为什么优秀工程师在使用AI后反而会变差？
原帖
**为什么优秀工程师在使用AI后反而会变差？**
_Why Good Engineers Become Worse with AI_
> 本文探讨了AI编程工具对工程师能力的潜在负面影响，指出AI模型本质上是‘均值回归’的机器。对于常见任务，AI能提升优秀工程师的效率（从10倍提升到100倍）；但对于创新性工作，AI倾向于将工程师的代码拉向‘平均值’，可能导致产出‘看似正确实则错误’的代码。文章以ICML 2026论文中的注意力核公式为例，展示了当工程师不知道公式时，AI默认生成常见函数（如ReLU）而非论文提出的Yat-kernel，虽然结构正确但核心公式错误。相反，在有形式化验证（如Lean证明检查器）的数学问题中，AI表现良好。文章强调，高价值、前沿的创新工作往往处于模型训练数据的‘尾部’，工程师需保持对关键代码行的辨别力，避免过度依赖AI导致能力退化。
**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：tip
- **发布时间**：2026-05-28 02:16（北京时间）
- **原文**：[打开原文](https://nidhish.dev/writing/good-engineers-worse-with-ai)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文探讨AI编程工具作为“均值回归”机器，如何影响工程师能力：对常见任务提升效率，但对创新性工作可能将代码拉向平均值，导致产出“看似正确实则错误”的结果。文章以ICML 2026论文中的注意力核公式为例，说明AI在缺乏形式化验证时易生成常见函数而非创新方案，并强调工程师需保持关键代码辨别力以避免能力退化。
答案说明
文章指出，AI本质上是“均值回归”机器，能高效处理常见任务，但在前沿创新工作中倾向于生成训练数据中的常见模式（如默认ReLU函数），而非真正的创新（如Yat-kernel公式），可能导致产出表面正确但核心错误的代码。工程师需保持对关键代码的辨别力，避免过度依赖AI。
这篇帖子回答的问题
- 为什么AI编程工具可能导致优秀工程师的能力退化？
核心观点
- AI模型本质上是‘均值回归’机器，在创新性工作中倾向于将代码拉向训练数据中的常见模式，可能导致产出表面正确但核心错误的代码。
- 工程师需保持对关键代码行的辨别力，避免过度依赖AI导致能力退化，尤其是在处理高价值、前沿的创新工作时。
FAQ
- Q: AI在创新性工作中如何影响工程师的代码质量？
- A: 文章指出，AI倾向于将工程师的代码拉向训练数据中的‘平均值’，可能导致产出‘看似正确实则错误’的代码，例如在ICML 2026论文例子中生成常见函数（ReLU）而非创新的Yat-kernel公式。
关键实体
- AI编程工具
- AI模型
- ICML 2026