77
0最强模型正在吸收最聪明的人。你手里的经验，怎样变成能被放大的能力？hello，大家好，我是James，欢迎来到我的播客。
有些变化，真正让人紧张的地方，在于你知道自己没有退出键。
周五下午，一封很短的邮件落进邮箱：从下周开始，研究简报先交给新的 AI 工作流处理。系统会自动搜集财报、电话会纪要、行业新闻和竞争对手动态，半小时生成初稿。你仍然要看，只是角色被改成了“最终审核”。
盯着这四个字时，心里会有一点刺。过去熬夜找过的材料、在会议室里发现的前后矛盾、推翻过的一周结论，好像都被压缩进一页语气专业的文字。它甚至知道提醒读者风险。
很多人最难受的并非失业本身。更隐秘的那层是：我这些年到底积累了什么？如果这次不学，别人会不会已经把位置占走；如果学了，明年会不会又有一个新的标准出现？
纳瓦尔最近有一句话，正好把这种焦虑说得很清楚：“Frontier Lab 飞轮的目的是让最聪明的人使用领先模型。然后提炼他们的输入、你自己模型的输出，以及由此产生的合成数据和环境。而人们必须使用领先模型，因为他们陷入了相互竞争的锁定状态。”
这段话的重点不在某一家实验室，也不在某一个产品。它描述的是一种会自我加速的循环：最强的人先使用最强的工具；他们留下更高质量的问题、修改和成果；模型因此变得更强；后来的人为了不落后，也被推着加入。前一集谈的是模型学会了什么，这一集谈它如何把竞争重新排了一遍。
上一集里“猎捕天才”的比喻，在这里有了更具体的机制。前沿模型会吸收最优秀人类的作品、问题、反馈和行为痕迹，然后把它们变成能力。它学会的，并不只是语句；它还在学习人怎样推理、怎样修正、怎样把复杂问题拆开。
这条飞轮会怎样落到一份普通工作上？许多靠“我会做某个标准动作”获得报酬的岗位，都会感到压力。模型更快、更便宜、不会累，而且可以无限复制。过去靠熟练度换来的优势，会越来越薄。
但从纳瓦尔的视角看，这一变化也把一个经常被忽略的事实照亮了：人真正稀缺的价值，从来不只是完成动作。
把自己做得好的时刻想一想。也许是你发现一家公司讲的增长故事与资本开支之间有不协调；也许是你知道哪一个数据一旦变化，就会让原来的结论失效；也许是在所有人兴奋时，你愿意说一句，我还没看懂。这些都发生在材料读完以后。
这些能力可以被模型辅助，也会被模型挑战。可它们最后仍然涉及 judgment，判断。判断不是知识的总量。知识可以储存在数据库里，判断发生在一个人愿意下注、愿意承认边界、愿意为后果负责的时刻。
纳瓦尔谈 accountability 时说过一层很朴素的道理：当你在公开场合承担责任，结果的上行才可能与你连接。AI 可以给出分析，却不会用自己的名誉、关系和生活去承担那份分析造成的后果。它没有孩子的学费，没有合伙人的信任，没有一笔必须按时支付的费用。它能帮助你看得更远，不能替你成为后果的主人。
所以，飞轮走到个人面前时，人越需要练习一种看似老派的能力：把自己的判断说清楚。
面对机器生成的初稿，可以先不看结论，只在一页纸上写自己的问题：公司到底依赖哪一条增长引擎；市场在假设什么；什么事实会让这个判断失败。然后，再看系统回答。
模型很擅长补全资料，也擅长列出常见风险。可当一个问题需要选择优先级时，它往往会给出一串平衡的可能性。它说得周全，桌上仍然留着两个问题：哪一个风险最可能改变这笔资本的去向？哪一个数字值得等到下一个季度？这才是人的工作。
这件事对普通人也一样。未来并不要求每个人去和模型比写代码、比记忆、比速度。那是一场很难赢的比赛。更值得问的是：你在哪些问题上有足够在乎，愿意长期观察；你在哪些关系和行业里拥有真实反馈；你愿意为哪些判断建立声誉。
纳瓦尔所谓 specific knowledge，常被误解成“找到一个别人没有的秘密”。其实，它更接近一种无法被简单标准化的组合。你的好奇心、审美、经历、性格、长期练习，以及你能获得的反馈，慢慢形成一条别人难以完全复制的路径。
一个人懂咖啡，未必因为他背得出烘焙参数，而是因为他在不同天气、不同客群、不同成本压力下做过无数选择。一个人懂家庭资产安排，未必因为他会背所有金融术语，而是因为他知道家里哪一笔钱真正不能损失，谁在承担哪一种不确定性，哪些看似合理的回报会换来漫长的不安。
这些经验也会被 AI 提炼。可被提炼，不等于被替代。真正的分水岭，是你会不会把经验停留在故事里，还是把它变成一套可以检验、可以表达、也可以被别人使用的判断。
这里就出现了纳瓦尔所说的 leverage。代码、媒体和资本，都能把一个人的工作从一小时换一小时的模式里解放出来。AI 让代码和媒体杠杆更便宜了。以前你需要一个团队才能做的研究、写作、产品原型，现在一个有判断的人能先走很远。
可是“有判断的人”这几个字不能跳过。
很多人一听到杠杆，就急着做内容、做课程、做自动化账号。他想象的是某个产品在睡觉时也能赚钱。这种想象没有错，问题在于：你想放大的究竟是什么？如果你没有解决过一个真实问题，没有对一个领域形成自己的看法，只是让 AI 产出更多，那些内容很可能很快把你也淹没。
假如你做了十年供应链，过去从不公开表达，因为觉得知识太零散，AI 反而可能成为一个新的出口。你可以每周写一篇短分析：为什么某类订单总在季度末出错，为什么一个看似很好的库存数字可能意味着另一种风险。模型帮你整理资料、画表格、润色文字。文章的起点，仍然是你真正见过的摩擦。
慢慢地，原先散落在工作里的判断开始被人看见。它不要求你变成全知全能的专家。它只要求你对一个问题保持诚实和持续。
这就是比“做更多”更有力量的一条路。你不必先把自己包装成天才。你可以先把一个反复遇到的问题说清楚，然后持续承担它。时间会筛掉空话，也会让真实能力逐渐显形。
投资同样如此。AI 可能让你更快读完十家公司的资料，更快计算估值，更快听到所有人的观点。速度带来的风险，是你会误以为理解已经完成。更重要的是把理由说清楚：这项资产为何值得占用你的资本；它与你的收入、时间和家庭安排有什么关系；市场出现什么变化后，你愿意承认原来的想法不成立。
投资里的 ownership 也在这里。购买一项资产，拥有一家公司的份额，建立一项产品，发表一个署名观点，都是把自己与结果连接起来的方式。所有权有上行，也有压力。它要求你不只是喜欢一个故事，还要愿意经历故事没有按预期发生的时刻。
AI 会让很多人更害怕犯错，因为每个人都能迅速拿到看似更聪明的答案。可答案越便宜，真正稀缺的也许越是有能力说“我还不知道”。这句话并不软弱。它意味着你没有急着把不确定性伪装成知识，没有为了跟上别人就把钱和时间放进自己无法解释的地方。
如果你正在面对 AI 带来的职业焦虑，可以先不问“我会被替代吗”。这个问题太大，也很容易把你锁在恐惧里。你可以换成三个更可操作的问题：我最近反复遇到的真实问题是什么；哪些判断是我愿意署名承担的；哪些工作可以借 AI 放大，而不会让自己失去对结果的理解。
答案可能很小。也许是整理你做项目时的复盘，也许是记录十笔真正影响你投资决定的信息，也许是把一项长期爱好做成有用的公开表达。小并不意味着无足轻重。可持续的特定知识，常常从这样不显眼的积累开始。
当一个人愿意把经验、工具和责任连起来，他开始拥有一种更扎实的自由。工资仍然重要，岗位也仍然有价值。只是他不再把全部未来押在一个职位描述上。他有了可以带走的判断，有了可以不断复利的信誉，也有了把 AI 当作杠杆而不是裁判的能力。
投资与自由教练能在这个阶段做的，不是替你发掘一个完美赛道。更现实的工作，是一起识别你现在的资源、约束和真实问题：你的现金流是否给转向留了余地，你的时间被什么切碎，你的投资是否在替焦虑服务，你的经验里哪一部分可以慢慢形成自己的作品和所有权。
模型可以学习天才留下的痕迹。你要做的，是在自己的生活里，继续留下值得学习的判断。
