“AI slop”辩论将三个不同的问题混为一谈：作者归属、生产力和工程质量

关于AI辅助开发的许多争论将三个不同的问题混为一谈：谁或什么生成了实现？实现的产出速度提高了多少？最终系统是否达到工程质量标准？这些问题是相关的，但不能互换。如果验证没有随AI规模化，AI可以提高实现吞吐量，同时降低平均质量。这是一个合理的担忧。但“由AI生成”本身并不是正确性、安全性、可维护性或实用性的衡量标准。更强大的模型是将生成式编码系统视为在工程控制回路中运行的高吞吐量、易出错的生产者。随着生成成本的下降，稀缺功能变为： - 规范制定 - 架构设计 - 分解 - 约束 - 测试设计 - 安全审查 - 可观测性 - 故障分析 - 回归控制 - 最终问责 这表明是劳动力转移，而非简单的替代叙事。采用这些工具的经验丰富的工程师可能会大幅提高生产力，因为他们先前的知识使他们能够检测不良输出并设置更好的约束。经验较少的用户可能获得创建以前无法创建的系统的能力，同时也面临他们无法识别的故障模式。这就是为什么“AI slop”有时准确，但往往在分析上无用。它指出人工制品的来源，而不是失败机制。更好的辩论应该是：在AI生成的实现获得与传统人工编写实现相同的信任之前，需要什么样的验证栈？