——从 Daniel Plainview 的行动系统，到 Worker Investor 的 Meta Governance 第一次看《血色将至》（There Will Be Blood），最容易被 Daniel Plainview 吸引的，并不是他的财富，而是他的商业头脑。他有一种极其强烈的行动感：看到信息，迅速判断；判断成立，就立即行动；遇到瓶颈，就想办法穿过去。他很少等待所谓“完美信息”，也很少把问题推给别人。他面对世界的基本姿态是：这里有东西，我要去看看；这里有机会，我要把它拿下来；这里有障碍，我要解决它。 这是一种很强的 agency。 但《血色将至》真正有意思的地方在于，它同时展示了这种能力的两面性。Daniel 几乎把一个 worker 能拥有的执行力、商业判断、资源整合、风险承担和所有权意识发展到了极致；可当这些能力沿着错误的目标函数不断复利时，他最终得到的却不是自由，而是一座更大的监狱。 这也是为什么这部电影非常适合放进 The Worker Investor 和 Human Capital ETF 的讨论中。 ...
——从 Journal 到真实环境验证：AI 降低的是实现门槛，而不是工程责任 上一篇文章中，我讨论了一个问题：工作经验在什么条件下，才能成为真正的资产？ 我以智能管路 PMI 标注为例，提出了一条转化路径：把任务提升为问题，把经验提炼为规则，把规则写入系统，再把系统沉淀为作品。 但那篇文章没有详细回答一个更具体的问题：当一个人并不具备软件开发经验时，他究竟怎样把自己脑海中的工程经验写入系统？ 因为在开始这项工作时，我对 NX Open 二次开发几乎一无所知。 我不熟悉 NX Open 的对象模型，不知道一个被鼠标选中的面，在程序中对应什么对象；不知道怎样通过代码读取组件名称、几何属性和中心线长度；也不知道应该调用哪些 API，才能在三维模型中创建带引线的 PMI 标注。 按照传统的学习路径，我似乎应该先学习 Python，再学习 NX Open，阅读开发文档，理解类、方法、Builder 和 Session，最后才有资格尝试开发插件。 但我最终走的并不是这条路径。 我没有先学会 NX Open，再开始解决问题。我先进入了一个真实问题，然后在不断解决问题的过程中，一点一点获得了完成下一步所需要的知识。 一、我不是从“学习开发”开始，而是从一个重复问题开始 我最初看到的，并不是一个软件开发项目。 我看到的是一组每天都可能重复发生的工程动作：在三维模型中找到一根管路，确认它对应的对象，查找名称，测量中心线长度，整理信息，再创建相应的标注。 完成其中一次操作并不困难。真正的问题在于，这些动作并不是只发生一次。车型变化、模型更新或者管路数量增加以后，同样的查找、测量、复制和核对还会再次发生。 于是，我开始问： 为什么每一根管路，都需要重新经历一遍近似的操作？ 如果工程师最终需要的结果具有相对固定的结构——名称、长度、对象信息和标注——那么这些信息是否可以直接从模型中读取？ 如果人工操作本身存在稳定步骤，那么这些步骤能否被软件重新执行？ 我当时还不知道具体应该怎样实现，但我已经知道自己想改变什么。 这一点后来变得非常重要。因为我虽然不懂 NX Open，却知道： 工程师实际会选择什么； 哪些对象是真正的管路； 哪些对象只是接头、管夹或附件； 哪些对象需要计算长度； 名称应该以什么形式显示； 什么结果对装配规范真正有用； 一个功能是否解决了现场问题。 换句话说，我缺少的是 Implementation Knowledge，也就是实现知识；但我并不缺少 Problem Knowledge，也就是问题知识。 AI 可以帮助我补充前者，但后者必须从真实工作中产生。 二、Journal 不是答案，而是让 AI 看见人的动作 NX 可以录制 Journal，把人在软件中完成的一系列操作，以程序代码的形式记录下来。1 于是，我产生了一个很直接的想法：既然我暂时不知道 NX Open 的正确写法，能不能先在 NX 中完成一次正确的人工操作，再把录制出来的 Journal 交给 AI 分析？ ...
AI 时代，普通人如何投资自己、积累产品与扩大未来选择权 前段时间，我和 AI 连续聊了很多天，反复讨论成长、投资、表达和未来选择。在这些对话中，我逐渐意识到一件事：很多人拥有经验，也产生过有价值的思考，但这些东西最终只停留在聊天、朋友圈、群聊和头脑中。真正困难的，不只是“知道”，而是把自己知道的东西组织起来，形成一种可以被别人阅读、理解、使用和传播的产品。 一本书，就是思想完成产品化之后的结果。工作一年多以来，我一边参与职场，一边实践股票、基金等金融产品投资。在这个过程中，我逐渐形成了三个长期想研究的问题，它们未来也可能分别成为三本书。 一、自己才是最重要的资本 第一本书要讨论的是：投资自己。 当一个人刚开始接触投资时，注意力通常集中在股票、基金、债券、黄金和房地产等金融资产上。我们会研究收益率、风险、估值和资产配置，也会寻找更加稳定、低成本和可持续的投资渠道。但当这些基础问题逐渐解决后，我越来越意识到：对于大多数普通人来说，人生早期最重要的资本，并不是证券账户里的资金，而是自己。 你的身体状况、职业能力、知识结构、判断力、表达能力、创造力、信誉、关系网络和学习速度，共同构成了你的人力资本。金融资本决定你目前拥有多少可以配置的钱；人力资本则决定你未来能够创造多少现金流、识别多少机会，以及能否在环境变化时重新建立自己的位置。 因此，投资自己不应该只是一句宽泛的口号，而应该像管理一个投资组合一样被认真对待。我们需要思考： 哪些能力是维持生活和职业稳定的核心仓位？ 哪些技能具有较高的增长潜力？ 哪些内容可以被公开表达、传播和复用？ 哪些反思、工具和流程能够持续提高整个系统的效率？ 自己不是一个等待被开发的单一技能，而是一个需要长期配置、持续再平衡的人力资本组合。 二、从打工者到投资者，不只是收入来源的变化 第二本书要讨论的是：一个 Worker 如何成为 Worker Investor。这里的 Investor，并不只是指购买股票的人。 一个人即使拥有证券账户，也可能仍然完全生活在“打工者思维”中：每天出售自己的时间，等待下一次工资结算，再用工资支付生活成本。这种模式最大的问题，不是打工本身，而是劳动没有留下可以持续积累的结果。如果一个人在两次发薪日之间，只完成了被分配的任务，却没有积累新的能力、作品、资产、关系、信誉和选择权，那么他的时间几乎被一次性消耗掉了。 从 Worker 到 Worker Investor 的转变，本质上是一种思维方式的转变：不再只问“这件事现在能给我多少钱”，而是开始问“这件事能否成为未来继续产生价值的资产”。工作当然可以提供工资，但工作还可以被转化为： 对一个行业更深入的理解； 可迁移的方法和标准； 能够重复使用的工具； 有代表性的项目和作品； 对外部世界有价值的内容； 更高质量的职业信誉； 下一次选择时更大的议价能力。 当这些东西逐渐积累起来，一个人获得的就不只是收入，而是未来的潜在选择权。你可能仍然在工作，但不再只能依赖这一份工作；你可能暂时没有创业，但已经在积累未来能够独立创造价值的条件；你可能仍然依靠工资生活，但你的时间、知识和现金流已经开始向资产转化。这才是从 Worker 到 Investor 更深层的含义。 三、真正值得研究的，不只是天才成功以后 第三本书要讨论的是：Before the Genius。 我们通常在一个人成名以后才认识他。我们看到的是企业、作品、奖项、财富、影响力和历史地位，却很少追问：在这些结果出现以前，他经历了什么？一个人的判断力是怎样形成的？他在还没有获得认可时接受过哪些训练？哪些早期经历看起来微不足道，后来却成为关键能力的来源？他经历过哪些失败、误解、绕路和长时间的无人关注？所谓天才，究竟是一种天生属性，还是大量因素在漫长时间中逐渐形成的结果？ 我真正好奇的，不只是 Genius，而是 Before。不是聚光灯照下来之后的那个人，而是聚光灯出现以前，他如何阅读、练习、工作、失败、选择和坚持。研究这些过程，并不是为了复制某一个伟大人物的人生，而是为了理解：一个人的潜力究竟如何被环境、训练、偶然事件和主动选择共同塑造。 四、AI 正在建立一条新的能力基准线 这三个问题之所以值得在今天重新讨论，是因为我们正在进入一个由人工智能深刻改变的时代。AI 首先是一种生产力工具。我们当然应该理解大语言模型的基本原理，但普通使用者不一定需要钻研所有技术细节。更重要的是理解它的基本机制：大语言模型从大量信息中学习词语、上下文和概念之间的关系，并据此预测和生成内容。1 从使用者的角度来看，我更愿意把 AI 理解为一条基于大规模人类知识和表达方式形成的能力基准线。它不等于人类智慧的上限，也不代表每个答案都正确，但可以提供整理、归纳、解释、翻译、改写、比较、生成框架和辅助推理等基础能力。在这条基准线之上，AI 对人的赋能至少有两种方式。 1. 帮助思维凌乱的人完成结构化表达 很多人并不是没有想法，而是不知道如何把想法组织出来。他们可能拥有真实的经历、敏锐的感受和独特的判断，但表达时缺乏结构，最后只能留下零散的句子。AI 可以帮助他们把碎片连接成逻辑，把模糊感受转化为明确概念，把一次聊天整理成一篇文章，把长期思考沉淀为一个框架。这意味着，过去因为表达能力不足而被埋没的经验，现在有机会被保存下来。 2. 帮助表达能力强的人降低整理成本 另一类人并不缺乏表达能力，他们缺少的是时间。他们可以高频地思考、说话、讨论和产生判断，但没有足够精力完成转录、分类、重写、校对和发布。对他们来说，AI 可以承担大量整理工作，让人把主要精力放在真正具有稀缺性的部分：观察、体验、判断、选择和提出问题。 因此，AI 并不是简单地取代某项能力，而是在重新分配人的能力结构。每个人都存在某种“水桶效应”：你可能在专业知识上高于平均线，却不擅长写作；也可能很有创造力，却缺少执行系统；可能表达很好，却不擅长检索、编程或视觉呈现。 AI 的价值在于实现能力互补：对于已经高于基准线的能力，AI 可以帮助你放大优势；对于低于基准线的能力，AI 可以帮助你迅速提高下限。它既可以扩大一个人的上限，也可以抬高一个人的底线。但前提是，人仍然要有自己的经历、判断和问题意识。否则，AI 只能生成一份平均而顺畅的表达，却无法替代真正属于你的洞察。 ...
——从买车、换手机，到投资、AI 与“做成一件事” 那天晚上，我和一个刚毕业不久的亲戚打了将近两个小时的视频电话。我们最开始聊的，只是一些极其日常的事情：晚饭吃了什么，最近有没有谈恋爱，家里谁准备买车，谁又想换一部苹果手机。但聊着聊着，话题逐渐从一辆车、一个手机，延伸到了储蓄、负债、投资、通货膨胀、AI、英语、城市、职业选择，以及一个人究竟应该怎样度过自己的一生。 后来我回头想，这场看似漫无边际的谈话，其实一直围绕着同一个问题：一个普通人，怎样才能不被眼前的消费和收入困住，而是一步步获得更多未来的选择权？ ...
——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。 ...