09.18.24: AGI 已经下半场，你为什么还不快乐？
秘密荡然无存。
这就是传媒业过度发达的后果。
Apple 的产品发布会就是这个后果下的一个小型悲剧：它不再有过去的戏剧性和神秘感，在发布会前数周，新品 iPhone 的图片已经随处可见。
而更大的剧透在几个月前就发生了：6 月份的 WWDC 发布了 Apple Intelligence，那么新 iPhone 的发布会就注定没有太多故事可讲。对于发布会本身，我同意 Tomas STropus 说的，Apple 需要一个编辑：
苹果不仅需要关注下一步，还可能需要精简各种产品线。回过头来确保他们所做的一切都是最好的，而不是一切。他们需要一个观点。一个编辑。
我也曾经 担心 Google 和 Apple 的巨人之战可能会以挤压第三方开发者的生存空间为代价，但或许这种担心是多余的。李继刚的「汉语新解」Prompt 展示了一种全新的可能性，它的美妙之处在于，从想法到实现之间的距离在 LLM 的加持之下缩得很短。这就意味着多样性会从每个人的自我需求中滋长出来，而难以在 OS 层面预置。
「汉语新解」采用了伪代码的方式来写 prompt，这种写法之前并不多见。它采用的 Lisp 语法对我而言还有些生涩，但这并不妨碍很多网友开始在它的基础上做一些简单修改，产生新的分支。
「汉语新解」的主要传播途径仍然是在几个社交媒体上，自身具备强大的 meme 传染力：简约美感的设计、幽默调侃的文案和可模仿复制的提示词。如果在类似 App Store 的中心化分发机制下，「汉语新解」可能根本不会有这么大的关注度。
这样的小突破实际上远远不能算「出圈」，它仍然是在小圈子里让一些人激动不已，但它的确和上个世纪末的互联网有很多相似之处：就像我在最近几周一直着迷的 Playground 概念，它的出现不是预先规划的，也不会借助预先排练的发布会来做展示，只是因为自身有足够高的可玩性，而产生了涟漪式的链式反应。
OpenAI 的 o1 发布也多少有些意外成分。虽然 Strawberry 模型早就有坊间传言，但 o1 的发布还是更有讨论价值。在很多人眼中，它代表了 AI 模型前进的一个新分岔，而不是在 Scaling Law 一条路上继续暴力破解。很多人都引用 Daniel Kahneman 的「慢思考」理论来比喻 o1：它会停下来思考一段时间，而不是急于给出一些不知真假的回复，你可以打开它的思维链，看到机器思考的过程——这不仅仅是结果上的改善，更是给出了过程中的可解释性，给那些质疑 AI 无非是依照概率进行鹦鹉学舌的观点予以反击。
比起之前 GPT 的发布，O1 更像是一个偏科的奥赛生：它能在有限知识的约束下，以更强的抽象推理能力给出复杂问题的解法，在数学、物理、编程这些学科下表现突出。它可能带来 Yash Bhardwaj 所说的 编程的 YouTube 时刻：每个人都能用近乎于零的成本写代码，并且分享给更多人，最终可能带来井喷式的涌现。UGC 已经彻底改变了传媒业，而代码还停留在新教改革前的时代。
之前我一直秉持的的一个观点是：要做平台，必先做工具。虽然并不只有这一条路，但好工具带来的价值感总比靠碰运气来做冷启动更容易一些。这个观点我仍然觉得没有什么错，但它的实践意义不够强，因为从工具到平台的这条路径过于漫长，有点像一个未经规划的地图，只是告诉旅行者你可以从 A 到 B，但没有告诉你要翻过哪座山、趟过哪条河。同时，我们也看到过，大量的工具的终点仍然是工具，而没有最终成为平台的起点，这说明，从工具到平台之间还要经由若干节点，在我的认知里，它们仍然是世界之雾所遮蔽着，需要被点亮的地图。
Playground、Trails、Templates 等等概念都是备选答案，但我还需要更多的线索，才能把它们连接在一起。
在本周的 Linknotes 中，我们将看到：
- Replit 创始人 Amjad Masad 提出的「新共享软件时代」的概念，思考 AI 如何让代码成为新的内容载体。这篇文章和开头讲到的「编程的 YouTube 时刻」高度相关。
- 拾象科技创始人李广密关于 OpenAI 的 o1 模型的看法，探讨了大语言模型、强化学习和 AGI 之间的关系，以及在这个趋势下，为什么代码生成的意义不仅仅局限于代码。
- 学者 Adam Mastroianni 探讨了智力与幸福感之间的复杂联系，以及如何应对生活中的模糊问题。
- 作家 Erik Hoel 撰写了一篇关于 AI 艺术的批评文章，反思 AI 创作与人类意识表达的本质区别。这篇文章可能为我们思考 AI 与人类之间的分工关系提供了一些借鉴。
- 投资人 Jerry Neumann 公开了他的辞职信，并回顾了自己的投资生涯，他仰赖的黑天鹅理论需要技术做出更大的颠覆才能带来高达 50% 以上的回报。
PS:
上周，Platform Thinking 第一次进行了 读者调查（问卷仍然开放）。一些数据出乎我的意料，Linknotes（或者叫 Links + Notes ）受欢迎的程度大大超出了我的意料。实际上，这是这个 newsletter 在四年前创办的时候最初的形态。而另一个出乎我意料的地方在于，很多读者认为 Platform Thinking 带来的价值是提供了有参考意义的灵感。这些信息让我对如何继续写作有了新的认识。如我在《创作者》一书中写到的，每个创作者最重要的就是找到属于自己的个人垄断，它与你的生活方式、成长经历都息息相关，不应该被轻易改变。
我仍将坚持长篇阅读和写作，并且，我也认为除了 newsletter 之外，没有其它的媒介形态适合承载这样的内容。它仅仅依赖于最古老的 HTTP 和 SMTP 协议，在我的个人电脑上，也不过是一些 markdown 文件（除了图片，但我尽可能避免依赖于图片才能传递信息）。
这也是为什么你应该通过邮件订阅 Platform Thinking，并且推荐你的朋友也这么做。
Linknotes
A New Era of Shareware? 共享软件的新时代
这是 Replit 创始人 Amjad Masad 的一篇短文。
Shareware 共享软件是一个有些年代感的词。最初由程序员 Andrew Fluegelman 发起。
他为自己和朋友们写了一个简单的程序，然后决定以一种新颖的方式分享它。他在早期的网络论坛上发布消息说：这是我写的程序，免费试用。如果你喜欢，可以给我寄钱。即使不喜欢，也请分享给朋友。
反响出乎意料。钱开始涌入，用户们还主动提供反馈和建议。安德鲁称之为「免费反馈」。这种方法让他能快速迭代，以惊人的速度修复 bug 和添加功能。用户们感觉自己是开发过程的一部分，对早期版本的不完善也能包容。
从这个简单的想法开始，共享软件运动诞生了。它发展成为一个蓬勃发展的生态系统，孕育出从实用工具到像《毁灭战士》这样的大型游戏。
但这种模式在后来的互联网和移动应用时代并没有得到继承。搜索引擎、App Store 和个性化推荐的模式取代了这种自发传播的模式，显然它们比 Shareware 更可规模化，也更可控。
在 Masad 的 个人网站 上，他这样写道：
计算机是人类历史上最强大的工具。可悲的是，大多数人只是这些机器的消费者。只有相对少数人——专业软件开发人员——才能充分利用这种超级能力。它创造了一个不平衡的世界，有程序员，也有被编程的人。这种情况类似于印刷机出现之前的识字情况，只有有权势的人才能接触到书籍和书面交流。印刷机的发明导致了民主、科学和工业革命，但从发明到革命用了一个世纪左右的时间，这意味着整整一代人都要在成长过程中掌握新的技能、新观点、新学习和交流方式。
Replit 将使下一批十亿软件创建者上网，并将加速向软件和互联网真正成为伟大均衡器的世界转变。很快，任何人，无论身处何地或经济状况如何，都将能够创建软件并在互联网上创造财富。如果我们成功了，任何愿意学习和产生好主意的人都会变得富有。
这其实是 Replit 这家公司的愿景。这个愿景在 Masad 看来已经触手可及：
At Replit, we built Apps (now deprecated) with that vision in mind. It had a way to publish, use, and remix apps, and we also made it so that you could tip the creators. However, it was a) too early because AI hadn't yet reached mainstream usage, and b) the platform capabilities weren't there yet.
在 Replit，我们怀着这一愿景构建了 Apps（现已弃用）。它提供了一种发布、使用和重新组合应用程序的方法，我们还让你可以给创建者打赏。然而，a) 为时过早，因为 AI 尚未达到主流使用水平，b) 平台功能尚未实现。
毫无疑问，o1 的诞生会让 AI 写代码的能力进一步增强，代码和软件可能变成和视频一样的一种新的内容载体或表达方式进入人类的社会生活。
LLM 新范式：OpenAI o1，self-play RL 和 AGI 下半场
这是李广密在张小珺播客上的访谈文字记录，这个访谈发生在 o1 发布之前，对大模型发展方向做了前瞻性的讨论。
广密用生动形象的语言解释了 LLM、RL 和 AGI 三者的关系：
张小珺：大语言模型、强化学习、 AGI 这三者的关系是怎样的？
Guangmi Li：之前有一个很有意思的描述：语言是走向 AGI 的拐杖。虽然现在 在 Twitter 上很多人在批评这一表述，但其实很有道理，这个表述我体会了很久。
为什么语言是拐杖？因为语言被人类积累了几千年，是对人类历史几千年的压缩总结，又经历了三十年数字化，变成了互联网的 token 。大语言模型的诞生也是一个技术发展的必然，这是机器能够学到的最高密度知识。此外，语言的另一个好处是通用性强，同一个事物可以用不同的语言描述，同一个语言也可以有不同的理解方式，语言的弹性和容错性很高。
语言是今天唯一走通泛化性的。传统的 AlphaGo 没有被泛化，只能用来下围棋。CV 视觉也没有走通泛化性，只能做人脸识别。有一个猜想是人们可以借助语言的通用和泛化性，让 AI 能力泛化，走到更多领域。通用人工智能的核心还是通用和泛化性，语言和预训练有可能成为拐杖，像是中间态的甜品和前菜，而后面的强化学习才是主菜。
我们可以把语言和预训练比喻成携带了人类几千年进化基因的基因组，而强化学习是人类成长的一生。从出生那天起人们就不断接受正面信号和负面信号，就像职业运动员的职业生涯也是一个目标和环境定义很明确的特定任务，就是拿成绩、奖牌。无论黑猫白猫，能实现通用和泛化，这才是实现 AGI ，或者超级智能的关键。
他也特别看好 RL 在提升代码和数学能力提升方面的前景，主要是因为在这些领域中，标准答案是比较明确的，也就比较容易建立奖励模型；而对于标准答案并不明确的领域，比如文字创意，则较难用 RL 做好。
奖励模型是否可以泛化到更多领域？代码和数学能力提升的确定性是非常高的，因为，下棋、游戏、数学、编程这些场景都有明确的胜负，可以比较好的做 self-play 。尤其编程方面会非常乐观。
有些领域比如物理、医药，即使通过 self-play 产生了结果，还需要临床进一步验证，涉及到物理世界周期就会很长。
法律、金融领域同理，这两个领域没有太多标准答案，但如果做到偏好或偏坏，比如 A 和 B 分别写了一个投资 memo ，有裁判能够对比哪个更好，这也有可能是一个奖励模型。投资领域，比如一级市场，构建奖励模型就过于前瞻了，反馈时间会很长。二级市场的噪音又很多。文字创意领域又包含着各种剧情的反转、跳变，这也是 AI 很难捕捉的点。
所以还有很多问题要解决，是否能有绝对通用泛化的奖励模型应用到各行各业，还是只能在垂直领域一个一个构建，这目前不好说。
代码能力的提升的意义重大，可能带来全新的产品形态，但他最终的态度还是相对保守的。
我最期待的是能够出现一个给大众级消费的 Coding 编程工具，因为大众级工具的背后会真正出现技术民主化的趋势。比如 Adobe Photoshop 在创意和内容上很强，全球 2-3 千万的设计师需要靠 Photoshop 进行日常工作。但如果看大众群体，抖音、剪映、 Canva 这些消费级工具，活跃用户都是上亿级别，比 Photoshop 几千万的用户要大一个量级。
未来可能会出现一种任务引擎（ Task Engine ），而今天的 Google 是搜索引擎（ Search Engine ）。任务引擎可能会是新一代的 Google 。Google 提供的是信息，任务引擎是完成任务，而完成任务是这一轮技术革命下最核心的主题。当然，具体任务会由谁完成，这个不好说。可能是 ChatGPT 完成了，也有可能是主流搜索公司完成了，也有可能落到 AI 编程公司内。甚至，今天面向专业群体的编程工具是否可以下沉到消费者群体，目前也不确定。
文章中一张图讲到了「生产力工具的民主化趋势」，这里面还是在把代码工具作为一个单独的分类的，如果用上文「任务引擎」的观点来看，可能代码工具是一个「元工具」，因为它可以生成其它的工具，因此一切生产力工具都可能归结于代码生成。
关于 RL 和 o1 模型，还有一些文章可以参考阅读：
- 如何理解OpenAI o1：张俊林认为，o1 模型能力越强，则可以反哺基座模型。OpenAI 未来计划两条线，一条是 o1，一条是 GPT 4o 及之后的多模态大模型（比如 GPT-5），它的内在逻辑大概应该是这样的，就是说通过 o1 增强最重要的基座模型逻辑推理能力，而再把这种能力迁移到 GPT 4o/GPT-5 这种多模态通用模型上。
- OpenAI o1：慢思考的强大推理能力：李博杰认为，OpenAI o1 事实上指出了提升模型推理能力的一个重要方向：用推理时间换训练时间，用强化学习方法让模型学会慢思考。在 OpenAI，预训练和强化学习的关系就像 Intel 的 Tick-Tock 战略，奇数年更新芯片制程，偶数年更新处理器的微架构。芯片制程就像是预训练，而处理器的微架构就像是强化学习。芯片制程受摩尔定律支配，就像 GPT 的大版本号要靠预训练，受 Scaling Law 支配；而强化学习就是充分利用这一代基础模型的能力，在预训练进展没有那么快的时候，也能保证不断推出新产品。
- OpenAI's New Model, How o1 Works, Scaling Inference：Ben Thompson 的科普短文，OpenAI 推出了新模型 o1，它能解决复杂的推理任务，如数学和编程问题。这个模型强调理解和利用推理过程，而不仅仅是给出答案。o1 的设计使得它在推理时可以生成多个解决方案并选择最佳答案，随着计算时间的增加，准确性也会提高。
- An Extraordinary Alien：Dean W. Ball 讨论了 o1 对 AI 监管政策的影响，他认为，o1 开辟了一条新的模型进化的路径，如果政策框架依赖于这样的想法：只有最大的模型才有可能造成危险，而我们可以将先进的模型阻止对手掌握，那么恐怕这个框架不太可能奏效。
AI-art isn't art AI 艺术不是艺术
Erik Hoel 是一位作家，本文发表于 2022 年，OpenAI 发布了 DALLE 2 模型，引发了 AI 生成艺术的讨论。
文章有一个引人入胜的开头：
日本有一家博物馆，专门收集长得像人脸的石头。大石头、小石头、所有石头。一般来说，两个洞和一条线就足以让人看到一张脸，而这些石头会眯起眼睛、微笑、皱眉，并在各种场合勾勒出自己的脸，让游客发出幽默的“噢噢噢噢”声。
如果把这些石头当做是艺术，那么就犯了分类错误。结论来得如此之快，如此直接，措手不及。
接下来，作者列举了一些用 AI 产生的「艺术」的例子，时间已经过去了两年，今天看来，这些作品在技术角度来看已经有些过时了。围绕这些例子讨论无非是关于 AI 是否会替代艺术家的老生常谈。
而在后半部分，作者有些自嘲的写道：
我很清楚，自古以来，无论最新一波艺术是什么，都会被一些脾气暴躁的长者描述为“不是艺术”。但在所有那些以前，艺术家并没有被训练成自动编码器的巨型电子表格所取代，所以也许历史类比在这里并不十分有用。
所幸，这些「脾气暴躁的长者」并没有阻止世界仍然向前发展，有时候，他们的言语被认为是一种保守的悲观。但很可能他们是对的，因为「分类」是一种可以动态条件的范畴，当摄影技术流行开来的时候，绘画就被划入了另一个分类。多年以来，艺术这个概念仍然保持在较小的范围内，而内容、产品这样的概念则承担更为大众化的意义。
作者认为，艺术的真正意义在于艺术家所要表达的主体意识，它是一种交流形式，美只是附带的属性：
And the close connection between art and human consciousness is older than civilization itself. The early hand paintings from places like Chauvet cave, back to 30,000 BC are not merely images, but communications: “I was here.”
This communicative property of art is irreducible to its extrinsic properties (like color, form, etc), and instead concerns the significance of the artwork to the artist and their communication of that significance to the viewer. To steal some terminology from analytic philosophy, let us call these latter properties the “intrinsic” properties of art to separate them from the merely extrinsic properties of art.
艺术与人类意识之间的密切联系比文明本身还要古老。早在公元前 30,000 年，肖维岩洞等地的早期手绘就不仅仅是图像，而且是一种交流：“我曾来过这里。”
艺术的这种交流属性与其外在属性（如颜色、形式等）无关，而是与艺术品对艺术家的意义以及他们向观众传达这种意义有关。借用分析哲学中的一些术语，让我们将后者称为艺术的“内在”属性，以将它们与艺术的外在属性区分开来。
他引用托尔斯泰的话说：艺术作品的目的是用艺术家所体验过的情感去感染人们。对于托尔斯泰来说，艺术是一种病毒，可能会在共享中发生变异，几乎就像一个在网上传播的 meme。
而在作者看来，AI 生成的「艺术」只具有艺术的外在属性，而不仅有内在的交流和感染性。「如果不考虑艺术家的意识，“艺术”一词将失去所有意义，成为“美”的同义词。」
作者还举了一个有趣的例子：漫威电影的配乐。他说，漫威电影无疑是在商业上获得了巨大的成功，但它的配乐却没有给观众留下深刻的印象。他解释道：
这是一种行业惯例，称为“模仿临时配乐”，“临时”是指电影初剪时使用的临时电影配乐。瞧，新的数字编辑工具让编辑和导演可以轻松地点击和拖动以前成功和类似电影的配乐，以将其与场景匹配。危险在于，导演再也无法想象没有从其他电影中抄袭而来的配乐的情感和基调的场景。他们对作曲家提出要求：模仿临时配乐。受限于以前的界限，对原作进行恰到好处的修改以避免侵犯版权，结果总是平庸之作。
正好听到「乱翻书」播客的最近一期中，摄影师 Thomas 在节目中讲到的，在 AI 辅助创作变得更加容易之后，他更加强调在风光摄影中增加人文要素。他举了一个很简单的例子：AI 可以生成一个在火车车窗上倒映的人脸，但当我们知道那是 AI 生成内容之后，就立刻不再试图去理解这个人物的所思所想，因为 AI 不会在画面背后做思考和表达。
AI 艺术模仿是类似的：
人工智能艺术模仿的是临时演员。这是一部电影，配上另一部电影的音乐。这是以早已去世的人的风格创作的艺术。这是纯粹鹦鹉学舌式的写作。想想人工智能是如何训练的：所有艺术都具有同等的权重，没有任何东西被挑选出来作为特别的、有趣的或有价值的。这是没有观点的学习。
作者的最后希望是：也许人工智能艺术只是人类意识的一种工具。这个希望其实并不悲观，相反，它可能很接近现实最终的形态。最近 Google 发布了一个 NotebookLM 的新功能，可以将枯燥的论文转变为两个人的对话。效果初听很惊艳，但听久了昏昏欲睡。如果你听过最近的美国总统辩论就知道，即便是最顶尖的人类对话也充满了口误甚至口吃，Harris 在回答堕胎问题的时候声音发颤，但却和她的女性关怀完美吻合，以柔克刚的化解了 Trump 的攻击。
对于 AI 艺术的担忧——或者一切关于人文与技术之间的冲突的担忧，我的看法是：我们或许正确估计了碳基生命进化的速度，但我们也可能过低的估计了硅基生命适应的能力。
Why aren't smart people happier? 为什么聪明的人不快乐？
Adam Mastroianni 在这篇长文中试图解释一件事：幸福感和智力的关系到底是什么。
结论很简单：聪明的人并不一定更快乐，因为他们在解决定义明确的问题时表现出色，但在应对模糊问题时却可能无能为力。解决这些模糊问题的能力，包括生活的意义和人际关系，更能影响一个人的幸福感。
在说一个人聪明（smart）的时候， 我们通常是指这个人在一些更明确、更容易衡量的问题上的表现，我们的教育和考试系统往往是通过标准化的分数来作此衡量，这个系统对地球上很多人的一生都具有决定性的影响。
但问题并不总是这么清晰明白，很多问题宽泛、模糊、缺乏指向性，它们是那些需要大量无意义的谈话才能解释的问题，如果没有适当的铺垫，很多人会被这类问题冒犯到，因为它似乎侵犯到了一些内心空间。
Mastroianni 举出了一些例子：
There is, unfortunately no good word for “skill at solving poorly defined problems.” Insight, creativity, agency, self-knowledge—they’re all part of it, but not all of it. Wisdom comes the closest, but it suggests a certain fustiness and grandeur, and poorly defined problems aren’t just dramatic questions like “how do you live a good life”; they're also everyday questions like “how do you host a good party” and “how do you figure out what to do today."
不幸的是，没有一个好的词可以形容“解决模糊问题的技能”。洞察力、创造力、行动力、自我认知——这些都是模糊问题的一部分，但不是全部。智慧是最接近模糊问题的，但它暗示着某种陈腐和宏伟，模糊问题不仅仅是“如何过上好生活”这样的戏剧性问题；它们也是日常问题，比如“如何举办一场好的聚会”和“如何想出今天该做什么”。
这些问题随处可见，而回答好这些问题很可能带来更高的幸福感——它们带来更充实丰满的生活品质，也可能在一片迷茫中带来内心的支撑感。
Mastroianni 认为，定义明确和定义不明确的问题需要完全不同的解决问题的技能。奥数冠军杰出的数学才能并不能让他成为一个出色的周末旅行规划者。
然而，问题定义会从模糊变得明确，这本身也是解法从不可能变为可能的过程。作者用了登月的例子，但我觉得它和那些人生大问题不大一样。
And hey, maybe that’s because there’s just no more progress to make on the poorly defined problem of “how do we live." But most well-defined problems were once defined poorly. For example, “how do we land on the moon” was a hopelessly poorly defined problem for most of human history. It only makes sense if you know that the moon is a big rock you can land on and not, say, a god floating in the sky. We slowly put some definitions around that problem, and then one day we sent an actual dude to the moon and he walked around and was like “I’m on the moon now.” If we can do that, maybe we can also figure out how to live good lives. It certainly seems worth it to keep trying.
嘿，也许这是因为在“我们如何生活”这个定义不明确的问题上，我们无法取得任何进展。但大多数定义明确的问题曾经定义不明确。例如，“我们如何登上月球”在人类历史上的大部分时间里都是一个定义不明确的问题。只有当你知道月球是一块可以降落的大石头，而不是漂浮在天上的神时，这个问题才有意义。我们慢慢地对这个问题进行了一些定义，然后有一天，我们把一个真正的人送上了月球，他走来走去，说“我现在在月球上”。如果我们能做到这一点，也许我们也能弄清楚如何过上好日子。继续尝试似乎确实值得。
人生大问题，比如我前段时间一直在思考的 what are you optimizing for? 的确不是一类容易通过拆解还原的问题。这类问题如同沙漠里一块石头：孤冷、坚硬、不可分割、莫名其妙。我们在面对这种问题的时候，通常不知道从而下手——它们往往需要大剂量的漫谈、放空和接触陌生事物，以获得相关性较低的灵感激发，最终获得顿悟。
这是一类没有标准答案的问题，因此，它只可能由回答者自己来判断回答的优劣，而回答者判断的依据又是自己的主观体验，这就让它与登月问题大不一样——登月问题最终有一个客观标准，这样的问题的解决方式无非是从结果倒推，分步解决。
作者不可避免的谈到了 AGI 是否适合解决这些模糊问题，结论当然是否定的。如果一个人选择立地成佛，他确实可能获得了最大的幸福感，但这种感受不可为外人知，也不可能被机器学习。
All this has happened very quickly, which may make it seem like we’re careening toward a “general” artificial intelligence that can do all the things humans can. But if you split problems into well-defined and poorly defined, you’ll notice that all of AI's progress has been on defined problems. That’s what artificial intelligence does. In order to get AI to solve a problem, we have to give it data to learn from, and picking that data requires defining the problem.
这一切都发生得非常快，这让我们感觉好像我们正在向“通用”人工智能迈进，它可以做人类能做的所有事情。但如果你将问题分为定义明确和定义不明确的问题，你会发现人工智能的所有进展都是在定义明确的问题上。这就是人工智能所做的。为了让人工智能解决问题，我们必须给它提供数据来学习，而选择这些数据需要定义问题。
Resignation Letter 辞职信
天使投资人和 Reaction Wheel 的作者 Jerry Neumann 宣布他将不再投资新的初创公司。
但这不是一封典型的辞职信。Neumann 在文中回忆了他成为天使投资人的历程，成功投资的心得和为什么选择不再投资的原因。
超乎寻常的回报往往有着超乎寻常的投入。Neumann 承认自己走入投资之路并不寻常：他没有在任何一家 VC 机构供职，也不是一个善于向 LP 推销自己的人，他用自有资金投资，在失败的婚姻之后，这笔钱的规模并不大，他违背了传统的财务筹划建议，投入了 80% 的钱到初创公司上。
回报呢？十五年间，IRR 超过 50%，投资的 15 家公司中，有两家跻身世界上最大的 30 家软件公司。
他回顾自己的投资之道说：
Because I didn’t waste a lot of time trying to form opinions on the unknowable people asked me what I did all day. When I explained why I made certain investment decisions, people took it as fluff and decided I was just lucky. In reality, I researched what was knowable. If it was all knowable, I said no. If something was manifestly unknowable, I embraced it.
因为我没有浪费很多时间试图对不可知的事情形成看法，所以人们整天都在问我在做什么。当我解释为什么做出某些投资决定时，人们认为这只是废话，并认为我只是运气好。事实上，我研究了什么是可知的。如果一切都是可知的，我会说不。如果某件事显然是不可知的，我会接受它。
Neumann 积极拥抱了 Taleb 的黑天鹅理论，他认为超额回报恰恰来自于那些不可知的东西——也就是我们开头说的「秘密」，信息越是充分流动，市场有效理论也就越奏效，但回报也就趋向于指数——那为什么不投资指数呢？
Neumann 停止投资新公司的原因除了他自己的年龄问题（他 1984 年上大学，现在应该快要 60 岁了），主要是因为他认为现在的市场不够令人兴奋：
So why quit? Three reasons. First, I’ve felt for a few years now that the startups I’m seeing don’t seem so much like progress as just shopkeeping. This isn’t a dig: there’s money to be made razoring a thin slice off a huge market, and there’s certainly less risk in that than there is building a market from scratch. But it’s just not that interesting. The excitement I had as a 14-year old in 1979 trying to understand everything there was to know about computers, because this was something that could radically improve people’s lives, I just don’t get anymore. And not because people’s lives, the people who have access to the tech, aren’t better, I think they are (although this, of course, has not been as unalloyed as I imagined as a 14-year old.) But because I think the tech is no longer improving lives, it’s just maintaining the current status quo. It just feels, I don’t know, done.
那么为什么要放弃呢？原因有三。首先，几年来我一直觉得，我所看到的创业公司看起来并不像进步，而只是开店经营。这不是在挖苦：从一个巨大的市场中分一杯羹可以赚钱，而且这样做的风险肯定比从头开始建立一个市场要小。但这并不那么有趣。1979 年，我 14 岁，当时我试图了解关于计算机的一切知识，因为计算机可以彻底改善人们的生活，这种兴奋感现在已不复存在。并不是因为人们的生活，那些接触到技术的人的生活没有改善，我认为他们的生活已经改善了（尽管这当然不像我 14 岁时想象的那么纯粹）。而是因为我认为技术不再改善生活，它只是维持现状。只是感觉，我不知道，已经结束了。
Neumann 的职业生涯是从 IBM 工程师开始的，他见证了人类走向数字化的开端。站在这个视角，AI 似乎更像是跑在计算机上的程序，以他的投资方法论来看，出现黑天鹅的几率要小太多，一切都是在延续过去、增强过去而已。
在文章结尾，Neumann 回答了一个模糊问题：
My view of the infinite is probably different than Jung’s, but I think he’s right: the only way to avoid feeling like your work is pointless is to contribute to something much larger than yourself. I’m working out what that is for me, what I have the ability and excitement to contribute to. And always keeping in mind Bruce’s warning that “time slips away and leaves you with nothing but boring stories.” I hope whatever I do will leave me with something interesting to say.
我对无限的看法可能与荣格不同，但我认为他是对的：避免感觉你的工作毫无意义的唯一方法是为比你自己更伟大的事情做出贡献。我正在弄清楚这对我而言是什么，我有能力和热情为之做出贡献。并始终牢记布鲁斯的警告：“时间悄悄流逝，留给你的只有无聊的故事。”我希望无论我做什么，都能给我留下一些有趣的东西可以讲。
这篇文章或许不一定适合所有读者阅读，但对于我而言，似乎正好处于 Neumann 在十五年前的状态：没有在 VC 机构里供职的经验，但在过去有一点积累，并且愿意拥抱一些不可知的风险。不同之处在于，我无法再一次走入他所处的那个时空。
但谁知道呢？历史经常出人意料。