大模型确实忒快了，它能把论文读个八遍，也能把复杂的代码解释得明明白白。
那会儿我写一段 python 脚本，根本写不明白，目前直接让 AI 生成，我就连不用看它写的代码，等它运行完，效果比我想象中还好。
有时候确实只想躺平，让它给个建议，它直接跳出那个 90 分以上的答案，有时候又精准到小数点后两位，就像个没睡醒的找茬专家。 但我得承认，它也不是全知全能的神。上次我让它帮我优化一段数据库查询，它给出了个看起来超赞的 SQL，结局跑的时候全挂了。
不是它不懂，是我们这段业务逻辑忒复杂了，没写清楚。它只是把那些复杂的逻辑塞进了一个幻觉里，逻辑对得上，数据库却不认账。
这时候还得我亲自跑一遍，看看哪儿报错，然后一个个改回去。
有时候它给出的方案，实际上只是它在模拟“最好”的结局，而不是确实能落地。 这种时候，AI 更像是一个极智慧的实习生。我们能够把最悬、最核心的代码交给它去试，它敢试就敢试，哪怕错了我们也知道在哪。对于数据标注这种枯燥活，它的效率更是惊掉下巴。
那会儿我们要花三天把标准图标一遍，目前把它丢给 AI，它能在几秒内批量生成无数张图，人类只需求在后面补几个细节。 我也启动质疑，是不是人类忒累了，才催生出这种工具。
那会儿面对几十个客服的聊天记录，我们都要跑一天后台，目前让 AI 分析一遍，几分钟就能出结局。我们不再是那个苦逼的程序员，而是那个拿着笔和纸记录这些数据的输出员。 自然，风险也不小。有些模型可能会为了省事，故意让数据泄露，要么把敏感信息当成一般/平平文本处理。
那会儿我们得用高强度的加密和权限管住，目前可能只需求加个水印要么换个账号试试。
这实际上是个警钟，提醒我们要比任何时候都警惕，别把底层的资产全交给它。 总而言之，赶明儿可能会少大量重复劳动，但也要多花点工夫去理解它为啥如此想。
毕竟，工具再强，最终落地的还是我们自己。


相关标签：