回望 2022 年，我第一次真正感受到 AI 的震撼，是看到程序员利用 Stable Diffusion 在插画领域超越了人类画师。当时许多人认为 AI 生成的作品缺乏“灵魂”，但我认为，艺术本身就是人类文明所累积的一种信息数据库——而这正是 AI 可以深度杠杆化的领域。
同年的那个冬天，GPT-3.5 的横空出世彻底重塑了我的观点。尽管它在当时因缺乏严密的底层逻辑而饱受诟病，但它却迅速帮我实现了许多不熟悉的语法和库。从那时起，AI 的迅猛发展便势不可挡。
我不觉得在人脑中发生的突触传递电信号的行为比浮点在神经网络中的传播要高尚，我认为人本身也是一种概率模型。在现在的时代中有时候会感觉AI或许要比其他合作伙伴更加值得信任，尽管它们确实会犯错，但是其实人也一样会犯错，不过，人会自己去纠错，而AI可能会，也可能不会，你不确定它是否真的进行过纠错这一行为。
我们似乎已经跨越了某个技术奇点：在不久的将来，人类的工作可能被简化为接口构建和数据校准，而内容的生成与想法的验证将主要由 AI 来承担。那个仅仅为了获取基础知识而苦苦挣扎的时代正在走向终结，AI 将接管主动创造的职能，原因很简单——它的成本效益高得惊人。
在 AI 广泛普及之前，我完整经历过传统软件工程的生命周期：编译、写代码、设计数据结构以及调试。这段基石般的经历，让我对计算机世界在架构层面上有了深刻的理解。
因此，我至今仍对完全依赖“氛围感编程”（vibe coding）而缺乏底层知识能否走得长远持怀疑态度。虽然 AI 拥有庞大的上下文窗口，但它也经常偏离核心目标。盲目执行 AI 的建议而不加独立思考是极其危险的。真正的创新，往往源于我们将对现实世界的理解与计算机的底层运行机制相连接。在 AI 辅助的时代，扎实的基础知识和纯粹的好奇心，依然是你最可靠的引路人。
起初，AI 对我而言只是一个辅助工具——一种更高效的信息获取方式，用来分析代码片段，或为不熟悉的问题生成初步的解决方案。
真正的转折点发生在像 Codex 这样的 AI 模型开始接管我大部分的编码工作时。通过用自然语言描述我的目标，并对顶层架构保持严格的控制，我能够生成高性能的代码。迭代速度迎来了爆炸式增长，我可以用难以想象的速度去验证想法的可行性并优化细节。
然而，这并不意味着 AI 已经取代了人类的判断。现阶段的 AI 往往过度进行防御性编程，这可能会引入逻辑冗余并影响代码的可读性，导致代码系统越来越冗长且无法维护。通过将 AI 视为协作者而非替代品，我利用它来拓宽自己的技术栈并快速执行想法，从而形成了一个强大的正向反馈循环，不断拓宽我个人能力的边界。
AI 与科研及编程的融合正逐步成为主流。在这个全新的格局中，人类的核心能力已经从“编写代码”转变为“提出正确的问题”、“设计实验”以及“进行批判性分析”。
如果连问题的构建都完全交由 AI 主导，那么研究本身就失去了意义。提出新的假设、定义具体的需求，这些都是独特的人类特质；至于这些需求如何被解决，则完全可以委托给 AI。标准化的工作流能够最大化 AI 的效能，剧烈降低迭代成本，让我们得以快速测试灵感。尽管如此，AI 目前仍难以跨越物理世界与数字领域之间的鸿沟——虽然具身智能（Embodied AI）最终可能会抹平这一差距，但也让我们这代人，可能成为了最后一批完全“纯手工”进行科学研究的人类。
随着我将 AI 更深地融入到日常工作流中，以下几个关键风险需要保持长期的警惕：
我接下来的首要目标是构建一个高效、稳健的 AI 辅助科研工作流。我计划将论文阅读、代码实现和实验日志无缝连接起来。通过在具体的科研问题中试探 AI 的能力边界，我希望整理出一套个性化的、结构化的提示词库、模板以及实验最佳实践。
结语： AI 辅助编程并没有让传统技能过时，相反，它拔高了挑战的门槛。它让我敏锐地意识到，真正核心的工作在于定义有价值的问题、构架健壮的系统、进行严谨的结果验证，以及将模糊的灵感转化为能够切实运行、可复现并推动领域向前发展的具体研究。