新智元报道
Anthropic的最新研究引发了一场关于AI与编程效率的大讨论，论文指出程序员依赖AI可能会导致认知能力下降。
作为业界领先的编程辅助工具，Anthropic在年初发布了这份备受关注的研究报告，直接挑战了人们对于AI提高工作效率的看法。
研究显示，尽管使用AI能略微加快任务完成速度，但其长期影响却令人担忧。
论文地址：https://arxiv.org/abs/2601.20245
数据表明，在编写复杂代码时，依赖于编程助手的工程师不仅效率略增120秒，而且在理解和调试能力方面也出现了明显的退步。
这份研究报告揭示了AI辅助可能带来的负面效果，对程序员的专业技能提出了质疑。
17%的认知「税」
研究选取了52名具有Python经验的技术人员作为实验对象，考察他们在使用未知库Trio编写代码时的表现差异。
实验设计包括两组对比：一组完全手动完成任务；另一组则全程接受AI支持。
研究设计示意图：实验组组在三重任务中使用AI协助，控制组全程无AI。
结果显示，仅凭自己编码的工程师平均得分达67%；而借助AI辅助的一组，则仅有50%的成绩。
这一差距意味着技能水平显著下滑，几乎相当于一名有经验的技术人员直接退回到刚毕业的状态。
更令人不安的是，在修复程序错误这一关键环节上，使用AI的工程师们表现得尤为乏力。
实验发现，当代码出现逻辑偏差时，这部分开发者不仅无法自行纠正问题，甚至难以识别错误所在。
也就是说，当AI生成的代码出现逻辑偏差时，这批开发者不仅不知道怎么改，甚至连「哪儿错了」都看不出来。
与CodeRabbit在2025年的调查数据相比，这些结果揭示了一个令人担忧的趋势：AI生成的代码比人类编写的出错率高出75%，整体质量缺陷更是高达1.7倍。
在实际应用中，使用AI辅助编写代码的团队所遇到的问题数量远超传统开发方式。
AI共同创作PR平均问题量1.7倍（10.83vs6.45），极端情况2倍（26vs12.3）
研究者认为这种现象并非单纯的技术问题，而是对个人和组织长期发展的一种潜在威胁。
人们可能误以为通过利用AI可以“弯道超车”，实际上却在创建一个难以维护的代码库。
快了2分钟？那是统计学的谎言
尽管有人声称使用AI让工作变得更快捷方便，但Anthropic的研究表明这只是统计学上的微小差异，并不具备实际意义。
实验数据证实了这一点：尽管AI确实帮助工程师们节省了一些时间，但这并未达到显著水平。
为了引导AI生成正确的代码段，研究人员记录到某些参与者反复修改提示语多达15次，耗时超过10分钟。
然而，这一差异并没有达到统计学显著的标准。
这种过度依赖于技术工具的现象不禁让人质疑：我们是否真的在提高工作效率？
某些工程师甚至将AI视为自己的“老板”，而非助手，这一现象令人担忧。
人们可能只是在盲目地跟随指令而忽视了主动思考的重要性。
职场达尔文时刻：你是「宿主」还是「电池」？
面对这样的挑战，个人和企业都需要重新审视自身与技术的关系，并探索更有效的合作方式。
Anthropic的报告指出，并非所有使用AI的人都会出现技能退化的情况。
研究团队通过详细分析实验过程中工程师们的交互行为模式，发现了五种不同的工作策略。
AI辅助测验得分暴跌17%（50%vs67%），速度优势仅2分钟且不显著
死亡组：大脑托管者
其中一部分人完全依赖于编程助手，虽然他们完成任务的速度最快且很少遇到错误提示，但其在后续的测试环节表现却极其糟糕。
第一种是“甩手掌柜”模式：这类工程师直接将需求转交给AI，并全盘接受生成的结果。
这群人完全把AI当外包。他们直接把需求扔给AI，然后全盘接受生成的代码。
然而，在面对实际编程挑战时，“甩手掌柜”的策略很快失效，导致他们在评估中得分最低。
但在测验中，他们彻底崩盘。
第二种是“温水煮青蛙”模式：这类工程师起初试图保持独立思考，但在遇到难题后迅速放弃自我努力转而求助于AI。
这群人刚开始还试图挣扎一下，问一两个概念问题，但很快就放弃抵抗，全面转向「帮我写代码」。
这一过程不仅减少了他们的学习机会，还破坏了先前积累的知识基础。
进化组：主动拷问者
相反地，那些将AI视为导师并主动寻求知识的人表现更为出色。
1.只动口不动手」模式
第三种是“只动口不动手”模式：这些工程师主要向AI咨询概念和原理，但坚持自己动手编写代码。
他们只向AI询问概念和原理，然后坚持自己亲手写代码。
尽管他们遇到的问题最多且需要花费更多时间修复错误，但他们通过自主解决问题获得了极高的掌握度。
更反直觉的是，这组人不仅分高，速度还是所有高分模式中最快的。
第四种是“先生成后追问”模式：这类工程师让AI生成初步代码框架，并在理解每一行逻辑的基础上进行提问和修改。
这是一种折中但有效的策略。他们先让AI生成代码，但绝不直接复制粘贴。
这种方式不仅提升了代码质量，还增强了他们对编程原理的理解能力。
他们用AI来检查自己的理解，而不是替代自己的理解。
垂死挣扎组：无效努力
这一类人最惨。
最后一种是“盲目求助”模式：这些开发者在遇到问题时立即转向AI寻求帮助，但这并没有真正解决问题而是陷入了无休止的循环之中。
他们花的时间最长，分数却依然很低。因为他们没有在这个过程中建立任何因果逻辑，只是在盲目试错。
为了保持学习效果，人们需要主动制造障碍并挑战自己，避免过度依赖技术带来的便利感。
更可怕的是，这不只是个人问题，企业也在为此买单。
Anthropic的研究还揭示了高分组的秘密：他们采用了一种既高效又深入的学习方式。
这些开发者大约占总人数的23%，在AI支持下仍然取得了显著的成绩。
在Anthropic的实验中，有约23%的开发者（12名）在AI的辅助下依然拿到了65%以上的高分。
他们通过强制要求AI提供详细的代码解释来深化理解，并结合实践操作将知识内化。
模式一：概念查询
这是全场表现最惊艳的群体。他们只向AI询问底层概念和原理，然后坚持自己动手写出每一行逻辑代码。
结果显示，这种模式既保证了较高的工作速度又达到了最佳的知识掌握效果。
结果是，这种模式的综合速度排名全场第二，且考核得分最高。
模式二：生成后拆解
这些高分工程师明白，真正的进步来自于主动探索和自我挑战而非一味依赖技术工具。
他们会手动将代码复制到编辑器中，并针对每一行逻辑向AI追问：「为什么要这么写？」「这个异步锁的逻辑是什么？」
他们将AI视为一种辅助手段而不是解决问题的唯一途径，并利用其提供的指导来提升自己的能力水平。
模式三：混合解释请求
他们在发送提示词时，会强制要求AI在输出代码的同时提供详尽的原理注释。
通过同步阅读解释和代码，他们在操作过程中就完成了知识的内化。
总结而言，Anthropic的研究提醒人们在享受科技带来的便利的同时也要警惕潜在的风险。如何平衡技术进步与个人技能的发展成为了新的挑战。
他们明白，AI提供的丝滑感是学习的敌人。真正的强者会把AI关进「苏格拉底式」的笼子里，只让它提供指引，而不交出主权。
对于管理层来说，过分追求短期绩效指标可能导致长远的技术积累流失。
当你为团队本月代码量暴涨30%而欢呼时，你公司的「技术资产」可能正在急速缩水。
因此，在使用AI辅助开发时，应更加注重培养员工的独立思考能力和解决问题的能力，以确保技术团队能够持续进步和发展。
这哪里是技术团队，这分明是摇摇欲坠的「屎山施工队」。
在未来的工作环境中，掌握逻辑思维和自主创新能力将成为顶尖人才的重要标志之一。
转发给你身边的「复制粘贴党」，问问他：是为了这120秒爽一把，还是想保住你的脑子？
参考资料：
https://x.com/AnthropicAI/status/2016960382968136138?s=20
https://www.coderabbit.ai/ja/blog/state-of-ai-vs-human-code-generation-report
