Work

——《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。 ...

——从 Paycheck、Ownership、Human Capital ETF 到 Future Optionality 最近读 Michael E. Gerber 的《The E-Myth Revisited》（《企业家神话》）时，我重新注意到一个很简单的区别。 Gerber 反复讨论的，并不是“离开公司”本身。一个人离开公司创业，也可能只是从替别人工作的 technician，变成替自己工作的 technician：以前有老板，现在自己成了老板；以前每天工作八小时，现在可能工作十二小时。EMyth 把它概括为从 working in the business 转向 working on the business——不只亲自完成任务，也建立能重复完成任务的流程、系统与组织。1 这让我想到 The Worker Investor。 过去，我一直把它的核心理解为 ownership。Worker 通过 labor 换取 salary、wage 和 paycheck；Investor 则逐渐拥有股票、债券、企业权益、作品、代码、网站、产品、系统，以及其他能够持续存在的资产。Worker Investor 要做的，是把今天的工资、经验、知识和劳动成果的一部分，转换成属于自己的存量。 这个判断没有错。我在《工资结算过去，所有权参与未来》里曾把它压缩为一句话：资产化是桥梁，所有权是方向，复利是机制，选择权是结果。 但继续往下追问，会遇到一个自然的问题：Own something, then what? 假设我今天写了一篇文章，它属于我。Then what? 假设我写了一段代码，代码留在自己的 repository 里。Then what? 假设我提出了一个问题，录了一期视频，建立了一个网站，认识了一个人，形成了一个新的判断。即使能够被保存下来，“拥有它们”本身究竟有什么意义？ 这次重新思考 Worker 与 Investor 的区别，我越来越清楚地意识到：ownership 仍然不是最底层的概念。把 ownership 再 unfold 一层，下面其实是另一个更基础的东西：Time。 The Worker Investor 最深层讨论的，也许从来不是一个人应该拥有多少资产，而是：一个人如何理解今天与未来之间的关系。 ...

从孙宇晨的《一道论证题》，重新理解教育、工作与未来选择权 有时候，一个问题真正有意思的部分，并不在它最初被提出的地方。 我最开始只是偶然注意到，自己用了很多年的 µTorrent，后来竟属于孙宇晨收购的 BitTorrent。2018 年，TRON 完成了对 BitTorrent 的收购；当时的报道将交易描述为约 1.4 亿美元现金，BitTorrent 官方则称其产品在全球有超过一亿活跃用户，其中包括 µTorrent Web 和桌面客户端。1 这让我产生了另一个问题：一个出生于中国、二十多岁的年轻人，为什么已经能坐到这样一张谈判桌前，购买一家诞生于上一代互联网的公司？ 继续往前追，我看到了 TRON；再往前，是 Ripple 和 Bitcoin；再往前，是宾夕法尼亚大学和北京大学；最后，我一路追到一个还没有财富、公司和社会地位的高中生。 在那里，有一篇文章，叫《一道论证题》。重新读到它时，我又想起自己 2018 年写过的《教什么育什么》。两个年轻人，两篇关于教育与人生的文章，相隔大约十年，后来走向了完全不同的地方，却共同逼近了一个我今天越来越关心的问题： 一个人的未来，究竟从什么时候开始发生分化？ 也许不是在他赚到第一百万的时候，而是在他第一次意识到：我不一定只能成为别人替我安排好的那种人。 ...

——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？ ...