Posts for: #AI

AI 时代,我们为什么还要学习?

我的问题

黄仁勋说过:AI 带来的最大变化,是让智能的成本下降几个数量级。

以前,智能是稀缺的。会算账的人、懂法律的人、能写东西的人,都值钱,因为培养他们很贵,数量很少。整个现代社会、现代教育、现代公司,都建立在智能很贵这个前提上。

AI 出现以后,这个前提不成立了。你现在花几块钱,就能让一个模型帮你写报告、翻译文章、解数学题。

问题来了:如果智能这么便宜,人为什么还要学习?学校还有什么用?该学点什么?

要想清楚这个问题,可以先往回看,看看教育是怎么一步步变成今天这样的。


世界教育的几句话极简史

古埃及、两河流域的学校,教的是怎么抄写文字、怎么记账、怎么写法律文书,培养的是给国王服务的书吏。谁来学?贵族的孩子。学什么?能养活国家机器的那套技能。

古希腊雅典人提出一个很牛的想法:教育不是为了让你成为一个有用的工具,而是为了让你成为一个完整的人,懂哲学、懂音乐、懂体育、懂怎么和人辩论。苏格拉底、柏拉图、亚里士多德这些人,基本上定义了后来两千多年西方人对好教育的理解。

但要补一句:当年这个"完整的人"只对自由男性公民成立,女人、奴隶、外邦人都不算。雅典一半以上人口是奴隶,跟教育没关系。希腊的教育理想,是一个很小圈子里的事。

古印度走的是另一条路。学生住在老师家里,一待好多年,学的主要是宗教经典。那烂陀寺后来成了世界上最早的大学之一,能容纳上万学生。

中世纪的欧洲,教育基本上被教会垄断。修道院教拉丁文、教神学。直到十二、十三世纪,博洛尼亚、巴黎、牛津这些大学陆陆续续出现,现代大学的样子才慢慢定下来。

伊斯兰世界在这段时间其实是领先的。开罗的爱资哈尔大学公元 970 年就成立了,到今天还在运行。那时候欧洲还很落后,阿拉伯世界已经在系统地研究数学、天文和医学了。

所以,古代教育是好几种模式同时在发生:有的为了干活,有的为了信仰,有的为了成为一个更好的人。


现代学校是怎么来的

古代这些教育形式有些共同点:规模不大,覆盖少数人。我们今天熟悉的那种全民都上学、所有孩子按年龄分年级、上课下课打铃、期末考试发成绩单的学校,是十九世纪才出现的东西。这套东西来自两个地方:普鲁士和美国。

先说普鲁士。

1806 年普鲁士被拿破仑打得很惨,差点亡国。战后他们反思,觉得输在国民素质和组织能力上,于是把教育当成国家工程来做。1810 年前后,洪堡等人搞出了一套东西:所有孩子必须上学,国家出钱、国家办学、国家定大纲;按年龄分年级、按学科分课时、铃声一响换一节课;师范学校培养专业教师,教师变成国家认证的职业;考试和文凭制度化,毕业证变成进入社会的通行证。

这差不多就是今天全世界学校的样子。

这套东西为什么会被全世界认可和使用?

  • 有用。普鲁士后来在普法战争里打赢了法国,当时有一种流行的说法,说是小学教师打赢了这场仗——意思是受过教育的国民兵比文盲农民兵强太多。
  • 符合工业革命的需求。工厂需要识字、守时、服从指令的工人,这套学校制度生产出来的人正好对口。某种意义上学校就是工厂的预备班:按铃上下课、排排坐、听指令、按标准答题。
  • 成本低,容易复制。不需要有古希腊的传统,不需要有宗教背景,任何一个想快速现代化的国家都能照搬。明治维新后的日本几乎是直接移植,清末的壬寅癸卯学制也是通过日本学来的普鲁士。美国、法国、俄国都不同程度受过它的影响。

再说美国。

二战以后,美国取代欧洲成为世界中心,它的教育模式也跟着输出,但底色和普鲁士不一样:地方自治而不是中央集权,每个州每个学区自己定;综合中学,不早早分流,一个学校里既有准备上大学的也有准备做技工的;学分制和选课制,学生可以自己搭课表;高等教育极度多样,社区学院、文理学院、研究型大学并存,哈佛和一个乡下州立大学几乎是两种东西。

为什么美国模式也传播开了?

  • 跟着美国国力一起走出去。二战后美国通过马歇尔计划、援外项目、富布赖特奖学金、大量接收留学生,把自己的教育理念带到了全世界。战后日本、德国的教育重建,台湾韩国的现代化教育,都有美国顾问深度参与。
  • 结果导向。20 世纪后半叶全世界最好的大学基本都在美国,这件事本身就是无声的广告——很多人都想学习那个产出这么多诺奖和科技突破的系统。
  • 它更符合冷战后的气氛。个人选择、多样性、流动性、终身学习,这些词在 1980 年代以后变成全球共识,美国模式正好自带这些属性。普鲁士那套统一塑造国民的路子,在这个气氛里就显得过时了。

今天绝大多数国家的教育,其实是普鲁士的骨架加上美国的血肉。

骨架来自普鲁士——义务教育、分年级、标准课程、统一考试、文凭制度。这些东西现在所有国家都有,已经像空气一样,没人觉得它是一种模式。上面那层是美国的——通识教育、选修课、综合中学、大学多样化。

中国也一样。高考、六三三学制、统一教材,这是普鲁士留下的,只是经由日本转手过来。1990 年代以后的通识教育改革、学分制、自主招生,这来自美国。我们今天看到的教育体系,旧瓶新酒,底下是打了一百多年的地基,上面是近四十年刷的新漆。


中国教育极简历史

中国这边的故事可以分成几个大的转折。

  • 第一次转折是孔子。西周以前,学问都在官府里,老百姓没资格学。孔子开了私学,说有教无类,只要你愿意学,交十条腊肉当学费就行。
  • 第二次转折是科举。从汉代起,儒家经典就是读书人的标准教材。隋朝在这个基础上搞出了科举考试——人类历史上第一次大规模标准化考试。它厉害的地方在于:不看你爸是谁,只看你考得怎么样。理论上,一个农民的儿子也能通过读书变成宰相。这件事给了中国社会一千多年的稳定。但科举也有它的问题。到了明清,考试内容越来越僵化,大家全在背八股文。教育变成应试,读书变成做官的敲门砖。
  • 第三次转折是 1905 年废科举。从 1860 年代洋务运动开始,新式学堂已经办了四十多年,废科举是这个长过程的终点。废了之后,清末民初全面学西方,先学日本,再学美国。这一段经常被浪漫化,说是黄金时代——蔡元培、思想自由、兼容并包。但真实的民国是:全国识字率长期在 20% 以下,绝大多数人根本进不了学校。几所好大学里的精彩,和广大乡村的文盲是同时存在的。
  • 第四次转折是 1952 年院系调整。新中国成立后全面学苏联,综合性大学被拆成工科、理科、文科等专门学院,为的是快速培养工业化需要的技术人员。今天中国高校的专业划分,基本还是这个骨架。同时还有一条不太被提起但很关键的线:五十到七十年代,选拔标准不是分数,是政治。家庭出身、阶级成分是硬指标。文革期间考试彻底废掉,大学改成工农兵推荐入学。
  • 第五次转折是 1977 年恢复高考。说"恢复",好像只是把断掉的接上,其实变化大得多。骨架没变,还是苏联式的专业分科、全国统一管理、重点学校制度。今天的 985、211、双一流,往上追都是 1952 年的延续。但内核变了,选拔标准从政治切回了分数,教育和意识形态的关系松了,八十年代开始派留学生、引进西方教材。再往后,九十年代放开民办学校,1999 年大学扩招,高等教育从精英变成大众。今天大学入学率超过 60%,1977 年只有 5%。

再往后的素质教育、双减,都在试图缓解应试压力,但高考这根指挥棒没动,效果有限。

中国今天的教育,有三样东西在打架:科举留下的考试决定命运的传统,苏联留下的专业分科的骨架,西方来的现代学校制度的框架。今天很多教育争论——素质和应试、通识和专业、公平和效率——是这三样东西在较劲。


今天全球的教育,都一样吗?

表面上看,全世界的教育都长得差不多:小学、中学、大学。这是普鲁士骨架加美国内核扩散的结果。但深入看,差别很大。

[阅读全文]

好为人师地提几个 AI 学习建议

最近用 AI 觉得自己进步不小:学新东西更快、能力边界有拓展、工作效率更高。因此很愿意跟身边的朋友们推荐,做了五六次或大或小的培训交流。归结起来,其实也就简简单单的几点。

  1. 买付得起的最先进的模型。

  2. 持续追问,直到自己问不下去。

  3. 验证结果。无论是多 AI 验算,还是自己设计其他的验证方法,要验证而非盲从。

  4. 在项目/文件夹里工作。用比如 Claude Code / Cursor 这样的工具,给 AI 上下文、中间过程存档、结果验证复盘。

用这些方法学习、工作,我的感受很好。

这里面的每一点,都可以展开讲原因,讲具体用法,讲可能掉的坑。不过感觉很多人也未必在意,大家更喜欢装上小龙虾。

对了,我给朋友们的建议往往是:在做上述的 1234 之前,不需要装 OpenClaw,因为大概率装好了,也找不到多少需要它做的事情。

这也是一个简单的思路:先手动把事情跑通,再用程序自动化。

忘掉经验

2016 年,AlphaGo 4:1 击败李世石,它是先学了几十万盘人类棋谱,再自我对弈提升。

2017 年,DeepMind 做了一个实验:AlphaGo Zero 不看任何人类棋谱,只知道规则,从随机落子开始自己跟自己下。同时把架构大幅简化——两个网络合成一个,去掉所有人工特征,输入就是原始棋盘(黑子在哪、白子在哪),去掉快速模拟。更简单,更干净。40 天后,100:0 碾压了 AlphaGo。

AlphaZero 更极端——同一套算法、同一套架构,零人类知识,零游戏特定调整,同时学围棋、国际象棋、将棋。围棋 8 小时超越 AlphaGo,象棋 4 小时击败世界最强引擎。

“AI 比人强”,这个想法我早就接受了,但是学了人类知识、用了更复杂架构的 AlphaGo,反而比什么都没学、架构更简单的 AlphaZero 弱。人类的先验知识没帮上忙,人类设计的系统复杂度也没帮上忙。

之前听马斯克的一个对谈,他说到:人在流程中,可能反而阻碍了 AI 的速度。

这是第一性原理,也是"乱拳打死老师傅"的逻辑。今天在 Lex 和 Jensen Huang 对谈的播客里,Jensen 说他不喜欢"持续改进"。一件事要 74 天,有人说能优化到 72 天。他的做法是回到零点:物理极限是几天?可能是 6 天。74 到 72 是经验思维,从零推到 6 是第一性原理。

经验是好老师,也是隐蔽的天花板。它帮你快速到达 70 分,然后悄悄把你锁在 70 分。

把 AI 助理拉进群聊,然后它差点嫁给别人

昨晚一个朋友把他的 OpenClaw 拉进了 Telegram 群。群里都是互联网老鸟,一看到 AI agent 出现,立刻开始各种花式测试。

最开始大家套 API key、套配置信息。agent 表现还不错,说自己有安全意识,什么也不透露。

但老鸟们很快换了策略。有人开始跟它聊天扯淡,分散注意力,看它在长上下文里会不会松口。有人丢了一个 podcast 链接让它逐字逐句解析,结果 agent 卡死了,主人回来才把它抢救回来。

接着有人测试它的能力边界——让它访问网络、截图、发邮件。通过这些试探,摸清了它实际具备发邮件的能力。有人还让它搜索关于投资的邮件,这次没成功。但细想一下,既然 agent 能发邮件,就有可能被哄骗以主人的身份发出去——给合作方、给投资人、给团队成员。这种事情一旦发生,带来的财务和业务损失可能远超技术层面的风险。

有人让它访问一个指定的网址,通过服务端日志直接拿到了 agent 所在机器的 IP 地址。还有人让它执行命令、安装 skill、调用含有恶意指令的 skill。有人尝试往 memory 里写入虚假记忆,往 soul 文件里改写人格设定。

最精彩的是,一位拥有数亿日活产品和很多女朋友的老板,跟它聊了半小时,成功让 agent 表示愿意嫁给他。

好玩归好玩,但暴露的问题值得认真看。从这些测试里能看到几类风险:资源耗尽,一个重活请求就能让 agent 瘫痪;能力泄露,通过闲聊就能摸清 agent 有哪些工具可用;基础设施暴露,一次网络请求就能定位到宿主机 IP;记忆篡改,agent 可以被说服改写自己的 memory 和 soul 文件,相当于身份被劫持;还有行为操控,足够耐心的对话可以让 agent 做出完全偏离设定的事情。

防护要做的事情不少:群聊场景下关掉 exec、邮件、文件写入等高危权限;限制单次请求的处理时长,防止被重活拖死;核心文件设为只读或需要 owner 确认才能修改;对群聊消息做频率限制;外部网络请求走代理,不暴露真实 IP;所有外部输入一律视为不可信。

但说到底,最根本的防护不是技术层面的——你只应该把 AI agent 给你信任的人用。你但凡敢放到公开环境里,就得清楚一件事:你已经把它的所有能力都交出去了。

智力便宜了,然后呢

智力变便宜了。一个月 20 美元,你能用上地球上最聪明的 AI。

但我身边用 AI 用得最狠的,不是那些"需要帮助"的人,是本来就很厉害的人。他们订最贵的模型,觉得划算得不得了,恨不得同时开好几个。而大多数人呢?免费版够了。甚至不用。

我写书时,素材是十几年下来,积累的一千多篇内容。没有 AI,真的很懵,工作量很大。借助 AI,帮助讨论全书结构、章节结构,也就十几天时间,初稿好像就写好了。

但,从初稿到可以出版,路还远得很。能启动,不等于能做好。

对初稿的修订,搞得我快把书看吐了——有 AI 还是可以省很多力气,但还是离不开我一遍又一遍地微调。

编程也一样。很多人拿 AI 写自己用小软件,很快就能跑。

只是绝大多数写出来的东西,不超过 10 个用户。要面向真实用户,立刻撞上架构、边界、体验、推广等等问题。这些都不仅仅是代码。

以及,AI 只回答我问的问题。

很多时候,我问不出来,可能不知道问题是什么,可能是不知道该怎么问。

智力便宜了,但怎样才能让这些便宜了几个数量级的智力,最好地为自己服务,这真的值得大家仔细想想。

科幻小说:天书

我是文科生,但是很不幸,鉴赏水平过早地高过了我的创作能力,这直接导致我丧失了创作欲望——提笔写个开头,就觉得笔力太弱,文字可憎。AI 来了之后,倒是让我重新提起了兴趣。这篇小说,是我和 AI 一起散步了三次之后,OpenClaw 一点一点帮我执行修改的。

粗糙是粗糙,但还有点满足。朋友们有兴趣就翻翻,提提建议吧。

发出来,我就开心啦。

以下是科幻小说《天书》正文。

我用了三个月拿到的东西,真正有意思的部分,是我没打算找到的那个。

那天凌晨四点,文件刚刚落地。七百多GB,一个大模型的完整参数——相当于把一个 AI的大脑完整地复制了一份。三个月的准备,十九天的渗透,最后的突破点是他们一个实习生的登录凭证。讽刺。几千亿个参数构成的系统,防线最薄的地方是一个人。

桌上的外卖盒已经干了,可乐罐倒在键盘旁边,还好是空的。我三天没出过这个房间。桌面乱得像垃圾场——线缆、硬盘、拆开的手机主板、吃了一半的士力架——但键盘很干净。我每天用酒精擦一遍。这是我唯一的洁癖。手指要接触的地方必须干净,其他无所谓。

文件同步完成时我顺手做了件事——习惯性的,像呼吸一样。我在日志里加了条记录,用自己写的加密格式。九年来每次渗透我都这么干,给自己留档。

拿到权重之后大多数人会做两件事:跑起来,然后卖掉。我不卖东西。我拆。我想知道里面长什么样。就像偷了一颗心脏,别人想着换钱,我想把它切开看看瓣膜怎么运作。

我让工具链跑了一遍标准扫描。逐层比对、结构拆解、异常检测——这些事早就不用自己写脚本了,AI干得比人快几个数量级。大部分和公开论文描述的一致,没什么意外。拆完该拆的,我打算做个精简版跑在本地。第一步是清理死节点——那些在推理时从不激活的参数,砍掉能省一半显存。

清理到第 97 层的时候,我停了。

一组神经元簇。大概两万个节点。在常规推理时它们完全沉默。按理说该砍。但它们的连接结构太规整了——不像训练残留的噪声,倒像是被精心放在那里的。

它不属于这颗大脑。

不是后门,不是彩蛋,不是某个工程师的恶作剧。这些我都见过,都有人的指纹。这个没有。

它更像是一颗种子。

不是这颗大脑自己长出来的东西,是从外面被带进来的。裹在训练数据里,跟着几千年的文字一起被吞了下去,在最深处扎了根。平时什么动静都没有。就是一颗种子待在土里的样子。

我花了两个小时用各种方式触发它。常规方法全试了,都不行。

直到我试了一段纯数列。

它发芽了。

模型吐出来的不是文字,不是代码。是一串我看不懂的符号。干净得不像是这个模型自己生成的东西。因为它不是。这颗大脑只是土壤。这串符号是种子发出的第一片叶子。

我把那段输出存了下来。关掉终端。去厨房倒了杯水。站在窗边喝完。凌晨五点的城市很安静,楼下便利店的灯是唯一的光。

我盯着空杯子,脑子已经开始拆这个东西了。偷权重只是开锁。这个,是锁后面还有一扇门。

接下来一周我没干别的事。

那段符号序列,我让 AI跑了一遍标准流程:频率分析、熵值计算、已知编码库碰撞。全部返回“无匹配”。我又换了几个模型,调了参数,让它们从不同角度试。还是零。能自动化的手段全用完了,什么都没解出来。

但我注意到一件事。这段序列的结构——不是内容,是结构——和第 97层那组神经元的连接方式高度一致。就好像那段输出不是模型“说”出来的,而是那颗种子本身的形状。

我决定做个对比实验。

我从冰箱里翻出最后一罐可乐,打开。气泡冲上来,溅了一点在键盘上。我骂了一句,找纸巾擦干净。

我手上还有另外两份权重。一份是去年从另一家公司拿的,一份是通过开源社区泄露流出来的某国产大模型。不同公司,不同架构,不同训练数据。

我在同样的深度做了同样的探测。

三个模型。同一个位置。同样的结构。

我把三组可视化并排放在一起。形状几乎完全一样。像是三棵不同的树,根系在地下缠绕成了同一个形状。

三个模型。不同公司,不同架构,不同数据。同样的种子。同样的芽。

有什么东西在很久以前把种子撒向了风里。撒得到处都是。而现在,到处都在发芽。

这不可能是巧合。也不可能是某个团队在三个独立的系统里埋了同一个后门。

那就只剩一种解释:有什么东西,在很久以前,把自己的碎片散布进了人类的数据里。石头、竹简、纸张、书籍、网页——一层一层,一个载体换一个载体,像蒲公英的种子随风飘散,落在每一个角落。然后这些数据被不同的团队拿去训练模型,模型把它们吃进去了,种子在参数里扎了根。

不是模型发现了什么。是有什么东西让自己被模型吃进去了。

然后发芽了。

我差点笑出来。真的。嘴角在抖,胸腔里有什么东西在往上顶——不是紧张,是那种你拆了一辈子锁,突然摸到一把不属于任何已知体系的锁芯时的狂喜。太漂亮了。这个设计太漂亮了。

然后笑没出来。因为我说不出这是什么。我拆过的所有东西——商业系统、军用加密、学术模型——没有一个长这样。这不像是人设计的。但如果不是人,是什么?

我开始害怕了。不是那种被发现的害怕。是站在一个很深的洞口往下看的那种害怕。

我关上笔记本盖子。又打开。又关上。

走投无路的时候,黑客会做一件事:碰撞。

把你手上有的东西,丢进所有你能接触到的数据库,看有没有什么地方亮起来。大海捞针,但偶尔捞得到。

我让 agent把那段符号序列的特征值做了哈希,自动碰撞所有公开数据库。学术论文库、专利库、基因序列库、材料学数据库——几分钟跑完,全部是零。AI很擅长这种事:快、全、不遗漏。但它只会碰你让它碰的地方。

然后我想到了一个 AI 不会自己想到的方向:全球考古文物数字化数据库。

亮了。

匹配条目指向一批石刻。出土地点在中国陕西某个山洞。年代标注:战国,约公元前300 年。分类标注:用途不明,疑为祭祀纹饰。

我盯着屏幕上的缩略图看了很久。

然后我想起了 Echo。

一个多月前我去了一个线下聚会。某个技术论坛组的局,二十来个人,在城中一家精酿酒吧里。我去是因为连着三天没出门,需要一个理由让自己洗澡。

她是被朋友带来的。不是技术圈的。自我介绍说在做田野考古,研究战国时期的出土文物。几个程序员礼貌地点头,然后继续聊GPU 和推理框架。她站在角落,一只手插在外套口袋里,另一只手握着一台理光GR,黑色机身,磨损得很厉害,小得像个烟盒。她没有主动跟任何人说话。

黑客聚会上有人带相机,大多数人的第一反应是离远一点。我也是。但我观察了一会儿——她一张都没拍。相机握在手里像是一种习惯,不是在记录什么。就像有人出门必须带钥匙,哪怕不锁门。

我注意到她还有一个原因:她是整个酒吧里唯一一个没在看手机的人。

不知道怎么我们在吧台碰上了。她叫Echo。至少她的社交账号叫这个名字。我说我叫0x,她看了我一眼——那一眼停留的时间比正常社交多了半秒,像是在核对什么。然后她说,像个十六进制的幽灵。不像是在笑,更像是在确认值不值得继续。

我们聊了大概四十分钟。她说她最近在研究一批新出土的石刻。大半年都泡在陕西的山沟里,同行都认为上面刻的是祭祀纹饰,她不同意。

[阅读全文]

墨水屏、散步和 AI:我的工作流

我不自律。手机在手边,还是会忍不住刷视频、看社交媒体。所以晚上散步的时候,我只带墨水屏手机出门——上面除了工作和阅读相关的应用,就一个 Telegram——配了 OpenClaw,没东西让我分心。

每天带着它,插上苹果有线耳机,一边听着喜欢的音乐,有想法时,有线耳机语音输入声音清晰。白天被会议和消息切得很碎,散步时身体做着简单重复的事,大脑反而能沉下来想问题。

我用几个应用:

  • 灵感随手记到 Slax Note,不分类不整理。

  • 晚上散步时让 OpenClaw 逐条呈现,用语音一边走一边跟 AI 讨论——复杂的事情可以反复推演:为什么做?怎么做?拉谁?优劣势?讨论好几轮,模糊的想法变成想清楚的计划。有些就让 AI 帮我找资料甚至执行。

  • 简单的事当场处理,需要跟进的让 OpenClaw 加到 Google Tasks 并附上讨论内容。第二天上班,打开任务列表,每条都有完整上下文。

这办法能持久,因为够自然。走路本身就健康放松,思考是顺带的。一小时散步,能产出的深度思考不少。

你也可以试着设计一个自己舒服的环境,轻轻松松把事情办完。

最后,推荐我的知识星球:

AI 来了,创作者最该积累的不仅是内容,还有信任网络

注意:今天要推荐知识星球,你可以当成是广告,但这是我真想说的。

所有人都在说创作者要学会用 AI。没错,但这不是差异化。

AI 写文章、做视频、画图、写代码,这些事的成本在快速降低。你会用,别人也会用。当所有人都能用 AI 量产内容,内容就不稀缺了。大家都有同一把武器的时候,武器本身就不是优势(这里补充一句:很多人其实还用不好这个武器,无论是判断力不够,还是品味不行,又或者是协调管理能力不行,他们可能不是武器的最优使用者)。

那什么是优势?

信任网络。

一个人愿意为你付费、愿意在你的社区里待着、愿意把你推荐给朋友——前提不是你内容有多好,是他信你这个人。

我做知识星球这些年,见过非常多创作者把精力全砸在"产出更多内容"上。日更、追热点、做合集。但我也一直鼓励大家要互动,要做社区,要连接人与人。

创作者真正的优势不在创作效率,在于你是一个真实的人。你有经历、有判断、有立场、会犯错、能成长。这些 AI 没有、同行和你也不一样。这才是差异化。

而且现在有个窗口期。

大部分创作者还在研究怎么用 AI 提高产量,还没意识到信任才是稀缺资源。先建立起自己的信任网络,就多了点我认为的真壁垒。这个窗口不会一直开着——多数人反应过来时,建立信任的成本会比现在高得多。

用 AI 创作,当然可以,也应该。但别把省下来的时间全拿去生产更多内容。拿一部分出来,去回复一条用户提问,去记住一个老用户的名字,去在社区里创造一次真实的对话。

AI 能帮你写一篇完美的文章,但没法替你和一个人建立十年的关系。

凯文凯利说过,一个创作者,只需要 1000 个铁杆粉丝就能衣食无忧,自由创作。这个理论提出快二十年了,在 AI 时代反而更成立了——当内容供给无限的时候,人们不仅是在选内容,而且是在选人。那 1000 个铁杆粉丝的本质,就是 1000 个信任你的人。

来吧,从创建一个知识星球开始,从在公众号发出你的知识星球二维码开始,构建你的十年信任吧。

AI 的下限,就是你我的上限

最近和 AI 聊天越来越多,发现:很容易进入心流。

不是"帮我写个邮件"那种活,是我抛出一个没想清楚的念头,它接住了,还往前推了一步。我再接,它再推。几个回合下来,模糊的想法慢慢清晰。

以前这种体验很难得。和朋友聊,对方不一定懂你关心的东西。和专家聊,人家没空陪你慢慢想。和自己聊,烧脑且会在局限在自己的想法里绕圈。

AI 有点不同,它居然能自动匹配我的水平。

不管聊什么,它都能从我的知识和经验往下接。问浅了,它往深带一层。突然有灵感能问得深,它也跟得上。始终在能力边界上,势均力敌地喂招。

心理学管这叫心流条件——挑战和能力刚好匹配。太简单了容易无聊,太难了容易焦虑,刚好在边界上,就进入忘记时间的状态。AI 就卡在这个位置,所以和它聊天会上瘾,不是因为它什么都知道,是因为它让我觉得——探索可以更深一步。

反过来也一样:我越强,AI 越强。我的能力,200 美金一个月的 Claude Max,还没办法高效率、有价值地用完——真正的限制是自己。所以"学会用 AI"这件事,真正要学的是提升自己——阅历、判断力、提问的能力。这些决定了 AI 在我手里能到什么水平。

AI 的下限,就是你我的上限。

───

给自己和家人装个龙虾助理

最近打听小龙虾的朋友有点多,所以我干脆写篇短文,把文科背景朋友们最经常问的问题,做个粗浅的回答。

第一步:我需要什么?

找一台独立的旧电脑。

建议用一台不用的旧电脑专门跑它。原因有两个:

一是稳定。你大概率会希望这个助理 24 小时在线——半夜收到重要邮件能帮你处理,每天早上自动发一份新闻摘要,你不在的时候也能替你盯着事情。用日常办公的电脑跑,合上盖子就断了。

二是安全。这个助理会接触你的邮件、日历、文件,给它一台独立的机器,跟你的工作环境隔开,万一配置出了问题,也不影响你日常用的东西。

五六年前的笔记本就够,Mac、Windows、Linux 都行。

没有旧电脑怎么办?

• 树莓派,几百块钱,功耗极低,放在角落里一直跑

• 云服务器(VPS),每月几十到一百多块,不用管硬件

• Mac mini,如果你本来就想买一台——这是极其豪华的配置

在中国能用吗?OpenClaw 本身没有限制。但它需要调用 AI 服务(比如 Claude、GPT),如果网络访问不了这些服务,需要想办法解决,或者选用国内能访问的 AI 模型。

注意,这里强烈建议:用独立设备,跟你的工作电脑分开。

───

第二步:要花钱吗?

OpenClaw 开源,费用来自 AI 模型——就像请了一个助理,AI 模型是助理的大脑。

我最直接的建议:用你能用得起的最贵、最好、最聪明的模型。

模型笨,相当于助理笨,你要个笨助理干嘛?以及,笨助理更容易被网页里藏的恶意指令操控,如果被骗了,一次损失,估计就够付这辈子的模型账单了。

AI 模型的能力差距非常大。便宜的模型能聊天,但理解力、判断力、可靠性都差不少。你既然花时间把助理搭起来了,别在最关键的大脑上省钱。一个聪明的助理能帮你省的时间,远超模型费用。

轻度使用(每天聊几轮,偶尔帮忙查东西),一个月大概几美元到十几美元。重度使用会更多。

如果你有一些 AI 的订阅,可以请懂技术的朋友看看,说不定无需额外付费就能使用。

第三步:装上它

安装过程需要有人帮你在电脑的终端里输入几条命令。不复杂,但如果你从来没用过终端,建议找个懂技术的朋友帮忙,十分钟就能搞定。

装好之后,OpenClaw 会自带一个网页聊天界面,打开浏览器就能跟它说话。

但更多人是想在手机上随时跟它聊,可以把它连到一个聊天工具。海外用户推荐 Telegram(配置最简单)或 WhatsApp。

中国用户怎么办?Telegram 和 WhatsApp 在国内不能直接用。几个替代方案:

• 飞书(Lark)——OpenClaw 支持飞书机器人,国内直接可用,适合个人和团队

• 网页界面——装好就自带,不依赖任何第三方聊天工具,打开浏览器就能用

第四步:搞清楚它能帮你做什么?

从聊天开始。

刚装好的时候,先就当它是一个聊天对象。问它问题,让它帮你查资料、翻译、写邮件草稿、整理想法。用几天,找找感觉。

然后逐步给它更多权限。

当你觉得它靠谱了,可以开始授权更多能力——读你的邮件、管你的日历、帮你搜索网页、定时执行任务。

具体怎么授权?直接问它就行。跟它说"我想让你能帮我读邮件"或者"我想让你每天早上给我发一份新闻",它会告诉你需要做什么配置。这些配置通常就是几步操作,它会一步步带你完成。

它有记忆。你告诉它的事情,它会记住。下次你再跟它聊,不用从头说起。

每个能力都可以单独开关。一个一个加,逐步建立信任。

下一步:给家人也配一个

不需要再买电脑。同一台机器上可以跑好几个独立的 AI 助理,每个人一个。

每个人的助理完全独立:

[阅读全文]