7600亿算力账单与5人团队：认知债务的裂缝

一张7600亿美元的账单，和一支5人小队

“你们团队现在几个人？”我问一个在大型保险集团做技术负责人的朋友。他想了想，说：“核心就5个半。剩下的是AI。”这个数字让我愣了几秒——三年前，他管着四十多人的交付团队。

这不是个例。PwC用5.5名工程师完成了一项保险系统现代化改造，MTTR（平均修复时间）降低了77%。O'Reilly的雷达报告里给了这种现象一个名字：“认知债务”——当AI承担了大部分代码生成工作，工程师的职责从“写代码”变成了“判断代码”。而判断，需要你真正理解那些代码在做什么。

问题在于：理解正在变成一种奢侈品。

一边是史诗级的算力军备竞赛——Amazon、Alphabet、Microsoft和Meta四家巨头2026年预计在AI基础设施上砸下7600亿美元，是2022年的近四倍。另一边是微观层面的团队急剧瘦身——10到15人的团队缩成3到5人。这两个画面放在一起，有种荒诞的割裂感。

我在地铁上盯着这份Gartner的数据看了很久。澳大利亚一个国家的AI云支出一年就翻了1.28倍，达到9.46亿澳元。全球范围看，钱像水一样哗哗流向数据中心、芯片、网络设备。OpenAI、Anthropic们烧掉的钱足以买下一个小国家的GDP。可与此同时，真正用这些算力干活的人，却在一轮轮“效率优化”中不断减少。

这中间藏着一个沉默的断层。

先说清楚“认知债务”是什么。传统软件工程里，代码是人工一行行敲出来的，每个函数、每个模块背后都有人的意图。AI生成代码后，这个链条断了——代码还在，但生成它的推理过程是黑盒。工程师面对AI吐出来的一千行代码，面临一个残酷的选择：逐行读，那和手写有什么区别？不读，出了问题你连从哪里排查都不知道。

O'Reilly那篇文章提出了一个概念叫“任务路由治理”——高风险决策（比如支付系统核心逻辑）需要工程师全面审查，低风险决策（比如前端样式调整）可以轻量放行。听起来合理，但细想就知道，这要求工程师在“看”和“不看”之间做出精准判断。而做出这个判断的前提，恰恰是你对系统有足够深的理解。

这是典型的“先用后付”：效率红利今天拿走，理解成本未来偿还。

我刚开始接触AI编程工具时，也经历过那种兴奋期——让Claude写个脚本，三分钟搞定以前半小时的活。但有一次，一个看似简单的数据迁移脚本在生产环境出了诡异报错。我盯着AI生成的代码看了二十分钟，愣是没看出来问题在哪。后来还是一个老同事指出来：它用了某个特定版本的库函数，行为和我们预期的不一样。

那一刻我意识到，我“节省”下来的时间，正在以另一种形式连本带利地还回去。

更麻烦的是，这种债务还会复利。AI生成的代码越来越多，系统里“没人完全理解”的部分就越积越厚。新来的工程师面对一堆AI产物，学习成本比看人类手写代码高得多——因为人类的代码有意图痕迹，AI的代码只有逻辑正确性。Slack最近推出了“Slack Code”功能，把Claude Code、Devin这些AI编码代理嵌入团队频道，方便协作和审查。工具在努力弥合这个断层，但工具本身也是AI——你让AI来帮你审查AI写的代码，这不等于让考生自己批改自己的卷子吗？

回到那7600亿美元。基础设施的膨胀速度远远超过了人类理解能力的扩张速度。我们正在建造一个巨大的、闪闪发光的算力帝国，而驻守在这个帝国里的，是一群越来越小、越来越疲惫的工程师团队。他们被要求“掌控”那些他们越来越看不懂的系统——这正是O'Reilly文章里说的“principal drift”（主体漂移）：名义上你在主导项目，实际上你在跟着AI的节奏走。

我不确定这个判断对不对，但至少它比“AI将改变一切”这种废话有营养。基础设施的军备竞赛至少还有账可算——7600亿花出去，数据中心建起来，芯片到货，这是看得见摸得着的。而认知债务这玩意儿，没有账单，没有截止日期，但它会在某个生产事故的凌晨两点，让你突然意识到：这系统里已经没人真正懂它了。

到时候，你手里的算力再强，也只是一堆昂贵的沉默。