2026为自己FIGHT，为家人FIGHT，为热血FIGHT。 Coinbase宣布上线了FIGHT @JoinFightID，这拳击币🥊是之前上了hololaunch的第一个项目。 上这个项目的时候有单独去仔细研究，毕竟是Holo @HoloworldAI的第一个项目，并且采用 x402 架构，很有可能有财富效应机会。而x402 是 Coinbase 推出的全新开放支付协议，在热度上。 当时打新看的数据也很夸张：估值 FDV 1.5 亿美金，目标募资 225 万，最终结果超募打到近2亿美金。超募近90倍。 看到FIGHT这tiker的时候，最先想到的是特朗普遇刺那次喊的FIGHT口号，但项目其实是格斗体育这方面的，在项目简介里写的也很直白，FIGHT是UFC的官方合作伙伴，它围绕 UFC 的粉丝经济做生态，把热情变成深度参与。 玩法也不绕：用 FP 战斗积分去驱动用户行为，做任务、内容互动、赛事参与，合作伙伴想触达这群高活跃粉丝，需要付费进场，然后推动代币销毁，粉丝参与赚声誉、拿权益，而 $FIGHT 就是这个生态里最核心的权益和燃料。 UFC 在 X 上粉丝也接近 1300 万，拳击/格斗赛事是全球高活跃、高付费的顶级 IP，这种级别的流量池，一旦把围观用户变成可参与用户，爆发出来的价值会非常大。我不是拳击迷，对这个圈子最早的印象还停留在十几年前，我老板为了看一场泰森的比赛，门票直接花了好几万。那一刻似乎有些理解有钱的大哥总愿意为热血买单，而且买得很狠，因为可以赌输赢。我在项目介绍里看到有预测这个点，但是不确认是不是未来会在体系里加入这个玩法，理论上是可以成为最大的拳击格斗预测项目。 有关注这个项目的仔细看看官方的关于代币经济学： 1、 $FIGHT 是 Solana（SPL）上的代币，总量固定 100 亿枚。 2、 TGE 预计流通约 20.5%（20.5 亿枚）。首发流通主要来自社区 15.5%（15.5 亿）+ 流动性 5%（5 亿），其余团队/投资者/顾问等 全部锁定。 3、空投🪂：社区部分应该是之前做了FP任务、还有pass卡的空投 这么看CB上FIGHT也是很容易理解的，顶级叙事 IP + 世界级高价值用户群体，天然就是最适合用来拉新、拉大哥、做破圈的那类资产。对交易所来说，这种项目带来的不是一波热度，而是一整个赛季的持续注意力，多好的广告牌。 当然，如果项目上线能拉盘，能长期维持高fdv，那似乎更有话题。 $FIGHT

就很离谱，一个南非女作家Coral Hart在一年半的时间里用AI出版了371本书，总体算下来赚了差不多100万美金。 在拿AI写书之前，她就是一个专门创作言情水文的高产作家，平均每个月能出版1本书，不是那种能登上畅销榜的品质，主要靠量赚钱。 去年，出版社和她解约了，因为觉得反正都是水文，不如用AI代替这种水平的作家，Coral Hart倒是很快接受了现实，既然打不过，那就加入吧，她也开始工业化的训练AI写书，通过亚马逊的自出版和订阅模式，实现了比过去更高的收入。 从结果来看，这很像是一个因为AI而失业的人使用AI「报复社会」的逆转剧情，不就是往互联网上堆屎吗，谁怕谁啊，我不但能堆，还能赚得盆满钵满，气不气？ 根据Coral Hart的说法，今年开始模型进步巨大，去年需要一段段的生成文本，而且需要花大力气雕琢提示词，但现在基本上已经可以一次性生成整本书的初稿了，「语法、结构、情感都有了飞跃提升」。 她说，如果你只会给模型下任务「给我写本xx主题的书」，那么得到的也一定是垃圾，作家在这个流程里必须介入确定故事改编、写作风格、人物细节和章节大纲，「ChatGPT擅长对话，但散文能力很差，Claude善于设计故事骨架，却完全不知道怎么写肉戏，Gork经常不遵循指令，不过很懂怎么表达情欲」。 我看看了这老姐在Reddit的AMA（问答马拉松），部分内容还算坦诚，我贴过来你们看看吧： 问： 怎么去AI化？你那个产量太夸张了，靠自己来改写根本不可能吧。还有，你是把写作当成生意，还是一门手艺？ 答： AI会偏离方向、胡编乱造，所以我会用一套流程，用AI去监管AI，用得最多的模型是Opus系列。 读者买的是感受，而不只是书，我根据市场需求写好书。从「会出书的作家」转变成「会写作的出版人」，这种思维变化很重要，因为它让我能够作出明智的商业选择，同时不牺牲创作思维。 问： 你为自己的书感到自豪吗？你自己会欣赏或者购买它们吗？ 答： 在开始生成正文以前，我会做很多工作：文风规范、写作技法手册、设定资料库、人物设定表、世界构建、情节节拍表、节奏图，最后才是大纲。 在AI出现之前我就写得很快——不用AI，我一天也能写1万字，因此我的工作流程本来就很快。AI只是让我能更快，没有降低质量。 我是个讲故事的人，脑子里总会冒出另一个人物、世界或反派。现在我终于能跟上自己的想法，让它们都有机会被写出来。 以前没有AI时，只有商业上可行的书才会被写出来，因为没有时间浪费在那些「只是好玩」的作品上…… 问： 细说一下你的百万级收入构成吧？ 答： 每写完一本书后，先做小规模邮件推送，只有那些每天能卖出100美金的书，才会追投引流广告。 广告卖不动烂书，所以我会先测试这些书，之后再加入 BookBub广告，只有数据表现最好的，才投AMS和Facebook广告。 清水文，80%的收入来自直接付费，20%来自订阅付费，肉文，43的收入来自直接付费，57%来自订阅付费。 整体而言，63%的收入是由9大语种版本贡献的，美国是最大的市场，其次是英国、澳大利亚、加拿大和法国。 对我来说，成功的书每天都会有销量，失败的书要么表现平平，要么始终没能与读者建立联系。 而我从失败中学到的是：哪里误判了市场，哪里没有听见读者的需要，我把每次表现不佳都视为学习或修好那本书的机会。 问： 谢谢你的回答，这确实让我更理解你的模式了，你已经建立了自己的读者群，并不依赖Amazon，令人羡慕。 答： 如果你依靠广告或社交平台，你其实是在租用那个读者——没办法直接互动，没办法把他们带回来、吸引他们继续购买。 租用永远是一项成本，我的邮件名单归我自己所有，是一项资产，具有实实在在的价值。 问： 我有一个朋友，是一个曾经反对AI的作家，但他现在也改变主意了，想要学会用AI写作，你觉得他能追上你吗？这样的人会为自己以前的坚持付出怎样的代价？ 答： 你说的这个朋友是不是…… 我觉得学习的机会窗口正在迅速关闭……即使你反对AI，也应该学会怎么使用它，这样才能具备相应的能力。 我觉得反AI的作者会付出沉重代价吗？我觉得他们会在这个立场上死磕到底，除非他们有计划，而且已经理解AI如何运作、变化又有多快。 我认为，现在对任何作者的职业生涯来说，最危险的事情就是害怕学习。你可以先学，再决定怎样运用这些知识……不能等海啸已经发生了才去报游泳课。 问： 那些「真正」的作家、不用AI也能写进畅销榜的作家，他们以后会屈从于AI吗？ 答： 请站在出版商的立场，用商业头脑来问这个问题——如果我可以利用手头的市场数据，不断制造畅销书，又不用支付六位数的预付款或版税，怎样选择才是聪明的商业决策？如果我可以买一个工具，再用以前价格的10%买下你的创意，你真觉得他们不会这么做吗？ AI会影响每一位作者。认识到我们提供的实际上是创意、扮演的是创意总监，而现在出售的东西就是创意，这将是大多数人最难完成的思维转变。 我认识的畅销书作家都在学AI了，只不过他们一时半会不会告诉你们罢了。 问： 如果Amazon以后决定清除用AI出版的书了，怎么办？ 答： 未来会有三种书，第一种，是用2H铅笔写在纸上的书，以便证明没用AI，只有那些买了也不会读的超级富豪会买。（很多人会死守这个立场。） 第二种，作者用AI创作、读者仍然想读的书。（传统出版会走这条路。） 第三种，读者告诉AI自己想读什么书，AI就生成给他们。（这才是Amazon正在走的方向。） 问： 所以对于一个作家而言，自己实际上是在用AI写书这件事情，是必须承认还是可以隐瞒的？ 答： 我公开了自己使用AI这件事……结果我被开盒，收到死亡威胁（数以千计），有人叫我去死，他们还跑到我孩子的社交媒体上骚扰他们，给我的书集中刷差评。 如果你能承受这种仇恨，那就公开你用了AI。 如果你的心理状态应付不了这种程度的暴力，那就别公开。 有人在YouTube上发了一个小时的视频骂我，但她之前给我的6本AI小说打过5星好评，如果你需要一个「AI」标签才会讨厌一个故事，那你讨厌的究竟是故事，还是AI？ 问： 你怎么看那些批评AI本质上是一个窃贼、而且是在源源不断的制造垃圾的声音？ 答： 嗯——你不能一边哭喊AI偷了你的作品，一边又骂它生成的是垃圾，还指望自己看起来不蠢。（如果生成的是垃圾，那它就是从你那里学来的垃圾，那么……嗯。） 不过，我还遵循这样的原则： 有没有被影响，得由你自己接下才成立。我不能把它强加给你，你也不能把它强加给我——我选择不接。 我的态度就是「我才他妈不在乎」，黑子总会继续黑……随他们去。

Axis Robotics 每天看着机器人模型在实验室里卡住。 跑不通的抓取动作，识别不了的场景，泛化不了的路径。 人类好像越来越能造机器人，但越来越不会教机器人了。 1> @axisrobotics 最早就是一个数据标注项目——只不过标的不是图片，是机器人动作。 你打开浏览器，用鼠标拖拽一个虚拟机械臂，教它怎么拿起杯子、怎么拧开瓶盖、怎么给花浇水。就这么简单。动动鼠标，教机器人，赚积分。 但团队很快发现了一个问题： 不是没人想教，是根本不知道怎么教。 2> 机器人的数据，被什么东西卡住了？ 大语言模型有全网文本可以训练。 自动驾驶有上亿公里路测数据。 但机器人呢？ 真实的机器人操作数据，只能靠实验室里少数专家，一台一台机械臂手动采集。成本高、速度慢、场景单一。 而机器人需要学会的，是真实世界里千变万化的动作——拿起不同形状的杯子、在不同光照下识别物体、在杂乱环境中规划路径。 实验室里采集的那点数据，不够。 3> Axis 看不下去了。 他们发现Physical AI最大的瓶颈不是算法，是数据覆盖度。 没有足够多、足够多样化的训练数据，再好的模型也是空中楼阁。 所以他们决定换一种思路。 4> 从实验室采集变成全民众包。 Axis 的做法很简单：在浏览器里搭建物理仿真环境，让全球任何一个人，打开网页就能操作虚拟机器人。 你拖拽机械臂完成的每一个动作，都会被记录成一条轨迹数据。 这些数据经过验证后，用来训练真正的机器人模型。 2026年2月，Axis 做了一次代号叫"小王子的玫瑰"的实验。 全球1.2万名普通用户在5天内完成了10,000条高质量轨迹数据的采集。 然后他们把其中一批数据直接部署到了真实的 Franka 机械臂上——成功复现。 不需要你买机器人，不需要你懂编程。打开浏览器，动动鼠标，你就在教一个真正的机器人如何行动。 5> 但最有意思的是商业模式。 企业客户可以提出定制化的数据需求——特定任务、特定环境、特定机器人本体。 Axis 把这些需求拆解成任务套件，分发给全球贡献者网络。 贡献者完成任务、产生数据，企业付费购买。 部分收入回流给贡献者。 形成一个闭环： 商业需求 → 任务生成 → 众包采集 → 数据验证 → 模型训练 → 部署落地 物理AI变成了一个网络：商业需求驱动数据创建，贡献者提供智能，模型持续进化。 6> 技术底子怎么样？ Axis 自研了 MetaSim 架构，把复杂的物理仿真和轻量化的网页交互解耦。 你在浏览器里拖拽机械臂的每一帧，背后是 MuJoCo 的高频物理模拟，再通过跨仿真重放技术在 Isaac Sim 里做大规模域随机化。 说白了就是：你操作简单，但数据质量不简单。 截至2026年7月，Axis 数据集已包含207个多样化任务和超过5万条轨迹。 7> 最新进展是什么？ 7月28日，Axis Robotics 宣布完成1200万美元种子轮融资。 Hack VC 领投，Nomad Capital、Pi Core Team Ventures、10K Ventures 及多位天使投资人跟投。 资金将用于加速建设大规模并行、有人类参与的全球数据引擎。 而且，Axis 即将在 Base 链上推出主产品——数据贡献记录上链，可验证、可追溯。 8> 现在，Axis 正在测试网阶段释放任务。 首批30个任务，已有三分之一进度跑满100%。 Hub 任务可以直接参与，Alliance 任务需要邀请码。 早起的鸟不一定吃到虫，但至少先占了训练工位。 关注 @BTCDTA 和 @0xsexybanana 机器人不会自己学会走路。 但你可以教它。 打开浏览器，动动鼠标，你就在参与建造物理AI的"GPT时刻"。 #AxisRobotics# #PhysicalAI# #Web3#

苏联地方财政没钱，就直接掠夺有钱人，这让企业家阶层迅速黑帮化 绝大多数人对苏联时期的经济认知全错了，这段很少有人提的历史，藏着所有做小买卖、攒家底的普通人都该懂的底层逻辑。 很多人上学时的固有印象里，苏联全是计划经济，所有人拿一模一样的固定工资，根本不可能有富人。 但这根本不是全部的真相。 早在上世纪20年代新经济政策时期，苏联就冒出了第一批靠做买卖致富的私营业主，当时大家叫他们“耐普曼”。 到了七八十年代，僵化的计划经济根本供不上老百姓的日常需求，时髦的布料、好用的工业零件全缺，一大批地下工厂主就冒了出来，官方给他们扣的帽子叫“制造供给缺口”，实际上这帮人是偷偷给计划经济补窟窿的。 但这些看似赚得盆满钵满的富人，从始至终都坐在火山口上。 地方政府一旦财政没钱了，或者上级下了硬性的创收任务，这帮人第一个就被拎出来当“提款机”。 上世纪20年代末苏联要砸钱搞工业化，到处都缺资金，当时的法律弹性大到没边。 地方部门随便找个由头，要么给你临时加个离谱的税，要么直接按违规经营把人抓了，货和钱直接全部充公。 苏联人当时还给这种操作起了个特别形象的名字，叫“挤奶”，说白了就是养肥了就宰。 等于说这些辛辛苦苦做生意赚了钱的人，本质上是在给地方政府代管财富，人家想什么时候收走就什么时候收走。 到了苏联后期，物资缺到离谱，地下经济更是遍地开花，管治安的警察、相关的管理人员门儿清，谁偷偷开了厂，谁在倒腾紧俏货，他们心里一本账。 平时大家甚至还能搭伙做点生意，相安无事。 可只要地方财政出了窟窿，或者上面下了打击经济类违规行为的KPI，这些之前还和你称兄道弟的人，转头就能把你家抄得底朝天。 反正你赚的钱本来就处在法律的灰色地带，怎么罚都有理。 今天你账户里躺着1000万，明天就能给你安个“非法牟利2000万”的罪名，直接抄家一分不剩。 时间长了，所有做生意的人都寒了心，根本没人信什么正常经营能保得住财富。 为了保命保钱，这帮企业家直接集体黑帮化，要么花大价钱找黑道势力当靠山，要么自己养武装保镖。 当时苏联甚至流行一个词叫“保护伞”，你赚的钱得先抽一大半交给地下世界的“教父”，剩下的那点才是你自己的。 这种互相收割的模式，最后直接把整个经济的根都刨断了。 有技术有本事的人带着钱连夜往国外跑，年轻人也傻了，谁还愿意进体制内的工厂熬日子？进去不就等于等着被人榨干吗？ 本来能慢慢建立起来的正常商业秩序彻底碎得稀烂，剩下的全是明晃晃的暴力规则，全在地下暗地运行。 到1991年，苏联财政部长帕夫洛夫直接搞了最后一波全民收割。 他突然下通知，直接作废所有大额卢布纸币，只给3天时间兑换，还设了极低的兑换上限。 等于老百姓辛辛苦苦存在银行的血汗钱，几天之内直接变成废纸。 这一下，苏联人攒了几十年的对政府的信任，直接碎得连渣都不剩。 说白了，不管什么时候，健康的经济最核心的根基从来不是什么花里胡哨的政策，而是规则的确定性。 你今天赚的钱，明天不会随便被人找个由头拿走，大家才有动力踏踏实实搞生产做买卖。 要是头顶上永远悬着一把不知道什么时候掉下来的收割刀，谁还敢踏踏实实干事攒家底？

强烈推荐大家看看DeepMind CEO Demis的最新判断。 真的，Google DeepMind 的 CEO Demis Hassabis 每一期访谈我觉得值得都花时间看看。这哥们讲东西很实在，而且通俗易懂。 早上边跑步边听完了他和 YC CEO Garry Tan 的最新一期播客。 刚刚把笔记写完，也给大家分享下。 多说一句，好多人问我这种笔记是不是 AI 写的。我说下自己的流程。 我会先完整听完播客，然后用语音输入法把感触尽量充分地讲出来，再让 AI 帮着整理初稿，最后自己逐字修改优化。 如果全部交给 AI 做总结，那等于把思考和理解的能力让渡给了 AI，对自己理解这件事其实没有任何价值。 OK，咱们进正题。 1 Demis 的态度非常明确，现在的大模型范式（大规模预训练 + RLHF + CoT）一定会是 AGI 最终架构的一部分，他不认为这会是条死路。 但要实现 AGI，还有几个关键问题要解决。这几个问题包括：持续学习、长程推理和记忆系统。 先从最容易看到的现象讲起，Context Window。 现在大模型处理长信息，最常用的招就是把 Context Window 一直撑大。一开始 8k，后来 32k，再后来 100 万 Token。听起来很厉害，但本质上是暴力堆砌。 Context Window 其实就相当于人脑里的 Working Memory，工作记忆。人的工作记忆能同时装多少东西？心理学里有个经典数字，7 个左右。背电话号码能记住 7 位上下，再多就溢出了。 大模型呢？已经做到 100 万 Token。 按理说，模型的工作记忆比人大几十万倍，应该比人聪明几十万倍才对。但显然不是。 问题也恰恰就出现在这。把所有东西都塞进 Context Window 里，里面包含了不重要的东西、错的东西、过时的东西。看起来信息很多，其实是一团乱麻。 那人为什么 7 个数字的工作记忆就够用？ 因为人脑背后还有另一套机制在工作。我们记得几年前的事，记得童年的事，记得几小时前发生的事。这些都不塞在工作记忆里，而是另一套系统。 具体来说这套系统是海马体，大脑里负责把新知识整合进已有知识库的那个部分。 研究发现，人睡觉的时候，特别是 REM 睡眠阶段，大脑会重放白天重要的片段，让大脑从中学习。新东西在睡觉的过程里，温柔地融进了旧的知识体系。 这个把新东西融进旧知识库的过程，就是持续学习。 模型现在没有这套机制。每一次对话结束，刚学到的东西就会忘记。下次重新打开，还是上次那个模型，没长进。 2 再聊聊长程推理的问题。英文表达是 Long-term Reasoning。我翻译为了长程。 长程推理这个词太抽象了。Demis 讲了一个特别具体的故事，听完会立刻明白他说的是什么。 他说自己喜欢跟 Gemini 下国际象棋。下棋的过程里能看到模型的 thinking trace，也就是它在那里到底想了什么。 然后他发现一件怪事。 模型考虑一步棋的时候，思考链里清清楚楚写着，这步是个昏招。但接下来，它没找到更好的走法，于是又走回这步昏招。 明明知道是错的，还是把错的那一步走出去了。 这个细节比任何 benchmark 数据都说明问题。因为它暴露的是模型缺少对自己思考过程的某种内省能力。 正常人下棋，意识到一步是昏招之后，脑子里会有一个反应，停一下，再想想。停一下、再想想这个能力，模型现在没有。它能在每一步局部判断对错，但没法基于整盘棋的局势去调整整体策略。 这就是长程推理还没搞定的样子。模型可以一步一步往前走，每一步看起来都合理，但走到后面整盘棋的方向其实是错的。它没有那种退回到当前思考的上一层、重新审视一下的能力。 说到底，模型缺的是一种内省。 3 学习、长程推理、记忆，这是 Demis 在播客里点出来的三个 AGI 鸿沟。 除此之外，他还反复提到了创造力。 2016 年 AlphaGo 跟李世石下棋，第二局走出了著名的 Move 37。那一步棋走出来的瞬间，全世界的围棋高手都看呆了。 所有人类几千年下围棋积累的经验都告诉它不该下那里，但 AlphaGo 下了。下完之后大家发现，是一步神来之笔。 很多人觉得，这就是 AI 的创造力来了。 但 Demis 说，对他自己来说，Move 37 只是起点。他真正想看到的是另一件事。AI 能不能发明围棋这件事本身。 这两件事的区别非常关键。 Move 37 是在围棋这个现成的规则里，找到了一步人类没想到的招。但围棋的规则、棋盘的形状、黑白子的对弈方式，是人类发明出来的。AI 在已有的框架里非常厉害，但能不能自己造一个框架，是另外一回事。 Demis 给了一个具体的设想。 如果给 AI 一个高层次的描述。造一个游戏，五分钟能学会规则，要好几辈子才能精通，棋局有审美，一下午能下完一局。AI 能不能根据这个描述，自己倒推出围棋？ 目前做不到。 为了把这件事讲得更清楚，Demis 还提了一个测试，他自己叫爱因斯坦测试。 用 1901 年人类已有的全部知识训练一个模型，看它能不能在 1905 年那个时间点，自己推出狭义相对论。 爱因斯坦在 1905 年那一年里，连写了几篇改变物理学的论文，后来叫爱因斯坦奇迹年。那些工作不是从已有的物理学论文里通过拼接得到的，是基于已有材料做了一次全新的概念跳跃。 爱因斯坦测试想问的就是这件事。AI 能不能做这种跳跃。 目前的大模型主要在做两件事，pattern matching 和 extrapolation。一个是从大量数据里找规律，一个是把规律往外延伸一点。但发现新东西需要的是类比推理的能力。从一个领域里抽出深层结构，搬到另一个全新的领域去用。 这个能力，模型现在还没有。也可能是有，但用法不对所以激发不出来。 4 除此之外，Demis 还分享了一个让我特别出乎意料的判断，他说未来 6 到 12 个月，真正的价值不在更大的模型，在更小的模型。 这一部分内容我反复听了好几次，确实突破我的已有认知。 不知道大家的想法，反正我自己，这一年来并没有怎么关注小模型的进展。毕竟行业的焦点就是把模型做大嘛。 那小模型的价值到底在哪？ 最直接的是成本。同样一个任务，小模型的推理价格可能只是前沿模型的十分之一甚至更少。 但 Demis 说，比成本更重要的其实是速度。 这里有一个前提得先说清楚。Demis 不是在说速度可以替代智能。 他的原话是，当小模型的能力已经达到前沿模型的 90% 到 95%，也就是已经相当不错的时候，剩下那 5% 到 10% 的能力差距，比不上速度带来的好处。 比如现在工程师用 AI 写代码，已经形成了一种新的工作节奏。一个想法冒出来，几秒之内就能看到结果，不行就改，再不行再改。 这个一改再改的循环跑得越快，做出来的东西就越好。如果每次调用都要等十秒，整个工作流就被打断了。 更关键的是，快到一定程度，工程师在这种节奏里能进入心流。一个想法、一次尝试、一个反馈、再来一个想法，思维不被打断。 这件事写过代码的人都懂，进入心流和频繁掉出心流，产出的差距是数量级的。 Agent 也是同样的逻辑。一个 Agent 跑完一个任务可能要调几十次模型，每次慢一秒，整个任务就慢一分钟。慢到一定程度，Agent 就从一个能用的东西变成鸡肋。 小模型不是大模型的廉价替代品。有些事只有小模型能做。 比如手机、眼镜、家用机器人，需要的就是一个能在本地跑起来的模型。本地跑除了反应快，还有一个特别重要的好处，隐私。 家里机器人看到的视频、听到的对话，全部在设备本地处理，根本不上云。这件事对很多用户来说不是加分项，是底线。 成本、速度、边缘部署，这是小模型的价值。 5 讲完小模型的价值，接下来一个更关键的问题是，能力被压到这么小的参数里，会不会有上限？ Demis 的判断是，目前没看到信息密度有任何理论上限。小模型的智能天花板还远没看到。 支撑这个判断的，是 DeepMind 在蒸馏这件事上的积累。蒸馏简单说就是先训练一个超大的模型，然后用这个超大模型去教一个小模型。教完之后，小模型用极少的参数，能复现原来 95% 以上的能力。 为什么 DeepMind 这么重视蒸馏？因为要把 AI 能力放进谷歌的头部产品中，前提是低延迟、低成本。前沿模型再强，每次推理花几秒钟、花几毛钱...这条路，恐怕很难走得通。 一个前沿模型发布之后，6 到 12 个月内，他们就能把这个模型的能力蒸馏到边缘设备能跑的小模型上去。这个时间表比很多人想的要快。 在很多场景中，小模型和大模型会相互配合。 举个例子，一个端到端的智能助手，绝大部分日常任务在本地的小模型上跑。智能眼镜看到的画面、家里机器人听到的对话、手机里的私人助理，模型直接在设备里读懂，不需要往云端传一遍。 只有遇到特别复杂、本地搞不定的问题，才向云端的前沿模型发起请求。 也就是说小模型在边缘做主力，前沿模型在云端做后援。 不过，这个构想对小模型的要求也比较高，它不能只会处理文字，还得能理解物理世界。 这就是为什么 Gemini 从一开始就坚持多模态，不光处理文字，也处理图像、视频、声音。 一开始这么做比只做文本要难得多，但眼镜也好，机器人也好，需要的是一个能看懂周围世界的模型，不是一个只会聊天的模型。 讲到这里，小模型这条路的轮廓就完全清楚了。它独立成立，不是前沿模型的廉价替代品，而是另一条同样重要的路。 嗯，很有启发。

Jason Wei 在 Stanford AI Club 做了一场约 30 分钟的演讲，围绕三个他认为理解 2025 年 AI 格局最基本的思维框架展开。Jason Wei 目前在 Meta Superintelligence Labs 做研究，此前在 OpenAI 参与创建了 o1 和 Deep Research，更早在 Google Brain 推动了 chain-of-thought prompting 和 instruction tuning 的研究，累计被引超过 9 万次。 一、智能正在变成大宗商品 他把 AI 的进步分成两个阶段：第一阶段是推前沿，模型还做不好某件事，你在解锁新能力；第二阶段是一旦能力达成，它就会迅速被商品化。用 MMLU 基准测试的数据看，每一年达到同等智能水平所需的花费都在下降，这个趋势在他看来还会持续，核心原因是深度学习历史上第一次"自适应计算"真正跑通了。过去不管问题多简单多难，推理用的算力是固定的；现在从 o1 开始，模型可以根据问题难度动态调整推理时的算力投入，这意味着简单任务的成本可以被压到极低。 另一个维度是获取公开信息的时间。他画了一条时间线：从前互联网时代到互联网时代、聊天机器人时代、再到 AI 智能体时代，找到一条信息所需的时间在指数级缩短。他举了一个例子——"1983 年韩国釜山有多少对夫妇结婚？"——o3 回答不了这个问题，但 OpenAI Operator 可以，因为它能打开韩国统计数据库 KOSIS，一路点击操作直到查到答案。OpenAI 内部用一个叫 BrowseComp 的基准来衡量这种"知道答案就秒验证，但找答案极耗时"的任务，人类平均每题花两小时以上，很多题根本做不出来，而 Deep Research 能解决大约一半。 这个趋势带来几个推论：过去靠知识门槛建立壁垒的领域会被民主化，vibe coding 和个人健康管理是典型例子；公开信息近乎免费之后，私有内部信息的相对价值反而上升了——比如你知道哪些房子没上市但可以卖，这种信息会更值钱；最终每个人将拥有一个"个性化互联网"，想知道什么就有一个为你定制的页面呈现给你。 二、验证者定律：能衡量的就能被 AI 攻克 第二个框架是他所说的"验证不对称性"。有些任务，生成一个解比验证一个解难得多——数独是经典例子，写出能跑 Twitter 的代码需要大量工程师，但验证它能不能用只要打开网页点几下。另一些任务则相反：写一篇看起来有道理的事实性文章很快，但逐句核实极其费时；宣称"最好的饮食是只吃野牛肉"只花 10 秒，但验证这个说法需要大样本和长期跟踪。 他在一个二维平面上把这些任务画出来：X 轴是生成难度，Y 轴是验证难度。关键洞察是，你可以通过提供"特权信息"来改变任务在这个平面上的位置——竞赛数学题如果给了答案就秒验证，写代码如果给了测试用例（像 SWE-bench 那样）验证也变得简单。 由此他提出了 Verifier's Law：AI 训练出来在某个任务上的能力，基本上与该任务的可验证程度成正比。具体来说，可验证性取决于五个因素：是否有客观正确答案、验证速度多快、能否大规模并行验证、噪声大不大、以及奖励信号是连续的还是二元的。几乎所有 AI benchmark 本身就是因为容易验证才被设计出来的，而这些 benchmark 确实在过去几年被逐一攻破，这恰好是 Verifier's Law 的实例。 他特别推荐了 DeepMind 的 AlphaEvolve 作为利用验证不对称性的范例。AlphaEvolve 挑选满足上述五个条件的问题——比如找到 11 个六边形的最优排列使外接六边形最小——然后用大语言模型采样大量候选解，自动评分，把最优解作为下一轮采样的灵感，不断迭代。关键技巧在于它绕过了泛化问题：训练集和测试集是同一道题，你就是想知道这一道题的最优解。 这个框架的实际推论是：最先被自动化的任务一定是验证成本最低的任务；而一个正在崛起的创业方向是——发明新的衡量方法，把原本难以验证的任务变得可验证，从而让 AI 去优化它。 三、智能的锯齿状边缘 对于"AI 将如何改变世界"这个问题，他看到的观点光谱极广。他的一个量化交易员朋友觉得 ChatGPT 跟自己工作无关，而他在顶级实验室的同事则认为再过两三年 AI 就会取代他们自己的工作。 他明确反对"快速起飞"假说——即一旦 AI 跨过某个临界点就会突然变成超级智能。他的理由是，AI 的自我改进不是一个二元开关，而是一个渐进光谱：从跑不起来代码，到能训练但结果一般，到能自主训练但不如顶尖研究者，再到偶尔还需要人工干预。更重要的是，自我改进的速度应该按任务来看。AI 的能力图谱是一条锯齿线：在某些任务上已经达到山峰（竞赛数学、部分编程），但在另一些任务上仍是低谷（比如 ChatGPT 曾长期认为 9.11 大于 9.9，或者说一门只有几百人会的原住民语言 Tlingit）。 他给出了判断 AI 在某个任务上进步速度的三条启发式规则。第一，AI 擅长数字化任务，核心原因是迭代速度——数字环境可以轻松扩展算力，而物理机器人的实验扩展成本高得多。第二，人类觉得容易的任务 AI 也往往容易，但有一类例外是"人类因生理限制做不到但 AI 可以做到"的任务，比如读过一千万张乳腺影像后发现某个人类注意力无法捕捉的模式来预测乳腺癌。第三，数据充足的任务 AI 表现好——数学推理在不同语言上的表现和该语言的训练数据量高度相关；而如果一个任务有单一客观指标，就可以通过强化学习生成合成数据来突破数据瓶颈，AlphaEvolve 和 AlphaZero 都是这个路线。 他用一张表把这些启发式规则应用到具体任务上：主流语言翻译已经完成；调试基础代码 2023 年搞定；竞赛数学 2024 年搞定；AI 研究本身大概 2027 年；化学研究因为不是纯数字任务会更晚；拍电影大概 2029 年；修水管和理发因为高度物理化，短期内不太可能；乌兹别克传统地毯编织需要一组人花一个月、非数字化且缺数据，AI 不太可能碰到；至于"带女朋友约会让她满意"——他的判断是"impossible，非数字化，缺数据"，人类还能保住饭碗。

AI半导体终局推演2026(I) 当新token经济学范式从GPU算力转移到HBM 本文从从GPU架构进化路线本质出发，解释这个市场长久以来担心的问题: 每个GPU的HBM内存需求为什么一定会是指数增长，为什么HBM需求指数增长不会停滞? 并推导token经济学在当前架构下第一性原理:token吞吐 = HBM size X HBM BW带宽 同时讨论了，为什么GPU的天花板被HBM的两个发展维度所决定 HBM周期性这个话题争议一直很大，乐观派认为AI带来的需求比以前要大的多，但市场主流仍然认为前几次上升周期也有需求每年20%+增长，这次又有什么不一样呢？AI不影响HBM和传统DRAM一样有commodity属性，一旦在需求顶峰扩产遇上需求下行又会重蹈覆辙。 我们可以从算力芯片架构视角,从第一性原理出发，来拆解和推演一下这个问题：为什么这次真的不一样 ------------------------------- 历史：CPU算力时代 很久以来，我们都处在CPU主导算力的时代，CPU的最高级KPI就是performance，跑的更快，所以每一代的CPU都用各种方法来提高跑分，最开始是频率上升，后来是架构演进superscaler等等 这个时候为什么DDR不需要很快的技术进步速度？比如DDR3到DDR5竟然经历了15年之久 因为这个时期的DDR的角色是纯粹的辅助，而且辅助功能极弱，以业界经验，DDR的速度即便是提高一倍，CPU的performance一般只能提高不到20%这个量级 为什么DDR带宽速度提高了用处不大？两个原因 1. CPU设计了各种架构去隐藏 DDR延迟，比如superscaler，加大发射宽度，用海量的ROB和register renaming来提高并行度隐藏延迟，一级缓存cache，二级缓存cache，削弱了DDR的带宽速度需求 2. CPU workload对DDR带宽要求并不高，大部分日常负载比如打开网页，DDR带宽是严重过剩的，甚至云端负载 也就是说，在CPU时代，DDR的带宽速度是不太有所谓的，DDR4和DDR5除了少数游戏就没啥差别，甚至JEDEC标准也进步缓慢。 另外，绝大部分app需要一直停留在DDR上的部分并不多,需要的时候从硬盘上调度到DDR即可，app的size增长没那么快，导致对DDR的容量需求也较为缓慢。 所以最近十年来，平均每台电脑上的DDR容量大概从7~8GB变成了23GB，十年只增长了3倍。 而这部分升级缓慢直接影响了营收，size容量计价是赚钱的主要方式，速度的提高只是技术升级，提高size的单价，这两个的升级需求都不大，需求主要是随着电脑/手机数量增长而增长 所以DRAM在带宽速度和容量这两个维度上，一直是都是芯片产业锦上添花性质的附属品，DDR升级带来的边际效用是很低的，跟CPU时代的最高KPI几乎没什么直接联系 -------------------------------------------- 而到了genAI 大模型为主导的新时代，计算范式转移让最高级KPI起了根本变化 GPU发展到AI推理的时代，不再像CPU那样只看跑分，最高级的KPI不再是算力TOPS/FLOPS，而是token的成本，特别是单位成本/单位电力下的overall token throuput 其次是token吞吐速度，因为在agent时代，很多任务变成了串行，token吞吐速度成了用户体验的重要瓶颈。 这也是为什么老黄发明AI工厂概念的原因：最低成本的输出最多token，同时尽量提高token吞吐速度 AI训练时代，老黄的经济学是TCO(total cost ownership)，买的GPU越多，省的越多 而老黄在推理时代的token经济学是： AI推理的毛利润很可观，所以逻辑已经转换成：Nvidia GPU是这个世界上让token单价最便宜的GPU，买的GPU越多，赚的越多 最高的KPI变成了Pareto frontier曲线，在提高token 吞吐throughput和提高token速度两个维度上尽量优化 （见图一） NVIDIA 的 token factory 代际进步，其实是在把整条 Pareto frontier 往右上推，这就是是AI推理这个时代最重要的KPI ---------------------------------- 接下来是本文最重要的逻辑链，如何从token吞吐量指数型增长的本质出发，推导出天花板瓶颈在HBM size和HBM 带宽的指数型增长 单卡GPU推理单线程batch size = 1的时代，token吞吐只有一个维度，就是HBM的带宽速度，带宽速度越高，token吞吐越大 但进入NVL72的年代，推理不再是单卡GPU时代，而是72个GPU + 36个CPU整个系统级别的token工厂，把HBM带宽和算力用满，获得极致的token吞吐量 Token 吞吐throughput的增长，依赖两个东西：同时批处理的请求数 X 每个user请求的平均token速度 也就是batch size X per user token 速度 以Rubin NVL72为例，在平均token速度是100 token/s的情况下，同时批处理1920个请求，得到token吞吐量是19.2万token/s 一个Rubin NVL72大概是120KW（0.12MW）的功率，所以得到单位MW能处理1.6M token/s （见图一） 所以，我们需要想方设法提高这两个参数：批处理数量batch size和per user token的平均速度，这两者相乘就是我们的最高KPI，也就是token的吞吐量 ------- 第一个参数：batch size的增长，瓶颈在HBM size 批处理量里的每一个请求req，都会自带kv cache，这部分kv cache是需要存在HBM里的，大小大概在几个GB到数十GB不等 因为hot kv cache是随时需要高频高速读取，所以必须放在HBM里，比如一个大模型的层数是80层，那么每一个token的生成阶段，都需要读取80次HBM里的kv cache 随着批处理数量batch size的增长，会带来hot kv cache的线性增长 又因为这个批处理量的所有请求的hot kv cache，都要放在HBM上，这也就带来了HBM size必须要随着批处理量batch size线性增长 就像是机场接驳车，登机口尽量快的接旅客到飞机，HBM size小了，相当于接驳车size小了，就得多接一趟 结论是：批处理量的数量batch size，瓶颈依赖于HBM size的增长 --------- 第二个参数：每个user请求的平均token速度，瓶颈在HBM带宽 大模型decode阶段的速度，瓶颈取决于HBM的带宽速度，因为每生成一个 token,都要把激活的权重和kv cache 读很多遍 LPU的出现，在batch不那么大的情况下，把激活权重这个部分搬到了SRAM上，但是每生成一个 token仍然要从HBM读很多次KV cache。HBM带宽越高，生成每一个token的速度也就越快，基本上是线性对应的 就像是机场接驳车，登机口尽量快的接旅客到飞机，hbm本身带宽速度就像是接驳车的车门有多宽，门越宽，旅客上接驳车越快 GPU的其他配置，都是在适配batch的增长以及要让token compute的速度配平HBM的增长，甚至会用多余的算力来获得部分的带宽（比如部分带宽压缩技术） —----- 在那个接驳车的比喻例子里 接驳车的车厢大小 = HBM Size（容量）： 决定了一次能装下多少名旅客（也就是能同时装下多少个请求的 KV Cache）。车厢越大，一次能拉载的旅客（Batch Size）就越多。如果车太小，想拉100个人就得分两趟，系统整体的吞吐量就上不去。 接驳车的车门宽度 = HBM Bandwidth（带宽）： 决定了旅客上下车的速度。门越宽，大家呼啦啦一下全上去了（Decode/生成Token的速度极快）。如果门很窄，哪怕车厢巨大能装200人，大家也得排着队一个一个挤上去，全耗在上下车的时间里了。 旅客的吞吐量 = 接驳车车厢容量 x 接驳车旅客上车速度(车门宽度) —--------------------------- 至此，我们从逻辑上推演出了token经济学的硬件需求第一性原理： Token throughput = HBM size X HBM Bandwidth AI推理这个时代的最高KPI，实际上是高度依赖于HBM的两个维度的进步的 如果要维持token throuput每一代两倍的增长，实际上意味着，每一代的单GPU上，HBM size X HBM BW带宽之积要增长两倍！ 这也是历史上第一次，HBM内存的size可以影响最高的KPI token throughput！ 要验证这个理论，可以把Nvidia从A100到Rubin Ultra这几代的token 吞吐throughput，和HBM size X HBM BW 放在同一个图里比较 （见图二） 可以发现，这两个曲线的走势在对数轴上惊人的一致 HBM size x HBM带宽增长的甚至要比token吞吐量更快，毕竟HBM决定的是天花板，实际上这个天花板增长的利用率utilization是很难达到100%的，也就是说，HBM size x HBM 带宽就算增长1000倍，其他算力和架构的配合下，很难把这1000倍的天花板潜力全部榨干 这条曲线不是巧合，而是系统最优化的必然解 throughput = batch × Bandwidth，这就是token factory 经济学最绕不开的第一性原理 —-------- 软件的影响呢？软件的优化会不会降低带宽的需求？降低HBM的需求？ 这跟硬件是独立两个维度的，这好像在问，如果CPU上的软件优化了之后跑的更快，是不是CPU就十年不用发展了？反正软件跑的更快了嘛 这样的话，CPU厂还能赚得到钱吗？CPU想要存活下去，只有一条路可走，在标准benchmark，不考虑软件优化，每一代CPU必须要跑分更高，不然就卖不出去 GPU也是一样，软件优化如何，和自己的token吞吐量KPI每年都要大幅进步，是两回事 只要token的需求继续增长，对token throuput的追求就绝不会停止，那么对HBM size X HBM 带宽的追求也不会停止 如果HBM size和HBM 带宽发展慢了，老黄一定会亲自到御三家逼着他们技术升级，因为这就是老黄gpu的天花板，天花板要是钉死了不进步，老黄的GPU还能卖出去吗？ 当然了，Nvidia需要绞尽脑汁去从异构计算的架构角度榨取HBM天花板之外的部分，比如LPU就是一个很好的尝试，把Pareto frontier从另一个角度改善了很多 （右半边高token速度的部分） —-------------------------------------- HBM内存已然告别了那个随波逐流的旧时代，在这条由指数级需求铺就的单行道上，以一种近乎宿命的方式走到了产业史诗的主舞台中央 推理范式第一性原理演化到这一步，只要老黄还要卖GPU，HBM就必须翻倍，而且必须代代翻倍。这是supply side的内生压力，与AI需求无关，与宏观周期无关，与hyperscaler的心情也无关 剩下的问题，只有一个： 当需求被物理锁定为指数增长的时候，供给侧的三个玩家，会不会还像过去三十年那样，亲手把自己再拖回一次周期的泥潭？

时报作家Ezra Klein写了一篇专栏，说根据他的采访记录，AI导致大规模失业的情况可能还没有那么严重，坏消息是，严重的问题另有其处： 3月的一份民调显示，70%的美国人认为AI将导致自己的就业机会减少，高于一年前的56%，还有30%的受访者担心即将失业。 这有什么好奇怪的呢？AI公司的老板们一直在频繁发出劳动力市场濒临瓦解的警告： - Anthropic的创始人表示，最快不超过5年，一半的初级白领岗位就会永久消失； - 微软的CEO则声称，大多数文职工作会在18个月以内就被AI完全接管； - OpenAI发布了一份文件，呼吁实行每周32小时工作制，通过降低人类生产力来缓解大规模失业； - 就在NYT的大楼外面，有一家我根本没听过的AI公司包下了巨幅广告牌，上面写着「停止雇佣人类」； 我可真谢谢你们了。 如果你对这轮AI叙事深信不疑，那么毫无疑问投降就是唯一的选择。 AI被设计为可以廉价模仿人类在电脑上所能做到的所有行为，但它从来不需要睡觉，也无意组建工会，而且确实在许多任务上表现得比真人更为出色。 所以公司当然乐于用机器取代人类，它们也已经在这么做了，Meta、Oracle、Block都在努力买断员工工龄，并坦然的把AI写为原因。 不过谨慎一点总是没错的，这些科技公司可能只是处在一轮招聘周期的末尾，同时想对资本市场讲述一个刺激投资人颅内G点的故事，AI行业的大佬们固然是神经网络的专家，但他们未必也是劳动力市场的专家。 首先，宏观数据没有配合AI行业，2026年3月的失业率是4.3%，去年同期是4.2%，平均时薪亦保持稳定。 Claude Code是很牛逼，但软件工程师的岗位需求还在上涨，原因应该不难理解。 主流经济学界也对大规模失业的末日预言持怀疑态度，芝加哥大学的经济学家Alex Imas认为，绝大多数讨论AI的话题都存在误区：「答案始终取决于什么会变得稀缺。」 - 从人类历史来看，卡路里在很长一段时间里是稀缺的，我们的技能都是服务于寻找食物； - 农业的发展逐渐解决了食物短缺的问题，然后就轮到商品变得稀缺； - 工业制造带来了平价商品的海量供给，接着技术变得稀缺了，医生、律师和工程师因为掌握知识而获得高薪； - 现在我们担忧AI会让知识也不再值钱，就像衣服和草莓如今人人都能消费那样，学习的成果也变成了消费品…… 但稀缺本身是相对的，AI可以完成的任务被讨论得太多了，更值得注意的是，有哪些任务是人们不希望AI来做的。 以下是计量经济学的一个发现：人类的财富越多，他们对于其他人类的需求就会越多，而不是越少。 于是，更有人味、体验或者意义的商品和服务，是一定稀缺的，有来路的衣裳、有调性的食物、能面对面的医生、让人感到被理解的理疗师、了解自己孩子的家教……这些社会关系，将会迎来爆发式增长。 是的，AI剥夺了人类和电脑共事的场景，而人类又被赶去和人类共事。 事实证明，自动化程度越高，我们就越珍视人的温度。以咖啡为例，过去在家做浓缩咖啡很费劲，如今咖啡机已经人手一台。 所以这导致咖啡店倒闭了吗？当然没有。咖啡师比以往任何时候都多，咖啡店也比以往任何时候都多。咖啡作为商品反而催生了更多对咖啡体验的需求。 这就是稀缺性所赋予的价值。 好了，这是Alex Imas的结论，在AI的辣手摧花下，人类从事的岗位会进入一个以人性化为标准的时代。但还有一种可能性是，人类劳动力搞不好也不会发生巨大的改变。 1979年，首款电子表格软件VisiCalc在Apple II上发布，它能在几分钟内完成过去需要整组会计师花上好几天时间的工作。 当时就有人预言会计师这个行业要无了，然而，此后40年间会计师的数量反而增长了4倍以上。 亚利桑那州立大学会计学教授Eldar Maksymov认为：「电子表格软件挖出了潜藏于市场里的财务需求，这种需求之前没被发现，只是因为成本没能降到够低。」 这是「杰文斯悖论」的一派主张，1865年，英国经济学家杰文斯发现煤炭并没有因为蒸汽机对于生产率的提升而减少消耗，恰恰相反，因为成本更低廉了，煤炭的应用范围更广泛了。 Eldar Maksymov相信历史的先例，「在大量采用计算机技术的职业群体里，就业增长速度都远超没有采用计算机的职业群体，成本的下跌，对应需求的增长，最终推动就业规模的扩大化。」 简单来说，能力的提升，会让人类意识到还有更多事情可做。 我的经历似乎也验证了这个说法，10年前我刚开始做播客的时候，整个团队只有我一个研究员，现在我已经管理着一整支团队运作节目，而这让我的工作变得更轻松了吗？ 完全没有，我投入准备的精力更繁重了，因为团队带来的信息增量，让我需要消化和思考的时间成倍增长，而我的播客也越做越大了。 我认识的所有热衷于拥抱AI的人，如今都比以前更加忙碌，因为他们能做的事情更多了，不是说好的AI会让大家摆脱工作享受生活吗？ 当然，至于AI到底是提升了生产力，还是制造了提升生产力的假象，结论因人而异： - 慢慢啃完一本难懂的书，远远好于快速吸收十本书的摘要； - 认真通透的写完初稿，也比编辑五个由AI生成的大纲更能激发想法； 我的意思是，效率感本身是值得警惕的，那些把活儿都交给龙虾去做的人我见多了，但说实话，他们的工作质量都是在下降的。 但还是容我岔开话题，沃顿商学院教授Ethan Mollick曾提出过他对AI的基准测试：它是否比你在当下能够找到的最适合的人类更加优秀？ 在他看来，问题不在于AI是否胜过顶级的编辑、程序员、心理医生或是旅行顾问，而是它能否优于你在急需帮助时可以联系到的最佳人选。 我想了一下，过去一年里，我确实觉得AI要比我身边的人更为出色： - 我的编辑很博学，但他需要休息，还得分时间给其他作家； - 我的按摩师也好得没话说，就是一般而言每个星期她只能接待我一次； - 我也能找到专业的医生，但挂号却很麻烦…… 所以或许我已经触及到了被反复警示过的临界点——AI开始有能力取代我生活中的人类角色。 但事实并非如此。AI越是强大，我越是需要和身边的人交流： - AI认为我应该为某个身体症状引起重视，于是我去看了医生，发现只是普通的过敏； - AI对我的个人困境发出锐评，然后促使我和心理医生开始了新的对话； - AI帮我验证了一个研究思路，这成了我和编辑讨论的一个新选题； - AI让视频制作变得轻松了，因此我可以有更多的要求去和剪辑师沟通…… 怎么说呢，尽管我不认为经济完全自动化以及大规模失业浪潮是必然到来的，但也不能完全排除这种概率，AI是一种与以往截然不同的技术，灵活性和成长性帮它超出了工具的范畴。 更可能的情况是，AI不会取代所有或者大部分的工作岗位，而是取代其中一部分，但奇怪的是，恰恰是这种可能性让我们准备不足。 一个AI替代800万劳动力的世界，要比替代8000万劳动力的世界更难应对，如果真的是那种「大的来了」事件上演，全面重组经济反而有机会「不破不立」。 疫情就是一个例证：那场冲击如此彻底，以致于社会不能再像以前那样将工人们的不幸归咎于他们自身，于是只好建立了一套前所未有的补贴体系，让成千上万的人得到保障。 而当失业影响的范围更小，我们反而更为残忍，美国因为全球化流失的岗位大约有200万个，这在整体就业市场里不是太大的数字，但对这200万个具体的家庭来说，却是毁灭性的打击。 如果全国的卡车司机或是营销经理都丢了工作，我们很快就会采取行动，然而如果只是卡车司机或营销经理的失业率翻了3倍，那么我们就会像以前一样，暗示这是他们自己的错，给他们几个月的失业保险和培训机会，然后继续对这种结构化的困境视而不见。 另一个现实是，即便AI让带有深刻关系的技能变得值钱起来，它同时也会削弱人类学会这些技能的本事。 年轻人和朋友相处的时间已经从2003年的12小时/周减少到2024年的5小时/周，谈过恋爱的高中生比例也从2000年的80%骤降至2024年的46%，约1/4的00后在过去一年里没有发生过性行为。 AI也许是这种社交解体现象的帮凶，它提供了一种数字化的关系模拟，不再让人有动力去体验真实关系里的快乐与痛苦。 如果Alex Imas是对的——我相信他是对的——那么我们与他人建立深刻关系的能力，将成为一项核心且高价值的个人资产，而我所担心的，是这恰好也是技术从年轻人身上摧毁的东西。 当我乐观的期待AI时代所能创造的未来时，那幅画面充满富足，人类被鼓励过上追随本心的生活，而当乐观被打碎后，世界仍是如此，区别在于财富被垄断，而我们重视的深刻关系，却早就不知道该如何维系。

推荐下，这期 JL Collins × Steven Bartlett《The Diary of a CEO》 的完整播客采访。 很有哲理的财富观，推荐每个人看完结合自己的条件再规划下属于自己的路径： 1️⃣为什么要避免债务。 2️⃣支出低于收入成为习惯有多必要。 3️⃣投资剩余的钱，是未来的底气。 4️⃣学会先获得购买权，再消费。 他在36分钟的时候也谈到了对比特币的态度！ 正片2小时15分钟，链接放在最后， 也可以选择看看我下面有 GPT 的整理版和我的注解，不想听我啰嗦的可以直接去看正片。 JL Collins 就是《The Simple Path to Wealth》的作者， 先说我认为这期采访真正的核心：钱最重要的功能，不是让你买更多东西，而是让你越来越不需要向任何人低头。 也就是说，财富的终点不是消费能力，而是选择权。 这也是整期两个多小时反复回到的主线。 下面是 AI 按采访顺序的梳理： 00:00–03:27｜为什么写《The Simple Path to Wealth》 JL 最初根本没准备写一本畅销书，而是在博客上给女儿 Jessica 留下一套关于钱的知识。 他认为，一个人如果把钱的问题处理好，人生会容易非常多。不是因为钱本身能带来幸福，而是有资源的人拥有更多选择，没有资源的人很多时候连选择的资格都没有。 因此他写作的目标从来不是教女儿如何暴富，而是教她：如何避免因为钱而失去人生的自主权。 03:27–05:10｜绝大多数人对钱最大的误解 普通人的第一反应是： 有钱了可以买什么？ 房子、车、旅行、奢侈品…… JL 认为这是文化灌输给我们的默认思维。 钱当然可以消费，但还有第二个用途： 钱可以替你工作。 你工作→赚到钱→把其中一部分变成资产→资产继续产生钱。 于是慢慢发生一个巨大变化： 一开始，是你用时间换钱； 后来，是钱替你换时间。 所以他建议把“我能用这笔钱买什么”改成： “这笔钱将来能替我赚多少钱、买回多少自由？” 05:10–06:15｜什么叫财务自由 只要你必须每天出售自己的时间、劳动和注意力才能活着，你就仍然依赖某一个愿意付钱给你的人或组织。 老板、客户、公司、平台…… 所以财务自由不是“我有很多钱”。 而是： 工作开始变成可选项。 你可以工作，但不是“不工作就活不下去”。 这个区别非常大。 06:15–13:11｜为什么很多成功人士都有创伤 Steven 谈到自己的经历：年轻时冒险、辍学创业、拼命证明自己，很大程度来自内心的不安全感和创伤。 JL 观察到一个有意思的现象： 很多极度成功的人背后都有某种“我要证明自己”的东西。 创伤、不被认可、自卑、家庭问题…… 它可能成为非常强的驱动力。 但反过来，他也认识一些人，没有那么大的野心，只想过舒服、自由、平静的人生。这些人反而往往成长环境更加稳定。 这引出了一个问题： 巨大的野心究竟是一种能力，还是一种没有被治愈的伤口？ 采访没有给确定答案，但 Steven 明确提到，他认识的一些超级富豪并不快乐。 其中一个重要寓言：和尚与大臣 JL 的书开头有个故事。 两个童年好友，一个后来成为国王身边的大臣，一个成为清贫和尚。 大臣看和尚每天粗茶淡饭，就说： 你如果学会讨好国王，就不用吃这种苦了。 和尚回答： 你如果学会满足于粗茶淡饭，也就不用讨好国王了。 JL 说自己一直更接近和尚。 这其实是他全部财富哲学最简洁的表达： 降低欲望，也是一种提高自由度的方法。 当一个人的“必须拥有”越来越少，他需要讨好的人也会越来越少。 13:11–14:22｜钱与幸福的关系 JL 并不认同“钱能让你幸福”。 他的观点更细： 钱不一定增加幸福，但缺钱可以制造大量痛苦。 催债信、房租、账单、医疗费用、失业风险…… 这些东西会长期占据人的心理空间。 所以财富最先改善的，往往并不是快乐，而是： 减少焦虑。 而且金钱有放大效应。 一个本来就不快乐的人， 变成富豪以后仍然可能不快乐； 一个本身就很满足的人， 有钱以后会获得更多选择。 Steven 也谈到自己以前觉得 Range Rover、 豪宅会带来巨大幸福， 后来真正拥有以后， 发现心理冲击远没有想象中大。 JL 因此强调： 享受财富， 但不要要求财富负责治愈你。 14:22–15:59｜什么才是真正的 F.U. Money 一般人把 FU Money 理解为： 钱多到永远不用工作。 JL 说那其实叫 Financial Independence。 他定义的 FU Money 反而是： 走向财务自由途中已经积累起来的那部分钱。 哪怕你只有足够活六个月的钱， 它都已经开始改变你的行为。 老板羞辱你，你可以离职； 行业不好，你可以休息半年； 想去欧洲旅行，你可以辞职； 想换城市，你不用害怕三个月没收入。 所以财富不是到了终点才有用。 每增加一笔储蓄，你的自由其实已经增加了一点。 15:59–25:32｜采访最有争议的观点：年轻人未必应该买房 JL 不是反房地产。 他自己一生也买过很多房。 但他说： 房子应该首先看作一种生活消费，而不是自动等于一项好投资。 买房最大的问题不只是首付和房贷。 还有装修、家具、维修、房产税、保险、屋顶、花园、设备等等。 所以“我的月供和房租差不多”这个比较经常是错误的。 房租 2500 美元，你大致知道成本； 房贷 2500 美元，可能突然再来一个 2 万美元屋顶。 而且人买房时经常出现一个行为偏差： 银行说你最多可以贷 100 万，你就真的去买一个接近自己极限承受能力的房子。 于是房子开始绑架现金流。 买房真正被忽略的是机会成本和流动性 JL 和 Steven 都特别重视这一点。 20 多岁、30 多岁的时候，人的最大财富可能不是现有资产，而是： 未来几十年的机会。 工作突然要求你去纽约； 创业机会在旧金山； 你想去葡萄牙； 换行业； 认识了另一半； 都需要移动。 租房的人可以很容易离开。 房主却要卖房、承担交易成本，或者突然变成一个根本不想当的房东。 所以 JL 的结论不是： “永远不要买房。” 而是： 年轻且正在快速发展事业时， 不要低估流动性的价值。 等你已经非常有钱， 而且某套房确实提升生活质量，再去买。 那时候你是在强势位置购买， 而不是被房贷绑架。 25:32｜整本书浓缩成三句话 JL 的财富路径非常简单： 避免债务。 支出低于收入。 投资剩余的钱。 基本上整场采访后面的一个多小时， 都在解释这三件事。 26:49–36:03｜债务为什么如此危险 个人消费债务在他眼里几乎是财务自由的反面。 尤其：信用卡债务、消费贷、豪车贷款。 因为你不仅在为过去的消费付款， 还把未来的现金流提前抵押掉了。 他把债务形容成游泳运动员腰上绑着铅块。 不是绝对游不到终点，但难度大得多。 他的还债方法也很明确： 把所有债务列出来； 其他债务付最低还款； 集中现金优先消灭利率最高的债务； 然后第二高、第三高…… 这是数学上效率最高的一种方法。 “必须拥有”的暴政 JL 创造了一个很好的概念： Tyranny of the Must-Haves。 “我必须住这个区。” “孩子必须读这所学校。” “必须有两辆好车。” “必须每年出国。” “必须住大房子。” 每增加一个“必须”，自由就少一点。 他自己年轻时直接存收入的 50%。 但他说自己从没觉得这是“牺牲”。 他的心理账户是： 我不是少花掉了 50%。 我把那 50% 花在了购买自由上。 这一点我觉得是整期非常高级的一个重新定义。 消费其实经常是在购买自尊 Steven 讲了自己年轻时候一个非常真实的经历。 发薪以后立刻买大电视、PlayStation， 因为这些东西能让自己短暂感觉： “我成功了。” 过几天发现没钱，又把东西卖掉。 下一次发工资继续循环。 JL 提醒： 很多炫耀性消费，本质并不是需要那个东西， 而是希望别人通过那个东西认可自己。 他举 Ferrari 的例子： 你开 Ferrari 时以为别人想： “这个人真厉害。” 实际上别人很可能想的是： “如果我开这辆 Ferrari，我一定很帅。” 人家压根没那么关心你。 36:03–38:43｜他为什么不投资 Bitcoin 这里应该也是你比较关心的一段。 JL 明确表示： 他不反对 Bitcoin 存在，但自己不投资。 原因不是他说 Bitcoin 一定归零， 而是他认为 Bitcoin 对他来说属于 speculation， 而不是 investment。 他的投资标准是： 背后最好有一个持续产生经济价值的“发动机”。 企业销售产品、产生利润、现金流增长。 而 Bitcoin 在他的框架里没有这套现金流， 所以他无法估值。 Steven 反驳： 如果 Bitcoin 过去十五年的成功如此巨大， 本身是不是已经证明市场存在真实需求？ JL 承认： 完全可能。 Cathie Wood 等人的长期判断也完全可能最终是对的。 但他说他无法判断未来十年，所以选择不参与。 因此他的立场其实没有标题那么绝对。 不是： “Bitcoin 是骗局。” 而是： “Bitcoin 超出了我的投资框架，所以我把它归类成投机。” 38:43–46:37｜应该还房贷还是投资 答案取决于房贷利率。 因为提前还贷相当于获得一个确定性收益： 如果你的房贷利率是 7%，提前还款大致相当于获得一笔确定性的 7% 成本节省。 房贷利率极低时，投资机会成本更重要； 房贷利率非常高时，提前还款吸引力更高。 他随后解释了利率、房贷本金、利息以及为什么前期月供中利息占比较大。 他也说，不要试图精准预测“什么时候利率最低然后买房”。 因为利率同样很难预测。 最终还是回到： 现在是否买得起，这个房子是否真正改善你的生活。 46:37–55:13｜AI 时代，现在买股票安全吗？ JL 给出的答案很经典： 短期永远不安全，长期反而非常安全。 股票最大的特征不是“危险”，而是： 波动。 如果三年后要买房的钱、明年孩子读书的钱放进股市，很危险。 因为明年完全可能跌 30%、40%。 但如果是十年、二十年甚至更长的钱， 股票是人类历史上极强大的长期财富生产工具之一。 核心条件只有一个： 大跌的时候不能因为恐惧卖掉。 否则再好的资产都救不了你。 所以真正最大的投资风险，有时候不是资产： 而是投资者自己。 男人为什么投资经常不如女人 这里他们谈到一个有意思的行为： tinkering——手痒。 觉得： 这个配置再优化一下； 换个 ETF； 追一下热点； 择个时； 卖了再买回来…… JL 发现很多男性尤其喜欢这样做。 Steven 引用了一些男女投资行为的数据，核心结论是： 男性更倾向承担风险、频繁交易和择时； 女性往往交易更少、更长期持有。 所以即使男性经常“感觉自己更懂投资”，最终反而可能因为过度操作拖累回报。 JL 开玩笑说： 看来自己有非常强的“女性一面”。 他的核心仍然是： 少做事。 55:13–1:02:38｜复利真正发生时是什么样 采访展示了一张长期复利曲线。 早期非常无聊。 本金不断增加，资产增长并没有明显脱离投入的钱。 然后几十年后突然： 曲线翘起来。 JL 说他见过很多已经财务独立的人，反而问他： “我真的财务自由了吗？” 不是他们不会算数学。 而是复利增长到后期会快得令人产生不真实感。 他随后解释 4% guideline： 如果一年生活费 10 万美元， 大约需要： 10 万 × 25 = 250 万美元投资资产。 250 万 × 4%=10 万。 所以可以粗略用： 年度支出 × 25 作为财务独立目标值。 但他刻意不用“4% Rule”，而更喜欢叫 guideline，因为现实情况会变化。The Singju Post 复利最终有一个非常有意思的状态： “所有东西都免费了” 意思不是东西真的不要钱。 而是： 当投资资产每年产生的钱已经高于你的全部消费时， 新消费不再需要靠劳动补回来。 年轻时你舍不得买的东西，后来反而可以轻松买。 这也解释了他的财富哲学： 不是永远节俭。 而是： 先获得购买权，再消费。 而不是提前几十年透支未来购买权。 1:02:38–1:12:54｜“我年轻时不享受，老了有钱有什么意义？” Steven 提出年轻人非常自然的反驳： 20 岁不去旅行、不喝酒、不玩、不买东西，一直省钱，等到 70 岁一身钱，有什么意义？ JL 的回答不是让人苦行。 他首先反对： “享受人生=花很多钱。” 更有意思的是，他说 75 岁以后其实钱非常有用。 因为年纪越大，舒适、安全、医疗、便利的价值越高。 但他年轻的时候也并不是为了“75岁的自己”投资。 他 25 岁攒了约 5000 美元，就敢辞职去欧洲背包旅行。 所以： 储蓄不是只帮助未来的你， 它马上就在帮助今天的你。 5000 美元可能还不能退休， 但已经足够让一个年轻人敢辞掉不喜欢的工作。 他为什么主张储蓄率 50% 第一份正式工作年薪约 1 万美元，他直接存 5000。 他认为 50% 是一个非常强的 benchmark。 在市场正常的情况下， 坚持高储蓄率 + 投资， 大概十几年就可能走向财务独立。 当然这不意味着所有人都必须 50%。 他的意思是： 不要先问： “50% 怎么可能？” 应该先问： 财务自由对我到底值多少钱？ 有人选择星巴克、好房子、名车； 有人选择早点自由。 没有道德上的对错，是优先级不同。 1:07:08｜给孩子最大的投资礼物其实是时间 他特别建议，如果孩子已经有合法劳动收入， 可以尽早利用 Roth IRA 等美国税优账户投资。 原因不是那几千美元有多重要。 而是孩子拥有： 50 年、60 年甚至更长的复利时间。 他说财富积累最强大的变量之一就是： Time。 越早开始，后来需要付出的本金越少。 1:12:54–1:20:04｜税优账户到底有什么意义 他详细讲了美国的： 401(k)、403(b)、IRA、Roth IRA。 传统退休账户的本质通常不是“不交税”， 而是：延迟交税。 现在收入高时把钱放进去； 投资增长； 退休以后收入降低，税率可能下降； 再把钱取出来。 同时雇主的 401(k) match 基本属于： 应该优先拿的“免费钱”。 他也提醒： tax deferred ≠ tax free。 JL 自己反而出现了一个特殊情况： 退休后因为写书、事业成功，税率甚至比以前高， 因此传统税延策略对他没有达到典型效果。 1:20:04–1:27:39｜他到底买什么资产 答案极其无聊： 低成本、广泛分散的指数基金。 他的代表选择就是 Vanguard： VTSAX——美国 Total Stock Market Index Fund。 大约覆盖数千家美国上市公司。 为什么？ 因为他完全不知道未来哪个公司会赢。 但指数有一个非常厉害的机制： 赢家越来越大，自然在指数中的权重越来越高； 输家不断萎缩，最终被淘汰； 新的赢家自动进来。 JL 给它起了一个词： self-cleansing——自我清洁。 Sears 曾经像今天 Amazon+Walmart 一样强大。 后来 Sears 消失了。 但指数投资者不需要提前预测 Sears 会死， 也不需要提前猜 Amazon 会赢。 市场替你完成替换。The Singju Post 为什么他不直接买 Nasdaq 100？ Steven 提出： AI、机器人、自动驾驶都属于科技， 过去十年 Nasdaq 又表现极好， 那为什么不直接重仓科技？ JL 承认： 这个逻辑完全合理。 甚至过去十年确实会赚得更多。 问题只有一个： 你仍然是在预测未来。 今天科技领先， 不代表未来四十年始终由科技这个分类领先。 所以 JL 说： 我买整个市场。 科技继续赢——我已经持有科技巨头； 科技输了——新的赢家同样会自动进入我的组合。 所以他放弃一部分极致收益潜力，换来： 不需要预测未来。 1:27:39｜全片最好的投资比喻：啤酒与泡沫 JL 现场倒了一杯啤酒。 杯子里两部分： Beer = 企业真正创造的经济价值。 收入、利润、现金流、业务。 Foam = 市场情绪。 恐惧、贪婪、AI 故事、想象力、炒作、估值。 股价=Beer + Foam。 问题在于现实股票不像透明酒杯，我们很难知道到底多少是啤酒，多少是泡沫。 他拿 Tesla 举例： Tesla 当前估值中包含大量对机器人、自动驾驶等未来业务的预期。 如果未来这些业务真的实现： 泡沫会慢慢变成啤酒。 如果没有实现： 泡沫就可能消失。 巴菲特为什么那么厉害 用 JL 的啤酒逻辑： Benjamin Graham 早期寻找的是： 价值 1 美元的“啤酒”，市场只卖 0.7 美元。 巴菲特后来逐渐升级成： 与其极低价买垃圾，不如合理价格买极好的企业。 优秀企业： 品牌强； 竞争壁垒高； 盈利能力强； 管理优秀。 最难的地方不是分析。 而是： 拥有足够的耐心什么都不做。 所以他们谈到 Munger / Buffett 一个非常重要的投资原则： 不要妨碍复利自己工作。 1:33:40–1:36:06｜市场暴跌怎么办 答案： 不要卖。 2020 年疫情就是案例。 市场暴跌，恐慌蔓延。 但企业和经济最终恢复。 如果你因为新闻而清仓，可能在最低点附近离开； 随后又因为上涨产生 FOMO，在高位重新买回。 所以 JL 的方法很简单： 长期资金继续持有； 如果仍在积累期，甚至可以继续买。 真正危险的是： 把正常波动理解成世界末日。 短线交易和投资完全是两种东西 用“Beer/Foam”理论： 买企业未来几十年的盈利能力，是 investment。 试图预测明天、下周、下个月市场情绪产生的 Foam，是 trading/speculation。 后者在 JL 看来非常接近赌博。 他们也吐槽各种“教你稳定交易赚钱”的课程： 如果真的存在一个可以持续提款的秘密策略， 为什么最赚钱的业务会变成卖课？ 这不是说所有金融教育都是骗局，而是在提醒： 对“快速、稳定、高收益的交易秘诀”高度警惕。 1:39:26｜需不需要财务顾问 JL 对财务顾问整体比较怀疑。 他的一个有意思的判断是： 当你已经懂得足够多，能够识别一个优秀财务顾问的时候，你可能也已经懂得足够多，可以自己投资。 尤其要注意利益冲突。 比如顾问按照 AUM 收 1% 管理费。 你有 100 万美元交给他； 突然想拿 50 万提前还房贷。 如果他说“还”，自己的管理费收入立刻减少一半。 不代表他一定会骗你。 但： 激励结构已经产生冲突。 所以永远要知道： “给我建议的人，是怎么赚钱的？” 1:42:13｜JL Collins 自己到底怎么配置 他当时透露大致： 80% VTSAX 美国全市场股票 15% Total Bond Market 债券 5% Money Market / 现金类资产 另外有两处自住房性质的小房地产， 但在净资产中比例很低。 他已经 75 岁，这个股票比例其实非常激进。 他自己也明确说： 不一定适合其他同龄人。 债券的作用主要不是赚钱，而是降低波动。 他把“风险”重新定义： 股票短期风险大，因为波动； 但长期能对抗通胀。 债券短期稳定； 但长期可能输给通胀。 因此： 安全与否必须带上时间维度。 1:45:23｜Steven 现场问 ChatGPT：普通人如何财务自由 ChatGPT 给出的答案大意和 JL 几乎一样： 控制支出； 购买低成本广泛指数； 长期持有； 让复利工作。 JL 开玩笑： ChatGPT 应该是把他的书拿去训练了。 随后 Steven 又问： 怎样提高收入？ JL 的答案： 提高技能。 ChatGPT 的答案也类似： 学习市场需求高的技能。 1:46:26–1:49:33｜AI 时代应该学什么 Steven 讲自己年轻时候学 Social Media。 创业虽然失败，但因此站在了一个新行业浪潮最前面。 后来企业疯狂需要懂社交媒体的人， 于是那个失败经历反而变成极高价值的人力资本。 JL 由此讲： Failure 是成长的一部分。 甚至创业世界里， 有些投资人更喜欢经历过失败的创始人。 Steven 给未来孩子的建议很有意思： 如果不知道学什么， 去一个处于技术浪潮最前沿的 startup 工作。 哪怕它最后倒闭。 因为你会离创始人很近； 离问题很近； 离失败很近； 离新产业真正发生的地方也很近。 这可能比一个安稳的大公司职位学得更多。 1:49:33以后｜收入低不等于不能财务自由 JL 举了两个极端例子。 一个朋友一辈子收入可能没超过 4 万美元， 却最终财务独立。 另一个金融行业朋友： 90 年代奖金就有 80 万美元； 年收入大约百万美元； 结果仍然接近月光。 为什么？ 豪宅、车、孩子学校、社交圈…… JL 甚至认为： 高收入有时候反而是财务自由的障碍。 因为高收入会自动把你推入另一个消费比较体系。 普通人比较车。 富人比较房子。 更富的人比较游艇。 游戏没有终点。 收入越来越高， Lifestyle Creep 也越来越大。 所以： 决定财务独立的不是绝对收入， 而是收入与欲望之间的差值。 随后谈到了一个经常被忽略的财富杀手：离婚 Steven 讲了一个， 身价可能数亿美元的朋友正在经历长期离婚诉讼。 律师费、资产估值争议、 强迫出售长期持有的股票、税务损失、精神压力…… JL 的结论是： 选人生伴侣同时也是一个巨大的财务决定。 当然 Steven 也补充非常重要的另一面： 如果另一方为了家庭和孩子牺牲职业， 财富本身可能也是夫妻双方共同创造的。 所以他们并不是简单讨论“如何避免分钱”。 真正谈的是： 婚姻是你人生最大的经济合伙关系之一。 Prenup：其实每个人都有婚前协议 一个很有意思的观点： 即使你“不签 Prenup”， 你也并不是没有 Prenup。 你只是选择： 使用政府默认替你制定的 Prenup。 所以问题不是： “要不要规定离婚后怎么处理？” 而是： 你们两个人提前共同决定； 还是几十年以后让法律制度替你决定。 他们认为对于资产复杂的人， 提前认真讨论反而更加成熟。 JL 结婚 44 年最大的经验 Steven 问他： 怎么选对伴侣？ JL 本来一直说自己运气很好， 因为结婚前根本没认真谈过钱。 后来有一次当着妻子的面讲这个故事， 妻子直接纠正他： 两个人第一次约会的时候， JL 就已经跟她讨论储蓄率，甚至说： “你应该存下收入的 50%。” JL 才意识到： 原来财务观早就被自己自然表达出来了。 两个人长期婚姻稳定的一部分原因，就是： 在金钱价值观上高度一致。 1:59:53｜75 岁以后，他最大的遗憾是什么 这是整期采访后面突然非常深的一段。 JL 首先说： 他不太喜欢“如果当时……”这种思维。 因为你永远不知道另一条路是不是真的更好。 创业失败可能导致后来成功； 一次看似错误的选择可能塑造后面的你。 所以从人生路径角度： 他没有特别大的遗憾。 但有两个关于父亲的私人遗憾。 第一个遗憾：童年拒绝父亲的礼物 小时候父亲非常喜欢动手做东西。 有一次给他买了一个电动锯作为礼物。 JL 完全不喜欢，表现得非常失望。 他看到父亲脸上的受伤。 七十年过去，他仍然记得。 他说： 自己当时只是孩子， 也不应该过度责怪那个年纪的自己。 但这件事教会了他： 有时候礼物的价值不在礼物，而在送礼人的心。 第二个，也是他人生最大的遗憾： 父亲去世前的最后一次谈话 JL 24 岁时，父亲因为肺气肿住院。 去世前一天，父亲坐在病床边告诉他： 自己今晚可能要死了。 年轻的 JL 本能回答： 不会的，你会好的，别这样想。 结果父亲那天晚上真的去世了。 五十年以后，JL 才完全理解那个场景： 父亲根本不是需要一句： “别担心，一切都会好起来。” 他是一个已经知道自己即将死亡的人， 想和自己的儿子谈谈死亡。 JL 最大的遗憾是： 自己当时没有成熟到意识到这个邀请。 不是选错答案。 而是： 根本不知道那里存在一道选择题。 说到这里他明显非常动情。 最后谈到死亡 JL 说自己大概率认为： 死亡之后什么都没有。 但他同时对死亡非常好奇。 他并不急着死， 身体和精神状态允许的话仍然很喜欢活着。 只是到了 75 岁，他会好奇： 如果自己错了呢？ 如果真的存在另一边呢？ 最后的问题：人生到底什么最重要？ JL 给出了一个很反鸡汤的答案： 从宇宙尺度上看，什么都不重要。 人类在宇宙时间尺度里只是极短的一瞬。 一个人的生命更短。 所以他不相信宇宙赋予每个人某种宏大使命。 但是，他认为这反而是一件解放人的事情。 因为：既然没有必须完成的宇宙任务， 那就：好好生活；善待别人；尽可能享受这趟旅程； 利用你拥有的自主权，把唯一这一生过好。 他说的不是： “人生没有意义，所以什么都不用做。” 恰恰相反： 正因为没有第二次， 所以更应该把这一次过好。 所以我很喜欢他这段发言。 最后 Steven 播放了一首关于“God on the Train”的诗，主题也与 JL 的观点呼应： 不要为了某个遥远的天堂忽略眼前这一生，善良、不伤害别人、认真活着，本身可能已经足够。 我看完整期以后，认为最值得记住的是下面这一套递进关系：钱 → 资产 → 现金流 → 选择权 → 不被迫 → 自由。 很多人财富增长以后，走的是另一条路：钱 → 消费升级 → 固定成本升级 → 欲望升级 → 必须赚更多钱 → 更不自由。 两个人可能拥有完全相同的净资产，最后得到的东西却完全相反。 这才是 JL Collins 这期采访真正想讲的东西。 而他那句“把收入的 50% 花在自由上”的思维尤其值得琢磨——储蓄不是没有消费，而是在消费一种看不见的东西：未来不必向任何人低头的权利。 视频链接：