Burn Rate
——Paul Graham风格：极简、反直觉、创业者视角
整理自一场三小时对谈。一个工作十年的程序员和一个大二学生，聊AI、聊代码、聊钱、聊人生。以下是最锋利的部分。
一个大学老师问学生：你不自己写代码，怎么知道AI写的是对的？
这个问题听起来很有道理。但它有一个隐含的假设——人读代码就能确保它是对的。
如果这个假设成立，公司就不需要测试人员了。
事实上，在工业界，没有人通过“读代码”来保证正确性。你通过测试来保证正确性。单元测试、集成测试、端到端测试。代码是否可测试，比代码是否被人类读过，重要一百倍。
而AI恰好让测试变得极其便宜。以前TDD（测试驱动开发）是个好主意但没人愿意做——太反人类了，先写测试再写实现，多出来的工作量谁愿意干？但AI不在乎。AI就是牛马，你说先写测试就先写测试。
所以一个有趣的反转出现了：TDD，一个存在了二十多年但一直被程序员抵制的方法论，在AI时代突然变成了最佳实践。不是因为人变了，而是因为做测试的成本变了。
这场对谈里最有意思的一个命题是——
一个人能有效烧掉的token数，约等于这个人的能力上限。
乍听之下这像是在开玩笑。但想想它的逻辑：
AI是一个放大器。你投入一个指令，它给你一个输出。输出的质量取决于两个变量：模型的能力，和你的指令的质量。
模型能力大家差不多（同样花钱用Opus）。差别在指令。而指令的质量取决于你的知识面、经验、判断力和想象力。
一个初级程序员可能只知道让AI“写一个登录页面”。一个高级程序员会说“用OAuth2.0实现SSO，考虑token刷新、CSRF防护、会话管理，然后写完整的测试套件”。同样一个模型，输出完全不同。
所以问题不是AI够不够聪明。问题是你能不能给它足够好的指令。你能给的指令越多、越精准、越有创造性，你能“烧掉”的token就越多，产出就越大。
Burn rate就是能力。
这个程序员每个月花1200到2400美元在AI工具上。他的一个重要发现是：
创新来自于浪费。
他一开始的200美元额度用不完。于是他开始做“没必要”的事——让AI控制浏览器帮他登录公司系统、让AI自己找优化方向而不是等他下指令、让AI从十个方案里自己选最好的。
这些在旧思维里都是“浪费token”的行为。但正是这些浪费让他发现了AI能力的新边界。如果他一直小心翼翼地省着用，他永远不会知道这些。
这跟创业一样。你不会通过精打细算发现product-market fit。你通过快速试错发现。试错就意味着浪费——但那些浪费是必要的学费。
他讲了一个例子。他让Cursor帮他优化登录流程，一开始要90秒。他说：“我希望你缩短到30秒以内，你现在是90秒，我很不满意，你自己去优化。”
注意他的措辞。他没有说“请把第三步改成并行执行”或者“把等待时间从5秒减到2秒”。他只说了目标，没说方法。
AI说60秒已经是极限了。他说“你是最智能的大模型，你一定可以”。最后真的降到了30秒。
这里面有一个深刻的管理学洞见：告诉下属目标而不是方法，是给对方最大自由度的工作方式。 大多数人会忍不住去指导过程——这恰恰限制了对方（不管是人还是AI）的可能性。
那个学生说了一句我觉得整场对话里最好的话——
“对AI的悲观，其实是对人类的盲目乐观。”
展开说：当你批评AI“不够好”的时候，你的参照系是什么？是人类吗？
那我问你：人类一行行读代码的正确率是多少？人类手动管理自己注意力的效果怎么样？人类凭直觉做的职业规划靠谱吗？
如果你诚实地回答这些问题，你会发现人类的基准线其实没那么高。
对AI的批评很多时候不是在维护一个更高的标准——而是在维护一种熟悉感。人们说“我不相信AI写的代码”的时候，他们真正在说的是“我习惯了相信自己写的代码”。但习惯不等于可靠。
这个程序员的哥哥第一次用ChatGPT时，问了NBA历史前十球员是谁，然后嘲笑答案。三年过去了，他可能还在嘲笑。而他弟弟已经用AI做了十几个APP、重构了整个工作流、每个月省下了几百个小时。
差距不在智商。差距在于：一个人把时间花在证明AI不行，另一个人把时间花在发现AI能做什么。
关于跨领域学习，有一个很精确的观察——
以前的比较维度很窄。你是后端程序员，就比后端能力。你是前端程序员，就比前端能力。分工明确，专长就是优势。
但现在分工在崩塌。前后端在融合。一个人用AI就能做全栈。如果你只会后端，别人不会专门搭配一个前端给你——你的人力成本就是两个人的。
所以关键能力变了。从“某一项技能有多精”，变成“能不能快速跨到一个新领域并达到及格线”。AI能帮你从0分到3分，但从3分到7分，需要你的学习能力和判断力。
这对“全面但不顶尖”的人来说其实是个好消息。以后的竞争越来越像CEO的工作——你不需要每个领域都是专家，但你需要知道每个领域的关键问题是什么、怎么用人（或用AI）、结果应该是什么样。
最后一个观点。这个程序员用了一套三步法来管理自己的注意力：量化→自动化→决策化。
第一步，量化。用APP记录阅读时间、喝水量、饮食、体重。不自动化，就手动记。
第二步，自动化。做成APP，让统计自动跑。手机一打开就记录。
第三步，决策化。基于数据给建议。连续几小时没喝水就提醒。连续几天喝太多就建议少喝。
这套方法论的本质是：不信任直觉，信任系统。
跟TDD的逻辑一样。你不信任“我觉得这段代码是对的”，你信任“测试跑通了”。你不信任“我觉得今天喝了够多水”，你信任“APP告诉我喝了1.5升”。
成功的路径可以复用。番茄APP验证了阅读，喝水APP验证了健康，饮食APP正在验证体重管理。每一个新场景都是同一个框架的新实例。
这场对谈的核心，用一句话概括就是——
在智能变得廉价的时代，瓶颈不是工具，是你的想象力。
你的想象力决定了你能给AI什么样的指令。你的指令质量决定了你能烧多少token。你的burn rate决定了你的能力上限。
所以，别省着用。