我仍然不把大型语言模型（LLMs）用于任何我真正关心的事情。我可以给出很多理由：环境的、社会的、政治的。我可以谈论生态系统锁定、学习依赖、自主权、哲学问题、故意破坏劳工谈判能力等等。但是在所有这些之前，一个简单的问题——它们在构建非平凡软件的目的上是否真的有效——仍然远未解决。以下是我怀疑的几个原因：我们已经进入这个“革命”4年，但行业几乎没有任何成果。软件在质量、速度、成本（排除那些任何声誉良好的组织都不会碰的低质量演示软件）或能力上没有改善。它绝对没有变得更安全。技术革命通常标志着旧帝国的崩溃，被新的参与者和理念所取代。而我并不清楚这个行业在过去几年中是否产生了任何新想法，除了在AI吹捧的自我反思领域。每个人都在狂喊狂叫，但实际上没有人交付任何有用的东西。尽管我期待着这样，但我并不觉得因为不使用它们而落后于人。尽管有这么多噪音，但没有人来抢走我开源项目的声誉。我可能可以复制我的代码功能，但一个简单的memcpy也可以做到：一个人们感到足够信任以建立系统的开源项目，远比单纯的功能列表要重要得多。现有的证据微弱而稀少。花费了1.5万亿美元，我们仍然几乎没有独立研究能够证明与AI相关的顶级生产力改善。考虑到我们经济的一半目前建立在这一中心论点是否真实的基础上，我们应该期待比零星的几项研究和轶事要多得多。我所知道的每一项研究要么过于详细地聚焦于与顶级生产力无关的指标（如“编写的行数”、“合并的PR”、“新增的功能”等），要么因样本量太小而无法得出有用的结论。即便如此，那些存在并表明某种学术严谨的研究也指出只有边际或甚至负的生产力提升。我收到的LLM生成的PR仍然很糟糕。代码变得不那么明显重复，也不那么风格一致，但在用途上没有变得更合适。它们被实际合并的比例仍然远低于人类编写的代码。一个公平的批评是，AI的输出变得稍微不那么公式化，以至于越来越难以区分二者，但即使是最小心的人也总会在描述中留下偶尔的拼写错误，所以我仍然不相信这些机器人已经走入我们的生活到如此程度。它们仍然会忽略明显的问题。我的几个开源库在FAANG公司的依赖树中，由于使用前沿模型的扫描，我接到了一些报告。有些是好的，大多数是坏的；我可以回忆起几种情况下，前沿模型漏掉了一些显而易见且重要的东西，而使用人脑的业余爱好者很快就发现了。AI推崇者的哲学仍然违背了过去半个世纪有关软件开发是什么的理论。我们现在都应该知道，代码是软件开发过程的输入，而不是输出：然而，即使是最具前瞻性的组织仍默默将代码行视为一个生产力指标。这是通往不可维护的糟糕代码的道路，无论这些糟糕的代码是来自机器还是人类在糟糕的激励机制下的产物。彼得·诺尔（Peter Naur）仍然毫无争议。人人都是超级的时候，没人是。当大科技推行LLM的目标是使智力劳动同质化，以便使其可替代时。当劳动可替代时，你可以随时用替代品交换，从而降低工人的议价能力。软件开发是最后一个“行会领域”之一，而现在我们看到它的工业化正在发生。通过不依赖LLM，我给自己留出了对一小部分技能进行专精的空间。到目前为止，这一自觉的决定运作良好，我对我的工作稳定性感到有信心。如果您发现本站存在无障碍问题，请告诉我！© 乔书亚·巴雷托