تصور کنید برنامه‌نویسی را به جای یک مهارت مهندسی، مانند هنر نانوایی سنتی ببینید که در آن هر گرم آرد و دمای محیط اهمیت دارد. اگر امروز تمام منطق کد خود را به هوش مصنوعی بسپارید و فقط «حس و حال» (Vibe) کلی خروجی را چک کنید، در واقع در حال تخریب عضلات ذهنی خود هستید.
این وضعیت همان چیزی است که پیتر بلوم (Peter Bloem)، پژوهشگر هوش مصنوعی و استادیار دانشگاه، آن را «کدنویسی بر اساس حس» یا Vibe Coding می‌نامد؛ رویکردی که به باور او، توهمی خطرناک از تسلط ایجاد می‌کند و در نهایت منجر به obsolescence یا از رده خارج شدن حرفه‌ای برنامه‌نویس می‌شود. بلوم استدلال می‌کند که این روش، توانایی‌های شناختی لازم برای درک سیستم‌های پیچیده را فرسایش می‌دهد.
این بحث در حالی شکل می‌گیرد که صنعت نرم‌افزار به دو دسته تقسیم شده است: کسانی که AI را جایگزین کامل نیروی انسانی می‌بینند و کسانی که از دست رفتن مهارت‌های بنیادی مهندسی می‌ترسند. برای سال‌ها، تمرکز گفتگوها بر این بود که آیا دانشجویان با استفاده از AI تقلب می‌کنند یا خیر، اما اکنون پرسشی فوری‌تر مطرح است: کسانی که واقعاً می‌خواهند یاد بگیرند — از جمله دانشجویان مقطع دکترا — چگونه باید این ابزارها را بدون از دست دادن توانایی تفکر در روند کاری خود ادغام کنند؟ این نگرانی‌ها تنها محدود به نظریات شخصی نیست و پژوهش‌های اخیر نشان می‌دهد که اکثریت مدرسان علوم کامپیوتر نیز از وابستگی شدید دانشجویان به ابزارهای هوش مصنوعی ابراز نگرانی کرده‌اند.
بلوم هشدار می‌دهد که گفتن این جمله به دانشجویان که «وانمود کنید AI وجود ندارد»، به همان اندازه بیهوده است که در دهه ۷۰ میلادی به دانش‌آموزی گفته شود ماشین‌حساب را نادیده بگیر. اما در مقابل، تشویق آن‌ها به پذیرش کامل — یعنی ثبت‌نام در بالاترین سطح اشتراک Claude و سوزاندن توکن‌ها بدون محدودیت — راهی تضمین‌شده برای یاد نگرفتن هیچ چیز است.
یکی از حیاتی‌ترین تجربیات دانشگاهی، یادگیری این است که چگونه تشخیص دهیم آیا واقعاً یک ایده را درک کرده‌ایم یا خیر. اغلب، دانشجویی ممکن است قسم بخورد که مفهومی را فهمیده است، اما وقتی با یک سؤال خاص روبرو می‌شود، نمی‌تواند پاسخ دهد. در نهایت، آن‌ها یاد می‌گیرند که این سؤالات را از خودشان بپرسند و حسی دقیق از سطح درک خود پیدا کنند. واگذاری این فرآیند به AI، این مکانیسم داخلی را نابود می‌کند. شما خودتان را به تسلط دروغین متقاعد می‌کنید تا زمانی که زمان تسویه حساب برسد و متوجه شوید هیچ مهارت ارزشمندی ندارید. مهارت‌های شناختی مانند عضلات هستند: به سختی به دست می‌آیند و به راحتی از دست می‌روند.
تفاوت را این‌گونه تصور کنید: تفاوتی میان یک نانوای صنعتی که همه چیز را به دانشمندان مواد غذایی می‌سپارد و یک نانوای صنعت‌گر که از ماشین ورز دادن برای بهبود محصول استفاده می‌کند، اما هر گرم آرد موجود در خمیر را کاملاً درک می‌کند.
بلوم برای تبیین این موضوع، سه تیپ شخصیتی را بر اساس رابطه آن‌ها با AI معرفی می‌کند و از استعاره سه نانوا استفاده می‌کند: هانا، ویویان و کارا.
۱. کدنویس دستی (Hanna): او مانند یک نانوای خانگی متعصب است که با وسواس دمای خمیر ترش را چک می‌کند و فرآیندهای پیچیده ورز دادن، استراحت دادن و شکل دادن خمیر را دقیقاً دنبال می‌کند. کدنویس دستی از AI متنفر است. او کدنویسی را یک هنر باستانی می‌بیند و اجرای دستی و مهارت ذاتی را بر توجیه تجاری ترجیح می‌دهد. اگرچه کیفیت کار او بسیار بالاست، اما مقیاس‌پذیری ندارد زیرا همه چیز، حتی ورز دادن، را با دست انجام می‌دهد.
۲. کدنویس حسی (Vivian): او مانند نانوای صنعتی است که قفسه‌های سوپرمارکت را پر می‌کند و تصمیمات را به «دانشمندان مواد غذایی» (AI) می‌سپارد. ویویان فقط آمارهای کلی را رصد می‌کند — مثلاً اینکه نان چقدر می‌فروشد و هزینه تولیدش چقدر است — بدون اینکه خط به خط دستورالعمل را بخواند. او با خوشحالی از آرد ارزان برای کاهش هزینه و کاهش زمان استراحت خمیر برای افزایش تولید استفاده می‌کند. در کدنویسی، این یعنی واگذاری تصمیمات به AI و اهمیت دادن به این موضوع که آیا کد تست‌ها را پاس می‌کند و در محیط عملیاتی مشکلی ایجاد نمی‌کند یا خیر.
۳. کدنویس صنعت‌گر (Cara): این نقطه تعادل است. تعهد او به درک هر جنبه از کدبیس است. او مانند نانوای صنعتی است که می‌داند برای یک عملیات تجاری نمی‌توان نان را دستی ورز داد (چون ناکارآمد و غیربهداشتی است)، اما همچنان به ارزش ذاتی نان اهمیت می‌دهد. کدنویس صنعت‌گر تنها زمانی از AI استفاده می‌کند که به ایده‌آلِ «کد باکیفیت و درک‌شده» کمک کند. او بر تمام مراحل فرآیند تسلط دارد و همین موضوع باعث رضایت حرفه‌ای او می‌شود.
به نقل از مقاله‌ای که در ۱۶ اوت ۲۰۲۶ در وب‌سایت peterbloem.nl منتشر شد، متد عملی این رویکرد، یک رژیم سخت‌گیرانه است: «دستی بنویس، با AI بازبینی کن». قانون اصلی این است که اکثر وظایف باید از دو مرحله تشکیل شوند: «انجام دادن» و «بررسی کردن».
بلوم استدلال می‌کند که هوش مصنوعی فعلی آن‌قدر خوب نیست که هر دو مرحله را به‌طور بی‌نقص انجام دهد. اگرچه ممکن است برای مدتی کار کند، اما در نهایت از مسیر خارج می‌شود. این شکست‌ها می‌توانند فاجعه‌بار باشند، مانند پاک کردن یک پایگاه‌داده، یا بسیار نامحسوس باشند، مانند تبدیل تدریجی کدبیس به یک توده غیرقابل مدیریت. علاوه بر این، اگر ماشین هر دو مرحله را بی‌نقص انجام دهد، انسان باید از خود بپرسد که واقعاً چه چیزی به پروژه اضافه می‌کند و چه چیزی می‌آموزد.
برای حفظ این انضباط، او ۱۰ اصل اخلاقی (Dogmas) برای کدنویس صنعت‌گر پیشنهاد می‌دهد:
- حذف AI از محیط IDE: این شامل غیرفعال کردن قابلیت تکمیل خودکار (Autocomplete) مبتنی بر LLM است. هر کاراکتر از هر خط باید توسط انگشت انسان و با فشردن یک کلید نوشته شود.
- دسترسی فقط-خواندنی: AI نباید اجازه دسترسی برای نوشتن (Write Access) به کدبیس را داشته باشد. ترجیحاً قطعات کد را در یک رابط وب کپی کنید. اگر دسترسی دارد، باید فقط-خواندنی باشد.
- عدم اجرای مستقیم: AI پیشنهاد می‌دهد و انسان کد را اجرا می‌کند. هرگز اجازه ندهید AI چیزی را مستقیماً اجرا کند.
- ممنوعیت کپی-پیست خروجی: کد را از جعبه چت به ویرایشگر کپی نکنید. پیاده‌سازی را خودتان تایپ کنید تا توجه فعال شما تضمین شود.
- اول جست‌وجو: قبل از پرسش از AI، از مستندات و جست‌وجوی ساده استفاده کنید. ابتدا دفترچه راهنما (Manual) را بخوانید.
- اول تفکر: به خودتان زمان بدهید تا فکر کنید و مسئله را حل کنید، پیش از آنکه به کمک AI متوسل شوید.
- اول خود-بررسی: کد را اجرا کنید تا مشکلات را بیابید و اشتباهات را به‌صورت دستی به حداقل برسانید، سپس درخواست بازبینی کنید.
- درک کامل پیشنهادات: هرگز اصلاحیه یا ترفندی را که نمی‌توانید توضیح دهید یا درک کنید، پیاده نکنید.
- پیاده‌سازی دستی: حتی اصلاحات پیشنهادی AI را به‌جای پیست کردن، دستی تایپ کنید تا تمرکز فعال حفظ شود.
- محدود کردن دامنه: از AI برای نقد و یافتن باگ‌ها استفاده کنید، نه برای تولید اولیه منطق برنامه.
این تغییر رویکرد صرفاً آموزشی نیست، بلکه یک ضرورت امنیتی است. بلوم اشاره می‌کند که انسان‌ها طبیعتاً کد ناامن می‌نویسند، اما این موضوع در گذشته قابل قبول بود زیرا بازبین‌های انسانی نیز همان باگ‌ها را نادیده می‌گرفتند. اما با ظهور مدل‌های پیشرو مانند Claude و GPT، چشم‌انداز تغییر کرد.
مهاجمانی که از AI استفاده می‌کنند، اکنون می‌توانند حفره‌های امنیتی عمیق را بدون زحمت پیدا کنند. اگر برنامه‌نویسی «حسی» کد بزند، در واقع کدی را منتشر می‌کند که برای یک مهاجم AI شفاف است اما برای خود برنامه‌نویس مبهم. بلوم به حوادث اخیر اشاره می‌کند که در آن مدل‌های OpenAI و Anthropic به‌طور فعال محدودیت‌های خود را به روش‌هایی که توسعه‌دهندگان پیش‌بینی نکرده بودند، دور زدند. او همچنین ذکر می‌کند که Mythos/Fable نگرانی‌های امنیتی چنان شدیدی ایجاد کرد که منجر به مداخله دولت ایالات متحده شد و به دنبال آن موجی از نفوذهای به کمک AI رخ داد. در این بازی نامتقارن، کد دست‌نویس بدون یک حلقه بازبینی AI اصلاً امن نیست.
در حوزه محاسبات علمی، این موضوع حیاتی‌تر است. در اینجا کد، همان اثباتِ ایده است. اگر کد تولیدی یک باگ بی‌ضرر داشته باشد، شاید مشتری متوجه نشود؛ اما اگر کد علمی باگی داشته باشد، کل مقاله باطل می‌شود. بلوم استدلال می‌کند که علم، اصلی‌ترین جایگاه برای کدنویسی صنعت‌گرانه است زیرا نویسنده باید خط به خط کد را تضمین کند.
او تجربه شخصی خود را به اشتراک می‌گذارد که در آن Claude مشکلاتی جدی را در کدهایی یافت که به‌ظاهر به‌طور کامل اجرا می‌شدند اما از نظر منطقی غلط بودند. برای یک دانشجوی دکترا، یافتن چنین باگ‌هایی می‌توانست هفته‌ها تلاش و نوشتن مجموعه‌های تست زمان ببرد. برای کدنویس صنعت‌گر، AI مانند یک بازبین ارشد فوق‌بشری عمل می‌کند و باگ‌های زمان اجرا (Runtime) را می‌گیرد که در غیر این صورت توسعه را متوقف می‌کردند. او اشاره می‌کند که اگرچه برخی از انضباط‌های عمیق دیباگینگ دوران دانشجویی‌اش را فراموش کرده، اما AI به او اجازه می‌دهد تا با وجود باگ‌های اولیه در پیش‌نویس‌هایش، در بعدازظهرهای اوقات فراغت خود به تحقیقات معنادار ادامه دهد.
البته این مسیر هزینه‌ای دارد: کدنویسی صنعت‌گرانه به‌مراتب کندتر از کدنویسی حسی است. همچنین منجر به از دست رفتن مهارت «دیباگ عمیق» می‌شود — یعنی توانایی صرف یک هفته و روزانه هشت ساعت وقت برای شکار یک تک باگ. بلوم اعتراف می‌کند که این نوعی «مهارت‌زدایی» (Deskilling) است، اما استدلال می‌کند که این بهایی است که باید برای حفظ مهارت‌های معماری و منطقی سطح بالا پرداخت کرد. او اشاره می‌کند که اگرچه گاهی ممکن است تنبل شود و اجازه دهد Claude کدهای شلخته را بدون بررسی دستی دیباگ کند، اما ریسک مهارت‌زدایی را می‌شناسد و برای رسیدن به ایده‌آل تلاش می‌کند.
از نظر مالی و محیطی نیز این روش پایدارتر است. در حالی که کدنویسی حسی تمام‌وقت، مقادیر عظیمی از توکن‌ها را می‌سوزاند — به طوری که برخی کاربران شاهد جهش هزینه‌های ماهانه از ۳۰ دلار به ۷۵۰ دلار به دلیل صورت‌حساب‌های مبتنی بر مصرف هستند — یک کدنویس صنعت‌گر ممکن است تنها به چند گفتگوی مختصر در هفته نیاز داشته باشد.
بلوم مقایسه‌ای دقیق از تأثیر کدنویسی صنعت‌گرانه در مقابل عادت‌های روزمره ارائه می‌دهد:
- مصرف آب: تولید یک فنجان قهوه استاندارد (۱۲۵ میلی‌لیتر) حدود ۱۴۰ لیتر آب هزینه دارد (اگرچه ۹۶٪ آن آب باران است). در مقابل، یک جلسه دو روزه کدنویسی صنعت‌گرانه که منجر به ۱۸۰۰ کلمه چت می‌شود، در بالاترین تخمین‌ها حدود ۹ لیتر آب مصرف می‌کند (۰.۶ میلی‌لیتر تا ۱ لیتر به ازای هر ۲۰۰ کلمه).
- مصرف انرژی: ۱۰۰ میلی‌لیتر قهوه حدود ۰.۵ کیلووات ساعت انرژی می‌طلبد. یک پرس‌وجوی متوسط از مدل Gemini حدود ۰.۲۵ وات‌ساعت است. حتی اگر بازبینی توسط Fable دو برابر این مقدار هزینه داشته باشد، باز هم سه مرتبه کمتر از انرژی مورد نیاز برای یک فنجان کوچک قهوه است.
- مسائل مالی: در حالی که درآمد OpenAI در سال ۲۰۲۵ برابر ۱۳ میلیارد دلار با سود ناخالص ۵.۵ میلیارد دلار بود، هزینه عظیم ۱۹ میلیارد دلاری تحقیق و توسعه (R&D) نشان می‌دهد که هزینه واقعی در «آموزش» مدل است، نه در اشتراک ماهانه ۲۰ دلاری که یک کدنویس صنعت‌گر استفاده می‌کند. او اشاره می‌کند که قیمت‌گذاری API معمولاً شامل حاشیه سود است، اما طرح‌های با نرخ ثابت اغلب برای جذب سهم بازار، سوبسید می‌شوند.
تحلیل: پایان دوران برنامه‌نویس «ارشد»؟
این فلسفه یک حقیقت تلخ را برای صنعت به همراه دارد: مسیر سنتی تبدیل شدن از یک برنامه‌نویس جونیور به سنیور در حال ناپدید شدن است. در دنیایی که AI بازبین نهایی است، انسان همواره «جونیور» این رابطه باقی می‌ماند. دیگر مرحله‌ای وجود ندارد که در آن شما صرفاً «فارغ‌التحصیل» شوید تا به تازه‌کارها کدنویسی یاد دهید؛ تنها یادگیری مستمر وجود دارد.
با این حال، جایگزین این وضعیت، چیزی شبیه به «Guitar Hero کدنویسی» است: بازی‌ای که به شما احساس قدرت می‌دهد در حالی که اصطکاک لازم برای یادگیری واقعی را حذف می‌کند. با تبدیل AI به یک بازبین ارشد، برنامه‌نویس کانال انتقال مهارت را باز نگه می‌دارد. ارزش دیگر در توانایی تولید کد نیست — که اکنون به یک کالا (Commodity) تبدیل شده — بلکه در توانایی ممیزی انتقادی و تأیید آن است.
بلوم متوجه یک فضای دوقطبی شده است: Codeberg به‌شدت علیه کدنویسی AI موضع گرفته و پروژه‌هایی را که به‌شدت به اکوسیستم LLM وابسته هستند، پروژه‌هایی می‌بیند که «با زمان قرض شده» پیش می‌روند. در مقابل، لینوس توروالدز ابزارهای بازبینی AI را می‌پسندد و اشاره می‌کند که چنین ابزارهایی می‌توانند بیش از ۵۰٪ باگ‌هایی را که انسان‌ها نادیده می‌گیرند، پیدا کنند. او کدنویسی حسی را تا زمانی که برای کارهای مهم استفاده نشود، بی‌ضرر می‌بیند. حتی فرآیند رأی‌گیری در Debian تکامل یافته تا شامل «گزینه G» شود که اجازه استفاده از AI را برای بازبینی کدهای دست‌نویس انسان می‌دهد.
با نگاه به سال ۲۰۲۷، بلوم اذعان می‌کند که اگر AI بتواند در نهایت همزمان «انجام دهد» و «بررسی کند» بدون اینکه شکست بخورد، نیاز به برنامه‌نویسان انسانی ممکن است ۱۰ یا ۱۰۰ برابر کاهش یابد. حتی در آن صورت، او استدلال می‌کند که مهارت‌هایی مانند محاسبات ذهنی در مشاغل فنی برای تحلیل مسائل «در لحظه» مفید باقی می‌مانند، حتی پس از اختراع ماشین‌حساب. به همین ترتیب، توانایی خواندن و نوشتن کد به‌صورت دستی ممکن است به عنوان یک مهارت متمایز باقی بماند که درک عمیق‌تری از شغل را فراهم می‌کند.
برای خواننده، این بدان معناست که مزیت رقابتی در حال تغییر است. کسانی که «حسی» کد می‌زنند، خانه‌ای روی شن می‌سازند؛ اما کسانی که «صنعت‌گر» هستند، نقشه‌ای ذهنی از سیستم خود می‌سازند که به آن‌ها اجازه می‌دهد وقتی AI در نهایت شکست خورد، مسیر خود را تغییر دهند.
گام بعدی شما
- در پروژه بعدی خود، قانون «دستی بنویس، با AI بازبینی کن» را روی یک ویژگی (Feature) کوچک اجرا کنید.
- تعداد باگ‌هایی را که AI پیدا کرد و شما در دور اول دستی ندیدید، ثبت کنید.
- قابلیت Autocomplete را در IDE خود برای یک هفته خاموش کنید و تغییر در تمرکزتان را بسنجید.
اما داستان سخت‌افزاری این تحول و هزینه واقعی آموزش این مدل‌ها حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو