Essay

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。 ...

最近，我读到了 Paul Graham 的一篇文章，题目叫《How to Earn a Billion Dollars》。文章来自他在 Oxford Union 的一次演讲。Paul Graham 试图回答一个看起来有些夸张的问题：一个人究竟怎样才能赚到十亿美元？ 他给出的解释并不复杂。一家创业公司最终能够成长到多大，主要取决于两个变量：它的增长率，以及这种增长能够持续多久。增长率取决于产品是否足够好，好到用户愿意主动把它推荐给朋友；增长能够持续多久，则取决于市场中还有多少尚未被满足的需求。如果一家公司能够在一个足够大的市场里保持指数增长，那么它的价值就可能在很短的时间里迅速上升，创始人所持股份的价值也会随之增长。 Paul Graham 之所以熟悉这个问题，是因为他长期处在创业公司的世界里。他是一名程序员、写作者和投资人，早年参与创办了 Viaweb，后来又与 Jessica Livingston、Robert Morris 和 Trevor Blackwell 共同创办了 Y Combinator。自 2001 年开始，他不断在个人网站上发布关于编程、创业、财富、教育、写作和人生的 essays。但真正吸引我的，并不只是他对十亿美元、创业公司和指数增长的解释。读完这篇文章以后，我产生了另一个问题：用户愿意付费，是否就意味着社会变得更富有？ Paul Graham 在文章中建立了一条非常有说服力的因果链：一家公司做出了用户真正需要的产品；用户因为喜欢这个产品而主动传播；传播带来持续增长；增长进入足够大的市场；公司最终变得非常有价值。从企业和创始人的角度看，这个逻辑是成立的。但如果把视角从一家公司的增长，进一步拉远到整个社会，我觉得还有一个问题没有得到回答：一家公司的高速增长，可以证明它发现了某种强烈需求，但它是否必然意味着社会生产率得到了提高？换句话说，用户愿意使用和付费，证明产品拥有私人市场价值，却不一定自动证明它扩大了整个社会的生产能力。 我开始想象一个最简单的小岛。假设岛上只有两个人。一个人捕鱼，另一个人种椰子。他们原本各自生产食物，然后进行交换。后来，其中一个人花费很长时间开发了一款软件。这款软件不能帮助他们捕到更多鱼，也不能种出更多椰子，不能降低运输成本，不能减少劳动时间，更不能帮助他们制造新的工具。它唯一的功能，是向另一个人提供情绪陪伴。另一个人很喜欢这项服务，愿意用二十条鱼购买它。 那么，小岛的 GDP 是否因此增加了？小岛是否真的变得更加富有？这款软件究竟是在创造新的价值，还是只是在重新分配原来已经存在的鱼和椰子？这个问题看起来简单，但继续推演以后，我发现它迫使我们区分几个经常被混在一起的概念：收入、GDP、生产率和社会福利并不是同一件事。 小岛上的三种情况 第一种情况是，一个人只是无条件把二十条鱼送给另一个人，而后者没有提供任何新的商品或服务。这只是财富转移。一个人少了二十条鱼，另一个人多了二十条鱼。岛上的鱼没有增加，椰子也没有增加，总产出没有变化。支付和转移本身并不创造 GDP。只有新的商品或服务被生产出来，才形成新的产出。 第二种情况是，软件确实提供了一种真实的情绪服务。购买者从中获得了陪伴、娱乐、安慰或者审美体验，并认为这种体验值得二十条鱼。这时，软件服务可以被视为一种新的最终服务，因此可能被计算进 GDP。GDP 本来衡量的就是一定时期内生产出来的最终商品和服务的市场价值，而不只衡量工厂、机器和生产工具。但这仍然不意味着小岛的生产率提高了。生产率所讨论的是投入与产出之间的关系。例如劳动生产率通常衡量每小时劳动能够生产多少产出。只有当同样的劳动时间可以捕到更多鱼、种出更多椰子，或者生产同样数量的食物所需时间更少时，我们才可以说生产率提高了。情绪软件可能增加了一种消费体验，却没有扩大原有的物质生产能力。 第三种情况则更加复杂。假设种椰子的人原本每天可以生产一百个椰子。为了开发和维护这款软件，他减少了用于种植的时间，最终只能生产六十个椰子。小岛因此少了四十个椰子，却多了一项价值二十条鱼的情绪服务。在这种情况下，即使软件产生了收入，社会仍然付出了真实的机会成本。如果损失的椰子价值高于新增服务创造的价值，小岛的实际产出和生活水平甚至可能下降。 因此，用户愿意付费只能证明一件事：对这个具体用户而言，情绪服务的边际价值高于他为此支付的二十条鱼。但这不能单独证明整个小岛的生产能力因此得到了提高。 GDP 增长不等于生产率增长 这个小岛实验让我逐渐意识到，我们至少需要区分三种不同的价值。第一种是 private value，私人价值。用户是否愿意购买、订阅、使用和推荐产品？公司能否因此获得收入和增长？这是市场能够直接观测到的部分，也是 Paul Graham 在《How to Earn a Billion Dollars》中主要讨论的层面。 第二种是 productive value，生产价值。产品是否让社会用更少的劳动、资本、能源和材料完成更多事情？它是否减少了等待、浪费和错误？是否让原本闲置的生产要素获得了更高的利用率？第三种是 social value，社会价值。把消费者福利、长期能力、健康、注意力、环境影响、分配问题和各种外部性全部考虑进去以后，这个产品是否让社会整体变得更好？ 这三种价值有时会重合，但并不总是重合。一款优秀的工程软件可能同时拥有三种价值：企业愿意付费，因为它减少了成本；它提高了工程师的生产率；它也减少了材料浪费和安全事故。一款娱乐产品可能具有很高的私人价值和社会福利价值，却不明显提高生产率。音乐、电影、文学和游戏没有必要把每个人变成效率更高的劳动者，才有资格被称为有价值。 还有一些产品可能拥有很高的收入和估值，却没有创造与之匹配的社会净价值。它们的商业模式可能依赖注意力劫持、成瘾机制、信息不对称、虚构稀缺性或者地位竞争。用户花费了更多时间和金钱，公司也获得了增长，但社会并没有因此积累更多能力、知识或者选择权。所以，市场增长是一个非常重要的价值信号，却不是社会价值的完整证明。 Paul Graham 所说的“财富”还可以继续细分 事实上，Paul Graham 很早就讨论过 money 与 wealth 的区别。在《How to Make Wealth》中，他认为金钱不是财富本身，而是一种移动和交换财富的媒介。真正的财富是人们想要的东西：食物、房屋、工具、旅行、健康，以及各种能够改善生活的产品和服务。他还特别指出，财富可以在没有被出售的情况下产生。科学知识和开源软件可能不直接带来交易收入，却可以让许多人变得更安全、更健康、更有能力。 ...

Human Capital ETF uses portfolio thinking to understand personal development. It treats health, core expertise, transferable skills, learning ability, judgment, writing, AI fluency, reputation, and public work as assets that can compound, depreciate, interact, and require rebalancing. It is not a financial ETF, security, investment fund, or financial product. It is a framework for deciding how to allocate limited time and energy across capabilities with different risks, time horizons, and possible returns. ...