本文整理自 Machine Learning Street Talk 播客对深度学习奠基人杰瑞米·霍华德(Jeremy Howard)的深度访谈。当整个科技圈都在为 Vibe Coding 欢呼时，这位 Kaggle 天才却发出了截然不同的声音——他直言这种方式"让他感到恶心，甚至是反人类的"。这不是对 AI 技术的反对，而是对人类认知未来的深切担忧。
序章：被狂热掩盖的真相
2025 年，安德烈·卡帕西(Andrej Karpathy)提出了 Vibe Coding 的概念。仅仅一年时间，整个科技圈就陷入了狂热。
社交媒体上，非技术人员吹嘘自己一天能开发十个应用。彼得·斯坦伯格用 Vibe Coding 写出了现象级软件 OpenClaw。甚至有声音开始宣布：“软件工程师这个职业，即将被扫进历史的垃圾堆。”
当所有人都在欢呼时，有一个人发出了不同的声音。
他就是杰瑞米·霍华德(Jeremy Howard)——深度学习的奠基者之一，Kaggle 的前总裁兼首席科学家，世界顶级的机器学习思想家。 他对 Vibe Coding 的评价出奇地严苛：
“这真的让我感到恶心，甚至是反人类的。”
这不是一个愤怒的反对派的胡言乱语。霍华德有资格说这些话——因为他本人就是大模型微调范式的开创者。
第一部分：理解霍华德的思想根源
ULMFit：改写 NLP 历史的里程碑
2018 年，霍华德与塞巴斯蒂安·鲁德(Sebastian Ruder)共同提出了 ULMFit——一项革命性的研究，直接打破了当时"语言模型无法微调"的行业铁律。
这项研究不仅改写了 NLP 的发展轨迹，更直接启发了后来的 BERT 和 GPT 系列，拉开了预训练大模型的序幕。
但 ULMFit 的精妙之处并不在于它的规模有多大，而在于它的思想有多深刻。
三阶段架构：被低估的精妙设计
ULMFit 提出的"三阶段架构"看似简单，实际上体现了霍华德对学习过程的深刻理解——某种意义上，这就是人类学习的方式：
- 预训练 — 在通用语料库(维基百科)中学习预测下一个词，建立对世界的基础认知
- 领域微调 — 在特定领域(如电影评论)的语料库中进行一小时的微调
- 下游任务微调 — 仅用几分钟完成分类器的微调
当时的"专业做法"是针对每个具体任务从零开始训练完整的大模型，耗费数周甚至数月。但霍华德证明了：通过正确的迁移学习策略，你可以用一台 2080 Ti 显卡在 8 小时内完成任务，用几分钟微调就能达到 SOTA 水准。
这背后的核心是正则化——与其通过缩小模型的范围来限制它，不如用增加约束的方式来规范它，让模型既保持灵活又能具备可控性。
这一点至关重要，因为这恰恰是 Vibe Coding 所完全缺失的。
第二部分：Vibe Coding 的三宗罪
第一宗罪：控制的幻觉
在霍华德看来，Vibe Coding 最致命的问题就像一台老虎机。
你可以精心雕琢提示词，列出长长的模型上下文，标注各种技能要求——看似充满掌控力。但本质上，你还是在按下回车的那一刻祈祷生成的代码能跑通。
老虎机玩家会告诉自己：“我有策略，再转一次就赢了。” Vibe Coding 的使用者会告诉自己：“我有技巧，再改一次提示词，bug 就消失了。”
但最终的结果完全相同：要么吐出金币，要么空奖；要么吐出能跑的代码，要么吐出毫无意义的乱码。
而真正的赢家，从来都不是使用者，而是老虎机的运营方——或者说，是生成代码的 AI。这就是**“控制的幻觉"的本质。**
第二宗罪：“代码黑盒"的致命风险
霍华德抛出了一个终极问题：
你愿意把公司的产品押注在一段自己完全看不懂的代码上吗？
答案显然是否定的。
当没有人经历过代码的构建过程时，维护、优化、甚至基础的软件工程实践就都成了空谈。一个 bug 可能隐藏在某个你从未见过的模型参数中。安全漏洞可能来自你无法追踪的地方。性能瓶颈可能永远无法被优化。
更致命的是：当代码本身就是一个黑盒时，你永远无法真正理解系统。
第三宗罪：扼杀认知成长
这是霍华德最深切的担忧。
他举了一个医学 AI 的例子来说明 AI 的正确用法。在他创办的 Enlitic 医学 AI 公司中，AI 的角色是：
- 自动化低价值任务 — 精准识别肺部 CT 扫描中的所有候选结节
- 解放专家的注意力 — 让医生专注于核心判断：这些结节是良性还是恶性？
结果是什么？医生的能力不仅没有退化，反而变得更强了。 因为 AI 去除了低价值的噪音，让专业能力得到了更充分的发挥。
但软件开发领域的 Vibe Coding 情况完全相反。
它不是去除低价值劳动，而是剥夺了开发者与代码深度交互的机会。 对于入行前五年的新手程序员来说，虽然"抠底层逻辑、处理繁琐的初级编程任务"的过程很痛苦，但这正是建立代码直觉和心智模型的关键过程。
那些在过去几十年成长起来的伟大程序员，都是在与复杂系统"充满摩擦力"的对抗中，构建起了自己庞大的心智模型。而现在的 Vibe Coding 把这些有摩擦力的任务全部做完，让开发者永远无法建立起真正属于自己的知识结构。
第三部分：数据会说话
也许你会说，“但代码能跑就行啊，效率难道不是最重要的？”
数据会说话。
2026 年初，研究机构 METR 发布了一项研究，结果令人震惊：
使用当前顶级 AI 辅助编程工具的资深开发者，在处理复杂编程问题时，耗时反而比不用 AI 的人增加了 19%。
为什么？因为开发者需要花费大量的时间和精力：
- 检查 AI 生成代码的错误
- 理解这个自己没有参与构建的"代码黑盒”
- 修复那些深层的逻辑缺陷
而这个过程，比人类自己从头架构系统还要耗费心智。
第四部分：知识的本质，以及为什么 AI 会失败
AI 真的"理解"代码吗？
霍华德提出了一个深刻的哲学问题：AI 真的理解这个世界吗？
网上对此有两种截然相反的声音：
- 一派认为大语言模型只是"随机鹦鹉”，根本什么都不懂
- 另一派认为 AI 既然能解决复杂问题，必然具备理解能力
但霍华德给出了一个更清晰的答案：两派都对，因为这就是一种"角色扮演"。
AI 只是假装自己懂了——但这就足以解决大多数在其训练分布范围内的问题。
当 AI 编写 C 编译器时发生了什么？
最近，Anthropic 发布博客声称，旗下 Claude 的 Agent 团队自主编写了一个 C 编译器，甚至有人称这是"无尘室级别的成果"。
但当霍华德深入分析后，他发现：这不过是对当前最主流的 Clang/LLVM 架构的极其拙劣的风格迁移。
原因很简单——互联网上充斥着 LLVM 的代码和编译器教材。Claude 所做的，只是把 C 语言编译器的逻辑转换成 Rust 语言。本质上是在训练数据的不同部分之间进行插值，而非真正的创造。
这引出了一个灵魂拷问：
如果这个世界上从来没有过编译器，也没有相关的算法，AI 能从零开始发明吗？
答案是否定的。 目前没有任何经验数据表明 AI 具备这样的软件工程能力。
知识的真相
知识不是冰冷的文字，而是活的、具身化的、有视角的。 它存在于人类的身体里，存在于社会和组织的协作中。
一个组织的核心价值，就是保存和进化这种知识。但当我们把需要认知能力的任务交给 AI 时，其实是在侵蚀组织内部的知识 —— 这是一种极具破坏性的矛盾效应。
第五部分：艾宾浩斯曲线与"适当的困难"
有一个教育学原理叫**“适当的困难”(desirable difficulty)**。
艾宾浩斯的记忆曲线告诉我们：人类的记忆不会平白无故形成。只有在快要忘记的时候，努力去回忆，这份记忆才会被深深刻在大脑里。
而深层的知识和直觉，更是需要在克服困难的过程中逐步构建 —— 这正是为什么学生需要做练习题，程序员需要调试 bug，医学生需要在真实环境中实习。
但当 AI 在我们遇到认知挑战的那一刻，就把答案直接喂到嘴边时，我们永远无法建立起真正属于自己的知识结构。
这不仅仅是一个教育问题，更是一个生存问题 —— 对于人类的认知成长而言。
第六部分：正确的道路
既然 Vibe Coding 如此有害，那么霍华德认为正确的编程方式应该是什么样的？
Jupyter Notebook：交互式编程的力量
答案是 Jupyter Notebook 及其背后的交互式编程理念。
当然，Notebook 在软件工程界一直存在争议。乔尔·格鲁斯(Joel Grus)曾经发表过著名演讲《我不喜欢 Notebooks》，指出它违背了软件工程的最佳实践，比如代码容易乱序执行、难以版本控制等等。
这些问题确实客观存在。但霍华德认为，争议的核心是很多人误解了数据科学和传统软件工程的区别。
对于数据科学研究，或者面对一个未知复杂系统时(比如处理混乱的数据库，或分析深度学习模型的隐藏层特征)，开发者需要的是交互式的探索。
在运行一行代码的瞬间看到数据的分布、看到可视化的图表，这种实时的反馈是建立物理直觉的关键过程。如果放弃 Notebook，像传统软件工程那样写一个庞大的 Python 脚本，再一次性跑一遍测试，中间的反馈链路太长，开发者会彻底隔绝与数据和系统之间的真实接触。
nbdev：桥接探索与工程
为了解决 Notebook 的弊端，霍华德的团队开发了 nbdev 工具。这个工具的核心使命是：在探索性的 Notebook 和严谨的软件工程之间，搭建一座桥梁。
让开发者既能享受 Notebook 带来的实时状态反馈，又能通过工具自动生成模块化的代码、文档和测试——兼顾探索的灵活性和工程的严谨性。
拉近人与系统的距离
好的软件工具的核心目标，无论是 Jupyter Notebook 还是优秀的 REPL 环境，都是拉近人类与系统内部状态的距离，让人类能更精准地操控和理解系统。
而现在被滥用的 AI 生成工具，却是在人类和系统之间砌起了一堵厚厚的高墙，让人类失去了与系统深度交互的机会。
这与布雷特·维克托(Bret Victor)在著名演讲《在原则上发明》中提出的理念高度契合：
创造者需要与自己正在创造的东西建立实时和无延迟的反馈循环。
而人类科技发展的整个历史——从鼠标的诞生到拖拽交互的发明——本质上都是在不断拉近人类与操作对象的距离，让交互更直接、更高效。但现在那些盲目追捧大模型自动化的人，却是在亲手摧毁这种直接的连接。
第七部分：真正的终极威胁
也许你期待霍华德会像其他 AI 领域的大佬(如杰弗里·辛顿、德米斯·哈萨比斯)一样，签署关于防范"AI 灭绝人类"的声明。
但他没有。相反，霍华德明确反驳了这种观点。
在他看来，现在有比"AI 觉醒将毁灭人类"更现实、更迫切的问题需要担心。
真正危险的不是"超级智能"
那份"AI 灭绝人类"声明的核心逻辑源于埃利泽·尤德科夫斯基(Eliezer Yudkowsky)等 AI 毁灭论者的观点：AI 会变得完全自主，进而摧毁世界。
但这个观点在多个层面上都被证明是完全错误的。
真正的威胁：权力集中
在霍华德的威胁模型里，AI 真正的危险不是来自抽象的超级智能机器，而是来自人类自己。
对于那些拥有大量权力或极度渴望权力的人来说，垄断技术是永恒的目标。而 AI 毁灭论的恐慌，恰好成为了他们的武器。
他们会散布"AI 技术太危险，不能让普通人接触"的言论，进而提出看似合理的解决方案：集中权力，让极少数几家富有的科技公司或政府来掌控 AI 技术，确保其他人都无法接触。
这是最糟糕的结果，因为把控制权集中在一个地方，意味着只要有人接管这个核心，就能控制一切。这是人类历史上反复上演的戏码。
“巨大的权力倒退”
霍华德直言：
我们正在亲眼目睹一场巨大的权力倒退。科技巨头利用人们对 AI 的恐惧，制造监管壁垒，建立起极高的护城河，让开源社区失去生存空间，让初创公司无法发展。最终把人类文明下一个十年的知识基础设施，牢牢锁在他们的私有服务器里。
这也是为什么霍华德一直坚持开源，坚持研发端侧设备上运行的小模型，坚持让人类能够继续掌控自己编写代码、理解系统的能力。
缓慢的"安乐死"
如果人类失去了认知能力和与技术深度交互的机会，我们面临的不会是《终结者》里的审判日，而是在安逸的自动化中，人类集体失去思考能力、失去创新能力，最终失去掌控自己未来的权利。
这是一场缓慢的、看不见的"安乐死"。
结语：AI 的正确角色
霍华德的批判从来都不是反对 AI 技术本身。相反，作为深度学习的奠基者，他比任何人都清楚 AI 的价值和潜力。
他反对的，是把 AI 当作替代人类的工具，是那种为了短期效率而牺牲人类认知成长的错误方式。
AI 的核心价值应该是：
- ✅ 增强人类的能力
- ✅ 让人类专注于高价值创意性工作
- ✅ 保护和深化人类的知识结构
- ✅ 维护人类对技术的理解和掌控
而不是：
- ❌ 替代人类的思考
- ❌ 剥夺人类的学习机会
- ❌ 创造"控制的幻觉"
- ❌ 集中权力在少数人手中
AI 时代我们真正需要的，不是放弃自己的双手和大脑，把一切交给机器，而是保持与技术的深度交互，建立起属于自己的心智模型和深层直觉。
唯有如此，我们才能在享受科技带来的便利的同时，始终掌控着科技发展的方向，让科技真正成为人类进步的助力。
一句话总结：Vibe Coding 不是编程的未来，而是一个温柔的陷阱——它用便利的幻象，换取我们对思考、学习和掌控的权利。真正的智慧是，既要拥抱 AI 的力量，也要守护人类的认知尊严。