管理
有些书，年轻时读是看故事，隔几年再读，就会看到人和权力之间更隐秘的关系。 《老残游记》给我的这种感觉尤其明显。它不像很多晚清谴责小说那样，把矛头主要对准贪官污吏。刘鹗真正写得用力的地方，反而是那些看起来更“正确”的人：清廉、刚直、有名声，也自认为站在正义一边。 所以那句“赃官可杀，清官更可杀”，读起来才让人心里一沉。 它不是在替贪官开脱，而是在提醒我们：有一种恶，不是从欲望里长出来的，而是从自以为正确里长出来的。前者容易识别，后者更难防范。 清官为什么更难纠偏 《老残游记》里写刚弼，很值得反复看。 他不是传统意义上的坏人。他不收钱，不徇私，也不贪图享受。放在任何一个组织里，这样的人都很容易被视为“可靠干部”：不犯错、守规矩、有原则，甚至有一点让人放心的 कठ。 但问题也正出在这里。 刚弼办案时死扣教条，刚愎自用。他相信自己的判断，也相信自己的清名。越是这样，他越没有退路。
AI
看拿破仑，最容易落入两个陷阱。 一个是把他当战神。奥斯特里茨、耶拿、意大利战役，地图上箭头一画，仿佛欧洲大陆只是他手里的棋盘。另一个是把他当暴君。称帝、扩张、战争、流放，一切都可以归结为个人野心失控。 这两种说法都没错，但都太省事。 拿破仑真正值得研究的地方，不只是他如何赢，也不是他如何输，而是他如何把一种时代能量变成制度，又如何把这些制度重新押回自己的个人意志。前半段是现代国家的诞生，后半段是强人政治的自我吞噬。 他的最大成就，不是打赢了多少场仗，而是把法国大革命释放出来的混乱能量，装进了法律、官僚、财政、学校和军队这套国家机器里。 他的最大失败，也不是输掉滑铁卢，而是无法在胜利之后停下来。他把有限目标打成无限战争，把制度成果押上个人荣耀，把一个本来可以稳定下来的新秩序，推向了持续扩张和最终崩塌。 所以拿破仑这本账，不能简单算成成功或失败。 作为帝国缔造者，他失败了。作为现代国家制度的加速器，他成功了。他输掉了自己的帝国，却把旧欧洲拖进了现代世界。 他不是凭空出现的天才 天才需要时代给他开口子。 如果没有法国大革命，拿破仑这样一个科西嘉小贵族，大概率不会进入欧洲
AI
试用了万得的 WindClaw 之后，我脑子里一直有几个问题。 万得 To C 一直不如同花顺，这次会不会是一次弯道超车的机会？各家券商手里的牌照，还是不是足够坚固的护城河？如果 AI 让数据变得更容易使用，最终掌握“数据 + 交易 + 用户决策入口”的公司，会不会出现某种赢家通吃？ 这些问题现在都没有确定答案。但 WindClaw 至少让我感受到了一件事：金融产品的竞争，可能正在从“谁的数据更多”，转向“谁能让数据更顺手地进入决策”。 一站式入口的惬意感，容易被低估 我最直接的感受，是“指哪打哪”。 行情、财报、资讯、研报，以前这些东西当然也都能找到。问题不在于有没有，而在于路径太碎。你看行情是一套入口，查财报是一套入口，翻研报又是一套入口。每一次切换，都是一次注意力损耗。 很多产品经理会把这件事理解成“功能聚合”。但我觉得更准确的说法是：它在减少决策摩擦。
AI
* 原文：任正非与ICPC主席、教练及获奖选手座谈会纪要 读完任正非与 ICPC 主席、教练及获奖选手的这篇座谈记录，第一感受不是“振奋”，而是“清醒”。 它没有太多宏大的口号，也没有对 AI 未来做过度渲染。更像是一群真正在做事的人，围坐下来，聊年轻人怎么选路，AI 到底怎么落地，一个国家的创新能力又靠什么支撑。 很多话听起来朴素，但背后是几十年产业实践沉淀出来的判断。我把它拆成三条主线：青年与人才，AI 与产业，开放与分工。最后再落回一个问题：我们怎么知道自己有没有站在时代的脉搏上。 青年与人才：能摸高，就不要过早摸低 这篇座谈里，最值得记住的一个词，是“摸高”。 任正非说，每个人的人生道路不同，有人摸高，有人摸低，都是社会贡献。但如果一个人有能力摸高，就不要过早摸低。 这句话很容易被理解成“年轻人要奋斗”。但我觉得，它的重点不在奋斗，而在选择。 人在年轻的时候，
AI
今天看了一下自己火山 Coding Plan Pro 的用量截图，挺有代表性。 我定的是 Pro 套餐。按宣传理解，每 5 小时应该有 6000 次模型调用。这个数字看起来很宽裕，甚至会让人以为短时间高强度 coding 基本不用担心。 但实际用下来完全不是这回事。 一个真实项目还没完整做完，日用量已经到 96%，还要 3 个小时刷新；周用量 42%；月用量 39%，距离月度刷新还有 19 天。更关键的是，按实际消耗体感来算，所谓 6000 次调用，真正能支撑的有效 coding 轮次顶多也就两三百次。 这就不是“额度偏紧”的问题了，而是宣传口径和真实工作负载之间有明显落差。 单看百分比，好像还不算夸张。月度才 39%，周度也没过半。
AI
微软最近给一部分美国员工摆出了一道算术题。 年龄加司龄，大于等于 70。 满足这个条件的人，可以进入一项自愿买断/退休计划。按照外界披露的口径，大约 7% 的微软美国员工、约 9000 人有资格参与。 这不是一家夕阳公司的节衣缩食。 它发生在微软持续把钱砸进 AI 基建的时候。数据中心、GPU、云算力、模型能力，都是高强度资本开支。它也发生在 2025 年微软多轮裁员的背景下。 一边是 AI 投资继续加速。 一边是组织开始清理岗位、压缩层级、重新计算人的成本。 这就是很多公司正在进入的新状态：不是公司没钱了，而是公司有了新的钱要花；不是业务停摆了，而是业务开始相信，一部分工作可以不用原来那些人来做。 所以，AI 替代岗位后，最先被重写的往往不是劳动合同。 最先被重写的，是公司和员工之间的风险分配。 劳动合同上写的是岗位、薪酬、地点、期限。 但真正起作用的，是另一套默认规则：
AI
霍尔木兹海峡最近静得让人不安。 根据 Clarksons Research 和 Ship & Bunker 的追踪数据，在这个被称为“全球原油咽喉”的海域，日均通行船只已经从冲突前的 125 艘，暴跌到了最近一周的 5 艘左右。95% 的降幅，意味着那里已经变成了一片地理意义上的“幽灵航道”。 对于大多数人来说，这组数据背后的直观感受是油价可能要涨。但对于深处产业链之中的观察者而言，更深层的恐惧来自另一则消息：华尔街日报报道，阿联酋（UAE）正在认真考虑退出 OPEC。 如果说霍尔木兹海峡的瘫痪是物理链路的断裂，那么 OPEC 第三大产油国的离场，则是协调机制的坍塌。 我们正在进入一个价格不再由成本或需求决定，而是由“无序”决定的时代。最危险的不是石油变贵了，而是石油世界变得“没人说了算”了。 一、 消失的“稳定器” 在过去四十年的全球化叙事里，石油世界存在一套默契的稳定器。 这套系统的底层逻辑是：
AI
深夜十一点半，Meta 某个办公室的灯还亮着。 不是一层，是好几层。 我在过去一年里听过太多相似的叙述——在 Podcast 里，在 PR 的采访里，在某个工程师深夜发的 Twitter 帖子里。没有人说"我们要求加班"，但也没有人在所有人都在的时候先走。 这就是博弈论里最经典的"囚徒困境"——每个人的理性选择，加在一起变成了集体非理性。 内卷的本质：竞跑周期被压缩到了极限 要理解这波硅谷 996 和中国互联网那轮有什么不同，先得看清楚内卷的对象是什么。 中国互联网那轮内卷，有相当部分是"低垂的果实"——商业模式快速扩张期，多一个人真的能多撑一块业务，多投一天真的能多占一块市场。 但这次硅谷卷的是基础研究。基础研究的产出和投入劳动力之间的相关性本来就弱得多。你看到的是：人在工位上的时间越来越长，但模型进步的曲线并没有同等斜率。 Anthropic 内部的人发过声，Google DeepMind 的人也发过声，
AI
如果你现在走进亚马逊的自动化仓库，你看到的不是一群西装革履的机器人服务生，而是一堆像“扫地饼干”一样的 Kiva 机器人在地板上横冲直撞，以及无数长得像八爪鱼一样的机械臂在流水线上机械挥动。 这些东西丑得要命，但它们极度高效。 在大众认知里，“机器人”默认就该有头有脸、四肢健全。这是一种典型的“碳基沙文主义”——因为人长这样，所以高效的工具也必须长这样。但事实恰恰相反：在工程学领域，人形通常意味着昂贵、不稳定且低效。 一、形态服从任务，而不是服从审美 如果你只想把一个包裹从 A 点挪到 B 点，轮式底盘的能量效率比双足行走高出几个数量级。如果你只需要拧螺丝，一条固定在底盘上的六轴机械臂远比一个需要维持平衡、怕摔跤的“人型生物”靠谱。 人形不是机器人的进化终点，而是一种折中。 生物学上的“人”是一个为了生存而设计的“全能型工具箱”：我们能爬树、能长途奔袭、能采摘、能社交。但这种“全能”是以牺牲单一任务的极致效率为代价的。在工业场景下，
AI
在传统软件行业里，“脱销”是个有点反常的词。代码产品是数字化的，按理说复制成本接近于零，怎么会出现售罄、排队、限流这种更像线下商品的现象？但最近国内几家大厂的 coding plan 的确出现了类似状况：有的暂停新增，有的控制名额，有的提高门槛。表面看，这是一次订阅产品的供给紧张；往深里看，它更像一个信号，说明 AI 需求已经从尝鲜阶段，走到了真实生产力的挤压区。 这件事之所以值得认真看，不是因为某一家产品卖得好，而是因为 coding 这类场景是目前大模型最接近“刚需”的落地方向之一。聊天、写作、图像生成，这些都很容易让人惊艳，但也容易让人回到“玩一玩就过去了”的状态。编程不一样。它和业务、效率、交付强绑定，使用频率高，结果验证快，ROI 也最容易被感知。开发者一旦习惯了让 AI 帮忙补代码、查报错、写测试、
AI
过去一年里，在很多企业的管理层会议上，经常能看到这样一种标准场景：一号位或者高管团队在参加完某个行业论坛，或是看了一连串关于大模型突破的新闻后，带着强烈的焦虑感回到公司。紧接着，公司内部会迅速成立一个“AI战略小组”或“AI创新部”。这个部门通常由 IT 负责人或战略总监牵头，背负着“让公司全面拥抱 AI”的宏大KPI。 接下来的动作往往也是高度模式化的：采购一批主流的 AI 工具账号分发下去，或者花一笔预算在内部部署一个知识库问答机器人；组织几场全员培训，教大家如何写 Prompt；最后，管理层会在每月的业务会上询问“我们现在的 AI 渗透率是多少”“节约了多少人效”。 然而，几个月过去，最初的热情逐渐冷却。员工发现内部部署的机器人总是“幻觉”连篇，不如直接问同事来得快；购买的工具账号活跃度直线下滑，最终沦为少数人写周报的辅助工具。管理层看着毫无起色的业务数据和高昂的算力账单，陷入了新的迷茫：为什么我们拥抱了 AI，组织却没有发生预期的变革？ 这种普遍的挫败感，根源在于很多企业从一开始就走偏了。他们将 AI
管理
今天花了一点时间整理一份薪酬方案上会前的内审清单。不是 HR 日常发薪那种，而是薪酬架构在进入决策层之前，需要系统过一遍的检查项。整理完之后最深的感受是：薪酬治理这件事，表面看是在管钱怎么发，实际上管的是组织奖励什么、约束什么、要走向哪里。 这背后其实有三层逻辑。 第一层，是战略对齐。 薪酬方案不是孤立存在的，它必须回答一个问题：我们拿钱激励的行为，是不是组织真正想要的行为？如果公司嘴上说长期主义，奖金却几乎全挂在短期结果上，那激励和战略就是脱节的。说得更直白一点，薪酬结构是组织战略的一面镜子。你说自己重视什么并不重要，钱最终流向哪里，才是真正的答案。很多组织的战略写在 PPT 上，薪酬方案却在讲另一个故事，员工最后相信的，往往是后者。 第二层，是风险约束。 激励如果没有约束，很容易变成冒险的燃料。薪酬治理要回答的第二个问题是：我们有没有在无意中鼓励那些本不该被鼓励的事？最常见的情况，就是奖金和某个单一指标强绑定，结果大家都围着这个指标转，其他本该守住的底线反而被挤到一边。好的薪酬设计一定要有“刹车机制”——不管叫递延、回收，还是风险调整，本质上都在做一件事：让收益兑现和后果承担