Essays

——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？ ...

——从美国“失去的十年”、日本“失去的三十年”，到 Human Capital ETF 当我们谈论投资时，脑海中最先出现的通常是股票、基金、债券、黄金和房地产。我们关心收益率、回撤、估值和资产配置，却很少追问一个更基础的问题：对于一个主要依靠工作获得现金流的普通人来说，他真正拥有的资产，只有证券账户里的钱吗？ 我过去也习惯把“投资”理解为把工资的一部分转入金融市场。直到经历个股亏损、重新学习交易型开放式指数基金（exchange-traded fund，ETF）和资产配置之后，我才逐渐意识到：金融账户当然重要，但对一个刚工作几年的年轻人来说，它往往还不是资产负债表中最大的一项。真正决定未来十年处境的，可能是身体是否健康、职业能力是否增长、工作经验能否迁移、知识能否沉淀为作品，以及劳动成果是否逐渐转化为自己拥有的资产。 要理解这一点，最好的起点不是一句“投资自己”的口号，而是两段真实的金融史。 一、当金融市场失去的十年，恰好是你的黄金十年 假设你在 2000 年初刚满 25 岁，第一次拥有可以长期投资的钱。你没有追逐小盘妖股，没有使用杠杆，也没有频繁交易，而是买入代表美国大型企业的标准普尔 500 指数（S&P 500），随后长期持有。 这听起来几乎符合后来所有主流投资教育的建议。但你进入市场的时间是 2000 年。 根据纽约大学教授 Aswath Damodaran 整理的年度总回报数据，以 1999 年末和 2009 年末的累计价值复算，标准普尔 500 指数在 2000—2009 年的含股息累计回报约为 -9.1%，年化回报约为 -0.95%。这十年中，投资者先后经历了互联网泡沫破裂和全球金融危机，两次刚刚恢复希望，又重新遭遇重挫。1 这就是美国股市后来所说的“失去的十年”。真正令人不安的，并不只是账户少赚了一点钱，而是市场的十年与人的十年并不等价。对指数来说，十年只是走势图上的一个区间；对一个人来说，25 岁到 35 岁可能是学习能力最强、职业路径开始分化、家庭责任逐渐增加，也最适合进行长期积累的一段时间。 你可以等待市场最终恢复，但你无法把自己的 25 岁重新过一遍。 定投解决了入场问题，却没有取消时间问题 有人会说，只要坚持定投，就不会遭遇这样的结果。定投当然有价值。市场越低，同样的现金流能够买入越多份额；在 2008—2009 年仍然保持收入和投入纪律的人，也为后来的反弹积累了更多低成本资产。定投削弱了单一入场时点的影响，降低了投资者在顶部一次性投入全部本金的风险。 但定投并没有让“失去的十年”消失。它改变的是资金进入市场的路径，不能保证回报恰好在你需要的时候兑现。这就是金融投资中常被忽视的人生窗口风险：历史长期回报率是几十年乃至上百年数据的平均值，但每个人真正经历的，永远只是其中某几个不可重来的十年。 二、“失去的十年”并不是所有资产的失去 2000—2009 年并非一切资产都表现糟糕。根据同一组数据复算，美国小盘股中的底部市值组同期年化回报约为 9.0%，十年期美国国债约为 6.3%，黄金约为 14.1%。1 这些结果不能证明它们未来仍会重复，也不能证明投资者能够提前识别赢家，但至少说明：美国大型股的失去十年，并不等于所有资产的失去十年。 因此，这段历史首先给出的并不是“不要投资股票”，而是一个更传统、也更可靠的结论： 不要让整个金融未来依赖单一国家、单一风格和单一估值周期。 这里也必须尊重历史条件。今天的投资者可以用很低的成本买入覆盖整个美国市场乃至全球市场的 ETF，但这样的工具体系在 2000 年还没有完全形成。Vanguard Total Stock Market ETF（VTI）成立于 2001 年，覆盖全球发达市场和新兴市场的 Vanguard Total World Stock ETF（VT）则直到 2008 年才成立。23 ...

——从查尔斯·庞兹到麦道夫：一个 Worker Investor 对庞氏骗局的重新理解 开始工作以后，我第一次拥有了一笔可以被称为“资本”的钱。它不是从家庭继承而来，也不是创业融资，而是我用时间、劳动和职业能力换来的工资。也正因为如此，当我把工资投入市场并遭遇亏损之后，我开始意识到：一个普通劳动者进入金融世界时，首先需要学习的可能不是如何获得更高收益，而是如何判断自己究竟进入了什么地方。 这是真实的市场，是一个负期望的赌局，还是一个披着投资外衣的骗局？ 股票下跌不等于被骗。只要资产真实存在、交易真实发生，价格波动就是市场风险的一部分。但庞氏骗局不同：投资者看到的收益，从一开始就不是资产创造出来的，而是从后来者的本金中搬运过来的。研究庞氏骗局，实际上是在研究一个更基础的问题：钱究竟是怎样产生的？ 只要这个问题无法回答，所有收益率、账户余额和盈利截图，都可能只是精心设计的舞台布景。 一、什么是庞氏骗局？ 美国证券交易委员会（United States Securities and Exchange Commission，SEC）面向个人投资者的网站 Investor.gov 对庞氏骗局的定义非常直接：它是一种使用新投资者资金向早期投资者支付所谓“收益”的投资欺诈。由于系统几乎没有真实利润，它必须持续获得新资金；一旦新增资金减少，或者大量投资者要求退出，整个结构就会崩溃。1 从资金结构上看，真实投资和庞氏骗局之间存在一条清晰的边界： 结构 投资者收益来自哪里 企业股权 企业利润、现金流及未来增长 债券 借款人的经营收入与偿付能力 房地产 租金、土地及建筑物的使用价值 商品 真实供需与资产价格变化 庞氏骗局 后来投资者交进来的本金 因此，庞氏骗局最根本的问题并不只是“收益率太高”，而是： 系统内部没有足以覆盖承诺收益的外部现金流。 它可能持有少量真实资产，也可能进行部分真实交易，但如果支付给投资者的主要资金来自新增本金，那么它在经济结构上仍然是一个庞氏系统。 二、庞氏骗局并不是庞兹发明的 “Ponzi scheme”以查尔斯·庞兹命名，但类似机制至少在 19 世纪已经出现。1869 年，德国演员阿黛尔·施皮茨德在慕尼黑开始经营私人金融业务，以高额月息吸收资金，并依赖新资金支付早期参与者；这套系统在 1872 年崩溃，被视为有记录以来最早的一批庞氏型骗局之一。2 1879 年前后，美国波士顿的莎拉·豪创办了“女士存款公司”，主要面向未婚女性吸收存款，并承诺约 8% 的月度利息。早期储户获得的利息实际上来自后来者的存款；随着报纸展开调查，这套骗局在 1880 年被揭露。3 这段历史给我留下的第一个重要印象是：骗局通常不是凭空制造需求，而是进入一个真实存在的制度缺口。19 世纪的欧洲和美国正在经历工业化、城市化和金融普及。越来越多普通人开始拥有少量储蓄，但他们获取正规银行服务和投资信息的能力仍然有限。骗子并没有简单地告诉人们“把钱给我”，而是把自己包装成正规金融系统没有充分提供的替代方案： 更高的利息； 更容易理解的产品； 更亲切的人际关系； 对特定群体的照顾； 一种“终于轮到普通人致富”的希望。 这也是后来所有庞氏骗局不断重复的模板：先发现一种没有被满足的愿望，再用一个不可持续的资金结构去满足它。 三、查尔斯·庞兹：一个真实套利故事如何变成骗局 1919 年，生活在波士顿的意大利移民查尔斯·庞兹收到一封来自西班牙的信，信中附有一张国际回信券（International Reply Coupon，IRC）。这种回信券可以在一个国家购买，再到另一个国家兑换邮资。第一次世界大战后，不同国家的货币和邮资换算关系剧烈变化，理论上确实可能通过低价购入回信券、在美国兑换邮票并出售邮票，获得一定的套利利润。4 庞兹的故事之所以具有迷惑性，就在于它并非完全虚构：底层逻辑有一小部分是真的。真正的问题在于规模。即使单张回信券存在套利空间，也很难在短时间内购买、运输、兑换和出售足够多的回信券与邮票，从而支撑他承诺的巨额收益。 但庞兹没有向投资者展示采购记录、兑换凭证、交易对手和实际利润。他声称自己拥有遍布欧洲的代理网络，同时以“商业机密”为由拒绝解释具体过程。事后对其公司资产的审计只发现价值约 61 美元的国际回信券。5 庞兹最初承诺投资者在 90 天内获得 50% 的收益，后来进一步缩短为 45 天。第一批投资者确实按时收到了钱，于是他们成为最有说服力的广告。销售代理还可以从新投资中获得佣金，最终约有 4 万人卷入其中。5 ...

前段时间，我在学习文本向量化时重新读到 OpenAI 的 CLIP 论文。读着读着，我突然想起张首晟谈比特币的一场演讲。 一个是分布式账本。一个是把图像与语言放进同一套表示空间。它们解决的显然不是同一个技术问题，却让我反复想到同一个词：共识。 比特币试图让分散的节点对交易历史形成可验证的共同记录。CLIP 则从海量图文中学习：一张图片通常会和什么语言相遇。一个处理协议中的共同历史，一个处理数据里的语义对应。它们之间不存在可以直接画等号的证明，但这种距离很远的相似，改变了我理解 AI 的方式。 我开始追问：如果模型越来越擅长吸收那些已经被反复表达、记录并进入训练数据的模式，那么一个人的长期价值，究竟应该建立在哪里？ 一、共识并非没有成本，只是成本记在不同科目里 比特币白皮书要解决的核心问题，不是让世界从此不再需要信任，而是在没有单一可信第三方处理每笔支付的情况下，防止同一笔数字货币被重复花费，并让参与者接受一份共同的交易历史。它把交易写入持续增长的工作量证明链。想改写过去，就要重做那个区块及其后续区块的工作，并追上网络正在延伸的工作量证明链。1 这并没有让系统脱离一切依赖条件。它只是把对单一中心机构的依赖，换成了对公开协议、密码学证明、软件实现和诚实算力占优这一前提的依赖。 在工作量证明中，成本非常直白：CPU 时间和电力。张首晟曾用热力学中的熵来解释这件事：一个局部系统要维持有序，就必须把代价释放到别处。2 这个类比很有启发性，但我现在不会再把它写成一条由物理学证明的社会定律。热力学照亮了问题，却不能替代分布式系统的证明。 我由此得到的不是一条关于所有共识机制的定律，而是一个工程提醒：共识成本不会凭空消失，只是不同系统把成本记在不同科目里。 有的支付计算，有的支付通信和等待，有的依赖抵押、身份，或者对部分参与者的信任。稳定的共同状态不是一句“大家同意”就会自动出现，它需要一套可以持续校验、处理分歧并约束改写的机制。 二、CLIP 学到的不是世界，而是世界留下的图文痕迹 这里也必须把比特币与 CLIP 之间的距离说清楚。比特币用协议和资源成本，让节点收敛到一份共同历史；CLIP 不建立这种协议共识，它通过统计训练，从人类已经留下的图文配对中提炼规律。两者共享的不是机制，而是一条观察：分散的信息只有被组织成可以反复调用的结构，才会从噪声变成能力。 过去的视觉模型往往依赖预先定义的标签体系。ImageNet 就建立在 WordNet 的概念层级上：研究者先按类别收集候选图片，再通过众包判断图片是否真的呈现了目标概念。它把一套经过人确认的视觉分类体系扩展到了极大的规模。3 CLIP 换了一种做法。研究团队从公开互联网来源构建了约四亿组图文配对，让模型在一批候选中判断哪段文字和哪张图片真正配对。通过这种训练，图像和文字被投射进同一套表示空间，模型由此获得了跨任务迁移的能力。4 四亿组数据听起来仿佛足以覆盖世界。但它们并不是“世界本身”。公开网络、从英文 Wikipedia 高频词、部分条目标题和 WordNet 同义词集扩展而来的约五十万个查询词，以及后续的采样和平衡方法，共同决定了什么有机会进入训练集。CLIP 的预训练没有被锁死在 ImageNet 那样的固定类别表里，但人仍然通过语言、查询和采样方法参与塑造它的边界。 所以，我所说的“语义共识”不是 CLIP 论文里的技术术语，也不是比特币意义上的协议共识。它是我对这类模型的一种理解： CLIP 不是直接从世界读取意义。它从人类留在互联网上的图文配对里，学习视觉与语言如何相遇。 模型看到的世界，已经被人拍摄、筛选、命名、描述和上传过。它学到的不只是物体外观，也包括这些物体在特定网络语境中通常怎样被谈论。这些反复出现的对应关系，像一层沉积下来的意义基础设施。模型越能吸收它们，我们调用公共知识的成本就越低。 但一张足够大的地图，仍然不是全部领土。 三、MNIST：共识存在，却没有以模型熟悉的形状出现 CLIP 在许多自然图像任务上迁移得很好，却在机器学习入门者非常熟悉的 MNIST 手写数字上只有约 88% 的零样本准确率。论文作者检查预训练数据后发现，其中几乎没有外观类似 MNIST 的图片；甚至一个直接处理原始像素的简单逻辑回归模型，也能胜过零样本 CLIP。4 这件事最初让我兴奋，因为它似乎证明了：模型在高频区域强大，在共识稀薄的边缘失灵。 但这个说法并不够严谨。0 到 9 恰恰是人类最稳定的公共符号之一。MNIST 暴露的不是“数字缺少共识”，而是这份共识没有以黑底、低分辨率手写数字的形态，大量进入 CLIP 的训练分布。 所以，我今天所说的“共识密度”只是一把思考工具，不是一个可以从论文里直接读出的指标。它提醒我追问：一种经验有没有被记录，记录是否与语言形成了可学习的配对，最后又是否进入模型的数据分布。CLIP 的研究者在比较不同预训练数据时也谨慎推测，不同数据集上的性能差异可能反映相关数据在预训练材料中的相对密度。4 这支持了我的直觉，却没有把它变成一条普遍定律。 更准确的说法应该是：规模能够扩大模型覆盖的地图，但规模本身无法消灭地图的边界。 四、稀有不是价值，承担后果才是 张首晟在谈 AI 与数据时，设想过这样一个场景：如果一个模型已经有 90% 的准确率，要继续提高到 99%，真正需要的可能不再是更多相似样本，而是与已有数据差异足够大的信息。2 这不是一个已经被证明适用于所有模型的定律，却是一个很有力量的追问：当常规样本已经足够多，下一条重要信息会从哪里出现？ ...