夜雨聆风2026 年 6 月初，旧金山 Bloomberg Tech 峰会。
Broadcom CEO Hock Tan 坐在 Tom Giles 对面，语气平静得像在聊家常。他说了一组数字，现场沉默了几秒。
一名资深工程师 + Claude Opus，一周产出一个应用设计。
同样的东西，以前需要 10 个工程师、每人年薪 30 万美元、干三个月。
算账的人马上意识到了什么。
10 人年薪资 300 万。三个月人力成本，75 万美元。一个工程师加 AI，七天搞定。
创业公司的营销 PPT 讲不出这种话。说这话的人，是一家市值万亿的半导体巨头 CEO，当着 Bloomberg 镜头，汇报内部正在发生的事。
▲ @ihtesham2005 发布的病毒推文，引用 Hock Tan 在 Bloomberg Tech 2026 的发言片段。推文 417 赞、88 转推、9.6 万浏览，核心洞见直击工程组织的"用人数学"已经失效。
74 秒视频，点燃了全球工程圈的账本
6 月 21 日，投资者 @ihtesham2005 在 X 上发了一段 74 秒的采访片段，配了一长段文字拆解。
他的核心论点只有一条：全世界每一个工程组织，都在用错误的人头公式算账。
推文计算精确到小数点后：75 万美元的劳动力成本，用 Claude Opus 和一名高水平工程师，一周吸走。而且 Hock Tan 强调的措辞值得注意：他说的关键词是"在用"，不跟你聊"在试"——产线已经在跑。
推文在几小时内冲到 9 万多浏览，417 赞，88 次转推。西班牙语版本随后出现，LinkedIn 上的转发跟帖一个接一个。
▲ 西班牙语推文 @virginiog，Hock Tan 的发言随后出现在西语工程圈的讨论中，特别强调"生产力不是渐进式的，质量也得到了改善"。
评论区里更值得细看的，是一条点赞不高、信息密度极高的回复。
代码量之外，软件工程的真正战场是决策质量
@MichealColhoun，一位 C# .NET 资深工程师，在这条推文下泼了一盆冰水。
"软件工程跟写了多少行代码没关系，跟做出了多少可靠决策有关系。"
他继续拆：如果一个 senior 用 AI 在 5 天里做出的决策，等于 10 个人每人 66 天——那是 660 个决策日。换算成实际时间，是两年。
他的结论只有一句：要么这 10 个人里 90% 从来不做决策，要么这个数字站不住脚。
▲ @MichealColhoun 的回复从"决策密度"角度重新定义了效率问题，在质量讨论层面对原始推文形成了有力对冲。
这个视角把讨论从"代码量"拉到了"判断量"。
一个 senior 工程师的价值，从来不是敲出了多少行代码。是在 100 个岔路口上，选了不撞墙的那条。AI 可以吐出 100 个方案，但谁来挑那个正确的？谁来判断这个架构能不能扛住三年后的流量？
Hock Tan 自己的话，其实给了回答——但他聊的角度不叫"决策"。
学习曲线的现实约束：没有谁第一天就能十倍产出
Hock Tan 在采访中坦言，Broadcom 在 AI 应用上"可能没有一些同行走得那么远"。
他接着解释了一个容易被狂欢忽略的事实：
"工具不是一上手就高产的。你得持续用，用够久，用熟了，工具的产出才会越来越高。"
officechai 的报道完整保留了这段表述。Tan 的说法透着一个传统工程企业家的务实——他指出的路径是熟练度曲线，没什么魔法可言。
▲ officechai 对 Hock Tan 发言的详细报道，重点呈现了学习曲线逻辑与 ROI 计算，同时关联 Salesforce、NVIDIA 等行业平行案例。
这里藏着一个残酷的筛选机制。
同一个 Claude Opus，在新手手里是自动补全，在老手手里是架构合伙人。差距出在使用者这边：能不能把需求拆成模型吃得进的粒度，能不能识别幻觉输出，能不能用链式提示把复杂设计一层层凿开。模型版本是同一个。
Tan 说"熟练之后"生产率会复合增长——他用的词是 compound，对应的是线性增长 linear。
这就解释了为什么有人用了半年 AI 编码觉得"就那样"，有人已经把 75 万美元的人力成本压缩成一周。
多数人漏掉了后半句：更快之外，还有更好
Hock Tan 在访谈里扔出了一句，现场很多人没接住。
"熟练使用这些工具的工程师不只是产出更快。他们产出的设计可能比不用 AI 时更好。"
@ihtesham2005 在推文里专门标了这句："这是没人愿意大声说出来的部分。"
为什么没人愿意说？
因为"更快"还好办。买工具，配机器，培训，大家卷效率。但"更好"意味着什么？
意味着一个用 AI 的 senior 工程师，不仅时间压缩了，质量上限也抬高了。他可以同时探索三个架构方案而不会超时。他可以在写完第一版后，让 AI 立刻做一轮安全审查、一轮性能审计、一轮可维护性评分——以前这需要三个不同的人各花一天。
天花板移动了。
在 AI 的辅助下，一个人的视野和决策质量会被拉升到新的层次。
西班牙语推主 @virginiog 总结得更直接："La productividad no es incremental con la IA. La calidad también ha mejorado."（AI 带来的生产力不是渐进式的，质量也改善了。）
为什么 Hock Tan 敢当众亮出这些数字
看一下 Broadcom 刚发的财报，就能理解为什么一个 CEO 会当众聊内部工程效率。
Q2 FY2026（截至 2026 年 5 月）：
总收入 222 亿美元，同比涨 48% AI 半导体收入 108 亿美元，同比暴涨 143% Q3 AI 半导体指引：160 亿美元 全年 AI 半导体目标：约 560 亿美元 2027 年："significantly in excess of $100 billion"
▲ Broadcom Q2 FY2026 官方财报摘要，Hock Tan 署名声明确认了公司 AI 半导体收入的爆发式增长。
AI 已经是 Broadcom 的绝对营收引擎。108 亿美元的季度 AI 半导体收入，143% 的增速——这是落地交付，讨论"概念炒作"的时代已经过去了。
Broadcom 恰好是 Anthropic 的定制芯片合作伙伴之一。给 Google TPU 做芯片，给 OpenAI 做芯片，给 Meta 做芯片。然后用自家合作伙伴的模型 Claude Opus 反哺自己的芯片设计流程。
这个闭环很有意思：设计 AI 芯片的公司，用 AI 工具加速 AI 芯片的设计，再把这些芯片卖给需要更大算力训练更强 AI 的公司。
Hock Tan 把一年前选择 Anthropic 的决定称为"a leap of faith"——一次信仰之跃。
现在他的原话是："a great bet"——一次漂亮的落子。
Anthropic 自己也跑出了同样的曲线
Broadcom 的故事不是孤例。
Anthropic 内部数据显示，进入 2026 年后，公司每位活跃贡献者的代码合并量达到了 2025 年基线的 8 倍。
▲ Anthropic 内部代码合并量增长曲线，与 Claude 4 和 Claude Code 发布节点高度吻合，部分季度达到 2025 年基线的 8 倍。
更有意思的是 CEO Dario Amodei 的公开表态：公司大部分代码已经是 AI 写的。一些工程师"完全不再打开代码编辑器"。
但 Anthropic 同时还在大量招工程师。
原因很简单。资深工程师 Boris Cherny 的解释是：工作重心从"写代码"转移到了"思考该不该写、跟谁协同、给客户设计什么方案"。
这些事 AI 还做不了。
Salesforce 2025 年宣布不再招新的软件工程师，因为 AI 已经完成了 30% 到 50% 的开发工作。NVIDIA 的 Jensen Huang 则提出相反的逻辑：AI 让人均产出暴增时，经济上应该"hire more of them, not fewer"——多招人，因为能做的事更多了。
两套逻辑，指向同一个事实：单个工程师的杠杆率已经发生了结构性变化。
人头数学失效之后，会怎么样
Hock Tan 给出的数字是一个极端案例。芯片设计属于工程光谱里最复杂的那一端：RTL 编码、验证仿真、物理设计、DFT、封装协同，每一个环节都需要多领域专家协作。在这种场景下把 10 人三月压缩成 1 人一周，冲击力远超普通 CRUD 场景。
但即使取一个更保守的倍数，工程组织的运转逻辑也已经重写了。
几个正在发生的变化：
Senior 的价值在暴涨。 AI 的杠杆不是平均分配的。谁能把工具用出最大效果？已经具备系统判断力的人。Junior 不会自动被淘汰，但成长路径变了——以前是靠写代码积累经验，以后可能是靠设计 prompt、审查 AI 输出、组织跨团队协同来积累判断力。
"项目数量"会成为新瓶颈。 如果效率真的翻了 5-10 倍，一个团队能不能找到足够多、足够有意义的项目来消耗这些释放出来的产能？如果找不到，效率提升反而变成管理焦虑。
学习曲线就是护城河。 Claude 的放大效应，取决于团队能否尽早把培训、流程迭代和人机协作习惯做成体系。Broadcom 的 Tan 承认自己"也许没有同行走得那么远"，但他们已经在产线上跑了。
质量上限的移动，长期影响比速度更大。 如果"用 AI 做出的设计确实更好"成为一个被反复验证的规律，不用 AI 的团队要面对的已经不仅是速度落后——产出的天花板本身，比别人低了一截。
回看 @MichealColhoun 那个尖锐的问题：五年决策等于六百六十天，到底怎么做到的？
答案也许不在压缩里。
而是在"决策质量"本身。一个 senior 工程师不再需要把 80% 的精力花在：翻文档找接口定义、写第三遍几乎一样的 CRUD 代码、排查某个模棱两可的编译警告、手写第 200 个测试用例。这些事 AI 做了。
释放出来的精力，去了更需要判断的地方：要不要拆这个模块？这个架构能撑几年？这个 trade-off 的代价谁来扛？
这些决策，原本就不是那 10 个人里的每个人都在做的。
而 AI 让真正在做决策的那个人，把更多时间留给了决策本身。
