夜雨聆风推荐大家都去看 Chamath的访谈，只能说是干货满满。
先聊一下Chamath 这个人，他做过 Facebook 高管，做过投资，可以说经历过很多外界眼里的成功。
这次他提到一个概念，有限游戏和无限游戏。
有限游戏里，大家会很在意职位、头衔、融资、排名，很多事情都像在争一个固定位置。我把它理解为“人上人”游戏。
无限游戏更关注自己有没有持续变强，能力曲线是否往上走，关注自己能否在新的环境里重新证明自己。对比有限游戏而言，更像是一种“天外天”游戏。
其实现在大部分人对AI的认知还是很停在工具层面，今天收藏一个提示词，明天试一个插件，后天又换一个新模型，实际工作方式没有变，还是需要依靠人的经验来判断、组织或者管理，这些追求工具更好用的逻辑都是AI层面的有限游戏。
但是今天，我们真的还需要用过去那套组织方式、流程方式和管理方式吗？
Chamath 现在做的 8090，就像是在试一种更激进的 AI 原生公司形态。
这家公司不太强调传统组织架构，也不希望员工只是按照层级等任务，他更看重每个人能不能从目标出发，自己判断什么重要，自己把事情往前推。
他给了员工很大的自由度，背后的逻辑其实也不难思考：当 AI 能承担大量执行动作之后，人最重要的价值会往前移，移到定义问题、做判断、设标准这些环节上。
这个点对普通职场人也很有用。
在职场里，AI的普及率很高，普及速度也很快，和 AI 协作，某些工具的优略其实并不会拉开团队的差距，把项目目标、约束、判断标准这些讲清楚，才能拉开差距。
Chamath提出更好的做法是先补全四件事：这份方案给谁看，对方现在最关心什么，哪些信息必须保留，最后希望对方做出什么动作。
你会发现，AI 输出质量的上限，经常取决于你前面给它的判断质量。
所以我听完之后，第一个想执行的动作是，把自己的常用任务都改成标准模板。
比如做内容，就固定写清楚：目标读者是谁，核心观点是什么，哪些品牌信息必须露出，哪些表达不能出现，文章希望带给读者什么收获。
Chamath 还聊到一个我个人很认同的判断：未来公司的核心经验，不应该只藏在代码里，也不应该只存在于老员工脑子里。
很多公司的真正能力，其实是业务规则。包括定价、判断客户价值，以及处理异常情况，怎么在不同场景下做取舍。这些东西往往不会很明确的书写，也很难被AI学习。
所以他提到的控制平面，本质上可以理解为一套能被人读懂、也能被 AI 调用的业务规则语言。
这就是第二个执行建议：把隐性经验显性化。
这对个人也成立。
你会写代码当然很好，但更关键的是，把自己的工作逻辑讲清楚，能在任务中沉淀判断标准，把可重复的部分交给 AI。
不要只在脑子里觉得我懂，而是把它写成一套规则。比如你的选题标准、标题判断、客户沟通话术、项目复盘方法、资料整理流程。写出来之后，再让 AI 按照这套规则帮你执行、检查、优化。
一旦这个循环跑起来，AI 就不只是帮你省时间，而是在放大你的工作方法。
Chamath 对 AI 本身也没有盲目乐观。他觉得今天很多模型依然更擅长短任务，对长周期、多步骤、强判断的事情还不够稳。所以他并不认同把 AGI 讲得太满，也提醒大家要关注开源模型和分布式算力，避免 AI 能力被少数巨头完全控制。
第三个执行建议是，训练自己提好问题的能力。
好问题不是越复杂越好，而是能准确指向目标。比如不要只问怎么提升效率，可以换成我每周最重复的工作有哪些，哪些步骤可以交给 AI，哪些环节必须保留人工判断，怎样验证改造之后真的更有效。
这个提问方式，会逼着你从工具使用者，变成工作流设计者。
访谈最后，Chamath 也聊到自己的成长经历。他坦诚讲过童年的痛苦，也讲到自己曾经很想靠成功证明价值。现在他更在意的是，保持情绪上的清醒，继续玩一场更长的游戏。
AI 时代很容易让人焦虑，因为变化太快，每天都有新东西冒出来。但听完这场访谈，我觉得可以先从更具体的地方开始。把你每天重复做的事拆开，把判断标准写下来，变成可复用的经验模板，再交给 AI 去执行一遍。
当你能把经验变成规则，把规则变成流程交给 AI 跑起来，你就已经在搭自己的工作系统了。
未来工作中真正稀缺的或许是，能否提炼出一套真正能被 AI 放大并实际采用的系统判断规则。
