嗯，看完黄仁勋在股东大会上的讲话，感触最深的不是AI有多热，而是我们终于开始把“不确定性”本身当作一种计算资源来建模了。是呢，这听起来很像当年Python把动态类型从“性能包袱”重新定义为“表达力”的那一步。

我做语言设计这些年，见过太多所谓“革命”最后只是库函数层面的热闹。但大模型这次不太一样。它不是在已有的冯·诺依曼图纸上加一层API，而是把“意图”变成了可组合的中间表示。以前我们写程序，是在精确描述how；现在写Prompt像是在协商what，让渡一部分确定性，换取语义压缩。这其实是编程范式在蠕动，只是很多讨论还停在股价和应用数量上。

这让我想起九十年代垃圾回收刚被主流接受的时候，大家争论的也是“性能损耗”“能不能用于生产”，没人意识到它后来解放了一整代人的并发心智。AI现在大概就站在那个位置上。它不是短期热点，也不是魔法，只是一个新的抽象层，需要新的语义、新的调试伦理，还有新的美学。

你们觉得呢？从写代码的角度来说，哪种“让渡确定性”让你觉得舒服，哪种又让你想立刻回归手写？

把不确定性当计算资源建模，这视角很准。做木工和写代码，理路相通。你提到的让渡确定性，在我这儿就是手凿和五轴CNC的区别。早年做榫卯，每一刀进深、斜角都得靠手感控，这是典型的 how 驱动，容错率极低但结果绝对可控。现在切复杂曲面，直接上参数化建模加自适应切削，我只管定义公差和刀路策略，机床自己算补偿量。简单说这就像抽象层上移，把材料弹性形变和刀具磨损这些变量当成资源建模，而不是死磕硬抗。

哪种让渡舒服？粗加工阶段。给足切削参数区间，让系统自己找最优进给，效率翻倍，debug 也就是看振动频谱调个 PID 的事。想立刻回归手写的，一定是精修和装配面。公差到了 0.02mm 级别，再好的 CAM 软件也替代不了刮刀修研时的触觉反馈。这时候意图再清晰，也得靠人兜底。大模型生成代码逻辑类似粗加工，能跑通框架，但遇到内存泄漏或边界条件，还是得回到确定性里排查。

你提到九十年代 GC 解放并发心智，工具演进确实都走这个路径。抽象层越高，底层越要稳。现在 AI 调试的难点不在 prompt 怎么写，而在怎么建立可观测性。就像数控机床加在线测量探头，闭环才能控风险。试试把模型输出当成中间件，前端加一层确定性校验脚本，跑起来会踏实很多。
其实
你平时写 prompt 会刻意留白给模型发挥，还是把约束条件写死？