Antisubmissivist
全部文章
思考

用传送枪送外卖？？拿到 AI 时代的推土机后，聪明人都在干什么？

绝大多数人拿到 AI 这把传送枪后，第一反应依然是“用它来帮我送外卖跑得更快一点”。当执行成本归零时，聪明人正在用 AI 抢夺什么？

有人用发光的传送门递过一份外卖，而门后那片无人注意的巨大未知景观正延伸进黑暗。

你遇到了一个外星人，外星人说可以帮你强化你身体上的两个器官。那么，如果只能让你强化身体的两个器官，你会强化什么？对于这个思想实验，普遍被接受的答案或许是：应该先强化自己的大脑，然后让被强化之后的大脑，去思考下一个需要强化的器官是什么。很多人遇到这个问题会觉得无意义，毕竟没人能遇见外星人，但是，很多人也忽略了AI时代带给人的机遇。

AI Agent 可以说真的给每个人带来了一个“自动驾驶的电脑”[1]。人和人的区别，就在于对这个新工具的使用方式。使用工具的能力层次，或者说对生产工具的运用程度，会很快拉开人与人之间的差距。

当人掌握了这个自动驾驶的电脑，其实就像是 Rick 掌握了传送枪技术，或者说是皮皮鲁获得了幻影号，又或者说是获得了一个强大的外脑，更像是曾经用手刨地的农民获得了推土机。这是一个人从零开始的革命性的改变时刻。人和人的认知区别，就在于拿到传送枪后，怎么去看待这个工具。

绝大多数人拿到这把传送枪后，第一反应依然是“用它来帮我送外卖跑得更快一点”——今天用 AI 写了个周报，明天用 AI 糊了一个网页。用它来优化现有的陈旧工作流，确实能赚到点零花钱，但这样的人的认知边界和思想成熟度，依然停留在手刨地的时代。

这段时间我做了西方哲学史的全盘梳理，顺便在博客里创建了两个项目。得到的感想是，哲学的定义或许是对思维本身提出问题以及尝试解答或抛出异常的过程。而 AI 时代，人类需要积累的能力，或许也是懂得提出问题、理解答案、做出判断、描述需求、验证成果的能力。因此，学习古今中外最聪明的头脑是如何提出问题的，或许是AI时代首先要学习的主题。

那么，外星人的问题，在 AI 时代其实就换了一个表述方法：当你获得了一个第二大脑，你会用这个新的工具，去思考什么、创造什么？这或许是 AI 时代应该思考的第一个问题。

对于这个问题，我已经思考了有好几年了，我的答案是：要向聪明人学习。不仅学习他们的方法，更重要的是思考他们这些方法背后的底层原理。现在，我决定把自己阶段性的思考结果分享出来，算是真正实现博客网站的开站目的：开源我在 AI 时代的思考。

一、总原则：三条第一性原理

在观察前沿的探索者时，可以发现他们的选择往往并非闭门造车，而是建立在一些底层逻辑之上。

① 边际成本归零时，钱不会消失，它只会搬家

当模型、工具、机器人全部走向商品化时，租来资产的操作者只有在拥有“稀缺互补品”（scarce complement）时，才能留得住上行空间，否则回报会被压回市场平均水平[2]。这些机器造不出来的东西包括：位置、许可、专有数据、分发渠道。就像淘金热里卖铲子不再赚钱，因为现在铲子免费送了，你得有矿脉。

配套的一条逻辑是，在 AI 富足时代，人们只肯为五样东西付溢价：时间、确定性、地位、意义、真实性[3]。当一项技术把某样东西的边际成本推向零，溢价不会消失，它只会迁移到这张固定菜单的别处。

② 你的理解力，是新的产能上限

在代码生成速度极速提升的今天，新的限制因素变成了认知容量。正如有人坦言，自己能快一百倍地产出代码，却没有能力盯住一百倍的代码[4]。

过去，“开发需要花一周”这件事本身就是纪律，时间成本让人必须进行权衡。现在加功能便宜到没人再权衡，于是功能容易像奇怪的凸起往各个方向长。这句话背后的含义并非单纯要求谨慎，而是指出：在这个时代，唯一会被 100 倍放大的资产，是自身的理解带宽。

③ 可验证性决定了什么会被碾平

你可以外包你的思考，但你没法外包你的理解[5]。当前大模型的能力仍然是“锯齿状的”——在可验证领域表现极强，在别处则未必可靠。

一个关键的推论是：大厂最终会吃掉所有验证设施已经建成的标准化领域。而真正的机会，存在于那些可验证、但验证基础设施尚未建成的缝隙之中。

二、聪明人实际在瞄准的目标（靶子）

基于上述第一性原理，那些走在前面的探索者们，实际设定的目标往往非常具体且具有针对性。

目标 A：造一份“Agent 处理完会暴涨”的私有资产

他们的目标不仅是用 Agent 整理数据，更是去拥有一份别人拿不到的原始素材。当公开语料被抓取殆尽，专有数据就成了新矿脉。一个行业十年的会议录音、一份没人数字化过的档案、一套实地记录，这些“专有数据 + 工作流嵌入”是确保上行收益归属于个人的关键[2]。

目标 B：在没人建的可验证领域，把“裁判基础设施”建起来并占住

呼应原理③，这一目标是挑一个结果能客观判对错、但目前全靠人工评判的领域，把评测环境建出来。这不仅是一种工程习惯，更是把裁判权当作资产去占有。谁能验证某类说法对不对，谁就拿到了定义权[5]。

目标 C：把身边所有“烂到没人愿意修”的软件全部重做（TAM = 1）

编码 Agent 已经把“跑起来一个够用的 GUI”的成本压到近乎为零[6]。而更聪明的做法是往外走一步：为自己或身边被糟糕软件折磨的人，打造完全定制化的工具。批量改收据文件名、批量转写会议录音、把日语单词做成锁屏壁纸。这意味着 TAM（Total Addressable Market，总潜在市场）= 1 的软件时代的到来，大多数人需要的不是生产级通用软件，而是能确切解决自己痛点的东西[7]。

目标 D：拿回你对机构的谈判权

这是普通人历史上第一次拥有无限耐心。机构在博弈中占据优势，靠的往往不是占理，而是耗得起。最新的研究评测了“用户自己拥有的 Agent 代表用户去与机构谈判”（如拆账、申诉、退款）的能力[8]。带着一个熟悉条款、不会疲倦的主权 Agent 去对付客服系统，正在逐渐抹平这种不对称的博弈。

目标 E：造一个东西，为了搞懂那个东西

这直接对应了“外脑”的比喻。如果把知识称作“认知的 L1 缓存”，那么让 Agent 帮你查一次，比你直接知道，在调用时慢一个数量级[9]。 “造物以内化”是最强的学习形态。并非仅仅把知识存进外部系统，而是用建造的过程逼迫自己把知识结构重新走一遍。工具并没有替你理解，工具是你理解知识的施工现场。

目标 F：造一个五年后还在跑的东西

因为 Agent 让“建造”变便宜了，绝大多数人把预算全花在造上，却零花在“活着”上。而真正能长久存活的个人项目，往往具有自托管、有持久记忆、跑在自己的服务器上的特点[10][11]。它们的共同点不是追求繁杂的功能，而是不依赖任何一家公司还能保持运行。

三、聪明人的方法论：如何落地执行

在具体的执行层面，前沿探索者们的方法论也已经发生了根本性的转变。

1. 产能天花板搬到了“验证”：先造裁判

目前的瓶颈不再是生成速度，而是验证容量。一个显著的例子是，有人用 Agent 从零用 Rust 重写了 Git，产出了大量代码并跑通了数万个官方测试[12]。其真正的突破点并非代码生成量，而是挑了一个裁判早就存在、且无法被贿赂的战场。 此外，也有完全无人干预的评测循环，评测部分被彻底锁死，Agent 无法通过“把考试改简单”来作弊[13]。在执行任何目标前，先花时间确立客观的裁判标准，是放 Agent 进场的前提。

2. 复利工程：判断力要沉淀成文件

复利工程的核心在于，每一个工作单元都应该让下一个更容易；品味应该长在系统里，而不是长在人工复阅环节[14]。这本质上是一个约定：任务结束时写哪些文件，下次开始时读哪些文件[15]。如果对 Agent 的每一次纠正没有落实成文件（例如私有语料、规则文档），判断力就无法复利滚动。

3. 环境工程大于提示工程

模型的智商不再是唯一的变量，环境是否对“Agent 可读”变得更为重要。与其每次依赖 RAG 重新检索，不如让模型增量维护一个持久的、互相链接的知识库，让知识随时间在环境中产生复利[16]。

4. 从“我问它答”升级到“它有心跳”

真正的分水岭，是把对话框变成有生命力的后台进程。无论是用自然语言写任务并由守护进程按时执行，还是用简单的数据库配合定时任务（cron job），其核心都是让 Agent 拥有“心跳”[17][18]。只有当并行任务真正在后台独立运转时，自动化工具的潜力才算真正被释放[19]。

结语

拿到传送枪后，你面前不再有道路，只有坐标。

收起那些“AI 替代人类”的焦虑，也不要再沉迷于用 AI 写几封漂亮邮件的廉价快感。把视角拉到上帝机位，把你面前的电脑看作一个资源调度中心，去寻找那些曾经因为“人力成本极高”而连想都不敢想的荒野，然后，把推土机开进去。

参考资料

  1. 马斯克关于 AI 的比喻。 ↩

  2. Metacircuits. There are only four ways to make money in the agentic economy. ↩ ↩2

  3. Metacircuits. There are only 5 things people will pay a premium for. ↩

  4. Simon Willison. Conceptual integrity and counting lines of code. ↩

  5. Andrej Karpathy. Sequoia Ascent 2026 纪要. ↩ ↩2

  6. Simon Willison (引用 Thomas Ptacek). Stop Making TUIs. ↩

  7. Zara Zhang. Coding agents are general agents. ↩

  8. 斯坦福大学. SovereignNegotiation-Bench (arXiv:2607.02814). ↩

  9. Patrick Collison. YC Startup School 2026 notes. ↩

  10. GitHub Trending 盘点. OpenHuman, Avelina. ↩

  11. Daniel Miessler. LifeOS (原 Personal AI Infrastructure). ↩

  12. Scott Chacon 重写 Git 实践. 见 Daily.dev 等相关报道. ↩

  13. Andrej Karpathy. Autoresearch. 见 Dooza 博客分析. ↩

  14. Every 团队. Compound engineering 指南. ↩

  15. MoClaw 博客. Compound engineering 解析. ↩

  16. Andrej Karpathy. LLM Wiki 模式. 见 AI Builder Club 博客分析. ↩

  17. OpenClaw 官方指南. HEARTBEAT.md. ↩

  18. Geoffrey Litt. 个人助手实践. ↩

  19. Grit / 开发者文摘. 关于并发与任务拆解的分析. ↩