Jeremy Howard：AI 编程是台老虎机——偶发的赢是「伪装成赢的输」

先说结论：这是 Machine Learning Street Talk 的一段 65 秒短片（转写全文仅一个时间段，视频标题标注嘉宾为 Jeremy Howard；本片为片段而非完整访谈），核心主张一句话可以概括——AI 编程的使用体验被自然塑造成了赌博机的形状：你有控制感的错觉，结果是随机的，而行业实际交付量的数据远低于叙事。这不是一个「AI 无用论」，而是一个关于度量方法与心理机制的提醒。

老虎机类比拆开看：三个心理构件

嘉宾的类比展开（据转写全文）：

• 控制感错觉：你可以精心打磨 prompt、挑选 MCP 列表、配置 skills—— Inputs 层面的一切都由你掌控；
• 随机回报：但拉杆之后，回来的结果是随机的。「樱桃、樱桃」，没中？「下次我改一点 prompt、多加点上下文，再拉一次」；
• 偶发强化：偶尔你会赢——「哦，我赢了一个功能」。而这种情况，嘉宾认为「具备了『伪装成赢的输』（loss disguised as a win）的全部特征」。

他点破：这些恰恰是博彩公司刻意在赌博机房里工程化出来的心理特征——随机性、控制感错觉、偶发赢奖。AI 编程工具的使用循环天然复刻了这套变率强化机制。

他给出的证据：「没人在产出 50 倍的高质量软件」

嘉宾称其团队「刚刚完成了一项研究」，结论是：没有任何人在实际产出比以前多 50 倍的高质量软件；人们实际交付的东西（what people are actually shipping）只有极小的上升（a tiny uptick）。「这就是事实。」

按本博客底线需注明：这是嘉宾在片段中的口述结论，未附方法论细节（样本、度量口径、时间窗），引用时宜标注来源为本片口述，不当作独立验证过的研究结果。

嘉宾自己划的边界

片尾一句很关键：「这些都不意味着 AI 没有用——但天哪，很难说清楚（到底有没有用）。」（none of that means that AI is not useful, but gosh, it’s hard to tell）也就是说，他反对的不是工具本身，而是用赌博机心理加幸存者偏差来评估工具。

机制链条与读者启发

信号 → 机制 → 得失 → 二阶影响 → 观察指标 → 启发：

• 信号：「感觉上的生产力」与「实际交付」之间出现度量缺口。
• 机制：变率强化是最强的行为粘合剂；prompt 迭代天然构成「再拉一次杆」的循环，每次微调 prompt 都是一次新的下注。
• 得失（嘉宾视角+写作者推断）：工具方获得留存与增长叙事；个体开发者支付的是注意力、以及对「我到底赢了多久、输了多久」的判断力钝化。
• 二阶影响：如果行业普遍用 vibes 评估 AI 编程，资源配置会系统性偏向「赢的感觉」而非「交付的软件」。
• 观察指标：看交付物度量——合并率、缺陷率、上线周期、维护成本——而不是单次成功演示。
• 启发：把「我赢了一次」升级为「我赢的频率和成本是多少」；只有基线对比和控制组能区分老虎机与杠杆。本片 65 秒内没有展开方法论，这恰好留给读者一个可执行的动作：给自己的 AI 编程工作流记录成功率账本。

交叉参照（写作时联想，非本片内容）

恰在同批处理的 The AI Daily Brief 节目引用了 The Information 订阅者调查：35% 称其组织从 AI 投入中获得倍数级回报，但近半数机构称招聘实践毫无变化——「感知 ROI 上升」与「组织层面可观测变化」之间存在缺口，与 Howard 的「交付只微增」主张互为两面参照（一个来自个体心理机制，一个来自机构自报数据；两者均非受控实验，置信度有限，并存呈现）。