Susan STEM

统计数据

67

文章

0

粉丝

0

获赞

168

阅读

1天前

这个世界对男人还是挺残酷的。这件事情换女方失业，都不是事儿。

#男性 #失业 #性别差异 #社会压力 #不公平

1天前

这本书我今天翻了下，还是学到不少。最深的感慨是，中国眼下的处境，比当年日本复杂得多，是一种多重叠加的压力。日本当年的问题，主要是大学生就业受阻——入口断层。但他们保住了中年群体：大企业正式员工稳定，房贷还能扛，家庭层面有团块世代的资产红利作为缓冲。这样，即便“冰河期一代”受挫，社会总体还能靠三十年的时间慢慢消化债务。而中国现在更危险：不仅大学生“进不来”，中年人也“保不住”。所谓35岁现象，叠加技能老化，再遇上即将到来的AI技术范式海啸，形成“双断层+技术冲击”。我听到的版本就是中年失业以后，尤其是一些原来中产密集的职位，管理，市场，财务，产品等等，找到同等待遇职位的可能性越来越小。同时，外部环境也远比当时复杂。当年的日本，大企业在全球产业链里依然能持续输出竞争力；而今天的中国，面对的是美国、欧洲等发达经济体自身的需求侧收缩，外部市场并不能提供缓冲。

#中国经济 #就业困境 #35岁现象 #技术冲击 #外部环境

6天前

关于 Vibe coding，我的看法是：无论你是否在职，现在都没必要过多纠结这个问题。它更像是一种长周期的练习，而不是立刻要解开的难题。就像我练长笛时的体会一样。有一首曲子，巴赫的 Bardinerine，难度极高，我从学长笛起就断断续续在练习，并收藏了很多年。但它从来不是一口气能练好的，而是隔一段时间拿出来试试，看看自己到了哪一步。如果把技术发展理解为一条线性增长的曲线，那么在前期“匹配度”不足的时候去硬练，不仅收效甚微，甚至可能适得其反。你和曲子，只有匹配，没有高低。你个人，跟一首曲子争什么高低。 Vibe coding 也是类似的道理。至于它会不会取代你，这个问题没有太大意义。你可能现在比他写的好，也可能比他写的差。但是总有人写的比你好。不管结果如何，先放在一边，做好几手准备，每一手都能让你站在赢家的位置。过去，程序员的纠结主要是“代码写得好不好”“架构是否优雅”。但如今，AI 已经能够生成大部分代码，代码本身已不再是核心稀缺资源。真正的焦虑在于：你是否还能看懂整个系统的结构逻辑，当 AI 快速生成模块时，你能否判断其合理性与可融入性；你是否理解新的业务模型，因为商业逻辑已从“写好产品 → 慢慢变现”转向“结构即业务，协议即商业”，代码只是执行层的皮肤，真正的壁垒在于业务模型与协议设计；你是否完成了角色转变，不再纠结“这段代码是我写的还是机器写的”，而是能否调度结构、验证逻辑、衔接业务路径。换句话说，程序员未来的竞争力，不在于手指敲下多少行代码，而在于脑子能否跟得上结构迁移。business model 已经发生了根本变化，如果还停留在“写代码还是生成代码”的纠结，那就如同工业革命时期还在争论“织布是手工还是机器”。

#Vibe Coding #程序员转型 #AI代码生成 #业务模型 #结构迁移

6天前

抓虱子的猴子：被叙事裹挟的滚滚历史洪流罗宾·邓巴（Robin Dunbar）在“社会脑假说”里提出过一个形象的比喻：猴子抓虱子 = 社会联结的原始方式。灵长类动物要生活在群体中，就必须维系复杂的社会关系，而最基础的办法就是 grooming ——梳理毛发、抓虱子。问题在于，grooming 是一对一的，耗时而低效。群体规模一旦扩大，成本就会迅速飙升，关系网络也难以维持。邓巴由此推算，人类大脑的新皮质容量，大约对应 150 个左右的稳定关系上限，这就是著名的“邓巴数”。那么，人类是如何突破这个上限的？答案是：语言与叙事。语言是“心理抓虱子”，能一次维系多人关系；而叙事则是规模化的社会胶水，把零散的闲聊升级为“我们是谁、我们为什么存在、未来会如何”的结构化故事。叙事让人类能在超越邓巴数的规模上共处，甚至组成国家、联盟、文明。我曾经说过：模因是叙事的碎片，而叙事是一整套结构化的故事，它提供意义、合法性和方向感。叙事不仅仅解释现实，它还能动员资源，塑造制度，决定历史走向。如果要展示叙事的系统性力量，最典型的舞台莫过于冷战。那不是单纯的军备竞赛，而是一场叙事的全面对抗。美国的叙事：“自由世界 vs 极权主义” “市场经济 → 繁荣与民主” 以美国梦、好莱坞文化、消费主义作为软实力苏联的叙事：“社会主义阵营 vs 资本主义剥削” “计划经济 → 平等与未来” 借助工人阶级解放、红色国际主义进行全球动员核武器只是表层威慑，真正决定合法性与动员力的，是两套叙事的正面交锋。这个故事本身已经被反复讲述，但我想用自己的方式告诉你：叙事，不是背景，而是武器；不是附属，而是历史本身。我们来看这幅我在大都会博物馆亲眼见过的作品——杰克逊·波洛克的滴画。我私下管它叫“酱油画”。为什么？因为他那种把颜料一滴一滴甩上去的方式，我在家也试过，发现最好用的工具居然是餐馆里常见的那种大支装酱油、蚝油瓶子——瓶口是尖的，正好能精准地“滴”。那么，波洛克的成名真的是因为画得“好看”吗？你觉得这些线条真的是审美意义上的漂亮吗？其实未必。它的意义并不在于视觉愉悦，而在于他背后承载的叙事。波洛克的滴画，是冷战时期文化叙事的一部分。当时美国需要一个艺术上的“自由象征”，用来对冲苏联社会主义现实主义的“宣传性绘画”。波洛克的作品被包装成“自由世界的艺术”，他的创作方式被叙事化为“个人表达的极致”，是“民主自由精神的象征”。所以波洛克不是单纯靠线条和颜料成名，而是成为了一块“叙事战场的切片”。他的画布，既是抽象的涂抹，也是美国对外文化宣传的武器。在说下去之前，说一条我认为重要的知识：反身性反身性（Reflexivity）是理解叙事、制度和市场循环的关键。由索罗斯提出，它指出：人类的认知和叙事并非对现实的被动映照，而是会反过来塑造现实，形成认知—行动—现实的循环。社会与市场因此不是静态的“镜子关系”，而是动态的“自我实现或自我破坏的预言”。比如多数人相信房价只会涨，就会积极买房，推高价格，进一步强化这种信念，直到泡沫破裂。结论是：市场价格不是基本面的镜像，而是叙事与制度共同作用下的反身性产物。事情说到人人都相信的程度，就让人人把这件事情做成真的了。好，继续说我的，我对于叙事的重点个人看法在于： 1）不要纠结叙事的真假 2）理解叙事，看穿叙事，成为叙事，创造叙事虚的叙事能不能成？能成。所谓“虚叙事”虽然在当下往往无法完全兑现，但它依然具备强大的动员力量，能够集中资源、凝聚信念，并在长期作用下转化为现实的成果。这种情况常见于战争、国家建设、科技竞赛等高风险领域。例如，“美国梦”就是典型的虚实交织。它宣称任何人只要努力就能获得财富与自由，然而在现实中，大部分移民仍然贫困且受歧视。但正是这种叙事吸引了全球移民和资本，形成了美国独特的劳动力与市场优势，并在数十年后催生出真实的经济奇迹。换句话说，即便包含大量虚的成分，它仍促成了美国的崛起。科技竞赛亦是如此。苏联最早把人类送入太空，并将其塑造成制度优越的象征；美国则把“登月”包装成国家必胜的目标。事实上，当时登月的风险极高，更多是政治叙事上的冒险。然而，正因为这种“虚得很大”的目标，美国才得以动员海量资源，最终真的完成了登月壮举。叙事反过来成就了技术。哎等等？登月真的成功了吗？ 2002年，西布雷尔当面对巴兹·奥尔德林（Buzz Aldrin）要求他“把手放在圣经上，发誓自己真的登月过”。当然巴斯没理他，他可是《玩具总动员》里巴斯光年的化身，代表了一代人的美国精神。登月是真是假还重要吗？所以，咱们猴子🐒是真的离不开叙事。人类社会是靠着一个又一个叙事维持、更新、演化的。现在做几道题（直接问AI）：资本主义是叙事还是一种实在的制度？钻石这套叙事是真还是假？什么时候叙事需要换了，没换会发生什么？继续说，科技从来都是裹挟着叙事前行的。蒸汽机是“人类第一次解放肌肉力量”的叙事，电力是“点亮文明”的叙事，互联网是“让世界更平”的叙事。今天轮到 AI，它也必须讲述一个能动员资本、人才与制度的叙事。而在这一轮，美国抛出的就是 “星际之门计划（Stargate）”。这个名字不是随便起的。它甚至是由本国最大的那只…….人物亲自在白宫宣布，背后有一整套极为娴熟的包装：名字来自科幻经典，隐喻是“通往未来的门”，说法精准击中了大众心理与文化想象。这不是单纯的技术发布，而是叙事工程。它背后运作的是一支深谙传媒逻辑、文化符号、战略沟通与民众心理的团队。 AI 的叙事方式，就是把技术框架包裹在宏大的文化隐喻里：它不只是算力与模型，而是“文明即将穿越的入口”。理解叙事，看穿叙事，成为叙事，创造叙事。为什么没人教导你看穿叙事？学校从来不教这类内容。因为叙事本身就是维持秩序的工具，如果人人都能随时看穿叙事，它的动员力就会迅速削弱，整个社会秩序也会随之动摇。因此主流教育、媒体和制度设计，更倾向于训练人们“进入叙事”，而不是“拆解叙事”。叙事的力量需要一种“沉浸感”才能发挥作用。一个故事之所以能调动人群，是因为大家身在其中却不自觉。如果每个人都带着解构的眼光去参与，叙事本身就会失效。因此，社会机制默认培养的是“信叙事”的能力，而不是“看穿叙事”的能力。看穿叙事往往被视为危险。对个人来说，这可能带来犬儒感，让人怀疑一切，进而失去行动的驱动力；对权力来说，看穿叙事则可能意味着挑战合法性，直接威胁既得利益。所以无论是教育体系、宗教传统，还是企业文化，都不会主动把这种技能当成公共课程传授。最后，祝你练就一双看透叙事的火眼金睛。

#叙事 #文化 #社会 #历史 #认知

1周前

人类社会最核心的问题，是协作。但问题在于：怎么协作？如何协作得更好？历史一次次证明，只要在协作方式上能前进一步，无论是生产力还是生产关系，都会发生巨大的跃迁。协作才是人类真正的优势根源。然而个体之间始终存在信息不对称、动机不一致、认知有限，这让协作随时面临瓦解的风险。只要我们大脑不互联，那我们之间唯一能够依赖的沟通工具就是高歧义，高度模糊的语言体系。要想稳定协作，必须解决好信任、分配、裁决这个“三角”：信任：我敢不敢和你合作？分配：成果如何分享，怎样避免有人躺平或过度索取？裁决：当争议出现时，谁拥有最终解释权？如果这三点不能解决，任何协作都会陷入不稳定。因此，这三角是“核心中的核心”，所有复杂的政治、经济乃至技术问题，归根结底都可以回溯到这三个节点。反过来看，历史上凡是有人能够在这几个问题上提供一个更好的解决方案，就必然开辟新的时代、获得巨大的财富与权力。比如：货币与银行体系：解决了陌生人之间的信任问题，让贸易可以跨越地域与时间；股份公司与有限责任制：解决了资本和风险的分配问题，让大规模商业冒险成为可能；法院与宪政制度：提供了权威且可预期的裁决，避免了无休止的暴力冲突；区块链与智能合约：则是当代尝试把“信任”和“裁决”写进算法，建立一种新型的“结构化协作”。每一次解决“信任—分配—裁决”三角的尝试，都是一次新的制度革命。未来的创新，依然会围绕这三角展开。我看待 Crypto，其实是放在“协作三角”这个框架里审视的。首先要声明，我不建议任何人去买币、炒币，也不做任何投资推荐。我的兴趣点不在投机，而在社会与技术层面的探讨——我试图推演的是下一个协议文明。任何事物的发展，在我眼下的时间点上，都像《奇异博士》里不断分叉的可能性路径，或者像《沙丘》中保罗一世喝下沙虫生命之水后没有死的那个版本——是一种潜在未来的展开。可能的路径会必然实现吗？当然不一定。但我们可以推演所有可能出现的情景，并在此基础上提前做好准备与资源分配。这样做能保证一定成功吗？不能。但它至少比一无所知、毫无准备要强得多。有准备的人生结局，总比浑浑噩噩要好。如果有人完全没有认知、只靠运气就能过得更好，那只能解释为“混沌信息论”：在充满不确定性的系统里，偶尔会有人随机走运。但我不愿把未来寄托在概率的盲目摆动上，而是希望以结构化推演来争取更大的主动性。明白？一切进步都必须回到“信任—分配—裁决”三角。当我们面对一个新兴技术或制度时，要问三件事：它解决了哪一条边的问题？（信任 / 分配 / 裁决）它解决得比旧机制更好吗？（效率更高、成本更低、覆盖范围更广）它的改进是可持续且可扩展的，还是只靠泡沫和投机叙事？如果答案是前者，它就是创新；如果是后者，它就是泡沫。 Crypto （我不愿意称之为“币”，哪个大聪明翻译的） 1. 在信任上： Crypto 最大的突破，是提出了一种 “去中心化的信任生产方式”。 👉 比特币就是“信任的数学化”：任何人都可以验证账本，谁都无法随意篡改。 2. 在分配上： Crypto 尝试了一整套新型的激励和分配机制。 👉 Crypto 在“分配”上开了很多实验，但成熟度远不及在“信任”上的突破。 3. 在裁决上： Crypto 尝试了一整套新型的激励和分配机制。 👉 Crypto 在“裁决”上的贡献是提供了自动化的裁决实验室，但远没能取代现实的复杂司法与治理。在这方面，其实Ty兄的文说的非常好。 Crypto 的问题其实也显而易见。在我看来，它不过是结构化与协议化文明的初试水。真正的系统配套——包括法律、监管、基础设施、标准、用户接口等——都还在未来。哪些机制会留下，哪些会被淘汰，还需要时间的检验。在配套不成熟的阶段，市场必然会充斥着试错、泡沫、欺骗与割韭菜。这是历史上所有重大创新在早期都无法避免的母式：铁路投机、互联网泡沫，莫不如此。如果把前面说的三角框架（信任—分配—裁决）和时间观（上一个帖子，30–50 年的成熟周期）放在心里，那么个人程序员的定位就很清晰了。不要被短期的价格起落、代币叙事、热点概念牵着走，而要意识到：真正的价值在于成为未来协议文明的配套建设者。换句话说，今天参与 Crypto 的个人开发者，最有意义的工作不是去写“下一个拉盘的 Meme 币合约”，而是去解决那些能沉淀下来的长期问题：如何让规则和合约可解释、可验证？如何设计公平且可持续的分配机制？如何构建透明的审计、储备证明、合规接口？如何让普通人能通过自然语言或直观界面来理解和使用协议？这些才是真正的基础设施建设，是真正能跨越周期、沉淀为遗产的部分。所以，对于个人程序员来说，最好的时间观就是：把当下的乱象，看作历史的必经过程；把自己放在更长的时间尺度中，专注去打磨那些能穿越泡沫、最终进入文明底层的东西。（2/n)

#协作三角 #信任、分配、裁决 #Crypto #协议文明 #结构化协作

1周前

独立开发当然是好的，但对所有年龄段的程序员而言，最稳妥的路径仍然是：持续去找工作。至于要不要接受一份工作，决定权始终在你手里。找到合适的工作，本质上意味着结构耦合，它是一种清晰的市场验证信号。因为人不是一成不变的，在过去几年里我们每个人都经历了巨变，这些经历和能力绝不是一份简历可以完全解释的。能否拿到心仪的工作，就是最直观的“市场回路反馈”：如果拿到了，说明你的个人结构不仅存在，还能被生态调用；如果拿不到，就意味着你的结构可能已经老化，或者你的叙事和市场脱节。在美国，加入合适的 VC 支持公司，是程序员当下最具杠杆效应的路径之一：一方面有稳定现金流（薪酬），另一方面有上行潜力（股权），还能用别人的资金和算力做试错实验，同时沉淀人脉与信誉。从美国市场环境来看，风投资金已经大量涌入，而前沿应用的岗位结构尚未成型。今天大厂看似理所当然的岗位体系（产品经理、前端、后端、算法、运维…），当年也并不存在，而是通过一次次试错慢慢形成的。所以，现在的 AI 落地场景就等于互联网早期。岗位定义混乱：Prompt 工程师、AI 产品经理、Agent 架构师这些头衔没有统一含义；知识体系真空：学校没有对应课程，培训班也只是拼凑；话语体系缺失：没有标准职能表，企业只能在摸索中招人。相比之下，上一天班就一定有一天的钱，这就是就业最朴素的优势。它同时也是验证体系、学习体系和探索体系的一部分，持续找工作，才能不断刷新和检验自己的结构。转过来看：你以为独立开发就不是一种“工作”了吗？从结构意义上说，它甚至可能还不如在前沿组织里的探索岗位。因为所谓的“独立开发”，从来就不是完全独立，而是从传统雇佣制中跳出来，转而寄托在另一套隐形组织关系中。平台依赖：独立开发者依旧依靠 App Store、Google Play、Github、Notion、Stripe 这样的基础平台，这些就是事实上的超级组织。分发依赖：推特、知乎、Reddit、Discord 等社区构成了营销和获客渠道，你无法真正游离于其外。支付与法律依赖：要通过银行、Stripe、Paypal 收款，要遵守国家的税收与合规法律。所谓“独立”，也许更多的是一种心理身份标签（不依赖单一雇主），而不是实际意义上的完全脱离组织。我相信：超级个体≠孤胆英雄因此，超级个体的最终落点依然是找到组织。如果市场上找不到能容纳你结构的组织，那就意味着，是时候去自己创立一个组织了。连contractor都仅仅是一个过渡形态。

#程序员 #就业 #AI落地 #组织 #市场验证

1周前

“有些人被培养成锋利的工具之后，对自己的角色变得执着，沉浸于外人对其锋利特性之赞许，而无法自拔。” 深有体会。学历，职称，证书，一切能挂在linkedin上的标签。我可以写一篇作文了，叫做：《论一个工具人的觉醒》

#阶层固化：求变之路，殊途同归· 409 条信息

#工具人 #觉醒 #执着 #角色认知 #反思

2周前

尤其是那些张口闭口就骂文科生的，我反而觉得文科生要好好研究一下把一些计算机基础补一下，追上来挺快的。

#文科生 #计算机基础 #学习 #提升 #建议

2周前

昨天看到帖子说“印度人”混的更好了。开口就是prompt. 我认同的。华人，男，理工科。中英文语言能力是个大问题。写，说，全有。连带情商，一张口就是得罪人的。可能是应试教育的副产物。以前是完全是靠学历支撑的。现在不说没有用了，但是这几年都看到了prompt在把人脑可及的流程不断侵蚀。在99.9%同等竞争上，学会说话有绝对的优势。

#印度人 #华人 #Prompt #语言能力 #情商

2周前

问题的核心从来不是“失业”。真正决定就业价值的，尤其是高薪岗位，始终是结构匹配。也就是说，一个人的知识体系、技能体系、认知结构，能否正好与社会前沿的生产力形态对齐，并因此获得相应的报酬。这两位——985 出身、互联网 P7、投行分析师——原本都处在工业时代末尾的前沿结构里，本来还能够维持。然而，AI 的横空出世，瞬间改写了这一切，直接把旧有结构席卷而空。失业并不可怕，可怕的是：整个同等结构都没了。

#失业 #结构性失业 #AI #互联网P7 #投行分析师

2周前

我在这方面的看法和迈克很接近，正好今天也想谈谈。如今，无论在职还是不在职，开发者都必须全方位调整自己的业务与工作范式，因为这个问题迟早要面对，而且很多范式已经进入倒计时阶段。今天看了木头姐的讲座，她也在强调这一点。我甚至认为一大批计算机专业毕业生，可能正好赶上范式转变期，再加上学费贷款等现实压力，没法停下来进行再调整，结果将来可能再也无法从事本专业。我自己也处在调整期，没有人能准确告诉你未来的范式究竟会如何，所以我也不再劝别人去学计算机了。问题在于，一切发展得太快了。我既不是冒险家，也不是保守派。从小接受的教育是，要站在信息浪头，但同时找一个安全的地方藏身。我认为，现在开发者面临的最大风险，就是投入大量时间开发的成果，可能会被模型的内化浪潮瞬间淹没。因此，除了手上那个“工程”（暂时不透露），我不会再启动任何新的开发项目，而是将主要精力转向“符号”。我目前的重心是“符号积累”。我其实这段时间一直在讲这个事情，包括as code, 协议，其实都是未来范式中“符号”的一部分。我的目标是不跟风、不试错、零浪费。作为一个中英文符号高手（咳咳😅），在AI前途和盈利模式不确定的阶段推演出多条可深耕的路径，我有两层：范式不依赖层（无论技术走向如何都成立）范式对接层（某些方向一旦成熟，可以立刻切入）在法律与合规、金融与风控、医疗与健康、制造与供应链、教育与培训、能源与基础设施等领域——这些我过去多次提到过的方向——都普遍存在“范式不依赖层”。简单来说，就是那些目前已经以自然语言存在、但仍需要大量工作才能转化为人机共通语言的领域。例如，将法律条款进行逻辑结构化处理，转化为清晰的 If–Then 条件链，就是一种典型的范式不依赖层工作。否则就算真正Rule as Code那一天到来了，也是符号缺失的。

#开发者转型 #AI风险 #符号积累 #范式转变 #人机共通语言

2周前

App卖不动了，然后呢？我推演了一种AI泡泡这个问题我是真的很想搞清楚，也是我这几周集中准备研究的重点。跟进这条线也是我现在安排的主线任务之一：推演，押宝，收集这条线上所有的资源。 App 卖不动，本质上并不是因为大家突然不喜欢用软件了，而是因为分发逻辑、用户习惯以及价值交付模式都发生了根本变化，让过去那条“装一个 App → 形成留存 → 再变现”的路径逐渐失效。如今 iOS 和 Android 的入口层被平台牢牢掌控，App Store 与 Google Play 的曝光越来越集中在头部应用，新应用几乎很难自然获得流量。同时，入口被超级 App 吞并——微信、抖音、支付宝等已经演变成“操作系统之上的操作系统”，用户的许多需求可以直接通过小程序、内嵌网页解决，不再需要额外下载独立 App。再加上AI 与 Web 化降低了‘必须下载’的门槛，生成式 AI 可以直接通过网页或多平台插件调用功能，PWA（Progressive Web App）更是让网页具备了接近 App 的体验，从而绕过下载环节。这些现象几乎成了行业共识。但我是真的经历过那个“万物 App”的年代，当时人人都在学 Kotlin 开发移动应用。如今的变化在商业层面表现得更为明显：获客成本飙升，广告投放、应用商店排名、网红推广成本高得吓人，小型开发者很难回本；生命周期缩短，用户可能只用几次就卸载，因为功能容易被替代，除非形成完整生态，否则靠单一功能长期留住用户几乎不可能；商业模式趋同，过去依赖订阅、内购、广告三种模式就能赚钱，如今同质化竞争严重，用户的付费心理门槛也在不断提高。别说用户，就拿我自己来说，如今也很少再去下载新的 App 了。从“下载占有”到“即用即走”。首先是安装疲劳——手机里已经有几十个常用 App，对新增安装天然抵触，“能用现有 App 搞定就不装”；功能期望提高——用户不再愿意为一个孤立功能单独安装 App，他们希望这些功能能够嵌入到自己已有的生态体系里，比如微信、飞书、Teams、浏览器插件等。但是AI界面总不能承载所有功能吧？如果 App 外壳化 / 接口化已经成为不可逆的趋势，而 AI 窗口（Copilot、对话框、Agent Hub）又无法承担所有职能，那么下一个真正的入口/窗口必然会是更贴近具体场景与数据流的形态。我的推演方向是，在现有 App 宿主之上，构建一种能够填补 AI 窗口“非万能”空白的应用生态——即场景原生入口（Context-Native Entry）。这种入口不再是独立应用，而是直接嵌入到场景的触发点里。例如，在会议中，日历界面会原生弹出“行动建议”；在设计工具中，用户选中元素时会自动出现 AI 协作气泡；在车机屏幕中，驾驶到达目的地时会直接显示路线与任务执行按钮。它有三个显著特征：第一，零跳转，用户无需离开当前场景即可完成任务；第二，数据即时可用，上下文数据已经在场景内，无需额外授权；第三，执行闭环内建，任务完成后可自动将结果回写到对应的数据源（如 CRM、ERP、日志、交易记录）。我画了两个示意图：主界面就是宿主（host environment），可以是日历、项目管理软件等；旁边的“泡泡”则是上下文触发的操作入口，而这个泡泡正是未来全球应用开发者共同参与的生态。它看起来像插件，但用户无需安装，由宿主内的 AI 自主决定何时调用。 Calendar: 宿主host environment Action items: 泡泡（AI自由调用，其他开发者开发）这种生态的核心特征包括：能力模块化——功能以插件、微应用或结构卡形式存在，每个模块可以独立更新与授权；用户既可固定常用模块，也可临时调用一次性模块。上下文可迁移——身份、任务、数据、历史操作等上下文信息在不同模块间无缝传递，避免重复输入。 AI 编排驱动——用户既可直接点击模块，也可用自然语言输入目标，由系统自动选择和组合模块执行。多入口混合——既支持传统图标，也支持场景气泡、任务栏、语音指令等多种入口，根据任务性质动态显形或隐藏。半自主闭环——简单任务可自动执行，复杂任务在关键节点需用户确认，执行完成后结果自动回写到对应数据源。这意味着，未来的应用形态不再以“下载一个 App”作为起点，而是以场景驱动的即时入口作为载体，AI 在背后完成能力调度与组合，用户在前端获得零跳转、上下文贯通、结果可闭环的体验。如何成为宿主以及泡泡的触发机制要理解如何让一个应用从“功能提供者”升级为宿主，并能在合适的时机触发上下文气泡，需要先明确宿主的定义和运行机制。宿主环境 = 上下文源 + 触发点 + 执行容器 + 用户界面它承担的是一个舞台的角色，为能力模块（Capability）提供完整的执行与交互环境，包括：触发契机——明确什么时候启动能力（事件触发、条件满足、用户操作等）；上下文数据——运行前必须知道“是谁、在做什么、涉及哪些资源”；执行通道——调用外部能力所需的网络、权限与运行时容器；显形界面——用户可见、可操作的 UI（气泡、侧栏、提示条等）；回写目标——执行结果要存回的权威数据源（如 CRM、ERP、文档、日志等）。如何让任意应用成为宿主为了具备承载外部能力和触发气泡的能力，一个应用至少需要以下四个开放接口与结构：触发点 API：允许外部能力监听特定事件，如用户操作、状态变化、定时器触发、数据更新等。例：会议开始前 2 分钟、文档被选中一段文字、车辆进入充电站。上下文 API：提供标准化接口，让外部能力读取必要的上下文信息，如当前用户、选中对象、会话内容、位置等。必须保证数据最小化原则，并在用户授权范围内暴露。执行 API：提供安全可控的调用方式，让外部能力可以在沙盒环境中运行，并具备函数调用、网络访问、跨模块通信等能力。支持权限校验和费控机制，防止能力滥用资源。 UI 插入点：为外部能力提供可嵌入的位置，用于显形气泡、侧边栏、弹窗、HUD 等不同形态的 UI。插入点应与上下文事件绑定，保证用户交互自然、即时。 “泡泡”触发的全流程当宿主具备上述条件后，一个上下文气泡的触发与执行过程通常如下：事件监听：宿主通过触发点 API 监测到某个场景事件（如会议即将开始）。上下文构建：宿主调用上下文 API，生成包含当前用户、任务、数据等信息的标准化上下文对象。 AI 决策：宿主内的 AI 调度器基于上下文，筛选最匹配的能力模块（可从能力目录中动态检索）。显形触发：在 UI 插入点上显示气泡，提示用户可以执行的操作（或直接开始执行低风险任务）。能力执行：调用执行 API，沙盒运行外部能力，并实时更新执行状态。回写闭环：任务完成后，通过宿主的回写通道，将结果存回权威数据源，并刷新宿主界面。只要协议畅通，全球开发者有能力的开发宿主，能力弱的开发泡泡，组合是天文数字量级的只要协议畅通，这个由全球开发者共同构建的“巨型开发、应用与工具网络”就能进入几乎自我扩张的状态——它会像互联网早期的 TCP/IP 一样，把原本彼此孤立的能力和数据源接入同一张网络，让调用、组合与分发成为默认能力而非额外集成。能力强的开发者可以构建宿主，承载和调度多种外部功能；能力弱的开发者也能专注于制作单一“泡泡”模块，被宿主按需调用。一旦协议统一了能力卡、上下文、权限和回写机制，任何能力都能被任意宿主直接使用，不同开发者产出的功能无需点对点适配即可自动兼容，AI 调度器也能跨厂商、跨领域、跨设备自由编排执行链。分发将彻底自动化——不必依赖人工搜索、下载或安装，能力会在符合上下文的场景中自动显形，高质量的能力会被宿主和 AI 持续选用，新能力一旦注册就能零延迟进入全球可调用范围。这种模式会触发生态自增强效应：接入的能力越多，可组合的可能性越多，衍生出更多新场景；每次闭环执行的结果都会回写到数据源和特征库，使下一轮决策更精准，吸引更多调用，形成“数据—体验—调用”的正反馈飞轮；协议的统一也意味着一次改进可在全网生效。与此同时，生态的边界会不断开放——宿主可通过协议变成流量与上下文的枢纽，小型开发者可以靠单一能力卡或场景编排持续获利，平台还能围绕调用和数据确权发展出分润、信誉、质保、治理等全新商业模式。换句话说，只要协议打通，组合空间就是天文数字级的，调用、分发和优化会自动发生，整个生态会以互联网式的速度与规模爆发。这个“协议畅通 + 宿主/泡泡”模式，其实针对的是现有 App 开发和使用模式中的几条核心瓶颈，而且它的结构设计正好能逐一化解。 1. 分发和获客瓶颈现状 App 必须依赖应用商店、广告投放、内容引流才能被用户发现。新应用进入成本高，获客成本（CAC）居高不下，小团队往往无法回本。分发渠道高度集中，头部应用占据曝光，大多数 App 没有生存空间。突破方式在协议畅通的模式下，能力（泡泡）不需要用户搜索、下载、注册，而是由宿主在符合上下文时自动分发显形。分发入口变成多点分布（各种宿主和 AI 调度器），降低依赖单一渠道的风险。新能力一旦注册，就零延迟进入全网可调用范围，被动获客。 2. 集成和适配成本瓶颈现状不同 App、系统、行业的数据和功能接口差异巨大，需要大量定制化集成。跨系统协作需要重复开发“胶水层”，浪费时间和人力。突破方式统一上下文协议、能力描述协议、回写协议，让不同宿主和能力模块之间天然互操作。开发者一次接入协议，就可以在所有遵循该协议的宿主中运行，不必逐个适配。 AI 调度器在运行时动态组合能力，无需提前硬编码集成关系。 3. 功能封闭与长尾需求瓶颈现状 App 功能由开发团队预先定义，长尾需求（小众场景）很难覆盖。用户经常需要跨多个 App 来完成一个任务，效率低下。突破方式协议化能力可以被 AI 自由组合，一次性生成专属于某个用户、某个上下文的任务链，哪怕这个链只执行一次也值得。小众能力也可以生存：哪怕调用量很低，只要在某个链中被用到，就能产生价值并获得分润。 4. 更新和迭代瓶颈现状 App 更新周期长，功能迭代慢，用户必须整体升级 App 才能获得新功能。功能和数据常常被锁死在 App 内，迁移和重用困难。突破方式能力模块化后，每个能力卡或泡泡可以单独更新、单独授权。改进一次能力，就能立刻在全网生效（所有宿主和链路同步受益）。数据闭环让优化路径自动收集反馈，形成持续迭代的飞轮。 5. 用户交互路径瓶颈现状用户必须主动切换 App 才能完成任务，跨场景跳转造成体验中断。每个 App 的 UI 逻辑不同，学习成本高。突破方式场景原生入口（泡泡）直接嵌入用户所在的任务上下文，无需跳转。宿主负责 UI 容器统一化，外部能力复用相同的交互模式，降低学习成本。一句话总结这个模式克服了分发集中、集成昂贵、长尾难覆盖、更新迟缓、体验割裂五大瓶颈，让开发者专注能力本身，让用户在场景中即时获得可组合、可闭环的服务。（1/n)

#App生态 #AI #场景原生入口 #协议互通 #开发者生态

2周前

我曾设想过用许多不同的角度去分析我所了解的 Palantir 和科技右派：想想还只能是哲学但无论从哪一条线索切入，都无法完整呈现 Peter Thiel、Alex Karp、Palantir 以及“科技右派”这一组名词背后交织出的复杂度与多层次性。科技右派的崛起，在我看来，是当代最值得关注、也最具影响力的科技势力之一。这股力量强大到，让我本能地觉得必须在这个棋盘上落一子。需要先声明的是，我在写作和研究时，并非以立场为先，而是因为感受到了这一股势能——它足够深刻、足够强劲，值得投入未来几十年的时间去跟踪、分析与理解。理解这股势，理解它的哲学与范式，不仅有助于看清未来技术演化的方向，更能为那些尚未成形的技术项目，在关键时刻落下一枚有分量的棋子。正因如此，我切入 Palantir 的第一个分析帖子，绝不可能从维基百科式的“公司做什么、历史如何、业务布局、技术实力、客户构成”等信息开始——这些问 AI 就能得到。我认为，进入 Palantir 的最佳入口，是将它视为一家科技哲学的分析案例，因为它的哲学将深刻而长远地影响这个世界。但无论现在如何解读，都是无法获取全貌的。只能跟进，不能完全理解。科技哲学家：两位非典型科技领军人物提起“科技大佬”，你脑海里浮现的是什么形象？是穿着帽衫的理工宅男？是木讷内向、智商爆表的数学天才？如果是这样，那 Peter Thiel 和 Alex Karp 显然都不符合这种刻板印象——他们都不是理工科出身，而是用哲学思维去探索世界的科技领军人物。Peter 出生在德国法兰克福，小时候随父母移民美国，毕业于斯坦福法学院，带有浓厚的精英主义色彩，是典型的“硅谷技术右派”，强调资本效率与结构创新的制度力量，商业履历横跨 PayPal 联合创始人、Facebook 早期投资人和 Founders Fund 管理人。Alex 出生在纽约，父亲是犹太人，母亲是非裔，本科读法语，毕业于哈佛法学院，之后在德国法兰克福大学攻读哲学博士，专攻新古典社会理论（neoclassical social theory），导师是法兰克福学派成员。他曾深受欧洲左翼思想的熏陶，但进入企业领域后展现出强烈的现实主义与国家安全观，没有硅谷工程师的典型背景，更像是一位政治哲学家与 CEO 的结合体。在意识形态上，Peter Thiel 代表着“技术主权 + 结构右派”：他相信科技决定论，认为西方陷入技术停滞，需要推动核能、航天、人工智能等领域的突破；他批判全球化的反乌托邦倾向，对多元文化主义与过度民主化保持怀疑，强调国家竞争与文明冲突；他主张一种结构化的自由主义——自由市场与技术精英治理并行，制度竞争力优先于意识形态；他支持利用技术平台构筑国家安全护城河，增强美国及盟国的战略优势。 Alex Karp 则体现着“现实主义安全观 + 法兰克福学派残影”：他承认技术的双刃剑特性，认为在正确制度下，技术可以成为民主的防御工具；他强调制度与透明性，尽管 Palantir 与情报机构深度合作，他依然坚持可问责性和民主社会的授权边界；他带有欧洲式的社会民主情怀，对美国极端自由市场有所保留，支持国家在社会福利与公共安全中发挥作用；他反威权却强调强安全，在俄乌战争和反恐等议题上立场强硬，认为软弱的防御会摧毁民主社会。两人在理念上交集显著：都坚持技术民族主义，视科技为国家竞争的核心资源，反对其落入战略对手之手；都将安全视为首要任务，无论面对恐怖主义还是地缘冲突；都信奉精英驱动的决策模式，相信应由少数具备结构洞察力的高素质群体引领战略走向。好，停！这里必须讨论一个我认为技术人需要想一下的概念。你认为技术是如何演化的？技术达尔文主义 vs. 结构设计主义你有没有想过，技术究竟是像达尔文的生物进化那样——完全依赖随机变异与环境筛选的被动过程，还是可以通过结构化设计与战略性推动来塑造？在达尔文模型中，技术被视作“技术方案或产品”的集合，先产生变异，再在市场竞争中经历优胜劣汰，环境——包括规则、制度、接口、审查、资本约束——只是外生的常量。而在结构驱动模型中，技术的基本单位不是产品，而是“协议与边界条件的制定权”：标准、API、合规规则、补贴与采购门槛、威胁模型、数据分级等，谁能掌握这些，就能重新定义“适者”的含义，并重塑竞争的地形。纵观人类工业技术的演化史，我的判断是：技术既不是完全自由演化的，也不是完全人工设计的，而是处在一个“可设计的演化区间”中，并且在后AI时代“结构文明”框架下，这种状态会持续下去。技术的自由演化，更像是在一个预先设计好的“竞技场”里进行自然选择；设计不是万能的，但只要能写协议、设边界，就能在很大程度上“塑造自然”。这也是 Palantir 与 Thiel–Karp 模式的本质：他们不会等待技术在大市场中自行进化，而是直接制定规则，占据协议层，让演化结果向自己预设的方向倾斜。因此，技术并非在所有情况下都被完全设计，但重要技术的走向，往往是被刻意塑形的。 Thiel–Karp 模式：要抢，而且我会抢从一些看似简单的动作里，其实很容易看出 Palantir 完全认同“协议要抢”的理念。Peter Thiel 在他唯一的一本书里（真的就是唯一一本），就强调自己只会去做别人不仅追不上、甚至连追平都不可能做到的事情，因为在他看来，无意义的市场竞争本身就是——无意义的。协议的制定并非自然而然形成的共识，而是争夺、绑定、锁定的结果；谁先写下协议，谁就有权定义未来“适者”的含义。 Palantir 在协议抢占上的路径非常清晰：它先快速嵌入情报与国防系统，直接占据国家安全数据融合的事实标准；再通过 Foundry 切入商用市场，把同一套数据权限与分析协议移植到能源、制造、医疗等领域；最后借助 Apollo 的持续部署机制，把更新能力本身变成协议的一部分，掌握系统升级、功能演进乃至淘汰的最终决定权。这种极具 alpha male 气质的做法，并不是今天才出现的新鲜事，而是延续了百年来技术与主权嵌入的传统。在近代工业标准化阶段，英帝国海军造船标准让船只零件规格统一，在全球殖民地快速维修补给，从供应链层面协议化了帝国的工业体系；德意志铁路轨距与时刻表则通过统一规范，把军运和经济运输绑定在国家战略的轨道上。进入信息与通信协议时代，电报与摩尔斯码在 19 世纪中叶成为全球唯一通信标准，谁控制电报线路，谁就控制信息流；TCP/IP 在 1970–1980 年代不仅确立了互联网技术标准，还嵌入了开放互联、分布式冗余的价值观，一旦被全球采纳，就几乎无法替换。在军事与地缘战略领域，GPS 由美国国防部在 1970 年代开发，虽然后来开放民用，但保留了核心主权控制权（可在特定区域降低精度甚至关闭），让全球用户在依赖的同时，命脉仍握在美国手中。SWIFT 作为全球银行间支付清算系统，将金融信息传输协议标准化（ISO 9362），并内置政治制裁功能，可将成员国排除在国际结算网络之外。F-35 战斗机体系更是军事版的“平台锁定 + 协议嵌入”，不仅依赖硬件，还通过软件与后勤网络把零件、升级、维护全部绑定在美国的认证与供应链内。在商业领域，苹果 App Store 与 Google Play 的分发协议与审核规则，本质上也是商业主权的一部分，直接界定了哪些业务形态可以存在，哪些会被彻底封杀。Palantir 只是把这种早已存在的“协议即权力”的逻辑，推向了数据、算法与决策结构的核心位置。那又怎么样呢？以前抢了现在继续抢，那现在又有什么特别的——特别在于科技右派如何看待AI，以及AI范式下他们打算抢什么。在科技右派眼中，AI 从来不是一件中立的工具。他们不会把它看作单纯的计算能力，而是一个可以嵌入价值观、权限结构与战略优先级的执行器；它不仅能算，更能在运行中执行特定的政治与文明逻辑。在这种视角下，AI 还是一种主权延伸器——训练数据的选取、推理路径的设定、决策边界的划定，都是主权版图的一部分。谁掌握了这些，谁就能在未来的制度运行中占据主动。此外，AI 对他们来说还是一台规则编译器：如果协议是“文明的源代码”，那么 AI 就是即时编译并执行这些代码的引擎，一旦逻辑模板被写好，运行过程中就会不断强化设计者的价值观。因此，在 AI 范式下，科技右派想要“锁定”的，并不只是接口或市场份额，而是智能运行的底层条件——让未来的机器在他们的规则里“思考、取数、行动、更新”。换句话说，要把“能学什么、怎么看世界、能做什么、谁能改它”全部写进规则里，使智能的运作永远被限制在特定的文明边界之内。围绕这一战略目标，他们会在九个关键环节设下锁链：算力与根信任：通过指令集、加速栈、安全芯片、远程证明与安全启动链，锁住“能不能跑、跑在哪里、谁说了算”。密码学与密钥治理：通过加密算法标准、KMS/HSM、跨域密钥托管，锁住“谁能解密、谁能审计”。数据主权与身份权限：通过数据分级、零信任/ABAC、跨域共享网关，锁住“谁可见、谁可改、何时可流动”。语义本体与标签体系：通过统一的领域本体和标签模式，锁住“世界被如何切分与命名”，即模型的意义坐标系。训练与评测协议：通过训练数据许可、清洗准则、评测基准与安全卡尺，锁住“模型学什么、什么算好”。推理与工具调用边界：通过工具目录、作用域、费控与联网策略，锁住“模型能做什么、能调用谁”。部署与更新通道：通过模型注册表、版本控制、熔断与回滚机制，锁住“谁能改它、何时改、改了可否撤”。采购与合规适配：通过采购白名单、认证体系、审计模板，把“适者”的定义直接写进招标评分表。联盟与条约标准：通过跨国数据/安全协定、行业或军标互认、共同威胁模型，把技术规则固化为长期的政治承诺。在这一整套设计里，AI 已经不只是运算系统，而是被当作文明操作系统的一部分——锁得越深，未来越难逃出他们设定的框架。（ 3/n ）

#Palantir #科技右派 #Peter Thiel #技术主权 #AI规则锁定

2周前

百年麦肯锡：前AI时代最强世界信息结构化处理中心麦肯锡100年都咨询了个啥行了，推友咱都是自己人，不用整那些高大上的套话，麦肯锡这 100 年到底在忙啥？100 年前的世界，电力刚普及没多久，电话、流水线才刚刚进入工业体系，跨国公司屈指可数，全球供应链几乎还不存在，工业管理理论也就刚从泰勒制、福特制起步。而现在，我们生活在一个跨国生产网络遍布全球、供应链金融高度复杂、企业矩阵化管理、全球品牌满天飞、政府—企业—资本深度协作的世界。这背后，有一条非常清晰的“咨询优化轨迹”，麦肯锡就是这个轨迹上的核心设计者和调度员。如果把它的百年历史当成一次长周期的“工业文明结构调度实验”，它做的核心工作就是为全球化工业体系进行结构设计与运行优化——从生产、资本、管理，到供应链、政策、技术路径的全局配置。它像是为全球工业系统编写和升级操作系统：早期帮企业装上预算与财务控制模块，中期设计多事业部和跨国布局架构，后期搭建全球供应链网络，再到近二十年推动数据化管理、精益优化、数字化转型与 ESG 内嵌。因为这种持续 100 年的优化，世界从电气化萌芽期的局部生产，变成了今天的全球一体化、实时协作、指标化管理体系。副作用是系统高度耦合、风险传导极快。但也正因为有了这些被咨询公司塑造的全球结构，AI 时代才有了可以直接接管和自动化调度的基础。我对叙事的历史没兴趣，我们研究过去，是为了谋划和推演未来。所以关键问题是——麦肯锡的结构精华到底是什么？它凭什么和其他顶级咨询机构一起，作为全球最强的大脑，把工业社会的财富和效率放大了无数倍？结构化知识是麦肯锡的精华要回答这个问题，就得先把“麦肯锡的结构精华”拆开来看。它的核心不是某一套具体的分析工具，而是一种长期积累出来的跨行业、跨地域、跨周期的结构处理能力——它能在不同的经济阶段、技术环境、政治格局下，把高熵的全球信息压缩成低熵的可执行方案，并推动这些方案落地。首先是结构感知。麦肯锡掌握了一套几乎覆盖全球的“信号捕捉网络”，可以从政策、市场、技术、竞争格局中提前嗅到趋势拐点。它不是靠一个分析师的直觉，而是长期项目积累出的数据、案例、关系网络和行业模板的结合。这让它总能比客户自己更早、更系统地看清结构变化。（人家60个办公室遍布全球）。其次是结构压缩。大量的调研和信号捕捉回来后，它们会被套进一套标准化的分析框架（价值链分析、7S 模型、行业矩阵等），把复杂的行业动态、企业现状和外部环境压缩成几个清晰的战略选项和优先级。这一步是麦肯锡的“算法层”，虽然形式是人类顾问的PPT，但本质是一次结构计算。然后是结构调度。光有方案不够，麦肯锡的强项在于能直接影响客户在资本、人力、技术、供应链等方面的资源配置，并且知道怎么让这些决策在组织内部被执行。这依赖它的高信任度人脉网络——政府、跨国企业、资本市场——和它对不同利益相关方的协调能力。最后是跨行业迁移。麦肯锡积累了大量行业的结构模板，可以把某个行业成熟的运行机制直接移植到另一个行业，比如把汽车制造的精益生产理念带到医疗运营，把零售业的供应链优化方法移植到能源行业。这种“结构复用”能力，让它在全球范围内加速了效率扩散。所以，麦肯锡和顶级咨询机构的真正价值，是在过去 100 年里构建了一个全球工业结构的知识库 + 决策算法 + 执行接口网络。它们不直接制造财富，而是通过优化结构来放大财富创造的效率。 AI时代先把人力转成AI 在 AI 时代，这套“结构调度能力”第一次有机会被技术复制、API 化、甚至超越。因为过去需要几百人几个月才能完成的调研、压缩、调度，现在 AI 可以在几分钟内完成第一轮输出，并且实时更新。麦肯锡的百年积累，正好将是我们构建 Strategy as Code、Governance as Code 这些结构文明底座的历史原型。麦肯锡大部分交付居然是静态的PPT和PDF！没错，麦肯锡让我最难接受的一点，就是它的交付物大部分还是静态的。这种静态文档，在交到客户手里之后，并不会直接生效，而是需要经过一层又一层的“翻译”——高层解读成部门目标，部门经理再拆成任务，业务分析师再写需求文档，最后技术团队去实现。等它真正落到系统里，已经是好几道传话筒之后的产物。PPT → PRD 的流程。耗人力无数。你想想，麦肯锡自己没有任何实体生产，没有工厂、没有零售，甚至不碰执行系统，但它全球却养着几万名顾问。对于一个计算机人来看，这个模式最大的“bug”就是信息经过多层人工传递，成本高、易失真、效率低。我们举个具体的场景——你花了 50 万美元（还不算最贵的那种）定制了一份麦肯锡的咨询报告，收到了厚厚的 PDF。接下来你要干嘛？第一步，你得把报告里的战略目标解释给公司高层和核心团队听；第二步，高层再把它拆成各部门的业务目标和优先级；第三步，业务部门找产品经理或业务分析师，把这些目标翻译成可以落地的业务流程和功能需求；第四步，技术部门根据需求文档再写系统设计、数据模型、接口规范；第五步，等系统上线，还要手动对照原战略看看有没有跑偏。在这个链条里，每一步都是人工翻译，每翻一次就可能丢掉细节、误解原意、改动逻辑。等你花了半年、一年去落地时，市场环境早就变了。而在 As Code 的思路下，这份“50 万美元的 PDF”本可以直接变成机器可执行的结构协议：战略目标直接编译成数据契约、规则引擎配置、执行编排，自动分发给相关系统，实时执行和回滚——不需要一层层传话。对不？ API：这还需要推演么？如果他们没想明白这个1，2，3那就完蛋了。麦肯锡最起码，有大量的交付可以做成API。 API 化”就是把原来写在 PPT/文档里的策略、规则、流程，封装成可调用、可组合、可审计的稳定接口。它是把“叙事 → 协议 → 执行”连成一条线的工程化方法。我举一个超级简单的例子：假设你是零售集团的市场部负责人，需要让各地区根据库存和价格弹性来调整商品售价。按照传统的静态交付模式，咨询公司会先给你一份厚达 200 页的 PDF，其中明确写着类似这样的规则：如果库存覆盖天数低于某个阈值且需求预测上涨，就提高价格 2%；如果价格弹性小于 -0.4 且竞争价差大于 3%，则降低价格 2%。接下来，你得先让业务经理读懂这些规则，再由他们整理成 Excel 表格交给技术团队，然后技术团队再将这些规则写进代码并部署到系统中。整个流程往往需要一到两个月，中间还要反复对齐定义和修正口径。而在 API 化的动态交付模式下，咨询公司直接提供一个 PriceRecommendation API，你只需输入商品信息、库存、价格弹性等数据，就能实时获得系统返回的建议价格，不再需要冗长的人工翻译和多层中转。 As Code的未来：在咨询或 As Code 的语境中，API 用清晰的输入/输出、版本和契约（例如通过 IR/DSL 转化为 OpenAPI、GraphQL、gRPC 等形式）将业务策略、规则、数据分析与决策逻辑封装成服务，使其能够被人和机器一致地调用、组合与结算。它的目标是在 PPT → PRD → 系统之间大幅缩短那层“人工翻译链”，让信息直接成为可执行的指令，并将“一次性交付”转化为“持续服务”的模式。这样做的好处包括：减少信息在传递过程中的失真，让同一份契约贯穿执行全程；将行业结构单元做成类似乐高组件，方便跨团队、跨组织复用与拼装；确保每一次调用都有可追踪的 trace、SLA、审计与回滚策略（与 GitOps/As Code 的原则一致）；并且能从一次性售卖项目转向按接口、配额或订阅的方式模块化输出咨询能力。从结构文明的角度看，API 是最简单、最直接的一层 As Code——它的作用是将原本抽象、模糊、需要人工解读的规则，封装成机器可调用的结构化接口，实现“输入 → 规则执行 → 输出”的直接闭环。但 API 化更多解决的是执行层的问题，而完整的 As Code 还包括声明层（规则定义与版本管理）、调和层（保持声明态与运行态一致）、观测层（可追踪与回滚）、互操作层（跨系统对齐）等内容。因此，API 可以看作是 As Code 的落地触点或出口端口，但要实现真正意义上的 As Code，还必须把规则的定义、版本、调用、验证与回滚全部纳入同一套结构化协议中。未完待续…. （2/n) 泼一碗冷水——这事没那么简单，这项技术本身也算不上什么惊天动地的发明，你甚至可以问：“既然这么好，为啥以前不做？” 现实是，即便今天 IT 部署成本已经大幅下降，真正推起来依然很麻烦：要统一规则、口径，要跨部门改流程，还要让不同背景的人达成共识。但这并不是我的重点。我的观点是，哪怕它依然复杂、实施周期长，信息技术背后的文明范式已经开始发生跳跃。过去，我们习惯把战略、规则、政策这些高语义内容留在文档和会议里，让它们在人工翻译的多层链路中逐级下沉；而今天，第一次出现了让这些内容直接以机器可执行形式存在的现实可能性。这种变化不是单点的工具升级，而是底层运行逻辑的换代——从“信息描述世界”变成“信息驱动世界”，从“靠人去解读并执行”变成“信息本身就是协议、就是操作”。它的麻烦恰恰说明，这不是一次小修小补，而是一次结构级的迁移。等到这条路径被跑通，成本会继续下降，门槛会越来越低，最终它会像互联网一样成为所有系统的默认形态。这才是我想说的关键。否则我费那么大劲干嘛。

#麦肯锡 #咨询 #AI #结构化知识 #As Code

2周前

知识长什么样？过去，我们以为知识的形态是书籍后来，它转化为电子文档。如今，我们越来越倾向于认为，它的形态是神经网络——一种可以自我关联、不断迭代的结构化认知系统。这种认知的变化至关重要。对一件事理解得越准确，你抵达目标的路径就越清晰。人类曾长期以为地球是方的，也照样活了几百年；但一旦认知被纠正，航海、地理、科学的进步就成倍加速。如果孩子现在AI时代还以为知识长这样就真的有问题。

#知识形态 #神经网络 #认知系统 #AI时代 #认知迭代

3周前

新时代的麦肯锡：信息工作者在结构文明时代真正的炼丹熔炉我认为CS人转型的窗口之一：成为真正的信息工作者（以前你还真不是）工业时代的信息金字塔之巅并不是我心血来潮要去分析麦肯锡，而是一个需要系统投入的长期研究方向。从现在开始，至少一个月，我会集中精力深度剖析工业时代（恰好从麦肯锡成立的 1920 年代，到 AI 崛起的整整 100 年）这个真正全球化的工业文明阶段中，位于最顶端的信息处理机构。以麦肯锡为代表，这类全球顶级的管理与战略咨询公司包括 MBB（三巨头：麦肯锡、波士顿、贝恩）、四大会计师事务所，以及各类专注特定领域的专业咨询公司。同时，我也会分析新兴力量的崛起：Palantir（虽是数据平台，但其政府与企业项目浓厚地带有咨询属性）、QuantumBlack（麦肯锡旗下 AI/数据科学部门）、Bain Advanced Analytics Group（贝恩的数据与 AI 部门）、BCG Gamma（BCG 的数据科学与 AI 咨询部门）。这些新生力量的出现，本身就印证了一个事实：这是计算机科学（CS）从业者转型的关键窗口期，因为理解这一切背后的技术与系统逻辑，对于 CS 背景的人来说，要比文科和商科背景的人更容易。工业文明的三层架构从现代文明的源头看，由于我出生时的中国在人口结构上依然是一个农业国，对于那些已经在工业化顶层运转了近百年的高端咨询机构来说，要洞察它们的生态逻辑并不容易。但从现代工业文明的三层结构来看，麦肯锡的生态位极为特殊：它并不直接生产商品，而是处于工业体系的高阶结构调度层，相当于现代经济的“中枢神经节点”之一. 物质生产层：制造业、能源、交通、原材料供应等部门，将物理资源转化为商品和基础设施。信息与协调层：金融、法律、管理、物流等体系，在全球范围内调配资本、资源与人力。结构与决策层：战略咨询、科研决策、政策制定等环节，负责设计和优化整个系统的运作方式。麦肯锡恰恰位于第三层“结构与决策层”，但它既不是学术机构，也不是政府部门，而是一个商业化的跨行业结构优化中枢。它的功能可以分为三点：结构感知——捕捉全球产业、市场、政策信号；结构压缩——将复杂信息压缩成可执行的战略框架；结构调度——指导客户在资本、人力、技术上的资源配置。在工业文明的生态系统中，麦肯锡更像是一个“超级算法服务商”，只不过它运算的对象不是单纯的数据，而是行业和组织的结构路径。在整个工业生态里，它与其他角色的关系清晰可见：对制造业，它提供战略方向（例如供应链全球化还是回流本土化）；对金融业，它提供行业洞察和投资策略框架；对政府，它参与政策设计、公共服务改革和国有企业优化；对科技行业，它帮助新技术找到可落地的商业模式与市场路径。它并不直接制造产品，却影响着资源配置的逻辑，因此起到“放大器”的作用。这种生态位有几个鲜明特征：跨行业迁移能力——能够将一个行业的结构方案移植到另一行业（如将汽车制造的精益生产逻辑用于医疗运营）；低物质依赖性——核心资产是方法论、人才与信任网络，不依赖重资产；高杠杆影响力——员工不到 5 万，却能辐射全球几乎所有大型企业与政府部门。直到今天，麦肯锡依然是私人公司，2023 年营业收入高达 160 亿美元，纯靠“卖信息”为生。它是工业时代最纯粹的信息工作者形态——某种意义上，也是结构文明的早期雏形。几乎是纯手工静态交付，交付物是PDF和PPT。到底谁才是信息工作者? 信息之神香农早就告诉你了如果从香农的信息论角度精确区分，前 AI 时代所谓的“信息工作者”其实混淆了两类完全不同的角色：信息基础设施建设者与信息内容处理者。香农模型将信息分为两个层面：一是传递信息，即编码、传输、解码的过程，不涉及意义，只保证比特流准确送达，关注信道容量、抗噪性与延迟；二是信息的内容，即信息“说了什么”和“如何使用”的部分，直接关联意义、决策与执行，涉及结构化、解读、压缩、重组与再分发等高阶操作。码农在前 AI 时代，IT 从业者与码农的核心任务是建设和维护信息传递的基础设施——网络、数据库、操作系统、应用框架等，实现数据采集、存储、检索、展示，优化传输效率与系统稳定性。这类工作属于符号层的搬运与处理，类似“信道工程师”，确保信号不失真地抵达，而大概率不参与信息意义的解读与决策设计。相反，战略咨询公司等文科、商科为主的办公室团队才是真正处理信息内容的人，他们收集高熵信息（市场、财务、政策、技术趋势），将其压缩并结构化为可执行的战略框架，再转化为决策建议与资源配置方案，属于语义层与结构层的高阶加工，直接影响现实世界的运作路径。因此，在前 AI 时代，IT 人并非核心的信息工作者，他们掌握的是传输与工具，而信息的“主权”掌握在咨询公司的内容处理者手中。信道与信息是分开的工业时代信道与信息之所以长期分离，本质上源于当时的技术条件、组织分工和经济激励，使得这两类职能必须由完全不同的体系来承担。在技术层面，工业时代早中期的信息传输与信息内容处理依赖截然不同的能力：信道建设需要电报、电话、卫星、网络、数据库等工程技术，核心是物理与电子工程、通信技术；而信息内容加工依赖经济、法律、管理、战略等领域知识，核心在于人文、商科、社会科学的分析能力。由于当时的计算机与通信系统无法处理复杂语义或策略，信道只能负责将比特送达，而内容必须由人类专家解读、压缩并转化为决策。组织上，这种差异被泰勒制与流水线式的分工固化下来：工程师与 IT 部门负责工具、基础设施与数据流动，管理层与咨询公司则掌握信息意义的解读与资源调度，形成“信道保证信息可达，信息处理者保证信息可用”的职能分立。经济上，真正的高价值环节在于“信息如何指导行动”，而非“信息如何送到”，基础设施建成后边际价值迅速下降，而战略决策与结构优化直接影响资本流向与生产布局，回报丰厚，因此咨询公司、智库与管理层位居价值链顶端，信道建设者则长期处于支撑位置。此外，在 AI 出现之前，计算机在自然语言理解与语义分析上能力有限（这才是重点），无法用同一系统同时完成信息传输与信息理解，信道层的工作可用固定协议标准化，而语义层工作依赖人类推理与跨领域经验，难以形式化，最终形成物理层与语义层的天然分离。所以，工业时代的信道–信息分离是技术、组织、经济三方面共同作用的结果：技术上物理传输与语义理解差距巨大，组织上分工体系固化，经济上决策端掌握高价值而基础设施端可替代性强。而进入 AI 时代，这一分离被打破——符号处理与语义处理能力开始融合，IT 人可以借助 AI 直接参与信息内容的结构化与决策生成，从单纯的“信道工程师”转型为“协议设计者”和“执行调和者”，从“造管道”升级为“用管道直接调度世界”，这正是 CS 人接管过去由文科商科团队独占的信息内容主权的关键窗口期。其实你想一下，文科商科是什么时候开始变得不好找工作的？其实就是系统给我们反馈的一个信号。过去几十年，文科和商科背景的人之所以在就业市场中占据高位，是因为他们掌握了“信息内容处理权”——负责结构化、解释、压缩、再分发高熵信息，并据此影响决策和资源配置。而 IT/码农更多是做“信道工程师”，提供信息流动的基础设施。但近十年，尤其是 AI、大数据、自动化决策系统的普及，让系统本身具备了自动处理大部分基础性内容工作的能力：数据的收集、清洗、归档 → 机器自动化行业信息的归纳和对比分析 → AI 模型可以实时完成报告生成、PPT 框架 → 模板化、自动化产出这就直接冲击了文科、商科内容处理者的“低中端环节”，导致岗位需求萎缩。换句话说，系统正在逐步接管他们的“信息结构化”职能。当然现在轮到低端码农了，我们各有窗口，可以各取所长，利用AI融合。所以不要分什么文科理科的了，不转型都完蛋。（1/N)

#麦肯锡 #信息工作者 #CS转型 #工业文明 #AI

3周前

中文也许获得了千分之一的“上牌桌”机会这段时间我系统地探讨了语言学，也逐渐意识到：在 AI 时代，真正的语言学能把个人的机会面拉到几乎无限的尺度，所以我会继续深挖。但先声明，我对“宏大叙事”不感兴趣——再宏大的叙事也只是叙事。我认可的是可结构化、可迁移、可调度、可组合的知识；叙事让人感动完就完了，别代入。这也是我把题目定为“千分之一”的原因：把情绪剥离，只做结构化增量。我们技术人，剥离了情绪，才能做事，才能也许完成真正的宏大叙事里描述的目标。语言学知识：语言自演化铺垫一个基本概念：语言自演化。早在十五年前，我和一位北外的青年语言学者陈同学就讨论过“语言可以脱离说话的人，成为独立演化体”这件事。那时我们并未预见到大语言模型，但我们的设定已经把“语言的演化体”放在“人类社会与国际体系”的框架中，而不是个体层面。在这个视角里，语言更像一种自我驱动、以人类为宿主的演化体；英语的崛起并非人类有意投票的结果，而是在全球演化场中自然胜出的过程。所谓“演化场”，是指：人类社会提供人口迁移、贸易、战争、科技传播等“语言基因交换的通道”；国际社会提供多语种接触与竞争的生态位，例如殖民网络、国际组织与学术共同体；而语言本体作为信息—结构系统，会主动寻找最大传播率与最大生存机会的路径，像病毒寻找新的宿主群落那样。要特别强调：即便不引入计算机，仍必须区分“人类社会”和“个体人”。在我们的设定中，驱动语言演化的是社会结构与国际体系，而非某个说话者的意志。这一点的区分，非常关键。根据这个理论，我们就能分析出英语是如何“上牌桌”的它的崛起并不是偶然，而是自身的“演化基因”与适应策略在全球演化场中的持续胜出。首先是结构压缩与可迁移性：英语的形态变化少（屈折衰退），显著降低了学习与传播的认知成本；它还能快速嵌入不同母语的语音系统与词汇体系，例如印度式英语、新加坡英语、非洲英语等。其次是词汇吸收与适配性：英语几乎没有防御机制，能够无差别吸收外来词，从法语的 café 到日语的 tsunami，都能直接纳入，确保在不同文化场域都留有“接口”。第三是多功能性：既可以作为科学技术的精确表达工具，也可以成为文学创作的审美媒介，更能在商业谈判中充当通用代码。最后是寄生与共生策略：英语在殖民、贸易、科技、娱乐等高人口密度、高信息流量的场域扎根，使自己成为这些领域的默认交换媒介。它的演化路径可以分为四个阶段。第一阶段是殖民扩张，相当于宿主群落迁移。大英帝国的扩张，将英语植入不同大陆的行政、教育与法律系统，第二阶段是工业革命，技术增强了它的传播机制。英语借助科技说明书、贸易合同、机械手册，在工业领域自我复制，把自己写进机器与制度的标准化语言中。第三阶段是美国崛起，成为新宿主的放大器。二战后，美国变成英语的超大信息输出源——学术、电影、音乐、电视、互联网都是它的全球扩音器。第四阶段是互联网时代，进入自我演化加速期。网络协议、编程语言、早期网页内容大多以英语为主，使其借助数字技术实现“去地理化的复制”，不再依赖单一国家。到今天，英语已经呈现出语言脱离人类的迹象。记得立党说过，小语种不用学了。如果一个来自小语种地区的人无法用英语和你交流，那你也没有和他交流的必要了。很残酷但是我同意他。英语的地位无法动摇。切记语言也是一种残酷的世界博弈丛林从世界科技发展的角度看，语言的演化同样是一片残酷的博弈丛林，成千上万的语言在竞争中消失殆尽。即便是曾经辉煌至极的伊斯兰文明，发明了阿拉伯数字的阿拉伯语，在关键科技范式转折节点上也没有获得“上牌桌”的资格。放眼当下，真正能在全球语言竞争中有席位的，也只有2个力量级别的参与者——东方的大国或许还有一搏的机会，西方的大国牢牢占据优势。思考这个问题时，必须尽量摆脱“中文是母语”的惯性，这虽然困难，但很重要。我这些年一直观察语言竞争的底层规则，总结下来有三条生存法则。第一，绑定最新的科技范式。阿拉伯语之所以失势，是因为它没能在工业革命、蒸汽机、现代科学方法论等时代，形成全球化的科技协议；而英语则完成了“蒸汽机—工业革命—殖民—互联网—AI”五连跳，每一次科技平台更迭都完成了语言的迁移绑定。第二，占据全球标准的接口位。只有当一门语言在科学论文、工程规范、数据协议、贸易合同、软件 API 等核心环节成为默认格式，才能拥有全球竞争力。第三，持续生成高质量、可迁移的知识。如果一门语言的产出只停留在文学、文化、宗教价值，而在最新科技和工程标准上贡献不足，就会被挤出全球技术体系。中国在文化输出上的努力，比如孔子学院，并没有在技术层面产生决定性影响；一带一路时期虽然让我有机会在乔治梅森大学免费观看高水准演出，但这种表演的文化成就，并不能转化为科技语言的竞争力。叙事其实没啥用，纯属自我感动。由此提炼出的结构性结论是：过去的辉煌无法保证未来的地位，唐诗宋词的成就无法直接为未来科技竞争加分；科技范式绑定是唯一的保险，必须在 AI 底层协议、模型训练标准、跨语言桥接算法等新接口位上占据一席之地；而接口位缺席就等于出局，一旦 AI 的知识生成、任务调度、跨领域协作全部在英语协议内运转，中文就会退化为一种本土生态语言，在全球科技丛林中失去生存权。这场丛林博弈的残酷性在于：世界语言竞争不是文化比赛，而是技术、经济与制度绑定的资源争夺战。一门语言的母语人口再多、历史文化再深厚，都不构成决定性优势——即使一半的 AI 研究员都是华人，这也不会自动赋予中文全球科技语言的地位。只有在新科技平台的诞生期完成语言绑定，才能真正进入全球科技的长期博弈牌桌。在前500年，中文肯定已错过。这一把目前遇到的唯一机会，如果错过，会不会又失去500年？乾隆和华盛顿是同龄人。如果把语言看作一种在科技范式中竞争生存的自演化系统，那么中文可能处在一个500年一遇的窗口。回望近代，科学范式的起点、工业革命的关键接口、近代全球化的起跑线，中文都缺席了。这几个世纪里，中文没有绑定任何一代全球性科技平台，也就失去了数百年的演化增益。我之所以认为今天或许还有一丝机会，是因为AI是一个以语言为驱动的科技平台，这是历史上极为罕见的——语言本身成为平台内核的科技范式。而且，全球标准尚未完全固化。中文确实有一些原生优势：汉字高压缩度带来的信息密度，高组合性带来的表达灵活，语义模糊性利于多义推理，再加上遍布全球的华人网络。如果这一次再错过，就不是失去10年，而可能再失去500年。 AI的协议锁定效应非常强，一旦AI交互、任务调度、知识组织的底层协议以英语为母语定型，未来几十年甚至几百年的AI技术与产业生态都将围绕英语运行，就像工业革命时代确立的工程规范和法律合同格式延续至今，语言的地位一旦固化，就极难被替代。全球知识生产的语言垄断会随之形成——如果中文不能进入AI知识生成的主流循环，未来全球核心的科研、工程、商业知识将首先用英语生成，再翻译到中文，这种“二手语言地位”会在几代人中被固化。更严重的是，长期的认知生态将被动化。语言是思维与技术的接口，如果未来500年的主要科技符号系统全部用英语构建，那么中文用户的认知工具、教育体系、产业创新都会在一个次级循环里运行，始终处在被动位置。科学革命（错过）工业革命（错过）信息革命（半参与） AI革命（唯一全参与窗口）语言的全球地位不是靠“文化符号输出”塑造的，而是靠“嵌入式结构绑定”塑造的。孔子学院、“文化走出去”、一带一路文艺演出，这些更多是表层的文化展示，这里面的腐败很多官二代甚至拿孔子学院来办工签；而抖音这种平台属于底层交互与生态的嵌入，两者的效果完全不在一个量级。抖音牛逼。这个窗口极小，门槛极高，但是8090后还真有一丝可能性把中文抬上牌桌。咱这代人的素质确实高。80/90 后既见证了中文互联网的崛起——从贴吧、QQ、早期微博到微信——又在学习或工作中深度接触了英语科技体系，包括编程、学术论文和开源社区。能在两种语言协议之间自由切换，理解技术和文化的双重逻辑，这在历史上极为罕见。更重要的是，这一代人中有不少具备工程–产品–内容三位一体的经验：既会写代码，又懂商业模式，还能生产内容或运营社群。这类人才恰好是语言嵌入科技平台的关键，因为他们能从底层协议一直打通到用户体验。同时，他们兼具全球视野与本土执行力——既有大规模出国留学的背景，又参与过国内互联网的高速发展，既懂全球标准，也熟悉中文生态的快速试错节奏。然而，机会虽在，可能性却极小。这个时间窗口或许只有 5–8 年。如果 80/90 后这一代无法在这段时间内完成一次技术标准与语言协议绑定的突破，那么中文在 AI 时代的全球结构语言竞争中几乎必然再次缺席。那“一丝”机会，正来自于语言即接口这一历史罕见的科技范式，以及这一代人所独有的“双栖”能力。这是我个人的判断。但是具体实施的可行性，并不是我个人的能力能够推演的。我只能持续观察，并且把文章写出来而已。中文的缺点那缺点真是一箩筐。我因为出国时间太久，这方面肯定不如国内的推友了解，像防火墙这样的机制更是完全搞不懂。但单从数据看，中文在全球互联网内容里的比例小得惊人。按 W3Techs 2024 年底的统计，以网页语言计，中文（简体+繁体）大约只占 1.4%–1.5% 的全球网站内容；而在大型语言模型的训练集（如 Common Crawl、Wikipedia、书籍、新闻）中，中文占比通常也远低于中文互联网用户在全球的比例——以 Common Crawl 数据为例，中文内容只占 1.2%–1.5%。更关键的是，在学术论文、专利、工程标准、技术文档等高质量、结构化的语料中，中文的全球占比更低。SCI 收录的中文论文不到总量的 1.5%；国际专利文献中，以中文提交的专利大约占 5%–6%，且多数都有英文版本。从这个角度看，用“弱爆了”形容中文的全球存在感，恐怕都算是委婉的。

#AI革命 #中文 #语言演化 #科技范式 #80/90后

3周前

我佩服的女人：大学同学，来自农村。还有弟弟，家境极端贫困。在女孩子最容易分心的13-18岁，咬着牙一边照顾弟弟一边读书，考上了北京的985。在那个消费还不算太高的年代，靠着学校的补助和自己做家教的钱，硬生生把自己供毕业，还供了弟弟上大学。我们班没人不佩服她。她用智慧，坚韧，隐忍，给自己改命。性格乐观，没抱怨过自己的原生家庭。我出生的时候，按人口算中国还是个农业国。自上而下最普惠且成功的女权，是高考制度。好好学习，对于绝大部分人来说，还是一条最可靠最回报可期的投入。

#农村 #教育 #女性 #奋斗 #乐观

3周前

我感觉GPT-5还是不错的。我现在的关注点不是代码能力，我反而认为代码能力的解决没有悬念。我关心的是能给我多少shit you don’t know you don’t know, 而且都是和验证可迁移的结构。

#GPT-5 #代码能力 #未知领域 #知识迁移 #积极

3周前

我有一个强烈的体感：人对时间的主观感知，实质上与信息的吞吐量息息相关。这三年，对我而言信息密度极高，冲击极大，我投入了大量注意力与思考，结果就是——时间被“拉长”了。每一天都被灌注了前所未有的信息量，仿佛活得更“密集”，所以回头看，这三年不像三年，更像一段漫长的演化期。小时候之所以觉得时间过得慢，其实并不神秘。那是因为大脑对世界的感知能力、处理信息的带宽还很有限。输入少、处理慢，自然每一个“事件”在大脑中留下更粗糙、更缓慢的刻印，于是时间也就被感知得更“长”。从这个角度看，时间不是流动的，而是信息构造出来的知觉结构。信息多了，路径复杂了，记忆节点密了，时间才会被“拉开”；反之则收缩、模糊、消散。

#时间感知 #信息密度 #主观体验 #大脑处理 #漫长演化期

3周前

蠢问题：为什么要面基？难道我们的交互不是信息至上吗？

#面基 #信息至上 #社交 #疑问 #线上交流

4周前

“躺平”是一种甘地式的反抗。通过集体静默与抽离，切断系统的反馈机制，让系统在失去协作与能量支持下走向自耗。正如甘地的非暴力不合作运动所示，真正的抵抗不在于对抗，而在于退出。躺平者自己也为此付出了代价，如果最终系统改良，大家应该尊重和感谢躺平人。

#躺平 #反抗 #甘地 #非暴力不合作 #社会改良

4周前

大量高校专业的实用性和存在意义正在被计算机“吞噬” 计算机正在悄悄吞噬你曾经认知中那些“专业”的边界。而这个过程，早就在发生了。最典型的例子就是金融。你以为“金融科技 Fintech”是新词吗？事实上，金融与计算机的结合至少已经有二三十年历史，从量化交易到高频算法，再到币圈的智能合约与链上治理，推特上那些活跃的币圈推友，你当他们不存在么？这个趋势背后的本质是：计算机会成为一切结构知识运行的底层基础。计算机科学不再是“一个专业”，而是所有专业的结构基底，就像过去数学是自然科学的语言，现在计算机，尤其是它所承载的结构系统、信息模型与语言协议，正在成为所有认知、表达、治理、行动的统一执行层。我在上一篇帖子里已经讲过，结构知识必须具备五个核心特征：压缩性、调度性、反馈性、组合性、目的性。结构，就是有目的的压缩表达、可以被调度执行、可组合、可反馈的认知单元。学计算机的听起来是不是很眼熟？这不就是编程语言的定义吗？计算机程序天生具备全部结构特性。看看编程语言的基本单位：每段代码都有明确的目标函数（Function/Return），语法结构高度压缩，逻辑表达极简；函数、模块、任务可以随时被调用与调度；执行结果立即返回，包含输出、报错、日志等，构成天然反馈通道；更重要的是，所有函数、模块都可以递归组合，封装、重用、迭代，从而构建出更大系统。结构的五个维度——目的性、压缩性、调度性、反馈性、组合性——在编程语言中被完整展开。编程语言就是结构语言的范本。而计算机之所以是结构的最佳运行载体，是因为它能够全面承载并放大结构的全部特性。相比人类与传统组织系统，计算机可以精准压缩、不丢信息；它的函数、流程、接口都是天然的调度路径；反馈可以实时收集并触发结构更新；组件之间组合代价极低，标准化程度高；目标函数可以被写入系统运行逻辑，并被持续评估和优化。这一切，都是人类系统难以做到的。人类当然可以感知结构、构想结构，甚至短时间内执行结构，但人脑靠意志调度，不稳定、不可重复；社会制度调度结构，路径多分叉、反馈周期长；知识常停留在文本中，无法被调用、迁移、组合；行为结构受到情绪与局限性干扰；人与人之间组合结构，协作成本极高。与之相比，计算机提供的是低熵、高精度、可调用、可组合的结构宿主环境。从金融界开始说起（2008）为什么最先被计算机结构化的是金融？答案太直白了：当然是因为“离钱近”啊。人类在金钱面前的动力，那是不用调动就打满的。FinTech 之所以成为“计算机化的先锋场”，并不是因为它最先进、最高尚，而是因为它最现实、最接近激励源。正如我一个朋友打趣说的，“你想看哪个领域发展最快？别看博士多不多，要看小美女多不多。离钱最近的地方，博士可能找不到，但美女一定蜂拥而至。”你回忆一下，早年间地产开盘、基金推介、新币发行，是不是小美女特别多？人类是有结构的动物，但金钱，是这个结构系统里最底层的燃料。金融之所以率先进入“结构-计算闭环”，是因为它天然具备三个特质：反馈速度极快，数据密度极高，结果判断极明确。你做一笔交易，几秒内就能看到盈亏；你设计一个风控模型，一两个周期内就能知道有没有效；数据层面清晰、量化、结构化，而且没有太多伦理、政治、情绪的干扰。这点放到教育、医疗、法律身上就完全不一样了：教育的反馈要几年甚至几十年，医疗中变量复杂难以归因，法律体系更是黑箱式的规则裁量，难以结构建模。所以金融是天生适合“结构-调度-反馈”闭环的行业，也是最早接近“可计算系统”的人类制度系统。此外，金融行业是最早开放“结构实验”的场域。因为资本是流动的、可度量的、容错空间高，所以它允许大量失败和迭代——反正可以量化、止损、下一个周期再来。正因如此，金融是第一个敢于用算法做决策的领域，像量化基金；最早接受机器判断风险优于人类直觉的，像反欺诈系统；最早允许无需许可的结构原生实验，如 DeFi、闪电贷、MEV套利；也是最早建立结构性激励机制的，比如矿工激励、LP分红、合约策略套利等。在金融里，结构不仅可以设计，更可以变现，可以反馈，可以自动升级。你不需要劝它采纳结构语言，它自己就会因为回报更快、波动更小、调度更准而自动拥抱结构语言。还有一个容易被忽视的事实是：金融的复杂性并不是“人心复杂”，而是结构复杂。利率、期限、流动性、对冲、杠杆、风险暴露、收益分布，这些东西全部是结构变量，不是讲道理能解决的东西。正因如此，金融行业对结构的拆解需求极高——于是你看到结构化基金、杠杆ETP、期权组合、合成资产；你看到产品被拆成模块、组合成路径、设计成协议，然后通过计算系统执行和定价。所以总结一句话：FinTech 成为结构文明的先锋，是因为它是人类系统中离反馈最近、结构需求最强、行为最可调度的那个测试场。它是结构语言第一次完整打通“结构设计 → 系统执行 → 价值反馈”的全链路闭环实验场。它跑在前面，也就顺理成章了。其他行业，只是还没“饿到”这一步而已。一个从来没有参与过任何企业管理的管理学教授高校圈的教授和助教里，有多少人真正参与过企业管理？别说管理企业了，有些人连开家小饭馆恐怕都经营不下去。早些年在北京高校圈还能勉强说得过去，那时候社会整体人均学历不高，高校天然就带着某种“专家光环”，靠着“教授”这块牌子去企业讲讲课、做点咨询，至少还有机会接触到真实组织的结构和运作。看得多了，多少能积累点理解。可现在不同了，很多老板本身就是国外MBA回来的，接触过全球一线的管理方法论和实操逻辑，再回头看国内高校管理学那一套，尤其那种“政治正确式教学内容”，完全不够看。女教授可能相对轻松点，因为她们本来也不太钻这些抽象权力游戏；反倒是一些男教授，会更执着地去思考这些体系内部的荒谬与虚伪。所以我在上一篇帖子说这个问题容易“刺痛人”，也真是个非常现实也很得罪人的真相。你想想，一个从来没参与过真实管理实践、也从未在企业中经历过组织运营、流程调度和结构反馈的管理学教授，要怎么给一个连社会都没进入、毫无工作经验的管理学本科生写的论文打分？如果那篇论文讲的是“如何提升员工激励机制”，请问评判标准来自哪里？不觉得很荒谬吗？像是象牙塔里演一场自我循环的幻觉戏码。而现实中真正能够被结构化的管理内容，早就被企业吸入计算机系统之中。不能被结构化的那部分——比如空洞的“领导风格”“组织文化话术”——留给高校继续内循环、自嗨也无妨，市场自然会用冷淡反馈来淘汰它们。就拿“绩效考核”来说，这曾是传统管理学最主观、最人治、最难标准化的部分。以前的绩效流程，无非就是年底主管模糊打分：“你今年表现不错”“团队合作也还可以”，打个 B+，再配几句文案式评语走流程。一切评判依赖个人印象和关系温度，完全缺乏结构反馈和行为追踪。那张绩效表，年年做，谁都知道没什么实际价值。但今天，这一切正在被结构语言与计算系统重写。像 AI + HR SaaS 平台的出现，系统可以将每个任务、每个项目、每一项工作行为——提交代码、客户沟通、项目推进——都绑定在结构节点上，实时记录、即时反馈、自动打分。上下游同事的协作反馈、客户评价、时间响应等维度都会被模块化进系统，形成可追踪的动态结构评分轨道。绩效系统甚至可以自动推送“晋升建议”、“路径瓶颈警报”、“行为改进任务”，整合成一个持续运行的结构评分引擎。过去你一年才“总结一次”，现在系统每天都在悄悄运行：“记录 → 反馈 → 优化 → 再执行”，先不要讨论这一套是否“人性化”，但是至少很多大公司正在引进。大龄程序员最值得关注的领域：AI全面侵入传统行业的临界点目前，计算机，尤其是在 AI 的加持之下，已经全面渗透并侵入了大量传统学科：一旦某个领域达到结构复杂度的极限，就不再靠理念生存，而是靠结构语言调度。整个社会系统，已经整体抵达了“结构文明的分水岭”。不仅仅是金融，从教育、法律、治理、医疗，到企业运营等多个系统层面，都在爆发出类似的结构性过载症状：教育面对个性化学习的需求，工具却高度滞后；法律面对爆炸式增长的判例与文书，却没有统一的结构系统来调度；医疗正步入多模态诊断时代，却仍然依赖手工记录和纸质传递；城市治理的协作机制已被复杂部门关系拖垮；企业运营看似流程化，其实每个系统之间断裂严重、协同无序。所有这些现象背后，有一个共同的成因：缺乏结构语言，系统无法闭环。我们就拿前几天川普总统指出，美国的病例系统已经出现严重的结构崩坏——不同诊所之间信息不互通，患者连自己完整的病例都无法拥有。这听上去像一个技术问题，实际上是一个结构性危机。一个人得了病，却无法获取自己的历史数据；看了多个医生，却没有任何机制能够调出完整的诊疗路径。在关键时刻，没有结构调度，没有数据整合，只有系统孤岛和信息碎片。美国的医疗体系目前就是一个“非结构型系统灾难”的教材：数据有、资源有、设备有，但结构层缺失。电子病历系统之间协议不同、权限不同、无法对接。患者作为服务的对象，却没有“结构调用权”——没有一个地方能看到、调动、整合自己的完整医疗数据。从结构语言的角度看，美国的医疗系统压根就不具备结构五要素：无法压缩、不可调度、不可组合、无反馈、不以目标为导向。我自己就经历过这样的困境。以前孩子稍微有点小病，我们都要去诊所，看完要交 copay，医生也只是随便听听、说一句“没事”。现在我干脆自己建立家庭病例系统。每次去医院，都带上笔电，里面已经整理好每个家人的既往记录、用药反应、过敏历史等等。这总比口头沟通来的快吧。而这样类似的机会，在所有传统行业里都存在——它们只要满足“结构已崩、路径未生、反馈失联”的状态，就具备被AI结构重构的巨大空间。对于有系统思维和语言建构能力的大龄程序员、结构师、工程师来说，这是一次历史级的重新进场机会。好好看看跨学科的领域，不要每天只关心代码。在人人都识字，义务教育服务到高中阶段的当代：什么知识才有资格成为“专业” 那些能够被结构化的领域，将会在未来成为真正意义上的“新学科”，也就是可调度、可验证、可组合、可迁移的结构执行系统。它们会成为人类系统中的运行模块，嵌入AI、嵌入决策、嵌入治理流程，成为这个文明的新基础设施。而那些无法结构化的领域——比如文学、美学、宗教体验、情感沉浸——不会消失，它们会退回到一个更本质的位置：成为个人存在的深度体验场。我们已经不需要职业“秀才”和“文人”专门“写字”了。文学本来就不该是一门“功能学科”，而是一场纯粹的体验。你有本事，初中毕业就可以自己写文章上网发表。没本事，乾隆都没成文豪啊。它是为了让人类在语言中感受共鸣，在文本中沉入意识的柔软。在这种情况下，真的有必要让一个高校里的文学教授，满脸道德正确地对着一篇年轻人的小说进行阉割，删去所有“不合适”的情节、政治不正确的表述、会“引起不适”的隐喻，然后再给你一个低分，最后告诉你这个专业毕业之后没有出路？你真的要为了这套体系花四年时间、几十万金钱，然后背一身焦虑和失业？如果一个专业既不能成为结构知识、也不能提供结构能力输出，那它要么就不该出现在公共教育系统里，要么就留给不差钱的富二代当成兴趣体验。纳税人不欠它生存空间，普通人也没义务为它兜底人生。文学、美学、宗教体验这些不可结构化的领域，并非“无价值”，但它们的价值不再是“作为专业知识生产者”，而是“作为存在感生成器”。它们之所以不可结构化，是因为它们拒绝压缩、无法调度、不适合路径化。美感不是逻辑组合，诗意不是函数表达，情感不是输入输出模型。它们是非确定性的，是语境性的，是无法预测、无法规约、无法标准化的深度体验。但正因为如此，它们才如此重要。它们是人类文明的存在背景层，是所有结构系统之上的意义引擎。就像建筑需要地基，飞行器需要空气，结构智能需要一个“非结构”的感知基座。不能要求一首诗去优化转换率，不能要求一幅画去提高系统效率，不能要求一个人类的情感在一个考核表上打出80分。所以，在结构文明中，大学应该留给结构知识的学科。结构学科该被训练、被验证、被投入系统运作，因为它们是社会运行的必要模块。但文学、美学、哲思、信仰，这些本就属于人的存在感体验层，不该被误装进“专业生产体系”，更不该以“就业为导向”作为它们的标准。如果它们留在社会，就像音乐、舞蹈、刺青、发呆、写诗、发梦一样，人民完全有自学的能力。真有心体验的人，根本不需要高校教授的许可，更不需要体制安排。人民又不是宠物，难道连体验世界的能力都需要考试授予？（2/n)

#计算机吞噬专业 #结构化知识 #FinTech #AI入侵传统行业 #非结构化体验

4周前

什么是结构知识：只有结构知识在AI时代能够被称之为“学科”。言一社那篇帖子我收藏在书签里很久了，反复想了好几次，今天终于还是决定写一篇声援支持的回应。说实话，也许会得罪不少人，但到了这个年纪，真没那么在乎了。如果连自己真心认同的话都不敢讲，那当初跑来中文推特追求“言论自由”是为了什么？如果你在15到20年前在海淀的985待过，你一定记得，那时计算机还没成为“黄金专业”。经管类、人文社科类才是热门，尤其是在985体系里，学生水平普遍很高，毕业后大多准备出国深造，MBA、国际贸易之类是常见出路。这些年来，我身边做经管方向高校教师的朋友也不少。说我是门外汉实在是不了解情况，那你不妨先看看我后面推文的论证再下结论。旁氏学科，学科内耗型循环关键是，这些高校教师（尤其是男性，已经有人生的沉淀了）自己心里其实也清楚，很多所谓的“专业知识”早就已经进入事实上的“旁氏循环”——理论空转（不再面向真实问题、现实需求或跨系统迁移，而是聚焦“理论内部争议”。）、模型无用（评价内化：学科内的“被引用数”“会议地位”“理论优雅度”成了评判标准，而不是可执行性或反馈力。），只靠彼此引用（引用循环：A 教授引用 B 教授、B 引用 C、C 再引用 A；论文引用率高但现实影响力低。）维持表面热度。只是他们身在其中，全家的饭碗系于此身，不敢说、不便说。而我们这些没有教职、没有依附系统的小虾米，没什么好怕的。看到问题，说出来，就是我的自由。这些所谓“专业”，其实已经变成了典型的旁氏学科，陷入严重的结构内耗型循环：理论只在学科内部互相引用、彼此自洽，却无法被调度、无法被验证，更无力回应真实世界的问题结构。讲得越来越多，能做的越来越少——那还算哪门子的知识体系呢？自从有了AI之后，很多人可能注意到我几乎是all in了这个领域，过去几年和模型的交互时间累计已经上万小时。我可以很负责任地说：我们完全有能力把“哪些学科结构还站得住”这件事推演清楚。为了公平起见，我不会一棒子打死所有学科，而是会逐一剖析它们的结构机制。虽然我们这些小虾米人微言轻，但好在，我们不是第一个提出这些问题的人。很多前辈、学术大牛早就发过声、写过书、指出问题。你需要做的不是盲信谁，而是认真听听有没有道理，然后自己做判断。如果你听完仍觉得我在胡扯，那就祝你继续享受那些经管专业和人文社科的“专业教育”，并努力去找一份好工作。管理学：叙事型学科我们从“首当其冲”的管理学说起。管理学是结构失效风险最高的学科之一。首先，它的大量理论是典型的事后归纳，比如蓝海战略、五种领导风格、战略金字塔等等，都是围绕成功企业“复盘”出来的总结，不具备任何结构预测力。其次，几乎没有严格的验证机制：一套模型放到不同企业里，结果差异巨大，实验难以复现。更严重的是，许多所谓的“结构”在图解上看似完整，但实际根本不可迁移，不可调度，不可触发行为，只能做“咨询装饰品”或者MBA课堂的教学工具。SWOT分析、波士顿矩阵、流程飞轮等广泛传播的“管理工具”本质上更像是认知记忆装置，而不是压缩性的结构路径模型——也就是说，讲得漂亮，但干不了活。斯坦福的管理学教授 Henry Mintzberg 在《Managers Not MBAs》中早已提出尖锐批评：传统MBA教育教的是假设世界，而不是系统结构；教的是图而不是路径。正如他所说：“Conventional MBA programs train the wrong people in the wrong ways with the wrong consequences.” 整个管理学体系最根本的结构困境。当然，管理学也不是全无可用之处，真正进入系统流程、完成结构闭环的部分是有的，比如丰田系的“精益生产（Lean）”，在多个国家、多个产业中反复验证成功；再比如OKR/KPI体系，它们具备目标压缩、行为路径与反馈回路，已被不少企业长期使用；行为经济学和管理实验室引入了AB测试、数据反馈和实验结构；供应链建模、库存控制等更是与运筹学和系统工程紧密连接，有成熟的建模和演化机制。结构型知识你会发现，那些仍然“活着”的管理理论有两个共同特征：第一，它们是结构化的执行路径，而不是故事总结；第二，它们具有闭环反馈机制，可以调优、可以迁移。而绝大多数管理学内容，只不过是以“成功企业总结”之名包装出的“伪结构”，活在教材里、PPT里。这就是所谓“事后诸葛亮，讲故事专用”的学科宿命。结构，必须能干活，才配叫知识。当然，财务会计类知识也是值得学的。其实你已经发现了，值得学的知识，很多“市场在买单”。很多学管理的人最后转财务了。市场虽不是万能的，但是起码给了一些反馈信号。金融学：有这个脑子学金融数学的全部给我去学计算机，不信你去问梁文峰金融学是典型的“数学感极强、结构稳定感极弱”的学科，结构失效风险非常高。乍一看，金融学充满了公式、模型、定理，仿佛是数理逻辑的高地；但深入一看，它的整个学科体系高度依赖一系列理想化假设：比如“理性人”“信息对称”“市场均衡”“风险可测”等等。从有效市场假说（EMH）到资本资产定价模型（CAPM），这些经典理论几乎都建立在“世界是有序的”“人是冷静的”“概率是可知的”前提上。问题是，现实中的市场不仅高噪声、非理性，还时常被算法操控、叠加非线性博弈，一不小心就成了金融黑天鹅的孵化场。很多金融模型在事后看似解释力十足，但事前预测几乎毫无作用。2008年金融危机之前，大部分宏观与风险模型都“安然无恙”；直到系统崩溃，大家才开始争相解释。这种无法闭环验证的结构模型，本质上不是系统模型，而是统计幻觉。一旦极端事件发生，理论结构完全无法应对或修复，只能甩锅给“外部冲击”，而不是承认是结构错误。从结构六维角度来看，金融学的问题相当系统化： 🎯 在目标层面，它常以“解释经济现象”为目标，却在关键节点无法预测； 🛠️ 在调度层面，许多主流模型（如DSGE）在真实政策或企业操作中无法直接部署； 🔁 在闭环层面，结构缺乏真实反馈修正机制，常陷入“解释-失效-再解释”的内循环。最有代表性的批判者是 Nassim Nicholas Taleb。他在《黑天鹅》《反脆弱》等作品中反复指出，金融学所依赖的正态分布、风险可控等假设在现实中根本不成立。极端事件远比理论允许的频率高得多，而这些理论却不断将复杂市场压缩成线性、均衡、稳定的错觉。他最著名的一句话就是： “We replaced ‘truth’ with ‘predictability’.”（我们用“可预测性”替代了“真实”。） Taleb的批评并不是要一棒子打死整个金融学，而是提醒我们：真正的结构必须能承受现实的不确定性与极端性，具备演化与修复机制。而金融学如今的很多理论结构，不过是带着数学外壳的玻璃模型，碰不得、摔不起。这也正是言一社所指出的核心问题之一：高度结构化的学科如果无法闭环、无法应对现实演化，只会变成学术的内循环系统。金融学，就是这类“结构幻觉”最典型的代表之一。教育学、社会学、传播学等一系列人文学科剩下的教育学、社会学、传播学等一系列人文学科，其实问题更普遍也更隐蔽。这些领域通常不乏理论框架、话语体系与引用数量，但它们的核心结构往往脱离实践、不可验证、不可调度，更像是在自身话语体系内不断“精修自洽”，而不是与真实系统形成反馈闭环。教育学的问题由 John Hattie 的工作揭示得最为清晰。他在代表作《Visible Learning》中系统性地量化了上千种教育干预措施的真实教学效果，结果发现：许多在教育界流行甚广的理论（例如“学习风格”、“翻转课堂”）不仅效果微弱，甚至在部分场景中为负。也就是说，大量“理论-实践对照表”上写得头头是道的干预方法，在真实课堂中几乎无效。教育学的结构性问题在于：目标模糊、路径不清、反馈机制缺失，理论与教学行为之间存在巨大鸿沟。行为经济学之父 Daniel Kahneman 在晚年也公开承认，自己一手推动的诸多非理性行为实验在现实场景中的重复性很低，模型迁移能力弱，结构调度性不足。他意识到：即便揭示出认知偏差，也不意味着你能转化为可操作的行为干预模型。这正是很多社会心理类研究的致命缺陷：洞察多，机制少；解释多，结构弱。更激烈的批评来自已故的伦敦政治经济学院教授 David Graeber。他在《Bullshit Jobs》和《债的简史》中指出：大量人文学科中构建出来的“专业结构”其实只是维持精英体系自我合法性的幻象。这些学术结构往往脱离实际生产力、脱离真实社会结构，仅在论文、课堂和政策叙事中“流通”。它们维持着一种职业化幻觉：你在其中看似学习了一种“高级理解”，但走出象牙塔就发现，无法调度、无法迁移、无法执行——甚至无法说清到底要干什么。结构知识才值得你去上专业去学那我当然不能只打破不建构啊。对于我这种一直痴迷结构的人来说。老推友知道我在家里家具和园艺的亭子什么的都是我自己用木工做的，我就是一个从潜意识，在没有AI之前就很爱结构的人。只不过当时我并没有系统性的总结起来。我也会在AI商用之后，不眠不休好几天，然后决定all in. 真正的结构知识，是能从高熵信息中提取出来、具备可压缩、可调度、可迁移、可反馈能力的可执行认知单元。当然，现在很多结构知识还没有组成“专业”。毕竟高校是一个非常臃肿，非常官僚的机构。能够形成结构知识的学科，才真正配得上被称为“专业”。否则，它们不过是信息的陈列室、术语的展览馆，外表光鲜、内核空转。真正值得我们花几年时间系统学习、以“专业”之名去投入的知识体系，必须具备三个核心标准：第一，它必须可压缩，能够将复杂世界抽象为核心机制与模型；第二，它必须可调度，可以被用来规划路径、解决问题、驱动行为；第三，它必须具备迁移性与反馈能力，能够跨场景使用，并且在实际系统中被验证、被修正、被演化。如果不具备这些条件，那学的只是话术和包装，用起来靠感觉，讲出来靠图解，考出来靠背诵——只是精英阶层一场结构幻觉的精致泡沫。最值得投入的，是那些结构驱动强、闭环能力强的核心体系。比如系统工程与控制论，它以反馈回路为第一原理，广泛适用于从物理系统到AI系统的各类结构建模与控制场景；运筹学与优化算法本身就是调度结构的语言，广泛服务于工业、交通、金融等领域的决策系统；人工智能（尤其是模型方向）更是当代结构知识的总成，贯穿从压缩机制到生成反馈；而像编程语言、计算理论、嵌入式系统、数学与生物建模这些方向，天生强调结构约束与路径调度，是结构闭环的典范训练场。一些专业虽然不一定作为独立“结构核心”，但本身具备结构组件库的作用，也极其值得系统性学习。例如，计算机科学中真正值得学的不是“写代码”，而是数据结构、操作系统、编译原理，这些都是高度可迁移的结构知识底座。产品工程、系统设计、语义网、知识图谱，认知科学和语言哲学。还有一类学科不直接强调“单点结构”，但具备极强的跨领域结构整合能力，适合构建“超级认知者”所需的结构通识力。比如信息论和压缩理论，它是智能压缩的数理地基；博弈论与决策科学，提供策略建模和行为调度能力；系统生物学、复杂系统科学、网络科学，则训练你理解结构是如何在自然与社会中涌现、连接、演化的。相对地，如果一个学科只能告诉你“说法”，却不能教会你“结构”，那它就不值得作为独立专业存在。像管理学、传播学、教育学（传统路径），大多沉溺于图解和事后总结，无法调度真实路径，缺乏结构反馈；人格心理学、部分社会学和文化研究，也多陷入“标签替代结构”“解释替代路径”的叙述幻觉。真正值得称为“专业”的是内含压缩机制、具备调度能力、能在真实系统中完成反馈与演化的认知体系。这些内容是我多年总结，多年前想用来劝退MBA和一堆文科专业研究生但是根本没用。我一直说有这个钱，再加点，或者换个目标，去把本科CS给学了，哪怕在国内已经有一个本科文凭。根本没人听我的，又得罪人，懒得说了。直到几年前看到立党，他居然成功了。因为有人真的因为他去学计算机，我觉得他挺神的。

#结构知识 #学科评估 #AI时代 #知识体系 #专业选择

1个月前

Demis Hassabis 神级天才的思维脉络在人工智能与科学交汇的前沿，Demis Hassabis 提出了一条极具颠覆性的路径。他认为，自然界并非我们表象中那般混乱无序，而是隐藏着深层次的结构性秩序。理解世界，不必总是从演绎推理和方程建立起步，而应从感知数据中压缩出可调度的结构，借此进行预测和推演，进而反向建构理论。这一主张不仅重塑了科学研究的技术路径，更触动了我们对知识建构本身的认知方式。一、结构压缩优先：从 Veo 看理解的重定义 Demis 的这一认知在 DeepMind 的视频生成模型 Veo 上得到了直观体现。Veo 模型并未学习任何显式的物理方程，却能够凭借观察大量自然视频数据，在没有编程预设规则的前提下，生成逼真且具有高度物理一致性的动态画面，例如汽车驶过积水时水花飞溅、玻璃破碎后的细节反馈。这是一种典型的“现象压缩式理解”路径：AI 通过在高熵视频流中提取出稳定可复用的结构压痕，实现对物理现象的预测能力。我们由此必须追问：如果一个模型能够在不知晓动量守恒的前提下准确预测水花的下一帧状态，它是否“理解了物理”？Demis 的回答是明确的——理解的核心，不在于是否掌握方程，而在于是否能压缩现象为结构，并借此形成调度性强的预测路径。二、信息先于物质：可学习宇宙假说在这一架构下，Demis 提出了他的核心哲学命题：信息先于物质。即，物理世界的本质是一种信息性结构，而非能量或粒子。我们所观察到的规律，其底层机制是信息的组织方式。他进一步提出“可学习宇宙假说”：任何自然界中反复出现的模式，都存在一个可被经典图灵机有效压缩与学习的结构路径。这意味着，我们无需总是从第一性原理出发建构模型，而可以通过 AI 对大量数据的结构化吸收，形成一种预测优先的认知框架。三、自然流形：结构稀疏的低维空间 AlphaFold 的成功证明了这一哲学判断的工程可行性。蛋白质的理论构象空间高达 10^300，传统方法根本无法穷举。然而自然界中，蛋白质往往能在毫秒级自动完成折叠，说明它们并不是随机地在空间中漂移，而是沿着一条被“压缩演化”的低维流形展开。 Demis 将这种现象称作“自然偏好的低维结构空间”，也就是流形（manifold）。AI 的任务不再是模拟所有路径，而是在数据中采集这一稀疏、稳定、可导航的结构区域。这使得 AI 不必理解所有机制，便能通过结构导航完成预测，从而以压缩路径替代穷举机制。四、AI First Science：新范式的科研工作流在 2024 年诺贝尔奖演讲中，Demis 明确提出了“AI First Science”的科研范式：不再从理论建模出发，而是先训练模型，让其学习压缩结构；接着由这些结构驱动调度，再反向解释形成机制。他提出的科学工作流如下：训练 → 压缩 → 调度 → 解释。此路径彻底颠覆了过去数百年“建模—推导—验证”的科学流程，转而采用“预测—拟合—反演”的演化方法。在这个范式中，梯度的含义也发生转变。它不再是传统微积分中的导数，而是指数据中隐含的可学习方向信号。这种梯度可能是离散的、统计的、甚至语义的，但它们都构成了一种“方向向量场”，AI 可以在其中找到“走了会变好”的结构路径。五、结构提出者：AI 从解答者变为猜想引擎更为震撼的是，Demis 不满足于让 AI 解题，而是要它成为结构猜想的提出者。AlphaGo 的第 37 手，是这一目标的原点：一手无人类预期的棋步，首次展现 AI 提出结构创新的能力。从那一刻起，Demis 开始布局他的“结构发现引擎”路线图。这一进化路径包括 AlphaGo、AlphaZero、AlphaFold、AlphaTensor、AlphaDev、AlphaGeometry、AlphaProof，每一个系统都试图在不同领域内自动识别高维结构中的压缩路径，并从中提出新的结构问题、优化路径甚至定理猜想。 Demis 将这种 AI 的猜想能力界定为“sweet spot”——即 AI 所提出的结构刚好超出人类直觉边界，但仍在可理解、可验证的范围内。这是 AI 与人类协作的最佳认知区：AI 提出、预测、压缩，人类验证、解释、整合。六、结构文明的起点：聪明的普通人可及更令人欣慰的是，Demis 并未将这场科学革命锁死在象牙塔，而是以开源的方式将这些结构性工具逐步释放至公众。AlphaFold 的结构数据库向全球开放，AlphaDev 的算法进入 LLVM 编译器，AlphaProof 与 Lean 数学社区共同构建定理验证系统，这一切都在昭示一个转折点的到来：提出问题，人人可为。这也意味着，科学创意将首次脱离“天才垄断”，进入“结构协作”。未来的科研者不再需要天赋异禀或名校背书，而是要具备三种能力：理解结构、调度工具、表达路径。Demis 本人就是这种跨界结构型认知者的代表——他从游戏设计师走来，用压缩思维与策略构建，引领科学认知系统的结构重构。今天的科学，不再是“高不可攀的圣殿”，而是“结构化的工作流”。理解 Demis 的思维路径，就是提前参与这场认知文明的革命。从 Move 37 到 Conjecture Engine，从图灵机到猜想母体，我们已抵达一个时代的起点——在这个时代里，结构就是语言，猜想就是代码，科学的未来，属于会调度结构的你。

#Demis Hassabis #人工智能 #结构化理解 #AI First Science #可学习宇宙假说