你认为AI编程未来真的会取代程序员吗？

lianhunqianr1

352人浏览 · 2026-03-03 11:50:46

lianhunqianr1 · 2026-03-03 11:50:46 发布

从去年开始，我就一直在思考这个问题，我们看到网上大部分结论都是程序员会被替代（尤其是不会使用AI工具的），尤其最近半年，AI编程工具突飞猛进，从辅助我们编程变成了主力coder，而且看趋势越来越强，这个问题会变得更加尖锐了，我突然想从信息论的角度来分析这个问题，试图从理论上给出一个比较理性的答案。

AI时代，我们有问题可以先问AI：

“信息论里面是不是有定律，不管是人类编程，还是通过prompt编程，最低信息量是要求的，就是说即使是AI编程，要实现我们目标，都需要相同的信息，难度都一样，从而推到出人类也不一定会被替换掉”。

AI的回答（我也整理了一下）：

信息论里确实有一些结论，能支持你说的“要实现同一个目标，总得提供足够的信息”，但要小心：它不能直接推出“人类不会被替代”或“难度都一样”。更准确的说法是：

目标本身的“最小信息量”有下界（你不可能凭空得到一个指定的复杂程序/行为）。

但“这份信息由谁来提供、以什么形式提供、需要你显式提供多少”，取决于系统（人/模型）的先验知识、工具、训练数据、交互方式，所以人类编程 vs prompt 编程在体感难度上可以差很多。

下面把相关“定律/思想”对齐一下。

1) 你说的“最低信息量”更接近：Kolmogorov 复杂度（算法信息论）

给定一个目标对象（比如某个程序/函数输出）xxx，它的 Kolmogorov 复杂度定义为：

意思是：在某个通用计算机U上，能生成xxx的最短程序p的长度（比特数）。直觉上这就是“描述 xxx 的最短信息量”。

它带来的启发是：

如果你要的目标xxx很复杂，那么总得有大约K(x)这么多的信息被“注入”到系统里（要么在你的指令里，要么在系统已有知识里）。

但注意：K(x)不可计算，而且“最短描述”依赖于U（差一个常数），更重要的是——它只给下界，不告诉你实际交互成本。

2) 信息论也有类似下界：你得减少不确定性

如果把“你要的程序是哪一个”看作随机变量XXX，你通过需求/测试/反馈获取信息，目标是确定 XXX。平均上至少需要这么多信息：

这表达的是：如果可能答案集合很大（高熵），你不可能用很少的比特就唯一锁定。

但这同样不等价于“难度都一样”，因为不同系统对 p(x) 的先验不同。

3) 为什么“同一目标难度一样”的推断不成立：先验/压缩都在模型里

关键在于：你不是从零开始描述目标。AI模型带着大量“世界知识 + 代码习惯 +库用法”的先验，相当于你在使用一个很强的“解码器/压缩器”。

可以这样理解：你给prompt的信息量是∣m∣，模型内部已有知识是S。你实际能指定的东西更像是：

x=D(S,m)

因此你不一定需要显式提供K(x) 那么多比特——因为很多信息已经在S里了。这也是为什么同一句“写个登录页”对新手很难、对熟练工程师很容易、对大模型也可能很容易：大家的S不同。

反过来，如果目标高度“定制”（只存在于你公司内部规则/私有系统/隐式偏好），模型的S覆盖不到，你就必须用需求、示例、测试、约束把信息补齐，体感就会变难。

4) “No Free Lunch”能支持什么，不能支持什么

No Free Lunch 定理（优化/学习里很常见的表述）大意是：在所有可能任务分布上平均，任意两个算法表现一样。它能支持的是：

不存在对“所有任务”都万能的学习/搜索方法。

但现实任务分布不是“所有函数均匀分布”，而是高度结构化（人类世界规律、软件工程模式、常见库等），所以强先验（大模型）会在现实分布上占优势。

5) 能推出“人类不一定被替代”吗？可以，但理由要换一种表述

信息论/算法信息论更合理的推论是：

当任务需要的关键信息不在模型先验里，且很难通过少量交互获得（例如：隐性业务目标、组织博弈、责任边界、合规判断、真实意图变化），那么人类在回路中就很难被完全移除。
同时，很多工作并不是“生成程序”本身，而是定义目标、提供约束、验收与承担责任。这些往往对应的是“信息在哪里、谁能提供、谁对错误负责”，而不只是“信息量下界”。

换句话说：AI可能把“实现信息”大量内置，但“目标/价值/责任信息”仍常常来自人类系统。

我们更关心的是产品实现是否被替代：

从“信息量下界”角度看，编程是否被替代，关键不在于“写代码这件事”，而在于：实现所需的信息到底在哪、能否被机器可靠获得并验证。结论更像是：大量“写实现”的编程会被自动化，但“把目标变成可执行规格 + 保障正确性”的部分更难被替代；岗位会重构，不是简单消失。

1) 为什么“写代码”最容易被替代

很多日常开发的实现信息其实已经高度公共化/模板化（框架用法、CRUD、常见算法、组件拼装）。对这类任务，目标的有效信息量很小，模型的先验很强：

你只需给少量提示（语言/框架/接口），模型就能补齐大量细节。
这部分工作本质是“从熟悉分布里补全”，LLM 很擅长。

所以“搬砖式实现”会显著减少：脚手架、样板代码、测试初稿、SQL、数据清洗脚本、API glue code 等。

2) 但“编程=把需求变成可验证的规格”这块不容易消失

一旦进入真实项目，难点常常是这些信息不完整/矛盾/隐含：

边界条件：异常怎么处理、并发一致性、幂等、回滚、权限
非功能性：性能、成本、可观测性、合规
与遗留系统对齐：历史数据脏、接口语义坑（你提到的“option 不设置不修改”就是一类）
真实验收标准：到底“算成功”是什么

这些东西即便信息论上存在“最小描述”，也往往不在 prompt 里，而在：

业务方脑子里/组织流程里
线上行为数据里
事故经验里

AI 能帮你写，但很难自己补齐正确的规格，更难对错误负责。

3) 可靠性与验证是硬门槛：错误成本会把人留在回路里

如果一个任务允许 90% 正确，那替代很快；但大量编程属于“99.99% 才能上线”的范畴：

小概率 bug=事故
安全漏洞=不可接受
数据误改=不可逆

因此短期更现实的形态是：AI 提升人均产出，但通过测试、代码审查、架构约束、发布流程把不确定性收住；人类角色偏向“定义约束+验收”。

4) 更准确的替代判断：看“规格是否可形式化 + 可自动验收”

可以用一个很实用的判据：

容易被替代：需求能写成明确输入输出/约束，或能用测试用例完全覆盖验收（例如批处理、转换、标准页面、脚本、明确规则引擎）。
难被替代：验收依赖隐性偏好/跨团队协调/系统级权衡，或很难写全测试（例如复杂分布式系统演进、架构迁移、性能成本权衡、关键安全设计）。

本质是：当“正确性”能被机器验证，AI才能闭环；否则就需要人来补信息与做最终判断。

5) 对程序员岗位的更可能变化（而非消失）

更可能出现的是分层：

初中级实现型工作被压缩（同样需求更少人）
高价值部分转向：规格化（把需求变成约束/测试）、系统设计、数据与接口治理、风险控制、线上运营与可靠性

你现在关注的“按接口语义、option 不设置不修改”，其实就是未来很值钱的方向：把隐含语义显式化、工具化、可验证化——这类工作 AI 可以协助，但通常需要人主导定规则与兜底。

元芳，你怎么看？

欢迎校招和社招同学加入极客星球圈子，让我们在AI时代，加速成长，提升职场认知，快速找到好工作：

提高自己技术（稳固核心）：分享多年基础技术深度理解，基础概念深度解析，经典书籍推荐和读书分享，经典源码阅读分享等，不定期直播分享和答疑解惑，打好技术基础；
扩展认知和视野：分享热门技术发展，国内外大厂技术内幕，建立国际化视野，转型, 副业等，提升你对社会认知能力，尽早发现自己特长，做好职业规划；
找到好工作：简历优化，职位分析，面试指导，就业指导，职业发展，职位内推等，全面提升面试成功率，校招/社招就业指导；
职场发展：分享各种不同公司宝贵的职场普升经验，技术方向选择, 大厂普升经验，技术专家成长经验，让你少走几年的弯路，让工作三年的你提早拥有高质量10年+工作经验的认知；
人脉：专属高质量VIP交流群，最新技术趋势，分享技术热点，分享学习心得，学习工作讨论（群里有在各个大厂工作的的同学），可以相互请教和学习，工作机会内推和推荐，大厂职位内幕等等；

星球有深入理解系列经典PDF资料（进大厂的秘密武器，基础知识大局观，加深理解，帮助你提升学习效率，加快修炼）：