2024 年底，我进入比亚迪，开始做汽车热管理。第一次真正接触项目时，负责带我的同事恰好不在现场。我对业务、软件和工作流程都不熟。很多时候，我在电脑上点两下鼠标，就得停下来问一句：“下一步该做什么？” 几个月后，我用 Python 写出的工具开始在团队内部使用，我也第一次站到同事面前，讲解它解决了什么问题、应该怎样使用。这两个画面之间没有天赋觉醒，也没有突然开窍。中间只有一连串很普通的动作：不会，记录，犯错，重做；熟练之后发现低效；抱怨之后，再多问一句——这件事能不能被改变？ 回看工作第一年，我真正完成的变化，不只是从不会到会。 我开始从只能适应工作，走到尝试改造工作中的一小部分。 为保护同事与内部信息，文中对项目、工具和组织细节做了必要模糊处理。 一、一个没有准备好的开局 我并不是为这份工作准备了很多年。本科时，我读的是过程装备相关专业；研究生阶段，我做的是掺氢燃烧与 CFD。毕业前，我原本还在申请海外 PhD。后来，我在两周内改变方向，开始找工作，随后进入汽车行业。 燃烧、流体和传热的基础并非毫无用处，但它们不能自动变成工程经验。我在学校里更习惯边界清楚的问题：题目给出条件，老师知道答案，学生按照某套方法求解。真实工作却不是这样。问题可能只以一句模糊的需求出现；需要哪些输入、怎样判断结果、出了异常该找谁，往往都不会同时写在一张纸上。 刚入职时，我经历过一段“漂浮期”。每天坐在工位上，看起来很忙，心里却不知道自己究竟该掌握什么。身边的人都有任务，只有我像一块尚未接入系统的零件。 我当时有一个隐含期待：先把整套业务学会，再独立做事。后来才发现，工作并不按这个顺序发生：你不是学会以后才开始做，而是在开始做以后，才知道自己究竟要学什么。 对新人来说，第一项真实任务的价值不只在于交付。它会把抽象的“我要尽快成长”，压缩成一组可以回答的问题：哪个步骤不懂？哪个判断没有依据？什么结果才算正确？遇到异常应该怎样定位？任务给学习划出了边界，压力也第一次有了方向。 二、工作不是一场闭卷考试 第一个项目开始后，我最明显的感受是害怕。我怕问得太多，显得基础差；也怕不问，最后把事情做错。因为负责带我的同事不在现场，我只能把一个大问题拆成许多小问题，向不同的人求助。于是就出现了那个略显狼狈的状态：每操作几步，停下来确认；理解一点，再往前推进一点。 一开始，我把这种频繁请教看成能力不足。后来我才意识到，我当时的问题不在于问得多，而在于有没有让答案沉淀下来。所以，我开始记录：记操作步骤，也记每一步背后的判断；记别人给出的答案，也记自己原来错在哪里；记报错是怎样发生的，更记下一次应该先检查什么。当天弄清的问题，尽量当天整理。遇到相似任务时，先查自己的记录，再决定是否需要打扰别人。 这些笔记最初只是为了活下来。它们像一根临时拐杖，让我第二天不至于回到原点。但记录得多了以后，我发现自己正在建立一张属于新人的业务地图：哪些环节彼此关联，哪些规则最容易混淆，哪些异常经常一起出现。这张地图不完整，也未必漂亮，却比“我好像懂了”可靠得多。 工作不是闭卷考试。请教、查资料、复盘都不是作弊。真正重要的是，每一次借来的答案，能否逐渐变成自己的判断。 三、熟练以后，我才开始看见低效 随着任务逐渐熟悉，我不再需要每走一步都问人。也正是在这个阶段，我第一次清楚地看见流程里的重复劳动。有些操作本身不难，却需要不断点击、核对和重复输入。做一次还可以接受，连续做很多次，人就会烦躁。最初，我也把这种烦躁当作工作的一部分：既然流程一直如此，也许忍一忍就过去了。 但抱怨里其实藏着信息。当一件事让人反复厌烦，可能不是因为人不够有耐心，而是因为任务中存在尚未被识别的自动化机会。于是我开始问：哪些步骤必须由工程师判断？哪些只是机械重复？输入和输出能否被明确描述？出错以后，程序应该如何提醒人，而不是替人悄悄做决定？ 我用 Python 写了一个很粗糙的脚本，尝试处理其中一部分重复操作。第一版并不好看。它没有完整界面，只覆盖我眼前最熟悉的情形。但它确实跑通了。原本需要反复操作的过程，第一次被我拆成一组可以交给程序执行的步骤。 这件事带来的成就感，并不只是“我会写 Python”。更重要的是，我第一次感受到：一个员工除了接受流程，还可以在理解流程之后，对它提出新的实现方式。 抱怨只说明哪里让人痛苦；把痛苦翻译成清楚的问题，改变才真正开始。 从那以后，我再遇到重复工作，会刻意区分三件事：什么不能省，什么可以标准化，什么值得被工具化。这个判断本身，比某段代码更重要。代码会过时，具体软件会变化，但识别问题、划清边界和验证结果的能力可以迁移。 四、把自己踩过的坑，变成别人可以绕开的路 一个只在自己电脑上运行的脚本，很容易给人一种虚假的完成感。自己知道输入放在哪里，也知道程序出现异常后应该手动检查什么。换一个人使用，这些没有写下来的前提就会全部暴露出来。当同事开始试用我的工具时，我收到的问题比预想中多：输入不符合预期怎么办？结果该怎样核查？某个特殊情况是否适用？程序为什么没有按预期运行？这些反馈让我意识到，个人脚本和可复用工具之间，隔着的不是更复杂的代码，而是对他人负责。 我开始补充输入检查、异常提示和使用说明，也重新审视自己习以为常的规则。后来，我又做了一个用于辅助表格一致性核查的小工具。它的业务逻辑并不神秘，困难在于把散落在经验里的判断，变成明确、可检查的规则。为了向同事说明工具，我必须回答几个此前可以含糊带过的问题：它究竟解决什么？不解决什么？输出是否可信？使用者怎样发现程序没有覆盖的情况？ 讲解工具的过程，也是在重新理解工作。如果一套方法只有我能运行，它更像个人技巧；当别人能够理解、使用、质疑和验证时，它才开始成为团队资产。分享不是开发结束后的包装，而是检验思路是否完整的一部分。 这也是我工作第一年里一个很重要的转折。过去，我主要关心“这项任务我能不能完成”；后来，我开始关心“我解决问题的方式，能不能让下一次工作更容易”。 五、AI 放大的，是已经想清楚的问题 在完善第二个工具的通用编程部分时，我第一次更系统地使用 AI 辅助。我只让它处理公开、通用、边界清楚的编程问题。例如解释一个不熟悉的 Python 概念，提供通用界面的实现思路，或提示一段不含内部信息的示例代码中可能存在的明显错误。这些工作过去需要我翻很多资料，现在可以更快获得起点。 在不接触内部背景的前提下，AI 并不知道我真正面对的业务问题。它不知道哪些判断必须保留给工程师，也不知道某个结果在现实工作中意味着什么。核心规则仍然需要我从任务里抽取，再通过内部资料和同事确认。我也给自己划出了一条边界：公开可查的编程概念和通用实现，可以请 AI 协助；涉及内部流程、数据与设计规则的内容，必须留在合适的内部环境中处理。 这段经历让我对“AI 提高效率”有了更具体的理解。AI 可以很快给出代码草稿，却不能替我决定什么值得自动化；可以给出一个看似完整的答案，却不能替我为结果负责；可以放大执行速度，却不会自动补上我对问题的理解。 当问题没有想清楚时，AI 很可能只是让模糊更快地变成代码。 因此，真正稀缺的并不是会不会复制一段程序，而是能否在具体工作里发现问题，定义输入与输出，识别风险，并知道最后应该由谁判断。 六、从完成任务，到积累可以复用的资产 如果只看职位描述，我的第一年大概可以被概括为：从跨专业新人，逐渐学会了本职工作，并额外做了两个小工具。但对我来说，真正留下来的不只是这些结果。我学会了在没有准备好的时候开始，用真实任务决定学习顺序；学会了把提问变成记录，再把记录变成自己的判断；也学会了把抱怨拆成需求，把个人解决方案推向可以被别人使用和检验的工具。 这些变化让我开始用另一种眼光看待工作。工资当然重要，完成组织交付的任务也很重要。但一段工作经历除了产生工资和项目结果，还可以留下可迁移的专业能力、处理问题的方法、合作中的可信度，以及对真实系统的理解。具体工具和工作成果应当遵循公司的归属与保密要求；能够合规地沉淀在个人身上的，是定义问题、建立方法和承担结果的能力。 这正是 The Worker Investor 想追问的问题：一个仍然依赖工资、身处组织中的普通人，怎样让自己的劳动不在任务结束后完全归零？答案不是把公司的东西变成自己的，也不是把每一项工作都包装成副业。答案是认真完成工作的同时，问清楚自己正在积累什么：今天遇到的问题，是否提高了明天的判断？这次踩过的坑，是否沉淀成了方法？一次性的劳动，是否留下了可以复用的能力？ 回到刚入职时那个每点两下鼠标就要问人的自己，我并不觉得那段狼狈需要被掩饰。它说明我确实从不会开始，也说明后来的变化不是凭空发生。一年里最重要的进步，不是我终于可以少问几个人，也不是我多会写了几段 Python，而是当我再次遇到一件重复、混乱、令人烦躁的工作时，我开始知道应该怎样靠近它：先理解，再拆解；先记录，再验证；最后问一句—— 这一次，我能不能不只把事情做完，还让下一次做得更好？

——我为什么提出 The Worker Investor 与 Human Capital ETF 最近，我在 Twitter 上读到一位创作者重读《从0到1》后的笔记。原帖只是触发器；真正留在我脑中的，是书里几个彼此相连的问题：人能否用明确计划塑造未来，而不是把未来当成彩票？为什么新项目应当从一个足够小的市场开始？什么尚未成为共识、却可以被证据检验的“秘密”值得追寻？为什么产品之外还必须重视销售与分发？1 这些问题表面上属于创业，真正击中我的却不是“我要不要创办公司”，而是一个更基本的问题：一个人能否主动设计自己的未来，而不是只在别人设计好的结构中提高执行效率？ Peter Thiel 把创业公司理解为围绕一项明确计划组织起来、并有机会主动设计未来的一群人。许多 worker 的日常处境则不同：我们负责完成任务，却很少决定任务为何存在；我们参与项目，却通常不拥有项目的最终方向；我们创造价值，却主要获得当期工资；我们不断提高生产率，却未必能把生产率的增长保存为自己的长期资产。 也正是在这个意义上，《从0到1》并不只属于创业者。它迫使我重新思考：我的职业究竟在累积什么？ 我后来把答案拆成两个相互嵌套的框架：The Worker Investor 是普通劳动者保存劳动成果、建立资产与选择权的身份和方向；Human Capital ETF 是其中用 Core、Growth、Distribution 和 Meta 配置时间、精力与能力的内部方法。前者主要回答“劳动结束以后留下什么”，后者主要回答“怎样配置那个持续产生劳动成果的人”。 一、一个越来越高效、却不必然更安全的 worker 现代职场最矛盾的地方在于，worker 拥有了比过去更强的工具，却不一定因此拥有更稳固的位置。自动化、数字化和 AI 提高了个人能够完成的工作量，但效率增长不会自动转化为个人收入、时间自由或长期所有权。 国际劳工组织 2026 年发布的十年回顾显示，全球劳动收入份额从 2015 年的 53.0% 降至 2025 年的 52.6%。这不意味着每一名 worker 的绝对收入都下降，也不能用来衡量某个人的具体贡献；它说明的是，在劳动与资本之间的功能性分配中，流向劳动的相对份额在这十年里略有下降。2 AI 可能进一步改变这种分配，但方向并不单一。一篇 IMF 工作论文使用英国家庭数据和任务模型进行分析，结果显示：如果 AI 替代高收入岗位中的任务，工资差距可能缩小；如果 AI 与高收入劳动高度互补，较高收入者的生产率和劳动收入反而可能增长得更快。与此同时，在模型中，AI 带来的资本需求和资本回报上升，会因为资产持有本来就高度集中而扩大财富差距。换言之，AI 对工资差距的影响取决于替代与互补的强弱，对财富差距的影响则与谁拥有资本密切相关。3 于是，一个 worker 可能出现一种奇怪的处境。假设他借助 AI 完成了过去需要两个人才能完成的工作，他并不会自动获得两倍工资或一半工作时间，反而可能迎来更高的产出标准。工具增强了 worker，却不一定增强 worker 对增强结果的所有权。 技能组合也在持续重组。世界经济论坛《Future of Jobs Report 2025》的雇主调查显示，受访雇主平均预计，到 2030 年，worker 现有技能组合中 39% 将发生转变或变得过时。这是企业对未来五年的预期，不是已经观察到的统一折旧率，但它仍然说明：仅靠一次教育形成的能力组合，很难覆盖完整职业生涯。4 ...

——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”。 这些解释未必只有一个正确答案。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 式的动作”，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。这一理论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 的案例更接近这篇文章的核心：组织同样会被原来的问题困住。1968 年，戈登·摩尔和罗伯特·诺伊斯创办 Intel 时，半导体存储器不是产品组合中的普通一项，而几乎就是公司对“我们是谁”的回答。1970 年推出的 1103 DRAM 推动半导体存储器取代磁芯存储，并在次年成为当时全球销量最大的半导体器件。存储器由此承载了 Intel 的创业历史、工程荣誉和组织身份。要求 Intel 离开 DRAM，不像关闭一条表现不佳的产品线，更像承认：曾经创造自己的那项能力，已经不能继续定义自己的未来。4 ...

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。 ...