致研究人员：AI就是你们拥有的全部吗？（读书笔记）
作者： Austin Z. Henley 卡内基梅隆大学副教授 [email protected]
发布日期： 2026年2月22日
注意： 这是即将发表在《软件工程杂志》（JSS）"致研究人员"专栏中的文章草稿。
引言
软件工程研究人员为了专注于AI而放弃了哪些重要问题？
在20世纪初，噬菌体疗法是医学和生物学研究的热门话题，因为它具有针对特定细菌的潜力。然而，在1928年发现青霉素后，研究界将注意力转向了抗生素，到1950年代基本放弃了噬菌体研究。随着抗生素耐药性变得更加普遍，以及噬菌体疗法的高度针对性变得更加吸引人，2000年代兴趣再次激增。
软件工程界是否正在发生类似的现象？研究人员是否过度关注AI？在ICSE '25上，研究轨道论文中有三分之一，行业轨道论文中有三分之二涉及AI。相比之下，一项关于1992年至2016年软件工程研究趋势的研究甚至没有将AI或ML列入前10个最受欢迎的主题。此外，AI会议呈指数级增长，AAAI从2022年的9000篇投稿增加到2026年会议的29,000篇投稿。
可能会错过什么？
我的担忧不是AI没有相当大的价值（我在学术界和工业界都从事过AI工作），或者它对该领域来说不是巨大的创新，而是其他主题也很重要。我们可能会错过什么创新？哪些问题将继续得不到解决？除了AI之外，还存在哪些日常痛点？
随着软件工程师构建高度分布式系统，架构和实现决策在系统弹性中起着关键作用。2025年，我们看到了Google Cloud、AWS、Azure、Cloudflare以及Cloudflare再次发生的几次重大中断。感觉整个互联网都瘫痪了！这些中断影响了Spotify、Discord、ChatGPT、Zoom、Venmo、Reddit、Amazon、LinkedIn、Shopify、Fortnite、Square、银行、航空公司，甚至实体零售商。
鉴于大约20%的网站使用Cloudflare，而AWS、Azure和GCP占全球云基础设施的62%，这是一个巨大的担忧。据估计，AWS中断在短短15小时内就给企业造成了高达5.81亿美元的损失，其中一次Cloudflare中断在不到4小时内就造成了3亿美元的损失。事实上，我认为这是一场等待发生的全球性灾难，我们已经看到了反复的警告信号，但我没有看到研究人员蜂拥而至地解决这个问题，就好像生命取决于它一样。AI是否显著提高了软件的可靠性？
根据我在工业界的经验，最近在一家经历收购的初创公司，我们面临的问题根本上是人的问题。例如，说服商业伙伴、客户和律师我们的软件确实如我们所说的那样做，并且不会有重大中断，是一个巨大的挑战，我们花费了大量时间。AI允许我们更快地扩展，但它并没有帮助我们说服其他人信任我们的系统。
回顾ICSE和FSE在2023年底ChatGPT发布之前的主旨演讲，我们可以提醒自己曾经是研究人员首要考虑的主题：软件安全、可靠性、运行时监控、测试、行业影响、软件工程教育、研究严谨性和可重复性、社会技术协调、伦理和隐私、环境影响等。其中几个演讲与我们一直在经历的全球云中断有关，例如Marsha Chechik在FSE 2022年关于软件安全和可靠性的主旨演讲。不幸的是，她的行动呼吁似乎还不够。
跟随激励
但也许有一些我们甚至没有想到的创新。Clayton Christensen在他的开创性著作《创新者的困境》中认为，随着领域的成熟，它们经常优化和维持现有创新，同时也忽视新颖的、颠覆性的创新。他接着说，颠覆往往开始于其他人认为太小、太不成熟或太正交的地方，这些正是当AI成为每个研究问题的默认答案时可能被忽视的确切领域。
研究人员跳上AI列车的一个直接解释在于激励。有一个极其强大的力量将每个人拉入AI，包括资助机构要求AI相关的提案、会议在征稿中添加多个AI主题、大学发布大量AI研究人员的教职空缺。这使得研究人员很难避免。事实上，我合著的涉及AI的论文被引用的频率远远高于我的任何其他工作。正如我的合编者Olaf Zimmermann所观察到的，学术行为往往不是由内在动机塑造的，而是由管理学术评估的激励结构和指标塑造的。换句话说，"激励、激励、激励"。
我当然不是第一个表达对AI痴迷担忧的人，事实上，其他几个人也论证了AI的潜在负面影响。Johnson和Menzies表示，"AI过度炒作"是危险的，"反对此类言论是软件专业人员的道德义务"。早期关于AI在课堂中使用的研究表明，它可能会扰乱学习。AI对软件工程师就业市场的干扰，尤其是那些职业生涯早期的工程师，使情况进一步复杂化。
现在就是机会
鉴于几乎每个研究人员都专注于AI，现在是在任何其他主题上取得进展的机会。即使是2018年图灵奖得主、在深度神经网络基础工作方面的Yann LeCun也表示，关于他相信LLM不会继续扩展，"LLM基本上是一个出口，一个干扰，一个死胡同"，并警告"不要研究LLM"。他还警告，"现在，它们走到哪里都在吸走空气，所以基本上没有其他任何东西的资源。因此，对于下一次革命，我们需要退后一步，弄清楚当前方法中缺少什么。"
也许我们可以使用机器学习作为灵感来解决过度关注AI的担忧。机器学习算法有逃离局部最大值的机制。模拟退火和随机梯度下降引入噪声，进化算法创建具有随机起点和突变的变体，优化方法使用随机扰动和重启来探索搜索空间的新区域。
研究人员可以将这些概念应用于他们决定下一个研究主题的方式吗？我担心研究人员被困在局部最大值中。更糟糕的是，他们有意减少研究主题探索中的"随机性"，目标是加入（或留在）AI列车上。
虽然每个人都在研究AI，但默默运行我们社会的软件系统继续以既不罕见也不令人惊讶的方式失败。如果全球云可以反复瘫痪，影响银行、航空公司、零售商和政府，那么弹性和信任不是已解决的问题。不幸的部分不是这些问题很难，而是它们越来越感觉不时尚。
在2021年的书《重新思考》中，组织心理学家Adam Grant声称，"像科学家一样思考不仅仅是反应性地保持开放心态。它意味着主动保持开放心态。它需要寻找我们可能错误的原因，而不是我们必须正确的原因，并根据我们学到的东西修改我们的观点。"无论是通过这种科学方法还是通过随机扰动，我们都不能被困在局部最大值中。
所以软件和系统研究人员，AI就是你们拥有的全部吗？
致谢
特别感谢Olaf Zimmermann提供多轮反馈以改进本文，并作为我的"致研究人员"合编者。
如果你想与研究社区分享你的观点，考虑为"致研究人员"写一篇文章。联系我。
#标签 #AI #软件工程 #研究 #学术 #技术趋势