写个自我介绍。

我是jason, 澳门人, 99年。

一个小学就开始研究写外挂，到中学就留级+开始在游戏里赚钱，到高中完全摆烂不读，靠游戏赚了几十万，但在我们那的高考(联考)裸考还考得还行，拿奖学金进了个本地的大学。

大三辍学前，后大大小小瞎折腾小打小闹式创业了十几次，赚过钱，做过很多错误的决定，试过网赚构建出来最高日入3000的被动印钞机，也试过平台一天改规则归零，也试过被攻击，也试过信错人创业失败归零。

至少近几年甚少提到以前这些我这些现在看来比较幼稚的经历，但这些经历都属于和我现在的主轴相关性很大的事情。后面会说。

大三的时候，疫情开始。我已经慢慢觉得澳门呆不下去，完全没办法，一度开摆。还记得20年放水，21年加密货币爆火，我被defi "普惠金融"的敍事给骗进去了。在我研究明白之前，我觉得这东西就该是这样的，就该是平权的。当然后面我也发现了都是假话。

我在21年，一个人去了杭州，和朋友整了了个小作坊，做做量化交易套利，管了一点小钱。一边进了一个初创团队做顾问近距离看别人是怎么创业的。前者，一直都是印钞般的收益，套利，几乎没有日内回撤。但都在22年的一波黑天鹅里一波大回撤了 (25%)，然后我在思考过后，就把钱都退回去了。后者，答应了不能多说，但真的是学到了很多东西。

在22年前几个月我一直都想再做一个黑天鹅的盘子，但那时没有支持我的人，但塔勒布的书深深的影响了我。在面对那次黑天鹅之后，我人麻了。我几乎一个月甚么都没干。在那之前我是一个在自己的领域极度卷的人，INTJ，天天不睡觉。我发现了以往理性至少外还有很广的世界，複杂性的世界。

一方面觉得自己是傻逼，以前的日子白活了。一方面很高兴，有一种站得更高看以前自己的清晰度。以前的我一直活在各种各样的变化之下，被更高维度的变化玩弄。在22年8月，我决定，比起像以前那种，比起对眼前"好机会"一直追逐。我要给自己找一个我看得见难度最高，看得最远，最不变的事情来做。其他短平快的机会，全都不碰了。我要重新爬山，爬一万米的山。

之后我便开始了做我现在的项目，细节不能多说，但简单说几个节点。22年10月开始我们立项的demo便是一个基于知识图谱的youtube DID插件。当时用的gpt3, keybert, 关键字共现这些那时没甚么在乎的东西，来把用户在youtube被标识的画像，自己也记录一份。在上线前，chatgpt出来了笑死，然后投资人就开始有点想法。要我们追风口去，然后结局就是，投资人答应的2/3的钱就没下文了。

然后我们就进入了自己磨钱bootstrapping的路线，这一年多，搞了几个小项目。养活团队是主轴。但在盯着眼前铜板子下，我的预测能力几乎派不上用场。贼难受，这一年几乎就是做着完全逆完自己以往性格的事情在做。用MBTI的语言来说就是极I变E，极N变S。我整个24岁的状态，可以说是用(又)生意失败(又)爬回来也不为过。

这大概就是我的经历。

===

我基本从初中开始我基本保持了10几年超高强度的讯息吸收，平均下来一年会看3-5万条youtube视频，习惯了3倍速，看动漫，听书，看文章等就没怎数。导致我的讯息，知识量级都是没有甚么对手... 只要聊嗨了就会被说我很跳跃，某程度是因为对方不可能有这些跨科的联想context，

同时我也比较爱学一些杂七杂八的，技能组属于横向面很多，但并没有说哪方面有很大的结果，所以很难一句话介绍自己。从小就被当成偏科极客天才啥的。但可能我更想成为是通才型的人，所以我到现在算是全科都会深度去学和做。

(最近一个比较开心的事情是在hopfield noble prize前一个月我在深度学习HNN)

最近接触很多一週目的创业者，会让我很想帮他们，但又觉得其实还是得事教人。即刻也是adx那时开始写的，希望可以找到更多孤独的共呜创业者。

我现在做的事情叫branche，大概的TLDR就是：

1. 帮每个人拿回自己被平台採集的数据
2. 让人了解有自己的数据和没有甚么区别
3. 让人可以运用自己的数据创造价值
4. 把握本来被算法控制的选择和权利
5. 一套帮用户可以脱离平台的撮合系统
6. 重构以谁流量大谁牛逼的信用体系

更多的东西在bento里，就不展开了。我的整个主轴也几乎是在面对一个个被设计好的不公平游戏之中。所以我一直都很想和更多直视这个不公平的世界的人结缘。整个创投圈，web3，基本都享受虚假，包括青年人。

我想认识诚实并追求超越的人，而不是混title喊大佬的假人。几篇即刻我知道得罪了人，但说实话不在乎。我在乎的是智力上诚实的人，是较真的人。假人我几乎的态度就是，放弃助人情结。真人我会很想帮助，不求回报，只想结缘。

数据主权

00_绪论：数据主权的新纪元.mp3
web.okjike.com

01_数据囚笼：我们如何沦为自己数据的奴隶.mp3
web.okjike.com

02_数据主权宣言：你的数据应该属于你.mp3
web.okjike.com

03_确权革命：当数据有了不可侵犯的所有权.mp3
web.okjike.com

04_自主算法：当AI站在你这一边.mp3
web.okjike.com

05_去中心化撮合：信息匹配的新范式.mp3
web.okjike.com

06_信任网络：不依赖中介的信用系统.mp3
web.okjike.com

07_数据解放之路：从意识觉醒到价值重塑.mp3
web.okjike.com

# 什么才是真正的数据主权？

2023 年初，我写数据主权的时候，Web3 最流行的叙事还是这样：

把数据放到链上。

给数据加一个 DID。

给每份数据标记一个“所有者”。

再做一个授权系统，由用户决定谁能读取。

然后大家就会说：看，数据终于属于用户了。

现在回头看，我越来越觉得，这是一种非常前算法时代，甚至前移动互联网时代的数据主权想象。

它把数据理解成一件“东西”。

好像数据和房子、汽车、黄金一样，只要能够证明这东西是谁的，能够决定它放在哪里，谁可以打开柜子来看，我们就解决了所有权问题。

但数据从来不是这样的东西。

尤其在今天这个算法、模型和 Agent 已经开始成为主要信息处理主体的时代，真正重要的根本不是：

**谁拥有这一份数据文件。**

而是：

**谁拥有利用这些数据认识你、预测你、排列你的世界，并进一步对你采取行动的能力。**

这才是我理解的数据主权。

## 一、数据主权首先不是“数据放在哪里”

我们首先必须把“数据主权”定义清楚。

如果一开始定义错了，后面所有所谓的数据确权、数据钱包、DID、Personal Data Store，实际上都只是在错误的问题上做越来越精致的工程。

传统的所有权概念来自物理世界。

一辆车属于我，意味着我可以使用它、出售它、出租它，可以禁止别人开走它，也可以把它毁掉。

2023 年的时候，我也曾经沿着这个方向定义数据所有权：控制权、使用权、支配权和排他权。真正的“拥有”绝不是在链上发一个 NFT，声明“这是我的”，而是拥有实际改变资产状态以及排除他人支配它的能力。

问题在于，数据和汽车存在一个根本区别：

**数据可以被复制，而且信息一旦被知道，就很难被撤回。**

我把密码告诉你以后，即使我删除聊天记录，也无法删除你已经知道这个密码的事实。

同样，我今天把一份消费记录授权给平台使用十分钟，十分钟以后把授权撤销，并不意味着事情恢复到了十分钟前。

因为平台可能已经完成了分类。

它已经知道我是高价格敏感还是低价格敏感。

知道我喜欢什么。

知道我的消费能力。

知道我凌晨几点容易冲动消费。

知道什么样的文案最容易让我下单。

甚至它根本不需要继续保存原始数据。

它只需要保存一个模型参数、一条 embedding、一个用户标签、一种概率分布，甚至只是让整个模型在训练之后发生了一点点变化。

这时候你再告诉我：

“放心，你的数据已经删除了。”

这个“删除”还有多少意义？

早在当年的文章里，我就把这个问题叫作**信息不可撤销性**：信息一旦发送或共享，发送者实际上已经失去了完全撤回它的能力。

而今天有了 AI，这个问题已经比当年严重得多。

因为机器不是在“保存你的数据”。

机器是在**把你的数据耗散成对你的认识。**

## 二、真正稀缺的不是数据，而是预测能力

这也是为什么我越来越不喜欢“数据是新时代石油”这种比喻。

石油被烧掉以后就没有了。

数据不是。

数据最重要的价值，也不是它本身。

真正有价值的是：

**通过数据减少不确定性的能力。**

我在 2023 年的文章里把互联网最重要的三种资源抽象成了注意力、数据与智能，并认为它们最后共同生产出来的是一种东西：**确定性。**

今天我反而觉得，这个判断比“数据资产”这个词更接近本质。

为什么 Google、Meta、抖音、淘宝真正强大？

不是因为他们硬盘里的 CSV 文件比你多。

而是因为他们拥有一种普通人没有的能力：

他们比你更能够预测你下一步会干什么。

甚至比商家更加知道，什么样的人会买什么东西。

这种预测优势才是真正的资产。

原始数据只是原料。

模型、关联、推断、排序和行动，才是数据产生权力的过程。

所以所谓“数据垄断”，严格来说甚至不是对数据本身的垄断。

它真正垄断的是一种**认知差**。

平台知道你。

你却不知道平台如何知道你。

平台可以计算你。

你却无法以同等能力计算平台。

平台能够预测你的行为。

而你甚至不知道自己正在被预测。

于是数据不对称最终变成了智能不对称。

智能不对称进一步变成了权力不对称。

## 三、所以，数据主权不是 Ownership，而是 Agency

这也是我今天会重新定义“数据主权”的地方。

**数据主权，不是一个人拥有关于自己的所有数据。**

严格来说，这几乎不可能。

我走进一家便利店，店里产生了一条交易记录。

这是我的数据，还是便利店的数据？

我和朋友聊天，聊天记录属于我还是朋友？

我乘坐出租车产生了一段轨迹，这份信息到底是谁产生的？

现实世界中的绝大多数数据都是关系性的。

它不是一个孤立主体凭空创造出来的私有物。

因此，如果数据主权最后退化成一句：

“我的数据归我。”

它很快就会撞上无数无法解决的哲学和制度问题。

真正应该争取的，不是对每一个 bit 的绝对财产权。

而是：

**我有没有能力决定关于我的信息，最终可以对我产生什么力量。**

换句话说，数据主权真正对应的不是 Ownership。

而是 **Agency**。

是行动主体性。

是你有没有能力参与决定：

什么可以被观察。

什么可以被关联。

什么可以被推断。

什么可以被长期记忆。

这些判断可以被谁调用。

它们可以用来怎样改变信息排序。

可以用来怎样给你定价。

可以用来决定你获得什么机会。

以及最后，谁有权根据这些判断对你采取行动。

到了这里，数据权才终于从数据库权限问题，变成一个真正的权力问题。

## 四、最重要的数据权，其实是推断权

今天很多所谓隐私系统最大的误区，就是仍然把“读取”视为最危险的动作。

仿佛只要阻止平台读取数据，一切就解决了。

但今天真正值钱的动作已经从 Read 变成了 Infer。

**从读取权，变成推断权。**

比如我从来没有告诉平台：

“我是一个准备换工作的人。”

但平台可能通过我最近浏览的职位、聊天时间变化、地理位置变化、搜索内容、消费结构，得出：

这个用户未来三个月有 78% 概率换工作。

这个“78%”是什么？

它不是我的任何一条原始数据。

但它高度关于我。

甚至它可能比我填写在简历里的个人资料更有商业价值。

那它属于谁？

如果按照古典的数据所有权逻辑，因为这个结论是平台模型算出来的，所以平台会说：

这是我们的模型输出。

但问题来了。

如果没有我的行为作为输入，这个结论根本不存在。

如果这个结论最后又被反过来用来改变我的贷款利率、保险费用、招聘机会、商品价格和信息环境，那么我们凭什么认为它只是企业内部的一项“模型资产”？

这就是算法时代数据主权最核心的问题之一：

**一个人是否拥有关于自己的推断权。**

或者至少拥有：

知情权、质疑权、限制权、反事实权、迁移权，以及让另一个代表自己利益的智能与之对抗的能力。

这才开始接近真正的数据权。

## 五、然后是被很多人忽略的：排序权

但仅仅讲推断还不够。

因为平台知道你以后，还要做下一件事：

**排列你的世界。**

这其实是我 2023 年就非常在意的问题。

Web2 最核心的权力之一，并不是平台知道了你的电话号码、年龄或者地址。

而是平台通过对你的理解，获得了**信息排序权**：

什么先给你看。

什么不给你看。

什么反复给你看。

什么在你最脆弱的时候给你看。

什么东西放第一位。

哪一个商品被隐藏。

哪一种观点看起来像“所有人都在说”。

哪一件事情让你觉得特别重要。

我当时写过，平台通过掌握第一界面获得调整信息排序的能力，而流量本身就是信息排序、注意力和价值分配。

今天 Agent 出现以后，这个问题终于变得更加清楚。

因为所谓“第一界面”，已经不一定是一个 App。

真正的第一界面可能是你的 Agent。

你甚至不会再进入淘宝。

你只会跟 Agent 说：

“帮我买一个适合我的东西。”

这时候，谁控制 Agent 的上下文，谁控制它记得什么，谁控制它调用什么服务，谁控制它如何排序结果，谁实际上就在控制新的第一界面。

所以未来的数据主权绝对不只是：

“我能不能把数据从 Meta 下载回来。”

而是：

**谁拥有为我排列世界的权利。**

这是排序主权。

也是注意力主权。

## 六、再往后一步，是行动权

Agent 出现以后，问题还会继续变化。

过去算法主要做两件事：

看你。

猜你。

今天的 Agent 开始拥有第三种能力：

**替你行动。**

它可以帮你购买。

预约。

谈判。

筛选。

发消息。

拒绝广告。

比较保险。

申请服务。

管理钱。

甚至代表你与另一个 Agent 进行长期博弈。

这时候数据不再只是“用于推荐”。

它开始进入行动链。

那么数据主权最终就一定要延伸成：

**算法行动主权。**

也就是说，我不仅需要控制谁能够知道我。

我还需要控制：

谁能够代表我。

谁能够利用我的上下文替我做决定。

谁可以调用什么权限。

这些 Agent 的优化目标是谁定义的。

发生利益冲突时，它站在哪一边。

它使用我的记忆，到底是在帮助我，还是在帮助另一个商业主体更有效率地向我收费。

如果这些东西没有解决，那么哪怕所有数据都储存在“本地 Personal Data Pod”里面，也毫无意义。

因为最重要的不是硬盘的位置。

而是**智能的效忠对象。**

## 七、这就是为什么 Solid 式的数据主权太古典

我现在对 Solid、DID，甚至早期大量 Web3 数据确权方案的最大批评，就在这里。

它们解决的大多数仍然是：

数据放哪里。

谁可以访问。

授权什么时候过期。

谁拥有哪个 identifier。

如何证明这是你的。

这些东西当然不是完全没有价值。

但它们解决的是**静态数据时代的产权问题**。

而我们真正正在面对的，是一个高速耗散的算法环境。

信息只需要暴露一次，就可能转化成画像。

画像可以转化成推断。

推断可以改变排序。

排序可以改变行为。

行为又产生新的数据。

新的数据继续训练模型。

到最后形成一个完整的反馈闭环。

你却还在讨论：

“这份 JSON 到底储存在谁的服务器。”

这就像工业革命已经发生了，你还在讨论蒸汽机厂房门口那块煤是谁的。

煤当然重要。

但真正改变社会结构的是机器。

数据当然重要。

但真正产生权力的是：

**把数据变成判断，再把判断变成行动的机器。**

## 八、数据主权必须包含“指向权”

我 2023 年其实还有一个现在看来仍然非常重要的判断。

公开信息形成的“知识”本身很难被真正私有化。

别人通过大量信息知道“25 岁年轻人普遍喜欢某类商品”，这种知识一旦产生，很难要求别人忘记。

但还有另外一个东西可以被保护：

**指向性。**

当年我举过一个非常简单的例子：

商家即使知道世界上存在“一群正在考虑买车的人”，只要它无法把广告准确指向这些具体的人，这份知识就没有现在这么强大的商业力量。

所以真正可以交易、控制甚至撤销的，很可能并不是知识本身，而是：

**从知识重新指向具体个体的能力。**

今天再看，这个概念其实可以扩展得更远。

匿名不是最高级的数据保护。

**不可指向，才是。**

因为很多时候企业根本不需要知道你叫什么 Jason。

它只需要知道：

设备 A83F7 是那个会在凌晨两点买东西的人。

那就已经足够了。

所以身份主权真正要解决的，也不只是名字和身份证号码。

而是：

不同场景下的数据是否能够被重新连接成“同一个你”。

谁有权建立这种 linkability。

谁有权解除这种关联。

谁有权让已经脱敏的信息重新指向你。

这就是指向权。

## 九、所以撤回权也必须重新定义

传统权限系统对“撤回”的理解也太天真了。

它认为：

昨天我给你授权。

今天我点一下 Revoke。

于是你失去访问权。

这叫撤回。

但算法时代真正有效的撤回至少还必须面对一个问题：

**已经形成的衍生状态怎么办？**

原始数据删除了。

embedding 呢？

用户画像呢？

模型缓存呢？

推断结果呢？

因你而改变的 ranking state 呢？

因为你的数据而训练过的 personalized model 呢？

其他数据库里面已经建立起来的关联呢？

所以真正的撤回，不一定意味着让世界“忘记”。

这在技术上、哲学上很多时候都不现实。

它应该意味着：

**停止让既有信息继续获得针对你的行动能力。**

也就是说，撤回的真正对象不是记忆本身。

而是权力。

你可能记得我。

但你失去了继续用这个记忆指向我、交易我、区别定价我、影响我和自动对我采取行动的权限。

这才是一种现实意义上的撤回。

## 十、最终，数据主权其实是“自我模型”的主权

所以一路推下来，我们最终会发现一个很奇怪的事情：

所谓数据主权，讨论到最后其实已经不是数据问题。

而是：

**“谁拥有定义我的模型？”**

现实世界里的我只有一个。

但是数字世界里，会存在无数个“关于我的模型”。

银行有一个我。

广告平台有一个我。

保险公司有一个我。

抖音有一个我。

淘宝有一个我。

未来每一个 Agent 都可能有一个我。

这些“我”甚至会反过来决定现实中的我可以得到什么东西。

那么真正的数据主权就应该意味着：

我不仅是这些模型被动观察的对象。

我自己也拥有一个足够强大的自我模型。

我有自己的长期记忆。

自己的上下文。

自己的偏好。

自己的目标函数。

自己的信用历史。

自己的关系。

自己的决策模型。

最重要的是，我拥有一个**站在我这一边的智能。**

这也是为什么我一直认为 Personal AI 最重要的东西从来不是“帮你写邮件”。

而是谁拥有离你最近的上下文。

谁拥有你的长期记忆。

谁拥有你的第一界面。

以及这个智能最终对谁负责。

2023 年我把这种变化描述成：从过去只有企业能够利用智能改变用户的第一界面，到用户第一次拥有以自身意图为优化目标的智能。

现在看，这可能才是整个数据主权问题真正的入口。

## 十一、数据主权的终点不是“隐私”，而是选择权

所以我其实也不认为数据主权的终极目标是隐私。

隐私只是其中一个状态。

一个人完全可以选择公开自己的数据。

也可以选择出售。

选择拿它换服务。

选择让 AI 读取自己过去二十年的全部人生。

甚至选择把自己几乎完全透明化。

只要这一切真的是他的选择。

所以真正的问题从来不是：

“数据能不能被别人使用。”

而是：

**当数据变成预测、排序和行动以后，这种力量最后归谁。**

是平台替你决定。

还是你决定。

是企业可以利用你的行为剩余预测你的未来，再用这个预测去修改你的未来。

还是你能够拥有对等的智能，看见这种计算、拒绝这种计算、改变这种计算，甚至让自己的 Agent 反过来替自己博弈。

我当年写《监控资本主义时代》时，对这件事情的理解就是：真正需要拿回来的，并不仅仅是数据，而是**选择未来的权利。**

今天我仍然认为这是最好的落点。

所以，如果今天重新定义一次：

**数据主权，是一个人对于“关于自己的信息如何被观察、关联、推断、记忆、排序和用于行动”所拥有的有效控制能力，以及由这些信息所产生的价值、风险与权力如何被分配的决定权。**

它不是一个数据库。

不是一个 DID。

不是一个 NFT。

不是“数据存在本地”。

甚至不只是隐私。

它最终讨论的是：

**谁有权利用过去的你，去决定未来的你。**

而我认为，这个权利首先应该属于你自己。

没有在场, 没有always-on
如果在场, 没人想是sam/mark视奸你的一切

我是他看了得睡不着

我去，这波前额叶思维了

博弈论...？

最近看了郝奕会客厅采访王珞那期“年轻人如何用博弈论跳出内卷”。

我本来以为，既然一个人顶着“博弈论教授”的身份出来聊这个东西，至少会讲一点 mechanism（机制）。

结果越听越奇怪。

凯利公式。

西蒙斯。

香港土地。

有限与无限的游戏。

长期主义。

复杂系统。

每个词单独拿出来都不能说错。

但是每讲到一个真正应该继续往下追问机制的问题，他就停了。

然后突然给你一个人生感悟。

这就是我对这期视频最大的不适：

它不是完全不知道那些理论，而是永远只讲到浅水区，然后在深水区入口转身，把一个结构问题重新包装成个人选择问题。

这和博弈论恰恰是反着来的。

博弈论从来不是告诉你“应该聪明一点”。

而是：

你为什么会被迫这么选？

别人为什么会这么选？

什么规则使这种行为成为 equilibrium（均衡）？

谁拥有修改规则的权力？

以及如果这个均衡很烂，有没有办法重新设计游戏？

结果这些最重要的问题，他一个个绕过去了。

先说香港。
视频里拿香港保留绿地、给后人留下土地之类的例子去讲所谓长期主义，我听到这里就觉得非常典型。

香港土地问题居然可以被压缩成“上一代有没有为下一代留一点空间”。

这已经不是分析，是寓言。

香港的土地和住房问题，本来就是一个非常典型的 political economy（政治经济学）和 mechanism design（机制设计）问题。

香港政府长期通过土地批租、规划、用途转换、拍卖和发展审批影响土地进入住宅市场的速度。学术研究也确实发现，土地规划限制、绿化带和开放空间比例、土地供应制度，都与住房供给和房价有关。与此同时，也有研究发现，单纯“多卖地”并不能自动转化成更多住房，因为开发商的持地周期、土地成本和开发回报同样会改变供给。

这才是这个问题有意思的地方。

不是：

“我们应该给后人留一点绿地。”

而是：

谁决定一块土地可以不可以开发？

改变用途需要支付什么成本？

政府为什么在某个时期增加供应，在另一个时期减少供应？

私人土地所有者为什么选择现在开发或者十年以后开发？

一个长期限制供给的制度，制造出来的 scarcity rent（稀缺租值）最后流向谁？

谁因为房价上涨获益？

谁因为租金上涨承担成本？

你甚至不需要先认定“香港豪绅故意合谋控制房价”这种过强结论。

光把 incentives（激励）画出来，就已经比一句“给后人留绿地”有价值得多。

香港政府自己这些年都在重新检讨 Green Belt（绿化地带），2022 年施政报告就提出从约 1.6 万公顷绿地中寻找具住宅潜力的地块，并明确把增加土地储备和住房供应作为政策目标。

所以把这样一个复杂的土地制度问题讲成一种跨代长期主义，等于是直接把政治经济结构洗掉了。

然后再看西蒙斯。
这个例子更搞笑，因为他说到了一半，而且恰恰把最重要的一半漏了。

Renaissance Technologies（文艺复兴科技）内部确实非常强调研究人员之间开放交流。

Simons 自己也说过，公司研究氛围高度 collaborative（协作），内部非常开放；早期资料还显示，公司并不喜欢按照某个人某一年的单独“贡献”来分钱，而是让员工分享整个公司的利润，希望形成“所有人都希望其他人成功”的激励。

如果只讲到这里，很容易变成一个漂亮故事：

你看。

三百个聪明人在一起讨论。

没有传统 KPI。

大家自由碰撞。

所以产生奇迹。

但这恰好把 Renaissance 真正牛逼的地方讲反了。

Simons 自己说得非常清楚：

Renaissance 是 100% model-driven（百分之百模型驱动） 。

模型决定交易。

人不能因为“我今天感觉 Google 太贵了”就把模型推翻。

他说得甚至非常极端：模型的预测哪怕有人觉得很蠢，只要模型没有被正式修改，交易还是按照模型执行。

为什么？

因为一个模型可以 backtest（回测）。

一个人的临场直觉不能。

所以 Renaissance 根本不是什么“反量化管理”的浪漫主义乌托邦。

正好相反。

它内部的 research process（研究过程）可以开放、协作、不按单一 idea（想法）计件；

但是它外部面对市场的时候，却建立了极端严格的模型纪律、数据基础设施、风险控制、知识产权隔离和统一执行系统。

甚至激励机制也不是一句“没有 KPI”可以解释的。

早期资料显示公司大量员工持股，员工整体参与利润分享；后来披露的雇佣协议也显示高级研究人员的重要奖金与整个公司的经营净收入挂钩。

看到了吗？

这才叫机制。

不是“不考核”。

是把 measurement（测量）的层级换掉了。

不是把每一个研究员拆开计算今天贡献了几个 alpha（超额收益），而是通过 shared payoff（共同收益）、长期雇佣、内部知识共享和严格统一的模型执行，把原本可能互相藏东西的一群聪明人，变成一个复合系统。

这本来是一个多漂亮的 mechanism design 案例。

结果讲完变成：

不要迷信 KPI。
这就跟看到飞机飞起来以后总结出“大家不要太迷信汽车”差不多。

你把真正的因果机制全部删了。

然后是《有限与无限的游戏》。
这也是我最受不了的地方。

Carse（卡斯）的确区分 finite game（有限游戏）和 infinite game（无限游戏）：

前者为了赢。

后者为了让游戏继续。

这句话谁都会背。

但这本书真正有意思的部分不是“世界上有两种游戏”。

而是后面：

有限玩家在边界之内玩，无限玩家和边界本身一起玩。

而且无限游戏的规则必须在游戏过程中不断发生变化，因为当现有规则即将导致一部分人永久胜利、另一部分人永久退出的时候，你就必须改变游戏规则，使游戏能够继续。

这就完全不是一句心灵鸡汤了。

如果你真的把这件事情往博弈论方向推，下一步必然是 mechanism design。

为什么这个游戏不断把 matcher（匹配型合作者）淘汰掉，只留下 taker（索取者）？

那能不能改变 matching（匹配）机制？

能不能增加 reputation（信誉）？

能不能让背叛行为留下长期标签？

能不能提高一次性套利以后重新进入系统的成本？

能不能让合作者更容易识别并匹配其他合作者？

能不能让不同规则偏好的参与者进入不同 pool（池子）？

演化博弈里的 green-beard effect（绿胡子效应）甚至讨论过一个很有意思的问题：如果合作类型能够通过某个可识别信号找到彼此，合作策略的生存条件就会改变。当然这种识别机制自身也会面对伪装和作弊。

这才是问题。

无限游戏不是劝你输得开心一点。
无限游戏真正困难的问题是：

怎么让那些愿意把游戏继续下去的人，不会持续被一次性掠夺者吃掉？

如果一个系统不断奖励 taker，惩罚 giver；

不断奖励破坏规则的人，惩罚遵守规则的人；

每一次都告诉守规则的人：

“不要在乎眼前输赢，要有长期主义。”

那这不是无限游戏。

这是给 extraction（榨取）提供伦理包装。

更何况 Carse 自己还有一句很重要的话：

真正的 play（游戏）必须包含 voluntary participation（自愿参与）；一个被迫参与的人，在他那个哲学意义上甚至不能算真正“play”。

这一下问题就更大了。

如果一个年轻人因为住房、学历、就业、签证、家庭债务或者其他沉没成本，被锁定在一套他几乎没有 exit option（退出选择）的制度里面，你跟他说：

“不要太在乎有限游戏的输赢。”

是不是已经有点黑色幽默了？

他连不玩都不一定有资格。

然后就是“长期主义”。
这三个字现在基本已经被讲烂了。

大量人把长期主义理解成一种人格：

耐心。

坚持。

不要计较一时输赢。

相信复利。

但从 repeated game（重复博弈）的角度来看，长期合作根本不是什么人格魔法。

它有前提。

未来还要不要见？

对方今天干了什么，我明天看不看得见？

背叛以后有没有惩罚？

身份能不能换？

坏记录能不能清零？

今天守信用换来的 reputation（信誉），下一轮还能不能兑现？

关于重复博弈的大量理论和实验研究恰恰都在研究这些条件。未来互动的概率、discounting（折现）、monitoring（监督准确性）、惩罚机制以及战略不确定性，都会直接决定合作能不能成为稳定均衡。

所以：

长期主义不是一种个人美德。

长期主义首先是一种机制产生的行为。

如果今天合作获得的信誉可以带入明天；

如果背叛今天的人明天还要面对你；

如果退出以后不能瞬间换一个马甲重新开始；

如果规则不会在你积累十年以后突然换掉；

如果你的财产权和收益能够保留；

那么长期主义会自然变成一种 rational strategy（理性策略）。

反过来，如果这些条件不存在：

短期套利可能才是均衡。

你天天呼吁参与者长期主义，只是在要求单个玩家单方面承担一个坏机制的成本。

这也正是 mechanism design（机制设计）为什么存在。

机制设计关心的从来不是：

“怎样教育所有人做一个好人？”

它关心的是：

在每个人都有自身利益、私人信息，甚至可能撒谎、投机的前提下，怎样设计制度，让他们按照自身利益行动以后，仍然尽可能导向我们希望得到的结果。

2007 年诺贝尔经济学奖对机制设计理论的总结就是围绕 institutions（制度）、private information（私人信息）和 incentives（激励）展开。Myerson 甚至直接把社会制度看成协调信息和行动的机制：如果现有制度产生不了想要的结果，那问题就是能不能改革这个机制。

这才是“内卷怎么办”真正该接下去的问题。

不是：

“你如何调整自己的函数？”

而是：

为什么现在这个函数会成为占优策略？

例如一个行业所有公司都被某个平台按照最低价排名。

每一家公司单独看，降价都有道理。

结果所有公司一起降价以后，利润全部消失。

这个时候你给老板上两个小时课，说：

“不要卷，要升维。”

有什么用？
他回去不降价，第二天排名掉光。

真正的解法必须改变 auction rule（竞价规则）、ranking mechanism（排序机制）、市场准入、用户匹配方式，或者改变交易发生的场所。

也就是改变 game form（博弈形式）。

否则那不叫破局。

只是教一个人如何优雅地输。

然后才到凯利公式。

Kelly criterion（凯利准则）本身当然不是一个简单的期望值公式，更不能把它说成什么“正态分布公式”。

Kelly、Shannon、Thorp 这一脉恰恰已经意识到了 multiplicative wealth（财富乘法过程）和长期增长的问题；Ole Peters 后来也从 ergodicity（遍历性）角度重新解释了这条路线。

但也正因为这样，我才更反感把 Kelly 拿来做人生成功学。

因为 Kelly 真正成立的时候，问题已经被定义得相当好了。

至少你得对 outcome distribution（结果分布）、胜率、赔率或者自己的 edge（优势）有一个模型。

现实世界呢？
你知道自己创业成功的绝对概率吗？

你知道失败究竟亏 20 万还是导致十年信用和机会成本一起归零吗？

你知道你还有多少次重来机会吗？

你知道宏观制度五年以后是什么样吗？

你知道你观察到的是 variance（方差）还是根本没出现过的 fat tail（肥尾）？

你连分布是什么都不知道。

更不要说 parameter uncertainty（参数不确定性）。

这就是塔勒布那套东西真正有意义的地方。

现实问题经常不是：

“均值是多少？”

而是：

这个系统有没有 ruin（出局）？

一次失败以后还能不能继续玩？

一万个 1% 的小收益，能不能抵消一次永久出局？

风险是不是 thin-tailed（薄尾），还是极少发生的事件就可以吃掉过去全部历史收益？

凸性又在哪一边？

如果一个决策 downside（下行）有限、upside（上行）开放，它和一个平时一直赚钱但偶尔一次全部归零的策略，看起来可能拥有类似的平均收益，却根本不是同一种东西。

所以在现实开放系统里，第一原则往往不是“最大化理论增长率”。

而是：

先不要死。

先不要被赶下牌桌。

再考虑增长率。

这时候再回来看所谓“年轻人长期主义”“凯利公式”“坚持复利”，你就会觉得特别荒唐。

你连参与者是否能够活过整个 sample path（样本路径）都没有讨论，就开始教育他长期。

所谓长期，到底是谁的长期？

如果一家公司的管理者一年以后就走人，而风险十年以后爆炸；

如果一个机构拿上行奖金、下行由别人兜底；

如果一个教授今天收课费，而学员五年以后承担策略失败；

这些人当然特别喜欢谈长期主义。

因为他们自己的 payoff（收益）是现在兑现的。

你的风险才在长期。

最后再看他整套东西，我就发现了一个非常稳定的模式。

香港土地：

制度问题讲成代际价值观。

Renaissance：

激励机制和模型纪律讲成“不要迷信 KPI”。

Carse：

改变规则讲成改变心态。

重复博弈：

合作产生的制度条件讲成长期主义。

Kelly：

定义明确的资金管理工具讲成人生下注哲学。

内卷：

坏机制产生的均衡讲成个人如何升维。

每一次都一样。

case（案例）是真的。

concept（概念）也是真的。

然后把中间真正困难的 causal mechanism（因果机制）整个剪掉。

直接得到一个傻子都能听懂，而且听完会很舒服的结论。

这就是典型的二手知识压缩。

真正的研究是在问：

A 为什么导致 B？

在什么条件下不导致 B？

变量改变以后结果会不会反转？

边界条件在哪里？

谁承担外部性？

模型什么时候失效？

他这种讲法却是：

我给你看一个很精彩的故事。

然后告诉你一个人生道理。

所以我才会觉得最讽刺的一点是：

王珞自己的书明明还写过“博弈结构比博弈策略重要”“从博弈结构上突破两难”。机械工业出版社对他的书的介绍，也直接说所谓“升维”就是改变博弈结构。

结果到了公共传播里，真正的结构分析反而越来越少。

最后还是：

你改变自己。

你提升认知。

你长期主义。

你换一个游戏。

这和绝大多数成功学最后殊途同归。

因为结构是最不好讲的。

结构涉及权力。

涉及产权。

涉及准入。

涉及分配。

涉及规则是谁制定的。

涉及有人为什么可以改变游戏，而有人连退出游戏都做不到。

一旦这些东西开始讲清楚，就再也没有办法用一个漂亮的“人生算法”收尾了。

而且还有最后一层。

王珞当然不是完全没有履历。

公开资料里能查到企业、高管教育、书籍、课程和咨询经历，他的主要公共产品也明显集中在这些地方。

我目前没有找到与他“博弈论教授”这一媒体形象相匹配的大量同行评议博弈论论文、正式模型或者在这个领域被持续引用的原创研究成果。

反过来，商业培训是非常明确的。

公开培训平台甚至挂过他的《博弈论与商业决策思维》，两天 9800 元/人；他也有面向公众的付费博弈课程。

卖课当然不等于错。

做咨询也不等于没水平。

但站在博弈论角度，我反而特别想研究这个位置本身。

一个人负责输出方法论。

企业家负责拿真钱实验。

他说一个长期主义故事，说错以后企业家承担亏损。

他说一个人生下注方法，年轻人承担机会成本。

他的收入却在今天确认。

这不就是一个非常漂亮的 principal-agent problem（委托代理问题）吗？

决策建议和风险承担分离。

上行收益和下行风险不对称。

没有 skin in the game（利益攸关）的人，在教育真正拥有 skin in the game 的人如何承担风险。

所以我根本不需要给他挖什么黑料。

这个结构本身已经足够好玩了。

一个天天教别人识别博弈结构的人，

自己恰恰处在一个极其舒服的博弈结构里面：

理论成功了，是方法论厉害。

理论失败了，是你没有真正理解。

课程费照收。

咨询费照收。

真正下注的人承担 tail risk（尾部风险）。

所以这期访谈如果真的要上一堂博弈论课，

我觉得最好的方法不是听他说的那些人生公式。

而是在视频播放结束之后问几个最基本的问题：

谁制定规则？

谁能够改规则？

谁拥有退出权？

谁得到上行收益？

谁承担下行风险？

谁能把负向外部性转嫁给别人？

谁永远不会因为自己给出的建议而出局？

把这几个问题画出来，

博弈论才刚刚开始。

乔布斯 1983，全球个人电脑只有1000万台

1983 年，Steve Jobs 28 岁。

Macintosh 还没有发布。

个人电脑甚至还远没有成为今天意义上的“大众产品”。

那一年，他在阿斯彭国际设计大会上讲了一段后来听起来近乎荒谬的产品战略。

他说：

苹果的战略其实非常简单。

我们想做一台真正伟大的电脑，把它装进一本书那么大的东西里，让你能够随身携带，而且二十分钟就可以学会使用。

不用接任何线，拿着它，就能够连接远处的大型数据库和其他计算机。

然后说：

现在我们不知道怎么做到。

“It's impossible technically.”

技术上做不到。

于是 Apple 面前出现了三个选择。
第一个选择：

什么都不做。

等待技术成熟。

Jobs 说，他们都很年轻，也很没有耐心，所以这个选择不怎么样。

第二个选择：

现在就把一台电脑塞进一本书那么大的空间里面。

这并不是做不到。

问题是，做出来的会是一台：

“piece of garbage computer”。

一台垃圾电脑。

Jobs 随后补了一刀：

竞争对手已经在这么做了，所以我们没有必要再做一次。

于是只剩下第三个选择。

先把“最终希望装进那本书里的电脑”设计出来。

即使今天根本没有办法把它装进书里。

这就是 Lisa。

它当时不是一本书那么大。

Jobs 说，它现在大概是一个 breadbox（面包盒）那么大。

售价：

10,000 美元。

然后他说出了整个 roadmap（路线图）。

今天，它是一个 10,000 美元的面包盒。

下一步，他们会想办法把它缩进一个 shoebox（鞋盒），卖大约 2,500 美元。

再下一步：

把它真正缩进一本书。

卖到 1,000 美元以下。

Jobs 当时预计，五到七年。

所以 Apple 1983 年真正的 strategy（战略），不是：

“制造 Lisa。”

Lisa 只是第一步。

它真正的战略是：

先把终点设计出来。

然后沿着技术曲线不断向终点逼近。

10,000 美元的面包盒。

2,500 美元的鞋盒。

1,000 美元以下的一本书。

最终要的东西从一开始就没有变。

变化的只是：

芯片。尺寸。成本。电池。显示。网络。制造能力。

换句话说：

形态是技术曲线的函数。愿景不是。

四十三年以后，我重新听这段演讲的时候，有一种非常强烈的既视感。

因为今天的 AI wearable（AI 穿戴），几乎正在经历一模一样的问题。

大家已经提前决定：

未来的 AI wearable 应该是一副眼镜。

于是整个行业开始做一件事情：

把今天能够找到的所有东西，往两根眼镜腿里面塞。

摄像头。麦克风。Speaker（扬声器）。SoC（系统级芯片）。Wi-Fi。Bluetooth（蓝牙）。AI。存储。电池。散热。

最后所有产品设计都围绕一个问题展开：

“怎么把这么多东西塞进眼镜？”

但这可能从一开始就是一个错误的问题。

因为眼镜的空间就这么大。

鼻梁能够承受的重量就这么大。

眼镜腿能够散掉的热就这么多。

电池只能这么小。

麦克风的距离只能这么短。

Speaker 的空间只能这么少。

摄像头的位置也几乎被锁死。

于是每塞进去一个功能，另外一个功能就要被砍掉一点。

最后做出来的，并不是：

一台真正伟大的 personal intelligence device（个人智能设备）。

而是一台：

在“眼镜”这个有限空间里面勉强能够工作的 AI。

这让我想起 Jobs 1983 年那句话。

“Put a piece of garbage computer in a book.”

把一台垃圾电脑塞进一本书。

今天我们正在做的，很可能只是：

Put a piece of garbage AI computer in a pair of glasses.

把一台被严重阉割的 AI computer（AI 计算机），塞进一副眼镜。

然后因为它终于长得像“未来”，我们就宣布未来到了。

但 Jobs 当年的选择不是这样。

技术不够，就不要假装技术已经够了。

正确的设备今天需要一个面包盒，那就先做面包盒。

明天能做到鞋盒，就做鞋盒。

直到有一天，它真的能够变成那本书。

不要为了提前得到“那本书”的外形，先把里面真正重要的电脑毁掉。

这也是 ALICE 为什么一开始就没有把自己定义成AI 眼镜。

我们想问的问题不是：

“How do we put AI into glasses?”

怎么把 AI 塞进眼镜？

而是：

“What is the right physical form for personal intelligence?”

个人智能，正确的物理形态到底是什么？

如果真正的目标是一个能够陪伴一个人十几个小时甚至全天的 intelligence（智能），那么它需要的首先不是一副眼镜。

它需要 memory（记忆）。

需要 context（上下文）。

需要持续 sensing（感知）。

需要好的 microphones（麦克风）。

需要 camera（摄像头）。

需要可靠的 audio output（音频输出）。

需要足够的 battery（电池）。

需要无线连接。

需要本地计算。

需要隐私控制。

需要能够在一个人的现实生活里长期存在，而不是两个小时之后没电。

这些才是终点。

至于它今天是一副眼镜、一个 neckband（颈带）、一副耳机，还是未来某种我们今天甚至还没有名字的东西，那反而是第二级的问题。

如果今天一台真正可用的 personal intelligence，需要一个 neckband 才装得下，

那就先做 neckband。

这就是我们的 Lisa。

不是因为 neckband 是终点。

恰恰相反。

因为我们不愿意为了提前得到终点的外观，而牺牲终点真正应该拥有的能力。

等到 battery density（电池能量密度）再上升。

Sensor（传感器）再缩小。

SoC 功耗继续下降。

模型越来越小。

无线通信越来越高效。

摄像头越来越低功耗。

也许它会从今天的“面包盒”继续变成“鞋盒”。

最后真的消失进一副普通眼镜。

甚至比眼镜更小。

但这个过程的方向应该是：

完整的 intelligence，不断缩小。

而不是：

先规定一个很小的壳，再把 intelligence 不断阉割。

这就是 1983 和 2026 第一个真正的同构。

但它还不是最重要的那个。

因为如果把 Jobs 那场演讲继续听下去，会发现他真正关心的东西，从来都不只是“把电脑做小”。

他关心的是：

把工具交到个人手里。

Apple 当年为什么会存在？

Jobs 在同一场演讲里讲得很清楚。

过去的计算机是一台大型机器。

很多人通过 terminal（终端）和一条“脐带”连接到远处的大型计算机。

计算能力集中在机构里面。

大学有。

政府有。

大公司有。

普通人没有。

然后 microprocessor（微处理器）出现了。

Apple 把微处理器和输入输出设备放在一起，做成了一整台属于个人的 computer（计算机）。

人们第一次看到 Apple II 时甚至会问：

“电脑在哪里？”

因为他们以为桌上的东西只是 terminal。

Apple 会告诉他们：

不。

这就是整台电脑。

你可以把它扔出窗外。

可以开车碾过去。

没有另外一台大型机藏在某个地方。

计算能力就在这里。

属于你。

Jobs 把这称为 Apple 存在的根本原因之一。

这才是 Personal Computer（个人计算机）真正革命性的地方。

不是 computer 变小了。

而是 ownership（所有权）发生了变化。

以前：

机构拥有计算能力。

个人请求它。

后来：

个人拥有计算能力。

这其实是一场非常彻底的 power redistribution（权力再分配）。
把一种过去只有大型组织才能拥有的 cognitive tool（认知工具），分发到每一个人的桌面上。

所以 Jobs 后来不断讲 tools（工具）。

讲 empowerment（赋权）。

讲 creativity（创造力）。

讲让普通人拥有过去只有专业机构才拥有的能力。

Personal Computer 里面真正重要的单词，从来不是 Computer。

而是：

Personal。

而四十三年之后，我们又回到了几乎相同的位置。

只不过这一次，被集中起来的不再只是 computing power（计算能力）。

而是 intelligence（智能）。

今天的 AI，其实非常像 1960 年代的 mainframe（大型机）。

模型存在于巨大的 data center（数据中心）里。

平台拥有模型。

平台拥有算力。

平台拥有推荐系统。

平台拥有你的行为数据。

平台拥有你的搜索。

你的点击。

你的购买。

你的社交关系。

你的内容消费。

未来，它甚至会拥有越来越完整的 reasoning context（推理上下文）。

而个人面对这一切的时候，手里有什么？

一个输入框。

你每一次打开 AI，都重新告诉它：

我是谁。

我在干什么。

刚才发生了什么。

三个月以前发生过什么。

我的朋友是谁。

我的项目做到哪里。

我为什么做这个决定。

从某种意义上说，这是一个极其荒谬的状态。

世界拥有越来越强的 artificial intelligence（人工智能）。

但个人仍然没有自己的 intelligence。

平台拥有你的 context。

你自己却没有。

平台记得你。

你的 AI 却不记得你。

平台可以用几十年的数据理解一个用户。

而用户自己面对平台的时候，却仍然是一具会遗忘的肉身。

这就是下一场 personal computing revolution（个人计算革命）真正要解决的问题。

1983 年的任务是：

把 computing power 从大型机构带给个人。

2026 年之后的任务，是：

把 intelligence、memory 和 context，从大型平台重新带回个人。

所以我们认为：

Personal Computer was the first step.

个人计算机，是第一步。

Personal Intelligence is the next step.

个人智能，是下一步。

这里的 personal intelligence，不只是“每个人有一个 ChatGPT 账号”。

那仍然只是 time-sharing（分时共享）的 AI。

真正的 personal intelligence，应该拥有属于这个人的长期 context。

它知道你看见了什么。

听见了什么。

经历过什么。

答应过什么。

为什么做出某个决定。

一个项目六个月前从哪里开始。

一个人三年前和你说过什么。

它不是每次都等待你重新 Prompt（提示）。

它和你共享一条连续的时间线。

Memory belongs to you.

Context belongs to you.

Intelligence works for you.

记忆属于你。

上下文属于你。

智能为你工作。

这才是“Personal”在 AI 时代真正应该重新获得的意义。

所以 ALICE 最终要做的，也并不是一个更方便调用大模型的 wearable（穿戴设备）。

它是一层 personal context infrastructure（个人上下文基础设施）。

它让一个人的现实世界第一次可以成为自己的 machine-readable context（机器可理解上下文）。

不是首先交给广告系统。

不是首先交给推荐系统。

不是首先交给某个超级平台。

而是首先交给这个人自己的 intelligence。

如果 Personal Computer 完成的是 computing decentralization（计算去中心化），

那么 Personal Intelligence 要完成的，就是 intelligence decentralization（智能去中心化）。

这可能才是我们与 1983 年那一代真正发生共鸣的地方。

Jobs 那一代面对的是：

巨大的计算机在远方。

我们面对的是：

巨大的智能在云端。

他们做的事情，是把计算机从机房里拿出来，放到每个人桌上。

我们下一步要做的，是把智能从云端真正带回到每一个人身边。

从 Mainframe，

到 Personal Computer。

从 Cloud Intelligence，

到 Personal Intelligence。

而每一次转变真正发生的时候，人类得到的都不只是一个新设备。

而是一种新的 agency（自主能力）。

1983 年，他们给了个人自己的计算工具。

今天，我们想继续完成那件事。

给个人自己的 memory。

自己的 context。

自己的 intelligence。

所以当我们重新听到四十三年前那句话：

“Apple’s strategy is really simple.”

它听起来已经不完全像一段历史录音了。

它更像是上一代工程师留下来的一道 cue（提示）。

不要把垃圾塞进一个看起来正确的形状里。

先把真正正确的东西做出来。

允许第一代很大。

允许第一代很贵。

允许第一代不像最终形态。

然后一代一代，把它缩小。

Lisa。

Breadbox。

Shoebox。

Book。

这是上一代 personal computing（个人计算）的路径。

我们认为，现在是下一步。

Context。

Memory。

Personal Intelligence。

然后，一代一代，把它缩进人的生活里。

直到有一天，它小到你甚至忘记它是一台计算机。

但它始终记得你是谁。

Steve called it the first step.

We think it’s time for the next one.

别再造一个“更公平的平台”了，我们可能从一开始就问错了问题
2026-09-19
阅读需要7分钟

最近有一类产品很火。

有人想做一个「更公平的消费平台」。

有人想重新设计外卖，让消费者、商家和配送者之间分得更合理。

也有人试图让消费者通过自己的购买行为，支持自己认可的企业和劳动方式。

这些尝试为什么会火？
因为它们确实踩中了一个真实情绪：

大家已经开始感觉到，今天的平台体系哪里不太对。

消费者觉得价格越来越复杂。

商家觉得钱越来越难赚。

配送者觉得规则越来越密。

创作者每天都在猜推荐机制。

普通用户则发现，自己明明贡献了数据、时间、注意力和消费，却几乎没有真正参与规则设计的能力。

所以大家自然产生一个想法：

既然旧平台不好，那我们是不是可以重新做一个「好平台」？

我反而觉得，这恰恰可能是问题所在。

因为这仍然是在用旧范式解决旧范式的问题。

平台规则不公平，就重新设计一个平台。

抽成不合理，就做一个低抽成的平台。

排序有问题，就做一个更透明的排序。

用户利益没有被照顾，就做一个更加站在用户一边的平台。

这些当然都比什么都不做好。

但它始终没有回答一个更根本的问题：

为什么用户自己的能力几乎没有增加？

今天的平台有什么？

有海量数据。

有推荐算法。

有用户画像。

有 A/B Test（A/B 测试）。

有几百甚至几千人的产品、算法、运营团队。

它知道什么价格你更容易接受。

知道什么商品应该什么时候推给你。

知道什么排序更容易让你点击。

知道什么优惠机制最容易让你下单。

甚至可以不断通过实验，逐渐逼近你的真实行为函数。

而用户这一边有什么？

一颗脑子。

一点模糊的记忆。

几分钟耐心。

以及一句：

「我感觉这个好像有点贵。」

这才是今天真正巨大的不对称。

不是单纯谁更加善良的问题。

而是双方根本不在同一个计算能力上。

一边拿着完整的数据、模型和算力。

另一边甚至不知道自己上个月到底花了多少钱。

所以我一直觉得，下一阶段真正应该发生的事情，不应该只是再创造一个「更好的中心」。

而应该是：

用户第一次拥有自己的算法能力。

这也是我理解的 Algorithmic Sovereignty（算法主权）。

今天的平台有推荐算法。

那用户也应该有自己的 Ranking Algorithm（排序算法）。

平台会研究你的购买行为。

你的 Personal AI（个人 AI）也应该替你研究平台。

平台知道怎么让你多消费。

你的 AI 应该知道什么时候应该提醒你：

这不是优惠。

这只是把一个原本不会发生的消费包装成了省钱。

平台可以看你过去三年的消费数据。

那为什么你自己的 AI 不能拥有同样完整的历史？

为什么它不能告诉你：

「这个东西你去年已经买过两个。」

「这个会员按照你的使用频率并不划算。」

「虽然页面写着立减 80，但你为了使用这张券需要额外消费 260。」

「这件商品现在的价格其实高于过去六个月均价。」

到了这里，所谓用户赋权才真正开始。

否则很多所谓「公平平台」，其实仍然只是：

由另一个人替你决定什么叫公平。

这和用户自己拥有判断能力，是完全不同的事情。

举一个最简单的例子。

假设我很在意一家公司有没有更健康的工作制度。

今天的做法是什么？

做一个平台。

平台收集名单。

平台替我判断。

平台进行认证。

平台给企业排序。

用户进入以后，再接受这套排序。

但如果个人 AI 足够成熟，这个「平台」甚至不是必需的。

我只需要告诉我的 AI：

以后同等价格和质量下，我优先购买劳动制度更合理的企业。

结束。

AI 自己查公开信息。

自己判断来源可信度。

自己对不同信息做交叉验证。

最后把这个偏好加入我的个人排序。

另一个人不在乎这一点。

他就不加。

有人更在乎环保。

有人更在乎本地生产。

有人更在乎便宜。

有人更在乎配送速度。

这才是真正的 Preference Expression（偏好表达）。

不是所有人进入同一个系统，接受一套统一定义。

而是每个人拥有自己的价值函数。

然后由自己的算法替自己执行。

外卖也一样。

我可能愿意晚十五分钟。

我不需要配送者拼命赶。

我愿意把多出来的几块钱直接算进配送成本。

我愿意长期购买固定几家店。

我愿意优先匹配过去合作体验稳定的人。

这些都是我的真实偏好。

但是今天大量平台能够表达的，往往只有几个非常粗糙的按钮：

快一点。

便宜一点。

再来一单。

于是一个极其复杂的人类价值函数，最后被压缩成平台最方便计算的几个参数。

这就是为什么我一直说：

数据主权真正重要的地方，不只是“数据属于谁”。

而是：

数据最后替谁工作？

你可以让我下载自己的数据。

很好。

但如果我下载回来只是得到一个 CSV 文件，那没有太大意义。

真正的数据主权应该是一条完整的链。

从：

确权。

自主。

采集。

加工。

排序。

匹配。

交换。

信用。

一直到契约。

今天这整条链，大部分能力都在平台一侧。

平台决定采什么。

平台决定怎么算。

平台决定给你看什么。

平台决定谁和谁匹配。

平台决定什么数据参与信用判断。

最后平台再决定交易以什么形式发生。

用户所谓的「拥有数据」，很多时候只是拥有一份副本。

真正应该发生的变化是：

Own Your Data（拥有你的数据）

变成：

Use Your Data（使用你的数据）

再进一步：

Act With Your Data（用你的数据行动）

最后：

Negotiate With Your Data（带着你的数据参与协商）

数据到了这个阶段，才真正成为一种个人能力。

而 Personal AI（个人 AI），就是过去一直缺失的那个中间层。

它不仅是聊天机器人。

它首先应该是一个 Cognitive Firewall（认知防火墙）。

平台把十几种优惠摆到你面前。

它替你还原最终价格。

平台给你排了一百件商品。

它按照你的真实需求重新排序。

平台修改服务规则。

它自动读完，只告诉你：

「有三条变化会影响你。」

平台用过去几年数据建立你的用户画像。

你的 AI 同样利用这些数据建立你的个人模型。

过去是企业拥有 CRM（客户关系管理）。

未来每个人都应该拥有自己的 PRM——Personal Relationship Management（个人关系管理）。

过去是企业研究消费者。

未来消费者第一次也可以拥有机器，长期研究企业。

这才叫真正的对称。

所以我对现在很多「公平平台」最大的疑问从来不是：

你们的初心好不好。

而是：

你到底有没有改变结构？

如果只是：

重新建立一个入口。

重新积累一遍用户。

重新掌握一次数据。

重新形成一套排序。

重新建立一个中心化信用体系。

那么即使规则暂时更加友好，

它依然没有完成 Paradigm Shift（范式转移）。

它只是把旧的软件重新写了一遍。

我们现在在做的反而想走另一条路。

不是试图成为下一个所有人都必须进入的超级入口。

而是把过去属于平台的一部分能力，慢慢迁移回个人这一边。

数据跟着人走。

上下文跟着人走。

记忆跟着人走。

偏好跟着人走。

信用可以迁移。

关系可以迁移。

算法也可以由用户自己选择。

需要某个平台的时候，就连接。

不需要的时候，就离开。

离开一个 App，不意味着你的数据、信用、关系和历史全部归零。

这其实对应我很喜欢的一种网络结构理解。

一个健康的网络，不应该永远追求所有东西连接到一个超级节点。

它应该可以在：

集中。

分散。

连接。

多样化。

重新聚合。

重新分散。

之间不断变化。

中心化不是错误。

在早期，它甚至是非常高效的。

因为它降低搜索成本。

降低撮合成本。

降低陌生人之间的信任成本。

问题在于：

当一个中心同时拥有你的身份、数据、排序、信用、支付、关系和匹配能力以后，

用户几乎失去了退出以后继续正常生活的能力。

真正值得追求的不是「没有平台」。

而是：

平台可以存在，但用户不能依赖某一个平台才能存在。

这是两件完全不同的事情。

所以我反而觉得，最近这些新项目的出现是一件好事。

它们至少说明越来越多人开始意识到：

今天的系统参数有问题。

只是大多数人的第一反应还是：

那我们重新设计一个更好的平台。

而我们想问的是更远的一步：

如果未来每个人都有自己的 AI、自己的数据、自己的记忆、自己的排序、自己的信用和自己的关系网络，

那么还有多少事情必须由一个统一的平台替所有人决定？

也许这才是真正的下一代互联网。

不是找到一个更好的管理员。

而是让过去必须交给别人完成的判断，

第一次可以由每个人自己的机器替自己完成。

这条路当然更难。

做一个商城，大家知道是什么。

做一个外卖软件，大家知道是什么。

做一个新的交易平台，也很容易解释商业模式。

但当你说：

我们想把数据、上下文、记忆、信用、排序、匹配和智能逐渐迁移回个人这一侧。

很多人第一反应会是：

这到底是什么？

这反而可能是正常的。

因为真正的 Paradigm Shift（范式转移），在刚刚发生的时候，本来就很难用旧时代已经存在的产品分类去描述。

树林里分出了两条路。

一条仍然是在寻找一个更好的平台。

另一条，是让一个人即使离开平台，

仍然拥有自己的数据、判断、关系和选择能力。

我们选择了人迹更少的那条。

也许最后真正改变的，

不是哪个平台赢了。

而是有一天，

人不再需要把自己的数字生活，完整地寄存在任何一个平台里面。

真正的 Paradigm Shift（范式转移）不是重新分钱，而是重新分配计算能力。

过去是：

平台有算法，用户有选择题。

未来应该是：

平台有算法，用户也有算法。

平台可以计算你。

你也可以计算平台。

平台可以给世界排序。

你的 AI 也可以把它的排序推翻重来。

《平台最隐蔽的税，不是抽成，是吃掉你的认知带宽》

上一篇我讲了一个东西：

平台最大的本事，不只是收手续费。

而是把自己的成本排出去，让消费者、商家、骑手、司机、创作者，替它承担。

这一篇想继续讲其中最隐蔽的一种污染。

认知污染。

或者更准确一点：

Cognitive Bandwidth（认知带宽）的掠夺。

人每天真正能处理的信息，其实非常有限。

你能认真比较多少个价格，记住多少条规则，判断多少次风险，拒绝多少次诱惑，处理多少次投诉，跟多少个机器人来回沟通，都是有限的。

注意力有限。

工作记忆有限。

耐心有限。

自控力也有限。

这就是一个人的认知带宽。

而今天大量平台经济最厉害的地方，就是：

它们发现了认知带宽也是一种资源。

而且是一种几乎没人给它计价的资源。

所以它们可以免费拿。

你看最简单的 9.9。

29.9、59、49、19.9、79、119、99.8、146、9.9、89、69、39.9、18.9、169、19.9。

一笔一笔看，全都不贵。

加起来，一千多。

这里真正被利用的，不只是所谓「9 结尾」。

而是人的大脑不会实时维护一本完整总账。

每一次消费，你只处理局部信息。

29.9，看起来不多。

69，也还能接受。

19.9，更没什么感觉。

每一笔都成功绕过了你的警戒线。

于是平台根本不需要一次让你接受一千块消费。

它只需要让你连续十五次接受「这点钱没什么」。

这就是认知带宽套利。

把一个你不会接受的大决策，拆成十五个你懒得反对的小决策。

消费券也是一样。

为什么现在几乎所有平台，都把价格弄得越来越难算？

满 300 减 40。

跨店每 200 减 30。

店铺券。

平台券。

会员券。

红包。

积分抵扣。

首单补贴。

直播间专享。

限时价。

第二件半价。

你会发现一个非常反直觉的事情：

如果平台真的只是想帮你省钱，最简单的办法其实是直接把最终价格写出来。

199。

结束。

为什么要搞十五层？

因为复杂本身就是机制的一部分。

当一个价格复杂到你没有办法瞬间判断的时候，你的大脑就会从「这个东西值不值 199」变成：

「我是不是已经薅到羊毛了？」

这两个问题完全不是一回事。

前者问的是价值。

后者问的是有没有占便宜。

于是平台成功把你的注意力，从商品本身，转移到了规则游戏。

你本来应该思考：

「我要不要买？」

最后却变成：

「这张券不用是不是亏了？」

这就是 Dark Pattern（暗黑模式）最核心的一层。

很多人理解暗黑模式，只想到什么「取消会员按钮藏起来」「默认勾选自动续费」。

太浅了。

真正成熟的暗黑模式，不是让你完全看不见。

而是让你看得见，但让你没有精力把它全部算明白。

它不是阻止你做决定。

它是污染你的决策环境。

把最关键的问题，埋进十几个次要问题里面。

于是人的认知系统开始超载。

当认知带宽耗尽以后，人会发生一个非常稳定的变化：

开始使用启发式判断。

也就是：

算了。

差不多。

应该没问题。

先买吧。

以后再说。

平台最喜欢的，就是这个「算了」。

因为「算了」往往意味着默认接受。

所以你会发现，平台对 Friction（摩擦）的态度从来不是一致的。

付款：

一键。

开会员：

一键。

借钱：

一键。

开通自动续费：

一键。

允许推送：

一键。

可是退款呢？

上传证据。

选择原因。

等待客服。

机器人回复。

重新描述。

人工审核。

等待三天。

取消会员呢？

你确定吗？

失去权益哦。

还有优惠哦。

真的要离开吗？

最后一次机会。

这不是「用户体验不好」。

这是 Friction Asymmetry（摩擦不对称）。

对平台有利的动作，尽量零认知成本。

对平台不利的动作，尽量增加认知成本。

你会发现它和赌场设计非常像。

下注动作必须极其简单。

离场动作则最好让你再想一下。

这也是为什么所谓「设计」，很多时候根本不是美学问题。

设计实际上是在决定：

谁承担思考成本。

平台做一个 UI 改动，可以让一亿用户每个人多点两下。

对平台来说，这只是两下。

对整个社会来说，是两亿次动作。

假设每次多浪费三秒。

就是六亿秒。

差不多十九年。

一个产品经理改了一个流程。

公司没有多花一分钱。

整个社会却凭空被拿走十九年的时间。

这就是认知外部性。

它和工厂排污其实完全一样。

只不过以前排出去的是废水。

现在排出去的是：

时间。

注意力。

耐心。

决策能力。

平台内部节省了一个客服岗位。

外部可能变成几百万用户每个人多花十分钟。

公司财报上叫：

降低运营成本。

社会真实发生的是：

把几百万人的时间拿来当免费客服。

这也是今天最荒谬的事情。

企业一直在讲 Automation（自动化）。

实际上大量所谓自动化，根本不是把工作消灭了。

只是把工作转嫁给你。

以前银行员工帮你填。

现在你自己填。

以前客服替你处理。

现在你跟机器人聊。

以前商家负责解释价格。

现在你自己研究券。

以前平台解决争议。

现在让消费者、骑手、商家互相举证。

企业的劳动成本下降了。

你的认知劳动增加了。

但是你的劳动不叫劳动。

因为没人给你发工资。

同样的事情也发生在商家身上。

一个商家今天想在平台正常卖东西，要学什么？

投流。

ROI。

关键词。

竞价。

转化率。

退款率。

响应率。

差评率。

活动规则。

平台任务。

直播规则。

内容权重。

搜索权重。

优惠券。

会员体系。

达人分佣。

平台并不一定直接告诉商家：

「我要拿走你更多利润。」

它只需要把规则做复杂。

复杂到商家不得不购买工具。

购买广告。

雇运营。

加入活动。

研究算法。

于是商家赚到的钱，又重新流回平台。

这也是一种认知税。

规则越复杂，中介越重要。

平台越复杂，平台自己反而越不可替代。

骑手也是一样。

他表面上只是送一单外卖。

实际上他同时在处理：

路线。

红绿灯。

商家出餐时间。

顾客定位。

电梯。

门禁。

超时。

顺路单。

系统派单。

异常申诉。

顾客电话。

差评风险。

奖励规则。

罚款规则。

他的脑子，本质上已经成为平台调度系统的外挂计算单元。

算法负责全局优化。

人类负责吸收所有局部异常。

算法算错了楼栋。

骑手解决。

商家晚出餐。

骑手解决。

用户地址写错。

骑手解决。

电梯坏了。

骑手解决。

系统没有理解现实世界。

还是骑手解决。

于是平台会产生一种非常漂亮的幻觉：

算法效率很高。

当然高。

因为所有算法处理不了的东西，都被外包给人的认知带宽了。

司机也是这样。

创作者也是这样。

消费者也是这样。

所以今天的平台，本质上做了一件很聪明的事情：

它把自己的计算问题，拆散以后塞进社会。

然后让几亿个人，用自己的大脑免费帮它补齐。

更进一步，它甚至会刻意制造 Variable Reward（可变奖励）。

为什么一定要签到？

为什么优惠券不是直接给？

为什么要抽奖？

为什么要开宝箱？

为什么要每天领一次？

为什么要连续七天？

为什么红包金额每次不一样？

因为确定性信息不占据你的脑子。

不确定性才占据。

如果平台直接告诉你：

「每个月返你 20 块。」

你两秒钟就处理完了。

但如果它告诉你：

每天签到可能拿 0.3、0.8、2、5 块。

你每天都要回来。

你每天都要看一次。

你每天都要产生一次认知占用。

平台真正需要的甚至不是省掉那几块钱。

它需要的是进入你的工作记忆。

因为只要一个 App 能够长期驻留在你的认知系统里，它就获得了比「用户安装量」更值钱的东西：

Mind Share（心智占有率）。

这也是为什么今天所有平台都在抢通知。

抢红点。

抢桌面入口。

抢锁屏。

抢 Push（推送）。

抢你的早晨第一眼。

抢睡觉以前最后一分钟。

因为认知带宽是整个数字经济真正稀缺的生产资料。

而人类现在几乎没有任何产权。

平台可以一天推你二十条通知。

没人赔偿你被打断的成本。

平台可以每个月修改一次规则。

没人赔偿你重新学习的成本。

平台可以把价格系统设计得像一道奥数题。

没人支付你计算的时间。

平台可以让你跟客服绕半小时。

没人认为这是一次劳动。

平台可以不断改变推荐算法，让商家、创作者重新学习。

重新适应。

重新投入。

这一切，全部叫：

「产品更新。」

但换一个角度看，它其实是非常大规模的 Cost Shifting（成本转移）。

平台把计算成本转嫁给用户。

把客服成本转嫁给用户。

把风险判断转嫁给骑手。

把运营成本转嫁给商家。

把内容筛选成本转嫁给创作者。

然后公司自己越来越「轻」。

利润率越来越漂亮。

效率越来越高。

可是整个社会真的更高效了吗？

未必。

很可能只是因为平台内部的账变漂亮了。

而平台外面的账，根本没有人记。

这才是我一直说 Algorithmic Sovereignty（算法主权）的原因。

今天的问题不是人不够聪明。

恰恰相反。

是整个数字系统正在逼迫每一个普通人，把大量智力浪费在本来不应该由人处理的问题上。

为什么我要研究满减？

为什么我要记会员什么时候续费？

为什么我要研究哪个平台更便宜？

为什么我要每天签到？

为什么我要学习你的退款规则？

为什么我要猜你的动态定价？

为什么我要读十二页服务协议？

为什么我要亲自发现你偷偷涨价了？

这些事情本来就应该由机器处理。

只不过今天机器站在平台那边。

所以未来真正属于个人的 AI，首先就应该干一件事情：

替人类拒绝这些认知垃圾。

不要让我算优惠。

你算。

不要让我比较十五个平台。

你比。

不要让我记续费日期。

你记。

不要让我研究这张券值不值得用。

你直接告诉我最终成本。

不要让我自己识别 Dark Pattern。

你帮我拦。

不要给我看「立减 80」。

告诉我：

「为了省这 80，你必须额外消费 260。」

不要告诉我：

「会员一年只要 199。」

告诉我：

「按照你过去十二个月的使用量，你购买会员预计亏 117 元。」

不要告诉我：

「仅剩最后三件。」

告诉我：

「该商品过去三个月已经出现过 17 次‘库存紧张’。」

当这一层 Personal Agent（个人代理）真正出现以后，会发生一个非常有意思的事情。

过去二十年互联网积累起来的大量所谓「增长技巧」，可能会突然失效。

因为这些技巧，本来就建立在一个前提之上：

平台拥有无限计算能力。

用户只有一颗疲惫的大脑。

只要这个前提被打破，

大量所谓「精细化运营」，

会瞬间露出它真正的名字：

认知套利。

我们总喜欢说互联网降低了信息成本。

但过去十几年，它同时创造了另一种成本。

信息越来越便宜。

筛选信息越来越贵。

交易越来越方便。

判断交易值不值得越来越难。

付款越来越快。

理解自己究竟付了多少钱越来越难。

平台计算能力越来越强。

普通人的认知负担却越来越重。

所以数字时代真正应该被讨论的权利，可能还有一个：

**认知带宽权。**

谁有权打断我？

谁有权占据我的注意力？

谁可以让我重新学习规则？

谁可以利用复杂度迫使我做出默认选择？

谁应该为制造这些认知成本付钱？

今天这些问题几乎没有答案。

因为认知带宽还没有被当成财产。

所以谁都可以来拿一点。

一个 App 拿一点。

一个平台拿一点。

一个会员体系拿一点。

一张优惠券拿一点。

一个红点拿一点。

一个客服机器人再拿一点。

每个人都只拿你一点点。

直到一天结束，

你什么都没干，

却觉得自己累得要死。

我们过去讨论数字平台，总在讨论它赚走了多少钱。

但未来真正应该开始计算的，也许是另一张账：

**它到底从全社会拿走了多少小时的人类注意力。**

因为平台时代最隐蔽的抽成，

从来不只是 20% 的佣金。

还有一种抽成，没有写在任何协议里。

它直接从你的脑子里扣。

《平台经济的原罪：它不是在解决冲突，而是在生产冲突》

很多人以为，平台经济最大的价值，是降低交易成本。

打车软件让司机找到乘客，外卖平台让餐厅找到顾客，电商平台让商品找到消费者，内容平台让创作者找到观众。

这句话当然没有错。

但它只讲了故事的前半段。

真正的问题在后半段：

当一个平台已经控制了交易入口以后，它还有没有动力继续降低整个社会的交易成本？

答案未必是。

因为从某一个时刻开始，平台赚钱的方式，恰恰可能变成：

不断让人与人之间的直接交易变得困难，然后让所有人越来越离不开它这个中介。

这才是平台经济真正危险的地方。

它最开始靠降低 Transaction Cost（交易成本）崛起，最后却可能靠制造 Transaction Cost 生存。

你看外卖。

平台会问你：

「你愿不愿意让外卖晚五分钟，以换取骑手不用跑那么快？」

这句话听起来非常有人情味。

但仔细想一下，你会发现这个问题本身就很奇怪。

为什么这个矛盾突然变成了：

消费者的饭凉掉，

和骑手冒生命危险，

二选一？

是谁设计了这个二选一？

消费者没有设计。

骑手也没有设计。

商家更没有设计。

这个约束条件，是平台的 Dispatch Algorithm（调度算法）、配送时限、订单密度、佣金结构和效率目标共同制造出来的。

平台先把系统压缩到一个极端状态，然后再回来问两个普通人：

「你们谁愿意牺牲一点？」

于是骑手觉得消费者不体谅人。

消费者觉得骑手为什么送这么慢。

商家觉得骑手影响了我的评分。

骑手觉得商家为什么还没出餐。

最后四个人互相生气。

而那个真正设计整个规则的人，消失了。

这就是平台最厉害的地方：

它把机制设计造成的矛盾，重新包装成了人与人之间的道德矛盾。

本来是 Mechanism Design（机制设计）的问题，最后变成了：

「这个骑手有没有责任心。」

「这个顾客有没有同理心。」

「这个商家是不是黑心。」

但真正应该问的问题其实是：

这个系统的 Objective Function（目标函数）到底在最大化什么？

如果它最大化的是订单数、GMV、履约率、复购率、广告收入和抽成，那么骑手的身体、顾客的等待、商家的利润、城市的交通风险，全部都只是约束条件。

只要这些东西还没坏到让平台自己亏钱，就没有理由被完全计入。

这就是平台经济里面最容易被忽略的一件事情：

平台计算得极其精确。

但它只精确计算属于自己的那部分。

剩下的成本，被扔给整个社会。

这在经济学里叫 Negative Externality（负外部性）。

一百年前的工厂也干过完全一样的事情。

工厂生产一件商品赚 100 块钱。

生产过程中产生的污水，如果自己处理，要花 30 块钱。

于是最理性的公司决策是什么？

排进河里。

因为河流不是它的资产。

下游居民生病，不进入它的财务报表。

生态恶化，不进入它的财务报表。

政府以后治理这条河花十个亿，也不进入它的财务报表。

于是公司的利润是真的。

社会承担的成本，也是真的。

只不过两者被记录在不同的账本里。

今天的平台经济，只不过把「排污」从物理世界搬到了社会关系里面。

它排出来的东西不是黑色污水。

而是注意力损耗、认知损耗、信任损耗、劳动风险、商家利润压缩、价格扭曲、时间浪费、信息污染，以及人与人之间越来越严重的敌意。

这些东西没有统一单位。

所以它们在财务报表上等于零。

一个平台一年增加 1000 亿 GMV，很容易统计。

但为了这 1000 亿 GMV，有多少消费者多花了原本不想花的钱？

多少人为了抢券、凑单、签到、做任务浪费了时间？

多少商家为了排名开始刷单、买广告、压成本？

多少骑手为了时效在路口闯灯？

多少创作者为了推荐机制开始制造越来越极端的内容？

多少司机开始拒绝某些路线？

多少用户为了防止被坑，不得不投入额外时间研究规则？

这些东西几乎没有人统计。

所以我们产生了一个非常荒谬的错觉：

平台创造了巨大的社会价值。

也许它确实创造了价值。

但问题是，我们只计算了它创造出来、能够货币化的价值，却没有计算为了创造这些收入，它向整个社会排放了多少成本。

可能一家平台赚了 100 块钱。

但社会为了支撑这 100 块利润，承担了 1000 块不可计量的摩擦。

这才是真正应该讨论的账。

而更加危险的是，平台不仅可以把成本外部化，它还控制了每一个人的「表达方式」。

市场经济最重要的一个东西，本来叫 Preference Revelation（偏好揭示）。

简单来说：

你愿意付多少钱，代表你多么想要这个东西。

价格应该是人的价值函数的一种表达。

但今天很多平台上的价格已经越来越难承担这个作用。

因为用户真正想表达的东西太复杂了。

我可能愿意多付 5 块钱，让骑手慢一点。

我可能愿意多等十分钟，换取更便宜的配送。

我可能愿意多付 20 块，指定一个我信任的司机。

我可能愿意每个月固定向一个我喜欢的商家购买，不想每一次都重新搜索。

我可能愿意和某个长期服务我的人形成 Stable Relationship（稳定交易关系）。

但很多平台不会充分鼓励这些关系形成。

因为一旦你和对方建立稳定关系，平台的价值就开始下降。

如果我已经认识一个可靠的司机，我为什么还要每一次重新让平台匹配？

如果我已经找到一家长期信任的餐厅，我为什么每一次都要重新进入平台竞价？

如果一个消费者和一个商家已经建立信任，他们为什么还需要平台不断站在中间抽一次钱？

这就产生了一个非常深的利益冲突。

一个健康社会追求的东西，往往是：

稳定关系。

重复博弈。

长期信用。

低信任成本。

熟人网络。

确定性的交易对象。

但一个依靠每笔交易抽成的平台，天然更加喜欢：

不断重新匹配。

不断重新竞价。

不断重新曝光。

不断重新排序。

不断让双方回到平台。

因为每一次重新匹配，都是一次新的变现机会。

所以你会发现一个极其讽刺的现象。

平台一开始说：

「我们帮助陌生人建立信任。」

但当陌生人真的建立起足够的信任以后，

平台又必须防止他们绕过平台。

因为真正稳定的信任关系，对中介来说反而可能是一种威胁。

一个社会越不信任，中介越值钱。

一个市场越复杂，平台越值钱。

规则越难理解，推荐算法越值钱。

人与人越难直接找到彼此，匹配系统越值钱。

于是这里出现了一种非常危险的 Incentive Compatibility（激励相容）问题。

我们希望平台消灭摩擦。

但平台自己的长期利益，却不一定希望摩擦彻底消失。

它需要消灭那些阻碍成交的摩擦。

同时保留那些让你离不开平台的摩擦。

所以今天大量所谓「用户体验优化」，真正优化的并不是人的体验。

而是 Funnel（转化漏斗）。

让你付款的时候，最好零摩擦。

让你取消会员的时候，突然出现六个页面。

让你下单的时候，一键完成。

让你投诉的时候，开始跟机器人绕十轮。

让你订阅的时候，按钮巨大。

让你退出的时候，入口藏在第三级菜单。

它不是讨厌摩擦。

它只讨厌阻止它赚钱的摩擦。

有利于自己的地方，它恨不得把摩擦降到零。

有利于用户的地方，它可以把摩擦增加到无限大。

这就是为什么我认为，今天所谓的「平台效率」，很多时候必须重新审计。

效率是谁的效率？

算法替平台节约了一秒钟，可能让一百万骑手每个人多承担一分钟风险。

推荐系统给平台提高了 1% 转化率，可能意味着几千万用户每个人多浪费十分钟。

广告系统提高了一个百分点点击率，背后可能是整个社会几亿小时注意力被消耗。

这些成本不会出现在公司的 Earnings Report（财报）里。

但它们真实存在。

它们只是被分散到了几亿个人身上。

每个人损失一点点。

平台集中赚走一大笔。

这就是一种非常典型的：

收益集中，成本分散。

于是没有任何一个人有足够动力反抗。

这也是平台权力最强大的地方。

它不需要一次抢走你一万元。

它只需要每天多拿走你三分钟、五块钱、一点耐心、一点注意力、一点信任。

单独看都微不足道。

乘以十亿人以后，就是一个惊人的财富转移机器。

更糟糕的是，这种机制最后会制造一种 All Against All（所有人对所有人）的社会。

消费者恨商家。

商家恨平台。

平台把压力给骑手。

骑手恨消费者。

司机恨乘客。

乘客怀疑司机绕路。

房东怀疑租客。

租客怀疑房东。

创作者讨厌观众白嫖。

观众觉得创作者全是恰饭。

所有人开始防所有人。

每个人都觉得别人想占自己便宜。

然后发生什么？

信任成本越来越高。

而信任成本越高，我们就越需要平台。

于是形成一个极其可怕的循环：

平台降低直接信任。

直接信任下降。

交易越来越需要平台担保。

平台获得更多权力。

平台重新设计更多规则。

规则更加复杂。

人与人更加无法直接交易。

然后我们更加需要平台。

这才是某种所谓「数字封建主义」真正值得讨论的地方。

不是因为有一个 App 很大。

而是因为它逐渐从一个市场参与者，变成了市场本身。

以前地主拥有土地。

你要生产，就必须经过土地。

今天的平台拥有的是入口、排序、支付、信用、流量、评价、身份、交易记录和匹配规则。

你可以拥有一家店。

但它决定多少人看得见你。

你可以拥有一辆车。

但它决定谁坐你的车。

你可以拥有作品。

但它决定谁看到你的作品。

你甚至可以拥有自己的客户。

但平台仍然希望定义你们应该如何相遇。

这已经不仅仅是「公司很大」。

而是一个私人主体开始拥有接近基础设施级别的 Rule-making Power（规则制定权）。

然而普通用户却几乎没有对应的算法权力。

平台有几千个工程师研究怎么让你多花钱。

你只有一个大脑。

平台有实时数据。

你靠记忆。

平台有 A/B Test（A/B 测试）。

你靠感觉。

平台知道一亿人的行为规律。

你甚至不知道自己上个月花了多少钱。

这根本不是一场对称博弈。

所以我一直说：

真正的 Algorithmic Sovereignty（算法主权），不是每个人拥有一个会聊天的 AI。

而是每个人终于拥有一个可以代表自己参加数字社会博弈的算法代理。

平台有推荐算法。

你也应该有反推荐算法。

平台有定价算法。

你应该有购买代理。

平台有行为预测模型。

你应该有消费审计模型。

平台帮商家计算：

「怎么让 Jason 多花 37 块？」

那你的 Personal AI（个人 AI）就应该实时计算：

「这个平台现在正在用什么机制，让你多花这 37 块？」

它应该替你重新计算所有优惠。

识别 Dark Pattern（暗黑模式）。

拆解真实价格。

统计时间成本。

计算长期总费用。

识别虚假稀缺。

提醒沉没成本。

替你表达自己的真实偏好。

甚至代表你跟不同平台进行机器对机器谈判。

我愿意等十五分钟。

我不接受动态加价。

我愿意额外支付给骑手。

我不愿意支付给平台。

我优先选择长期交易对象。

我不接受使用行为数据做个性化价格。

这些东西今天为什么都不能被用户精确表达？

不是因为技术做不到。

而是因为今天绝大多数算法，本来就不是替你工作的。

我们过去二十年的互联网，是平台拥有算法，个体贡献数据。

下一阶段真正值得发生的互联网，应该反过来。

个体拥有自己的数据。

个体拥有自己的模型。

个体拥有自己的代理。

然后算法与算法之间谈判。

到了那个时候，很多今天被包装成「用户体验」的东西，可能会立刻暴露出真正的样子。

因为当消费者不再需要靠自己的脑子去读 14 条优惠规则，不再需要记住十个平台价格，不再需要花半小时比较会员，不再需要被倒计时催促，不再需要亲自研究哪一种选择最划算时，

平台过去依靠认知非对称得到的大量利润，会突然消失。

这也是我为什么一直认为，算法主权最终不是一个 AI 产品问题。

它本质上是一个权力问题。

过去工业社会讨论的是：

谁拥有土地。

谁拥有工厂。

谁拥有资本。

数字社会真正应该开始讨论的是：

谁拥有计算你的权力？

谁拥有定义你的选择的权力？

谁拥有排序世界的权力？

谁拥有替你做决定的算法？

今天这个答案几乎都是：

平台。

而真正需要改变的，就是这个答案。

因为一个社会最可怕的状态，从来不是有人从你身上赚了一点钱。

而是有人可以不断制造复杂性、制造不信任、制造冲突、制造认知负担，然后再向你出售解决这些问题的服务。

如果一个工厂把河污染了，再向居民卖净水器，我们会觉得荒谬。

但今天，我们正在允许越来越多的平台：

先污染我们的社会关系，

再向我们出售中介。

先制造信息过载，

再卖推荐。

先制造价格复杂性，

再告诉你它帮你找到了「最优惠」。

先制造人与人的不信任，

再收取担保费。

先让所有人卷入一场彼此算计的战争，

再站在中间，

对每一次交易抽成。

真正应该被重新计算的，从来不只是这些平台创造了多少 GMV。

而是为了这些 GMV，

整个社会到底替它们支付了多少没有出现在任何财务报表上的成本。

如果有一天我们真的把注意力、时间、风险、信任损耗、认知负担和人与人之间的敌意全部换算成货币，

也许我们会发现：

很多被称为「数字经济奇迹」的东西，

只是因为污染从来没有被计价。