西方制造与编程能力流失的危机重演 · AI HOT
宝玉@dotey69
2026-04-28 04:43·66天前
AI 摘要作者以国防工业为镜，揭示西方因长期“优化”导致关键能力流失的深层危机。雷神公司重启“毒刺”导弹生产线需召回70多岁老工程师，依赖卡特时代的图纸，新订单交付需4年。欧盟承诺的百万发炮弹交付严重延期，暴露出整个国防工业供应链存在大量单点故障，且缺乏大规模生产与应急能力。这种模式源于冷战后的“和平红利”政策，导致企业合并、劳动力锐减。类似地，核材料Fogbank的制造工艺也曾因人员流失而几乎失传。作者指出，软件行业正重蹈覆辙：过度依赖AI编程工具可能导致初级工程师培养断层和“理解力危机”。重建能力需要数年甚至数十年，核心限制并非资金，而是知识与经验传承的断裂。当前市场已极度缺乏兼具技术能力与独立判断力的人才。
宝玉@dotey · X 2026-04-28 04:43·66天前
在 X 看原推· x.comAI 摘要作者以国防工业为镜，揭示西方因长期“优化”导致关键能力流失的深层危机。雷神公司重启“毒刺”导弹生产线需召回70多岁老工程师，依赖卡特时代的图纸，新订单交付需4年。欧盟承诺的百万发炮弹交付严重延期，暴露出整个国防工业供应链存在大量单点故障，且缺乏大规模生产与应急能力。这种模式源于冷战后的“和平红利”政策，导致企业合并、劳动力锐减。类似地，核材料Fogbank的制造工艺也曾因人员流失而几乎失传。作者指出，软件行业正重蹈覆辙：过度依赖AI编程工具可能导致初级工程师培养断层和“理解力危机”。重建能力需要数年甚至数十年，核心限制并非资金，而是知识与经验传承的断裂。当前市场已极度缺乏兼具技术能力与独立判断力的人才。
155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。
整个系统被优化到成本最低，却几乎没有任何应急余量。
Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。
多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。
美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。
经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。
原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。
负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。
洛斯阿拉莫斯把它称为原始工艺中的"无意识依赖"（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。
一个核武器项目，竟然失去了制造自己发明出来的材料的能力。
更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。
（更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让"知识流失"的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。）
我读到 Fogbank 的故事时，立刻认出了这个模式。
花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。
在国防工业里，那个替代方案叫"和平红利"（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。
我之前写过"人才管道崩塌"的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有"理解力危机"：人们会让 AI 写代码，却越来越不理解代码本身。
而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。
国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。
"毒刺"：从下单到交付，至少 30 个月。 "标枪"（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。
兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常要 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。
一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。
这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。
METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。
开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。
研究人员后来想做后续实验时，相当一部分开发者拒绝参加--如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。
Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。
于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。
我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。
也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。
我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。
光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器给出的糟糕建议--哪怕那台机器说话听起来无比自信。
我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。
既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。
Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。
也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。
没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。
就连 Fogbank 当年也有记录。只是记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。
我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。
可这些工程师现在还不存在，因为我们没有在培养他们。
本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为"AI 中介能力"（AI-mediated competence）的东西。
他们会提示 AI。 但他们说不出 AI 错在哪里。
当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。
等我这一代工程师退休时，这些知识不会转移给 AI。
我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。
但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。
"毒刺"、"标枪"、Fogbank、那一百万发没人造得出来的炮弹--这就是把赌注押在"优化"上，结果赌错之后要付出的代价。
来源：https://techtrenches.dev/p/the-west-forgot-how-to-make-things
当雷神还在努力根据 40 年前的蓝图重启生产时，美国已经在向乌克兰运送成千上万枚"毒刺"。RTX 首席执行官 Greg Hayes 说，10 个月的战争，消耗掉了相当于 13 年产量的"毒刺"。
一百万发炮弹，没人造得出来
2023 年 3 月，欧盟承诺在 12 个月内向乌克兰提供 100 万发炮弹。
当时，欧洲一整年的炮弹产能只有 23 万发。而乌克兰每天就要消耗 5000 到 7000 发。
到了最后期限，欧洲只交付了大约一半。马克龙后来称，最初那个承诺太鲁莽。由 9 个国家、11 家媒体联合发起的一项调查发现，欧洲真实的生产能力大概只有欧盟官方说法的三分之一。
那 100 万发炮弹的目标，直到 2024 年 12 月才真正完成，比原计划晚了 9 个月。
法国在 2007 年就停止了国内发射药生产，整整 17 年没有继续做。欧洲唯一一家主要 TNT 生产商在波兰。德国自己的弹药储备只够用两天。丹麦一家 Nammo 工厂在 2020 年关闭，后来不得不从零开始重启。
整个欧洲国防工业，长期以来都被优化成一种模式：生产少量、昂贵、定制化的产品。没人为大规模生产做准备。也没人为危机做准备。
155 毫米炮弹壳主要靠宾夕法尼亚州斯克兰顿的一家工厂；爆炸物填装则依赖爱荷华州的一处设施；美国从 1986 年起就没有本土 TNT 生产了。
1993 年，五角大楼告诉国防企业的 CEO 们：要么合并，要么死。
于是，51 家主要国防承包商最终缩成了 5 家。战术导弹供应商从 13 家变成 3 家。造船厂从 8 家变成 2 家。国防工业劳动力从 320 万人降到 110 万人，砍掉了 65%。
弹药供应链到处都是单点故障（single point of failure，指一个环节出问题就会拖垮整个系统）。
155 毫米炮弹壳只有一家制造商，位于加州科切拉，而那里就在圣安德烈亚斯断层上。发射药装药也只有加拿大的一处设施能做。
整个系统被优化到成本最低，却几乎没有任何应急余量。
Fogbank 是一种用于核弹头的机密材料。它在 1975 年到 1989 年间生产，后来生产设施被关闭。
多年后，美国政府为了一个核弹头寿命延长项目，需要重新制造 Fogbank。结果他们发现，自己已经不会做了。
美国政府问责局（GAO）的一份报告指出，几乎所有掌握生产经验的人，要么退休了，要么去世了，要么离开了相关机构。留下来的记录也很少。
经历了 6900 万美元的成本超支，以及数年的失败尝试后，他们终于做出了可用的 Fogbank。
原来的生产工艺里，曾经有一种无意中产生的杂质，而这种杂质对材料功能至关重要。可没人知道这件事。
负责复现的工程师不知道。几十年前做出原始材料的工人也不知道。
洛斯阿拉莫斯把它称为原始工艺中的"无意识依赖"（unknowing dependency）：这个环节很关键，但当年没人意识到它关键。
一个核武器项目，竟然失去了制造自己发明出来的材料的能力。
更可怕的是，知识并不只是随着人离开而流失。它从一开始就没有被任何人真正完整理解过。
（更正：原文最初版本曾写道，当年制造 Fogbank 的工人知道这种杂质的存在。事实并非如此。他们也不知道。这个依赖关系是无意形成的，这反而让"知识流失"的论点更强，而不是更弱。感谢评论区的 John F. 指出这一点。）
我读到 Fogbank 的故事时，立刻认出了这个模式。
花几十年建立起一种能力。 找到一个更便宜的替代方案。 让人才梯队慢慢萎缩。 享受节省下来的成本。 然后，当危机突然要求你拿回那种能力时，看着一切崩塌。
在国防工业里，那个替代方案叫"和平红利"（peace dividend，指冷战结束后减少军费、把资源转向民用经济的收益）。
我之前写过"人才管道崩塌"的问题。招聘数据、初级工程师到资深工程师之间的断层，都已经有很多证据。还有"理解力危机"：人们会让 AI 写代码，却越来越不理解代码本身。
而这个类比告诉我们的东西，是招聘数据看不出来的：重建一种能力，到底需要多久。
国防工业里，每一次大规模恢复产能，哪怕是相对简单的系统，也要 3 到 5 年。复杂系统则要 5 到 10 年。
"毒刺"：从下单到交付，至少 30 个月。 "标枪"（Javelin）：花了 4 年半，产量还没翻倍。 155 毫米炮弹：投入 50 亿美元，4 年过去仍没达到目标。 法国直到 2024 年才重启发射药生产，而距离它关闭国内生产线，已经过去了 17 年。
兰德公司（RAND）发现，潜艇设计中有 10% 的技术技能，需要 10 年在岗经验才能培养出来，有时还得建立在博士学位之后。国防工业里的技术工种，学徒期通常要 2 到 4 年；要达到能当主管的水平，则需要 5 到 8 年。
一个初级开发者，需要 3 到 5 年，才能成长为合格的中级工程师。 需要 5 到 8 年，才能成为资深工程师。 需要 10 年甚至更久，才能成为首席工程师或架构师。
这条时间线，不能靠砸钱压缩。 也不能靠 AI 压缩。
METR 做过一项随机对照试验（randomized controlled trial，医学和社会科学中常用的一种严谨实验方法）：经验丰富的开发者使用 AI 编程工具后，在真实开源任务上反而慢了 19%。
开始前，他们预测 AI 会让自己快 24%。结果现实和预期之间，相差了 43 个百分点。
研究人员后来想做后续实验时，相当一部分开发者拒绝参加--如果实验要求他们在没有 AI 的情况下工作，他们就不愿意。他们已经无法想象回到不用 AI 的状态。
Salesforce 说，2025 年不会再招聘更多软件工程师。LeadDev 的一项调查发现，54% 的工程负责人认为，从长期看，AI 编程助手会减少初级工程师招聘。计算研究协会（CRA）对大学计算机院系的调查显示，62% 的院系报告今年入学人数下降。
于是行业的答案也很可预测：让 AI 去审查 AI 写的代码。
我改造了我们的拉取请求模板（pull request template，开发者提交代码变更时填写的说明模板）。现在，每个 PR 都必须说明：改了什么，为什么改，这属于哪类变更，以及修改前后的截图。
也就是说，我们要给审查者提供结构化上下文，不能让审查者靠猜。
我还在每个项目里安排专门的审查人员。更多双眼睛，就有更多机会发现模型漏掉的问题。
光有技术能力不够。你还需要能主动负责、能清楚沟通取舍、能反驳机器给出的糟糕建议--哪怕那台机器说话听起来无比自信。
我们上一轮招聘就能说明这种人有多稀缺：2253 名候选人，2069 人被淘汰，最终录用 4 人。转化率只有 0.18%。
既有技术能力，又有判断力、能看出 AI 什么时候错了的人，在市场上几乎已经不存在了。
Site Books、SDD、RVS 报告、带完整测试覆盖的样板模块……这些今天都有用，因为读这些文档的人，本身具备足够的工程能力，知道该怎么行动。
也许 5 年后的 AI 足够强，这些问题就不重要了。也许问题仍然可控。我没法预测 2031 年模型会强到什么程度。
没人预料到 2022 年欧洲会爆发全面陆地战争。国防工业有 30 年时间做准备，但它没有。
就连 Fogbank 当年也有记录。只是记录不够。更糟的是，原来的工人甚至没有完全理解自己的工艺。
我们会需要那种真正理解系统全貌的人；需要能在凌晨两点调试分布式故障的人；需要携带着那些代码库里根本不存在的组织知识的人。
可这些工程师现在还不存在，因为我们没有在培养他们。
本该现在学习成长的初级工程师，要么根本没有被雇用，要么正在形成一项由美国国防部资助的劳动力研究称为"AI 中介能力"（AI-mediated competence）的东西。
他们会提示 AI。 但他们说不出 AI 错在哪里。
当初级工程师跳过调试，跳过那些塑造能力的犯错过程，他们就无法建立隐性知识（tacit expertise，指难以写成文档、只能通过实践积累的经验性能力）。
等我这一代工程师退休时，这些知识不会转移给 AI。
我知道这听起来像什么。我也知道，我之前已经写过人才管道的问题。
但国防工业这个例子，不是为了重复同一个论点。它是为了展示：如果行业现在对 AI 的期待落空，会发生什么。
"毒刺"、"标枪"、Fogbank、那一百万发没人造得出来的炮弹--这就是把赌注押在"优化"上，结果赌错之后要付出的代价。
来源：https://techtrenches.dev/p/the-west-forgot-how-to-make-things