AI 编程的本质，就是机器学习
Keras 的作者 François Chollet 最近写一段话，大意是：足够先进的 AI 编程，本质上就是机器学习。
而差不多这句话的原话，我上周刚和团队一位小伙伴说到过……
我和他聊到 Codex 的 /goal 的功能，以及用 Claude Code 的使用姿势：我会写好需求描述，定义好验收标准及测试用例，提供好环境，然后让 agent 自己跑。它会先改代码、再跑测试、再看结果来评估、再改，如此循环往复，直到全部完成。
（这个用法，我在去年 Ralph Loop 爆火之前就分享过：
被喷了……我索性扔出价值过万的 AI 编程 prompt）
最近有一次，我第二天醒来还没结束，最好一共跑了有 10+ 小时。而跑完后我看了一眼，再翻了翻表结构、页面样式和交互基本没问题了，就合了。
那些代码我逐行读了吗？以前会，现在越来越少了。
当然，我在前续的准备工作会做的更重了。
而回顾整个过程，它是这样的：我设定了一个优化目标（需求），划定了搜索空间的约束（测试），然后一个优化过程自动迭代，直到目标收敛。最后我得到一个黑箱，我可以不看它的内部逻辑，只看它的行为是否符合预期。
有没有发现：这……不就是训练一个模型吗？
需求文档就是 loss function，测试用例就是验证集，coding agent 就是模型架构，Agent 的每一轮迭代就是一个 training step。而产出的代码库，就是训练好的模型权重，我会部署它，但当然不会去看每一个参数的值。
这么来看，这两件事就不是“像”了，而是就“是”同一件事。
而一旦接受了这个等号，你的工作方式和心态可能就彻底不一样了。
你花时间的地方不再是写代码本身，而是：我的优化目标定对了吗？我的验证标准够不够严？我的约束条件会不会让 agent 找到某个投机取巧的捷径，测试全过但逻辑其实是歪的？
而这些问题，机器学习领域已经研究了几十年了。过拟合、数据泄露、概念漂移，都会有同样的坑。
Chollet 最后还问了一个问题：AI 编程的 Keras 会是什么？什么样的高层抽象，能让人用最少的认知成本，去驾驭这个“训练”过程？
很好的问题。
现在的 coding agent 已经能设定目标、自动循环、跨轮次保持上下文、不达成就不停。我们要做的，将只剩下一件事：
想清楚自己到底要什么、验收标准是什么。
而写代码这件事，也正在从“手工编写逻辑”变成“训练一个会执行逻辑的系统”。而你，正在从一个程序员，变成一个 ML 工程师。
🔗https://x.com/fchollet/status/2024519439140737442
