最近写毕设，需要用到一个TTS模型，最后选择了MossTTS模型
这个模型挺好的，较小的参数量，效果也不错

这个模型是基于Torch的，给的示例是python的
然后我突发奇想，我能不能用C#跑动这个模型，通过ONNX的话可以快一点
但如果我自己写的话时间确实不够，于是我就想用AI试试
（反正实现不了也就算了，通过C#调python也够用）

通过opencode使用deepseek-v4-pro模型，开始了这次尝试
最后用了5块多的Token费用，花了2小时不到的时间，整个迁移就完成了
功能正常，效果正常，而且我在技术上没有指导过任何东西
模型自己查python的示例代码，自己查文档，自己实现所有代码
只有在接口设计的部分向我询问，然后我给出我的需求
传统程序开发大抵确实是死了
（感觉我之前学的很多东西都没啥用了）

AI的发展大大超过我的预计
在我的预计中，AI达到目前的水平，还需要2年的时间
正好这几天有新闻说OpenAI的内部模型证伪了一个80年来无法证明的命题
算是强四大，准菲奖水平的科研成果
一些数学研究者说有仿佛看到了第一颗原子弹爆炸一样的震撼
我让AI写完这个后我仿佛也看到了这样的一颗原子弹爆炸

这几天我基本不手写代码，考察AI的代码编写能力
只能说，我也确实不用手写了，基本都没问题
哪怕有零星的报错，下一轮AI自己看报错然后就顺手改了
我的工作更多像一个架构师，把握整个代码库的方向，控制功能推进与可维护性
然后这样就有了多余的时间，用来继续学习
那为什么还要学呢，有AI不是都能解决了吗
我认为，能有效地提出让AI解决的问题，首先就需要一定程度上了解这方面的知识
不然连问什么都不知道，让AI晃来晃去无法达到预期的结果
通过AI解决超过自己能力的问题时，超过自己部分的知识算是借来的
如果是自己能力范围的，即使是AI出现了幻觉，也是可以自己发现并让AI修改的
超过自己能力的部分永远不是自己的，是自己无法把握的，技术没法选型，问题没法指出
用AI处理问题，并没有降低问题本身的难度，AI的上限还是取决于用的人
它的作用是解放了繁琐的脑力劳动，让人可以投入到更高层次的抉择上，而做这样的决策对人的要求是更高的
在脑力本身的劳动变得廉价后，好的点子会变得及其可贵，而要提出好的点子，需要广泛的知识支撑
（这几天我听最多的歌是心墙，因为“不计划太多反而能勇敢冒险”）

其实用Vibe Coding我感觉有种刷短视频的感觉
人脑本身会倾向于最省力的方式，Vibe Coding可怕也就是可怕在这点
我在使用这项技术的时候，很明显感觉到我自己亲手修改代码这件事是越来越不耐烦的
从原本我想通过AI帮忙搭建一个框架就可以，一些细节问题反正我也可以自己修
到后来，任何修改都通过AI完成，基本不会手改
能很明显地感觉到，我对代码地分析能力在下降，并且也不一定对代码有多少掌控能力
这我不知道是好是坏，一方面，可以说是在锻炼全局的控制能力，但另一方面，也失去了细颗粒度的掌控能力
当然，如果现在的AI可以直接写出优美的具有良好可维护性的代码，我其实也能放心交给AI，但现在不能
目前以我使用的主流模型来看，AI的代码只是能用，但如果要长期维护，仍需要人力参与，否则维护成本会巨高

最后说说模型，我现在是Deepseek重度使用者
Deepseek-v4确实是我用下来综合性价比最高的模型
日常的活给flash干，难度高的活给pro干
哼哧哼哧干完一天，都花不了多少钱，Deepseek成本这块太狠了
（如果买什么平台的Coding Plan，用flash估计用一个月够够的）