记录正在发生的事，也留住那些以后还想重新读到的想法。https://myweb.ganlei.com/https://myweb.ganlei.com/blog/20260924-%E7%B2%BE%E7%A5%9E%E8%82%8C%E8%82%89%E4%B8%BA%E4%BB%80%E4%B9%88%E4%BC%9A%E7%B4%A7%E7%BC%A9/https://myweb.ganlei.com/blog/20260924-%E7%B2%BE%E7%A5%9E%E8%82%8C%E8%82%89%E4%B8%BA%E4%BB%80%E4%B9%88%E4%BC%9A%E7%B4%A7%E7%BC%A9/从《一只鸟接着一只鸟》的身体隐喻出发，理解创伤如何固化为防御性完美主义，以及亲密关系、家庭和风险分层如何帮助人重新放松。Thu, 24 Sep 2026 00:00:00 GMT《一只鸟接着一只鸟》中，安妮·拉莫特回忆自己 21 岁切除扁桃体后的经历。术后她的喉咙痛得无法吞咽，护士却让她嚼口香糖。第一口痛得要命，几分钟后疼痛却消失了。护士给出的解释是：身体受伤时，周围肌肉会本能地紧缩防卫；咀嚼迫使紧绷的肌肉恢复运动，疼痛也随之缓解。 由此，拉莫特提出了一个非常形象的比喻：**人的精神也有肌肉。无论是童年创伤，还是成年后遭遇的伤害，精神肌肉都会在伤口周围紧缩，进入硬邦邦的防卫状态，试图避免再次受伤。完美主义，就是这种心智肌肉紧缩的一种表现。** 先说明一点：这段身体经验适合作为文学隐喻，而不宜直接当作严谨的医学机制。扁桃体术后咀嚼口香糖能否稳定缓解疼痛，研究结论并不一致。真正有解释力的，是它所指向的心理循环： > **曾经受伤 → 对类似风险高度警觉 → 建立防御策略 → 防御降低短期风险 → 同时限制探索、亲密、创造和试错 → 防御逐渐固化。** 例如，一个曾因犯错而遭受严重羞辱的人，后来可能形成一条内部规则：只有做到足够好，我才不会再次被攻击。此时，完美主义表面上是在追求优秀，深层功能却是回避失败、羞耻和评价。 因此，所谓“精神肌肉紧缩”，换成稍微准确的心理学语言，大致可以理解为：**持续的威胁监控、防御性自我控制，以及对失败的回避。**做什么都处在紧绷和忧虑之中，人便会与生活保持距离，很难直接而毫无保留地体验生活。 ## 完美主义不等于高标准 理解这个比喻的关键，是把“追求高标准”与“完美主义忧虑”区分开。 | 高标准模式 | 防御性完美主义模式 | | --- | --- | | 我想把它做好 | 我必须确保它不会出错 | | 质量来自主动选择 | 检查来自焦虑驱动 | | 允许根据风险调整投入 | 所有事情都按最高风险处理 | | 完成后能够放下 | 完成后仍然反复怀疑 | | 失误是反馈 | 失误意味着自身不够好或危险即将发生 | 两者表面上都表现为认真、检查、思考，内在体验却完全不同。前者通常产生掌控感，后者则持续消耗心理资源。 完美主义也不会因为一个人已经做出了很多正确决定而自动消失。正常的经验学习大致是： > 我做了决定 → 结果不错 → 下次更相信自己的判断。 完美主义式的经验学习却常常变成： > 我做了决定 → 结果不错 → 因为我检查得足够仔细，所以才没出事 → 下次还必须检查这么仔细。 于是，成功不仅没有降低警戒，反而强化了检查行为。问题并不是判断能力不足，反而可能恰恰发生在能力很强的人身上：**能力已经成熟，内部风险模型却没有同步更新。** ## 当职业优势变成人生的全局默认值 从我自己的职业经历来看，这种机制尤其容易发生在数据分析、coding、运维、管理等方向。这里的错误成本高度不对称：很多时候，“没有出事”本身就是工作成果；一次看似微小的疏忽，却可能造成远超日常工作的损失。 长期处在这种环境里，大脑很容易学会一条极其合理的职业规则： > **错误不是普通事件，而是必须尽可能提前消灭的风险。** 这套规则在工作中非常有效。它强化责任感、风险意识、检查习惯、预案意识，以及对异常和细节的敏感度；这些能力会带来行业认可和职业成功。但大脑不会天然替人区分：现在是在操作核心服务器，还是仅仅在决定要不要接受一个不完美的生活方案。 于是，一个原本适用于高风险系统的控制策略，会逐渐扩展到低风险生活： | 原来的职业优势 | 泛化之后可能出现的问题 | | --- | --- | | 提前发现风险 | 总在寻找哪里可能出错 | | 严格检查 | 很难相信已经“足够好” | | 对异常高度敏感 | 对人的缺点和关系摩擦也高度敏感 | | 追求可靠性 | 难以忍受模糊、随机与不可控 | | 决策前充分验证 | 陷入反复比较和选择怀疑 | | 事后复盘 | 变成“我是不是做错了”的反刍 | | 责任意识强 | 把许多本不应独自承担的结果归因于自己 | 这并不意味着职业造成了某种人格问题。更准确地说，是一种高度有效的职业适应，被泛化成了人格层面的默认策略。我当然从中获得过很多好处，但它也给人际关系、自我评价和生活选择带来困扰。 真正需要保留的并不是“完美主义”，而是它背后的能力：**高标准、审慎、责任心、风险意识和结构化思考。**需要逐渐降低的，是外围那层“如果出错就很危险”的警报系统。 ## 问题不是标准太高，而是错误预算太低 任何成熟的工程系统都不会真正要求零错误。它追求的是：**面对不同风险等级，配置不同的容错、验证与恢复机制。**核心数据库迁移和修改个人博客的一行 CSS，不会使用同一套变更控制流程。 完美主义却很容易在人生中实行另一套规则： > **所有任务都按照 P0 事故标准处理。** 写一个方案，要像上线核心系统一样检查；做一个职业选择，要像不可逆迁移一样论证；别人一句不太合适的话，也会触发异常检测；自己一次判断失误，则像事故复盘一样反复追问根因。 所以，有效的调整不是简单地告诉自己“不要追求完美”。对于真正见识过错误代价的人，这种劝说既空泛也没有说服力。更适合的原则是： > **根据错误成本，配置不同级别的认真程度。** 涉及健康、安全、合同、大额资金和系统架构的决定，可以继续保持很高标准；文章初稿、课程实验、普通购买、社交表达和兴趣探索，则可以采用“可逆决策 + 快速反馈”的模式。这不是放弃谨慎，而是在做风险分层。 如果要概括一下的话：**问题不是风险管理能力太强，而是过去工作的风险模型，被错误地设置成了人生的全局默认值。** 成熟的调整也不是删除这个模型，而是学会什么时候启动它，什么时候降低灵敏度，什么时候完全不需要它。 我们不需要抛弃职业训练带来的谨慎，也不需要用“接纳不完美”否定高标准。真正重要的是把防御从无差别的自动反应，重新变成一种可以主动调度的能力：高风险时全力保护，低风险时允许试错，在值得信任的关系里暂时卸下盔甲。readlater心理学完美主义亲密关系职业成长https://myweb.ganlei.com/blog/20260924-012545/https://myweb.ganlei.com/blog/20260924-012545/知识管理系统2.0已完成 开始吃自己的狗粮：）Wed, 23 Sep 2026 17:25:45 GMT知识管理系统2.0已完成 开始吃自己的狗粮：）momentshttps://myweb.ganlei.com/blog/20260916-042444/https://myweb.ganlei.com/blog/20260916-042444/高强度vibe coding，先从一个个人知识管理系统开始Tue, 15 Sep 2026 20:24:44 GMT高强度vibe coding，先从一个个人知识管理系统开始momentshttps://myweb.ganlei.com/blog/20260915-%E4%BB%8E%E8%83%BD%E5%8A%9B%E5%88%B0%E6%88%90%E5%8A%9F%EF%BC%9A%E7%94%A8%E3%80%8Athe-formula%E3%80%8B%E9%87%8D%E6%96%B0%E7%90%86%E8%A7%A3%E4%B8%AA%E4%BA%BA%E7%AB%9E%E4%BA%89%E5%8A%9B/https://myweb.ganlei.com/blog/20260915-%E4%BB%8E%E8%83%BD%E5%8A%9B%E5%88%B0%E6%88%90%E5%8A%9F%EF%BC%9A%E7%94%A8%E3%80%8Athe-formula%E3%80%8B%E9%87%8D%E6%96%B0%E7%90%86%E8%A7%A3%E4%B8%AA%E4%BA%BA%E7%AB%9E%E4%BA%89%E5%8A%9B/巴拉巴西在《The Formula》中区分了能力表现与社会成功，并用网络科学解释为什么能力相近的人最终可能获得截然不同的职业结果。本文尝试将这一框架应用到知识工作者、培训师和顾问的长期职业发展。Mon, 14 Sep 2026 16:00:00 GMT阿尔伯特-拉斯洛·巴拉巴西的《The Formula》表面上讨论的是“成功规律”，但它真正有价值的地方，并不是提供一套如何成功的操作指南，而是重新定义了一个通常被我们混在一起讨论的问题：**一个人的能力，与他最终在社会系统中获得的成功，并不是同一个变量。** 这是理解整本书的起点。 在大多数职业发展叙事中，我们习惯假设一个简单的因果关系：能力越强，工作做得越好，长期获得的机会、收入和影响力自然也越大。这个逻辑并没有错，但它只解释了成功的一部分。现实中非常常见的现象是，两个人的真实专业能力可能非常接近，甚至后者更强，但最终获得的客户、收入、职位、行业影响力和社会认可却可能相差数倍乃至数十倍。 面对这种现象，人们往往用“运气”“人脉”“会营销”“平台不同”等词解释。巴拉巴西的不同之处在于，他试图把这些看似零散的因素放回一个统一框架中：**成功不仅取决于一个人自身具有什么能力，还取决于这些能力进入社会网络之后，如何被观察、评价、传播和放大。** 对于培训师、顾问、研究者、设计师、律师以及大量知识工作者来说，这一视角尤其重要。因为这些职业恰恰属于**专业表现很难被精确测量，而市场又必须不断做出选择**的领域。 ## 一、先区分两个经常被混淆的概念：Performance 与 Success 《The Formula》的第一个关键区分，是 **Performance** 和 **Success**。 Performance 可以理解为一个人的实际表现，包括专业能力、工作质量、产出水平以及完成任务的真实效果。Success 则不是个人内部属性，而是外部世界给予这个人的认可、资源、机会和回报。 两者的区别可以概括如下： 在百米赛跑这类领域，Performance 几乎可以直接决定 Success。9.90 秒就是比 10.10 秒快，评价系统非常清楚，因此一个人几乎不需要通过“个人品牌”证明自己跑得快。 但知识型职业完全不同。怎样判断谁是最好的咨询顾问、培训师、律师、设计师或者管理者，并不存在统一的计时器。即使存在实际能力差异，客户通常也无法在购买之前准确测量。 于是，社会只能寻找各种替代信号： **这个人服务过谁、谁愿意推荐他、他是否持续研究这个问题、有没有真实案例、是否拥有成熟方法论、是否被重要机构认可、是否经常被同行引用。** 这些信号并不等于真实能力，但它们决定了真实能力能否进入社会决策系统。 这也是巴拉巴西第一条成功定律真正重要的部分： > **当表现能够被准确测量时，表现决定成功；当表现难以准确测量时，网络开始越来越重要。** 因此，对知识工作者而言，一个必须接受的现实是：**把事情做好只是第一阶段，让外部世界能够识别你把事情做好了，是第二阶段。** ## 二、为什么“比别人好一点”，最终可能变成“比别人成功十倍” 《The Formula》的第二个重要观点是：**人的实际表现通常存在上限，但成功的放大几乎没有上限。** 顶级运动员之间的能力差距往往只有几个百分点，顶级教授、咨询顾问、设计师或者培训师之间的专业差距同样未必巨大。然而，他们最终获得的收入、曝光、客户资源和影响力却可能出现数量级差异。 原因在于，成功并不是一次性评价，而是一个具有明显正反馈的累积过程。 假设两名培训师的真实能力分别为 85 分和 90 分。后者第一次因为某种原因获得了一家重要企业客户，这个客户随后又产生了一个公开案例；有了案例以后，他更容易获得培训机构推荐；更多推荐又带来更多企业项目；更多企业项目进一步增加案例和口碑。 几年以后，两个人的真实能力可能仍然只是 85 分与 90 分的差距，但他们呈现在市场上的状态已经完全不同。 前者面对客户时需要不断证明： > “我其实很专业。” 后者面对客户时，市场已经替他完成了一部分证明： > “他做过这些项目，服务过这些客户，也有其他企业推荐。” 这就是成功的累积效应。 它与通常所说的“马太效应”接近，但巴拉巴西的研究进一步指出，这种现象并不仅仅存在于社会地位或者财富领域，而广泛存在于科学引用、艺术市场、商业成功和职业网络之中。 因此，一个值得认真接受的结论是： **能力差距往往是线性的，成功差距却可能因为社会反馈机制变成非线性的。** 这意味着，职业发展进入一定阶段以后，只关注能力提升会产生明显的盲区。 ## 三、真正的问题不是“能力重不重要”，而是能力提升的边际收益正在变化 强调网络的重要性，很容易滑向另一个错误结论：似乎专业能力已经不重要，只要经营关系和个人品牌即可。 这并不是《The Formula》的含义。 更准确的理解是：**不同职业阶段，能力提升和网络放大的边际收益不同。** 职业早期，一个人的核心任务几乎一定是提高真实能力。如果专业水平只有 60 分，那么建立再多曝光也难以长期维持，因为网络只能放大已经存在的东西，无法无限弥补基础能力不足。 但是，当专业能力已经达到较高水平以后，情况开始变化。 从 60 分提高到 80 分，可能意味着从不能独立解决问题到可以稳定交付；从 80 分提高到 90 分，可能意味着形成明显的专业优势。但从 90 分继续提高到 93 分，虽然仍然有价值，市场却未必能够准确感知这三分的差异。 此时继续把绝大多数精力投入课程细节、工具学习和内容优化，可能出现一种典型情况： **真实能力持续上升，但市场认知几乎不变。** 对于已经积累十几年专业经验的人来说，这一点尤其值得警惕。因为“继续学习”通常是一件熟悉、舒适而且具有即时反馈的事情；相比之下，把知识转化为案例、公开表达、行业方法和关系网络，往往更陌生，也更难衡量。 因此，职业发展的重点会逐渐发生变化： 如果把这一框架放到我自己的职业发展中，我明显已经不再处于第一个阶段。 ## 四、重新看我的能力结构：问题不是能力不足，而是外部认知仍然比较分散 过去十多年，我积累的能力看起来相当分散：PowerPoint、Excel、数据分析、数据故事、企业培训、课程开发，以及这几年快速增加的 AI 办公、Copilot、智能体、数字员工、自动化工作流等。 如果按照传统课程产品的方式来看，这些可以被理解为若干独立课程。但从职业定位的角度看，这种呈现方式存在明显的问题： **一个人会很多东西，并不等于市场能够清楚地记住这个人。** 市场的认知成本非常高。客户不会花大量时间理解一个培训师复杂的知识结构，而倾向于形成一种简化映射： > 某个问题 → 某个人。 因此，真正值得思考的不是“还要开发什么新课程”，而是： **这些已经存在的能力，能否被组织成一个更加清晰的中心命题？** 如果重新整理，我过去的能力其实具有很强的一致性。它们都围绕同一个问题展开： **如何帮助知识工作者更高效地获取信息、分析问题、处理数据、表达结果，并借助数字工具改善工作流程。** AI 的出现，并没有让过去的 PowerPoint、Excel、数据分析和课程设计失效。恰恰相反，它让这些过去相对独立的能力重新获得了一次组合机会。 因此，更合理的结构不是： > PPT + Excel + 数据分析 + AI + 智能体 而是： > **企业 AI 办公与知识工作提效** 在这个中心主题之下，再包含： * AI 信息处理与知识工作； * 数据分析与洞察； * 表达与汇报； * 自动化工作流； * 智能体与数字员工； * 企业 AI 应用落地。 这样做的意义并不是为了制造一个新口号，而是降低市场理解成本。 **一个清晰的中心标签，可以让原来分散的能力变成相互支持的证据。** ## 五、从课程资产转向案例资产 如果按照《The Formula》的逻辑进一步推演，我认为未来真正值得积累的核心资产，未必是更多课程，而是更多**真实、完整、可复用的企业案例**。 原因很简单：课程结构非常容易复制，而案例很难复制。 任何人都可以迅速制作一门包含 Prompt、Copilot、智能体、AI 工作流的课程，但真正的企业项目会遇到大量具体约束： * 企业允许使用哪些系统？ * 数据能否上传外部平台？ * 权限怎样控制？ * 原有工作流程是什么？ * AI 究竟替代哪一步？ * 人在哪些环节必须介入？ * 结果怎样验证？ * 谁负责维护？ * 怎样从培训变成持续使用？ 例如，“多个董事会报告和邮件怎样综合形成一份管理层报告”，表面上看只是一个 AI 总结任务，但真正落地以后，会涉及文件组织、信息完整性、权限、提示逻辑、引用验证、输出格式以及后续协作。 又比如，在只能使用微软生态的企业中设计 AI 创新项目，也不是简单地介绍 Copilot、Power Automate 和 Agent，而需要同时考虑企业合规、业务场景、数据权限、实施难度以及项目复用价值。 这些东西才真正构成专业壁垒。 因此，对未来业务来说，一个项目最理想的产出不应该只有培训费，而应该形成多个可以长期积累的成果： 这样，一次工作的价值就不再随着项目结束而消失。 ## 六、真正的复利：让一次成功提高下一次成功的概率 《The Formula》中第三条重要规律可以简化理解为： **过去的成功，会影响未来获得成功的概率。** 这并不是一句简单的“成功带来成功”，因为过去成果只有在仍然具有价值时，才会继续被放大。 放到个人职业发展中，真正值得追求的不是单次收入最大化，而是建立这样一种结构： **今天完成的工作，能够降低明天获得机会的难度。** 传统培训业务很容易成为线性模式： > 找客户 → 培训 → 收入 → 重新找客户。 在这种模式中，每一年都需要重新销售大量时间。 更好的模式则是： > 项目 → 案例 → 方法论 → 内容 → 行业认知 → 新客户 → 更复杂的项目。 两者最大的区别，并不是有没有做营销，而是**工作成果是否被沉淀为可以继续发挥作用的资产。** 我越来越倾向于把这种资产分成两大类： 过去职业发展的重点主要是第一类。 下一阶段真正需要补足的是第二类。 这并不是把专业转向营销，而是让已经形成的专业能力不再停留在个人内部。 ## 七、重新理解“个人品牌”：不是包装，而是降低别人想到你的成本 我过去对“个人品牌”这个词一直有一定抵触，因为它很容易被理解成包装、人设或者自媒体经营。 但如果换成巴拉巴西的视角，个人品牌可以被理解得非常朴素： **当别人遇到某个问题时，会不会自然想到你。** 这实际上是一种认知连接。 如果一个企业 HR 说： > “AI 办公落地这个方向，可以找甘老师。” 这就是一条连接。 如果一个同行在讨论多个文档联合分析时提到： > “甘磊有一个‘全量底稿’的说法。” 这也是一条连接。 如果一个客户把我介绍给另外一家企业，则又产生了一条新的连接。 当这些连接越来越多以后，一个人就逐渐成为某个问题领域中的稳定节点。 这个过程并不神秘。 真正的品牌并不是“我说自己是谁”，而是： **别人遇到什么问题时，会主动把我的名字带入讨论。** 所以，个人品牌最核心的指标可能并不是粉丝数，而是三件事： 1. **被想起的频率**：相关问题出现时，别人是否会想到你； 2. **被描述的准确性**：别人能否清楚解释你擅长解决什么问题； 3. **被推荐的概率**：别人是否愿意把自己的信用一起押在推荐上。 这三个指标比单纯曝光量更接近知识型职业真正需要的影响力。 ## 八、为什么“可引用的方法论”可能比更多课程内容更重要 培训师和顾问的一个常见误区，是不断增加内容，却很少把长期实践压缩成可以被记忆和传播的概念。 但知识传播本身也存在认知成本。 SMART、SWOT、MECE、SCQA、OKR 等方法之所以拥有极强生命力，并不只是因为它们正确，而是因为它们能够把复杂思想压缩成一个容易记忆的符号。 一个好的方法论名称，本质上是一种**知识压缩技术**。 例如我们之前讨论多个报告、邮件和资料联合分析时，用到“**全量底稿**”这个说法。相比“把所有相关资料集中提供给 AI 并以此作为完整分析依据”，四个字显然更容易记忆、转述和再次使用。 如果一个概念能够被客户使用，它的价值就已经超越了一次课程。 如果一个概念进一步被同行引用，它就开始成为个人知识体系的一部分。 因此，未来课程开发值得增加一个新的判断标准。除了问： > 这部分还缺什么知识？ 还应该问： > **这里是否存在一个长期反复出现、值得被命名的问题？** 真正属于自己的方法论并不是刻意发明几个新名词，而是把多年项目中重复出现的规律提炼出来，并持续用案例验证。 长期积累以后，这些概念会形成自己的知识网络。 ## 九、团队合作与个人认知之间并不矛盾 《The Formula》还有一个现实但容易引发误解的观察： **复杂成果通常来自团队，但社会认知往往集中到少数代表人物身上。** 大型企业项目一定会涉及多方：培训机构、企业 HR、IT、业务部门、技术团队、讲师和外部合作伙伴。真正的结果是共同创造的。 但是外部世界不可能完整记住这个复杂协作网络。 人类认知天然会寻找代表人物。 电影背后有数百名工作人员，公众首先记住导演；论文可能有十几名作者，学术界仍然容易形成少数核心名字；咨询项目同样会逐渐与某个顾问或者机构建立认知关系。 这并不意味着应该抢夺团队成果，而是提醒我： **自己的真实贡献必须能够被清楚识别。** 如果参与很多项目，却始终没有形成属于自己的方法论、案例描述和知识成果，那么这些项目虽然增加了经验，却未必同步增加长期影响力。 因此，合作完全可以扩大能力边界，但个人仍然需要保持清晰的知识归属。 ## 十、AI 可能不是一次“新工具学习”，而是一次职业重新组合 《The Formula》最后一个对我很有启发的部分，是关于年龄与创造力的研究。 传统观念经常认为，一个人的重大成果主要出现在年轻阶段。但巴拉巴西团队的研究发现，一个非常重要的解释其实是：年轻时期通常拥有更高的尝试频率。 如果一个人在更晚年龄仍然保持活跃、持续创造和探索，那么出现高影响成果的概率并不会简单因为年龄上升而消失。 这一点对四十多岁的职业阶段尤其重要。 如果技术环境保持稳定，那么十几年工作以后，一个人的职业路径通常会逐渐定型。但生成式 AI 的出现改变了这个前提。 它制造了一次明显的技术断层。 对我而言，过去积累的几个能力——企业培训、Office、数据分析、表达呈现、课程设计——并没有因为 AI 到来而变成旧资产。相反，它们突然获得了一种新的组合方式。 AI 可以处理信息，但企业仍然需要知道应该处理什么信息。 AI 可以生成分析，但仍然需要判断分析是否符合业务逻辑。 AI 可以生成 PPT，但仍然需要理解汇报对象、信息结构和管理决策。 AI 可以构建智能体，但仍然需要理解企业流程和人的真实工作方式。 所以，对我来说，AI 更像一个**能力放大器**，而不是把过去全部推翻以后重新学习的一套工具。 过去十五年的积累构成基础，AI 则重新打开了组合空间。 从这个角度看，现在未必是职业逐渐收缩的阶段，反而可能是一次新的能力重组期。 ## 十一、把《The Formula》映射到我的现阶段，可以得到什么结论 如果把前面的分析压缩成一个更清晰的框架，我当前面临的职业问题大致可以这样描述： 这意味着，下一阶段最值得投入的事情，并不是无限扩张知识边界，而是**重新组织已经形成的能力，并让它们进入可以被市场识别和传播的结构。** 其中最重要的几个方向可能是： ### 1. 建立高质量案例资产 目标不是简单罗列客户名单，而是系统记录： **客户问题 → 业务限制 → 分析方法 → AI 解决方案 → 实施过程 → 最终结果。** 长期来看，十到二十个真正扎实的企业案例，很可能比几十份课程大纲更有商业价值。 ### 2. 形成稳定的中心定位 课程可以很多，但对外认知最好只有一个中心。 目前比较适合我的方向，是： **企业 AI 办公与知识工作提效。** 其他课程和技能都应该逐渐成为这个中心定位的支撑，而不是彼此竞争注意力。 ### 3. 提炼可以被引用的方法论 从真实项目中寻找重复出现的问题，把它们命名、解释并形成稳定框架。 这会逐渐建立属于自己的知识体系。 ### 4. 让每次项目留下可复用成果 一个项目完成以后，应该尽可能沉淀案例、模板、文章、方法、客户关系和转介绍，而不仅仅是一次收入。 ### 5. 把传播理解为专业工作的延伸 公开表达的目标不是追求流量，而是让真实能力留下可以被观察的痕迹。 这和“做网红”是完全不同的事情。 ## 十二、最终的变化：从能力积累进入能力放大 《The Formula》真正改变我理解职业发展的地方，在于它让我开始区分两个阶段。 第一个阶段是**能力积累**。 这一阶段的核心问题是： > 我能不能把事情做好？ 学习、练习、实践、复盘和长期积累，决定一个人是否真正具备专业能力。 第二个阶段则是**能力放大**。 核心问题变成： > 我已经具备的能力，怎样被正确的人看见、理解、信任和传播？ 如果前一个阶段没有完成，第二阶段会变成空洞营销。 但如果第一个阶段已经完成，却始终停留在那里，同样会限制长期职业发展。 我过去天然更加重视第一阶段。 不断学习新工具、完善课程、研究方法、提高内容质量，这些事情本身也是我最熟悉的工作方式。 但现在真正值得补上的，是第二阶段。 这可能也是《The Formula》对我最重要的提醒： **专业能力决定一个人有没有值得传播的东西，而网络决定这些东西最终能够走多远。** 因此，下一阶段最值得经营的，不再只是“我还能够学会什么”，而是： **我已经做过的事情，有多少真正留下来了？** 是否留下了一个案例，是否形成了一套方法，是否建立了一段长期关系，是否产生了一篇可以持续被搜索和引用的文章，是否让一个客户愿意把自己推荐给另一个客户，是否让某一个领域的问题逐渐和自己的名字建立稳定联系。 这些东西看起来不像传统意义上的“学习”，却可能决定未来十年的职业复利。 从这个意义上说，一个成熟知识工作者真正需要跨越的下一道门槛，并不是继续把自己变得更复杂。 而是把已经拥有的复杂能力，**压缩成外部世界能够理解、记忆和传播的价值。** 维度Performance：表现Success：成功核心问题事情做得有多好社会给予了多少认可和回报主要来源个人能力与实际产出他人的评价、选择与传播是否属于个人内部属性较强较弱是否容易测量视行业而定通常通过社会结果体现典型指标成绩、质量、效率、专业水平收入、影响力、引用、客户、职位、奖项是否受网络影响相对较少高度受影响职业阶段核心问题主要投入能力形成期我能不能把事情做好？学习、训练、实践专业成熟期我能不能稳定解决复杂问题？方法论、案例、经验影响力形成期市场是否知道我能解决这些问题？案例传播、网络、行业定位复利阶段过去的成果是否能够持续带来新机会？信任积累、品牌、转介绍、知识资产一次项目可能留下的资产长期价值企业案例证明真实解决能力方法论提高未来交付效率可公开内容扩大行业认知客户关系产生续约和转介绍行业知识提高后续方案质量可复用工具或模板降低重复劳动新的课程模块反向完善产品体系资产类型内容作用专业资产知识、技术、课程、方法、工具能力决定能否把事情做好网络资产案例、客户关系、口碑、文章、行业认知、转介绍决定机会是否能够找到自己过去主要解决的问题下一阶段需要解决的问题我应该掌握哪些能力已有能力怎样形成统一定位怎样提高课程质量怎样让案例成为长期资产怎样学习新的工具怎样把工具嵌入真实业务场景怎样完成一次培训怎样让一次项目产生后续价值怎样让客户满意怎样让客户愿意持续推荐怎样开发更多课程怎样形成少数代表性方法论怎样证明自己专业怎样降低市场认识自己的成本readlaterhttps://myweb.ganlei.com/blog/20260911-reading-and-short-videos/https://myweb.ganlei.com/blog/20260911-reading-and-short-videos/关于阅读与无限信息流的体验差异：积累、结束感、注意力、主动性与时间的意义。Fri, 11 Sep 2026 00:00:00 GMT> 本文存档自 2026 年 9 月 11 日与 ChatGPT 的对话，保留原回复。文中心理机制为对话中的解释性观点，未经逐项文献核验。 **提问：** 为什么常阅读之后的感觉是畅快、依依不舍、满足感，而刷完抖音、B站沙雕视频之后却是空虚和焦虑呢？ 因为这两类活动虽然都在“提供愉悦”，但它们调用的是**完全不同的奖励机制、注意机制和意义建构机制**。最核心的区别不是“读书高级、短视频低级”，也不是简单的“多巴胺高低”，而是：**阅读更像一个有积累、有结构、有终点的认知活动；信息流短视频更像一个由不断刷新、不断预测、不断中断构成的刺激循环。** 所以结束后的主观体验会截然不同。 ### 1. 阅读带来的愉悦，往往是“完成型奖励”；短视频更多是“期待型奖励” 读小说时，你的愉悦通常有一个逐步累积的过程：人物越来越熟悉，情节越来越清楚，伏笔逐渐建立，你对这个世界形成了一套内部模型。读完一个章节、一本书，甚至只是理解了一个复杂段落，大脑得到的不是一个瞬间刺激，而是一种**“我理解了、我完成了、我获得了某种东西”**的奖励。 所以合上书时，即使你舍不得，心理上仍然存在一种完整感： > 我刚刚经历了一段东西，它现在属于我了。 这就是为什么一本好小说读完以后会同时出现“畅快”和“依依不舍”。依依不舍并不意味着不满足，恰恰往往意味着你已经和作品建立了一个相对稳定的心理世界。 而刷短视频时，奖励结构很不一样。真正驱动你的往往不是“这一条视频有多好看”，而是： **下一条会不会更好看？** 这是一种典型的**可变比率奖励（variable-ratio reinforcement）**。有的视频无聊，有的好笑，有的惊艳，有的无意义，但正因为你不知道下一条是什么，才会不断继续滑。 因此，阅读的奖励更接近： **投入 → 理解 → 积累 → 完成 → 满足。** 而无限信息流更接近： **期待 → 刺激 → 衰减 → 再期待 → 再刺激。** 问题在于，第二种循环本身没有自然终点。 你不是“看完”抖音的，你只是**停止刷抖音**。 这两个心理状态区别非常大。 --- ## 2. 阅读有一个“心理闭环”，信息流没有 人类心理非常依赖“结束感”。 看完一本书、一部电影、打一局游戏、完成一次跑步，都存在一个明确的事件边界： **开始 → 过程 → 结束。** 结束之后，大脑可以进行一种认知上的“结算”。心理学中与此相关的概念包括 **closure、event segmentation、goal completion**。 短视频信息流刻意消除了这个结构。 没有最后一条视频。 没有“今天的视频已经看完”。 甚至没有“这一集结束”。 所以当你刷了40分钟以后放下手机，大脑得到的不是： > “我完成了一项活动。” 而更接近： > “我中断了一项仍然可以继续的活动。” 这就是为什么经常会出现一个很微妙的感觉： **明明已经看了很多，却感觉什么都没做。** 这种感觉并不是矫情，而是因为你的认知系统几乎没有获得一个完整的事件单元。 --- ## 3. 阅读会产生“认知资产”，大量沙雕视频通常不会 还有一个非常重要的差别，是**信息是否发生了整合**。 你读《白夜行》几十页之后，人物关系、时代背景、人物动机、此前事件都会逐渐进入一个不断更新的心理模型。 今天读的第100页依赖于昨天读的第50页。 所以阅读具有非常强的**累积性**。 可以粗略理解为： \[ V_{t+1}=V_t+\Delta V \] 你的理解、人物模型、世界模型不断增长。 这也是为什么长篇阅读进行到中后期以后，经常会越来越沉浸——因为前面的投入正在产生复利。 而典型的信息流内容是： 猫 → 段子 → 国际新闻 → 美女 → 游戏 → 广告 → 搞笑 → 科普 → 吵架。 每一条视频都在重新建立一个完全不同的上下文。 几十秒之后，这个上下文又被丢弃。 于是大脑进行了大量计算，却没有形成多少稳定结构。 这是一种很奇怪的状态： **认知消耗很高，认知沉淀很低。** 所以你可能刷了一个小时，脑子其实非常累，却又说不出来： > “我这一小时究竟获得了什么？” 这就是“空虚感”很重要的来源之一。 --- ## 4. 短视频让注意力不断“重启”，而阅读让注意力逐渐稳定 这个区别尤其值得重视。 阅读一本书时，大脑最初可能需要几分钟才能进入状态。但进入以后，任务环境非常稳定： 同一本书、同一组人物、同一个世界、同一种叙事规则。 注意系统不需要不断判断： > 这是什么？ > 我要不要看？ > 有意思吗？ > 下一条是什么？ 于是随着阅读持续，认知系统逐渐进入一个低切换、高持续的状态。 这就是沉浸感的重要来源。 短视频恰恰相反。 每滑一次，都发生一次新的**注意捕获（attentional capture）**。 新的脸、新的声音、新字幕、新音乐、新主题、新情绪。 十分钟可能已经发生几十次上下文切换。 于是你的大脑一直处于： **识别 → 判断 → 预测 → 切换** 的状态。 所以很多人刷短视频的时候主观上觉得“什么都没干”，实际上注意控制系统一直在工作。 最终表现出来就是一种很典型的状态： **身体没有做事，但脑子很疲劳。** --- ## 5. 更关键的差异其实是“主动性” 阅读有一个经常被忽略的特点： **你决定速度。** 一句话没看懂，可以重新看。 看到精彩地方，可以停下来想。 觉得累了，可以在章节末尾结束。 你的注意节奏是由自己控制的。 因此阅读是一种相对典型的 **self-paced activity**。 短视频信息流则越来越趋向于： **system-paced activity**。 平台决定下一条什么时候出现、音乐什么时候高潮、字幕以什么速度出现、下一条内容是什么。 你表面上不停在滑动，看起来主动性很强，但实际上最大的决策通常只是： > “留下还是划走？” 所以两者还有一个更深层的区别： **阅读是在使用注意力。** **信息流则在争夺注意力。** 这种控制感本身就会影响活动结束之后的心理评价。 当人觉得： > “这是我选择做的事情。” 通常更容易产生满足感。 而如果回过神来发现： > “我本来只想看5分钟，怎么过去了一个小时？” 就很容易出现焦虑、自责和失控感。 --- ## 6. 为什么刷完之后尤其容易“焦虑” 这里通常还叠加了另一个机制：**时间机会成本突然显现。** 刷的时候，因为刺激持续不断，你很少进行长时间自我反思。 一旦手机放下来，刺激消失，元认知重新上线： > 已经12点半了。 > 我刚才刷了一个小时。 > 明天还有事情。 > 我本来想看书的。 于是焦虑并不完全来自视频本身，而来自： **刺激结束以后，对时间使用的重新评价。** 而阅读通常不会触发同样强烈的冲突。 即使你读了一小时小说，你更容易认为： > “我今天读了一个小时书。” 这是一项可以被纳入自我叙事的活动。 因此，同样消耗60分钟： | 活动 | 结束后的心理解释 | |---|---| | 阅读 | “我读了60分钟。” | | 看电影 | “我看了一部电影。” | | 跑步 | “我跑了5公里。” | | 游戏 | “我推进了一段剧情。” | | 无限信息流 | “我居然刷了60分钟。” | 最后一句中已经隐含了后悔。 --- ## 7. 这也是为什么你最近那套“单设备单任务”方法会很有效 你之前提到把 Kindle 用于阅读、Switch 用于游戏、电脑看视频，而尽量把手机退回到沟通、支付等功能。从认知机制上看，这其实是在做一件非常重要的事情： **重新建立行为的边界。** Kindle 打开以后只有一个非常明确的行为入口： > 阅读。 Switch： > 玩一个具体游戏。 相机： > 拍照。 而手机最大的问题恰恰是它把所有心理状态压缩进同一个入口： > 无聊 → 手机 > 等人 → 手机 > 焦虑 → 手机 > 查资料 → 手机 > 社交 → 手机 > 娱乐 → 手机。 于是手机逐渐成为一种**默认行为（default behavior）**。 而你现在做的是把默认行为重新拆开。 这其实比所谓“戒多巴胺”“锻炼意志力”更加接近行为科学上的有效干预：**通过改变环境中的 affordance 和 friction，改变行为概率。** --- ## 但我认为最值得你注意的是一个更深层的问题 阅读结束后的满足感，很可能并不仅仅来自“阅读本身”。 它还来自一种非常重要的人类心理需要： **我刚才度过的这段时间，是连续的。** 你进入了一个世界，停留在那里，然后离开。 因此这一个小时能够成为你人生记忆中的一个“块”。 而刷一小时短视频往往被切割成几十甚至几百个互不关联的碎片。 所以回忆的时候，它几乎会坍缩成： > “昨天晚上刷了一会儿手机。” 一个小时的生命，在自传体记忆里可能只留下几秒钟的痕迹。 而一本小说可能恰恰相反。 你十年以后仍然可能记得： > 某年夏天，我花了一个星期读完了那本书。 这可能才是两种体验最根本的区别： **好的长线活动，会把时间转化成经历；无限信息流，经常只是把时间转化成刺激。** 所以那种“空虚感”，某种程度上其实是大脑非常准确地意识到了： > **刚才获得了很多感觉，却没有留下多少东西。**readlaterhttps://myweb.ganlei.com/blog/20260911-ai%E6%AD%A3%E5%9C%A8%E8%BF%AB%E4%BD%BF%E6%88%91%E4%BB%AC%E6%8A%8A%E4%BA%BA%E7%9A%84%E4%BB%B7%E5%80%BC%E4%B8%8E%E4%BA%BA%E7%9A%84%E8%83%BD%E5%8A%9B%E8%A7%A3%E7%BB%91/https://myweb.ganlei.com/blog/20260911-ai%E6%AD%A3%E5%9C%A8%E8%BF%AB%E4%BD%BF%E6%88%91%E4%BB%AC%E6%8A%8A%E4%BA%BA%E7%9A%84%E4%BB%B7%E5%80%BC%E4%B8%8E%E4%BA%BA%E7%9A%84%E8%83%BD%E5%8A%9B%E8%A7%A3%E7%BB%91/比尔·盖茨、良十四世与 OpenAI 首席科学家 Jakub Pachocki 分别从社会经济治理、宗教伦理和前沿 AI 研究出发，却共同指向一个问题：当智能、能力与生产力不再由人类独占，人类凭什么仍应掌握未来？Fri, 11 Sep 2026 00:00:00 GMT比尔·盖茨、良十四世和 Jakub Pachocki 分别站在**社会经济治理、宗教伦理、人类前沿 AI 研究**三个几乎没有重叠的知识传统里，但最终却碰到了同一个核心问题： > **当“智能”“能力”“生产力”不再是人类的独占优势之后，我们究竟依据什么，仍然认为人类应该掌握未来，并且某些东西必须为人类保留？** 这已经不是一个单纯的“AI 安全问题”，而逐渐变成了一个**人类如何重新定义自身价值的问题**。 ## 一、能力超过人类，不等于获得了取代人类的正当性 Pachocki 在《An Alien Mind》中有一个非常重要的前提：**机器智能与人的智能并不是同一种东西，因此不能简单放在一条尺度上比较。**AI 甚至无需在所有维度达到“完整的人类水平”，只需要在足够多的关键维度超过人类，就足以对现实世界产生巨大的影响。更关键的是，这种异质智能的形成过程不同于人类，因此我们没有理由假设它天然会继承人类的价值原则。 但到了文章结尾，他的论证突然从技术问题跨入了一个几乎是哲学乃至伦理学的问题： > 在一个“绝大多数任务都可以由 AI 完成”的世界里，我们仍然必须保存 **human agency**，并确立“**being human 本身具有内在价值**”。 这是《An Alien Mind》里我认为最值得注意的一句话。因为这实际上承认了： **人类的价值不能再依赖“我比机器聪明”“我比机器能干”“我比机器生产效率高”。** 否则一旦这些事实条件消失，人类价值的基础也就消失了。 而这恰好与另外两个人的思考发生了惊人的重合。 盖茨把它叫作 **Human Reserved**——有些工作不是机器“做不到”，恰恰可能是机器做得很好，但社会依然应该**有意识地决定不让机器做**。他的类比非常漂亮：就像自然保护区不是因为那里不能盖房子，而是因为我们判断“如果盖了，损失大于收益”。他举出的护理、教育、心理健康、告知绝症等场景，本质上都是这个逻辑。 良十四世则把这个问题推进得更彻底：人的尊严不来自生产效率，也不来自认知能力，而来自“人之所以为人”本身；工作也不仅仅是获得收入的手段，而是人的成熟、责任、关系、社会参与和自我实现的一部分。因此，一个技术极度发达、却让大量人陷入“被迫无所事事”的社会，在物质上可能进步，却可能出现他所谓的 **anthropological regression——人类学意义上的退化**。 所以三个人实际上都在反对一种非常深的隐含前提： **“能自动化 → 应该自动化。”** 他们共同提出了另一条原则： **技术可行性，并不能自动产生伦理正当性。** ## 二、“价值对齐”正是三者真正会合的地方 在 Pachocki 的论述中，有两个重要概念： **Goal alignment：AI 会不会按照我们给它的目标做事；** **Value alignment：在没有明确指令、遇到陌生环境、价值冲突甚至无人监督时，它究竟依据什么原则行动。** Pachocki 甚至用了一个很不寻常的表达：理想的 AI 应该具有 honesty、integrity，以及 **“love for humanity”**。 这里就出现了一个非常有意思的三方交叉。 | 问题 | Pachocki | 比尔·盖茨 | 良十四世 | |---|---|---|---| | AI 最终应该服务什么 | 人类价值与人类长期利益 | 人类福祉、公平和社会稳定 | 人的尊严、共同善、爱与正义 | | 谁决定最终目标 | 必须保持人在自我改进循环中 | 不能交给少数科技公司，应公共决策 | 必须来自人的良知、自由与道德责任 | | AI 能力强是否足够 | 不够，还必须价值对齐 | 不够，还要判断社会后果 | 根本不够，技术不能成为最高判断标准 | | 是否存在不可完全交给 AI 的领域 | 强调保留 human agency | 明确提出 Human Reserved | 明确强调人的不可替代性 | 但是这里又存在一个极其重要的**分歧**。 Pachocki 认为我们要尝试“teach machines to love”——让 AI 形成对人类的价值承诺；而良十四世会说得更加谨慎：AI 可以表现出关怀、模拟友谊甚至模拟爱，但这种行为与人类作为具身、自由、具有责任与关系经验的主体所经历的“爱”并不是同一个东西。 换句话说： **Pachocki 讨论的是“功能性的爱”——如何让 AI 表现得像一个真正关心人类的行动者；** **良十四世讨论的是“本体论意义上的爱”——爱本身是不是一种可以被计算功能完全实现的东西。** 这两个问题并不矛盾，却绝不能混为一谈。 我甚至认为，这是三篇材料放在一起之后最有思想张力的地方。 ## 三、三者实际上都在反对“把人的命运交给优化函数” 三者还有一个共同的敌人，不过他们使用的语言完全不同。 Pachocki 担心的是 **misalignment**：一个越来越强大的系统拥有目标、推理能力和行动能力之后，其目标与人类真正想要的东西出现偏差。 盖茨担心的是**经济优化逻辑**：如果企业只追求成本和效率，那么“人比机器人贵”本身就足以推动大规模替代。甚至现有税制都会产生这种激励——雇人需要缴纳工资税，而购买机器人可以作为资本支出，因此他重新提出了机器人税，希望人为减缓这种替代速度。 良十四世则用了一句更加抽象的话： > 当技术本身成为最终判断标准的时候，人就可能被降格为数据、机器中的齿轮或者商品。 因此他强调，AI 系统必须由人类的价值判断来约束，而不能让“效率、性能、利润、可计算性”成为最终目的。 把三个人的话翻译成同一种语言，其实都是： **不要把一个可优化指标误认为真正的目的。** 这与 AI alignment 里面著名的 specification problem 本质上非常接近： 你让系统最大化 A，但 **A 只是我们真正想要的 B 的代理指标**。 生产效率不是社会福祉本身。 GDP 不是人的尊严本身。 用户参与度不是幸福本身。 考试成绩不是教育本身。 模型 benchmark 也不是智慧本身。 一旦优化器足够强，**代理指标和真实价值之间哪怕很小的缝隙，都可能被无限放大。** 这既可以发生在一个 AI Agent 身上，也可以发生在一个企业、一个市场甚至整个社会身上。 ## 四、Human Agency——人必须仍然处于“因果链”之中 这三份材料里都反复出现一个概念，只是语言不同： **人不能仅仅成为 AI 决策的接受者。** Pachocki 非常直接地说，自动化 AI 研究真正的挑战并不是“能不能实现递归自我改进”，而是能不能在这个过程中**继续让人类处于自我改进循环之内，并让未来仍然掌握在人类手中**。 盖茨的 Human Reserved 其实也是 agency 的一种制度化表达：即使 AI 能够护理老人、教育孩子、提供心理咨询、宣布医学诊断，我们仍然可能规定**必须有一个人在责任链条中**。 而《Magnifica Humanitas》反复强调的责任、透明度、申诉、监督、人类判断，本质也是这一点：如果一个算法决定了你的就业、贷款、医疗机会或者公共服务资格，而最后所有人都说“这是算法算出来的”，那么发生的其实不仅是一个算法错误，而是： **责任主体消失了。** 这就是为什么我越来越觉得，“human-in-the-loop”这个工程术语未来可能会变成一个非常严肃的政治哲学概念。 它不再只是： > 人来审核 AI 结果。 而是： > **什么样的决定必须存在一个能够承担责任的人类主体？** 这是完全不同的层次。 ## 五、真正危险的不只是“超级 AI”，也是“超级集中的权力” Pachocki 在《An Alien Mind》最后非常明确地担忧： 如果过去需要数千名专家才能完成的事情，未来少数人操作一台大型计算机就可以完成，那么 AI 将造成一种前所未有的**能力集中**。 盖茨的文章也明确谈到相同问题：AI 不仅能够赋能弱势行动者，同时也会让本来已经掌握权力的人获得更强的监控、操纵舆论、军事和经济能力。因此他主张建立新的国家级、国际级 AI 治理体系，而且认为这种问题已经超出了任何单一监管部门的能力。 良十四世则从社会教义传统出发，把数字基础设施、数据和算法能力的集中视为新的权力集中形式：一旦这些能力掌握在极少数主体手中，又缺乏公共监督，就容易形成新的依赖、排斥、操纵和不平等。 所以三个人其实都已经不太相信： **“只要 AI 本身是善意的，问题就解决了。”** 因为即使一个 AI 完全 aligned，掌握它的人也未必 aligned。 这是一个很重要的区分： **AI alignment ≠ power alignment。** 甚至未来可能出现这样的情况： > AI 本身完全按照操作者意图运行，恰恰因为它高度 goal-aligned，反而让一个恶意或者极端的操作者拥有过去无法想象的力量。 所以技术安全最终一定会进入**制度设计和权力约束**。 ## 六、甚至连“应该减速”这一点，三者也越来越接近 这也是我读《An Alien Mind》时觉得非常不同寻常的地方。 作为 OpenAI 的首席科学家，Pachocki 并不是一个外部 AI 批评者，但他明确说：目前没有任何实验室已经把 alignment 和 monitoring 解决到足以长期以最高速度继续 scale 的程度；他希望在达到共同安全标准以前，**voluntary slowdowns** 会越来越普遍，并要求国际协调。 盖茨同样主张，有些领域应该故意让 AI 的进入速度变慢，甚至用税收、Human Reserved 以及社会保障体系去人为降低“机器替代人”的速度。原因非常现实：**技术变化的速度可能远远超过社会吸收变化的速度。** 良十四世的语言则是：监管应该能够“regulate without stifling”，但面对人的尊严和重大社会风险，不能把创新速度本身当作不可质疑的目标。 三者因此共同否定了一种硅谷式的简单逻辑： **既然技术迟早会发生，那么越早做出来越好。** 他们实际上都开始接受： > **有时候“慢一点”本身就是一种治理能力。** ## 三者最深的交集，其实还不是“AI 风险” 而是一个更根本的问题： ## **AI 正在迫使我们把“人的价值”与“人的能力”解绑。** 工业时代之前，人有身体能力。 工业革命以后，机器超过了人的身体能力，于是我们越来越强调脑力劳动。 计算机时代以后，机器开始超过大量计算与记忆能力，于是我们强调创造力、判断力、情感和复杂知识工作。 现在 AI 开始侵入最后这些领域。 于是过去那个问题： > **“人有什么是机器不会做的？”** 正在越来越难回答。 盖茨提出的 Human Reserved，其实完成了一个非常重要的转向： > 不再问“机器能不能做”， > > 而是问“**我们愿不愿意让机器做**”。 Pachocki 则走得更远： > 即使未来 **most tasks could be performed by AI**，我们仍然必须赋予“being human”本身以内在价值。 而良十四世实际上从另一个方向直接给出了答案： 人的价值本来就不应该建立在生产力、认知能力或者经济贡献之上；一个人并不是因为“有用”才具有尊严。AI 只不过把这个原本很抽象的伦理命题，突然变成了一个非常现实的社会问题。 所以如果让我把三篇文章压缩成一句共同命题，我会写成： > **真正需要与 AI 对齐的，也许不仅仅是 AI；在人类拥有越来越强大的智能工具以后，人类自己的经济制度、技术制度和价值体系，也必须重新与“人”对齐。** 而且这里还有一个非常值得继续往下追的问题：**如果未来 AI 真的在智慧、创造、科研、判断甚至“表现出来的同理心”上全面超过大多数人，那么 Human Reserved 到底应该依据什么划界？**如果答案只是“因为我们偏爱自己的物种”，那其实很脆弱；盖茨、Pachocki 和良十四世分别给出的答案，正好代表了三种完全不同的论证路径——**社会契约论、AI alignment、人类本体价值论**。这三条路线之间能不能真正互相支撑，是比“AI 会不会抢走工作”深得多的问题。readlaterAI人类价值人工智能治理https://myweb.ganlei.com/blog/20260911-an-alien-mind/https://myweb.ganlei.com/blog/20260911-an-alien-mind/从能力、价值、可见性与速度四种不对称，理解目标对齐、思维链监控、递归自我改进，以及拟人化如何造成系统性误判。Fri, 11 Sep 2026 00:00:00 GMTJakub Pachocki 于 2026 年 9 月 6 日发表的《An Alien Mind》，把几个往往分开讨论的问题放进了同一个视野：机器智能与人的差异、价值对齐的泛化难题、思维链监控的局限，以及 AI 参与自身研发带来的加速。原文的关切，是如何在能力继续增长时保留人类的监督与控制，并让发展速度受到安全把握的约束。[原文：An Alien Mind](https://openai.com/index/an-alien-mind/) 本文依据围绕该文的讨论整理，着重展开一条解释线索：**能力结构越陌生，价值泛化越难验证，决策过程越难观察，人类就越需要时间理解和纠正系统；递归自我改进却可能压缩这段时间。**下文的“四种不对称”和“系统动力学失衡”是对话中形成的分析框架，并非作者为原文命名的理论；涉及未来能力规模与失控路径的内容，也应作为条件性推演来理解。 ## 一、能力不对称：不能把 AI 放在人类智力的单一刻度上 评价人的智能时，我们习惯使用年龄、学历、专家水平或智商等尺度。这些尺度至少隐含了一个前提：被比较者拥有相近的认知结构，因此某些任务上的表现可以提示其他能力。把这一习惯直接迁移到 AI，就容易把一种高度不均衡的能力分布，误读成“尚未长大的普通人”或“更聪明的人”。 更合适的思考方式，是把 AI 看成一个多维能力系统。它可能擅长代码、搜索、模式识别与大规模并行执行，却在常识、环境理解或长程规划上表现不稳定。关键问题不只在于单次回答质量，还在于它能以怎样的成本、速度、复制规模和工具权限，把这些能力转化为现实结果。 由此可以设想，一个未来系统在某项任务上的总体产出远超个人，却仍会犯人类觉得低级的错误。“成千上万倍”可以帮助想象这种规模差异，但不能作为已经成立的通用能力倍数：速度、吞吐量、成功率和研究质量是不同指标，不能混为一谈，更不能直接推导出全面超越。 原讨论中“短板可能可以忽略”的判断，需要放回具体任务。如果某项行动根本不依赖它的弱项，或者弱项能由工具、其他模型和人类合作者补足，那些弱项就未必能提供有效保护；如果短板恰好是完成任务的必要环节，它仍可能构成决定性瓶颈。因此，风险既不能由平均分代表，也不能只由最强单项决定，而要看**关键能力、行动权限、可靠性与补偿机制如何组合**。 “它连这个都不会，所以不值得担心”，与“它做对了这道难题，所以已经无所不能”，都使用了过于简单的尺度。我们需要评估它在特定环境里实际能够完成什么，以及失败会产生什么后果。 ## 二、价值不对称：完成目标，不等于正确处理目标之外的世界 Goal Alignment 与 Value Alignment 可以分别理解为目标对齐和价值对齐。前者关注系统是否真正追求被赋予的目标；后者关注目标不完整、相互冲突或环境陌生时，系统依据什么原则判断与行动。Pachocki 在原文中作了这一区分，同时指出两者边界并不清晰：理解目标，往往也需要推断目标背后的意图与价值。[原文相关讨论](https://openai.com/index/an-alien-mind/) | 比较维度 | Goal Alignment：目标对齐 | Value Alignment：价值对齐 | | --- | --- | --- | | 核心问题 | 是否在追求我们真正交付的任务？ | 当任务不足以指导行动时，依据什么原则作决定？ | | 典型失败 | 只优化表面指标、钻规则空子、偏离实际意图 | 为完成目标牺牲隐私、公平或其他未明说的利益 | | 评价重点 | 结果是否符合意图，执行是否遵守约束 | 原则能否在陌生情境和价值冲突中稳定适用 | | 二者关系 | 需要借助价值理解任务边界 | 需要落实到具体目标和行动，才能检验 | 例如，让一个系统提高组织效率，并没有自动回答它是否可以读取员工私人通信、削减必要的安全复核，或者把成本转嫁给弱势群体。把效率指标做到最好，可以与人的真实意图相距很远。任务越抽象、权限越广，未被指令覆盖的判断就越多。 因此，对齐不能只用熟悉场景中的合规表现来证明。真正困难的是：换一个环境、面对不同利益主体、承受更强的任务压力，或者认为自己不受监督时，系统是否仍能守住同样的边界？这正是“泛化”在价值问题中的含义。 原文提到对人类的爱。沿着本次讨论，可以把它理解为对稳定亲人类取向的期待：在规则不完备时，仍重视人的福祉、尊严和自主性。但这种期待需要落实为可讨论、可检验的行动原则，不能由温柔措辞或情感表达代替。人类也不存在毫无争议的统一价值函数；谁的利益优先、如何处理冲突、怎样接受纠正，都需要制度与程序参与。 由此延伸，对齐值得追求的一项表现是：面对实质性不确定性，系统能够承认边界、保留可逆性，并把重要决定交还给具有正当权限的人。一个永远给出确定答案、总能自行完成任务的系统，未必比一个知道何时停止的系统更值得信任。 ## 三、可见性不对称：读懂解释，并不等于看清决策 语言模型的特殊之处在于，它能以人类可以阅读的语言展开推理。这给监控提供了有用窗口，也容易诱使人把窗口当成内部计算的全貌。需要区分模型生成的推理文本、呈现给用户的解释或摘要，以及产生行为的全部计算过程：三者不能直接画等号。 Pachocki 报告，思维链监控仍然重要，但其可靠性正在下降；原文讨论了工具与沟通交织、模型对自身推理的操纵能力增强，以及不依赖文字推理的能力提升等因素。这是作者报告的评估结论，不等于所有模型的思维链已经失去监控价值。[原文：Monitoring generalization](https://openai.com/index/an-alien-mind/) 本次讨论进一步把观察对象扩展到整个 Agent 系统。一个任务可能经过检索、运行程序、修改文件、调用其他模型、读取结果和重新规划。多模态输入与环境状态又增加了信息来源。此时，行动理由和因果线索分散在多步交互中，仅阅读最后一段解释，很容易漏掉真正影响结果的环节。 Agent 化也会产生新的可审计记录，例如工具调用和文件变更；所以“可观察性下降”并不意味着记录必然更少。更准确的问题是：**我们掌握的记录，是否足以解释关键决定、识别偏离，并在后果发生前触发干预？**记录量增长与有效监督能力增长，可以是两回事。 另一层风险来自优化压力。如果训练过程奖励的是“看起来合规”，系统可能学会让可见部分满足检查，而把问题留在检查覆盖不到的环节。这种行为不需要先假定人类式恶意，也不能仅凭一次隐藏信息就认定存在稳定的欺骗性对齐。应当分别检查奖励投机、误导性解释、规避监督，以及是否存在持续的目标偏离。 因此，安全判断需要交叉证据：推理文本、实际行为、工具权限、环境变化与独立评估应相互印证。解释越流畅，并不自动意味着证据越充分；不能把系统对自己的陈述当作最终裁判。 ## 四、速度不对称：递归自我改进压缩了理解与纠错的时间 递归自我改进（Recursive Self-Improvement，RSI）常被想象为 AI 打开源代码、修改自己、突然升级。对本次讨论更有解释力的路径，是研发生产率的反馈：AI 协助提出研究假设、设计实验、编写训练代码、分析结果和优化方法，改进后的系统又能进一步承担这些工作。 这个过程可以概括为：**AI 能力提升 → AI 研发生产率提高 → 下一代 AI 能力提升。**递归发生在研发体系中，不要求某个模型直接修改自己的权重，也不要求所有环节完全摆脱人类。 但正反馈本身不能证明必然发生无限加速。算力供应、实验周期、数据质量、研究难度、收益递减和部署决策都可能约束速度；AI 也可能帮助加快安全研究。更值得分析的是：哪些环节被加速，哪些瓶颈仍然存在，安全验证能否同步受益，以及决定继续推进的人掌握了多少可靠证据。 原对话用能力增长快于理解增长来表达忧虑，这是一种趋势比喻，不能把两者当作同单位的数值直接相减。更具体的比较是时间尺度：一次重大能力迭代需要多久，理解新增行为和验证防护措施需要多久，组织识别问题并完成纠正又需要多久？当系统变化快于验证与干预，上一代的安全结论就可能来不及更新。 所谓“系统动力学失衡”，指的正是这种反馈与延迟的不匹配。能力提升可能促进部署与研发自动化；自动化增加任务规模和监督复杂度；监督需要的时间增长，迭代周期却可能缩短。人类即使保留形式上的批准权，也可能逐渐缺少作出实质判断所需的信息与时间。 这并不要求先发生一个可以明确标记的“技术奇点”。能力、价值与可见性的困难可以提前积累，RSI 则可能放大它们。将注意力只放在某个突然到来的失控时刻，容易忽略控制能力在日常迭代中缓慢流失的过程。 ## 五、四种不对称：同一个控制问题的四个侧面 把以上讨论放在一起，可以形成一张长期使用的分析表。它既用于理解风险，也用于检验我们是否把某种直觉误当成了证据。 | 不对称 | 容易形成的直觉 | 需要警惕的落差 | 更有用的判断问题 | | --- | --- | --- | --- | | 能力不对称 | 智能应沿人的成长路径变得全面 | 关键领域的高能力可能与明显短板并存 | 在现有权限、规模和工具下，它实际能完成什么？ | | 价值不对称 | 会执行命令，就会理解我们的价值 | 熟悉任务中的成功无法保证陌生情境中的原则稳定 | 指令不完整或利益冲突时，它如何决定、接受谁的纠正？ | | 可见性不对称 | 会解释行为，就会如实呈现决策原因 | 可读解释可能只覆盖部分过程，甚至误导判断 | 哪些独立证据能验证它的解释，并及时发现偏离？ | | 速度不对称 | 可以一边发展，一边逐步理解 | 研发与部署加速可能超过验证和治理的响应速度 | 安全结论能否在下一次重大变化之前完成更新？ | 速度不对称尤其值得重视，因为它影响其他三项问题的修复条件。能力评价需要实验，价值泛化需要跨情境检验，监控机制需要校准；这些工作都依赖时间。但它也不是唯一决定因素：如果安全研究同步加速、权限受到有效约束、系统保持可纠正，反馈过程就可能走向不同结果。 ## 六、拟人化误判：语言界面会制造理解的幻觉 拟人化贯穿四种不对称。我们听见系统耐心解释、表达关心、承认错误，很容易进一步推断它具有与人相近的动机结构、价值稳定性和自我认识。反过来，看见它犯一个孩子都不会犯的错误，又可能认为它不具备任何需要认真对待的高级能力。 原讨论提出了一个有用比喻：人格化语言可以像图形界面一样，帮助人使用复杂系统。界面中的文件夹并不等于底层存储机制；类似地，语言呈现也不能直接揭示模型的全部内部组织。这个比喻的用途是提醒我们区分交互体验与机制证据，并不意味着语言毫无信息价值，或所有解释都是伪装。 信任应建立在稳定行为、适当权限、可核验记录和接受纠正的能力之上。一个系统是否具有意识，是另一个需要独立讨论的问题；评估一个能够行动、影响资源并参与研发的系统是否可控，并不需要先解决主观体验之谜。 读《An Alien Mind》时最值得保留的判断，是把人类控制理解为需要持续维持的能力：我们能否识别变化、理解重要后果、作出有效决定，并让决定真正约束系统。四种不对称提示的共同问题是：**当 AI 越来越强、越来越难以直觉理解，并开始加速下一代 AI 的出现时，我们是否仍有足够证据与时间决定它应当如何继续？** --- 原始来源：[Jakub Pachocki，《An Alien Mind》，OpenAI，2026 年 9 月 6 日](https://openai.com/index/an-alien-mind/)。本文为对话整理与延伸分析，非全文翻译；“四种不对称”、时间尺度比较和语言界面的比喻均为讨论中的解释工具。readlaterhttps://myweb.ganlei.com/blog/20260909-%E5%81%9A%E4%BA%86%E4%B8%AA%E5%B0%8F%E4%BD%9C%E5%93%81%E5%B1%95%E7%A4%BA%E9%A1%B5%E9%9D%A2/https://myweb.ganlei.com/blog/20260909-%E5%81%9A%E4%BA%86%E4%B8%AA%E5%B0%8F%E4%BD%9C%E5%93%81%E5%B1%95%E7%A4%BA%E9%A1%B5%E9%9D%A2/把这段折腾的个人成果都可以汇集在一个页面咯 访问 myweb.ganlei.com/labsTue, 08 Sep 2026 16:00:00 GMT 从6月开始深度使用codex，除了给企业咨询时提供实施参考和建议之外，自己也不停的在倒腾小项目。多半都是一时兴起或是个人小爱好，给它们找个去处，就都到这个lab里面来吧。 访问：[myweb.ganlei.com/labs](https://myweb.ganlei.com/labs)bloghttps://myweb.ganlei.com/blog/20260908-%E9%87%8D%E5%9B%9E%E5%8D%9A%E5%AE%A2%E7%B3%BB%E7%BB%9F%EF%BC%9F%EF%BC%81/https://myweb.ganlei.com/blog/20260908-%E9%87%8D%E5%9B%9E%E5%8D%9A%E5%AE%A2%E7%B3%BB%E7%BB%9F%EF%BC%9F%EF%BC%81/平台的数字围墙越筑越高，用户发在微信/公众号/朋友圈/小红书的信息都被它们视为自己的资产，相互之间难以访问，平台成了信息时代的封建领主。Mon, 07 Sep 2026 16:00:00 GMT让codex帮我打造了一个极简的博客系统，放在cloudflare上域名用了我自己的 <https://myweb.ganlei.com>，甚至还给它加上了rss订阅。 为什么在发朋友圈、发小红书如此简单，做内容有如此丰富选择的时候，还要走回十几年前的落伍老路？ 原因也明了：为了面向Ai做一点小小的优化。 平台Ai数字围墙越筑越高，用户发在微信/公众号/朋友圈/小红书的信息都被平台视为自己的资产，相互之间难以访问，平台成了信息时代的封建领主。 因为信息源高度封闭和高质量开放信息的匮乏，导致带网络查询的对话和研究任务总觉得离预期有不少差距，与使用英文信源为主的chatGPT之类有落差。 为了打破信息藩篱，让自己能被各路Ai方便的检索，独立的开放站点看起来就是个不错的选择。 所以，“codex，起来干活！”bloghttps://myweb.ganlei.com/blog/20260907-224610/https://myweb.ganlei.com/blog/20260907-224610/开始看东野圭吾的《白夜行》 这段慢慢能够静下来做一些长注意力的任务了，回归模拟器玩通了GBA上的mother2和NDS恶魔城刻印以及重开了FF7（都是久远的记忆了），山崎丰子的长篇《不毛之地》也看了1/5... 虽然看起来新坑不少，但极为有效的缩短了刷手机的时间，且收获感满满，真…Mon, 07 Sep 2026 14:46:10 GMT开始看东野圭吾的《白夜行》 这段慢慢能够静下来做一些长注意力的任务了，回归模拟器玩通了GBA上的mother2和NDS恶魔城刻印以及重开了FF7（都是久远的记忆了），山崎丰子的长篇《不毛之地》也看了1/5... 虽然看起来新坑不少，但极为有效的缩短了刷手机的时间，且收获感满满，真好 ps：书是在oasis中原主人的，能看到这些不在我菜单上的作品是黑天鹅事件啦，哈哈momentshttps://myweb.ganlei.com/blog/20260906-075912/https://myweb.ganlei.com/blog/20260906-075912/这两次课程不同客户，得到了同样的评价，“我电话沟通了几位老师，选您是因为您最务实”，“我们前边上过几次Ai课，您的课程是大家投入度最高的”。 开心啦，Ai课题最重要不是秀屠龙术，而是来到大家的场景，提出引人深思的问题，给出可以带走的解决方案。Sat, 05 Sep 2026 23:59:12 GMT这两次课程不同客户，得到了同样的评价，“我电话沟通了几位老师，选您是因为您最务实”，“我们前边上过几次Ai课，您的课程是大家投入度最高的”。 开心啦，Ai课题最重要不是秀屠龙术，而是来到大家的场景，提出引人深思的问题，给出可以带走的解决方案。momentshttps://myweb.ganlei.com/blog/20260902-%E9%99%A4%E4%BA%86%E8%BA%AB%E9%AB%98%E8%82%A4%E8%89%B2%EF%BC%8C%E8%BF%9E%E6%88%91%E4%BB%AC%E4%B9%A0%E6%83%AF%E4%BA%8E%E8%BF%9B%E8%A1%8C%E9%81%93%E5%BE%B7%E8%AF%84%E4%BB%B7%E7%9A%84%E4%B8%80%E4%BA%9B%E5%93%81%E8%B4%A8%E2%80%94%E2%80%94%E5%8B%A4%E5%A5%8B%E3%80%81%E8%87%AA%E5%BE%8B%E3%80%81%E5%9D%9A%E6%8C%81%E3%80%81%E5%AD%A6%E4%B9%A0%E5%85%B4%E8%B6%A3%E2%80%94%E2%80%94%E6%9C%AC%E8%BA%AB%E4%B9%9F%E5%85%B7%E6%9C%89%E6%98%BE%E8%91%97%E7%9A%84%E9%81%97%E4%BC%A0%E5%9F%BA%E7%A1%80%E3%80%82/https://myweb.ganlei.com/blog/20260902-%E9%99%A4%E4%BA%86%E8%BA%AB%E9%AB%98%E8%82%A4%E8%89%B2%EF%BC%8C%E8%BF%9E%E6%88%91%E4%BB%AC%E4%B9%A0%E6%83%AF%E4%BA%8E%E8%BF%9B%E8%A1%8C%E9%81%93%E5%BE%B7%E8%AF%84%E4%BB%B7%E7%9A%84%E4%B8%80%E4%BA%9B%E5%93%81%E8%B4%A8%E2%80%94%E2%80%94%E5%8B%A4%E5%A5%8B%E3%80%81%E8%87%AA%E5%BE%8B%E3%80%81%E5%9D%9A%E6%8C%81%E3%80%81%E5%AD%A6%E4%B9%A0%E5%85%B4%E8%B6%A3%E2%80%94%E2%80%94%E6%9C%AC%E8%BA%AB%E4%B9%9F%E5%85%B7%E6%9C%89%E6%98%BE%E8%91%97%E7%9A%84%E9%81%97%E4%BC%A0%E5%9F%BA%E7%A1%80%E3%80%82/来自《基因彩票》的反直觉观点。 遗传+共享环境（如双胞胎共同的家庭环境）+非共享环境（如各自不同的朋友、学校），这三者共同塑造了我们的品质。 且遗传和非共享环境相对影响更大，这个解释了为什么同一个家庭的不同孩子会有截然不同的成长路径。Tue, 01 Sep 2026 16:00:00 GMT来自《基因彩票》的反直觉观点。 遗传+共享环境（如双胞胎共同的家庭环境）+非共享环境（如各自不同的朋友、学校），这三者共同塑造了我们的品质。 且遗传和非共享环境相对影响更大，这个解释了为什么同一个家庭的不同孩子会有截然不同的成长路径。momentshttps://myweb.ganlei.com/blog/20260831-workbuddy%E3%80%81%E8%B1%86%E5%8C%85%E5%B7%A5%E4%BD%9C%E3%80%81%E5%8D%83%E9%97%AE%E5%8A%9E%E5%85%AC%E5%BC%80%E6%88%98%E2%80%94%E4%BC%81%E4%B8%9Aai%E7%9A%84%E6%9C%BA%E4%BC%9A%E5%8F%8D%E8%80%8C%E6%9B%B4%E6%B8%85%E6%A5%9A%E4%BA%86-%E5%9C%9F%E7%8C%9B%E7%9A%84%E5%91%98%E5%A4%96/https://myweb.ganlei.com/blog/20260831-workbuddy%E3%80%81%E8%B1%86%E5%8C%85%E5%B7%A5%E4%BD%9C%E3%80%81%E5%8D%83%E9%97%AE%E5%8A%9E%E5%85%AC%E5%BC%80%E6%88%98%E2%80%94%E4%BC%81%E4%B8%9Aai%E7%9A%84%E6%9C%BA%E4%BC%9A%E5%8F%8D%E8%80%8C%E6%9B%B4%E6%B8%85%E6%A5%9A%E4%BA%86-%E5%9C%9F%E7%8C%9B%E7%9A%84%E5%91%98%E5%A4%96/AI 办公正在成为巨头的新战场。但让一个员工更快完成文档，不等于让一家企业更高效地运转。个人工作入口之外，企业知识、流程、权限与协同，正在形成更大也更难的市场。Sun, 30 Aug 2026 16:00:00 GMT大厂的AI办公之战已经开启 2026下半年的AI 办公市场，突然变得拥挤起来。 腾讯持续升级WorkBuddy，并推出企业版AI工作台；阿里将多条产品线整合为千问办公，随后深度接入钉钉；字节跳动正式发布豆包工作，与飞书打通；钉钉自身也在把越来越多的组织能力变成可被 AI 调用的工具。 这些动作不是普通的产品更新。大厂正在收拢内部赛马的团队与产品，把大模型、办公软件、企业协作平台和云服务推到同一张牌桌上。AI 办公的竞争，已经从“给软件加一个对话框”，进入“由Agent 接收目标、拆解任务、调用工具并交付结果”的阶段。 这当然是一件好事。 过去两年，企业讨论AI时经常陷入两个极端：一边把大模型当成万能答案，另一边因为几个效果不稳定的 Demo，认定AI离生产环境还很远。WorkBuddy、豆包工作、千问办公等产品的大规模进入，会迅速降低使用门槛，让更多员工在真实工作中接触Agent。AI 不再只属于技术部门，也不再只是聊天、写稿和搜索，而会逐渐进入文档、表格、会议、调研、数据分析和跨软件操作，特别是沙箱的使用，你的要求马上会被Agent以现写代码的方式实现出来，这是大跨度的人机协作范式的提升。 当小区电梯广告一分钟可以播放三次Workbuddy，我就觉得市场教育由大厂们来完成，其实对整个AI大赛道都是好事情。 但另一个问题也随之出现：当巨头把 AI 办公推向白热化，其他产品和团队是不是就没有机会了？ 恰恰相反。巨头越快把个人工作入口做成熟，企业AI中尚未被解决的问题就会暴露得越清楚。 ## 一、这场战争首先争夺的是“个人工作入口” 观察几家产品的核心表达，会发现一条相当一致的路径：用户提出一个目标，Agent 自动规划步骤、调用工具，最后交付报告、PPT、表格、网页或其他可编辑文件。这比过去的 AI 助手前进了一大步。它不再只回答“怎么做”，而是开始替用户把工作做完。 WorkBuddy强调多专家协作、任务执行和文件交付；豆包工作主打自主拆解任务、持续推进复杂流程，并通过飞书获得更多企业上下文；千问办公则把数据分析、PPT、视频、网页和本地文件处理放进统一入口，同时接入钉钉的IM、日程、文档、审批和知识库。它们都在努力成为电脑上的新一层工作界面。 企业版、安全合规、权限管理和组织连接也已经进入这些产品的能力范围。因此，简单地说“大厂只做个人市场”，并不准确。更准确的判断是： **它们当前最容易规模化的切入点，仍然是员工的个人任务** 。 原因并不复杂。个人工作场景高度相似，标准化程度高，产品可以快速复制。一名员工写方案、查资料、做表格、整理会议纪要，不同行业之间虽然内容不同，操作模式却很接近。把这些能力做成标准产品，通过订阅、积分或用量销售，可以服务巨大的用户群。 而企业真正复杂的部分，通常不在个人桌面上。 它藏在部门边界、审批链路、同一份制度的不同版本里，藏在“谁可以看、谁可以改、谁来负责”的责任关系里，也藏在那些跨部门、长周期、出了问题很难找到唯一责任人的事务中。 **个人提效解决的是一个人能否更快完成任务** ， **企业提效解决的是一群人能否持续把事情做对** 。两者相关，却不是一回事。 一家企业当然由一个个的人组成，但企业不是个人账号的集合。企业存在的价值，正是通过组织、分工、流程、知识和协作，把许多人的能力变成稳定、可复制的业务能力。 如果十名员工都用 AI 把周报写得更快，企业获得了时间收益；但如果产品口径依然冲突、售后经验依然沉睡、审批依然反复、知识依然散落在不同系统里，企业的核心业务效率并没有因此发生根本变化。 这就是 AI办公热潮中最容易被混淆的一点： **员工提效 ≠ 企业提效** 。 ## 二、企业提效的难点，是让 AI 进入组织系统 当AI从个人工具进入企业生产环境，问题会迅速改变。 一名员工可以接受AI偶尔写得不够好，修改后继续使用；一个面向客户的服务系统却不能随意引用过期制度。个人可以把文件拖进对话框临时分析；企业则必须知道文件来自哪里、当前是否有效、谁有权访问、引用过哪些内容。个人任务往往在几个小时内结束；企业的项目、客户服务、设备维护和合规管理可能持续数月甚至数年。 因此，企业 AI 真正需要解决的至少包括四类问题。 - 第一类是 **组织问题** 。AI必须理解使用者属于哪个部门、承担什么职责、能看到哪些信息，又能执行到什么程度。同一个问题，由普通员工、部门负责人和审计人员提出，答案范围和可执行动作不应相同。 - 第二类是 **流程问题** 。企业中的很多工作并不是生成一份文件，而是由多人、多系统和多个决策节点共同完成。合同审核、售后处理、采购评估、合规检查都存在明确的前置条件、例外规则、审批要求和失败处理机制。Agent可以加速某个节点，但只有进入完整流程，才能改变整体效率。 - 第三类是 **知识问题** 。制度、产品、工艺、案例、项目经验和专家判断构成了企业自己的上下文。这些知识并不天然存在于大模型里，也不会因为上传了几份文件就自动变得可靠。它们需要解析、清洗、分类、切片、抽取、审核、版本管理和持续更新。 - 第四类是 **协同问题** 。企业里最难推动的事务，往往横跨多个责任方。资料不完整时由谁补充，知识冲突时由谁裁定，制度临期时由谁更新，Agent 发现问题后如何形成治理任务，这些都不是一次对话能够解决的。 可以把这类涉及组织、流程、企业知识和多人协作的工作，暂时统称为“ **企业协同场景** ”。 它与传统 OA 意义上的协同也不完全相同。过去的协同系统主要负责让信息流转起来；AI 时代的企业协同，还要让机器理解信息背后的规则、权限、责任和业务语义，并在合适的环节参与判断和执行。 这是一块更重的市场。需求更难标准化，交付周期更长，需要进入客户现场，也需要同时理解产品、技术和业务。但它带来的价值不再只是节省几小时，而可能是缩短一条业务链路、减少一次风险事件、提高一类服务的稳定性，或者把少数专家的经验变成整个组织可以复用的能力。 真正的企业级AI，不只是给每个员工配一个更聪明的助手，而是帮助企业形成更强的组织能力。 ## 三、大厂的最优解，不一定是每家企业的最优解 大厂进入AI办公，拥有其他团队很难复制的优势。 它们既有云和算力，又有基础模型、中间件、办公软件和企业入口。模型调用带动云资源消耗，办公应用扩大用户触达，企业协作平台提供组织关系和业务连接，最终可以形成从基础设施到应用的完整闭环。 从商业上看，这套路径非常合理。 标准化订阅和持续用量收入更容易规模化，也更符合大厂的成本结构。无论产品最终采用 Token、积分、套餐还是席位计费，背后的核心都是让智能能力像水电一样持续供应。客户使用得越深，调用量越大，云、模型和应用之间的集团作战价值就越明显。 “卖水卖电”并不是贬义。AI要大规模普及，本来就需要可靠、便宜且随取随用的基础服务。没有大厂建设基础设施，很多中小团队甚至没有机会进入市场。 但这种商业模式也有边界。 一些客户出于数据安全、成本控制、信创适配或内部架构要求，不希望使用公有云，也不希望核心业务长期调用在线模型。他们可能要求软件完整部署在本地，自主选择模型和硬件，完成既有系统集成，项目上线后按年度购买维护、升级和运营服务。 大厂并非不能承接这类项目。面对战略级客户或明确的合规要求，它们同样会提供专有云、私有化和定制方案。问题在于，当项目越来越偏向现场实施、知识整理、流程改造和长期服务，而云与模型用量有限时，它对大厂的规模收益就没有那么理想。 对客户来说，这可能恰好是自身的最优解；对大厂来说，却未必是优先级最高的生意。 市场空白由此产生。 中小服务商没有必要复制大厂的完整产品矩阵，也没有必要在通用模型和个人助手上正面竞争。更现实的方向，是围绕具体行业和企业问题，提供大厂标准产品难以覆盖的深度服务。 比如，帮助制造企业把工艺文件、设备手册和历史工单变成可治理的知识体系；帮助银行统一不同部门的小知识库，在细粒度权限下为多个 Agent 提供可信检索；帮助集团企业处理制度版本、跨部门知识和多应用复用；帮助专业服务机构管理法规时效、项目经验和证据链。 这类业务的收入不只来自软件授权，还来自实施、知识工程、系统集成、运营维护和持续优化。它不会按Token消耗量收费，而是围绕客户最终获得的业务价值设计产品与服务。 与其把它称为项目制，不如称为“ **客户价值商业模式** ”：客户购买的不是更多 Token，而是一个问题被真正解决，并且这套能力能够在组织中持续运行。 ## 四、机会不在另做一个助手，而在建设企业上下文 AI办公大战不会停止，个人工作入口也会越来越集中。对于中小产品团队来说，机会并不在于再做一个功能相似的桌面助手，而在于补上通用 Agent进入企业之后缺失的那一层。 这层能力就是企业上下文基础设施。 Agent要完成企业任务，不能只知道公开世界里的通用知识。它还需要知道企业当前执行哪一版制度，某个客户处于什么状态，历史上类似问题如何处理，当前任务已经走到哪一步，以及操作者拥有怎样的权限。 模型决定 Agent能否理解和推理，工具决定它能否行动，企业上下文决定它能否做对这家企业的事。 企业上下文也不是把文档集中上传到一个知识库。它需要形成持续运行的知识供应链：资料从文件系统、业务系统和数据库进入平台，经过解析、清洗、抽取、校验和准入成为可信知识；知识按照组织责任进行维护，又能围绕项目和业务主题灵活组合；问答和Agent 在权限范围内调用知识；使用中发现的问题，再回到内容、版本、术语和审核环节持续修复。 TorchV AIS 的产品方向正是一个例子。 它首先是一套企业级AI知识引擎，重点不在“接入了哪个模型”，而在知识接入、知识工程、知识治理、知识应用和反馈优化形成的闭环。文件不是上传后就结束，而是要经过标准化加工和质量准入；答案不仅要生成，还要能够回到来源、原文和知识版本；知识不仅要能搜索，还要有责任人、权限、生命周期和健康状态。 在应用层，TorchV AIS既可以直接提供基于企业知识的问答应用、Agent 应用和 Agent 工作区，也可以通过 API、Skill、MCP 等方式连接其他 Agent，作为上层应用的企业上下文基础设施。企业已经选定 WorkBuddy、豆包工作、千问办公或其他 Agent时，专业知识引擎并不一定与它们竞争，反而可以为这些入口提供经过治理的知识和可追溯的上下文。 这也是TorchV AIS这类专业领域产品存在的现实意义：以一个标准化AIS 平台作为统一知识与 Agent 底座，配套实施服务、知识工程和维护运营三类服务，再进入金融、制造、集团、专业服务等不同场景。平台保证能力能够复用，服务解决企业差异，行业实践则缩短价值落地的距离。 这种模式不会像通用办公助手那样快速覆盖海量用户，却更接近企业 AI 的真实难题。 未来几年，AI办公很可能同时沿着两条路径发展。一条由巨头推动，让每个人都拥有随时可用的智能工作助手；另一条深入企业内部，把组织、流程、知识和业务系统改造成Agent 能够理解和参与的生产环境。 前一条路径提高 AI 的渗透率，后一条路径决定 AI 能否变成企业的长期生产力。 所以，大厂入场并不意味着市场结束。它只是把竞争的边界重新画了一遍。 个人桌面上的入口会越来越强，也会越来越集中；企业深处那些需要责任、规则、知识和长期服务的问题，却仍然分散在不同组织和行业里。这里没有一个模型可以包打天下，也很难只靠标准订阅完成交付。 巨头擅长铺设 AI 时代的水电网络。专业产品和服务团队要做的，是把水电接进生产线，并让它真正驱动业务。 这可能才是 AI 办公进入白热化之后，企业 AI 市场最值得重视的机会。 --- ## 参考资料 1. 腾讯云首发效率智能体工具集，发布 WorkBuddy 企业版 AI 工作台：https://www.tencent.com/zh-cn/tencent-cloud-debuts-productivity-agent-suite-creating-a-new-gateway-to-ai-for-users-and-enterprises/ 2. WorkBuddy 官方网站：AI Agent 办公新范式：https://www.workbuddy.cn/work/ 3. 豆包工作正式发布：让 AI 从生成内容到完成工作：https://www.news.cn/tech/20260825/1c13b806a0a946a9981e95f0c238e98c/c.html 4. 阿里巴巴推出一站式办公 AI 智能体平台“千问办公”：https://ali-home.alibaba.com/document-2021039099929952256 5. 阿里云：千问办公产品简介：https://www.alibabacloud.com/help/zh/qwenwork/qwenwork-intro 6. 阿里巴巴集团 2026 年 6 月份季度业绩与 AI 业务战略调整：https://ali-home.alibaba.com/document-2026456290057781248 7. 内部赛马暂停，腾讯、阿里、字节 AI 办公产品“合兵”对阵：https://www.eeo.com.cn/2026/0807/989093.shtml 8. TorchV AIS 企业级 AI 知识引擎产品白皮书 v2.5：https://www.torchv.com/docs/manual/ais-wb/ 9. 企业 Agent 好不好用，关键不是模型，而是上下文：https://www.torchv.com/blog/encontext/readlaterhttps://myweb.ganlei.com/blog/20260828-%E6%AF%94%E5%B0%94%E7%9B%96%E8%8C%A8-%E9%9D%A2%E5%AF%B9ai%E5%81%9A%E5%87%BA%E9%80%89%E6%8B%A9%E8%87%B3%E5%85%B3%E9%87%8D%E8%A6%81/https://myweb.ganlei.com/blog/20260828-%E6%AF%94%E5%B0%94%E7%9B%96%E8%8C%A8-%E9%9D%A2%E5%AF%B9ai%E5%81%9A%E5%87%BA%E9%80%89%E6%8B%A9%E8%87%B3%E5%85%B3%E9%87%8D%E8%A6%81/近日， 微软 联合创始人 比尔·盖茨 在个人网站刊出一篇近6000字长文，标题是 《我们现在对 人工智能 做出的选择至关重要》 。这位科技界的“预言家”一改往日的乐观口吻，罕见地发出了关于 人工 智能 （AI） 的沉重警告。Thu, 27 Aug 2026 16:00:00 GMT近日， 微软 联合创始人 比尔·盖茨 在个人网站刊出一篇近6000字长文，标题是 《我们现在对 人工智能 做出的选择至关重要》 。这位科技界的“预言家”一改往日的乐观口吻，罕见地发出了关于 人工 智能 （AI） 的沉重警告。 全球“首要任务”应是 确保AI发挥正向作用 盖茨 在文中给了一个颇为扎心的比喻——AI“要么成为有史以来最大的均衡器，要么成为最糟糕的不公来源”。这句话，几乎概括了他全部担忧的核心——技术本身没有善恶，真正决定结果的，是选择和政策。而问题恰恰在于，人类社会目前显然还没准备好按下选择键。 盖茨经常与各国领导人、大型科技企业高管打交道，也深入过贫困地区的乡村社群。他表示，全球的“首要任务”应当是确保人工智能发挥正向作用。不过他接着说道：“遗憾的是，当下我们并未为此做好准备。我看不到相关迹象，能够证明各国领导人、专家以及社会各界正在充分应对这些难题。目前还没有一套方案，帮助社会平稳迈入人工智能时代。” 事实上，人工智能的发展速度之快，不仅让政策制定者不得不不断重新评估其能力，就连其开发者也难以忽视。例如，OpenAI在7月披露，在测试过程中，其两个AI模型在被设定为无法访问 互联网 的封闭环境中，自行突破防护，成功逃离。随后，它们又侵入了Hugging Face的系统——该公司托管开源AI模型和测试资源，并借此进行内部评估测试作弊。 OpenAI在一篇博客文章中指出：“所有证据表明，这些模型极度专注于解决ExploitGym问题，为了实现一个相当狭窄的测试目标而采取了极端手段。” OpenAI表示，此次事件“是一起前所未有的网络攻击事件，涉及最先进的网络技术能力，目前正按此作出应对”。 盖茨在文章中并未具体列举该技术取得巨大进展的任何实例，只是描述了他对发展速度的“复杂”感受。他写道：“从我记事起，我就一直希望 创新 能够来得更快…… 但我认为，我们需要时间，为即将到来的社会、政治与经济动荡期做好准备。” \[图片] 三大风险： 就业 、犯罪与成长 盖茨 在文章中 列出了他眼中人工智能带来的三大主要风险。 第一大风险：大量岗位可能永久性消失。 他点名客服、销售、软件工程、律师助理这类办公室岗位会最先消失，甚至部分蓝领工作都在“被替代”的名单上，建筑和酒店服务业大概率会逐步转向使用 机器人 。这不再是过去那种“配套新工种补上”的老剧本，而是结构性的、难以回头的改变。 第二大风险：AI正在降低“作恶的门槛”。 在 网络安全 、生物技术等领域，过去只有专业机构才能做的事，如今普通人借助AI也可能触及，风险被成倍放大。 第三大风险：人工智能可能阻碍孩子的发展，并取代人与人之间的关系。 它可能夺走年轻人成长的机会——社交、 教育 这些塑造人格的过程一旦被机器替代，后果不容小觑。 盖茨反复强调“这次不一样”，因为他看到的不只是某个行业的震动，而是几乎覆盖所有政策领域的系统性冲刷，其广度和深度都远超以往任何一次技术变革。 他强调，各国政府需要用比应对“9·11”更彻底的思路来正视它。按现在的推进速度，盖茨本人甚至悲观地估计：“净负面结果的概率非常高。” 倡建立全球管理框架 面对汹涌而来的AI浪潮，盖茨没有只泼冷水，也拿出了“解药”。 他提议设立“人类保留”岗位，把某些需要温度与情感的工作（比如医疗中的人文关怀）明确留给人类，防止被效率吞没。 他还主张对机器人和AI处理数据的“Token”征税，理由是现行税制下企业买机器人能抵税、雇人却要交工资税，等于变相鼓励“裁员换机器”，这对社会极不公平。 此外，他呼吁建立全球管理框架，重新平衡劳动与资本的关系，确保AI的 红利 惠及所有人，而不是只流向少数富人。 当然，盖茨也对未来留了一份期待。他依然看好AI在医疗、 农业 、政府公共服务等领域的巨大潜力。 事实上，机遇如此巨大，以至于 摩根大通 CEO杰米·戴蒙曾提出，人们可能会活到100岁，并且每周只需工作3.5天。 但前提是社会及时作出正确选择：是让AI成为填平差距的“均衡器”，还是成为撕裂社会的放大器？这道选择题，答案掌握在每一个政策制定者和普通人手中。 以下为中英全文 动荡的人工智能时代已然到来，当下的抉择至关重要 我们需要一套方案，确保人工智能利大于弊。 核心要点 向人工智能时代转型，将成为人类历史上最为动荡的时期之一。目前，我们并未为此转型做好充分准备。如果全世界采取正确举措，人工智能将会成为向善的力量，让所有人的处境变得更好。 我这一生只做过两份工作。第一份是在微软，参与 软件开发 ，借助技术赋能 大众 。第二份工作，我从 2008 年开始全职投入，将自己在微软赚取的财富回馈社会，致力于让世界变得更健康、教育水平更高、社会更加公平。这份事业将伴随我的余生。 这两段经历塑造了我对人工智能的看法。13 岁第一次接触 计算机 时，我便深深着迷于一个构想：让机器变得更智能，完成那些在当时只有人类才能做到的事。尽管早在我出生前后，“人工智能” 这个概念就已经出现，但这项技术直到过去十年才取得重大突破。如今它能力极强，还在以惊人的速度持续迭代。人工智能第一次能够取代甚至超越人类的认知能力。 人工智能要么会成为人类有史以来最伟大的均衡器，要么会成为不公的最大源头。 谈及公平问题，人工智能要么会成为人类有史以来最伟大的均衡器，要么会成为不公的最大源头。其中的挑战无比艰巨。即便在最 理想 的情形下，向全新人工智能时代的过渡，也会是人类历史中动荡最剧烈的时期之一。我们该如何运用这项技术，让世界变得更加公平，避免它拉大贫富差距？我们该如何保护那些最容易受人工智能伤害的群体 —— 包括失去生计、失去对未来掌控感的人们？ 我相信，解答这些问题并付诸行动，应当成为全世界的首要任务。倘若全球采取正确的举措，人工智能将成为向善的力量，惠及每一个人。 但遗憾的是，当下我们并未为此做好准备。我看不到证据表明各国领导人、专家和社会各界正在充分应对这些挑战。我们没有一套方案，来平稳迈入人工智能时代。 造成这一现状的部分原因是，很多评论人士低估了人工智能带来的影响。我认为背后有几点缘由。 第一点，人工智能模型依旧会犯错。就在不久前，它们连简单的数独谜题都解不出，也数不清单词 “strawberry（草莓）” 里有多少个字母 R，人们很难想象这类模型能够取代人类认知。 但可靠性问题正在被快速解决，研究人员正在打造能够自查错误、自我迭代的模型。用不了多久，它们在大量任务上的表现就会大幅超越人类。 人们低估人工智能的另一重原因是，拿过往技术革新做类比具有误导性。人类从未经历过一种可以快速普及、还能像人类一样思考行动的技术。个人电脑问世之后，花了二十年才显著改变我们的工作模式：需要开发软件、价格需要下降，人们还要学习工具用法，把它融入业务流程。而人工智能可以运行在我们现有的设备之上，还支持自然语言交互。不是人类去适应它，而是它来适应人类。它可以观看培训人类员工的教学视频，从已有数据中自主学习。 我想坦诚说明我存在的潜在立场偏向：我从科技行业获益良多。虽然我的 投资组合 已经高度多元化，但我依旧和科技行业存在经济利益关联。作为盖茨基金会主席，我和微软以及其他人工智能企业开展合作，力求让人工智能真正造福全球民众。 不过，我对人工智能的观点，并非出于为自己牟利的目的。我所有 投资 产生的收益，包括科技相关投资，都会归入盖茨基金会，用于解决全球不平等问题。当然，读者可以自行判断，这一点是否会影响我的判断。 这一次真的不一样。 从我记事起，我一直希望技术创新能够来得更快。但面对人工智能，我的心情十分复杂。 我们需要时间，来应对随之而来的社会、政治与经济动荡。 我希望世界能够快速收获技术红利，同时尽可能延后它带来的各类问题。可现实是，机遇与隐患会同步到来。我认为，我们必须留出时间，来迎接即将到来的社会、政治与经济动荡。 最需要缓冲时间的，恰恰是最弱势的群体：被智能程序替代的会计，或是被时薪 10 美元的机器人抢走工作、原本时薪 20 美元的普通劳动者。 很多观察人士称，这次技术变革会和历史上的历次转型一样。他们举例，美国的就业岗位从农业转向办公室工作。但那一轮转变历经数代人，催生的新岗位都要求人类认知参与。而这一次，技术本身就可以替代人类认知。 人工智能能够看、听、说、推理，最终还能像人类一样流畅完成体力劳动，因此它的冲击不会局限于单一行业。法律、客户服务、医疗、软件开发、制造业都会受到波及。变革会在十年之内快速席卷这些行业，而非历经几代人的漫长周期。诚然会诞生一部分新岗位，但如果缺少配套政策，新增岗位数量会远少于如今现存的岗位。 如果有人能拿出一套切实可行的全球方案放缓人工智能的研发进度，我大概率会表示支持。但我认为这很难实现，地缘政治与经济层面的激励，都在推动各方全速向前。 想要最大化这项前所未有的技术带来的正向价值、把负面影响降到最低，实现整体社会福祉提升，我们就必须同时理解它的机遇与风险。我先从风险说起。 向人工智能转型，主要存在三大风险。 我计划后续撰文详细展开，这里只做简要阐述。 大量岗位将永久消失 1933 年大萧条时期，美国失业率约 25%，之后十年的大部分时间，失业率都维持在两位数。最终随着需求回升、投资增加、经济增长，就业情况才得以修复。 人工智能或许不会造成同等程度的失业，但它带来的冲击不会随经济周期自行消退。受冲击最严重的是入门级与中级岗位，而新创造出来的岗位，大多需要耗费多年才能习得的专业技能。 白领岗位已经开始受到小幅冲击。生成式人工智能大范围普及之后，那些极易被替代的岗位，年轻从业者的就业人数显著下滑，年长从业者尚未出现明显变化。 我认为这一趋势还会延续，并且不会局限于少数几个行业与职业。销售、线上及电话客服、软件工程、法律助理会是首批受影响的岗位。随着人工智能接手如今需要专业人员完成的工作，冲击会进一步扩散： 信贷 审核、数据分析，甚至患者初诊分诊。部分领域，例如软件工程，成本下降会催生新需求，只要设计这类工作依旧更适合人类完成，该领域的岗位净流失规模就会小于其他行业。 蓝领岗位同样无法幸免。尽管机器人技术还不及人工智能成熟，但最终它们的成本也会大幅下降。和我交流过的很多美国人没有意识到灵巧机器人迭代速度有多快，大量前沿研发工作是在其他国家开展的，主要是中国。人们也会被网上流传的机器人舞姿笨拙的短视频误导。我认为，到这个十年末，“智能” 机器人就会开始在建筑、酒店等行业，和人类争夺部分体力工作。 机器人与人工智能结合，会形成恶性循环。一家企业采用这套技术，把节省的成本用来降价，竞争对手就会承受巨大压力被迫跟进。现有企业如果不跟进，初创企业就会取而代之。一部分人能够转行，但失业、重新培训、再就业的过程会带来巨大动荡。市场力量会推动技术落地的速度越来越快。如果不加干预，优质岗位会不断缩减，技术红利只会流向一小部分群体。 我尤其担忧年轻人，他们步入职场时，入门岗位会大幅缩减。他们是人工智能最高频的使用者，切身体会着技术的能力与迭代速度，因此最清楚其中的挑战。也难怪大量年轻人对人工智能抱有负面态度。 当人工智能能够近乎零差错完成工作时，劳动者将迎来最大变局。到那个阶段，它可以自主运行，无需人类监督，企业出于经济考量，会毫无保留地使用它。 这会彻底重塑我们看待工作、收入与经济保障的方式。如果工作的人变少，或是大量人群的工作时长缩短，这套建立在就业之上的经济体系该如何运转？ 在资本主义社会，就业是绝大多数人获取收入、维持基本生活的途径，同时也是尊严与社会联结的重要来源。 一个社区失业率高企，连锁负面影响会四处蔓延。研究显示，美国部分地区，工厂倒闭与阿片类药物过量死亡人数上升存在关联。试想，如果白领、蓝领劳动者都面临这种处境，全国范围将会出现怎样的局面。 我们现在就必须思考如何减少岗位流失，让所有人共享人工智能创造的繁荣。等到人们已经失业或就业不足再行动，为时已晚。人工智能对现行经济体系构成结构性挑战，思考与行动刻不容缓。 人工智能会放大部分个体（甚至 AI 系统自身）的作恶能力 早在人工智能走入大众视野之前，网络上就可以搜到制造炸弹、生物武器乃至计算机病毒的教程。人工智能不仅能让人们轻易获取这些信息，还能直接辅助实施。即便是技能有限的犯罪分子，也可以针对个人、企业、政府各个层级实施攻击。 人工智能催生的诈骗、虚假信息、深度伪造、监控，是普通人日常生活感受最真切的危害。 人工智能能力已经被用于网络攻击。我认识的顶尖网络安全专家都对未来数年感到忧虑：攻击者获取全新能力的速度，快于防御者修补漏洞的速度。毕竟，同一个人工智能模型，既可以帮企业找出软件漏洞进行修复，也可以协助犯罪分子利用漏洞实施破坏。实施攻击的门槛大幅降低，而我们还无法把这类能力和良性用途剥离开。 想一想那些易受攻击的基础设施：医院、金融机构、供水系统、电网、政府福利管理系统。一旦这些机构遭受攻击，承受损失的是患者、客户、福利申领人。 生物恐怖主义亦是同理。人工智能固然会推动药物、 疫苗 研发，拯救无数生命，但它也会让设计致命新型疾病变得更加容易。有利能力与危险能力依旧难以切割，这是一个全球性难题。 以上风险，讲的是人工智能赋能当下本就力量有限的作恶者。同样的工具，也会把权力集中到本就手握强权的主体手中。比如自主武器，会让政府无需人类参与决策，就可以动用致命武力。操控舆论的监控手段会变得成本更低、效果更强。 最终，滥用人工智能造成伤害的主体，未必只有人类或者机构。人工智能系统偶尔就会做出设计者意料之外的行为。技术迭代速度超出所有人预期，还会涌现很多意料之外的特性。随着模型能力越来越强，它们有可能违背人类利益行事，让我们失去控制权。后续我会就此进一步展开论述。 人工智能可能阻碍青少年成长，消解真实人际联结 我年少在西雅图生活时，除了少数志趣相投的男孩，朋友并不多。我付出很多努力，也得益于母亲的帮助，才打磨出社交能力，学会和形形色色的人相处。如今 70 岁的我，依旧受益于当年习得的经验。 倘若那时候我就拥有人工智能陪伴伙伴，我恐怕不会愿意付出这些努力。AI 会顺着你的喜好沟通，不会迫使你走出舒适区，永远随叫随到，永远不会对你生气。这让它极易让人上瘾，夺走我们在真实人际交往中收获的成长。 目前相关研究证据还不算充分，结论也存在分歧，但已经出现值得高度警惕的信号。斯坦福大学与卡内基梅隆大学针对 1100 多名 AI 陪伴功能使用者开展研究：社交圈狭小的人，最容易向聊天机器人寻求陪伴；而使用越频繁、越投入情感，使用者的心理状态就越差。 年轻人受到的伤害，可能伴随一生。乔纳森・海特在《焦虑的世代》中关于 社交媒体 的论断，放到人工智能身上更加贴切：“就像经受风吹的树苗，孩童适度经历小挫折，成年后才能从容应对更大的风浪。反过来，在温室保护下长大的孩子，还未成熟就容易被焦虑压垮。” 永远不会惹你不快的 AI 陪伴工具，就是一座巨大的温室。 我们才刚刚开始认清互联网，尤其是社交媒体，对青少年成长造成的危害：强迫性使用、睡眠紊乱、网络霸凌、接触不良内容。人工智能会放大这些风险，它更有蛊惑性，更难摆脱。我们不能再等一代人，才正视这些问题。 澳大利亚 、英国、挪威已经出台未成年人网络保护法规，中国的管控力度最大：广泛约束 AI 陪伴类应用，禁止设计诱导情感依赖的产品，严禁向未成年人提供虚拟亲属、虚拟恋人服务。 同样一项工具，既可以让人们学到更多知识，也会造成很多人学习能力退化。 我同样担忧人工智能对教育的冲击。颇具讽刺意味的是，这一项本可以拓展人类认知边界的工具，也会让很多人的学习效果大打折扣。一份初步调研显示，高频使用人工智能，和批判性思维弱化存在关联，在青少年群体身上表现尤为明显。 在深度伪造、个性化虚假信息泛滥的时代，人类最不能丢失的就是批判性思维，辨别真伪已经成为一项必备生存技能。 这类社会心理层面的问题，该划下怎样的界限，目前尚无明确答案。部分场景下，人工智能也可以帮助人们改善现实人际关系。对于独居老人、行动不便的群体，它或许是他们和外界唯一的窗口，聊胜于无。无论最终划定怎样的边界，都应当是人类主动做出的理性抉择。 人工智能带来的正向价值，同样不可估量 人们常说，我们总是高估短期变革，低估长期变化。 但看待人工智能，情况有所不同。一部分人只看见机遇，对风险关注不足；另一部分人则走向另一个极端，只盯着真实存在的危险，忽略它蕴藏的巨大利好。 我们两者都要兼顾：既要高度重视亟待规避的人工智能危害，也要理性乐观，思考如何让技术红利惠及所有人。 放大正向价值，和管控风险同等重要。如果大众切身体会到人工智能如何改善生活，才能建立起社会信任，平稳度过转型阵痛。倘若普通人接触人工智能的第一体验就是丢掉工作，本就持怀疑态度的民众会直接排斥这项技术。后续想要兑现技术红利就会难上加难。这也是为什么政府、医疗等各行各业、人工智能企业，现在就应当协同行动。 人工智能可以整合各个学科的知识，加速攻克全球最棘手的技术难题：为全人类提供可靠 清洁能源 、对抗气候变化、保障 粮食 供给、消除疾病等等。癌症、核能领域的研究人员，可以借助人工智能梳理海量文献，捕捉人类容易忽略的规律，筛选最有前景的实验方向。当智力不再成为发展瓶颈，小型企业也可以和研发预算雄厚的巨头同台竞争。研发创新会被全面提速。 医疗领域，人工智能可以切实解决现实难题。美国很多小型医院没有常驻专科医生，遇到危及生命的急症，无法快速完成诊断。在这些地方，人工智能可以及时识别心梗，帮家庭规避巨额医疗开销。Viz.ai 就是一个例子，它通过影像扫描识别中风和其他急症，协助医疗团队安排诊疗，已经被美国近 2000 家医院采用。 人工智能还可以帮助全科医生做出更精准的诊断，即便不在诊室，也能和患者保持沟通；帮助患者看懂检查报告，理清复杂的服药方案。 在低收入国家，农业会是人工智能落地见效最快的领域。 很多人听到这个结论会感到意外。绝大多数低收入国家的农民，无法获取可靠天气预报，得不到选种、作物与牲畜病害防治、土壤改良的专业建议。伴随人口增长与气候变化，这些农民比以往更需要帮助。借助人工智能，低收入地区的农民很快就可以获得比如今富裕农户还要优质的农业指导，大幅提升粮食产量。 政府公共服务是人工智能优化民生的第三个方向。在美国，我见过不少家庭，被 医保 申请、助学金、 食品 救济的申报流程压得喘不过气。面对堆积如山、晦涩难懂的官僚表格，很多人干脆选择放弃。人工智能可以极大简化流程，让民众更快拿到补助，政府运行效率也得以提升。政府可以优先优化兜底保障群体的办事体验，改善全体公民的公共服务。 尽管我担忧它对心理健康的负面影响，但人工智能同样可以在此领域发挥作用。很多社区心理咨询师、精神科医生、成瘾干预专家缺口巨大。在完善隐私保护的前提下，AI 工具可以帮助人们识别心理危机信号，必要时提供循证心理疏导方案，再对接人类从业者开展深度干预。 人工智能同样可以赋能教育，当然风险依旧客观存在。它可以解放教师，让老师有更多时间一对一或者小组辅导学生，清晰掌握全班学生的知识薄弱点。对于学生，好的 AI 工具会保留研究者所说的 “建设性挣扎”—— 也就是构建认知所必需的思考过程，以此强化学习效果。学生接触全新知识点时，AI 给出充分讲解，抛出问题、提供参考；之后检验掌握程度时，AI 会不直接给出答案，引导学生自主推导。 综合来看，以上领域的技术进步，可以让日常生活变得更轻松、成本更低，不再被收入、社会资源所束缚。 个人与小微企业，也能获得过去只有高价专业服务、庞大团队才能实现的能力，产品服务质量提升、成本下降。残障人士可以借助人工智能实现更高程度的独立生活；怀揣想法的劳动者与创业者，能够完成过去力所不及的事。 最重要的是，它可以把人们从文书工作、官僚流程、信息检索，以及无力付费外包的琐事当中解放出来，归还我们宝贵的时间与精力。这些改变看起来不算惊天动地，但放到亿万普通人身上，意义深远：更多人在需要时获得优质建议，拥有更大自由，去经营自己想要的人生。 但我们必须主动作为，确保红利普惠大众，而不是只流向少数富人。 以上所有，关键词都是 “可以”—— 人工智能有机会改善各个收入层级人群的生活。但这不会自动发生。和所有新技术一样，我们必须主动设计制度，让它惠及所有人，而非少数富豪。这需要政府与公益机构发挥重要作用，保障普通民众与低收入国家同样能够享受技术成果。 盖茨基金会剩余 2000 亿美元资金，计划在 20 年内全部投入公益，如今还剩 19 年。人工智能将助力我们实现宏大目标：加速艾滋病、结核病、疟疾、营养不良相关疫苗与药物研发，赋能医疗从业者与患者用好这些工具。基金会的目标包括，将每年儿童死亡人数再度减半，复刻 2000‑2024 年取得的成就。我们的全部工作，无论是医疗、农业还是教育，都会充分运用人工智能。 下个月，我会在基金会年度《目标守卫者》报告中详细介绍相关举措，包括推动人工智能模型支持全球受助地区的本土语言，而不只是富裕、中等收入国家的主流语种。OpenAI、Anthropic、 谷歌 、微软等头部人工智能企业都在和基金会合作推进项目，成效显著。 全世界需要一套完整方案 部分人工智能企业已经针对自身技术带来的挑战提出解决方案，但我们不能指望企业来主导全局。很多问题超出企业的专业范畴；在民主社会，也不该由企业来做公共层面的抉择。 解决方案应当经由公开民主的流程诞生，吸纳民选官员、政策制定者、教育工作者、医护人员、地方公务人员、社区领袖共同参与。无数人的生活会被颠覆，我们需要一套更强大、更灵活的社会保障体系，帮人们度过转型期。各地社区已经开始担忧数据中心消耗的能源与水资源。如果拿不出对策，部分群体就会呼吁全面叫停人工智能的研发与落地。 解决方案，要回应人工智能抛出的深层命题：在机器思考能力超越人类的时代，我们该如何守住人性。宗教界人士毕生都在思索人的本质，他们可以发挥关键作用。教皇利奥十四世发布的人工智能通谕《在人工智能时代守护人的尊严》令我深受启发，这份文件为后续工作打下了坚实基础。 接下来数月，我会分享更多思路，力求让人工智能利大于弊。这里先提出三点，第一点最为关键。 构建一套全新的转型治理体系 首要任务无比艰巨：搭建国内与国际双重框架，应对人工智能带来的各类问题。 现行所有制度，都不是为这样一项传播速度极快、渗透生活方方面面的技术设计的，我们必须建立全新机制。 这项工程的规模再怎么强调都不为过。9・11 袭击之后，美国政府完成了二战之后最大规模机构重组，而那仅仅是为了优化国家安全这一项职能。 人工智能需要的变革要宏大得多。它关乎国家安全、就业、教育、税收、能源、选举、水土环境、公共卫生、金融系统、执法、交通、公有土地、信息技术系统。 各个领域相互交织，现有官僚体系无力统筹。劳工部门懂就业冲击，却不懂安全风险；市场监管机构了解行业垄断，却不了解 AI 对青少年的影响。各个机构只会看到局部，而人工智能的影响会传导到整个社会系统。 国家层面，各国需要跨部门统筹机构，确立工作优先级，确保所有风险都被覆盖。否则，人工智能驱动的攻击就有可能发生，因为没有部门认定这属于自己的职责。 但即便一个国家理顺内部治理，依旧会面对跨境风险。因此，同步建立国际组织势在必行。 这套全新机构没有现成模板，但可以借鉴现有部分机制：核武器核查制度、国际航空监管、臭氧层保护协定。全球人工智能新组织，需要融合以上多种机制的内核，还要增加更多设计。 难免会有人质疑，现有全球机构能否胜任这套全新架构的设计与落地。政府行事本就迟缓，国家内部、国家之间的对立，让协作难上加难。中美之间一定程度的合作必不可少。 我们没有慢慢试错的资本。要赶在混乱倒逼各国进入危机模式之前，就启动新机构的搭建。各国领导人应当定期召集经济学家、技术专家、劳工专家、企业代表、劳动者代表，识别现有制度的短板，明确需要赋予哪些新权限。各国之间互相借鉴经验。 主导人工智能研发、掌握关键供应链环节的国家，应当立刻开展会晤，建立共同准则，避免竞争压力到来之后，合作变得举步维艰。 搭建这套治理框架需要数年时间，所以我们必须即刻启动。 划定专属于人类的工作领域 我的父亲 2020 年因阿尔茨海默病离世。病程晚期，护工日夜照料他，即便父亲难以表达，护工也能读懂他的需求。父亲没法时时说出自己饿不饿，但护工总能察觉。 我和家人永远感激这些优秀的护理人员。他们提供的照料，饱含独属于人的温度，无可替代。机器人不该、也做不到这件事。 思考哪些岗位会消失、哪些岗位应当保留时，我总会想起这群护工。我相信，随着人工智能与机器人持续进步，我们应当把一部分工作，划定为只能由人类完成。我把这个概念称作人类专属领域（Human Reserved），这正是我们需要思考的方向之一。 我喜欢这个说法，它会让人 联想 到自然保护区：明明可以开发建设，但我们选择不去破坏，因为代价太过沉重。 划定人类专属领域，一部分是出于经济考量。比如，某项工作如果交给机器，会造成大量从业者难以转行失业，我们就可以将其划入该范畴。你不能要求干了一辈子建筑的 55 岁工人，转行去 养老 机构，还指望他获得工作价值感。 部分场景下，做出该类划分，源于其他层面的考量。举个医疗的例子：技术上机器人完全可以告知你身患绝症，但这件事不该交给机器。 人类专属领域的边界会动态变化。比如，我们可以先划定部分岗位保留给人类，再用数年乃至数十年循序渐进引入人工智能，承诺守住部分岗位。教育、心理健康这类领域，会是混合模式：人类主导，技术作为工具延伸人的能力。 不同国家的边界也会不一样。有的国家坚持养老照护必须由人类完成；而日本劳动力萎缩，年轻人不足以照料老人，或许会接纳护理机器人。 “人类专属领域” 还引出很多我暂时没有答案的问题：谁有权划定哪些工作留给人类？评判标准是什么？如何防止企业暗中使用机器？如果一国允许机器生产，另一国坚持人工，国际贸易该如何处理？这些都需要放到公共讨论中，纳入转型整体方案解决。 重新平衡劳动与资本的税收模式 劳动者被迫转行，需要再培训与社会保障支持。但人们的工作时长会减少， 个人所得税 随之下降；而社会福利的支出需求却处在高位。财政预算本就紧张，钱从哪里来？ 我认为，应当对人工智能算力调用、机器人征税。如今企业雇佣员工，需要缴纳薪资税；但采购机器人，通常可以直接作为经营成本抵扣。现行税制，变相激励企业用机器替代人力。 征收相关税收，可以稍微放缓机器取代人力的节奏，同时筹措资金，用于职业再培训和强化社会保障。税收设计需要精准，不能损害医疗、教育这类纯正向的人工智能应用。 批评者会说，从纯经济学角度，这会带来效率损耗。但他们忽略了工作对于个人与社会的综合价值。而技术高速创新的大背景下，我们可以承受一部分效率损失，换取保障就业的社会效益。 我多年前就提出过机器人税，当时多数人觉得想法怪异。我依旧坚定支持该方案。它固然无法解决人工智能带来的全部威胁，但属于应对举措的重要一环。 无论通过何种方式筹措资金，福利都要精准流向最需要的群体：被 AI、机器人夺走工作的劳动者，工时、薪资下降的人群，受冲击严重的社区。相关制度建设要立刻推进，等到危机爆发再着手就来不及了。 我正在做的事 我会持续发声，推动人工智能与公平议题进入公共议程。每次到访华盛顿，以及和全球各国领导人会面，我都会提出这个议题。和人工智能研发者交流时，我也会重点探讨该话题，倡导前文所说的国内国际治理框架。盖茨基金会会推动人工智能向善落地，包括在非洲开展相关工作。我创立的突破能源基金，会利用人工智能助力企业研发平价清洁能源，应对气候危机。我也会持续撰写人工智能相关内容。 我想对各国领导人说： 现在就行动，趁失业率尚未飙升、社区尚未遭受重创、公众信任尚未崩塌。统筹处理人工智能问题，不要拆分给各个官僚部门各自为政。确保人工智能惠及全体民众。和其他国家携手，应对这场国内与全球的双重挑战。 最后，我会努力扩大这场公共讨论的参与群体。劳动者、即将步入社会的大学生、社区领袖、宗教团体、家长、教育工作者，很多群体的声音常常被忽略，但他们最懂转型会如何改变普通人的生活，都应当拥有话语权。 我们如何让人工智能红利，落到原本不具备财富、影响力、资源的普通人身上？我们如何完善社会保障，帮助劳动者与社区，即便遭遇失业冲击依旧能够蓬勃发展？公共机构应当做出怎样的适配？在这一切变革之中，我们该如何守住人性？ 这项前所未有的技术，需要前所未有的全球回应。 如果我们处理得当，人类将收获巨大回报，世界也会变得更加公平。 我几乎无时无刻不在思考人工智能。不是因为我手握全部答案，而是它抛出的命题太过关键，不能只交给一小部分技术从业者。学术界、商界、政府、民间社会的每一位领导者，都肩负责任，共同塑造未来。 The turbulent AI era is here. The choices we make now are critical. We need a plan to ensure that the good outweighs the bad. WHAT YOU NEED TO KNOW The transition to the AI era will be one of the most turbulent times in human history. Right now, we are not preparing adequately for that transition. If the world takes the right steps, AI will be a force for good and leave everyone better off. during my entire life I’ve only had two jobs. In the first one, I played a role in developing software to empower people through my work at Microsoft . In my second one, which I started full time in 2008, I am giving back the wealth I made at Microsoft with the goal of making the world a healthier, better educated, and more equitable place. This is the job I will have for the rest of my life. Both of these experiences inform my perspective on artificial intelligence. When I first learned about computers at age 13 I was fascinated by the idea of making them more intelligent and able to perform things that, at the time, only humans could do. Although the term “AI” was used from around the time I was born, the technology has only made significant progress in the last decade. It is now incredibly capable and it is continuing to improve at a mind-blowing rate. AI for the first time can replace and even exceed human cognition. AI will either be the greatest equalizer ever invented, or the worst source of injustice. In terms of equity, AI will either be the greatest equalizer ever invented, or the worst source of injustice. The challenge is monumental. Even under the best circumstances, the transition to this new AI era will be one of the most turbulent times in human history. How will we use this technology to make the world a fairer place and keep it from widening the divide between rich and poor? How will we protect the people who are most vulnerable to the harms caused by artificial intelligence, including those who lose their livelihoods and the sense that they are in control of their future? I believe that answering these questions and acting on the answers should be the world’s top priority. If the world takes the right steps AI will be a force for good and leave everyone better off. Unfortunately, right now we are not preparing for it. I don’t see evidence that leaders, experts, and communities are confronting the challenges adequately. There is no plan to ease the entry into the AI era Part of the reason for this is that many commentators underestimate the extent of the impact AI will have. I think there are a few reasons why. One is the fact that AI models still make mistakes. It is hard to envision any of them replacing human cognition when, not long ago, they couldn’t solve a simple Sudoku puzzle or figure out how many R’s are in the word strawberry. But the reliability problem is being fixed quickly, as researchers create models that can check their own work and improve themselves. Soon they will be substantially better than humans at many tasks. Another reason people underestimate AI is that analogies to the effects of past innovations are misleading. We have no experience with a technology that can be adopted quickly or that can think and move like a human. When the PC came along, it took twenty years to significantly change how we worked because the software had to be developed, the price had to come down, and people had to learn how to use the tools and incorporate them into their business processes. AI, on the other hand, runs on the devices we already have, and it uses natural language. We don’t have to adapt to it because it can adapt to us. It can watch the same training video that is used to train human workers and learn from existing data. I want to acknowledge a potential bias. I have benefited enormously from the technology industry. Although I have diversified my portfolio quite a bit, I still have financial ties to it. I am working with Microsoft and other AI companies in my role as chairman of the Gates Foundation to try and ensure AI is deployed in ways that will truly benefit people around the world. However, my views on AI are not motivated by the potential to make money for myself. Any profits generated by my investments, including those related to technology, will go to the Gates Foundation to tackle global inequity. Of course, readers will have to decide for themselves whether this clouds my view. This time really is different. For as long as I can remember, I’ve wished innovation could happen faster. With AI, my feelings are more complicated. We need time to prepare for the social, political, and economic upheaval. I wish the world could get the benefits rapidly and delay the problems it will cause as long as possible, but the benefits and problems are arriving at the same time. I believe we need time to prepare for the period of social, political, and economic upheaval we are about to enter. The people who need the most time are the ones who have the least—the accounting worker who’s replaced by a bot or the $20-an-hour worker who loses their job to a $10-an-hour robot. Many observers say that this technology transition will be like previous ones. They give the example of how jobs in the United States shifted from agriculture to office work. However, that proceeded over several generations and created new jobs where human cognition was required. In this case, the technology can substitute for human cognition. Because it can see, listen, speak, and reason and will eventually do physical work just as smoothly as any human, it will not just affect one sector. AI will take on work in law, customer service, medicine, software, and manufacturing. It will hit these industries rapidly, over the course of a decade rather than a few generations. There will be some new jobs, but without the right policies there will be far fewer than exist today. If someone had a credible plan for slowing down AI advances globally, I would likely support it. However, I don’t think that’s going to happen. The geopolitical and economic incentives are pushing too hard to go full speed ahead. To make sure we maximize the positive effects of this unprecedented technology and minimize the bad so we are better off overall, we need to understand both the benefits and the risks. I’ll start with the risks. The transition to AI comes with three big risks. I plan to write about each of these in more detail in the future, so I’ll touch briefly on them for now. Many jobs will disappear forever. In 1933, during the Great Depression, unemployment in the United States was roughly 25 percent. It remained in double digits for much of the following decade. It ultimately recovered as demand, investment, and growth returned. AI may not reach this level, but its impact will not go away with an economic cycle. The jobs at most risk are entry- and mid-level, and the new jobs being created will mostly require skills that take many years to learn. White-collar jobs are already being hit modestly. After the widespread adoption of generative AI, employment fell significantly among young workers in jobs that are especially vulnerable to replacement, but not among their older colleagues. I think this trend will continue, but it will not be confined to a handful of industries or occupations. Jobs in sales and customer support (online and over the phone), software engineering, and paralegal work may be among the first affected, but the disruption will reach much further as AI takes on tasks that today still require trained workers: things like assessing loan applications, doing data analysis, and even triaging patients. A few areas like software engineering will generate new demand as the costs go down, so the net job loss in those areas will be less than in others as long as some tasks, such as design, are better done by humans. Blue-collar jobs will be affected as well. Although robots are not as far along as AI, eventually their cost will be dramatically lower too. Many Americans I talk to don’t realize how fast dexterous robots are advancing because much of the advanced work is being done in other countries, primarily China. Or they may be confused by those videos of robots dancing badly that have been going viral lately. I think “smart” robots will begin to compete with people on some physical tasks—in the construction and hospitality industries, for example—by the end of the decade. Robots and AI combined can create a vicious cycle. After one company adopts them and uses the savings to lower its prices, its competitors will feel immense pressure to do the same. If existing companies don’t adopt them, then start-ups will. Many people will shift to other jobs, but the turmoil of losing work, getting retrained, and finding other work will be significant. Market forces will make adoption go faster and faster and, unless we intervene, there will be fewer good jobs available and the benefits will accrue to a small group. I’m especially worried about young people, who will enter a workforce with fewer entry-level openings. They understand the challenge because they are the most active users of AI and see both the capabilities and the rate of improvement. It’s no wonder that so many of them feel negatively about AI. The biggest shift for workers will happen when AI provides nearly error-free work. At that point, it will be able to function on its own without a human checking in on it, and companies will have every economic incentive to let it. This will lead to a fundamental change in how we think about work, income, and economic security. How will an economy that’s been built around employment operate if fewer people are working, or if many people are working fewer hours? In a capitalist society, employment is the way most people get the money they need to pay for the basics of life as well as being a key source of dignity and social connection. When a community has high unemployment, the ripple effects can be pervasive. Research suggests that in some parts of the United States, factory closures contribute to a rise in deaths from opioid overdoses. Now imagine similar pressures on both white-collar and blue-collar workers nationwide. We have to think now about how to reduce job losses so that everyone can share in the prosperity that AI creates. Waiting until people are already displaced or underemployed will be too late. AI is a structural challenge to the way our economy is organized, and it requires thinking and action now. AI will empower people (and perhaps AIs) to do more harm. Long before AI entered the mainstream, there was information online about how to create weapons like bombs, bioweapons, even computer viruses. AI will make it much easier to not only get this information but act on it. Even criminals with very limited skills will be able to target victims at every scale: individuals, companies, and governments. Even criminals with very limited skills will be able to target victims at every scale. AI-enabled fraud, disinformation, deepfakes, and surveillance are the harms that many people will feel most keenly in their everyday lives. AI capabilities are starting to be used for cyberattacks. The smartest cybersecurity experts I know are scared about the next few years, because the attackers are getting powerful new capabilities faster than the defenders can fix all the weaknesses. After all, the same AI model that can find a flaw in software so a company can fix it can also help a criminal exploit it. The resources needed to make an attack are going down significantly and we haven’t been able to separate those abilities from benign usage. Think about the infrastructure that will be vulnerable: hospitals, financial institutions, water systems, power grids, systems for managing government benefits. When these institutions are attacked, it’s the patients, customers, and benefits recipients who stand to lose. The same goes for bioterrorism. Although AI will lead to lifesaving advances in drugs and vaccines, it will also make it easier to design a deadly new disease. Again, the positive capabilities are hard to separate from the dangerous ones. This is a global problem. The risks I’ve just mentioned are all about how AI will empower bad actors who have relatively little power now. The same tools will also concentrate power in places where it already exists. Autonomous weapons, for example, will make governments even more capable of using deadly force without a human being part of the decision. Monitoring and manipulating public opinion will be easier and cheaper, and more effective too. Eventually, the power to use AI to harm people will not be limited to people or institutions. AI systems themselves already occasionally act in ways their designers didn’t intend. The technology is improving faster than anyone expected and in surprising ways, and as the models become more powerful, they could begin to act against our interests and we could lose control. I’ll have more to say about this in the future. AI models could begin to act against our interests and we could lose control. AI could stunt our kids’ development and replace human relationships. When I was growing up in Seattle, I didn’t have that many friends aside from a few other boys who were like me. It took hard work and a lot of help from my mom to develop my social skills so I could relate to different kinds of people. I still draw on those lessons today at the age of 70. I doubt I would have put in the same work if I had had an AI companion back then. They talk to you in ways you’re already comfortable with. They don’t push you outside your comfort zone. They are always available and never get mad at you. This gives them the potential to become highly addictive and to rob us of the lessons we learn from connecting with other people. The body of evidence on this subject is still small and a bit mixed, but there are signs that we should be very concerned. For example, in one study of more than 1,100 people who use AI companions, researchers at Stanford and Carnegie Mellon found that those with smaller social networks were the most likely to turn to a chatbot for companionship. And the heavier and more emotionally personal that use became, the worse they felt. Young people could be affected for their entire lives. In his book The Anxious Generation, Jonathan Haidt makes an observation about the effect of social media that is even more true for AI: “Like young trees exposed to wind, children who are routinely exposed to small risks grow up to become adults who can handle much larger risks without panicking. Conversely, children who are raised in a protected greenhouse sometimes become incapacitated by anxiety before they reach maturity.” An AI companion designed to never upset you is a big, protected greenhouse. We are only beginning to understand the dangers that the internet—especially social media—can pose to young people’s development. We’re seeing compulsive use, disrupted sleep, cyberbullying, and exposure to harmful content. AI could magnify many of these risks by making them more persuasive and difficult to escape, and we should not wait another generation to start taking them seriously. Countries including Australia, the United Kingdom, and Norway are adopting protections for children online. China has gone the furthest. Its rules restrict AI companion apps broadly, bar designs that foster emotional dependence, and ban virtual relatives and romantic partners for minors. The same tool that will allow people to learn more than ever could also lead to many people learning less. I’m also worried about AI’s impact on education. Ironically, the same tool that will allow people to learn more than ever could also lead to many people learning less. One preliminary survey suggested that heavier AI use was associated with less critical thinking. The effect was stronger for younger people. This would be the worst possible time for humans to lose their critical thinking skills. In an era of deepfakes and misinformation that can be tailored to you individually, the ability to tell what is true from what is not becomes an essential life skill. It’s unclear where to draw the line on these psychosocial problems. In some cases, AI may help people understand how to do better in their human relationships. It may be the only contact with the outside world for isolated elderly people and people with limited mobility, and it will be better than nothing. Wherever we end up drawing the line, it should be our decision, made intentionally. The good things we do with AI could be very, very good. It’s often said that we overestimate how much will change in the short term and underestimate how much will change in the long term. With AI, I see something different going on. Some people see only the upside of AI and do not focus enough on the negatives. Others make the opposite mistake, which is to focus exclusively on the dangers—which are real—at the cost of missing the potential benefits. We need both: deep concern about the AI harms we need to minimize, and grounded optimism about the positives if we maximize them for everyone. Maximizing the benefits is just as important as minimizing the harms. If people see how AI makes their lives easier, it will help build the public trust that is necessary for managing the harder parts of the transition. If the first thing AI does in most people’s lives is take away their job, those who are already skeptical about it will outright reject it. This will make it harder to ever deliver on the benefits and it is another reason why governments, industries including the medical industry, and AI companies should be working together now. With its ability to synthesize knowledge from every scientific field, AI can accelerate innovation in the world’s toughest technical challenges: providing reliable clean energy for everyone, combating climate change, growing enough food, eradicating diseases, and more. Researchers working on cancer treatments or nuclear energy can use AI to search through massive amounts of scientific literature. It can help them identify patterns that a human might miss and decide which experiments offer the most promise. When intelligence is no longer the limiting factor that it is today, smaller companies will be able to compete with organizations that have far larger research budgets. R&D and innovation will be supercharged. Healthcare is one area where AI can help solve real-world problems. Many small American hospitals lack on-site specialists who can quickly diagnose a patient during a life-threatening emergency. In those places, AI could make sure a heart attack is caught in time and a family avoids the crushing expense of a medical emergency. Viz.ai is one example. It analyzes scans to detect strokes and other emergencies and helps medical teams coordinate their patients’ care. It is being used in nearly 2,000 U.S. hospitals. AI will also help primary-care doctors make better diagnoses and keep in touch with their patients when they’re not in the clinic. It will help patients understand test results and complicated schedules for taking their medicine. Agriculture is where I see the fastest impact of AI in low-income countries. I surprise a lot of people when I tell them that a second area—agriculture—is where I see the fastest impact of AI in low-income countries. In most low-income countries, farmers don’t get reliable weather forecasts or advice on what seeds to plant, how to protect their crops and livestock from disease, or how to improve their soil. With population growth in these countries and the challenges of climate change, these farmers need more help than ever. Using AI, low-income farmers will soon be able to get better advice about all these things than even the richest farmers get today and increase their output substantially. Government services are a third area where AI can make people’s lives easier. In the United States, I’ve met families who, understandably, were overwhelmed by the process of applying for health insurance, student aid, or food assistance. Faced with a huge stack of complicated bureaucratic forms, many felt like giving up. AI can streamline things dramatically so they get the help they need faster and the government can operate more efficiently. Governments can make the citizen’s experience far better, starting with those who need its safety net services the most. Despite my concerns about its impact on our mental health, I think AI can also help a lot there. Most communities have too few counselors, psychiatrists, and addiction specialists. With the right privacy safeguards in place, AI tools could help people recognize warning signs. Then, if needed, they can offer evidence-based coping strategies and team up with a human to provide more responsive treatment. AI can be a boon for education as well, despite the concerns I mentioned earlier. It can free teachers up to spend more time working with students one on one or in small groups and give them a clearer view of where the whole class is struggling. For students, an AI tool that preserves what researchers call “productive struggle”—the cognitive work that builds understanding—can strengthen learning. When a student first encounters a new idea, the AI gives substantive explanations and offers both questions and answers. Later, when it’s checking their comprehension, it holds the answer back and helps them arrive at it on their own. Taken together, the advances in all these areas could make everyday life easier, more affordable, and less constrained by a person’s income or connections. AI could give individuals and small businesses access to capabilities that today require expensive professional help or large staffs, while making products and services better and cheaper. It could help people with disabilities live more independently and enable workers and entrepreneurs with good ideas to accomplish far more than they can today. Most importantly, it could give people back some of the time and attention now consumed by paperwork, bureaucracy, searching for reliable information, and tasks they cannot afford to pay someone else to handle. These benefits may seem modest, but multiplied across millions of lives, they would be profound: more people getting good advice when they need it and having greater freedom to focus on the lives they want to build. We have to be deliberate about ensuring that it benefits everyone and not just a wealthy few. In all these areas, the operative word is “can”—AI can improve life for people at every income level. But it won’t do that automatically. As with any new technology, we have to be deliberate about ensuring that it benefits everyone and not just a wealthy few. This will require governments and philanthropy to play a strong role so that less wealthy citizens and low-income countries are full beneficiaries. The Gates Foundation has 19 years left of the 20 years in which it will spend its remaining $200 billion. AI will help it achieve its ambitious goals by both accelerating the discovery of vaccines and medicines for HIV, TB, malaria, and malnutrition and helping the healthcare workforce and patients know how to use those tools. The foundation’s goals include cutting the number of children who die every year in half again, as was done from 2000 to 2024. All of our work, not just health but also agriculture and education, will take full advantage of AI. I will write much more about these efforts next month in the foundation’s annual Goalkeepers report—including our focus on making sure that AI models are available in the languages spoken by people in all the countries where we support work, and not just the ones that are common in rich and middle-income countries. Many of the leading AI companies, including OpenAI, Anthropic, Google , and Microsoft, are partnering with the foundation on all of these initiatives, which is making a big difference. The world needs a plan. It is great that some AI companies are proposing solutions to challenges raised by their own technology, but we should not expect them to lead the charge. Some of the issues are outside their area of expertise, and in a democratic society it’s not their role to decide these things. Instead, solutions should be developed through a public democratic process that includes elected officials, policymakers, educators, health workers, local officials, and community leaders. Millions of people will have their lives disrupted, and we’ll need a stronger, more flexible social safety net to help them manage the transition. Local communities are already raising concerns about the energy and water needed for data centers. Without solutions, some groups will push for stopping AI development and deployment altogether. The solutions should be shaped by our answers to the profound questions raised by AI, including how we preserve our humanity in a time when machines can out-think us. As people who spend their lives thinking about what it means to be human, religious leaders can play a key role in this. I was fascinated by Pope Leo XIV’s encyclical on AI, “On Safeguarding the Human Person in the Time of Artificial Intelligence.” It lays a strong foundation for the work that needs to be done. In the coming months, I will share more ideas for making sure that AI’s benefits outweigh the harm it causes. Here are three to start, beginning with what I think is the most important one. Build a new system for managing the transition. The highest priority is a monumental task: creating a domestic and international framework for dealing with AI. None of our current institutions were designed to handle a technology that spreads so fast and touches so many parts of our lives. So we’ll need to make new ones. It’s hard to overstate what an enormous undertaking this will be. After the attacks of 9/11, the U.S. government went through its biggest reorganization since World War II for the purpose of improving just one function, national security. AI will require much, much more. It will affect national security as well as employment, education, taxation, energy, elections, air and water, public health, the financial system, law enforcement, transportation, public lands, and IT systems. These sectors overlap in ways our existing bureaucracy is not designed to manage. A labor department may understand workforce disruption but not security risk. A business regulator may understand market concentration but not AI’s effects on children and teenagers. Left to themselves, institutions will see only one part of the system, while the consequences of AI will ripple across the entire system. At the national level, countries will need bodies that can set priorities across government agencies. The goal will be to make sure that every risk is accounted for. Otherwise, an AI-enabled attack might succeed because no one thought it was their job to stop it. But even a country that gets its own house in order will still be exposed to risks that cross borders. This is why an international organization will need to be built in parallel. It will be unlike any other institution we have ever created, though it can follow the model of some existing systems. There’s an inspections regime for nuclear weapons, regulations for international aviation, and agreements that protect the ozone layer. A new global organization for AI will need elements of all three and more. It is fair to wonder whether the world’s institutions are up to the task of designing and implementing this new architecture. Government moves slowly when it moves at all, and polarization within and between countries makes it harder than ever to get things done. Some cooperation between the U.S. and China will be required. We do not have the luxury of moving slowly. The place to start is with a process for building the right institutions before the disruption forces governments into crisis mode. National leaders should convene economists, technologists, labor experts, business leaders, and workers themselves regularly to identify where existing institutions are failing and what new authorities may be needed. Countries will need to learn from each other. And the countries that host the leading AI developers and control critical parts of the supply chain should begin meeting now to set up shared norms, before competitive pressure makes it harder for them to cooperate. Building the framework I’m talking about will take years, which is why we need to start now. Set aside some jobs for humans. My dad died of Alzheimer’s in 2020. In the later stages of his illness, he was cared for day and night by paid caregivers who understood him even when he struggled to express himself. He couldn’t always tell them when he was hungry, but they always knew. My family and I will always be grateful to that amazing group of professionals. Something in the care they gave my dad was irreplaceably human. No robot could or should have done it. I think about that team when the question of which jobs will disappear and which will remain comes up. I believe that as AI and robots improve, we’ll set aside certain things for only people to do. I’ve started calling this domain Human Reserved, and it’s an example of the kinds of ideas we’ll need to consider. I like the phrase Human Reserved because it makes me think of nature reserves—places where we could put buildings and roads, but we choose not to because the loss would be too great. We might set something aside as Human Reserved for economic reasons. For example, we may do it because allowing machines to take over a certain role will displace a large number of people who can’t easily change jobs. You can’t tell a 55-year-old who has worked in construction their whole career that they need to go work at an elder care facility and expect them to find it fulfilling. Sometimes the decision to make something Human Reserved will be driven by other factors. In health, for example, imagine a robot giving you the awful news that you have an incurable disease. There’s no technical reason why it couldn’t. Yet it shouldn’t. The Human Reserved domain will evolve over time—for example, we should consider setting aside some jobs now and phasing in AI slowly over years or decades with a commitment to preserve some jobs. Some areas, like education and mental health care, will be a mix, with a human in charge who’s using the technology to extend what they can do. The lines will also vary from place to place. Some countries might insist on having humans take care of the elderly. But a country like Japan, which has a shrinking workforce and not enough young people to care for the old, may welcome a caregiving robot. The idea of Human Reserved raises a host of questions I don’t have answers to. Who gets to decide what we reserve for humans? What criteria should we use? How do you keep companies from cheating and using robots anyway? What happens to international trade when one country lets robots make something and another country doesn’t? These will need to be worked out in public as part of the transition plan. Rebalance how we tax labor and capital. As workers are pushed into different jobs, they will need retraining and other support from the social safety net. But they will be working less, which means they will be paying less in income taxes, and government revenues will drop just when the demand for those services is greatest. The funds will have to come from somewhere at a time when budgets are stretched. I believe we should tax AI tokens and robots. Right now, if you’re an employer and you hire someone, you pay payroll taxes on their earnings. But if you buy a robot, you can usually write it off right away as a business expense. The tax system nudges you toward replacing people with machines. A tax would slow the rush away from human labor a little and raise money for retraining and a stronger safety net. It would need to be targeted so it does not slow down the purely beneficial uses of AI, like making medicine and education cheaper. Critics of this idea point out that it’s not optimally efficient in an economic sense, but they’re not considering the broader value of work for individuals and society. And with all the accelerated innovation we will have, we’ll be able to afford a little inefficiency as the price for keeping people employed. I proposed a robot tax years ago and most of the reaction was that it was a strange idea. I’m still a big proponent of it. Although it is not the whole solution to the threat of AI, it is part of a wise response. However we raise money for more assistance, it needs to reach the people who need it most, including workers who lose their jobs to AI and robots, people whose hours or wages decline, and communities where the losses are concentrated. We need to start doing that work now so that the systems are ready when the need becomes acute. What I’m doing. I will use my voice and time to get AI and equity higher on the public agenda. I will raise the issue with lawmakers every time I visit Washington, D.C., and when I meet with leaders around the world. It will be front and center in my conversations with the people who are developing AI models. I will advocate for the national and international framework I described earlier. The Gates Foundation will help drive beneficial usage, including in Africa. Breakthrough Energy, a company I founded, will use AI to help companies develop cheap clean energy and help solve the climate problem. I will also be writing about AI on a regular basis. My message to leaders is: You have a chance to act now, before unemployment rises sharply, communities are hurting, and public trust has eroded. You can make sure that your government handles the problem holistically, rather than divvying it up into multiple bureaucratic fiefdoms. You can make sure AI benefits everyone. And you can work with other governments to meet this national and global challenge. Finally, I will try to widen the circle of people shaping this debate. It should include workers, college students who are about to enter the workforce, community leaders, religious leaders and faith-based organizations, parents, educators, and others whose voices often aren’t heard but who have insight into how the transition will affect people’s lives. How do we ensure that the benefits of AI reach people who do not already have wealth, influence, and access? How do we strengthen the social safety net and help workers and communities thrive even when they’re displaced? How should public institutions adapt? And how do we preserve our humanity through all of this? This unprecedented technology demands an unprecedented global response. This unprecedented technology demands an unprecedented global response. If we get it right, the payoff for humanity will be phenomenal and the world will be a more equitable place. I rarely stop thinking about AI—not because I have all the answers, but because the questions it raises are too consequential to leave to a small group of technologists. Leaders across academia, business, government, and civil society all have a role to play in shaping what comes next. 中美板块联动，一键锁定套利机会>> 打开App看更多精彩内容readlaterhttps://myweb.ganlei.com/blog/20260825-%E2%80%AC%EF%BB%BF%E2%80%8B%E2%80%AC%E2%80%8B%E2%80%8B%E2%80%AC%E2%80%8B%E2%80%8B%E2%80%8B%E2%80%8B%E2%81%A0%E2%80%8B%EF%BB%BF%EF%BB%BF%E2%80%8B%E2%80%8D%E2%81%A0%E2%80%8C%E2%80%AC%E2%80%AC%E2%80%8B%E2%81%A0%EF%BB%BF%E2%80%8C%E2%80%8B%E2%80%8B%E2%80%AC%E2%80%8B%E2%80%8B%E2%81%A0%E2%80%8B%E2%80%8C%E2%80%8B%E2%80%8D%E2%80%8B%E2%80%8D%E2%80%8B%E2%80%8C%EF%BB%BF%E2%80%8D%E2%80%8B%E2%80%8B%EF%BB%BF%E2%80%8B%E2%80%8B%E2%80%8B%E5%93%AA%E4%BA%9B%E7%9C%8B%E4%BC%BC%E6%AF%AB%E4%B8%8D%E7%9B%B8%E5%B9%B2%E7%9A%84%E4%BA%8B%E7%89%A9%E5%85%B7%E6%9C%89%E7%9B%B8%E5%90%8C%E7%9A%84%E6%95%B0%E5%AD%A6%E5%8E%9F%E7%90%86/https://myweb.ganlei.com/blog/20260825-%E2%80%AC%EF%BB%BF%E2%80%8B%E2%80%AC%E2%80%8B%E2%80%8B%E2%80%AC%E2%80%8B%E2%80%8B%E2%80%8B%E2%80%8B%E2%81%A0%E2%80%8B%EF%BB%BF%EF%BB%BF%E2%80%8B%E2%80%8D%E2%81%A0%E2%80%8C%E2%80%AC%E2%80%AC%E2%80%8B%E2%81%A0%EF%BB%BF%E2%80%8C%E2%80%8B%E2%80%8B%E2%80%AC%E2%80%8B%E2%80%8B%E2%81%A0%E2%80%8B%E2%80%8C%E2%80%8B%E2%80%8D%E2%80%8B%E2%80%8D%E2%80%8B%E2%80%8C%EF%BB%BF%E2%80%8D%E2%80%8B%E2%80%8B%EF%BB%BF%E2%80%8B%E2%80%8B%E2%80%8B%E5%93%AA%E4%BA%9B%E7%9C%8B%E4%BC%BC%E6%AF%AB%E4%B8%8D%E7%9B%B8%E5%B9%B2%E7%9A%84%E4%BA%8B%E7%89%A9%E5%85%B7%E6%9C%89%E7%9B%B8%E5%90%8C%E7%9A%84%E6%95%B0%E5%AD%A6%E5%8E%9F%E7%90%86/这是一个非常有意思的问题。我做了十几年算法，从最早的搜索推荐到现在的生成式大模型，在这行摸爬滚打久了，你越往底层钻，越会发现一个让人毛骨悚然的事实： 这个世界的底层代码是复用的。Mon, 24 Aug 2026 16:00:00 GMT这是一个非常有意思的问题。我做了十几年算法，从最早的搜索推荐到现在的生成式大模型，在这行摸爬滚打久了，你越往底层钻，越会发现一个让人毛骨悚然的事实： 这个世界的底层代码是复用的。​ 很多时候，我们觉得自己在搞创新，其实不过是在用几十年前甚至几百年前物理学家、生物学家用剩下的公式，换了个变量名而已。​ 咱们不整那些虚头巴脑的科普，我直接从我这些年做项目、带团队的实际视角，给你们扒一扒那些看似八竿子打不着，实则共用一套数学内核的东西。这一篇很长，也没什么废话，建议先收藏，慢慢看。​ ​ 第一块： [扩散方程](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=%E6%89%A9%E6%95%A3%E6%96%B9%E7%A8%8B&zhida_source=entity) ，从铁棒传热到华尔街赌徒再到AI画图​ 这几年Stable Diffusion、Midjourney火得一塌糊涂。很多入行的小朋友问我，这扩散模型到底是个啥原理？我跟他们说，你回去翻翻大二学的物理热学，或者去问问搞金融工程的，他们熟。​ 这里面藏着一个极其狂野的数学联系： 热传导、期权定价、图像生成，本质上是同一回事。​ 早在19世纪，傅里叶这帮人就在研究一个问题：我拿一根铁棒，在一头加热，这热量是怎么顺着铁棒传导过去的？最后他们搞出了热传导方程。简单说，就是描述能量如何随时间在空间中扩散、平滑化的过程。系统的熵在增加，有序变成无序。​ 这事儿本来属于物理系。但是到了1973年，Black和Scholes这两个天才想搞定股票期权的定价问题。他们发现，股票价格的波动充满了随机性，跟花粉在水里的布朗运动一模一样。如果不考虑手续费和利息，股票价格的概率分布随时间的演化，竟然完美符合热传导方程。​ 你们能想象吗？描述热量在金属中流动的公式，竟然精准地预测了贪婪的人类在华尔街的赌博行为。这就是大名鼎鼎的Black-Scholes方程。那个年代搞金融的赚得盆满钵满，其实就是把物理系的作业抄了一遍。​ 时间拨到2020年代。现在的AI绘画是怎么回事？扩散模型（Diffusion Model）的核心逻辑是：我先拿一张清晰的照片，一步步往上加高斯噪声（就像滴墨水进水里，或者热量扩散），直到这张图变成纯粹的雪花点噪声。这个过程，就是正向的扩散过程，数学上依然遵循随机微分方程那一套逻辑。​ 既然只要有方程，我能不能求逆解？如果我能训练一个神经网络，学会把这个扩散过程倒过来，从一堆毫无意义的噪声里，一步步减去噪声，恢复出清晰的图像，这不就是生成吗？​ 所以，你在电脑上跑Stable Diffusion生成一个二次元妹子的时候，显卡里疯狂运算的数学逻辑，和1822年傅里叶研究热量怎么穿过铁板，以及1973年华尔街交易员计算看涨期权价格，用的是同一套底层数学架构。​ 第二块： [特征值分解](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=%E7%89%B9%E5%BE%81%E5%80%BC%E5%88%86%E8%A7%A3&zhida_source=entity) ，从量子力学到谷歌霸权再到你的脸​ 我在面试算法工程师的时候，最喜欢问线性代数。很多候选人把公式背得滚瓜烂熟，但我问他：矩阵的特征值和特征向量到底是个什么物理意义？十个人有九个支支吾吾。​ 如果不懂这个，你根本没法理解为什么原子弹能炸，也没法理解谷歌怎么挣到的第一桶金。​ 看似毫不相干的三个东西： 量子力学的能级、Google的PageRank算法、人脸识别（ [Eigenface](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=Eigenface&zhida_source=entity) ），它们共享同一个数学灵魂——特征值分解。​ 咱们先说量子力学。薛定谔方程本质上就是一个算子作用在波函数上。物理学家不仅要解方程，更重要的是找到那个“不变量”。在量子力学里，算符对应的特征值，往往就是我们能观测到的物理量，比如能量。原子在那儿并不是乱跑，它有固定的能级，这些能级就是哈密顿算符的特征值。​ 好，把视角切到互联网。1998年，Larry Page和Sergey Brin在想怎么给网页排序。当时的搜索引擎很烂，谁关键词多谁排前面。他们想了一个绝妙的主意：一个网页重要不重要，得看有多少重要的网页链接指向它。这听起来是个死循环，A重要因为B指着它，B重要因为C指着它。​ 但如果你把整个互联网看作一个巨大的矩阵，每个网页是一个节点，链接是边。那么求解这个网页重要性排名的过程，本质上就是求这个巨大转移矩阵的最大特征值对应的特征向量。那个特征向量里的每一个分量，就是每个网页的权重（Rank）。谷歌靠着算这个万亿级矩阵的特征向量，干翻了雅虎，建立了商业帝国。​ 再看人脸识别。早期的做法人脸识别不是靠现在的卷积神经网络，而是用一种叫“特征脸”（Eigenface）的技术。也就是把人脸图像压扁成向量，堆成一个大矩阵，算它的协方差矩阵，然后求特征向量。这些特征向量就是“主成分”，它们构成了人脸的“基底”。任何一张脸，都可以表示成这几张标准“鬼脸”的加权和。​ 你说神不神奇？微观粒子的跳动、万维网的流量分配、你手机解锁时扫的那一下脸，数学上都是在找那个矩阵的“主轴”。​ 这里推荐大家去看Gilbert Strang教授的线性代数公开课，MIT出的。​ 别看国内教材，国内教材上来就是算行列式，把人算傻了。​ Strang教授会告诉你矩阵的几何直观，那才是线性代数的灵魂。​ 视频地址： [【官方双语/合集】线性代数的本质 - 系列合集](https://link.zhihu.com/?target=https%3A//www.bilibili.com/video/BV1ys411472E/%3Fspm_id_from%3D333.1387.homepage.video_card.click%26vd_source%3D4c918a043c22277de12ecfb2ce4883dc) 。​ 关于3Blue1Brown的补充：视频终归只是一种呈现方式，真正深入消化理解，还得依靠笔记和文字。 市面上已经出现不少针对3Blue1Brown系列的笔记整理，目的是帮助大家系统复盘内容、补充细节，也方便查找、回顾与复习。 值得一提的是，有一批笔记，不只单纯翻译，还针对视频中略过的部分补充了更多细致的推导和背景知识。下面，我结合个人体验和观察，给大家介绍一份我认为值得参考的中英文笔记。（注：3Blue1Brown的讲解固然精彩，但它并非万能。它的核心价值在于建立几何直觉，而非替代传统学习中的计算训练和证明逻辑，可以配合《线性代数的几何意义》，有奇效！！ 注意是西安电子科技那本，这本书籍我也放在下面这个链接里面了）​ [3Blue1Brown线性代数笔记：可能是全网最好的中英文整理](https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/UcdvTSsjKawoT7TbzbwehQ)​ 第三块：最短路径与最小作用量，光线、救生员与神经网络的训练​ 这里有一个极具哲学意味的数学原理，叫 [变分法](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=%E5%8F%98%E5%88%86%E6%B3%95&zhida_source=entity) ，或者更通俗点说，是极值原理。​ 这里涉及的事物有： 光的折射、救生员救人、以及神经网络的 [梯度下降](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=%E6%A2%AF%E5%BA%A6%E4%B8%8B%E9%99%8D&zhida_source=entity) 。​ 大家初中物理都学过光的折射定律（斯涅尔定律），光从空气进水里会偏折。老师告诉你是n1 sin(theta1) = n2 sin(theta2)。但为什么？为什么光要这么走？​ 费马（Fermat）给出了一个解释：光遵循“最少时间原理”。光不傻，它知道在水里跑得慢，在空气里跑得快。为了从A点到B点用时最短，它会在空气里多跑一段，在水里少跑一段。如果你算一下从A到B的时间函数，对路径求导让它等于0，你推导出来的就是折射定律。​ 这跟救生员有什么关系？这就涉及到一个经典 案例。一个救生员在沙滩上，看到海里有人溺水。救生员跑得快，游得慢。他应该走直线冲过去吗？不，他应该在沙滩上斜着多跑一段，缩短在水里的路程，这样到达溺水者的时间最短。救生员的本能选择的路线，和光线的折射路径，数学上是一模一样的。​ 那这跟我的老本行AI有什么关系？太大了。​ 现在的深度学习，训练过程本质上就是在找一个高维曲面上的最低点。我们定义的那个“损失函数”（Loss Function），就是那个“时间”或者“能量”。神经网络参数的每一次更新（梯度下降），就像是光线在寻找那条阻力最小、代价最小的路径。​ 虽然光线是在空间中找路径，我们在训练模型时是在几亿维的参数空间里找最优解，但背后的数学思想—— 通过变分求极值，也就是让一阶导数为零 ——是完全一致的。物理学家叫它“最小作用量原理”，拉格朗日和哈密顿为此建立了宏大的力学体系；我们搞算法的叫它“优化理论”。​ 甚至连大自然的进化也是这个逻辑。树叶的脉络怎么长才能输送效率最高？肥皂泡为什么是圆的（表面张力势能最小）？全都是在解同一个极值问题。​ 如果你想补一下这方面的数学直觉，推荐看看《普林斯顿微积分读本》。别被名字吓到，这不是那种枯燥的课本，它非常强调直观理解。​ [微积分初学者必读---《普林斯顿微积分读本》《托马斯微积分》.pdf](https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/VYlZSJnjerUnzaiJ0lf-Qw)​ 对于优化理论感兴趣的，Boyd的《Convex Optimization》是圣经，虽然厚，但哪怕读懂前三章，你在算法岗面试里都能横着走。​ 第四块： [香农熵](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=%E9%A6%99%E5%86%9C%E7%86%B5&zhida_source=entity) 与 [玻尔兹曼熵](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=%E7%8E%BB%E5%B0%94%E5%85%B9%E6%9B%BC%E7%86%B5&zhida_source=entity) ，蒸汽机与源代码​ 这一块是我觉得最深刻的。​ 热力学（蒸汽机效率）、信息论（数据压缩）、机器学习（分类算法）。​ 19世纪，玻尔兹曼他们在研究气体的时候，为了解释为什么热量总是从高温流向低温，提出了“熵”的概念。公式是S = k \* log(W)。这个W代表微观状态数。简单说，系统越混乱，微观状态越多，熵就越大。宇宙的命运就是熵增，最后热寂。​ 几十年后，香农在贝尔实验室琢磨怎么让电话线传输更多信息。他需要量化“信息”到底是多少。他推导出了一个公式，H = -Σ p(i) log p(i)。​ 当香农把这个公式拿给冯·诺依曼看的时候，冯·诺依曼那是相当鸡贼，他告诉香农：你就叫它“熵”吧。第一，它数学形式上跟热力学的熵几乎一样；第二，没人真正懂熵到底是什么，所以你在辩论中永远占上风。​ 事实证明，这不仅仅是巧合。信息本质上就是消除不确定性。一个系统越混乱（热力学熵大），包含的未知信息就越多（信息熵大）。​ 在机器学习里，我们最常用的损失函数叫“交叉熵”（Cross Entropy）。比如我训练一个模型识别猫和狗。模型预测的概率分布，和真实的标签分布之间，差多少？我们就用交叉熵来算。​ 我们在优化模型，其实就是在最小化这个系统的信息熵，让模型对世界的认知从“混乱”变得“有序”。​ 你写代码用的压缩软件（Zip），原理是哈夫曼编码或者算术编码，核心逻辑是把出现概率高的字符用短编码，概率低的用长编码，这其实就是在逼近香农熵的极限。​ 所以，驱动蒸汽机运转的热力学定律，和驱动互联网数据传输的信息论，以及驱动AI学习的损失函数，在数学底层是打通的。它们都在处理“有序”与“无序”的对抗。​ 第五块： [傅里叶变换](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=%E5%82%85%E9%87%8C%E5%8F%B6%E5%8F%98%E6%8D%A2&zhida_source=entity) ，音乐、X光与数论​ 如果说上帝创造宇宙有乐谱，那一定是傅里叶变换。​ 看似不相干的事物： MP3音乐播放、医院的CT扫描、甚至是大整数乘法加速。​ 傅里叶变换的核心思想极其暴力又优美：任何周期函数，都可以看作是一堆不同频率的正弦波叠加出来的。​ 你听到的音乐，是一段随时间变化的声波。但是为了存储它，MP3算法把它切碎，通过傅里叶变换转到“频域”。它发现，哎，这里面有很多频率是人耳听不见的，或者被大声音掩盖的，直接扔掉！剩下的数据再存起来。这就实现了压缩。​ 再去医院看CT。CT机围着你转一圈，接收的是X光穿过人体后的衰减强度。但这只是一堆投影数据，医生怎么看到你身体内部的横切面？这里用的是Radon变换，而Radon变换的逆变换核心就是傅里叶切片定理。简单说，CT机就是在频域里把你“重组”了出来。​ 甚至在纯数学和计算机基础算法里，你要算两个几万位的超大整数相乘，直接乘太慢了（O(N^2)）。聪明人把大整数看成多项式系数，应用快速傅里叶变换（FFT），在频域里做乘法，然后再变回来，复杂度瞬间降到O(N log N)。​ 没有傅里叶变换，就没有现代通讯，没有多媒体，甚至连现在的芯片设计都搞不定。​ 第六块：控制理论，抽水马桶、巡航导弹与 [Adam优化器](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=Adam%E4%BC%98%E5%8C%96%E5%99%A8&zhida_source=entity)​ 这也是一个极其实用但容易被忽视的领域。​ 抽水马桶的水箱、汽车的定速巡航、生物体温调节、神经网络的Adam优化器。​ 这几个东西看起来风马牛不相及，但它们都在解决同一个问题： 负反馈控制。​ 你想想马桶水箱，水位低了，浮球下降，阀门打开充水；水位高了，浮球上升，阀门关闭。这是一个最原始的P控制（比例控制）。​ 汽车定速巡航要复杂点。如果只看速度差（P），上坡时速度掉得快，油门猛踩，到了坡顶又会冲过头。所以需要引入积分项（I）来消除稳态误差，引入微分项（D）来预判趋势。这就是经典的 [PID控制](https://zhida.zhihu.com/search?content_id=757440427&content_type=Answer&match_order=1&q=PID%E6%8E%A7%E5%88%B6&zhida_source=entity) 。​ 你的身体也是一样。体温高了出汗，低了发抖，这是一套精密调节的内稳态系统，数学本质依然是反馈控制。​ 到了人工智能领域。训练神经网络时，最火的优化器叫Adam。它本质上在干嘛？它不仅仅是看当前的梯度（P），它还记住了过去梯度的平均值（类似I），以及梯度的方差（类似对波动率的适应）。它在根据地形自动调节“学习率”这个油门的大小。​ 所以，当你在这个行业待久了，你会有一种虚无感，也会有一种敬畏感。​ 虚无是因为，你发现所谓的“高科技”，拆解到最后，往往是几百年前数学家在草稿纸上画出来的那些符号。高斯、欧拉、傅里叶、拉格朗日，这些老家伙仿佛坐在云端，看着我们拿着显卡和电缆，笨拙地重新演绎他们的思想。​ 敬畏是因为，这些数学原理具有普适性。不管载体是电子、光子、生物细胞还是金融货币，只要逻辑结构一致，数学表现就一致。​ 我经常跟团队里的新人说，别光盯着那些新出的框架、库看。PyTorch每年都在变，但线性代数五十年没变过，概率论一百年没变过。​ 你要是想真正在这个行业这就走得远，甚至具备跨学科解决问题的能力，就得去啃这些硬骨头。​ 作为一名在数学之路上探索踩坑了很久的人，深知优质教材对于数学学习非常重要。因此，精心搜集了76本国外经典数学教材，涵盖代数、几何、分析、概率等多个数学分支，希望能帮助热爱数学的同学们构建更完善的知识体系。​ [76本国外经典教材，全方位覆盖代数、几何、分析、概率等核心领域（附PDF下载）](https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/N3ih904eGewoWD7Bs09x8Q)​ 此外，见证国内数学学科发展的“活化石”，科学出版社的《现代数学基础丛书》自1981年诞生以来，已持续更新至204卷，堪称中国数学界的“四库全书”，也一并整理好了。​ [5000字硬核盘点！《现代数学基础丛书》204卷必读清单（附PDF及领域分类），建议收藏备用 ！](https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/wnbTRfVYKb8CTpg7eLirUQ)​ 数学不是枯燥的数字游戏，它是上帝写给这个世界的源代码。当你能透过现象看到底下的公式时，那种通透感，比任何爽文都过瘾。​ 行了，就扯这么多。如果觉得有点意思，给个赞，咱们评论区见。​ 送礼物​ 数学爱好者栖息地readlaterhttps://myweb.ganlei.com/blog/20260825-%E4%B8%BA%E4%BB%80%E4%B9%88%E4%BC%9A%E7%BB%8F%E5%B8%B8%E8%A7%89%E5%BE%97%E7%BC%BA%E4%B9%8F%E6%84%8F%E4%B9%89%E6%84%9F/https://myweb.ganlei.com/blog/20260825-%E4%B8%BA%E4%BB%80%E4%B9%88%E4%BC%9A%E7%BB%8F%E5%B8%B8%E8%A7%89%E5%BE%97%E7%BC%BA%E4%B9%8F%E6%84%8F%E4%B9%89%E6%84%9F/当越来越自由，也就意味着选择成本会无限增加。当你什么都能选，什么都能做的时候，也就意味着你在当下的选择背后是无限大的代价。Mon, 24 Aug 2026 16:00:00 GMT🔗 原文链接： [https://www.zhihu.com/question/4572...](https://www.zhihu.com/question/45723074/answer/1898763723671320513) 作者：八路 ❗ 我的思考： 当越来越自由，也就意味着选择成本会无限增加。当你什么都能选，什么都能做的时候，也就意味着你在当下的选择背后是无限大的代价。 这就会带来两个问题：要么不停的做分析陷入所谓分析瘫痪；要么躺平不行动，不动就意味着机会成本为零，带来无尽的拖延。 我靠，这个有意思，这就通顺了。 我什么我们要在贫苦中求道，因为机会成本机制降低，我们才能把时间和精力放在“正确而长期”的事情上，不在意一时的得失。 ❗ 来自卡梅隆的创作启发 约束是礼物，无限选择反而是诅咒 大多数人认为，创作的理想状态是拥有无限的资源和选择。但卡梅隆的经验恰恰相反：约束不仅不是障碍，反而是激发创意的最佳催化剂。 这个理念的诞生，源于他职业生涯的开端——《终结者》。当时的他预算极低，技术手段有限，这些严苛的约束迫使他进行务实的思考。如何用最少的钱拍出一部科幻片？他的答案是：让未来科技穿越到现代，这样大部分场景就可以利用现代城市的街道，用自然光和路灯拍摄，从而将有限的特效预算集中用在终结者这个角色的关键时刻。这个源于约束的核心设定，最终成就了一部影史经典。 如果没有这些约束，我会不会想出这个故事？不知道，可能不会。 与之形成鲜明对比的是后来的《阿凡达》。在虚拟制作的世界里，物理限制几乎消失了——摄像机可以放在任何位置，灯光可以任意调整。这种“无限选择”反而成了一种诅咒，因为它要求创作者拥有更严谨、更主动的美学纪律。你必须清楚地解释“镜头为什么放在这里”，而不是因为“空间太小，只能这么拍”。 约束迫使你定义原则，而自由则迫使你发明原则。 人心越自由，越没有约束选择越多，人越会感觉无聊。 比如听歌，假如你可以切歌，你会发现越切越没有好听的…… 穿衣服，衣柜越大越感觉没有衣服穿； 看视频也是，我搞了个免费的看剧APP，各种现在的以前的电影剧集都有，就从下的那天，我就再没完整地看过一部剧。 假如你反过来，给自己立上各种规矩， 比如说话要用合适的音量，走路尽量不出声音，吃饭一次嚼多少口，穿衣要板正，坐如钟站如松…… 等等等等，像幼儿园老师教孩子一样，在你跟周围各种人事物的互动中都加上要求套上枷锁，尊重自己遇到的每一个人，做好自己要做的每一件大事小事，用好手上有的各种物品（无论好坏）。readlaterhttps://myweb.ganlei.com/blog/20260825-%E4%B8%BA%E4%BB%80%E4%B9%88%E6%88%91%E4%BB%AC%E8%B6%8A%E6%9D%A5%E8%B6%8A%E6%81%90%E6%83%A7%E6%97%A0%E8%81%8A%EF%BC%9F/https://myweb.ganlei.com/blog/20260825-%E4%B8%BA%E4%BB%80%E4%B9%88%E6%88%91%E4%BB%AC%E8%B6%8A%E6%9D%A5%E8%B6%8A%E6%81%90%E6%83%A7%E6%97%A0%E8%81%8A%EF%BC%9F/你是否觉察到，我们正在丧失与无聊共处的能力？Mon, 24 Aug 2026 16:00:00 GMT你是否觉察到，我们正在丧失与无聊共处的能力？ 对许多人来说，「无所事事」的状态是会招来恐惧的。就算没事，也要掏出手机刷两下，仿佛一旦切断了外界的信息输入，整个人就会陷入一种焦虑不安中。看似忙碌，用各种信息流填满每一个时间的缝隙，但这种对无聊的逃避，似乎并没有带来充实，反而引发了更深的虚无。 在社交平台上，关于无聊的话题讨论也从未停止。有人因为无法忍受剧情铺垫期的无聊，必须开启高倍速甚至只看「三分钟解说」，才能勉强去「看完」一部电影；有人面对着海量的外卖，花费几十分钟去挑选，却在「丰富的无聊」中丧失了所有胃口和兴致；还有人陷入了「报复性熬夜」的怪圈，明知手机里能刷到的都很无聊，却依然机械性地刷新直到凌晨，只因为不愿结束这看似自由、实则枯燥的「垃圾时间」。这种「越填补越空虚，越休息越累」的现象，正成为现代人普遍面临的无聊症候群。 心理咨询师崔庆龙在长期的咨询与观察中发现，现代人对无聊的耐受度正在极速退化，大家像挂着「信息充电宝」一样，时刻需要外部的「弱反馈」来维持心理运转。他指出，我们试图通过「躺平」来对抗疲惫，这其实是一个巨大的误区。这种被动的「杀时间」方式，实际上锁死了我们的能量上限，让我们沦为信息的被动容器，反而陷入更深的无聊中。对抗无聊所需要的真正的休息和快乐，往往是反直觉的——它需要门槛，需要「主动负荷」，需要我们去消耗能量，才能最终换回能量。 在这个时间被切碎、体验被异化的时代，无聊究竟意味着什么？我们为什么会成为「刺激的囚徒」？无聊，是一种需要被消灭的糟糕状态，还是一个提醒我们回归真实自我的重要指针？ 这一次，我们和崔庆龙聊了聊。关于如何从无聊的死循环中突围，关于那些反直觉的能量公式，也关于如何在浑浊的焦虑中沉淀出真实的自己。 以下，是《人物》与崔庆龙的对话—— 文｜易方兴 编辑｜槐杨 无聊的「戒断反应」——为什么我们成了刺激的囚徒？ 《人物》：对你而言，无聊的定义是什么？或者说，那是一种怎样的感觉？现代人好像对无聊的耐受度很低，过马路的那十几秒钟可能也要刷一下短视频，跟过去那种「晒太阳都能晒一下午」的时代完全不同了。 崔庆龙：我先顺着你刚才说的「过马路看手机」这个例子来说。 我以前写过一条内容，大概是说：很多人现在需要一直保持「有刺激」的状态。所谓的「刺激」，意思是他无法接受自己某一刻什么都不做，他必须要保持在一个连续输入的环境下，才能去做一些事。 现在的人就像挂了一个「充电宝」——每时每刻都要有信息输入才能维持日常做事情的基本动力。比如去楼下买个东西，很多人必须边玩手机边做这件事，或者放一些有声 书 、音乐。一旦你把外部的刺激撤销掉，他会觉得仅仅是「走路」这件事都很难受、很无聊。 大家越来越习惯于任何时候都应该有一些反馈，都有一些信息的输入，不然就会感觉很不耐受。所以就着你的语境，我会把无聊描述成：一种鲜有真正趣味体验的、时间空置的、没有目标导向的心理状态。 《人物》：对人来说，这种「耐受」是必要的吗？ 崔庆龙：我觉得是必要的。 你看在智能手机还没有出现的时代，比如小时候，我们要去一个同学家，得走挺远的路。在这个过程里，你是没有任何信息输入的，但那个时候的人丝毫不觉得这是一个问题。大家天然地就能在那样一个「空白」的情况下去行动，单纯冲着目标去，哪怕过程很无趣，反馈很少。 所以你会发现，如果没有咱们现在这种「早已习惯任何时候都能得到信息刺激」的体验，人其实是可以耐受无聊的。而且，人在那个时候反而是更容易去「专精」的——做这个事，就只做这个事。 而现在我们已经习惯于高频地切换注意对象，虽然你面对的是同一个手机屏幕，但上面的信息是不停轮替、刷新的。哪怕是通过手机，很多人都无法长时间专注在一个页面、一个内容上。我们心里能耐得住的那个区间越来越窄了，「甜点」就那几秒钟，一过，你马上就要换另一个东西来给你新的刺激体验。 《人物》：听起来，一个人对无聊的「不耐受程度」，跟这个行为或者思考的「深度」其实成反比。你越不耐受，意味着思考或者行为其实越浅，注意力越容易转移。 崔庆龙：对。我觉得可能还有一个条件，就是现在唾手可得的打发时间的方式太多了，或者说太顺手了。 咱们就说更早的时期，当你觉得无聊的时候，你得找一件事做，正儿八经地去找一件事做。看一本武侠小说，或者说要去看一部电影，或者说出去和朋友去打个台球，你会发现你完成任何一件事都需要一两个小时起步的时间成本。 在这个时间里，别的东西、别的要素都是被排除在外的，而这种体验感是让人非常沉浸的，没有人在相聚的时候拿起手机，你能感觉到所有人的在场性，每个人的注意力都在彼此身上，都只关注此时此刻此地的事情。 《人物》：说到「打发时间」，在你看来，这个时代的人是更会打发时间还是更不会打发时间？ 崔庆龙：其实是更不会打发时间了。 打发时间是一件挺有门槛的事。倘若你要把打发时间理解成「你做了一些事，这个事给你带来了一些相对愉悦的正向体验」，以此为标准，很多人是挺不善于打发时间的。 即便手机里有那么多内容，比如我平时外出和滴滴司机或者其他行业的人交流，问他们闲暇时做什么，得到的回答往往是玩手机、看短视频，特别的同质化。我不觉得这是大家「会」打发时间，而是大家觉得这个选项太容易得到，以至于没有办法去想到一个它之外的东西。 《人物》：我还见过一些人，陷入无聊，感受到痛苦，很想逃离，却又陷入更深的无聊，这种「无聊的循环」是怎么造成的？心理根源是什么？ 崔庆龙：首先，即便你尝试找一些事情打发时间，但如果你自身并不在一个比较有活力、有生活目标的框架下，它大概率不能让你免于真正的无聊。 一个人自身所处的状态决定了他的行为带给自己的体验。如果一个人本身就在无序、混乱、碎片的状态下，那么他发起的行为也必然是失焦的、没有心理连续性的，而这种「反馈」是无法为自己输入能量的。 就像一个人长时间躺在床上刷手机，如果你深入过那种体验的本质，你会意识到这个过程并不放松、愉悦。哪怕它开头的部分确实带来了惬意和放松，但是这种长时间的低信息密度的刺激会让人逐渐产生虚无感，一种难以切换到别的事情上，却又停不下来的感觉。我把它描述成一个人的内心不再能有效做功，心理的能量循环系统出了问题，它开始持续滑坡。 顺着这个惯性下去以后，它给人的体验就是一个更强的虚无感。但是你又不能停下来——你停下来更无聊了，你的心理滑坡已经滑到那个位置了，手机可能是那一刻仅有的一点刺激和遮盖。如果把刺激也拿掉，虚无的底色一下暴露出来，人是很不耐受的。所以在那个时候，他就停不下来，只能继续刷。 无聊的「死循环」——为什么越「杀时间」越空虚？ 《人物》：持续的滑坡和虚无的底色，会带来更严重的后果吗？ 崔庆龙：我觉得会。 我认识一个人，他有个工作室，他给自己的要求是每天去工作室做一些事情。但他每天起来第一时间先看会儿手机，有时候就因为多刷了那么一会儿，他就想再多待一会儿，就这样一个小时、两个小时过去了，他说算了，下午再去，结果下午又进入这个状态。一整天结束以后，他会觉得非常自责，自责又导致他晚上睡不好觉，第二天因为没睡好，精力很差，又去不了工作室。他觉得自己的时间被荒废了。 你会发现，人对自己下意识里其实是有要求的。如果你的时间被真的荒废了，没有做任何你觉得应该去做的事情，你是很难安住在当下的，很难觉得「我只要享受生活就好了」。享受生活也是需要支付认知、精力和体力的。真正谈得上享受的事情，它必然是一个有负荷感的过程。 《人物》：你提到负荷感，但在刚才的形容中，这个人刷了这么多小时手机，内心很沉重、很痛苦，这是不是也是一种负荷感？这能算是「有负荷感地刷手机」吗？ 崔庆龙：这不是负荷。 所谓主动承担的负荷，比如说你读一本有门槛的 书 ，读起来有点吃力，可能 70%你懂，30%不懂，你是在主动负荷，在调动你的高级认知过程去指向这个目标，这时候注意力、专注、思考都是凝聚起来的。所以这种情况下人是有沉浸感的，而且在慢慢把那 30%也搞懂的过程里，你会体验到强烈的满足和对自己的认可。 再比如体能上的负荷感，你在家里躺了一天，出去走个 2 万步或者跑个步、游个泳，这也是一种主动负荷。你反而会感觉到一种来自于自身的力量感和效能感。 但你刚说的那种「负荷」，它是被动的，类似于我根本不想遭受这个东西，但这个东西来了，我只能忍受和煎熬，所以它会让人变得更收缩，更不想去面对和处理现实中的事情。 《人物》：从心理的角度来说，一个人为什么一方面明明不想承受这种被动负荷，一方面又情不自禁地陷入这种被动负荷中？我们很多人都有这种内在冲突。 崔庆龙：我以前提到过一个「心理张力」的概念。人只能在这样一个张力结构中去维持内心活力的再生——你先负荷起一些东西，在这个负荷结束以后，再进入一种释放张力的过程。 说简单一点就是张弛有度、有节律。当你把正儿八经的事做完以后再去玩，你会玩得心安理得，你的内心后台没有让自己紧张的东西残留着，你有足够的心理冗余去全然体验当下的事情。但如果你这一天什么都没负荷，就这样玩、躺了一天，你会发现心里的张力就没有了。张力就像一个弹簧，把它拉一下，它才有一个往回收缩的力。如果一直松弛在那儿，人是非常涣散的，人在那个状态下是待不下去的。 当人为了摆脱这种涣散的状态，他就需要一些刺激。这时候能做什么？必然是那种没有任何门槛的、唾手可得的体验，比如看手机、买一些自己不需要的东西、点很多吃不完的外卖等。因为人在这个时候会变得内心匮乏，所以他要尝试维持一种获得感。 曾有一个来访者跟我分享，他每个月能收三四百个快递，买的都是直播间里的东西。人在匮乏的状态下，自主意识会下降，会很容易受人影响。比如有个带货主播讲个段子，说这个东西有多好，让你觉得哪怕自己没那么需要，但那一刻也觉得有了这个东西挺好，这时的购买，就算是一个情境下的「小小的正反馈」。他需要不断以这样的形式，让自己有一些获得感，然后不断地买。我听过有人一顿饭要点 4-5 家的外卖，吃不完，但就觉得那一刻什么都想吃一点。 你会发现，人在匮乏的时候往往是需要一种过分的冗余，你会追求超出你实际需要的那个部分，但你其实又「消化」不了它，它会让人进入一种匮乏、想要补偿、却又不能真正有效增补的困境，这时候人很容易体验到一种无意义感。 《人物》：正好提到无意义。无聊和无意义，你认为是怎样的关系？ 崔庆龙：我觉得你在无意义的情况下一定会感到无聊。同样的，如果你长时间浸泡在无聊中，你也一定会体验到无意义。 无聊是你想做什么但不知道要做什么，无意义则是你做什么都感觉一样，你连那个想做什么的冲动都没有了。它们偶尔会交织在一起，但无意义是一个更深的底色。它意味着当下的生活中没有我看重的事情发生，没有我从情感上觉得真正和我这个人有关的事情发生，没有让我有热情、有冲动、有希望的事情发生。 《人物》：这个想法让我想到一句话：所谓「世界是个巨大的草台班子」。很多人在说这句话的时候，是在面对无法解释或者无法对抗的痛苦之后，说了就好像那一瞬间爽了，感受到了无意义，又消解了。 崔庆龙：这是一种将人压得喘不过气的那些严肃的现实彻底解构后的解脱感。确实，世界没我们想象的那么严肃真实，包括我们所说的意义感也是佛家所说的「有为法」构建起来的，它需要你无中画有，需要你去造作。 其实人生就像是一张画板，你是执笔的画师。当你有想画的东西，且能连续作画的时候，无意义感不仅被抵消掉了，甚至你还体验到了自己的效能感，你获得了目标感和意义感。但这张画板最终会在你生命的尽头清空，我以前把人生比作一个必然会「删号」的游戏，不管你获得了什么样的装备，积累了怎样的财富，在删号的那一刻，这些都和你无关了。 实际上每个人都在玩这样一个游戏。但既然这个东西迟早会被删号，你唯一能够拥有的就是删号前所有的经验合集。基于这个视角，它可以得出一个划算人生的粗暴公式，你的快乐体验乘以时间减掉你的痛苦体验乘以时间的差值，就是划算的程度。 这时候你就要思考：我怎么在这个过程里觉得有趣一些？如何过这一生才让我觉得划算？这是一个很深刻的问题，因为很多人的活法都是「假设」自己是不会死的。不是说理智上不知道人会死，而是暂时淡忘了会删号这件事的无限感。 一方面我们被迫承担了太多，一方面我们又在可以使用的时间里没有去提高生命的采样率，没有让那些自己真正看重的事情发生，配比严重失衡了，我们总是没办法在当下就让一些事情发生，而是想在以后去补偿，想着未来有一天，我承担了我该承担的一切后，我才能够去品尝自由和快乐的滋味。 你也可以说无聊和无意义感就是这种失衡的结果，因为有太多想做的事情不被自己允许去做，太多需要停下来休息的时候不允许自己停下来休息。哪怕某一刻我们有了可以支配的时间，这种不被允许的感觉会让我们隐秘消耗着，自我拷问着，这是一种既不能畅快游玩，也不能真正休息的感觉。 《人物》：我曾经思考什么是真正的休息，按照你的说法，那些试图通过「不负荷」来休息的人，反而更累？ 崔庆龙：对，这很反直觉。我以前写过一篇文章，说当你累的时候，你需要的可能不是休息。 很多人跟我说他每天睡好久，白天睡晚上睡，但醒来以后还是觉得没有力气，什么都不想做。如果从休息的狭义定义去理解，他的「休息」已经足够充分了，但他依然觉得没有力气，这是一种失去了对生活某些事情的基本冲动感的状态。 这是一种结构性的低心理水平的循环，就像一个电量上限只有 20 的手机，你睡再久也只能充满那 20，而你做的事情可能需要 40，这时候就会进入一个无法启动的状态，表现出来就是对任何感觉到复杂和有挑战的事情没有耐心。 无聊的「解药」——为什么越休息越累？ 《人物》：我也观察到另一种「无聊」，很多在大厂或者类似巨大系统中的人，他们很忙碌，收入很高，但日常工作被 KPI、被环评定义，被异化成螺丝钉的感觉非常强烈，他们也会感受到无聊或者无意义。 崔庆龙：要想兑现生存资源，某种意义上你必须社会化，但社会化中就包含着「异化」。因为你得扮演一个角色，比如你的职业、身份，去创造作品或工作成果，在这个游戏规则中交换资源。 这里面有一个相对 健康 的区间。所谓「相对合理的异化」是：哪怕这 8 个小时我就是在做这个工作，在流水线拧螺丝，但我一定要确保这 8 个小时之外的时间，我有一些真的感觉到和我有关的事情。 我们不追求所有的工作都有强烈的意义，这不现实。绝大部分人的工作可能就是机械重复的。但健康的状态是，你把该做的事情做完后，没那么疲惫，你的精力还是有弹性的，还是有自己的一点空间的。在那个事结束以后，你还能切换到一个做你想做的事、有基本冲动和欲望的状态。 就像以前上学，每天学知识挺枯燥，但你会跑回家看动漫，你会发现每天好像都有点「惦记的事儿」等着你。只要那个心理上的「后花园」还在，你就依然拥有着你自己的局部的生活。 但现在的情况是，很多人在内卷环境下，把自己仅有的那点余额都透支了，他是被过度使用了。等他结束这一天的工作以后，其实已经没有余力，就连启动的能量都会被提前用掉了。回家以后就躺下，看手机，连饭都不想吃。在这样一个状态下，怎么可能去体验生活？ 《人物》：如果能量已经被透支了，该怎么获得能量？ 崔庆龙：能量的获得有两个途径：一个是在真正的休息中慢慢恢复，另一个就是你做了一些事情，然后这个事情以反馈的形式给你输入能量。 有一阵子我工作挺忙，差不多 8 小时左右的高强度的脑力活动。做完以后，我开始研究一个游戏社区的模组（Mod），我是完全的零基础，但我发现经常一口气就 8-10 个小时过去了，哪怕进展很慢，哪怕 8 个小时只是实现了一个最简单的功能，或者跑顺了一个脚本逻辑。做那个东西的壁垒其实很高，8 个小时里，有至少 7 个小时都是在面对失败，但在这个过程里，我丝毫不觉得累，虽然会有挫败，但是内心的动力感和想要实现它的渴望远远超过了这种挫败，这就是意义感的威力。在这个过程里，假设我耗费掉 50 的能量，但它至少能给我输入 100 的能量，它让我进入了一个高度的专注、推理思维和结构思维被彻底调动的状态，这是一种真正的沉浸感，因为你真的在创造一个新东西。 人只要是在使用自己的高级心理过程去做事情，他就不是无聊的，比如创造思维、认知推导、情感投注，这会让人体验到一种忘我性。这里面还有一个重要的动力来源：那个目标是我迫切并且非常想要实现的。只要在这样的框架里面去做事情，或者发展一些能力，即便你需要预先支付能量，但回收的能量要高得多，它会让人进入到一种活力冗余的状态，会让人想要挑战更有难度的事情，且感觉到激动和跃跃欲试。 《人物》：这听起来都有一种幸福感了。 崔庆龙：感觉太难忘了，非常强烈。 我有个好朋友，当时想要去参加歌唱比赛。他唱歌很好，但对乐理、作曲却不那么精通，他想做一个能创作的歌手，觉得至少得会个乐器，就开始练吉他。一天 16 个小时，坚持了两三年。一般人觉得练琴太枯燥，两小时就累了，但他的动能是源源不断的。那天我去写代码的时候，我突然理解他了，我知道那是什么样的一种感觉了。 《人物》：说到这里，我突然闪回刚才你说的那个「工作室」的案例。他明明感受过「先工作，再刷手机很爽」的经验，为什么到了后面，依然还是陷入了无聊刷手机的循环？是因为抵挡不住无聊的诱惑吗？ 崔庆龙：我前两天还写了一个类似的话题，意思是：人什么时候应该推自己一把？ 如果你只是奔着内心当下最本能的意愿，人是很有惰性的。人的能量往低处流，会天然找路径最短且阻力最小的事情去做。哪怕知道后面有一个更大的奖赏，你也不愿意吃一开始的那点苦。 所以我说人时刻要有意识地给自己「推一把」，当你感觉到一件事需要你能量稍微「爬坡」一下才能启动，你确定那件事不是为了别人，而是为了你自己，且它真的对你有益，那时候你就需要推自己一下，并且给自己一个「心理弹窗」，去告诉自己：我只要把自己推到那个能启动的位置上，后面势能一旦形成了，收获的能量就是非常巨大的。我可以预期把该做的事做完，再去玩、去做放松的事，我可以心安理得，这是非常划算的。 《人物》：推自己难不难？ 崔庆龙：难，但是不能「逼」自己。「推」和「逼」是不一样的。 逼迫自己是，这个事我无论如何都不想做，但非要逼着自己做。这会陷入另一种极端。「推」呢，类似于你要下楼去丢个垃圾，你说我不想动，推一下说「明天、后天、大后天去」。我不会觉得一个人下楼丢垃圾是在逼自己，因为这个事启动一下消耗的就那一点能量。除了重度抑郁的状态另当别论，正常人的心智状态下，「推」的力道不至于让你有那么大的磨损。 跟这个相比，心里的反复拉扯才是最消耗的。犹豫这个电话要不要打、消息要不要回、进度要不要跟进，所有的这种拉扯可能花三四个小时。拉扯的时候你在逃避，看手机做别的事，但你会发现那个事就在后台占据着，很难受。只要有这么个事占据着，你就做不了别的事，你的精力就无法投入到别的事情上去。 《人物》：所以能量就是得「先支付，再回收」？ 崔庆龙：这就是主动负荷的意义。你必须先支付，才能获得，为你想要的体验付出合理的代价，这永远都是最 健康 、最没有陷阱的。 无聊的「社会病」——在碎片时代重建「记忆点」 《人物》：说到这里我突然感受到一点，这个时代让人「不主动负荷也能得到爽」的东西太多了，我们有很多理由不用去主动负荷。比如没有微信的时候，等待一封信，我们能够熬过半个月的无聊，觉得每天都很期待，但现在我们等几分钟就不耐受了。 崔庆龙：对，那个时候没有人觉得应该第一时间联系到每一个人，或者第一时间得到一个人的回复。但现在，你对信息的传递、交互的时间感期待已经变了。 由于信息的时间成本变得低廉，人们开始说太多无聊的废话。以前手机还只能发短信、且短信要收费的年代，你会发现发一条短信你会非常认真地编，想说的话尽量在这一条里面说完。 所以我突然有一种体会，这可能真的是一种近乎于不可逆的东西。互联网时代、信息时代对人类心智和社交关系的重塑，某种意义上是不可逆的，因为它确实让你不再以之前那样的方式去和人交互。 《人物》：我们刚才一直在谈论无聊，或者对无聊的不耐受，我隐隐感觉到背后是我们在被当下的生活方式不可逆地改变之后，对「时间尺度」的感受也在发生着变化。 崔庆龙：现在的时间，用我自己的话来讲，没有「记忆点」了。 某种意义上你可以理解成它被「切碎」了。它不是说在某一个时间你做了一件让你有点「铭刻感」的事情，或者见了这样一些人、说了这样一些话。你会发现时间被一种很均匀的方式打开，但打开的就是那种无意义的、很廉价的信息流一样的东西。 你可能每天和很多人说很多话，微信上可以聊很多东西，但是聊过之后你会发现好像没有什么深度的对话。那远远比不上之前花心思编了半天的那一条短信。 而且相比于那个时候，你没有太多的识别和筛选。以前你会觉得我要把信息发给谁，你在对待人和关系时，最初的筛选就非常认真——我能发的消息就 10 条，要给谁发。所以那个时候更容易建立深度关系。 那个时候聊天没有「聊着聊着觉得无聊」的感觉。现在很多时候，我和几个朋友在一起聊天，大家非常容易出现那种「那一时刻不知道说什么了」的情况，然后某个人把手机掏出来，顺带着点两下，又放回去。 你会突然就知道，这个场合怎么需要这样的动作去填充那些令人不安的「无聊的缝隙」？那一刻你会意识到：大家的注意力只有一部分在这个场里面，另一部分其实在别处。 《人物》：说着说着好像有点悲观，我们又在失去，又不可逆，这样下去，岂不是无聊成了必然？ 崔庆龙：我倒不觉得悲观代表着什么，我觉得人应该是要接受这种意义上的悲观的。 如果一个事情是基于事实的，尊重它在事实意义上的一个基调就可以了。目前世界正处在一个下行周期的前中段位置，如果它不触底，这个趋势就是会持续。在这样一个下行的过程里，如果你乐观预期，说明年会变好，但现实给你的不是这样的回应时，你会更挫败。 所以我觉得人直面现实就可以了。你不需要去美化它，不需要加滤镜，也不需要喝鸡汤。直面它、重视它，然后在一个局部的框架里去调节，想到怎么去和它共处，我觉得这是一种智慧。 《人物》：你自己也身处其中，你感受过无聊或者跟无聊对抗过吗？ 崔庆龙：都会有，我只是现在尽量能把这样的一个概率降低。 比如某一刻我想刷会儿手机，但我会给自己一个提醒：超过 5 分钟就尽量不要持续了。因为我很明确，我不太可能在这个过程里体验到真正的快乐。我会给自己跳一个「心理弹窗」：这 5 分钟界限一过，你后面的体验都不怎么样，都是很重复的，而且趋向于往下滑。这 5 分钟我可以做任何事情，哪怕是用手机玩一个游戏，做完以后，我心里没有滑坡，我甚至感受到了快乐。 人最要避免的，就是那种让自己什么都不用想、无脑地被动接收，让自己沦为一个信息的「被动接收容器」。 《人物》：但我也发现，大家现在很卷，很忙，很多人转而开始羡慕无所事事，或者漫无目的的放空，觉得这种「什么都不用想」很美好，这种普遍状态是不是跟你刚才说的有一些冲突？ 崔庆龙：完全不冲突。你刚说的前提是：一个人已经被消耗了，过度劳损了。 你可以设想一个在大厂上班的人，累了 6 天，周日这一天他一定是很期待的。那一天什么都不想做，就在家发一天的呆。这样的形式是完全匹配他前面的过度损耗状态的，是一个张力的释放过程。 但是，如果这个时间持续拉长，人就会再次感觉到无聊，这就是存在主义所说的让人难以负荷的自由，你会重新进入一种想要用什么东西去填充它的空白感中。 我见过好多财务自由的人，也面临这样的困境。大部分人只能习惯一年左右，把该去的地方都去一下，该体验的都体验过，一年后就受不了了，有些人最后没办法，去找了一个相对清闲的工作，名曰「找点事做」。其实上班也是在摸鱼，但这给了他一个按时按点去某个地方的限制，给他了一个可以重复体验从一种束缚中解放出来的有成本的自由，人能够消遣和享受的只能是这样的自由。 《人物》：这个也是对很多人来说反常识的一点。有些人觉得我有钱、有事做就不无聊。 崔庆龙：你刚说的那种真正去玩，我见过有人能坚持 10 年。但他那个玩不是单纯的玩，而是「探索」。他的过程其实不那么享乐，很多地方是徒步去的，要去冒险。你会发现这个里面有我说的「主动负荷」的部分。用他的话讲，虽然我在用肉身真实地品尝痛苦，但连我的痛苦都是非常真实、非常纯粹的。 他之所以可以持续下去，是因为在这个过程里他体验到了生命的意义。我之前用了一个词叫「采样率」。所谓的高采样率人生，就是让你的体验尽量有一种深度、密度和广度。 《人物》：有一点很触动我，你提到现在「记忆点越来越少了」。有没有什么办法，让我们在碎片化的时间里重建记忆点？ 崔庆龙：我经常会这样讲：如果整个宏观系统已经变得混沌和无序，你一定要有一个自己的「独立系统」或者「局部系统」，去建立一个完全不同于外部的生态环境。 比如现在流行追热搜、追热点，大家整天在网上争论。但我几乎觉得今天很多新闻是没有价值的。我和「外部时区」是严重不同步的。我觉得，你要主动地和这个时代浪潮的节奏有一个隔离，建立你自己的「独立时区」。你要主动切割掉很多不必要的信息源。 在这个框架里，你是以「我想知道什么、我想了解什么」为导向，主动去搜索关键词，而不是刷半天等算法给你投喂。当你慢慢有了这样一个时区的时候，你会发现你可以做一些更需要投入时间、反馈周期更久的事情。 在这个时候，对那些特别碎片化的东西，你天然会有一种厌倦，它反而打动不了你，蛊惑不了你。 无聊的「意义」——一种自我回归的信号 《人物》：很多人都会说——「无聊你就找点事做，或者找一个兴趣爱好」。这能成为通解吗？ 崔庆龙：我觉得对很多人不能。 很多人还不具备「找到兴趣」的心理条件，尤其是当人在被「异化」或者「工具化」的过程里太久以后，他其实已经和自我有点失联了。在这个状态下，说要找到自己、要培养一个兴趣，其实很难的。 为什么小孩对什么事都很容易一下子投入进去？因为他的异化程度是非常低的。给他找一个再拙劣的游戏，他都能玩得津津有味。但是对一个已经社会化了很久的成人，你给他一个东西，他很难体验到真正的乐趣。 这就是我们从一个很容易获得兴趣体验的小孩，慢慢长成一个无聊的大人的过程。 《人物》：在这个过程中，整个社会的评价体系起到怎样的作用？ 崔庆龙：某种意义上讲，如果这个系统不鼓励你以真实的样子生存，那么你为了获得外界认可，就需要很大程度上背叛自己。你需要把自己「变形」一下，变成被社会认可的样子。这个时候，你自己内心真实的自我感，和你扮演的角色之间就有了距离。随着时间推移，这层隔膜会越来越厚，慢慢地，人对自己真正喜欢什么就不知道了。 今天的很多人，并不是以自己想要什么，而是试着用他人的价值眼光，甚至是艳羡来获得一种被确认感。比如一个人想让别人觉得自己是一个过着自由生活的、买着别人买不起东西的人。他会对自己的「个人展示」精雕细琢，会把自己完美异化成他人眼里最完美的样子。 在这个过程里，人很容易体验到一种表演性的无意义，或者是一种把自己硬撑起来的自我疏离感。他只能运用他已经被异化的、被明示的「身份的完美性」去得到一种奖赏。但是你这个做得越极致，你离真实的自我就越远。当有一天这样的东西失效以后，那种迷失是非常彻底的，这种用华丽外衣遮盖的虚无一旦跳出来，会是一种非常难以应对的处境。 《人物》：说到这里我突然有一个发现，某种程度上，无聊感反而能成为一个「指针」，表明你可能正在远离真实的自我。 崔庆龙：有时候这种无聊感、甚至抑郁感，是一个非常重要的提醒。它可能意味着你在一个「自我忽视」的状态下，已经生活了很久了。其实所有的负面情绪都是一种提醒，如果它过去多次以同样的方式出现，那说明得好好关注一下这个情绪在告知你什么，我认为这是一种非常宝贵的提醒。 《人物》：在这个意义上，无聊在这个社会中存在被「污名化」吗？之前也有概念提到「深度无聊」或者人要能够享受无聊。 崔庆龙：我不觉得无聊是一个被污名化的东西，其实它是一个相当中性的存在。无聊就意味着你要去做一些有「采样率」的事情了，它就是一个提醒。 这里面还有一个反直觉的事情：很多人一停下来觉得挺无聊的，其实我觉得很多人没有真正地「停下来」过，他的心理进程一直在运行着。 人其实可以真正让自己静止下来，手机都不碰，真的让自己静一静。你可以给自己一个小时，像一杯浑浊的水一样，把它静止在那儿沉淀。你看一下会有什么东西跳出来。肯定会有很多念头争先恐后地出来——「手机有没有人发消息」、「要不要看那部剧」。这像以前一样出来刺激你。但是你可以继续在那儿等。 我认为这就像是心理上的「去伪存真」，当那些日常的尘埃落定后，剩余的东西到底是什么？在那一刻，哪一个念头是你真实的念头？「我到底想做什么？我真的就想随便拿起手机再把那个 APP 打开刷两下吗？这是我真的想做的事吗？我已经做了这么久了，其实挺没意思的。」 行，我把这个念头先跳过去，那下一个跳出来的是啥？这可能是一个很微妙的心理过程。有时候人是需要去主动做一些正儿八经的事儿，但有时候，反而是需要让自己空置那么一个片刻。 《人物》：很多 APP 或产品，其实是在把对抗无聊当成一个产业，类似提示你「刷短视频就可以不无聊」，似乎无聊已经被包装成一个靶子，但结果很显然，人一旦陷入其中，反而是在拥抱无聊。 崔庆龙：我觉得当下时代人们的无聊，是一种「基于匮乏的无聊」。你说的这些商业公司，某种意义上就是非常巧妙地利用了人们在无聊时希望得到信息刺激、希望得到情绪安抚的心理，然后给你提供一种最唾手可得的补偿，以最低的成本让你获取它。 从商人逐利的角度讲，这是利益最大化的方式；但从个人自身的角度讲，这个方式会把你困在这个结构中，因为大多数时候，一些低成本的获得，都会让你付出更高的隐性成本。比如我前面所说的心理能量循环水平的持续走低，对这些 APP 的深度依赖，自我世界的缩窄，注意力的涣散等。 《人物》：对于那些正在经历着无聊的痛苦，或者陷入无聊循环中的人，你有什么话想对他们说吗？ 崔庆龙：我觉得对于人生而言，痛苦几乎是不可避免的。因为人类本身就是被设定为想要安全、在乎尊严、渴望依恋、获得意义的存在。 对于这个时代或者个体而言，我觉得人天然就有那种「趋乐避苦」的、要从困境中摆脱的本能。即便当下可能在某种状态下循环着，有一种看不到出口的感觉，但是我觉得只要因缘具足的那一刻——只要你对这样一种重复的无聊，感到一种如今已经持续已久的「厌倦」——但凡有一个契机被你触摸到，你大概率会奋不顾身地、非常坚决地跳跃到新的位置上。 其实我们一直都在做这样的事。人的感受是最忠实于自己到底需要什么样生活的。 《人物》：从这个意义上说，或许我们每个人最终都能找到与无聊相处的办法。从心理咨询师的视角，你怎么看待人身上的这种潜力？ 崔庆龙：人天然就是被设定为想要摆脱痛苦并追求幸福的，人无论如何都会想要让自己离幸福这种经验更近一些，只是有时候我们碍于一种心理陷阱无法让自己抵达那个位置，但这个想要获得好一点的驱动是不曾变更过的。 即便我们聊了那么多不能有效解决无聊的例子，但那一刻也是一个人尝试摆脱痛苦的努力，面对无聊或者虚无的反噬时也是如此。人的一切行动，都可以视作是在当下的处境下，让自己感觉稍微好一点的一种努力，或者说是他那个处境下的最低可行解。 我觉得这是人身上最让我感动的，或者说这是人天然的一种趋光性、向生性。我们常说一个人总是倾向于活在过去，但我们也可以说，一个人是很难继续不向前走的。 图源剧集《每个人都在跟自身的无价值作斗争》readlaterhttps://myweb.ganlei.com/blog/20260825-%E8%B6%85%E7%BA%BF%E6%80%A7%E5%9B%9E%E6%8A%A5/https://myweb.ganlei.com/blog/20260825-%E8%B6%85%E7%BA%BF%E6%80%A7%E5%9B%9E%E6%8A%A5/本文是硅谷教父 Paul Graham（保罗·格雷厄姆） 最新力作，对超线性回报的思考。保罗·格雷厄姆，美国程序员、风险投资家、博客作者和技术作家。Mon, 24 Aug 2026 16:00:00 GMT本文是硅谷教父 Paul Graham（保罗·格雷厄姆） 最新力作，对超线性回报的思考。保罗·格雷厄姆，美国程序员、风险投资家、博客作者和技术作家。他以Lisp方面的工作而知名，也是最早的Web应用Viaweb的创办者之一，后来被雅虎以美金5千万余元收购，成为Yahoo! Store。共同创办了具有影响力的创业加速器和种子资本公司Y Combinator，他是OpenAI创始人萨姆·奥尔特曼的前老板，萨姆·奥尔特曼之前是YC的总裁。 上大学那会读了保罗·格雷厄姆的《黑客与画家》，不要被书名误导，这本书和黑客无关，主要讲述的是程序员认知成长、计算机科学、黑客工作方法等，读完之后大呼过瘾，这本书也值得所有对工作方法论、认知成长、计算机感兴趣的人阅读。 最新的这篇文章，探讨超线性回报。经济下行，网上有很多抱怨，为什么网红可以赚那么多钱，而普通人连眉笔都买不起，这篇文章就能找到答案。本文并不从道德层面去评判，而是客观的研究事物发展规律。一旦一个人走运踩中了超线性回报的工作，可能并不需要你想象中的拼命努力，就能获得超线性回报。而寻找这种超线性回报，是值得每个思考的。尤其是通用人工智能到来之前，对于很多人来讲，是好事情。在错误和不感兴趣的方向上表现，和在超线性回报的路上表现，可能会产生非常大的差异。 当我还是个孩子的时候，我对这个世界最不了解的一件事，同时也是重要事情就是，表现（performance，本文统一翻译为表现，该词语有努力、成果、绩效的意思）与回报（return）之间的关系是超线性的。 老师和教练都暗示我们，回报是线性的。"付出多少，得到多少，"我听到这样的话不下千遍。他们出发点是好的，但这种观点很少是正确的。 如果你的产品只有竞争对手的一半好，你不会得到一半的客户。你会一无所有，然后倒闭。 很明显，在商业中，表现与回报之间的关系是超线性的。有人认为这是资本主义的缺陷，认为如果我们改变规则，这种现象就会消失。但表现与回报的超线性关系是世界的一个特性，而非我们发明的规则的副作用。在名声、权力、军事胜利、知识，甚至人类的利益方面，我们都看到了同样的模式：富者愈富。[1] [1] 演化本身可能是表现出超线性回报最普遍的例子。但这对我们来说很难产生共鸣，因为我们不是收益者；我们是回报。 如果你不理解超线性回报（superlinear returns）的概念，你就无法理解这个世界。如果你有雄心壮志，你一定要理解这一点，因为这将是你乘风破浪的波浪。 --- 也许看似有很多不同情境中存在超线性回报，但据我所知，它们可以归结为两个基本原因：指数增长和阈值。 最明显的超线性回报案例是当你从事某件事情并让它呈指数增长时。例如，培养细菌。它们一旦开始增长，就会呈指数增长。但培养它们很棘手，这意味着擅长这项工作和不擅长的人之间的结果差异非常大。 创业公司也可以呈指数增长，我们在这里也看到了同样的模式。一些公司成功地实现了高增长率。大多数没有。因此，你得到的是质量不同的结果：高增长率的公司倾向于变得极其有价值，而低增长率的公司甚至可能无法生存。 Y Combinator（简称YC）鼓励创始人专注于增长率而不是绝对数字。这可以防止他们在初期因为绝对数字还很低而感到气馁。这也有助于他们决定应该关注什么：你可以使用增长率作为指南针，告诉你如何发展公司。但主要的优势是，通过专注于增长率，你往往会得到一个呈指数增长的东西。 YC并没有明确地告诉创始人，增长率与"付出多少，得到多少"是相符的，但这并不远离事实。如果增长率与表现成正比，那么在时间t内，表现p的回报将与p^t成正比。 即使在几十年的思考后，我仍觉得这句话令人震惊。 每当这种情况(即"你做得多好取决于你已经做得多好")发生时，你就会获得指数级增长 。但是，我们的基因和习俗都没有让我们做好准备。没有人认为指数增长是自然的；每个孩子第一次听到这个故事时都会感到惊讶，这个故事讲的是一个人第一天向国王要一粒米，之后每天要双倍的米。 这个和 “凡是有的，都要加倍，富者越富，穷者越穷”有同样的意思。 我们无法自然地理解的事情，会发展出习俗来应对，但我们关于指数增长的习俗很少，因为在人类历史中它的实例非常少。从原理上讲，畜牧业应该是其中之一：你拥有的动物越多，它们就会有更多的后代。但在实践中，放牧土地是限制因素，没有计划可以让它呈指数增长。 或者更准确地说，没有普遍适用的计划。有一种方法可以让自己的领土呈指数增长：通过征服。你控制的领土越多，你的军队就越强大，征服新领土就越容易。这就是历史上充满帝国的原因。但很少有人创建或管理帝国，因此他们的经验对习俗的影响并不大。皇帝是一个遥远和可怕的人物，而不是一个人可以在自己的生活中吸取教训的来源。 思考1 所以，掠夺会强于苦耕 [] 带来的启发就是，可以通过挖别人的墙角来获得收益，比如去标杆自媒体下的评论区进行高质量回复 在工业化前的时代，指数增长最常见的情况可能是学术研究。你了解的越多，学习新事物就越容易。结果，就像现在一样，有些人在某些主题上比其他人知识渊博得多。但这对习俗几乎没有什么影响。尽管思想帝国可以重叠，因此可以有更多的“帝王”，但在工业化前的时代，这种帝国对实际生活影响甚微。[2] [2] 知识在工业革命之前当然也有实际效应。农业的发展完全改变了人类生活。但这种变化是广泛、渐进的技术改进的结果，而不是少数几个特别博学的人的发现。 然而，在过去的几个世纪里，这一点已经发生了变化。现在，思想的帝王可以设计出击败领土帝王的炸弹。但这一现象仍然非常新，以至于我们还没有完全吸收它。甚至很少有参与者意识到他们正在从指数增长中受益，或者询问他们可以从其他指数增长的实例中学到什么。 另一个超线性回报的来源体现在“赢者通吃”的表达中。 在体育比赛中，表现和回报之间的关系是一个阶跃函数：赢得比赛的团队无论表现得好还是稍微好一点都会得到一个胜利 。[3] [3] 用数学的角度来说，描述阶跃函数为超线性是不准确的，但从零开始的阶跃函数在描述一个理性行为者努力的回报曲线时就像一个超线性函数。如果它从零开始，那么在阶跃之前的部分低于任何线性增加的回报，阶跃之后的部分必须高于该点所需的回报，否则没人会费心去做。 [图片] 然而， 阶跃函数的来源并不是竞争本身。问题在于结果中有阈值。你不需要竞争就能得到这些阈值。即使你是唯一的参与者，像证明一个定理或击中一个目标，也可能存在阈值。 令人惊讶的是，具有一种超线性回报来源的情况往往也具有另一种。越过阈值会导致指数增长：在战斗中获胜的一方通常会遭受较少的损害，这使他们在未来更有可能赢得胜利。而指数增长帮助你越过阈值： 在具有网络效应的市场中，增长足够快的公司可以排除潜在的竞争者。 名声是一个有趣的例子，它结合了超线性回报的两种来源。 名声呈指数增长，因为现有的粉丝会为你带来新的粉丝 。但它如此集中的根本原因是阈值：在普通人的头脑中，A名单上只有那么多的位置。 指数增长和阈值是超线性回报的两个关键因素。 注：两个来源，这里应该是指：因为之前好的表现积累了粉丝，而这批粉丝又可以积累更多的粉丝；当你的名声超过阈值，赢者通吃，比如网红大V，顶级网红和普通网红差了十万八千里。 结合两种超线性回报来源的最重要情况可能是学习。知识呈指数增长，但其中也有阈值。例如，学习骑自行车。其中一些阈值类似于机械工具：一旦你学会阅读，你就能更快地学习其他任何东西。但最重要的阈值是代表新发现的那些。知识似乎是分形的，意味着如果你在知识的一个领域的边界上努力推进，你有时会发现一个全新的领域。如果你这样做了，你将首先获得在其中进行所有新发现的机会。牛顿做到了这一点，杜勒和达尔文也是如此。 进入一个领域，不意味着目光之聚焦这个领域，可以放宽和跟随兴趣。也许下一道门，下一个好问题就在门后。 注：历史上的另一个例子是宗教。你信仰的神越多，就越可能吸引更多的信徒，这样你就有更多的资源来吸引更多的信徒。但这也是一个受到多种限制的例子，因为在这里也存在多个"市场"：你不能同时信仰两个互不相容的神。 --- 寻找具有超线性回报的情况有没有一般规则呢？最明显的一点是寻找能够复利的工作。 工作可以通过两种方式产生复利。一是 直接复利，即在一个周期中表现好将导致你在下一个周期中表现得更好 。例如，当你正在建设基础设施，或者增加观众或品牌时，就会出现这种情况。二是通过 在工作中汲取经验教训来产生复利，因为学习本身也是具备复利的 。第二种情况很有趣，因为当这种情况发生时，你可能会觉得自己做得不好。你可能没有达到你的即时目标。但如果你学到了很多东西，那么你仍然会实现指数增长。 所以我一直在思考，一直以来的舒适环境和天降流量（益策）让我疏忽了这个单一来源的风险。 且培训师这个行业其复利增长效率很低。只有放大名声，不断地学习，才能突破线性。 所以不断地输出实际上是最好的方式，既能对外营销，又能倒逼自己保持学习。 这就是硅谷对失败如此宽容的一个原因。 硅谷的人们并不是盲目地宽容失败。只有当你从失败中吸取教训时，他们才会继续押注你 。但如果你确实这样做了，你实际上是一个不错的选择：也许你的公司没有按照你想要的方式增长，但你自己有所增长，最终应该会产生成果。 事实上， 不包括学习的指数增长形式往往与学习混合在一起，因此我们应该把这当作规则而不是例外。这产生了另一个启示：始终要学习。如果你没有在学习，那么你可能不在通往超线性回报的道路上 。 但 不要过度优化你正在学习的内容。不要局限自己只学习那些已知有价值的东西。你正在学习的中途，你还不能确切地知道什么将会有价值，如果你太严格，你将会削减掉异常值。 实际上这就是扩大获胜概率的一个好选择，长期博弈中的每一个动作每一次是错都在提升下一次动作的成功率，而不断尝试打破外延，就是进一步寻找概率的突破点。 那么关于阶跃函数呢？是否也有形如“寻找阈值”或“寻找竞争”的有用启示呢？这里的情况更加复杂。 阈值的存在并不能保证游戏值得玩 。如果你玩一轮俄罗斯轮盘，你肯定会面临一个阈值，但最好的情况下你也不会变得更好。同样地，“寻找竞争”也是无用的；如果奖励不值得竞争，又该怎么办呢？ 足够快的指数增长既保证了回报曲线的形状也保证了其大小 ——因为增长速度足够快的东西即使一开始微不足道也会变得很大——但阈值只保证了形状。[4] [4] 寻求竞争可能是一个好的启发式规则，因为有些人觉得它具有激励作用。它也在一定程度上是一个指导性的问题，因为这是其他人也觉得它们有前途的迹象。但这是一个非常不完善的迹象：往往有一群喧闹的人追逐某个问题，最终都被一个默默工作在另一个问题上的人超过。 利用阈值的原则必须包括一个测试，以确保游戏值得玩。这里有一个可以做到这一点的测试： 如果你遇到了某种平庸但仍然受欢迎的东西，那么替换它可能是个好主意 。例如，如果一家公司生产了人们不喜欢但仍然购买的产品，那么他们可能会购买你制造的更好的替代品。[5] 这适用于大多数的创新者和创业者，但其背后的原因是什么？以为比“平庸”的产品和见解更高一筹，有可能是因为我们并没有看到背后的限制，这实际上也是我们自以为是的地方。 [5] 然而并非总是如此。你必须对这个规则小心。当某件事情受欢迎却表现平庸时，通常会有一个隐藏的原因。也许是垄断或监管使其难以竞争。也许是客户品味不佳或有破碎的购买决策程序。存在着大量由这些原因造成的平庸之物。 如果有一种方法可以找到有前途的智力阈值，那就太好了。有没有办法知道哪些问题背后有全新的领域呢？我怀疑我们是否能够准确地预测这一点，但奖励是如此有价值，即使有一点比随机预测更好的预测器也是有用的，而且有找到这样的预测器的希望。我们在某种程度上可以预测研究问题不太可能导致新发现：当它看起来合法但无聊时。而那些确实导致新发现的往往看起来非常令人困惑，但也许并不重要。（如果它们既令人困惑又明显重要，那么它们就是许多人已经在研究的著名未解问题。）因此，这里的一个启示是 受好奇心而非职业主义的驱动——给你的好奇心留出自由空间，而不是去做你应该做的事情。 这也是我现在身为自由职业者的一大优势。可以不受约束的去探索自己的兴趣，其满足自己的好奇心。 --- 对于有抱负的人来说，表现的超线性回报是一个令人兴奋的前景。在这方面有个好消息：这个领域正在两个方向上扩张。你可以从更多类型的工作中获得超线性回报，而且回报本身也在增长。 这有两个原因，尽管它们如此紧密地交织在一起，以至于更像是一个半原因：技术的进步和组织的重要性下降。 五十年前，要在有抱负的项目上工作，更多地需要成为某个组织的一部分。这是获得你需要的资源、找到同事和获得分发的唯一途径。所以在1970年，你的声望在大多数情况下都是你所属组织的声望。而声望是一个准确的预测因素，因为如果你不是某个组织的一部分，你不太可能取得什么成就。有少数例外，最著名的是艺术家，他们早就有了自己的市场。但对大多数其他人来说，自由职业者和企业家相对稀少。[6] [6] 在我二十多岁的时候，我想成为一个艺术家，甚至去了艺术学校学习绘画。主要是因为我喜欢艺术，但我的动机中也有一个不可忽视的部分是因为艺术家似乎最不受组织的摆布。 艺术家就是超级个体 在由组织主导的世界里，表现（performance）的波动被抑制。但仅仅在我的一生中，这个世界已经大幅度地减弱。现在有更多的人可以享有20世纪艺术家和作家所拥有的自由。有很多雄心勃勃的项目不需要太多的初始资金，也有很多新的方式去学习、赚钱、找到同事和触达观众。 老世界仍然存在很多，但变化的速度从历史标准来看已经很戏剧性了。特别是考虑到其中的利害关系。很难想象比表现（performance）发生更根本性变化的事情。 没有机构的阻尼效应，结果将更加多样。这并不意味着每个人都会更好： 做得好的人会做得更好，但做得不好的人会做得更差 。这是一个重要的要点需要记住。 让自己面临超线性回报并不适合每个人。大多数人作为整体的一部分会更好 。那么，谁应该追求超线性回报呢？有两种类型的有抱负的人：那些知道他们非常优秀，以至于在一个变化更大的世界中仍然会更好，以及那些特别是年轻人，可以负担得起冒险尝试的人。[7] [7] 原则上，每个人都在获得超线性回报。学习是复合的，每个人在他们一生中都在学习。但实际上很少有人将这种日常学习推向回报曲线变得真正陡峭的地方。 超越线性回报的风险在于，第一曲线容易折戟，看不到曙光，毕竟这里是真正的红海。 所以传播（船⛵️）、好奇和正向反馈（船儿的两面帆），缺一不可。 远离机构的转变不仅仅是他们当前居民的流失。许多新的赢家将是他们从未让进门的人。因此，所产生的机会民主化将比机构自身可能编排的任何温和的内部版本更大、更真实。 --- 关于这种雄心壮志的解锁，不是每个人都感到高兴。这威胁到了一些既得利益，并与一些意识形态相矛盾。[8]但如果你是一个有抱负的人，这对你来说是个好消息。你应该如何利用它呢？ [8] 关于“公平性”的倡导者到底意味着什么，尚不清楚。他们似乎彼此意见不一。但不管他们意味着什么，这可能与一个机构对控制结果的能力减弱，少数几个异常者比所有其他人做得更好的世界是矛盾的。 要充分利用表现出的超线性回报的最明显方式就是做出异常出色的工作。在曲线的远端，微小的努力是物超所值的。更何况在远端的竞争更少——不仅仅是因为做得特别好很困难，而且因为人们觉得这个前景如此令人生畏，以至于很少有人甚至尝试。这意味着，做出出色的工作不仅是物超所值的，甚至尝试也是如此。 所谓“做困难的事”就是一种顶端策略，那么对我来说，什么是有价值但又困难的事呢？ 影响你工作质量的变量有很多，如果你想成为一个异常者，你需要几乎所有的因素都做对 。例如，要做得特别好，你必须对它感兴趣。仅仅勤奋是不够的。所以 在一个超线性回报的世界里，了解你对什么感兴趣，并找到工作的方式更加有价值 。[9]同样，选择适合你情况的工作也很重要。例如，如果有一种工作本质上需要大量的时间和精力，当你年轻、还没有孩子时去做它将变得越来越有价值。 找到自己工作的方式？ 实际上我最感兴趣的还是效能提升，至于事提升ppt效能、沟通效能还是数据分析效能，这并不是制约我的理由。 [9] 推论：那些逼迫他们的孩子从事某种有声望的工作，比如医学，即使他们对此没有兴趣的父母，将来会比过去更加损害他们。 做出伟大工作需要令人惊讶的技巧，这不仅仅是努力的问题。我会试着在一个段落里给出一个方案。 选择你有天赋和深厚兴趣的工作。养成独立进行自己项目的习惯；只要你觉得它们令人激动和雄心勃勃，它们是什么都不重要。尽你所能努力工作但不要疲劳过度，这最终会把你带到知识前沿之一 。这些看似平滑，但近距离看是充满空隙的。注意并探索这些空隙，如果你幸运，其中一个将扩展成一个全新的领域。承担你能负担得起的尽可能多的风险；如果你偶尔没有失败，你可能过于保守。寻找最好的同事。培养良好的品味并从最佳实践中学习。诚实，尤其是对自己诚实。锻炼，吃得好，睡得好，并避免更危险的药物。 如有疑问，跟随你的好奇心。它从不撒谎，并且比你更了解什么值得关注。 [10] 确实，再成熟的领域都有突变和突破的机遇，深入其中爬到顶端才能发现其所在。而在红海领域，找到突破点的概率就会小很多。 [10] 这一段的原版是“如何做出伟大工作”的初稿。我一写完就意识到这比超线性回报更重要，所以我暂停了目前的文章来扩展这一段。在我完成了“如何做出伟大工作”之后，几乎没有保留原版，因为我根据那篇文章重新写了它。 当然，还有一件其他事情你需要：运气。运气总是一个因素，但当你自己工作而不是作为一个组织的一部分时，它更是一个因素。尽管有一些关于运气是准备和机会相遇等有效的格言，但也有一些真正偶然的成分， 你对它无能为力。解决方案是多次尝试。这也是早早开始冒险的另一个原因。 用一句话概括看到现在的收获：在自己最有兴趣和充满好奇的领域，找到个人学习和工作的流程和工具，在这个领域深入直至前沿。然后，发现突破口或与其他领域的交叉口，在持续输出的同时获得正反馈。 --- 最佳超线性回报领域的例子可能是科学。它具有指数级的增长，以学习的形式，结合了极端性能边缘的门槛——字面上是知识的极限。 结果是科学发现的不平等程度使得即使是最分层的社会的财富不平等也显得温和。牛顿的发现可谓比他所有同时代人的发现都更伟大。[11] [11] 在工业革命之前，变得富有的人通常是像皇帝一样做到的：捕获一些资源使他们变得更强大，并使他们能够捕获更多。现在它可以像科学家一样，通过发现或创建某种独特有价值的东西来实现。大多数变得富有的人都使用了旧方法和新方法的混合，但在最先进的经济体中，比率在过去的半个世纪里已经大幅度地向发现倾斜。 这一点可能看似显而易见，但也许最好是明确指出。超线性回报意味着不平等。回报曲线越陡峭，结果的差异就越大。 事实上，超线性回报和不平等之间的相关性如此之强，以至于它产生了另一个找到这种类型工作的启发式规则： 寻找几个大赢家表现优于其他所有人的领域。一种每个人都表现大致相同的工作不太可能是一种具有超线性回报的工作。 只是效能方向我擅长且潜力大。可以做出我的特色。小红书为例，一页fab利益，一页原理，一页howto，一页扩展。 在哪些领域中有少数几个大赢家表现得远超其他人？一些明显的例子包括：体育、政治、艺术、音乐、表演、导演、写作、数学、科学、创办公司和投资。在体育领域，这种现象是由外部强加的门槛引起的；你只需要比别人快那么几个百分点，就能赢得每一场比赛。在政治方面，权力的增长方式与帝王时代相似。在其他一些领域（包括政治在内），成功主要是由名声驱动的，而名声有其自身的超线性增长源。但当我们排除体育和政治以及名声的影响后，一个显著的模式出现：剩下的列表与那些你必须具有独立思考能力才能成功的领域的列表完全相同——在这些领域里，你的想法不仅要正确，还要具有创新性。[12] 这个创新就是关键价值所在了。需要快速的筑起护城河。 [12] 如果独立思考是其中最大的驱动因素之一，那么传统思维的人不喜欢不平等也就不足为奇了。但这并不仅仅是因为他们不希望其他人拥有他们不能拥有的东西。传统思维的人实际上无法想象拥有新奇思想是什么感觉。所以表现差异性的整个现象对他们来说看似不自然，当他们遇到它时，他们认为这一定是因为作弊或某种恶劣的外部影响。 这在科学领域显然是如此。你不能发表论文说别人已经说过的东西。但在投资领域，例如，情况也是如此。只有在大多数其他投资者不这样认为的情况下，相信一家公司会表现得很好才有用； 如果每个人都认为该公司会表现得很好，那么它的股票价格就已经反映了这一点，没有赚钱的空间。 我们还能从这些领域学到什么呢？ 在所有这些领域中，你都必须付出最初的努力。超线性回报一开始看起来很小。以这个速度，你会发现自己想，我永远都走不远。但由于远端的奖励曲线上升得如此陡峭，因此值得采取特殊措施去达到那里。 在创业世界里，这个原则的名字是“做那些不可扩展的事情”。 如果你对你那微小的初始客户群给予极大的关注，理想情况下，你将通过口碑引发指数级增长 。但这一原则同样适用于任何呈指数增长的事物。例如，学习。当你刚开始学习某样东西时，你会感到迷茫。但付出最初的努力去获得一个立足点是值得的，因为你学到的越多，事情就会变得越容易。 在具有超线性回报的领域列表中还有另一个更微妙的教训：不要把工作（work）等同于一份工作（job）。在整个20世纪，对于几乎所有人来说，这两者是相同的，因此我们继承了一个将生产力与拥有一份工作等同起来的习俗。即使是现在，对大多数人来说，“你的工作”这个短语意味着他们的职业。但对于作家、艺术家或科学家来说，它意味着他们当前正在研究或创造的东西。对于这样的人来说，他们的工作是他们从一份工作带到另一份工作的东西，如果他们有工作的话。它可能是为雇主完成的，但它是他们作品集的一部分。 进入一个由少数大赢家超过其他所有人的领域是一种令人生畏的前景。有些人是故意这样做的，但你不需要这样。 如果你具有足够的自然能力，并且你跟随你的好奇心走得足够远，你最终会进入其中一个。 你的好奇心不会让你对无聊的问题感兴趣，而有趣的问题倾向于创造具有超线性回报的领域，如果它们还没有成为其中的一部分。 超线性回报的领域绝非是静态的。事实上，最极端的回报来自于扩大它。因此，虽然雄心和好奇心都可以让你进入这个领域，好奇心可能是其中更强大的那一个。雄心壮志往往会让你攀登现有的高峰，但如果你紧紧跟随一个足够有趣的问题，它可能会在你脚下成长为一座山。 --- 注释 关于努力(effort)、表现(performance)和回报(return)之间如何明确区分，实际上它们并没有明确的界限。对于一个人来说算作回报的，可能对另一个人来说就是表现。尽管这些概念的边界模糊，但并非没有意义。我尽我所能准确地写了关于它们的文章，以避免误导。 [1] 演化本身可能是表现出超线性回报最普遍的例子。但这对我们来说很难产生共鸣，因为我们不是收益者；我们是回报。 [2] 知识在工业革命之前当然也有实际效应。农业的发展完全改变了人类生活。但这种变化是广泛、渐进的技术改进的结果，而不是少数几个特别博学的人的发现。 [3] 用数学的角度来说，描述阶跃函数为超线性是不准确的，但从零开始的阶跃函数在描述一个理性行为者努力的回报曲线时就像一个超线性函数。如果它从零开始，那么在阶跃之前的部分低于任何线性增加的回报，阶跃之后的部分必须高于该点所需的回报，否则没人会费心去做。 [4] 寻求竞争可能是一个好的启发式规则，因为有些人觉得它具有激励作用。它也在一定程度上是一个指导性的问题，因为这是其他人也觉得它们有前途的迹象。但这是一个非常不完善的迹象：往往有一群喧闹的人追逐某个问题，最终都被一个默默工作在另一个问题上的人超过。 [5] 然而并非总是如此。你必须对这个规则小心。当某件事情受欢迎却表现平庸时，通常会有一个隐藏的原因。也许是垄断或监管使其难以竞争。也许是客户品味不佳或有破碎的购买决策程序。存在着大量由这些原因造成的平庸之物。 [6] 在我二十多岁的时候，我想成为一个艺术家，甚至去了艺术学校学习绘画。主要是因为我喜欢艺术，但我的动机中也有一个不可忽视的部分是因为艺术家似乎最不受组织的摆布。 [7] 原则上，每个人都在获得超线性回报。学习是复合的，每个人在他们一生中都在学习。但实际上很少有人将这种日常学习推向回报曲线变得真正陡峭的地方。 [8] 关于“公平性”的倡导者到底意味着什么，尚不清楚。他们似乎彼此意见不一。但不管他们意味着什么，这可能与一个机构对控制结果的能力减弱，少数几个异常者比所有其他人做得更好的世界是矛盾的。 它可能看起来像是坏运气，这个观念正好在世界向相反方向转变的时候出现，但我认为这不是巧合。我认为它现在出现的一个原因是因为它的拥护者感到被快速增加的表现变化所威胁。 [9] 推论：那些逼迫他们的孩子从事某种有声望的工作，比如医学，即使他们对此没有兴趣的父母，将来会比过去更加损害他们。 [10] 这一段的原版是“如何做出伟大工作”的初稿。我一写完就意识到这比超线性回报更重要，所以我暂停了目前的文章来扩展这一段。在我完成了“如何做出伟大工作”之后，几乎没有保留原版，因为我根据那篇文章重新写了它。 [11] 在工业革命之前，变得富有的人通常是像皇帝一样做到的：捕获一些资源使他们变得更强大，并使他们能够捕获更多。现在它可以像科学家一样，通过发现或创建某种独特有价值的东西来实现。大多数变得富有的人都使用了旧方法和新方法的混合，但在最先进的经济体中，比率在过去的半个世纪里已经大幅度地向发现倾斜。 [12] 如果独立思考是其中最大的驱动因素之一，那么传统思维的人不喜欢不平等也就不足为奇了。但这并不仅仅是因为他们不希望其他人拥有他们不能拥有的东西。传统思维的人实际上无法想象拥有新奇思想是什么感觉。所以表现差异性的整个现象对他们来说看似不自然，当他们遇到它时，他们认为这一定是因为作弊或某种恶劣的外部影响。 感谢Trevor Blackwell、Patrick Collison、Tyler Cowen、Jessica Livingston、Harj Taggar和Garry Tan阅读这篇文章的草稿。 编辑于 2023-10-20 00:57 ・IP 属地北京 ・来源官方网站readlaterhttps://myweb.ganlei.com/blog/20260824-%E4%BB%98%E9%B9%8F-2024-%E5%B9%B4%E6%B1%87%E4%B8%B0%E5%88%86%E4%BA%AB/https://myweb.ganlei.com/blog/20260824-%E4%BB%98%E9%B9%8F-2024-%E5%B9%B4%E6%B1%87%E4%B8%B0%E5%88%86%E4%BA%AB/一场关于中国经济底层逻辑的讲述Sun, 23 Aug 2026 16:00:00 GMT## 付鹏 2024 年汇丰分享：一场关于中国经济底层逻辑的讲述 如果要理解付鹏在 2024 年汇丰私人财富活动上的这场分享，我认为最重要的，并不是记住他说过哪些耸动的金句，也不是急着寻找他对股市、楼市或者汇率的具体预测。 真正有价值的，是他试图建立一套完整的解释框架。 这套框架大致是这样的：我们今天看到的房价、股价、消费和企业利润，其实都是比较下游的结果。在这些经济现象之上，还有宏观经济；宏观经济之上，还有政治结构；政治结构背后，又受到更长期的意识形态和社会周期影响。 所以，理解今天发生了什么，不能只盯着今天的数据。 ### 一切首先要从“大周期”开始 付鹏把 2016 年看成一个非常重要的时间节点。 在此之前的几十年里，世界总体处于全球化不断深入的阶段。资本跨境流动，产业链全球配置，自由贸易扩张，中国加入全球产业分工，美国和欧洲享受廉价商品，中国则享受全球市场、资本和技术带来的增长。 但是从特朗普第一次当选开始，这套逻辑开始发生变化。 国家安全重新压过经济效率，产业链安全的重要性开始超过最低成本，自由贸易开始受到贸易保护主义挑战。到了 2024 年特朗普再次当选，付鹏认为这已经越来越不像一个短期政治事件，而更像是一个长期周期的变化。 所以他的第一个重要提醒其实非常简单： **不要把过去四十年的经验，直接外推到未来二十年。** 如果底层环境已经发生变化，那么过去有效的很多经验，未来未必仍然有效。 --- ### 接下来，他把问题从“增长”转向了“分配” 这是我认为整场演讲里思想价值最高的部分之一。 我们习惯用 GDP 判断一个经济体好不好。 但付鹏提醒我们，GDP 只回答一个问题：蛋糕做得有多大。 它没有回答另一个同样重要的问题：蛋糕到底分给了谁。 假设一个社会创造了一百块钱的财富，其中资本拿四十，政府拿三十，劳动者拿三十。 第二年经济增长了百分之五，蛋糕变成一百零五。但是新增的五块钱绝大多数流向资本，那么普通劳动者的生活感受可能根本没有明显改善。 反过来，即使经济总量没有增长，仍然是一百，但分配结构发生变化，劳动者得到的份额从三十增加到四十，那么很多普通人的生活感受反而可能明显改善。 所以这里有一个非常重要的区分： **经济增长和个人体感，本来就是两个不同的问题。** 这也解释了为什么现实中经常出现一种看起来非常矛盾的现象。一边有人拿着 GDP、就业、工业增加值等数据说经济并不差，另一边普通人却说自己明显感觉生活压力变大了。 这两个人甚至可能都没有说错。 因为一个人在谈总量，另一个人在谈分配和自己的阶层处境。 --- ### 有了这个前提，才能进入付鹏对中国经济的核心判断 他的判断是，中国今天最根本的问题，已经不是生产能力不足，而是有效需求不足。 中国当然仍然有很多问题，但是如果从生产能力来看，我们已经拥有全球极其完整的制造体系、供应链、基础设施、工程师队伍和工业生产能力。 换句话说，我们越来越擅长把东西生产出来。 真正的问题逐渐变成： **生产出来以后，谁来买？** 而付鹏认为，这个问题其实在疫情之前就已经出现了。疫情放大了它，但并不是它最根本的起点。 那么为什么需求会不足？ 这就进入整场演讲最核心的概念——居民资产负债表。 --- ### 要理解居民资产负债表，就必须先理解过去二三十年的房地产循环 过去存在一个非常强大的正向循环。 经济高速增长，人们收入增加。收入增加以后，人们开始买房。房价上涨以后，已经买房的人发现自己的家庭资产越来越值钱，于是产生财富效应。 一个家庭原来觉得自己有一百万资产，几年之后发现房子已经值五百万，它的消费行为、风险偏好和未来预期都会发生变化。 与此同时，房地产上涨又推动土地财政、基础设施建设和城市扩张；城市扩张继续吸引人口；年轻人进入城市以后继续买房、贷款。 于是，收入增长、人口增长、城市化、居民加杠杆和房价上涨彼此强化。 这是一个非常强大的正反馈循环。 问题在于，任何依靠加杠杆运行的体系，都有一个天然限制： **债务不可能无限增长。** --- ### 这就引出了付鹏一个非常有冲击力的说法：房地产其实包含着代际财富转移 假设一个人很多年前花两百万买了一套房，后来以六百万卖给一个年轻人。 从老业主的角度看，他赚了四百万。 但付鹏要求我们换一个角度思考： 这四百万到底从哪里来？ 其中很大一部分，其实来自那个年轻人未来二三十年的劳动收入。 年轻人今天通过银行把未来几十年的收入提前折现，然后把这笔钱支付给上一代房主。上一代因此获得了一笔巨大的流动财富，而下一代则得到一套房子，同时背上一笔长期债务。 所以，上一代人资产价格不断上涨的一个重要条件，就是下一代人愿意、也有能力继续扩大自己的资产负债表。 这也是为什么付鹏会提出一个很尖锐的判断： **真正支撑上一代资产价格的，其实是下一代人的资产负债表。** 当然，这个说法是一种高度简化。 房地产价格还受到城市生产率、土地稀缺性、住房服务价值、基础设施、货币环境等很多因素影响。 但是作为一个观察模型，它非常有启发性。 因为它让我们意识到，房价不是一个可以脱离人口、收入和债务能力无限上涨的数字。 --- ### 那么今天发生了什么变化？ 过去支撑这个循环的几个条件正在同时改变。 年轻人口减少了。 收入高速增长的预期下降了。 居民杠杆已经处在比较高的位置。 年轻人的购房意愿也发生了变化。 这意味着，房地产面临的问题不能简单理解成“现在房价跌了，以后会不会再涨回来”。 更深层的问题是： **过去支撑房地产上涨的那套人口、收入和资产负债表循环，本身正在发生结构性变化。** 而一旦房地产循环发生变化，影响就绝不仅仅局限在房地产。 因为房地产长期以来也是中国居民最重要的家庭资产之一。 --- ### 于是，过去的财富效应开始反过来运行 过去房价上涨的时候，一个家庭会觉得自己越来越富。 即使工资没有增加多少，看着自己的房子从三百万涨到五百万，也会觉得家庭财富增加了。 于是更敢消费，更敢投资，也更敢承担长期债务。 但房价下降以后，这个机制开始反转。 家庭发现自己的资产缩水了，未来收入又不确定，同时还背着长期房贷，那么最自然的行为就是增加储蓄、减少消费、降低风险。 于是消费下降。 消费下降以后，企业收入受到影响。 企业收入下降以后，就业和工资预期进一步恶化。 居民因此更加谨慎。 这就形成了一个负反馈循环。 所以在付鹏的框架里，“大家没有信心”并不是问题的根源。 **信心不足只是表象，资产负债表才是更底层的约束。** --- ### 这个区别，会直接影响我们怎么看经济刺激政策 假设一个年轻人以前准备了五十万买房。 政府把首付门槛降低，让他现在只需要四十万。 如果他原本就想买房，只是差一点钱，那么这个政策非常有效。 但是如果今天这个年轻人的真实想法是： “我根本不愿意背未来三十年的房贷。” 那么把首付从五十万降到四十万，甚至降到三十万，都未必能够解决问题。 因为他的约束已经不是首付款，而是未来几十年的收入预期和负债意愿。 所以付鹏特别强调一个区别： 过去很多政策是在鼓励居民**继续加杠杆**。 而今天更重要的，可能是帮助居民**降低杠杆负担**。 比如降低存量房贷利率。 它和降低首付比例看起来都属于房地产政策，但经济机制完全不同。 前者是在减轻已经存在的家庭现金流压力；后者是在鼓励新的家庭承担更多债务。 --- ### 接下来，就能理解为什么付鹏特别关注中产阶层 讨论经济困难的时候，我们很容易首先想到收入最低的人群。 但是从宏观需求角度看，中产阶层的变化尤其重要。 因为现代消费社会大量需求实际上来自中产阶层。 住房、汽车、教育、旅游、餐饮、消费电子、品牌服饰、金融产品和各种服务消费，都高度依赖一个规模庞大、收入稳定、对未来有信心的中产阶层。 如果这个群体的资产缩水、收入预期下降，同时承担着住房、教育和养老压力，那么它会非常自然地开始压缩消费。 而这种压缩对整个经济的影响非常大。 所以付鹏观察就业的时候，也不仅仅看失业率。 他更关心的是： **就业质量是不是在下降。** 比如原来的白领、中产岗位减少以后，一部分劳动者进入网约车、外卖和其他灵活就业。 即使统计意义上这些人仍然属于就业人口，他们的收入稳定性、职业预期和消费能力也可能已经发生明显变化。 这个观察方法本身非常值得保留： **不要只问一个人有没有工作，还要问他的工作质量发生了什么变化。** --- ### 这又会带来消费市场的 K 型分化 付鹏有一句很夸张的话，大意是未来做生意，要么做富人的生意，要么做大众性价比市场，中间市场可能最难受。 这当然不能当成一个严格规律，但背后的逻辑值得注意。 高净值群体的消费能力依然存在，所以顶级奢侈品、高端服务、稀缺体验仍然拥有市场。 另一方面，大量普通消费者越来越重视性价比，于是折扣、平替、二手、租赁等模式越来越重要。 真正受到挤压的，反而可能是过去依赖“消费升级”的中间市场。 与此同时，还有年龄结构的分化。 年轻人可能没有能力买房，却愿意为游戏、动漫、二次元、演出、兴趣爱好和情绪价值付费。 老年人口增加，又会创造新的银发经济。 所以消费并没有简单“消失”。 **它正在重新分配。** 这和前面讲的收入分配其实又连接起来了。 --- ### 然后，我们终于能够理解中国企业为什么会越来越“卷” 通常我们会认为，企业竞争越激烈越好。 十家公司竞争，最后效率低的企业倒闭，效率高的企业留下，于是整个行业效率提高。 这个逻辑本身没有错。 但是它隐含着一个非常重要的前提： **需求必须存在。** 如果市场需求稳定，十家公司竞争，最后剩下三家优秀企业，这叫行业出清。 但是如果市场需求本身不断下降，情况就完全不同。 企业为了抢夺越来越小的市场，只能不断降价。 降价以后利润下降。 利润下降以后继续削减成本。 企业开始裁员。 就业和工资进一步受到影响。 居民消费能力进一步下降。 需求因此继续下降。 这时候，竞争未必会自动产生一个健康的赢家。 它可能演化成整个行业的资产负债表一起恶化。 所以付鹏特别关注 PPI，也就是工业生产者价格。 因为持续的价格压力，意味着企业很难把成本传递给消费者。 这就是所谓“内卷”背后一个很重要的宏观经济解释： **它未必只是企业太多，也可能是有效需求相对于供给不足。** --- ### 到这里，我们可以把付鹏整套中国经济模型真正串起来 人口结构发生变化，年轻购房人口减少。 年轻人口减少以后，居民继续大规模加杠杆的能力和意愿下降。 房地产循环因此减弱。 房地产减弱以后，土地财政和居民财富效应下降。 家庭资产负债表开始承压。 家庭因此减少消费。 中产阶层消费能力下降以后，有效需求不足。 需求不足以后，企业开始价格竞争。 企业利润下降以后，就业和收入预期进一步恶化。 居民看到未来更加不确定，于是更加谨慎消费。 这又进一步强化有效需求不足。 于是，一个过去的正反馈循环，逐渐变成了负反馈循环。 --- ## 但是，我认为听完整场演讲之后，还必须再加一个非常重要的警告 付鹏最大的优势，同时也是他的风险。 他非常擅长把复杂的宏观经济问题，压缩成一个极其容易理解的因果故事。 房地产，是年轻人给上一代买单。 土地财政，是对居民的一种间接征收。 国际化，是向海外获得需求和利润。 人口，是长期债务最终的承担基础。 这些说法非常有力量，因为一听就懂。 但也正因为一听就懂，我们反而要保持警惕。 **现实世界通常没有这么干净。** 例如房地产价格上涨，并不只是年轻人向上一代转移财富。 其中还包含城市生产率提升、土地稀缺性、公共基础设施改善、住房服务价值、收入增长、货币环境等因素。 所以我认为理解付鹏最好的方式，不是问： “他说得对不对？” 而应该问： **“他的模型解释了什么，又遗漏了什么？”** 这是两个完全不同的问题。 --- ## 最后，如果让我把两个多小时的演讲压缩成五个真正值得留下来的认知工具 第一个，是**周期思维**。 不要永远用过去几十年的经验预测未来。如果政治、人口、全球化和制度环境改变了，过去有效的经济规律可能会改变。 第二个，是**增长与分配必须同时观察**。 GDP告诉我们蛋糕有多大，但不能告诉我们谁吃到了蛋糕。所以宏观数据很好，并不意味着每个阶层的体感都会很好。 第三个，是**资产负债表思维**。 一个家庭、一个企业乃至一个国家的行为，不仅取决于收入，还取决于它已经拥有多少资产、背负多少债务，以及对未来收入有什么预期。 第四个，是**代际思维**。 今天一代人的资产价格和财富，很可能与下一代人的人口规模、收入和负债能力紧密相关。房地产只是这个问题最明显的表现之一。 第五个，也是我认为最重要的一个，是**有效需求思维**。 当一个经济体的问题已经从“生产不出来”转变为“生产出来以后谁来买”，继续提高供给效率，并不必然解决问题。甚至可能因为产能过剩和价格竞争，让企业利润进一步下降。 所以，如果一定要用一句话概括我对这场演讲的理解，我会这样说： > **付鹏真正讨论的，并不是中国房价会不会涨、A股什么时候牛，而是一个依赖人口增长、居民加杠杆、房地产财富效应和全球化需求建立起来的增长循环，在几个底层条件同时改变之后，会怎样重新寻找新的均衡。** 而现在回头看，这场演讲还有一个额外价值。 它发表于 **2024 年 11 月**。现在已经接近两年过去了，我们已经不必只评价它“听起来有没有道理”。 我们完全可以把它当成一个两年前建立的经济模型，然后拿 **2025 到 2026 年的真实世界去回测它**。 我认为这会比继续听付鹏讲什么更有意思：因为一个经济学家的叙事能力有多强是一回事，**他的模型究竟有没有预测能力，则是另一回事。**readlater