大厂出来的人，为什么这么“废”

最近网上流传着一段 Sam Altman 的视频，他说：从大公司出来的人，野心、抱负和认知都退化到了极低的程度。你跟他聊一件能改变行业的事，他第一反应不是怎么干，而是这事该谁批。

有人会评论说，可不是嘛，不过一颗螺丝钉；另一拨会说，酸什么，人家收入是你三倍。两边都很省事：一边把问题归结为“人蠢”，另一边拿工资替能力作证。都没有解释任何东西。

老冯对这个事有挺深的感受，我觉得 Sam 大体上说的没错。反例有，但很少。

真正值得问的是另一个问题：一个聪明、勤奋、通过了层层筛选的人，究竟是怎么被搞成这样的？

大厂会系统性地生产一种很特别的“废法”——人没有变笨，技术也未必退步，但一离开平台，就不会判断、不敢拍板，也说不清一件事从头到尾究竟是怎么运转的。

问题不在“螺丝钉”，而在一张图。暂且叫它认知图景：你脑子里关于整体如何运转、局部怎样咬合、一个决定最终会造成什么后果的那张图。

大厂里很多人用的，是一张租来的图。

一、一头猪和一门大炮

一个原始部落民要吃一头野猪，得自己打猎、剥皮、剔骨、生火、煮熟。从活物到饱腹，整条链子都在他手里。他的办法未必高明，知识也不系统，但他知道每一步为什么存在，做错了会发生什么。

再往后一点，歌德那个年代的读书人还是百科全书式的。歌德不是医生，但他会去围观外科手术，看得懂；他不服牛顿的光学，自己动手搞了一套颜色学出来。世界对他而言是整体的。

再看克虏伯钢厂的工人。他对自己那道工序熟得惊人：误差多少毫米，几分钟一件，怎样把效率再抠出百分之三。他比部落民精确一百倍，却未必知道一门炮从矿石到成品究竟怎么造出来，更不知道自己拧的那颗螺栓，最后会落到哪里。

从部落民到现代工人，人类做成了一笔极划算的交易：用完整理解换取专业分工，再用专业分工换取百倍、千倍的产出。没有人真想退回部落时代。但这笔交易不是免费的，交出去的东西就是那张关于整体的图。

齐格蒙特·鲍曼在《现代性与大屠杀[1]》里，把这种机制讲得很透。他要回答的是：奥斯维辛为什么偏偏发生在工业、法治和行政能力都高度发达的现代国家？他的结论不是“文明突然失灵”，而是那场灾难恰恰动用了现代文明最擅长的东西：科层制、精细分工、流程管理，以及把一个巨大目标拆成无数可执行小任务的能力。

工程事故当然不能和那件事相提并论，我借的只是论证的形状：一件事一旦被拆得足够细，每个人只经手其中一小块，行为与后果就会被切断。你看不见后果，因为后果不在你的格子里。

于是我们得到三句无比熟悉的话：

这个不归我们组管。 架构那边没排期。 我这块指标是达标的。

每一句都是真的，每个人也都尽职尽责。可把它们拼起来，往往正好是一场事故的完整成因。故障不住在任何人的职责里，故障住在职责与职责之间的缝隙里。现代组织越擅长切分责任，管理越顺，缝隙也越多。

二、大厂发给你的是导航而非地图

现代人已经很难靠自己的生活经验，攒出一张完整的认知图景了。

攒不出来，就只能领。

大厂里这张图怎么发，你我都熟：年初战略宣讲、季度 OKR、内部技术雷达、架构委员会结论、云原生布道、厂商白皮书，以及措辞漂亮得像已经验证过一百遍的内网长文。它们告诉你行业往哪儿走，什么叫先进，什么叫落后，什么问题值得做，什么问题暂时“不具备战略价值”。

这套东西更像导航，不像地图。导航会告诉你下一步往哪儿拐，却不会告诉你为什么只能这么走；更不会告诉你，导航断网以后还有哪几条路。

我在阿里、探探和苹果都干过，这不是站在门外猜。一个人在这套体系里泡上五年，很容易形成一整套流畅、自洽、术语密度极高的行业判断。问题在于，其中真正被他亲手验证过的，可能连十分之一都不到；剩下的九分，是转述的转述。

最能说明问题的是晋升答辩。它的设计目标当然是考察全局判断，但机制跑久了，总会长出自己的均衡：在答辩里，最容易优化的是叙述，不是理解。你要把自己负责的那一格从整体里切下来，包装得有高度、有纵深、有数据、有方法论，还要证明这件事能复制、能推广、能影响别人。

于是所有人都很理性地练习同一种能力：把局部包装成全局，而不是把全局真正装进脑子里。

所以在大厂待久了真正练出来的能力，是把局部包装成全局，而不是拥有全局。这两件事在公司内部长得几乎一模一样。只有在离开的那一天，才会露出区别。

这两种能力在公司内部长得几乎一模一样。PPT 都漂亮，术语都准确，评委也听得满意。只有离开平台那天，区别才会突然露出来：资源没了，上下游没人替你兜底，原来被组织吃掉的九成复杂度一起扑到脸上。

有人说，大厂人出来就废，是因为资源没了；也有人说，是因为激励不对，看见问题也没用，久了就懒得看。这些解释都对，但资源和激励本来就属于组织，离职时带不走并不奇怪。真正奇怪的是，认知本来应该长在自己脑子里，最后竟然也没带走。

人在平台上的时候，最容易把平台红利解释成个人能力；离开以后，又把处处碰壁解释成时运不济。两套说法往往出自同一个人，而且每一次他都真心相信。认知图景是租来的这件事，本人通常是最后一个知道。

三、软件不是克虏伯

如果文章停在这里，也不过是又一篇大厂批判。真正要紧的地方在于：这套逻辑放到软件行业，并不完全成立。

克虏伯工人只能看见一道工序，是因为造一门大炮确实需要矿山、炼钢厂、铁路、机床和几千人的协作。这是硬邦邦的物理约束，不是谁设计了一套坏制度故意把他弄瞎。

软件没有这么强的约束。至少在基础设施这一层，一个人完全可以把一套系统从头到尾吃透：从 Linux 内核参数到文件系统，从 SQL 和执行计划到复制与故障切换，从监控告警到备份恢复，再到最后一张云账单为什么是这个数。

老冯不是说一个人能理解一家大公司的全部业务。几百个微服务、二十年的遗留代码、三个收购来的技术栈、七个团队的排期，谁都 hold 不住，也没必要 hold。我要说的是它脚下那一层：计算、存储、网络、数据库和可观测性。这个范围仍然可以被一个人装进脑子里。

Fred Brooks 在《没有银弹[2]》里区分了两类复杂度：本质复杂度和偶然复杂度。业务规则之所以复杂，往往是因为生意本身就复杂，这部分消灭不了；但基础设施里相当一部分复杂度，不是长出来的，而是被我们一件一件选进来的。

真正荒唐的不是“系统太大，所以没人能懂”，而是我们主动搭出了一套没人能懂的系统，然后把这种失控叫作先进架构。

我自己的认知边界也就在基础设施这一层。再往上的业务、组织、销售和合规，我同样看不见。这没什么可遮的。图景本来就有边界，关键是那条边界应该由你自己画，而不是由组织架构图替你画。

四、复杂度是认知的税

一个人能不能 hold 住整体，取决于两件事：他的理解力，以及系统的复杂度。人的理解力有上限，而且这一千年并没有升级几个版本，所以真正能动的变量只有后者。

复杂度不是天上掉下来的，是被人一件一件请进门的。

Dan McKinley 在《Choose Boring Technology[3]》里提出过“创新额度”的说法：一家公司能承受的新奇技术是有限的。你可以把额度花在一个刚出来两年的数据库上，花在服务网格上，再花在自研消息中间件上；额度花完以后，真正业务上的创新就只能排队。

而把创新额度花在基础设施上，通常是最亏的。基础设施的价值不在于新，而在于可预测。你对它最朴素的要求，是凌晨三点出故障时，它的行为和你脑子里预想的一样。

每往架构里塞一个自己并不真正理解的组件，就等于在认知图景上挖一个洞。洞里只能拿厂商文档、社区博客和别人的事故复盘去填。看上去知识很多，实际上仍然是别人的叙事。

所以越底层，越 boring 越好。Linux、Nginx、PostgreSQL、S3 协议并不简单，PostgreSQL 的 XID 回卷、autovacuum、连接模型，今天照样能把人折腾得半死。它们真正的优势是坑足够老，老到每个坑都有人掉进去过、爬出来过、写下来过。你不懂的地方虽然很多，但总有尽头，学习成本会收敛。

一个上线两年、文档主要靠 GitHub Issues 拼起来的新玩意儿就不同了。你脑子里永远缺一块，那一块最后只能拿信仰填。

AI 确实把学习新技术的成本砍掉了不少，但它砍的是学习期，不是运行期。它能替你读文档，不能替你承担组件之间的耦合；能在白天解释一致性协议，不能保证凌晨三点三个组件一起抽风时，你还能看清因果链。

所谓架构杂耍，真正烧掉的从来不只是服务器钱。它烧掉的是一个人理解整体的能力：你为了显得先进，主动把自己变回了只会一道工序的工人。

五、有人把“看懂整体”做成了生意

组织发现自己没有图，通常不是重新培养一个能看懂整体的人，而是买一张。

上云和买 SaaS 都是这种生意的初级形态：你把一块系统外包出去，同时也把对这块系统的理解外包出去。很多公司确实是上云以后，才第一次看清成本结构、可用性和可观测性，因为云厂商那张图比他们自己的强得多。这不丢人，买来的图也可以很好用。

问题在于，从签约那天起，你理解这块系统的方式就开始受供应商控制。控制台展示什么，你就以为重要的是这些；文档把什么叫作最佳实践，你就沿着那条路走；SLA 写几个九，你就把它当成自己的真实可用性。

平时当然舒服。真正需要判断时——涨价、扩容、故障、迁移——你才会发现，手里有很多数据，却没有第二个坐标系。

这门生意做到极致，就是 Palantir。它的核心产品里有一个词叫 Ontology[4]：把 ERP、MES、CRM、Excel 和各种内部系统里的数据，重新映射成对象、属性、关系和动作，拼出一张“这家公司到底怎样运转”的图。

更有意思的是它长期使用的交付角色：FDE，Forward Deployed Engineer[5]。工程师不是远程开会，而是直接进工厂、基地和指挥中心，跟着客户干活，把那些从没写进文档、也跨不过部门墙的东西一点点摸出来，再重新画成系统。

Palantir 卖的表面上是软件，实际卖的是那个看得见整体的人，或者更准确地说，是让一个人有权看见整体的许可。几万人的组织，每个人都在自己的格子里勤勤恳恳，最后却要请一个外人进来，才能说清自己是怎么运转的。这已经不是技术问题了，是组织把“看见整体”这个位置彻底删掉了。

只是买回来的图再好，仍然是别人的图。它比没有强，但终究是租的。

顺便一提，老冯虽然专门写文章批判过 。但是数据建模确实是有用的真东西。

六、AI 不会替你长出一张图

AI 正在成为这门生意最便宜、最普及的版本。

同一个问题，同一份回答，摆在两个人面前。一个人扫一眼就知道第三段有问题，因为那句话和他脑子里的图对不上；另一个人完全看不出来，因为他脑子里根本没有可供比对的东西。

前者用 AI 把判断力放大十倍，后者用 AI 把“判断”这一步直接省掉。反正模型说得比白皮书流畅，比专家像专家，还永远有耐心。

所以 AI 对已经有图的人是杠杆，对没有图的人则很容易变成判断力的替代品。它不会自动补上差距，反而会把差距拉得更大：有图的人跑得更快，没图的人连自己走错了都不知道。

七、合同到期，地图要还

绕了一圈，回到开头。认知图景只有两种来源：自己攒的，和别人发的。

别人发的那份——大厂发的、云厂商发的、SaaS 发的、Palantir 发的、AI 发的——通常更快、更漂亮，也更容易让人立刻进入状态。在绝大多数日子里，它甚至比你自己那张粗糙的图更好用。

它唯一的问题是：它是租的。涨价时你没有议价权，撤走时你没有替代品，它画错时，你也没有第二个坐标系发现它错了。

自己攒的那张图很慢，边边角角都是坑，很多地方还不够漂亮。但它长在你脑子里。裁员带不走，平台撤了还在，行业换了风向也还在。

而在软件这一行，画一张自己的图，成本已经低得有点荒唐。物理材料不需要，软件大多开源，真正要付的只是克制：别把所有新玩意儿都请进来，把复杂度死死摁在自己能够理解的范围内。

嫌这个说法太抽象，有个最笨的办法：找个周末，从裸机开始搭一套完整系统。不用托管服务，不用一键脚本，从操作系统、网络、数据库、监控一直做到备份恢复。每一层为什么这么配，自己问一遍，也自己答一遍。不是为了以后真拿手工脚本跑生产，而是为了把那些被平台藏起来的因果关系重新看一遍。

你会发现，那张图并没有失传。它只是太久没人要求你亲手画了。

所以，大厂出来的人为什么废？

他们不废。他们只是用了一张租来的图太久，久到以为那是自己的。

合同到期那天，才发现要还。

References

[1] 现代性与大屠杀: https://www.wiley-vch.de/en/areas-interest/humanities-social-sciences/sociology-12so/social-theory-12so1/modernity-and-the-holocaust-978-0-7456-0685-9
[2] 没有银弹: https://worrydream.com/refs/Brooks_1986_-_No_Silver_Bullet.pdf
[3] Choose Boring Technology: https://mcfunley.com/choose-boring-technology
[4] Ontology: https://www.palantir.com/docs/foundry/architecture-center/ontology-system
[5] FDE，Forward Deployed Engineer: https://www.sec.gov/Archives/edgar/data/1321655/000119312520248369/d904406ds1a.htm

本文 AI 含量：70%