AI

——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？ ...

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？ ...

我越来越强烈地感受到，知识只有从一个人的脑海进入另一个人的脑海，才真正完成了它的社会流动。 阅读、思考和学习，首先改变的是我自己。但如果这些理解始终停留在我的脑海里，它们就只是一种私人体验。只有当我尝试把它们写下来，将模糊的感受转化为语言，将零散的问题组织成结构，将个人经历放进更大的知识背景中，它们才可能成为别人可以理解、借用和继续思考的东西。 从这个意义上说，知识输出并不是简单地“把我知道的东西告诉别人”，而是完成一次认知转译：把散落在书籍、论文、互联网和个人经验中的信息，重新组织成一种适合特定问题、特定处境和特定读者的表达形式。 把理解写出来或解释给别人，也可能反过来促进学习。教育研究发现，在明确的学习任务中，围绕学习内容写作，以及为讲授而准备和实际讲授，平均都能改善知识掌握；不过，这些收益依赖任务设计与解释方式，不能被扩展为“任何输出都会自动带来成长”。1 一、需求产生于现实与可能性之间的距离 人为什么会产生需求？最直接的答案是：因为某种状态尚未得到满足。 人会因为生存、工作、收入、健康和关系而产生现实需求，也会因为渴望成长、理解世界、获得自由和实现自我而产生更高层次的需求。但需求并不仅仅意味着“我缺少某件东西”，它更深层地意味着：一个人已经隐约意识到，自己现在所处的位置，与自己希望到达的位置之间存在距离。 问题在于，人往往能够感受到不满，却无法准确描述问题；能够意识到生活不对，却不知道究竟哪里出了问题；希望改变，却不知道存在哪些可行路径。因此，很多需求最初并不是以清晰的问题出现，而是以焦虑、困惑、挫败、羡慕、疲惫或者反复失败的形式出现。 一个人可能会说：“我不喜欢现在的工作。”但他真正面对的问题，可能是技能无法迁移、收入结构单一、劳动成果无法积累，或者个人价值完全依附于组织评价。一个人可能会说：“我想学习。”但他真正需要的，可能不是更多课程，而是一套判断什么值得学习、如何把学习变成能力、如何把能力变成作品的方法。一个人可能会说：“我想投资。”但他真正缺少的，可能不是股票代码，而是对现金流、风险承受能力、时间跨度以及自身人力资本的理解。 需求开始成形，常常意味着一个人意识到：现实可以不是现在这个样子。 二、知识的价值，不在于被知道，而在于降低改变的难度 互联网并不缺少信息。关于职业、投资、学习、写作、健康和个人成长，人们几乎可以找到无限多的内容。真正稀缺的，不再是信息本身，而是以下几种能力： 识别自己真正面对的问题； 从海量信息中找出与问题相关的部分； 理解不同知识之间的关系，而不是把它们当作互不关联的碎片； 将抽象的知识翻译成自己现实条件下可以采取的行动。 许多人并不缺少阅读能力，也不一定缺少学习意愿。他们真正缺少的是一个能够帮助自己完成“信息—理解—判断—行动”转换的中间结构。 因此，一篇文章的价值，不仅在于它是否提供了新知识，更在于它是否完成了某种转换： 把说不清的感受转化为可以讨论的问题； 把孤立的经历放进一个更大的解释系统； 把专业概念转化为普通人能够理解的语言； 把宏大的理论转化为现实中的判断框架； 把“我应该改变”进一步推进为“我可以从哪里开始改变”。 真正有价值的内容，不只是增加读者知道的东西，而是降低读者理解世界和改变自己的成本。 三、内容创作者不是知识的搬运者，而是问题的组织者 一个人不需要发明所有知识，才能创造有价值的内容。事实上，很多重要思想都建立在前人工作的基础上。新的价值往往并不来自创造一条前所未有的信息，而来自重新提出问题、重新选择材料、重新建立联系，并将已有知识放进一个新的现实情境之中。 不同的人面对同一批知识，会产生完全不同的作品，因为每个人的经历、问题意识、价值判断和现实约束都不同。 我从投资亏损出发，重新理解人力资本、工资、现金流、风险与长期积累，于是逐渐形成了 Human Capital ETF。我从普通职场人的现实处境出发，思考一个劳动者如何保存自己的劳动成果，如何避免全部价值都随着工时结束而消失，于是逐渐形成了 The Worker Investor。 这些概念并不是凭空出现的。它们来自经济学、投资学、教育学、组织理论和个人经历的交汇。但真正使它们形成独立价值的，不是其中某一条知识，而是我所提出的问题：对于一个缺少资本、资源和确定性的普通劳动者，什么才是最值得长期配置的资产？ 问题一旦改变，知识的组织方式也会改变。因此，我所做的并不是把互联网上的信息重新排列一遍，而是以自己的现实问题为中心，对已有知识进行重新筛选、重新组合和重新解释。这是一种带有立场的知识组织，也是一种带有责任的认知设计。 四、AI 降低了知识组织的成本，但不能替代人的出发点 AI 的重要意义，不只是提高写作速度。它更深层的价值在于，降低一个普通人调动知识、比较观点、寻找线索、检查逻辑和组织表达的成本。 至少在特定的职业写作任务中，随机实验已经观察到这种成本下降。Noy 与 Zhang 对 453 名受过大学教育的专业人士进行预注册实验，发现使用 ChatGPT 后，平均完成时间减少 40%，输出质量提高 18%。不过，这些任务较短且相对自包含，结果不能直接外推到所有知识工作。2 另一项针对 758 名顾问的随机实验呈现了更清楚的边界：在一组适合模型能力的咨询任务中，AI 提高了速度与质量；在一项超出模型能力边界的任务中，AI 使用者正确作答的比例反而更低。工具能够扩展搜索与表达，却不能取消核验和最终判断。3 过去，一个人产生一个问题之后，可能需要阅读大量书籍、搜索大量资料，才能初步知道这个问题在人类知识体系中处于什么位置。现在，AI 可以帮助我生成检索线索、比较不同观点、寻找潜在的相关概念与反例，并协助检查结构和组织表达；其中涉及事实与出处的内容，仍然需要回到原始资料核验。在我的实践中，它使个人能够以更低成本，整理过去往往需要更多时间或协作才能处理的信息。 但 AI 不能替代最关键的部分。它不知道什么问题真正困扰着我，不知道哪些经历改变过我的判断，也不能替我决定什么值得说、什么不应该说、什么结论需要保留边界。它可以提供材料，却不能代替我的问题意识；可以生成表达，却不能代替我的真实经历；可以提出许多可能性，却不能代替我的判断与责任。 因此，人与 AI 之间更合理的分工是：人提供问题、经历、立场、判断和最终责任；AI 提供检索线索、比较、扩展、组织和表达杠杆。人的价值不是与 AI 比拼信息量，而是决定信息应该围绕什么问题被组织，以及这种组织最终要帮助谁。 五、从一篇文章到可复用的知识资产 当这些思考被持续写成文章时，它们就不再只是一次性的内容，而会逐渐形成一种可以被检索、引用、连接和重复使用的公共知识资产。 我曾把个人网站比作一座公开的思想档案馆。但档案的价值不只在于保存，也在于为读者从模糊需求走向清晰问题提供入口。一篇文章可能只解决一个很小的问题，许多文章长期连接起来，却会逐渐形成一套解释系统。 读者可能先从“工资为什么难以复利”进入，随后理解劳动成果为什么需要被保存；再进一步理解人力资本为什么需要配置，普通劳动者为什么需要建立 Growth、Distribution 和 Meta；最终，他开始重新看待自己的工作、学习、收入和未来。 ...

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？

——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。 ...