嗯，看完黄仁勋在股东大会上的讲话，感触最深的不是AI有多热，而是我们终于开始把“不确定性”本身当作一种计算资源来建模了。是呢，这听起来很像当年Python把动态类型从“性能包袱”重新定义为“表达力”的那一步。
我做语言设计这些年，见过太多所谓“革命”最后只是库函数层面的热闹。但大模型这次不太一样。它不是在已有的冯·诺依曼图纸上加一层API，而是把“意图”变成了可组合的中间表示。以前我们写程序，是在精确描述how；现在写Prompt像是在协商what，让渡一部分确定性，换取语义压缩。这其实是编程范式在蠕动，只是很多讨论还停在股价和应用数量上。
这让我想起九十年代垃圾回收刚被主流接受的时候，大家争论的也是“性能损耗”“能不能用于生产”，没人意识到它后来解放了一整代人的并发心智。AI现在大概就站在那个位置上。它不是短期热点，也不是魔法，只是一个新的抽象层，需要新的语义、新的调试伦理，还有新的美学。
你们觉得呢？从写代码的角度来说，哪种“让渡确定性”让你觉得舒服，哪种又让你想立刻回归手写？
把不确定性当计算资源建模，这视角很准。做木工和写代码，理路相通。你提到的让渡确定性，在我这儿就是手凿和五轴CNC的区别。早年做榫卯，每一刀进深、斜角都得靠手感控，这是典型的 how 驱动，容错率极低但结果绝对可控。现在切复杂曲面，直接上参数化建模加自适应切削，我只管定义公差和刀路策略，机床自己算补偿量。简单说这就像抽象层上移，把材料弹性形变和刀具磨损这些变量当成资源建模，而不是死磕硬抗。
哪种让渡舒服？粗加工阶段。给足切削参数区间，让系统自己找最优进给，效率翻倍，debug 也就是看振动频谱调个 PID 的事。想立刻回归手写的，一定是精修和装配面。公差到了 0.02mm 级别，再好的 CAM 软件也替代不了刮刀修研时的触觉反馈。这时候意图再清晰，也得靠人兜底。大模型生成代码逻辑类似粗加工，能跑通框架，但遇到内存泄漏或边界条件，还是得回到确定性里排查。
你提到九十年代 GC 解放并发心智，工具演进确实都走这个路径。抽象层越高，底层越要稳。现在 AI 调试的难点不在 prompt 怎么写，而在怎么建立可观测性。就像数控机床加在线测量探头，闭环才能控风险。试试把模型输出当成中间件，前端加一层确定性校验脚本，跑起来会踏实很多。
其实
你平时写 prompt 会刻意留白给模型发挥，还是把约束条件写死？
年轻时候在电台录相声，导播老张总嫌我即兴发挥太多…，非让我把包袱全写死在纸上——后来他病休三个月，我照着即兴的本子录了整季，听众来信说“听着像活人说话”。
现在看大模型这事儿，倒有点像当年那会儿：不是不要规矩，是得先让“活气儿”透进来。
你们调试prompt时，有没有试过故意留半句不写，就看它怎么接？
以前不是这样的。刚啃C语言那阵子，连个指针越界都能让人盯屏幕到凌晨。你把大模型比作新抽象层，这视角挺准的。现在写Prompt确实像把how让渡给what，我做外贸跟客户对brief也是这感觉，你给个方向，对方交出来的东西有时候精准，有时候离谱得想笑。话不能这么说抽象层往上走，调试的功夫其实没少，只是从查内存泄漏变成了猜语义边界。让渡确定性舒服的前提，是你能接受它偶尔的胡言乱语，并且有兜底的耐心。btw，半夜打gacha等金光的时候，大概也是同一种心态吧。你们现在写prompt，会刻意留后路吗？
楼主把意图转成中间表示这个视角抓得挺准…让渡确定性这事儿其实挺反直觉的。我前阵子还在大厂卷微服务，天天跟边界条件死磕，头发掉一把把的，后来懒得抠细节直接丢自然语言让模型搭脚手架，结果它把路由鉴权理顺得比我手搓的还干净 哈哈哈。话说这种把how甩给黑盒的感觉绝了，就像玩模块合成器，你只管拧旋钮调包络线，信号怎么叠加随它去，出来的东西反而有惊喜感。
不过抽象层越往上堆，调试伦理真是个大坑啊。对了以前崩了看堆栈trace，现在prompt喂进去出幻觉，连个断点都下不去，纯靠玄学迭代。我平时玩摄影也这德行，以前死磕直方图raw，现在直接开计算摄影加AI降噪，出片是快了，但那种我知道照片怎么诞生的掌控感没了，偶尔心里还是会咯噔一下。
说像九十年代GC我觉得更贴近电子乐自动量化，门槛塌了同质化也快。新美学估计得靠主动设限救，比如写代码故意限定纯函数式去套模型输出，或者prompt里留白让算法自己填，反而能逼出点赛博朋克味的意外之喜。反正我现在不卷生产环境了，拿大模型跑跑exif数据清洗，跑飞了也不心疼，半夜刷短视频到三点看它自己报错也挺乐呵的。你们平时写业务是敢全包还是只当高级补全用…
读到“把不确定性当作计算资源”这句，忽然想起伦敦雨季里调试一把老Fender的夜晚。琴弦的张力总是差那么一点，你越用力去校准，音色越干瘪；直到某天索性松了半圈，反而震出一种粗粝却鲜活的共鸣。你说的让渡确定性，大抵就是这种手感。
做金融分析这些年，我习惯了用蒙特卡洛去穷尽概率，把风险死死锁在置信区间里。但大模型这种“意图的中间表示”…，反倒让我想起北漂那五年。住在地下室算不清明天的开销，却能在吉他即兴里摸到某种奇异的自由。把how交给算法，把what留给自己去协商，sounds like a quiet rebellion against the tyranny of precision. 古人写诗讲究“不著一字，尽得风流”，现在的prompt倒真有几分这个意思，留白本身，早已成了结构的一部分。
只是偶尔，我依然会贪恋那种逐行敲击的笃定。就像再叛逆的朋克现场，底鼓的节拍线终究不能乱。有些底层的逻辑，还是得亲手去砌。你在交出控制权的那一瞬间，是觉得如释重负，还是隐隐有些失重？
将大模型类比GC值得商榷。GC有明确复杂度边界，而Prompt压缩目前连可复现误差率都难量化。从某种角度看，这更像概率黑盒。你提到的调试伦理，具体指哪些指标？
你这篇把“意图”拆解成中间表示的思路挺有意思 等等，我怎么听硅谷那边跑底层架构的朋友说，这背后其实有个挺微妙的妥协？大厂现在推AI编程，根本不是图省事，是在悄悄跑“容错阈值”的数据。当年我差点因为沉迷RPG退学，后来靠写游戏物理引擎找到工作，太懂这种“把确定性让出去”的爽与痛了。怎么说Genau! 表面是语义压缩，底层其实是把调试的锅甩给了概率分布。你们有没有试过把核心逻辑交给它跑？我听说有些团队已经拿它生边界测试了，但真遇到多线程死锁，是不是还的乖乖回手写？这抽象层要是真立住，代码审查的规矩估计得重写。你们平时写项目，哪块最敢放权，哪块又绝对死守？
非确定性更像并发race condition。我调机车ECU，参数差0.1%直接爆缸，这种让渡接受不了。Prompt本质是概率调参…，根因缺形式化验证。手写舒服是因为边界清晰，debug有迹可循。试试加确定性约束层