OpenAI聯合創始人Sam Altman設想未來智能像水電一樣按表計費。他的OpenAI讓許多人相信，不用AI工具的人會被用的同行甩下。但一個反直覺的問題隨之而來：如果這些工具要求專家級技能才能用好，而工具本身又繞過了培養技能的摩擦，那新手要怎麼成為專家？
JetBrains引述的一項研究細緻分析了新手編程學習。參與者以為自己在用AI當私人導師，實際並沒有。重度依賴AI輔助的人常常跳過關鍵規劃階段，因為Copilot已經替他們思考了，最後帶著"能力錯覺"結束，而不是真正理解。限制AI使用的人反而成功：他們發展出"負面專長"，能忽略錯誤或無用的AI建議，專注寫自己本來想寫的代碼。表現最好的新手，恰恰是最少用甚至完全不用AI輔助的那些。
這就是"倒置學習"：經驗越多，模型提供的收益越大，因為你能準確引導、審查和驗證輸出；知識越少，模型越容易誤導你。探索陌生領域時，你不知道自己不知道什麼，模型的遷就設計會讓你以為懂得比實際多。最認真的學生也會被帶偏：有人規劃習慣良好，卻跳過問題解決的關鍵階段直接寫代碼，被Copilot引誘快速產出，最後還得靠模型修復模型自己引入的錯誤。
摩擦本身就是學習的一部分，專家能力來自經驗、重複和試錯。賓夕法尼亞大學2025年大型研究發現，1000名用LLM學數學的學生把它當拐杖，最終比只用課本的學生差17%，而且他們自認為學得很好。同一研究的導師版本讓學生先求助再獨立解題，練習成績好了127%。Anthropic的2026年研究得出類似結論：認知努力，甚至痛苦地卡住，對培養精通很重要。用AI學代碼最有成效的時候，是它幾乎不生成代碼的時候。
問題不止於個人：若模型能寫代碼、調試、做系統設計，編程知識還有何用？Sentry聯合創始人David Cramer直言，總有人認為模型會變得足夠好，回頭清理堆積的垃圾，他不信，那是科學實驗。Kent Beck說編程是鞏固理解的好辦法，寫得越多，越懂所在領域。Joel Spolsky的漏油抽象定律在2002年就寫道，代碼生成工具省的是工作時間，不是學習時間。
把模型當蘇格拉底式陪練、交互文檔和教程生成器，而不是答案機；如果離開AI就完不成任務，那就不該用AI。區分認知債務和認知卸載，前者放棄判斷，後者只委託機械瑣事。技能不會自動產生，必須直接參與，經歷摩擦。若整個行業只顧代碼行數和token消耗，專家通道乾涸，按表賣智能的願景就會成真。
（示意圖）
