我这代人已经是纯纯的老登了。新加的年轻人群里都在各种学习，同龄人群里只有四种话题：
1.询问AI不会答错的常识。
2.转发AI可以识别的谣言/图/视频。
3.转发国产AI生成的谣言/图/视频。
4.广告。 ​​​

每一次技术革命都宣称社会将被颠覆，匮乏将被丰裕取代。这无非是一次又一次的欺骗话术。

铝是地壳里第三常见的元素，但在很长一段时间里，它比黄金更昂贵，只有国王才用得起。直到电解铝的工艺诞生，铝迅速变得廉价至极，以至于今天我们要反过来花钱雇人回收。

然而，了解历史越多，我越意识到另一条规律——稀缺守恒定律（我不是经济学家，并不能证明它）。这个名字脱胎于物质守恒定律：物质既不能被创造，也不能被消灭，只能改变形态。我发现稀缺似乎遵循着同样的脾气。

或许有人要反驳我，现实中不是铺天盖地的限量版么。但这些不过是营销手段，是局部可控的小把戏，并非系统层面真正意义上的稀缺。

1989 年万维网发明出来时，只是一个用来分享物理论文的小角落。后来用户自发涌入，规模疯长，不得不发明 Yahoo 这样的目录，再到出现搜索引擎才勉强支撑越来越庞大的内容海洋，如今我们已经在信息过载里窒息。与此同时，注意力则以指数级速度沦为最稀缺的资源。

类似的故事还有很多。约会软件让合适的对象看起来唾手可得，与之同步出现的，却是长期承诺的稀缺。清洁能源的丰裕背后，是稀土的全球性紧缺，连同它带来的种种政治与生态悖论。流媒体让音乐分发变得几近免费，可新人的出头机会，反而愈发稀罕。

假如我们认为经济会持续发展，那丰裕不是稀缺的反面，反而更像是稀缺的搬运工。

稀缺的事物未必是古董，也可能是某个人的判断力、城市的准入门槛、旗舰店的现场感，或者是创业公司难以复制的工程组织。丰裕只是让稀缺转移到新的地方。

历史上每轮技术进步都制造出丰裕。印刷术让文本更便宜、互联网让传播更便宜、云计算让算力更便宜，人工智能则让文字、图片、代码几句膨胀。但人类社会从来不会因为某些东西便宜了就停止争夺。所谓格调或者地位，只会换个场景继续。

所谓人是追求地位的猴子，镀金时代的美国，铁路、钢铁、石油和金融造出一批大亨，他们买得起房子、马车、仆人……却买不到血缘身份。欧洲则正好相反，有贵族、有古堡、有旧画，也有逐渐拮据的老钱家族。于是，约瑟夫·杜文这样的艺术商人看懂了机会：把欧洲的旧画卖给美国的新贵。

杜文卖的从来不只是画，他卖的是一套身份。墙上挂着伦勃朗、提香或是维米尔，传达的意思并非主人有钱，更像是在彰显其背景谱系。当然，亨利·克莱·弗里克、安德鲁·梅隆之类美国巨富的收藏，后来成为公共艺术机构的基础。弯弯绕绕，私人地位的欲望最终变成了国家文化资产，也是种好结果。

这并非西方社会独有的现象。财富增长之后，人们便开始追求秩序中的位置。过去是单位、编制、户口、学位、房子；后来是名校资格、核心城市、医疗资源、圈层关系、文化品味。物质一旦不再稀缺，能证明你是谁、你在哪里、你被谁承认的事物，就开始稀缺。

1883 年，阿尔瓦·范德比尔特在纽约第五大道举办了一场极尽铺张的化装舞会。据纽约城市博物馆的记录，这场舞会大约花了 25 万美元，折合今天接近 600 万美元。范德比尔特家族当时已拥有大量铁路和航运，却还没有被纽约社交圈完全接纳。那场舞会，可算作身份采购历程的开端。

即便不是富豪，普通人同样如此。抢热门演唱会门票，是买共同记忆和社交谈资；追逐小众品牌，是买意义认同的信号。消费只是表面，实际是换取别人理解你的方式。

“稀缺”这个词容易让人误会。少见并不等于价值：冷门小区、无人问津的古董、只有老板觉得独特的餐厅，诸如此类。稀缺能否带来增值，在于有没有“买家”愿意持续争夺。

因此稀缺资产必须同时满足几件事。第一，不容易增加供给；第二，社会承认它有价值；第三，可被验证，不能全靠自说自话；第四，可被稳定占有或控制；第五，持有者能从中获得收益——哪怕收益不是现金，而是权力、准入、信任、身份或选择权。

只是量少，没有欲望，那叫冷门；只有欲望，不能占有，那叫幻觉；能够占有，却没认证，那叫自我感动；能被认证，却缺乏购买力争夺，也很难成为资产。真正的稀缺，是由物理限制、社会叙事、制度安排和购买力共同形塑的。

大致上可以认为稀缺有两层。第一层是结构性稀缺。供给本就固定，甚至被买走以后更少流通。顶级球队、顶级艺术品、核心地段、百年品牌，都属于这一类。

新成立的 Thrive Eternal （纽约风投机构旗下的永久基金）据说首次出手是收购旧金山巨人队的股权。保时捷也在上个月宣布，将其在布加迪 Rimac 的持股卖给由 HOF Capital 牵头的财团。这些交易的标的，已直接表明其不可复制的身份。

第二层是关系性稀缺。它一开始未必稀缺，却因为其他东西突然丰裕才显得稀缺。比如印刷让文本便宜，手稿反而更有温度；人工智能让制式化产出便宜，可信判断、现场经验和真实关系反而更宝贵。

印刷的书籍越多，手抄本就越不只是信息载体，更像是权力、耐心和品味的证明。乌尔比诺公爵的藏书故事经常被描绘成“他的书房里没有任何一本印刷书”。这显然是传奇故事，梵蒂冈图书馆关于他藏书的资料中可识别出若干本印刷书。然而这个细节没有削弱论点，反而让论点更准确：稀缺不是物理事实，更是认证、叙事、审美之类要素延伸出的事实。

艺术市场最能说明问题。2025 年 11 月，古斯塔夫·克里姆特的《伊丽莎白·莱德勒肖像》在苏富比以 2.364 亿美元成交，成为拍卖史上最贵的现代艺术品。竞价竞的是什么？赌的是这种级别的东西下次什么时候才会出现。

稀缺资产价格的核心，向来只取决于极少数高购买力买家的边际欲望。福布斯富豪榜显示，全球亿万富豪达到 3428 人，总财富 20.1 万亿美元。这些数字每年都在加速膨胀。

这就是为什么许多顶级资产的价格看起来如此荒谬。对普通资产来说，价格受收入约束；顶级稀缺资产的价格则完全由最富买家的欲望和面子约束。

当然，资本主义这套逻辑并非放之四海而皆准。美国式的稀缺，常常表现为私人可持有的文化资产：球队、庄园、艺术品、名校捐赠席位、媒体品牌等等。我们这边的稀缺，更多时候是包在制度、城市和公共资源里。户籍、学位、医疗、地铁、产业机会、地方治理能力……综合决定某处房产是否真的稀缺。

核心城市的房子曾经是中国家庭最重要的稀缺资产之一，如今随着人口结构、房地产去杠杆和收入预期变化同时发生，稀缺性必将分化。钢筋水泥包裹之下，是实实在在的生活。

面对未来，我们需要时刻记住前面提及的逻辑——哪些东西正在变得过剩，同时它周围的什么东西会因此变得更稀少。

访谈视频过剩，那么稀缺的就不再是镜头前说话，而是长期可信的人格和可验证的经验。OpenAI 收购 TBPN，官方说法是看重它的编辑判断、受众理解和召集能力。若用稀缺资产的框架来看，购买的并非节目，更像是一个可信的谈话场域。

减重药也是同一逻辑。过去，瘦本身可以传达自律。下个十年，药物必然降低这件事的门槛，人们就会去寻找更难伪造的信号。可以想见，马拉松、铁人三项、攀岩、滑雪、户外穿越……会继续承担公开证明的功能。原因并非每个人都爱运动，而是因为减肥药没法让你跑完马拉松。

类似的，大模型的对话按钮只会让平均水平的产出愈发泛滥。它可以帮你生成文章、图片、软件原型、营销方案，但无法帮你获得信任、承担风险、建立组织、进入现场，或者单纯地熬过时间。

没有能力的不同，只是噪音；没有成本的不同，就会被轻易复制。真正值钱的差异通常有三个特征：有人知道它的价值、想复制却复制不了、持有者能把它转化成收益或影响力。

限量球鞋可能稀缺，但如果品牌不断复刻，稀缺就会被自己稀释。小众内容可能稀缺，但如果没有强需求，就只是孤岛。特色餐厅可能稀缺，但如果无法形成复购和口碑，就只是自嗨。

基于人工智能的创业公司也是一样。只会做通用工作流，很难成为稀缺资产。模型能力会扩散、界面会被模仿、流程会被平台吸收，真正有机会成为稀缺资产的公司，往往要么占着难以替代的分发位置，要么掌握稀缺数据，或是嵌入线下复杂流程，建立起极难复制的工程组织。即便是软件公司，也得能把代码、硬件、供应链、监管、客户现场和组织纪律缝合在一起，才拥有护城河。

以此可见，我们之所以无法摆脱内卷，缺的是能承受周期的资本结构，缺的是愿意为长期品质付费的稳定市场。

当然，稀缺资产并不能无脑看多。税收、监管、战争、资本管制、代际审美变化，都可能改变买家的支付意愿。财富集中会推高顶级资产价格，但价格只是幻觉。今天的稀缺，可能被明天的新制度或新技术重新打碎。

最后，总结前面的探讨，与其追问下个稀缺资产是什么，不如考虑五个具体的问题：什么东西正在变得太便宜？它让什么相邻能力变得更难得？这种难得能否被验证？谁会为它支付高价？持有者能不能真的拿到收益？

电商让商品便宜，稀缺可能就在审美策展、线下体验、服务可靠、本地关系。
制造让硬件便宜，稀缺可能就在品牌、渠道、系统集成、长期维护。
城市扩张让房子变多，稀缺可能就在公共服务、产业密度、治理质量和低摩擦的生活氛围。
工具让创业变容易，稀缺可能就在那些真正难做的交付、监管准入、组织韧性或是重资产耐心。

你不免要问，这又如何？这些观察到底有什么用？

很简单，找到未来的稀缺，就是找到未来的机会。我们大多数人，注定挤不进社会顶层的队伍，但前面说的种种，归根结底是种值得修炼的战略远见：每当新的丰裕出现，就训练自己去追问，与之相伴的新稀缺会在哪里浮现。这种追问，往往能指向尚未被看见的社会需求、创新机会与商业可能。

就投资回报率而言，美国最出色的普通人，是沃格尔夫妇这两位公务员。丈夫高中辍学，在美国邮政局做夜班邮件分拣员，拥有硕士学位的妻子是图书管理员。他们的小公寓成了尚未崭露头角的现代艺术家们的聚会场所。沃格尔夫妇购买了众多默默无闻的艺术家的作品，并鼓励他们，最终获得了巨大回报。

实际上，珍稀书籍的投资回报率远高于股票或房地产。珍稀书籍和艺术品的维护和保险成本也远低于房地产。此外，在这一行获利并不需要成为天才。

为什么？

首先，艺术不可能被准确衡量。其次，流动性是一种难以预估和衡量的溢价。斯特拉迪瓦里小提琴的增值幅度可能超过标准普尔指数，而且比战后艺术家的作品更具流动性。

也许收藏这件事离普通人还是太远，那让我们回到文初的例子，虽然流媒体让音乐市场崩塌，但许多艺术家干脆拥抱了稀缺本身——重新走上巡演之路，把自己交给现场。这又回归到原点，所有溢价都取决于它够不够稀缺。

所以下一次，当社会颠覆呼啸而来，不妨多花点心思，去看新的稀缺会在哪个角落冒头。那些尚在轮廓中的未来场景，或许正是别人朝东你朝西的好机会。

（感谢GPT绘制的图例）

首先，我不炒股，所以以下所说皆为纸上谈兵。

简单说，未来量化将取代一切。

量化交易的核心很简单：在市场里找到某种会反复出现的模式，并相信这种模式未来还会继续出现。

更准确地说，是找到事件 A。只要 A 出现，收益就会以某种可预测的方式发生变化，也就是 B。量化交易里所有建模、统计、工程和复杂方法，归根结底都是为了描述 A，验证 B，并判断 A 到 B 的关系能不能下注。

举个最粗糙的例子：如果价格连续上涨两天，那么第三天更可能回落。这个规律也许只有 50.01% 的胜率，单次收益也许只有 2 个基点。但金融世界的一个奇特之处在于，微小优势一旦能被重复，就会变成机器可以收割的东西。只要期望值为正，并且能重复下注足够多次，它就能变成真实收益。

当然，专业机构不会只靠一个信号交易。交易成本太高，单个信号也太脆弱。但量化交易最底层的东西并没有变：找到可以重复下注的 A 到 B，并从这个模式里不断提取正期望。

当你把这种模式建出来，并决定围绕它下注时，它就成了信号。所以，当有人说自己找到了一个 "信号"，本质上是在说：他找到了一个相信未来会重复、并且期望值为正的市场模式。

量化交易并不神秘。它不是数学的胜利，也不是代码的胜利。它首先是重复性的胜利。市场里只要有某种关系不断出现，量化就会尝试抓住它，把它编码，把它测试，把它放进系统。

为什么量化公司全是一堆博士？因为真正困难的从来不是这个定义，而是识别和建模。

前面那个例子太简单。价格是否连续上涨两天，任何人都能看出来。但市场里真正可能有价值的模式，通常不会这么干净。

假设你提出另一个模式：当某个金融工具的收益率与所属行业收益率的相关性上升时，它在行业内的横截面排名会提高。

这句话不难理解，但要检验它并不简单。你要收集大量金融工具，确认它们所属行业，保证样本覆盖足够完整，计算每个工具的收益率，计算每个行业的收益率，再计算相关性，最后还要计算该工具在行业内部的横截面排名。

模式本身只复杂了一点，实际工作量却上升很多倍。更重要的是，一个小小的复杂度增加，会把错误也放大很多倍。这就是为什么量化交易需要大量受过严格训练的研究人员 —— 他们的工作就是在无数可能出错的地方，找到那条唯一正确的路径。
量化信号从哪里来？

大致有两条路。第一条是先有想法。这个想法可能来自观察、直觉、经验，或者某种理想化假设。第二条是从数据里找，用统计方法大规模搜索可能存在的模式。

有了想法以后，必须把它变成可以检验的结构，也就是把一个模糊想法表达成 A 到 B。比如 "均值回归" 听起来是一个想法，但它不是一个信号。它只是方向。你还要决定，它是时间序列上的均值回归，还是横截面上的均值回归，是价格的回归，还是其他变量的回归，等等。

然后就是验证。最常用的方式是回测。这里暂且假设回测足够严谨。如果回测表现好，就认为这个信号可能有效，未来也可能继续有效。

于是流程变成：产生想法，表达成模式，回测验证。不断重复，最终形成一大堆信号。久而久之，信号变成信号库，判断变成流程，流程变成系统。

这套方法已经吞掉了公开市场里的很大一部分机会。因为市场的信噪比极低，而量化方法至少带来了纪律、可重复性和一定程度的严谨性。在噪声远多于信号的地方，纪律本身就是优势。

但过去的量化有清晰的边界。它只能很好地处理那些能被清楚计数、反复出现、有足够样本的事情。大型资管机构里，量化团队通常只占业务的一部分，主观多空、全球宏观等策略仍然占据重要位置。

原因主要有两个。

第一，有些事件很难量化。难点可能来自数据收集，也可能来自事件本身太模糊。比如你想建立一个信号：管理层越理解自己的业务，未来收益越可能为正。问题是，怎样把 "理解业务" 量化？分析师也许可以通过观察管理层如何回答问题、如何处理质疑来做出判断，但把这种判断稳定地变成数据，并不容易。

第二，有些模式样本太少，很难回测，也就很难获得统计意义上的信心。比如一家药企正在申请一种全新药物的批准。如果它确实是全新药物，你怎么建模？怎么验证？

过去，量化交易大多绕开这些领域，而不是正面竞争。制药行业就是典型例子。真正有意义的量化交易很少深入制药，因为这里充满难以量化的判断和样本极少的事件。业内也都知道，很多量化策略会直接排除制药股。

风险投资也是同样道理。创业公司往往是独特事件，尤其是在早期，最重要的判断往往落在创始人身上。但创始人特质既模糊，又难以稳定量化。所以，作为一个资产类别，风险投资几乎不存在真正意义上的量化交易。

现在，人工智能正在打破边界。大模型正在改变两件事。第一，它能把大量非结构化、模糊的信息转化为可量化指标。第二，它能在更高层次上理解一次性事件，把经验从具体事件迁移到特征组合上。

自然语言处理过去也被用来把文本转成量化指标，这并不新鲜。但过去的方法智能程度有限，所以能做的事也有限。它通常只能做浅层任务，比如分析新闻标题情绪，统计词频，或者把文档分到几个类别里。这些方法有用，现在也仍然有用，但它们往往把丰富信息压缩成粗糙、单一的数字代理变量，更像一种“粗糙压缩”。

大语言模型的不同之处在于，它能以更低损耗的方式量化复杂信息，更像一种“高保真压缩”。

当下，你可以把多年业绩电话会记录交给大语言模型，让它按照多项标准评估管理层是否真正理解业务。比如，回答是否具体，是否愿意回应尖锐问题，叙事是否前后一致。模型可以输出结构化、多维度、可量化的结果。

过去这类工作需要大量分析师完成。每个人都有偏见，判断尺度不一致，处理能力也有限。现在，一个大语言模型就可以在极短时间内完成大规模处理。它可以覆盖数千家公司、数百个季度，生成干净的面板数据，直接接入标准量化流程。

以往难以量化的事件空间很大：监管文件、法律文书、产品评论、管理层和创始人的社交媒体、职业履历，以及更多公开或半公开资料。过去这些东西很难进入量化流程，现在它们开始变成可处理的数据。

大模型还改变了另一件更重要的事：它让“独特”事件不再独特。

人类都知道怎么从经验中学习。小时候，我们可能因为摸烧开的水壶被烫伤。从那以后，我们不只是记住“水壶危险”，而是学会了避开一切带有“烫”这个特征的东西：明火、热锅、冒蒸汽的杯子，甚至别人告诉我们很热的物体。

我们没有停留在具体事件上，而是抽象出了更高层次的特征。这就是人类判断的强大之处：在特征层面学习，而不是只在事件层面记忆。

传统机器学习模型很不擅长做这件事。它们通常只能在训练数据明确提供的维度里学习，很难跳出样本空间，也不擅长一次性学习。它们往往需要大量样本，才能学到稳定行为。

传统量化范式需要统计规律。必须有足够多的历史 A，才能相信 A 到 B 未来仍会成立。也正因为如此，市场里有些领域长期被认为难以量化。不是因为它们没有规律，而是因为事件太特殊，样本太少。

大模型提供了另一条路：在更高维度上理解事件，在特征层面而不是事件层面泛化。某种新药获批，如果拆开看，它有治疗领域、作用机制、临床数据质量、专家咨询委员会构成、类似化合物的监管先例、企业过去与监管机构沟通的质量等特征。每个特征都曾在其他情境里出现过，也曾以不同组合反复出现。

所谓独特事件，往往只是没有被拆得足够细。

这并不是新思想。优秀的主观交易员一直就是这么做的。他们看一个事件，不只看事件本身，而是把它放进一座由相似案例构成的内部图书馆里。他们知道哪些特征重要、哪些噪声可以忽略。

真正出现的变化在于，大模型第一次让这种模式匹配可以被系统化、规模化，并保持相对一致。

如果这两件事同时成立，即更多东西可以被量化、更多模式可以被迁移，那么过去属于主观交易员的资产类别和事件类型，就开始进入量化方法的处理范围。

于是量化可覆盖的市场开始扩张。那些模糊、定性、依赖经验判断的边缘地带，过去是主观交易员的避风港。这些地带如今正在被大模型驱动的量化流程逐步侵入。

这不是主观交易的终结，但会改变主观交易的价格。

当公开信息里的模式识别可以由模型更快、更稳、更广地完成，人类交易员就不能再只靠懂行赚钱。看得懂会变成基础能力，不再是稀缺能力。

真正稀缺的东西会继续存在。深度经验、关系网络、私密信息、临场判断、承担风险的勇气，这些仍有价值。但它们的溢价会被重新定价。主观交易的护城河正在变窄，而且这种收缩更像结构性变化，不像周期性波动。

未来的量化交易不会只发生在干净、透明、样本巨大的市场里。它会进入复杂多变的领域。进入药物审批、法律纠纷、创始人评估……那些过去被认为只能靠人判断的角落。

量化的边界，其实就是世界被转化为数据的边界。这边界正陆续被侵蚀着。

我喜欢人工智能这项技术，但很不喜欢当前的宣传气氛。

人工智能最怪异也最发人深省的地方，不是越来越像人，反而是让我们看清什么真正属于人。

朋友圈的文字，可能会让你感到尴尬、反感，甚至替作者难为情。那是因为你能感觉到ta的欲望、虚荣、疲惫，或者只是急着下班的心情。大语言模型产生的文字，则不惹人爱，也不惹人恨。它不是表达，而是拟态，像陪伴，却无人在场。

当然，这正是吸引力的来源。如果有人在认真听你说话，任何人都无法拒绝。预言模型永远看着你、顺着你，用权威的排版、平稳的口气、无穷的耐心，提供给你古怪的安全感。人类又恰好很容易把结构误认成知识，把流畅误认成判断，把回应误认成理解。

一旦你把它看成应用，就没那么神秘了。所谓智能体，绝大多数时候也只是会查东西、发提醒、改文档、转录会议或是编写脚本。软件几十年来都在做这些事，只要换个词，立刻有了戏剧性。聊天机器人太普通，智能体像未来。“应用”太平淡，“人工智能”更像历史拐点。

真正改变世界的技术会直接闪耀，不需要任何故事包装。第一代 iPhone 改变世界，不是因为人们先相信移动互联网的宏大叙事，而是因为你拿到手滑下屏，就知道它好在哪。同样，云服务的优缺点也可以具体描述：譬如速度更快、协作方便、网络易断、同步麻烦等等。无需抽象口号来证明这些产品的好坏，因为一目了然。

大语言模型不是这样，总在请你原谅，原谅幻觉、原谅不稳定、原谅今天做不到、原谅明天也还做不到、原谅速率限制、原谅悄悄降智、原谅一切都还在路上……整个宣传氛围都要求用户付出近乎信仰式的耐心。

产品如果必须靠未来给今天辩护，问题通常不是用户没看懂，往往是产品今天还未成立。关于人工智能的大多数报道都在干三件事：一，把“能做任务中的一部分”夸大成 “能完成整个任务”；二，把“能做”写成“值得”；三，把一切当前做不到的地方都推给未来，说下一代就成熟了。

如今越来越复杂的AI系统，对软件工程师尤其有吸引力，因为他们本来就习惯把不同系统组合起来做自动化。真正让你上瘾的，不是系统有多聪明，而是复杂系统短暂服从于你的那一瞬间。模型也会不断奖励你，让你觉得自己在驾驭某种新力量。

实际上，代码要你审核，引用要你查验，系统连接要你维护，输出错了要你背锅。人工智能并没有替你承担工作，只是把工作从显性的执行，改成了隐性的监督、修复和祈祷。

这背后还有无法解决的经济问题。每个用户实际用掉多少算力高度不确定，于是每家公司都持续对外扩张、对内限缩。为了新客户和收入增长，涨价、限流、降低推理、取消免费，已成为常态。

所以当下几乎所有生成式人工智能产品，都是付费测试。你不只是用户，还是替厂商承担试错和退化成本的人。它们既要你相信未来会更好，又要你为今天的缺陷买单。它们既让你依赖它，又不断调整规则，无法让工作流真正稳定。

人和软件的关系正在改变。过去的软件希望你信任它，现在反倒是训练你迁就它。它错了，你要学会判断；它慢了，你要学会等待；它贵了，你要学会理解；它弱了，你要学会调参……久而久之，把自我PUA说成适应了新时代。

也许未来它们会更聪明，更稳更接住你？那敢情好，但如果一种技术要靠夸张的愿景来让人相信它伟大，那它至少在此刻还不伟大。

1. 沉寂许久Meta 忽然发布了一个跑分很高的新模型。
2. 据说 Meta 鼓励所有员工调用 Anthropic 的模型，上个月花了 60 万亿个 token。
3. Anthropic 预备 IPO ，最近收入高速膨胀，上个月打到 300 亿美元的年化收入。

AI是好东西，但几家AI公司的泡沫真是烂完了。 ​​​

告诉大家一个很简单分辨是否AI文的办法——平衡与过渡。

AI特别爱写对称、平衡、一碗水端平的句子，比如著名的“不是 X，而是 Y”，还有类似如“与其 A，不如 B”、“不只 X，也包括 Y”等等。这是因为AI为了让文本显得周全、深刻，仿佛经过了思考推理，其实是在回避直接断言。除了句式，AI 文里往往会出现每个优点配一个挑战、每个风险配一个保险、每个观点都配一个异议之类的平衡。

至于过渡，首先是喜欢抽象动词和副词，比如“真正地”“深刻地”“根本上”“关键地”……其次，喜欢用“提醒你这很重要/很有见解/很有价值……”之类的过渡句，而不是直接推进论证。如果是美国AI，还有一堆譬如“值得注意的是”“真正有意思的是”“现实是”“关键在于”“从核心上说”……这些句子不是在建立段落之间的逻辑关系，只是在局部抬高语气。

当前的AI算法默认生成的是可能性最大、阻力最小的词，所以总是在“语言内部的关系”里打转，而不是从对象、经验或是判断出发。再经过算法奖励的反复历练，最终导致它擅长的不是说清某个具体事物，而是把修辞模板组合得顺滑优美，表面看似有思想，实际只是“关于思想的语言”而已。

自己似乎已有AI对话成瘾症状。长期接受理性思辨的快速反馈，或是略微等待后信息完整的结构化陈述，导致听现实中的交谈如同底噪。

#日常失败学# 无论指望AI、机器人、创新药或者任何科技能让生活越来越好远离烦恼，都是奢望。就像在路上行走，走得越快，碰壁就越早。我发现自己在不同阶段遭遇过各种局限；而每当我跨越它们，立刻就出现其他障碍。相信你也一样。我们所有人都受困于瓶颈盲点——总是预设当下的瓶颈是唯一的。

当你资金拮据时，会认为所有的困境都是钱的问题。可一旦你手头宽裕，就会意识到自己真正需要的是时间。当你腾出了时间，会发现自己其实缺乏动力。当你拥有了动力，又会发觉自己缺少的是灵感。再往后，你需要方向，需要自律，需要他人的认同……如此往复，永无止境。

我不认为这有问题，从生物演化的角度看，“未来会更好”是神经学上原生的骗局。大脑通过分泌多巴胺制造这种幻觉，目的只是驱使基因为了生存和繁衍不断去解决下个瓶颈（获取更多资源）。失败学打破这种幻想，无非是在认知层面上看破原本的基因设定，获得更深层的情绪平静。

人生的意义并不产生于瓶颈被消灭的那一刻，“必须想象西西弗斯是幸福的”。在直面并解决当前限制的行动中，我们已经确认自身的存在。

AI时代的价值分流（3.2）未来的软件

软件终将消逝，但记忆不会。

大模型发布速度越来越快，与业务结合的能力也不短提升，于是，市场得出了一个轻率且过度简化的结论：代码的护城河已被填平，软件终将消亡。

他们只看见编程越来越便宜，却没有看见“协调”依然昂贵。

企业购买SAAS之类的业务系统，从来不是因为缺乏编写代码的能力。组织需要共享记忆，也就是可追责的决策历史。过去，这套机制用来协调人类；未来，它将服务于以光速运转的智能体（Agents）。

在星际迷航剧集的设定中，博格人（Borg）是一个由半机械人组成的宇宙种族。他们通过“主脑”连接成一个庞大的蜂巢网络，拥有与生俱来的共享记忆和集体意识。当下的 AI 智能体看似接近，但并不是真正的博格人。

智能体没有天然的集体记忆。它们受限于时间和上下文窗口。它们需要清晰的边界与历史轨迹，才能理解上一轮决策为何发生。

因此，真正的问题并非系统会不会消失，而是谁能承接未来海量并发的智能体工作负载，成为新时代的核心业务系统。关于这个终局，存在几种合乎逻辑的演进路径。

第一种可能，是大模型的降维打击。企业可能不再购买 Salesforce，而是直接在 OpenAI 和 Claude 之间做出选择。

AI 业界显然已察觉现有核心业务系统暴露出的架构缺陷，比如过分依赖 API 连接器而缺乏深层的业务上下文。然而，这种路径面临着基础性的博弈约束。

模型层的竞争异常激烈，涵盖文本、视觉、电脑操作等全模态，客户切换成本趋近于零。在 AGI 到来（如果真会来）之前，模型公司很难重资产深耕每个企业垂直应用。更现实的商业策略，是让垂直软件充当代理人，替它们沉淀行业数据与评测体系，而后再择机收编。

沿着模型能力极度变强的逻辑往下推，第二种可能是软件走向“分形”与定制化的爆发。

编程模型将软件类别彻底打散，传统的 SaaS 边界变得模糊。无数开发者将借助大模型，为企业大规模交付高度定制化的系统。软件没有消失，而是裂变成更贴近具体业务意图的微观形态。

但这同样会回到原点：即使未来大模型强大到能自动生成完美契合业务的代码，它依然需要被告知企业的优先级是什么、哪些流程会卡住运营等等。

世界看似往上长了一层，底层依然需要一个承载组织意图的核心业务系统，来指导智能体该建什么以及为何而建。

当然，也不能排除第三种可能，即现有巨头的固守。尽管这在多数行业里被认为是最脆弱的路径。

凭借强大的分发能力和客户关系，传统巨头完全可以通过免费提供某个点状的 AI 功能来扼杀初创公司。

但守住入口并不等于守住架构。

现有的业务系统都是按人类的“部门边界”和“推理瓶颈”设计的，它们记录流程但不组织决策。

当智能体开始承担长周期任务，例如在医疗系统中围绕单个患者持续数月统筹复诊、保险与转诊，这种基于人类专业分工搭建的旧架构，将成为拖慢系统运转的阻碍。

因此，最值得认真押注的未来或许是第四种可能——新一代基础设施的大量涌现。

这种设想中，智能体层和系统层相对分离。企业在本地和云端同时运行成千上万个智能体，接管邮件、文档和核心业务流。随之而来的真正难题是：谁来统筹规模是人类员工十倍甚至百倍的并发智能体？谁来记录它们做过什么、为什么这么做、出了问题该由谁介入、哪些决策是成功的、哪些决策需要修正……

垂直 AI 真正的机会，不是给通用模型套上漂亮的产品壳，而是建造一座能让海量决策以极高频率持续发生的工厂。

一旦系统成型，价值捕获的方式也将发生跃升。

随着工作主体的改变，传统的按席位收费将像算盘一样古老。假如新系统按并发智能体数量或可验证的决策结果进行定价，其收入上限将远超传统模式。

今天，行业内都在讨论如何给智能体提供更好的 Harness（外挂框架、工具链与上下文）。但再往前推演一步就会发现，它们最终都会融合成更好的核心业务系统。

所以，SaaS 没死，核心业务系统更没死。死去的，只会是那些把记录当成终点、却不能把记录转化为决策的旧系统。

这样看来，未来的软件不会只面向数据和流程，而将成为替智能体组织现实的基础设施。

#游戏# 今年以来，刷到无数个人开发者在开发独立游戏，或者说游戏形式的小产品。从之前的批量生产美术资产、逐渐兴起的vibe coding，再到几年openclaw的流行，AI 似乎正在抹平技术门槛，一个“人人皆可做游戏”的丰裕时代近在眼前。

也许微型游戏的确如此，但对于商业游戏，但现实与叙事之间横亘着一道鸿沟：误以为技术能力的跃升，能自动消解制度与协作的瓶颈。

做真正有创意的游戏和开发新药本质极其相似，研发目标都被拆分为两个维度：一是分子的“临床有效性”，即药物能否治病/游戏是否好玩；二是试验的“全流程效率”，即从筛选到被市场接纳的全周期速度。

在“内容有效性”这个维度，AI 确实展现了颠覆性潜力，它把美术、剧情等“堆量型”内容的生产门槛降到了地板上，缩短了原型验证周期。这就像 AI 辅助药物分子筛选，把数月的活儿压到了几天，确实提升了前端的成功率。但行业普遍的谬误，是把这种局部进步等同于开发周期的全面提速。

真正决定一款游戏能否上线并控制成本的核心，是第二个变量——开发全流程的交付效率。就像临床试验的最大延迟不在分子设计，而在患者招募、多中心协调与监管审批；大规模游戏开发的核心损耗，则来自跨部门的沟通摩擦、协作阻塞以及不可避免的需求蔓延。

AI 无法替团队统一目标，更无法消解跨职能的认知偏差。混淆这两个变量，是用前端的技术进步掩盖了中后端的制度性壁垒，结果只会发现：AI 让我们更快做出了内容，却依然要在同样的墙面前耗费同样甚至更长的时间。

这种“测量偏差”还导致了资本配置的结构性扭曲。举个医药界的例子：即便病理模型成熟，资本依然在撤出骨质疏松领域，因为其核心终点“骨折发生率”需要数年随访才能验证；而血液肿瘤药物的“肿瘤缩小率”能短期测量，自然获得了过度涌入。

未来，小型的休闲手游，次留、付费率等“替代终点”在开发 3 个月后就能精准测量，投资回报确定性极高；而大型游戏就的核心终点是玩家长期口碑与 IP 生命周期，需要数年验证。AI 不仅解决不了这个问题，反而会加剧这种偏斜，让资本更扎堆地涌入确定性更高的短周期品类，进一步挤压主流游戏的创新权。

更残酷的是数据生产的闭环悖论。AI 优化关卡或匹配需求依赖海量玩家行为数据，而这些数据只存在于已经上线的成熟游戏里。只有大厂能跨过制度瓶颈承担高额成本，进而通过数据训练出最强的 AI 工具，再利用效率优势巩固地位。这种数据政治经济学意味着，AI 带来的绝大多数红利将被腾讯、网易、EA 等巨头收入囊中，而非惠及整个行业。

除了数据与资本，还有三重 AI 无法触碰的制度性摩擦：平台准入的监管壁垒、跨职能的协调损耗、以及知识产权的合规成本。主机认证或版号审批，本质是独立于技术之外的事前许可制度；跨学科协作中的需求蔓延是管理命题；而商业层面的 IP 谈判则需要大量的人力时间。这些刚性约束不会因为内容生产技术变快就缩短一天。

因此，游戏行业真正的机遇不在于 AI 技术的迭代，而在于制度性瓶颈的破解。比起算力提升，我们更需要对标早期临床试验建立快速循环机制，比如通过 Game Jam 或抢先体验模式，用小规模反馈验证假设，并建立匿名化的共享数据库来打破大厂垄断。

知识型产业最重要的瓶颈，很少是智识的匮乏。历史上我们一遍又一遍执着于寻找技术银弹，总期待 AI 能一键消解桎梏。但技术很快会抹平门槛，浮现出真正的杠杆，制度设计，以及有创新魄力的人或团队。

创造行业未来的从来不是技术，而是规则的重构者。