年薪 50 万美元的硅谷工程师，年底被考核的指标，居然是一年有没有烧掉 25 万美元的算力

年薪 50 万美元的硅谷工程师，年底被考核的指标，居然是一年有没有烧掉 25 万美元的算力。 黄仁勋在访谈里给出了一个标准：如果一个年薪 50 万的工程师没消耗 25 万美元的 Token，他会感到极度不安。 硅谷随之掀起了一场叫 Tokenmaxxing 的算力消耗狂欢。 创业公司在办公室大屏幕上挂出员工消耗排行榜，谁烧的 Token 最多，谁就是明星员工。 法律科技公司 Harvey 一个月的消耗量暴涨到 12 万亿个 Token。 Databricks 首席执行官公开表扬单人烧掉 7000 美元 Token 的工程师。 管理层深信一条公式：消耗的 Token 越多，代表员工越拥抱 AI，生产力就越高。 然而不到半年，账单砸回了现实。 Uber 的技术官在访谈里承认，他们仅仅 4 个月就烧光了全年的 AI 预算，不得不推倒重来。 Meta 开始对每个员工设定算力消耗上限，微软取消独立的 Claude 授权，各大公司的算力英雄榜被连夜撤下。 为什么一场为了提升效率的技术升级，最后演变成了一场失控的算力浪费竞赛？ 把这笔账算到底，会看到一台在管理学和软件工程里运转了半个世纪的冰冷机器。 古德哈特定律。 1975 年英国经济学家查尔斯·古德哈特（Charles Goodhart）提出过一条铁律： 当一个度量指标被选作管理目标时，它就立刻不再是一个有效的度量指标。 软件工程界对这个坑再熟悉不过。 上世纪 80 年代，IBM 用「代码行数（Lines of Code）」考核程序员的生产力。 结果工程师为了达标，把三行逻辑拆成三十行，在项目里塞满毫无意义的废话。 四十年后，代码行数换了一件马甲，变成了 Token。 使用 AI 提升产出，消耗 Token 本来只是一个连带的成本。 一旦管理层把「烧了多少 Token」反向定为衡量员工能力的考核指标，整个工程激励瞬间变形。 工程师为了冲上排行榜，把整本几十万字的技术文档和无关依赖包整坨塞进上下文窗口。 查一个简单的语法定义，也要调用最昂贵的旗舰推理模型跑几万字的思维链。 在 Transformer 的自注意力机制里，上下文窗口每翻一倍，计算复杂度就面临二次方级别的飙升。 多轮对话里的每一次提问，都在对前面堆叠的几十万个 Token 进行全量重复计算。 这在工程账单上形成了一个隐形的底价地板。 哪怕只输出一个单词，企业也要为之前堆叠的所有历史垃圾全额买单。 旗舰模型的单价是优化模型的 5 到 10 倍。 模型产出的代码质量没有质变，企业的算力账单先膨胀了十倍。 企业花重金想要买的是最终结果。 管理系统奖励的，却是原料的焚烧速度。 红杉资本和 HubSpot 首席执行官最后不得不出来纠偏：产出最大化，从来不等于消耗最大化。 把输入指标当成产出指标，把资源消耗当成生产能力。 当一个组织开始用「你消耗了多少资源」来衡量「你创造了多少价值」时，它得到的永远不会是更高的生产力。 它只会迅速筛选出一群精通如何把资源烧光的专家。