当代码变成 Token：开发者的技能曲线正在塌方

不是"AI 会不会取代开发者"——是"开发者需要重新回答什么问题"。

0. 两个并排的场景

2026 年 6 月 4 日，知乎一个提问冲上 104 万热度：

「Codex 可以 100% 正式接管所有编程工作了吗？」

同一天下午，一家互联网公司内部的"代码量排行榜"被截图发到脉脉。截图里，第一名当月提交了 4.2 万行代码，工号后四位被打码。评论区最高赞的一句话是：“他一个人能顶 8 个组，其他人还有存在必要吗？”

两件事，隔着不到 12 小时。前者在问"AI 是不是已经够了"，后者在用"代码行"丈量人的价值。

这两个场景摆在一起，比单独看任何一个都更接近真相。

1. 加速的环节，和没动的环节

要谈"AI 时代开发者的技能"，先得把一件常被忽略的事说清楚：AI 加速的，只是开发流程中很小的一段。

InfoQ 2026 年 4 月的调研里，复旦大学 CodeWisdom 团队首席技术专家茹炳晟给了一个数字：

真正写代码的时间，通常只占整个研发流程的 20%～30%。剩下的大头，都在沟通、对齐、评审、测试和各种临时事务上。

AI 提升的，主要是这 20%～30% 的环节。

具体数字，可以看 InfoQ 同期披露的几家企业数据 [1]：

  • 腾讯：员工编码时间缩短 40%，但整体研发效率只提升 20%——AI 帮开发者省下来的时间，有一半被"老板的预期抬高"吃掉了。
  • 快手：L1 阶段（代码补全）15%～25%，L2/L3 标杆团队交付周期下降 58%。
  • 昆仑万维：架构师 / Team Leader 提升 3～5 倍，研发整体速度 50%+。
  • Meta 内部 Claudeonomics 排行榜：8.5 万员工比谁烧的 token 多，第一名一个月 2810 亿 token，折合数百万美元。

注意"整体"那一行——腾讯的整体效率提升只有编码提速的一半。

快手研发效能负责人沈浪解释得更直白：

大公司里，从个人提效到组织提效之间常常隔着两道鸿沟。第一个是从个人到团队——你个人写代码是快了，但代码评审还得排队，测试环境也得等。第二个是从团队到组织——只要需求、测试、发布这些流程还是瓶颈，整个组织的交付周期照样快不起来。

这就像一辆手动挡的车换了自动挡。起步、超车、堵车跟车这几项确实变轻松了；但油离配合、坡道起步、轮胎打滑的判断——这些"驾校里学完就再也没练过"的东西，会慢慢钝掉。等到某天需要从自动挡切回手动挡（比如车坏了，比如 AI 服务挂了），才发现脚底下的肌肉记忆，已经没了。

这就是"AI 辅助的隐性代价"在个人层面的最直接写照：加速的环节在变多，但被加速的环节在开发者经验谱系里，往往不是核心的那一段。

2. arxiv 一项新研究：重度 AI 用户，表现反而更弱

如果说上面是工程经验的观察，那 2026 年 5 月 24 日 arxiv 上线的一项对照实验，把这件事推进到了实证层面 [2]。

研究团队把受试者按 AI 使用强度分成三组（重度 / 轻度 / 不使用），让他们完成一系列逻辑推理任务。结果：

重度 AI 用户在任务中表现显著弱于轻度用户和未使用 AI 的对照组。 AI 信息量（Informativeness）是影响学习效果的关键中介变量。 低信息量 AI 既不能提升即时表现，也不能保留移除后的技能。 高信息量 AI 可在短期提升表现，但长期学习效果因人而异。

这条结论有几个耐人寻味的细节：

  • “重度 < 轻度 < 不使用” 是一个单调的关系。不是说"重度跟轻度差不多"，而是使用强度越高，表现越差。
  • AI 的"信息量"是关键中介。不是"用不用 AI"决定结果，是"AI 给的信息量是多是少"决定结果。低信息量 AI（就是那种只会"看起来很厉害"地糊弄的）等于双输。
  • 研究建议"适度监管 AI 访问"——这个措辞在 AI 普及叙事里相当罕见。

这个研究的具体任务是"逻辑推理"，不是写代码。但"AI 替代思考 → 学习者失去练习机会"这条机制，在编程里可能更明显——因为代码是一种反馈环极短的活动，写一行跑一行，错了立刻知道；而逻辑推理题，反馈环更长、对错更模糊，对 AI 的依赖更难被发现。

更值得注意的是**“建议适度监管 AI 访问"这句话的份量**。在 2023-2024 年的主流 AI 论文里，类似表述几乎不会出现——那时候的默认立场是"AI 工具的访问应当普及”。这项研究是一个研究语气的转向信号：学术界开始从"AI 普惠"转向"AI 适度使用"。

把它和第一节的工程数据放在一起看，画面就清楚了：

  • 在"写代码这一段"，AI 把开发者的反馈环从"分钟级"压缩到"秒级"，主观体验极快。
  • 在"理解 / 调试 / 调试失败"这一段，AI 也替了，但没有真正教过开发者怎么定位。
  • 在"沟通 / 对齐 / 评审"这一段，AI 几乎没动。
  • arxiv 的研究暗示：在"技能沉淀"这一段，重度 AI 用户事实上处于劣势。

3. 行业生态：被加速的差异，没有被抹平的差距

把视角从个人拉到行业，会看到一个更不对称的图景。

第一个不对称：初级岗位和新人成长路径。

InfoQ 4 月那篇报道里讲到一个细节——Meta 内部有人搭了个叫 Claudeonomics 的排行榜，8.5 万名员工比谁烧的 token 多，前三名能拿徽章、头衔 [1]。

类似的故事在快手、腾讯、昆仑万维都能看到。但一个绕不过去的问题是：这些"刷 token 排名靠前"的人，是不是新人？

答案在所有报告里都指向同一个方向——不是。Token 烧得多、能用 AI 撬动 3-5 倍效率的人，往往是那些"对需求理解深、任务拆解能力强、能识别 AI 幻觉"的资深工程师。

InfoQ 报道里有一个非常精确的表述：

资深工程师对需求理解深、任务拆解能力强、能识别 AI 幻觉，AI 就成了判断力的放大器；初级工程师执行速度快了，但判断失误也跟着快了。

这放大了不同层级工程师之间的差距。

第二个不对称：组织之间的"透镜效应"。

沈浪打过一个比方：

AI 像一面透镜，基础扎实的组织，长板被放得更长；本来就有问题的组织，短板也暴露得更彻底。

这和 2026 年 6 月 5 日 B 站一条 57 万热度的视频"AI 脸泛滥，建模师没活了"是同一种结构——AI 工具普及后，头部效率被放大，初级岗位被压缩，中间的"练手区"消失。建模师如此，初级程序员亦然。

第三个不对称：尺子没有跟上工具。

InfoQ 4 月报道里复述了一组数据：昆仑万维每月消耗 1 万亿到 1.2 万亿 token，分摊到 1500 名研发员工头上，每人每月 700 元。公司方汉算过一笔账：“这笔投入太值了，每月百万元差不多相当于 20 个员工的成本。” [1]

但**“省出来的人效"在很多公司变成了"该裁的人”**。InfoQ 报道里一个被采访的程序员说：

“我们内部的考核，已经慢慢往 AI 那边偏了。最直接的就是代码量，我们有一个排行榜，谁发了多少行代码，一刷就能看到。组里有个别人几乎全靠 AI 在写，代码量和 PR 数量一下子拉得特别高，慢慢大家就都被拿去跟这种人对标。”

把"代码行 + Token 消耗"作为生产力指标，是这一轮 AI 普及中最显眼、也最危险的倒退。

第四个不对称：金融业的"反例"。

有意思的是，InfoQ 同期报道了一家做银行核心系统的公司——神州信息。他们用 AI 把测试用例编写从"5 人团队耗时 1 个月"压缩到"1 人审核 AI 生成结果"，文档补全从"10 人月"压到"3-5 人月"。但他们没有裁人。原因在报道里写得很直白：

复杂账务、事务一致性、7×24 小时银行机制支撑这类代码，靠的是人长期积累下来的经验。AI 在简单查询和增删改查上当然快，但一碰到这些复杂场景，提效自然就放缓了——天花板就在那里。

所以银行核心系统仍然需要几百人维护。AI 加速的是可验证的活（CRUD、单测、文档生成），不能加速的是必须人拍板的活（复杂业务逻辑、架构决策、安全审查）。这两类活的边界，正好是神州信息公司负责人说的"天花板"。

到这里四个不对称都摆出来了。但要承认另一面——AI 也在创造新岗位。Prompt Engineer、AI Trainer、AI Product Manager、AI Eval Harness 设计师这些新职业，都是 2024 年之前不存在的。

所以"非对称挤压"的中立表述是：初级岗位萎缩、中间层变薄、高级岗位被放大、新岗位被创造——这是同时发生的四件事。把任何一件单独抽出来说"AI 让人退化"或"AI 让人进化"，都不准确。

4. 重新定义"技能"：不是更快，是更准

如果上一节说的是"发生了什么"，这一节要问的是"在新的图景里，‘有技能’意味着什么"。

Karpathy 2026 年 5 月加入 Anthropic 后第一次公开讲，给出了一个有用的框架——他把软件开发分成三代范式 [3]：

  • Software 1.0：写代码告诉计算机"怎么做"
  • Software 2.0：训练神经网络（参数即程序）
  • Software 3.0：用自然语言告诉 LLM “做什么”

Software 3.0 不取代 1.0，但编程的稀缺性坐标发生了迁移。稀缺的不再是"把代码写出来"，而是"知道要写什么、写得对不对、写出来适不适合当前场景"。

Karpathy 在这次访谈里有一句被广泛引用的话：

“You can outsource thinking, but you can’t outsource understanding.”

结合 InfoQ 4 月报道里"资深工程师的判断力被放大"的观察，新技能图谱的轮廓已经可以画出来：

第一项：判断——知道 AI 给的方案对不对、好不好、适不适合当前场景。这是 Karpathy 说的"可验证性"——AI 擅长可验证任务（CRUD、单测、文档生成），不擅长需要人类拍板的任务（复杂业务逻辑、架构决策、安全审查）。

第二项：品味——在多个 AI 给的方案中，挑出"对味"的那一个。AI 输出 10 个方案给你看，没有"对错"，只有"哪个更对"。这种能力，本质上来自长期写过很多代码、看过很多代码、知道"好代码长什么样"的肌肉记忆。

第三项：抽象——把问题从"代码层"提升到"约束层"。这对应 2026 年技术圈另一个热词：Harness Engineering。Karpathy 的 Menu Gen 例子讲的就是这件事——他花了大量时间开发的菜单识别 APP，在 Software 3.0 范式下"整个 APP 不应该存在"——你只需要把菜单照片丢给 Gemini，说一句"用图片覆盖菜单"，它直接返回带菜品图片的菜单。所有中间层的 APP 代码，全部多余。

“判断 + 品味 + 抽象"这三项能力，要求大量的底层经验——这不是"AI 让技能更民主"的过程，而是"AI 让技能差距更大"的过程。

但要诚实地承认另一面：这三项能力跟"AI 加速的环节"在很大程度上是反的。AI 加速的是"写”，而"判断 / 品味 / 抽象"是"想"。InfoQ 4 月报道里有一句非常冷静的结语：

一个工程师可以花 5 个小时认真看复杂架构、深入思考问题，而不会像 AI 那样不断累积惊人的计算费用。在企业预算里，这种"慢速的人脑"，反而可能成为终极的固定成本资产。

注意"反而"两个字。这是说——在 Token 经济里，“慢"可能重新变得贵。

这不是在给"AI 时代要保持慢"唱赞歌。也不是在反对 AI 加速。

这是一个观察。

5. 结尾：不是"会不会被取代”，是"该重新回答什么问题"

arxiv 那项研究建议"适度监管 AI 访问"——这话在学术论文里出现，是有分量的。但它没告诉你怎么监管、监管到什么程度。

Karpathy 没说"AI 编程好不好"，他说"Software 3.0 来了"——这是范式转移，不是对错判断。

InfoQ 4 月报道里也没说"AI 让人退化了"或"AI 让人进步了"，它说"个人提效 ≠ 组织提效 ≠ 全局提效"——这是结构分析。

把三件事放在一起看，“AI 辅助的隐性代价"这个题目本身，可能问错了。

真正值得问的，是三个更具体的问题：

1. 你团队里，新人还有 5 年时间慢慢成长吗？

2024 年以前的工程师成长路径是：写三年 CRUD → 开始看架构 → 五年后能做核心模块 → 十年后做系统设计。这条路径在 AI 时代正在被"代码行排名"和"Token 排名"压缩。如果新人一入职就被要求"产出 3.7 万行代码/月”，那一代 5 年后会顶上来的人，从哪里来？

2. 你用 AI 三个月后，关掉 AI 还能不能写出一样质量的代码？

不是"关掉 AI 之后你还能不能工作"——这个问题的答案显然"能"。问的是"三个月后关掉 AI，你自己写的代码，质量上能不能跟三个月前不靠 AI 时持平？“如果不能，那不是"你和 AI 协同”，是"AI 在替你工作"。

3. 你公司用什么尺子衡量生产力？

代码行、Token 消耗量、PR 数量、提交频率——这些 2024 年以前的常识指标，在 AI 时代全部失效。如果公司还在用这些尺子，那不是"AI 让人退化"，是"AI 让考核扭曲"——而且这个扭曲的代价比 AI 本身大得多。

这三个问题，AI 时代以前的答案是清楚的，AI 时代以后，每个团队都要重新回答一遍。

至于答案——本文不给。

参考来源

[1] InfoQ，《AI 提效了，老板觉得自己又行了：可代码行数和 Token 排名，真该拿来裁人吗？》，2026-04-17。原始链接：https://mp.weixin.qq.com/s/GoMDepJQoM7XoVS7rnu8GQ

[2] arxiv.org，《The Impact of AI Usage and Informativeness on Skill Development in Logical Reasoning》，2026-05-24。原始链接：https://arxiv.org/abs/2605.21695

[3] 微信公众号"萤火 AI 百宝箱"，《Karpathy 加入 Anthropic 后首讲：Vibe Coding 已死，Software 3.0 来了》，2026-05-25。原始链接：https://mp.weixin.qq.com/s/Ab_dbrinxK8wNSWvYRCxFw

[4] 知乎热榜，《Codex 可以 100% 正式接管所有编程工作了吗？》，2026-06-04。

[5] B 站热榜，《AI 脸泛滥成灾，建模师没活了》，2026-06-05。