今天在知乎看到一个问题：AI 已经这么发达了，还有必要再学那么多技术吗？
这个问题如果放在前几年，我大概会答得更干脆一些。可放在今天，说实话，很难轻易给出一个简单的是或者否。因为变化来得太快了，很多过去默认成立的成长路径，到了现在，已经开始松动，甚至正在消失。
我刚毕业那会儿，其实基础并不好。tcp 和 udp 的区别都未必讲得清楚，很多东西都处在一知半解的状态。现在回头看，那时候能入行，靠的并不是已经会了多少，而是别人愿意相信：这个小子虽然现在不会，但也许能慢慢学出来。也正因为有了这样一个起点，后面才有机会一点一点补课，一点一点踩坑，再一点一点把很多原来只是听过的概念，变成自己能理解、能使用、也能拿来判断的东西。
可站在今天再看，让人不安的，可能还不是 AI 会不会替你写代码，而是它正在改写技术人成长的方式。
因为所谓"学技术"，本来就不是一回事。
有些技术是工具性的。比如一个框架怎么用，一个接口怎么调，一个脚手架怎么搭起来。这些东西过去要花不少时间摸索，现在很多都可以直接问 AI，而且往往答得又快又像样。
但还有一些技术，不只是会不会用工具，而是知道系统为什么要这样设计，知道网络、存储、并发这些约束会怎样反过来塑造代码，知道一个方案为什么现在能跑、以后却迟早要出问题。再往深一层，还有一些东西甚至很难直接叫"技术"，更像是一种判断：什么是好代码，什么是坏抽象，什么时候应该追求优雅，什么时候应该接受粗糙，什么样的取舍是对的，什么样的取舍只是把问题往后拖。
难的恰恰是后面这些。
这些能力虽然重要，却没法一上来就学会。大多数人都不是先学会判断，再去写代码，恰恰相反，是先在一堆并不漂亮的工作里打转，改过难看的老代码，修过说不上高级却很磨人的问题，经历过 review 里那些让人难受的争论，也见过一些线上故障是怎么一步一步酿成的。很多能力，并不是在"学"的时候长出来的，而是在一次次出错、返工、争执和收拾残局里磨出来的。
问题到这里，就开始变了。
AI 最先拿走的，不是最难的部分，而是那些看起来不高级、却很重要的练手机会。它能帮你补全代码，生成页面，解释报错，重构结构，甚至在很多时候，给出一个相当不错的答案。于是很多原本需要你自己撞上去、自己卡住、自己慢慢摸出来的过程，被提前抹平了。
这当然不是坏事。效率提高了，试错成本也下降了。可问题在于，一个人如果太早习惯了"先得到答案"，就未必还会经历"答案是怎么长出来的"那个过程。
更深一层看，这背后其实还不只是 AI。
我们这个时代几乎所有成功的产品，都在把人往同一个方向推：更低的摩擦，更快的反馈，更少的等待。短视频是这样，外卖是这样，推荐算法是这样，AI 也是这样。只要开口，就立刻有结果；只要停留，就立刻有反馈；只要发出一个模糊的需求，就有人替你补全中间那些原本艰难、缓慢、甚至令人沮丧的过程。
而人对这种"低摩擦"几乎是天然没有抵抗力的。因为直接得到答案，本身就是一种很强的心理奖励。它省掉了等待，省掉了困惑，省掉了反复试错时那种漫长的无意义感，也省掉了被现实一次次否定之后不得不重整思路的痛苦。相较之下，理解从来都不是轻松的事情。它往往意味着延迟满足，意味着长时间看不见结果，意味着大量重复，也意味着在很多时刻，你甚至不知道自己到底有没有在进步。
技术学习偏偏又是逆着这股本能长出来的。很多时候，最有价值的东西，并不出现在"我已经会了"的那一刻，而是出现在长时间不会、长时间模糊、长时间被现实顶回来的那段过程里。
所以 AI 更深的危险，也许并不只是它替代了学习，而是它开始让人越来越难以忍受"尚未理解"的状态。一个人一旦长期被即时反馈包围，就会慢慢失去在困惑中停留的耐心，失去和笨拙、迟缓、模糊相处的能力。可偏偏很多重要的东西，都是在这段最不舒服的时期里，才慢慢长出来的。
这也是为什么，人成熟这件事，常常并不发生在顺滑的时候。
回到 AI 本身，它真正让人警惕的地方，还在于它特别容易制造一种能力上的错觉：页面跑起来了，于是以为自己理解了；代码生成出来了，于是以为自己掌握了；方案看上去说得通，于是以为自己也具备了判断这个方案好坏的能力。
可很多时候，能把东西做出来，和知道它为什么对，并不是一回事。更不是说，知道它现在为什么能工作，就等于知道它将来会在哪里坏掉。
如果说评判一篇文章，前提至少是识字，然后还要知道什么叫好文章，那么 AI 编程现在最模糊的地方就在这里：它会让"产出结果"和"真正理解"之间的边界，变得越来越不清楚。人很容易在这种顺滑里，误把调用能力当成理解能力，误把表达能力当成判断能力。
所以再回到最开始那个问题：还有必要学那么多技术吗？
如果这里说的"技术"，只是那些工具性的知识，只是记某个框架的语法，记某个接口的参数，记某种固定的开发套路，那么这类东西的价值，的确会越来越快地被稀释。AI 对这一部分的替代，恐怕只会越来越明显。
但如果这里说的"技术"，是对问题的定义，是对系统约束的理解，是对现实场景的拆解，是在多个方案之间做取舍的能力，是出了问题之后知道该往哪里追、知道什么地方不能糊弄过去，那么这些东西不但没有变得不重要，反而比过去更重要了。
因为工具越强，越需要有人知道它什么时候可靠，什么时候不可靠；什么时候应该相信它，什么时候必须怀疑它；什么时候是在节省时间，什么时候其实是在透支未来。
难点也正在这里。
这些更重要的能力，偏偏又不是靠看几篇文章、问几次 AI 就能长出来的。它们往往依赖真实的业务经验，依赖对后果的承担，依赖一次次与复杂现实打交道之后留下来的感觉。判断力这个东西，说到底，不只是知识的累加，很多时候更像是被代价慢慢逼出来的。
所以我现在真正担心的，也许已经不是"新人以后还会不会写代码"，而是：如果 AI 把很多原本用来长判断力的过程都替代掉了，那么技术新人将来究竟要靠什么成熟起来？
也许会有新的路径，只是今天还看不清楚。也许以后真正有效的学习方式，不再是从头到尾手写所有东西，而是借助 AI 更快试错，但同时逼着自己去做另外一些更难也更不能省的事：自己验证，自己解释，自己复盘，自己承担结果。
否则，所谓效率，很多时候只是把"尚未理解"这件事，包装得不那么刺眼。
而一个行业如果越来越习惯于这种状态，慢慢失去的，恐怕就不只是写代码的手了。
这些年我也一直在反复想这些问题，所以顺手把一些和 AI 编程有关的思考，慢慢整理成了一本开源小书，放在 GitHub 上持续更新。若你也对这些变化感兴趣，或者也正处在这种转变里，或许可以一起看看：https://github.com/caozhiyi/AI-programming-book