Work

——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 ...

——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？ ...

——从一次智能管路 PMI 标注实践谈起 很多人工作几年以后，会发现一个令人不安的事实：自己明明做过很多项目、处理过很多问题、加过很多班，但当准备换一个岗位、进入一个新的行业，或者试图独立做一点事情时，却很难说清楚自己究竟积累下了什么。 工作完成了，项目交付了，工资也发放了。但那些经验，真的成为资产了吗？ 工作时间与个人资产之间，并不存在自动转换关系。一个人可能工作了十年，却只是把第一年的流程重复了十次；也可能参与过很多项目，却没有留下任何能够迁移、复用和证明的成果。 这与工资有些相似。工资是劳动在当期的结算。如果工资被全部消费，劳动的价值便主要停留在当期；只有其中一部分被保存、投资并转化为存量，过去的劳动才有机会继续参与未来。 经验也是如此。经验只有经过保存、提炼和转化，才可能从一次性的劳动流量，变成能够继续调用的能力存量。 这是《The Worker Investor》一直希望讨论的问题。所谓 Worker Investor，并不是要求每一个工作者都去炒股票，也不是让所有人辞职创业。它首先意味着一种身份意识的变化： 我不仅是在出售今天的劳动，也在投资未来的自己。 最近，我在实际工作中尝试解决了一个具体问题：将原本依靠人工完成的管路识别、长度测量、信息整理和工程标注流程，逐步转化为一套智能化的 PMI 标注工作流。 工程师选择对应的管路对象后，系统自动识别对象、读取名称、计算长度，并按照统一格式生成三维标注。 出于保密和知识产权边界的需要，本文不会讨论具体产品、企业数据、内部模型、对象编号和源代码。但这个过程本身，为我们提供了一个很好的案例：一次具体的工作产出，在什么条件下，才可能转化为一个人的长期资产？ 我的答案可以归纳为三个条件。 一、你解决的不是一次任务，而是一类问题 在传统工作模式中，我们很容易把注意力集中在“把这一单做完”。收到一个任务，完成一个任务；遇到一个问题，临时解决一个问题；制作一份装配规范，再继续制作下一份装配规范。 这种方式当然能够产生结果，但它产生的主要是一次性交付。一次性交付的特点是：任务结束，价值也随之结束。 以管路装配规范为例，原来的流程大致包括：工程师在三维模型中寻找对应管路，识别对象名称，测量管路长度，调整模型视角，截取图片，再将名称、长度和装配信息整理到工程图或外部文档中。 如果只有一根管路，这些操作似乎并不复杂。但当对象数量增加、车型发生变化、模型版本更新以后，问题就会变得明显： 同一类操作需要不断重复； 不同工程师可能采用不同的数据口径； 模型发生变化后，原有结果需要重新确认； 标注信息与模型对象之间缺少稳定关联； 大量时间消耗在查找、测量、复制、核对和整理上。 这时，真正值得解决的问题就不再是： 怎样把眼前这根管路标注完成？ 而是： 为什么这一类管路，每一次都需要重新寻找、测量和整理？能不能建立一种机制，让它们按照统一规则被识别、测量和标注？ 这两个问题看似接近，实际上属于两个完全不同的层级。前者是 Task Completion，完成任务。后者是 Problem Ownership，拥有问题。 Task Completion 关注的是眼前的交付。Problem Ownership 关注的是问题为什么反复出现、哪些环节可以被改变，以及怎样让同类问题以后不再以相同成本发生。 当一个 Worker 开始从“完成别人分配的任务”，转向“定义并解决一类反复出现的问题”时，他才真正进入了资产积累的起点。因为资产并不来自工作量本身，而来自对问题结构的理解。 你需要看见： 哪些步骤在反复发生； 哪些判断具有稳定规律； 哪些信息可以从系统中直接获取； 哪些错误来自流程设计，而不是个人不够认真； 哪些环节适合交给工具； 哪些判断和责任必须继续由工程师承担。 一个人处理过一百次相似任务，不一定拥有一项资产。如果他从未提取其中的共同结构，这一百次工作可能只增加了熟练度，却没有形成新的系统。 但当一个人能够看清这一百次任务背后的共同结构时，经验才获得了跨项目复用的可能。因此，不要只问怎样把这次工作做完，还要问： 为什么这类工作每次都需要重新做？ 二、把隐性经验转化为可以重复运行的系统 工作经验最初通常存在于人的脑海中。一个熟练的工程师可能知道： 哪一种对象是真正需要标注的管路； 哪一种对象只是接头、阀件或支架； 从哪里能够找到中心线； 怎样判断某一段长度是否可信； 名称应该从几何对象、组件还是属性中读取； 哪些标注应当显示在模型中； 哪些信息应当进入工程图； 哪些情况应该由系统提示异常。 这些知识非常有价值。但如果它们只存在于个人经验中，就仍然是一种脆弱的资产。 隐性经验通常存在几个问题： 很难完整传递给其他人； 很难在不同项目中保持一致； 很难被软件直接调用； 很难证明它究竟解决了什么； 每次执行仍然需要本人投入注意力； 一旦本人离开，经验可能随之消失。 因此，经验要成为真正的资产，就必须经历一次 Externalization，也就是外化。它需要从： ...

——理解时间、穿过迷茫，并为未来保留更多选择 2020 年，我曾在 iDiary 里写下一句话： 今天，是历史的进步，也是进步的历史。 当时更像是一句偶然出现的文字游戏。几年后再读，我才明白它其实包含了两种相反的时间视角。 “历史的进步”，是站在今天回望过去。现在是过去许多选择、条件和偶然共同抵达的一块里程碑。“进步的历史”，则是站到未来回看今天：此刻正在发生的行动，也会成为未来历史的一部分。 前一种视角把现在看成结果，后一种视角把现在看成原因。 我后来慢慢把它写成另一个公式： 现在 = 过去暂时结算的结果 + 未来开始发挥作用的原因 未来当然不会穿越回来，在物理上造成今天。真正提前进入现在的，是我们对未来的想象、承诺、责任和取舍。因为想成为作者，所以今天开始写作；因为不想永远依赖一份工资，所以今天保留现金、学习投资、建设作品；因为希望五年后仍有职业选择，所以今天不把全部能力锁死在一项内部流程里。 过去在身后形成条件，未来在前方提供牵引。一个人的现在，正发生在两者相遇的地方。 心理学家 Dan McAdams 和 Kate McLean 把 narrative identity 描述为一个人不断演化的内在生命故事：它把经过重构的过去与想象中的未来连接起来，使人生获得某种连续性与方向。1 这与我想讨论的问题非常接近。人在迷茫时，未必只是缺少目标，也可能是把“现在”切得太薄，只剩下眼前的情绪和任务，却看不见自己从哪里来，也不知道今天正在为哪一种未来提供条件。 一、现在既是结果，也是原因 沿着普通的因果顺序看，时间从过去流向现在，再流向未来： 过去 → 现在 → 未来 今天的身体、能力、习惯、现金、关系和判断，并不是突然出现的。它们是过去的训练、工作、消费、休息、运气和环境长期作用后的结果。同样，今天读完的一本书、完成的一个项目、存下的一笔钱、写出的一篇文章，乃至一再拖延的习惯，也都会进入未来。 因此，现在具有双重身份。它一边接收过去，一边生产未来。 这听起来像一句常识，却很容易在生活里被忘记。我们会把当下的处境误认为永恒，把眼前的职业当作唯一道路，把一次失败概括成永久缺陷，也会把一个偶然的顺利解释为自己已经掌握了规律。原因在于，我们看见了“现在是什么”，却没有继续追问它是怎样形成的，也没有追问它会把自己带到哪里。 当下不是一张静态照片，而是两个过程的交界面：过去正在这里结算，未来也正在这里取得最初的证据。 二、每个人都需要成为自己的历史学家 向过去寻找结果，不是沉浸在怀念、后悔或自责里，而是做一次个人历史考古。真正要问的，不只是“过去发生了什么”，而是“那些事情今天留下了什么”。 我会把这种考古分成三层。 第一层是事实。过去做过什么选择，完成过什么项目，获得过什么结果，放弃过什么机会？记忆在这里并不完全可靠。自传体记忆研究认为，具体记忆不是从档案柜中原样取出的录像，而是在既有知识与当前目标共同参与下形成的心理建构。2 所以日记、文章、照片、项目文件、聊天记录和财务记录很重要。它们不能替代解释，却能限制我们随意改写过去。 事实 ≠ 记忆 ≠ 解释 第二层是沉淀。过去投入的时间，有多少仍然活在今天？学习可能留下能力，工作可能留下经验，储蓄留下本金，写作留下作品，重复留下习惯，失败留下判断；创伤也可能留下恐惧，错误也可能留下路径依赖。时间是否过去并不是关键，关键是它有没有形成一种今天仍可调用、还能继续参与未来的东西。 第三层是解释。事实不能改变，意义却并不封闭。一次失败在当时可能只有挫败，几年后却可能成为排除错误方向的证据；一段看似绕路的经历，也可能在新的问题里显示出价值。但重新解释过去，不等于强行把一切包装成“最好的安排”。有效的解释必须接受事实约束，也必须能够回答：它究竟改变了什么？留下了什么？今天再次遇到类似情境时，我会怎样行动？ 这里最需要警惕的是结果偏差。Baruch Fischhoff 的经典研究表明，人一旦知道结果，就容易高估自己事前判断出该结果的可能性。3 成功以后，我们会把道路讲得比当时更清楚；失败以后，也会把某些风险说得仿佛早就不可避免。成为自己的历史学家，就是拒绝用今天知道的答案，伪造昨天已经拥有的确定性。 历史学家的问题不是“怎样给过去编一个更好听的故事”，而是： 哪些过去仍然活在我的现在？ 三、三时九向：把时间中的事实、解释与可能分开 过去、现在和未来并不是三个彼此隔离的盒子。人会不断站在一个时间位置上，理解另一个时间位置。把这三种位置与三种对象交叉，就得到九个方向： 站立的位置 / 观察的对象 过去 现在 未来 过去 历史因果 路径依赖 经验外推 现在 回溯理解 状态诊断 预测与规划 未来 结果赋义 目标牵引 长期组织短期 这个表格不是为了把人生变成机械排列，而是帮助我辨认：此刻谈论的究竟是已经发生的事实、对事实的解释、尚未发生的可能，还是现在可以采取的行动。 ...

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。 ...