当年ChatGPT 3横空出世的时候，我对它不屑一顾，心想这不就是超大知识库的复读机么。如今，在现实的"严刑拷打"下，我的态度发生了180度大转弯。
目前，我购买了ChatGPT、Claude和Cursor的会员，另外还用了些Deepseek的API，每月的支出是60美元多点。这笔会员费并不算少，但我觉得它很值。直观上来说，我的生活有了如下改变：
- 再也不用在Google和Stack Overflow上查询技术问题了。
- 几乎不用请教其他领域的专业人士。
- 开发小工具的速度指数级地提升。
可以说AI在各个专业领域里，已经超过了95%的人，而且它还是个通才。举个例子，手机系统是非常复杂的，对于我们这种系统工程师而言，经常一个问题会横跨多个部门。大家有时候会相互扯皮，因为你不懂我的模块，我也不懂你的模块。所以传统的手机厂商里，几乎没人能够从上到下，从camera到audio全都了解。但如今AI可以做到，所以你可以通过它去了解各个模块。而且几乎没有必要去请教所谓的"专家"，因为AI会比大部分人回答得更全面，也更有耐心。
同时，AI的快速发展也会逐渐挤压传统学习媒介的生存空间，譬如博客、问答社区、书籍及课程。 因为这种主动式的一问一答，可以更快给到我们想要的答案。譬如，有时我们通读一篇博客，可能只是为了解决某个特定的问题。当然，传统媒介也有它的优势，譬如知识可能更成体系。但其实我们也可以通过AI来体系化地学习某块知识，尤其是程序领域内的知识。我一直认为，深刻理解最好的方式就是阅读源码，而非看书或者是博客。因为书和博客本质上是知识的二次加工，其质量也取决于加工者的水平。而AI时代，读代码、理解代码会比以前容易很多，尤其是一些可读性不高的代码，有了AI加持后简直如虎添翼。
当然，目前它也仍然有些缺点，主要在三个地方：
- 对于特别细节和多信息联动的推理还不擅长。
- 有时候会走进一个死胡同，特别是写代码的时候，给出的结果来回震荡，就是无法收敛到最终的正确答案上。
- 偶尔的胡说八道。
这些问题的存在，其实引出了一个更深层次的讨论：我们到底该如何和AI共处？是把AI当先知？当老师？当高维度生物么？如果你过分地依赖AI，把所有的思维、理解过程全都交给它，那么最后的结果一定是被误导、被欺骗。 类比到人类生活的模式，其实最合适的就是将AI当作一个能力很强的助手。一个领导可以把很多事情分派给助手来做，但他必须分辨助手递交上来的结果哪些是真实的，哪些是忽悠人的。这里面依靠两种能力，一是领导对这些事情的运作方式比助手更了解，二是领导有更好的理性思维，能够通过逻辑推断来拆穿谎言。因此，即便在AI时代，扎实的专业知识和理性的思考能力仍旧至关重要。
至于工具开发，上周我试着用cursor开发了一个小agent，耗时半天。这要放在以前，估计几天才能搞定，因为我对前后端都只是略微了解。
这个agent来源于一个实际的需求，就是tombstone分析的时候，经常需要了解崩溃时代码在干嘛。而有时，我们需要根据pc指针附近的内存值来恢复出相应的汇编指令。譬如如下格式的数据，我们希望把它转换为汇编代码。
erlang
memory near pc (/system/framework/arm64/boot-framework.oat):
000000007168d5b0 34000180b947d6e0 b907d6e1b9400c01 ..G....4..@.....
000000007168d5c0 f9404a7034000081 38316a10530a7ef1 ...4pJ@..~.S.j18
000000007168d5d0 b948e2e1b9000c1f b908e2e151000421 ......H.!..Q....
000000007168d5e0 5280000014000002 aa1803e0aa0003f9 .......R........
000000007168d5f0 d63f03c0f941a67e aa1703e035000359 ~.A...?.Y..5....
000000007168d600 d63f03c0f940ee7e 90ff2cc1d5033abf ~.@...?..:...,..
000000007168d610 b940f837912b8021 34000097b9001417 [email protected]
000000007168d620 530a7c11f9404a70 b400009638316a10 pJ@..|.S.j18....
000000007168d630 aa0003f6f9001016 aa0003f614000017 ................
000000007168d640 d0ff85c052800038 f9400c1e91318000 8..R......1...@.
000000007168d650 f90012c0d63f03c0 1400000e3900d6d8 ..?........9....
000000007168d660 3900db3f52800038 f9001336b4000096 8..R?..9....6...
000000007168d670 140000073900d73f 91318000d0ff85c0 ?..9..........1.
000000007168d680 d63f03c0f9400c1e 3900d738f9001320 ..@...?. ...8..9
000000007168d690 aa1603e0aa1903f6 a9427bf9a94163f7 .........cA..{B.
000000007168d6a0 d65f03c0a8c35bff 003cd50e00000000 .[...._.......<.以往我都是借助这个网站，手动把数据小端转大端输入进去，然后看结果，遇到不懂的汇编指令还要查看ARM手册了解它的含义，总之费时费力。如今有了AI的助力，我可以开发出一个网页服务，前端界面如下：
后端采用Flask，处理流程如下：
- 对数据进行分割提取，并进行大小端转换。
- 将处理好的数据送入capstone库中，转换成ARM 64位的汇编指令。
- 将汇编指令通过API送入DeepSeek，得到每一条指令的解释。
最终的效果呈现如下：
事实上，AI给出的解决方案考虑得更加全面，它考虑到三点：
- 无效输入的处理。如果输入的不是内存数据，那么它会提示"未找到可反汇编的内容"；如果输入的数据仅部分有效，那么不可以的数据将会提示"无法反汇编"，而有效的数据将继续输出。
- 访问DeepSeek时，批量送入指令。因为如果每一条指令发起一次请求，那么无疑会增加token的开销；而如果一次输入过多指令，则会增加AI产生幻觉的可能。因此AI采取8条指令为一批的方式进行访问。
- 增加缓存机制。持久化了一个缓存文件，建立汇编指令到解释的映射关系。这样一来，使用的次数越多，需要访问DeepSeek的概率就越低，因为很多指令能直接从缓存文件中找到解释。这一方式极大地降低了AI访问的开销。
这个项目只是我个人电脑上尝鲜的实验，如果真要落地，模型还得换成本地的。整个过程我更多地感触到：AI对于工作效率的革命已经开始。 写代码由于其通用性广，已经被大家广泛地讨论。但各行各业里的工作流，其实都可以通过AI来提效。这个效率，既可以是时间上的节省，也可以是智能上的提升。
我个人是做稳定性工作的，因此日常工作中分析log必不可少。在我们这个领域，智能化地分析问题一直是个前进的目标。但当下的水平只能做到基于文本和规则的"半智能化"。如今有了AI的加持，真正的智能化或许不算遥远。试想当一个智能体可以联动多份log，调用各种工具（e.g. objdump、lldb、crash）加载出想要的数据，结合源码分析出问题的原因，并提出修改建议，那将是多么美好的体验。只是这项工作，单搞AI的搞不定，单搞稳定性的人也搞不定。因此，作为专业领域的人才，是很有必要去学习AI知识的。从原理上去理解它，才能更好地将它和特定的工作流结合。而这，也是我2025年的重要目标。
技术上的牛人往往对新鲜事物的接受度都偏低。所以读到这里的技术大牛们，如果你们还没有频繁地使用AI，那么我诚恳地建议你们快用起来。这无关乎新旧世界的切换，而是技术人理应对世界保持孩童般的好奇。