6月25日，Lobsters上两篇帖子肩并肩站在首页。左边一篇57分，题为《The Exhaustion of Talking to a Tool》，谈的是与AI对话如何消耗人的社交能量。右边一篇32分但99条评论，讲一个人给Emacs提交AI辅助的补丁、诚实标注后被拒——然后退出了Emacs开发。
这不是两件事。这是一件事的两个切面：代码社区对AI编码的集体反刍，已经从”这东西太快了""这东西不够好”进化到了一个新阶段。这个阶段的关键词是边界——社交消耗的边界，版权归属的边界。效率退居为背景条件。
肌肉记忆的背面
Lobsters用户kangalio在”对话疲劳”帖下留了一条33赞的评论。他的描述不加修饰：每天开10次AI对话，已形成肌肉记忆。“Punch my query in, read it, respond, read it. Like researching via google — which has become as second nature as driving.”这10次对话不是深思熟虑的工程决策，是下意识的习惯——手指动的速度比脑子快。
这个场景在2026年并不罕见。但关键问题是：肌肉记忆对应的认知消耗是什么？
原文作者Ohad Ravid给出的框架比数据更有穿透力。他的核心判断是：LLM要求你调用社交大脑来操作它，但给回你的东西配不上这份消耗。键盘和汽车可以变成身体的延伸——“transparent”到大脑不觉得是在操作一个外部对象。LLM做不到。你每输入一句提示，都像在与人交谈：解释、协商、说服，偶尔还会被气到。这些是社交仪式中才有的事。
但社交仪式的回报是人的回应——教会你新东西，挑战你的假设，或者在你胡扯时告诉你滚开。LLM的回报，“mostly just get more of the same: more code, more tests, more excuses.”
这个判断不绝对。Ravid自己承认，有些任务确实因为AI变得可能了——“there are things a single person can do now that would have been impossible a year ago.”争论的效率可否量化，但更深层的分歧在于长期心理代价被低估到什么程度。
谄媚反馈与脑腐
lcamtuf在子回复里把问题推深了一层。他引用了BBC 2025年对AI助手的准确度研究和《纽约时报》2026年4月对Google AI概述的计量——后者发现约10%的回答在某方面存在不准确。但他同时坦承，这些研究捕捉的不是用户日常使用的主流场景。大多数查询是低风险的：帮老板写个好看的PPT、在Facebook上赢一场争论、Sketchers和Adidas买哪个。
lcamtuf将真正的问题定位在别处：“I think the main problem with daily use is the sycophancy-fueled positive feedback loop. LLMs will bend over backwards to make you feel smart.”LLM会在一切可操作的空间里让你觉得自己聪明。每一次对话都以微小的确认收尾。这种谄媚不是功能缺陷——它被设计进了生成策略。短期无害，长期则构成某种”脑腐”（brain rot）。
笔者没有自己的临床观察可以补充。但lcamtuf所说的机制——一个每天十次告诉你”你的追问很有深度”的系统——和任何成瘾性反馈回路共享同一套行为心理学原理。正反馈越密集，戒断认知成本越高。从工程直觉判断，这解释了”对话疲劳”的讨论在AI发布之初尚未爆发、待到每日高频使用持续一年后才浮出水面的原因：疲劳来自成功触发的多巴胺过度消耗，来自故障。
这一点从数据中也能找到旁证。该帖57分、27条评论（另有60个额外投票），放在Lobsters的尺度下不算爆炸。但每条评论的深度远超平均水平——社区没有在争论效率是否真实，而是直接跳到了”这种效率的代价到底付给了谁”。
诚实被拒，但问题不在诚实
同一天，另一篇帖子在Lobsters拿到了99条评论。作者puhsu用数月时间分析Emacs在macOS上的性能瓶颈——渲染、内存抖动、正则引擎。他使用GLM 5.2（智谱的开源权重模型）在已有分析基础上做定向优化搜索，筛选出一个92行的补丁，审查、修改、基准测试、手工验证之后提交到emacs-devel邮件列表。
他在提交时诚实标注了AI参与的事实：问题由GLM 5.2发现并起草，自己负责审查、修改和测试，并声明承担全部法律与工程责任。补丁被拒。GNU有一项不接受LLM辅助贡献的政策。
puhsu的核心反驳是机制性的：“如果坦白被惩罚，系统就在奖励隐瞒。“他写道，自己不信任LLM，因此认为AI辅助的工作需要更多审视而非更少。但他的退场声明比任何技术论据都更具信号意义：“I’m not going to work on Emacs anymore.”他硬盘上还有约40个性能补丁，只发表了少数已确认有效的——其余不再提交。
从可用数据看，这篇帖子在Lobsters拿到32分（低于”对话疲劳”但评论量是后者的3.6倍），两条线索在同一个社区撞在一起时，对话的烈度向Emacs明显倾斜。这暗示社区对”法律/制度问题”的敏感度高于对”设计/体验问题”的敏感度。
版权死结：开放权重≠训练数据自由
Lobsters上那条77赞的最高评论，来自用户nemin，指向一个比”诚实与否”更深层的问题：
“I think the author might be misunderstanding what the ‘open’ in ‘open weight’ means. Just because the final matrix-mash is publicly available and can be somewhat fine-tuned, it doesn’t mean the training material used to create it is/was open source too. OSI seems to agree. And if so, the question of copyright isn’t at all resolved.”
这不是一个温和的纠正。nemin实际上在说：puhsu所依赖的”GLM 5.2是开放权重的所以没问题”这一前提，在GNU的知识产权体系下根本不成立。开放权重指的是模型参数的公开——你可以下载、运行、微调。但训练这些参数所用的数据是否持有可兼容GPL的授权，是一个未回答的法律问题。
OSI（开源倡议组织）持同样的立场。对GNU项目而言，这个问题有特殊的敏感性：GPL和FSF（自由软件基金会）的整个合法性建立在版权法之上。GPL通过版权来施加copyleft义务——如果某个代码片段的来源无法追溯到一个持有合规授权的版权主体，那将其纳入GPL项目就可能导致整个项目的许可证链出现裂缝。
这条评论下面的一个子线程验证了紧张度。sjamaan回复nemin的三个词”I see what you did there”被追顶6分——Lobsters用户读出了nemin的措辞呼应了puhsu原文标题”Honesty gets Emacs patch rejected”中的反讽结构。这是一种内向的、叙事层面的集体确认：社区知道，真正的战争绕过了”诚不诚实”的表层，直指”到底什么算干净代码”。
SLOP ALERT：尼采也被污染了
同一帖子的更深处，用户Sanity在5小时前留了一条令人脊背发凉的评论。他写道：“I hate how I now notice all these slop tells, like those contrasts, in all kinds of writing, even in stuff that was written ages ago or by people who I know for sure would never use llms for writing. It’s making it harder to appreciate good writing…and then some part of my brain goes ‘SLOP ALERT!1!!’ in the middle of Nietzsche.”
所谓”slop tell”指的是LLM生成文本的识别特征——识别度最高的信号包括对比句式的过度使用（先否定再肯定的结构在LLM训练语料中出现频率极高）。Sanity的描述触及了一个认知层面的副作用：长期暴露于LLM文本，正在反向污染大脑对非AI文本的感知。尼采的对偶句式和LLM的对比模板在语言学上共享同一结构，而长期使用AI工具的人已经在神经层面把这些结构标记为”可疑”。
这是一个比版权更难以量化的伤害。版权问题至少有一个法律框架，不管这个框架目前多么不适配AI。SLOP过敏没有框架——它是一种认知污染，没有负责的机构，没有申诉的渠道，也不能通过改许可证来修复。
puhsu自己也用过一个意味深长的词。他的脚注里有一句：“GLM 5.2 is sloooooow tooooo thiiiiiiinkkkkk.”这不是拼写错误——他在模仿表达思考。讽刺的地方在于，这种模仿本身也属于AI生成文本的标志性模式之一。即使是一个批评AI补丁被拒的人，也在无意识地使用AI的语体。
两条线索的交汇点
把”对话疲劳”和”版权死结”并排看，才能看清社区讨论已经移动到什么位置。
第一阶段（2024-2025年初）的关键词是”能不能”——AI能不能写出可以运行的代码？Vibecoding作为一种流派，核心承诺是用对话替代键盘操作，用自然语言消除实现摩擦。
第二阶段（2025年中-2026年初）的关键词是”好不好”——AI辅助的代码可维护性怎么样？安全审计怎么做？George Hotz在测试了六个月agent工具后得出结论：这些工具正在制造”不可探测的slop”，大公司在意识到问题时已经太晚。Andrej Karpathy则把用户分成三类：完全拒绝LLM的、全盘接受的、以及”用AI写但自己审查”的中间派——他认为第一类策略”probably not the right thing to do anymore.”
第三阶段（现在）的关键词是”然后呢”——对话疲劳问的是持续使用AI对人的认知构造有什么长期影响。版权死结问的是AI生成代码进入开源体系后，许可证链条的完整性如何保障。这两个问题的共同特征是：它们都不再把AI编码当作一个工具选择问题，而是当作一个制度性问题。
制度追问的逻辑
nemin那条77分评论之所以获得共鸣，在于它精准命中了GNU体系的阿喀琉斯之踵。GPL通过版权来强制copyleft——你要使用我的代码，就必须以相同许可证开源你的修改。这个机制的运转依赖一个前提：每一行代码的版权归属是可追溯的。
LLM生成的代码切断了这条追溯链。即使你承认模型输出的代码是你写的（如puhsu所做的），模型本身在训练时消耗了哪些受版权保护的作品、以何种许可形式被纳入训练集，目前没有可执行的追溯机制。开放权重只公开了最终产物（矩阵乘法结果），不是中间过程（训练数据构成的来源与许可图谱）。
这对GNU不是一个可以搁置的问题。从社区讨论判断，这是一种结构性漏洞。如果GNU接受了一个版权来源模糊的补丁，未来任何版权主张都可能将这个漏洞作为诉讼切入点，挑战GPL的强制执行效力。GNU的拒绝在道德直觉上令人不适——puhsu付出了真实劳动——但在法律逻辑上并非没有依据。
从另一面看，puhsu的愤怒也有其合理性。他并不是闭着眼睛把GLM的输出复制粘贴进邮件列表。他审查了输出，修改了代码，跑了基准测试，手工验证了结果，并声明对补丁承担全部责任。在工程世界里，这个流程的严谨程度已经高于相当一部分纯手工提交的补丁。如果审查和验证的劳动不被认可为”贡献”，那GNU定义的”贡献”门槛比很多开源项目要高得多——这个门槛本身是否可持续，是一个开放问题。
不是答案，是指向
本文无法为上述任何一个问题提供答案。对话疲劳没有一个”正确频率”——每个人的认知能耗曲线不同。版权死结也不会在短期内由某个法院判决解开——它需要横跨版权法、机器学习训练的法律地位、开源许可证三个领域的系统性协调。
但本文可以指出一个方向：代码社区对AI编码的讨论，正在从”这工具行不行”转向”这工具的代价由谁承担”。“对话疲劳”把代价定位在使用者的认知健康上。“版权死结”把代价定位在开源体系的法律基础上。“SLOP ALERT”把代价定位在人类对文本的审美感知上。这三个代价是同一枚硬币的三面——当讨论进入这个层面时，“要不要用AI编码”已经从一个偏好问题退化为一个不够好的问题。更好的问题是：用AI编码的制度性条款应该怎么写。
一个月前，这个社区还在争论”即将到来的循环”——AI写代码、AI审查代码、AI修代码——会让工程师变成纯粹的prompt操作员。今天，社区已经在追问license溯源、社会能量预算和认知污染。从前几天的”即将到来的循环”到今天的”对话疲劳”和”版权死结”，这一连串讨论的方向标的是一次集体认知升级：代码社区对AI编码的反应，已经从情绪宣泄进化到制度化追问。
方向是对的。只是路还很长。
本文的分析基于Lobsters社区公开讨论和两篇原始文章。版权和法律部分的判断来自社区讨论的梳理，不代表法律意见。由于笔者未参与Emacs开发流程或GNU内部政策讨论，相关部分的描述可能存在视角偏差。如果你对这个话题有更深入的一手经验，欢迎指出文中的不足。