Learning

——AI 时代真正值得投资的，不是某一个永远不会过时的 skill，而是一套能够从具体问题上升到抽象模型，再借助 AI 返回现实、构造系统并获得 ownership 的能力。 在 2026 年的 Y Combinator Startup School 上，Alexandr Wang 被问到一个越来越普遍的问题：当 AI 已经能够写代码，年轻人还需要学习 Computer Science 吗？还需要数学、编程和那些传统意义上的 technical skills 吗？ 他的回答值得注意。他没有说“代码永远重要”，而是说，systematic and rigorous thinking 仍然非常重要，只不过 abstraction layer 正在不断上移。以前工程师直接写代码，再组织代码形成软件；后来需要组织人形成公司；现在开始组织 agents；未来的问题，可能是如何让百万、甚至更大规模的 agents 有效协作。工具变化了，操作对象变化了，但 systems thinking 并没有消失。1 这句话实际上重新定义了“AI 时代到底应该学什么”。 我们可能一直在问一个层级太低的问题： Which skill should I learn? 而真正的问题应该是： At what abstraction layer should I learn to operate? 以及：当 AI 不断把执行层自动化以后，我怎样仍然能够理解 reality、定义 problem、构造 model、build system，并最终 capture the value？ Alexandr Wang 自己的成长经历，恰好提供了一个极端、但很有解释力的案例。 ...

——从 Cognitive Offloading 到 Cognitive Sovereignty，从 Human Capital 到 Future Optionality 最近我越来越强烈地意识到一件事：我已经把相当一部分认知活动 offload 给了 AI。 遇到一个陌生的技术问题，我不再先找一本书从第一页开始读；想理解一个概念，我会直接和模型讨论；需要写代码，我往往先描述问题，让 AI 帮我拆解、生成、调试和迭代；遇到一个模糊的思想，我也会不断提问、反驳、重新抽象，直到一个相对完整的 concept 慢慢浮现出来。 从一个非常现实的角度看，这几乎是无可挑剔的策略。人的时间有限。如果一个 frontier model 能在几十秒内帮助我完成过去需要几个小时、几天甚至几周的信息检索、结构化、编程和推理，那么主动拒绝它，某种程度上反而是在浪费最稀缺的资产——时间。 过去一年多，我也确实因此得到了很多以前很难独立完成的东西。我可能没有记住某个 Python class 的全部写法，没有熟练掌握某个 framework 中几十个 API 的具体参数，但我逐渐知道了一个软件系统可以怎样被拆开，一个问题怎样被建模，AI testing 可以怎样做，一个项目怎样从 idea 走向 implementation，一个陌生领域应该从什么地方切进去。 甚至包括 The Worker Investor、Human Capital ETF 和 Compounding Yourself 这些概念，也不是某一天凭空出现的。它们往往来自一次次漫长的对话：一个问题引出另一个问题，一个词和另一个词发生组合，一块原本孤立的认知被放进新的结构里，最后慢慢长成一个 system。如果没有 AI，我很可能不会以如此低的摩擦成本完成这些探索。 但问题也恰恰从这里开始。因为有一天你会突然问自己：如果今天 AI 消失了，我到底还剩下什么？ ...

——从 Sphinx 到 Transformer，技术不断结束旧任务，也不断打开新的前沿 很多年前，我在李开复的《做最好的自己》里读到语音识别准确率的问题。 当时，语音识别在我眼里像一条从低准确率通往高准确率的进度条。技术还不成熟，研究者继续训练模型、修正错误，直到它足够好用。沿着这条直线想下去，一项技术终究会抵达终点：模型被训练完成，能力被封装成产品，普通人只需调用，研究者便可以转向下一件事。 多年以后，语音识别进入手机、汽车、会议软件、字幕系统和 AI 产品，这条进度条却没有停下。研究组、资本、数据和计算资源仍在持续进入同一个领域。准确率继续提高，使用场景继续扩张，原来封闭的问题又在新的语言、设备、成本和风险条件下重新打开。 这种延续并不是因为研究者拒绝承认问题已经解决，而是因为现实中的 solved 从来不是一个脱离条件的终点。它只是某一种 formulation 在某一组 assumptions 下变得足够可用。技术把一个答案固定下来，Reality 随后改变边界，迫使人类重新描述任务。 这条从 Sphinx 延伸到 Transformer 的历史还包含另一层变化。一个通用解法出现以后，它不只会提高性能，也会压缩此前需要大量人类劳动完成的工作，改变研究共同体的资源流向，并重新定价个人已经积累的知识。技术结束旧任务的同时，也把文明和个人推向不同的新位置。 ...

——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？ ...

——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。 ...