好书推荐s

一、为什么要在2026年重读一本2011年的书？ 2026年，AI可以替你写报告、做决策、分析数据、预测趋势。你可能会问：既然AI能替我思考，我为什么还要读一本关于"如何思考"的书？ 答案藏在Daniel Kahneman的核心框架里。Kahneman把人类思维分为两个系统： 系统1（快思考）： 自动、快速、直觉、情绪化。不需要意志力，就像你看一眼照片就知道"这个人在生气"——你不需要"思考"，你只是"知道"。 系统2（慢思考）： 刻意、缓慢、理性、分析性。需要意志力，就像你算17乘以24——你需要"停下来、集中注意力、一步步算"。 2026年，AI正在变成你的"系统1"——它给你快速、自动、直觉性的答案。你问ChatGPT一个问题，它立刻给你一个答案。你不需要"思考"，你只需要"接受"。这正是系统1的工作方式，而Kahneman花了整整一本书来论证：系统1是认知偏见的温床。 当AI在替你"快思考"时，你正在失去"慢思考"的能力。 2026年重读《思考，快与慢》，不是在读一本"心理学经典"，而是在读一本"AI时代的生存手册"。它告诉你：当AI越来越擅长快思考，你唯一的价值，就是慢思考。 二、这本书到底讲了什么？ 《思考，快与慢》的核心论点极其简洁：人类不是理性的生物，而是"会为自己的不理性找理由"的生物。 我们以为自己在理性决策，实际上大多数时候，我们在用系统1做决策，然后用系统2为决策"找理由"。 Kahneman用了几十个经典的心理学实验来论证这个观点。以下是三个最经典的： 锚定效应（Anchoring Effect）。 Kahneman带着一个"幸运轮盘"走进教室，转了一下，轮盘停在10。他问学生：“联合国中非洲国家的比例，是高于10%还是低于10%？“学生回答后，他再问：“你认为具体比例是多少？“学生们给出的平均估算是25%。然后他换了一组学生，轮盘停在65。同样的问题，第二组学生的平均估算是45%。轮盘上的数字是随机的，和非洲国家比例毫无关系——但它"锚定"了学生的判断。你的大脑被一个完全无关的数字"锚定"了，而你毫无察觉。 损失厌恶（Loss Aversion）。 Kahneman发现，失去100元的痛苦，大约是得到100元的快乐的2倍。这个不对称性，导致了人类决策中大量的"非理性"行为——你宁愿持有亏损的股票也不愿意卖出（因为卖出意味着"确认损失”），你宁愿维持现状也不愿意改变（因为改变可能带来损失），你宁愿不冒险也不愿意承担风险（因为风险带来的损失比收益更"痛”）。 规划谬误（Planning Fallacy）。 你装修房子，预估工期2个月，实际花了4个月。你写报告，预估2小时，实际花了4小时。你做项目，预估预算100万，实际花了200万。这不是"你不行”，这是"人类大脑的出厂设置”。Kahneman称之为"规划谬误"——人类在预测未来时，系统性地低估了时间和成本，高估了自己的能力和运气。因为你用的不是"统计数据"（系统2），而是"最佳场景幻想"（系统1）。 三、AI时代，这本书为什么更紧迫了？ 2026年，AI正在变成"终极系统1"。你问AI一个问题，AI立刻给你一个答案——快速、自信、流畅。这不正是系统1的工作方式吗？Kahneman在书中反复警告：系统1的最大问题，不是它"慢"，而是它"自信"——它总是给你一个"非常确定"的答案，即使这个答案是错的。 AI的"幻觉"（Hallucination）——即AI生成虚假但听起来可信的信息——本质上就是"系统1的错误"。AI没有"慢思考"，它只有"快思考"。它根据训练数据中的统计模式生成答案，而不是通过逻辑推理验证答案。当AI说"根据我的知识，XXX是正确的"，它听起来非常自信，但实际可能是错的。 2026年，AI让"系统1"的威力放大了100倍。你能在1秒内获得任何问题的"答案"，但你不一定获得了"真相"。区分"答案"和"真相"，需要系统2——需要你停下来，慢下来，质疑，验证，思考。而这项能力，正在被AI的便利性"侵蚀"。 四、如何用这本书提升你的2026年？ 第一，承认"我不理性"。 这是Kahneman全书最重要的takeaway。不要假装你是理性的，不要假装你做的决策都是"经过深思熟虑"的。承认你的大脑充满了偏见和捷径，承认你经常被系统1"劫持"。承认"不理性"，是走向"更理性"的第一步。 第二，用"外部视角"替代"内部视角"。 当你预测一个项目的时间、成本、成功率时，不要用"内部视角"（自己的经验、能力、计划），而要用"外部视角"（类似项目的统计数据）。内部视角让你"乐观"，外部视角让你"准确"。Kahneman的建议是：在做任何预测之前，先问自己一个问题——“类似的项目，平均花了多长时间、花了多少钱、成功了没有？” 第三，在重大决策时"强制慢下来"。 系统1快，系统2慢。系统1适合"日常决策"（吃什么、穿什么、走哪条路），系统2适合"重大决策"（换工作、买房、投资）。在重大决策时，强制自己"慢下来"——睡一觉再做决定，写下来再分析，找一个人来挑战你的假设。Kahneman说：“做重大决策的最佳时机，是第二天早上。” 第四，不要完全信任AI的"快思考"。 2026年，AI是你的"超级系统1"，但不是你的"系统2"。AI可以给你答案，但你需要验证答案。AI可以给你建议，但你需要质疑建议。AI可以给你分析，但你需要理解分析的逻辑。把AI当作"快思考的助手"，把你自己当作"慢思考的决策者"。这个分工，是2026年最理性的生存策略。 五、结语 《思考，快与慢》出版于2011年，到2026年已经15年了。15年间，Kahneman在2024年去世，他再也看不到这本书在AI时代的意义。但他留下的思想框架，在2026年比任何时候都更重要。 当AI可以替你"快思考"时，你唯一的价值，就是"慢思考"。当AI可以给你答案时，你唯一的竞争力，就是"质疑答案"。当AI可以让你变得更高效时，你唯一的护城河，就是"让自己变得更理性"。 2026年，读《思考，快与慢》，不是为了"学心理学"，而是为了"在AI时代保持人类的尊严"。因为你如果不会思考，AI就会替你思考。而AI替你思考的结果，就是AI替你决策。AI替你决策的结果，就是AI替你活。 那还是你的人生吗？

过去三年，硅谷和北京科技圈最火的书是《纳瓦尔宝典》（The Almanack of Naval Ravikant）。它好读、金句多、适合发朋友圈。 但如果只读一本关于财富和智慧的书，我选《Poor Charlie’s Almanack》（《穷查理宝典》）。 这本书是查理·芒格（Charlie Munger）的言论和演讲合集。芒格是巴菲特60年的搭档，伯克希尔·哈撒韦的副主席，今年已经102岁。他不是「财富导师」，他是「智慧导师」——他的智慧，不仅关于投资，更关于如何思考、如何决策、如何过好这一生。 核心思想一：「多元思维模型」 芒格最著名的思想是「多元思维模型」（Multiple Mental Models）。 他的观点是：世界是一个复杂的系统，不可能用一种学科的工具来理解。 只用经济学来理解商业，就像一个只有锤子的人，看什么都像钉子。你必须掌握来自不同学科的核心思维模型——心理学、物理学、生物学、历史学、数学——然后交叉使用它们来分析问题。 芒格自己掌握了大约100个思维模型。他每天大部分时间都在「阅读和思考」，通过大量阅读来不断扩展自己的思维模型库。 这跟大多数人的「学习」方式完全不同。大多数人只在自己擅长的领域深入，越学越窄，最后变成了「手里只有一把锤子的人」。芒格的建议是：别做专家，做通才。 在AI时代，这个建议比任何时候都更有价值——当AI可以在任何单一领域超越人类时，跨领域的「通才」反而成了最稀缺的资源。 核心思想二：「反过来想」 芒格有一句名言：「反过来想，总是反过来想。」（Invert, always invert.） 这句话的意思是：如果你想知道怎么做成一件事，先想想怎么做不成它。然后避免做那些事。 比如，如果你想变得富有，不要问「怎么变富」，而要问「怎么变穷」。答案是：赌博、冲动消费、不学习、不存钱、交损友。避免这些事，你自然就离「富有」更近了一步。 这个思维方式极其反直觉，但极其有效。因为大多数人在追求目标的时候，只盯着「成功的路径」，忽略了「失败的陷阱」。而芒格认为，避免失败，比追求成功更重要。 在投资上，芒格的策略是：首先确保自己不犯大错，然后等待好机会。 大多数投资者做反了：急于寻找好机会，但频繁犯大错。 核心思想三：「能力圈」 芒格的「能力圈」理论，可能是投资领域最著名（也最被误解）的概念： 「知道自己不知道什么，比知道自己知道什么更重要。」 能力圈的意思是：每个人都有自己的「能力边界」——在边界之内，你有竞争优势；在边界之外，你是韭菜。芒格和巴菲特的成功，不在于他们「什么都知道」，而在于他们「只在能力圈内做事」。 芒格讲过一句话：「如果我不能在五分钟内理解一家公司的商业模式，我就不投。」这不是傲慢，这是自律。他知道自己的能力圈在哪里，并坚决不跨出这个圈。 核心思想四：「人类误判心理学」 芒格对心理学有深入的研究，他总结了25种「人类误判心理倾向」——人类在决策时最容易犯的系统性错误。 包括：奖励和惩罚的超级反应倾向（激励机制会扭曲行为）、喜欢/热爱倾向（你喜欢一个人，就会忽略他的缺点）、讨厌/憎恨倾向（你讨厌一个人，就会忽略他的优点）、避免不一致倾向（人们不愿意承认自己错了）、好奇心倾向（好奇心驱动学习和发现）、社会认同倾向（从众心理）。 这些心理倾向，解释了为什么聪明人会犯蠢错误，为什么理性人会做非理性决策。了解这些倾向，不是为了「操纵别人」，而是为了「警惕自己」。 结尾 《纳瓦尔宝典》是一本「金句集」——你读完会觉得「哇，好有道理」，但可能第二天就忘了。《穷查理宝典》是一本「思想体系」——你读完会觉得「原来我一直用错误的方式在思考」，而且这种影响会持续很多年。 纳瓦尔教你「怎么变富」。芒格教你「怎么变聪明」——变聪明之后，变富是自然而然的事。 这就是为什么，我认为《穷查理宝典》才是真正的财富密码。

2014年，一个名叫尤瓦尔·赫拉利（Yuval Noah Harari）的以色列历史学家出版了《人类简史》（Sapiens），全球销量超过2500万册。他让「智人」成为了一个流行词，让「虚构故事」成为了理解人类文明的钥匙。 2025年，赫拉利出版了这本专门讨论AI的书（中文暂译：《智人之上》）。这一次，他的问题更尖锐、更紧迫：在一个AI能做一切的世界里，人类还有什么不可替代的价值？ 赫拉利的「AI威胁论」 赫拉利对AI的担忧，和大多数人不一样。 大多数人担心的是「AI抢走工作」或「AI产生意识后反叛人类」。但赫拉利担心的是更深层的东西：AI可能会「劫持」人类文明的底层操作系统——语言。 他的逻辑是这样的：人类文明的基础是「大规模协作」，而大规模协作的基础是「共享的虚构故事」——宗教、国家、货币、法律、公司，都是人类共同相信的「虚构故事」。这些故事通过语言传播和强化。 现在，AI掌握了语言。ChatGPT可以写出比大多数人更好的文章，Midjourney可以生成比大多数人更好的图像，Suno可以创作比大多数人更好的音乐。当AI比人类更擅长「讲故事」时，会发生什么？ 赫拉利的答案是：AI可能会成为「新故事的创造者」，而人类变成「旧故事的消费者」。 当人类不再创造意义，只是消费AI创造的意义时，人类的「主体性」就丧失了。 什么是人类的「不可替代性」？ 赫拉利花了大量篇幅讨论一个问题：什么是AI永远无法替代的人类特质？ 他的答案不是「意识」或「情感」——他承认，AI可能在不久的将来就能模拟意识和情感。他的答案是：「受苦的能力」。 赫拉利认为，人类的独特之处不在于「智能」，而在于「体验」。AI可以「计算」什么是痛苦，但它不能「感受」痛苦。AI可以「描述」什么是爱，但它不能「体验」爱。AI可以「生成」一首关于失去的诗，但它不会因为失去而流泪。 这种「体验的真实性」——只有真正经历过，才能真正理解——是AI永远无法复制的。因为AI的「知识」是来自数据的抽象模式，而人类的「理解」是来自亲身体验的具体感受。 赫拉利的结论是：在AI时代，人类的价值不在于「比AI聪明」，而在于「比AI真实」。 这个论点的问题 我必须说，赫拉利的这个论点有一个根本问题：「体验的真实性」在经济上有价值吗？ 一个AI医生可以诊断10000种疾病，准确率95%。一个人类医生可以诊断2000种疾病，准确率85%，但他能「共情」病人的痛苦。如果你生病了，你会选哪个？ 大多数人会选择AI医生——因为准确率更重要。只有在准确率相同的情况下，「共情」才会成为加分项。 这就是赫拉利论点的问题：「体验的真实性」在哲学上很重要，但在经济上可能不重要。 当AI足够便宜、足够准确时，用户可能根本不在乎推荐是来自「一个真正理解他们的人」还是「一个精准的算法」。 我最认同的部分 尽管有上述批评，这本书中最让我认同的部分是赫拉利对「AI监管」的讨论。 他的观点是：AI监管的核心不是「限制技术发展」，而是「保护人类的认知自主权」。 什么意思？当AI可以生成比你更懂你的内容，当AI可以预测并操纵你的情绪，当AI可以在你意识到之前影响你的决策——你的「自主权」就被侵蚀了。你不是在「做选择」，而是在「被选择」。 赫拉利认为，保护认知自主权需要三个机制：1）强制标注AI生成的内容；2）禁止AI在未经同意的情况下分析个人心理；3）确保人类始终在重要的决策循环中（human in the loop）。 结尾 《智人之上》不是赫拉利最好的书——《人类简史》的宏大叙事和颠覆性洞见，在这本书中被压缩成了更聚焦、但也更局限的讨论。但它提出了一个每个人都必须面对的问题： 如果AI可以比你更好地完成你的工作，比你更懂你的情感，比你更会讲你的故事，那你存在的意义是什么？ 赫拉利没有给出完美的答案。但他给了我们一个方向：意义不在于「做得好」，而在于「真实地活过」。 在AI时代，这可能是人类最后的尊严。

2011年，丹尼尔·卡尼曼（Daniel Kahneman）出版了《思考，快与慢》（Thinking, Fast and Slow）。这本书改变了无数人对「理性」的理解——我们以为自己是理性的决策者，实际上是被各种「认知偏差」操纵的动物。 2021年，卡尼曼和Olivier Sibony、Cass Sunstein合作出版了《噪声》（Noise: A Flaw in Human Judgment）。这本书讲的是「判断的随机变异性」——同一个法官，对同一个案件，上午和下午的判决可能完全不同；同一个医生，对同一张X光片，周一和周五的诊断可能截然相反。 2024年，卡尼曼去世。但他留给了世界最后一本书——《噪声》的续作和思想总结。如果说《思考，快与慢》定义了「偏差」，这本书定义了「噪声」。两者加在一起，完整地揭示了人类判断的不可靠性。 偏差 vs 噪声：两种不同的「错误」 卡尼曼用一个打靶的比喻来解释偏差和噪声的区别： 偏差（Bias）：所有子弹都打在靶心的右边。系统性地偏离了正确目标。 噪声（Noise）：子弹散布在整个靶面上。每次判断都随机地偏离了正确目标。 举个例子：一个面试官对某个种族的候选人有系统性偏见（偏差），但他对同一候选人的评价在不同时间又不一样（噪声）。偏差是「错的」，噪声是「不稳定的」。 我们更关注偏差（因为它在政治和道德上更敏感），但卡尼曼的研究表明：噪声造成的总体判断错误，往往比偏差更大。 在法律判决、医学诊断、人事评估、商业预测等领域，噪声是「看不见的杀手」。 一个震撼的研究 书中引用了一个保险公司的研究：同一批理赔案件，让不同理赔员来评估赔付金额。结果显示，不同理赔员给出的金额差异中位数是55%。 也就是说，你拿到多少理赔款，很大程度上取决于「谁在处理你的案子」，而不是「你的案子本身值多少」。这个差异不是由于偏差（理赔员没有系统性高估或低估），而是由于噪声——不同的理赔员对「合理赔付」有不同的理解。 这不是个例。书中列举了大量类似的研究： 法官对同一案件的量刑差异高达50% 医生对同一张X光片的诊断一致性只有60% 人事经理对同一简历的评分差异高达40% 风投对同一项目的估值差异高达70% 在几乎所有需要「人类判断」的领域，噪声都是巨大的。 如何减少噪声？ 卡尼曼提出了一个解决方案：「决策卫生」（Decision Hygiene）。 核心思想是：把判断过程「结构化」，减少随机因素的影响。 具体方法包括： 1. 分解判断。 不要问「这个候选人好不好？」，而是把这个问题分解成多个子问题：「专业能力如何？」「沟通能力如何？」「团队协作如何？」每个子问题单独打分，最后汇总。这比一个「整体印象」打分准确得多。 2. 独立判断。 不要让多个评审者互相讨论后再打分。讨论会制造「从众效应」——第一个发言的人会影响所有人的判断。应该让每个人独立打分，然后再汇总。 3. 使用锚定量表。 不要用「1-10分」这种主观量表，而是用「与某个具体案例比较」的方式。比如，不要问「这个候选人的Python能力1-10分打几分？」，而是问「这个候选人的Python能力相当于你见过的所有候选人中的前百分之几？」 4. 算法辅助。 在预测任务上（如保释决策、招聘筛选、贷款审批），简单的统计算法往往比专家判断更准确，而且没有噪声。卡尼曼一直主张用「算法+人类判断」的混合模式，而不是纯人类判断。 对AI时代的启示 这本书对我的最大启示是关于AI决策的。 AI的一个巨大优势是「零噪声」——同样的输入，永远产生同样的输出。AI不会因为心情不好、睡眠不足、刚吵完架而做出不同的判断。 但AI也有自己的「偏差」——训练数据的偏差、算法的偏差、优化目标的偏差。所以，AI时代的理想决策模式不是「AI替代人类」，而是「AI减少噪声，人类纠正偏差」。 这就是卡尼曼留给世界的最后一课：人类的判断充满噪声和偏差，AI的判断充满偏差但没有噪声。最好的决策，是把两者的优势结合起来。 结尾 丹尼尔·卡尼曼在2024年去世，享年90岁。他的一生都在研究一个看似简单却极其深刻的问题：人类为什么会犯错误？ 他用一生的研究告诉我们：我们犯错误，不是因为愚蠢，而是因为我们的「判断系统」天生就有缺陷——有系统性的偏差，也有随机性的噪声。 认识到这些缺陷，不是为了「不再犯错误」（那是不可能的），而是为了「设计更好的决策系统」——用结构化的方法减少噪声，用算法辅助减少偏差，用集体智慧弥补个体局限。 这是卡尼曼留给世界的遗产。每一本《思考，快与慢》和《噪声》，都是这份遗产的一部分。

2026年，AI领域的出版物可以用「爆炸」来形容。几乎每个AI大佬都出了书，几乎每个科技出版社都在抢AI选题。但问题是：大多数AI书籍都是「ChatGPT时代的科普快餐」——写得快，忘得更快。 我从2025-2026年出版的200多本AI书籍中，挑出了5本真正值得读的书。它们不是「快餐」，是「正餐」。尤其是第3本，彻底改变了我对AGI的理解。 第一本：《The Coming Wave》 by Mustafa Suleyman 推荐理由：AI行业最有权力的人之一，写了一本关于AI最诚实的书。 Mustafa Suleyman是DeepMind的联合创始人，现在是Microsoft AI的CEO。他在AI行业的最核心位置坐了15年，没有人比他更了解AI的「内部故事」。 这本书的核心论点是：AI和合成生物学这两大技术浪潮，正在创造一个「巨大的繁荣」和「巨大的风险」并存的未来。 繁荣的部分我们都看到了——GPT、AlphaFold、自动驾驶。但风险的部分，Suleyman用了大量篇幅来论证：AI武器化、信息生态污染、大规模失业、权力集中。 最让我触动的是他的一个比喻：「我们正在释放一种我们不完全理解的力量。就像原始人发现了火——火可以取暖、烹饪、驱赶野兽，但也可以烧毁整片森林。我们现在对待AI的态度，就像原始人围着火堆跳舞，然后假装火焰不会蔓延。」 第二本：《Co-Intelligence》 by Ethan Mollick 推荐理由：AI时代「如何与AI合作」的最佳实践指南。 Ethan Mollick是沃顿商学院的教授，也是AI教育领域最有影响力的声音之一。他的核心观点是：AI不是「替代人类」的工具，而是「增强人类」的伙伴。 他称之为「共同智能」（Co-Intelligence）。 这本书不是讲AI的技术原理，而是讲「如何与AI协作」的实践方法。Mollick在课堂上做了大量实验：让学生用ChatGPT写论文、做项目、解决复杂问题。他的发现是：AI不是让你变懒的工具，而是让你变得更好的工具——前提是你知道怎么和它合作。 他提出了一个「四条规则」框架：1）总是邀请AI参与你的工作；2）把AI当作一个人来对话；3）假设AI在任何任务上都能提供帮助，直到被证明不能；4）把AI当作一个「能力不均匀」的伙伴——某些方面是天才，某些方面是白痴。 这本书最实用的部分，是大量的「Prompt模板」和「协作案例」。如果你想在2026年提升自己的AI协作能力，这本书是必读。 第三本：《The Second Machine Age》续作 by Erik Brynjolfsson & Andrew McAfee 推荐理由：从经济学角度，重新定义了「AGI」的含义。 这本书严格来说不是「关于AI意识」的，而是关于「AI经济学」的。但它改变了我对AGI的看法。 Brynjolfsson和McAfee是MIT的经济学家，他们2014年写的《The Second Machine Age》准确预测了过去十年AI的发展轨迹。2025年的这本续作，提出了一个更激进的观点：AGI不是一个「技术时刻」，而是一个「经济时刻」。 他们定义的AGI不是「AI有了意识」或「AI通过了图灵测试」，而是「AI能够完成大多数人类能够完成的经济上有价值的工作」。按照这个定义，AGI可能在2030年之前就到来——不是因为有意识的AI出现了，而是因为AI的经济价值覆盖了人类大部分工作领域。 这个视角让我恍然大悟：我们一直在用「科幻小说」的标准来定义AGI（有意识、有情感、有自我认知），但真正改变世界的AGI，可能是「经济学的AGI」——一个没有意识、但能在经济活动中替代80%人类劳动的AI系统。 第四本：《The Algorithmic Leader》 by Mike Walsh 推荐理由：AI时代的管理者和领导者，需要完全不同的技能。 Mike Walsh是未来学家和战略顾问，这本书讲的是「AI时代的领导力」。他的核心论点是：未来的领导者不是「最懂AI技术」的人，而是「最懂如何在AI时代做决策」的人。 在AI时代，决策的逻辑完全变了。以前的管理者靠经验和直觉做决策。未来的管理者靠「数据+算法+判断力」做决策。AI可以提供无限的数据和预测，但最终的判断——什么是对的、什么是值得做的、什么是不能做的——仍然需要人类的价值观。 Walsh提出了一个「算法领导力」框架：1）用AI做分析，用人做判断；2）让AI提出选项，让人做选择；3）让AI执行操作，让人定义方向。这本书对任何想在AI时代做管理者的人，都是必读。 第五本：《The Worlds I See》 by 李飞飞 推荐理由：一位华人女性AI科学家的自传，关于梦想、偏见和坚持。 李飞飞是斯坦福大学的教授，ImageNet的创建者，也是AI领域最知名的华人女性科学家。这本自传讲述了她从中国移民到美国，从不会说英语到成为AI领域顶级科学家的故事。 但这不是一本「成功学自传」。李飞飞花了大量篇幅讲述她遭受的偏见——作为女性、作为华人、作为「搞数据的人」在「搞算法的人」主导的AI圈子里受到的歧视。她也坦诚地讲述了自己在学术界和工业界之间的挣扎，以及ImageNet创建过程中遇到的各种困难。 最让我感动的是她的「北极星」理论：在任何困难的时候，找到那颗「北极星」——那个比你个人更大的目标——它会指引你走出黑暗。 对于李飞飞来说，那颗北极星是「让机器学会看世界」。 结尾 2026年AI书籍的数量和质量都在爆发，但真正值得精读的，是那些「不只是在讲技术，而是在讲思想」的书。这5本书，每一本都在改变我对AI的理解。 如果你只有时间读一本，读第3本。它不会告诉你AI的技术细节，但它会告诉你AI对这个世界真正的意义——不是在「AI会不会有意识」的科幻层面，而是在「AI会让多少人失去工作」的经济层面。 那才是我们每个人都需要面对的现实。 ...

你有没有想过一个问题：为什么是欧洲人殖民了美洲，而不是美洲原住民殖民了欧洲？ 这个问题的答案，藏在一本已经出版了近30年但依然「不过时」的书中——《枪炮、病菌与钢铁》（Guns, Germs, and Steel）。作者贾雷德·戴蒙德（Jared Diamond）是UCLA的地理学家和生理学家，他花了25年时间写这本书，试图回答一个人类历史上最大的问题：为什么不同大陆的文明发展速度差异如此巨大？ 读完之后，我对「中国崛起」有了全新的理解。 核心论点：地理决定命运 戴蒙德的核心论点是：文明的差异，不是由于人种的智力差异，而是由于地理环境的差异。 他提出了几个关键的地理因素： 第一，东西走向的大陆 vs 南北走向的大陆。 欧亚大陆是东西走向的，同一纬度上的气候条件相似，农作物和牲畜可以在东西方向上轻松传播。小麦从新月沃地传播到欧洲和东亚，马和牛从草原传播到农耕文明。但美洲和非洲是南北走向的，不同纬度之间的气候差异巨大，农作物和牲畜很难传播。这就是为什么欧亚大陆的文明发展速度远快于美洲和非洲。 第二，可驯化的动植物种类。 欧亚大陆有13种大型可驯化动物（马、牛、羊、猪、鸡等），而美洲只有羊驼一种。非洲的可驯化动物更少。这些动物不仅提供了肉、奶、皮革，更重要的是提供了「动力」——马可以骑行，牛可以耕地。有了动物动力，农业生产力大幅提升，人口密度增加，文明加速发展。 第三，人口密度和疾病。 欧亚大陆的高人口密度带来了传染病（天花、麻疹、流感），但也让欧亚人对这些疾病产生了免疫力。当欧洲人到达美洲时，他们带来的病菌杀死了90%以上的美洲原住民——不是枪炮，是病菌。 对中国崛起的全新理解 读完这本书，我对「中国崛起」有了一个全新的视角。 在戴蒙德的框架下，中国的「统一」很大程度上得益于地理：黄河流域和长江流域都是东西走向的，两个核心农业区在气候上相似，便于统一的农业技术和政治制度的传播。中国的地形「外封闭、内连通」——西边是青藏高原，北边是蒙古草原，东南是海洋，形成了一个相对封闭的地理单元，内部则有黄河、长江和大运河构成的交通网络。 这种地理结构，使得中国在历史上反复走向「统一」，而欧洲在历史上反复走向「分裂」。统一的好处是规模效应（大运河、长城、统一度量衡），代价是缺乏竞争和创新压力。分裂的好处是竞争和创新，代价是战争和内耗。 但这不是「地理决定论」。戴蒙德强调的是「地理提供的可能性」，而不是「地理决定的宿命」。地理给了你一副牌，但怎么打，取决于你自己。 对AI时代的启示 读这本书的过程中，我一直在想一个问题：在AI时代，「地理」还重要吗？ 在某种意义上，AI正在「抹平」地理的差异。一个肯尼亚的开发者，可以用ChatGPT来写代码，用Stripe来收钱，用AWS来部署服务，和硅谷的开发者站在同一起跑线上。地理位置不再是决定性的因素。 但在另一种意义上，地理比以往任何时候都更重要。AI的训练需要巨大的算力（需要芯片），算力需要数据中心（需要电力和土地），数据中心需要网络基础设施（需要光缆和带宽）。这些「物理基础设施」的地理分布，正在塑造新的「数字地理格局」。 美国控制着芯片设计（英伟达、AMD）和AI模型（OpenAI、Anthropic），台湾控制着芯片制造（台积电），中国大陆正在追赶芯片制造和AI模型。这种「数字地理格局」，和戴蒙德描述的「农业地理格局」，有着惊人的相似之处。 结尾 《枪炮、病菌与钢铁》不是一本「轻松阅读」的书——它有500页，充满了地理学、考古学和语言学的细节。但它是一本能「改变你看世界的方式」的书。 读完这本书，你会意识到：我们以为自己拥有的「优势」，很大程度上是地理的馈赠。我们以为别人拥有的「劣势」，很大程度上是地理的诅咒。 这个认识，不会让你变得「宿命论」。恰恰相反，它会让你更清楚地看到：在给定的约束条件下，人类能做出的最好的选择是什么。 无论是文明还是个人，答案都是一样的：看清自己的牌，打好每一局。

你有没有想过一个问题：为什么AI可以下赢围棋世界冠军，却不会系鞋带？ 这个问题的答案，藏在一本被严重低估的书里——《为什么伟大不能被计划》（Why Greatness Cannot Be Planned）。作者Kenneth Stanley和Joel Lehman是OpenAI的前研究员，也是AI领域的顶级学者。 这本书的核心观点极其反常识：设定目标，是创新的敌人。 读完之后，我对AI、对创新、甚至对人生规划，都有了完全不同的理解。 目标函数的陷阱 这本书从一个AI实验开始讲起。Stanley和Lehman做了一个叫「Picbreeder」的网站，让用户通过「进化算法」来生成图片。用户可以从一组随机生成的图片中选择自己喜欢的，然后算法会基于用户的偏好「进化」出新的图片。 实验中发现了一个惊人的现象：那些最终进化出「蝴蝶」或「人脸」等复杂图案的用户，在中间步骤中选择的图片和最终目标毫无关系。 比如，一个用户最终得到了一个「外星人脸」，但他在中间步骤选择的是「模糊的斑点」和「奇怪的形状」——如果他一上来就奔着「人脸」去，他永远也到不了那里。 这就是「目标函数的陷阱」：当你给一个系统设定明确的目标，系统就会走最短路径——但最短路径往往不是通往真正伟大的路径。 为什么AI不会系鞋带？ 回到开头的问题：为什么AI下围棋可以碾压人类，但不会系鞋带？ 因为下围棋是一个「目标明确」的任务——赢棋。目标函数清晰，奖励信号明确，AI可以通过自我对弈不断优化策略。围棋是一个「封闭系统」，所有的可能性都在棋盘之内。 但系鞋带是一个「开放系统」——不同鞋子有不同的鞋带、不同的系法、不同的松紧要求。没有一个明确的「系鞋带目标函数」，AI就无从下手。 这解释了为什么AI在「封闭任务」上超越人类（围棋、象棋、蛋白质折叠、图像识别），但在「开放任务」上远远落后于人类（做饭、带孩子、修理水管、写一本真正原创的小说）。 创新的「踏脚石」理论 Stanley和Lehman提出了一个替代「目标驱动」的创新理论：「踏脚石」理论（Stepping Stones）。 创新的本质，不是朝着一个预设的目标前进，而是收集有趣的「踏脚石」——那些看起来有趣、有潜力、能打开新可能性的发现。 你不需要知道这些踏脚石最终会通向哪里，你只需要相信它们会带你到「有趣的地方」。 这不是「没有目标」，而是「不以具体的目标为唯一驱动」。 历史证明了这一点： 爱因斯坦发现相对论，不是因为他在寻找「E=mc²」，而是因为他在思考「如果追上光速会怎样」这个有趣的问题 青霉素的发现，是因为弗莱明在培养皿中意外发现了霉菌抑制细菌生长的现象——他的「目标」是研究细菌，不是发明抗生素 万维网的发明，是因为蒂姆·伯纳斯-李想解决「不同计算机之间如何共享信息」这个有趣的问题，而不是「创建一个改变世界的互联网」 对AI开发者的启示 这本书对我的最大启发是关于AI开发的： 当前的主流AI范式是「目标驱动」的——给定一个数据集和损失函数，让模型不断优化。GPT-4的目标是「预测下一个Token」，AlphaGo的目标是「赢棋」。这种范式在「封闭任务」上极其有效。 但通往AGI（通用人工智能）的道路，可能不是「继续扩大模型规模、继续优化损失函数」这么简单。AGI需要的是「开放性探索」——在没有明确目标的情况下，探索和积累有趣的「认知踏脚石」。 这正是Stanley和Lehman在OpenAI正在做的事情：研究如何让AI在没有明确目标的情况下进行探索和创新。这可能是通往AGI的真正路径。 对人生的启示 这本书最后一章的观点让我沉默了很久： 「我们从小被教育要有目标：考上好大学、找到好工作、买房子、升职加薪。但人生中最美好的事物——爱情、友谊、灵感、顿悟——几乎都不是通过『设定目标、制定计划、严格执行』获得的。它们是在你探索、尝试、犯错、转弯的时候，突然出现在路边的。」 人生的「伟大」和AI的「伟大」一样，不能通过设定目标来计划。 你只能收集有趣的踏脚石，然后相信它们会带你到有趣的地方。 结尾 如果你只读一本关于创新的书，我推荐这本。如果你只读一本关于AI的书，我也推荐这本。如果你只读一本关于「如何过好这一生」的书，我依然推荐这本。 因为这三件事，本质上是一件事：如何在没有地图的情况下，到达你想象不到的地方。

如果你在创业，一定有人推荐过你这本书：《The Hard Thing About Hard Things》（中译：《创业维艰》）。作者Ben Horowitz是硅谷顶级VC Andreessen Horowitz（a16z）的联合创始人，也是Opsware（前身是Loudcloud）的创始人兼CEO。 市面上99%的商业书籍都在讲「成功的方法论」：怎么做增长、怎么建团队、怎么融资。但这本书不讲这些。它讲的是：当你面对一个「没有正确答案」的困境时，该怎么办。 这不是一本「方法书」，是一本「困境书」。而困境，才是创业的真实状态。 核心洞见一：没有「好决策」，只有「不那么差的决策」 Horowitz在书中反复强调一个观点：CEO的日常工作不是「做出好决策」，而是「在烂决策中选一个最不烂的」。 他举了一个亲身经历：2001年互联网泡沫破裂时，Loudcloud濒临破产，账上的现金只够撑3个月。摆在他面前的选择是：A）裁员40%，保住现金流，但团队士气会崩溃；B）继续烧钱，赌下一轮融资，但赌输了公司就没了。 两个选择都很烂。但Horowitz选了A——裁员40%，集中资源做最核心的业务。他说：「我走进会议室，裁掉了自己最好的朋友。那天晚上，我哭了。但第二天，公司活了下来。」 创业不是「选对的」，而是「选能活下来的」。 核心洞见二：CEO是最孤独的工作 Horowitz有一章的标题是：「CEO必须能够承受孤独。」 为什么？因为CEO面临的问题，没有人能帮你解决： 你的CTO跟你说他不想干了，你要怎么办？ 你的联合创始人跟你在战略上有根本分歧，你要怎么办？ 你发现公司文化出了问题，但所有人都不觉得有问题，你要怎么办？ 这些问题没有标准答案。没有人能告诉你「该怎么做」。CEO的孤独，不是「没有人陪你」，而是「没有人能替你承担后果」。 Horowitz的建议是：找到那些「经历过类似困境的人」，跟他们聊聊。 不是让他们给你答案，而是让他们告诉你「我当年也遇到过这种事，我当时的做法是……结果……」。这种「经验的分享」，是CEO对抗孤独的最好武器。 核心洞见三：公司文化不是「福利」，是「战斗力」 Horowitz对「公司文化」的定义，是我见过最硬核的： 「公司文化不是乒乓球桌、免费午餐、团建活动。公司文化是：当没有人看着的时候，你的员工会怎么做。」 他讲了Opsware的一个故事。有一年，一个客户的系统出现了严重故障，整个团队连续工作了48小时，终于在周一早上修复了问题。但更让Horowitz骄傲的是：周一早上9点，所有工程师都准时出现在办公室——尽管他们已经连续工作了48小时。 这就是文化：不是「公司要求的」，而是「员工自发做的」。这种文化，是打硬仗的时候唯一的武器。 核心洞见四：「战时CEO」和「平时CEO」是两种完全不同的物种 Horowitz把CEO分为两种状态： 平时CEO（Peacetime CEO）： 公司增长良好，现金流充裕，竞争格局稳定。此时CEO的工作是「优化」——优化流程、优化团队、优化文化。 战时CEO（Wartime CEO）： 公司面临生死存亡，必须做出「不讨人喜欢但能活下来」的决策。此时CEO的工作是「生存」——不惜一切代价活下来。 Horowitz说，大多数CEO只能胜任一种状态。能在两种状态之间切换的CEO，是稀有物种。乔布斯是，马斯克是，黄仁勋是。但大多数CEO不是。 他的建议是：如果你是一个「平时CEO」，在公司进入「战时」时，要么快速进化，要么让位给能打硬仗的人。 对我最大的震撼 这本书最让我震撼的，是它的诚实。 绝大多数商业书籍都在「美化创业」：创业是改变世界、创业是追求梦想、创业是实现自我价值。但Horowitz告诉你：创业是每天早上醒来，面对一个让你想吐的问题，然后强迫自己去解决它。一天又一天，直到问题不再让你想吐，或者你已经被打败了。 这不是劝退。恰恰相反，这是一种更深层次的鼓励——不是「创业很美好，你也来试试」，而是「创业很痛苦，但你扛得住」。 结尾 《The Hard Thing About Hard Things》不是一本「读了就能成功」的书。它是一本「在你最困难的时候，知道有人跟你经历过同样的困难，你就不那么孤独了」的书。 创业的路上，方法论救不了你，鸡汤救不了你，估值也救不了你。唯一能救你的，是你面对困境时做出的那个「不那么差的决策」，以及支撑你做出那个决策的勇气。 这本书，就是来给你勇气的。

如果你只能读一本关于中国经济的书，就读这本。 兰小欢的《置身事内：中国政府与经济发展》是我读过的最清晰、最诚实的中国经济入门书。它不唱赞歌，也不贩卖焦虑。它只做一件事：解释中国经济「为什么是这样」。 读完之后，你会对房价为什么这么高、地方债为什么这么多、产业政策为什么这么猛，有完全不同的理解。 核心概念：「地方政府公司主义」 兰小欢的核心论点是：中国经济的奇迹，很大程度上来自「地方政府公司主义」——地方政府像公司一样运营经济。 在一个典型的市场经济中，政府是「裁判员」，企业是「运动员」。政府制定规则，企业在规则下竞争。但在中国，地方政府既是「裁判员」，也是「运动员」——它制定规则，同时也直接参与经济活动。它卖地、招商引资、投资基建、扶持企业，像一个巨型公司一样运营着地方经济。 这种模式的激励来自「分税制改革」（1994年）。分税制将大部分税收收归中央，但将土地出让金留给了地方。地方政府的主要收入来源变成了「卖地」，而不是「收税」。于是，地方政府的行为模式发生了根本性变化： 卖地需要地价高 → 推高房价 地价高需要经济发展 → 招商引资 招商引资需要好环境 → 大兴基建 大兴基建需要钱 → 地方融资平台（城投公司）借钱 这就是中国过去30年「高增长+高房价+高债务」的底层逻辑。它不是某个人的「阴谋」，而是激励机制下的「理性选择」。 为什么房价这么高？ 兰小欢用一整章解释了中国房价的逻辑。 核心原因是：土地财政。 地方政府的财政收入中，土地出让金和相关税收占了一半以上。卖地收入是地方政府的「命根子」。所以，地方政府有强烈的动机维持高房价——房价高，地价才高；地价高，收入才高。 但同时，高房价也是「城市公共服务」的价格。在中国，买房不只是买一个居住空间，更是买一套「公共服务」——户口、学区、医疗、社保。这些公共服务的质量差异极大，一线城市和县城的公共服务差距，可能比房价差距更大。 所以，当一个人花500万在北京买房时，他不是在买「100平米的水泥盒子」，而是在买「北京户口的公共服务」。这就是为什么调控房价这么难——你不仅要调「供需关系」，还要调「公共服务的分配」。 为什么地方债这么多？ 兰小欢的另一个核心分析是地方债问题。 地方债的根源同样是「激励机制」：地方政府想发展经济，但预算内收入不够，于是通过「地方融资平台」（城投公司）借钱投资。城投公司用土地做抵押，向银行借钱，投资基建和产业园区。如果投资成功，经济起来了，税收增加了，地价涨了，皆大欢喜。如果投资失败，债务留给下一任，烂摊子留给银行。 这就是「隐性债务」的来源。中国的地方政府隐性债务规模有多大？各种估计在30-50万亿人民币之间。这不是一个「会不会爆」的问题，而是一个「怎么化解」的问题。 兰小欢的分析让我理解了一个关键点：地方债不是「政府乱花钱」，而是「激励机制下的理性行为」。 要解决地方债，不是「让地方政府少花钱」，而是「改变地方政府的激励机制」——让地方政府不再依赖卖地和借钱来发展经济。 为什么产业政策这么猛？ 兰小欢对中国产业政策的分析同样精彩。 他的论点是：中国产业政策的本质，是「地方政府之间的竞争」。当中央政府说「要发展新能源汽车」时，100个地方政府同时冲进去，给地、给钱、给政策，谁能跑出来算谁的。这种模式造成了巨大的浪费（光伏、新能源车都经历过严重的产能过剩和价格战），但也跑出了世界级的企业（宁德时代、比亚迪、隆基绿能）。 这是一种「乱枪打鸟」的策略——打100枪，99枪浪费了，但有一枪打中了，就值了。这种策略在「追赶阶段」是有效的（因为你有一个明确的目标——追上发达国家），但在「创新阶段」可能无效（因为创新没有明确目标，需要的是多样性和开放性）。 结尾 《置身事内》最大的价值，是它提供了一个「理解中国经济的框架」。有了这个框架，你看房价、看地方债、看产业政策，就不再是「看不懂」，而是「能看懂其中的逻辑」。 这个框架的核心就是四个字：「置身事内」。不是站在外面批评，也不是站在里面辩护，而是「理解这个系统是如何运作的，以及为什么这样运作」。 理解之后，你才能知道什么能改变，什么不能改变，以及改变的代价是什么。 这就是为什么，我认为这本书是理解中国经济的第一本必读书。

你有没有想过一个问题：为什么飞机失事的概率是千万分之一，而医疗事故的概率是几百分之一？ 不是因为医生不如飞行员聪明，而是因为航空业有一种医疗业没有的东西：黑匣子思维。 Matthew Syed的《黑匣子思维》（Black Box Thinking）用一个震撼的对比开场：每架飞机上都装有黑匣子，记录飞行数据和驾驶舱语音。一旦发生事故（哪怕是「差点发生事故」），黑匣子数据会被彻底分析，找出根本原因，然后全球航空公司共享改进措施。结果就是：航空业的安全记录在过去50年提升了1000倍。 但在医疗行业，当医生犯了错误导致病人死亡，会发生什么？通常什么都不会发生。错误被归咎于「特殊情况」，被掩盖，被遗忘。结果就是：同样的医疗错误，年复一年地重复发生。 Syed说：「航空业对待失败的方式，决定了它的成功。医疗业对待失败的方式，决定了它的失败。」 什么是「黑匣子思维」？ 黑匣子思维的核心是：不把失败当成「羞耻」，而是当成「数据」。 大多数人对失败的态度是「认知失调」（Cognitive Dissonance）——当失败威胁到我们的自我形象时，我们的大脑会自动「调整」对失败的认知： 「这次失败是特殊情况，不代表我的能力」 「这次失败是因为外部因素，不是我的错」 「虽然目标没达成，但过程是有价值的」 这些「调整」保护了我们的自尊心，但也让我们失去了从失败中学习的机会。 而黑匣子思维要求我们做一件极其困难的事：诚实地面对失败，彻底地分析失败，然后系统性地改进。 三个改变我认知的案例 案例一：David Beckham的任意球。 贝克汉姆是足球史上最伟大的任意球大师之一。但很多人不知道的是，他小时候在伦敦东区的公园里练习任意球时，每天要踢1000次。不是「每天练习」，而是「每天失败900次，然后从失败中学习」。 Syed说：「贝克汉姆的天赋，不是『天生会踢任意球』，而是『天生不怕踢歪任意球』。」 案例二：Dyson吸尘器的5127个原型。 James Dyson发明无袋吸尘器时，做了5127个原型。前5126个都失败了。但他不认为这是「5126次失败」，而是「找到了5126种不行的方式」。 Syed的评论是：「创新不是灵光一现，而是对失败的容忍度。你愿意失败多少次，决定了你能成功到什么程度。」 案例三：丰田的「安灯系统」。 丰田生产线上有一个「安灯绳」（Andon Cord）——任何工人发现问题，都可以拉绳停止整条生产线。在大多数工厂，停线是一种「失败」，会被惩罚。但在丰田，停线是一种「学习机会」——找到问题的根源，从系统层面解决它。 这就是「黑匣子文化」：不惩罚失败，而是奖励从失败中学习。 为什么大多数人做不到？ 因为「黑匣子思维」和人类的自我保护本能完全相反。 心理学家Carol Dweck的「成长型思维」和「固定型思维」理论，完美解释了这个问题： 固定型思维的人认为能力是固定的，失败意味着「我不够好」。为了保护自尊，他们会回避挑战，逃避失败。 成长型思维的人认为能力可以成长，失败意味着「我还在学习」。他们会拥抱挑战，从失败中获取反馈。 Syed的贡献在于，他把这个心理学理论从「个人层面」扩展到了「组织层面」。「黑匣子组织」就是拥有「成长型思维」的组织——不惩罚失败，而是把失败当成改进的机会。 对我最大的改变 读这本书之前，我对失败的态度是「嘴上说接受，心里很害怕」。每次失败后，我都会花大量时间「消化情绪」——安慰自己、找外部原因、转移注意力。 读这本书之后，我对失败的态度变成了「这是一个数据点」。每次失败后，我做的第一件事不是「消化情绪」，而是「记录数据」：这次失败的根因是什么？如果重来一次，我会怎么做？系统层面上，有什么可以改进的？ 这个转变，是我过去几年最大的个人成长。 结尾 《黑匣子思维》不是一本「教你怎么成功」的书。它是一本「改变你和失败的关系」的书。 它用航空业的黑匣子、医院的医疗事故、体育界的顶级运动员、制造业的精益生产，反复论证一个简单但极难践行的道理：失败不是成功的反面，而是成功的原料。 关键不在于你失败了多少次，而在于你从失败中提取了多少信息。 如果你今年只读一本关于「成长」的书，读这本。