很多人可能没意识到一个问题，AI辅助开发的边际效率在下降，但token成本在上升级，两者的gap在不断拉大。这是一个不好的信号。

1、硬件的价格和AI服务的运营成本资本开支太高，导致API成本定价剧高不下。
2、随着AI逐渐替换人工编程，很快大量基础设施的代码由AI替换。但几年过去以后，这些AI快速生成的代码的迭代成本将无比之高。AI正在走过它的少年期，进入青春期，要面临成长的麻烦。三年以后，AI基础设施完成，人们将面临一座巨大的AI屎山，而望洋兴叹。
3、随着项目不断地变大，codebase的消耗巨大，大量token消耗在思考分析阶段，现象是AI分析的时间远远超过写得时间。用大量的思考和验证token产生了小量的生产代码。
4、AI擅长功能增加做加法，但一个好的项目基础必须阶段性重构做减法。AI的重构能力有限，且业务巨大以后重构的约束并不是技术，而是业务定义和功能交叠。这些不是AI能够解决的，workload重新回到人类身上。
5、很快老板们就面临一个非常头疼的问题，天价的token账单和可怜的有效产出之间的矛盾，将难以忍受。
6、模型的token by token和概率生成机制，决定了它想要产生一个优质的输出，必须完成一个非常巨大的复合性工程，开启thinking自己先出草稿然后自审，去错纠正，然后再思考，出多个方案对比，形成一个可行的方案，再进行回复。agent通过react不断地切分任务，验证结果，重试逼近。然后还需要通过tool call调用测试环境验证产出，进行修复。整个过程是建立在三套大的自循环迭代基础之上的，这在项目变大以后的token消耗是天量的，且难以彻底根治。

在当前机制下，生产任务的AI能力随着项目的变大是下降的，而不是上升的。项目越大，AI的成本和产出就呈现边际收益递减，而对人的依赖就越强。

特别是那些结构不好的项目，想保持结构良好，AI做不到自举，必须由人来完成。在一片巨大无比的AI生成物里，谁能高效地整合，重构，基于老AI基础推进新的业务，谁将获得竞争优势。

所以，当Ai生态的增长曲线放缓，人工智能中的人，将再次伟大。这些人，就是AI技术时代的要求下的“新精英”。