压缩的边界

Language:中文/EN

有些知识是可以序列化的，有些不能，例如一盘西红柿炒鸡蛋：

如果你要做一盘西红柿炒鸡蛋，需要AI给你一份食谱，那你会收获一个极其详细的食谱，时间精确到秒，材料精确到克。

但是换一个角度：你在家里请客人吃饭，做好了一盘西红柿炒鸡蛋后，AI无法告诉你盐放多了还是放少了，因为它既不知道客人的口味和身体状态，也不知道这盘菜的盐到底有多少。

在塔勒布的书《反脆弱》中有两个概念：Metis和Techne

  • Techne（技术知识 / 可序列化）：可以被编写成手册、公式或算法中，它是高度可压缩的。只要掌握了底层的逻辑（公式或脚本），你就可以无限次地复现结果。
  • Metis（实践智慧 / 不可序列化）：代表一种机敏、灵活、难以言传的实践智慧，它是不可压缩的。你无法用一串字符就把一个老中医的“手感”传递给别人。

AI与软件开发

最近Claude Code很热门，许多经典言论又出来了，例如有人说：“程序员要失业了，AI半小时干完一周的活”，也有人说“程序员会更吃香，因为AI写的架构不可维护”。

正方与反方都有道理，这里我想从Metis和Techne的角度来分析下这个经典话题。在实际情况中，Metis和Techne之间并不是二分的，而是一个连续的光谱，以软件产品开发为例，可以拆分为这几层：

1、选择

要做哪个产品？是社交软件，还是外卖软件？

这里的考量会包括用户需求、政策风向、平台态度、资本周期、竞争格局等等模糊且不可量化的变量，而且市场数据永远是落后的，甚至很多关键信息不会出现在公开数据中。

这一层的核心并不是“分析能力”，而是在不完整、甚至相互矛盾的信息中做出决策的能力。某个选择所处的具体环境，以前从未出现过，未来也几乎不可能再完整复现。很多关键判断来自直觉、经验、对人和组织行为的理解，而不是可验证的因果链条，这种知识属于典型的 Metis。

基于概率和统计的 AI，只能在“见过的分布”内工作，而这一层的问题本身就不服从稳定分布，自然也无法真正承担选择的责任。

2、架构

产品的总体设计，需要根据预算、需求、时间等约束，设计每个模块的技术路线，并在过程中持续把控风险。

在这一层，Metis 和 Techne 开始高度交织。一方面，在产品和业务层面：

  • 感知真实而未被明确表达的用户需求
  • 预判合规风险、平台边界、政策灰度
  • 揣摩资方预期和管理层的真实关注点

这些判断大量依赖不可序列化的隐性知识，属于 Metis 的范畴。

另一方面，在技术层面：

  • 技术选型
  • 架构分层
  • 可扩展性与性能设计
  • 常见瓶颈与最佳实践

这些内容已经高度结构化，AI 往往可以给出一套“看起来很合理”的方案，属于 Techne 的范围。

但现实中的架构决策很少是纯技术问题。例如，对 QPS 的一次误判，可能导致上线后瞬间涌入 10 倍甚至 100 倍的流量，这时是“临时限流保稳定”，还是“硬抗流量赌增长”，并不是技术能单独回答的问题，而是牵涉到商业目标、资源成本、组织责任分配的综合取舍。

因此，这一层的本质是：

  • 用 Techne 生成可行方案
  • 用 Metis 决定取舍、边界与风险暴露程度

这也构成了 AI 能力目前的压缩边界线：AI 可以辅助架构，但难以独立承担架构决策的后果。

3、执行

每个模块的具体实现细节，例如实现一个具体需求：实时推送外卖员位置的界面，可能需要编写大量代码，包括 SSE / WebSocket 推送、位置平滑、时间预估、异常处理等。

这一层的共同特征是：

  • 需求边界相对清晰
  • 输入输出可以被明确验证
  • 存在大量成熟范式和历史实现

这些知识高度可序列化，非常适合被 LLM 学习和复用。因此，这一层正在被 AI 快速侵蚀。

4、反应

需求中每一个步骤的具体实现，例如 CRUD 的每一个接口、表单校验、数据搬运。

这一层的特点是：

  • 高度重复
  • 几乎不需要上下文理解
  • 错误的影响范围有限

它更接近“动作反射”而非“判断”，已经大规模被脚本、模板取代。人在这一层的优势并不明显，甚至在稳定性和一致性上是劣势。

反脆弱

塔勒布认为，Metis 之所以重要，是因为它天然具备“反脆弱”特征。与“脆弱”或“仅仅抗压”不同，反脆弱系统并不试图消除波动和不确定性，而是从波动中获益。错误、冲击和偶然性并不会单纯带来损失，而是作为信息输入，促使认知模型不断修正和进化。

Metis 的形成路径是明确的：

  • 它不是通过一次性学习获得的
  • 而是在真实环境中反复犯错、调整、再犯错的过程中逐渐积累
  • 这些经验往往是情境化的、隐性的，难以被抽象为通用规则

Metis 无法被完整记录、复制或迁移，它只能存在于具体的人、具体的身体和具体的历史中。提升 Metis 的关键，并不在于掌握更多显性知识，而在于让自己长期处于高不确定性、高反馈密度的环境中：决策需要付出真实代价，错误无法被轻易掩盖，环境会不断迫使认知结构发生改变。正是在这种持续暴露中，Metis 才得以生长，也因此呈现出反脆弱的特性。

AI 对 Techne 的压缩，并不会削弱 Metis 的价值，反而会放大两者的差异：越是自动化、越是标准化的领域，越容易被替代；而那些依赖情境判断、试错进化和经验沉淀的能力，反而会在不确定性加剧的时代中变得更加稀缺。

#思考