2020 年，一件当时没多少人意识到其分量的事发生了：OpenAI 发布 GPT-3，展示了一个语言模型可以只看你给的几个例子，就学会完成你交给它的文字任务。同一时期，工程师们发现了一件更惊人的事——这个模型居然也会写代码。
接下来的节奏快得不像传统行业：2021 年，GitHub 推出 Copilot——一个住在你编辑器里的 AI 补全工具，由 OpenAI 的 Codex 模型驱动，你写下注释，它替你把代码续完；2022 年 11 月，ChatGPT 上线，两个月涌进一亿用户，其中一大半问题不是聊天，是「帮我写」「帮我改」「帮我看看为什么报错」；2023 年，GPT-4 通过模拟律师资格考试的消息传遍全网，而程序员们更在意的是另一件事：它能读懂一整个项目的代码，回答「这段逻辑是谁写的、想干什么」。
为什么说这一次不一样？回到上一章的结论：过去四十年所有尝试都卡在同一个地方——「把需求精确化」这个翻译工作必须由人来完成，因为机器接不住模糊的人类意图。COBOL 给你英语语法，但作文得自己写。
大模型把这个前提拆掉了。它不是一个新语法、不是一个新框架、不是又一个「更友好的形式」。它做的事情是：把人类公开写出过的天文数字量级的代码和解释读进去，在内部形成了一张从「人话」到「代码」的映射网。你给它一句模糊的话——「帮我写个脚本，把这个文件夹里的发票按月份归类」——它能接住，因为它「见过」几万次类似的话对应什么样的代码。
大白话：以前每学一门语言，是你去考翻译证。这一次，是翻译自己找上门来了——而且它读过整个图书馆。
先看它吃掉的是哪一半
用第一章的两分法来验收。大模型带来的这些能力——写胶水代码、配环境、查报错、给陌生框架当说明书、把「这里应该有循环」补全成几十行实现——它们全部落在表面复杂度的领土上。它们没有一个在触碰「你的业务规则到底是什么」这个问题。
这正是布鲁克斯框架里「偶然困难清缴」的延续。从这个角度看，AI 不是什么颠覆者，它是抽象演化史的下一层中介。但有两个关键的不同，让它和历史上所有中介都不一样：
第一，它收的是意图，不是形式。以往每一层中介都发明一套新形式让你学：汇编的助记符、Fortran 的语句、框架的约定、云服务的控制台。大模型是第一个不要求你学它的形式的中介——它迁就你的形式。你用破碎的中文、用大白话、用一个糟糕的例子，它都接得住。中介史上第一次，过路费降成了零。
第二，它处理泄漏。还记得抽象泄漏定律吗？以前的翻译层 leaked，你就得亲自下潜。现在漏了怎么办？你把报错原样贴给它。HTTP 缓存头出了问题，它看一眼就告诉你该改哪一行；某个依赖装不上，它认得这个错误的「长相」。以前中介跑了，摊子是你的；现在这个中介帮你收拾烂摊子。
所以「这次不一样」的准确表述是：以前所有中介降低了表达成本，但保留了「必须由人精确化」的底线；大模型第一次把「精确化」这个劳动本身也接了过去。第二章末尾那个问题——能不能把翻译层整个绕过去——答案是可以：绕过去的办法不是找到更好的形式，而是让翻译者变得无处不在且不要钱。
但是，先别急着庆祝。请回忆第一章搬家故事的另一半：雇了搬家公司之后，「哪些东西值得带走」这个复杂度消失了吗？没有，它还在原地等你。下一章，我们给这个「不消失」找一个更严格的表述——一条守恒定律。