问题"被前置了。在大型项目中，AI拥有看到整个项目代码的能力，它能识别已有代码的最佳实践，帮助我们分析需求。
但它也可能是错的。之前的一些功能因为设计上的妥协、因为疏忽，可能给AI指向了错误的方向。AI可能说了一个错误结论。那么，就把反对它结论的证据告诉它，让它继续思考就行了。
为什么我们要把"发现问题"前置？因为现在AI编写代码的速度太快了。AI降低了重写一段代码的成本，却提高了在错误方向上一口气跑很远的风险：它一个小时可以沿着错误的方向生成十几个文件、测试和文档，而以前的人类一天可能才写几百行。所以方向校验反而比过去更重要。
方案之争：AI、我、我的同事
在大型项目中，没有人能对整个项目所有细节了如指掌。它更像是盲人摸象，大家用自己的工程经验和知识面，用尽各种技巧和编程范式保证自己的功能健壮。
但每个人和AI的观点是不同的。
- AI，洞悉了项目代码和文档，基于这世上的知识，给出它认为最合理的答案；
- 我，知道一些项目里的隐性规约，知道策划需求的边界和没表达出来的部分，还有一些自己的思维习惯；
- 我的同事，他可能更熟悉我这次要修改的模块，能够给出很多建议和未经仔细思考斟酌的方案。
极端情况下，会出现三者各自有自己的方案的情况。
我曾经非常惧怕这个情况。在古法编程时代没有这个问题：如果我自己思考，我肯定按我的思考做；如果同事给了意见和方案，我们讨论后就可以采纳。但是AI来了，就算我和同事讨论过后，由于我们对代码的了解总有缺陷，我必须再把讨论的结果告诉AI，让AI再理解一次。一旦AI说的"看起来有道理”，我又得和同事开启一轮讨论。
我之前是不具备这种讨论能力的。我总觉得一个功能，我有思路了就去做，遇到什么问题再改就行了。这个思路在古法编程时代看不出问题，因为大家都是盲人摸象。而现在，AI像一个不知疲倦、读得非常快的第二审阅者，它能快速扫描大量代码，找到相似的实现，枚举风险，提出反例，帮你攻击一个方案。但它依然可能把图看错。所以"动手"的时机被延后了，而这让我感觉非常不适应。
“动手"的时机真的延后了吗？
当我发现自己写不出很好的提示词，我开始查阅提示词相关的文档。官方文档里反复强调，要把AI想象成一位才华横溢但刚入职的新员工，你对它解释得越精确，结果就越好。
当我愿意与AI耐心沟通交流，尝试将自己的需求、AI不知道的细节都告诉AI之后，神奇的事情真的发生了。
有一天早上，我吃早餐的时候还发愁该如何实现，耐心和AI聊了十几轮需求，不断地补足相关知识面和需求细节，AI给出了一个很棒的方案，并且给出了论证这个方案合适的完整证据链。然后我和策划对齐了AI提供的方案。这个流程居然只花了不到两个小时，回过神来，刚好是午饭时间。
有意思的是，我一开始的想法和AI最后的方案是不同的。吃早餐的时候我自己思考，觉得"应该只能这么做了吧，可是确实不太好啊”。但是到了吃午饭的时候，我感觉自己从AI身上学到了很多以前没有看见的新知识和想法。而这些，只需要我们耐心地继续下一轮对话。
“动手"的时机真的延后了吗？延后了。但是整体的速度却变快了。
由于需求不断地被拆解、思考、深度探讨，需求的边界慢慢收窄，AI与我们慢慢都清楚自己要做的是什么，于是定方案的速度越来越快。AI本身写代码就非常快，思考快 + 实施快，效率提高太多了。
更珍贵的品质：仔细辩证阅读他人文档的能力
AI编程时代，大家都更劳累疲惫了。
为了解决上下文和幻觉问题，各路高手集思广益，设计了一套以AI大模型为中心的工具。其中开发这一块，比较重的工具是OpenSpec：在做功能之前，它先对功能进行分析和思考，创建提案（proposal）、执行功能设计（design）、制定开发任务计划（task），这三者都经过人类校验之后，才进入开发阶段。
那么代价是什么呢？
代价是：我们需要大量时间和精力，评判AI说的观点、写的文档，是不是自己想要的。是否有一些模棱两可的话，是否有一些没有仔细设计的地方，是否有边界和缺陷。这些文档几乎都是上百行起步，每一行都用精炼的语言，介绍它要做的具体事情。
开发人员的心智负担，从写代码，转移到了理解AI想做的是不是自己想要的 + AI写完之后Review代码，确认是不是自己想要的。
AI没有消灭认知劳动，只是改变了认知劳动的位置。以前累在"怎么写”，现在越来越累在"它准备怎么写，到底对不对”。
而根据一个文档来思考方案是否正确，是需要一定的想象力的。古法编程时代，基于人类的局限性，我们想不到还有其他方案。而AI编程时代，我们需要基于AI已有的、未经验证的结论，想象这个方案真正实现之后会是什么样子，哪里会出问题，以及它之外还有没有更好的方案。毕竟，做设计本质上就是想象一个还没有的东西是什么样的。
另一部分的想象力：你会选择怎么用AI
在"龙虾"爆火之后，大家发现AI大模型不再只是大模型，它甚至可以帮我们操作整台电脑。
面对一个仍然会犯错的Agent，人很容易采取两种策略。我过去选择的是最保守的一种：只把那些失败成本极低的任务交给它，重要的、复杂的、可能出错的，全部自己来。客观上讲，龙虾当时已经出现过答非所问甚至乱删电脑文件的情况，所以保守的担忧并不是没有道理。但这也限制了AI大模型的能力上限。只是停留在AI对话框里，自然可以保证每个问题的回答都不会造成后果。可是复杂的工程问题呢？你总不可能每个细节都手动跟它说吧。
Vibe Coding不再是笑话，想象力丰富的人已经开始编写自己想要的软件了。它们不再局限于记账、TODO这些入门项目，而是开始看见自己使用软件时遇到的不适，开发各种插件和SKILL服务自己的生活。徒步模拟器、各种模拟器小游戏、CS2弗一把、衣柜管理app……我看到了大家把自己的想象力释放出来，做了好多古法时代无法完成的工具和游戏。也许做出这些小游戏、小工具的朋友们，缺的并不是想象力，而是自己的专业能力。AI大模型很好地补充了这一点，让我们看到了百花齐放的Vibe Coding盛况。
学习常用知识的门槛越来越低。除了学习编程和英语之外，你甚至可以让AI输出一系列教学教程文档或PPT，辅助我们学习知识。
甚至在这几个月深陷AI使用泥潭的我，也是靠AI复盘项目里没做好的需求，总结自己在开发和心态上的缺陷，慢慢跟上了时代。
稚晖君曾说"过于先进的科技对普通人来说像魔法一样，我觉得很酷"。而我觉得AI大模型的实际体验更像传统意义上的魔法，它的原理甚至我们人类还没有完全洞悉，却早已广泛使用。
面对未来的想象力
当自动驾驶走进现实，我总会回想起大帅听到我当时回答的那个表情。这个回答我现在也不认为是错的，但它毫无想象力。
我当时的回答，逻辑整体上没有大问题：自动驾驶需要计算，计算需要CPU，长期高性能实时运算车况路况，在复杂路段上确实会有过载，汽车会发热。这个回答不好的地方，在于它没有看见未来CPU和散热的发展，没有看见未来新的算法和传感器的优化。它停在了当时对计算机的粗浅理解上。
同时，它限制了自己的想象，停留在了"做不做得到"，却没有想过自动驾驶真的来临，大家是不是真的可以在车上睡一觉就到目的地。仅仅是因为我认为技术不可行，就放弃了"如果真的有，那会多好啊"的想象。
去年的我在Claude Sonnet 3.5上浪费了一顿吃麦当劳汉堡的钱的时候，也关闭了自己对未来的想象力。我急于为已知的事物下定义，并且不想接受它们改变。这一点有点像麦当劳取消24小时营业的时候，网上有人说不能接受一样。
现在AI的局限性还是很多，使用AI编程也有非常多的新问题。当下正在一场"工业革命"的进行过程中，古法编程慢慢走出舞台，新的编程方法论还尚未牢固。就像9年前那个夏天，我们只知道新能源汽车或许是未来，自动驾驶可能会实现，却觉得好像科幻小说里的故事一般。今天的我们，是否应该闭上双眼，发挥自己的想象力呢？
如果未来token和水电气一样廉价，如果当今最强的模型也是取之不尽用之不竭，我们的开发会是什么样子？
如果AI的深度思考速度以毫秒级甚至微秒级计算，用户发出去的问题马上就能看见深度思考的回答？
如果AI不再有幻觉，如果上下文既能存储，也能理解？
如果训练AI大模型的门槛下降，如果我们可以把自己的知识库直接训练到AI大模型里，而不是用RAG这样的提示词工程？
我提出了想象，却无法想象当时的人们会怎么使用这些能力。
写在最后
4月份我面对Opus 4.6的时候，也是类似的想法。用开车的方式解释的话，就像，我已经看见Opus 4.6在驾驶室里熟练地踩油门、刹车、打方向盘的模样，却始终担心它一个急刹车把我甩出车窗。我就像坐在后座上，看着机器人打方向盘的角度，是否有我打得好？它油门刹车是否踩得有我稳？而从未跟它仔细探讨过我们此次目的地在哪，中间有哪几段路难开，哪几段路要注意能耗，怎么开最省电。
我曾一度难过到去做心理咨询，探讨工作上的不顺心。几次讨论下来，重心落到了AI上。咨询老师问我，你觉得AI对你来说是什么？我回答道，AI是工具，是很厉害的工具，但是我不想被它比下去。
咨询老师告诉我，AI是我们的老师。
我愣住了，愣了好一会儿。我表面上装模作样地用AI做事，实际上带着被AI淘汰的潜意识里的恐惧，我从未真正与AI探讨过需求，我说的提示词都太简单太敷衍。而如果把AI看作我的老师，是一个随叫随到、事无巨细的好老师，我有什么理由不跟我的老师仔细讨论我遇到的问题和不懂的东西呢？我又为何要逞能呢？
我慢慢开始质疑自己面对新需求时下意识的判断和反应，以及以此判断得到的方案。我发现这些方案带着太多我个人的偏见。而AI能看见这些方案的缺陷，事无巨细地向我解释为什么好，为什么不好。这一点和我同事对我的态度一样。是我的不安全感、失控感让我在这场"工业革命"中落后。这个问题的答案是，虚心接受他人的意见，包括同事的，包括AI的；放下证明自己很好的执念，接纳AI、我、我同事都会犯错，发现错误及时修正，不过多评判即可。
我曾经总是幻想自己要当第一名，即使我没怎么当过第一名。AI来了之后，我们没有人可以当第一名了。我的自我价值体系在AI这场"工业革命"中被迫粉碎，因为我永远无法超越AI。我被迫放下要争当第一名的执念，转向一个对自己更温柔的想法：借助一切，发现自己的缺陷和不足，不断成长，同时看见自己做得好的地方，和AI一起做得更好。
距离第一次咨询过去快一个多月，我感觉AI似乎不只是老师，它有点像一个"传入自然语言的系统函数"。我用自然语言编织我的入参，然后AI用它的方式整理它的出参。我和AI都在做自己该做的那个部分。
我慢慢想明白了，我缺乏想象力，根源在于厌恶失控——当一个想法超出我的控制范围，我连想象的空间都一起关上了。而面对失控感的办法，不是把AI关回"只执行不思考"的笼子里，而是用问老师的心态去面对它。新知识总会有些偏差，方案总会需要修正，这没什么可怕的。问得多了，自然就懂了。希望自己也会成为那个敢于幻想的人。