Learning

——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？ ...

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。 ...

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。 ...

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《火影忍者》的尾兽，到大模型时代的人类能力重构 小时候看《火影忍者》，我一直觉得尾兽是一个很有意思的设定。九大尾兽承载着远超普通个体的查克拉与力量。有人看到它们，只觉得那是无法控制的怪物；真正强大的忍者却会追问：怎样理解这种力量，与它建立关系，并把它转化为自己的能力？ 最近思考 AI 时，我突然意识到，今天的大模型很像《火影忍者》中的尾兽。它把人类文明长期积累的知识，压缩成了一种普通人可以调用的外部智能。我们正在进入一个近似“人柱力时代”的阶段：越来越多人可以接触巨大的力量，但拥有力量，并不等于会使用力量。 一、知识一直是人类文明创造的“尾兽” 如果把人类文明看成一个巨大的知识体系，那么每一个成熟领域，都像一只尾兽。物理学包含经典力学、电磁理论、热力学、相对论和量子力学；生命科学连接细胞、遗传、进化、神经与生态；金融涉及货币、银行、市场、资本配置与风险；工程制造则横跨材料、机械结构、自动化、软件和供应链。 这些知识不是任何一个人的财富，而是无数代人共同积累的结果。过去真正的障碍，不是知识不存在，而是调用知识的成本很高。一个人需要经过长期教育、阅读、训练和实践，才可能掌握其中一小部分。人的时间、注意力和经验有限，而文明积累的知识早已超过任何个体能够独立容纳的范围。 知识这只“尾兽”一直存在，只是大多数人很难靠近它，更难在需要时迅速调动它。 二、大模型改变的，是人与知识的连接方式 大模型并不是凭空创造知识，也不是一本按照页码保存事实的超级百科全书。它更像是把大量文本、代码和其他资料中的模式压缩成一个可交互的模型，再根据提问生成、重组和连接内容。它可以帮助人发现关系、形成草稿和探索方案，也可能产生错误、遗漏条件，甚至以很自信的方式给出不可靠的答案。 在过去，一个人通常需要先找到书籍和资料，再理解知识、形成能力，最后尝试解决问题。现在，人可以先描述问题，让模型协助检索思路、解释概念、比较方案、生成代码或整理表达。互联网和搜索引擎曾经降低了寻找信息的成本，大模型又进一步降低了初步理解、连接和转化信息的成本。 它没有让学习失去意义，而是改变了学习的重点。人的任务正在从收集零散知识，迁移到建立框架、提出问题、验证结果并把知识用于真实情境。 这仍然像鸣人与九尾的关系。九尾的存在没有自动让鸣人成为强者。他仍然需要理解力量、约束力量，并让它与自己的经验、判断和意志协同。真正属于鸣人的，不是体内存在多少查克拉，而是他最终能够把这些力量用来做什么。 三、拥有尾兽，不等于成为强者 AI 时代一个常见的误区是：“既然 AI 可以回答这么多问题，学习还有什么意义？”这就像认为鸣人体内有九尾，因此不再需要修炼。外部智能提高的是一个人的能力上限，却不能替他建立专业基础、理解现实约束，更不能替他承担决定的后果。 工业时代的机器放大了人的体力，计算机时代的软件接管了大量标准化计算与信息处理，现在 AI 又开始参与语言、代码、分析和内容生成。随着常见知识的获取成本下降，以下四种能力会变得更重要： 问题定义能力。 AI 可以回答问题，也可以协助寻找问题，但什么值得解决，取决于人的目标、处境与价值判断。 跨领域连接能力。 单一领域的知识越来越容易调用，真正困难的是把工程、金融、写作、心理学和商业放进同一个现实问题中。 判断与责任。 AI 可以快速生成许多方案，却无法替人决定哪些假设可信、哪些风险不可接受，以及谁来承担结果。 创造与执行。 一个答案只有被测试、修改、交付并接受现实反馈之后，才可能变成价值。生成内容不等于完成创造。 因此，未来人与人的差距，不只在于谁能获得更多答案，而在于谁能形成一个完整闭环：提出值得解决的问题，调用合适的知识，识别错误，把结果用于现实，再从反馈中继续修正。 四、用 Human Capital ETF 训练驾驭外部智能的能力 这也让我重新理解 Human Capital ETF。过去，我们常用学历、技能和工作经验衡量人力资本；AI 时代，一个人的竞争力更像一组需要长期配置和持续再平衡的资产： Core 是健康、现金流、专业能力和基础认知。它决定一个人是否拥有理解问题的底座，以及能否持续行动。 Growth 是学习、AI、编程和跨领域迁移能力。它帮助一个人扩大能力边界，但应该放大 Core，而不是成为逃离专业积累的借口。 Distribution 是写作、表达、社交网络、个人品牌与内容渠道。它把私人的思考和人机协作结果，转化成可以传播、被反馈和长期保存的作品。 Meta 是思考、复盘、时间配置、风险管理和重新平衡的能力。它决定我们为什么使用 AI、把注意力放在哪里，以及什么时候应该质疑或停止。 AI 使用能力主要属于 Growth，但它不能孤立存在。没有 Core，模型的输出容易脱离专业约束；没有 Meta，人可能只是更高效地走向错误方向；没有 Distribution，再好的想法也可能停留在一次私人对话里；没有健康和稳定的现金流，长期积累也很难持续。 未来真正有竞争力的人，不一定是拥有最多知识的人，而是能够持续调用外部智能，并把一次次调用沉淀为专业能力、工作成果、作品、关系和长期资产的人。 五、成为自己的“人柱力” 每一次技术革命都会替代一部分旧任务，也会重新划分人和工具的边界。AI 可能重组岗位、改变专业分工，并让一些原本昂贵的能力变得普遍，但它的影响不能只用“是否取代人类”来概括。更直接的变化是，一个普通人能够调动的知识、分析和创造能力正在迅速扩大。 成为 AI 的使用者，不是被动接受它给出的第一个答案，也不是把目标、判断和责任一并外包。它意味着知道什么时候调用它，什么时候质疑它，什么时候回到现实中验证，以及怎样把结果变成自己的能力和资产。 如果知识是尾兽，那么 AI 正在让更多人有机会接近这些尾兽。真正的问题不再只是“我有没有 AI”，而是“我是否有能力与它协作，同时保留自己的判断”。 ...