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。 ...

回望求学与创业的征程，我始终感恩大学时期选择理科的决定。我的本科是计算机科学与技术，严谨的理科训练，让我养成了以数据为依据、以结果为导向的实证思维。这种"凡事求有效、凡事讲逻辑"的认知底色，帮我搞定了职业过程中理性的思考问题。在工作过程中这种思维模版帮我解决很多问题，比如产品迭代、流程优化这些"硬骨头"。但真到了从生产到市场环节打拼才发现，光会解决技术问题远远不够。好几次，我周围很多创业者拿着看似完美的产品推向市场，要么找不到精准客户，要么定价不合理导致盈利微薄，甚至因为没摸清行业周期，在市场低谷时盲目投入，亏了不少钱。这种"懂技术却不懂经营"的迷茫，让我彻底明白：创业的核心是盈利，而盈利的关键在于经营思维。也正因如此，我在21年选择攻读MBA。这段学习历程不是对过往理科知识的否定，而是给我补上了"经营"这堂关键必修课，让我从"做事"的层面，真正升级到"做局"的层面，成为我创业路上扭转困局的核心支撑。又一次我的老板在闲聊时问我，我为什么选择要读MBA呢，以上也是我的回答。 MBA最让我受益的，是帮我升级了视野。用经营思维，真正看见市场里藏在表象下的获利机会点。以前做市场，我只会盯着竞品的价格和功能，跟着别人的节奏走，永远赚不到认知之外的钱。但通过MBA里的经济学和市场分析课程，我学会了从供需关系、行业周期、政策导向的全局视角看市场。比如在分析细分领域时，我不再只看当下的销量，而是用经济模型预判未来的需求趋势，结合成本结构算出"最优盈利区间"，最终找到一个被大公司忽略的小众需求点。就像去年，我通过分析区域消费升级的经济数据，发现本地中小企业对"低成本数字化转型"的需求迫切，但市场上的解决方案要么太贵要么太复杂，于是我针对性地推出轻量化产品，短短半年就实现了盈利翻倍。这种"从经济规律里找机会，用经营思维抓盈利"的能力，正是商科学习带给我的核心价值。同时，不同学科的碰撞也让我打通了认知：管理学让我明白，找到机会只是第一步，能把机会落地的组织能力才是关键。商业历史案例则提醒我，再优质的获利机会，也需要避开周期陷阱，这都是保证收益稳定的重要前提。 “一个人做不大"的想法，在MBA学习中不仅得到印证，更让我找到了"整合全局"的经营解法。从市场分析到组织制度，搭建全方位的经营策略，才能让盈利持续放大。以前我带团队，只会把任务分配下去，却忽略了"组织能力要匹配市场机会”。比如找到轻量化数字化转型的机会后，初期因为团队分工模糊、激励不到位，导致交付效率低，客户投诉多，明明是好机会，却差点因为组织问题错失收益。后来，我把MBA学到的组织设计、激励机制知识用在实践中：先根据市场需求拆分核心业务模块，再对应搭建销售、交付、售后团队，同时设计"基础薪资+盈利分成"的激励方案，让团队目标和公司盈利目标绑定。这样一来，团队效率直接提升了40%，客户复购率也从30%涨到了60%。更重要的是，MBA圈层里的精英伙伴，不仅帮我验证了市场机会的可行性，还为我对接了不少中小企业资源，让我的经营策略能更快落地。这让我深刻体会到，商业盈利从来不是"单点突破"，而是"全局协同"。用市场分析找机会，用组织制度保落地，再用团队协作放大收益，这就是商科教给我的完整经营逻辑。 我曾反复琢磨"一人之公司的成长上限"，现在终于明白：个体的经营思维边界，就是盈利的上限。创业初期，我因为不懂经营，走了太多"赚小钱、丢大钱"的弯路。而MBA的学习，给我搭建起了从"找机会"到"稳盈利"的完整经营框架。比如用经济思维判断市场趋势，避免在周期低谷盲目投入。用成本收益模型优化定价策略，让每一笔订单都有合理利润。用战略规划思维布局长期业务，避免只盯着短期收益而错失长期机会。就像我现在做业务，会先通过市场分析锁定高毛利的细分领域，再根据行业周期调整投入节奏，同时用组织制度保障团队效率，最后通过客户关系管理提升复购率。这套流程下来，公司的盈利稳定性比以前提升了太多。这种"每一步决策都围绕经营盈利"的思维，是我以前靠理科思维永远悟不到的，也是商科学习带给我最宝贵的财富。 如今回望MBA的学习历程，我满心都是感恩。这份感恩，不只是因为它帮我赚到了更多钱，更因为它彻底重塑了我的经营认知。让我从一个只会"做事"的理科生，变成了一个懂得"做局"的经营者。让我明白，市场里的盈利机会从来都不是靠运气，而是靠经营思维的精准判断。让我掌握了从市场分析到组织制度的全局经营策略，能更从容地应对创业中的各种挑战。这段历程，是知识的积累，更是思维的蜕变、视野的升级。未来，我会带着这份经营智慧继续深耕创业之路，也始终铭记：商业的核心是盈利，而支撑盈利的，永远是扎实的经营思维。这就是我要读MBA的终极意义。

凌晨两点的吐槽：被商旅APP支配的恐惧 上周出差广州，凌晨两点赶最后一班航班回北京。在机场休息室里，我抱着电脑对着公司指定的「XX商旅」APP发呆——同样是预订返程机票，在「携程」上30秒搞定的操作，在这款APP里我已经耗了15分钟： 第一步填部门信息（明明系统里已经有我的档案） 第二步选审批单号（上个月的审批单还能选，我得翻5页找最新的） 第三步确认差旅标准（弹出3个提示框，必须逐一点「我知道了」） 第四步选座（只有3个靠窗位可选，携程上明明还剩12个） 第五步支付（提示「请选择支付方式」，但只有「企业月结」一个选项） 终于提交成功时，我突然意识到：这款每天被上万员工使用的APP，根本不是什么C端产品——它只是披着C端外衣的B端工具，而这背后的逻辑扭曲，才是体验灾难的根源。 「伪C端」的本质：买单的人不使用，使用的人不买单 上周和HR部门的同事吃饭，聊起这款商旅APP。她无奈地说：「我们去年招标时对比了5家服务商，最后选这家是因为他们的差旅管控系统最完善——能限制员工只能订经济舱，能自动识别超标酒店，能导出财务需要的所有报表。」 我瞬间明白了： 商旅APP的使用者是员工，但付费决策权在企业 这种「权责分离」的模式直接决定了产品的设计优先级： 企业关心「成本」：协议价低多少？能不能防止员工乱花钱？报表全不全？ 商旅公司关心「订单」：企业想要什么功能，我就做什么功能，反正员工没得选 员工关心「体验」：这是最不重要的——因为我们既不买单，也没选择 某第三方评测机构2024年的报告很有意思： 员工投诉TOP3：操作繁琐、价格偏高、选择少 企业采购TOP3：成本节约率、合规率、数据导出功能 完全不在一个频道上。 产品人的愤怒：技术不是问题，态度才是 作为产品经理，我专门拆解过这款APP的前端代码—— 不是技术做不到，而是根本没用心做。 比如： 登录页用的是5年前的表单组件，没有记住密码功能 搜索航班用的是分页加载，每页20条，翻页要重新请求 酒店详情页没有图片懒加载，打开需要8秒 个人信息页不能自动填充，每次都要重新输入 这些问题，随便找个初级前端工程师都能一周内解决。但商旅公司为什么不做？ 因为优化员工体验不能直接带来订单。企业采购时不会问「你们APP的加载速度是多少」，只会问「你们能帮我们省多少钱」。 这种「甲方满意就行」的B端思维，和C端产品「用户至上」的逻辑，差了10个微信支付。 经济学的困局：三方博弈的无解循环 深入想一层，这其实是一场「三角博弈」： 🔵 企业：我要成本可控 企业引入商旅APP的核心需求是「降低管理成本」。 以前员工出差，申请、审批、预订、报销全是线下流程，HR要核对，财务要审计，一年下来光人工成本就要几十万。现在用APP，所有流程线上化，数据自动统计，确实省了不少事。 🟡 商旅公司：我要利润最大化 商旅公司的商业模式很简单：靠企业订单量赚钱。 在竞争激烈的市场里，谁能满足企业的管控需求，谁就能拿到订单。优化前端体验需要额外投入研发资源，而且不能直接转化为竞争力——反正员工只能用指定平台，体验差点也不会流失客户。 🔴 员工：我要好用就行 员工作为最终用户，却是最没话语权的一方。 我们既不能选择用哪个APP，也不能直接反馈给商旅公司。唯一能做的，就是在茶水间吐槽两句，然后继续忍受糟糕的体验。 这三个利益方的目标根本无法调和：企业要「管得严」，商旅公司要「赚得多」，员工要「用得顺」——就像三个方向的力，把产品拉扯得面目全非。 B端产品的终极命题：到底为谁服务？ 上周参加产品经理沙龙，有位做企业服务的朋友说：「B端产品就是为付费客户服务的，员工体验不重要。」 我当场反驳：「那你有没有算过，员工每天花在糟糕APP上的时间，其实是企业的隐性成本？」 比如： 每个员工每月用商旅APP10次，每次多花5分钟 公司1000名员工，每月就是50000分钟 = 833小时 按平均时薪100元算，每月隐性成本就是83300元 而且，糟糕的体验还会导致员工抵触情绪——我认识的好几个朋友，为了避开繁琐流程，宁愿自己先垫钱在个人平台预订，然后找发票报销。这反而违背了企业引入商旅APP的初衷：管控风险。 破局之道：从「管控工具」到「效率伙伴」 其实已经有企业在尝试改变了。 我有个客户是一家互联网公司，他们要求商旅服务商做了这些改进： 自动填充信息：基于员工档案自动填写部门、职位、差旅标准 智能推荐：根据员工历史偏好推荐酒店和航班 隐性管控：管控逻辑在后台运行，前端只在超标时提示 一键报销：预订完成后自动生成报销单 结果如何？ 员工满意度提升了60% 预订流程耗时减少了70% 企业差旅成本反而下降了5%（因为员工不再绕开系统） 这才是真正的双赢：企业拿到了想要的管控，员工获得了良好的体验，商旅公司也留住了客户。 最后的思考 昨天我又用了一次那款商旅APP——还是一样的繁琐，一样的慢。 ...

上一篇我们搞定了符号，这一篇直接拆解AI论文中出现频率最高的6个公式。每个公式都是：问题→公式→拆解→代码。 前置要求：读完上一篇符号速查手册。 一、Softmax与交叉熵损失 问题：如何把模型输出变成概率？ 神经网络输出的是一堆数字（logits），可能是负数、可能很大。我们需要把它们变成概率分布（非负、和为1）。 公式 $$\text{softmax}(x_i) = \frac{e^{x_i}}{\sum_{j=1}^{K} e^{x_j}}$$ 拆解 $e^{x_i}$：指数函数，把任意数变成正数 $\sum_{j=1}^{K} e^{x_j}$：所有指数的和，用于归一化 除法：确保结果和为1 为什么用指数？ 因为指数函数会放大差异——大的更大，小的更小，让模型更"自信"。 代码实现 import numpy as np def softmax(x): """ 输入: x, shape (K,) 或 (batch, K) 输出: 概率分布，shape同输入 """ # 减去最大值防止数值溢出（数学上等价） exp_x = np.exp(x - np.max(x, axis=-1, keepdims=True)) return exp_x / np.sum(exp_x, axis=-1, keepdims=True) # 示例 logits = np.array([2.0, 1.0, 0.1]) probs = softmax(logits) print(probs) # [0.659, 0.242, 0.099] print(probs.sum()) # 1.0 交叉熵损失 有了概率，如何衡量预测和真实标签的差距？ $$L = -\sum_{i=1}^{K} y_i \log(\hat{y}_i)$$ 其中 $y_i$ 是真实标签（one-hot），$\hat{y}_i$ 是预测概率。 简化形式（单标签分类）： $$L = -\log(\hat{y}_{correct})$$ 就是正确类别的概率取负对数。概率越高，损失越小。 def cross_entropy_loss(probs, label): """ probs: softmax输出的概率, shape (K,) label: 正确类别的索引, int """ return -np.log(probs[label] + 1e-10) # 加小数防止log(0) # 示例 probs = np.array([0.7, 0.2, 0.1]) loss = cross_entropy_loss(probs, label=0) # 正确类别是0 print(loss) # 0.357（概率0.7对应的损失） 二、注意力机制（Attention） 问题：如何让模型"关注"输入的不同部分？ 翻译"我爱北京"时，生成"Beijing"应该主要关注"北京"这个词，而不是平均关注所有词。 ...

读AI论文最大的障碍不是英语，是数学符号。看到 $\sum$、$\nabla$、$\mathbb{E}$ 就头大？本文用符号→读法→含义→代码的模式，30分钟帮你扫清障碍。 前置要求：高中数学水平，会基础Python。 一、求和与连乘 1.1 求和符号 $\sum$ 读法：Sigma（西格玛），读作"sum" 含义：把一堆数加起来 公式示例： $$\sum_{i=1}^{n} x_i = x_1 + x_2 + \cdots + x_n$$ 论文中常见形式： 损失函数：$L = \sum_{i=1}^{N} \ell(y_i, \hat{y}_i)$（所有样本的损失加起来） 注意力权重：$c = \sum_{i=1}^{T} \alpha_i h_i$（加权求和） Python实现： import numpy as np # 方法1：直接求和 x = [1, 2, 3, 4, 5] result = sum(x) # 15 # 方法2：NumPy x = np.array([1, 2, 3, 4, 5]) result = np.sum(x) # 15 # 方法3：带条件的求和（论文常见） # 例如：只对正数求和 result = sum(xi for xi in x if xi > 0) 1.2 连乘符号 $\prod$ 读法：Pi（派），读作"product" 含义：把一堆数乘起来 公式示例： $$\prod_{i=1}^{n} x_i = x_1 \times x_2 \times \cdots \times x_n$$ 论文中常见形式： ...