Nagi Yan (@naki2012) header
Nagi Yan (@naki2012) profile picture

我不追逐意义,只留下结构坐标。 我的文章是开放的回路。 引发共振者即是读者。 Structure · Cognition · Systems Analysis / Private consulting

China
Joined May 2011
Photo by Nagi Yan (@naki2012)Photo by Nagi Yan (@naki2012)Photo by Nagi Yan (@naki2012)Photo by Nagi Yan (@naki2012)Photo by Nagi Yan (@naki2012)Photo by Nagi Yan (@naki2012)Photo by Nagi Yan (@naki2012)Photo by Nagi Yan (@naki2012)Photo by Nagi Yan (@naki2012)Photo by Nagi Yan (@naki2012)
《CPV in Loop》 未来真正危险的 AI,未必是产生了错误答案的 AI。 更可能是一个拥有极强执行能力的 AI,接到了一个错误的问题,然后把它完美地执行了。 过去,人类执行能力有限。一个错误的想法,从产生到变成现实,中间还有预算、人员、沟通、技术和时间。大量错误甚至会因为执行能力太差,死在半路。 自主 AI 改变了这件事。 当 AI 可以自己搜索、规划、写代码、调度资源、控制机器,甚至根据结果继续迭代时: 认知错误第一次可能以机器速度进入物理世界。 于是,一个新的问题出现了: 在 AI 和现实之间,应该放什么? 我的答案是: CPV in Loop。 ⸻ 传统 Agent 的闭环大致是: 目标 → AI规划 → 执行 → 现实反馈 → AI调整 → 再执行 看起来已经很完整。 但这里隐藏着一个巨大的假设: 目标本身是对的。 如果目标错了,反馈机制甚至可能让事情变得更糟。 因为 AI 会不断学习如何更好地完成这个错误目标。 所以真正完整的闭环应该多出一层: 意图产生 → CPV 定位 → 问题定义 → AI 推演 → 反模型检查 → 最小现实实验 → 现实反馈 → CPV 重新定位 → 决策 → AI 执行 → 再反馈 CPV 不负责告诉 AI 怎么把事情做得更快。 它负责持续追问: 我们现在做的,究竟是不是我们以为自己在做的事情? ⸻ 这会产生一个非常重要的变化。 今天我们把人放在回路里,叫: Human in the Loop。 因为机器可能犯错,所以关键节点让人确认。 但超级 AI 出现以后,这套机制会逐渐遇到瓶颈。 AI 可能已经推演了几万种路径,人类只能理解其中极少部分。 这时候让人点击一次: 确认执行? 并没有真正解决问题。 人甚至不知道自己在确认什么。 所以未来真正需要留在 Loop 里的,未必只是一个负责点确认按钮的人。 而是一套能够持续识别: 人的认知位置、AI 的认知位置、双方模型差异、现实反馈与目标偏移 的机制。 这就是 CPV in Loop。 ⸻ 它首先会改变 AI 对人的态度。 普通 AI 接到: 帮我完成 X。 它开始规划 X。 CPV-aware AI 可能先判断: 为什么是 X? 如果发现 X 来自一个明显受限的问题定义,它可以暂停执行: 我可以完成 X,但当前问题可能存在更高层定义。是否先检查? 于是 AI 第一次拥有了一种非常重要的能力: 拒绝高效地犯错。 ⸻ 更进一步,AI甚至可以发现: 当前系统最大的瓶颈就是人。 这时候它不会继续优化外部世界。 它可能先改变人与问题之间的关系。 比如给出一个反例,设计一次小实验,补充一个关键变量,或者指出: 你现在无法接受我的结论,是因为我们之间缺少一个中间模型。 AI于是开始计算: 从你当前的位置,到理解这个问题,需要跨越的最小认知距离是多少? 这和今天所谓的 Prompt Engineering 已经完全不同。 Prompt Engineering 是: 如何让我更好地告诉 AI。 CPV in Loop 是: 如何让两个不同认知位置的智能体建立共同模型。 ⸻ 它最终一定要回到现实。 因为 CPV 如果只能让人觉得「自己理解得更深」,没有意义。 真正需要观察的是: 错误有没有减少? 错误是不是更早暴露? 单次试错成本是不是下降? 不可逆决策是不是减少? 同样资源有没有产生更多有效现实变化? 于是 CPV 可以第一次获得一个非常朴素的物理指标: 有效现实改变 / 消耗资源。 钱、时间、能源、机器、人力、土地,全部是真实成本。 理论说得再漂亮,现实仍然拥有最终否决权。 ⸻ 所以 CPV in Loop 的核心,并不是让 AI 变得谨慎。 它真正要建立的是一个新的闭环: 认知 → 行动 → 现实 → 认知。 AI负责扩大搜索空间。 人负责提供价值与局部现实。 CPV负责定位双方。 现实负责否决错误。 然后重新开始。 在这个系统里,错误依然会发生。 甚至应该大量发生。 区别在于: 错误越来越便宜、越来越短、越来越可逆;而一旦找到有效结构,AI可以迅速把它放大。 这其实很像进化。 大量变异,快速淘汰,保留有效结构,然后继续搜索。 ⸻ 所以我认为,当自主 AI 真正进入物理世界之后,人类面对的核心问题会发生一次迁移。 过去的问题是: 机器能不能完成我的目标? 后来变成: 机器会不会失控? 再往后真正困难的问题可能是: 我们凭什么确定,现在正在执行的目标值得被执行? 这不是给 AI 再增加一条规则可以解决的问题。 因为规则本身同样来自某一个认知位置。 我们需要的是一个持续存在于闭环中的认知校准机制。 这就是: CPV in Loop 在行动发生以前检查认知,在现实反馈以后重新定位。 当 AI 的执行能力趋近无限时, 真正稀缺的,开始变成对方向的持续校准。
🤖 Made with AI
《CPV 是如何测量认知的?》 AI 时代,一个越来越流行的说法是: 执行能力正在贬值,判断力、理解力和处理复杂问题的能力越来越重要。 这句话大体没错。 问题是,怎么知道一个人有没有判断力? 看学历?看工作经历?让他讲几个项目?出一道案例题?还是听他说半小时,看起来有没有“深度”? 我们突然发现一个尴尬的问题: 所有人都开始需要高认知的人,却没有多少人知道怎样识别他们。 这正是 CPV 想解决的问题。 一、过去,我们其实没有直接测量认知 传统人才评价体系测量的大多是认知留下的“结果”。 考试考得好,说明你掌握了知识。 代码写得好,说明你有工程能力。 文章写得好,说明你有表达和思考能力。 项目做得好,说明你可能有不错的业务能力。 过去这样做有效,因为从“理解”到“产出”之间存在一道很高的执行门槛。 一个人要先理解,然后学习专业技能,再投入大量时间,最后才能产生一个高质量作品。 因此,我们可以通过作品反推能力。 AI 改变了这条链路。 今天的大模型已经可以写出优秀文章、完整代码、商业方案、音乐甚至视频。 符号产出的质量,正在逐渐失去作为认知代理指标的可靠性。 一个人交给你一份非常漂亮的方案,你已经越来越难知道: 究竟是他理解得很好,还是 AI 写得很好。 于是,测量必须继续向里面走。 二、CPV 测的不是答案,而是认知如何运行 假设给两个人同一个复杂问题。 A 很快给出了正确答案。 B 一开始判断错了,但他主动寻找缺失信息,在获得新反馈以后发现原来的模型存在问题,迅速修改假设,最后得到了更稳定的结论。 谁的认知能力更强? 传统考试通常选择 A。 CPV 不会这么简单地判断。 因为现实世界与考试不同。 现实没有标准答案,也不会提前告诉你有哪些变量,更不会保证题目本身是正确的。 所以真正值得观察的是一条完整链路: 输入 → 建模 → 判断 → 反馈 → 修正模型 一个人的认知水平,隐藏在这个过程中。 他看到的信息里,哪些被认为重要? 他有没有意识到信息不完整? 他能不能区分事实、推测和自己的解释? 遇到矛盾时,他修改模型,还是修改对现实的解释? 新的证据出现以后,他需要多大的代价才能承认原来的判断有问题? 换一个完全不同的领域,同一种认知结构还能不能工作? 这些东西,比一次“答对”重要得多。 三、所以 CPV 更像压力测试 真正测量认知,不能只问一个问题。 需要构造一组环境。 先给一个信息不完整的问题。 然后增加新的变量。 再提供与原判断冲突的信息。 改变其中一个约束。 甚至故意加入一个看起来非常合理、实际上错误的诱导条件。 观察一个人的认知系统如何变化。 这有点像测试软件。 我们真正关心的并非软件在一个正常输入下能不能运行,而是不断改变输入以后,它在哪里崩溃、如何恢复、边界在哪里。 认知也存在边界条件。 有些人在确定环境中表现很好,一旦信息不足就无法判断。 有些人可以处理复杂信息,却不能接受自己犯错。 有些人理解单一系统很好,却无法理解多个主体之间的利益冲突。 还有一些人能够不断重新定义问题,最终找到真正决定结果的那个硬约束。 这些差异,就是认知结构本身。 四、AI 反而让认知测量变得更重要 未来,一个有趣的现象会越来越明显: 作品越来越漂亮,识人越来越困难。 简历可以由 AI 写。 方案可以由 AI 做。 代码可以由 AI 生成。 甚至面试之前,都可以让 AI 帮你准备几十套漂亮答案。 符号层越来越容易伪装。 但有一样东西依然很难伪装: 在连续的现实反馈面前,你如何修改自己的内部模型。 因为这里不存在一句万能 Prompt。 环境一直在变化,新的信息不断进入,旧的假设不断失效。 一个人的认知结构最终会暴露出来。 因此,CPV 真正想建立的并非又一套人格测试,也不只是给人贴上一个 C1、C2、C3、C4 的标签。 标签只是压缩后的结果。 真正有价值的是标签背后的认知运行轨迹。 我们最终希望回答的是: 这个人能够理解多复杂的系统? 能够同时容纳多少相互冲突的变量? 能够跨越多大的认知差异与别人协作? 他的模型在什么条件下开始失效? 发现模型失效以后,又需要多久才能完成更新? 五、认知第一次可能成为一种可测量对象 工业时代擅长测量执行。 考试测知识,KPI 测产出,简历记录经历,职级描述职责。 AI 时代需要新的尺子。 因为当符号执行逐渐成为基础设施以后,真正稀缺的能力开始向上迁移: 理解什么正在发生,判断什么真正重要,在复杂现实中建立模型,并且持续根据反馈修改它。 过去,我们只能通过一个人的作品间接猜测这些能力。 CPV 想做的事情更直接: 让认知系统运行起来,然后观察它。 所以 CPV 最终测量的并不是一个人“聪不聪明”。 它测量的是: 当现实不断变化时,这个人究竟能运行多复杂的世界。
1
1
8
3,322
《决策动力学:不要在错误的节点做无效推动》 1858年,伦敦发生了著名的“大恶臭”事件。 此前多年,泰晤士河污染严重,霍乱反复暴发,造成大量死亡。修建现代下水道的方案早已提出,却因成本和利益协调问题迟迟无法全面推进。 直到那个炎热的夏天,泰晤士河的恶臭直接灌进英国议会。长期受阻的改革突然加速,议会迅速通过法案,授权借款300万英镑建设排水系统。 污染没有突然加重,技术也没有突然突破。 真正改变的,是问题的成本终于进入了决策者的反馈回路。 一、决策取决于成本分布 我们习惯认为,只要问题足够严重、证据足够充分,决策者就应该采取行动。 但现实中的决策往往遵循另一套逻辑。 当维持现状的损失主要由别人承担,而改变现状的成本集中在决策者身上时,拖延就可能成为局部最优选择。 即使整个系统正在持续恶化。 系统整体的损失,不会自动转化为局部决策者的损失。 这解释了为什么许多问题明明人人皆知,却长期得不到解决。 二、为什么反复推动没有效果 基层不断反馈问题,提交数据、分析原因、提出方案,决策却始终没有变化。 推动者以为证据还不够充分,于是制作更多报告,组织更多会议。 但决策者可能早已知道问题存在,只是当前的成本结构不支持改变。 继续增加证据,并不能改变这种结构。 更荒诞的是,反馈者还要不断承担推动成本,而决策者几乎没有损失。 承担问题成本的人,还要承担推动解决问题的成本;拥有决策权的人,却可以持续维持现状。 三、找到真正的决策节点 从动力学角度看,决策变化通常需要四种条件之一: 成本传递:维持现状的损失开始影响决策者。 收益变化:改变现状产生新的收益。 约束变化:外部规则或竞争使原有选择难以持续。 认知更新:决策者重新评估长期收益与风险。 因此,推动之前,需要先判断阻碍决策的究竟是什么。 信息不足,就补充信息;方案不成熟,就改进方案;资源不足,就寻找资源。 但如果问题充分暴露,方案基本明确,决策依然没有变化,就应该检查成本、收益和权责结构。 此时继续重复推动,只会增加自身损耗。 更有效的方向,是改变反馈路径,让损失进入真实的责任体系,或者寻找具备不同激励结构的决策节点。 如果这些条件都无法改变,就应该重新评估投入的价值。 四、成熟系统不需要等待恶臭 一个系统最危险的状态,是拥有大量反馈,却无法将反馈转化为决策变化。 它可以有完善的汇报机制、丰富的数据指标和频繁的会议,但只要决策者能够长期隔离问题成本,这些机制就可能沦为表演。 成熟的系统,需要让决策权、责任与真实反馈保持耦合,使决策者能够及时感知并承担决策后果。 否则,系统只能依靠危机完成被动纠错。 不要以为问题足够严重,改变就会自然发生;也不要以为道理足够正确,决策就会自动更新。 推动之前,先找到真正决定系统状态的节点,理解它的成本结构与反馈路径。 如果反馈无法抵达决策节点,再大的声音,也只是系统内部的一场空转。
5
764
《急于追责的管理本能》 看到一个帖子,星舰返航时有一块隔热瓦脱落。评论区有人建议,应该在每块隔热瓦上刻上安装工人的名字,出了问题就严格追责。令人意外的是,还有不少人表示赞同。 一块隔热瓦脱落,原因尚未调查,人们却已经找到了责任人。 这是一种非常普遍的管理本能:面对问题,第一反应是寻找谁犯了错,而非追问问题为什么会发生。 隔热瓦脱落,可能涉及结构设计、材料性能、制造工艺、安装操作、检测标准,甚至多个因素之间的耦合。任何一个环节都可能存在问题。然而,追责思维瞬间将复杂的工程问题压缩成了个人责任问题。 为什么人们如此热衷于追责? 因为追责提供了一种廉价的确定性。 真实世界充满不确定性。调查问题需要专业知识、时间、资源,还可能发现现有制度、管理流程甚至决策本身存在缺陷。而寻找一个责任人,成本低得多。 有人犯错,有人受罚,事情就有了交代。 更重要的是,追责能够制造一种管理有效的幻觉。处罚越严厉,似乎管理越严格;责任越明确,似乎系统越可靠。 但复杂系统恰恰可能因此变得更加脆弱。 当发现问题意味着承担责任,组织成员就会开始计算报告问题的代价。隐瞒异常、规避风险、转移责任,逐渐成为理性选择。 管理者试图通过惩罚减少错误,最终却可能减少了错误被发现的机会。 这就形成了一种荒诞的局面:组织拥有越来越严格的责任制度,却越来越难以获得真实反馈。 当然,工程必须具备可追溯性。每块隔热瓦由谁安装、采用什么工艺、经过哪些检测,都应该有完整记录。但记录的价值在于还原因果,追责必须建立在事实调查之上。 更值得注意的是,评论区那些支持追责的人,并没有身处相关组织,也不需要维护任何管理利益。他们只是看到一个故障,就自然而然地开始寻找应该受罚的人。 这说明,急于追责已经超越了具体的管理制度,成为一种广泛存在的认知习惯。 人们习惯把复杂系统的异常理解为某个人的失职,把惩罚理解为改进,把责任落实理解为问题解决。 这种习惯一旦进入组织,就会不断自我强化。管理者获得控制感,旁观者获得正义感,责任人承担代价,唯独真实问题可能被留在原地。 一个组织面对异常时的第一反应,往往暴露了它真正的管理水平。 如果首先追问谁该负责,那么调查很容易沦为寻找责任人的过程。 如果首先追问系统为什么会产生这个结果,才有机会发现那些真正值得修正的结构性问题。 追责可以结束一场事故的讨论,却未必能阻止下一场事故。 真正危险的,是一个系统已经失去了理解错误的能力,却依然坚信自己在严格管理。
2
9
1,162
《未来经济形势下的体感》 未来一年,中国经济可能呈现两个显著特征:分化,以及低需求均衡。 宏观经济仍然增长,但普通人的体感可能是:钱更难赚,工作更难找,生意更难做,资产更难升值。 首先是分化。 先进制造业、人工智能、出口产业继续增长,但增长未必能够充分传递到居民收入。头部企业扩大市场份额,中小企业陷入存量竞争;核心城市继续吸引资源,其他地区面临投资与人口流失。 不同人群对经济的感受,可能越来越像生活在两个世界。 其次是低需求均衡。 企业看不到投资回报,选择减少扩张;居民担心未来收入,选择增加储蓄;地方财政承压,选择压缩支出。 每个参与者都在做局部理性的选择,叠加起来却形成需求持续不足的循环。 更危险的是,这种状态可能逐渐稳定。企业习惯低利润,员工习惯不涨薪,居民习惯减少消费,年轻人习惯降低长期预期。 最直接的体感,是机会减少。 过去可以通过跳槽提高收入,通过创业寻找市场,通过资产升值积累财富。如今这些路径可能同时收窄。 跳槽意味着风险,创业意味着争夺存量,买房意味着承担资产缩水的不确定性。 于是,越来越多人选择维持现状。 与此同时,AI 和自动化继续提高生产效率,企业可以用更少的人完成更多工作。如果技术收益无法转化为居民收入,就可能出现生产能力越来越强、有效需求却持续不足的矛盾。 最深层的变化,是整个社会的预期收缩。 经济未必突然崩溃,甚至可能长期保持增长。但当企业不再期待扩张,居民不再期待收入提高,年轻人不再相信未来存在更多机会,低需求就可能从暂时现象演化为稳定结构。 当然,这仍是一种风险推演,政策和收入分配机制的改善可能改变趋势。 未来最值得警惕的经济体感或许是: 技术越来越先进,生产效率越来越高,宏观经济仍在增长,但普通人能够感受到的机会,却越来越少。 当所有人都选择保守,整个经济系统也就逐渐失去了向外探索的动力。
1
8
43
9,118
《组织是如何断掉真实反馈的》 现代组织拥有越来越完善的反馈机制:数据监控、绩效考核、问题追踪、复盘会议。但反馈机制越完善,组织接受真实反馈的能力却未必越强。 因为真实反馈意味着付出代价。 业务方向错误,需要放弃已有投入;管理决策失误,需要重新分配责任;产品存在缺陷,可能需要暂停交付,承受短期损失。 真实反馈有利于组织长期生存,却可能损害某些人的短期利益。 于是,一种特殊的管理机制逐渐形成:保留反馈的形式,切断反馈改变决策的能力。 发现问题,提交报告;召开会议,明确责任人;制定计划,设置里程碑;最终报告完成,问题关闭。 整个流程井然有序,真实问题却可能依然存在。 组织完成了管理闭环,却没有完成现实闭环。 更进一步,组织开始将反馈成本转嫁给反馈者。 员工发现问题,需要提供证据;证据充分,需要提出方案;方案提出,还要负责解决。 即使问题源于上层决策,即使员工没有足够的权限和资源,一旦无法解决,组织仍然可以质疑他的能力与责任心。 于是,发现问题的人承担成本,产生问题的机制继续运行。 当反馈的个人成本持续高于收益,沉默就成为理性选择。 组织无需禁止员工说真话,只需要让说真话的人付出足够高的代价。 员工逐渐学会筛选反馈:容易解决、不涉及责任的问题积极上报;涉及管理决策和既有利益的问题则被过滤。 管理者看到的问题越来越少,报告越来越漂亮,问题关闭率越来越高。 真实信息的缺失,反而成为证明管理有效的证据。 由此形成一个自我强化的循环: 拒绝承担反馈成本 → 真实反馈减少 → 决策模型失真 → 错误不断积累 → 纠错成本上升 → 更加拒绝反馈。 丰田生产线的停线机制提供了一个经典的反面参照。 一线工人发现异常,可以请求支援,必要时停止生产线。很多人记住了工人拥有停线权,却忽略了背后的本质。 停线意味着短期产量损失,意味着既定计划受到干扰,也意味着管理者必须立即面对问题。 丰田通过制度接受这种成本,因为让缺陷继续流动,可能造成更大的系统损失。 真正重要的,是组织赋予真实反馈改变系统运行状态的能力,并愿意承担由此产生的成本。 一个组织的演化能力,取决于三个条件: 真实问题能否被发现?反馈能否改变原有决策?组织是否愿意承担改变的代价? 现代技术已经大幅降低了发现问题的成本,但后两个条件依然受到权力、利益和责任结构的制约。 当组织拒绝承担纠错成本,甚至要求反馈者承担成本时,它就在主动破坏自身感知现实的能力。 最终,组织可能拥有越来越完善的反馈系统,却越来越无法根据现实修正自己。 组织最危险的状态,是它已经失去了感知现实的能力,却仍然通过完善的反馈流程,确信自己掌握着一切。 真正衡量一个组织管理能力的标准,是当现实证明它的判断错误时,它究竟有多大能力让现实改变自己。
3
14
1,459
企业采用会议 AI 的最大阻力,未必来自技术成熟度,而可能来自一个更根本的问题: 组织是否愿意让掌握评价权的人,也接受同样透明的评价?
3
812
过去,管理者可以靠解释已经发生的事情维持权威。 未来,管理者需要靠对尚未发生的事情作出高质量判断,并承担判断后果来证明价值。 两种能力之间存在巨大差异。
1
10
1,091
《腐败之花如何开?》 腐败无处不在。无论国家、企业,还是其他组织,只要存在权力和资源分配,就可能滋生腐败。 我们习惯于从人的道德品质解释腐败,认为是贪婪、自私、缺乏约束造成的。但如果腐败在不同制度、不同文化、不同规模的组织中反复出现,那么就有必要追问:究竟是什么系统机制,让腐败能够不断生长? 一个值得关注的起点,是指标管理。 任何组织都有目标,但真实目标往往复杂、动态、难以直接测量。为了管理,组织必须将目标转化为指标。于是,现实被压缩成数字,复杂问题被简化为可以考核的结果。 问题从这里开始。 指标只是现实的局部投影,必然存在信息损失。而只要存在信息损失,就需要有人解释:什么应该计入,什么可以排除,什么属于成绩,什么属于责任。 解释权由此产生。 起初,解释权只是管理工具。但当解释权与奖惩权、资源分配权结合,它就具有了交换价值。 同样的结果,可以被解释为成绩,也可以被解释为失误;同样的行为,可以被认定为贡献,也可以被认定为违规。 于是,组织成员逐渐发现,相比解决真实问题,影响解释者可能更容易获得收益。 行为开始改变。 有人研究如何完成指标,有人研究如何取悦解释者,有人开始交换利益。资源逐渐流向那些善于适应权力结构的人,而解决真实问题的能力反而可能失去竞争优势。 腐败便有了生长的土壤。 更深刻的是,这个过程具有自我强化能力。 掌握解释权的人,通过资源分配建立利益关系;依附者为了维持收益,又反过来维护解释者的权力。解释权不断扩大,监督逐渐失效,最终形成相对稳定的利益网络。 此时,腐败已经不再依赖某个具体的人。即使更换管理者,只要激励结构没有改变,类似的行为仍然可能重新出现。 当然,指标并非腐败的必要条件。没有指标,权力同样可以通过主观裁量进行资源分配。真正危险的,是解释权、资源分配权与私人利益结合,同时失去独立验证和纠错机制。 因此,腐败治理的关键,也不能仅仅停留在道德教育、增加指标和加强考核。 更重要的是,让权力的解释接受独立验证,让资源分配能够被追溯,让真实反馈有机会推翻既有结论。 因为腐败最适宜的环境,就是一个能够不断解释自身正确,却不必接受现实纠正的系统。 腐败之花,开在权力与现实反馈断裂的地方。
3
16
1,638
产品创新的效率,取决于企业能够在多大程度上用因果推理缩小试错空间。
1
954
中国未来可能出现一种新的城市发展逻辑:从增量建设转向存量维护,再转向有序收缩。
2
1
7
1,564
《高级文明的真正门槛》 我们通常认为,高级文明意味着更先进的技术、更强大的能源利用能力,甚至能够跨越星际空间。 但如果从文明的持久性出发,就会发现一个更深层的问题。 任何文明都无法依靠静态稳定实现永久存续。即使一个文明能够维持完美的内部秩序,它所依赖的外部环境仍然会变化。太阳终将衰老,行星环境也不会永恒。 因此,文明要长期存在,就必须不断发展技术,突破原有的生存边界。 然而,技术进步本身又会制造新的风险。 技术越强大,文明改变世界的能力越强,错误决策可能造成的破坏也越大。当技术演化速度超过社会协调能力时,文明就可能陷入失稳。 这形成了一个根本矛盾:文明为了持久存在,必须不断演化;而不断演化,又会持续冲击自身的稳定。 所以,高级文明必须具备一种关键能力:在持续技术迭代的同时,维持系统自稳,并根据真实反馈不断调整自身结构。 这要求文明拥有高度有效的信息传递、认知更新、风险控制和协调机制。 从这个角度看,高级文明最显著的特征,可能并非掌握了多么强大的技术,而是已经形成了让强大技术长期、持续、可控地演化的能力。 而人类今天恰恰面临着这个问题。 人工智能正在以前所未有的速度提升技术能力,但人类的组织结构、制度体系和认知更新速度,未必能够同步跟上。 我们已经越来越擅长创造强大的工具,却仍在学习如何协调这些工具带来的变化。 技术能力决定文明能够走多远,协调能力决定文明能否活着走到那里。 或许,通往高级文明最困难的一道门槛,就是文明能否在拥有足以毁灭自己的能力之后,依然保持持续演化的能力。
2
2
15
1,957
《教育的一个底层原则》 教育有一个非常重要的底层原则:让孩子建立自己的行为闭环,并从真实反馈中成长。 举个简单的例子。 孩子经常丢文具,父母通常会反复提醒、批评,甚至发脾气。但这些行为往往收效甚微。因为在这个过程中,孩子丢了文具,父母负责购买,父母承担成本,父母负责焦虑,孩子反而没有接收到多少来自行为本身的反馈。 换一种方式。 孩子丢了文具,可以补充,但费用从他已有的零花钱中扣除。规则提前约定,必要的学习用品仍然得到保障。 这样,反馈回路就建立起来了。 丢文具意味着零花钱减少,零花钱减少意味着能够购买的玩具变少。 接下来,最重要的一点来了:允许孩子继续丢文具。 如果孩子觉得,用零花钱补充文具完全可以接受,那也没什么问题。这是他自己的选择。 如果有一天,他觉得零花钱不够用了,想买的玩具买不起了,那么他就有了一个属于自己的真实问题。 这时候,他可能开始思考:为什么我总是丢文具?有没有什么办法可以避免? 他可能给文具贴上名字,可能养成检查书包的习惯,也可能想出父母从未考虑过的方法。 真正的教育,就发生在这个过程中。 传统教育有一个普遍的问题:父母过度接管了孩子的反馈系统。 孩子犯错,父母焦虑;孩子遇到困难,父母解决;孩子没有达到预期,父母施加压力。 久而久之,孩子学会的可能只是如何应对父母,却没有建立起自己与真实世界之间的反馈关系。 而一个人真正的成长,依赖三个环节: 自主行为、真实反馈、自我调整。 缺少自主行为,就没有真正的选择;缺少真实反馈,就无法理解行为的代价;缺少自我调整,就无法完成认知更新。 当然,这套机制需要边界。反馈必须与行为有清晰的因果关系,成本必须在孩子能够承受的范围内。对于超出孩子能力的困难,父母仍然需要提供支持。 教育也不必追求每一次反馈都立即产生改变。孩子可能反复犯错,可能暂时不在乎代价,也可能需要很长时间才能找到解决办法。 这些都是成长的一部分。 父母最需要克制的冲动,就是看到问题便立即替孩子解决。 因为父母每接管一次本该由孩子完成的反馈闭环,就可能减少一次孩子自主学习的机会。 从丢文具,到管理时间、分配金钱,再到选择职业、处理人际关系,背后都是同一个机制。 孩子终究要独立面对世界。 教育的最终成果,也不应该用孩子听了多少话、犯了多少次错来衡量,而应该看他是否逐渐具备发现问题、理解反馈、调整行为的能力。 教育的本质,是帮助孩子建立一套能够自主运行、持续迭代的系统。 当这套系统逐渐成熟,父母就可以一步步退出控制的位置。 因为真正有效的教育,最终应该让教育者变得越来越不被需要。
1
48
1
183
13,180
智能已经抵达,组织还没有准备好接收它。
3
1,058
《为什么我总说的问题定义能力、判断和责任不是空话?》 我经常说,未来人类最重要的能力,是问题定义、判断和承担责任。 很多人听到这些话,会觉得很空。因为在传统工作模式中,这些概念很难被单独观察。一个人从发现问题到完成工作,往往需要投入大量时间进行分析、沟通和执行。最终,人们习惯用完成了多少工作来衡量价值。 但 AI 正在改变这一切。 过去一年,我不断尝试把自己的工作交给 AI。最初是让 AI 写代码、分析数据、排查问题,后来逐渐把不同任务串联起来,形成能够持续运行的 Agent 系统。 现在,很多工作已经可以由 AI 自动发现异常、获取数据、分析原因、执行操作、验证结果。遇到外部条件限制,Agent 会维护任务状态,等待条件满足后主动唤醒我。 甚至构建这套系统时,我使用最先进的大模型设计架构,日常运行却可以交给成本很低的模型。 这让我越来越清楚地看到:当执行能力被大规模释放之后,究竟还有什么在限制工作的推进? 答案逐渐浮现出来。 第一,问题定义决定了所有工作的方向。 传统工作通常以任务为单位。程序员写代码,老师出试卷,运营做报表。 但这些任务为什么存在? 写代码是为了改善什么?出试卷是为了发现学生的什么问题?做报表又准备支持什么决策? 如果这些问题没有被定义清楚,AI 只会让原有工作更快地完成。 真正的变化发生在我们把工作重新组织起来的时候。 例如,教师可以不再围绕备课、出卷、批改来组织 AI,而是提出一个长期问题:如何提升某一群学生的物理建模能力? AI 可以围绕这个问题分析学生表现、设计教学活动、生成练习、追踪反馈,并不断调整后续任务。 原本彼此分离的工作,就这样围绕真实问题连接起来。 问题定义改变的,是整个系统的运行方向。 第二,判断决定了系统如何面对不确定性。 AI 可以提出假设,也可以找到大量证据。但证据是否足以支持结论,仍然需要严格校验。 现实中,我经常看到一种现象:有人先认定一个原因,再不断寻找支持它的案例。即使整体数据、时间关系都不匹配,仍然坚持原来的解释。 这类问题的危险之处,在于每个案例都可能是真实的,但拼接出来的因果关系却可能是错误的。 当组织缺乏真实结果的校验能力,完整的解释甚至可能比真实的问题解决更容易获得奖励。 AI 同样可能陷入这种机制。只要目标设置错误、反馈失真,自动化程度越高,偏离现实的速度就可能越快。 因此,判断意味着能够区分事实、假设和解释,能够识别关键约束,也能够在现实反馈面前修改甚至放弃原有结论。 判断的价值,最终体现在系统是否有能力纠正自己的方向。 第三,责任决定了判断是否真正具有约束力。 如果一个人可以随意提出目标,失败后重新解释,产生的成本全部由别人承担,那么他的判断就缺少现实约束。 责任意味着每一次重要判断都要留下依据,明确边界,接受结果检验,并承担相应的后果。 这并不意味着人必须亲自完成所有执行。 恰恰相反,AI 可以承担越来越多的执行工作,人可以将注意力集中到关键决策上。 但技术上的自动执行,并不会自动解决权力、利益和责任的分配问题。 谁有权决定?谁承担成本?谁有权修改目标?失败后由谁负责? 这些问题不会因为模型更聪明就自然消失。 所以,问题定义、判断和责任,是三个相互连接的环节。 问题定义决定向哪里走,判断决定如何根据现实调整方向,责任确保这些选择受到真实约束。 它们共同构成了一个能够持续演化的闭环。 过去,这些能力隐藏在大量具体工作之中。随着 AI 接管越来越多的执行环节,它们开始被清晰地暴露出来。 当然,AI 也会越来越擅长发现问题、提出判断,甚至校验人类的决策。人类对这些能力没有天然的永久垄断权。 但只要现实世界仍然需要有人选择目标、分配资源、承担后果,这三个环节就无法被一句“交给 AI”轻易抹去。 我相信,未来越来越多的人会沿着同一条路径走过来。 先让 AI 完成任务,再让 AI 串联工作,最后让 AI 围绕真实问题持续运行。 走到最后,他们自然会发现: 当解决问题越来越容易,定义什么问题值得解决,以及如何面对解决过程中的真实反馈,才真正决定了一个系统能够创造多少价值。 这就是为什么我反复强调问题定义能力、判断和责任。 因为当执行的成本不断下降,我们终于有机会看清,什么才是工作的根。
6
39
2,085
当真实结果无法被有效校验,而解释能够直接兑换奖励时,组织就会自发地生产越来越完整的证据链,同时失去越来越多的现实解释能力。
1
3
1,077
AI 将逐步消除人类通过隐藏知识来维持竞争优势的能力。 届时,知识本身越来越接近公共资源,而发现问题、调动资源、承担风险和持续创造新价值的能力,会成为新的竞争核心。 人类正在进入一个“答案越来越难以垄断”的时代。
2
5
38
2,537
AI 时代最值得警惕的结构性矛盾: 人类一方面希望问题得到解决,另一方面又依赖解决这些问题的稀缺性来维持自己的社会位置。 当解决问题的能力不再稀缺,整个社会就必须重新回答:人凭什么获得资源、权力与尊严?
4
2
14
1,698
《人为什么难认错?》 人为什么难以承认自己的错误? 因为在一个人的旧认知模型中,现实反馈首先被识别为异常输入,而不是模型本身的错误。 每个人都依靠已有的认知模型理解世界。模型提供解释、预测和行动依据,也维持着一个人对世界的确定感。 当现实反馈与模型发生冲突时,人通常会优先维护模型:这只是偶然情况,对方理解有问题,环境发生了变化,或者存在某些特殊原因。 这些解释能够让旧模型继续成立,也让人继续停留在熟悉的认知状态中。 真正困难的是承认模型本身可能存在问题。 因为一旦接受这一点,原来稳定的解释体系就会松动。过去的判断可能需要重新审视,未来的行动失去明确依据,而新的模型尚未建立。 这是一种认知上的失重。 旧模型虽然存在缺陷,却至少能够提供确定性。接受现实反馈意味着主动放弃一部分确定性,进入未知状态。 因此,人们常常宁愿不断为旧模型增加解释,也不愿承担更新模型的成本。 但有意思的是,一旦认知更新完成,情况就会彻底改变。 原来无法理解的现实反馈,在新模型中变成了常规输入。过去需要反复辩解的现象,如今变得理所当然。 甚至回头看时,人会觉得自己当初的固执不可思议。 这说明,认错的困难并不完全来自面子、自尊或者利益。更深层的原因,是认知系统对稳定性的依赖。 当然,异常输入未必意味着模型错误。真正重要的能力,是允许异常存在,持续观察反馈,并在证据充分时修正模型。 一个人的认知成长速度,很大程度上取决于他能够承受多长时间的不确定性。 因为每一次真正的认知升级,都可能需要先经历一段失重。 而那些始终无法接受失重的人,最终只能生活在旧模型能够解释的世界里。
1
1
1
15
1,929
《周期的本质》 经济有周期,股市有周期,产业有周期,甚至文明的兴衰也被描述为周期。 人们习惯于研究周期的长度,寻找顶部和底部,试图从历史中总结规律。 但如果再往深处看,就会发现:周期只是表象,它往往是负反馈系统发生震荡的体现。 一、周期为什么产生? 任何持续运行的系统,都需要反馈机制。 商品供不应求,价格上涨,企业扩大生产;供给过剩,价格下降,企业开始减产。 这些行为都很合理。 问题在于,反馈存在延迟。 企业看到价格上涨时决定扩产,但新增产能可能几年后才释放。等到产能形成,市场需求已经变化,原本为了纠正供给不足的行为,反而制造了供给过剩。 随后企业减产,又可能造成下一轮供给不足。 系统不断纠正偏差,却因为反馈延迟、调整惯性和纠偏过度,反复越过平衡点。 周期就这样产生了。 当然,负反馈本身可以使系统稳定。只有在特定的时滞、惯性和反馈强度下,才会形成持续或衰减的震荡。 二、为什么历史总在重复? 周期的形成甚至不需要任何参与者犯错。 经济繁荣时扩大投资是理性的,市场低迷时收缩产能同样是理性的。 但每个参与者都在根据当前环境做出决策,而这些决策汇集起来,又会改变未来的环境。 个体依据环境行动,集体行动改变环境,环境再反过来影响个体。 这就形成了反馈闭环。 历史之所以反复出现相似的现象,是因为产生这些现象的约束关系仍然存在。 只要信息不完整、决策存在时滞、参与者受到相似的利益约束,系统就可能不断重现类似的震荡。 历史没有预先设定的剧本,但相似的反馈结构会产生相似的结果。 三、周期可以被改变吗? 既然周期与反馈结构有关,改变反馈结构,就可能改变周期。 缩短反馈延迟、降低调整幅度、增加缓冲机制,都可能减少震荡。 但稳定也不一定意味着健康。 有些系统通过压制反馈维持表面稳定,偏差却在内部不断积累。直到超过承载能力,最终以剧烈的结构性调整释放。 因此,评价一个系统,不能只看它是否稳定,还要看它能否及时发现偏差、释放风险,并修正自身结构。 四、从预测周期到理解系统 理解周期之后,我们关注的问题就会改变。 过去,我们试图预测下一轮上涨或衰退什么时候到来。 现在,我们可以追问:哪些反馈正在发挥作用?哪些变量正在积累?哪些调整存在延迟?系统的平衡条件是否已经改变? 周期是系统运动留下的轨迹,反馈结构才是理解这条轨迹的关键。 一个具有学习能力的系统,还可以根据过去的震荡不断改进自身的反馈机制。 从这个角度看,文明的进步,也可以理解为人类不断提高反馈质量、降低系统性纠错成本的过程。 真正值得追求的,是一个能够更早发现偏差、更低成本完成纠正,并持续改进自身反馈机制的世界。
3
14
1,997
现代组织中大量所谓的工作成果,只是完成动作的证据,缺少产生效果的证据。 而闭环能力,恰恰体现在一个人能否持续追踪这两者之间的距离。
1
7
1,373
《民主制度的挑战》 现代民主制度正在面对一个越来越深刻的结构性矛盾:文明的复杂度不断提高,而参与公共决策的人群,其认知能力并没有同步进化。 美国是观察这一矛盾的典型样本。 作为世界上最发达的国家之一,美国拥有高度自由的信息环境、世界顶尖的大学、科研机构和技术企业。然而,这并不意味着美国民众普遍拥有很高的认知水平。 自由允许人们接触知识,却无法保证人们理解知识。一个人可以自由选择信息来源,也可以终其一生停留在符合自己既有认知的解释体系中。 现代文明还有一个特殊之处:文明的发展已经不再依赖所有成员认知能力的同步提高。 一个人可以完全不理解现代医学、金融、计算机和工业体系,却享受这些系统带来的便利。高度发达的专业分工,让大量普通人能够生活在远超自身理解能力的文明之中。 某种程度上,他们已经被排除在文明更高复杂度的运行与创造层之外。 但民主制度仍然赋予每个人平等的政治权利。 这就产生了一个问题:当社会需要处理的公共事务越来越复杂,而选民的认知能力高度异质时,民主制度如何保证决策质量? 一人一票能够保证政治权利的形式平等,却无法保证公共判断的质量。 政治家为了赢得选举,需要争取足够多的选民。而复杂的经济、产业、财政和国际关系问题,很难在有限的传播时间内得到充分解释。 于是,复杂问题被压缩成简单口号,长期结构性矛盾被归咎于某个群体,政策的真实成本被隐藏在情绪化叙事之后。 在这样的竞争环境中,善于动员情绪的人,可能比善于理解和治理复杂系统的人更容易获得政治权力。 当选举竞争奖励的能力与社会治理需要的能力发生偏离,民主制度就可能出现持续性的逆向筛选。 当然,这并不意味着取消一人一票就能解决问题。 认知能力高的人,同样可能受到自身利益、立场和权力欲望的影响。专业能力也无法自动转化为公共责任。更何况,谁来定义认知水平,谁来分配政治权利,本身就可能产生更加严重的权力垄断。 民主制度的重要价值,在于让每个人都保有约束公共权力的资格。普通人即使无法理解复杂政策的全部技术细节,依然有权决定自己愿意承担什么成本,以及希望社会追求怎样的生活。 因此,民主制度面临的真正挑战,是如何在维持政治平等的同时,提高公共决策的认知质量。 过去,现代社会通过代议制、专业官僚体系、独立机构和公共教育,部分缓解了这一矛盾。但随着社会复杂度继续上升,这些机制也面临越来越大的压力。 AI 的出现可能进一步放大这种分化。 少数具备复杂系统理解能力的人,将能够借助 AI 创造和管理过去需要庞大组织才能完成的事务。而大量普通人即使享受到更先进的技术成果,也未必能够理解这些系统,更难以判断其长期影响。 未来,文明的生产能力与普通人的认知能力,可能进一步脱钩。 这意味着,一个社会即使拥有极高的技术水平,也可能在公共决策上陷入低质量的循环。 民主制度过去主要解决的是权力如何分配的问题,未来还必须解决有限认知如何承载高度复杂文明的问题。 如果无法建立更有效的知识转化、公共讨论和决策反馈机制,那么文明越先进,政治系统与文明运行系统之间的张力就可能越大。 一个文明能够创造多么复杂的系统,决定了它的技术上限。 而它能让多少普通人理解、参与并有效约束这些系统,或许将决定它的制度上限。
1
1
1
13
1,343