第一章 · 剪刀差

2024 年 10 月 29 日，Alphabet 的三季度财报电话会。首席执行官皮查伊在开场陈述里说了一句后来被反复引用的话：

「今天，Google 的所有新代码中，超过四分之一由 AI 生成，然后由工程师审阅并接受。」

分析师的注意力停在数字上——四分之一，一个可以写进研报标题的份额。半年后皮查伊更新了它：「这个数字现在已远超 30%。」但这句话真正值钱的部分不是数字，是语法：它是一个双主语句子。生成的宾语是代码，主语是 AI；审阅并接受的主语，是工程师。一个句子，两个主语，两种速度。前一个主语的动词在以指数速度变快，后一个主语的动词，几乎没动。

这一章要讲的就是这两个动词之间的裂缝。先把话说在前面：裂缝不是情绪，是算术——两条曲线，一条在塌，一条没动。塌的那条属于生成，不动的那条属于验证。本章把两条曲线各自的证据摆齐，算出夹角，然后回答一个问题：这个夹角，为什么注定出现。

一、第一把剪刀：生成端在塌

先看价格。达到 GPT-3 水平的智能，推理价格在三年左右的时间里，从每百万 token 约 60 美元降到约 6 美分——降了三个数量级。这不是某一家厂商的促销，是这一代技术的成本结构本身在坍缩：同档智能的价格，每隔一段时间就掉一个零。经济史上一种投入品的价格以这个速率下跌，通常意味着一件事——用它造出来的东西，即将泛滥。

再看能力。编程有一张全行业公用的考卷：SWE-bench，五百个真实的 GitHub 工单，让模型去修，修完跑测试，对错机器判。这张考卷上的成绩轨迹是这样的：2023 年 10 月，最强的模型 GPT-4 解题率 1.96%——一百道题对不上两道；2024 年 8 月，GPT-4o 带上智能体脚手架，33.2%；三个月后，Claude 3.5 Sonnet 到 49%；2025 年 2 月，Claude 3.7 到 62.3%；2025 年 4 月，OpenAI 的 o3 到 69.1%；2025 年 11 月，Claude Opus 4.5 成为第一个破 80% 的模型；2026 年 2 月，Claude Opus 4.6 的官方口径是 81.42%——二十五次试验平均出来的分数。

三年，从 2% 到 81%。同一张考卷、同一批题、机器判卷、没有人为抬高或压低——这是经济史上罕见的、测量如此干净的一条能力曲线。两个注脚必须同时钉上。第一个：市面上流传的「90% 以上」查无官方出处，可核到的官方口径停在 81% 上下，本书只用核到的数。第二个注脚更重要，先按下，第三章整章会回到它：最先进的前沿模型，换一张防污染的新考卷（SWE-bench Pro），成绩立刻跌到 25% 以下。考卷本身也是变量——记住这个悬念。

价格和能力两条曲线，合成第三个指标：你能放心交给它的事，有多大。研究机构 METR 追踪过模型可独立完成的任务时长：十六个月里，从约 21 分钟涨到约 12 小时，41 倍。二十一分钟是「帮我写个排序函数」；十二小时是「这个模块你独立做，明天早上给我看」。这条曲线的意思是：每一次模型发布，都在把「哪些事还需要人动手」的边界，整体向内推一格。

三条曲线说的是同一件事的不同侧面：生成的成本在数量级地坍缩。这就是第一把剪刀——它张开的速率，大约是每年翻倍再翻倍。

二、第二把剪刀：验证端没动

现在看另一边。验证一段代码——读懂它、确认它对、确认它和系统其他部分不冲突、确认它三个月后不会烂掉——的速度，涨了吗？

个体层面，有一个设计得很坏的实验（坏得恰到好处）：斯坦福一组研究者让四十七名参与者写同一批带安全漏洞的程序，一半人可以用 AI 助手。结果第四章会详细拆，这里只引一句结论：用 AI 的人，代码显著更不安全，而且更相信自己安全。生成快了，验证不但没快，质量还降了——降的不止一样：代码的安全性降了，自评的准头也降了，本书后文把这场实验叫作「双降」。

系统层面，账更硬。Google Cloud 的 DORA 团队每年做大样本行业调查，2024 年那期的发现被写进了官方报告的一句话里：AI 采用度上升，软件交付吞吐量估计下降 1.5%，交付稳定性估计下降 7.2%。同一份报告里，超过 75% 的受访者说他们每天至少有一项职责依赖 AI。也就是说：几乎人人都在用，用得越多的团队，系统反而更不稳。2025 年那期更新了结论的前一半——吞吐量转正了（AI 的加速终于体现在交付速度上），后一半纹丝不动：稳定性仍然随 AI 采用度下降。报告对机制的表述值得整段照抄：AI 加速了软件开发，但加速会暴露下游的弱点；没有稳健的控制系统，变更量的增加就会导致不稳定。

把 DORA 的句子和皮查伊的句子并排放，会发现它们是同一句话的两种说法。皮查伊说：AI 生成，工程师审阅并接受。DORA 说：加速生产，冲击下游。下游是什么？审阅、测试、发布、值班——验证的那一段。变更像水流，验证像河道；水量翻十倍，河道不会自己变宽十倍，它只会决口。

还有一笔更慢的账。一家代码分析公司跟踪两亿多行代码的改动，发现 AI 普及后：复制粘贴的行占比首次超过了重构的行；两周内被推翻的改动比例，从约 3% 翻到 6% 到 7%（厂商研究、无对照组，当信号看）。回退率翻倍的意思是：合并进去的代码，有一批本来就不该过验收——验证环节的通过标准，实际上被产量冲松了。

个体实验、行业调查、代码库的长期账，三笔账指向同一个几何：生成的刃在快速张开，验证的刃几乎水平。剪刀差不是谁的失误，它就是两条曲线的夹角。

三、这个夹角是算术，不是修辞

为什么「上游变快、下游不变」必然出问题？这个断言听起来像常识，值得把它拆到不能再拆——因为全书立在一道这样的常识上。

想象一个只有一道工序的作坊：来一件，做一件。产能由作坊主的手速决定。现在上游来料速度翻了十倍，作坊主的手速没变，会发生什么？队列变长。再翻十倍呢？队列不是再变长一点——当到料速度逼近处理速度的极限，队列长度不是线性增长，是发散：等待时间冲破任何可接受的期限。这是排队论的第一课，也是每个急诊科主任、每个港口调度员都知道的事实：系统的速度由最慢的环节决定，而最慢环节的痛苦程度，由其他环节有多快来决定。

这句话有一个不直观的推论，是整本书的支点之一：让一个环节变快，本身就是让另一个环节变慢——变贵、变吃紧、变成瓶颈。不是相对地（比较出来的），是绝对地（它要处理的量真实增加了）。生成端每提高一分产能，就在给验证端增加一分待办。皮查伊那句话里，工程师的「审阅并接受」没有变快，但「审阅并接受」的队列，每一个季度都比上一个季度长。

所以剪刀差不是预言，是记账。不需要判断 AI 会不会更强、人会不会适应——只需要承认两条曲线目前的位置关系，队列就已经在那里了。Schwartz 的六个假判例（序章）、DORA 的 7.2%、翻译匠的译后编辑（下一节）——都是同一个队列的具体形状。

至于「瓶颈会自动成为价值的新家」——为什么验证变贵之后，值钱的恰恰是会验证的人——那是下一条定律的事，第二章讲。

四、不只发生在代码里

按本书的规矩，编程的账要拿到别的行业对一遍才作数。剪刀差在编程里量得最准，但它不是编程的特产。

翻译行业已经替这本书做好了一次完整实验。机器翻译是所有生成技术里最早成熟的一批：产出端早就快到了极限——一篇一万词的文章，机器几秒钟出全文。验证端呢？行业给「验证机器翻译」起了个专用的名字：译后编辑。人逐字过一遍，改到能用。这个行业有日产能的行规：人工从零翻译，每天两千到两千五百词；机器翻译加译后编辑，每天三千到五千六百词。生成端从「天」快到了「秒」，快了四个数量级以上；验证端快了不到一倍。一项覆盖八百七十九名译员、九千万词的行业大数据分析给出过平均值：译后编辑比从零翻译快 66%——注意，是这个数量级，而且方差巨大：英语译法语能快 130%，英语译瑞典语，反而慢 7%。验证环节没有跟着生成环节塌方，它像一条脾气很稳的老河道，水涨了多少，它就溢出多少。

法律行业的数据缺一块，本书照实说：AI 采用率有厂商调查（律所一年从 19% 到 79%），幻觉率有学术实测（58% 到 88%），但「律师审阅 AI 产出要花多少时间」的硬实测，没有找到——法律和出版两个行业，这一格数据目前是空的。空着不等于没事：Schwartz 案就是这个空格的代价，一次十来分钟的核查被跳过，换来 5,000 美元罚金和一封写给六位联邦法官的道歉信。数据缺失的地方，账单在记账。

出版业同理：稿子可以从每天一篇变成每天一百篇，编辑的一双眼睛还是每天八小时。行业甚至有个现成的说法形容这种不对称的后果——「我们不缺内容，缺的是看内容的人」。

三个行业，一个形状。剪刀差不是硅谷的故事，是所有「生成可以被机器接手、验证还不能」的领域的默认命运。而一个行业什么时候轮到这个命运，取决于一件事——它的产出有多容易被判定对错。那是第三章的正题，这里先把结论挂在墙上：判分器现成的行业先烧，判分器要人手搭的行业后烧。

五、本章的边界，和两个必须立起来的反对意见

本章论证到此为止的是一道几何题：生成快、验证慢、夹角在张开、队列在堆积。以下几件事本章没有论证，也不打算蒙混过关。

第一，本章没有预测任何人的失业。剪刀差说明验证成为瓶颈，瓶颈值钱——但「值钱」落到谁头上、多少人能搬进新位置，是第八章的题。数字面前不越界，是本书给自己立的法。

第二，DORA 和代码库的账都是相关性，不是实验因果。这一点必须自己先说，不能等别人来戳。但剪刀差的论据不悬在这两项研究上：论据的骨架是定价轨迹、考卷轨迹、任务时长轨迹这三条物理曲线（第一节的 A 级证据），行为研究只是在这个骨架上添肉——肉有偏差，骨头还在。

反对意见一：「验证也会被自动化——AI 也在学会查错、写测试、自我纠错。」对，这是真的，而且是全书必须正面处理的最强反驳，第七章用整章回应。这里只把问题钉在墙上：即便验证也自动化了，「谁来造这个验证者、它错了算谁的」这两笔账立刻出现——序章里 JFrog 复核出 54 条 AI 编造的漏洞通报差点流进正规数据库，就是「验证的上游也会被生成物污染」的实证。剪刀差合拢的方式，不是自动的。

反对意见二：「队列堆积是暂时的，人会适应，新工具会出现。」一部分对——新工具确实会出现（第三章会讲其中最重要的一类：判分器），人确实会适应（第九章讲怎么适应）。但「会适应」不等于「不需要重新定价」：打字机出现后文书的字数产能也适应了，但适应发生在岗位消失与岗位新生之后，不是之前。适应是迁移的另一个名字，而迁移正是这本书的主题。

下一章回答本章留下的最后一个问题：瓶颈为什么注定成为价值的新家。答案是一条已经运行了两百年的定律——只是这一次，它运行到了一个前所未有的位置上。

出处与延伸

（证据等级：A 定量 / B 制度 / C 具名案例 / D 作者经验）

1. 皮查伊引句（C，一手官方逐字稿）：Alphabet Q3 2024 财报电话会（2024-10-29）：“Today, more than a quarter of all new code at Google is generated by AI, then reviewed and accepted by engineers.”；Q1 2025 电话会：“That number is well over 30% now.”。微软口径（纳德拉，2025-04）：仓库代码 20–30% 由软件写成（二手，主流媒体一致）。注：GitHub「46%」在 Octoverse 报告原文中查无此数（系 CEO 演讲口径且流传版本有误），本书弃用。
2. LLMflation（A，a16z 口径，第一本已核）：GPT-3 水平智能推理价格三年约 $60→$0.06（每百万 token）。
3. SWE-bench Verified 轨迹（A，一手，各点官方口径）：2023-10 GPT-4 1.96%（全集 2,294 题口径）；2024-08 GPT-4o 33.2%（OpenAI）；2024-10 Claude 3.5 Sonnet 49.0%（Anthropic）；2025-02 Claude 3.7 62.3%/70.3%（脚手架不同）；2025-04 o3 69.1%（OpenAI 发布）；2025-11 Opus 4.5 80.9%；2026-02 Opus 4.6 81.42%（官方脚注：25 次试验平均）。注：各点脚手架不同，统一按「智能体口径、单次通过率」表述；「90%+」流传数字未核实，不用。
4. SWE-bench Pro 交叉验证（A，一手）：Scale AI, arXiv:2509.16941（2025-09）：“Frontier models, such as GPT-5 and Claude Opus 4.1, score >70% of SWE-Bench Verified but less than 25% on SWE-Bench Pro.”
5. METR 任务时长曲线（A，第一本已核）：16 个月约 21 分钟→约 12 小时（41 倍）；转引 Cat Wu（Anthropic）2026-03；METR 数据链 arXiv:2503.14499 及 metr.org/time-horizons。
6. 「双降」实验（A，一手）：Perry et al.（斯坦福）, ACM CCS 2023（arXiv:2211.03622），详见第四章出处第 5 条。
7. DORA 报告（A−，一手官方发布，问卷相关性非因果）：2024 版（2024-10-22）：AI 采用↑伴随吞吐 −1.5%、稳定性 −7.2%；75%+ 每日依赖；39% 对 AI 代码几乎无信任。2025 版（2025-09）：吞吐转正、稳定性仍负；机制句 “AI accelerates software development, but that acceleration can expose weaknesses downstream. Without robust control systems… an increase in change volume leads to instability.”。口径核正（RedMonk）：媒体常引「约 39,000 人」为历年累计数据集；2024 当次问卷约 3,000 人、2025 近 5,000 人。
8. GitClear（A−，厂商研究，折扣使用）：《Coding on Copilot》（2024）与《AI Copilot Code Quality》（2025，2.11 亿行）：复制粘贴行占比首次超过重构行、五行以上重复块约 8 倍、两周回退率约 3%→6–7%。无对照组。
9. 翻译行业（A−/B，双来源）：DivEMT（EMNLP 2022，受控实验 18 名译员）：译后编辑稳定快于从零翻译但增益差异极大；Terribile（曼彻斯特大学，2023，行业大数据 879 译员/9,000 万词）：平均快 66%，英→法 +130%、英→瑞典 −7%（数字经行业媒体转述，二手）；日产能：人工 2,000–2,500 词/天、全文译后编辑 3,000–5,600 词/天（行业汇编，二手）。
10. 法律行业空格声明：AI 采用率（Clio 2024，厂商问卷，19%→79%）与幻觉率（Dahl et al. 2024，58–88%）已有，「审阅 AI 产出耗时」无可核实测——本书按「数据缺失处明说」纪律处理，不用轶事充数。