AI

——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。 ...

——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。 ...