2026-05-19 17:40
扫码打开虎嗅APP
本文来自微信公众号：文科生看AI 时代，作者：小兔子斯嘉丽，题图来自：AI生成
我最近玩codex有点完全入迷了……对我一个文科生来说可太有意思了。
我不会写代码，一行都不会。我做了炒股软件和游戏，不停地跟AI说话，然后什么无理需求它都在那里忙叨叨地自言自语，太可爱了！哈哈哈哈哈。不满意就让它改，它自己在那里反思，拆解，我先这样，我再那样，我要先完成这个，好了我需要一个授权……3个小时后，一个很好用的炒股软件出来了。
短暂的无所不能之幻觉之后，我跟我一个朋友聊，在这整个过程里，真正需要能力的部分是什么？
我们一致同意，最难的部分是我得知道自己要什么，并精准地把它描述出来。
我之所以能说出“K线图要能切换日线周线月线”，是因为我炒过股，我知道这些东西在实际操作中是必要的。我之所以能在AI给出第一版之后说“止损那里逻辑不对，应该是跌破某个百分比自动触发而不是每天收盘时检查”，是因为我踩过这个坑。如果换一个从没炒过股的人来，就算他语文比我好10倍，他也说不出这些话。
这个发现让我开始想一个问题：在vibe coding的时代，到底什么样的人占优势？
卡帕西在2023年说过一句被引用了无数次的话。卡帕西是OpenAI的联合创始人之一。他说：“最热门的新编程语言是英语（因为他是英语世界的人，他这个意思应该是想说语言）。”2025年2月，他又发了一条帖子，正式提出了vibe coding这个概念，说他现在写代码的方式就是“完全跟着感觉走，拥抱指数级增长，忘掉代码的存在”。
这两句话传开之后，一种说法开始在社交媒体上流行：既然编程语言变成了纯语言，那文科生岂不是天然就有优势？他们更会表达，更擅长用语言描述抽象的需求，更习惯处理模糊性。相比之下，代码不用自己写了，理科生的核心技能被架空了。
这个说法听起来很爽，但漏洞太多。
先把“知道自己要什么”这件事拆开。它至少有三个层次。
第1层是欲望。我想要一个炒股软件。这个大多数人都能说出来。
第2层是需求的结构化。我想要一个炒股软件，它要能接实时行情数据，要有自定义止损条件，K线图要支持多个时间维度，界面要简洁，还要有自选股板块。这一步就没那么容易了。你得对“炒股”这件事有足够多的经验，才能把一个模糊的欲望翻译成一组具体的功能清单。
第3层是意图的语言化。你脑子里清楚自己要什么，但你能不能把它说出来，说得足够精确，让AI听懂并且正确执行？这一步涉及语言能力，也涉及你对AI理解方式的直觉。
Vibe coding考验的不是第1层，是第2层和第3层的组合。而这个组合里面藏着一个被大多数人忽略的东西：第2层靠的不是语言能力，靠的是领域经验。
斯科特·扬是一个写学习方法论的作家，他去年写了一篇关于vibe coding的文章，讲了自己的亲身经历。他用AI做了一个抽认卡应用。他说AI消除了所有实现层面的困难，但他仍然花了大量时间思考底层算法的设计。他需要把齐普夫定律、ACT-R认知模型、贝叶斯估计这些东西整合进产品逻辑里。当他主动提出这些方向的时候，AI很乐意跟着走，还能补充有用的细节。但如果他不主动引导，AI从来不会自发提出这些想法。
他的结论是：AI是一个极其强大的执行者，但它不替你想。你的认知深度决定了产品的上限。
那语言能力到底重不重要？重要。但不是以大多数人想象的那种方式。
语言学家区分过两种语言能力。一种叫日常交际能力，就是你和朋友聊天、发微信用的那种语言。另一种叫认知学术语言能力，就是你写论文、做汇报、给概念下精确定义时用的那种语言。Vibe coding需要的是后一种。
这种精确表达的能力，文科训练确实有优势。分析哲学的核心训练就是把一个看似清楚的概念拆开，暴露出里面藏着的歧义。你对AI说“做一个好用的炒股软件”，“好用”这两个字里面藏着几十个你没有说出来的假设。什么叫好用？加载速度快叫好用，还是操作步骤少叫好用，还是信息密度高叫好用？这些假设不挖出来，AI就只能猜，猜对了是运气，猜错了你还得重来一轮。哲学训练就是帮你把这些假设挖出来的工具。
维特根斯坦说过，你的语言的边界就是你的世界的边界。这句话放在vibe coding里有一层很实际的意思：你能描述的需求就是你能得到的产品。你描述不出来的部分，AI不会帮你补。
但这里有一个容易被忽略的反转。理科训练也有一种语言精确性，只不过精确的方式不同。工程师被训练去穷举边界条件。当一个工程师说“系统需要在99.9%的时间内响应延迟低于200毫秒”，这句话的精确度远高于“系统要快”。工程师的思维习惯是：正常情况怎么办，异常情况怎么办，极端情况怎么办，并发量上来了怎么办，网络断了怎么办。这种穷举式的思维在vibe coding中极其有用，因为AI最常犯的错误就是只处理了正常路径，忘了边界条件。
所以语言精确性这件事上，文科和理科各有一套。文科的精确是概念层面的消歧，追问的是“这个词到底是什么意思”。理科的精确是参数层面的穷举，追问的是“这个值的范围是什么，边界在哪里”。Vibe coding做得最好的人，大概是两种精确性都有的人。
不过上面这些讨论都有一个隐含的假设：你在开始之前就知道自己要什么。现实不是这样的。
苏格拉底在《美诺篇》里提过一个悖论。美诺问他：你怎么去寻找一个你不知道的东西？如果你已经知道了，就不需要找了。如果你不知道，你就不知道该找什么，也不知道找到了没有。
这个2400年前的哲学悖论，在vibe coding中以一种非常实际的方式重现了。
我让AI做炒股软件的时候，最开始脑子里并没有一张完整的蓝图。我有一个大概的方向感。AI给出了第一版，我看了觉得不太对，但说不清哪里不对。改了几轮，突然有一个版本让我觉得对了。回头看的时候我才意识到，我在看到正确答案之前并不完全知道自己想要什么。我是在跟AI的反复对话中逐渐发现自己需求的。
这意味着“知道自己要什么”不是一个你事先拥有然后传达给AI的静态能力。它更像是一个在对话中逐渐成形的过程。柏拉图管这叫“回忆”，认知科学管这叫反思性实践，设计学管这叫迭代。
在这个动态过程中，文科训练的一个优势是对模糊性的耐受力。文科学生整个受教育生涯都在跟没有标准答案的问题打交道。一篇论文可以有多种解读，一个历史事件可以从多种角度分析。这种跟不确定性共处的能力，让他们在vibe coding的迭代过程中比较从容。第一轮结果不完美，不慌。第二轮还是不满意，继续调。他们习惯了答案是被逐渐逼近的而不是一步到位的。
理科训练的优势在另一面：对收敛的直觉。工程师知道什么时候该停下来。不是追求完美，而是判断“这个版本已经足够好了，可以发布了”。文科生有时候会陷入无止境的打磨，总觉得还能改一稿，这是写作训练的副产品。工程师更擅长画一条线说“到这里就行了”，然后发布，然后根据用户反馈再改。在产品开发的语境里，这种判断力比表达能力更重要。
现在回到那个真正关键的问题。
神经科学家安东尼奥·达马西奥提过一个假说叫“躯体标记”。大意是说，人类做决策的时候不是纯靠理性推演的，而是依赖身体积累的情感记忆。你之所以能判断一个界面好不好用，不是因为你在脑子里运行了一套设计理论，而是因为你用过几百个软件，你的身体对“好用”和“难用”积累了大量的隐性经验。这些经验存储在你的神经系统里，以一种不完全可以用语言表达的方式影响着你的判断。
这就是为什么领域经验在vibe coding中的权重远大于语言能力。你能把炒股软件的需求说清楚，不仅因为你会说话，更因为你炒过股。你知道K线图需要支持哪些时间维度，知道止损条件应该怎么设计，知道一个自选股板块里哪些信息是必要的。一个从来没炒过股的哲学教授用同样的工具，就算提示词写得比你漂亮10倍，做出来的产品大概率也不好用。因为他的身体里没有存储“什么是好的炒股体验”这套隐性知识。
达特茅斯塔克商学院有个教授最近写了一篇文章，讲他观察到的学生用AI做项目的情况。他看到英语专业的学生在做金融分析工具，哲学专业的学生在做市场研究框架，历史专业的学生在做客户洞察引擎。他说让这些人成功的共同因素不是他们的专业，而是他们“愿意深度参与、批判性思考、从洞察走向执行”的态度。
我觉得他说对了一半。态度重要，但不够。那些做出好东西的文科生之所以成功，很可能是因为他们虽然是英语专业或者哲学专业，但他们同时对金融或者市场营销有实际的接触和了解。纯粹的表达能力不够。你需要有东西可表达。
讲一下行业层面正在发生的事情，给上面的讨论提供一些背景。
2026年，92%的美国开发者每天都在使用AI编码工具。全球范围内，大约41%的代码是由AI生成的。Cursor这款AI编码编辑器在2026年初的年化收入已经突破了20亿美元。Collins词典把vibe coding评为2025年度词汇。Y Combinator 2025年冬季批次的创业公司里，有25%的公司的代码库中95%是AI写的。
Replit的CEO说过一句很能说明问题的话：Replit上75%的用户从来没有自己写过一行代码。
这些数字指向一个很清楚的趋势：写代码这件事本身正在被快速去技能化。就像照相不再需要你会冲洗胶片，写代码不再需要你会Python。工具已经到位了。
但同一批数据里还有另一面。45%的AI生成代码包含安全漏洞。2025年对1645个用Lovable平台生成的网页应用做的审计显示，170个有严重的安全问题，用户数据直接暴露在外面。一个安全研究员花了47分钟就渗透进了多个热门的vibe coding产品，提取了敏感数据。
所以局面是这样的：所有人都能造软件了，但大多数人造出来的软件是有问题的。量暴涨，质分化。
斯科特·扬对这个现象有一个很好的判断。他说vibe coding放大的是方差而不是均值。它会让软件同时变得更差和更好。更差是因为大量不懂的人涌进来造了一堆垃圾。更好是因为真正有领域深度和产品品味的人现在终于能把脑子里的东西直接做出来了，不需要先花几年学编程。
一个所有人都能写代码的世界，大概率是一个垃圾和精品同时爆炸的世界。
最近半年，关于“文科教育在AI时代的价值”这个话题有一波密集讨论，几个比较有分量的来源值得提一下。
Noema杂志上个月发了一篇长文，作者的判断是：过去几十年的主流职业建议是“去学编程”，但AI正在让编程本身变成AI擅长的事。当执行层面的技术能力被自动化之后，真正有价值的能力恰恰是文科训练一直在培养的那些东西。批判性思维，伦理推理，跨领域联想，品味。
作者引了神经科学家山姆·哈里斯的话。哈里斯说他现在对哲学学位和英国文学学位的前景比对某些STEM领域更看好。他说未来世界需要的是受过广泛教育的通才，有好的品味，读过好书，进行过好的辩论，然后能用AI工具把这些东西变成产品。
世界经济论坛今年1月也发了一篇文章，核心论点是：信息不再是区分人与人的因素，能动性才是。提出更好的问题、驾驭模糊性、共情、把想法变成行动，这些是我们这个时代的核心竞争力。他们说文科在几百年前就已经在阐述这些能力的价值了，现在要做的是用更新的方式去教。
但这些论述都有一个盲区。它们在讲“文科思维很重要”的时候，往往把“文科思维”当成一种脱离具体领域的抽象能力。会批判性思考、会跨领域联想、有好的品味，但在vibe coding的实际操作中，你得有一个具体的领域来施展这些能力。你得对金融很懂，或者对法律文书很懂，或者对供应链管理很懂。光有“通识教育的素养”但对什么领域都只知道皮毛的人，做出来的东西不会好。
最后我想谈：实践经验越来越难积累这件事。
我们说了，vibe coding最核心的能力不是语言，是领域经验。你得用过足够多的软件才知道什么是好的界面。你得炒过足够长时间的股才知道什么功能是真正需要的。你得管理过项目才知道项目管理工具应该长什么样。
但AI正在消灭的恰恰是那些让人积累早期经验的入门级岗位。初级程序员的活被Copilot做了。初级分析师的活被ChatGPT做了。初级设计师的活被Midjourney做了。如果一个人永远没有机会当初级程序员、初级分析师、初级设计师，他怎么积累达马西奥说的那种“躯体标记”，那种藏在身体里的、不可言说的、但在做判断时至关重要的隐性知识？
这不是一个假设性的问题。高盛今年初的报告说AI每月在美国消灭大约1.6万个岗位，其中Z世代受冲击最大。最讽刺的是Z世代恰恰是最熟悉AI工具的一代人，但他们被挡在了积累实践经验的门槛之外。
这件事的逻辑链条是这样的：vibe coding的核心能力是领域经验。领域经验来自实践。实践机会正在被AI压缩。所以AI一方面让有经验的人飞起来，一方面让没经验的人更难获得经验。
长期来看，这可能会创造一种新型的分化。不是文科生和理科生之间的分化，而是“有经验的人”和“没有经验的人”之间的分化。有经验的人用vibe coding把自己的知识直接变成产品，效率提升10倍。没经验的人也用vibe coding，但做出来的东西平庸、抓不住用户真正的痛点。
工具是一样的。提示词可能也差不多。差别在于你脑子里（以及身体里）有没有足够深的领域知识去喂给这个工具。
回到标题的问题。理科生还是文科生？
都不是。或者说，都是。
有优势的是“T型人”——在某个领域有深厚实践经验（T的竖线），同时有跨学科的表达和联想能力（T的横线）。
一个对所有人都开放的工具，可能会造成比以前更大的差距。
本文来自微信公众号：文科生看AI 时代，作者：小兔子斯嘉丽
