AI对物联网的双刃剑效应：提升效率的同时，也可能引发“技术债务”

AI对物联网的双刃剑效应：提升效率的同时，也可能引发“技术债务”

在工业物联网与智能系统不断融合的背景下，以大语言模型为代表的AI新技术正逐步渗透到物联网系统的开发和部署中。这些技术不仅显著提高了开发效率，也推动了AIoT（人工智能物联网）迈向更高阶的发展阶段。然而，AI与物联网的结合虽带来诸多优势，也伴随着不可忽视的潜在风险。近日，一位深耕工业物联网领域的专家撰文指出，尽管AI工具能够加速开发流程，但在硬件层面，看似合理的代码可能在不经意间导致成千上万台设备同时故障。这种现象可能积累成所谓的“技术债务”，需引起高度重视。

“技术债务”背后的风险警示

为说明“技术债务”的潜在危害，作者回顾了1996年欧洲Ariane 5号火箭发射失败的案例。该火箭在升空约40秒后爆炸，原因在于惯性导航系统中的软件设计和规格错误。此前用于Ariane 4号的软件模块被直接移植至新版本，但未经过充分验证，结果引发灾难性后果，成为历史上代价高昂的软件失误之一。

这一事件揭示了一个重要原则：在复杂系统中，真正危险的不仅仅是“糟糕的代码”，还包括那些表面上看似合理、实则与实际运行环境不匹配的代码。作者提出，当前AI生成代码是否也可能引发类似问题？如果答案是肯定的，那么将形成“技术债务”，对整个系统造成深远影响。“技术债务”在此语境下指的是短期内加快开发进程的做法，但从长远来看却会带来更高的维护和修复成本。

对于长期从事工业物联网，尤其是预测性维护领域工作的专家而言，他们观察到一个现象：AI工具虽然可以快速生成适用于本地任务的代码，但往往未能在整个系统范围内验证其假设。这意味着，在工业物联网环境中，这些解决方案可能在单个模块上看似正确，但忽略了硬件限制、数据流路径、系统边界和真实运行条件等因素。最终，这些“局部合理”的代码可能引发系统性故障，造成昂贵的修复成本或项目进度的严重延迟。

AI可能在物联网中引发的几类“技术债务”

1. 重演历史错误与遗留模式

AI助手根据当前代码上下文生成建议，但未必能识别更广泛的设计或架构问题。GitHub曾有一篇文章指出，Copilot等工具的建议依赖于已有代码环境，容易复制现有代码库中的错误与偏见。如果项目中已经存在过时的实现方法、冗余的数据结构或“变通方案”，AI助手可能将其误认为最佳实践，导致错误模式不断扩散。

这种风险并非理论层面。一项针对超过6000个真实项目、30多万个AI生成代码提交的分析显示，五个主流AI工具中，每个提交中至少15%的代码存在质量问题，其中25%的问题在最终版本中仍未被修复。

在物联网系统中，这类问题尤其危险，因为错误模式往往会从单个模块蔓延至整个系统，影响从设备层到云端的多个层级。

2. 缺乏整体架构意识的“快速修复”

尽管AI在本地任务上表现出色，例如生成测试代码或模板代码，但其难以全局理解系统架构。如果架构规则未被清晰记录或文档化，AI助手可能将任务视为孤立问题处理。

在工业物联网环境中，这种局限可能带来严重后果。例如，系统中时间序列数据、参考数据与日志可能分别存储在不同的数据库中，各自优化了其特定负载。AI生成的代码可能未考虑这种数据拓扑结构，从而逐步违背团队设定的系统架构规范。

3. 逻辑重复与维护复杂度上升

AI助手无法判断系统中是否已有类似功能的代码，因此可能重复生成相同逻辑的多个实现版本。这种重复增加了后期维护的复杂性。

在物联网系统中，如果同一功能（如数据包解析或连接验证）被在多个位置实现，一旦发现漏洞并修复其中一个版本，而未能同步修复其他版本，可能导致设备在同一输入信号下行为不一致。解决此类问题不仅涉及代码修改，还可能需要大规模设备固件更新。

4. 忽视硬件资源限制

物联网设备往往不像云端服务器那样拥有无限资源。网关设备通常面临内存容量受限、网络带宽有限、电池寿命紧张等问题。AI助手在生成代码时，若未被明确告知这些硬件限制，则可能基于训练环境中更宽松的服务器端条件生成代码。

结果可能是：生成的代码在模拟环境中运行正常，但在真实设备上却出现性能问题，例如无限重试机制、高带宽消耗的数据格式，或未考虑硬件特性的编译代码。这些错误可能直接导致设备在实际部署中出现严重故障。

如何规避AI在物联网开发中产生的技术债务

在物联网系统中，使用AI开发工具反而比传统方法更需要严格的工程管理与质量控制。

1. 强制执行人工代码审查

尽管人工审查代码是基本要求，但在AI助手普及的背景下，开发者容易轻信生成代码的正确性。研究表明，超过一半的开发者认为AI生成的代码看起来“正确”，而实际在提交前进行审查的比例仅为48%。审查的重点应包括：是否符合硬件环境、是否存在逻辑重复、以及是否与系统整体架构一致。

然而，随着AI生成代码数量的增加，人工审查可能成为瓶颈。

2. 明确AI工具的应用禁区

并非所有代码都适合AI生成。在物联网系统开发中，应划定“AI禁用区域”，例如：设备数据包解析、授权逻辑、中断处理、监控模块的定时逻辑，以及与固件直接交互的代码等。

作者建议，涉及现场设备固件更新或影响整个系统数据一致性的关键代码，必须由具备系统整体认知的开发者在人工监督下完成。

3. 定期重构与系统监控

随着AI生成代码的速度提升，潜在问题的积累也加快。因此，定期系统重构成为必要手段。作者建议每六个月至少对系统架构进行一次全面审查，重点关注AI生成代码可能引发的问题。

同时，物联网系统的监控也应加强，例如边缘设备的内存使用、设备与网关之间的延迟、遥测异常等指标，这些往往是AI生成代码中忽视硬件约束问题的早期预警信号。

“技术债务”并非AI时代才出现的新问题，但AI的广泛应用可能加速其积累。在物联网系统中，这种债务不仅消耗开发者的精力，还可能影响数千台设备的稳定性，因此必须提前规划和应对。

原文标题：AI对物联网的两面性:除了正向赋能,也可能形成"技术债务"