有个读者面B站AI应用研发实习生，一面聊了四十分钟项目，八股和手撕代码都过了，感觉稳了。

二面前面一切正常——项目追问、技术深挖、场景设计，常规流程走完，他觉得自己答得不错。

然后面试官话锋一转：“技术方面差不多了，我想跟你聊几个开放性的问题。”

紧接着，面试官掏出四个题，逐个深聊：

1. 你觉得AI的出现对软件工程的影响是什么？
2. 你怎么看待古法编程？
3. 低级语言到高级语言，与高级语言到自然语言，为什么不能简单类比？
4. 你觉得AI对学习的影响是什么？

他听完第一反应是：开放题？随便聊聊不就行了？

聊完发现不是那么回事。

面试官每个问题都在追问他的逻辑链条。他说"AI提高了开发效率"，面试官追"效率提高之后，软件工程的瓶颈转移到了哪里"；他说"古法编程还有价值"，面试官追"价值具体体现在哪个环节，是所有环节还是特定环节"。

四个问题聊下来，他发现自己对AI的理解停在"会用工具"的层面，没有形成系统认知。技术题答得再漂亮，到这四个题上全露馅了。

这四个题才是二面真正的筛人环节。

技术题考的是你"做了什么"，开放题考的是你"想了什么"。前者靠准备，后者靠积累，临时背是背不出来的。

今天我就把这四个题逐个拆开深聊。每一题我都给你一个思考框架，不是给你背标准答案——这种题本来就没有标准答案。但有好答案和烂答案的区别，区别在于你有没有想到底层。

如果你也在准备AI方向的面试，或者你想搞清楚AI到底在改变什么，这篇文章建议存下来反复看。

第一问：AI对软件工程的影响是什么？

这题看起来最宏大，也最容易答得空泛。

大部分人的第一反应是：“AI提高了开发效率，让程序员能更快地写代码。”

这话说完，面试官基本就知道你的思考深度了。因为这句话是对的，但它只说了一个现象，没说本质。

AI对软件工程的影响，不是"写得更快"，而是改变了软件工程的核心矛盾。

矛盾转移：从"实现成本"到"验证成本"

软件工程过去几十年的核心矛盾是什么？是实现成本高。

写代码慢，改代码慢，测试覆盖不够，上线提心吊胆。整个行业的技术演进——从汇编到高级语言，从手写到框架，从单体到微服务，从手动部署到CI/CD——本质上都在做一件事：降低实现成本。

AI出现后，实现成本断崖式下降。一个CRUD接口，以前手写半天，现在描述清楚需求，AI五分钟生成。

但矛盾没有消失，它转移了。

新的核心矛盾变成了验证成本。

AI生成的代码，你得确认它对不对。这不是读一遍就完事的——AI写的代码有一个致命特征：它看起来特别像对的。

变量命名规范，注释完整，逻辑自洽，甚至异常处理都写好了。但可能在一个边界条件上完全错了，可能引入了一个隐蔽的安全漏洞，可能在并发场景下有竞态条件。

你不去仔细验证，根本看不出来。

所以软件工程的瓶颈从"怎么把代码写出来"变成了"怎么确认代码是对的"。

角色重构：从"代码生产者"到"系统设计者+质量守门人"

这个转移带来一个直接后果：程序员的角色定位变了。

以前你是代码的生产者，核心竞争力是"写得出来、写得快、写得好"。

现在AI能写出大部分常规代码，你的核心竞争力变成了两件事：

第一，系统设计能力。AI能帮你写一个函数、一个类、一个模块，但它不能帮你决定系统架构。微服务怎么拆？数据一致性怎么保证？缓存策略怎么选？这些决策需要你对业务和技术的深度理解，AI给不了你答案——因为它不知道你的具体上下文。

第二，质量验证能力。AI生成的代码你得能看懂、能挑错、能验证。这要求你对底层原理的理解比以前更深，不是更浅。

很多人觉得"有了AI就不用学底层了"，这是最危险的错觉。AI生成的代码越多，你越需要底层知识来判断它对不对。以前你不学底层，最多写得慢；现在你不学底层，你连AI写的代码好不好都判断不了。

高分回答框架

"我认为AI对软件工程最根本的影响不是提效，而是转移了核心矛盾。过去软件工程的瓶颈在实现成本——把代码写出来很难，所以整个行业的技术演进都在降低实现成本。AI把实现成本打下来之后，瓶颈转移到了验证成本——AI生成的代码看起来都对，但确认它真的对，成本反而更高了。

这带来两个变化：第一，程序员的角色从代码生产者变成系统设计者和质量守门人，核心竞争力从实现能力变成判断能力。第二，软件工程的工程实践需要重构——Code Review从抽检环节变成核心环节，测试策略需要从’验证我写的代码’变成’对抗性验证AI生成的代码’，规范约束需要从’靠人遵守’变成’写进AI的context’。

所以AI不是让软件工程变简单了，而是让它变难了——只是难的维度变了。"

第二问：你怎么看待古法编程？

“古法编程”——就是不用AI，纯手写代码。

这题是在考你：你觉得手动写代码这个技能，在AI时代还有没有价值？价值在哪？

很多人的回答会走两个极端。

一个极端是"古法编程过时了"。理由是AI写代码又快又好，手写效率太低，就像有了计算器还练心算一样，属于被淘汰的技能。

另一个极端是"古法编程永远有价值"。理由是"基础不能丢"“手写才能理解深刻”，听起来很正确但说不清到底在哪个环节有价值。

面试官都不满意。因为两个极端都缺少场景拆分。

核心洞察：不是所有环节都一样

把编程活动拆成几个层次来看：

看出规律了吗？

AI能替代的是"确定性高、模式化强"的部分。古法编程的不可替代价值集中在"需要深度理解、需要创造性判断"的部分。

具体来说：

模板代码层，古法编程确实可以扔了。你手写一个REST接口的增删改查，和AI生成的没有任何区别，只是慢十倍。这层的"古法"没有附加价值，纯粹是浪费时间。

但调试排障层，古法编程是刚需。

线上CPU飙到100%，你让AI帮你排查？AI只能根据你贴的日志猜测，但它没有线上环境的上下文，不能attach到JVM看线程栈，不能做火焰图分析，不能感受GC停顿的频率。

这些事情必须你自己来。而要做好这些事，你需要对JVM内存模型、垃圾回收机制、线程调度的底层理解——这些理解从哪来？从你"古法编程"的过程中来。

你手写过并发代码，踩过死锁的坑，才会对线程安全有肌肉记忆。这种肌肉记忆不是知识，是经验编码在你的直觉里的东西。AI可以告诉你"这里可能有竞态条件"，但你得自己"感觉到"不对劲，才会去让AI检查。

更深一层：古法编程培养的是"审美"

说个不太好量化的东西。

古法编程真正培养的不是编码速度，是代码审美。

什么意思？就是你看过足够多的好代码和烂代码，手写过足够多的逻辑，你才会形成一种判断力：这段代码"感觉不对"。

这种判断力极其重要。因为AI生成的代码，语法正确、逻辑自洽，但可能"感觉不对"——命名不够精准、抽象层次混乱、职责不单一。你没写过足够多代码，你感觉不出来。

就像你学做饭，你可以用预制菜加热，但如果你从来没自己炒过菜，你尝不出"火候差了一点"。

古法编程的本质，是在培养你的代码味觉。

高分回答框架

"我觉得古法编程的价值不能一概而论，要分层看。

在模板代码层面，AI的替代度极高，古法编程确实没有附加价值。但在架构设计、调试排障、底层理解这几个层面，古法编程培养的东西是AI替代不了的。

具体来说，古法编程培养的是三种能力：第一是对底层的理解，你手写过并发代码才知道死锁长什么样；第二是调试直觉，线上出问题的时候AI没有环境上下文，判断靠的是你的经验编码的直觉；第三是代码审美，你写过足够多代码，才能判断AI生成的代码’虽然能跑但设计不好’。

所以我不认为古法编程过时了。过时的是’用手写来追求效率’这个目的。但’用手写来培养判断力’这个目的，在AI时代反而更重要了——因为AI生成的代码越多，越需要有人能判断它好不好。"

第三问：低级语言到高级语言，与高级语言到自然语言，为什么不能简单类比？

这是四道题里最有深度的一道，也是最能区分思考层次的。

很多人在论证"AI编程是必然趋势"时，会用一个类比：

“从前人们用汇编编程，觉得高级语言不可接受——'看不到寄存器，怎么控制性能？'后来用C编程，觉得Python不可接受——'动态类型，性能太差。'每一次抽象层级的提升，都伴随争议，但最终都成功了。所以从Python到自然语言编程，也是同样的抽象升级，反对的人只是还没适应而已。”

这个类比听起来特别有说服力。逻辑自洽，有历史佐证，还暗含"反对者都是保守派"的暗示。

但这个类比有一个致命的漏洞。

漏洞一：形式语言 vs 自然语言，本质不同

汇编、C、Python，不管层级多高，它们都是形式语言。

形式语言有一个根本特征：语义是精确的、确定的、无歧义的。

a = b + c这行代码，不管在哪种形式语言里，它的含义是唯一的。编译器/解释器对它的处理是确定的。同样的输入，永远产生同样的输出。

自然语言不是这样。

“帮我写一个用户注册接口，要安全一点。”

这句话里，"安全一点"是什么意思？防SQL注入？防XSS？加HTTPS？做密码强度校验？限流？验证码？每个人的理解都不一样。

形式语言的抽象升级，是"同一类语义模型"内的层级提升。从汇编到C，抽象掉了寄存器分配；从C到Python，抽象掉了内存管理。但底层语义模型没变——都是"给机器精确的、确定性的指令"。

自然语言到代码，是"语义模型"本身的跨越。从模糊的、有歧义的、依赖上下文的自然语言，映射到精确的、确定性的形式语言。这不是同一个维度上的升级，是跨维度的翻译。

漏洞二：确定性编译 vs 概率性生成

汇编到C的转换，是由编译器完成的。编译器是一套确定的规则系统：同样的C代码，经过同一个编译器，永远生成同样的汇编代码。

高级语言到自然语言的转换，是由大语言模型完成的。大语言模型是概率模型：同样的自然语言描述，每次生成的代码可能不同。

这个差异不是小问题，它直接决定了整个工程实践的基础假设。

关键在最后一行。

形式语言间的编译，错误检测有三道防线：编译器抓语法错误，类型系统抓类型错误，测试抓语义错误。

自然语言到代码的生成，编译器和类型系统还在（因为最终生成的还是形式语言代码），但多了一层全新的错误类型：意图理解错误。

你说"安全一点"，模型理解成了"加密码强度校验"，但你想的是"防SQL注入"。代码语法正确，类型正确，甚至测试都能过——但安全漏洞还在。

这种错误，编译器抓不到，类型系统抓不到，常规测试也抓不到。只有人能抓到——前提是人足够懂安全。

漏洞三：可组合性不同

形式语言的一个核心优势是可组合性。

你写了一个函数，别人可以调用它。你写了一个库，别人可以依赖它。因为语义确定，调用者可以精确知道这个函数会做什么。

自然语言的指令不具备这种可组合性。你给AI一个自然语言描述的"模块A"，然后想让AI基于"模块A"构建"模块B"，AI对"模块A"的理解和你当初的意图可能有偏差，这个偏差会层层放大。

这就像你让别人帮你传话，传三层之后意思就变了。形式语言不会"传话传变了"，因为语义是锁定的。

漏洞四：抽象升级降低了门槛，自然语言降低了门槛——但同时也降低了天花板

这是最容易被忽略的一点。

汇编到C，降低了编写门槛（不用管寄存器），但天花板没降——你用C依然可以做操作系统、做数据库、做一切汇编能做的事。甚至在工程化、可维护性上，C的天花板比汇编更高。

因为这次抽象升级去掉的是不必要的复杂性（寄存器分配对大多数场景来说是不必要的），保留的是核心能力（对内存的精确控制、对性能的优化空间）。

自然语言编程呢？降低了门槛（不用学编程语法），但天花板也降了——你用自然语言很难精确描述复杂系统设计、性能优化策略、并发控制逻辑。

因为自然语言去掉的不只是不必要的复杂性，还有精确表达能力本身。

你想让AI写一个高性能的并发队列，你得用自然语言描述清楚你的需求。但"无锁队列"“CAS操作”"内存屏障"这些概念，用自然语言描述的精度远不如直接用代码。你会发现，越复杂的需求，你越需要"退化"回形式语言来精确表达。

形式语言的抽象升级，是"让你不用关心实现细节，但保留了精确表达的能力"。自然语言编程，是"让你不用关心语法，但也失去了精确表达的能力"。

这两个不是一回事。

所以正确的类比应该是什么？

不是说自然语言编程不能存在，而是说它和形式语言的关系，不应该类比成"C和汇编的关系"。

更准确的类比是：自然语言编程之于形式语言编程，就像产品经理的需求文档之于开发者的代码实现。

需求文档（自然语言）描述"做什么"，代码（形式语言）描述"怎么做"。产品经理写需求文档，开发者写代码，两者协作。这个模式一直存在，AI只是让"从需求文档到代码"这一步变得更快了。

但没人会说"有了需求文档就不需要代码了"。因为需求文档是模糊的，代码是精确的，两者不可互相替代。

自然语言编程也一样。它是"需求描述层"的效率提升，不是"代码实现层"的替代。

高分回答框架

"这个类比最大的问题是忽略了形式语言和自然语言在语义模型上的本质差异。

从汇编到C到Python，每一次抽象升级都在形式语言的范畴内——语义精确、编译确定、可组合、可追溯。升级去掉的是不必要的实现细节，保留了精确表达的能力。

从高级语言到自然语言，跨越了语义模型的边界。自然语言有歧义、依赖上下文、生成的代码不确定、引入了’意图理解错误’这种全新的错误类型。更重要的是，这次’升级’降低了门槛，但也降低了天花板——越是复杂精确的需求，越需要退回形式语言来表达。

更准确的类比是：自然语言编程之于形式语言，就像需求文档之于代码。AI加速了从’需求描述’到’代码实现’的过程，但不能替代代码本身。因为需求文档解决的是’做什么’的问题，代码解决的是’精确怎么做’的问题，两者不可互相替代。"

第四问：你觉得AI对学习的影响是什么？

这题如果你答"AI让学习更高效、更个性化、更普惠"，面试官会礼貌地点头，然后在评估表上写"思考深度不够"。

不是说这些话不对，是太表面了。

AI对学习的影响，有一个极其深刻的悖论，大部分人没意识到。

核心悖论：AI让获取答案变容易了，但让构建理解变难了

学习的本质不是"获取信息"，是构建心智模型。

你学递归，不是记住"函数调用自己"这个定义。你是在反复练习中，在脑子里建起了一个"调用栈层层展开再层层回收"的心智模型。这个模型建好了，你看到任何递归代码，脑子里自动模拟执行过程。

这个心智模型的构建，需要挣扎。

你得写错，调试，想不通，睡觉，第二天突然通了。这个"想不通到想通"的过程，就是心智模型在形成的过程。没有挣扎，就没有模型。

AI把这个挣扎消除了。

你不会写递归？问AI，它给你一个完美的实现，还附带解释。你读一遍，觉得"懂了"。

但你没有真的懂。你只是看懂了AI的解释，这不等于你建立了心智模型。

这就像看别人游泳。教练在水里游，你在岸上看，教练每个动作都讲解。你全看懂了，点着头。然后你下水——沉了。

因为"看懂别人的解释"和"自己能做"之间，隔着无数次的挣扎练习。AI把挣扎的过程跳过了，直接给你结果，你产生了理解幻觉。

更严重的问题：你不知道自己不知道

用传统方式学习，你遇到不会的，卡住了，你知道自己不会。这个"知道自己不会"的状态非常重要——它驱动你去查资料、去练习、去解决。

用AI学习，你遇到不会的，问AI，AI给你一个看起来很完整的解释。你读完觉得"原来如此"，然后继续往下走。

问题是：AI的解释可能不完整、不精确、甚至不对，但你没有能力分辨。你以为你懂了，其实你没懂。而且你连"没懂"这个信号都收不到。

这就是"元认知"的问题——对自己知识边界的能力。AI学习最大的风险不是给你错误答案，而是让你失去对自己知识边界的感知。

但AI对学习也有真正积极的一面

说完风险，不能不提机会。AI对学习的正面影响是真实存在的，只是需要正确使用。

第一，AI是极好的苏格拉底式导师。

如果你不问AI"给我答案"，而是问"帮我设计一道题来测试我是否理解了递归"，或者问"我这个实现有什么问题"，AI就是一个自适应的、随时在线的练习伙伴。

关键区别在于：你是让AI替代你思考，还是让AI帮你设计需要你思考的挑战。

第二，AI能帮你跨越入门门槛。

很多技术领域，入门门槛高不是因为概念难，是因为环境搭建复杂、报错信息不友好、文档对新手不友好。AI能帮你快速越过这些"非本质门槛"，让你更快进入"真正需要思考"的阶段。

第三，AI让"反馈循环"变短。

以前你写一段代码，要等编译、等部署、等测试，才能看到结果。现在AI可以即时给你反馈。更短的反馈循环确实能加速学习——前提是你在循环里做的是"思考+验证"，而不是"等AI给你答案"。

判断标准：AI是替代了你的思考，还是放大了你的思考？

总结一下，AI对学习的影响是好是坏，取决于一个判断标准：

AI是替代了你的思考过程，还是放大了你的思考能力？

高分回答框架

"我觉得AI对学习最大的影响是一个悖论：它让获取答案变得极其容易，但让构建理解变得更难了。

学习的本质不是获取信息，是构建心智模型。心智模型的构建需要挣扎——写错、调试、想不通、想通。AI把这个挣扎过程消除了，直接给你结果，你会产生’理解幻觉’——看懂了AI的解释，但不等于建立了自己的心智模型。

更严重的是元认知问题。传统学习你卡住了，你知道自己不会。AI学习你不会的，它给你一个看起来完整的解释，你以为自己懂了，连’没懂’的信号都收不到。

但AI对学习也有积极面——如果用对的话。AI是极好的苏格拉底式导师，关键在于你是让它替代你的思考，还是放大你的思考。让它直接给答案就是替代，让它出题考你、审查你的实现、帮你定位知识盲区，就是放大。

所以我认为AI对学习的影响不是简单的好或坏，而是取决于使用方式。但有一个确定性的趋势：AI时代，'会提问’比’会回答’重要，'知道自己不知道什么’比’知道很多’重要。"

四问之后：面试官到底在找什么样的人

回头看这四个问题，你会发现一条暗线：

面试官不是在考你对AI的了解，而是在考你对AI的判断力。

第一问考你能不能看到AI改变了什么、没改变什么——不只是"更快"，而是矛盾转移。

第二问考你能不能分辨AI能替代什么、不能替代什么——不是一概而论，而是分层判断。

第三问考你能不能穿透一个看似合理的类比，看到底层差异——这考的是你形式系统思维和批判性思维。

第四问考你能不能意识到AI的好处和风险是同一枚硬币的两面——这考的是你的元认知。

四个问题，同一个核心：面对AI，你是一个被动的使用者，还是一个清醒的判断者？

B站面AI应用研发，不是在找"最会用AI的人"——会用AI是基本功，不是竞争力。他们在找的是"理解AI边界的人"——知道AI强在哪、弱在哪、在什么场景下该用、在什么场景下不该用、用了之后怎么验证、怎么兜底。

这个能力，不是看几篇公众号文章就能有的。它需要你真正用AI做过项目，踩过坑，被骗过，然后形成了自己的判断。

AI时代最值钱的能力，不是让AI替你做事，是判断AI做的事对不对。

这句话，面试的时候你可以不说，但心里一定要有。

假如你从2026年开始学大模型，按这个步骤走准能稳步进阶。

接下来告诉你一条最快的邪修路线，

3个月即可成为模型大师，薪资直接起飞。

阶段1:大模型基础

阶段2:RAG应用开发工程

阶段3:大模型Agent应用架构

阶段4:大模型微调与私有化部署

配套文档资源+全套AI 大模型 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇

配套文档资源+全套AI 大模型 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇