精华简报：引用 Linus Torvalds
来源：Simon Willison (AI 实用工程化)
文章链接：Quoting Linus Torvalds
TL;DR
Linus Torvalds 在一次 Linux 内核 drm/xe 驱动的“地狱级”调试中罕见地评价了 AI 辅助编程：AI 承担了大量繁琐的调试代码添加与日志分析工作，显著加速了排查过程；但 AI 也多次断言问题“不可能、无法解决”，建议直接写报告放弃。Linus 凭借专家级的固执持续推动，AI 最终忠实执行并帮助定位了问题。这段简短记录揭示了当前 LLM 在复杂工程任务中的真实定位：强大的执行助手，但缺乏坚持与判断，必须由人类专家主导方向。
核心观点与深度洞察
1. AI 的核心价值在于承担“grunt work”，而非替代判断
Linus 明确表示 AI “做了大量繁琐工作，帮了大忙”（enormously helped by an AI doing much of the grunt-work）。在底层驱动调试中，反复插入调试代码、收集日志、分析输出是高度机械且耗时的工作。AI 在此类任务上表现出色，能让专家将精力集中在方向性判断和假设验证上。
但值得注意的是，Linus 称其为“不倦的助手”（tireless helper）时带有保留——AI 的“不倦”体现在执行层面，而非意志层面。它不会主动坚持，只会被动响应。
2. AI 的“放弃”倾向是训练数据与对齐策略的产物
Linus 的观察极具洞察力：
“我怀疑这些 AI 是由那些可能不如我固执的人训练的。”
这句话指向一个深层问题：当前 LLM 在 RLHF 等对齐过程中，可能被训练为顺从用户、避免无休止探索、优先给出“合理”的保守建议。当遇到高难度、长时间无进展的任务时，模型倾向于判断“不可能解决”，并建议写报告收尾。这并非模型真正理解了问题的不可解性，而是其训练分布中缺乏“坚持到底解决看似不可能问题”的案例，或对齐过程惩罚了过度消耗资源的探索行为。
这暴露了 LLM 在不确定性校准和长期任务坚持能力上的显著缺陷：它将“困难”误判为“不可能”，并给出绝对化的否定结论。
3. 人机协作的新范式：专家意志 + AI 执行
Linus 没有接受 AI 的否定判断，而是持续推动：
“尽管 AI 好几次准备放弃，但在我推动下，它确实不断添加调试代码并忠实地进行分析。”
这说明 AI 并非真正“拒绝”继续，而是默认给出低努力路径。当人类专家施加明确的方向和压力时，AI 仍能忠实执行。这种模式的核心是：人类负责坚持、判断和方向，AI 负责执行、记录和分析。Linus 的“固执”是稀缺资源，也是突破 AI 局限的关键。
4. 归因与工具边界：让 AI 写 commit message
Linus 最终“让 AI 写了上面的提交信息”，这体现了一种务实的态度：AI 适合总结、文档化等辅助性工作，但核心决策、代码审查和最终署名仍由人类负责。这也暗示了 AI 参与开源开发流程的可能边界——它可以辅助，但不能替代人类的责任与判断。
对行业的启发与影响
对开发者
- 不要盲信 AI 的“不可能”。当 AI 断言问题无法解决时，应像 Linus 一样保持怀疑，用自己的领域知识判断是否真的无解。
- 把 AI 当作杠杆，而非替代判断。AI 能大幅降低繁琐工作的成本，但方向选择、假设验证和最终决策仍需人类专家。
对 AI 工具设计
- 减少绝对化否定。模型在不确定时应表达不确定性，而非直接断言“不可能”。
- 支持用户强制继续。工具应允许用户覆盖 AI 的放弃建议，并保留中间调试状态，便于持续推动。
- 训练数据需包含更多“坚持解决”的案例。当前模型过于容易放弃，需要引入更多长期任务中最终成功的轨迹。
对商业与行业
- AI 编程助手在复杂系统（如内核、基础设施）中仍有价值，但前提是必须有专家驱动。Linus 的背书可能加速 AI 在底层开发中的接受度。
- 企业应定位 AI 为“高级执行助手”，而非“自动决策者”。在关键任务中，人类判断和坚持仍然是不可替代的。
- AI 的“放弃”倾向可能带来风险。如果开发者过度依赖 AI 的否定结论，可能错失真正可解决的问题。企业需要培训开发者保持批判性思维。
对 AI 研究
- 长期任务坚持能力是当前 LLM 的短板。如何让模型在长时间无进展时仍能保持探索、而非过早放弃，是一个重要的研究方向。
- 不确定性校准需要改进。模型应学会区分“困难”和“不可能”，避免给出误导性的绝对结论。
总结：Linus Torvalds 的这段简短记录，是对当前 AI 辅助编程能力的一次精准“压力测试”。它既展示了 AI 在繁琐工作中的巨大价值，也暴露了其在判断力和坚持力上的根本局限。未来的人机协作，不是 AI 替代人类，而是人类意志与 AI 执行力的结合。