---
title: "最后一代检查者"
url: https://wakenex.com/articles/the-last-generation-of-checkers/
language: zh-CN
type: article
section: "系统研究"
published: 2026-10-20T20:30:08+07:00
author: "WAKENEX"
id: "article:the-last-generation-of-checkers"
x_post: https://x.com/AAwakened32198/status/2112536847905865762
alternate_language: https://wakenex.com/articles/the-last-generation-of-checkers/index.md
license: "© WAKENEX。可引用与摘要，请注明出处并附原文链接。"
cite_as: "WAKENEX. \"The Last Generation of Checkers.\" wakenex.com, 2026-10-20. https://wakenex.com/articles/the-last-generation-of-checkers/"
---

# 最后一代检查者

> 智能在变便宜，判断力在变稀缺。而判断力原本生长的地方，正在被悄悄关掉。

**一句话判断：** 答案在变便宜，能检查答案的人却没人在培养。

**WAKENEX 概念：** [能力不能由结果单独证明](https://wakenex.com/concepts/results-dont-prove-capability/)

![一架梯子伸向一道蓝色光门，最下面几级被锯掉堆在地上，一排年轻人在下面排队，却没有地方落脚。](https://wakenex.com/assets/articles/the-last-generation-of-checkers/cover-1600.jpg?v=864b12a3bf)
*图片：WAKENEX*

## 13.6% 的问题

Anthropic 最近公布了一项针对自家编程 agent 的测试：1,053 名付费用户审核 agent 准备执行的命令，其中混有危险命令。在这些危险命令中，人类拦下了 13.6%。

这是公司自己做的对照研究，只能算一个数据点。但它和公司在日常使用中测到的另一个数字吻合：Claude Code 用户会批准 97% 的权限弹窗，3 月时是 93%。Anthropic 给这个现象起了名字，叫“批准疲劳”（approval fatigue）。8 月起，它把自动审核设成了 Pro、Max 和 Team 套餐新会话的默认模式。公司称，自动模式能拦下 89%。

再把第二个数字放到第一个旁边。

在美国 AI 暴露度最高的岗位上，22 到 25 岁年轻人的就业人数，比按趋势“本应达到”的水平低约 19%。这个数字来自斯坦福数字经济实验室，用的是截至 2026 年 6 月的 ADP 工资单数据。同一批岗位上的资深员工，没有类似缺口。而且这个缺口几乎不是裁员造成的，而是来自那些从未被招进来的人。

这看起来是两个故事，一个关于软件安全，一个关于劳动力市场。我们认为它们是同一个故事，而且比两者都大。

核心论点。 AI 让“生成”几乎免费，剩下的价值和风险，于是被推到了“检查”上：判断一个产出对不对、安不安全、后果能不能承受。检查靠的是有判断力的人。而判断力，主要来自多年廉价、低风险、有人带的练习，而这恰恰就是 AI 最先吃掉的入门级工作。我们一边在抬高判断力的价格，一边在切断它的供给。账单会迟到很久，大约在 2030 年代某个时刻到来：那时我们会发现，本该成为下一代专家的人，从来没有被训练过。

下面是证据链、我们找到的最强反驳，以及什么情况会让我们改变看法。

## 什么变便宜了，什么没有

先看价格。Epoch AI 估算，2023 年以来，同等能力的推理成本每年降到原来的约 1/13；一项能力还处在最前沿时，每年降到约 1/75，两年后放缓到每年约 1/4.7。昨天的智能，会以极快的速度变成廉价的通用品。

有两样东西不跟着这条曲线走。

第一是前沿。顶级模型的标价不降反升：旗舰模型每百万输入 token 的价格，从 1.25 美元（GPT-5，2025 年 8 月）涨到 10 美元（GPT-6 Astra，2026 年 9 月）。最新的能力贵，就因为它新。Token 便宜，前沿不便宜。

第二是证明。凡是“错了代价很高”的地方，信心的积累都慢得惊人：

- 兰德公司的一项研究测算：要以 95% 置信度证明自动驾驶出租车的致死率不高于人类司机，需要约 2.75 亿英里零致命事故；要证明比人类好 20%，需要 110 亿英里以上。截至 2026 年年中，Waymo 累计约 2.71 亿英里；只看里程，约为第一道门槛的 98.5%、第二道门槛的四十分之一。

- 要以 95% 置信度证明一件事成功率不低于 99%，需要约 299 次零失败；99.9% 需要约 2,995 次。每多一个 9，所需证据大约变成原来的十倍。

- 由生成式 AI 从零发现的药物，至今没有一个获批。进度最快的候选药，三期试验入组 320 人、为期 52 周。生物学按自己的时钟走。

最说明问题的结果来自医学。2026 年 2 月发表在《自然·医学》上的一项牛津随机对照试验，让 1,298 人处理医疗情景。模型单独作答时，识别出相关病症的比例是 94.9%；真人使用同样的模型时，识别比例不到 34.5%，并不比完全不用 AI 的对照组更好。试验用的是 2024 年的模型，新模型更强；但这道鸿沟和模型强弱关系不大。

知识就在机器里。但它没能在经过一个“分不清答案里哪部分重要”的人之后保留下来。

这就是我们正在进入的经济形态：产出一个答案很便宜；知道该不该信它，并为据此行动的后果负责，却并不便宜。而后者，仍然由人来做。

![Answers are cheap. Checking isn't. 答案很便宜，检查不便宜。](https://wakenex.com/assets/articles/the-last-generation-of-checkers/techfig1scissorsen-1600.jpg?v=3d1b05084a)
*图片：WAKENEX*

## 检查者已经累了

如果检查是瓶颈，下一个问题自然是：人检查得怎么样？早期证据并不乐观。

批准疲劳是最清晰的例子。一个系统整天让你确认，而且几乎每次都没问题，你就不再细看了。面对一串大多无害的请求，批准 97% 是理性反应。但这也意味着，真正要紧的那几次，靠的是条件反射。靠条件反射完成的检查，不是检查。

第二个例子来自程序员。METR 在 2025 年 7 月发布了一项随机对照试验：16 名资深开源开发者完成 246 个真实任务。用了 AI 工具，他们反而多花了 19% 的时间，却以为自己快了约 20%。体感和实测之间，差了将近 40 个百分点。

后续更耐人寻味。METR 再做一轮时，实验设计本身出了问题：30% 到 50% 的开发者，不肯提交他们觉得“必须用 AI”的任务，不愿再做“不用 AI”的那一组。这一轮的数字倾向于提速，METR 自己说这是“非常弱的证据”。但真正的发现是那个设计问题：开发者已经依赖工具到了无法再干净地做对照实验的程度。依赖，先于证据形成。

第三个例子说明检查到底需要什么。FDE-Gym 是 2026 年 10 月以预印本发布、尚未经同行评审的基准，给 AI 系统出了 95 个改编自真实客户项目的交付任务；13 种配置里最好的解决了 14 个。作者点名了主要瓶颈：发现“没说出口的约束”。在其中 23 个预先给出全部关键事实的任务里，也只有 10 个达标。

“没说出口的约束”，就是因为人人都知道、所以没人写下来的东西：这个客户最讨厌发票上有意外；这个数据库和另一个团队共用，他们凌晨三点跑报表；这个监管机构会读脚注。哲学家迈克尔·波兰尼称之为默会知识，并用一句话概括：“我们知道的，多于我们能说出来的。”

检查者靠的就是默会知识。资深工程师看着一条“看起来没错”的命令，却觉得哪里不对，靠的就是它。这种知识也无法下载，只能靠长期贴近工作，一点点吸收。

## 判断力从哪里来

那么，人是怎么获得它的？

在现代经济史的大部分时间里，靠梯子最下面那几级。初级分析师做一千张表，学会分辨哪些数字会骗人；新客服把同样十个问题答到烂熟，直到某天第十一个问题不一样；初级程序员写样板代码、被人审代码、在预发布环境里弄坏东西，慢慢长出对“危险在哪里”的直觉。

这类工作有三个特征：高频、低风险、说得清，也就是能写下“好结果长什么样”。而这三个特征，恰好也是让一项任务容易交给 AI 的三个特征。

价格已经开始按这个逻辑来定了。Intercom 的 AI 客服按“结果”收费，每个 0.99 美元，大致相当于一次结束时客户不再需要进一步帮助的对话。按美国劳工统计局口径，客服年薪中位数 44,770 美元。两者一除，这份年薪能买约 4.5 万个“结果”，每个工作日约 180 个。Salesforce 给 agent 的每次动作定价约 10 美分。一项任务一旦有了单价，经理就可以拿一个人去和一张发票比较。

这在裁员统计里看不到，因为它根本不是通过裁员发生的。2026 年 8 月，美国招聘率 3.3%，裁员率 1.0%：一个低招聘、低裁员的经济。劳工统计局预计，未来十年美国客服岗每年约有 29 万个空缺，全部来自有人离职，没有一个是新增的。

我们的研究笔记里有一句话：你看不见它，因为它是一封从未发出的 offer。

## 另一栋楼里，同一扇门

同样的模式，出现在一个很少有人会去看的地方。

谷歌的搜索生意很好。2026 年二季度，Alphabet 搜索收入 633 亿美元，同比增长 17%。与此同时，据 Chartbeat 数据，2025 年 7 月到 2026 年 7 月，新闻和媒体出版商从谷歌搜索拿到的流量下降了 40.2%，谷歌搜索在出版商页面浏览中的占比从 9% 降到 5%。

拆开出版商的数据，会再次看到劳动力市场的那个形状：忠实读者的月浏览量持平，从 149.8 亿到 150.2 亿；新读者下降 14%；回访读者下降 8%。Chartbeat 的样本偏新闻网站，具体数字要谨慎看待，但方向是清楚的。

把它和斯坦福的结果并排放：资深员工，没有缺口；年轻员工，低于趋势 19%。忠实读者，持平；新读者，降 14%。两边的总量数字看起来都很健康：失业率不高，搜索收入在涨。两边的损伤都集中在同一个位置：入口。已经在里面的人没事，进来的路在变窄。

这对论证很重要，因为它提示，这个机制具有普遍性。当一层 AI 插在人和工作之间、读者和作者之间时，它最先吃掉的，是最便宜的那个入口。在位者保住位置，新人的门关得如此安静，总量数字察觉不到。

## 静默冻结

现在把这些拼起来。

如果你在 2026 年经营一家公司，逻辑很简单：留住资深员工，因为默会知识在他们手里，检查 AI 的也是他们；不再补招新人，因为新人做的活，现在买服务更便宜。每个决定单独看都合理。斯坦福的数据，与这些决定加总后的样子是一致的。

但你依赖的那些资深者，正是由初级工作塑造出来的。专业能力的养成周期很长：在很多行业里，从新手成长为一个说出“不，这里错了”时能被信任的人，大约需要七到十年。这个区间是我们的估计，不是测量值。2024 到 2027 年没被招进来的一批人，就是 2030 年代中期不会存在的一批资深检查者。

人口学家熟悉这种模式。少生一代人，回声会持续几十年：先是空教室，然后是劳动力断层，再然后是养老金的压力。少招一代人，回声也一样，只不过消失的是技能，不是人头。我们称之为“静默冻结”：没有人被开除，只是梯子少了最下面几级，而站在高处的人察觉不到，因为他们多年前就不再踩那几级了。

还有一个二阶效应让情况更糟。当大量工作都经过少数几个共用模型时，错误就不再独立。人类司机各犯各的错，软件会在所有地方同时犯同一个错。2026 年，Waymo 两次召回几乎整个车队，一次 3,791 辆，一次 3,871 辆。当故障彼此相关时，最需要的恰恰是“和系统想法不一样”的检查者，他们的判断力形成于这个工具之外。一支靠批准 AI 产出学会手艺的队伍，正好相反。

所以，我们正在搭建的系统有三个变量：

1. 生成每年都在变便宜。

2. 独立、有经验的检查越来越值钱，因为错误会规模化扩散，而且彼此相关。

3. 有经验的检查者供给在萎缩，而且滞后将近十年，因为用来训练的那几级梯子最先被自动化了。

这就是“判断力缺口”。它不会出现在这个季度的数字里，它会在今天这批检查者退休时出现。

![Nobody was fired. They were never hired. 没有人被开除，只是没被招进来。](https://wakenex.com/assets/articles/the-last-generation-of-checkers/techfig2pipelineen-1600.jpg?v=7b634b37b3)
*图片：WAKENEX*

## 对我们最有力的反驳

有几项事实对这个论点构成反驳，值得充分重视。

AI 也可以是梯子。 关于客服 AI 最著名的研究，由埃里克·布林约尔松、丹妮尔·李和林赛·雷蒙德完成，跟踪了 5,179 名客服：生产率平均提升 14%，新手和低技能者提升 34%，对资深员工影响很小。工具帮新人吸收了顶尖员工的经验。当 AI 被当作导师使用时，它缩短了梯子，而不是拆掉梯子。（发表于《经济学季刊》的版本为 5,172 人、平均提升 15%。）这是对“AI 拆梯子”最直接的反驳，也点出了真正的变量：公司用 AI 替代新人，还是用 AI 更快地培养新人。

招聘低迷还有别的原因。 利率很高；部分职位发布的下滑早于 ChatGPT 出现；斯坦福的作者明确说，他们的结果是描述性规律，不是 AI 影响的因果估计，而且控制学历后缺口会缩小。一个低招聘的经济，有没有 AI 都会挤压年轻人。

机器也许可以检查机器。 按 Anthropic 的说法，自动审核拦下的危险命令，远多于它自己那项研究里人类拦下的。如果机器验证持续进步，对人类检查者的需求可能下降，这个缺口也许没有我们想的那么要紧。

开发者现在可能已经更快了。 METR 的新数据虽弱，但倾向于提速。工具变化很快，2025 年的试验不是 2026 年的结论。

这些反驳把我们的结论从“这会发生”改成“如果没有什么打断它，这是默认路径”。以下情况会让我们改变看法：

- 斯坦福后续更新显示，22–25 岁的缺口在收窄而不是扩大；

- 在利率维持高位的情况下，AI 高暴露职业的初级岗位招聘依然回升；

- 公司公布 AI 审核流程的“拦截率”而不是“批准率”，并经得起外部审计；

- 某个领域的验证本身变便宜了：如果形式化方法和自动测试能在那里证明正确性，那个领域对人类默会判断的需求确实会下降。

## 省下的时间去了哪里

还有最后一块拼图。它解释了为什么仍有工作的人并没有觉得轻松。

医疗是最清楚的例子。AI 病历工具旁听问诊、起草记录。一项多中心研究显示，医生倦怠率一个月内从 51.9% 降到 38.8%。这是前后对比，不是随机试验，但改善看起来是真的。医疗行业媒体已经给接下来常发生的事起了名字：生产率棘轮。医生看诊一旦变快，“应看病人数”就会被上调。

医院并不特殊。任务级的提速是真的，岗位级的收益却常被“更多的活”吃掉。AI 省下的那一小时归谁，取决于谁来定指标。

资本市场也有自己的版本。2026 年 2 月，Block 裁员约 40%，次日股价上涨近 18%。市场在奖励“用算力替换工资”。说得直白一点：你的工资，可能变成别人的算力预算。

把这些和前面所有内容放在一起：资深者被要求更多产出，要检查更多 AI 产出，可供他们分派工作的新人却更少。批准疲劳，就是这一切落到一次点击上的样子。检查者检查得更多、休息得更少，却没有人正在接受培养、准备接班。

我们关于神经系统的姊妹篇，讨论的是另一半：为什么一个内部监控过载的人，无法直接把它关掉。金融篇则追踪为这些算力买单的钱。

## 看清之后，可以做什么

这些都不需要恐慌，需要的是换一种定位。以下是初步建议，不是保证。

拥有一个分母。 生成便宜之后，信任流向能拿出可计数记录的人：交付的项目、被审计过的判断、复核过的案例、拦下的错误。Waymo 的优势不只是模型，还有 2.71 亿英里。找到你所在领域的那个“英里数”，开始计数。

保留一部分不用工具的练习。 想保住检查一件事的能力，就得继续练这件事。刻意亲手做一部分：先自己写一版分析初稿，再和 AI 的对照。这更慢，但这是你内在那把尺子保持校准的方式。

衡量拦下了什么，而不是批准了什么。 对一个团队来说，有用的数字不是采纳了多少 AI 产出，而是有多少错误在到达客户之前被发现、怎么发现的。如果没人知道这个数字，就没人在真正检查。

如果你招人，把新人当作“见习检查者”来招。 布林约尔松等人的结果提示，AI 对新人最好的用法是当导师。一个和资深者一起复核 AI 产出、并得到反馈的新人，学的正是十年后市场愿意付钱的那项能力。

决定省下的那一小时归谁。 庆祝生产率提升之前，先决定它的去向：学习、休息，还是更多产量。你不决定，指标会替你决定。

## 藏在底下的那条线

谈到 AI 和工作，通常的问题是：它会拿走哪些工作？我们认为这个提问的框架是错的。更有用的问题是：哪些工作训练出了我们今天依赖的人？又是谁，在训练接替他们的人？

生成在变便宜。判断力，也就是检查、选择、承担后果的能力，在变稀缺。一个系统如果切断了自己越来越需要的东西的供给，并不会在做出这个决定的那天失败。它会在很多年后安静地失败：当它伸手去拿那样东西，却发现那里没有人。

看清系统，建立杠杆。

---
引用格式：WAKENEX. "The Last Generation of Checkers." wakenex.com, 2026-10-20. https://wakenex.com/articles/the-last-generation-of-checkers/

网页版：https://wakenex.com/articles/the-last-generation-of-checkers/