《反脆弱》与《非对称风险》读书笔记

一图总览:两本书一根讲「结构」(脆弱→强健→反脆弱),一根讲「激励」(谁承担后果谁才有资格决策)。林迪效应与杠铃策略是时间检验过的智慧;普通人要做的就是保持可选性、与有切身利害的人为伍。 塔勒布说:脆弱的人寻求预测,反脆弱的人寻求选择权。风会吹灭蜡烛,却能让火越烧越旺。 《反脆弱》(Antifragile,购书链接)和《非对称风险》(Skin in the Game,购书链接)是纳西姆·尼古拉斯·塔勒布(Nassim Nicholas Taleb)思想体系的两根主轴。前者回答「在不可预测的世界里,什么样的结构能从波动中获益」;后者回答「谁有权做决策——以及谁在把风险转嫁给你」。两本书都强烈推荐给科技、经济领域的读者,尤其推荐给管理者:无论你管的是产品、团队、供应链还是投资组合,都会反复撞见「优化与冗余」「专业化与单点失败」「决策与后果分离」这些命题。下文用七层理解维度组织这篇读书笔记:你可以只读到第一层就停,也可以一路烧脑到第七层;每一层都试图做到逻辑自洽,层与层之间由浅入深,最终希望不同背景的读者都能各取所需、读得酣畅。 阅读与读者建议:若你时间有限,读到第二层即可掌握两书核心概念;若你是管理者或做产品/供应链/投资,建议至少读到第四层(实例)和第七层(如何做);若你想理解塔勒布在思想史中的位置及与左派批判的对照,第三层、第五层不可跳过;若你关心「这些观点事后被验证了吗」,第六层专门回答。全文使用简体中文;专有名词首次出现时附英文,便于查证与延伸阅读。 第一层:两本书在说什么? 一句话概括: 《反脆弱》:现代社会为了「效率」和「可控」而消灭冗余、消灭波动、追求强健(robust),结果系统变得脆弱——平时小赚,危机巨亏。更好的目标不是「不被击垮」,而是从波动和压力中获益(反脆弱)。书中用凸性/凹性、林迪效应、杠铃策略等概念,把这套直觉数学化、可操作化。 《非对称风险》:决策权和风险承担被系统性地分离了。专家、CEO、官僚、银行家用你的钱下注,赚了归他们,亏了归你——这就是风险转嫁。书的核心主张是:谁承担后果,谁才有资格做决策(skin in the game);否则再多的「专业」和「理性」也只是在为转嫁风险背书。 两本书合在一起,一个讲「结构」(反脆弱 vs 脆弱),一个讲「激励」(共担风险 vs 转嫁风险);很多现代病,两者同时在场。 第二层:核心概念 《反脆弱》的四个锚点 脆弱 / 强健 / 反脆弱 脆弱:波动越大,损失越大(凹性,concavity)。例如极限库存的供应链:平时省成本,一旦断链就停产。 强健:波动来了,尽量不变(线性)。例如「百年一遇」的防洪标准:能扛一定冲击,但不会从冲击中变强。 反脆弱:波动越大,获益越大(凸性,convexity)。例如免疫系统:适度接触病原,反而更强;完全无菌,一遇外界就崩。 林迪效应(Lindy effect) 一个东西已经存活的时间越长,预期剩余寿命就越长。传统、习俗、历久不衰的制度里,往往浓缩了我们「说不清楚但有用」的智慧;用当下理性去替换它们,常常是在用简化版替代复杂版,风险自负。 杠铃策略(barbell strategy) 不要「中等风险、中等收益」的中间地带(那里往往最凹、最容易被转嫁)。要么极端保守(绝大部分资源极度安全),要么极端冒险(小部分资源允许全损),清空中间。塔勒布自己的黑天鹅基金:九成以上放在短期国债,几个点买深度虚值看跌期权;平时小亏期权费,危机时大赚。 可选性(optionality) 保留「能试、能撤、能换」的选项,比追求「一次做对」更重要。反脆弱的人不寻求预测,而寻求选择权:在不确定中保留上行空间、限制下行损失。杠铃、分散、可迁移技能,都是可选性的具体形式。 《非对称风险》的三个锚点 Skin in the game(切身利害) 决策者必须和承受后果的人同一批。古罗马:建筑师设计的桥,建筑师要站在桥下;汉莫拉比:房子塌了压死人,建筑师的儿子抵命。一旦「设计者」和「受害者」分离,就会出现道德风险:拿别人的钱赌,赢了拿奖金,输了别人兜底。 风险社会化、收益私有化 银行太大不能倒,亏了纳税人救,赚了高管和股东拿;预售制下,开发商拿钱、政府拿地价、银行收利息,烂尾和质量风险却由购房者扛三十年。塔勒布的批判是:现代制度设计常常在系统地把下行风险转给普通人,把上行收益留给精英。 有知识的白痴(IYI,intellectual yet idiot) 有学位、会模型、活在「平均斯坦」(Mediocristan)里的人——即日常波动小、极端值罕见的世界——在「极端斯坦」(Extremistan)来临时(危机、黑天鹅)模型失效,但他们不承担后果,所以会继续给出「科学」建议。问题不在于他们不聪明,而在于激励错位:他们的报酬不与结果绑定。 这一层把两本书的「概念骨架」抽出来;下一层放到一条更大的思想脉络里,你才能理解塔勒布在跟谁对话。 第三层:论证主线与思想谱系 塔勒布站在一条有别于主流左派的现代性批判传统里。主流批判说:现代性的问题是不够激进,要用更多理性、更多计划、更多专家来改造社会。塔勒布继承的那条线说:现代性的问题是太过狂妄——不是计划太少,而是相信理性可以设计一切,从而轻视传统、地方知识和试错演化。这条线可以简化为:柏克 → 哈耶克 → 斯科特 → 雅各布斯 → 塔勒布。下面按你笔记中的精要,把每一块的论证与实例补足,方便你对照原书和后续延伸阅读。 柏克:传统智慧对抗建构理性 1790 年,埃德蒙·柏克在《法国大革命反思》里把论点归纳为三个层次,后来被反复引用。 第一,传统不是迷信,而是几代人智慧的结晶。 那些看起来「不理性」的制度、习俗、传统,是在漫长历史演化中形成的;能存活到今天,本身就说明它们有某种适应性。你用当下理性标准去审视它们,觉得不合逻辑,然后推翻、建立「理性的新制度」——但你的理性是有限的,你看到的只是表面逻辑,而传统里蕴含的智慧往往是隐性的、情境的、难以言说的。柏克举了英国普通法:不是某一位立法者设计出来的,而是一个案例一个案例累积起来的;表面上看混乱、矛盾、缺乏系统性,但正是这种「混乱」让它能适用各种具体情境、在保持连续性的同时微调。相比之下,法国大革命从零开始用理性原则制定全新法律体系,结果是频繁的宪法更替、朝令夕改、社会秩序崩溃。 第二,社会是有机体,不是机器。 启蒙时代流行一种机械论的社会观:社会像钟表,由部件组成,可以拆开、按蓝图重新组装。柏克说这是根本性错误:社会更像一棵大树,是几代人几百年慢慢长出来的,有看不见的根系、复杂的养分循环、无数微妙的平衡。你可以修剪枝叶、嫁接新枝,但不能把它连根拔起再期待重新栽种。法国大革命的错误就在于把社会当机器,按自由平等博爱的理性蓝图「重新组装」法国社会,结果则是恐怖统治、雅各宾专政、拿破仑军事独裁、欧洲连年战争。 ...

ZHANG.z" | February 3, 2026 | 57 min | Shanghai

AI引起的大规模失业怎么办?

「深度学习之父」杰弗里·辛顿(Geoffrey Hinton)说:超级智能 AI 会带来大规模岗位流失、加剧不平等,我们必须重新思考人们如何获得收入与意义;全民基本收入(UBI)将「必要但不充分」——能让人不饿肚子,却补不上失业带来的尊严缺口。他主张通过对 AI 征税或设立分红,让增长被更公平地分享。 那期对谈是 2025 年 9 月 3 日发布的(访谈视频),我是偶然刷到,看完才有感而发。主持是 Ken Yang(JD/MBA,Common Wealth Canada & UBI Works 总监,@kenjaminyang),嘉宾是图灵奖得主、有「AI 教父」之称的 Geoffrey Hinton。辛顿在这期里直指超级智能 AI 会导致大规模失业、贫富分化,并呼吁把 UBI 和「钱从哪来」一起谈——对 AI 征税、用分红机制让全民分享技术红利。当时记了几段核心论点,顺带写点自己的反应;半年多过去,AI 已经铺天盖地,再翻出来看,不少话更像提前打的预防针。 一、经济学家说技术会创造新岗位,但这次可能不一样 很多人——尤其一些经济学家——会说:新技术总会消灭一些岗位,再创造一些岗位。挖沟的没了,可以去干文书。辛顿的观点是:超级智能 AI 来了,文书也能做得比人更好,那这批人接下来去干什么,并不清楚。 他举的是「平庸智力劳动」:律所里查类似案例的律师助理、呼叫中心里报酬低、培训不足、尽力回答却体验很差的客服。AI 会做得更好,而且可复制。再往外推,凡是重复、可程式化的脑力工作,通用 AI 甚至专用 AI 就能替代,更不用说「比我们强很多倍的超级智能」。所以他的结论很直接:我们很快就会看到大规模失业。生产率提高在理想状态下本该让每个人分到更多商品和服务,但在现有分配结构下,「很多穷人会失业,很多富人会更富」——这对社会非常不利。 我自己的看法:宏观上,辛顿和安德森(人口 + 生产率)看的是不同侧面——一个强调「补位」,一个强调「替代」与分配。两者可以并存:总量上技术可能补人力缺口,但分配不会自动公平,若不对征税、分红、UBI 做制度设计,大规模失业与不平等很可能先于「人人受益」发生。 二、UBI:必要但不充分——收入与尊严是两件事 主持人提到两个维度:工作带来收入,工作也带来自我认同——很多人是「以职业定义自己」的。辛顿的回应是:全民基本收入(UBI)若在很多人失业时实施,是必要的,但不足以解决全部问题。它能让人不挨饿、付得起房租,却无法弥补「失业」带来的尊严与意义感缺失。所以 UBI 是「necessary but not sufficient」——必要但不充分。 访谈里还提到威尔士的 UBI 试点:针对离开孤儿院、刚满 18 岁进入社会的年轻人,给一小群人发基本收入,对照组走常规社会福利。结果是拿到 UBI 的那组在「过渡到成年」的过程中明显更好——有基本经济安全后,在劳动力市场上更有议价空间,也更有可能去寻找更合适的工作或其它方式回馈社会。这说明 UBI 在缓冲冲击、给人们一点选择空间上是有证据的;但它确实不解决「工作本身带来的意义感」问题。 三、钱从哪来:对 AI 征税与分红 一旦大规模失业,原来靠劳动所得税支撑的财政会缩水;若还要发 UBI,钱从哪来?辛顿的主张是:钱应该来自对「替代了人类工作的 AI」的征税——用这些税来支撑 UBI 或类似保障。他也承认,大公司会对「对 AI 征税」非常抵触。 ...

ZHANG.z" | February 2, 2026 | 13 min | Shanghai

安德森谈AI:没有人口崩塌,我们才该慌

网景的发明人、a16z 的 “a”,在播客里说:如果没有 AI,我们此刻该慌的是经济——人口在塌、生产力几十年没真起来;AI 和机器人恰恰在我们最需要的时候来了。 最近听了 Lenny 对 Marc Andreessen 的那期播客(访谈视频)。安德森是网景联合创始人、a16z 联合创始人,经历过浏览器大战和「软件吞噬世界」的预言成真。这期里他谈 AI 时代、人口、岗位、育儿和媒体,有几句话我记下来了,顺带写点自己的反应。 一、慌错了对象 很多人慌的是「AI 抢饭碗」。安德森的观点是:慌反了。 过去五十年,发达经济体的全要素生产率增速一直在放缓,不是加快。美国的生产率增速只有 1940–1970 年的一半、1870–1940 年的约三分之一。也就是说,统计上我们并没有活在一个「技术爆炸」的年代,而是技术对经济的实际拉动在变弱。与此同时,生育率跌破更替水平,多国面临人口收缩。没有新技术补上的话,要面对的是经济收缩、机会变少、没有新岗位——这才是更该慌的剧本。 AI 和自动化恰恰在这个时点出现:我们需要用机器补人力缺口、拉 productivity 的时候,技术来了。所以他的结论是:剩下的劳动者会更值钱,而不是更不值钱;所谓「大规模失业」的恐慌是「totally off base」,除非你假设生产率每年涨 10%、20%、50%,那种量级人类历史上从未出现过。 我自己的看法:宏观上可以接受这个逻辑——人口与生产率两条线一起看,AI 的「替代」和「补位」会同时存在。但微观上,具体行业、具体岗位的震荡不会因此消失,所以「不必慌」不等于「不用准备」。 二、AI 是「哲学家之石」 安德森打了个比方:牛顿那代人搞炼金术,想找能把铅变成金的东西——把最普通的东西变成最稀有的东西,没成。AI 做的是把沙变成思考:沙子(硅)做成芯片,芯片跑出推理和创造。最普遍的资源,变成最稀缺的「思考」。所以他说:AI 就是哲学家之石成真。 这句话把技术史和当下串在一起了。我们习惯把 AI 当成「又一种工具」;他把它当成一种质变——从「更多算力」变成「可规模化的思考」。是否同意都可,但这个比喻值得记住:它提醒我们,讨论 AI 时在讨论的不仅是效率,而是「思考」这种活动本身如何被量产。 三、PM、设计、工程师的「三国杀」 播客里有个问题:产品经理、设计师、工程师,谁会被 AI 干掉? 安德森用了一个词:Mexican standoff(三方对峙)。每个角色都觉得自己能靠 AI 干另外两边的活——码农觉得能兼做产品和设计,PM 觉得能兼做设计和码,设计觉得能兼做产品和码。而且他说:他们某种程度上都对。能跨两三个领域的人,叠加效应会大于「双倍」「三倍」,你会变成「组合型专家」,很难被单一角色替代。 对应到个人策略:T 型或 E 型——至少一条腿特别深(比如工程),同时用 AI 把另外一两条腿拉到「够用」。不要只当「一个螺丝钉」,要让自己不可替代(他引用 Larry Summers 的「don’t be fungible」)。他还说:AI 最好的用法之一,是让它教你——「train me up」:让 AI 出题、批改、讲解,用空余时间把第二、第三技能拉起来。这和「用 AI 代劳」是同一枚硬币的两面。 四、还是要学写代码 有人问:AI 都能写代码了,孩子还要学编程吗? ...

ZHANG.z" | February 1, 2026 | 12 min | Shanghai

元宝派内测:给马老板交的这份作业,及格吗?

腾讯和Meta都有巨量社交数据, 但是还没有找到AI+社交的机会。26号元宝发布了一个体验功能: 元宝派, 像是在AI+社交+Agent上的试水。拿到内测后体验了半天元宝派,也看了马化腾年会讲话。一句话总结:想做Agent,又不敢All in,最后搞了个AI群聊,里面塞了个元宝机器人。 这份作业,我自己都觉得不及格。 数据不会说谎 豆包日活已破1亿,成为国内首个日活过亿的AI应用1;Kimi月活超3600万,K2.5版本刚发布就支持百个智能体并行协作2;千问C端月活破1亿,企业客户接入超100万家,稳坐企业级市场第一3。 元宝呢?QuestMobile数据显示,元宝周活约2084万,日活推算约800万4——在第一梯队里垫底,与豆包的差距已超过10倍。 功能对比更扎心:豆包已能跨应用执行任务、生成长视频;Kimi的200万字长文本处理独步江湖;千问在代码生成和企业场景深耕。而元宝派拿出来的是什么?一个只能在群里斗图、需要反复@才搭理你的"高冷客服"。 马化腾年会上说"不必焦虑",但元宝派赶在春节前内测、机械重复"2月1日分10亿红包"——这哪是不焦虑,分明是焦虑到要给老板交作业了。 给Pony的建议:抄微软作业就行 腾讯目前真没必要亲自下场做Agent(不包含团队试验田), 但是必须有懂Agent, 能搭戏台的人出现, 这个人是不是姚顺雨还未可知。 QQ/微信13亿月活、小程序5亿日活5,这是全球最大的社交生态。与其做一个半残的AI群聊,不如学微软:投资AI初创公司探路,自身快速跟随AI化。 微软没自己从头做大模型,而是投资OpenAI拿到GPT商业化权利,然后把Copilot整合进Office全家桶。结果呢?微软也是AI产品化最快的企业, 而且2025年微软市值近3万亿美元。 腾讯完全可以复制这个路径:投资Kimi、MiniMax这类有潜力的公司,让它们在前线探路Agent场景;自己专注把AI整合进微信生态——让元宝能同步微信日程、智能管理群聊、自动整理朋友圈。 这比做一个独立APP让用户来回切换,强一百倍。 AI的船票,不是非得自己造船。帮别人造船,自己坐船,也是一种战略。 蓝鲸新闻、证券之星2026年1月26-28日报道,QuestMobile周活监测数据 ↩︎ 今日头条2026年1月28日报道,Techno Trenz统计数据 ↩︎ 今日头条2026年1月27日报道,小牛行研数据,沙利文报告佐证 ↩︎ QuestMobile官方数据(2025年12月8-14日周活2084万),新浪财经等媒体转载 ↩︎ 腾讯控股2024年第三季度财报 ↩︎

ZHANG.z" | January 28, 2026 | 4 min | Shanghai

物理学的尽头是AGI?

物理学界流传着一个古老的笑话:物理学家无所不能,除了物理。 虽然是句调侃,但在当今的 AI 浪潮中,这似乎成了某种预言。当你剥开 ChatGPT、Claude 或是 Llama 的外衣,往最核心的算法层和决策层看去,会惊讶地发现:怎么满屋子都是学物理的? 从 OpenAI 的分裂到 Anthropic 的崛起,从 Scaling Laws 的发现到 Transformer 的优化,这群曾经天天琢磨量子态、黑洞和宇宙学的聪明脑袋,似乎集体决定换个赛道——不再纠结上帝掷不掷骰子,而是教 GPU 怎么掷出下一个 Token。 今天,我们就按「学术背景 → 核心贡献 → 现状」的结构,盘点一下这几位“稍不留神”就改变了 AI 历史进程的物理学家。看完你或许会明白,为什么说物理学才是 AGI 的“新东方烹饪学校”。 1. Dario Amodei (Anthropic 联合创始人 & CEO) 物理背景:普林斯顿大学物理学博士。硬核的理论物理与量子计算方向,还顺手在斯坦福和加州理工做了博士后。典型的“谢尔顿”式学术履历。 核心贡献: Scaling Laws (缩放定律):在大模型还是玄学的年代,他和团队搞出了 Scaling Laws,告诉世界:别瞎猜了,算力、数据和参数量之间有铁律。这直接给“暴力美学”奠定了理论基石。 Claude 之父:从 OpenAI 出走后创立 Anthropic,死磕“宪法 AI (Constitutional AI)”,试图给 AI 装上安全阀。 当前状态:Anthropic CEO。正忙着让 Claude 更聪明、更安全,同时思考怎么不让强 AI 把人类带沟里去。 2. Jared Kaplan (Anthropic 联合创始人 & 首席科学家) 物理背景:约翰霍普金斯大学理论物理学教授。研究了 15 年的量子引力、场论和宇宙学。正儿八经的教授下海,降维打击。 核心贡献: Scaling Laws 的奠基人:他和 Dario Amodei 的名字几乎和缩放定律绑定。把研究宇宙膨胀的劲头拿来研究模型膨胀,结果发现规律竟然出奇地一致。 GPT-3 & Codex:在 OpenAI 期间是这两个大杀器的核心参与者。 当前状态:Anthropic 首席科学家。继续在 LLM 的基础理论和安全对齐的无人区里探索。 3. Ilya Sutskever (OpenAI 联合创始人 & 前首席科学家) ...

ZHANG.z" | January 27, 2026 | 17 min | Shanghai