虽然 GZ 的观点有些尖锐，但其核心表述的：过度依赖这类 AI 工具，可能会导致程序员的独立思考能力和实际编码能力下降。 是有道理的，人都是有惰性的，由简入奢易，由奢入简难。

AI 给编程带来了「捷径」和「舒适区」。有即时的满足感，有认知负载的降低，还有我好像什么都会了的错觉。

• 即时满足感： AI工具能迅速生成代码、解答疑问，这种即时满足感是非常诱人的。就像以前需要自己做饭（从买菜、洗菜、切菜到烹饪），现在可以直接点外卖，省时省力，结果直接呈现。
• 认知负荷降低： 思考是耗能的。AI 工具在很多时候替我们完成了初步的思考和构建工作，大大降低了认知负荷。大脑天然倾向于节能，所以会不自觉地依赖这种轻松模式。
• 我好像什么都会了的错觉： 有了AI的辅助，很多以前觉得困难或耗时的任务变得简单，这容易让人产生一种「能力快速提升」的错觉，从而更愿意待在这个由AI构建的「舒适区」里。

美国心理学家 NoelTichy 提出的理论人类对外部世界的认识可分为三个区域：舒适区，学习区，恐慌区。

参考下面这张图：

图片来源：即梦 AI 生成

我们天生是喜欢舒适区的，有在 AI 的加持下慢慢滑向依赖的自然趋势。

• 习惯的养成： 一旦习惯了 AI 带来的便利，就很难再回到过去那种凡事亲力亲为的「简朴」状态。第一次用 AI 生成复杂函数可能还会仔细研究，第十次可能就直接 Accepted 了。惰性会让我们不自觉地选择最省力的方式。
• 「温水煮青蛙」效应： 思考能力和编码能力的退化，往往不是一蹴而就的，而是像温水煮青蛙一样，在不知不觉中慢慢发生的。每次都依赖一点点，每次都少思考一点点，日积月累，当真正需要独立面对复杂问题时，才发现「内功」已经荒废了。
• 对「不便」的容忍度降低： 习惯了 AI 的「秒回」和「全能」，一旦遇到 AI 无法解决或需要自己深入研究的问题，可能会更容易感到沮丧、不耐烦，甚至选择回避。

当我们真的养成了这种依赖的习惯，适应了这种舒服区，就会面对能力退化后的困境：

• 核心技能的生疏： 长期依赖 AI 完成编码和调试，会导致对编程语言特性、底层原理、算法数据结构、系统设计等核心技能的生疏。就像长期开车的人，突然让他走一段远路，可能会觉得非常吃力。
• 问题解决能力的下降： 独立分析问题、定位问题、解决问题的能力，是在一次次「啃硬骨头」的过程中锻炼出来的。如果这个过程被 AI 替代，那么这种宝贵的实战经验就会缺失。当 AI 「失灵」或给出错误方案时，便会束手无策。
• 创新能力的抑制： 真正的创新往往源于对问题的深刻理解和多角度的尝试。如果满足于AI给出的「标准答案」，就可能失去探索更优解或全新解决方案的动力和能力。
• 学习动力的削弱： 「反正有AI」，这种心态可能会削弱一些人主动学习新知识、钻研深层技术的动力。因为「奢华」的生活方式似乎唾手可得，何必再去「简朴」地刻苦修炼呢？

就像我们家包包公主说的，这算不算「没苦硬吃」呢？

小朋友的视角不一样，也很形象。我们再深入思考一下：

从某种程度上说，如果 AI 已经能完美、高效地解决一些重复性的、模式化的、或者我们已经非常熟悉且没有太多新学习价值的问题，我们还非要「绕过」AI，坚持用原始的、低效的方式去「硬磕」，那确实有点「没苦硬吃」的味道。这就像明明有洗衣机，还非要每一件衣服都手洗，只为了「体验劳动的艰辛」，效率上肯定是不划算的。

但是，这里面有个核心的思考：我们「吃苦」的目的是什么？

比如，AI 能快速生成一个标准的 CRUD 代码框架，我们非要一行一行手动敲，而且这个过程对我们来说已经没有新的知识增量了，那这种「苦」可能就真的是「没必要硬吃」。时间应该花在更有价值的地方。

如果是为了「锻炼核心能力」、「深化理解」、「探索未知」而吃苦：

• 打地基的苦： 对于初学者，或者在学习新技术、新领域时，有些基础的「苦」是必须吃的。比如，亲手搭建环境、理解底层原理、调试简单的错误。这个过程 AI 可以辅助，但不能完全替代，因为这是建立认知框架和培养解决问题直觉的过程。直接跳过，地基不牢。
• 理解「所以然」的苦： AI 给出了一个方案，我们不满足于「知其然」，而是要去深究「所以然」——它为什么这么写？有没有其他方案？优劣何在？这个思考和验证的过程，可能需要查阅资料、动手实验，是「苦」的，但这种「苦」能让我们真正掌握知识，而不是停留在表面。
• 攻坚克难的苦： 面对复杂的、AI 也难以完美解决的、或者需要创新性思维的问题时，我们需要自己去分析、设计、试错。这个过程无疑是「苦」的，但正是这种「苦」孕育了核心竞争力和真正的技术突破。
• 保持「手感」和「警惕性」的苦： 就像运动员需要日常训练来保持状态一样，程序员偶尔也需要「刻意练习」一些基础技能，或者对AI的输出进行严格的审视和重构，以保持对代码的敏感度和对潜在问题的警惕性。这种「苦」是为了防止能力退化。

明明有更优解（AI能完美胜任且无损学习），却固执地选择低效、重复且对能力提升帮助不大的方式。这是一种低效的勤奋，属于没苦硬吃。为了掌握核心技能、深化理解、培养批判性思维、解决复杂问题而进行的有目的的、高价值的努力。这是一种战略性的投入。不是没苦硬吃。

回到「由简入奢易，由奢入简难」和「人的惰性」

正是因为惰性的存在，我们很容易滑向完全依赖 AI 的「奢华」生活，从而不自觉地回避了那些必要的、能提升核心能力的「苦」。这时候，有意识地去「吃一些必要的苦」，就不是「没苦硬吃」，而是对抗惰性、保持清醒、主动投资未来的表现。

举个例子：

• AI能帮我们写单元测试。如果我们只是为了应付覆盖率，让 AI 生成然后看都不看，那可能会错过很多理解代码逻辑和边界情况的机会。
• 但如果我们让 AI 生成初步的测试用例，然后再仔细分析这些用例是否覆盖了所有关键逻辑、边界条件、异常情况，并在此基础上进行补充和优化，甚至思考如何设计更健壮的被测试代码——这个过程虽然也「苦」，但价值巨大。

那如何对抗这种「人性」？

正因为「惰性」和「由简入奢易，由奢入简难」是人性的一部分，所以对抗它需要刻意的练习：

1.保持警惕意识： 时刻提醒自己，AI 是工具，不是替代品。享受便利的同时，要警惕能力滑坡的风险。

2.刻意练习：

• 主动「脱离」 AI ： 对于一些核心模块或自己希望提升的领域，尝试不使用或少使用 AI，强迫自己独立思考和编码。
• 深究 AI 的答案： 不满足于AI给出的结果，而是去理解它为什么这么做，它的原理是什么，有没有更好的方式。把 AI 的输出当成学习材料，而不是最终答案。
• 复盘与总结： 即使使用了 AI，也要对过程和结果进行复盘，总结学到的东西和 AI 的局限性。

3.设定更高的目标： 将 AI 视为达到更高目标的「杠杆」，而不是满足于现有水平的「安乐椅」。比如，利用 AI 节省下来的时间去学习新的架构知识、去钻研更复杂的算法、去思考更有创造性的解决方案。让 AI 帮助我们去追求一种更高层次的、更依赖人类智慧的「奢华」。

4.强化元认知： 思考自己是如何思考的，学习自己是如何学习的。意识到自己可能陷入了惰性思维，并主动调整策略。

5.对「思考能力」和「代码能力」的重新定义

• 思考能力： 可能从「如何从零开始解决问题」更多地转向「如何清晰地描述问题」、「如何将大问题分解给 AI」、「如何评估和整合 AI 提供的方案」、「如何在更高层面进行架构设计和技术决策」。
• 代码能力： 可能从「熟练编写每一行具体代码」更多地转向「快速理解和修改 AI 生成的代码」、「保证代码质量、可维护性和安全性」、「进行有效的Code Review（即使是AI生成的代码）」。

AI 编程工具，确实像一把双刃剑。它带来的「即时满足感」和「认知负荷降低」，很容易就把我们拽进那个诱人的「舒适区」。毕竟，谁不爱走捷径呢？可问题也随之而来，长期依赖这种「外挂」，我们自己的「内功」——独立思考和编码能力，真可能在「温水煮青蛙」般的日常中，不知不觉就打了折扣。

当然，这也不是说我们就得跟 AI 划清界限，放着高效的工具不用，非得事事躬亲，那确实有点「低效勤奋」，甚至真成了「没苦硬吃」。关键在于，我们得想明白，哪些「苦」是值得吃的，是能真正提升我们核心竞争力的「战略性投入」。

• 那些AI能完美胜任、重复性高且对我们知识增量有限的活儿，大胆交给 AI，这叫明智地利用工具，解放生产力。
• 但那些关乎「打地基」、深究「所以然」、需要「攻坚克难」的硬骨头，以及为了保持「手感」和「警惕性」的刻意练习——这些「苦」，恰恰是 AI 时代我们安身立命的本钱。它们能帮助我们构建真正的理解，培养批判性思维，并最终驾驭 AI，而不是被 AI 所定义。

所以，面对AI，我们不能简单地「躺平」享受，也不能盲目地「排斥对抗」。更重要的是，要保持那份警惕意识，用刻意的练习去对抗人性的惰性。

这不仅仅是关于代码怎么写得更快，更是关于我们如何重新定义自己的「思考能力」和「代码能力」，如何在 AI 的浪潮中，通过主动学习和深度思考，完成一次自我进化。说到底，AI 是工具，方向盘始终还是握在我们自己手里，是选择成为更智慧的「驾驶员」，还是满足于当一个「乘客」，这道题，得我们自己用心作答。