很多西方媒体的记者，自己肚子里明明没什么墨水，却非要表现出一幅深谋远虑苦大仇深般的姿态。凡事为了反对而反对。别人说好，他偏偏就要说不好。哪怕自己一点都不懂，连名词都是刚搜来的，也要写文章输出自己的愚蠢观点。
今天我们就拿《大西洋月刊》（2026年7月14日）发表的《Generative AI Is an Engineering Disaster》举例，见识一下这位记者Alex Reisner的逻辑能混乱到何种惊为天人的地步。
https://www.theatlantic.com/technology/2026/07/generative-ai-engineering-disaster/687901
文章链接放上，各位如果不想看，我总结了这个文章的大意，放在下面。
Reisner从全球内存和存储价格上涨写起。他声称，大模型公司可能正在购买全球70%的高端计算机内存，挤压普通电脑、硬盘和低价笔记本的供应。AI数据中心又在迅速扩张，耗电量巨大，部分企业甚至考虑利用改造后的航空发动机为数据中心供电。
作者认为，问题并非AI发展过快，而是生成式AI的工程路线本身效率极低。
过去的视频流媒体、智能手机、物联网和云计算同样经历了用户爆炸，但随着系统扩大，单位用户成本逐渐下降。风险投资人通常希望看到：新增成本除以新增用户”的比例逐渐下降（即单位用户新增成本降低）。
而生成式AI恰好相反。用户越多，输入越长，推理需求越复杂，企业就需要购买更多GPU、内存和电力，服务成本并没有像传统互联网软件那样迅速趋近于零。
文章接着把问题归因于两种“扩张”。
第一种是模型规模扩张。从2020年的GPT-3开始，前沿模型从1750亿参数一路增长到据估计超过一万亿参数。行业根据经验发现，扩大参数、数据和训练计算量通常能够降低模型损失、提高测试表现，于是形成了所谓“缩放定律”。
作者认为，这种经验规律已经被硅谷改造成一种近乎宗教的信念：如果模型还不够聪明，那就意味着模型还不够大。
模型每扩大一轮，能力提升幅度却越来越小。为了维持相近的性能进步，企业必须投入增长得更快的算力。作者据此把生成式AI称为“可能是有史以来部署过的最糟糕技术”。
第二种是上下文长度扩张。
标准Transformer中的自注意力需要比较序列中大量词元之间的关系。若输入长度为 n，注意力矩阵包含大约 n的平方 个关系，因此传统实现的计算量 and 内存消耗会随上下文长度快速增长。
作者把这与他所谓的“对数扩展”对比：指出好软件的成本近似于对数复杂度，而大模型的成本则近似于二次方复杂度。
他认为，任何学过计算机科学的学生都知道，二次复杂度非常糟糕，而AI企业却在把这种架构部署到数亿用户面前。
文章随后提出替代路线。
作者回顾早期符号主义AI。研究者曾试图把人类推理过程总结成明确规则，再写入程序。虽然这种路线难以处理开放世界中的语言和感知问题，但消耗的数据与算力较少。今天也有研究者尝试把神经网络与符号推理结合，或者针对具体问题设计极小模型。
文章重点介绍Alexia Jolicoeur-Martineau的Tiny Recursive Model。该模型只有约700万参数，却在ARC-AGI、数独和迷宫等推理任务上获得不错成绩。作者借此质疑，把所有困难任务都交给巨型基础模型，是否只是资本和市场推广形成的路径依赖。
最后，作者把工程问题上升为思想问题。
他认为，生成式AI已经被塞进操作系统、办公软件、图像工具和手机，即使用户并不需要这些功能，也被迫购买更强的硬件。与此同时，摩尔定律放缓，芯片性能提升越来越难以抵消AI需求增长。
硅谷之所以继续投入，不只是因为大模型有用，也因为一部分从业者相信，持续扩大统计语言模型最终会产生真正的心智乃至超级智能。在这种信念下，资源效率被视为次要问题，规模本身反而成为技术进步的象征。
作者的完整因果链可以整理成：缩放定律 -> 扩大模型和上下文 -> 计算与内存需求爆炸 -> 硬件、电力和资本成本上升 -> 成本转嫁给消费者。
这位作者通篇的核心主题，用一句话总结就是：大模型怎么不能像以前的互联网软件那样，让我躺着白嫖了？如果要再加一句，那就是：大模型这么牛了，我写的文章谁来买单？为了保住自己的饭碗，他不惜扭曲逻辑，甚至编造事实来达成他的目的。下面我来对他的文章展开逐一批判。
一、把无本生意当圣经，把实打实的工业当垃圾
在作者的认知里，天底下所有的好技术，都必须符合过去20年Web 2.0时代的“零边际成本”定律。代码写好一次，多一个用户无非是多跑几行命令，服务成本应该迅速趋近于零。一旦看到大模型用户越多、消耗的GPU和电费越贵，他就惊呼这是“有史以来部署过的最糟糕技术”。
这实在是一场缺乏常识的傲慢。大模型根本不是那种靠倒卖流量、复制粘贴代码就能躺赚的虚拟中间商，它是实打实的数字重工业。它是人类第一次用硅片、电力和高维数学，去直接置换高价值的智力。按照他的奇葩逻辑：火箭方程要求每增加一斤载重都需要指数级增加燃料，那航天工程也是“工程灾难”？现代光刻机为了提高几纳米的精度导致研发和能耗呈指数级飙升，半导体工业也是“工程灾难”？习惯了虚拟经济的轻资产，就丧失了对物理世界实体财富和能量守恒的敬畏，这正是这帮建制派老太爷最大的思想钢印。
二、 把算法复杂度当商业报表，常识级知识史诗级翻车
有了知识，不拿出来显摆两下是不可能的。于是这位作者开始乱套公式，手里拿个锤子看什么都像钉子，硬生生把计算机科学的“算法复杂度”和经济学的“规模经济”缝合在了一起，贡献了史诗级别跨界大翻车。
我们讲商业上的规模经济，公式明明白白。假设一家企业有固定研发成本 F，每个用户带来的可变成本是 v，服务 U 名用户的总成本可以写成C(U)=F+vU，其平均用户成本则是\overline{C}(U)=\frac{C(U)}{U}=\frac{F}{U}+v。随着用户数量 U 的极速增加，其中的固定研发成本\frac{F}{U}会被疯狂摊薄。但请注意，总成本依然随着 U 线性增长，下降的是平均成本，而不是总成本忽然凭空消失了。
然而，这个作者莫名其妙将两者混为一谈。他言之凿凿地声称：好软件的总成本近似O(logn)，而大模型的成本则近似二次方复杂度O(n^2)，借此将大模型打成“有史以来最糟糕的技术”。这就是无理取闹了。因为传统软件的总成本也从来不是O(logn)，天底下哪个传统软件公司能做到用户每翻一倍，其服务器、带宽、客服和合规总成本只增加一丁点？你一万个用户看视频，和两万个用户一起看，带宽就是实打实的翻了一倍。你软件内某个算法，某个小模块能实现O(logn)，难道就能说明你整个软件，整个系统都是O(logn)吗？这种常识性的荒谬错误，却被作者拿来当了核心论点。
除此之外，他还疯狂攻击 Transformer 架构中自注意力机制的O(n^2)复杂度。但大模型的成本上升，根本不是因为用户变多了，而是因为用户输入的长文本变长了，推理变复杂了。举个例子，一百个程序员每天用AI Agent高强度写代码，和一万个小学生整天对着豆包调情，前者的成本比后者高的多的多。
用户享受了长文本带来的、远超传统软件的逻辑推理服务，企业为此支付了相应的算力和电费，这叫按质计价的商业交换。到了这位作家的笔下，却成了因为技术架构低效导致用户越多公司越亏的庞氏工程。科学界为了优化 Transformer 的空间和计算复杂度，做出了无数硬核的工程努力（如稀疏注意力、FlashAttention 等技术）。而这位大记者却根本没有调研，言之凿凿地在文章中叫嚣“AI公司没有取得显著效率进步“。似乎只要没让他看到，或者没按照他的要求进步，那就不算进步。
三、 兜售“文字民科”，作者的无能狂怒
文章在后半段开始给大模型“开药方”，迫不及待地指导起了科学界。他回顾了早期的符号主义AI，并如获至宝地捧出一个只有700万参数的 Tiny Recursive Model，借此质疑硅谷继续投入巨型基础模型只是“资本和推广形成的路径依赖”。
我看过不少不懂装懂的垃圾文章，但很少有一篇的逻辑能让人尴尬到这种程度。这就好比当年火车刚发明的时候，一个马车夫指着笨重、烧煤、浓烟滚滚的蒸汽机车大骂：“这简直是交通史上的灾难！效率太低了！看我的小马车，只需要吃几斤草就能跑，这才是未来的方向。你们造火车，纯粹是煤炭资本的路径依赖！”
他根本无法理解，正是大模型那种被他贬为“宗教迷信”的缩放定律，才砸开了通用人工智能的大门，产生了以往任何极小模型和符号推理一辈子都摸不到的能力涌现。
他更无法面对的现实是：他这种要内容没内容、要逻辑没逻辑、连名词都是现查现卖的流水线文字制造者，恰恰是大模型在第一批就会被无情替代的典型耗材。他的无能狂怒，不过是旧时代文字手工业者面对数字工业革命时，最后的抱残守缺。
最讽刺的是，读这种要深度没深度、唯独溢出屏幕都是自命不凡酸腐气的垃圾文章，居然还需要付费订阅。这些真金白银买到的不是见解，而是自掏腰包给自己买了一个被恶心的理由。
四、 消费者的“被动受害者”叙事：把技术迭代黑成“强买强卖”
文章最后，Reisner 抛出了他最擅长的文科煽情杀手锏。他悲天悯人地控诉道：生成式 AI 正在被强行塞进操作系统、办公软件和手机里，即使用户根本不需要这些功能，也被迫要为更高端的硬件买单。再叠加上摩尔定律的放缓，这简直是一场科技巨头对消费者的公开抢劫。
这种总有刁民想害朕的受害者心理，精准踩中了科技卢德主义的每一个嗨点。
在科技发展史上，每一次底层能力的跃升，必然伴随着软件对硬件性能的“饱和式消耗”。当年图形界面取代字符命令行时，旧时代的遗老也在骂：“我只想敲代码，你凭什么强迫我买独立显卡和彩色显示器？这简直是视觉灾难！”；当年 4G、5G 网络和高清视频流媒体普及，逼着全球用户换智能手机、买大流量套餐时，他也在哭诉：“我只想看纯文字，视频网站纯属强买强卖，是通信史上的灾难！”
软件功能在进化，硬件生态在随之迭代，这是最基础的科技演进规律。Reisner 把这叫作“逼迫购买”，要么是因为他的应用需求和智力水平已经跟不上时代的无能狂怒。要么是他明知自己这碗“文字手工业”的饭就要被彻底端掉，在极度恐惧中撕下面具，开始以歇斯底里的狗叫来做最后的垂死挣扎。他心里其实比谁都清楚，当大模型以势不可挡的姿态普及开来，任何普通人都能用 AI 一秒戳穿他的常识漏洞和逻辑漏洞时，他这种靠主观臆测立靶射箭的“文字民科”，就彻底失去了继续招摇撞骗的生存空间。他把科技硬件的正常迭代污名化为巨头的“强买强卖”，本质上是想把自己的职业危机包装成全人类的“工程灾难”。
五、 终极因果链的闭环：把“工业革命”当成“庞氏骗局”
文章的结尾，作者得意洋洋地拉出了一条他自以为定乾坤的因果链：
缩放定律 → 扩大模型和上下文 → 计算与内存需求爆炸 → 硬件、电力和资本成本上升 → 成本转嫁给消费者。
他觉得这条链条一拉出来，大模型公司的狐狸尾巴就被抓住了。但我们把这条因果链里的几个主语稍微替换一下，再写出被他刻意隐瞒的下一步后续。
19世纪铁路革命： 蒸汽机技术突破 → 疯狂修筑铁轨与巨型机车 → 钢铁与煤炭需求爆炸 → 资本成本与金融杠杆飙升 → 运费成本阶段性转嫁 → 人类进入工业物流时代。
20世纪电气革命： 发电技术成熟 → 铺设全球电网与变电站 → 铜矿、橡胶与高能耗发电厂建设爆炸 → 重资产巨额投入 → 电费转嫁 → 人类进入电气化时代。
就是这样。Reisner 费尽心机画出来的“工程灾难因果链”，恰恰是人类历史上每一次基础设施建设和工业革命的通用标准模板。任何一项具有颠覆性的生产力工具在爆发初期，都必然经历重资本砸向基础设施、能源消耗剧增、成本阶段性震荡的阵痛期。他选择性地瞎了眼，完全看不见大模型在生物制药、新材料研发、芯片设计自动化以及全行业生产力效率上带来的成倍经济增量。他以为硅谷继续投入是在搞“人工智能的宗教崇拜”，其实硅谷只是在算一笔他永远都算不明白的账。
六、结语：资本家的奴才，丧家犬的哀鸣
总结全文，最让人啼笑皆非的，是这位作者狭隘到近乎势利的反智逻辑：他居然因为大模型目前在商业上不够“躺赚”，就迫不及待地将其扣上“可能有史以来部署过的最糟糕技术”这顶大帽子。
在这位大记者的扭曲价值观里，评判一项技术是伟大还是糟糕，不看它是否代表了未来科技发展的浩荡潮流，不看它是否在极力拓宽人类的智力边界，而仅仅取决于它能不能让资本家以最低的边际成本躺着捞钱。只要大模型需要烧电、需要买硬件、初期变现模式不够完美，哪怕它正在全方位重塑医疗、科研和生产力，在Reisner眼里也成了十恶不赦的“垃圾”。这种用账房先生的狭隘眼界去丈量科技革命的脑回路，荒唐到了极点。
更滑稽的是，这个连基础算法和商业常识都没整明白的文科老太爷，在写到最后时，居然还产生了某种神圣的幻觉，私自任命自己成了全人类的“大救星”与“唯一代表”。
他在文章里字字泣血，摆出一幅替几亿用户“全权做主”的救世主姿态，控诉AI企业把技术强行部署到数亿用户面前是“历史的罪人”。可现实是，全球数以亿计的工程师、学生、科研人员和普通职员，正在主动用AI写代码、改论文、翻查资料、提升效率，大家正享受着科技进步带来的红利。究竟是谁给了他底气，让他可以自封为全人类的智力判官，把大众拥抱未来的主动选择，歪曲成被巨头强买强卖的“被迫受害”？这种莫名其妙的救世主情结和强行代表全人类的傲慢，恰恰是他这种旧时代公知最可悲、也最荒谬的遮羞布。
归根结底，Alex Reisner 们对生成式 AI 的刻骨仇恨，根本不是出于什么对人类未来的神圣悲悯，而纯粹是智力垄断特权被剥夺后的无能狂怒。AI 最大的“罪过”，恰恰在于它以极低的门槛彻底普及了知识，荡平了信息差。在过去的旧时代，这帮记者靠着临时现搜几个专业名词、编排一堆虚张声势的伪逻辑，就能高高在上地装导师，轻松骗取读者高昂的订阅费和媒体的稿费。而现在，AI 让逻辑与常识变得触手可及，任何一个普通人拿着 AI 工具，都能一秒钟把他们文章里漏风的逻辑、贫瘠的内核扒得精光。
当骗术彻底失效，稿费无处可骗，饭碗面临砸碎，这些即将沦为新时代“丧家犬”的文字裁缝们，除了不留余地、歇斯底里地疯狂撕咬 AI 之外，已经组织不起任何有智力含量的抵抗了。他们疯狂攻击 AI，不是为了拯救工程效率，而是在用最后的哀鸣，试图遮掩自己即将被时代列车无情碾碎的命运。
（张炫阳写于2026年7月21日，zhangxuanyang.com)