Qiaomai 👋

——从使用 AI，到拥有生产率的残余 在上一篇文章里，我把人类知识比作《火影忍者》中散落在世界各处的查克拉，把不同的大模型比作拥有不同能力、规模和性格的尾兽。这个比喻帮助我理解：模型并不是知识本身，而是一个能够吸收、压缩、重新组织并调用知识的认知容器。 但如果继续追问，就会遇到一个更重要的问题：尾兽的查克拉来自哪里？又是谁拥有尾兽？ 在《火影忍者》的设定中，十尾可以转化为神树，神树的根则会从星球上的生命吸收查克拉。1 今天的大语言模型也呈现出一种相似的结构：它先从人类已经写下的文字、代码、图像和知识中学习模式；进入现实世界以后，又通过评测、反馈和具体工作流程，越来越深入地参与人类如何表达、判断与完成任务。 这不意味着每一次对话都会直接进入下一轮基础模型训练。不同产品、账户类型与隐私设置的数据政策并不相同：以 OpenAI 的公开政策为例，个人服务中的内容可能用于改进模型并允许用户退出，企业产品与 API 的输入输出则默认不用于训练，除非客户明确选择共享。2 更准确的说法是，在获得授权或用户主动提交反馈时，评测结果、错误报告、使用模式和任务分布都可能成为产品改进的信号。 数字劳动研究也提醒我们，价值生产不只发生在传统办公室和正式工时里。一层是数据标注、内容审核、转录和数据处理等有偿却常被外包、拆分的微任务；另一层是用户生成内容、评价、点击与反馈等参与活动，其中一部分会被平台转化为数据和产品改进信号。不过，后一类活动是否应当一概称为“劳动”，本身仍是研究中的争论。3 因此，AI 不只是一只储存知识的尾兽。它正在成为一只学习如何工作的十尾。 现代 worker 真正需要面对的，不只是这只十尾是否强大，而是：当越来越多人的知识、判断和劳动方式被写入系统，这些能力最终会沉淀在哪里？它们会成为劳动者可以携带的生产资料，还是主要成为少数组织拥有的资本？ 这把我们带回马克思关于机器、劳动与资本关系的分析，并由此引出本文的两个问题。需要说明的是，下面两个问法并不是马克思原文中的固定表述，而是我依据他的机器分析所作的当代转写。 一、机器替代部分劳动以后，原来支付工资的资本去了哪里？ 在马克思的分析中，资本并不只是静止的金钱，而是进入循环并追求增殖的价值。本文进一步关心的是：谁控制生产条件，谁又能够对未来产出提出索取。后者是我在 AI 时代对资本关系的延伸理解，并不是马克思对资本的直接定义。4 马克思把生产资本区分为不变资本与可变资本。这里的“不变”和“可变”，不是现代财务会计中的固定成本与变动成本。 不变资本是转化为原料、辅助材料、机器、工具和厂房等生产资料的资本。在马克思的价值理论中，这些生产资料在特定生产过程中把既有价值转移到产品中，却不会凭自身创造超过原有价值的新价值。可变资本则是用于购买劳动力的资本，通常表现为工资支出。它之所以“可变”，是因为劳动力在生产中的使用能够再生产自身价值的等价物，并在马克思的理论中创造超过它的剩余价值。4 因此，在马克思讨论的机器化场景中，值得注意的不只是岗位减少，还有一部分资本形态的转化： 部分可变资本 v → 不变资本 c 马克思在《资本论》第一卷第十三章第六节，用一家假设的壁纸工场说明所谓“补偿论”的问题。工场原有 6,000 英镑资本，其中 3,000 英镑购买原材料，另有 3,000 英镑雇用 100 名工人，每人年工资 30 英镑。引入价值 1,500 英镑的机器后，工场只保留 50 名工人。总资本仍是 6,000 英镑，但工资支出从 3,000 英镑降到 1,500 英镑，机器与原材料所占资本则提高到 4,500 英镑。这个算例为说明理论而构造，也明确省略了厂房、煤等项目，不应被当作现代企业的完整会计模型。5 被解雇的 50 名工人并没有使对应资本自动成为重新雇用他们的基金。原本用于购买其劳动力的一部分资本，已经被固定在机器中： 1,500v → 1,500c 马克思并不否认机器可能在其他部门创造新工作；他否认的是，这种补偿会由原有资本自动、同时并且足额发生。新岗位不必在相同时间、相同地点，以相同技能要求和收入水平出现。即使更便宜的机器释放出一小部分资本，它也不足以自动重新雇用全部被替代者。 这里存在两种完全不同的“释放”。劳动者被从岗位中释放出来，意味着他失去了工资；资本被释放出来重新购买劳动，则未必发生。技术可以释放人的时间，但如果收入没有随着时间一起被释放，所谓闲暇就可能表现为失业、降薪或更激烈的岗位竞争。 把这一结构类比到 AI 时代，机器换了一种形态： 工资预算 → 模型、算力、软件、数据与自动化系统 这不是说模型 API、云服务和软件订阅在会计上都属于固定资产，也不是把每一笔软件费用机械地等同于马克思的不变资本。更准确的观察是：企业可能把一部分原来用于购买劳动时间的预算，转向购买或租用由外部组织控制的技术能力。生产资料不一定以厂房里一台归企业所有的机器出现，也可以成为按调用量、席位或订阅持续付费的“租赁型能力”。 假设一家企业原来需要 100 个人完成某类工作。部署模型、知识库与 Agent 后，60 个人便可能完成相同甚至更多的产出。减少的工资支出不会自动返还给另外 40 个人；它可能被投入模型调用、系统集成和数据治理，也可能变成利润、股息或下一轮资本开支。 ...

面对大约一年的金融投资亏损，我最初提出的问题与大多数投资者并没有区别：怎样把亏掉的钱赚回来？是继续持有，等待市场反转；是趁价格下跌追加仓位；还是研究更多公司，寻找下一项能够弥补损失的投资？这些问题如此自然，以至于我一开始没有意识到，它们并不是由亏损这个事实自动产生的，而是由一套既定框架产生的：既然损失发生在金融市场，补偿也必须发生在金融市场；既然过去投入了时间和金钱，就应当继续留在原来的赛场；既然退出意味着承认判断错误，就应该尽可能证明过去的自己最终是对的。 后来，我开始提出另一个问题：**为什么我一定要在同一个地方，以同一种形式，把这笔亏损赚回来？**我真正想获得的究竟是账户回本，还是长期资产、所有权与未来选择权？如果我的最终目标并不是证明自己能够预测市场，而是让今天积累的价值能够进入未来，那么金融投资是否只是实现这一目标的众多工具之一？写作、专业能力、技术工具、个人网站、内容渠道和长期作品，能不能同样构成资产？当我开始这样提问时，亏损并没有消失，但它已经不再是原来的问题。 这可能就是人与人面对同一种困境，最终却进入不同世界的原因：困难本身不会自动使人成长，真正改变一个人的，是他最终学会了提出什么问题。 一、我们常常不是找不到答案，而是被原来的问题困住了 人们通常把问题看作一种中性的存在，仿佛它只是对现实的客观描述。事实上，每一个问题都预先规定了一部分答案。当一个人问“我怎样才能在公司里得到更高的工资”时，他默认的解决空间是提高绩效、争取晋升、切换岗位或者更换公司；但如果他问“我怎样才能让今天的劳动在工资支付之后仍然产生价值”，写作、知识沉淀、工具开发、作品建设、股权和独立渠道才会进入视野。前一个问题研究的是组织如何提高对我的定价，后一个问题则开始研究：除了接受外部定价，我能否形成某种自己拥有的东西？ 这并不意味着第二个问题必然比第一个问题高尚。工资增长对普通人非常重要，主业现金流也是其他尝试能够持续的前提。真正重要的是意识到：**问题不是现实本身，问题只是我们对现实的一次切割。**不同的切割方式会突出不同变量，也会隐去不同可能。 例如，投资亏损可以被描述为“我选错了一只股票”，于是行动重点是改善选股；也可以被描述为“我的仓位与风险承受能力不匹配”，于是行动重点变成资产配置；还可以被描述为“我把过多时间投入了一个不具备比较优势的领域”，于是需要比较金融研究与职业成长、写作、技术开发之间的机会成本；进一步，它还可以被描述为“我过去对资本的定义过于狭窄，只看到了可以交易的金融资本，却没有看到能力、作品、渠道和判断力”。 这些解释并不一定只有一个正确。它们更像从不同高度绘制的地图：比例尺越大，局部细节越清楚；比例尺越小，结构关系越完整。问题意识不是永远追求更宏大的解释，而是知道自己正在使用哪一张地图，以及这张地图遗漏了什么。 所以，当一个问题长期没有得到解决时，我们或许不应立刻问：“我怎样才能更加努力？”我们可以先问：“我现在努力回答的，究竟是谁提出的问题？这个问题默认了什么目标、什么身份和什么赛场？” 二、所谓“Transformer 式动作”，不是积极思考，而是重新表征问题 我愿意借用 Transformer 作为一种认知隐喻，但必须说明：人的思考当然不等同于人工神经网络。这个隐喻有价值，是因为 Transformer 的关键并不是把序列中的元素彼此隔离，而是在上下文中重新计算它们之间的关系。2017 年的《Attention Is All You Need》提出了以注意力机制取代循环与卷积的 Transformer 架构：它通过自注意力直接建模序列中不同位置之间的关系，并用位置编码保留顺序信息。1 类似地，真正的视角转换也不是给同一个事实换一种更乐观的说法，而是改变事实之间的关系、重要性和解释位置。一次亏损放在“账户回本”的上下文中，注意力会集中在买入价格、当前价格和未来反弹；放在“个人资本配置”的上下文中，注意力会转向本金规模、职业阶段、时间成本、风险暴露、知识优势和替代机会；放在 The Worker Investor 的上下文中，问题又会变成：一个依赖工资的普通人，应该如何同时配置金融资本、人力资本和能够形成所有权的作品资产？ 因此，一次真正的认知变换通常会改变五件事。它会改变分析单位：从一只股票扩展到一个人的全部资本；改变参考系：从买入价与现价的比较，转向不同资源配置之间的机会成本；改变时间尺度：从什么时候回本，转向五年或十年以后什么仍然存在；改变目标函数：从证明过去的判断正确，转向扩大所有权、选择权与抗风险能力；改变行动者身份：从一个寻找优质资产的人，转变为一个既能购买资产、也能创造资产的人。 这是不是意味着，只要换个角度，任何问题都能解决？当然不是。视角转换不能取消损失，也不能代替专业能力。它真正提供的是一种新的搜索空间：旧框架下没有资格成为答案的事物，在新框架中开始变得可见。 三、为什么同样面对亏损，有人坚持，有人退出，有人重新创造？ 我们很容易把不同选择解释为性格差异：有人坚强，有人脆弱；有人理性，有人冲动。但这种解释过于简单。面对同一笔亏损，继续持有可能是长期纪律，也可能是沉没成本；退出可能是清醒止损，也可能是无法忍受波动；转向写作和投资自己可能是发现了更高回报的路径，也可能只是用一套更漂亮的语言逃避投资复盘。外在动作本身不能证明一个人的选择是否正确。 真正需要问的是：他究竟在保护什么，又在建设什么？ 当投资与自我认同深度绑定时，账户下跌就不只是资产表现不佳，而会变成对人格与判断力的质疑：如果我现在卖出，是否说明我不够聪明？如果这只股票最终上涨，我是否会后悔没有坚持？如果我承认判断错误，过去的研究、时间和损失是否全部失去意义？前景理论把许多风险选择描述为相对于参考点的收益与损失评估，而不只是依据最终财富水平；同一结果的不同表述框架也可能改变选择。它为多种偏离期望效用理论预测的行为提供了描述性解释。2 于是，加仓可能包含两种完全不同的行为。一种是重新分析企业、估值和风险之后，仍然认为当前预期回报值得扩大仓位；另一种则是因为不能承受“过去的我可能错了”，用更多资金维护旧叙事。前者是资本配置，后者是自尊保卫战。区分二者，有一个简单而残酷的问题：**假如我从未持有这项资产，今天仅根据现有信息，我还会以当前仓位买入吗？**如果答案是否定的，过去的投入很可能正在替未来作决定。 我之所以能够较快转向，并不意味着我天然比别人更理性。一个更实际的原因是，金融投资并不是我唯一能够确认自我价值的身份。我还是工程师、阅读者、写作者、学习者和技术实践者。这些身份当时并不成熟，却为注意力和资源提供了其他去向。如果一个人只有一种身份，某个领域的失败就容易扩散为整体失败；如果他拥有若干能够相互支持的能力与项目，一个仓位的失效便可能触发再平衡，而不是摧毁整个组合。 但身份多元也不是越多越好。一个人今天学编程，明天做视频，后天研究投资，每件事都只停留在开始阶段，这不是组合，而是碎片。真正有价值的多元身份必须围绕某个更高层的问题逐渐汇聚。对我而言，工程训练、金融投资、阅读、写作、AI 和内容创作最终开始指向同一个问题：普通人如何配置自己的时间、能力与资产，使今天的劳动不在发薪日以后归零？ 四、历史上的重要突破，往往不是回答得更好，而是把默认前提变成研究对象 达尔文一开始面对的，也是当时许多人共同面对的自然史材料：不同地区存在不同物种，化石与现存生物之间有相似之处，岛屿生物又具有特殊差异。真正发生转变的地方，是他逐渐不再把物种视为静止不变的本质，而把“物种是否会发生转变”作为工作假设，并开始收集能够解释这种变化的证据。到 1837 年 3 月中旬，达尔文已把物种可变视为工作假设，并在 1837 年 4 月至 1838 年 9 月间写满数本笔记；1838 年 9 月阅读马尔萨斯后，他获得了解释物种变化的关键因果机制。3 问题由此从“每一种生物为什么具有固定形式”，变成“个体差异如何在种群、环境与漫长时间中累积”。他没有只是发现更多物种，而是改变了研究生命的基本单位与时间尺度。 这给普通人的启发是什么？当我们问“我是不是一个不适合投资的人”时，我们把自己理解为一个具有固定本质的对象；但如果换成演化视角，问题会变成：这次环境淘汰了我的哪些判断？哪些能力应当保留？哪些策略需要变异？我怎样通过一系列成本可控的实验，让自己的能力组合逐渐适应更大的世界？失败不再是对人格的最终判决，而是一种选择压力。 卡尼曼与特沃斯基完成的是另一种转换。面对现实中大量不符合传统经济学理性模型的行为，他们没有停留在“人为什么总是犯错”，而是追问：会不会是原来的模型没有真正描述人如何判断与选择？由此，偏差不再只是需要被谴责的缺陷，而成为具有规律、可以研究的认知机制。2 对个人而言，这意味着我们不应只研究外部对象，也需要研究作为决策者的自己。金融市场不仅检验我是否看懂了公司，还会暴露我如何对待损失、如何选择参考点、如何保护身份，以及是否会把希望误认为概率。 Intel 的案例则说明，组织同样会被过去的身份绑架。存储芯片曾是 Intel 的重要起点；面对价格下跌、需求低迷与供给过剩，公司于 1985 年 10 月宣布退出 DRAM 市场，把资源集中到微处理器及相关产品。4 这个决定的意义不只是“转型成功”，而是揭示了一个更普遍的冲突：**一个曾经创造我们的东西，是否因此永久拥有我们的未来？**一份专业、一个岗位、一项投资或者一个项目，都可能曾经给予我们身份、收入与荣誉，但过去的贡献不能自动转化为未来继续配置资源的权利。 ...

今天谈到复利，人们通常会想到股票、指数基金、养老金，以及那条最常见的指数增长曲线。复利被描述为长期投资的奖励，也被包装成一种简单的人生智慧：只要开始得足够早，坚持得足够久，时间就会帮助我们积累财富。 但复利并不是从证券市场开始的。它最初也不是一套帮助普通人实现财富自由的方法。恰恰相反，人类最先感受到复利力量的地方，很可能是债务。它首先回答的问题不是“我的资产将来会增长到多少”，而是：如果一笔债务没有被偿还，它会随着时间增长到多少？ 从古代的谷物和牲畜借贷，到中世纪商人的账簿，再到年金、保险、企业估值和指数基金，复利经历了漫长的观念演变。它逐渐从一项债务计算技术，发展成现代金融的基础语言，最后又被扩展为一种关于学习、能力、作品和人生选择的隐喻。复利的历史，实际上也是人类如何把时间纳入价值计算的历史。 一、在人类学会投资以前，已经开始计算债务 在现代货币出现之前，人们借出的通常不是纸币和账户余额，而是谷物、种子、牲畜和其他生产资料。借出一袋种子，经过耕作以后可能收获更多粮食；借出一头牲畜，牲畜可能繁殖出幼崽。因此，在一些古代社会的观念中，利息并不只是一个抽象数字，它可以被理解为生产资料在一段时间之后产生的“后代”。 这也解释了为什么“利息是否合法”在古代并不是一个简单问题。牲畜和土地可以生产新的财富，但货币本身会不会生产？如果货币只是一种交换媒介，那么一个人为什么可以仅仅因为暂时让渡了货币的使用权，就要求得到更多货币？亚里士多德以及后来的许多宗教思想家都曾对这种“钱生钱”的现象保持警惕。中世纪基督教传统长期反对以确定收益为目的的放贷，但如果资金提供者共同承担商业风险，利润分配通常更容易被接受。这一区别已经隐约包含了现代金融中的一个重要原则：风险承担者可以获得回报，但仅仅利用债务人的困境获取确定收益，可能产生严重的道德问题。12 古代社会对复利的警惕并非毫无理由。当债务无法按时偿还，利息又不断进入本金时，债务会以非线性的方式扩大。对于缺乏储蓄、收入不稳定的借款者来说，时间并不会带来财富，反而会不断削弱其土地、劳动和未来收入。 因此，复利从一开始就拥有两张面孔。对于债权人，它意味着资产增长；对于债务人，它意味着义务扩大。对于拥有生产性资产的人，时间可能成为盟友；对于背负高成本债务的人，时间也可能成为对手。时间本身既不奖励人，也不惩罚人。它只是放大一个人已经进入的结构。 二、巴比伦人已经发现，时间并不是线性的 现存的一些古巴比伦泥板表明，约在公元前第二个千纪，人们已经能够处理与复合增长相似的问题。其中一类问题是：如果一笔本金按照固定比例逐年增加，需要多长时间才能翻倍？1 这并不意味着巴比伦人已经建立了现代复利理论，但至少说明，古代书吏已经意识到：重复增长不能通过简单加法理解。 如果每年增加的金额始终根据最初本金计算，增长是线性的；如果前一年的新增金额也进入下一年的计算基础，增长就会逐渐加速。这两种结构看起来只相差一个步骤，却代表了两种完全不同的时间观。 单利意味着，每一年都在重复同一件事情。复利意味着，过去发生的结果改变了下一轮的起点。这也是复利最深层的结构：不是单纯的“利息产生利息”，而是结果被保存下来，并重新成为投入。 三、Fibonacci 帮助欧洲人学会比较今天与未来 1202 年，意大利数学家 Leonardo of Pisa——后来被称为 Fibonacci——完成了《Liber Abaci》。今天，人们主要通过斐波那契数列认识他。但这部书实际上并不只讨论兔子繁殖和数字序列。它的大量篇幅服务于商业实践，包括货币兑换、商品定价、合伙利润、贸易套利、利息、几何级数和现金流估值。 更重要的是，Fibonacci 不只研究一笔钱未来能够增长到多少，也开始系统处理相反的问题：如果未来能够收到一笔钱，那么这笔钱今天价值多少？这就是现值分析的核心。3 复利从今天走向未来： FV = PV(1 + r)n 贴现则从未来返回今天： PV = FV / (1 + r)n 两者本质上是同一种时间关系的两个方向。一旦人们接受“未来的一元钱不等于今天的一元钱”，就可以比较原本无法直接比较的交易：一次性付款与分期付款哪一种更有价值？一项年金今天应该卖多少钱？某笔贸易未来的回款，是否足以补偿今天投入的本金？借款利率是否超过了商业活动能够创造的回报？ Fibonacci 的贡献不仅在于提供了若干计算方法，更在于把时间引入商业决策。现代金融中所谓的时间价值、现值、终值和贴现现金流，都可以在这种早期商业数学中找到思想源头。从这一刻开始，复利不再只是债务如何扩大，也开始成为衡量机会的工具。 四、从商人的秘密表格，到可以复制的金融知识 在没有计算器和电子表格的时代，复利计算是一项非常烦琐的工作。如果利率、期限和付款频率稍有变化，就需要反复进行乘方、除法和级数计算。掌握准确的利息表，因此可能成为商人和银行家的竞争优势。 现存最早的一组复利表见于 Francesco Balducci Pegolotti 的商业手稿；原作可能形成于约 1340 年，现存抄本写于 1472 年。商人可以通过查表，迅速知道一笔本金按照不同利率持有若干年后将增长到多少。1494 年，Luca Pacioli 在《算术、几何、比例与比例关系大全》中记录了后来被称为“72 法则”的近似方法：用 72 除以年收益率的百分数，可以估算本金翻倍所需的年数。1 例如，按照 6% 的年增长率，翻倍大约需要： 72 ÷ 6 = 12 年 72 法则的意义并不只是简化计算。它把一个抽象的百分比转化成了普通人可以直观理解的时间尺度。6% 不再只是一个数字，而意味着大约十二年的翻倍周期；12% 则意味着大约六年的翻倍周期。人们由此开始用“翻倍需要多久”理解增长，而不只是观察某一年的收益。 ...

——从《火影忍者》的尾兽，到大模型时代的人类能力重构 小时候看《火影忍者》，我一直觉得尾兽是一个很有意思的设定。九大尾兽承载着远超普通个体的查克拉与力量。有人看到它们，只觉得那是无法控制的怪物；真正强大的忍者却会追问：怎样理解这种力量，与它建立关系，并把它转化为自己的能力？ 最近思考 AI 时，我突然意识到，今天的大模型很像《火影忍者》中的尾兽。它把人类文明长期积累的知识，压缩成了一种普通人可以调用的外部智能。我们正在进入一个近似“人柱力时代”的阶段：越来越多人可以接触巨大的力量，但拥有力量，并不等于会使用力量。 一、知识一直是人类文明创造的“尾兽” 如果把人类文明看成一个巨大的知识体系，那么每一个成熟领域，都像一只尾兽。物理学包含经典力学、电磁理论、热力学、相对论和量子力学；生命科学连接细胞、遗传、进化、神经与生态；金融涉及货币、银行、市场、资本配置与风险；工程制造则横跨材料、机械结构、自动化、软件和供应链。 这些知识不是任何一个人的财富，而是无数代人共同积累的结果。过去真正的障碍，不是知识不存在，而是调用知识的成本很高。一个人需要经过长期教育、阅读、训练和实践，才可能掌握其中一小部分。人的时间、注意力和经验有限，而文明积累的知识早已超过任何个体能够独立容纳的范围。 知识这只“尾兽”一直存在，只是大多数人很难靠近它，更难在需要时迅速调动它。 二、大模型改变的，是人与知识的连接方式 大模型并不是凭空创造知识，也不是一本按照页码保存事实的超级百科全书。它更像是把大量文本、代码和其他资料中的模式压缩成一个可交互的模型，再根据提问生成、重组和连接内容。它可以帮助人发现关系、形成草稿和探索方案，也可能产生错误、遗漏条件，甚至以很自信的方式给出不可靠的答案。 在过去，一个人通常需要先找到书籍和资料，再理解知识、形成能力，最后尝试解决问题。现在，人可以先描述问题，让模型协助检索思路、解释概念、比较方案、生成代码或整理表达。互联网和搜索引擎曾经降低了寻找信息的成本，大模型又进一步降低了初步理解、连接和转化信息的成本。 它没有让学习失去意义，而是改变了学习的重点。人的任务正在从收集零散知识，迁移到建立框架、提出问题、验证结果并把知识用于真实情境。 这仍然像鸣人与九尾的关系。九尾的存在没有自动让鸣人成为强者。他仍然需要理解力量、约束力量，并让它与自己的经验、判断和意志协同。真正属于鸣人的，不是体内存在多少查克拉，而是他最终能够把这些力量用来做什么。 三、拥有尾兽，不等于成为强者 AI 时代一个常见的误区是：“既然 AI 可以回答这么多问题，学习还有什么意义？”这就像认为鸣人体内有九尾，因此不再需要修炼。外部智能提高的是一个人的能力上限，却不能替他建立专业基础、理解现实约束，更不能替他承担决定的后果。 工业时代的机器放大了人的体力，计算机时代的软件接管了大量标准化计算与信息处理，现在 AI 又开始参与语言、代码、分析和内容生成。随着常见知识的获取成本下降，以下四种能力会变得更重要： 问题定义能力。 AI 可以回答问题，也可以协助寻找问题，但什么值得解决，取决于人的目标、处境与价值判断。 跨领域连接能力。 单一领域的知识越来越容易调用，真正困难的是把工程、金融、写作、心理学和商业放进同一个现实问题中。 判断与责任。 AI 可以快速生成许多方案，却无法替人决定哪些假设可信、哪些风险不可接受，以及谁来承担结果。 创造与执行。 一个答案只有被测试、修改、交付并接受现实反馈之后，才可能变成价值。生成内容不等于完成创造。 因此，未来人与人的差距，不只在于谁能获得更多答案，而在于谁能形成一个完整闭环：提出值得解决的问题，调用合适的知识，识别错误，把结果用于现实，再从反馈中继续修正。 四、用 Human Capital ETF 训练驾驭外部智能的能力 这也让我重新理解 Human Capital ETF。过去，我们常用学历、技能和工作经验衡量人力资本；AI 时代，一个人的竞争力更像一组需要长期配置和持续再平衡的资产： Core 是健康、现金流、专业能力和基础认知。它决定一个人是否拥有理解问题的底座，以及能否持续行动。 Growth 是学习、AI、编程和跨领域迁移能力。它帮助一个人扩大能力边界，但应该放大 Core，而不是成为逃离专业积累的借口。 Distribution 是写作、表达、社交网络、个人品牌与内容渠道。它把私人的思考和人机协作结果，转化成可以传播、被反馈和长期保存的作品。 Meta 是思考、复盘、时间配置、风险管理和重新平衡的能力。它决定我们为什么使用 AI、把注意力放在哪里，以及什么时候应该质疑或停止。 AI 使用能力主要属于 Growth，但它不能孤立存在。没有 Core，模型的输出容易脱离专业约束；没有 Meta，人可能只是更高效地走向错误方向；没有 Distribution，再好的想法也可能停留在一次私人对话里；没有健康和稳定的现金流，长期积累也很难持续。 未来真正有竞争力的人，不一定是拥有最多知识的人，而是能够持续调用外部智能，并把一次次调用沉淀为专业能力、工作成果、作品、关系和长期资产的人。 五、成为自己的“人柱力” 每一次技术革命都会替代一部分旧任务，也会重新划分人和工具的边界。AI 可能重组岗位、改变专业分工，并让一些原本昂贵的能力变得普遍，但它的影响不能只用“是否取代人类”来概括。更直接的变化是，一个普通人能够调动的知识、分析和创造能力正在迅速扩大。 成为 AI 的使用者，不是被动接受它给出的第一个答案，也不是把目标、判断和责任一并外包。它意味着知道什么时候调用它，什么时候质疑它，什么时候回到现实中验证，以及怎样把结果变成自己的能力和资产。 如果知识是尾兽，那么 AI 正在让更多人有机会接近这些尾兽。真正的问题不再只是“我有没有 AI”，而是“我是否有能力与它协作，同时保留自己的判断”。 ...

案例研究、认知边界与一个普通 Worker 的可能性空间 有人说，普通人去读沃伦·巴菲特、查理·芒格和段永平，去研究 Naval、Elon Musk 或 Justin Sun，甚至去读《这世界既温柔又残酷》一类过来人写下的书，并没有多大用处。理由并不难理解：普通人没有他们的资本、背景、资源、网络和时代机遇，也不可能按照他们给出的路径重新走一遍人生。如果一本书最终不能告诉我明天具体应该做什么，不能立刻提高收入，也不能让我直接抵达财富自由，那么阅读这些人的思想似乎只是一种高级的自我安慰。 这个质疑有一部分是成立的。我们确实无法复制别人的成功。巴菲特所经历的市场、马斯克进入的产业周期、Naval 所处的硅谷网络，乃至任何一个短期获得高收入的人曾经遇到的机会窗口，都不可能完整地重现。如果案例研究最终只是把复杂的人生压缩成“坚持阅读”“长期主义”“勇敢冒险”几条口号，它不仅没有帮助，反而会制造一种危险的错觉：仿佛相同的动作必然导向相同的结果。 但我不同意由此得出的另一个结论：因为无法复制，所以不值得学习。这个结论把“有用”理解得过于狭窄，好像知识只有在能够立即兑换成一条执行命令时才有价值。事实上，许多真正重要的思想，首先改变的并不是一个人的动作，而是他能够看见什么、能够描述什么，以及能够把什么理解为一种可能性。 没有进入语言的可能性，很难进入行动 我越来越相信，一个人的可能性空间，在很大程度上由他掌握的概念和语言决定。如果一个人的认知中从未出现过“能力圈”“复利”“机会成本”“所有权”“具体知识”“资本配置”“杠杆”和“未来选择权”，那么他并不是认真比较之后拒绝了这些路径，而是根本没有能力把它们识别为一种选择。 语言不只是给已经存在的事物贴标签。一个好的概念会重新切分现实，让原本混在一起的经验呈现出结构。只有当我理解了“能力圈”，我才会开始区分真正理解的领域与仅仅因为别人赚钱而产生的兴趣；只有当我理解了“机会成本”，我才会意识到每一次答应都同时包含一次拒绝；只有当我理解了“所有权”，我才会发现工资增长和资产增长并不是同一件事。 这也是我后来提出 The Worker Investor 和 Human Capital ETF 的原因。一个普通 worker 原本也在学习、工作、储蓄、锻炼和表达，但这些活动经常只是彼此分离的日常事项。当我开始用 Core、Growth、Distribution 和 Meta 去描述它们时，健康、职业主线、成长技能、公开作品和复盘系统才第一次出现在同一张资产配置图上。这个框架并没有替我完成任何事情，却改变了我理解这些事情的方式。概念一旦出现，我就能够配置、比较、复盘和再平衡；在概念出现以前，我只能凭感觉不断忙碌。 从这个意义上说，巴菲特和芒格提供的并不是一份要求所有人照抄的投资指令，而是一组观察长期决策的坐标。巴菲特不需要把我变成另一个巴菲特。他只需要让我第一次认真思考能力的边界、永久性损失、资本配置和几十年的时间尺度，这种学习就已经发生了。 指令可以制造动作，却不能制造策略 直接命令一个人每天读书、坚持储蓄、长期投资，当然可能产生短期动作。但一条指令，与一个人经过批判性思考形成的策略，并不是同一种东西。 机械执行最容易维持的时刻，是一切都在按计划进行的时候。真正的区别出现在回报迟迟没有到来、市场开始下跌、工作变得繁忙，或者原来的计划与现实发生冲突时。如果一个人只知道“别人让我这样做”，他很难判断应该坚持、调整还是停止。因为他掌握的是动作，却没有理解动作背后的目标、机制、条件和代价。 真正能够穿越困难的行动，需要一种内在意愿（willingness）。这里的意愿不是热血或意志力，而是一个人理解了一件事为什么值得做，也愿意为它承担机会成本。它来自一个更完整的过程：接触思想，获得概念，形成假设，进行批判性判断，设计自己的实验，再根据现实反馈修正策略。 所以，阅读不会自动改变生活，正如知道 Human Capital ETF 也不会让我第二天就拥有更高的人力资本。知识与结果之间还隔着训练、实践、反馈和时间。但这并不证明知识无用，它只说明“理解一个概念”和“让概念进入现实”是两个不同阶段。这正是我所说的 Compounding Yourself：真正的成长不是听懂一句话的瞬间，而是这句话在以后一次次选择、练习和复盘中逐渐改变了系统。 案例是训练数据，不是人生处方 作为工程师，我更愿意把案例研究理解成机器学习中的训练数据。如果一个模型只看过高度相似的常规样本，它可能非常熟悉平均状态，却无法识别边界之外的情况。一旦出现新的变量、极端环境或分布变化，它就会迅速失效。 人的认知也是如此。如果一个人接触到的所有生活样本都是上班、升职、加薪、消费和继续上班，他很容易把这条路径误认为现实本身，而不是现实中的一种配置。巴菲特、芒格、马斯克、Naval、段永平这些极端样本的价值，在于把此前没有进入模型的变量带进来：时间可以被拉长到几十年，判断力可以参与资本配置，代码和媒体可以形成杠杆，所有权可以改变收益结构，拒绝一个机会有时比抓住机会更重要。 这些人物不是用来预测普通人的平均生活，而是用来拓展模型的边界。它们像边界样本（corner cases），让我知道现实还可以怎样组合，人的能力、资本、作品、声誉和时间之间还可能存在怎样的关系。没有这些样本，一个人的模型可能在熟悉环境里运行良好，却从未意识到自己把多少可能性排除在了训练集之外。 不过，机器学习的类比也带来了一个必要的警告：如果训练集里只有极端成功者，模型同样会失真。它会过拟合幸存者，把运气误认为能力，把时代红利误认为普遍规律，把结果倒推成必然路径。因此，一套负责任的案例系统必须同时包含普通样本、极端样本和失败样本。普通样本提供现实基线，极端样本打开认知边界，失败样本揭示代价和失效条件。 真正要提取的，是隐藏在路径下面的结构 这也可以用我最近一直在思考的奇异值分解（SVD）来理解。面对一张庞大而稀疏的订单—零件矩阵，SVD 的目的不是复制某一份历史 BOM，而是从大量表面不同的配置中，提取隐藏在背后的潜在结构。案例研究也应该如此。 巴菲特、马斯克、Naval 和一个普通工程师的人生，在表面配置上差异巨大。出生、行业、资金、时代和性格都无法对齐。如果我们只比较表面动作，最终不是崇拜就是否定。但如果向下寻找潜在因子，我们可能看到一些跨案例反复出现的结构：长期训练形成判断力，把稀缺能力转化为所有权，通过作品建立分发，利用工具扩大杠杆，在反馈中调整资源配置，并为未来保留选择权。 这并不意味着这些原则在任何环境中都有效。它们仍然需要结合个人约束进行转译。案例研究真正训练的能力，不是模仿，而是从独特路径中抽取共性，再判断这些共性在自己的条件下是否成立。我们不复制历史配置，而是识别历史配置背后的潜在结构。 阅读是在购买一种认知期权 我曾经把储蓄理解成“把今天的一部分自己留给未来”。现在看来，阅读也存在类似的时间结构。一本书中的某个概念今天未必能够执行，却可能在未来某个具体情境出现时，帮助我识别一个原本会被忽略的机会。 这种知识更像一种认知期权。我今天不必立即行权，也不必假装自己已经具备全部条件。但因为我曾经接触过这些语言和模型，当新的资源、问题和机会出现时，我不再从零开始理解。思想没有直接替我改变生活，却扩大了未来可以被我识别和选择的路径。 这也解释了我为什么想做 KnowWrite。传统阅读的问题之一，是大量笔记在记录之后就沉睡了。它们没有消失，却很难在真正需要的时候重新进入思考。KnowWrite 想做的，不只是把 Kindle 标注导出来，而是让过去读过的思想在未来提出新问题、写文章或做决策时被重新调用。阅读的价值不一定在读完当下兑现，它可能在数年以后与一个现实问题重新相遇，才完成真正的转化。 因此，阅读笔记并不是知识仓库里的收藏品，而是未来思考可以调用的资产。一本书、一段经验和一次对话，只有在新的问题中被重新组合，才会从静态信息变成判断力。 AI 时代，我们更需要那些偏离平均值的思想 我曾经把 AI 理解成一种共识生成器（consensus generator）。大模型能够快速生成一个领域里的公共常识、常见路径和平均答案。这极大降低了进入一个新领域的成本，但也意味着仅仅知道共识会越来越不稀缺。 ...