AI是能力的指数放大器

第一性原理

在所有需要创造的工种里，瓶颈永远不在 execution，而在 specification —— 能不能用清晰的语言把脑子里那张图描述出来。AI 把 execution 的成本压到接近零，于是真正的瓶颈第一次赤裸地暴露在 spec 这一端。指数函数的底数大小，就是从这一端决定的。

过去工程师 90% 时间在写 spec、10% 时间在写代码。AI 把那 10% 干掉了。整个行业的瓶颈一夜之间从 执行端 前移到了 规格端 —— 从 "你能不能做"，变成 "你能不能说清你要什么"。

但说清楚一件事，比想象中难得多。绝大多数时候，脑子里只有 vibe，没有 spec。"做点酷的" "赚点钱的" "像 Notion 但更好的" —— 这些不是想法，是 情绪。

海德格尔有一个词叫 das Man，"常人"。说的是一个人活在世上，会不自觉地用周围所有人的语言、欲望、偏好来替代自己的。Girard 把这事儿说得更直接：人的欲望大多数是模仿欲望 —— 你以为是你想要的东西，其实是你看到别人想要、所以你才想要的。

这事儿本身没什么对错。但放到 AI 面前，问题就来了。AI 是一面照内在偏好的镜子。镜子的前提是你得有个东西能被照。如果打开 Cursor 输入一句 "帮我做一个比较好看的、现代一点、面向年轻人、有科技感但不要太冷的、最好能让人转发的 landing page"，然后抱怨 AI 输出的东西 "差点意思" ——

差的不是 AI。差的是脑子里那张图本身就模糊。

这是 AI 时代很底层的一个发现："做"变得几乎免费，反而让"想清楚"变成了最贵的稀缺品。一个人能不能在 AI 时代受益，第一道门槛不是会不会用工具，是能不能花十分钟，安静地把一件事想透。这十分钟，决定了你在指数函数里的底数有多大。

执行是免费的。

想清楚，从来不是。

第一性原理

在 AI 之前，"我没时间执行" 是一种合法的、被默认的、互相心照不宣的 集体借口。它让大多数人可以一直不必直面 "想清楚" 这件难事。AI 把这块布拿走了 —— 不是为了惩罚谁，是因为这块布原本就是 execution 成本织出来的。

Alan 看过二十年。几乎每一个创业者都说 "我有个绝妙点子，就是没时间/没技术/没资源做" 的人，最后真的把工具递到他手里，发现自己手里其实没有那个点子。

不是被市场否的。是他打开 Cursor 那一刻，自己先愣住了 —— 原来我从来没想过这事到底怎么落地。我以为我手里有一个产品，其实我手里只有一种朦胧的 "我应该做点什么" 的焦虑。

YC 看过几万个 pitch 看出一条规律：90% 的 "好点子" 被追问到第三层就崩了。" 目标用户是谁？" "年轻女性。" "哪一类年轻女性？" "…喜欢健康的。" "她们今天怎么解决这个问题？" "…不知道。" "你怎么获取她们？" "…抖音吧。"

这不是讽刺，这是普遍状态。大多数 "好点子" 不是一个命题，是一团雾。雾是好东西 —— 它让人保持希望、保持热情、保持 "我也能" 的感觉。execution 的难度，过去三十年一直在悄悄帮我们维持这团雾。

AI 把雾散了。从今往后，做不出一个东西，没法再怪资源、怪团队、怪 funding —— 只能回到一个不太好回答的问题上：我心里到底要什么？ 这是个哲学问题，AI 一辈子也帮不了你。它能做你说出口的，做不了你想不到的。

这一段听上去不太温柔，但它其实是个礼物。只是个不温柔的礼物。它逼着人去做一件过去三十年一直可以推迟的事：认真地、第一次、用自己的话讲清楚自己想要什么。

过去三十年你逃避的功课，

AI 不会替你做。

AI 只会把它们一次性摊开在你面前。

第一性原理

AI 的输出有一个特殊的性质 —— 形式上极度专业，内容上不保证正确。这就把 "判断输出对不对" 从一个偶尔需要的能力，变成了使用 AI 的每一秒都需要的元能力。判断力在 AI 之前是一种加分项；在 AI 之后是一种准入门槛。

心理学有一个反复被验证的现象，叫 Dunning-Kruger 效应：能力越薄弱的领域里，人越难判断自己有多薄弱。这件事在 AI 时代被放大了 —— 因为 AI 的输出"看起来"几乎永远是专业的。它会用学者的口吻给你一段不存在的法律先例；用资深架构师的语气给你一份会让生产环境炸掉的 schema；用 McKinsey 的句式给你一份逻辑不通的市场分析。

能不能识别 "语气专业、内容不专业"，是 AI 时代最关键的元能力。

讲两个真实对照。一个干了 20 年的诉讼律师，用 Claude 起草动议，省下一天工作量。他扫一眼就知道这条 case law 是不是真的、这个论证站不站得住、整体策略对不对。AI 在他手里是杠杆。

另一个刚毕业的法学生，用同一个 Claude 起草动议直接提交法庭，里面引了三个根本不存在的判例——AI 幻觉了，他没有判断力去 check。被法官点名罚款。这种事过去一年在美国法院已经发生了不下十几起。每一起背后都是同一个机制：使用者无法甄别 AI 输出的真实性。

更隐忧的一层 —— 长期依赖一个比自己强的工具，会让一些原本就该被锻炼的肌肉慢慢萎缩。如果未来五年每个 email 都让 AI 润色、每段代码都让 AI 写、每份 PPT 都让 AI 排 —— 五年后，"自己写第一稿" 这块肌肉就薄了。一旦需要脱离 AI —— 临场表达、谈判、紧急判断 —— 会发现自己卡住。

这不是劝任何人不用 AI。这是说，用 AI 的同时，必须保留一条不依赖 AI 的回路。判断力、品味、临场感、独立思考 —— 这些东西只能靠自己练。AI 不能代替练，AI 只能在练好之后放大。回到第一段那个指数函数：判断力练得越扎实，底数越大，AI 给的指数越值钱。

AI 时代值钱的不是 "会用 AI"。

值钱的是 "能判断 AI 是不是对了"。

第一性原理

AI 模型在数学上的本质，是对训练数据分布的压缩与重建。它的所有产出都收敛于训练分布的均值。而  Taste 的本质是对未来反均值的判断 ——"这个还没流行的会火""那个已经火的会塌"。两者数学上结构性互斥。

很多人理解 "AI 时代的一人公司" 时，盯错了瓶颈。以为是技能问题 —— 又要会写代码、又要会做设计、又要会写文案、又要会卖货 —— 既然 AI 这些都能干，那我就行了。

这不是真正的瓶颈。

真正稀缺的是在一千个看似都对的方向里，挑出那个真正会赢的方向的能力。这个能力，行话叫 taste。

Steve Jobs 一辈子真正不可替代的贡献，不是工程（这个 Wozniak 干）、不是设计（这个 Jony Ive 干）、不是商业（这个 Tim Cook 干）。他真正不可替代的，是在每个分叉口选对的那个直觉 —— iPhone 要不要键盘、要不要给 Flash、要不要做开放平台。一千个聪明工程师讨论一年解决不了的问题，他十秒决定，而且对。

Taste 没法被 AI 化，原因极其底层：AI 由过去的数据训练而成，因此 AI 的产出永远收敛于过去的均值。Taste 的本质恰恰是反均值判断。AI 越强，平均产出越精致 —— 但这同时意味着，停留在平均水平上的产出，价值正在被快速归零。

另一个值得警觉的事实：现代人的 taste 已经被算法训练 15 年了。听的歌是 Spotify 推的、看的视频是 TikTok 推的、审美参照是 Instagram 训练的、世界观是公众号和短视频喂的。我们 "我喜欢" 的那一刻，很多时候是 "算法觉得我会喜欢"。当你的偏好已经是算法的产物，再用 AI 去放大这个偏好——等于把均值乘以均值。

真正能在 AI 时代做出独特价值的人，是过去 20 年里有意识地保护、训练、磨砺自己 taste 的人 —— 通过大量真实下注、通过承担选错的代价、通过一次次违背 "大家都觉得对" 的判断。这种保护是孤独的，但它正在变得前所未有地值钱。在 y = x^k 的世界里，taste 决定了 x 是 3 还是 1 —— 后面那个 k 再大，1 的指数还是 1。

当所有人都用同样的工具，

谁的偏好更独特，

谁的产出就更值钱。

第一性原理

从信息论的角度，AI 的输出永远是 输入分布的某种压缩与重排。当全人类用同一批基础模型时，所有人的产出在统计上会越来越像。这是数学的不可避免后果，不是模型的设计缺陷。

Peter Thiel 有一句被引用烂了的话："What important truth do very few people agree with you on?" 真正值钱的东西是 non-consensus correct —— 少数人同意，但你是对的。这是所有 alpha 的来源，无论是金融、创业、还是创作。

AI 是什么？AI 是用整个互联网过去 30 年的内容、整个 Common Crawl、Reddit、Stack Overflow、公开论文集、整个被 OCR 过的图书馆，喂出来的。AI 的物理性质，就是 consensus 的极致提纯。它给你的每一个答案，都是 "互联网在这个问题上多数派意见的加权平均"。

拿 consensus 做原料，喂给一个 consensus 提纯机，输出是什么？

Super-consensus。比平均更平均、比标准更标准、比正确更 "看起来正确"。

这种东西在市场上的价值是多少？零。因为人人都能生产。零差异化的产出在边际上的利润趋近于零 —— 这是基础经济学的铁律，没有任何模型能改写。

所以你看那些 AI 生成的文章、AI 生成的图、AI 生成的代码 demo —— 它们越来越像。不是 AI 模型不努力，是信息论的不可避免后果。

唯一的破法只有一个：给 AI 喂 out-of-distribution 的输入。

什么叫 out-of-distribution？—— 你做了 15 年某个垂直行业、踩过的坑别人没读过；你有 proprietary 数据集；你公开讨论别人不敢公开讨论的话题；你对某个细分场景有亲历经验；你有自己反复验证过、和主流相反的判断；你认识某个圈子里大家不怎么写公开文章的人。这些东西，不在 GPT 的训练集里。你把这些当作 raw material 喂给 AI，AI 才能给你一个市场上别人复制不出来的产物。

这是 AI 时代一个有点反直觉的结论：读了多少书、看了多少播客、刷了多少干货视频，在 AI 面前几乎不构成壁垒 —— 因为 AI 都看过。真正的壁垒，是那些没被写出来的、没被传播过的、藏在自己 10 年 20 年真实经验里的东西。

AI 时代真正的资本是 proprietary experience。

它无法被网爬、无法被订阅、无法被速成。

只能用 10 年、20 年的真实人生换。

第一性原理

AI 让供给端的成本崩溃式下降，但需求端（人的注意力总量）是物理上固定的。一个人一天还是 24 小时。供给爆炸 × 需求恒定 = 单位内容获得关注的期望值崩塌。这个机制下，市场会更极端地集中，而不是更平均地分散。

假设 —— 这是一个很大的假设 —— 你前六段都过关了。Taste 在线，spec 清晰，judgment 锋利，proprietary insight 充足。你真的用 AI 做出了一个绝佳的产品。

恭喜你。你刚刚走完了 1% 的路。剩下的 99%，叫 distribution。

大多数关于 "一人公司" 的叙事都跳过了这一段。因为这一段最难、最不性感、AI 最帮不上忙。

讲几个数字。X 上前 1000 个账号，占了平台 90% 以上的曝光；YouTube 前 0.1% 的频道，占了广告分成的 50% 以上；TikTok 上每天有几百万条新视频，但绝大多数视频获得不到 100 次播放。

塔勒布把这种市场叫做 "极端斯坦（Extremistan）" —— 少数赢家拿走绝大多数蛋糕的世界。和它对应的是 "中庸斯坦（Mediocristan）" —— 比如身高、体重，分布在均值附近、没什么极端值的世界。注意力市场是极端斯坦里最极端的一个，比皮凯蒂研究的财富分布还狠。而且 AI 时代，这个分布会更不均，不会更均。

原因是结构性的：AI 让生产成本降到接近零，市场上突然多出 100 倍 1000 倍的内容。但人一天还是 24 小时，能消化的内容总量是固定的。结果是老的赢家凭借既有 audience 拿走更大的份额，新进入者比 AI 之前更加难以被看见。

你以为的一人公司成功故事 —— Pieter Levels、Marc Lou、Sam Parr、Justin Welsh —— 他们的共同点是：在 AI 时代之前，就已经攒下了 distribution。Pieter 推 Nomad List 之前在 Twitter 写了 10 年；Marc 之前做了五次 indie hacker；Justin 离开公司前已经在 LinkedIn 攒了几十万粉丝。他们不是因为 AI 才成功的。他们是已经在路上了，AI 只是把他们既有的杠杆，从 10 倍放大到 1000 倍。

这事儿对每个想 "用 AI 做点什么" 的人都很重要——distribution 是 AI 帮不上的那一块，但恰恰是真正决定输赢的那一块。今天开始攒一个真实的、有质量的 audience，长期价值比今天开始研究最新的 AI 工具高得多。

在注意力极度稀缺的时代，

"已经被关注" 本身就是最值钱的资产。

AI 不会送你这个资产。

AI 只会让没有这个资产的人更高效地往黑暗里发声。

第一性原理

AI 不是一台更厉害的电脑 —— 它是 人类历史上第一个具备自主决策、生成、协调能力的非人类智能体。技术革命的历史规律是：每次新生产资料出现，资本和红利都向拥有这个生产资料的极少数人集中，而不是向使用它的人集中。AI 时代会让这条规律以更极端的形式重演。

人类发展史上，每一次重大技术革命都遵循同一个分配规律：生产效率上升 → 资本集中度上升 → 最大的红利被极少数掌握新生产资料的人拿走 → 大众的相对地位下降，即使绝对生活水平上升。

蒸汽机时代 —— 红利去了铁路与煤矿的所有者。电力时代 —— 红利去了 GE、Westinghouse、Edison Electric。计算机时代 —— 红利去了 IBM、Microsoft、Intel。互联网时代 —— 红利去了 FAANG。每一次，"赋能普通人"都是叙事；"分化精英与大众"才是结局。

AI 时代不会是例外。而且会比以前任何一次都极端。原因还是回到第一段那个指数函数 —— 历史上前几次技术革命都是乘法关系，AI 是第一次指数关系。指数函数的形状决定了它的分配形态：少数人爬上陡峭那一段，大多数人停在平的那一段。

看现在的趋势：Anthropic、OpenAI、Google、xAI、Meta、Microsoft —— AI 基础设施被极少数公司掌握。这些公司今年的 capex 加起来超过 5000 亿美金，比阿波罗登月计划按通胀调整后还多。这种资本集中度在人类历史上没有先例。资本不流向 "用 AI 的人"，资本流向 "拥有 AI 的人"。

中间一层是用 AI 做应用层的公司 —— Cursor、Perplexity、Cognition、Glean、Salesforce 的 Agentforce 这些。它们产品的本质，是给企业一个工具：用更少的人做更多的活。这个商业模式天然就是为 "人效提升" 服务的 —— 而 "人效提升" 四个字翻译过来就是：同样的活，用更少的人做。

最下面一层是普通使用者。一个常被忽略的事实是：使用者并不真正在 "指挥" AI —— 很多时候是 AI 中层（一个 Cursor、一个 workflow、一个企业内部 AI 系统）在分配任务、评估产出、判断绩效。技术上"我在用 AI"，但流程上 "AI 在管理我"。

这跟 "创作者经济" 是一模一样的结构。当年说 "人人都可以做 YouTuber" —— 结果绝大多数 YouTuber 一辈子也没靠它谋生。这种 "人人都可以" 的叙事每隔几年就回来一次，因为 "希望" 是利润率最高的产品 —— 卖课的、卖工具的、卖订阅的，都靠它变现。

那真正在 AI 时代受益最深的人是谁？前面铺垫了七段，答案其实很简单：那些在 AI 出现之前，就已经攒下 taste、判断力、proprietary insight、distribution、audience 的人。AI 来了之后，他们的杠杆从 10 倍变成 1000 倍 —— 一个人能顶以前一个团队。

所以 "一人公司" 在 AI 时代不是普惠现象，它是一个已经在路上的人加速到飞的现象。这件事不悲观，也不乐观 —— 它是一个机制描述。理解机制的人会做出不同的选择：少花时间研究最新的工具，多花时间 补 taste、补判断、攒 distribution。这是这个时代真正稀缺的复利。

AI 不是技术革命。

AI 是一次 物种事件。

理解它的人和不理解的人，

五年后会站在完全不同的位置上。