大逆向时代

过去，复制一份软件很便宜，制作第一份软件仍然昂贵。互联网大幅降低了分发成本，AI 开始降低一部分制作成本。文字、图片和音乐也在经历类似的变化。原来需要组织人手才能完成的事情，现在更容易由个人发起；已经存在的成果，也更容易成为下一轮生产的参照。

原本只能在特定设备上运行的作品被移植，现有作品出现大量修改版本，商业软件的功能被重新制作。公开的开发记录已经出现 AI 深度参与的例子。¹ 这些现象牵涉的远远超过逆向技术：如果越来越多人能够制作过去做不起的东西，已有产品的价格和创作者的收入都会受到影响，原有的团队配置也可能随之调整。

原来没有人制作的东西，开始有人制作了

一项需求没有得到满足，未必因为它没有价值。可能只是使用者太少，不足以支付开发费用；也可能因为旧产品已经停用，继续维护不符合公司的利益。生产成本会把这些需求筛选出去，留下的人只能继续等待，或者勉强接受现成的选择。

AI 让其中一些尝试值得开始。一个只供自己使用的小工具，不必先证明能够成立一家公司。某种小众语言的内容，不必先等到足够大的市场。制作失败的损失降低以后，原来不会进入预算的想法，也有机会变成可以使用的东西。

这个变化确实包含进步。过去能够购买服务的人，与能够按照自己的需要组织生产的人，往往不是同一批人。两者之间的距离如果缩小，普通使用者就能够拥有更多选择。旧软件的移植和修改，只是其中比较容易看见的一部分。

但低成本生产同样方便模仿。已经有人证明某个功能有需求，跟随者就不必从寻找需求开始。对照现有成果进行修改，通常比完全没有参照更容易。市场可能同时出现更多小众作品，以及更多几乎一样的产品。

软件工程要处理的东西，会比以前更多

GitHub 的年度报告记录了仓库和开发活动的明显增长，但这些记录不能全部归因于 AI，更不能直接换算成完成了多少有用的产品。² 一份能够运行的代码，与一套值得持续使用的软件，中间还有很多工作。

以前，功能排进开发计划，团队会先讨论值不值得投入。生成代码变得方便之后，先制作、再决定是否保留，也会更有吸引力。开发者可以更早接触真实需求，不过项目里也容易留下没有经过充分考虑的功能。

工程师随后需要判断哪些实现应该接受，哪些依赖应该删除，以及修改之后有没有损坏原来的行为。生成端的速度超过审查速度时，等待处理的代码就会增加。团队如果仍然按提交数量评价效率，可能会奖励那些给别人增加最多审查工作的人。

研究本身也提醒人们，不能拿一个数字概括这种变化。METR 的后续开发者实验受到参与者和任务选择的影响：一些人不愿意承担禁止使用 AI 的任务，研究团队因此调整了实验设计。³ 这使得“大家现在普遍快了多少”很难回答，也说明开发者开始改变选择工作的方式。

招聘和薪酬需要考虑这些变化。能够提出清楚的需求、发现实现中的错误，并且在真实环境里承担后果的人，仍然不可缺少。按代码数量估算工作量会越来越失真。刚进入行业的人如果总是跳过独立实现，也可能失去理解系统的练习机会。工具提高了完成任务的能力，职业成长却需要另外安排。

产出增加以后，谁来使用

内容行业已经出现了比较直接的供给变化。Deezer 在夏季公布的检测结果称，平台每天收到接近九万首完全由 AI 生成的歌曲。它同时表示，这类歌曲的收听仍然只占很小一部分；平台会把检测出的 AI 歌曲排除在推荐之外，因此这个差距也受到平台规则的影响。⁴

制作数量和消费数量可以相差很远。生成音乐的能力增加，不会让每个人每天多出同样比例的收听时间。软件也面临相似的问题。使用者需要解决的事情没有因为应用增加就自动增加，学习、比较和迁移反而需要额外时间。

由此出现一个不太舒服的结果：更多人能够生产，并不保证更多人能够靠生产获得收入。某些工作可以在企业内部直接完成，原来购买的服务可能不再购买。相似产品增加，也会让价格承受压力。使用者能够受益，依靠这些工作生活的人却需要寻找新的收入来源。这两件事可以同时发生。

销售和推荐入口的作用可能随之加强。作品太少时，找到作品就有价值；作品太多时，决定哪些作品会被看见，更能影响收入。AI 降低制作门槛，并不会顺便把平台掌握的使用者和交易关系分散出去。小团队获得了新的生产能力，仍然可能需要向同样的入口支付费用。

这种便利也有范围。生成设计方案，距离制造出合格产品还有一段路。材料采购、设备调试和运输都要付出成本。数字内容能够迅速增加，不能直接推导出住房、食品和工业品也会同样便宜。AI 对世界的影响，会沿着不同工作的实际限制逐步传递。

知识产权面对的是更便宜的跟随者

原创者承担的费用，通常包括那些没有成功的尝试。后来者可以参考已经完成的成果，少走一些弯路。如果 AI 又降低了实现成本，先行者收回投入的时间就可能受到挤压。这会影响愿意投入哪些项目，也会影响人们愿不愿意公开制作过程。

但“能够参照”与“有权复制”之间，仍然有法律边界。以美国版权法为例，思想和方法与受保护的表达需要区分。⁵ 重新编写代码，也不能替整件事情提供统一的合法性结论。使用他人受保护材料的行为，仍然需要结合适用法律和实际情况判断。

另外一边，生成者也会遇到权利问题。美国版权局对 AI 产出的报告明确区分了人的创作贡献与机器决定的表达，仅仅提供提示词不足以获得版权保护。⁶ 一些人可能一面依赖既有知识进行生产，一面发现自己的大量生成结果也未必能够排他占有。

许可和收益分配由此变得更加实际。哪些资料可以用于训练，哪些成果可以用于再生产，费用如何支付，都需要有可以执行的安排。保护范围过宽，会把兼容和后续创作一并限制；保护不足，又会让投入原创的人更难收回成本。无论偏向哪一边，单靠制作数量都无法解决这种矛盾。

工作完成之后，收入怎样分配

对于能够交给模型完成的工作，原有团队可能用更少时间完成任务。由此节省的费用，可能成为企业的利润，也可能通过降价交给购买者；还有一些需求原来根本无法成立，现在才第一次能够得到满足。不同情形下，受益者并不相同。

产出剧烈增加之后，社会仍然需要回答收入从哪里来。如果岗位减少，而便宜的新产品不足以形成新的收入机会，生产能力提高也可能伴随购买能力下降。能够制作更多东西，与能够让更多人过上更好的生活，之间需要工资、价格和商业规则来连接。

未来的软件和内容市场，很可能更加拥挤。一些曾经昂贵的服务会变得容易获得，一些依靠制作难度维持的收入会减少。愿意继续投入的人，需要知道自己的劳动怎样得到回报；购买者也需要知道，面对大量相似产出，谁会为质量负责。

大逆向时代里的移植、复现和模仿，让这些变化提前显现出来。过去，人们经常因为制作不起而放弃。现在，越来越多东西可以制作出来，后面的安排反而没有跟上。产出增加所节省的劳动，究竟给谁增加了收入和自由时间，将决定这场变化怎样进入日常生活。

参考来源

Footnotes

1. 公开的开发记录 — 说明模型参与代码编写、逆向和文档工作的情况，同时保留人工指导、测试与审查；属于开发者自述：https://github.com/peiikai/LASRecomp ↩

2. GitHub Octoverse 年度报告 — 记录平台仓库、开发活动及 AI 工具使用情况；活动增长不能全部视为 AI 的因果效果：https://github.blog/news-insights/octoverse/octoverse-a-new-developer-joins-github-every-second-as-ai-leads-typescript-to-1/ ↩

3. METR：调整开发者生产率实验设计 — 讨论工具使用变化带来的参与者选择、任务选择及计时问题：https://metr.org/blog/2026-02-24-uplift-update/ ↩

4. Deezer：AI 音乐上传情况 — 平台披露当年六月的检测结果、收听情况和推荐排除规则，属于该平台统计：https://newsroom-deezer.com/2026/07/ai-music-exceeds-50-percent-daily-uploads-deezer/ ↩

5. 康奈尔大学法律信息研究所：美国版权法第 102 条 — 关于受保护表达与思想、方法的区别；具体行为仍需结合其他适用法律和事实：https://www.law.cornell.edu/uscode/text/17/102 ↩

6. 美国版权局：AI 报告第二部分公告 — 说明 AI 辅助创作中的人类作者要求，以及单纯提示词与版权保护的关系：https://www.copyright.gov/newsnet/2025/1060.html ↩