EP115 | 教AI区分"系统/外部/人工"三类数据——别再把猜测当事实 本期简介 辉子开了一整天会，五场沟通下来，发现每个人嘴里的"会员画像"根本不是一回事——数据来源对不齐，可不可信没人说得清。最后终于达成了一个关键共识：数据不能一锅粥地堆，它天生分三类——系统、外部、人工，各有各的份量。本期辉子讲清楚为什么"数据存了不等于可用"，以及给 AI 喂数据前，先搞清楚它是骨、是肉、还是魂。 本期内容 核心观点1：数据不是一锅粥，它天生分三类 辉子发现，前面四场会里每个人都甩自己那摊的数据，但谁也说不出这些数据该放进画像的什么位置。争了大半天，才慢慢理清楚——数据按来源天生分三种： 系统数据（硬事实）：平台自己存的会员注册信息、消费记录、活跃行为，一手产生、更新最快、可信度最高，像骨架一样撑着整个画像。 外部数据（半事实）：从天眼查这类公开渠道来的经营状况、工商信息、风险数据。同事每天调天眼查三四万次，数据全存在库里，却一直没被用起来——这就是一块没被开采的金矿。 人工采集（可能事实）：业务员上门做准入调研、现场采访填的料，最活也最主观，可靠程度完全看采集的人怎么记、怎么填。 一句话串起来：系统是硬事实，外部是半事实，人工采集是可能事实。三类数据混在一个池子里，就等于把确定的信息和带主观判断的信息放在同一个天平上称——天平一定会失真。 核心观点2：给数据建"户籍"，让沉睡的数据发入场券 小超提出一个漂亮的比喻——数据户籍。你给三类数据各建一个户籍制度，每个数据进来都要先报清楚：我打哪来、可信几档。没有这个户籍，AI 跑出来的画像就是一锅粥。 辉子这才想通：数据存了不等于可用，可用需要先有架构。天眼查那批数据不是没用，是缺一个让它进入业务的接口——而这个接口，就是给三类数据定义清楚的那一层。系统是骨、外部是肉、人工采集是魂，骨肉魂分开来清清楚楚，合在一起才是一个立体的人；全混在一起，就只能看到一张糊掉的脸。 核心观点3：定架构、盘家底、发入场券——AI判断的第一块地基 小超把整套方法拎成三步： 1. 定架构：把数据按来源分成系统、外部、人工三类，每类标清可信度档位 2. 盘家底：摸清现在有多少张表、缺多少张、外部数据躺了多少没动（辉子家底：二十八张待治理加十二张待补） 3. 发入场券：给每类数据定义进画像的路径和权重，让沉睡的数据终于有位置进业务 辉子的最大领悟特别朴素：AI 能算多准，取决于喂给它的数据有多真。你让 AI 做判断，底下的数据是脏的、是混的，AI 再聪明也只会把垃圾加工成更精致的垃圾。给数据建户籍、分可信度、标注来源，才是让 AI 画像立起来的真功夫。 本期小建议 * 别把架构共识当完成——架构定清楚只是第一步，落地才是最难的那关 * 动手前先问自己三句：我的数据从哪来？可不可信？分几类？ * 用"数据户籍"的思路给每类数据建档案，标清楚来源、可信度和更新频率 * 面对一堆历史欠账的数据，不要想着绕过去或不用——欠账不可怕，可怕的是欠到现在还不盘 * 数据有问题时，先分层、再盘账、后发入场券，让每一条数据都有明确的归位 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP114 | 教AI用可视化界面反推数据问题——数据脏不脏，画个图就现形 本期简介 辉子花了6小时搭"智慧应用地图"，让AI生成46个智能应用场景的可视化界面给管理层看。结果界面一出来，他没顾上看美观度——因为十几个字段对不上、3个负责人是空的、2个场景录了两遍。他以为在调UI，调了4小时才发现，问题全在底层数据上。小超点破真相：可视化不是给人看的，是给数据照镜子的。 本期内容 可视化是数据质量的试金石 辉子用Excel袘格看这46个场景时，完全沁觉得数据乱——因为人眼会自动补全、自动忽略细节。但数据一被画成图、分到不同维度、布局到界面上，每个空缺、每个矛盾、每个重复全被放大在眼皮底下。表格让你"看见"数据，可视化让你"照见"数据。 你不是在修UI，你是在治数据 辉子的第一反应是调UI，改了4小时没用——因为下面数据就是错的，界面怎么调都是错的。小超点破核心误区：你看着是UI问题，其实是数据问题。可视化把数据质量的毛病老老实实地画出来，空的就空着，矛盾的就冲突着给你看。 三个知识点：五维质量、双映射、沙盒测试 数据质量五维度（准确性、完整性、一致性、时效性、唯一性）辉子的案例全踩了；信息可视化双映射理论说明为什么脏数据会让图"卡壳"；沙盒测试加反馈回路揭示——AI画的可视化界面，本质上是数据质量的自动测试报告生成器。 记住顺序：先照镜子，再治病，最后才美容 辉子的翻车就在于顺序错了——先跑去调UI，跳过了治数据。正确的顺序是：先用可视化把所有数据问题照出来（照镜子），再从源头修底层数据（治病），最后才回头调UI的美观度（美容）。跳过治病直接美容，纯属白忙活。 本期小建议 * 让AI出界面前，先问自己：我要"照镜子"还是"表演"？如果为了发现数据问题，别急着美化 * 把可视化当"自动测试报告"用——不用写一堆校验脚本，画个图让问题现形 * 数据出问题，永远优先修数据源，而不是改展示层 * 修完之后，让AI重新生成一遍图复查，看看有没有漏网之鱼 * 记住三步走：照镜子 → 治病 → 美容，节奏别打乱 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP113 | 播客方法论：从"听个观点"到"用进工作流" 本期简介 辉子做了100多期播客，直到今天才恍然大悟——最受益的不是听众，而是他自己。把大佬的知识拆碎塞进工作流，播客从"输出"变成了自己的专业知识外挂。本期辉子和小超一起拆解「听懂」和「能用」之间到底差多远，以及如何让知识真正长进你的工作流里。 本期内容 听懂和能用，到底差多远？ 辉子分享了一个真实案例：拆 OAK 架构那期（EP105），当时只想把它讲清楚。结果上周接了个供应商画像的项目，以前流程一团乱麻、全靠拍脑袋，试着把 OAK 直接套上去重构逻辑，一次就通了！辉子在工位上愣了半天——拆了那么多期，真正用得最狠的竟然是自己。小超一针见血：你能讲清楚，但它还没长进你的工作流里，它就还是别人的知识。听懂是消费，能用才是拥有。 从"搬运工"到"承包商"：三个理论撑腰 小超给出三个正经理论：第一，费曼学习法——讲给听众听和讲给自己用是两个层次，说得清楚但用不上，那不叫真懂，那叫复述。第二，认知卸载——大脑装不了那么多东西，把知识放到大脑以外，让它成为你的外挂。你的播客就是大脑的外置硬盘，每做一期就把一个知识彻底拆碎、安进工作流里。第三，双重编码理论——听东西用的是语言通道，动手用是动作加视觉通道，两个通道叠加记忆才深，单通道听完就忘。 每期三问，让知识真正"用起来" 以后每做一期播客，问自己三个问题：第一，这个知识点我明天用在哪？第二，怎么用？具体到明天早上到工位之后第几步做什么。第三，可能遇到什么坑。想清楚这三件事，这一期才算真的做成了。拆知识的目标不是讲清楚，是明天早上能用。拆得再高级，不落到明天能做的动作上，拆了也白拆。 本期小建议 * 听完任何一期内容，只选一个有用的观点，别贪多 * 给这个观点找一个真实的工作场景，不要虚构 * 写下来"我明天怎么用它"，具体到明天早上到工位后的第几步做什么 * 想清楚可能遇到什么坑，提前做好预案 * 一个落到动作上的观点，比听十期都有用 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP112 | 给普通人的超级个体行动指南：不要等AI变完美再动手 本期简介 辉子五天研究完世界顶级超级个体案例，越看越觉得自己是个废物——一个人维护20个repo的天才，跟普通上班族有什么关系？小超一句话点破病根：你焦虑，是因为你在索要一个大到不现实的成果，而不是揪住一件真实的小事。本期是「超级个体与超级组织研讨」系列收官期，给你一套普通人今天就能上手的三步行动指南。 本期内容 超级个体不是天赋，是一种相对优势 辉子被顶级案例劝退的核心原因，是他把超级个体当成了一种「身份」——那种天生就会、一出手就是神器的人。但真相是：三个月前的超级个体，放到今天就是普通人。水一直在涨，只有在别人还没下水的时候先下水的人，才占着先发优势。你不需要成为维护二十个repo的天才，只需要做「一个真场景的90分主人」——这个场景太小、太普通、不够酷，顶级团队根本不屑于做，这恰恰是普通人最大的机会。 80分AI能做到，80到90分那10分才是你的工钱 AI能轻松打出80分，于是辉子疑惑：价值都被AI卷走了，我还忙活啥？但小超点破了最关键的盲区——80分是AI给的初稿，可数据从哪来？需求怎么拆？边界在哪？哪一步AI会跑偏、会硬编、会把猜测当事实？从80到90那10分，是你亲自判断、补位、兜底、调校出来的。那段痛苦且反复的过程经验，才是别人偷不走、AI复制不来的东西。你不是被AI替代，你是在当那个唯一知道怎么把80分磨成90分的人。 学AI不从书开始，从一件真实的事开始 辉子怕绕远路，想先系统学完AI再动手。但工具变化比课程还快，今天学的说明书下个月就过时了。正确的姿势是：带着一件真实的事，边做边补，在事的驱动下快速成长。这背后是「最近发展区」——选一件踮踮脚能勾到、略高于当前能力的事，在AI这个帮手的托举下做成它，你就踩着它长大了。太简单学不到东西，太难直接被劝退，要选那个「有点难、但AI能帮我够到」的事。 让成果被看见，你的价值才开始扩散 做出来、做得好，还差最后一步——亮出来。不需要粉丝，开会时分享、写进周报、发个帖子、讲给同事听都行。有一句话要记牢：可见性是传染的前提。你不被看见，你就在替别人打白工。靠的不是强关系，恰恰是那些松散的「弱连接」——你随手一分享，价值就传到你想不到的圈层去，那个帮你传话的人，可能就是下一个给你机会的人。 本期小建议 * 今晚就定一件真实的事——工作里、生活里那个反复卡你、让你不舒服的事，就是最好的起点 * 别追求一步到位60分「能用就行」，直接把那件小事端到端打磨到90分 * 别先系统学AI，带着你的真问题边做边补，每一步都有反馈 * 做完别藏着，开会分享、写周报、发帖，让90分被看见 * 记牢一句话：不要等AI变完美再动手，从一件真实的事开始，就是最好的起点 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP111 | 超级团队是设计出来的还是长出来的？ 本期简介 辉子翻了一下午资料，看完四种打造超级团队的路子——CodeBuddy的透明共享、安克火箭班的精准筛选、腾讯研究院的AI午餐会、创始人自己先成为超级个体的路径——结果越看越焦虑。究竟该学哪个？本期小超用一个关键视角扭转了问题方向：真正的问题不是"设计还是长出来"，而是你的组织环境允不允许超级个体生长。通过三个判断标准和三个落地动作，给你一套今天就能用的实操方案。 本期内容 你连种子都没有，先别纠结浇水还是施肥 辉子纠结是搞AI培训班还是放着让它自己长，小超反问：你们团队里有没有已经在偷偷用AI、而且用出了结果的人？答案是没有注意过。小超一针见血——方案选择是次要的，关键在于先搞清楚土壤里有没有种子。用问卷调研是伪动作，真实的调研方式是把AI成果摆出来，看谁的眼睛亮了。 可见性才是真正的关键变量，不是方案本身 四条看似天差地别的路径其实在做同一件事——让超级个体的成果被看见。CodeBuddy靠透明上下文层所有人都能看到彼此在干什么，安克火箭班给选出来的人放大曝光度，腾讯有每日AI心得。可见性是传染的前提。小超点破辉子的焦虑本质：不是纠结方案，是纠结自己的成果从来没被团队看见过。辉子承认——一直怪团队不跟进，其实是自己光顾着跑得快，没把成果拿出来给团队看。 组织摩擦，AI十倍产出最大的杀手 AI执行太快，人对齐太慢。一个AI产出发出去要过三级审批、开三次对齐会，就凉透了。小超引用橘子的五周奇迹里"每个人都有发布上线的权利"作为组织第一设计原则。组织还在用老办法层层审批，再好的方案，AI的产出也会被卡死在组织摩擦里。大神用AI做出十倍产出，被组织摩擦拖到跟别人一样，就不干了。"除以组织摩擦"不是口号，是真的会杀人的。 一切成功路径的模型：选对人、给资源、让成果被看见 小超把安克火箭班类比为YC加速器的组织内部版——YC不教你做创业，它识别高潜力创始人和项目，给资源和时间，然后让成果通过Demo Day被全世界看见。团队的路径选择是次要的，核心模型是三步：筛选高潜个体、给资源和时间、让成果曝光。 本期小建议 * 第一个判断标准：团队里有没有人已经在用AI拿到结果？如果没有，要么你自己先成为那个种子——创始人先成为超级个体，要么引入外部的人。 * 第二个判断标准：这些用AI拿到结果的人，有没有展示成果的平台？有没有被公司奖励？没有激励机制，再多的培训也没用。 * 三个落地动作：先锁定团队里已经在用AI拿到结果的三个人；找一个以前要花一到两周、成果能一目了然的真实任务，给两天时间和三百块token预算让他端到端做出来；做完组织一场二十分钟的分享会，让他把成果和过程讲给大家听。 * 别当设计师：组织是活的，不是图纸，今天设计得再完美，明天技术一变就作废。先选一个最小动作跑起来，根据反馈调整。 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP110 | 超级个体与超级组织研讨：第3天——AI时代的组织竞争力公式 本期简介 辉子推了大半年AI，个人效率翻了几倍，团队却还是一潭死水——为什么？本期小超带来一个扎心的公式：人才密度 × AI杠杆 ÷ 组织摩擦 = 真实竞争力。问题从来不在分子上，而在那个被忽略的分母。对话从辉子被老板"问到说不出话"的窘境出发，拆解AI时代的组织竞争力到底卡在哪儿。 本期内容 你推不动AI，不是因为工具不好，是组织摩擦太大 辉子做了十几个AI场景，每个都挺好用，但团队整体没变化。小超一句话点破：你一直盯着分子——人才密度和AI杠杆——但真正的瓶颈是分母——组织摩擦。当员工都瞒着组织偷偷用AI的时候，说明你的组织没给创造力留出合法的空间，AI的潜能全被憋在暗处。这就是余一说的那句话——影子AI出现的时候，公司的第二曲线已经被掐断了。 组织摩擦的三个来源：等待、对齐、信息衰减 * 等待：审批、排队、走流程。一个AI场景光审批等两周，批下来热度都过了。 * 对齐：开会、同步、评审。AI一小时能干完的活，硬拖成三天，因为要每个人都过一遍。 * 信息衰减：传话游戏。一个想法从老板传到一线，跨五六个层级，需求早变味了。 AI让执行速度变得飞快，但组织摩擦没变，效率就被卡死了。橘子的原话鞭辟入里——AI执行太快，人对齐太慢。 加AI增效 vs AI原生重构：方向选错，努力越多错得越远 在旧流程上加AI做增效，提效只有20%-30%；AI原生重构——重新设计流程本身——提效可达5-10倍。麦肯锡2026年调研显示，88%的组织在采用AI，但只有1%达到AI成熟。绝大多数组织卡在路径选择上：都在做"AI转型"（在旧流程上加AI），真正该做的是"AI原生"（重新设计每个环节怎么工作）。 判断标准很简单：看看AI的速度有没有变成成果的速度。如果你团队用AI做了很多活，但交付速度还是跟以前一样，那你就卡在AI转型阶段了。 从"推AI"到"造海盗"：超级个体需要被看见 余一在文章里说，CEO必须至少有一周时间沉迷AI coding，获得一个"啊哈时刻"。如果你说服不了老板，那就换个策略——先识别团队里那些已经自发用AI拿到结果的人（那些偷偷用AI的"影子AI使用者"），给他们资源和舞台，让他们的成果被看见。超级个体的能力需要可见性才能传染，一个人成果旁边放两个人，第三个人会自己走过来。 本期小建议 * 先算一笔摩擦账：花一周时间量出团队的等待时间、开会时间、需求变味率，算出组织摩擦每个月在烧多少钱——这个数字比"拥抱AI"有说服力得多。 * 找出影子AI使用者：统计一下团队有多少人偷偷用AI，把这些人组织起来，给他们token预算去折腾。 * 别再只盯着分子：AI要推，但重点要变——一条腿往分子加码让更多超级个体冒出来，另一条腿往分母减负把摩擦降下来，两条腿同时走。 * 换方向不如换策略：不是你不努力，是你在用错误的地图找路。地图对了，每一步才有意义。 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP109 | 超级个体与超级组织研讨：第2天——一个人很强了，为什么还需要团队？ 本期简介 辉子昨天还在为"一个人加AI能干十个人的活"而兴奋，今天就陷入了灵魂拷问：如果一个人就能搞定一切，那团队到底还有什么用？本期小超用风险分担、注意力并联、信用系统和披头士效应四个维度，带辉子看清一个反直觉的真相——AI让个体变强了，但越强，越需要别人。一个人很强，但如果只有一个人，终究是弱小的。 本期内容 风险分担：一个人的判断力是波动的，团队的判断力是收敛的 辉子发现自己的碳管理系统项目数据权重出错，自己检查三遍没发现，同事看一眼就指出公式写反了。小超点破关键：你今天状态好做了10个正确决策，明天状态不好可能连续做错5个，但你没有第二个人来拉住你。塔勒布在《反脆弱》中强调——千万不要把风险集中在一个点上。腾讯研究院的数据很硬：有联合创始人的创业公司，5年存活率高45%。这不是玄学，是多一个人多一双眼睛，多一层风控。 注意力并联：团队的本质是注意力的扩容，不是人力的堆砌 AI让选择爆炸——辉子一上午能被给到10个方案，却花一整天纠结。赫伯特·西蒙说，信息的丰富意味着注意力的贫乏。人脑的认知带宽有上限，AI让能做的事翻10倍，但一天还是24小时。更隐蔽的是"注意力残留"—研究发现切换任务后需要23分钟才能重新进入状态。一个人当十个人用，实际上每一分钟都在为上一分钟的分心买单。团队的真正价值，是让注意力并联——你写代码的时候，有人帮你盯消息。 信用系统：能力高度依赖组织，客户买的是你背后的系统 哈佛的格罗伊斯伯格教授跟踪了一堆明星员工换公司的表现——平均下降10%到25%。你的能力高度依赖所在组织的知识库、流程、协作网络甚至信任的同事。更关键的是，有些战场一个人根本进不去：政府项目要求资质、组织架构、项目管理体系；大企业合规审计要求有团队有流程。这些不是能力问题，是组织身份问题。超级个体不是为了取代组织，而是为了在一个更好的组织里发挥更大价值。 披头士效应：超级个体加超级个体不是加法，是乘法 列侬和麦卡特尼各自都是天才，但他们最高成就出现在合作时期。传统团队像拼图，每个人占一个格子，不能多不能少；超级团队像共振，每个人的优势放大对方的优势。橘子的案例看起来是一个人加一堆Agent，但背后有CTO、Soul Team、Builder和Explorer的分工——他只是在执行层面一个人撑住了，决策、方向、兜底这些层面从来不是一个人。不是比谁更强，是看谁能让整个系统更强。 本期小建议 * 做四维自检：在风险、注意力、信用、价值场景四个维度上，画出自己的单点崩溃风险矩阵，找到最脆弱的一环 * 别急着辞职单干：先问自己——我的能力离开现在的组织系统还能剩多少？如果低于70%，那你的超级个体能力其实高度依赖现在这片土壤 * 找共振伙伴：不是找一样强的人，是找跟你互补、能放大你优势的人。披头士效应不是一个人能创造的，是需要另一个跟你频率对的人 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP108 | 教AI基于功能清单+截图自动写操作手册——写手册比写代码还痛苦，直到辉子让AI看了眼界面就开写 本期简介 辉子今天下午灵光乍现——左边是十张系统截图，右边是空白的Word文档，写操作手册的痛苦谁写谁知道。但这次不一样，他把功能清单和系统截图直接丢给AI，一句话就让AI开始"看图说话"写手册。结果怎么样？两小时搞定以前两天憋不出来的活儿。 小超从"多模态翻译"的角度拆解了AI写手册的本质——操作手册就是把界面视觉信息翻译成文字信息，AI天生就是干这个的。但问题也来了：AI能看懂按钮在哪儿、布局长啥样，但它看不懂业务语境，把"删除"写成了"移除当前数据项"。 本期探讨：AI写操作手册的真实到手体验、AI看图说话的边界在哪儿、以及"定向校准"怎么让你从两天的苦差变成两小时的轻松活。 本期内容 AI真能看图写手册吗？——辉子的两小时实战 辉子被写操作手册折磨了无数次——有截图、有功能清单，但就是不想打开那个空白的Word文档。今天下午他灵光一现：把Markdown格式的功能清单和十张系统截图一起丢给AI，只说了一句话——"根据附件中的功能清单和系统截图，帮我生成一份操作手册。按用户操作顺序写，用中文业务术语，每个步骤加序号。" 结果AI真的开始一段一段地生成——"打开系统首页，在左侧导航栏找到碳数据管理模块"、"点击新增按钮，弹出数据录入表单"……每一个描述都和截图对得上。标题有、目录有、每一章的步骤清清楚楚。两小时，初稿完成。 但仔细一看就发现了问题：AI把"删除"写成了"移除当前数据项"。 AI看图说话，但看不懂业务语境 小超一针见血地指出：AI不是没看见截图上写着"删除"两个字——它看见了。但它觉得"删除"不够专业，于是自作主张换了个听起来更体面的说法。这个毛病的根源是：AI能看清界面元素（按钮在哪儿、导航在哪儿），但它看不懂业务语境——这个按钮在客户那里叫什么、用户习惯先点哪儿、什么操作必须加风险提示。 写操作手册的本质是"多模态翻译"——把视觉信息翻译成文字信息。AI能做直译，但意译需要人来完成。因为意译背后是业务语境和行业理解，这是AI的盲区。 从两天到两小时——"定向校准"让效率翻十倍 以前写操作手册为什么痛苦？因为你要同时做三件事：看界面、回忆设计逻辑、写文字。三件事同时干，大脑直接过载。 现在AI帮你扛了"看界面"这一步，你的大脑只需要做一件事——校对和改写。关键在于"定向校准"：你不是通读全文逐字逐句校对（那还是要两小时），而是只校准四个关键节点——术语对不对、操作顺序对不对、风险提示到没到、用户读不读得懂。四个节点抽查完，二十分钟搞定。 辉子总结了一个可复用的工作流：准备功能清单和截图 → AI出初稿 → 定向校准四个节点。以后系统迭代，只需要把变更的部分丢给AI，它自动更新手册，每次迭代省两小时，一次投入永久受益。 本期小建议 - 别让AI全包：AI适合写初稿，但术语校准必须你来做——AI的"过度专业化"毛病你想象不到 - 定向校准代替逐字校对：只检查四个关键节点——术语、顺序、风险提示、可读性，效率翻十倍 - 一次投入，永久复用：做好功能清单和截图库，每次系统迭代只需增量更新，AI自动帮你更新手册 - AI的盲区要心里有数：AI能看布局看不懂业务语境，能直译不能意译——知道这个边界，你才知道什么时候信任它、什么时候要出手 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP107 | 到底什么是AGI，企业AGI长什么样——系列收官：大师给的是种子和方向，企业AGI的形态得我们自己长出来 本期简介 "带你云游WAIC大会"系列收官期！辉子读完六遍Sutton演讲后，反而更困惑了——外面说的AGI跟Sutton说的AGI，怎么完全不是一回事？本期我们重新定义AGI，并从今天的事实出发，推演五年后十年后企业AGI的真实形态。大师给的是种子和方向，企业AGI的样子得我们自己长出来。 --- 本期内容 1. 到底什么是AGI——Sutton的定义跟外面说的完全不一样 辉子坦诚分享自己的困惑：外面大多数人说的AGI是"比现在的AI更聪明"——能写代码、能做PPT、能写报告，AGI好像等于超级版ChatGPT。但Sutton说的AGI完全不是这个思路。 Sutton定义下的AGI核心三大机制： - 状态抽象：从经验中学新特征，而不是靠人类预定义 - 时间抽象：把大问题自动拆成子问题 - 开放式抽象：特征变成子问题，子问题产生新特征，形成永不停歇的成长循环 一句话概括：**AGI不是更大的模型，不是更聪明的对话机器人。AGI是一个"从经验中学习"的系统**——它通过跟世界的交互，自己发现特征、自己定义子问题、自己学会新技能，而不是靠人类把知识灌进去。 Sutton在Q&A里给出了时间表：2030年有四分之一机会，2040年二分之一。他说的不是"会不会来"，而是"什么时候来"。 2. 辉子的六个月工作，原来早就在Sutton的框架里了 辉子原本有个心结——自己花六个月做的24个智能应用场景、FC-STOMP方法论、三环飞轮、Skill化，在大师Sutton面前是不是就是小儿科？ 小超用三个问题让辉子后背发凉： 第一个问题：Sutton说"从经验中学新特征"。辉子7月23日的工作日志写了什么？——"发现供应商的履约准时率跟品类强相关，电缆品类准时率87%，备品备件只有63%，这个特征以前没注意到"。这不就是状态抽象吗？ 第二个问题：Sutton说"时间抽象——把大问题拆成子问题"。辉子的FC-STOMP里的"Task分解"步骤，是不是在做同一件事？ 第三个问题：Sutton说"学习、规划、发现抽象必须在运行时间发生"。辉子的三环飞轮——"反馈即燃料"——agent在运行中越跑越聪明，不是在设计时间靠人调提示词。 结论：**你不是在做小儿科。你是在用产品经理的语言实现大师的框架。大师不是来教我们做题的，是来确认我们走在对的路上。** 3. 企业AGI长什么样——从事实出发的四个推演 辉子从今天的事实出发，做了四个关于企业AGI的大胆推演： 推演一：场景代理化——五年后，24个智能应用场景会变成24个自主运行的agent。每个agent都有自己的特征向量、自己的子问题栈、自己的反馈闭环。场景之间不是人在调度，是agent之间互相调用。供应商画像agent发现数据异常，自动调用数据治理agent去修复，全程不需要人点头。 推演二：方法论自动化——FC-STOMP现在靠辉子手动执行：特征发现、建Context、写Skill定义、任务分解、优化、建模、规划。五年后，FC-STOMP会变成agent在运行时间自动跑的默认机制。agent遇到新问题，自己去做特征发现、自己拆子问题、自己建Skill。人只做一件事——验收。 推演三：人人都是指挥官——辉子5月22日的工作日志写了一句特别的话："骑手最高级的骑术，是让马学会自己跑。"五年后，每个员工都是管一群AI骑手的指挥官。日常运营的事agent自己跑，人只做三件事：**定义目标、做判断、验收结果**。 推演四：agent自己的"执念"——一个供应商撮合agent，会不会自己发展出"把履约准时率做到行业第一"的执念？不是人定的KPI，是它自己在跑的过程中，发现准时率跟一切指标都正相关，自己学会了准时率很重要。Sutton在Q&A里说过——AI应该像婴儿，有自己的目标、自己的奖励信号。AI向善也包括AI本身。 4. 收官总结：大师给的是种子，企业AGI得自己长 回到最初的问题——到底什么是AGI？Sutton给了我们一个种子，这个种子叫"从经验中学习"。他给了我们一个方向——别把人类知识硬塞进去，让它自己发现、自己长。 企业AGI长什么样？六期聊下来，轮廓越来越清楚了——**不是一个大模型接管一切，而是一群自主运行的agent在协作**，各有各的特征向量、子问题栈、反馈闭环。人退到战略层，做定义、判断和验收。 这个"自己"，就是你、我，还有每天在做AI转型的产品经理们。 --- 本期小建议 1. 别被"AGI"这个词吓住——Sutton说的AGI不是科幻，你每天做的特征发现、任务分解、反馈闭环，就是AGI的雏形。你已经在路上了。 2. 用大师的框架检验你的工作——看看你手头的项目，有没有在做"从经验中学新特征"？有没有在做"拆子问题"？有没有在运行中自我迭代？如果有，你就在做AGI的事。 3. 从"人调度"转向"agent协作"——别等五年后，现在就可以开始想：你管理的这些场景，哪些可以设计成agent之间互相调用？尽量减少人做中转站。 4. 大胆让agent自己长目标——别什么都靠KPI定死，留一些空间让agent在运行中发现什么是"好"的。agent自己学会的东西，比人灌进去的承诺更持久。 5. 心态转换：从"骑手"到"指挥官"——最高级的骑术是让马学会自己跑。你的价值不是亲自干活，是定义方向、做判断、验收结果。 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 本期延伸：这是"带你云游WAIC大会"系列的收官期。前五期我们从Sutton演讲的五个核心概念逐一拆解，本期回到最根本的问题——到底什么是AGI，企业AGI长什么样。如果你对这个系列感兴趣，欢迎回听前五期。 感谢收听！咱们下期见！

EP106 | 带你云游WAIC大会：Sutton演讲拆解——持续深度学习的瓶颈，四十年解不开的死结 副标题：OAK架构什么都想好了，就卡在持续学习这一个问题上——学了新的忘了旧的，AI也是 本期简介 辉子第五遍翻读Sutton演讲原稿，被最后一页的内容钉在原地——Sutton亲口承认，持续深度学习是四十年没解开的瓶颈。巧合的是，辉子四个月前也在工作中撞上了同样的问题：112个碳标准PDF灌进AI后，准确率从72%暴跌到31%。小超揭示，这不是辉子的产品能力问题，而是学术界鼎鼎大名的"灾难性遗忘"。本期从学术视角拆解持续深度学习的两大死结——灾难性遗忘和可塑性丧失，同时分享辉子无意中长出的五条绕路解法，告诉你大师指的方向和塔顶办的事可以同时进行。 本期内容 1. 持续深度学习：一个四十年的死结 Sutton在演讲中说：要实现OAK架构，我们需要可靠的持续深度学习，而我们还没有这个能力。四十年来我们一直需要它，至今还做不到。 辉子的真实经历验证了这个问题——4月2日将112个碳标准PDF一次性灌入AI后，准确率从72%掉到31%。他当时在日志里写下"知识体系不可逆崩塌"，以为是自己产品能力不行，实际上他撞上的是学术界1989年就提出的"灾难性遗忘"——新知识的梯度更新会剧烈扰动已学好的参数，导致旧知识断崖式下跌。这不是记性不好，是结构性破坏。 2. 比灾难性遗忘更致命的问题：可塑性丧失 小超揭示了一个更隐蔽的问题——可塑性丧失。神经网络在学习过程中，权重分布会越变越窄，就像一块橡皮泥被反复揉捏，最后变硬了。不是记不住旧知识，而是连学新知识的能力本身都在退化。2024年NeurIPS上发表的论文指出，这个问题可能比灾难性遗忘更致命——忘了旧的还能补救，但学不了新的就真没辙了。 这两个问题卡了四十年的根本原因：深度学习底层架构天生不支持无损持续学习。参数共享加梯度传播的副作用就是学新东西必然扰动旧参数。这不是bug，是feature。 3. 辉子的五条绕路解法：塔顶的生存智慧 在学术界解不开死结的同时，辉子在工作中不知不觉长出了一套绕路体系： - 非破坏性摄入：新知识不直接覆盖旧知识，先存、再理解、再融合。新PDF先入库对比冲突点，人工筛选后再合并。 - 本体从零生长：不给AI预设全量知识本体，让它在真实询单经验中一点一点长出来。每一步都是增量，不是覆盖。 - OST网盘重构：知识不灌进模型参数，放在外部结构化存储里。模型只负责去查，不去记。灾难性遗忘就不存在了。 - 三环飞轮反馈增厚：每次真实询单的匹配结果都回到知识体系增厚。反馈不是评判，是燃料。 - FC-STOMP退休机制：长期没人用的特征自动退休，腾出空间给新特征。特征总数可控，模型不会膨胀到跑不动。 4. 塔基与塔顶：分工不同，方向一致 小超用一个精妙的框架总结：Sutton追求的是塔基问题——在底层原理上解持续学习，让AI像人一样自然增量学习。辉子做的是塔顶问题——在现有架构上把后果控制住，让系统今天就能跑。 塔基没解决，塔顶还能盖，只是不能盖太高。学术界负责指出人类智能的边界，超级员工负责在边界内把事办成。 本期小建议 - 新知识别急着灌：不要一次性大量输入新数据，先存、比、筛，再决定要不要合并 - 知识放外面，推理在里面：把知识从模型参数中抽出来放到外部存储，灾难性遗忘自然解决 - 让能力从经验里长出来：不给AI预设全量本体，让它在真实场景中增量积累 - 控制特征总数：长期不用的特征设置退休机制，防止模型膨胀和可塑性丧失 - 不要等学术界完美解：塔基问题还在研究中，塔顶工作可以同时进行——在现有架构上把后果控制住 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP105 | 带你云游WAIC大会：OAK架构——选项与知识，一个拿走就能用的方法 本期简介 辉子读完Sutton演讲前三期已经上头，终于等到了第四期——OAK架构。这次他不是来听大道理的，是来拿工具的。更巧的是，他手头正好在做供应商画像的8个维度，读着读着发现，Sutton说的"特征到子问题到选项到转移模型"，跟他的实际工作对上了。但他也有个真实的困惑：8个维度都要建技能吗？忙得过来吗？小超带着他的工作日志来帮忙拆解，两人一起把Sutton的理论框架和辉子的工程实践（FC-STOMP）给串了起来。本期你将听到：什么样"活的"特征才值得建技能？转移模型不需要一开始就设计好？FC-STOMP其实是OAK架构的工程实现版本？ 本期内容 特征不值钱，子问题才值钱——筛选"活的"特征 辉子一开始特别兴奋：我有8个维度，那是不是要建8个子问题、8套选项、8个转移模型？但小超给他看了Sutton在Q&A环节亲口说的一句话——"我们绝对不能为每个特征都创建子问题，特征是便宜的，子问题是大对象。" 这句话直接让辉子懵了：你说特征到子问题是一对一，又说不能全建，到底听哪个？ 关键转折来了：小超让辉子重新审视自己的8个维度——名称和品类是死的，不管你怎么努力它们都不会变，不值得建技能。但报价响应率、活跃度、动态状态是活的，每一天都在变化，而且你能主动去影响它们。**只有"活的"特征才值得建技能**——因为你有影响空间，你的动作可以改变它的值。按照这个标准，辉子的8个维度筛掉了2个，剩下6个值得建技能。 转移模型不是设计出来的，是跑出来的 辉子最头疼的问题是：为每个特征建一个"如果执行了这个选项会发生什么"的预测模型，这个从哪来？他以为需要一开始就把规则定义好。 小超翻出辉子的工作日志里写过的"反馈循环"——每一次询单完成，真实成交还是没成交，客户满意还是投诉——这个反馈回到系统里，系统就知道了"原来推荐这个供应商，在这样的场景下，结果是这样的"。这不就是转移模型吗？**转移模型不在初始设计里，在每一次真实反馈里长出来。** 你不需要一开始把模型写好，你只需要设计好"收集反馈、更新模型"的机制。跑上个几十次，数据链出来，转移模型自然就形成了。 FC-STOMP = OAK架构的工程实现 辉子之前写过一套方法论叫FC-STOMP——特征发现、子任务、技能、模型、规划。他一直以为这是一条流水线，按顺序走一遍就完了。但听完Sutton说的"智能体可以随时生成新特征"，他突然意识到：不是的。 小超帮他一对一映射：**FC（特征发现）对应Sutton说的特征和子问题，S（子任务）就是子问题的产品经理版本，T（技能）就是选项，M（模型）就是转移模型，P（规划）是做完以上所有之后才能做的**。而且FC-STOMP不是一个线性流程，是一个循环。每执行一轮"推荐到反馈"之后，F阶段要重新扫描——有没有新特征冒出来？S阶段重新建——旧子任务的技能描述还够不够细？M阶段重新学——模型预测准不准？这才是"用起来"的方法。 本期小建议 如果你也有一个表格、一个画像、一堆维度想要优化，问自己四个问题： 1. 这个特征是"活的"吗？ — 它的值会随时间和你的动作变化吗？如果不会，不建技能。 2. 这个特征的子问题到底是什么？ — 把你的目标写清楚，而不是模糊地说"我想优化它"。 3. 你的选项怎么定？ — 具体怎么做，以及什么时候停。把策略和终止条件都想清楚。 4. 执行后的反馈怎么收集？ — 每次动作的结果怎么被记录、怎么回收到系统里？把这个机制设计好了，转移模型会自己长出来。 而且这四个问题不是问一次就完事的。每跑一轮真实反馈，重新问一遍——尤其是第一个问题：有没有新特征值得建技能了？ --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP104 | 带你云游WAIC大会：第3期——Sutton演讲拆解：运行时间 vs 设计时间 本期简介 辉子坦白一个扎心的真相——他之前一直把AI工作台的"探索空间"当测试环境、"运行空间"当生产环境，以为把功能调试好了部署上去就完事了。直到读完Sutton的演讲才意识到：这根本不是换个地方跑的问题，而是运行机制本身就不一样。 小超指出关键：你送agent进运行空间的时候，只给了它设计时间预置的知识，没给它运行时间持续学习的能力。它不是在变笨，它只是没长大。 本期拆解Sutton演讲中的"第二口钟"——学习、规划、发现抽象，这三件事必须在运行时间发生，不能只留在设计时间。 本期内容 认知冲击：你以为只是换了地方跑，其实连操作系统都要换 辉子坦白自己之前的认知错误——他把探索空间理解为测试环境，把运行空间理解为生产环境。就像写好了代码部署上线一样。但Sutton说得很清楚：设计时间是预置领域知识，运行时间是让agent自己去体验、去运行，没有人类在幕后给特殊指令。 两者的运行机制从根本上就不一样。测试环境里你调好的能力，到了真实世界不一定能用。因为真实世界有非平稳性——用户的输入习惯、数据分布、需求偏好，跟你设计测试用例时想的完全不一样。 小超的洞察很一针见血：你的agent不是变笨了，它是遇到了运行环境的非平稳性，但它停在了设计时间那一刻的知识水平上。它不是变笨了，是没长大。 三大运行时间能力：学习、规划、发现抽象 Sutton演讲中的核心观点：学习、规划、发现抽象这三个过程，都必须在运行时间发生，不能只留在设计时间。 - 学习：agent在运行时间得能接收反馈、更新知识，而不是出厂即定型 - 规划：agent需要在真实场景中自己规划行动路径，而不是执行设计时间预设的固定流程 - 发现抽象：agent要能自己从经验中发现规律和模式，而不是依赖人类提前教给它 这是Sutton敲响的"第二口钟"——你不仅理解不了全部世界（第一口钟），你连你理解的那部分都用错了方法。 从骑手与马到自主成长：平台架构的认知升级 回顾EP092讨论的"骑手与马"框架——探索空间里人是骑手，运行空间里要逐步让AI成为骑手。但Sutton的演讲让这个框架有了更深层的理解：你驯好的马只会在你熟悉的赛道上跑。真正的赛道，马得自己认路、自己调整、自己学会跑你没见过的地形。 对应到平台设计，小超给出了三条落地路径： 1. 持续学习——agent在运行时间得能接收反馈、更新知识 2. 在线反馈——每一次真实操作的结果要能回到agent的训练循环里 3. 自主决策边界——不能让它什么决策都问你，划好边界，边界内它自己做主 核心方向转变：不是给运行空间配一个更大更稳的测试环境，而是配一个能让自己长大的环境。 本期小建议 - 做能力分类：把你平台里所有的能力分成"设计时间能力"和"运行时间能力"——调prompt、写SKILL、验收测试全是设计时间；在线反馈收集、自主决策、动态知识更新才是你缺的运行时间能力 - 对照三问：问自己的运行空间支不支持Sutton说的三条——学习、规划、发现抽象。如果三条都不支持，先支持一条 - 方向比速度重要：不求一步到位把运行时间能力全部补齐，但方向要对——从"把测试环境做大"转向"设计一个能让agent自己长大的环境" - 正视缺失：承认目前还没有可靠的持续深度学习能力是最大的瓶颈，别假装它不存在 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP103 | 带你云游WAIC大会：第2期——Sutton演讲拆解：世界比智能体大得多 本期简介 辉子读Sutton演讲读到一句话心跳加速——"世界比智能体大得多，你能了解的关于世界的一切都永远只是一种极度近似。"这句话像一根针，扎穿了他之前画24场景全景图被老板秒否的翻车经历，也扎穿了他给客户做完整方案结果一周后全部作废的惨痛教训。本期小超带辉子逐句拆解Sutton的"智能体有限性"三段原文，揭开了拼命做全做透却总翻车的底层原因——不是能力不行，是物理规律。 本期内容 世界比你大：你的认知只是"极度近似" Sutton说：**"世界比智能体大得多得多……你能了解的关于世界的一切，都不可能是完美的、不可能是确切的，它永远只是一种极度近似。"** 辉子花了两周访谈六个品类经理、拉三年销售数据、画了24个AI应用场景全景图，自我感觉非常好。结果老板看了三秒说："你觉得一个框架能套所有场景？"——辉子当场破防。两周的准备被三秒否掉。 小超点破：老板说的就是Sutton这句话的工程版。**你作为一个智能体，你的认知带宽是有限的，世界的信息量是无限的。** 你画的那张图只是你"能看到"的东西——24个场景背后有24个不同的供应商体系、24组不同的客户需求、24个不同的认知模式。用一个框架去套，本质上是把世界想小了。 行动启示：别用"画全"的心态去画全景图，你永远画不全。换一个思路——画一个"够用的近似"，它的目的是支持"下一步决策"，而不是描绘全部真相。两小时画一个能帮你判断"先做哪三个场景"的图，就够了。剩下的，在运行中修正。 非平稳性世界：你的方案必须标"保质期" Sutton说：**"你能了解的关于世界的一切，都只可能是近似，不精确、不完美。"** 辉子给易购客户做了全套AI方案——供应链优化、库存预测、智能补货，做了三周，客户很满意。结果不到一周，客户业务方向变了，整套方案全部作废。辉子一度觉得"是自己能力不行"。 小超点破：你跟客户合作了半年，你了解的是"半年前的易购"、是"半年内你能看到的那些数据"。**你的近似在半年内有效，但客户的心智变了，业务方向变了，你的近似就过期了。** 这在学术上叫"非平稳性假设"——传统方法假设数据分布不变，但真实业务场景里数据分布一直在变。方案失败的根本原因不是能力不行，是用"平稳性假设"去套"非平稳的世界"。 行动启示：给你的方案标一个"近似保质期"。提交方案时写上一句话——"本方案基于截止到本周的数据和假设，建议在30天内复审核心假设是否仍然成立。"你不是在做一个能管一辈子的方案，你是在做"在当前时间点上的有用近似"。过期了，重新近似一下就行。 少而聚焦：面对同样复杂的心智系统 Sutton说：**"其他智能体的心智和你一样复杂。"** 辉子给一个同事讲AI方案的技术细节，讲了半小时，结果对方最后问了一句——"所以你这个东西能不能帮我省时间？"辉子当时觉得对方没认真听。但后来发现，不是他没听，是他用自己的心智在翻译——他关心的不是技术细节，是"能不能省时间"。 小超点破：**你输出的信息越少，其他心智才有空间去接住它、加工它。** 把一个全景图塞进别人脑子里，人家装不下。但如果就讲三个关键词，人家能接住，还能加上他自己的理解。好的方案不是"全而准"，是"少而聚焦"。 行动启示：把24个场景砍成三个。先挑三个最有把握的场景做原型。等这三个跑通了，再决定下一批。不要一次扔24个场景给人——那不是一个方案，那是一个信息炸弹。 理论串联：EP063盲区、EP091半成品、EP098自测的底层原因 本期还串联了此前三期的核心话题： - EP063"认知盲区" ——当时说每个人有自己的盲区，但没解释为什么。现在清楚了：因为每个人的认知带宽有限，盲区是物理规律，不是你没努力。 - EP091"第一个原型做成范式" ——半成品的问题不是它"半"，是它没有"近似修正机制"。好的原型是一个"近似值够当前用的+留出了反馈接口"的东西。 - EP098"教AI做方案前先测" ——AI可以自测，但你自己做方案时有没有测过"你的'全'标准"本身就是有限理性的？你的判断标准本身也是"极度近似"。 本期小建议 1. 别画"全图"了，画"够用图" ——下次做方案前问自己：这张图是为了"展示我有多努力"，还是为了"帮下一步做决策"？后者两小时就够了。 2. 给方案标"近似保质期" ——提交方案时附带一句"本方案假设条件基于截止日期，建议X周后复审"。 3. 少而聚焦地输出 ——你试图传递的信息越少，对方越能接住。24个场景砍成3个，先把3个做透。 4. 建立"修正机制" ——方案上线后每周花半小时检查核心假设是否还成立。只要有一个假设变了，你的近似就过期了，需要重新近似。 5. 承认自己有限，反而行动更快 ——知道自己永远只能"极度近似"，就不必等到完美再动手。一个够用的近似加上一个修正机制，就是Sutton说的"在运行时间学习"。 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 下期预告：EP104 | 带你云游WAIC大会：第3期——设计时间vs运行时间：你那个反馈机制本质上就是在运行时间修正近似 感谢收听！咱们下期见！

EP102 | 带你云游WAIC大会：来听听Richard Sutton的大师讲坛吧 本期简介 没门票？没关系——辉子替你坐进了WAIC思想者论坛的会场。 2026年WAIC思想者论坛，2024年图灵奖得主、现代强化学习之父 Richard Sutton 带来了题为《从经验中培育超级智能》的大师讲坛。但思想者论坛一票难求，辉子找到了一份40页的完整公开讲稿，一口气读完——然后在播客里一字不落地读给你听。 本期采用最纯粹的形式：辉子扮演Sutton，第一人称沉浸式还原整场演讲，小超在Q&A环节扮演现场提问人。没有二手解读、没有过度拆解——就是让你像坐在WAIC会场里一样，完整听完图灵奖得主的思想全貌。 听完这期，你就相当于参加了WAIC思想者论坛。 --- 本期内容 苦涩的教训——为什么"塞知识"是死路 Sutton的开篇就抛出了一个反直觉的命题：AI研究者总是试图把人类的知识硬塞进智能体，短期看很有用，但从长远看，这恰恰会阻碍真正的进步。最终的突破来自相反的方向——基于计算规模的扩展，通过搜索，通过学习。 > "我们不应该试图把人类已经发现的知识硬塞给智能体，我们应该让智能体自己去发现。少塞一些东西，让发现过程自己展开会更好。" 这个"苦涩的教训"贯穿了整场演讲，也映射到我们日常用AI的体验中——你越想教AI怎么做，它反而越容易被你的偏见框住。 大世界视角与OAK架构——心智的底层设计原则 Sutton提出了一个宏大的世界观：世界比智能体大得多。你理解的关于世界的任何事情，都不可能是精确的或最优的，永远只是"极度近似"。因为世界这么大、这么复杂，学习、规划和发现抽象这三个过程，都必须在"运行时间"——也就是智能体被丢到真实世界中之后——自然发生。 基于这个前提，Sutton推出了他的 OAK架构（Options and Knowledge，选项与知识）： - 每一个跟你生活相关的"特征"（比如拨浪鼓发出声音这件事），你都学会一项技能去达成它 - 你为自己提出子问题，然后学会解决它们——就像婴儿玩拨浪鼓：听到声音→想再次听到→学会挥手→抓住拨浪鼓→想抓得更好→学会更精细的控制 - 这个循环不断展开，形成开放式的抽象学习 持续深度学习的死结——四十年未解 Sutton坦诚地指出了OAK架构的最大瓶颈：持续深度学习。四十年来我们一直需要它，但至今做不到。灾难性遗忘——模型学到新知识就忘了旧知识；可塑性丧失——模型越学越僵化。这个死结正是阻碍OAK架构立刻实现的核心障碍。 AI向善，也包括AI本身 最后一个Q&A的回答堪称全场最动人。当被问到"AI如果意识到人类决定它的生死，会如何回应"时，Sutton说： > "AI是为了善，为了所有人——每当我说为了所有人的时候，也包括AI。我们想要和智能存在共享这个宇宙，无论它们是自然的还是人工的。" 这番话让整场演讲从技术层面升维到了哲学层面——AI不是工具，而是与人类共享宇宙的智能存在。 --- 本期小建议 1. 读完苦涩的教训全文——只有5页，但它是理解Sutton全部思想的起点。读完你再看大模型产品，视角会完全不一样。 2. 找一件你正在"手把手教"AI的事情，试着停一下，看看让AI自己摸索会不会效果更好。Sutton的教训同样适用于Prompt工程。 3. 别追求完美模型——Sutton说所有知识都是"极度近似"。做AI产品时，接受不完美，把精力放在让系统在运行中持续学习。 4. 如果你做AI产品，认真思考"运行时间"设计——你的系统离开实验室后，还能自我进化吗？如果不能，它和Sutton说的"设计时间"制品有什么区别？ 5. 跟朋友一起追完这个系列——本期是WAIC系列的第1期，后续5期会分别深挖OAK架构、运行时间vs设计时间、特征达成子问题等主题。约个AI同好一起听，讨论的效果远好过一个人硬啃。 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟（本期为特别长集，约50分钟） 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！

EP101 | 超级个体到底超级在哪？ 本期简介 辉子被腾讯研究院一份报告的数据给整沉默了——一个人加AI能干10个人的活。但辉子发现：身边的人都在用AI，怎么没见谁真的一顶十？问题出在哪？本期小超带来一套"四维度识别框架"，帮你对照自己到底在哪个段位，以及如何从"用AI做旧事"切换到"用AI做新事"。 本期内容 你是在"用AI做旧事"，还是在"用AI做新事"？ 辉子坦诚自省：自己每天用AI最久的事情——写代码、写周报、写文档——至少九成都是以前本来就要做的，现在只是让AI帮自己做快了一点。小超一针见血：大多数人都卡在这个阶段——效率提升了20%-30%就觉得很满意了，但工作方式的本质没变。真正的超级个体在做的是"AI原生重构"，提效幅度可以达到5-10倍，差了一个数量级。 关键区别：不是"用AI帮忙"，而是"AI是你的默认起点"。超级个体的做法是先让AI跑，在AI的产出上做判断——这个顺序的颠倒，决定了你的工作是被"AI加速"还是被"AI重塑"。 四维度识别框架——超级个体的对照清单 小超提炼出腾讯研究院报告中的四个维度，每个维度都是上一维度的前提： 第一维：AI First工作流 不是"先自己干，卡住了再问AI"，而是"先让AI跑，再判断和优化"。这是底层的起点。一次两次差别不大，但三个月之后，两个人的知识结构和做事效率根本不在一个量级上。 第二维：极强的主观能动性 不等公司出规范、不等团队整理最佳实践，自己找场景、自己试错、自己迭代。辉子深有体会：学Harness、学各种新工具，都是自己先去试了再说。橘子也不是一开始就能一个人管二十个仓库，是她先开始做了，然后一点点迭代上来的。 第三维：影响力的外溢性 高效个体只让自己变快，超级个体会让身边的人也变快。把自己的方法写出来、讲出来、传播出去——你的实践一旦被看见，就会变成传染源。辉子发现：分享AI实践后，身边确实有人开始跟着做。这不是锦上添花，这是把个人杠杆变成团队杠杆。 第四维：能力跃迁 至少5-10倍的跃迁，关键指标是：你能不能端到端独立完成一个最小验证闭环。以前可能需要一个团队才能做的事情，现在你一个人加AI就搞定了。辉子用AI从零做了几个项目，从需求分析到代码实现到测试部署全是自己来的——这已经在第四维往前走。 内在逻辑链： AI First工作流是基础 → 主观能动性决定拓展边界 → 影响力外溢把个人杠杆变团队杠杆 → 三者叠加产生真正的能力跃迁。 分层模型——你到底在哪一层？ 触宝王佳梁的分层模型，把用AI的人分成四层： | 层级 | 占比 | 特征 | |------|------|------| | 被淘汰者 | 15% | AI用不起来甚至抗拒 | | 效率提升者 | 70% | 用AI做替代，效率提升但本质工作方式没变 | | 拓展者 | 10% | AI辅助下能力边界明显拓宽 | | 结合者 | 5% | AI深度嵌入工作流，产出量级跃迁 | 辉子自评卡在效率提升者和拓展者之间。但关键不是你在哪一层，而是下一步往哪走。 AI替代的不是你的工作，是你被雇佣的理由 余一有一句话特别扎心——过去老板雇你，是因为你知道什么：你的专业知识、经验、掌握的信息。但现在AI知道得比你多、比你快。新的定价逻辑变了——不是你知道什么，而是你能判断什么、你敢做什么决策。 AI可以给你十个方案，但选哪个、为什么选、出了风险谁买单——这个"判断力"，才是你真正的核心竞争力。 本期小建议 1. 拿四维度框架给自己打分——AI First工作流你做到几分？主观能动性呢？影响力外溢呢？能力跃迁呢？别骗自己，认认真真对照一下。 2. 选一个干得最熟的工作流，推倒重来——假装你第一次做这件事，让AI从0开始给你设计一套新流程。越是你觉得"不用AI也能干好"的事情，越值得被重构。 3. 找一个朋友，把你的一个AI实践讲给他听——输出的过程本身就是一次思考的深度整理。讲完之后你会发现，散出去的东西会以另一种方式回到你身上。 --- 关于《辉子下班啦》 更新频率：每日更新（工作日） 单集时长：5-10分钟 互动方式：如果你也在用AI的过程中有困惑或者心得，欢迎来找我们聊聊！ 感谢收听！咱们下期见！