Ownership

从 2025 年入职后的探索到《工资之外》公开阅读版，我回顾与 ChatGPT 在学习、投资、写作和工程实践中的长期协作：零散的问题如何成为作品，哪些成果已经留下，哪些设想仍待现实检验。

——从一场家庭饭局谈起：知识、问题、AI 与 Ownership 一、从周六的一场交流说起 上周六，10 月 24 日，我和堂哥一起吃饭。席间，我们聊起工作，也聊起我这一年多以来围绕工作、投资与人力资本所做的思考，尤其是正在写的《The Worker Investor / 工资之外》。从关注工资、储蓄和投资，到经历投资亏损后重新理解自己的人力资本，再到思考普通人如何通过学习、创造和积累扩大未来选择，我逐渐形成了一套关于工作、个人成长与 Ownership 的认识。 在交流过程中，我忽然想到一个问题：我们为什么一定要发现人类尚未发现的知识，才算创造了价值？ 过去几百年，科学家建立了大量关于数学、物理、化学和工程的知识体系。它们被写进论文、教科书和技术标准，成为文明的重要积累。但人类已经知道的东西，与人类已经充分应用的东西之间，仍然存在很大的距离。 我们知道牛顿运动定律，并不意味着所有复杂机械系统的问题都已解决；掌握流体力学的基本方程，也不意味着实际工程中每一个流动、压力和传热问题都能被准确预测。我们拥有关于组织管理、经济学和个人成长的许多理论，也不意味着这些知识已经改变了每一个需要它们的人的生活。很多时候，知识已经存在，仍然缺少将它带入具体处境的人。 这让我产生了两层感受。第一，对我这样的工程师来说，学习前人已经形成的知识，经过实践去解决身边的问题，往往比一开始就试图独自推动学科最前沿的突破，更容易在有限时间内得到可验证的结果。第二，当一种方法已经得到充分验证，继续把它打磨得更精致，未必始终是最有价值的下一步。把它讲清楚，让更多尚未掌握的人能够使用，也可能产生很大的收益。 例如，我学会利用 Siemens NX 的 PMI 功能进行工程标注后，会自然想到怎样把实践方法沉淀为文章、工具或教程。我对工作、收入、投资与个人成长形成新的理解后，也希望把它组织成《The Worker Investor》，让处于相似处境的人能够阅读、检验和应用。 但继续想下去，一个更深的问题出现了：如果我们创造并传播了价值，究竟有什么能够留在自己手中？ 这就是我想讨论的 Ownership。当 AI 开始改变知识生产、传播和问题解决的成本时，这个问题变得更加迫切。答案越来越容易获得以后，我们究竟应该积累什么，才能让自己的劳动持续创造价值？ ...

——《The Worker Investor》关于 Money、Capital、Agency 与 Optional Work 的第一性原理 在《The Worker Investor》的前半部分，我们讨论 ETF、SPY、QQQ、指数投资，也讨论一个普通劳动者如何把工资的一部分转化为 Financial Capital。表面看，这和许多“定投、复利、财富自由”的内容没有太大区别：努力工作，提高储蓄率，买入指数基金，然后等待时间发挥作用。 但如果这本书只告诉一个普通人“找到一个长期上涨的指数，然后坚持买下去”，它就绕开了更重要的问题。 指数投资回答的是：已经赚到的钱，应该怎样保存和配置？ 它没有回答：那个负责赚钱、判断、学习、创造和行动的人，应该怎样成长？当他积累了资本以后，又应该怎样生活？ 所以，The Worker Investor 必须同时管理两个 Portfolio：Financial Capital Portfolio 与 Human Capital Portfolio。前者管理已经积累的财富，后者管理那个能够继续创造财富、作品、机会与现实变化的人。 沿着这个问题继续往下走，我们会遇到一个比“如何投资”更根本的问题：钱究竟是什么，资本究竟是什么，我们又为什么要积累资本？ 我的答案是：资本不是为了让人停止工作，而是为了让人有权选择工作。 ...

——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 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。 ...