终身学习

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。 ...