淺友們好~我是史中，我的日常生活是開撩五湖四海的科技大牛，我會嘗試用各種姿勢，把他們的無邊腦洞和溫情故事講給你聽。如果你想和我做朋友，不妨加微信（shizhongmax）。
2025：一代人沖出戰(zhàn)壕
文｜史中
2025 年 11 月，我看到馬斯克和黃仁勛搞了一次對談。
他倆做出了四個預測：
1、人形機器人會成為有史以來最大的產業(yè)。
2、人類正經歷一場“計算范式遷移”：GPU 不僅會替代 CPU 的“事務性工作”，還會進入 CPU 一直難以勝任的“開創(chuàng)性研究工作”。
3、人類作為一個文明，正（幸運地）處在上升期，對太陽能的利用比率還有大幅上升空間。未來“太陽能 AI 衛(wèi)星”會讓智能的成本大幅下降。
4、隨著“AI+機器人”讓生產力飛躍，金錢的重要性會逐步下降，工作將成為一種選擇，人類徹底消除貧困。
這堪稱恢弘的狂想。
不得不說，人類（中的夢想家）已經很久沒有這么昂揚了。好像往日阿波羅登月的輝煌，都只配作腳下時代的序章。
放下手機，我突然想起了王興那個著名預言：2019 年是過去十年中最差的一年，卻可能是未來十年中最好的一年。
2025 走到最后，這句話所涵蓋的 19 年浩蕩，已經被（了不起的）我們挺過了 16 年。。。
必須承認，一場始于世紀之初的濃墨重彩的互聯(lián)網大戲已近尾聲，演員再奮力做派，也只能震下樓板的絲絲灰塵。
鑼鼓喧鬧，恍若隔世。
但作為普通觀眾，著實無需入戲太深。轉回身，一個百倍宏大的新舞臺正在布景。
我們?yōu)槭裁床幌热フ紓€前排？
站在 2025 和 2026 的分界點，我有一些關于未來的體驗，它們未必是精雕細琢的理論，有些甚至是長久肅立身邊的常識，卻讓我受益良多。
我想勇敢地分享給你。
（一）大航海時代重演
如果你我能穿越。
重回艾薩克·牛頓爵士的英國，咱們有好多事兒可干。
你可以進入熱火朝天的紡織廠，親手改良紡紗機和蒸汽機； 你可以駕船一路向西，在新大陸買下一大片種植園和幾百個奴隸； 你可以鉆研一種叫“股票”的東西，搶先布局南海公司，狠狠割一把牛爵爺的韭菜。
大航海時代和緊隨其后的工業(yè)革命時代，人類文明狂奔向上再沒回頭，源于兩個因素：
勞動力數量暴漲
與之配合的工具進步
這里有一個值得玩味的歷史細節(jié)：先有人口增加釋放大量*廉價*勞動力，后有一眾工程師改良紡紗機、蒸汽機。
1750 年到 1850 年，英國人口從 600 萬到達 1800 萬，大陸另一端的大清國人口從乾隆年間 1.8 億激增到道光的 4.3 億。
換句話說：“廉價勞動力數量”本身，是人類文明水位的先導指標。
然后呢？
我們在工業(yè)革命時代標注這個刻度，再把時間軸疊加到當下“刻舟求劍”一下，可以大致推測我們今天所處的位置。
我們就在新一輪“創(chuàng)生大量勞動力”的時刻！
你可能說：不對啊，生育率這不在下降么？
但誰說勞動力一定要是人呢？（勞動力又什么時候被當成過人呢？）
顯然：AI 就是新世界的奴隸。
Agentic AI 是新世界的白領奴隸， 機器人是新世界的藍領奴隸。
依賴生物學過程制造的勞動力，重要性從未像今天這么低。
從這個角度出發(fā)，一切新世界的角色都逐漸明晰：
特斯拉、英偉達之類的公司，就是新世界的“西印度公司、南海公司”；
馬斯克、黃仁勛這類企業(yè)家，就是新世界的“哥倫布”。（可以稱他們?yōu)樘诫U家，也可以稱他們?yōu)橹趁裾摺＃?/p>
AI 和機器人所創(chuàng)造的一切，就是新世界的“種植園”和“紡織廠”。
由此觀之，我們無疑身處“新大航海時代”的開端，新大陸就在那，“奴隸”已經裝船，未來幾乎鎖死。
但時代并非簡單重演：
三百年前，勞動力雖然爆發(fā)，但總數仍然有瓶頸，是一種需要爭奪的資源。
最終只有 1% 最彪悍的人控制了新增勞動力，成為工廠老板、種植園主、資本家。
三百年后， AI 勞動力爆發(fā)幾乎是無窮的，它的上限是人類對于太陽能的利用率。
這個空間足夠讓每一個普通人都擁有充足的勞動力。
你無需那么彪悍，也能成為“新世界的種植園主”。
換句話說，2025 年，每個人的人生*可能性敞口*開始迅速放大。如同一條船從河面來到了入海口。
你要做的幾乎只是：向前！
可寬闊的海面是自由的詛咒。千帆競發(fā)，我們該用什么策略來開船？
（二）凡事使用樂觀之篩
2025 年，使我受益的第一個決策是：樂觀。
沒錯，我花了很多功夫才意識到“樂觀可以是一個決策”，而非無可更改的天性。
人住在自己的長期決策里。
我們不妨思考一個極簡模型：
每個人都占據了星球上獨特的一平米。在每個人的區(qū)域，地面高度不同，有的人是山，有的人是谷。
時代和科技進步的紅利就像從天而降的雨水。
下雨的地點是隨機的，但水落到地面以后的方向并不隨機，它總會向低洼地帶流淌。
這種“地形”就是極簡版的社會結構。
物理定律決定了，在這個結構中高海拔的人會不斷補貼低海拔的人。也就是K型分化中的“下位”補貼“上位”。
久而久之，兩條線越分越遠。
以此觀之，想要更多的雨水，不能靠手伸得長。最好的辦法就是抄起鏟子，挖低自己的高度。
而你的每一次決策，冥冥中定義了你是把腳下的土地挖低一寸，還是墊高一分。
那么，如何確保自己每次決策都讓自己的海拔降低了呢？
答案是沒有辦法保證“每次”。
但我們有辦法提高決策正確的概率，這意味著只要決策數量多到一定程度，正確的決策會占據多數。我們就能確定性地“降低海拔”。
這里當然可以有很多復雜的策略，但我生性愚鈍，傾向于使用最簡單的辦法：用“第一性原理”作為篩子，篩選所有備選決策。
有點抽象。我們不妨用投資來舉例。
面對一個市場，你可以對做出兩類決策：做多、做空。
單次來看，做多和做空都可能盈利。但是如果你身處一個長期上漲的市場里，做空虧損的概率更大。做多盈利的概率更大。
我們可以試著從第一性原理出發(fā)來判斷經濟的長期趨勢：在 100 年（大概一個人一生）的長期跨度里，世界的經濟是會更繁榮還是更蕭條？
不妨用過去 500 年的歷史數據回測一下：
假設身處 1492年、 1789 年、1900 年，你分別會做出怎樣的判斷？（真實結果又是如何？）
結論是：過去 500 年，任何100年的周期，終點全部高于起點，沒有例外。哪怕是經歷了小冰期、三十年戰(zhàn)爭、明清交替、全球人口停滯的 17 世紀，依然如此。
而且在工業(yè)革命以后，這個增長斜率就越來越快。
任何戰(zhàn)爭、瘟疫都沒有打破這個斜率。
更幸運的是，站在 2026 年，我們身處“過去幾年的谷底”+“新大航海時代的開端”，做出樂觀判斷幾乎比任何時候都要容易。
把*長期樂觀*的結論作為篩子，你就可以剔除*所有的*做空決策。只在大概率正確的方向上下注，不僅讓你的決策籃子變得更輕，還提高了你的預期收益。
不妨對照一下美國股市的歷史，在經歷 1929 年大蕭條、 1941 年偷襲珍珠港、 1947 年美蘇冷戰(zhàn)、 1973 年石油危機、 2001 年 9·11、 2008 年次貸危機、 2020 年新冠疫情前后的表現，你很容易發(fā)現：
使用樂觀的投資策略，可以穿越人類有史以來的所有經濟危機。
而且！越是在深刻的危機中，樂觀越能讓你獲利！
這是 1871 年到 2025 年標準普爾 500 指數的走勢。
你可能笑了，敢說大 A 么？
敢。
你看下面↓↓↓
公認比較慫的上證指數，也符合這個規(guī)律。（1990-2025）
由此，樂觀不僅僅是一種哲學，也很可能是當下最大的實用主義。
巴菲特曾說：“永遠不要做空美國”。
這和樂觀篩子所做出的結論恰恰吻合。
多說一句，巴菲特的第一支股票就是 1942 年 3 月 11 日買的，當時珍珠港剛淪陷，美國被日本爆錘，中途島海戰(zhàn)還沒打。
也許有淺友說，我是 20 后，還年輕，也沒啥資本積累，我的“樂觀”就無法變現了嗎？
其實無論對誰來說，金錢都只是狹義的投資。你的注意力、時間才是更廣義投資。
越年輕，意味著你手里未使用的“資本”越多。
你可以在各種決策上使用樂觀之篩，例如：把時間用來鍛煉而非躺平，把精力用在積極建設而非憤世嫉俗。
我們這個時代的特點是：工具極為豐富。
而“樂觀之篩”，是一個簡單又好用的萬能扳手（和所有工具都能配合）。它像船上的帆，能給你源源不斷地提供朝向同一個方向的力。這種力會逐步讓你站在 K型分化的上位。
當然，上位并不應該是優(yōu)越感，它所帶來的穩(wěn)定的資源流入（例如現金流、新工作機會），應被視作一切愛與自由的前提。
之后，我們回到主線：
如果人人都有“AI 奴隸”，我們到底該讓它們干點兒啥呢？
當然，AI 可以幫人解決專業(yè)領域五花八門的問題，暫且不論。
這里我想聚焦“最大公約數”，作為一個普通人，應當如何利用“AI 奴隸”目前最普惠的形式——ChatBot——對世界建模？
（三）對世界建模：從搜商到 Chat 商
在 2025 年劍橋大學的一次交流活動上，主持人問黃仁勛：你是如何在最艱難的階段保持信心，堅持到底的？
面對如此寬闊的提問，老黃居然猛地使出了十成功力，給出了（在我看來的）標準答案：
我們用理性去推導我們對未來的判斷。 你得一步步推回去，回到計算機科學最基本的第一性原理，或者物理學的基本原理……你能抓住什么原理，就抓住什么原理。一直推到最底層的邏輯原點。 一旦你完成了這個過程，用你所掌握的環(huán)境信息和一切已有認知，構建起了對未來的理解與信念，那接下來問題就變成了：你是個“說說而已”的人？還是一個會“真的去做點什么”的人？
他在描述的，就是一個“對世界建模”的過程。
沒錯，每個人的“世界模型”（有時也被稱為“底層認知”“元認知”）都像一個核反應堆，會在一生的跨度內持續(xù)輸出能量，那才是你是否會對某件事堅持到底的底層因素。
就像一個航海家腦海里的地圖↓↓↓
老黃說的是“道”，那么在“術”的層面，究竟應該怎么建模呢？
核心是兩個字：數據。
和 AI 訓練類似，在顱內對世界建模也需要大量數據。而數據的平均質量最終決定了這個“核反應堆”的輸出功率。
在印刷術之前，人們對世界建模的高質量數據來自長輩們口耳相傳的故事；
在前互聯(lián)網時代，人們對世界建模的高質量數據大多來自“書籍”；
世紀之初，開云app官方在線入口伴隨互聯(lián)網發(fā)展，人們對世界建模的高質量數據大多來自“搜索引擎”。（當然互聯(lián)網上的數據良莠不齊，所以“搜商”這個詞一度流行。）
在 ChatGPT 出現之后，人們對世界建模的高質量數據將主要來自“ChatBot”。
能深度激發(fā)“ChatBot”并且獲得高質量信息的能力，應該就叫“Chat 商”。
在細說“Chat 商”之前，我想先討論一個重要問題：ChatBot 和搜索引擎到底有什么區(qū)別？
答案是：搜索引擎在“已知內容”里搜索，ChatBot 在“可能性空間”里搜索。
打個比方吧：
假設我們人類發(fā)現的真理就像一個個島嶼。我們已經發(fā)現了 1 萬個島嶼，然后把它們畫在地圖上。
你給出任何條件，搜索引擎的答案必須最終落到某一個島上；
而 ChatBot 可以在島嶼之間的合理位置幫你畫上一個新的島。
這樣“亂畫”，必然隱含著問題。
在 ChatBot 誕生初期，這個問題尤其明顯：
1、AI 幫你畫的這個島，可能位置未必正確。（幻覺） 2、即便正確，也未必準確。也就是它的回答“分辨率”不夠。（答案過于籠統(tǒng)，沒有指導性）
這個問題，由 GPT-o1 和 DeepSeek R1 開創(chuàng)了解決方向。
你可以這樣理解：
GPT-4（及以前模型）所做的事情只有一步：在地圖上畫島嶼。
但 DeepSeek R1 所做的事情卻是兩步：1）連續(xù) N 次放大地圖；2）畫島嶼。
別看僅僅多了一個放大地圖的過程，卻帶來了本質的升級。
原有的 ChatBot 像一個瞭望塔，理論上你可以看到世界的盡頭，但實際上遠處的細節(jié)無法分辨。 現在的 ChatBot 像一艘船，可以開到世界的盡頭，在那里無比清晰地調查細節(jié)。
這也直接催生了 2025 年最讓人興奮的技術之一：Agentic AI。
給你看一張圖：
在過去的大模型中，訓練消耗了絕大多數的算力（訓練側的 Sacling Law）；
而在 Agentic AI 上，訓練消耗算力占比大幅縮減，越來越多的消耗由推理迭代所消耗。（推理側的 Scaling Law）
而對推理迭代的形象理解，就是剛才所說的一次次放大地圖的過程。
總結一下，剛才說這么多，其實就是三句話：
1）對世界正確建模是生活的基石； 2） 2025 年，我們手上的 ChatBot 能力已經及格； 3）我們應該趕緊用它幫助我們對世界建模。
我們繼續(xù)回到主線任務：到底怎么建模呢？
深度學習之父理查德·薩頓在《苦澀的教訓》中提出訓練 AI 的兩個關鍵技術：學習、搜索。
學習是指：根據已有的數據，提取出內部蘊含的知識； 搜索是指：在可能性空間里尋找更優(yōu)解（不是搜索引擎的搜索）。
Richard S. Sutton
這當然已經成為本輪 AI 爆炸的綱領，不用多聊。
但整個 2025 年，我都在思考萬維鋼就此給出的衍生方法論：每一個人都應該像 AI 一樣去學習和搜索，并且應該在這兩件事上花掉*無上限*的功夫。
核心在“無上限”三個字。
因為宇宙具有不可約化的復雜（），所以學習和搜索是不存在邊際效益遞減的。它能給你的“世界建模”帶來線性的新增量。
在我看來，所謂“Chat 商”高，就是：
首先理解“對世界建模”值得花費無上限的功夫；
然后能和“AI 奴隸”之間形成了一種高效的合體范式，一起學習和搜索。
合體范式簡單來說就是：
1、人負責處理“不可描述的部分”，例如動機、偏好； 2、ChatBot 負責處理“可描述的部分”，也就是具體向某個方向劃行。
你和奴隸雖然都在船上，但奴隸心里只想著海浪，只有你心里懷著遠方。
你需要的是“AI 領導力”，或者說“AI 奴役力”。
只要你萌發(fā)出一個念頭，想讓 AI 幫你改善某個行為、研究某類技術、推薦特定書籍都沒有問題。
念頭不用很明確，但一定要抓住它，開始和 ChatBot 討論，在討論過程中，你不斷思考有沒有值得繼續(xù)探索的方向。
這種建模不分領域：
可以是功利的，為解決某個實際問題而進行的；
也可以是完全無功利的，純粹因生活中某個興趣點驅動。
宇宙的底層規(guī)則是通行的，所以任何一個構建于其上的領域都全息蘊含著底層真理。沒有白走的路，每一步都算數。
比如。。。我用 Chatbot 自學了本地運行 Z-Image 模型，下面是我的作品↓↓↓
說回來，真正重要的是：
不要認為 AI 在幫你解決具體的問題。
它是在通過解決問題的方法，幫你對世界建模！你需要*刻意*和 ChatBot 共同學習和搜索，讓自己的世界模型隨著時間推移不斷進步。
馬斯克認為，為了更深刻地探尋真理，一個把全世界人的意識連接起來的“廣場”異常重要。（他指的是 X 平臺）
在我看來，ChatBot 也有把人類意識連接起來的功能，只不過是通過“點對點”的模式：
ChatBot 能持續(xù)提供穩(wěn)定、高水平的世界模型。 隨著越來越多的人（自覺不自覺）把 ChatBot 作為大腦外掛，人類作為一個整體的世界模型質量將會不可逆地大幅提高。
高質量的世界模型是一切高玩的前提。
在此基礎上，我們才可以試著做一些“大決策”！
（四）中庸：分配與置信度相匹配的資源
“新大航海時代”的船需要人機共駕。對 AI 的考驗很大，對人的考驗也很大。
我們不妨繼續(xù)聽黃仁勛怎么說：
你可以選擇成為那種“哦，我當時也想過這事”“我也說過類似的話”的人，但你并沒有真的行動。 而我更傾向于那種人：我會非常認真地去推理和思考，并且一旦形成信念，我會深信不疑。 坦白說，只要我腦海中能清晰地“看見”它，我就幾乎當它已經成真了。其余的，都只是細節(jié)問題。
這種行為模式一點兒都不稀奇，你可以在各路大佬身上找到。
我給你念叨兩個段永平的例子。
1982 年，段永平從浙大畢業(yè)后，分配到北京電子管廠，他努力工作卻成效甚微，不斷往深層分析，發(fā)現一個底層桎梏：計劃經濟的低效。
這讓他推導出結論：待在“計劃經濟的大本營”不會有太好的結果。
那么計劃經濟的反向大本營——市場經濟最發(fā)達的地方——是哪呢？
廣東。
這才有了南下廣東之后“阿段”的傳奇故事。（段永平說按照廣東的風格應該叫阿平，但聽上去像女的，金沙電玩城所以改叫阿段。。。）
1980 年代末的東莞
在 2001 年去到美國后，阿段開始全職投資。
他發(fā)現了每股含現金 2 美元的網易股價居然跌到了 1 美元之下，于是仔細閱讀財報、請律師分析潛在風險，還試玩了網易游戲和對手的游戲。
然后他決定把所有閑置資金歸集 100 萬美元，甚至又破例借了100萬美元，用來買網易，最終獲利 100 倍。
以上兩個故事很多人都知道，在故事里段永平決策也用的都是常識。
我敢肯定， 80 年代北京電子管廠也有很多人和段永平有同樣的感受，世紀之交也有很多人覺得網易便宜得不真實。
但是差異在于：段永平用極高的規(guī)格“款待”了自己的判斷。他用自己的職業(yè)生涯押注廣東，用所有的閑錢押注了網易。
換句話說，他在自己高置信度的方向上下了重注。
簡單打個比方：你的判斷是 1，而你押注的籌碼是后面的 0。
能判斷出 1 的人很多，舍得在后面寫 0 的人很少。
而真正改變人處境的，不是 1，而是 1 后面跟著的一串 0。
如果預期收益很高，卻沒有匹配相應的籌碼，本質上等于你白白浪費了自己的“世界建模”。成為黃仁勛說的“哦，我當時也想過這事”的人。
這里我引入了一個“預期收益”指標。
我私下認為，一個人的智力很大程度體現為 Ta 是否理解概率， 并且在決策中（自覺或不自覺）應用概率。
預期收益就是一個與概率相關的指標。
簡單舉例：
如果你認為預期收益是 5，可以投入五個零的資源。如果你覺得預期收益是 8，就可以投入八個零的資源。
注意，這倆可不是線性關系，而是個曲線。
這個曲線參數是可以因人而異修改的。但基本精神就是如此：你必須在預期收益更高的判斷上，下更更更大的注。（也被稱為凱利準則，凸性配置）
這里有一個技術細節(jié)：
如果你發(fā)現，面對置信度更高的機會，手中卻已經沒有足夠的資源下更大的注，那就意味著你在置信度更低的機會上分散了過多資源，需要動態(tài)調整。
當然，只有涉及時間、空間范圍足夠廣的決策才是預期收益更大的決策，你中午吃蓋飯還是炸雞的小決策不可能有很大的預期收益。
正如巴菲特所說：“你應該有張一生決策卡，卡上只有 20 個孔位。”
我們不妨把這 20 個決策稱為“大決策”。
把大決策集合在一起，形成一個組合，然后按照權重為這個池子分配手里的資源額度。
如此，就形成了一個穩(wěn)固的決策池。（你不用花很大的精力每天去維護它，除非當初用以做出某個判斷的條件發(fā)生了變化）
由此觀之，所謂的“All in”或者“All 不 in”，都是很明顯的錯誤操作。（或者只是一種簡化的表達方式。）
我一直認為，中國文化中的“中庸”這個詞是對以上策略的最佳概括。
所謂中，就是不偏，不為某個機會匹配超過或少于它權重的資源。 所謂庸，就是在每一天的行動中踐行這種匹配。
同一個道理，段永平喜歡用開車打比方：你開車的目標是到達目的地，不是要快，也不是炫技。所以你不應該開快車，更不應該崇拜開快車的人。
為了到達目的地，你的操作應該是：
1）待在車道中央行駛；
2）全程待在車道中央。（不能因為犯困，或者想炫技，或者任何理由而撞上兩側護欄。）
從這個意義上說，“庸”的難度要比“中”更大。
話說人的大腦設計，根本不是為了完成超長時間跨度的任務的。大腦最初只是一個保衛(wèi)基因傳承的生存工具，只要能瞬時幫助生命體擺脫危險，就大功告成了。（）
可是隨著社會發(fā)展，競爭加劇，生存策略逐漸復雜，大腦被迫在更長的時間里維持策略。
事情漸漸變得反人性。
所以，我們必須找到一些工具來幫助自己踐行“庸”。
（五）知行合一：擺脫痛苦的不二法門
電視劇《西游記》里有一個耳熟能詳的情節(jié)：
孫悟空去化齋前，給唐僧畫了個圈兒，叫他不要出圈兒。但最后紅孩兒裝成受傷，利用同情心誘騙唐僧出了圈兒。（我也是和 ChatBot 聊過之后才知道“畫圈兒”這個戲原著里沒有，是電視劇獨有橋段。）
套用之前的理論：唐僧去西天就是一個時間跨度很長的決策執(zhí)行過程，這個過程中充滿了未知，稍不留神就會做出與風險不匹配的行動。就像開車撞上護欄。
孫悟空給唐僧畫的“圈兒”，就是車道線，也叫安全邊界。
而保證不出圈，就是紀律。
為了達到目標，需要長期穩(wěn)定執(zhí)行策略，為了長期穩(wěn)定執(zhí)行策略，你需要紀律。
嚴格來說，紀律不是為了防止自己犯錯，而是為了讓自己在框架之內犯錯。
所謂框架，其實就是人為設定的“變量合集”。
在框架內犯錯，為了兩件事：
1、為了控制損失。
在已知變量下，你更容易估算出自己做一件事的最大收益和最大損失。
比如在無人區(qū)徒步愛好者中有一個“三人原則”，就是最少要有三人結伴同行。
這樣如果有一個人受傷，可以有另一個人原地照護，第三人去求助。最大損失止于受傷。
如果單人徒步，一旦走入沒有信號的地區(qū)，失足跌落無法行動，最大損失就是死亡。
同理，唐僧不出圈，最大的損失就是同情心遭受煎熬，但西天的未來仍在；唐僧出圈，最大的損失就是被妖怪吃，西天的未來就沒了。
2、為了累積策略。
在已知變量下，你更容易判斷出此次犯錯受到哪個變量影響，從而可以有針對性地改進策略。
如果你在框架外犯錯，本質上你都不知道到底有哪些變量，就更不知道哪些變量與自己此次錯誤相關。那么你不僅承受了錯誤帶來的損失，這個損失還沒換來任何“策略的積累”。
你就是最冤的冤大頭。
這就是巴菲特所說：只投資自己能看懂的公司。計劃你的交易，交易你的計劃。
推而廣之就是：只做自己能想明白的事情。計劃你的生活，生活你的計劃。
重復一下結論：
1）做自己想明白的事情，未必不會犯錯。 2）但這個錯誤可以換來策略積累，讓你朝著正確的目標迭代。 3）“行至西天”才是你的根本目標。為了其他任何“支線任務”而降低接近西天的概率，都是錯誤的選擇。
但客觀現實擺在這里，西天路上真是有很多“魔”。。。唐僧出門就上當，當當不一樣，他也不想，但就是會打破紀律啊！
這是人之常情。
我們的思維就像一條河，隨著支流不斷匯入，逐漸失去的上游的清澈。隨著時間推移，我們打破紀律的可能性在不斷上升。
危險的是，很多情況下我們無法意識到自己的在打破紀律。
由此，你必須用一套*可操作的*行為準則來保證紀律得到實施。
丹尼爾·卡尼曼在《噪聲》中提出了一個“決策衛(wèi)生”的概念。簡單說，他主張做重要的決策時一定要*走流程*。
Daniel Kahneman
這至少有倆好處：
1、走流程會增加你做出決策的成本，從而抑制住過剩想象力引導你做出“輕浮”決定。 2、一旦你真的走流程做出決策，它大概率也是一個高質量決策。
卡尼曼把決策中的噪聲分為很多類，其中影響最大的是“穩(wěn)定模式噪聲”。這種噪聲來源于你的成長經歷所塑造的世界觀、行為習慣以及思考偏好。
在我看來，這有點兒像佛教唯識宗里講的“阿賴耶識”里“有漏種子”的概念。
由于生活經歷的復雜性，以及多因素之間的糾纏，要描述自己的“穩(wěn)定模式噪聲”非常難，而且?guī)缀醪豢赡堋?/p>
所以，最好的抑制噪聲的方法就是放棄“端到端輸出”，轉而尊重“分段流程”。（在“端到端”備受推崇的今天，這是一個有益的提醒。）
一個簡單的例子就是量表：
你做一個決策，不能拍腦袋。而是畫一張表，它的利弊分別有哪些？列在表上，然后分別對這些利弊打分，然后加起來算總分。
具體到人生只有二十次的那個“大決策組合”。
每當你想做一個新決策時，首先要去判斷和既有的“大決策組合”是否相沖突。如果沖突，就要重新評估一下大決策組合里相沖突的決策。
還是舉個例子吧：
段永平離開北京，意味著要放棄“北京戶口”。這在當時的朋友看來得不償失。
如果為了戶口而留下來，就會和之前的決策產生沖突。
段永平走了一個流程：他評估了一下北京戶口的“價格”，當時值 1 萬人民幣左右。然后他計算了一下自己投入市場經濟可能帶來的收益，應該是遠遠大于 1 萬人民幣。
于是，他維持了原來的決策，否決了新的決策——最終還是去了廣東。
這就是決策衛(wèi)生。
在每一個新決策面前都走一遍“決策衛(wèi)生”流程，就是在遵守紀律。
正是因為堅持“決策衛(wèi)生”，巴菲特在很長的時間里一直不投資科技股，現在看來，這個機制讓他為錯失了非常好的機會，當然也保護他沒有撞到護欄。
把自己的行為限定在一個圈子里，在很多時候是違背直覺的，這會帶來純純的痛苦。
那么，我們就該強行忍受這種痛苦，閉眼待在既有的圈兒里嗎？
當然不是。
如果你是唐僧，最好老老實實呆在圈兒里，如果你變成了孫悟空，就不用待在這個破圈兒里了（你的圈兒擴大到了如來佛的手掌那么大了。）
之所以每次都要不厭其煩地走“決策衛(wèi)生”的流程，而不是簡單固守之前的決策，就是因為你走完流程之后真的有可能改變之前的決策。
什么情況下你會改變之前的決策呢？
第一種：你得到了新的信息。
第二種：你的“世界模型”進化了。
實際上，每當你使用“新版世界模型”對之前的決策做校驗的時候，無論是否改變策略，你的安全邊界其實都是在擴張的。
于是，我們又回到了第三章的內容。你必須通過（和 AI 一起）學習來改進對世界的建模，由此才能擴展安全邊界。
反過來說，當你感覺到痛苦的時候，并不是該“出圈”鍛煉膽量的時候，而是該“擴圈”，也就是通過輸入高質量數據來學習的時候！
巴菲特還有一句名言：我一生中最好的投資不是買了哪只股票，而是不斷地投資自己。
這里的心法極為簡單：
1）永遠保證在安全邊界內正確行事； 2）時刻精進自我，擴大安全邊界。
只要你真正理解了底層原理，去踐行也并不困難。
在中文里，有一個更加優(yōu)雅的詞匯形容這個狀態(tài)——知行合一。
（六）一代人沖出戰(zhàn)壕
最后，讓我來實操一把“知行合一”。
我決定就以上幾章的思考和 AI 進行一番探討，看看我是否能在“AI 奴隸”的幫助下，真正對生活方式做點兒改進。
我選擇的奴隸是 Grok。
我問它：對于個人來說，《苦澀的教訓》中所揭示的 AI 訓練方式在日常生活里有哪些實踐方案？
他給我想了三個方法：
一、把生活變成“梯度下降游戲”。
具體來說是這樣：
1）定義你的核心目標池，例如：金錢、健康、創(chuàng)作、關系。
2）用電子表格把所有的行為的時長記錄下來——睡眠、運動、閱讀、寫作、社交，等等。
3）每 2-4 周讓 AI 幫你做一次“損失函數評估”，哪些變量和你的核心目標相關性最高？然后減少低相關性的行為，增加高相關性的行為。
二、把勞動盡可能外包，自己只做“搜索空間設計”。
在日常工作中，你要越來越像一個“AI 訓練師”。
你的核心能力變成：定義目標函數 + 提供高質量數據 + 設計獎勵機制，而非親自執(zhí)行。
例如，把圖片制作交給 Midjourney，你來精修；把代碼交給 Claude，你來驗收；把重復工作交給 Zapier，你只定義觸發(fā)條件。
三、用“生成-篩選”替代精雕細琢。
讓 AI 先做 100個垃圾出來，然后從中挑選 3 個可救的，精修這 3 個。
接受 97% 的產出是垃圾，但剩下 3% 會碾壓所有“完美主義者”的 100%。
我把這三個方法也送給你。
作為普通人，進入新大航海時代的廣闊洋面，大概都要對現有的生活和工作方式進行巨大改造。而且每個人的改造方式都是個性化的，這意味著巨大的投入、不確定性和不安全感。
但別忘了我們的“中庸”和“知行合一”。
你需要為高置信度的未來匹配相應的資源。（這才是安全的終極來源。）
在我看來，過去 20 年的生活方式塑造了我們太多對“確定性”的執(zhí)念，它已經無法適應未來的 20 年。
我曾經在中介紹過計算機科學家沃爾夫勒姆的研究：
在復雜系統(tǒng)中，因果關系極為不清晰，甚至可以說不存在因果。
假設你重復在南美蝴蝶煽動翅膀之后觀察到一個颶風，那么你不必搞清中間的傳導過程（你也大概率搞不清），而是可以直接用模型標定二者的相關性，然后利用相關性達到你的目的。
抖音賴以成功的推薦系統(tǒng)的工作原理就是如此：
一個內容在小規(guī)模用戶群里收到了大量點贊，就直接推給更大的用戶群，如果仍然獲得高贊，就推給更大的用戶群。
從頭到尾，抖音完全不用知道這個視頻內容為什么被喜歡，甚至就不用知道視頻的內容是什么。（只要它合規(guī)，愛是什么是什么。）
正應了“股票大作手”利弗莫爾那句話：看到信號立即采取行動，而不是搞清楚原因再動手。
在一個變幻莫測的大時代：你要訓練自己搞不懂“因果”的前提下，可以依賴“相關”繼續(xù)行事。
這次 AI 浪潮中，美國和中國的科技斷崖式地領先于歐洲和日本，在我看來，與這兩個國家承繼了互聯(lián)網時代的*工程師思維*密切相關，那就是：盡可能用“相關性”（How）而非“因果性”（Why）來制造系統(tǒng)。
先不預設立場，允許各種形態(tài)的創(chuàng)新生成，讓子彈飛一會兒，最終再根據頂層意圖進行篩選。（而非從一開始就把所有的發(fā)展路徑都推導清晰。）
這種利用“不確定性”進行經濟治理的方式，不和我們利用 AI 大量生成，然后再做篩選-精修的過程完全一致么？
作為地球 Online 的玩家，我們可以期待的最好結局也許是：
人類將會利用能源驅動 AI 和機器人對任何目標發(fā)動“飽和式攻擊”——所有創(chuàng)意都可以被迅速驗證、實施。
在這個結局里，想象力將會成為最后的瓶頸，能源將會成為唯一的限制。
在這種高效熵增機器的加持下，人類也許將要第一次正式沖擊卡爾達肖夫尺度中的 Type1 級文明。
說實話，這個好結局未必百分百會被（不靠譜的）人類打出來。。。
但“樂觀之篩”強迫我不得不認真思考這個未來。
更具確定性的，也許是未來十年內就會出現的一個 Check Point。
當 AI 頂著生產力拐頭向 12 點鐘方向行進，大量商品被廉價制造，增發(fā)的貨幣會被稠化，滯漲的天花板被捅破，人類有希望再次進入溫和通脹的增長周期。
站在彼處回望，2025 年可能會極為特殊，它是舊劇最后的高潮，新戲鑼鼓的初響。
那時，我們或許可以心安理得地追認 2025 為某種“拐點”。
歷史可能正在轉向，你我都有責任知道這一點。
戰(zhàn)壕的存在，是讓士兵作為掩體，但沒有任何一場戰(zhàn)爭是靠躲在掩體里贏下的。
當時代凌厲的子彈掃射漸漸減弱，那就是一代人沖出戰(zhàn)壕的時刻。
人和AI都在船上
但人心中有遠方
再自我介紹一下吧。我叫史中，是一個傾心故事的科技記者。我的日常是和各路大神聊天。如果想和我做朋友，可以搜索微信：shizhongmax。
哦對了，如果喜歡文章，請別吝惜你的“在看”或“分享”。讓有趣的靈魂有機會相遇，會是一件很美好的事情。
Thx with in Beijing
備案號: