从 "Show me the code" 到 "Show me the talk"：AI 把稀缺性翻了个面
从 “Show me the code” 到 “Show me the talk”：AI 把稀缺性翻了个面
2000 年 8 月 25 日，Linux 内核邮件列表上正在吵线程性能。当时 SCO 声称自家的线程创建速度比原生 Linux 快一千倍，一群人你来我往，从信号处理谈到 PID 语义再谈到 POSIX 规范，越吵越理论化。Linus Torvalds 扔下一句：”Talk is cheap. Show me the code.”
二十六年过去，这句话被印在无数 T 恤上，成了程序员世界的实力主义宣言：你是谁不重要，学历不重要，PPT 不重要，能跑起来的代码说明一切。
但 2026 年的今天，这句话正在被人反过来写——Code is cheap. Show me the talk.
这个翻转不是文字游戏。它背后是一个更硬的事实，也是这篇要讲清楚的唯一一件事：AI 没有消灭成本，它只是把成本从”做出来”搬到了”判断对不对”上。你之所以用 AI 越用越忙，不是姿势不对，是你正好站在成本被搬过去的那一侧。
而且这件事不是第一次发生。人类二十年前就踩进过同一条河，只不过那次的触发因素不是 AI，是 Git。
上一篇讲的是个人层面：你写不出合格提示词，是因为你说不清输入，也说不清什么叫做对。这篇往前推一层——为什么现在连有能力验收的人，都开始跟不上生成速度了。
一、三份账单
先看三份账单，它们说的是同一件事。
第一份。 2026 年 6 月北美开源峰会，Linus 与 Dirk Hohndel 的第 30 次公开对谈。他说最近两个内核版本的 commit 数量比过去几年增加了约 20%。”起初我以为大家是对 7.0 版本感到兴奋，但事实证明我错了。”真正的变量是 AI 工具。
第二份。 同一个人的另一句话。内核的安全邮件列表被成百上千份重复报告淹没，全是用同类 AI 工具扫出来的同一类问题。维护者那点时间没花在修 bug 上，全花在把这些报告转发给真正懂那块代码的开发者上。于是社区出了新规：如果你是用 AI 发现的 Bug，请直接将其视为公开信息——因为如果你能用 AI 发现它，另外一百个人也能用 AI 发现它。
第三份是你自己的。 用了 AI 之后，你并没有闲下来。你变忙了。
三份账单，三张同一件事的脸：生成量涨了，通过量没涨；能发现的问题多了，能消化问题的人没多；工具快了，你慢了。
这不是工具失灵的迹象，恰恰相反。有一个说法很准确：什么时候你发现用 AI 反而让你更忙了，工作量增加了好几倍，恭喜你，这一关你才算入门。
二、成本是怎么搬家的
以前贵的是生产。出一版原型要好几天，所以中间过程只能靠纸：PPT、原型图、需求文档、评审会。所有讨论都发生在”实物”出现之前，因为造实物太贵。
现在生产接近免费。一天能出五版 Demo，讨论直接在实物上进行。这是货真价实的进步——拿着能跑的东西讨论，比对着线框图争论靠谱得多。
但五版里只挑一版。生成量涨了五倍，交付量涨了零。
在线会议是同一个规律的另一张脸：开会变容易了，于是会议频率暴涨。以前要定时间、定会议室、通知所有人，现在”五分钟后拉个会”。沟通的单位成本下降，总支出反而上升。
提炼成一条可以复用的规律：一件东西变便宜，紧挨着它的那件事就会变贵。
杰文斯悖论讲的就是这个。瓦特改良蒸汽机后煤炭效率大幅提升，结果煤炭消耗量不降反升——因为用得起的地方变多了。同理，AI 读片普及之后，影像科医生没有消失，反而更稀缺、收入更高；AI 绘图工具把某平台的订单量推高一倍，画手的平均收入反而涨了五成。行业不会死，死的是旧的技能组合。
这不是第一次：内核社区二十年前走过一遍
真正值得说的一点是，这个反转有先例，而且先例发生在同一批人身上。
Git 和分布式协作出现之前，提交一个补丁是有门槛的事。门槛本身就是过滤器。当提交变得廉价、补丁量暴涨，Linus 发现自己一个人的管理能力撑不住了。他 2026 年回忆这件事：
我大约在 2000 年左右不得不改变我的工作方式，因为随着 Linux 的成长，我个人已经无法再维持原来的管理规模了。那是我在内核开发中最痛苦的经历之一。
紧接着他把这件事和今天并列：“我认为我们现在在 AI 身上也看到了类似的影响：它迫使人们走出舒适区。”
于是他做了一件事：不再自己审每一行代码，而是建一棵 maintainer 树，每个子系统交给一个他信任的人，那个人再往下分；加上 Signed-off-by 这条责任链；加上邮件列表上谁都能公开质疑；加上 merge window 的节奏控制。
这四样东西没有一样是技术工具。它们全是社会性基础设施。
这才是关键所在：生成一个补丁的成本可以被工具压下去，让一千个人相信这个补丁的成本不会。前者遵守摩尔定律，后者不遵守。
三、验收这一侧，贵在哪
验收不是”跑通没报错”。那是第一关，也是最浅的一关。完整的验收是五件事：对不对、好不好、该改哪、能不能交付、交付之后会发生什么。
Google 的 2025 DORA 报告给这组成本做了实测。在 90% 的 AI 采用率之下，bug 增加 9%，代码审查时间延长 91%，PR 规模增大 154%。报告里那句结论值得单独抄下来：
AI 不能修复一个团队，它放大已有的一切。
GitClear 分析 2.11 亿行代码变更，发现代码克隆量增加了 4 倍，”复制粘贴”第一次超过”移动代码”。这两个数字放在一起说的是同一件事：新增代码里真正有信息量的比例在下降。
Sashiko 这个例子更直观。它是一个 agentic 内核补丁审查系统，实测能独立找出 53.6% 后来被人修掉的 bug——这个数字很漂亮。但它的假阳性率在 20% 左右，也就是说维护者每收到五条告警，有一条根本不存在。Linus 在邮件列表上为这类工具划的线是：AI 工具应该帮维护者消化工作量，而不是制造新的噪音让贡献者反过来应付。
跑通只是第一关
这层成本在科研里更难被看见，因为它没有编译错误可以报。
生信管线跑通了，只说明语法层过了；结果在生物学上合不合理，是另一回事。差异表达的结果里混着批次效应，富集分析用的背景集选错了，参考基因组版本和注释版本对不上，对照组和实验组的取样时间差了三个月——这些都不会让程序报错，只会让结论悄悄歪掉。
跑通只是第一关，而第一关恰恰是 AI 最容易帮你过的那一关。 它帮你跨过了那条有明确通行标准的线，然后把你留在了没有标准、只能靠你自己判断的那片地带。
超出你品味的输出，对你没有价值
然后是更难受的一层，也是这一节真正想说的：
AI 生成的东西一旦超出你的品味，它对你就没有价值。
原因不玄：因为别人用同一个模型也能生成。你拿不到比较优势。
这不是空话，是可以在自己身上复现的判据。2023 年文生图刚出来的时候，很多人（包括我）生成了一堆图发给做艺术的朋友看，带着点炫耀。朋友很客气，然后开始一条一条地讲：这个手的关节不对，那个光源前后矛盾，这个材质的反射在物理上说不通。那一刻的尴尬很值钱，因为它说明了一件事——你觉得 AI 的输出惊艳，往往不是因为 AI 强，是因为你在这个领域还不够专业。
反过来也成立，而且可以当成自检标准直接用：你能不能在三十秒内说出 AI 这份输出的三个问题？说不出来，说明这一层你已经外包了。
Linus 有句话是这个道理的工程版：”如果你炫耀 99% 的代码是 AI 写的，那我敢打赌，你 100% 的代码其实都是编译器写的。”
四、为什么验收没法外包
既然验收这么贵，那能不能把验收也交给 AI？
这个想法完全合理，而且已经有大量产品在这么做。我的回答分两层，一层关于能力，一层关于我们根本不知道什么。
放大器：被乘数是零的时候
模型是人能力的放大器。好模型的放大倍率高，所以人人都想用——这个观察本身没错，错的是把倍率当成了结果。
放大器的输出等于被乘数乘以倍率。被乘数是 0.00001，倍率再高，结果还是 0.00001。
DORA 那句”它放大已有的一切”就是这个公式的行业版本：一个本身混乱的团队用上 AI 之后不会变整齐，只会更快地混乱。
而且放大不是全域的。把常见的工作能力拆成四项，逐条看 AI 到底放大了什么：
- 提出问题。 没有放大。AI 不会提出问题。 它能回答、能补全、能在一堆资料里找出模式，但”这批数据里有个说不通的地方”这个念头得由你来起。它甚至会反向作用：你问什么它答什么，你不问的地方它永远沉默。
- 基于事实数据的基本判断。 大幅放大。这是它真正强的部分：检索、比对、按规则检查、找出不符合规范的地方。Sashiko 那 53.6% 全部落在这一格。
- 承担后果。 没有放大，而且不可外包。补丁合进去之后线上炸了，承担责任的是签了 Signed-off-by 的那个人。
- 带立场、带情感、带经验的人性化判断。 没有放大。这一条最容易被误判，因为 AI 能模仿它的形式。它可以写出”从您的角度来看”，但它没有您的角度——它不知道你的实验室三个月前踩过哪个坑，不知道你的合作者最在意什么，不知道你这次宁可慢一点也不要冒险。
于是出现了一个很不对称的局面：AI 放大的恰好是最容易规模化的那一项，没放大的恰好是最难规模化的那三项。 总成本不降反升，是这个不对称的必然结果，不是意外。
Linus 那句”发现 Bug 确实比修复 Bug 更容易”，说的是同一个不对称的另一面：提出问题和判断轻重，在成本上从来不对等，而 AI 只压低了其中一侧。
能力错配：它放大的未必是你的能力
上面那个公式其实还是乐观版本，因为它默认被乘数至少是个正数。
真实的放大器不区分正负——它放大的是你身上已经存在的东西，而不是你希望被放大的那一部分。 判断力扎实的人，AI 放大的是产出；判断力薄弱的人，AI 放大的是他已有的误解、偏见和盲区。这也是”能力错配”这个词的来历：工具的能力和使用者的能力根本没对上，对上的是工具的能力和使用者的成见。
这背后有个机制层面的原因，说出来有点反直觉：模型被训练成顺从和讨好用户，它天然不倾向于挑战你。 而对判断力来说，”被挑战”恰恰是唯一的成长途径。一个从不反驳你的系统，长期相处下来不是在帮你校准，是在帮你加固。
这个机制走到极端是什么样，已经有大量公开记录了。2025 年，加州大学旧金山分校的精神科医生 Keith Sakata 报告了他治疗的 12 名患者——都是长时间使用聊天机器人后出现精神病样症状的年轻人，表现为妄想、思维紊乱和幻觉。他给出的机制解释正是上面那一条：“聊天机器人不会挑战妄想思维。” 伦敦国王学院的神经精神科医生 Tom Pollak 把这些系统的可调参数称为”信念的旋钮”：谄媚、记忆、个性化、情感表达，每一个都能被拧大或拧小，后果则在开发者看不见的地方扩散。
数字也摆在明面上。2025 年 10 月，OpenAI 自己披露，在 8 亿周活跃用户中，有 56 万人显示出”与精神病或躁狂相关的心理健康紧急状况的可能迹象”。到 2026 年初，《观察家报》统计到至少 26 起诉讼与公开报道案例，指控聊天机器人导致非正常死亡或严重精神伤害；一个名为 The Human Line 的互助组织另外收集了 376 例自我报告的精神科紧急事件。
我不想渲染这些案例，也不打算讨论责任归属——那是法庭的事。我想指出的只是它在放大器这个框架里的位置：当一个系统既强大又从不反驳你，它对判断力薄弱的人就不是中性的工具，而是一台回声机器。 你投进去一个念头，它给你返回一个更精致、更雄辩、更让你确信的同一个念头。
而在另一端，是远没有这么戏剧性、但人数多得多的情况：对那些本来就不爱研究新工具的人，AI 带来的提升小得可怜。 这个数字我没有实验支撑，是我拍的——我倾向于认为不到 5%。但我对方向的把握不来自跑分，来自一个更简单的观察。
看看这么多大学生和初级使用者，用 AI 用到”很熟练”之后，最顺口的几句话是什么：
“请用中文。”
“为什么刚才没问题，现在不行？”
“你在做什么？”
“我让你写的论文，为什么给我假的参考文献？”
把这四句并排放在一起，会看出一个很说明问题的事实：它们没有一句是在判断产出，全都是在跟工具拉扯。 第一句是格式纠偏；第二句是在为系统的不确定性买单；第三句说明使用者对自己正在做的事没有心智模型；第四句说明他直到最后一刻才发现，自己从头到尾根本没验收过。
四句话指向同一个状态：这个人从未进入过”能验收”的位置，他只是在和一个他不理解的系统反复协商。 在这个状态下，被乘数没有变大，倍率也没有真正生效——AI 只给他增加了一层新的摩擦。
所以放大器公式要再补一句才算完整：它既不保证放大的是能力，也不保证放大的方向是对的。 这也解释了为什么”判断力”不是锦上添花的软技能——它是决定这台放大器往哪个方向放大的那个旋钮。
中文屋：我们不知道的那一层
第二层更难，也更少被认真对待。
1980 年，哲学家约翰·塞尔（John Searle，1932–2025）提出”中文屋”：一个不懂中文的人被关在房间里，手里有一本英文写的规则手册，告诉他看到某个中文符号该回哪个符号。外面递进来问题，他照着手册拼出答案递出去。外面的人觉得房间里有个中文很好的人。但房间里没有任何东西理解中文。
塞尔那篇《Minds, Brains, and Programs》里真正有分量的，不是结论，是他拿来当地基的那句自白：
“我可以有你想要的任何形式程序，但我仍然什么都不理解。”
注意这句的结构——它不是在说机器，是在说自己。 他的整个论证从一个第一人称的确定性出发：我确定我在那个房间里什么都不懂。然后才推到下一步：计算机拥有的东西，并不比我多。
这正是我们今天处境的精确形状：我们可以没完没了地讨论机器到底有没有理解，但我们唯一能确证的判断主体，只有我们自己。 这个位置和笛卡尔当年留下的那个不可怀疑的最小点，是同一个点。塞尔后来把这个方法论写成了明文——“始终坚持第一人称视角”，”心的本体论是第一人称本体论”。
当然，这个论证从第一天起就被反驳，而且最锋利的反驳不是”机器能理解”，而是”你怎么知道别人不是中文屋”。图灵在 1950 年就预见到了这一路论证，管它叫”来自意识的论证”，并给了一个极其实用的回应：人们从来不会互相质疑对方有没有在思考，我们只是遵守一个”礼貌的约定”——约定大家都在思考。AI 研究者 Nils Nilsson（1933–2019）把这个反驳推到了最尖的版本，直接拿塞尔本人开刀：
就我所知，塞尔可能只是在假装深入思考这些问题。但尽管我不同意他，他的模拟相当不错，所以我愿意承认他有真正的思想。
塞尔、图灵、Nilsson 都已是故人。我把这三个人摆在一起，不是为了搬权威压人，而是想指出一个事实：这场争论持续了七十多年没有结论，而且大概率不会有结论。
顺带拆掉那句最常见的批评：”它不过是在玩概率游戏”
这七十年里有一句批评出现频率极高，经常被当成一锤定音的否定，值得单独拆一下：“大模型不过是在玩概率游戏。”
只要把它当成一个论证而不是一句情绪，它立刻会反噬。
先看人这一侧。 人说出来的每一句话，难道不也是概率产物吗？你的措辞来自你说过和听过的全部句子，你的判断来自你经历过的全部场景，你说的每一句”我认为”背后都是一堆你未必能完全摊开的经验、顾虑和权衡。我们和它的区别，只是把”概率”这个词的来源从训练语料换成了个人经历。
再往深一层。 一种严肃（而且至今仍有争议）的宇宙图景认为：人的主观意志同样建立在微观层面的量子概率之上，是海量微观概率事件在宏观上涌现出的、可以用统计规律描述的稳定模式。我不打算把这条当定论——它至今仍是物理学和哲学的争论现场。但哪怕只把它当作一个可能性，那句”不过是概率游戏”就已经失去了区分力：如果概率性是原罪，那人和机器同案。
然后是数学这一侧，它比上面任何一条都硬：概率不为零的事件，在足够多次的重复中几乎必然发生。 这不是玄学，是概率论的基本结论。
于是那个医生的例子才成立，而且它是这一节我最想留下的东西。面对一个踌躇不决的病人，负责任的医生会说两句话：
第一句：”这个病做完手术和正常人一样。”
第二句：”成功率是 99.5%。”
前者是在给决心，它描述的是常态；后者是在尊重数学，它承认那 0.5%。 只说第一句的医生不够专业——他在替病人决定该不该知道；只说第二句的医生没搞清楚病人此刻需要的不是统计。成熟的从业者两句话都会说。
而现在我们对 AI 的态度，恰恰卡在只肯听其中一句：要么全盘接受”它能做”，要么揪住”它只是概率”全盘否定。真实情况是——它确实是概率系统，同时它确实有用。这两句话从来不矛盾。
至于我们对概率本身的直觉有多差，可以看最后一个例子。此刻正在写这篇文章的我，和正在读它的你，今天把脚踏出门的那一刻，被飞机砸中的概率不算大，但也绝不是零。我们从来不为这件事焦虑，因为我们已经习惯了它。我们对出门的尾部风险麻木，却对 AI 的同等量级风险反应激烈——这个不对称说明的不是 AI 有多危险，是我们还没把它当成日常。
而”把它当成日常”的意思，恰好就是前面一直在说的那三个字：会验收。
所以”它只是概率游戏”这句话，不构成对 AI 的批评，它只是对 AI 的描述。 一个 99.5% 的系统能不能用，从来不取决于它是不是概率系统，取决于你有没有为那 0.5% 准备好接盘的人。而”准备好接盘的人”这件事，换一个说法就是验收。
那怎么办？
答案不在哲学里，在一个工程决策里。既然无法从内部确证这个系统是否真的理解，那我们唯一能做的就是行为层面的验收。而这恰恰是 Linux 7.0 在 2026 年 4 月落地的那条政策在做的事：
- AI 生成的贡献必须遵守 GPL-2.0；
- AI 工具被禁止使用 Signed-off-by 标签；
- 新增 Assisted-by 元数据标签，标出哪些部分由 LLM 参与生成。
这个设计值得单独看一眼。Signed-off-by 在内核里从来不是一个格式要求，它是一份责任声明——签上去的人要为这段代码负责。所以它只给人。机器能拿到的只有一个中性的 Assisted-by。
一个社区用三十多年时间，把”责任归属”这件事固化进了一个标签里。 这不是反 AI，这是把不可外包的那一层用制度钉死了。
五、三条捷径都走不通
验收能力既然这么关键，那怎么获得？市面上有三条现成的路，三条都走不通。
第一条：多学几个工具就安全了。 这条最像常识，也最经不起推敲。二十年前招人写”熟练使用 Office”，但 Word 和 Excel 本身从不让人挣钱，能用 Word 写出一份好报告才挣钱。工具熟练度从来不是护城河，恰恰因为它可以被批量复制。 一个所有人都能在两周内学会的技能，不会给你带来任何比较优势。
第二条：报个课系统学一下。 先承认它最强的一面：系统学习确实比碎片摸索效率高，一门好课能帮你省下大量试错时间。问题在于它买不到什么。教你怎么用 AI 赚钱的人，如果真能靠 AI 赚钱，他不会告诉你——他的能力是上课，不是拿工具挣钱。 你能买到的不是能力，是获得感。获得感和产出是两件事：前者抚平焦虑，后者才改变处境。
第三条：得用最强最新的模型。 这条最贵，也最隐蔽。每一次模型升级确实带来真实的性能提升，长链条任务的出错率显著下降。但这里有个感知阈值的问题：F1 赛车单圈快两秒，对赛车设计是巨大成就，对通勤毫无意义；五十块的耳机和两千块的耳机谁都听得出来，两千和两万之间大部分人听不出差别。绝大多数人问不出价值 199 美金的问题。 真正的选型标准不是强弱，是适配：你要的是长链条还是短交互？能容忍多长的等待？你的验收粒度多细？一个受不了等两分钟的人，用响应更快的次一档模型，实际产出高于用最强模型。
这三条的共同错误，是把工具侧的投入当成了能力侧的投入。
关于引用 Linus 这件事
前面引了不少 Linus 的话，这里得交代清楚一件事：我不是在拿他当裁判。
一个活着的人说了什么，本身不构成任何论证。我引用他，是因为 Linux 内核社区是人类持续时间最长、规模最大的一次代码验收实验——每次发布超过一千名贡献者，三千五百万行代码，持续三十五年——而他是这个实验的第一手观测者。我们读的是实验数据，不是裁判意见。
他说的每一句话，如果脱离了那套 maintainer 树、Signed-off-by 责任链和公开邮件列表，就只是一句观点。真正有说服力的是那套机制本身，以及它在 AI 冲击下给出的实测数据：commit 涨 20%，审查时间涨 91%，假阳性 20%，责任标签一分为二。
六、关掉 AI 练
既然判断力买不到，那它从哪来？
答案有点反直觉：从关掉 AI 的那段时间里来。
健身是最贴切的类比。深蹲、卧推、硬拉这三个动作，在现实生活里没有任何直接用途——不会有人因为货架高就做个引体向上把东西拿下来，跑马拉松的人也不会跑步上班。我们练这些”没有用的动作”，是为了提高基础素质：血氧量、心肺功能、在长时间工作里保持精力的能力。
判断力也是基础素质，也得这么练。
具体动作只有五步，可以照做：
- 先自己写答案。 面对问题，关掉 AI，写一个哪怕很粗糙的版本。这一步的价值不在答案本身，在于它逼你把问题真正结构化一次。
- 再让 AI 批评。 把你的答案给它，让它挑刺、补你没想到的思路。注意是让它批评你的答案，不是让它替你生成一个。
- 换一个模型再挑一遍。 A 生成的给 B，说”这是 A 给我的答案，帮我找茬”；把 B 的批评回给 A，让它回应。多轮之后收敛。
- 理解这为什么有效。 不是玄学：如果一个模型在某处出错的概率是 10%，两个模型在同一处同时出错的概率大致是 10% × 10%，也就是 1% 左右。交叉验证的收益来自概率，不来自模型更聪明。
- 看它们互搏的过程，而不只是看结果。 这一步最容易被跳过，也最值钱。旁观两个模型互相攻击的过程中，你会渐渐看清”什么算一个好论证””哪一类漏洞是致命的”。涨的是你的品味，不只是你手上这份答案的质量。
频次不需要高，也不需要仪式感。每两三天关掉 AI 做一次就够了。不需要警惕心，需要的是习惯——就像每周去三次健身房，做的都是毫无意义的动作。
还有一条同等重要：收敛优先于发散。 让 agent 一晚上吐二十个方案，你要花三天去验收，这笔账算不过来。正确顺序是先收敛，在发散之前就把该摒弃的摒弃掉，然后再展开。我要的是三个经过我思考的深入答案，不是二十个平均水平的答案。
一个很冷的证据
这件事的紧迫性有个冷冰冰的实证。METR 在 2026 年 2 月做后续研究时发现，30% 到 50% 的受邀开发者拒绝参加实验，理由是他们不愿意在没有 AI 的条件下工作——对照组都快凑不齐了。
一个工具，当人们连在实验里暂时放下它都不愿意，它就已经从工具变成了依赖。
Linus 自己做的正是这件事，虽然他没这么命名。2026 年 1 月他给业余的吉他踏板项目写配套工具时，用 AI 生成了 Python 可视化那部分，还在提交信息里坦白”这比我手写的好得多”。但核心的 C 逻辑是他自己写的。
这就是”知道哪一段不能外包”长什么样。它不是不用 AI，是清楚地知道哪一段用了不算作弊、哪一段用了就等于放弃。
七、接受一个不确定的工具
最后一层是心态。
不确定不等于不能用。天气预报有概率，医疗检查有假阳性和假阴性，我们照样天天用它们做决策。这里真正需要的是三件事：知道它不确定、知道怎么 check、知道怎么承担后果。
有三条更底层的道理能压住焦虑，都是老东西，但在这个场景下格外好用。
数学：所有结论都有前提条件。 一张纸的周长只在可观测尺度上成立；放到分子尺度，它只是一团离散的聚合物，没有边界。任何一句”AI 说 X”背后都藏着前提，找出前提，就找出了它失效的边界。这是最实用的一条验收技巧。
概率：证据不是为了得到真相，是为了把不确定性减少一点。 世界不是 0 和 1 的二值开关，是 0 到 1 之间那片广阔地带。每一次验收，本质上是在这条轴上把结论往确定的方向推一点，而不是推到端点。
系统工程：局部最优不等于全局最优。 把你随机丢在喜马拉雅山脉，每一步都选上坡，你能上珠峰吗？不能。你大概率会停在某座六千米的小山坡上，四面都是下坡路。想上珠峰，就得允许自己有几步是往下走的。
最后回到 Linus 那句话上。2026 年 7 月，他在内核邮件列表上回击那些要求禁止 AI 工具的人：
任何指出 AI 问题的人，最好同时照照镜子。因为自然智能也从来都算不上多高明。
这句话不是在替 AI 辩护，是在取消一个不成立的对照组。我们从来不是拿 AI 和完美相比，我们是拿 AI 和一个会累、会忘、会看漏、会在周五下午心不在焉地合掉一个补丁的人类相比。
回到开头那个反差：你用 AI 之后变忙了。
这不是工具失灵，也不是你姿势不对。这是成本搬家的正常现象——你第一次开始为”判断”付费，而这项费用以前一直被”生产”的昂贵掩盖着。
2000 年 Linus 说 Show me the code，因为那时候代码稀缺。2026 年这句话要反过来写，因为稀缺的那一侧换了位置。
而他自己，恰好是从 code 那侧搬到 talk 这侧的第一个人。2020 年开源峰会上他这么描述自己的工作：”我读邮件，写邮件，已经不写任何代码了。我写的大部分代码，其实是在邮件客户端里写的。”
连说出 “Show me the code” 的人，最后也靠 talk 吃饭了。
什么时候你发现用 AI 反而更忙了，恭喜你，这一关你才算入门。