如今的 AI 虽然能高效完成大量基础性工作，却会让行业活动迅速趋同，而真正的创新往往并非诞生在流程的正确性里，而是出现在现实的麻烦与偶然里。早期网页加载慢得令人崩溃，于是逼出了工程师发明图像压缩算法；科研人员被电子邮件附件格式冲突折磨得不行，才有了跨平台的 PDF 标准；甚至连青霉素，也是弗莱明因为实验室没打扫干净才“撞出来”的救命药物。这些突破都不是“流程内的正确答案”，而是源于世界的不完美、现实的卡顿、以及那些没人预料的差错。
而 AI 领域本身正在重演同样的困境。正如 Karpathy 所指出的，用模型自己那些“逻辑清晰但高度一致”的输出继续训练，只会让模型性能塌缩，因为它覆盖的只是庞大思维空间中的一条窄带，看似干净，却缺乏多样性。让 AI 替代所有基础工作，同样会让社会的思维空间收缩——缺乏噪音，就意味着缺乏新的可能。
人类的创造力来自混沌：来自孩童般的胡思乱想，也来自成年世界那种“不顺手、不顺眼、不高效”的地方；但 AI 正在像一个过度自律的大脑，不断削去路径、压缩可能、收紧探索。未来我们真正需要的 AI，不是一个记住海量事实的巨大仓库，而是一个能在需要时调用知识、真正保持推理结构的“思考机器”。而当 AI 真正学会思考，它所能替代的，就不会只停留在基层岗位了。
科幻作家 道格拉斯·亚当斯（Douglas Adams） 对“人类如何看待科技”总结了“科技三定律”：
- 任何在我出生时已经有的科技，都是稀松平常的，是世界本来秩序的一部分
- 任何在我 15-35 岁之间诞生的科技，都是将会改变世界的革命性产物
- 任何在我 35 岁之后诞生的科技，都是违反自然规律要遭天谴的
可能真正拖慢未来的不是科技的发展速度，而是人类对“正常”的执念。
在过去，人们常把“意志力”理解为一种有限的能量，用得越多越容易枯竭。但最近的心理学研究表明，这种看法并不完全准确。所谓“意志力下降”，更多是动机与注意力的重新分配——当我们的注意力被短期奖励吸引，或情绪资源被其他任务占用时，长远目标就被暂时“挤出”了注意范围。这其实不是能量用光，而是大脑优先级的调整。
因此，提升自我调节的关键，不在于强迫自己“更有毅力”，而在于重新设计环境与流程，让正确的选择变得更容易。比如，保持固定的学习时间、在手机上屏蔽干扰、提前规划好下一步行动，都是在为大脑减少决策负担。研究发现，当我们在稳定的情境中反复执行某个行为，大脑会自动建立“线索—反应”的连接，让行动像反射一样自然，无需反复动用意志力。
行为科学家称这种方法为 “选择架构”与“实施意图” ：前者通过调整默认选项和操作路径，让正确选择成为最方便的选项；后者则把目标转化为清晰的“如果—那么”计划（例如：“如果我吃完饭，就立刻散步十分钟”）。
通过这样的设计，所谓“自律”不再是一场艰难的斗争，而是一套帮助大脑更轻松执行正确决策的系统。真正的成长，不是让意志力变强，而是让环境与机制为我们服务，让“正确的事”成为最轻松的事。
我们的世界，其实是通过语言被构建和定义的。这种语言，只属于人类——它既不是自然的语言，也不是任何其他生命或系统的语言。我们的思想边界，其实正是语言的边界。这也意味着，大语言模型的根本局限在于：人类无法描述一个超越语言的世界。
每当人类创造出新的词汇，实际上是在扩展感知的疆域。古代的文言文，表达着一种凝练而宏观的世界观；现代语言，则以更复杂的语法和概念去捕捉细微的情绪与感受。但无论语言如何演化，它始终是一种压缩机制——它让我们得以沟通，却也让真实被抽象、被简化。当我试图描述“恐惧”或“乐观”时，语言永远只能绕着那种感受打转。在我说出那一刻，原始的体验早已消散，只剩下意义的外壳。
AI 的错误，并不在于计算的不精确，而在于它无法真正定义人类的“定义”。因为我们理解的世界，从一开始就不是客观的世界，而是被语言压缩、翻译、再诠释之后的世界。无论是大语言模型，还是视觉语言模型，它们所映射的，只是这层层压缩后的语言之影，而非世界本身。于是，AI 的边界，也可能正是语言的边界。
记忆虽然源于过去，其根本功能却是为未来服务——确保重要的信息得以穿越时间，长期保留。人脑具备天然的遗忘机制，尤其容易遗忘那些痛苦或不重要的信息，这是大脑的一种自我保护和节能方式。然而，若我们希望克服这种遗忘，就必须反复主动地访问信息，以行为向大脑“证明”：这些内容是有价值的，值得保留。
通过不断复习，我们不仅能强化已有记忆，还能与新知识建立联结，构建更稳固的认知网络。要实现长期记忆，推荐使用“间隔重复”策略：
- 第一次复习：务必在学习当日完成，建议通过闭眼回忆来加强初始记忆痕迹
- 第二次复习：在隔天进行（如周一学习→周三复习），此时仍处于短期记忆窗口，有助于进一步巩固内容
- 后续复习：逐步拉长时间间隔（如一周→一个月→更久），迫使大脑在“接近遗忘临界点”时主动提取信息，从而显著提升记忆强度
对于极少数高频使用的核心知识（如专业基础理论），可进行多达五次复习。大多数一般性内容，通过三次左右的复习即可达到稳定记忆效果。
在现代社会，林林总总的理论方法和商业机构，有意无意地制造出一种幻觉：只要肯花钱，任何问题都有解决办法。但回到常识我们都明白，很多事情是“天命”，是超出人力所能掌控的。那该怎么办？最好的办法是不去执念于结果，而是把“收成”交给信念，把精力投入到能控制的环节上。
这正是农耕思维的智慧——“只问耕耘，不问收获”。它与猎人思维截然不同：猎人目光紧盯猎物本身，而农民则专注于作物成长的周边变量，比如土壤、水分和气候。前者追逐目标，后者经营过程。
对我来说，我找到的关键变量是：每周写一篇文章。只要坚持做到这一点，长期主义的基石就在，对自己最初的承诺也就在。至于写得好不好、有没有人看，这些都是“收成”的事，都可以慢慢调整，不急不躁。从这个角度讲，我也是一个“像农民一样思考”的人——专注在能耕耘的部分，余下的交给时间。
阅读是知识蒸馏，行动是强化学习，反思是自监督学习。
阅读，萃取精华，从他人经验中提炼智慧
行动，边做边学，通过试错找到更好的方法
反思，复盘调整，在思考中优化自己的认知
阅读的目的不仅仅是想知道这本书讲了什么，还是想要将这本书纳入自己的知识体系，建立新的神经元连接。但是碳基神经元连接和重建速度都比较慢，很多新知还需要花比较长的时间思考，另外建立连接还需要刺激、兴奋、能引起共鸣的东西。
AI时代的阅读策略：
- 选书，AI既可以帮助选书还能迅速告诉你这本书讲了什么，提供每一章的摘要
- 回答问题，对于有疑问的地方，一边读一边问，会比蒙头读更有收获
- 泛化，举一反三的能力，比如刚学会了某个概念，让AI给你讲讲看自己理解的到不到位，是不是还适用在其它领域
- 定制内容，阅读也是为了解惑，你可以把问题直接扔给AI，让AI生成研究报告，还可以反复追问，直到满意为止
信息量的大小取决于其克服的不确定性程度，也就是看它能帮你搞明白多少原本不清楚的事。学习就是不断把模糊的东西变清楚的过程，你学得越多，就越能快速抓住重点，越会自动跳过那些“重复的废话”。比如老司机看代码，扫一眼就能找到关键逻辑，而新手还在纠结标点符号。
对于一个全新领域的学习策略是：
- 对于不理解的概念，先记住，深入理解的前提是完整记忆
- 短时间内做大量重复，建立更多神经元连接
人类文明本质是语言文字构建的产物，所有知识均可通过语言符号系统编码传承。所谓“不可言传”的知识实质是语言表达能力不足的体现，并非知识本身的不可描述性。而语言文字分为自然语言和人工语言：
- 自然语言：灵活复杂，多用于文学、日常交流，允许修辞和模糊性，不利于精准构建知识
人工语言：使用有限、无歧义的词汇和规则，具有简化性而且定义清晰
所有科学领域均依赖无歧义的语言构建，否则无法深入复杂认知。人工语言的学习重点在于准确理解限定词和逻辑关系。
没有任何机器可以一直用100%的功率运转，人也一样。每个人每天都要睡觉，都要吃饭。换句话说，每个人都有一定的时间用在标准活动上。关于
效率追求：
- 必须使用适当的方法休息、放松，以便恢复精力，在良好的状态下才能做更多的事情
- 在做时间预算时一定要留有空间，要清楚肯定会有意外事件发生，所以要留出时间处理这些意外事件
- 鱼和熊掌确实不可兼得——你必须选择，选择意味着放弃，选择做某件事情，可能就不能去做另一件事情
- 黄金分割率1:0.618，如果你一天可以规划的时间有10小时，并且你确定自己是以工作成就为导向的人，那就可以这样规划用大约6.18小时去工作和学习，用剩下的大约3.82小时去休息去享受欢乐
很多人半途而废，往往是因为把目标定得太高，又对达成那么高的目标要付出的代价缺乏清楚的认识。
当你是正确的，同时别人也都是正确的，那“正确”本身的价值其实并不大。当你是正确的，可别人都是错误的，这时候，“你的正确”就具备很大的价值。你正确的程度越大，与此同时不认同你的人越多，这时候价值才越大。和正确本身一样，特立独行本身的价值也不大，但
特立独行且正确就价值巨大了。
AI 不会减少你掌握新技能所需要付出的努力，只会让你产生不必学习就已经学会的错觉。