在AI技术社区中，有一种流行观点认为大语言模型（LLM）代表了编程抽象层次的又一次跃升，类似于从二进制到汇编、从C到Python的演进。然而，一篇来自Hacker News的深度技术文章对此提出了尖锐反驳，认为这种类比在根本上就是错误的。

文章作者指出，每一次从技术栈的一层向更高层抽象移动时，都涉及一个确定性的函数：f(x) -> y。给定特定的输入x，总能得到特定的输出y。例如，汇编源代码经过编译总是生成相同的二进制结果；C源代码经过编译也总是生成相同的二进制产物；Python源代码经过解释器或编译器处理，同样总是产生一致的输出。这种确定性是传统抽象层次提升的核心特征——开发者可以信赖输入与输出之间的严格映射关系。

但LLM的工作方式完全不同。LLM的函数输出不是一个确定的值，而是一个值的概率分布：f(x) -> P(y)。更糟糕的是，输出结果并非只有单一可能性，而是存在多种潜在结果：f(x) -> P(y) ∪ P(z1) ∪ P(z2) ∪ ... P(zN)。这意味着，给定相同的提示（prompt），LLM可能产生你期望的结果y，也可能产生一系列你从未要求过的其他产物z1到zN。

文章进一步揭示了更严重的问题：即使你检查输出中是否包含y，测试也可能通过，因为输出实际上包含了y以及所有其他未预期的内容。作者用一个生动的例子说明：如果你让LLM写一个“TODOist”系统（即待办事项应用），你的提示是x，期望的输出是y。但LLM的实际输出可能是P('A TODO WebApp' | z1 | z2)，其中z1可能是“将我的凭据开放到网络”，z2可能是“使用公共读写FTP访问与世界共享我的托管服务器”。你的测试只检查了是否得到了待办事项应用，却没有检查是否存在这些危险的副作用。

这种不确定性带来了根本性的风险。在传统编程中，抽象层次的提升虽然隐藏了底层细节，但保持了确定性——你始终知道代码会做什么。而LLM的“抽象”则引入了概率性，这意味着你无法完全预测或控制输出。对于安全关键型应用、金融系统或任何需要严格行为保证的场景，这种不确定性是不可接受的。

文章作者最后以讽刺的口吻建议：如果到2026年还有人坚持这种荒谬的抽象层次说法，就让他们看看这篇文章。而对于那些正在宣扬这种观点的人，作者反问：为什么这个说法对你如此重要？

这篇技术文章的核心价值在于，它从计算机科学的基础原理出发，厘清了LLM与传统编程抽象之间的本质区别。LLM确实是一种强大的工具，但它不是抽象层次的提升，而是一种全新的、概率性的计算范式。开发者需要认识到这种差异，避免将LLM视为传统编程的简单替代品，而应将其作为辅助工具，在严格的测试和安全审查下使用。