Decision-Making

——从一场 7:2 的业余台球比赛，到 Simon Ramo、Charles D. Ellis 与 The Worker Investor 今年春节，我和几个朋友去打了一场台球。六个人分成 A、B 两队，每队三个人。我们都很久没有打过，水平其实差不多。就连美式落袋的具体规则，我也是到了现场才重新问 ChatGPT：哪些球属于自己，什么情况下算犯规，什么时候会给对方自由球。 规则几句话就讲清楚了。真正让我记住的，却不是规则，而是比赛过程中发生的一次战略变化。我们一共打了九局，最后 A 队以 7:2 获胜。如果只看比分，可能会以为双方水平存在明显差距，但事实并不是这样。我们没有谁技术特别好，也没有人能够稳定清台。真正拉开比分的，不是谁打出了更多漂亮的进球，而是谁更少把机会直接送给对方。 一、从“大力出奇迹”到不给对手机会 刚开始上场时，我的想法非常简单：尽量用力，把球打进袋。我好像本能地认为，只有进球才叫打得好；力度越大、角度越刁钻，越能证明自己的水平。至于白球最后停在哪里，目标球打丢后会给对手留下什么位置，甚至队友下一杆要面对怎样的局面，我都没有认真考虑。 问题是，我并没有稳定完成这些击球的能力。一杆没有打进，并不只是“少得一分”。如果目标球停在袋口，或者我没有先碰到己方目标球，按照我们当天采用的规则送出自由球，那么这一杆还会直接变成对手的机会。尤其当桌面上的球越来越少时，一次自由球往往就等于把整局比赛交了出去。 打了几局以后，我开始改变策略。我不再要求每一杆都必须进球，而是先守住两条底线：第一，先碰到己方目标球，不轻易犯规，不给对手自由球；第二，如果没有把握进球，就尽量控制白球的位置，把它停在一个让对手不舒服、但让队友下一杆更容易处理的地方。 这时，我思考的对象已经不再只是眼前这一杆。我开始考虑这一杆结束后的桌面，考虑对手接下来能看到什么球，也考虑队友再次上场时会接到怎样的局面。很快，A 队三个人形成了一种默契：不急着证明自己能进球，先不要把容易的机会留给对方。 结果是，B 队为了主动进攻，开始不断出现出界、犯规和送自由球的情况；我们反而从这些失误中得到越来越多的简单机会。当我不再要求自己“一杆取胜”，挥杆压力反而小了，力度更轻，动作更稳定，白球的位置也更可控。 那天我第一次非常具体地意识到： 在一群水平接近的普通人之间，真正拉开差距的，往往不是谁更强，而是谁更少犯低级错误。 二、五十年前，另一位业余球手发现了同一件事 几个月以后，我在 Howard Marks 的一段演讲中听到 Simon Ramo 的名字。Marks 也曾在 Oaktree 的备忘录中，用职业与业余网球解释投资中的“赢家游戏”和“输家游戏”。1 Ramo 不是职业网球运动员，也不是网球教练。他是一位系统工程师，曾参与美国早期洲际弹道导弹系统工程，并与 Dean Wooldridge 在 1953 年共同创办 Ramo-Wooldridge Corporation；该公司后来成为 TRW 的前身。1970 年，他出版了一本很薄的书——Extraordinary Tennis for the Ordinary Player，可以译为《普通球员的非凡网球》。2 他研究的不是职业选手怎样打出更快的发球，而是一个更朴素的问题：普通人究竟为什么会输掉一场网球比赛？ Ramo 观察后发现，看起来使用相同球场、球拍、规则和计分方式的网球，其实存在两种完全不同的游戏。职业选手之间的比赛是 Winner’s Game。双方很少出现低级错误，最终胜负通常由某位球员主动打出的制胜球决定，胜者真正赢得了分数。普通人之间的比赛则更接近 Loser’s Game。大量回合不是因为对方打出了无法回击的好球而结束，而是有人把球打进了网、打出了界，或者发球双误。获胜者未必创造了更多奇迹，只是把球留在场内的次数更多。 Charles D. Ellis 在 1975 年发表的经典文章 The Loser’s Game 中转述了 Ramo 的统计：职业比赛中，大约 80% 的分数是被主动赢下来的；业余比赛中，大约 80% 的分数则是由一方主动输掉的。Ellis 借此区分了 Winner’s Game 与 Loser’s Game：前者的结果主要由胜者的行动决定，后者的结果主要由败者的失误决定。3 ...

——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？ ...

那天晚上，一个高中生来找我聊天。 他还没有成年，成绩却已经从年级中游冲到了前列。这个变化至少说明，他不是一个完全没有执行力的人。他开始关心钱，关心基金，关心自控力，也关心自己未来能不能靠努力改变命运。 他告诉我，自己通过一笔小买卖赚到了第一笔 1000 块钱，然后把其中一部分用于小额基金投资。后来，他又在家长知情和参与下继续尝试，其中还有一点是家里暂时借给他的。 这笔钱不多，但对一个尚未真正进入社会的年轻人来说，它不是一个普通数字。那是他第一次用自己的行动，把“赚钱”“投资”“未来”这些词连在一起。 他来问我的问题很多：自控力是什么？30 岁以前赚到 1000 万有没有可能？标普 500 和纳斯达克 100 是不是已经太高？外网信息有没有必要看？英语怎么学？读书到底有没有用？怎么提高认知？ 这些问题表面上很散，背后其实只有一个问题： 一个还没有真正进入社会的年轻人，应该怎样理解钱、自己和未来？ 这篇文章是我对那次谈话的复盘。我回答的并不只是那个学生，也是在回答很多年前的我自己。 本文整理自一次真实谈话。为保护未成年人，部分可识别信息已经模糊处理。文中讨论的是风险、学习与长期积累，不构成针对任何人的投资建议。 一、1000 万可以放在远处，但不能压在眼前 他说，自己想在 30 岁以前赚到 1000 万。 我听到这个目标时，没有笑，也没有顺着他说“年轻人就要敢想”。我只是觉得，这个数字必须先被拆开。 1000 万不是一个小目标。拿年薪 30 万做最简单、也最不现实的乘法，十年的全部收入也只有 300 万，而且还没有扣掉税费、住房、生活和家庭责任。单靠一条普通工资曲线，从零走到 1000 万，本来就很难。 但我不是想打击他。年轻人有大目标没有问题。真正危险的是，大目标如果没有被拆成可以行动的小目标，就会变成一种持续压在眼前的幻觉。一个人每天盯着“30 岁、1000 万”，很容易觉得正常积累都太慢，最后被高收益、杠杆、投机和各种暴富故事吸引。 我更希望他把 1000 万放在远处，把眼前的台阶看清楚。先弄明白第一万块钱怎样稳定积累，再去想十万、一百万。前面的目标要细，后面的目标才可以大。 因为前面的每一步都在训练判断：怎样赚钱，怎样存钱，怎样面对亏损，怎样处理风险，怎样和家人沟通，又怎样把一个想法变成行动。 如果一个人连第一万块钱怎么稳定积累都不知道，直接讨论 1000 万，讨论的就不是财富，而是想象。 二、自控力不是逼自己，而是保护自己的方向 钱的问题很快又绕回了他最早的问题：即使知道自己想去哪里，怎样才能不被眼前的东西拉走？ 他告诉我，让他分心的东西主要有两个：同学的眼光，以及短视频的吸引。 这就具体了。自控力不再是一个空洞的品质，而变成了一组真实选择：当他想学习、想积累、想按照自己的节奏做事时，怎样不让别人的评价和即时娱乐替他决定注意力放在哪里？ 我一直觉得，自控力不是摆在桌面上的奖章，也不是一个人天生高级的证明。它只有放到目标旁边才有意义。真正需要自控力的时刻，往往是一个人要做某件长期有价值、短期却没有明显反馈的事情时。 后来我意识到，短视频和市场热点提供的其实是同一种诱惑：立刻得到反馈。一个让人继续刷下去，另一个让人急着下注。它们都在暗示，等待是浪费，缓慢积累不值得。 所以我真正想告诉他的，不是“你必须更自律”，而是先弄清楚自己想保护什么。一个人知道自己要去哪里，才谈得上不被每一条岔路带走。 三、小本金阶段，最怕的不是赚得少，而是太着急 小本金最容易让人急。 手里只有几千块时，4% 的账面变化看起来几乎没有意义。纯算术上，1000 万的 4% 是 40 万，同样的百分比放在不同本金上，感受当然完全不同。但这只是一个算术例子，不代表市场会稳定提供 4% 的回报，更不代表一个人可以每年无风险地取出 40 万。 本金越小，一个人越容易想要 40%，想要翻倍，想要一天涨几个点，想要尽快证明自己是对的。可投资表面上是在考验一个人懂不懂市场，实际上经常是在考验一个人懂不懂自己：能不能承认自己会错？能不能承认自己没有持续预测价格的能力？能不能在别人都讲暴富故事时，继续守住风险边界？ 他提到家里暂时借给他的那点钱时，我首先想到的不是怎样提高收益，而是亏损以后由谁承担。只要这笔钱需要偿还，它就不应该被拿去承担市场风险。家庭愿意提供一笔可以承受全部损失的学习成本，和一个人借钱证明自己的投资能力，是两回事。 我希望他从一开始就记住几条底线：不用借来的钱投资，不使用杠杆，不把全部资金压在一只股票上，也不用一次下注证明自己。保证金等杠杆交易用借来的钱扩大头寸，也会同步放大损失，极端情况下亏损可能超过最初投入。1 前期最重要的事不是暴富，而是不要让一次错误把本金和信心一起清零。 四、ETF 和定投，不是猜顶的工具 他问我，网上很多人说纳斯达克 100 和标普 500 已经到了泡沫顶部，应该怎么看。 ...

The Worker Investor 是如何开始的 The Worker Investor，中文名为《工资之外》，首先是一个常识，其次是一种 Mindset。这个常识是：对于绝大多数普通人而言，走出校园、进入社会后的原始身份，不是资本家、企业家或投资者，而是一名 Worker。在可以预见的未来，我们中的大多数人也将长期处于这种状态：不断投入技能、劳动，以及生命中最重要且不可再生的生产要素——时间，换取一份名为“工资”的生存资料。这是 Worker 的现实，也是 The Worker Investor 无法回避的现实。 但 The Worker Investor 并不是为了简单地区分 Worker 与 Investor，也不只是号召人们面对同一种现实，采取一种更加积极的心态。它真正试图回答的是：一个普通的 Worker，应该如何看待自己的 Work？又如何从现有的工作、工资和时间出发，逐渐成为一名 Worker Investor？这个问题不是我坐在书桌前凭空构造出来的。它来自我参加工作第一年经历的两次失败：一次是对时间的配置失败，另一次是对金钱的配置失败。The Worker Investor 的开始，就是我试图重新取回这两种配置权的过程。 从一名被动的 Worker 开始 2025 年 1 月 7 日左右，我以应届毕业生的身份正式参加工作。刚进入职场时，我几乎什么都不懂。面对陌生的软件、流程和任务，我常常每点击几下鼠标，就要停下来询问同事下一步应该做什么。经过一年多真实项目的训练，我逐渐掌握了完成工作的知识、技能与流程，也从一名不断接受安排的职场新人，成长为一名能够相对独立解决问题的熟练 Worker。在这个过程中，我开始频繁思考一个问题：除了每个月定期获得一份工资，我还能额外留下什么？ 工作当然给了我现金流。它让我能够支付房租、饮食、交通、订阅和日常生活，也让我第一次拥有可以自由配置的收入。但如果工作的全部结果，只是在每个月固定日期收到一笔钱，然后将这笔钱用于消费、储蓄和等待下一次发薪，那么过去一个月投入的时间是否真正改变了下一个月的起点？如果答案是否定的，那么工作就很容易退化为一种循环：投入时间，完成任务，获得工资，支付生活成本，然后再次出售下一段时间。在这个循环中，工资是必要的，却未必是充分的。它能够解决当下的生存问题，却不会自动创造未来的选择权。 我并不反对工作，也不认为一个人必须辞职、创业或逃离组织。我反对的，是把重复劳动当成人生的全部，把机械完成任务视为一个人进入社会后的唯一答案。机器可以重复执行指令，但人之所以区别于机器，正在于人能够理解现实、识别问题，并尝试对现实进行持续改造。人不仅能够完成流程，也能够改进流程；不仅能够消耗时间，也能够让过去投入的时间在未来继续产生价值。然而，在工作的第一年，我并没有真正做到这一点。 第一次失败：时间被消耗，却没有被保存 参加工作后，我首先失去控制的并不是金钱，而是下班后的时间。有些时候，我需要经常加班。完成一天的工作回到住处后，身体和注意力已经接近耗尽，很难再进行长期、系统的学习。另一些不加班的晚上，我又会在互联网上漫无目的地探索，在不同的信息、视频、工具、观点和可能性之间不断跳转。 这种探索并非毫无意义。它满足了我的好奇心，也让我接触到很多以前不知道的事物。但它始终是碎片化的。我看过许多内容，却没有形成稳定的研究方向；产生过许多想法，却很少把它们落实为持续项目；试用过许多工具，却没有建立能够长期运行的工作系统；投入了大量时间，却没有留下多少可以被重复调用的作品、能力或方法。一天结束以后，这些探索往往也随之结束。第二天醒来，我又回到几乎相同的起点。 现在回头看，这是我的第一次资产配置失败。我没有把时间配置给真正重要的事情，也没有为自己的时间建立记录、复盘和再平衡机制。时间虽然被使用了，却没有被保存；信息虽然进入了大脑，却没有转化为判断、能力和作品。我曾经以为，只要自己保持好奇、持续探索，就一定是在成长。但后来我逐渐意识到，没有方向、行动与沉淀的探索，也可能只是另一种注意力消费。如果阅读没有改变判断，学习没有形成能力，能力没有进入项目，项目没有成为作品，那么所谓的成长很容易停留在一种精神上的自我安慰。 第二次失败：我开始投资，却没有真正成为投资者 拿到工资后，我开始尝试金融投资。这是许多普通 Worker 很自然的一步。工资来自劳动，而投资似乎能够让劳动所得继续增长。相比把钱放在账户里，股票市场向我展示了另一种可能：只要能够找到优秀的公司，或者抓住未来的增长趋势，资金就可能实现复利。 最初，我配置过指数基金，后来又逐渐购买了一些个股。我希望通过自己的判断获得高于市场平均水平的收益，也希望证明自己能够找到真正具有增长潜力的公司。但当投资从分散配置转向个股集中之后，我得到的并不是想象中的复利，而是持续而直接的负反馈。我的 IBKR 账户出现了明显浮亏，一些个股仓位一度接近三成亏损。 真正值得反思的，并不只是股价下跌了多少。更重要的问题是：我希望通过判断少数公司的未来获得超额收益，却没有建立与这一目标相匹配的研究能力。我没有长期、系统地阅读财报，没有形成稳定的估值框架，也没有足够的信息优势，更没有投入专业投资者所需要的持续时间。很多时候，我购买的并不是一家经过充分研究的企业，而是一个关于未来的想象；我持有的也不只是一只股票，而是自己不愿意承认判断错误的情绪。 我会关注新闻、股价和市场叙事，却未必真正理解公司的商业模式、竞争优势、现金流质量和估值边界。这种行为表面上是在投资，实际上却更接近于用有限信息对不确定未来进行集中下注。这成为了我的第二次资产配置失败。第一次失败中，我错误配置了时间；第二次失败中，我错误配置了工资。更准确地说，我不仅损失了资金，也把大量注意力投入了一个自己并不具备明显优势的领域。市场价格的波动无法由我控制，但它却能够轻易牵动我的情绪。 ETF 教会我的，不只是如何投资金钱 持续的学习、阅读和实际亏损，让我逐渐认识到：对于大多数没有稳定研究体系、信息优势和充足时间的普通投资者而言，减少个股集中，通过低成本 ETF 进行分散配置，并根据风险承受能力定期再平衡，往往是一条更加稳健的路径。ETF 的价值，不只是购买了一篮子股票。它背后是一种资产配置思想：承认我们无法准确预测每一个单独资产的未来，不把整个组合重仓押在一个单点判断上，而是通过分散、权重控制和定期再平衡，在保留增长可能性的同时降低单点失败的风险。 但真正改变我的，并不是“以后多买 ETF、少买个股”这个结论。我开始意识到，自己在生活中也犯了与重仓个股相似的错误。如果我把全部未来押在一份工作上，那么岗位变化可能让过去的积累迅速贬值；如果我把全部能力押在某一项具体工具上，那么技术迭代可能使它失去价值；如果我只输入而不输出，那么大量阅读最终可能只停留在个人记忆中；如果我不断追逐新的方向，却不复盘和再平衡，那么所谓的成长也可能只是频繁换仓。 我开始提出一个新的问题：既然时间、工资和注意力都是稀缺资源，我应该如何配置它们，才能使今天的投入真正改变明天的起点？这也是 Human Capital ETF 的思想起点。 我不是一件等待提高收益率的物品 有一次，我向 ChatGPT 提出了一个问题：假如我每个月投入 100 美元，但不允许用于股票、基金或其他金融产品，而是用于非金融性投资，应该如何配置？回答并不复杂，大致包括书籍阅读、AI 工具订阅、技能学习、项目实践和持续输出内容。但这次看似普通的对话，让我开始重新审视“投资”这个词。 ...

面对大约一年的金融投资亏损，我最初提出的问题与大多数投资者并没有区别：怎样把亏掉的钱赚回来？是继续持有，等待市场反转；是趁价格下跌追加仓位；还是研究更多公司，寻找下一项能够弥补损失的投资？这些问题如此自然，以至于我一开始没有意识到，它们并不是由亏损这个事实自动产生的，而是由一套既定框架产生的：既然损失发生在金融市场，补偿也必须发生在金融市场；既然过去投入了时间和金钱，就应当继续留在原来的赛场；既然退出意味着承认判断错误，就应该尽可能证明过去的自己最终是对的。 后来，我开始提出另一个问题：为什么我一定要在同一个地方，以同一种形式，把这笔亏损赚回来？ 我真正想获得的究竟是账户回本，还是长期资产、所有权与未来选择权？如果我的最终目标并不是证明自己能够预测市场，而是让今天积累的价值能够进入未来，那么金融投资是否只是实现这一目标的众多工具之一？写作、专业能力、技术工具、个人网站、内容渠道和长期作品，能不能同样构成资产？当我开始这样提问时，亏损并没有消失，但它已经不再是原来的问题。 这可能就是人与人面对同一种困境，最终却进入不同世界的原因：困难本身不会自动使人成长，真正改变一个人的，是他最终学会了提出什么问题。 一、我们常常不是找不到答案，而是被原来的问题困住了 人们通常把问题看作一种中性的存在，仿佛它只是对现实的客观描述。事实上，每一个问题都预先规定了一部分答案。当一个人问“我怎样才能在公司里得到更高的工资”时，他默认的解决空间是提高绩效、争取晋升、切换岗位或者更换公司；但如果他问“我怎样才能让今天的劳动在工资支付之后仍然产生价值”，写作、知识沉淀、工具开发、作品建设、股权和独立渠道才会进入视野。前一个问题研究的是组织如何提高对我的定价，后一个问题则开始研究：除了接受外部定价，我能否形成某种自己拥有的东西？ 这并不意味着第二个问题必然比第一个问题高尚。工资增长对普通人非常重要，主业现金流也是其他尝试能够持续的前提。真正重要的是意识到：问题不是现实本身，问题只是我们对现实的一次切割。 不同的切割方式会突出不同变量，也会隐去不同可能。 例如，投资亏损可以被描述为“我选错了一只股票”，于是行动重点是改善选股；也可以被描述为“我的仓位与风险承受能力不匹配”，于是行动重点变成资产配置；还可以被描述为“我把过多时间投入了一个不具备比较优势的领域”，于是需要比较金融研究与职业成长、写作、技术开发之间的机会成本；进一步，它还可以被描述为“我过去对资本的定义过于狭窄，只看到了可以交易的金融资本，却没有看到能力、作品、渠道和判断力”。 这些解释未必只有一个正确答案。它们更像从不同高度绘制的地图：比例尺越大，局部细节越清楚；比例尺越小，结构关系越完整。问题意识不是永远追求更宏大的解释，而是知道自己正在使用哪一张地图，以及这张地图遗漏了什么。 所以，当一个问题长期没有得到解决时，我们或许不应立刻问：“我怎样才能更加努力？”我们可以先问：“我现在努力回答的，究竟是谁提出的问题？这个问题默认了什么目标、什么身份和什么赛场？” 二、所谓“Transformer 式的动作”，不是积极思考，而是重新表征问题 我愿意借用 Transformer 作为一种认知隐喻，但必须说明：人的思考当然不等同于人工神经网络。这个隐喻有价值，是因为 Transformer 的关键并不是把序列中的元素彼此隔离，而是在上下文中重新计算它们之间的关系。2017 年的《Attention Is All You Need》提出了以注意力机制取代循环与卷积的 Transformer 架构：它通过自注意力直接建模序列中不同位置之间的关系，并用位置编码保留顺序信息。1 类似地，真正的视角转换也不是给同一个事实换一种更乐观的说法，而是改变事实之间的关系、重要性和解释位置。一次亏损放在“账户回本”的上下文中，注意力会集中在买入价格、当前价格和未来反弹；放在“个人资本配置”的上下文中，注意力会转向本金规模、职业阶段、时间成本、风险暴露、知识优势和替代机会；放在 The Worker Investor 的上下文中，问题又会变成：一个依赖工资的普通人，应该如何同时配置金融资本、人力资本和能够形成所有权的作品资产？ 因此，一次真正的认知变换通常会改变五件事。它会改变分析单位：从一只股票扩展到一个人的全部资本；改变参考系：从买入价与现价的比较，转向不同资源配置之间的机会成本；改变时间尺度：从什么时候回本，转向五年或十年以后什么仍然存在；改变目标函数：从证明过去的判断正确，转向扩大所有权、选择权与抗风险能力；改变行动者身份：从一个寻找优质资产的人，转变为一个既能购买资产、也能创造资产的人。 这是不是意味着，只要换个角度，任何问题都能解决？当然不是。视角转换不能取消损失，也不能代替专业能力。它真正提供的是一种新的搜索空间：旧框架下没有资格成为答案的事物，在新框架中开始变得可见。 三、为什么同样面对亏损，有人坚持，有人退出，有人重新创造？ 我们很容易把不同选择解释为性格差异：有人坚强，有人脆弱；有人理性，有人冲动。但这种解释过于简单。面对同一笔亏损，继续持有可能是长期纪律，也可能是沉没成本；退出可能是清醒止损，也可能是无法忍受波动；转向写作和投资自己可能是发现了更高回报的路径，也可能只是用一套更漂亮的语言逃避投资复盘。外在动作本身不能证明一个人的选择是否正确。 真正需要问的是：他究竟在保护什么，又在建设什么？ 当投资与自我认同深度绑定时，账户下跌就不只是资产表现不佳，而会变成对人格与判断力的质疑：如果我现在卖出，是否说明我不够聪明？如果这只股票最终上涨，我是否会后悔没有坚持？如果我承认判断错误，过去的研究、时间和损失是否全部失去意义？前景理论把许多风险选择描述为相对于参考点的收益与损失评估，而不只是依据最终财富水平；同一结果的不同表述框架也可能改变选择。这一理论为多种偏离期望效用理论预测的行为提供了描述性解释。2 于是，加仓可能包含两种完全不同的行为。一种是重新分析企业、估值和风险之后，仍然认为当前预期回报值得扩大仓位；另一种则是因为不能承受“过去的我可能错了”，用更多资金维护旧叙事。前者是资本配置，后者是自尊保卫战。区分二者，有一个简单而残酷的问题：假如我从未持有这项资产，今天仅根据现有信息，我还会以当前仓位买入吗？ 如果答案是否定的，过去的投入很可能正在替未来作决定。 我之所以能够较快转向，并不意味着我天然比别人更理性。一个更实际的原因是，金融投资并不是我唯一能够确认自我价值的身份。我还是工程师、阅读者、写作者、学习者和技术实践者。这些身份当时并不成熟，却为注意力和资源提供了其他去向。如果一个人只有一种身份，某个领域的失败就容易扩散为整体失败；如果他拥有若干能够相互支持的能力与项目，一个仓位的失效便可能触发再平衡，而不是摧毁整个组合。 但身份多元也不是越多越好。一个人今天学编程，明天做视频，后天研究投资，每件事都只停留在开始阶段，这不是组合，而是碎片。真正有价值的多元身份必须围绕某个更高层的问题逐渐汇聚。对我而言，工程训练、金融投资、阅读、写作、AI 和内容创作最终开始指向同一个问题：普通人如何配置自己的时间、能力与资产，使今天的劳动不在发薪日以后归零？ 四、历史上的重要突破，往往不是回答得更好，而是把默认前提变成研究对象 达尔文一开始面对的，也是当时许多人共同面对的自然史材料：不同地区存在不同物种，化石与现存生物之间有相似之处，岛屿生物又具有特殊差异。真正发生转变的地方，是他逐渐不再把物种视为静止不变的本质，而把“物种是否会发生转变”作为工作假设，并开始收集能够解释这种变化的证据。到 1837 年 3 月中旬，达尔文已把物种可变视为工作假设，并在 1837 年 4 月至 1838 年 9 月间写满数本笔记；1838 年 9 月阅读马尔萨斯后，他获得了解释物种变化的关键因果机制。3 问题由此从“每一种生物为什么具有固定形式”，变成“个体差异如何在种群、环境与漫长时间中累积”。他没有只是发现更多物种，而是改变了研究生命的基本单位与时间尺度。 这给普通人的启发是什么？当我们问“我是不是一个不适合投资的人”时，我们把自己理解为一个具有固定本质的对象；但如果换成演化视角，问题会变成：这次环境淘汰了我的哪些判断？哪些能力应当保留？哪些策略需要变异？我怎样通过一系列成本可控的实验，让自己的能力组合逐渐适应更大的世界？失败不再是对人格的最终判决，而是一种选择压力。 卡尼曼与特沃斯基完成的是另一种转换。面对现实中大量不符合传统经济学理性模型的行为，他们没有停留在“人为什么总是犯错”，而是追问：会不会是原来的模型没有真正描述人如何判断与选择？由此，偏差不再只是需要被谴责的缺陷，而成为具有规律、可以研究的认知机制。2 对个人而言，这意味着我们不应只研究外部对象，也需要研究作为决策者的自己。金融市场不仅检验我是否看懂了公司，还会暴露我如何对待损失、如何选择参考点、如何保护身份，以及是否会把希望误认为概率。 Intel 的案例更接近这篇文章的核心：组织同样会被原来的问题困住。1968 年，戈登·摩尔和罗伯特·诺伊斯创办 Intel 时，半导体存储器不是产品组合中的普通一项，而几乎就是公司对“我们是谁”的回答。1970 年推出的 1103 DRAM 推动半导体存储器取代磁芯存储，并在次年成为当时全球销量最大的半导体器件。存储器由此承载了 Intel 的创业历史、工程荣誉和组织身份。要求 Intel 离开 DRAM，不像关闭一条表现不佳的产品线，更像承认：曾经创造自己的那项能力，已经不能继续定义自己的未来。4 ...