Qiaomai 👋

AI 时代，普通人如何投资自己、积累产品与扩大未来选择权 前段时间，我和 AI 连续聊了很多天，反复讨论成长、投资、表达和未来选择。在这些对话中，我逐渐意识到一件事：很多人拥有经验，也产生过有价值的思考，但这些东西最终只停留在聊天、朋友圈、群聊和头脑中。真正困难的，不只是“知道”，而是把自己知道的东西组织起来，形成一种可以被别人阅读、理解、使用和传播的产品。 一本书，就是思想完成产品化之后的结果。工作一年多以来，我一边参与职场，一边实践股票、基金等金融产品投资。在这个过程中，我逐渐形成了三个长期想研究的问题，它们未来也可能分别成为三本书。 一、自己才是最重要的资本 第一本书要讨论的是：投资自己。 当一个人刚开始接触投资时，注意力通常集中在股票、基金、债券、黄金和房地产等金融资产上。我们会研究收益率、风险、估值和资产配置，也会寻找更加稳定、低成本和可持续的投资渠道。但当这些基础问题逐渐解决后，我越来越意识到：对于大多数普通人来说，人生早期最重要的资本，并不是证券账户里的资金，而是自己。 你的身体状况、职业能力、知识结构、判断力、表达能力、创造力、信誉、关系网络和学习速度，共同构成了你的人力资本。金融资本决定你目前拥有多少可以配置的钱；人力资本则决定你未来能够创造多少现金流、识别多少机会，以及能否在环境变化时重新建立自己的位置。 因此，投资自己不应该只是一句宽泛的口号，而应该像管理一个投资组合一样被认真对待。我们需要思考： 哪些能力是维持生活和职业稳定的核心仓位？ 哪些技能具有较高的增长潜力？ 哪些内容可以被公开表达、传播和复用？ 哪些反思、工具和流程能够持续提高整个系统的效率？ 自己不是一个等待被开发的单一技能，而是一个需要长期配置、持续再平衡的人力资本组合。 二、从打工者到投资者，不只是收入来源的变化 第二本书要讨论的是：一个 Worker 如何成为 Worker Investor。这里的 Investor，并不只是指购买股票的人。 一个人即使拥有证券账户，也可能仍然完全生活在“打工者思维”中：每天出售自己的时间，等待下一次工资结算，再用工资支付生活成本。这种模式最大的问题，不是打工本身，而是劳动没有留下可以持续积累的结果。如果一个人在两次发薪日之间，只完成了被分配的任务，却没有积累新的能力、作品、资产、关系、信誉和选择权，那么他的时间几乎被一次性消耗掉了。 从 Worker 到 Worker Investor 的转变，本质上是一种思维方式的转变：不再只问“这件事现在能给我多少钱”，而是开始问“这件事能否成为未来继续产生价值的资产”。工作当然可以提供工资，但工作还可以被转化为： 对一个行业更深入的理解； 可迁移的方法和标准； 能够重复使用的工具； 有代表性的项目和作品； 对外部世界有价值的内容； 更高质量的职业信誉； 下一次选择时更大的议价能力。 当这些东西逐渐积累起来，一个人获得的就不只是收入，而是未来的潜在选择权。你可能仍然在工作，但不再只能依赖这一份工作；你可能暂时没有创业，但已经在积累未来能够独立创造价值的条件；你可能仍然依靠工资生活，但你的时间、知识和现金流已经开始向资产转化。这才是从 Worker 到 Investor 更深层的含义。 三、真正值得研究的，不只是天才成功以后 第三本书要讨论的是：Before the Genius。 我们通常在一个人成名以后才认识他。我们看到的是企业、作品、奖项、财富、影响力和历史地位，却很少追问：在这些结果出现以前，他经历了什么？一个人的判断力是怎样形成的？他在还没有获得认可时接受过哪些训练？哪些早期经历看起来微不足道，后来却成为关键能力的来源？他经历过哪些失败、误解、绕路和长时间的无人关注？所谓天才，究竟是一种天生属性，还是大量因素在漫长时间中逐渐形成的结果？ 我真正好奇的，不只是 Genius，而是 Before。不是聚光灯照下来之后的那个人，而是聚光灯出现以前，他如何阅读、练习、工作、失败、选择和坚持。研究这些过程，并不是为了复制某一个伟大人物的人生，而是为了理解：一个人的潜力究竟如何被环境、训练、偶然事件和主动选择共同塑造。 四、AI 正在建立一条新的能力基准线 这三个问题之所以值得在今天重新讨论，是因为我们正在进入一个由人工智能深刻改变的时代。AI 首先是一种生产力工具。我们当然应该理解大语言模型的基本原理，但普通使用者不一定需要钻研所有技术细节。更重要的是理解它的基本机制：大语言模型从大量信息中学习词语、上下文和概念之间的关系，并据此预测和生成内容。1 从使用者的角度来看，我更愿意把 AI 理解为一条基于大规模人类知识和表达方式形成的能力基准线。它不等于人类智慧的上限，也不代表每个答案都正确，但可以提供整理、归纳、解释、翻译、改写、比较、生成框架和辅助推理等基础能力。在这条基准线之上，AI 对人的赋能至少有两种方式。 1. 帮助思维凌乱的人完成结构化表达 很多人并不是没有想法，而是不知道如何把想法组织出来。他们可能拥有真实的经历、敏锐的感受和独特的判断，但表达时缺乏结构，最后只能留下零散的句子。AI 可以帮助他们把碎片连接成逻辑，把模糊感受转化为明确概念，把一次聊天整理成一篇文章，把长期思考沉淀为一个框架。这意味着，过去因为表达能力不足而被埋没的经验，现在有机会被保存下来。 2. 帮助表达能力强的人降低整理成本 另一类人并不缺乏表达能力，他们缺少的是时间。他们可以高频地思考、说话、讨论和产生判断，但没有足够精力完成转录、分类、重写、校对和发布。对他们来说，AI 可以承担大量整理工作，让人把主要精力放在真正具有稀缺性的部分：观察、体验、判断、选择和提出问题。 因此，AI 并不是简单地取代某项能力，而是在重新分配人的能力结构。每个人都存在某种“水桶效应”：你可能在专业知识上高于平均线，却不擅长写作；也可能很有创造力，却缺少执行系统；可能表达很好，却不擅长检索、编程或视觉呈现。 AI 的价值在于实现能力互补：对于已经高于基准线的能力，AI 可以帮助你放大优势；对于低于基准线的能力，AI 可以帮助你迅速提高下限。它既可以扩大一个人的上限，也可以抬高一个人的底线。但前提是，人仍然要有自己的经历、判断和问题意识。否则，AI 只能生成一份平均而顺畅的表达，却无法替代真正属于你的洞察。 ...

——从买车、换手机，到投资、AI 与“做成一件事” 那天晚上，我和一个刚毕业不久的亲戚打了将近两个小时的视频电话。我们最开始聊的，只是一些极其日常的事情：晚饭吃了什么，最近有没有谈恋爱，家里谁准备买车，谁又想换一部苹果手机。但聊着聊着，话题逐渐从一辆车、一个手机，延伸到了储蓄、负债、投资、通货膨胀、AI、英语、城市、职业选择，以及一个人究竟应该怎样度过自己的一生。 后来我回头想，这场看似漫无边际的谈话，其实一直围绕着同一个问题：一个普通人，怎样才能不被眼前的消费和收入困住，而是一步步获得更多未来的选择权？ ...

——复利、流量与 The Worker Investor 的完整逻辑 最近看到一个人在讲复利。 他说，阅读有复利，写作有复利，存钱有复利，运动也有复利。只要每天做一点正确的事情，坚持足够长的时间，微小的投入就会被时间不断放大。 这种表达并没有错。它比追求即时回报更接近长期成长的真实规律，也能帮助人摆脱“做一件事马上就要看到结果”的焦虑。但听完以后，我想到的不是怎样把这些好习惯坚持得更久，而是另一个问题：阅读、写作、存钱和运动为什么会产生复利？只要长期重复一件有益的事，就一定叫复利吗？ 如果一个人每天阅读，却没有留下任何概念、判断和知识结构；每天写作，却从不整理、发布或再次使用；每月存钱，却让现金长期闲置并不断损失购买力；持续运动，却因为错误训练、睡眠不足和过度透支损害身体，那么“长期坚持”显然不会自动产生复利。 我们经常把持续投入、线性积累、能力形成、成果资产化、正向反馈和真正的复利混在一起。也正是从这个问题出发，我进一步理解了 The Worker Investor 所要回答的核心问题： 一个主要依靠工资生活的普通 Worker，怎样才能不让自己的劳动一次次发生、一次次结算、一次次消失，而是逐渐把它转化为存量、资产、所有权和未来选择权？ 在《让今天的劳动继续参与未来》里，我从复利的历史出发，讨论时间如何进入债务、估值、投资与个人成长。这篇文章继续追问：如果离开金融公式，究竟什么样的个人系统才真正具有复利结构？ ...

——从发现信息、核验证据，到形成判断与作品 过去一段时间，我曾经整理过一份自己认为“有营养”的内容清单：中文世界里有新闻、金融、AI、科技与个人成长类创作者，英文世界里有 Lex Fridman、Andrew Huberman、Joe Rogan 等长篇播客。为了写作，我也不断检索论文、公司年报、人物访谈、个人博客和历史档案。 后来我逐渐发现，一份值得关注的账号清单，并不等于一个人的信息系统。 清单只能回答“入口在哪里”，不能回答更重要的问题：我如何持续发现高质量信息，判断它是否可信，把它放进自己的知识结构，并最终转化为判断、行动、写作与作品？ 今天，一个人面临的已经不是信息匮乏，而是信息供应链失控。我们每天刷到大量内容，却很少知道它最初来自哪里，经过了多少次转述，传播者有什么利益，以及它与自己正在解决的问题究竟有什么关系。 因此，我更愿意把信息获取理解为一条完整链路： 问题 → 来源 → 渠道 → 筛选 → 核验 → 连接 → 沉淀 → 输出 信息只有走完这条链路，才可能从外部噪声变成一个人的长期资产。 一、先区分三个概念：渠道、来源与方法 很多时候，我们把 YouTube、小宇宙、微信公众号、X、RSS 和大语言模型统称为“信息源”。但严格来说，它们属于三个不同层面。 渠道（Channel） 是信息到达你的地方，例如播客客户端、视频平台、社交媒体和 RSS 阅读器。 来源（Source） 是真正生产信息的人、机构或记录，例如研究者、论文、监管文件、公司年报、实验数据、股东信或一次完整访谈。 方法（Method） 则决定你如何发现、筛选、交叉验证并使用这些信息。 YouTube 是渠道；访谈节目是内容载体；被采访者可能是某件事的直接参与者；他引用的论文、数据或文件，才可能是更底层的证据。大语言模型同样不是天然的事实来源。它更像一个帮助我们搜索、组织、比较和解释材料的操作界面。 把渠道误认为来源，是现代信息消费中最常见的错误之一。一个内容可能出现在熟悉的平台、由表达流畅的人讲述，甚至附有大量链接，但这些都不能自动证明它可靠。 二、不要寻找一个“万能信息源” 一套完整的信息地图，至少需要六类材料。它们不是彼此替代，而是在信息链中承担不同职责。 信息类型 最适合解决的问题 主要风险 更合适的用法 官方文件与原始资料 到底发生了什么 机构可能选择性表达 与数据、直接记录和独立研究交叉核验 专家个人网站与博客 专业人士如何长期思考 个人偏见与能力边界 跟踪其长期记录，而不是只读一篇 播客与长篇访谈 一个人如何形成观点 谈话随意，证据密度不均 按人物和问题选单集，继续追踪其中的资料 论文、书籍与课程 某个领域的结构是什么 更新较慢，理解门槛较高 用于建立模型，不承担所有即时判断 社交媒体与社区 什么事情正在发生 情绪、营销、断章取义 把它当雷达，不把它当终审法院 大语言模型与 Agent 如何更快搜索、整理和监测 错误生成、二手转述、过度总结 要求返回原始出处、不确定性与待核验项 社交媒体适合发现异常信号，播客适合理解人物和语境，论文与书籍适合建立理论结构，官方文件适合确认事实边界，RSS 适合长期监测，大语言模型则可以降低信息处理成本。 ...

——大模型如何改变普通 Worker 的认知生产方式 今天，越来越多的人开始使用大语言模型：写邮件、做总结、生成文案、制作 PPT、查询资料、编写代码。表面上看，AI 带来的是效率提升；但如果我们只把它理解为一个更快的办公软件，就会严重低估这场变化。 大模型真正改变的，不只是某项工作的执行速度，而是普通人获取知识、组织信息、定义问题和生产解决方案的方式。它正在重新分配一种过去高度稀缺的资源：认知能力。 但这里存在一个容易被忽略的事实：AI 拥有巨大的潜在能力，并不意味着这些能力会自动转化为你的能力；模型能够回答无数问题，也不意味着它会主动找到那个真正困扰你的问题。AI 可以是一颗拥有丰富资源的星球，也可以只是一个悬浮在你面前、与你毫无关系的球体。决定两者差别的，不只是提示词技巧，而是一个人是否拥有足够强烈的问题意识。 一、文明压缩：AI 是人类知识的概率地图 以 GPT 一类大语言模型为例，它们在大规模语料上学习根据已有文本预测后续 token。Transformer 的注意力机制让模型能够根据上下文计算不同 token 之间的关系；扩大模型与训练数据规模，又显著增强了模型仅凭指令或少量示例完成不同语言任务的能力。1 因此，我更愿意把大语言模型理解为：人类已经表达出来的知识、经验、语言和模式的一种概率压缩。它学习的不是一套固定答案，而是词语、概念、问题与回答之间极其复杂的统计关系。今天许多所谓的 AI 助手还会接入图像、代码、检索系统和外部工具，但这些附加能力不应与基础语言模型本身混为一谈。 模型并不直接等同于“人类共识”，更不等于真理。训练资料中的事实、偏见、错误、陈旧观点与主流叙事，都可能进入模型；模型也可能生成语气笃定却并不真实的内容。美国国家标准与技术研究院（NIST）把这种现象称为“confabulation”，并指出它与生成模型逼近训练数据统计分布的工作方式有关。2 但即使如此，大模型仍然形成了一张极其庞大的文明概率地图：当某个问题出现时，哪些知识可能相关，哪些概念经常相连，哪些方法曾被用于处理类似问题，哪些表达可能构成一个合理答案。 对普通 Worker 来说，这张地图首先抬高了认知的下限。 过去，一个人能够接触怎样的思想，很大程度上受家庭、学校、城市、职业和社会关系限制。如果身边没有工程师、律师、投资者、研究者或创业者，我们就很难持续获得这些专业领域的解释框架。更严重的是，当一个人不知道某个概念存在时，他甚至无法搜索它，因为他不知道应该搜索什么。 AI 在一定程度上改变了这种处境。普通人正在以更低门槛，让不同学科的语言同时进入一个具体问题：从工程学、经济学、心理学、历史学、系统科学和产品设计的角度，对同一个现象进行交叉审视。 它未必能让人立即成为专家，却可以帮助人迅速意识到：原来一个问题还有这么多变量；原来我过去使用的解释框架只是其中一种；原来我的认知边界并不是世界的边界。 因此，AI 的第一重意义，是让普通人接入人类已经积累并表达出来的知识结构。它既是一种认知外挂，也是一种文明基础设施。 但外接能力并不等于内在能力。AI 能抬高一个人的认知基准，却无法自动替他形成判断。共识不等于事实，流畅不等于正确，看起来完整的答案也不等于能够进入现实的方案。 二、语境复利：真正重要的不是 Prompt，而是人的长期 Context 多数人仍然按照传统搜索引擎的方式使用 AI：提出一次问题，获得一次答案，任务结束，语境清空。 这种方式当然有用，却只调用了大模型能力中比较浅的一层。 同一个问题，在不同的人生语境中，意味着完全不同的事情。例如，“我是否应该学习 Python”，对于准备转行的软件工程师、使用 Fluent 的热管理工程师、希望开发 AI Agent 的内容创作者，以及准备为企业提供 AI 培训的咨询者，根本不是同一个问题。 如果模型不知道提问者是谁，它只能给出一种普遍正确却缺乏针对性的答案：学习基础语法，完成几个项目，持续练习。 只有当模型逐渐理解一个人的长期目标、现实约束、已有能力、失败经历、判断原则、工作环境和正在推进的项目时，它才可能进一步回答：你为什么要学，哪些内容不值得学，应当从什么项目切入，怎样与既有能力组合，以及如何把学习结果转化为作品、收入和未来选择权。 因此，AI 时代真正重要的可能不只是 Prompt Engineering，而是 Personal Context Engineering——个人语境工程。 一个人的 Context 不只是某个文件或某次任务的背景，它包括其长期目标、职业位置、知识结构、关系网络、价值排序、决策记录、过往失败以及对未来的想象。它回答的是一个更根本的问题：这个答案究竟要进入谁的人生？ 当这样的语境持续积累，AI 才可能从一个临时问答工具，逐渐转变为长期研究助理、编辑、教练与决策支持系统。每一次对话不再孤立存在，而是进入一个持续生长的认知系统。 但“长期 Context”不等于把所有人生资料塞进一个越来越长的对话框。研究发现，即使模型允许很长的输入，当关键信息处在长文本中间位置时，模型的利用效果也可能明显下降。3 真正有价值的个人语境工程，因此还包括筛选、压缩、更新和在恰当时刻调取信息，而不是无限囤积。 长期 Context 也可能产生另一种风险：如果模型总是根据过去的你来预测未来，它也可能不断强化旧有偏好，把已经过期的自我定义固化下来。因此，一个成熟的个人语境系统不只记录“我是谁”，还应持续追问：哪些目标已经失效？哪些偏好只是过去环境的产物？什么证据能够推翻我原来的判断？ ...