Human Capital

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。 ...

——复利、流量与 The Worker Investor 的完整逻辑 最近看到一个人在讲复利。 他说，阅读有复利，写作有复利，存钱有复利，运动也有复利。只要每天做一点正确的事情，坚持足够长的时间，微小的投入就会被时间不断放大。 这种表达并没有错。它比追求即时回报更接近长期成长的真实规律，也能帮助人摆脱“做一件事马上就要看到结果”的焦虑。但听完以后，我想到的不是怎样把这些好习惯坚持得更久，而是另一个问题：阅读、写作、存钱和运动为什么会产生复利？只要长期重复一件有益的事，就一定叫复利吗？ 如果一个人每天阅读，却没有留下任何概念、判断和知识结构；每天写作，却从不整理、发布或再次使用；每月存钱，却让现金长期闲置并不断损失购买力；持续运动，却因为错误训练、睡眠不足和过度透支损害身体，那么“长期坚持”显然不会自动产生复利。 我们经常把持续投入、线性积累、能力形成、成果资产化、正向反馈和真正的复利混在一起。也正是从这个问题出发，我进一步理解了 The Worker Investor 所要回答的核心问题： 一个主要依靠工资生活的普通 Worker，怎样才能不让自己的劳动一次次发生、一次次结算、一次次消失，而是逐渐把它转化为存量、资产、所有权和未来选择权？ 在《让今天的劳动继续参与未来》里，我从复利的历史出发，讨论时间如何进入债务、估值、投资与个人成长。这篇文章继续追问：如果离开金融公式，究竟什么样的个人系统才真正具有复利结构？ ...

——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？ ...

——从美国“失去的十年”、日本“失去的三十年”，到 Human Capital ETF 当我们谈论投资时，脑海中最先出现的通常是股票、基金、债券、黄金和房地产。我们关心收益率、回撤、估值和资产配置，却很少追问一个更基础的问题：对于一个主要依靠工作获得现金流的普通人来说，他真正拥有的资产，只有证券账户里的钱吗？ 我过去也习惯把“投资”理解为把工资的一部分转入金融市场。直到经历个股亏损、重新学习交易型开放式指数基金（exchange-traded fund，ETF）和资产配置之后，我才逐渐意识到：金融账户当然重要，但对一个刚工作几年的年轻人来说，它往往还不是资产负债表中最大的一项。真正决定未来十年处境的，可能是身体是否健康、职业能力是否增长、工作经验能否迁移、知识能否沉淀为作品，以及劳动成果是否逐渐转化为自己拥有的资产。 要理解这一点，最好的起点不是一句“投资自己”的口号，而是两段真实的金融史。 一、当金融市场失去的十年，恰好是你的黄金十年 假设你在 2000 年初刚满 25 岁，第一次拥有可以长期投资的钱。你没有追逐小盘妖股，没有使用杠杆，也没有频繁交易，而是买入代表美国大型企业的标准普尔 500 指数（S&P 500），随后长期持有。 这听起来几乎符合后来所有主流投资教育的建议。但你进入市场的时间是 2000 年。 根据纽约大学教授 Aswath Damodaran 整理的年度总回报数据，以 1999 年末和 2009 年末的累计价值复算，标准普尔 500 指数在 2000—2009 年的含股息累计回报约为 -9.1%，年化回报约为 -0.95%。这十年中，投资者先后经历了互联网泡沫破裂和全球金融危机，两次刚刚恢复希望，又重新遭遇重挫。1 这就是美国股市后来所说的“失去的十年”。真正令人不安的，并不只是账户少赚了一点钱，而是市场的十年与人的十年并不等价。对指数来说，十年只是走势图上的一个区间；对一个人来说，25 岁到 35 岁可能是学习能力最强、职业路径开始分化、家庭责任逐渐增加，也最适合进行长期积累的一段时间。 你可以等待市场最终恢复，但你无法把自己的 25 岁重新过一遍。 定投解决了入场问题，却没有取消时间问题 有人会说，只要坚持定投，就不会遭遇这样的结果。定投当然有价值。市场越低，同样的现金流能够买入越多份额；在 2008—2009 年仍然保持收入和投入纪律的人，也为后来的反弹积累了更多低成本资产。定投削弱了单一入场时点的影响，降低了投资者在顶部一次性投入全部本金的风险。 但定投并没有让“失去的十年”消失。它改变的是资金进入市场的路径，不能保证回报恰好在你需要的时候兑现。这就是金融投资中常被忽视的人生窗口风险：历史长期回报率是几十年乃至上百年数据的平均值，但每个人真正经历的，永远只是其中某几个不可重来的十年。 二、“失去的十年”并不是所有资产的失去 2000—2009 年并非一切资产都表现糟糕。根据同一组数据复算，美国小盘股中的底部市值组同期年化回报约为 9.0%，十年期美国国债约为 6.3%，黄金约为 14.1%。1 这些结果不能证明它们未来仍会重复，也不能证明投资者能够提前识别赢家，但至少说明：美国大型股的失去十年，并不等于所有资产的失去十年。 因此，这段历史首先给出的并不是“不要投资股票”，而是一个更传统、也更可靠的结论： 不要让整个金融未来依赖单一国家、单一风格和单一估值周期。 这里也必须尊重历史条件。今天的投资者可以用很低的成本买入覆盖整个美国市场乃至全球市场的 ETF，但这样的工具体系在 2000 年还没有完全形成。Vanguard Total Stock Market ETF（VTI）成立于 2001 年，覆盖全球发达市场和新兴市场的 Vanguard Total World Stock ETF（VT）则直到 2008 年才成立。23 ...

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？ ...