当答案越来越便宜，普通人应该拥有什么？

——从一场家庭饭局谈起：知识、问题、AI 与 Ownership

一、从周六的一场交流说起

上周六，10 月 24 日，我和堂哥一起吃饭。席间，我们聊起工作，也聊起我这一年多以来围绕工作、投资与人力资本所做的思考，尤其是正在写的《The Worker Investor / 工资之外》。从关注工资、储蓄和投资，到经历投资亏损后重新理解自己的人力资本，再到思考普通人如何通过学习、创造和积累扩大未来选择，我逐渐形成了一套关于工作、个人成长与 Ownership 的认识。

在交流过程中，我忽然想到一个问题：我们为什么一定要发现人类尚未发现的知识，才算创造了价值？

过去几百年，科学家建立了大量关于数学、物理、化学和工程的知识体系。它们被写进论文、教科书和技术标准，成为文明的重要积累。但人类已经知道的东西，与人类已经充分应用的东西之间，仍然存在很大的距离。

我们知道牛顿运动定律，并不意味着所有复杂机械系统的问题都已解决；掌握流体力学的基本方程，也不意味着实际工程中每一个流动、压力和传热问题都能被准确预测。我们拥有关于组织管理、经济学和个人成长的许多理论，也不意味着这些知识已经改变了每一个需要它们的人的生活。很多时候，知识已经存在，仍然缺少将它带入具体处境的人。

这让我产生了两层感受。第一，对我这样的工程师来说，学习前人已经形成的知识，经过实践去解决身边的问题，往往比一开始就试图独自推动学科最前沿的突破，更容易在有限时间内得到可验证的结果。第二，当一种方法已经得到充分验证，继续把它打磨得更精致，未必始终是最有价值的下一步。把它讲清楚，让更多尚未掌握的人能够使用，也可能产生很大的收益。

例如，我学会利用 Siemens NX 的 PMI 功能进行工程标注后，会自然想到怎样把实践方法沉淀为文章、工具或教程。我对工作、收入、投资与个人成长形成新的理解后，也希望把它组织成《The Worker Investor》，让处于相似处境的人能够阅读、检验和应用。

但继续想下去，一个更深的问题出现了：如果我们创造并传播了价值，究竟有什么能够留在自己手中？

这就是我想讨论的 Ownership。当 AI 开始改变知识生产、传播和问题解决的成本时，这个问题变得更加迫切。答案越来越容易获得以后，我们究竟应该积累什么，才能让自己的劳动持续创造价值？

二、文明的进步，不只发生在知识前沿

我尝试把参与文明进步的位置分成三个相互关联的前沿。这是我理解问题的一种划分。

第一个是 Knowledge Frontier，知识前沿。尚未理解的物理规律、尚未证明的数学猜想、尚未发现的自然现象，都位于这条边界之外。科学研究不断推进人类对世界的理解。

第二个是 Application Frontier，应用前沿。这里追问的是：已经知道的知识，还有哪些没有转化为实际能力？热力学和流体力学的理论已积累很久，但要据此设计一套稳定、可靠、高效的新能源汽车热管理系统，仍需要大量工程工作。设计者必须考虑真实材料、制造误差、控制策略、环境变化、成本与可靠性。同一个科学原理进入不同场景，会遇到不同的工程约束。

第三个是 Distribution Frontier，传播前沿。一种知识或方法已被少数人掌握，却尚未被更多需要它的人理解、获得和应用。一位有经验的工程师，可能用几分钟解决新人困扰数小时的问题；一套简单的自动化程序，可能让许多人免于重复操作；一本有用的书，也可能让一个人提前看见过去没有意识到的问题。知识分布的不均衡，留下了教学、工具和传播能够发挥作用的空间。

这三条前沿相互推动。已有知识进入工程应用，工程应用产生新工具和新设备，新工具又扩大探索能力，使新的科学发现成为可能。

天文学就是一个例子。科学家能看到什么，不只取决于理论，也取决于光学、材料、航天与计算能力。NASA 的詹姆斯·韦布空间望远镜，主镜直径约 6.5 米。由于镜面大于发射火箭可容纳的尺度，工程师把它设计为可折叠的分段结构，在发射后展开。¹ 一个科学目标，必须经过材料、制造、运载、部署与控制，才能变成实际观测能力。

饭局中，我也谈到马斯克的经历，当时把一个与博士研究有关的故事记成了天文学。后来核对他在 2016 年 Y Combinator 访谈中的自述，计划在斯坦福研究的其实是电动汽车先进储能技术；他后来把研究计划搁置，选择在 1995 年开始互联网创业。²

这段经历让我继续追问：一个人是否一定要亲自完成最前沿的科学研究，才能帮助科学向前走？有人发现规律，有人设计仪器，有人编写软件、制造设备，也有人建立企业，组织资金、人才与供应链。不同环节都可能扩展人类认识和改造世界的能力。

基础研究仍然不可替代；缺少长期研究，应用与传播也会失去新的知识来源。对我更有用的判断，是根据自己的能力、资源与现实条件，找到能够开始贡献的位置。对许多普通工作者来说，利用已有知识解决一个真实问题，就是可行的起点。

三、继续提高一点，还是让更多人学会？

假设一个人已掌握一种方法，能够稳定解决某类实际问题。他可以继续深入，把方法从 95 分提高到 96 分、97 分；也可以把已经验证的方法整理出来，让更多人学会。两种投入都可能有价值，但它们的边际收益并不相同。

我曾把这个选择想成：“继续提高 1%，还是让另外 99% 的人学会？”这里的比例只是比喻。对于安全关键系统、科学测量或工程可靠性，最后一点精度可能决定方案能否使用；对于大量成熟工作方法，限制价值发挥的却可能是它没有被充分传播。

一套自动化方法如果只有一个人掌握，只能节省他自己的时间。如果它被整理成教程、软件或流程，帮助几十人、几百人减少重复劳动，影响范围就会扩大。不过，传播也需要投入：说明适用条件、处理不同环境、回答问题、维护版本，往往与最初做出一个可用方案一样具体。

这使我开始区分三个过程：Value Creation，创造价值；Value Distribution，传播价值；Value Capture，获得其中一部分回报。掌握技术只是创造价值的潜力，把技术做成有效方案，才产生可验证的改变。传播让方案被更多人使用；至于能否获得持续回报，还需要产品、权益安排、商业模式与维护能力。

因此，我越来越不满足于只把知识储存在笔记里。我希望学习产生实际成果，一次实践留下可复用的方法，这些方法又能够接受他人的使用与检验。学习得到的答案，应该有机会进入创造、验证与传播的下一轮。

四、当 AI 开始大量生产答案

过去，一个人的优势可能来自读过别人没读过的书，掌握别人不熟悉的技术，或者知道某类问题的解法。现在，生成解释、代码与候选方案的成本正在下降。一个人不必先读完所有 API 文档，就能借助 AI 开始尝试开发软件；刚接触数值计算的人，也可以让 AI 解释有限差分法、有限体积法，并协助写出初步程序。

但候选答案的生成成本，和可靠方案的交付成本，是两件事。代码可以很快出现，适用性、正确性与现实效果仍需要判断。

2026 年 10 月 22 日，陶哲轩在《Nature》发表文章，讨论 AI 给数学研究带来的变化。他指出，AI 辅助产生的证明可能快于数学家理解与吸收它们的速度；他也担心，研究者害怕自己的方向被借助 AI 的竞争者抢先完成，会削弱公开分享问题的传统。³ 这是他对数学研究生态的观察与判断，不能直接推广为所有学科都已进入相同阶段。

在更早的《Mathematics in the age of AI》中，陶哲轩把问题拆得更细：得到解答以后，还需要验证正确、清楚解释、被共同体理解和接受，最后融入领域的知识体系。他的后续分析有一个明确前提：假设 AI 能以合理成本完成相当一部分研究级数学任务，再讨论数学界应该重视什么；文章并没有把所有未来能力都当成已实现的事实。⁴

这让我重新理解“问题已经解决”这句话。一个结果已经出现，不等于我们理解它；一个结果通过验证，也不等于它已经被讲清楚、被其他人使用。知识生产之后，还有一条通向公共理解与实际应用的路。

我也因此觉得，“AI 时代，答案不再重要，重要的是提出好问题”仍然说得不够完整。AI 同样可能帮助发现问题、提出假设、设计实验和选择方向。如果我们只是从掌握答案转向擅长提问，依然是在寻找一种可能被技术继续改变的优势。

我希望积累的，是一整套能力：识别重要问题，判断它是否值得投入，组织资源，尝试方案，验证效果，再从结果中修正自己的理解。具体答案可以替换，这个过程仍需要不断发生。

五、一个答案与一种解决问题的能力

用我熟悉的工程场景来想，区别会更清楚。假设一套车辆热管理系统在水泵快速升速时，出现异常的瞬态压力峰值。这是一个用于讨论的假设场景。

我们知道一些流体力学原理，也能借助 AI 推导方程、建立简化模型、生成仿真代码。但接下来要问的是：这个压力峰值能不能用水锤模型解释？管壁弹性与流体压缩性是否需要考虑？这些因素本来就是水锤分析的重要组成部分。⁵ 橡胶软管、储液箱中的气体、水泵动态特性、传感器响应与边界条件，又分别在这个具体系统里起多大作用？

当仿真与实测不一致，继续提高计算精度未必能解决问题。也许需要更换物理模型，也许需要重新确认测量方法，还可能是此前遗漏了某个机制。方程求解只是其中一步。工程师还要判断，自己究竟在求解什么。

这让我形成了一个判断：一个具体答案可以被替代，认真解决问题的过程却有机会改变解决者自身。

例如，我今天开发一套 NX 自动化工具，几年后软件厂商也许就会提供更完善的原生功能。届时，旧程序可能不再有明显的使用价值，但其中训练的软件架构、API 阅读、流程抽象、调试与验证能力，可能继续进入新的项目。

这种留存也不会自动发生。如果每次都让 AI 完成任务，自己既不理解关键原理，也不分析失败原因，更没有提炼通用方法，做过很多项目未必等于获得了可迁移的经验。

所以，我希望在 Equation to Code 中长期训练的，是从真实现象出发发现问题，建立假设，形成模型，通过计算与实验检验它，并在模型失效时重新构建问题的能力。把方程变成代码，是这条链上的一个环节。

六、为什么现在动手，与十年后得到答案不同？

和堂哥交流时，我还提出了另一个问题。今天面临的一些难题，十年后也许已经由科学家、工程师、企业或 AI 解决。假如到那时可以直接获得成熟答案，我们为什么还要现在动手？

我觉得两条路径之间有一种不对称。

选择等待的人，十年后也许能够直接使用成熟技术。这当然有价值，许多事情也确实值得等标准、成本和工具成熟后再做。今天就开始尝试的人，则可能在这段时间积累能力、经验、作品、信誉与合作关系。即使别人后来给出更好的答案，这些积累也未必一起消失。

如果尝试成功，他可能成为早期贡献者，留下公开研究、被使用的产品或持续的客户关系。如果没有成功，他也可能通过排除错误假设、掌握新技术、理解现实约束，为下一次挑战做好准备。

但失败只有经过反思、验证和迁移，才可能成为能力。重复十年同一种错误，不等于获得十年的有效经验。提前投入也有机会成本：它会占用时间、金钱、健康与其他方向的空间。先解决问题未必能占有市场，先发者可能被超越，技术可能过时，需求也可能从来没有成立。

因此，我更愿意用一个条件选择问题：即使具体答案被替代，这次投入还会留下什么？如果答案是可迁移的能力、经过检验的方法、值得信任的作品与关系，这个问题就有了当前结果之外的价值。

尽早动手的理由，来自这些可以保存的东西；投入的规模，则应该与自己能够承受的损失相匹配。

七、Ownership：我们究竟能够拥有什么？

这是整场交流中我感受最深的部分。我越来越认为，一个普通人应该主动争取对问题的 Ownership，但这个词需要拆开理解。

谈到运动规律与万有引力，人们会想到牛顿；在微积分的发展史上，牛顿与莱布尼茨分别作出了重要贡献，二人又围绕发现优先权发生过争议。相关历史研究也提醒我们，今天接受两人独立发展微积分，并不意味着当时的贡献认定毫无争议。⁶ 科学发现、发表、署名与社会认可，本来就是不同过程。

一个人获得署名和认可，不意味着他能够独占某个科学问题，更不意味着他天然拥有这个发现产生的全部经济收益。我所说的 Ownership，至少需要分成四层。

第一层是认知上的掌握，我把它称为 Cognitive Ownership。一个人研究过问题，理解机制、局限与适用条件，就获得了不能靠复制文件直接取得的能力。这里的“拥有”是比喻，它不构成对知识或问题的法律排他权。

第二层是 Attribution，贡献的署名与认可。论文、文章、代码、实验记录和产品，能够让贡献被他人发现、引用与评价。能力如果没有可核对的证据，外界未必知道它存在。

第三层是 Asset Ownership，资产的合法拥有或控制。例如合法拥有的作品权益、软件、品牌与股权。第四层则是经济收益权：当作品、产品或企业创造收入时，个人能否根据股权、许可、销售或其他安排获得回报。

四层相互关联，却不会自动转换。一个人可能擅长解决问题，却没有相应的产品或经济权益；另一个人没有亲自完成技术发明，却可能因为拥有企业股权、销售渠道或关键资源而分享长期收益。

David J. Teece 在 1986 年的《Profiting from Technological Innovation》中讨论过这个问题：为什么创新企业未必获得创新的主要经济回报？他指出，在技术容易被模仿等条件下，制造、渠道和服务等互补性资产，会影响创新收益流向谁。⁷ 这不要求创新者自己拥有所有环节，却说明技术成果进入市场，还需要其他能力与资源。

Value Creation ≠ Value Capture。

创造价值与获得回报之间，需要具体的连接。放到普通工作者身上，问题本身不必成为谁的财产，科学知识的公开传播与技术共享也值得维护。我们可以争取的是：持续承担研究与解决责任，让贡献有证据可查，并在合法、合理的条件下保留自己创造的成果与权益。

我希望这种 Ownership 能够被作品证明：我认真面对过这个问题，推动它得到改善，也留下了能够继续使用的东西。

八、AI 越强，哪些东西仍然稀缺？

Ownership 也让我想到现实世界与互联网中的资源。AI 能够加快网页、软件、图片和文章的初步生成，却不能让相关资源都变成无限供给。土地、能源、设备、特定地理位置与工程基础设施，仍受到物理条件和制度安排的约束。

在互联网中，我开始关注域名所承载的长期网络身份。例如 openai.com、spacex.com，人们识别的不只是一个字符串，也包括这个地址上持续出现的作品、服务和品牌。

这并不意味着域名总量固定。ICANN 的新通用顶级域名计划仍在扩展命名空间，网站也可以通过子域名或共享平台运行。域名注册本身是与注册商之间的合同关系，受到注册、管理、转移和续费等规则约束。⁸ 网站生成得更多，不能直接推出所有域名都会升值。

我更看重的，是一个地址能否逐渐成为可信入口。读者是否知道能在这里找到什么，过去的链接是否仍然有效，作品有没有真实案例支持，维护者能否持续回应问题。这些都无法靠快速生成一个页面直接获得。

这也是我建设个人网站的意义。我希望文章、工具和项目拥有一个长期维护的公开入口，可以被访问、引用、改进和传播，而不是在不同平台的信息流中很快消失。一个网站积累的作品与信任，可能让下一项作品更容易被发现。

但域名注册权、作品版权、数据使用权、软件权益和企业股权各有条件。拥有独立网站，也不等于拥有用户，更不等于自动获得他们的信任与付费意愿。网站需要维护，联系需要对方愿意继续，回报需要有实际需求。

AI 降低部分生成成本以后，这些连接、责任和资源约束，仍然值得认真经营。

九、从 Human Capital 到 Productive Assets：劳动留下了什么？

这又回到《The Worker Investor》最初的问题。一个普通人劳动，最直接的回报是工资。工资支付生活成本，形成储蓄，也为金融投资提供本金。但如果只把工作成果理解为当月收入，就会忽略劳动带来的其他积累：专业知识、问题意识、判断、经验、合作关系与未来机会。

进一步看，有些经验还能形成重复使用的代码、方法、作品和系统。我把其中的关键问题称为“劳动回报的可存性”：一次劳动结束以后，有多少价值能够留下，由个人合法保有，并参与未来的创造？

这涉及储蓄，也涉及能力、作品与长期权益。在《The Worker Investor》内部，Human Capital ETF 是我用来配置这些个人资源的框架：Core 保护健康、现金流与专业基础；Growth 通过学习和试验拓展能力；Distribution 让成果被发现、理解和使用；Meta 帮助我检查目标、反馈与资源配置。Ownership 贯穿四个仓位，提醒我辨认哪些积累在自己身上，哪些成果属于组织，哪些需要另外建立合法权益。

例如，在工作中开发自动化工具，可以提高岗位生产率，也可以训练自己的编程与工程能力。但工具的代码、数据和其他成果涉及工作职责、合同、知识产权与保密边界，不能因为由我完成，就自动成为可公开销售的个人资产。WIPO 对就业中创作成果的说明也强调，权利归属存在法律与制度差异，需要结合适用规则和约定判断。⁹

通用能力可以继续成长，企业成果的公开与使用则需要遵守相应边界。在有权开展的范围内，独立形成通用方法、公开教程或软件产品，才可能逐步建立能够合法保有的作品和权益。

这里有一条值得关注的路径：

劳动 → 能力 → 可复用成果 → 传播与使用 → 合法的长期资产与收益

每个箭头都需要条件。能力不会自动变成产品，公开作品不会自动带来用户，有用户也不等于愿意付费，收入更不等于可持续的商业模式。长期积累，需要识别并修复这些环节之间的断点。

十、工具越强，越值得走进真实问题

当 AI 能写代码、生成文章与方案时，一种诱惑是：既然答案可以直接取得，我是否还需要花很多时间学习和尝试？

对于希望建立独立能力的人，我觉得仍然需要。调用工具可以提高效率，但如果完全放弃理解现实、建立判断与承担验证责任，我们得到的可能主要是当次输出。下一次换了场景，仍然不知道该怎样检查它。

与此同时，AI 的发展也降低了尝试一些问题的门槛。过去，因为不会编程，我可能无法验证一个工具构想；因为缺少指导，不敢研究复杂模型；因为不熟悉制作工具，难以把知识转成作品。如今，部分障碍可以在与 AI 的协作中逐步跨过。

市场需求、竞争、资源与执行条件仍然存在，这些变化不能推出“人人都能轻松创业”。但我至少获得了更多开始试验的机会。AI 给我的意义，也在于能够参与过去难以参与的创造过程。

这对传播提出了相应要求。一个系统能快速生成看似正确的内容时，知识来源、适用条件和错误风险需要被更认真地检查。传播会同时放大价值与错误。如果方法还没有充分验证，一篇写得漂亮的教程也不能使它成为成熟方案。

我希望自己形成的工作顺序是：发现问题，尽早尝试；形成答案，认真验证；积累经验，及时沉淀；具备传播条件，再让更多人使用。

十一、把一次次项目连成积累

回看目前的几个项目，我看到一条共同线索。在工程工作中，我会注意重复、低效、容易出错的流程，尝试用自动化改善它们；在 Equation to Code / ACPEF 中，我希望训练从物理现象出发、建模、编程和验证的能力；在《The Worker Investor》中，我尝试把工作的体验、个人成长的方法，以及对劳动、资本与 Ownership 的理解，沉淀为可以公开阅读和讨论的作品。

它们都在回答同一个问题：一个普通人怎样通过学习和解决现实问题，把有限时间转化为可以保留的能力、成果与选择？

我想把这个过程连成一个循环：

1. Problem Awareness，发现问题。 从工作、生活与观察中识别困难和未被满足的需要。
2. Investigation，研究问题。 学习已有知识，寻找前人方法，形成解释与假设。
3. Execution，尝试解决。 编写代码、设计工具、开展实验，或者制作其他实际方案。
4. Validation，接受检验。 用数据、用户反馈与实际结果判断效果，必要时回到问题定义。
5. Externalization，沉淀成果。 把可靠方法、代码、知识与经验整理为能够保存和复用的作品。
6. Distribution & Ownership，传播并保留价值。 在适当的权利与商业安排下，让成果被使用，维护作品，也保有相应权益。

这个循环不保证项目成功，但能帮助我检查积累发生在哪里。项目结束时，除了任务是否完成，我还想知道：有没有获得新能力，改善一个真实问题，留下可验证、可复用的成果？有没有形成支持下一次行动的信誉、关系与资源？自己有权保留的部分，是否已经被妥善保存？

如果这些东西总是随着交付一起消失，忙碌就很难变成下一轮的基础。如果它们能够保存下来，新的工作就有机会从更高的起点开始。我在《技能不会消失，只会上移》里讨论的，也是能力如何从一个具体操作，进入问题、模型、产品与系统的更长链条。

十二、假如未来 AI 能解决几乎所有难题

最后，我还想把问题推到更远处。假设十年、二十年以后，AI 不只能写程序、求解方程，还能自主设计实验、发现问题和开展研究，那过去积累的知识与技能会怎样？这是一个思想实验，我无法确定它何时、以何种程度实现。

但我也找不到理由保证，人类会永远在某一种特定认知技能上领先 AI。把个人价值完全寄托在“AI 永远做不到这件事”上，基础可能并不稳固。具体技能会改变，已有资产也可能贬值，今天建立的系统仍然需要更新。

即使在这个假设下，目标、责任、资源与成果分配的问题也不会自动消失。技术能够帮助寻找方案，却不能凭生产率提高就保证收益被合理分配；生成作品变得容易，也不会自动赋予每个人信任、市场、资产与时间自由。我们仍要决定，哪些目标值得追求，谁承担后果，形成的成果由谁使用，收益如何分配。

这也是我会同时讨论 Agency、Ownership 与 Optionality 的原因。Agency 是主动介入现实、尝试改变它的能力；Ownership 是对成果、资产与权益的正当保有和控制；Optionality 则是这些积累带来的未来选择空间。

Agency → Value Creation → Ownership → Optionality

这条关系需要条件，也需要持续修正。我希望经过十年甚至更久的学习、实践与创造，在面对一个值得投入的问题时，自己能够拥有多一些能力、资源和时间，不必总因为最基本的条件不足而放弃。

在《资本不是为了让你停止工作，而是为了让你有权选择工作》中，我讨论过资本的这个用途。财务独立的意义，要进入生活才会具体起来：人可以决定把有限生命投入哪些工作、关系和承诺，也可以选择休息、照护，或者让一项兴趣保留为兴趣。

结语：不要只等待世界给出答案

回到周六与堂哥的交流，让我兴奋的是一个朴素的可能性：一个普通人能够借助前人积累的知识、现代工具与持续实践，更主动地参与世界的创造过程。

我们可以从身边的问题开始：解决一次长期困扰自己的工程难题，为一群人开发有用的工具，把成熟方法讲清楚，让更多人学会，或者帮助处境相似的人更早看见值得重视的问题。这样的贡献不必从改变整个学科或产业开始。

在这个过程中，我希望积累的不只是答案，也包括面对未知时调查、理解、尝试、验证和改进的能力。具体解法可以过时，认真实践中形成的经验、作品、信誉与权益，则有机会进入下一轮。

这也是《The Worker Investor》想表达的事情：在发薪日，我们配置金钱；在两次发薪之间，我们配置自己。

对我来说，配置自己的一种方式，就是走进那些尚未得到妥善解决的问题，并反复检查这次努力留下了什么。十年后，也许今天的答案已被更好的技术替代；如果解决它的过程扩大了我的能力，留下可用的作品，也让我更有条件面对新的问题，这段时间就仍然参与着未来。

一个答案可能失去稀缺性。我希望用更长时间建设的，是一个能够持续学习、发现问题、创造价值，并保留成果的自己。

参考资料