公众号/小红书 西里森森 📮合作：[email protected] /微信：sirisensen 持续关注AI，欢迎同频朋友交流想法 保持热爱与好奇，这个时代需要一点好玩的东西~ 梦想是做出真正有价值的产品
上海
Joined October 2022
- Tweets323
- Following562
- Followers7.9K
- Likes218
看完影视飓风百万支票系列最新一期，我是真的佩服他们的选题，真的很大胆。
这一次，他们把镜头对准的是一个极为隐秘、充满争议，却又极其庞大的产业。
成人创作者。
这是一个很多人听过，但鲜少有人真正了解的世界，大多数人对OnlyFans的印象，应该还只是停留在猎奇、暴富和一些暧昧的新闻里。
但截至2025年，OnlyFans大约拥有500万个创作者账户和4.3亿个粉丝账户，一年向创作者支付超过60亿美元。
但你有没有想过，当一个行业不断讲述暴富故事时，究竟是谁在赚钱，又是谁在为这些故事承担代价？
视频一开始出现的，是这个行业里光鲜亮丽的少数人。
处于平台前5%的Sabrina，进入OnlyFans之前，就已经在Instagram上积累了十多万粉丝。
如今她在纽约，每月收入大约8000到1万美元，不仅还清了学生贷款，还在为将来创业积蓄资本。
她的工作当然不轻松，除了拍摄，还要每天花六个多小时与500多名粉丝聊天。
但至少在镜头里，这是一套可以持续运转的生活：拍摄、经营社交媒体、维护粉丝、赚钱，再把收入变成未来的资本。
接下来出现的Levi，更加接近很多人想象中的“成功”。
他是平台前1%的创作者，拥有30万社交媒体粉丝，开着Cybertruck，住在房车里，一边周游美国，一边工作。
他们用出众的外形吸引注意力，把流量变成了实打实的资产。
看到这里，你甚至会产生一种错觉——这套系统，好像真的给了一些人改变命运的机会。
Sabrina还清了贷款，Levi离开了看不到未来的小镇。他们用自己的外形和注意力赚钱，也因此获得了更多选择。
这恰恰是造富神话最有说服力的地方：它不需要捏造虚假的成功，它只需要把那极少数中了头奖的人，高高挂在所有人都能仰望的位置。
至于更多没有被看见的人去了哪里，很少有人追问。
所以接下来，镜头转向了Madison。
她当年18岁入行，毫无经验。在无数个「同龄女孩轻松月入数万」的刺激下，她深信这是一份能在家躺赚的工作。
第一个月，她就赚了7000美元。
这个数字给了她一个非常强烈的反馈：这条路走对了。
但这其实是给新人的短暂红利。
一开始，她只发布相对温和的内容。但当“刚满18岁”和“新女孩”的标签褪去，流量开始断崖式下跌。粉丝停止增长，订阅者陆续离开，她的收入也开始下跌。
与此同时，她不断看见同龄女孩展示更高的收入，以及与之对应的更大尺度，Madison的边界开始被迫移动。
最开始只是往前退让一点，再退让一点，等她回过神来，曾经坚守的底线已经全部坍塌。
可更大的付出并没有换来持续增长。离开行业前，她每月只能赚到600至800美元，一度在冬天无家可归，精神状态也跌到了谷底。
更令人绝望的是，账号可以一键注销，但经历无法注销。
曾经付费订阅她的熟人，在她退出之后依然用过去的方式谈论她；甚至在遭到同事骚扰向上级举报时，得到的答复却是：“既然你曾经在网上那样展示自己，又怎么能期待别人尊重你？”
最后，她搬到一个没人认识自己的城市，重新捡起了轮滑、呼啦圈和儿时的马戏梦想。
前5%和前1%的故事，当然是真实存在的成功者，但我们知道奖池有多大，却不知道一个普通人中奖的概率。
接下来节目开始挖一个更深的问题，为什么这种看似不可持续的消耗，却能形成如此庞大的商业帝国？
答案是，这个行业早已不是创作者与粉丝之间的简单交易。
一个人怎么可能同时和几百上千名粉丝维持暧昧？
于是运营公司出现了，他们拿走了30%到70%的收入分成。
镜头前提供面孔的是创作者，但在屏幕背后，负责记住粉丝情绪、爱好、职业和消费能力，并日夜倒班陪聊的，是远在菲律宾的外包劳工。
亲密关系就这样被拆成了一条流水线。
看到这里的时候，弹幕里很多人都提到了国内的直播公会和团播，背后的组织逻辑其实很相似。
年轻人先被收入和舞台梦吸引进来，再经过培训、试播和数据复盘层层筛选。谁的进场人数多，谁更容易收到礼物，哪种动作和话术能够刺激打赏，后台都会给出答案。
跑不出来的人被迅速替换，少数跑出来的人获得C位和更多资源，然后被包装成新的成功案例，继续吸引下一批年轻人入场。
但机构把许多人当成一个投资组合，个体却可能把它当作唯一一次改变命运的机会。
公司可以同时招募一百个人，让市场替自己挑出最赚钱的那一个。只要其中出现少数头部，其他人的失败就可以被覆盖。
而那个跑出来的幸存者，不再只是赚钱的工具，她更是一块活招牌，一套生产资料。
造富神话不是生意成功后的附带宣传，它本身就是这门生意继续运转的生产资料。
对粉丝，这套系统出售的是“她注意到了我”；对年轻人，它出售的是“下一个被看见的可能是我”。
一边从孤独的灵魂中榨取金钱，另一边从源源不断的新人中收割青春。两个漏斗咬合在一起，才构成了真正的商业闭环。
一门生意能赚钱，创作者也确实可能从中受益，这本身或许无可厚非。
但一门生意到底健不健康，不该只看它创造了多少百万富翁。
就像Madison最后的遭遇一样，让人痛心的是，进入这套系统的人，往往根本不知道自己将要支付怎样的代价；当她想终止交易时，才发现自己已经无法带着原本的尊严、边界和人生全身而退。
尤其是，当这套系统里被明码标价、摆上货架的商品，是人。
在很多人还在讨论 AI 会不会替代一些初级岗位的时候，更激进的变化已经开始发生了。
AI正在参与制造另一个AI。
这两天我看了NaiveAI发布的一篇技术Blog，里面就比较系统地展示了他们用AI研发AI的流程。
从注意力架构的探索，到训练、推理和部署系统的优化，大量代码实现、实验运行、性能分析和结果验证，都由AI在研究员的指导下完成。
研究员主要负责三件事：确定方向，设定约束与评价标准，以及作出关键决策。
这个方向被称为AI4AI，也就是用AI构建AI。
而且，NaiveAI已经把它落成了一套真实运行的研发流程，也在朝递归式自我改进的方向探索。研究员不再需要亲手完成每一次实现和测试，而是开始管理一套由AI深度参与的实验系统。
那么，当AI可以承担越来越多的研发和试错，人类在整个系统里应该负责什么？
1
先说一个很现实的问题：为什么AI研发需要AI参与？
今天的前沿模型，早就不是几个研究员提出一个新结构，然后把模型训练出来那么简单了。
模型架构、训练数据、算力调度、推理部署和性能评测会互相影响。一次看起来很小的改动，可能要经过多轮实验才能知道有没有效果。
更麻烦的是，局部更快，不代表整个系统更快。
比如一个GPU算子单独测试时节省了几微秒，放回完整模型之后，却可能因为增加了同步和通信，导致端到端性能下降。
这种问题没有办法只靠推理解决，必须真正修改代码、运行测试，再用结果验证之前的判断。
NaiveAI在优化NaiveRT推理系统时，就记录了一个很典型的过程。
研究员设定的目标，是提高N0.5在8张GPU上的单流解码速度，同时保证采样结果的逐位确定性。
接下来，AI参与了整网分析、候选方案实现、数值验证和多卡测试。整个过程一共记录了151轮优化实验，其中63轮被采纳，71轮没有通过验证或被回滚，另外17轮用于探索备选路线。
最终，NaiveRT在特定条件下做到了2,122 tokens/s的单流解码峰值。一轮完整投机解码的耗时，也从同一系统上SGLang的12.3毫秒降到了3.4毫秒。
所以说，AI做研发，并不是模型突然给出了一个完美答案。更接近现实的情况是，它可以不断提出方案，再用实验淘汰自己的错误判断。
研发本来就是用大量失败换少量有效结果。当失败实验也可以由AI持续完成，被降低的其实是试错本身的成本。
2
但AI只能优化自己熟悉的系统吗？
如果答案是肯定的，那它更像一个效率很高的自动化工程师，还谈不上参与研究。
NaiveAI还做了另一个实验。
一位研究员把构建世界模型的任务交给Naive-N0.5-Flash，只提供目标、算力预算和评测协议。之后的方案设计、模型训练、评测和结果分析，由N0.5持续推进，并根据实验结果决定下一步尝试。
世界模型并不是NaiveAI原本积累的主要研究方向。
N0.5最初从复现FlowWAM的公开方案开始，在常规方向提升有限之后，它开始调整研究路径：重写视频描述、扩充和筛选训练数据，并测试不同的帧采样与训练配比。
有些尝试确实有效，有些看起来搜索空间更大的方案，结果反而更差。
更值得注意的是，AutoWM后续的提升并不全来自训练。
N0.5发现WorldArena的部分指标不需要真实参考视频也能计算，于是开始利用这些信号选择输出，并调整后处理策略。
经过累计400小时的研究和15轮主要实验，AutoWM按照WorldArena-1 Track 1的公开协议测试，取得77.43分，高于当时榜单上已公开的最高成绩73.64分。
这个成绩说明，在目标和评价标准清晰的情况下，AI已经可以参与一段相对完整的研究过程。
但它也暴露了AI4AI一条很重要的边界。
AI很擅长优化一个明确的指标，可这个指标能不能代表我们真正想要的能力，仍然需要人来判断。如果评价体系设错了，执行能力越强的AI，只会越高效地把方向做偏。
3
Naive-N0.5-Flash本身，也在为这种长时间的研发任务做准备。
它以开源的MiMo‑V2.5 base为起点，把原有的全局注意力层替换为DeepSeek稀疏注意力，并通过滑动窗口注意力与稀疏注意力的组合，降低百万token上下文中的计算和访存开销。
这里最关键的变化，是AI从完成一个步骤，开始参与一段持续反馈的流程。
过去，很多AI编程工具交付的是一段代码；现在，模型开始继续追问：代码运行了吗？性能提高了吗？新的修改有没有破坏原来的约束？下一轮应该试什么？
Naive-N0.5-Flash展示的，正是这种趋势的早期形态。
研究员提出问题、设置边界、建立评价体系，AI则把更多想法变成可以验证的实验结果。
而当执行和试错越来越便宜，真正稀缺的会变成好的问题，以及判断结果是否可信的能力。
给大家分享一个很有意思的东西。
前两天，一个朋友在群里发了一段机器人在服装店做导购的视频。
视频里，机器人先在门口迎宾，带顾客进店。一位顾客拿起一件浅蓝色风衣请它介绍，它引导顾客扫码识别商品、讲解面料特点
然后，又根据身高体重推荐尺码，最后指引她去自助收银台。
整个过程非常流畅，仿佛跟一个真人客服打交道。
看完以后我去搜了一下，背后的这套交互能力来自一家公司——魔珐科技，它推出的魔珐星云主要是做端到端具身交互智能平台。
之前大家聊具身智能，焦点基本放在它能不能干好体力活上。
但最近几个月，很多从业者的关注点开始发生明显的转移。
大家慢慢发现，机器人的四肢打造得再发达，如果连最基本的人际沟通都做不好，它依然无法真正融入人类社会。
而魔珐星云正好在补的，就是行业目前极度缺乏又非常关键的这一课，教机器人怎么真正地理解人并服务人。
1
现在的机器人研发基本分化成了两条路线。
我们平时热搜上最常见的那种，是机器人跑步、搬运、叠衣服、操作工具。
这些能力更接近具身任务智能，重点是让机器人在物理世界里把一件事做出来。
而魔珐星云主攻的是具身交互智能，是当机器人开始面对人的时候，它能否感知对方、理解意图、自然回应，并根据现场变化继续行动。
目前资本都在疯狂追捧任务智能，却忽略了服务陪伴这个极其庞大的刚需蓝海。
尤其像展厅讲解、门店导购、公共咨询、老人和儿童陪伴这些场景，存在大量围绕理解、交流、回应和陪伴产生的需求。
试想一下，当机器人未来进入养老机构或者特殊儿童教育中心，它首要的任务可能不是搬运重物，而是听懂对面那个人的喜怒哀乐。
这些需求，正在让具身交互智能成为一条值得关注的方向。
两条路线没有高低之分，一个更偏任务，一个更偏交互。而未来的机器人，很可能需要把两类能力逐步结合起来。
2
但为什么现在有些机器人表演动作很流畅，一进入自由对话却容易卡壳？
一个常见原因是，交互系统往往由多个模块串联：先把语音转成文字，再交给大模型理解，然后合成语音、驱动动作。
这种方案能完成基本对话，但现场一旦有人插话、换问题，或者环境发生变化，等待感、衔接不顺和声音动作不同步的问题，就更容易被人感受到。
魔珐星云给出的解法，是端到端具身交互智能。
它不是把几个模块简单接在一起，而是把多模态感知、智脑、多模态表达、行动和用户反馈，统一到一套实时交互 Runtime 中。
这里的核心，是“持续在场”。
机器人一边回应，一边继续感知现场；智脑结合自身身份、企业知识和任务，判断该查什么、下一步该做什么；随后再通过语言、语气和肢体动作进行表达。
在接入相应业务系统和机器人能力后，它还可以继续完成信息查询、访客登记、移动、导航或带路等任务。所以你中途插话、换问题，或者现场发生变化，系统也能根据新的反馈继续理解、判断和响应。
多模态感知—专属智脑—多模态表达—行动，不再是四段各做各的，而是在同一个闭环里持续配合。
这就是端到端具身交互智能放在真实场景里的价值：不只让机器人答对一句话，也要让整段互动更统一、连续、自然。
3
值得一提的是，星云还支持智能体和承载它的物理身体身体解绑。
同一个智能体不必只绑定一种硬件，它的身份、知识、记忆、任务、Agent和业务能力可以持续存在，承载它的“身体”则可以是AI屏、移动屏、AR/VR设备，也可以是机器人。
这其实解决了很多企业遇到的尴尬问题，有些企业花大价钱做了一个手机客服，等需要在线下展厅放一块大屏时，又得重新开发一套系统，不同设备之间的智能完全不互通。
但在星云的架构里，同一个企业讲解员，可以运行在展厅的AI屏上，也可以接入移动屏或机器人。更换终端后，它的企业知识和业务能力仍然可以继续复用，只是获得了不同程度的感知、表达和行动方式。
不管外在的躯壳怎么变换，它的那个专属智脑始终都在。它的知识记忆和业务能力在持续积累进化，只是在物理世界里不断获得了更加丰富的感官和行动载体罢了。
4
回头再看，具身智能赛道里更容易被看见的，往往是机器人能跳多高、搬多重、完成多复杂的动作。
但它能不能看见你、听懂你，能不能被打断、接上上下文，并在对话之后把服务继续完成，同样会影响它能否真正走进日常场景。
相比工厂搬运、家务劳动这些热门方向，展厅讲解、门店服务、公共咨询、老人和儿童陪伴等需求，过去没有得到同样多的讨论。
而这背后，可能正是一片尚未被充分看见的市场：机器人不只替人干活，也可以承担服务、交流和陪伴的角色。
要走进这些场景，它首先得学会面对一个真实的人。
魔珐星云正在做的，就是把感知、智脑、表达和行动放进同一个持续交互闭环，让智能体通过不同的身体进入真实世界。
让机器人学会干活很重要，让它学会面对一个真实的人，同样重要。
推荐瑞·达利欧最新一期深度访谈，信息量巨大。
这期节目刚上线不到两周，播放量已经破400万。当然，这期访谈能火，很大一部分原因还是瑞·达利欧本人。
他是全球最大的对冲基金之一的桥水基金创始人，累计给投资者赚了大约530亿美元。
但真正让达利欧出名的，是2008年那场全球金融危机。
当时标普500暴跌将近40%的时候，大量投资机构损失惨重，他的基金反而赚了9.5%。更早之前，他就警告过度借贷可能引发系统性危机。
也正因为这样，当他在这次访谈里说，AI已经出现了经典的泡沫特征，很多人的第一反应不是反驳，是想知道他究竟看到了什么。
但整场访谈听下来，我觉得最重要的，是他全程反复提到的一条线索：
AI正在改变财富的流向。
1
访谈一开始，主持人问达利欧，我们是不是正处在一个AI泡沫里？
达利欧没有急着给出一个涨跌判断，而是先讲了20世纪20年代的故事。
那是一个技术爆发的年代，汽车开始普及，普通家庭第一次用上电灯和冰箱，广播与飞机也进入大众视野。
所有人都知道，这些技术会改变未来。
后来也确实改变了，可这并没有阻止1929年的崩盘。
同样的事情也发生在互联网时代。
互联网不是骗局，今天几乎所有人的生活都建立在它之上，但一家企业代表未来，不等于它在任何价格上都值得购买。
这句话放到今天仍然成立：AI是真的，AI泡沫也可以是真的，技术不断进步，与市场过度兴奋并不矛盾。
很多人看到AI越来越强，就觉得AI公司的估值一定会继续上涨。可技术回答的是它能做什么，价格回答的是人们已经为这件事付了多少钱。
达利欧在这里提到了一个特别关键的区别：财富不是钱。
一家AI公司融资5000万元，市场却给了它10亿元估值。创始人因此拥有了巨额财富，但那主要是股份的账面价格。只有卖出股份，财富才会真正变成可以支付账单的钱。
市场好的时候，人们可以拿股份抵押，借来的钱又会推高资产价格。
等到利率上升，或者投资人突然需要现金，过程就会反过来。大家开始卖资产，价格下跌，抵押物随之缩水，原本看起来很坚固的财富会迅速消失。
泡沫真正危险的地方，不是有人在屏幕上亏了一笔钱，是资产价格下跌后，公司开始削减成本。
一个人少花的钱，会变成另一家公司的收入缺口。市场里的恐慌，最后会落到普通人的岗位上。
2
但这场访谈最关键的部分，是达利欧谈到了另一个问题。
AI创造的财富，到底会流向哪里？
首先我们要认清一个现实：技术创造出来的钱，肯定不会自动平均落到每个人手里。
AI可以让整个社会更富，却也可能让一部分人的收入变得更不稳定。
问题不是AI会不会创造财富，它当然会。
真正的问题是，这些新增的财富最后会属于谁？
在瑞·达利欧看来，AI创造的财富，会更容易流向资本家。他的解释如下。
工业革命以来，机器一直在沿着人的身体向上替代。
最早替代的是体力，拖拉机代替农民在土地上劳作，流水线接管了大量重复动作。
现在，这条线已经来到了大脑，AI开始处理写作、分析和部分推理工作。
以前一家企业赚到100元，需要拿出很大一部分支付工资。现在，同样的业务可以由更少的人配合AI完成。
企业收入没有减少，人工成本却可能下降。省下来的部分不会凭空消失，它更可能进入利润，最后流向持有公司股份的人。
这才是AI时代真正重要的财富变化。
它不一定表现为所有人突然失业，更常见的情况是，一个行业仍然在增长，身处其中的普通人却没有明显变富。
生产率提高了，工资只增加一点，资产价格却涨得更快。
一个人会使用生产工具，与拥有生产工具带来的收益，是两码事。
一个人用AI把一天的工作压缩到四小时，如果公司因此减少招聘，那么省下的成本首先属于公司。除非这个人能借此进入更高价值的岗位，或者拥有一部分业务成果，否则他只是帮助组织变得更有效率。
所以AI时代的差距，可能不只发生在会用AI的人和不会用AI的人之间。
更大的差距，会出现在参与分配的人和只领取固定工资的人之间。
3
主持人接着问，如果一个年轻人没有多少存款，也没有可以投资的资产，他该怎么办？
达利欧回答，你唯一的资产就是自己。
一个人的收入，不只取决于他会什么，还取决于市场愿意为这种能力付多少钱。
同样是开车，网约车司机和为高净值客户服务的专职司机，出售的是相近的技能，价格却完全不同。
同样擅长沟通，在低利润行业处理日常协调，与在高价值交易中参与关键谈判，得到的回报也不会一样。
技能的价值从来不是固定的，而是由所处的场景决定。
这不意味着每个人都要创业，而是需要想办法让收入逐渐靠近成果，不是永远只按投入的时间定价。
你可以进入更需要判断的岗位，也可以积累可复用的作品。只要你对最终成果拥有更强的议价权，AI带来的效率才更可能成为你的收益。
4
对谈最后又回到了一个很实际的问题：既然泡沫可能破裂，现在应该做什么？
达利欧的答案是，不要试图预测那个精确的时点。
与其把未来押在一次判断上，不如让自己在判断错误后依然能够生活。
其实整场访谈里，达利欧谈分散投资，表面上说的是股票、现金和黄金，背后其实是同一个词：选择权。
有一笔能覆盖生活的应急资金，你就不必在市场最低点卖出资产。拥有可以迁移的能力，公司裁员时，你也不至于只能等待。
选择权无法让人躲过所有周期，但它能减少被迫做决定的次数。
AI时代也是一样。当机器开始参与脑力劳动，单纯出售时间会越来越被动。
未来最稳妥的位置，未必是离AI最远的地方，而是让AI提高你的产出，同时让自己保留对一部分成果的所有权。
很推荐大家有时间可以看下这期访谈。我觉得瑞·达利欧很厉害的地方在于，他总在追问同一件事：一个变化发生以后，钱会从哪里来，又会流到哪里去？
重点不是结论，是他的思考问题的方式。
最近仲树采访诺兰的那个视频，应该不少人刷到。
真的好久没有听过这么酣畅淋漓的对谈了。十七分钟的深度访谈，聊诺兰的新片《奥德赛》，一天之内在外网拿到千万播放。
有很多海外观众看了以后，甚至在评论区反思自己国家的媒体和公共文化出了什么问题。
刚好我也是「独树不成林」播客的听众，看她前两天也分享了一期对诺兰采访的复盘，讲了一些访谈背后的故事。
她之所以有这个机会去采访诺兰，是因为之前做了一期讲荷马史诗《奥德赛》的节目，刚好被环球影业的人看到了，于是发来邀请。她看完首映第二天，就直接去采访诺兰了，只拿到了15分钟的时间采访。
但就是这么一个十几分钟采访，在外网爆火后，很多西方观众看完之后的第一反应都是：
为什么我们自己的媒体做不到这样？
1
诺兰这次拍的《奥德赛》改编自荷马史诗，讲特洛伊战争之后英雄奥德修斯十年归家的故事。
仲树开场就抛出了一个很尖锐的问题。
她说，荷马所处的时代是一个上升的时代，荷马的基调是赞颂性的，也是胜利的。而你的基调显然并非如此，你是否是一位为迟暮文明歌唱的吟游诗人？
诺兰没有否认。
他提到，荷马写的那场战争，其实发生在他出生前四百年。而荷马同时代的希腊人看到古代宫殿留下的巨石城墙，觉得只有巨人才造得出来，管它叫「独眼巨人之墙」。
也就是说，他们虽然处在上升期，但心里清楚地知道，过去曾经有过一个自己够不到的高度。
这种感受，就好像我们现在看到敦煌壁画、故宫的榫卯结构，心里多少会冒出一个念头：我们好像做不出这种东西了。
并非技术上达不到，而是那种投入几十年只为做一件事的心气，好像断了。
诺兰说他拍完《奥本海默》之后，对文明崩溃这件事产生了一种挥之不去的兴趣。
《奥本海默》讲的是人类造出了一个可能终结自身的武器，《奥德赛》讲的是那个终结已经发生之后，一个人怎么在废墟上往回走。
两部电影连着看，其实是同一个问题的一体两面。
2
那到底什么导致了文明的崩溃？
这就回到了诺兰那句话。
他在改编过程中越来越着迷于一个古希腊概念，叫「宾客之谊」，希腊语写作 xenia，在电影里他简化成了「宙斯的律法」。
意思很简单：好好对待出现在你面前的陌生人，因为你不知道他是谁。
在古希腊人的信仰里，任何一个陌生人都可能是乔装的神，所以你必须以你希望被对待的方式去对待他。
用西方的说法，叫黄金法则。诺兰说，这条法则不是一个道德建议，而是文明的地基。你把它抽掉，上面的一切都会塌。
比如《奥德赛》里有一群求婚者，在奥德修斯离家期间强行住进他的宫殿，吃他的、喝他的。这些人做的事情，就是破坏了宾客之谊，把别人的好意当成了可以无限透支的资源。
诺兰说，后面发生的所有灾难，根源就在这里。
3
不过这场对谈最精彩的部分，是仲树追问的另一个问题。
她问：我们是不是生活在一个要求伟大为自身道歉的时代？
荷马歌颂英雄的时候会直接唱，奥德修斯聪明、勇敢、坚韧，荷马把这些品质当作值得仰望的东西呈现给听众。
但今天你要是在一部电影里这样塑造一个人物，观众的第一反应不是仰望，而是警惕。关于伟大的故事，是否依然必须是一则道歉的故事，必须要求主人公忏悔、反思和自我批判？
诺兰承认，这是今天做叙事必须面对的现实。他甚至直接说了，我们必须为伟大道歉，否则观众就会拒绝接受这种伟大。
但他接着说了一层：这套机制可以被识别，并不意味着它已经失效。
其实我这两年就发现，我们这个时代特别流行一种姿态，就是解构。
你分析出一部电影为什么让你哭了，用了什么配乐、什么剪辑节奏、什么叙事套路，然后得出结论——它在操纵我。
言下之意，既然我看穿了，它就不管用了。
但诺兰说，这是当代批评的一个根本缺陷。你能解释一个故事为什么打动你，不等于它没有打动你。理解机制和被机制影响，是两件完全可以同时发生的事。
这个观点已经远远超出了电影的范畴，因为知道和做到之间隔着一整个人性。
仲树在复盘里也谈到了这一点。
她提到，采访破圈之后，古典学者Emily Wilson批评诺兰对原作的处理，电影评论者们忙着指认叙事套路，每个人都在借这场对话证明自己的观点，但很少有人在认真听对话本身在说什么。
识别出创作机制，不等于理解了作品。
4
对谈最后，仲树问了一个很轻的问题：诸神到底是什么？
诺兰说，对那个时代的人来说，诸神不是一种信仰选择，而是唯一可用的解释框架。
看到雷鸣闪电，他们的反应不是「我选择相信这是神的旨意」，而是除此之外别无解释。
然后他加了一句：就像我们把科学告诉我们的东西当作绝对事实一样，我们自己并没有真的去验证过地球是圆的，我们只是接受了这个被呈现给我们的事实。
每个时代的人都生活在一套叙事框架里，我们以为自己看到了真相，但我们看到的，是被框架过滤之后的版本。
仲树接了一句：就像超级英雄之于现代人。
这一句让整场对话形成了闭环。荷马用诸神帮古希腊人理解世界，诺兰用蝙蝠侠和奥本海默帮我们理解世界。
叙事的外壳一直在变，但内核没变，每个时代都需要自己的故事，来回答那些回答不了的问题。
这场采访值得被更多人完整地看一遍。
如仲树在复盘里最后说的，两个把彼此当做能够思考的人来对待的人，在有限的时间里认真地谈论了一部作品。
在今天，这样的对话已经成为一种奢侈。
不知道大家有没有刷到，前段时间特别火的斯坦福商学院的对谈，叫View From The Top，专门请各行各业最顶尖的人来聊天。
六月底，他们请来了Anthropic的联合创始人兼总裁Daniela Amode。
当时她在台上被学生问到职业背景，她的回答是：如果你翻我的简历，你大概会想，这个人到底擅长什么？不是计算机科学家，本科读的英国文学。
但一个文学专业毕业生，却联合创办了当今全球最重要的AI公司之一。
在她看来，跨学科的好奇心和持续学习的能力，是一种被严重低估的品质。而且看完整期对话你会发现，她聊的东西其实跟我们每个人选择职业方向时的底层逻辑有关。
1
我们现在谈到职场竞争力，是不是都很喜欢用「专业对口模型」衡量？
就是你学什么，最好就干什么。学计算机的去写代码，学金融的去投行，学法律的去律所。
专业和岗位之间有一条默认的对应关系，偏离这条线就叫转行，转行就意味着从零开始，你前面的积累全打了折扣。
但Daniela的职业轨迹，走的是一条完全相反的道路，我们可以称之为「能力迁移模型」。
2009年，她大学毕业，拿着文学学位进入就业市场，刚好赶上金融危机最惨的时候。
最开始，她去做了国际发展和全球健康，后来去国会山参与政治竞选，再后来回硅谷加入了只有四十个人的Stripe，在那里待了将近六年，然后跳到OpenAI，最后出来创办Anthropic。
每一步看上去都跟前一步没什么关系，但实际上，每一步她都在积累同一组东西：如何在完全陌生的领域快速建立理解、如何跟高度专业化的人协作、如何在资源有限的情况下推动事情往前走。
专业对口模型关注的是你带了什么标签进来，能力迁移模型关注的是你在每一站攒下了什么可以带走的东西。
你用哪个模型理解自己的竞争力，会直接决定你面对新机会时的反应：是觉得自己不够格，还是觉得完全可以试试？
2
Daniela在对谈里讲了自己刚到OpenAI时的故事。
因为她学的是文科专业，当时她身边围着的全是讨论神经网络和Transformer的研究员，她一句也听不懂。
如果换做很多人，第一反应要么是焦虑，要么是退缩。
但她做了一件听起来很简单、但很多人都做不到的事：不停地问问题，问到自己真的理解为止。
其实这两年，我自己也观察到一个在职场上很普遍的现象——越是在高手密度大的环境里，人越不敢提问。
因为提问这个动作暴露了一个很多人不愿意别人看到的东西：我现有知识的边界。
但好奇心这个东西的运作方式，恰恰是反过来的。你越愿意暴露边界，你的边界扩展得越快。
不提问的人看起来什么都懂，其实知识结构一直停在原地；持续提问的人短期内看起来什么都不会，但他们的认知地图一直在长。
Daniela说她在Anthropic招人的时候，在最优秀的候选人身上反复看到的特质组合是：好奇、愿意学、想要产生影响。
注意，不是学历，不是专业，不是几年经验。
所以，好奇心之所以被很多人低估，很核心的原因是它不可量化。但它确实会渗透进你做的所有事情的质量里，尤其是那些没有标准答案、需要你自己去定义问题的事情。
3
但Daniela能在一个技术密集型公司里，发挥这些所谓软实力的前提，是她非常清楚自己能力的边界在哪。
她说，要知道自己的赛道，也知道别人的赛道。她说她大概没办法训练GPT-2或者GPT-3，但她能做很多研究员不擅长的事，关键是理解自己在整个生态里的位置。
这个观点其实对很多文科专业背景的朋友很实用。
这一点非常重要，因为它直接决定了好奇心到底是一种优势还是一种幻觉。
如果一个人只是什么都感兴趣、什么都学一点，但从来没有在任何一个方向上形成足够深的能力壁垒，那他不是一个好奇的通才，他只是一个什么都不精的人，市场不会因为你涉猎广泛就给你付溢价。
真正有效的模式是：在某个维度上建立足够深的能力根据地，然后用好奇心不断向外辐射，把其他领域的认知嫁接过来。
Daniela的根据地是组织管理和跨部门协调，这是她在Stripe六年磨出来的。在这个基础上，她的好奇心才有了着力点，才能在AI这个完全不同的领域里转化为实际的贡献。
4
对谈中有人问Daniela，AI时代什么人类技能会变得更重要？
她举了一个例子，现在我们雇医生，很大程度上是在为诊断能力付费。
你不舒服了去看医生，其实是花钱让一个人告诉你可能哪里出了问题。但AI在诊断这件事上会越来越强，可能很快就会超过大多数人类医生。
那医生这个职业会消失吗？
她觉得不会。因为有一组研究表明，患者跟医生关系好的，临床效果就更好。原因可能是医生更愿意多跑一步、多做一个不那么常规的检查。
而这种人和人之间的信任和关注，AI目前做不到。
这个观察背后，是当执行层面的工作被AI大量接管之后，人和人之间那些不容易被标准化的东西，比如信任、理解、协作中的微妙判断，价值权重会急剧上升。
这恰恰是所谓文科训练在做的事。
阅读文学作品，很大程度上就是在不断练习一件事：进入一个跟你完全不同的人的视角里，去理解他为什么做了那个选择。
这种训练出来的共情力和理解力，在效率为王的时代看起来没什么用。
但在AI把效率问题解决了大半之后，它可能反而成了最稀缺的那一层。
对谈快结束的时候，主持人问Daniela如果重来一次会选什么专业。
她说大概还是文学，理由只有一句：我喜欢读书。
她的每一步都是主动选择的，每一步都有真实的投入和产出。这种人在任何一个时间截面上看都不像传统意义上的优秀候选人，但把时间拉长，他们反而是最难被替代的。
给大家分享一个很好玩的东西。
起因是这样的，今天一个朋友给我甩了个链接，让我打开摄像头，然后随便选一个角色图片试试。
我打开之后选了一张阿尼亚的图，对着镜头晃了一下。
屏幕里的我瞬间成了阿尼亚，而且是完全实时的，丝滑到像在照一面来自另一个次元的镜子，几乎感受不到延迟。
这个东西叫 Xmax X2.0，一个做实时交互AI视频的模型。
我又玩了几个其他功能，包括用手指在屏幕上划一下让一张静态的猫动起来、对着桌上的手办打开摄像头让它在镜头里活过来，还有一个自由模式，随便打一句话就能让自己眼睛发射激光。
玩了一下午以后，我感觉这个模型背后的思路和当前AI视频主流打法完全不同。
1
其实我们回过头看，过去两年，AI视频赛道非常热闹。
尤其从Sora出来之后，大量团队涌入到文生视频方向，卷画质、时长、人物一致性，目标是让AI生成的视频越来越像电影。
这个方向服务的核心用户主要是专业创作者，画面精度越来越高，但使用方式基本上没变过，底层其实还是生产工具。
但问题在于，这条路上挤满了选手，而且最终能服务的市场是有天花板的。
但Xmax走了一条完全不同的路，因为他们的方向，是尝试让所有人都能玩视频。
2
其实我们和视频之间的关系，几十年来几乎只有一种：看。
不管是电影、短视频、直播回放，我们能做的事情就是播放、暂停、快进，没有办法伸手进去改变画面里正在发生的事情。
当然，游戏可以。
但游戏需要提前把所有可能性都用代码写死，开发成本极高，场景也是封闭的。
Xmax X2.0 在做的事情，用一句话说就是：让视频变得像游戏一样可以被操控。
不需要提前写代码，因为画面都是AI实时生成的。
如果说以前的视频模型比的是谁生成得更好看，那X2.0比的就是谁能让用户更快地参与进来。
这是完全不同的两条赛道。
3
但让用户参与进来是一回事，技术上能不能做到是另一回事。
我去了解了一下他们的技术路线，发现这里面有一个很关键的架构选择。
目前主流的视频生成模型，工作方式类似于下载一个完整的文件再播放。模型需要把整段视频全部算完，你才能看到结果。
这种方式天然就做不了实时交互，因为你必须等它算完。
但Xmax用的是逐帧自回归生成，类似于流媒体。边算边播，每一帧都是根据你当前的操作实时生成的。
这就是为什么你在镜头前动一下，画面能毫秒级跟上。
这个思路说起来简单，实现起来却有一个业内公认的不可能三角：速度、成本、画质。
你拉高速度，算力成本就会飙升，普通用户根本用不起。
你压缩成本，画质就塌了，效果不能看。
他们的做法是通过多阶段蒸馏、量化压缩等一系列工程优化，让模型在单张消费级显卡上就能跑起来。
画质也从上一代的480p拉到了960p、24帧。在保持实时的同时，达到了用户消费体验的及格线。
还有一个让我有点意外的点：这个模型已经能在iPhone上本地运行了，这是一个可以在端侧实时交互视频生成模型，不依赖云端。
这也意味着，这项技术理论上可以进入每一台手机。
4
但对一个商业公司来说，能不能落地才是真正的分水岭。
AI行业这两年有一个很明显的现象：很多团队的技术demo做得非常惊艳，但找不到明确的商用场景。
但我去了解了一下，X2.0非常不一样的地方在于，它的能力组合几乎可以直接插入现有商业链路，不需要等行业教育。
举几个场景。
以服装电商为例，消费者对着手机摄像头就能实时试穿任何衣服，不用等商家做3D建模，不用去试衣间。
还有直播场景，主播可以一键切换成任何动漫形象，观众发弹幕就能实时改变主播的造型和场景。
还有虚拟陪伴、智能眼镜、手机动态壁纸、IP潮玩活化，每一个方向单独拉出来都是一个完整的商业场景。
价格方面，他们的API定价大概是同类竞品的十分之一。
这意味着不管你是做电商的、做游戏的、做社交的，接入成本都低到了可以大规模铺开的程度。
5
我去了解了一下这个团队的背景。
创始人史佳欣，核心技术团队来自清华KEG实验室和HCI实验室。
KEG就是孵化出智谱的那个实验室，基本上是国内大模型领域含金量最高的研究组；HCI是人机交互方向，这个组合一边是大模型基座能力，一边是怎么让人和机器更自然地互动。
公司其他核心成员来自字节、阿里、华为，做过基础模型也做过C端产品和游戏。
这也解释了为什么他们没有去卷文生视频的画质竞赛，而是选了实时交互这条更难但离用户更近的路。
因为做过C端产品和游戏的人会知道，普通用户更需要的，应该是伸手就能用的东西。
6
AI视频这个赛道，正在出现一个分叉点。
一条路继续往影视工业化走，服务专业创作者；另一条路往消费级互动走，降低门槛，让普通人能直接上手。
两条路并不矛盾，但面对的市场规模完全不同。
对比短视频的发展史，早期也是专业团队在做内容，后来有了简单的拍摄和剪辑工具，创作门槛被拉下来之后，整个市场才真正爆发。
X2.0 能不能成为那个把门槛拉下来的产品，现在下结论还太早，但当视频不再只是用来看的东西，很多行业的玩法都得跟着变。
很推荐大家可以亲自上手试一下，光看文字描述，确实很难感受到那种实时变化带来的冲击。
Ever wondered if one day you'd wake up as a character from Chainsaw Man, or sharing a candlelit dinner with Gojo Satoru from JJK?
Every motion you make seamlessly embodies their presence in our world.
Introducing Xmax X2.0, a model that opens the door to a fully interactive, live-editable reality.
Let’s Play the World through AI.
Try the live demo and access the API: platform.xmax.ai
See X2.0 in action ↓
作为一个日更AI博主，有很多朋友都问过我一个问题：你是如何保持这么高强度的每日输出的，有没有什么技巧？
那今天也想把我自己平时经常用到的一些小方法来跟大家分享一下，给大家提供一点灵感。
先分享一个我这半年观察到的很有趣的现象：
有很多想要做内容的朋友之前来找我咨询过，他们中有很多人其实都尝试过主动对外输出一些内容，但最后都没坚持下来。
他们自己分析出来的主要原因有两类：
1、懒。
2、没灵感、不知道写什么。
但我跟他们聊着聊着发现，他们其实聊到一些话题的时候都很有想法，但就是每次坐在电脑前就不想打字。
我自己其实也有这样的经历，比如跟朋友聊天的时候，可以滔滔不绝说一大堆，但要把同样的内容写成文章，就突然卡壳。
所以我现在非常喜欢用SaySo这类的语音输入工具，也非常推荐有比较高频内容输出的朋友可以试试这类工具。
这里顺便说一下，其实市面上也有不少免费的语音转文字工具，我基本都试过。
但大部分免费工具只能做到「转写」，就是你说什么它写什么，SaySo不一样的地方在于，它不只是转写，而是会帮你去口癖、理逻辑、整理结构，输出的内容基本可以直接用。
下面，给大家分享几个我日常输出内容最常用的方法👇
1
第一个方法，是我平时写长文整理思路最常用到的。
这个思路是我之前从小红书上刷到的，让AI来扮演采访者角色，通过提问来帮我梳理思路。
怎么做呢？
第一步，用SaySo语音口述Prompt让AI扮演采访者。
我会在常用的AI工具里说：我希望写一篇关于某某主题的内容，但我希望你先采访我，把我脑袋里的一些想法挖出来，然后基于我的想法、跟我聊天时的内容以及相关信息，把这篇内容写出来。
SaySo会自动帮我把这段口述整理成一条清晰的Prompt，直接发给AI。
第二步，AI提问，我用SaySo语音口述回答。
AI会基于采访者的逻辑问我一系列问题。
比如你的创作平台和内容类型是什么？你在创作中遇到的最大痛点是什么？你是什么时候开始尝试语音输入的？能给我讲一个具体的使用场景吗？
每个问题，我都直接按快捷键唤起SaySo，用语音口述回答。说完之后SaySo会自动整理好文字，我直接发送就行，整个过程完全不用打字。
这个过程中，AI的提问会启发我，让我联想到一些之前遗漏了的点。
第三步，AI整理成文章初稿。
几轮对话下来，AI已经收集了足够的素材，它会基于我的真实表达生成一篇有血有肉的文章初稿。
因为全程是用SaySo口述的，我的表达更自然、更有个人风格，不会写成AI味很重的内容，最终能让我写出更有深度、更有个人特色的内容。
一个小技巧是，SaySo支持单次最长5分钟的语音输入，所以不用担心说太长。而且识别速度很快，基本上是实时转写，延迟几乎感知不到。
2
第二个场景，就是我日常会用Claude Code或者Codex跑一些做素材收集的任务，一个比较复杂的需求可能要跑十几分钟。
以前就只能干等着，切到别的事情又不放心，隔一会就要回来看一眼进度。
SaySo有一个我特别喜欢的功能叫Agent会话助手，它可以在灵动岛上实时显示AI助手的工作进度。
你把任务丢给Agent以后，可以放心切去做别的事，Agent的进展会一直在灵动岛上跳动，不用一直盯着终端窗口反复切回去确认。
这里还有一个小彩蛋，SaySo有一个宠物扭蛋功能，可以抽一只专属的小宠物，让它常驻在灵动岛上，很适合每天需要高强度输出的创作者，非常能够提供情绪价值。
3
第三个方法，是跟朋友线上聊天的时候，我会积累很多关于AI产品测评相关的灵感。
我日常很喜欢跟身边的朋友聊AI产品相关的话题，但我打字的习惯就是想到哪说到哪，非常零碎。
但现在，我都是直接按快捷键说我的想法，想到什么说什么。
SaySo把我说的话自动转成文字，还会分段、加小标题，让整段内容变得结构清晰。
这些内容我几乎不需要修改，直接发送就行。
这里说一下，SaySo有两种核心模式。
一种是Normal Mode，它会帮你去掉口癖，然后做一些基础的语义优化，输出的文字比你说的更干净。日常回消息、记录灵感用这个模式就够了。
另一种是Smart Mode，这个模式会对你说的内容做深度改写，包括逻辑重组、表达优化，也支持多语言翻译。
比如你用中文口述一段话，它可以直接帮你输出英文版本。
比如，有时候要回一些海外产品的邀约邮寄，我就会用开SaySo的Smart Mode，用中文讲一些我大概的意思，然后SaySo会直接输出了一封措辞得体的英文邮件，只需要不到2min。
4
第四个方法，是日常做一些灵感记录。
作为一名内容创作者，最怕的就是灵感稍纵即逝，所以我现在做法是，随时随地按快捷键直接说出来。
因为SaySo是全局语音输入，不管你当前在用的是Notion、Word，甚至你在Codex里写代码，按一下Fn键就能唤起，不需要切换窗口。
比如我刷到某条资讯，突然有了想法，我会立刻口述：Hey SaySo，针对这个选题从三个角度写。
SaySo会自动整理成清晰的大纲，我后面只需要基于这个框架展开就行。
5
第五个场景，是会议记录。
我平时偶尔也会参加一些线上的选题会或者产品沟通会，以前都是边听边记，现在我会直接开SaySo的会议记录功能，它可以实时记录会议内容，而且能通过声纹识别区分不同的发言人，知道谁说了什么。
会议过程中我还可以随时标记重点，会后SaySo会自动生成一份结构化的会议纪要，按时间段梳理出每个阶段主要讨论了什么内容。
这样出来的不是一大坨文字转录，而是一份结构清晰、可以回溯、能区分发言人的智能会议纪要，省了我大量整理时间。
如果你也想做一个自媒体博主，并且想要保持高强度日更的话，非常建议试试这种用语音创作的方法。
SaySo现在有30天的免费试用，感兴趣的朋友可以体验一下。
给大家分享一期关于权力心理学，很有意思的对谈。
「你的权力，其实是租来的。」
这是好莱坞历史上最有权势的经纪人迈克尔·奥维茨，在《The Knowledge Project》访谈里提到的一个核心观点。
比如你有时候会发现，有些人还在某个位置上的时候，可以呼风唤雨；而一旦离开那个位置，一下子就不行了。
我们通常习惯用「人走茶凉」解释这个现象。
但在奥维茨看来，权力这个东西，其实根本不存在。权力是转瞬即逝的，它就像一份租约，有一个封闭的到期日的。
聊权力这个话题之前，我们可以先简单了解一下这期嘉宾的背景。
奥维茨在上世纪七八十年代创办了CAA经纪公司，巅峰时期掌控了行业70%的市场份额。斯皮尔伯格、保罗·纽曼、罗伯特·雷德福、马丁·斯科塞斯，好莱坞你叫得出名字的大咖，几乎都是他的客户。
一个站在权力顶峰的人跟你说权力不存在，你可能会有何不食肉糜之感。
但看完这期内容，你会发现他聊的话题跟我们每个人的职场处境都有关。
1
你如何理解权力？
其实很多人对权力的理解，是一种「所有权模型」。
比如你当了总监，或者你管200人左右的团队，这个权力就属于你了。
但在奥维茨的逻辑框架下，权力是「租赁模型」。
你的职位、你的资源、你说话的分量，全都是租来的。租约的续期条件从不是你过去有多辉煌，而是你现在还能不能持续创造价值。
一旦你无法继续创造价值，权力租约就到期了，而你什么都带不走。
而你用哪个模型理解权力，会直接决定你经营职业的方式。
选择所有权模型的人，会把所有精力花在维护地位上，他们关心头衔、排名、被多少人尊重，因为害怕失去。
用租赁模型的人，会把精力花在持续积累上。
他们关心的是自己的能力是否增长、解决问题的能力是否提升。他们不害怕位置变动，因为他们知道——真正值钱的东西不在那把椅子上。
2
奥维茨在访谈里讲了一个真实的故事。
有一次，他跟保罗·纽曼（美国好莱坞传奇影星，也是奥斯卡影帝）在一家餐厅吃饭，奥维茨帮纽曼挡掉了很多来要签名的人。
然后，他问了纽曼一个问题：所有人都跟你说你是有史以来最伟大的，你有世上最好看的眼睛，你比轮子的发明还重要……你自己怎么消化这些？
纽曼想了想说，我其实不信这些。但是时间一长，它真的会慢慢渗进来，会开始想，嗯，也许他们说得有点道理？
连保罗·纽曼这种段位的人，都会被外界的声音慢慢同化，那普通人呢？
这种认知腐蚀会像温水煮青蛙一样，一点一点地把外部的评价变成你内心的自我认知。很多人其实并不是因为失去权力才失败的，而是误以为权力属于自己，才在环境变化时毫无准备。
奥维茨观察到，大多数人失败的第一步，是开始相信那些关于自己的、不太真实的东西。
比如把平台赋予你的势能，误认为是自己的动能。
3
那问题就来了：如何让这份租约续得久一点？或者说，怎么在租约到期之后，你依然是一个有价值的人？
奥维茨的做法里有一个特别反直觉的逻辑，就是把团队协作当成对冲风险的手段。
他在CAA的时候做了一个当时非常激进的改革，打破了好莱坞维持了七八十年的传统：不再让一个客户只对应一个经纪人，而是每个客户都配一整个团队来服务。
他们内部也有一条规矩：同事之间互相回消息的优先级，要排在客户前面，客户要排在外部买家前面。
这意味着权力被主动地分散了，没有任何一个经纪人可以说这个客户是我的；客户对其中一个人不满意了，马上有另一个人接上来。
结果就是，在奥维茨整个在任期间，CAA没有流失过一个客户。
如果你用所有权思维来看，奥维茨做了一件特别蠢的事，他把自己本来可以独占的客户关系，分给了一群人。
但如果你用租赁思维来看，他做了一件极其聪明的事，因为他用权力的分散换来了体系的稳定。
当权力不绑定在任何一个人身上的时候，整个组织反而变得更强韧了。
核心是：降低组织对任何个体的依赖，同时提升整个体系的信任度和信息质量，这本质上就是在延长权力的租约。
不是通过让自己变得更强势来延长，而是通过让整个系统变得更健康来延长。
4
还有一点，就是把失败当成一种可复用的资产。
访谈里有一段很有趣的故事。之前，奥维茨去伦敦吃了一顿午饭，席间有个中年人说自己的公司刚破产了，解雇了800人，觉得太丢人了，准备躲起来。
奥维茨直接问他：你是故意搞破产的吗？对方说不是，是市场周期出了问题。
奥维茨说那你有什么好丢人的？失败是一枚勋章，我们都失败过。你摔了一跤，爬起来继续跑就行了。别人说你闲话，那是因为看到你倒了他们心里舒服，跟你有什么关系？
这个故事最后的结局是那个英国人取消了搬家计划，重新开了一家公司。
这个故事其实点出了一个很多人不愿意面对的问题：我们对失败的恐惧，本质上是对权力租约到期的恐惧。
公司没了，头衔没了，别人会怎么看我？
但如果你本来就知道这些东西是租来的，租约到期就到期了，你的恐惧会小很多。因为你知道你的价值不是由那些外在标签定义的。
5
在访谈的最后，主持人问奥维茨：对你来说什么是成功？
他的回答非常精彩。
他说，成功对他来说就像修拉的点彩画。
你看修拉的画，你一英寸、两英寸的画布，什么都看不出来。直到画面展开到三四英尺的时候，你才看到完整的图像。
在奥维茨看来，我们的人生就是由无数个小点组成的，当这些点拼出了一幅对的画面，你就算成功了。
太多人把自己的整个价值感押在某一个头衔或者某一次晋升上，他们看到的永远只是一英寸的画布，所以会在那个点消失的时候觉得天塌了。
但在点彩画的框架里，每一个点都只是全局的一小部分。丢了一个点不影响大局，关键是你有没有在持续地、往对的方向上增加新的点。
这是权力租约最长效的续约方式：让自己永远具备坐到下一把椅子上的能力。
经营好这些，租约到不到期，其实没那么重要了。
大家前段时间应该有刷到，之前一个非常火的美妆博主程十安，改名姜乘澜回归了。
当然，姜乘澜也是她的本名。虽然是沉寂了三年回归，但仅发了几条视频，全平台迅速涨粉千万。
我当时首页有个博主就在感慨，姜乘澜她是真的天命IP。
她像是一个成功卡了系统脖子的人，公司能拿走“程十安”这个名字，但拿不走她这个人，复出后发几条视频直接重回巅峰。
本来觉得互联网上的博主换了一批又一批，尤其她还是断更三年，很多人可能都已经忘了她了，但没想到她个人魅力可以这么大。
当时底下有条评论，说得很好。
「要活得更像人，才不怕被AI取代。」
这其实也是我最近看到人类学家项飙在一次访谈里提到的观点。
他原话是：大家现在怕AI，怕被AI取代工作，其中一个很大前提是，我们太像AI了，所以AI才取代你。
现在这就逼着你必须要更像人。
这个观点让我醍醐灌顶，因为背后的逻辑是：如果一件事能被轻易替换，说明它本身，就是可替换的。
就像我这段时间和朋友经常交流的一个问题。
以写作为例，现在大家都可以用AI来写文章，互联网上AI生成的内容的占比几乎盖过纯人工手搓的内容，我们对此感到悲观。
但是，反过来想，如果AI能把你取代掉，是不是说明你原来写的文章本身就没有太大价值？
1
我们是从什么时候开始像AI的？
其实从毕业到工作这两年的时间里，我一直在反复思考这个问题。我从上班以后，感觉自己每天都很忙，一天到晚有数不清的事情要做。
我一直觉得，我是一个目标明确、执行力非常强的人，所以从不觉得这样的生活又什么问题。我可以问心无愧地在每一年年末，给我这一年的辛苦画上句号。
但每当家人问我最近过得怎么样，我的回复永远是，我最近有点忙。
但在访谈里，项飙把这种状态叫做「悬浮」。
悬浮，不是说你游手好闲、无所事事。恰恰相反，悬浮的人往往非常忙，他的原话是这样的。
「你永远在做的事情本身对你没有意义，因为做这个只是为了下一步，到了下一步又是为了下下一步。」
这是一种恐惧驱动的忙，怕慢下来就被落下，所以做的每一件事，都只是通往下一件事的跳板。
在优绩主义的裹挟下，考试是为了文凭，文凭是为了工作，工作是为了跳槽，跳槽是为了升职……每一个当下，都只是工具，从不是目的本身。
而你对自己正在做的事，从来没有真正投入过。
细思极恐的是，这种状态，和一个AI处理任务的逻辑几乎是一样的。输入指令，执行程序，产出结果，清空缓存，等待下一条指令。
没有在场感，没有真实的情绪，没有投入，也没有「这件事本身是否值得我好好对待」的判断能力。
2
什么叫活得有活人感？
汉娜·阿伦特在1958年写过一段话，现在读起来像是某种预言。
她说，真正的人类活动分三个层次：最底层是维持生存的重复劳动；中间是创造持久事物的工作；最高层是人与人之间真实发生的一切，也就是她说的「行动」。
她警告的是，现代社会正在把所有人类活动都往最底层压，用效率和产出替代意义和行动。而这种降格，不是机器造成的，是人自己在做选择时不断让渡的结果。
那怎么找回来？
项飙在访谈里提到了一个他这现年观察到的一个现象，很多人对自己的处境了解得非常精细，对手机上远处的危机也充满情绪，但中间那一层，比如邻居是谁、食物从哪来、街角那家小店的老板经历过什么——都是完全空白的。
电梯是现代城市里唯一可能碰到邻居的地方，但所有人都在看手机，哪怕没有信号。四目相对会让人觉得尴尬，要赶紧错开。
而当你对周围的人和事没有真实的感知，你和这个世界的连接就只剩两个极端——自己的处境，加上屏幕推送的遥远事件。
而中间那一块，是完全消失的。
米兰·昆德拉曾经在《慢》里写过，慢的程度和记忆的强度成正比，快的程度和遗忘的强度成正比。
比如，跑步者永远在场于自己的身体，感受水泡与疲倦，感知自己的重量与年龄；而驾摩托车的人，则在速度中失去了对自身的感知。
AI是极致的速度，无记忆、无身体、无在场；而人的记忆、意义、感受，都需要慢下来才能生长。
3
我们是从什么时候开始，默认效率是衡量一切的尺子？
项飙说了一句乍一听非常之荒诞，但细想又很准确的话：
「活得长，其实是一件非常低效率的事。」
因为如果以效率为最高标准，四十五岁就离开这个世界是最合理的选择。我们在最有生产力的年纪产出最多，之后不再消耗资源，但显然没有人会觉得这叫好的人生。
但我们在日常生活里，却一直在用效率这把尺子量很多事情。和朋友坐下来聊聊天，是消遣，发一会儿呆，是浪费时间。
只有那些可以被量化、可以被展示的输出，才叫真正有价值的事。
但人类学家格雷伯指出了一个残酷的事实：幼儿园老师和护理员，工资是最低的；导致金融危机的那些做衍生品的银行家，工资是最高的。
越接近真实人性的工作，越不值钱；但越抽象、越可量化的工作，越值钱。
我们在这个体系下把它的逻辑内化后，开始用同样的标准要求自己的时间和生命。
但人本来不是这样运作的。
4
什么工作不会被AI取代？
越接近人的工作，越不会被取代。因为这是一种真实的连接，它要求你自己首先是一个有体验、有感受的人，才能建立起来。
正如那句，如果AI能取代你，说明你原来做的那些事，本身就没有太大价值。
当你的工作越来越接近机器可以完成的事，你对这件事的不可替代性就越来越薄。
MIT斯隆管理学院2025年发布了一个框架，叫EPOCH，列出了AI最难复制的五种人类能力：同理心、在场感、判断力、创造力、希望感。
研究还发现，近年新增的工作任务，这五种能力的含量明显高于消失的那些任务。
时代正在走向一个新的方向，把更多的人性空间留出来，但只有那些真正住在这个空间里的人，才能承接它。
AI时代最讽刺的地方在于，它逼着我们回到一个最古老的问题：做一个人，到底意味着什么？
未来的公司，可能只剩下最后两个岗位......
这两年，关于AI抢人类工作的讨论，我看了很多。
不过，大部分讨论的焦点，好像都放在哪些工作容易被AI取代。
这个问题并非没有意义，但这个问题背后有一个隐藏的假设，即：工作的价值，主要来自于执行。
当AI能执行大部分工作的时候，对应的工种就消失了，比如程序员、设计师、翻译......
面对大部分岗位好像都可以被AI取代的未来，很多人的心态都是焦虑、甚至悲观的。
但我最近面对这个问题，换了一种思考方式。
1
先说一个冷知识。
computer这个词，最早指的是人，而不是机器。
二战时期，美国军队里有整整一批女性雇员，她们的职务就叫做computer，也就是计算员，一个房间里好几十个，每天的工作就是算数字。
后来电子计算机，比如如 ENIAC的出现，才把那一整个房间的人替换掉了。
这些人的工作消失了吗？当然。
但人类并没有因此变得没用，而是开始操作那台机器，让它解决新问题，让它创造更大的价值。
再后来，软件出现了，操作机器的工作也被简化了，人又变成了写程序的人。
现在AI Agent出现了，它可以帮人来写程序了。
每一次的技术进步，都会替代掉一层人的工作，然后人往上走一层，去做那件技术还做不到的事。
在这个不断往上走的历史里，每一次人"往上走"，其实都是在往一个方向走——
离问题本身更近，离人更近。
最早的computer是在算数字，那是最远离人的工作；操作计算机的人，开始需要理解自己在解决什么问题；写程序的人，需要理解用户在想什么。
而当AI接管了越来越多的执行，剩下来的那个工作，就是「真正理解问题」的工作。
技术的进步，在把工作里所有不需要理解的部分一层一层剥掉，露出最核心的那个东西：
你究竟有多懂你在解决的问题，以及，你有多懂需要被帮助的那个人？
2
Replit的CEO Amjad Masad，最近在和一位投资人对话时，提到了他的看法。
在Amjad看来，未来的公司到最后会只剩两个岗位，一类是builders，另一类是销售，但并非传统意义上的销售。
先说builders，这并非传统意义上的程序员，而是发现问题，然后用AI去解决问题。
理解用户需要什么，判断什么值得做，把目标说清楚，最后让AI去执行。
比如，Replit内部有一个实验性团队，没有固定的产品线和KPI，需要做的事情就是在公司里到处走，发现哪里有问题就直接用AI解决掉。
他们去找客服团队聊，知道工单排优先级很混乱，就做了一个可视化系统；去找HR聊，知道新员工入职找不到信息，就做了一个内部知识平台。
未来公司里，越来越多的人应该会变成这样的角色。不是等任务，而是主动到处发现问题，然后创造解决方案。
另一类人，并非传统意义上的销售，而是能跟别人建立信任，更像是教育者的角色，带着知识去帮别人开窍。
比如，Replit的销售团队进到客户公司，第一件事不是讲产品功能，而是帮客户看清楚自己的问题，再展示用AI工具可以怎么解决。
他们的角色，应该偏向于帮别人看见机会，带着理解和知识去对话，而非单纯推销。
因为，当技术壁垒越来越低，剩下的，是人与人之间的信任。
很多人面对重要的决策时，还是希望和真实的人交流，而信任，也是需要人来建立。
3
但这两类人和我有什么关系？我不想做销售，也不懂技术，我该怎么办？
其实这两个岗位并非是确切的岗位名称，而是一种生存逻辑。
未来不会被淘汰的，要么是能帮别人建立信任、带来新认知的人，要么是能发现问题、调动资源去解决问题的人。
他们必须要是某个领域最了解问题的人，要对真实场景有深度理解。
当AI把技术门槛拉低到足够低的时候，领域知识加上会用AI工具，就成了新时代的核心竞争力，谁对问题看得更深、谁更能找到那个值得解决的需求。
还有最重要的一点，不要放弃。
AI的能力大概每六个月就会有一次大的跃升，今天做不到的事情，可能过三个月再试就完全不一样了。
而且，了解AI在往哪里走，能判断什么趋势要来了，这件事本身已经成了一种核心能力。