我想像之前一样，平实详细的记录每一年的变化。我坚定的要求自己要用手写，保留那些“语气的流动”，逻辑的脉络和盲点，从而回看时能更好地代入当年的自己。
与大学不同，可以以年作为划分去写每年的变化，毕业之后的事件仿佛是块状的，是一个无法以年切开的整体。而到了今年我产生了强烈的总结意象，感觉是时候了。
（由于时间跨度较大，全文1.4万字，请酌情阅读）
很多事情即使没有其他好处，只是为了突破自己，也是值得做的
ChatGPT横空出世，坦白讲除了使用的那一刻给了我惊喜外，我并没有想到它会造成多大的影响。在和一些校友和网友的交流下才意识到不简单，好奇驱动之下就开始读起了各类新闻动向、新产品以及各种paper。
一开始了解完后充满了无力感，感觉这是一次技术主导的创新，产品在其中很难去做些什么。
加上自己当时由于创业失败的打击心气受挫，以及好不容易搞定了毕业证，和找到了一份稳定的工作，所以更多还是观望和捡捡烟头的心态。
一切的转折点在一次邀请。
我和虎王在大学认识，他当时做了一个日活2.6w的小程序。我们一直保持着类似笔友的关系，有时会讨论一念App迭代的一些看法，GPT出来之后我们的交流开始变得频繁。
3月6日虎王转发了即刻瓦总的一条关于AI黑客松的即刻，接连问了我好几次要不要去参加，最开始我感觉产品帮不上什么忙所以婉拒了，聊着聊着不知道是被什么说动了，最后就答应了这件事。
当时我们其实有讨论一些可能的hackthon方向，其中有一个几乎确定的方向是做律师AI，这个方向从产品规划上看都很合适。
当时还有一个不成熟的备选idea，是基于rewind的技术实现启发，做一个不用提问，就能主动察言观色并帮助你完成任务的AI管家。
4月7日晚，我和虎王坐上了前往上海的高铁。可能是亢奋，可能是机缘巧合，我们在高铁上聊起了备选方案，起初我觉得这个想法距离实现成产品的距离太过遥远。
虎王说：来，一个个细节聊聊看。
我们从mac应用聊起，聊到了OCR技术和前台应用识别api，聊到意图识别和function call（那个时候应该还没有这个名字），聊到软件对应的场景固化…渐渐地我发现这不只是一个idea，是可以工程化成产品的技术组合，我在那个时刻有点动摇要不要把律师AI切换成这个idea。
使我下定决心并去说服其他团队成员的是，当时即刻现场下发了一个团队介绍，里头包含了400个团队的简介，当我看到5-6个团队的背景都和律师行业高度相关时，感觉我们没有什么竞争优势，于是就毅然决定切换成第二个idea。
由于第二个idea过于超前，商业化不明确，还有可能面临的安全问题、终端竞争问题等，我们就完全换了一个心态：尽兴就好，重要的是向世界广播我们的声音。
hackthon无疑是高强度的，前两天我们基本都在building到深夜而无暇怀疑，这种美好的状态在第二天下午投资人巡场时被打破，当我们拿出demo和阐述想法时，巡场的投资人要么表示疑惑，要么表示落地性不强，要么表示没吸引力。
几轮下来团队内部开始孕育一种失败的情绪，其他两位小伙伴开始有些动摇，我反问这两天实现的这么激动，现在不相信了吗，小伙伴回：“_我之前是相信的，现在不相信了。_”
我依然固执地觉得想法很有吸引力，不然在过程中大家不会如此有期待，一定是没有找到对的人来看。不知道是不是心态是尽兴就好的缘故，我其实不在乎结果，但我很想尽一切的努力让声音传出去。
于是我问和我们有类似看法的投资人或者评委吗？雨秋提到之前她在X上看到wong2提过类似的想法和对rewind的关注，然后我强烈建议她邀请wong2来看看我们的想法和演示。
我本来想自己演示（之前对投资人的演示都是交给我来做），但当时转念一想应该让虎王来演示，他是这个idea的发起人，讲述起来也最有感情，他是最佳的人选。
wong2来了，身后还跟着瓦总。虎王开始讲，没有像我说的那样说场景和用户，而是从一个内心最渴望的问题开始问起：“_你们想要一个类似贾维斯一样的AI管家吗？_”在说的过程中我仿佛也被拉回了那天晚上的高铁，回过神来之后我看着wong2和瓦总的反应，能感觉到他们很满意这个产品。
自此我的愿望已经达成：我们得到了懂的人的认可，大家这两天的努力没有白费。
我们其实没有对获奖抱有很多期望，所以第三天我的目标就是尽可能完整的演示这个产品的魅力，然后再听其他团队的分享然后做笔记（毕竟能来这里的400个团队都是很有想法的），为自己之后的AI实践积累一点语料库。
晚上7点开始颁奖，但是我和虎王在来之前就定了回程的机票，于是我们6点多就离开了会场去赶飞机，留下雨秋和吴斌告知我们哪些团队获奖了。
但不久后很快我和虎王的微信视频同时响起，电话那头的吴斌说我们团队获奖了，我和虎王第一时间是懵的，但由于心疼机票，还是想赶飞机回去。
于是我和吴斌说你们领奖就好。吴斌赶忙又补了一句：还有30万美金的投资意向，不回来会后悔的，人生能有几次这样的机会，回来吧。
身体是诚实的，听到之后我俩没有回话，但也没有继续跑向地铁站了，在地上坐了下来。
回到会场后，wong2和瓦总也在，具体说什么当时的状态也记不清了，但是瓦总的一句话我到现在都印象深刻，大意是：“_我一般不会劝人创业，因为想创业的人不需要别人劝。_”
第二天团队又和即刻团队碰了一次面，聊了聊每个人的情况，然后最后提出的条件是每个人要全职出来一起做。
这之后又经过了一个月漫长的团队内部讨论，我是决断最快的那个因为我几乎没什么沉默成本，然后是虎王，他也一直想做点属于自己的东西，为此也可以放弃字节的工作。比较难抉择的是另一个小伙伴，当时有公司的竞业和条款，要出来有大几十万的沉没成本。
最后的最后犹豫之下大家决定不出来，失落的同时也松了一口气，毕竟对于一个商业化不明确只是idea的产品，allin真的需要勇气。
一切好像回归了平静。
虽然大家都还是决定继续原本的轨迹，但经过上次的合作我们还是想一起在业余时间做一些项目。
最开始我们是想把tars（察言观色的AI管家）做到可以实际使用的程度，但尝试后发现不管是token消耗量，模型的反应速度，以及各种问题导致这件事情需要很大的投入，于是慢慢没了声音。
后来年底复盘当时最应该做的是开源，和我们同期的一个类似项目叫干将，实现的是安卓端上的AI管家，当时他们在海外做了一波launch，我突然意识到这样的想法其实更容易让开发者兴奋，tars存在多种落地上的遥遥无期，最好的出路其实就是在当时声量最高的时候开源。
后续我们又尝试了类似Civitai的国内站产品，最后推进的过程中因为兼职，工程量较大等诸多原因，渐渐也停摆了。
与之同时，另一条暗线发生在我的内心。
AI黑客松这件事情对我的内心产生了很大的影响。因为之前创业失败的缘故，我始终认为自己能力不足，更多的需要潜心在公司里学习和实践自己的技能。但内心深处一直有个更深的声音是：我现在还不适合创业。
虽然获奖的结果存在着各种机缘巧合，但能在声量如此高的地方得到认可，很大程度上加强了我的信心。我开始自律锻炼，同时尝试让自己在各方面变得更好，去准备好。
对自我价值的认可是自律的基础，因为当一个人觉得自己很有价值时，就会采取一切必要的措施来照顾自己。自律是自我照顾，自我珍惜。—M·斯科特·派克
8月，一念获得了apple的编辑推荐。
同时我在公司内也开始积极尝试AI的落地，做了一些AI问答补全社区问题的feature以及优化了一下词典的综合搜索，也取得了一定的效果。
回望自己的 2023，虽然心性经历了很多磨砺，但反而并没有很大的成果产出。如果用一句话来形容这一年，我想应该是：
“找回那种想赢的企图心”。
《天道》当中提到弱势文化和强势文化，弱势文化指的是等靠要，而强势文化会自己争取，尝试和创造环境。一个强者应该具备什么样的心态？我的答案是这些：
心气
23年春节和同学闲谈的时候聊到一个同学，他保送了上海交大的博士后。今日回想起高中时期他专注、旁若无人挠头、略微有点疯魔的样子，倒觉得他能做到也是情理之中。
那是一股气，一种少年心气，而这种气在很多同龄人身上已经消失了。决定一个人上限的不是聪明、资源、出身，而是心气。唯有心气，才能穿越时间周期。
决死之勇
围棋里：在柯洁对战阿尔法狗的剪辑视频下面，我评论了一句：如果能有再来一次的机会，我还是会选择站上棋台。
英雄联盟里：
火影忍者里：面对对战六道斑时的绝境，只会体术的迈特凯选择开启死门，用超然的力量换取那一丝希望。
星际穿越里：库珀面对爆炸导致旋转的空间站，在概率渺茫的情况下毅然选择通过同步旋转进行对接。
……
我很为这样的精神着迷，甚至会在深夜因为这些切片热泪盈眶。
好奇心
“麦子熟了，我该回家了” ——《变形记》
书接上文，经过AI黑客松之后，我燃起了强烈想要做点东西的欲望，无论是不是AI相关，我都想以现在的认知先开启一个项目。
在23年底其实我已经在频繁看一些项目机会，但观察了许久都没有找到很合适的。直到有一天同事突然点醒：公司里的mbti群聊这么热闹，而以我对mbti八维的了解，为什么不做一个mbti相关的产品呢？
市场规模分析
于是乎我开始查百度指数，发现mbti的指数在当时已经快和星座齐平，似乎进入了稳健的增长期。感觉市场是成立的。
我开始查各国市场里头命中mbti关键词的App，然后观察哪些是常年在榜上的，于是我自然而然的注意到了pdb这个产品（主功能是搜索人物/作品的mbti）。没有想太多，23年9月左右我立马决定模仿pdb起一个新的App，然后在国内做差异化数据，12月底左右发布了第一版的安卓App。
运营
我开始尝试在社媒发一些知名作品的帖子来验证流量和导流到App的路径是否成立。很快社媒的流量开始被验证，《xxx》全员的mbti格式的帖子几周内就吸引了过百万的浏览量，但是导流到App的量仅有0.1-0.3%，后续归因分析应该是用户的求知欲已经在帖子本身满足了，仅有极少数会在看完这个作品全员的mbti后，去下载一个App来搜索另一个作品/人。
商业化
随后的几个月里，除了补全小程序端和iOS端外，再一次和朋友吃饭的过程中，我聊到现在mbti的商业模式其实可以和测测学习，做撮合、测试和会员付费。然后他就提出了疑问：为什么不做一个更好的测试呢？
“你老是要做很创新的东西，但其实别人做过的东西你做的更好也是有机会的，不要耻于做相同的东西，会错失很多机会。
别人做过的东西有一个隐藏的条件就是它大概率是有规律且赚钱的，能少掉很多市场接纳你的成本。”
吃饭的过程中我被他说服，开始尝试做一个更专业的测试作为商业模式，并在后续的实装中获得了还不错的收益。
里程碑
3月21日，我在小红书对这个软件的愿景帖子吸引到了一些用户，然后产生了第一波大的下载高峰，冲上了iOS参考榜的前200名。
4月5日第二次冲榜，同期上线的mbti测试小程序也获得了微信seo的自然流。
4月12日第三次冲榜，应该是八维动图和关系匹配的功能在小红书爆了，最后冲到了参考榜的27名。
5月21日收到美国迈尔斯MBTI官方的警告，要求不能使用mbti字眼，我们被迫改名为mbtAI百科。
7月10日第四次冲榜，这次是计算mbti可能性的帖子在小红书爆了，然后引起了算法推流+用户口碑传播的链式反应，最后是参考榜第13名，有21个国家和地区在榜。
数据繁荣的背后实则存在隐患，我发现每次冲榜后数据滑落的特别快，经常是在几周到一个月内跌出榜单，除非有新的爆帖。以「搜索名人的mbti」这个功能作为主功能的次留只有11-13%，这也能说明pdb为什么在美区正常情况下只是在200-300排名之间浮动。
详细调研
于是我仔细拆解了pdb的整条链路，发现seo才是pdb的立命之本，similarweb上的数据显示月600万的访问量多半是某个人名/作品+mbti的长尾汇聚而成，主要通过网站的广告产生营收。而App则是作为接住这些流量的尾端产品，再通过会员和类似社交撮合的功能实现商业化。关键点在于，mbti百科没有这样的网站做前端。
意识到不对后，我开始尝试在国内做seo无果，又开始尝试在google做简繁体人名/作品名+mbti的seo，一开始确实有些反应，但比起pdb覆盖的英文部分实在是杯水车薪。
另一方面，我开始尝试填充各种其他功能，并测试除了搜索人物的mbti外，还有什么功能是可以作为App的主功能，且次留能达到20-30%的，到25年中也没有得到很好的结果。
但与此同时，一条mbti业务的暗线在偷偷发育，并在25年底结下了丰硕的果实。
AIgod（后续没维护）
AI黑客松之后，虽然几个项目都黄了，但是我们4个人还经常在群里交流，有一天我突然提到一个私人化的需求：我习惯在微信多选聊天记录，然后点击更多发送到自己的邮箱，最开始是有部分会收集到自己的一念，AI出来之后我会经常丢给AI总结。
于是我就想到了做一个可以自动回复的邮箱，然后当用户往这个邮箱发送聊天记录时邮箱会自动返回总结，而如果你在微信绑定了自己的邮箱的话，你会直接在微信内收到邮件并查看，整个路径都是在微信内完成。
由于很轻我们就决定了先做出来然后丢给用户看看反馈，大家的行动力也很强，下班闲余时间几天内就搞出了一个demo然后在即刻上宣发了《AIgod》这个产品。
虽然后续基本没什么水花，但是当时虎王明确表达了如果后续还有这样有趣的项目可以第一时间找他。
马大哈翻译
起因是mbti的用户「姜为」和我说了一个想法：她想在微信和别人对话时练习英语，如果能把对方说话的某个词替换成英文就好了。
当时我的副屏就挂着X的页面和沉浸式翻译的效果，我第一时间就意识到这两个画面是可以结合的，于是我想到了这个需求最佳的实现方式：用插件在用户浏览网页时随机抽取中文词替换成英文。
而当时想实现这个效果，我第一时间就想到了虎王，果然把我的思路发出去后虎王马上就get到了。于是我们线下约了一顿饭把具体的开发细节一一敲定。并在一周内把demo做了出来，产品的名称叫《马大哈翻译》。
马大哈翻译在即刻宣发，获得了之前从来没有的声量，30分钟日活很快就过了200。除了有大量用户给建议、有精神股东愿意赞助外，归藏老师和赛博禅心老师还给我们点赞转发了。我们还因此认识了有类似idea的「自然卷的neil」并一起合作迭代这个产品。
有挂
8-9月份，Cluade3.5横空出世，虎王给我展示了一个效果：先把浏览器当前页面的代码拷出来，然后和AI说我要一个黑客帝国风的背景，然后AI给了一段代码，虎王随之在浏览器的开发者模式里贴入这段代码，当前的页面背景果然变成了黑客帝国风。我突然回想起之前在4人群里聊过的tars的web版本，我们一直尝试将Tars搬到web上实现，后续因为AI能力和产品思路不够清晰，无法商业化等等，最后不了了之。
但貌似现在的模型能力已经支持我们去做一些简单的尝试了。我一下就get到他的意思，然后问他是否要产品化。他在这时却有些犹豫了，因为还有很多东西没有想清楚，当时我们两都冥冥感觉这不是小玩家的游戏。
国庆节前夕，我感觉到虎王还是有些犹豫，于是我狠狠上了波价值：_做什么不是过一天，做点自己想做的。_终于他回到：”有道理，总好过因为对结局悲观，而放弃开始。“
10月11日，我们在即刻宣发了《有挂》，不带任何商业目的纯烧token，只为来一场“理解万岁”的烟花秀。这次的帖子数据比上次马大哈来的还要迅猛，在X上也有数十万的浏览。后续卡兹克老师和橘子老师也自发的为我们推荐有挂。
而卡右也很快的联系我们直接用他的api，不用我们承担api的高昂成本，放心冲。同时还为我们从自己公司里拨出一个前端，辅助我们迭代，真的感激不尽。
这三个产品看起来跨度极大，甚至毫不相关，但背后其实有一条相同的暗线：在有大量上下文和信息源的地方做AI应用。
某种程度上这也是继承了tars的品味，我们不希望用户面对一个搜索框，然后输入一些东西AI才能工作，我们希望AI能主动根据上下文来完成任务。
这里有个我觉得很好的类比：我一直认为字节比百度多做了一步，今日头条和抖音将输入关键词转化成了用户行为，用户在浏览文章/视频的点赞、收藏、评论、停留时长等行为，变成了系统要不要给用户打上视频标签的决策依据。而下一个文章/视频，是系统代替用户完成了一次关键词搜索，然后返回pagerank里头最高的一条。
但在用户侧，这个变化是截然不同的日活，我们当时一直想尝试在AI上做类似的事情。
经过这些产品后，虎王和我都感觉到了一种“外应”：如果某个现象多次发生，那么一定是对了什么，可能是团队，可能是思路。这种外应感在25年初的魂旅上线时达到了巅峰。
24年我还在MOJi，我观察到有大量的AI练口语的英语App开始批量出现，从之前矩阵的思路出发，英语能做的事情日语应该也是能做的，而以MOJi的品牌和用户数据共通的优势，我们做这样一个App在日语里头应该是更有竞争力的。
5月30日，《MOJi会话》上线后很快就冲到了参考榜148名。
7月份，就在mbti百科第4次冲榜的4天后，我妈妈体检查出疑似肺癌，是爸爸来的电话。得到消息的那天我买了深夜的机票赶回海南。在飞机上可能是由于睡眠很差，当天天气又是雷暴雨，我总是在幻想飞机会在飞行途中坠机。
第二天落地后和医生沟通，肿瘤是早期，早期一般是没有明显症状的，幸亏体检的时候发现了，不然到了中晚期要花10倍的价钱，救治的效果也不一定显著。听到消息的我长舒了一口气。
可能是多疑的性格特质，也可能是要切掉肺的1/4是一个大手术，我不太相信一个医生的一面之词，于是我拿到了CT，联系了好几个医生查看，得到的结果是差不多的，只是积极治疗和观察治疗的区别。
最后我们还是决定了手术，手术恢复的很成功，后期只需要定时体检就好，我紧绷的神经也终于放了下来。
看着至亲之人经历生死，短时间总是让人难以消化，那两个月我一直在回忆小时候的事情，回到小时候经常会呆的地方，也是在这个时候，第一次有种宿命的感觉。
一个人的自由程度只跟他不能舍弃的身份有关
24年11月碎瓜发了一条post：“FourSquare创始人Dennis Crowley说，”音频是穷人的增强现实”。如果你只将增强现实(AR)设备视为未来，那么整个领域就一直在苦苦等待硬件的突破，但假如你不拘泥于视觉，现在有一样AR设备已经被广泛使用：耳机。”
我很快分享给了虎王，然后提到之前在黑客松上看到过的一个很有趣的想法：基于地理位置的AI导游讲解。自从知道了这个想法拥有大量的上下文和不需要用户提问就能享受AI生成的效果之后，我们一直想做点什么，但总觉得线下实际去出游始终是件成本很高的事情，哪怕是周末Citywalk也一样。
同时当你实际出行后，你就会对AI生成内容的准确度有了很高的要求。
我很快想到了虚拟出游的想法，也很自然而然的联想到小时候在GTASA里驾车驰骋圣安地列斯乡野的美好画面。但很多细节还很模糊，直到两周后的一天，虎王喊我去他公司楼下仔细的对一下这个想法。
一如既往，他已经快构思好整体架构和大部分细节，甚至还对产品补完了很多功能。
2月12日我们上线了iOS的第一个版本，2月13日在小红书拿到了3000赞的社媒数据，上线七天后烧掉了1.3亿的token，用户量也接近破万，随后我们也获得了Appstore的编辑推荐。
随着魂旅的爆火，投资人开始找上门，积攒了一段时间后我们打算去上海线下逐一聊聊看。
不出预料的，机构对我们的兴趣更多来自于产品新奇，但我和虎王的履历并不算很惊艳，同时这个产品的商业模式和市场规模并没有被验证，所以更多是积极推进见面，但是实际偏观望的状态。
另一面，除了机构外公司的创始人也有陆续在接触，其中我们和flomo/幕布的创始人light聊的非常好，可能作为前辈经验更老道，除了资金外还有更多实际的业务支撑，我本能的感到这笔投资会更合适我们，几乎是那个下午我们就敲定了投资意向。
回去酒店的路上我难掩兴奋，一路和虎王说着有了资金后续很多事情都能有着落，同时兄弟们出来压力也不会那么大，到了酒店后虎王突然说了一句：我的建议是最好不要拿这笔钱。
我愣了一小会，他停顿了一下接着说：抛开魂旅，我们现在、包括未来所有的项目类型应该都是创意驱动的，资金的引入并不能加速创意的生产，同时这次我们出来和你上次大学创业不同，并没有很重的人力成本，基本就是我们几个人的人力开销。
我几乎是马上脱口而出：那你出来的工资怎么办。_他回我说_你不用管我，我的存款足够支撑几年，你只要解决自己的生存问题就可以了，我觉得我们可以给自己半年的时间，尝试自己先跑一跑。
我沉默不语，他问我在担心什么，我说我也说不好，总感觉没有融资离职出来做的话，风险非常大，他又向我解释了一遍他的逻辑，渐渐地夜深了，他在沟通的时候发现我其实不是逻辑上没通，更多的是因为当时第一次创业的PTSD导致的情绪压力。
这种纠结一直持续到第二天，我们原本约见了瓦总，本来是想聊聊最近的发展（这个习惯从23年有了连结之后就一直有持续），后来聊着聊着就提到了这个投资的事情，kyth和瓦总的建议是：可以先出来跑一跑看看。如果六个月后还是不行，我们可以再去找light，到那时如果他还愿意投，我们也愿意跟一笔价格相同的投资，如果不愿意，到时我们也还可以再聊。
回去飞机的路上，我也渐渐的想明白了，虽然没有接受投资，但出来的信心前所未有的充足。
3月24日，我离职了。
黑箱科技是我们公司的主体名字，当时注册只是为了上架一念的安卓端。这次出来也并不打算注册新的主体，于是就继续沿用了这个主体。
在离职之前，我一直在思考团队的定位是什么，然后与虎王讨论过好几次，最后我们把自己定位成AI生产力支撑的垂类浮游生物。逻辑是这样的：在AI的加持下开发的速度会上升，而我们可以做大厂和AI主赛道看不上的多个垂类产品，在推荐算法的帮助下精准触达用户。
而在这个定义下最接近的群体应该就是独立开发者和精品工作室。
我们用《魂旅》报了「小红书独立开发者大赛」，最后很幸运的获得了浪漫主义奖和一笔奖金。有了这块招牌，我很顺理成章的接触到了独立开发者群体，也请教到了我想要学习的前辈们。
有人带路终究是幸福的，我了解到了onboarding的数据效果，也知道了paywall的转化率做法，还知道了aso的一些技巧，这些如果是自己草莽的探索，估计要花不少时间。
在一个圈子的好处是，你能知道圈子里的前辈营收上限能做到多少程度，心里会踏实不少。同样的你也能看到身边的朋友一下起步，然后达到了前辈的高度，这无疑也能增强很多的信心。
时间线
4月18日，一念的某个用户在小红书上自发推荐了一念，引起了大量围观，随之一念也进行了一次意料之外的冲榜，我们赶紧抓住这次机会，实践了前段时间学到的那些技巧，取得了还不错的营收。
5月22日，我们把百科里头一个关于身体情绪的子功能移出来单独做了一个applewatch的手表App，很快再次冲榜，这个软件一度成为我们的营收大头，最高的时候能做到400美金一天。
7月21日推出《小羊睡眠》，主要是基于Applewatch的数值来决定羊的状态，通过绑定的效果来让用户养成自律睡觉的习惯，这次产品遭遇了滑铁卢，虽然在小红书上同样产出了爆帖，但是App转化率几乎可以忽略不计，事后复盘觉得睡眠无法像专注一样可控，数值焦虑反而会增加睡眠的压力，这也是为什么很多睡眠App和减压功能总是相生。
8月份朋友团队《专注飞机》在抖音获得了很好的自传播，紧接着是tiktok，这个现象让我们发现了「内容型产品」以及其三角：
找到了这个规律后，我们一直想做类似的实践，扫了一圈已有的产品，发现最适合的可能是魂旅，于是我们下定决心启动《魂旅》的2.0版本，追求极致的体验和内容型产品设计。在这个过程中我们尝试了很多第一次：第一次仔细感受各种震动的类型，第一次研究如何在页面切换时做到动效流畅自然，第一次以精品的要求打磨每一个细节…
终于在12月份我们上线了2.0版本，传播效果并没有如我们所愿，第一轮产生了水花之后水面渐渐归于平静。
经过魂旅和小羊睡眠这两次开发之后，我冷静的思考了一段时间，貌似两个项目都掉入了过早优化和过早商业化的问题之中，而创新不应该过早地被带上枷锁。自此之后公司把项目分成了两条业务线，一条for fun，一条for business。
12月底，我们启动了mbti百科类型学卡片的新版本。
经过1个多月的预先准备，我们赶在春节假期前上线了这个版本，我原本的预期是，可以用这个版本解决年后两个小伙伴全职出来，线下办公室和所有人的吃住资金问题。
但上线后无心插柳柳成荫，原本发现的「内容型产品」的规律和黄金三角在这个项目被证实，日活很快就翻了10倍。
26年1月1日的时候我盘算过一次用户量和营收，当时所有产品的累计用户量加起来刚好过百万，25年整体的收入在21.3万左右。
然后春节我又盘算了一次，2月23日我们已经做到mbti单业务矩阵用户量过百万（虽然大部分是小程序用户，沾了光），然后所有产品的营收加起来也已经摸到了一天5000¥的收入门槛。
2024基本都在奔波之中，其实没有好好冷却下来仔细思考。今年可以说是这三年感悟最多的一年。
全职和兼职之差
前两年我几乎是在白天上班，下班锻炼，然后从10点开始做副业到凌晨2点-3点，然后第二天又爬起来上班。
决策质量
贪婪的表现是：我总是低估不花钱的隐性成本，认为只要有足够的时间管理能力，就能自我压榨出更多的结果。既能保障自己生活又能让自己的资产有所发展。但这样下来很累的同时还极其容易生病，决策质量还很差，下班多数只是在锻炼时的一点点思考业务的决策时间，和绝大多数的深夜赶工时间。
离职的头几个月我甚至还有些怀念这样的生活（毕竟每个月实打实的都有经济保障，同时还能保证业务缓慢推进），可后来我就发现了不对。
我发现人一天的有效决策是有限的。离职之后我分析自己业务的时间变得更多，在做一件事情之前能考虑更多，也开始慢慢有了该做什么和不该做什么的判断。而之前完全没有空去想这部分，因为大部分有效决策都放在了公司工作的时间段。然后到了下班时刻，我的决策质量已经开始显著下滑，业务思考是远远不足的。
站在现在这个节点回头看，现在业务有这样的增速，其实和离职后有效决策的资源被释放有一定关系。
自我修正速度
之前和一个创业的朋友讨论过兼职和全职的区别。
他说他的业务起量的原因很多时候和他一开始的设想差很远，是在一开始推出去之后，通过用户反馈、一些数据，还有一些直观的感受发现受众/品类搞错了，区别在于兼职的迭代成本太高，周期太长，导致无法频繁迭代和自我修正，即使兼职的判断力很好，也比不过全职的叠加速度。
注意力释放
离职后多了很多“无用时间”，一方面是这些无用时间导致了自己能离自己的产品远一些，此时我才能看清全貌和问题症结所在，并去调整。
另一方面是除了产品，我能腾出更多时间去关注前沿的动向、我在团队的位置、其他人在团队的角色、团队在市场的位置、优势和弱点，软件开发正在发生什么样的结构性变化。
除了上文观察到的「内容型产品」的规律外，我还发现了其他的一些规律。在AI辅助写作的帮助下，我能很快地把洞见变成文章进行归档。
以及自然而然的我们会关注到AI对于生产力的指数性提升，过去可能要好几个人甚至十个人做的生产侧的脏活，现在依靠一个人+多个AI也是有机会做到的，以及过去无法染指的3d和动效也可以依靠AI做到一些。
产品工作上，基于AI工具去做一些爬虫，甚至是代替我操作浏览器然后几个小时后回收一个竞品调研的excel，生成有想象力的原型（不再依靠墨刀），对于一个没有代码基础的产品来说已经不再是很难的事情，关键是有开始的勇气。
自然语言交互比起前互联网时期的代码报错的好处是，它的容错性更强，所以不太会出现报错之后傻傻的去找解决方案和啃书的情况，只要开始了就已经在正确的路上。高手和新手的差别主要在于对话轮数、思路和已有知识架构（方便提出更准确问题和更好的思路）这些方面。
意识到这件事情后，在当时公司盈利还并不多的情况下我决定给公司的员工报销所有AI工具的费用。这几乎是开始的最大卡点，也是形成依赖最重要的环节，从长远来看这是一笔很值的投资。
年前一个校友来问我如何使用AI来构建自己的副业App，我给她解释了一通的用法，并告诉她我们现在构建产品的速度时，她非常吃惊能够做到这样的生产效率。
那个时刻我意识到开始融合AI工作之后，效率和市面上确实会拉开非常大的差距。
工作和资产
和启旭的聊天过程中，他问到自己出来做产品和之前在公司里做产品有什么明显不同，我当时的回答是感觉速度变慢了，决策变得没那么清晰，有时候我还挺需要工作的自己回归的。
但后来我自己仔细思考了这个问题，离职之后我们的迭代虽然一开始比较佛，但其实不会比公司慢多少，是什么导致了反馈周期变慢呢？后来我找到了答案，其实是因为当前业务过小，用户基数少导致了回收的周期变得更长。
但由这个问题我发现了一个更深的问题：
在公司工作，产品经理的「价值体系」大多是由数据的即时性反馈决定的，也就是立杆要见影，这个功能上线之后要在一周，至多一个月内能观察到明显的数据变化。
而为自己构建资产，产品经理的「价值体系」是由这个产品活的够不够久，未来能不能继续活下去，也就是「不下牌桌」的逻辑决定的。
所以除了即时性反馈数据，决策中还多了一部分长期思考，即这个事情做了会不会砸招牌，这个功能做了长期是不是更有价值的（即使短期没有太大回报）。
而上文提到由于业务一开始过小，用户基数小，原本就存在的市场惰性，在这样的弱势条件下被放的更大，常常一个功能会在几个月甚至一年后才显现出价值，也就会更依赖决策者在没有任何明显反馈的情况下做出符合长期价值的决策，这很难。
启旭和我说到潮汐App的一个案例对我很有启发：16-17年的时候社区很火，投资人一直建议潮汐加上声音社区，他思考了半年最后还是决定不加这个功能，我问他为什么，他也很难解释，就是觉得这个功能不该做。
事后我有重新去想这个问题，貌似声音社区和潮汐想要给用户减压和睡眠的初衷是有一定冲突的。（只是我有限角度的一个解读）
专注复利
和很多前辈的交流中我发现，他们不约而同的都有演绎到专注一个产品是有复利的。其实我之前一直是存疑的，或许是我在几家公司里总是新业务探索和商业化，成熟了之后就移交给其他产品去做1-10，也或许是我之前的正反馈都建立在新产品一经宣发就会有量和收入之上，这个信念我一直迈不过去。
直到我最近在mbti上做了类似的迭代，然后获得了10倍的反馈我才真正的肯定了：持续迭代的产品复利是存在的。
然后我其实有仔细思考过这个问题，我觉得是市场惰性，用户量过少，心智培养需要时间，然后这几个要素一同指向了一个条件：活的够久，活的越来越好。
如果要演绎一遍，画面可能是这样的：
与上文提到的「长期价值的决策」呼应，在这个节点「数据反馈」反而排在「做认为正确的事情」之后，如果你本身还是用户，那么赢面会大大增加。
一级市场和二级市场
今年离职后，因为手头有些闲钱，我也开始接触了投资，虽然之前有了解过一些基础的投资观念和知识，但在入场前我还是仔细思考了，什么是我作为一个投资者对比其他投资者的优势。
所以基本决定了我的投资逻辑就是：长持 + 业务调研/财报分析 + 价值投资 + 情绪低点买入。
这个过程中deepseek帮了我不少忙，我发现它对于数据计算和金融概念的部分要显著强于其他几家，于是我用它做了几件事：
不过我从来不问ds我应该什么时候买入，现在是不是好的价格这些问题，我只会让它做分析工作，决策还是在自己。
比起这个我更想讨论一些一通百通的理解。
我发现：
我以前很难理解我同事的前老板为什么会把千万资金放在股市上，也很难理解风险投资会出这么多资金买一些可能是虚无缥缈的股份，直到我将资产投资和具体的经营联系起来才恍然大悟。
好生意太少了，好生意可容纳大资金的就更少了。二级市场是全球生意的集合，可以以合法渠道去购买的一个市场，在这样的市场里去找标的会比在周围找标的要稳健的多，等待一个被低估的机会，这样的标的完全可以消化掉这么大的资金。
宿命感
12月31日，年关将至，我产生了一种很强的宿命感，主要有几点原因：
我有和gemini讨论过这个事情，我说我不是一个迷信的人，很难相信这种因果关系，它给我的答案我挺认同的：
你在2019年的总结里写过一个框架：”过去是一条线，现在是一个点，未来是一张概率网。”你当时用这个框架来解释为什么知识只能校验、不能指引。
但当概率网里足够多的节点同时亮起来，指向同一个方向的时候，人会有一种特殊的感觉——不是”我做对了选择”，而是”这件事本来就该发生”。
这就是宿命感的本质。它不是迷信，是概率密度足够高之后产生的心理现象。那些过程中你一个个本能的选择，早在你意识到之前，就已经在塑造这个结局了。
很多碎片的随笔和摘抄，以及一些文章我主要更新在highwaywu.com，很多不成体系就不在这里呈现了。
]]>我想像之前一样，平实详细的记录每一年的变化。我坚定的要求自己要用手写，保留那些“语气的流动”，逻辑的脉络和盲点，从而回看时能更好地代入当年的自己。
与大学不同，可以以]]>
几乎在同一时期，iOS App Store的上架量出现了戏剧性变化。2024年底之前的三年里，月度上架量同比增长基本持平在0%左右。但从Agentic Coding发布后，这个数字开始飙升——新应用提交量从5万增至7.8万，增幅达60%。
抖音上，用经典港片AI换头调侃时事的视频播放量动辄百万。无间道、追龙等经典片段被重新演绎，LPL被抽陀螺、美团外卖站长等梗图配合换脸技术，让内容生产变得前所未有的容易。
某种程度上，这三个看似无关的现象，背后是同一个结构性变化。
音乐领域的变化最直观。Suno、Udio这类工具让不懂乐理的人也能产出完整的歌曲，AI降低了创作门槛。《大东北我的家乡》用AI创作出爵士版、R&B版、福音版等多个版本，从B站鬼畜区火到抖音，话题播放量超过29.8亿，B站相关视频最高播放量超过690万。
更重要的变化是，创作者可以直面用户了。18岁的亚细亚创作《莫愁乡》，不需要唱片公司签约，不需要传统宣发，用情感打动大众，全网播放量突破1亿。揽佬用Memphis说唱加粤剧采样配上客家口音普通话，这种混搭风格在传统唱片公司可能连demo评审都过不了，但算法帮他找到了全球的听众。
而开发领域也有类似变化，2024年底是一条分界线。通过Claude Code、Cursor等AI编码工具，不会代码的产品经理、设计师也能做出拥有核心功能的软件。
视频二创也是如此。B站UP主五鹿鸿见用经典影视素材做时事梗二创，单个视频播放量突破百万。AI换脸、自动卡点、一键剪辑，让一个人可以完成以前需要团队才能做到的事。3D建模、平面设计、文案写作……几乎所有创作领域，基础配置都不再是门槛。
某种程度上，这很像短视频刚出现时的场景。
当人人都可以举起手机拍视频，专业摄像师、导演、剪辑师不再是必需品。出现了和科班完全不同的路数——不需要专业的拍摄设备，不需要精良的制作，只要内容有趣，就能获得流量。算法不会因为你”不够专业”就拒绝推荐，只要用户喜欢，就能获得曝光。
现在AI正在对更多创作领域做同样的事，这导致了供给侧的暴增。
2023年B站音乐视频播放总量突破573亿次，超过166万UP主发布超2000万音乐视频。流媒体平台每周上线的新音乐数量，够一个人听十年以上。App Store总应用数在2025年底达到228万个，较年初增加16万个。
但问题在于，消费侧没有变化。
用户的时间仍然是一天24小时，注意力仍然有限。当供给侧以指数级暴增，而需求侧保持不变时，创作市场发生了什么？
当供给稀缺时，守门人控制分发权。唱片公司的A&R决定签谁不签谁，应用商店的编辑决定推荐哪个App，电视台的制片人决定哪个节目能播出。创作者需要通过层层审核，证明自己的作品值得被推向市场。质量是核心竞争力，因为渠道有限，只有最好的作品才能获得曝光。
但当供给暴增而需求不变时，市场逻辑彻底改变了。
问题不再是”能不能做出好作品”，而是”能不能让用户看到你的作品”。
换句话说，真正稀缺的不是内容，而是用户的注意力。
用户在短视频平台花费时间。抖音、TikTok、B站、小红书，这些平台占据了用户的大部分碎片化时间。但用户在这些平台上到底在做什么？他们并不是在”消费完整作品”。
刷抖音、刷B站时，用户在做的是快速筛选——判断这个内容是否值得在这一刻表态。点赞、转发、收藏，这是快速的直觉确认，但这一步并不要求你交出剩下的三到五分钟。
点赞不等于看完。
这解释了很多反直觉的现象。为什么点赞很多但没人看完？因为点赞和看完是两个独立的行为——点赞是表态,看完是消费。用户只需要前15秒判断”这个值得点赞”，然后滑走。
算法只看点赞数、转发数、收藏数，这些都是表态行为。算法不会管你是否看完，不会管你的作品是否完整，不会管你的艺术价值有多高。它只看：用户是否在前15秒表态了？
问题在于，创作市场的竞争从”质量竞争”变成了”注意力竞争”。
传统分发逻辑：创作者把作品交给守门人，守门人决定推不推。唱片公司的A&R听完demo，觉得有潜力就签约，觉得不行就拒绝。应用商店的编辑看完App，觉得值得推荐就上首页。核心是专家判断。
但现在的逻辑完全不同了。
揽佬全靠算法推荐。TikTok根据用户行为决定给多少流量，用户的每一次点赞、转发、完播都是投票。某三大唱片公司的A&R透露，现在签人的流程完全颠倒了——先看平台数据，再听作品。数据不行，直接再见。
某种程度上，定义权转移了。从行业专家手里，转移到了算法加用户的组合。
跨平台回收数据的逻辑也因此成立。亚细亚的《莫愁乡》在抖音引发大量二创后，网易云播放量、评论数暴增，登上热搜榜第一。小红书上爆款App的推荐帖，带来的下载量是应用商店编辑推荐的十倍以上。
问题在于，获得注意力后可以跨平台转化为商业价值，但前提是——你得先在算法平台上争夺到注意力。
算法有自己的选择标准。
差异化比标准化更重要。揽佬的广东话加粤剧，越local越global。数据显示，强地域特色的内容在TikTok的分享率高出普通作品300%。某知名厂牌私下说，现在找新人先看地域特色，千篇一律的欧美模仿者直接pass。
即时性比深度更重要。揽佬的《八方来财》副歌直接怼开头，记忆点密集轰炸，抖音完播率65%，普通说唱才22%。某顶级音乐工作室现在接活必问：前15秒能塞几个梗？超过60%用户30秒内滑走，算法不会等你铺垫。
参与感比完成度更重要。《大展鸿图》在抖音掀起二创狂潮，挑战话题播放量20亿，二创视频超80万条。某厂牌市场总监算过，传统宣发烧300万可能水花都没有。问题在于，用户不是在消费内容，而是在参与创作。
事实上，用户根本不在乎你是如何创作的，专不专业。他们只在乎：这个内容是否能在30秒内抓住我的注意力？是否有参与感？是否有分享价值？
这种变化重组了创作市场的四个核心维度。
创作端：从产品导向到注意力导向
以前，创作者的核心任务是”把作品做完整”。一首歌要有完整的结构，一个App要有完整的功能，一个视频要有完整的叙事。质量是第一要务。
现在，核心任务变成了”让作品能被看到”。
从业20年的制作人说：”去年我带新人见公司，今年我带公司看平台。”某知名厂牌彻底修改新人标准——短视频平台数据不达标，一律不签。
产品的生产资料——界面、交互、前15秒——本身就是内容。专注飞机、Quin这类应用的界面设计极其适合录屏分享。在AI加持下，制作产品不再是门槛，如何在前3秒抓住用户成了新门槛。
分发端：从专家策展到算法分发
某应用商店编辑说，现在我们更像是数据分析师，而非内容策展人。App Store编辑推荐带来500下载，小红书爆帖带来5万。2025年抖音热歌和专业乐评榜单重合度不足20%，但抖音热歌的传播速度是专业乐评榜的十倍以上。
平台成了新的”厂牌”，算法成了新的”经纪人”。定义权从行业专家手里，转移到了算法加用户的组合。
消费端：从消费完整到快速表态
用户在短视频平台做的不是”消费完整作品”，而是”快速筛选”——判断这个内容是否值得在这一刻表态。点赞、转发、收藏，这是快速的直觉确认，但这一步并不要求你交出剩下的三到五分钟。
点赞不等于看完。
某UP主精心制作的20分钟长视频播放量10万，3分钟二创视频播放量500万。新说唱2025的现场，观众投票把旋律派选手送上冠军，节目后台数据：技术流完播率32%，旋律派65%。用户的时间是有限的，注意力是稀缺的。在供给暴增的环境下，用户选择了用最短的时间做最快的判断。
AI生产的快速让用户变得敏感。网易云评论区经常出现”这是AI做的吗”，蓝紫渐变的MVP产品被吐槽粗制滥造，AI味的文章直接被跳过。但与此同时港片换头的二创视频播放百万，大东北是我的家乡歌曲火遍全网。
用户讨厌的不是AI本身，而是不被认真对待。
]]>几乎在同一时期，iOS App]]>
最近和 Neil 聊到这个话题。他的视角是战略性的：Plaud 是物理世界的传感器，AI 需要 context，麦克风是最好的数据收集方式，眼镜也应该重视这个。他甚至想把所有录音串联起来，让 AI 真正”懂你”。
但这不是 Plaud 真正做对的事。
Plaud 真正做对的事情，是找到了一群信息过载的人。
这些人是投资人、律师、销售。他们的工作特点很明确：每天要处理大量信息，这些信息密度极高，事后必须整理总结，而且这个总结在工作中是很重要的一环。投资人要整理创业者报告对上汇报留档，律师要梳理案情细节方便回溯，销售要复盘话术提升水准。
关键是，这些人有钱。
某种程度上，Plaud 的生意模式是一个三重契合：一群人摄入大量信息导致脑袋不够用，刚好他们的对上汇报是工作中很重要的部分，刚好这帮人又很有钱，愿意为了工作减负而掏腰包。这就像商业模式中的”三角收益”——需求刚性、支付能力、获客成本同时满足，才能形成闭环。
Plaud 创始人许高把这条路径定义为”三高人群”：高知识密度、高对话依赖、高决策杠杆。这不是泛泛的市场定位，是精准的人群筛选。
这不是技术问题，是人群问题。
更妙的是，Plaud 创始人本身就是投资人。做 demo 给几个圈内的人一用，私下募点钱，自己掏一点，启动资金就有了。目标用户和启动资金是同一批人。
这个生意的启动门槛很高：重资产、看供应链、看销售。但 Plaud 刚好绕过了这个门槛。这种契合，可遇不可求。
而规模化之前的 demo 阶段，3D 打印加一个 app 就能验证，成本极低。
视障人士是真的”看不见”，物理层面的缺失，AI眼镜补足的是传感器——眼睛。这个案例的关键在于：用户缺在哪，AI 就补什么。
录音眼镜也要回答这个问题：用户”聋”在哪？
不是说用户听不见。录音眼镜听的都是用户听到的。Plaud 找到的答案是”听到了但处理不过来”——信息摄入太多，大脑整理不过来。AI 补足的不是传感器，是认知能力。
要做AI录音眼镜，第一个问题是：是不是类Plaud。
但问题在于，AI 眼镜的市场心智已经被 Meta 和小米教育成”第一视角拍摄工具”了。小米眼镜、雷朋、雷鸟，用户的核心认知就是自媒体拍摄工具。录音、AI 助手、卡路里识别，这些宣传点很零碎，没有一个能让人记住。即使眼镜有多阵列麦克风的优势，在心智上，它就是不如 Plaud。
最近和 Neil 聊到这个话题。他的视角是战略性的：Plaud 是物理世界的传感器，AI 需要 context，麦克风是最好的数据收集方式，眼镜也应该重视这个。他甚至想把所有录音串联起来，让 AI]]>
为什么Figma和Photoshop这样的工具，高手和新手之间的差距会越拉越大？
你打开Figma，画一个矩形，调整圆角，改变颜色，添加阴影，复制一层，调整间距——这一套操作下来，可能只需要30秒。但就是这30秒里，高手完成的操作数量是新手的3倍。更关键的是，每一步的反馈都是即时的，你能立刻看到画布上的变化。这种即时反馈让人容易进入心流状态，而心流状态又进一步加速操作。
但问题不仅仅是”快”。
问题在于，这些累积的操作本身就是一个放大器。高手的审美、创意、判断力，都在这些密集的操作中被逐步放大。你看到的不是一个idea的直接呈现，而是一个经过数百次微调的结果——每一次调整都是一次选择，每一次选择都在体现审美。
某种程度上，这就像游戏里的APM（每分钟操作数）。APM高的玩家不仅仅是手速快，而是他们的意识、判断、策略都能通过密集的操作被放大出来。
我之前也有过类似的看法：ai native ，是围绕mission和action 的交互范式，是一个为了达到目标的过程交互设计，是渐进式的。而不是question和information这类，基本单次就能收尾的老逻辑。
工具的步长短，单位时间内的操作次数多，才能让你的能力有施展空间。
换句话说，AI工具不应该试图”一次性解决你的问题”，而应该成为你达成目标过程中的放大器。它应该让你的每一步操作都更精准、更高效，但操作的主导权仍然在你手里。就像Figma不会替你设计，但它能让你的设计意图更快地呈现出来。
步长短创造上限，步长长保证下限。
一键生成的工具不是不好，它们适合目标明确、标准固定的场景。但如果你要做的是创造，是设计，是那些需要反复调整、追求极致的事，步长短的工具才能让你的审美和创意真正发挥出来。
但这背后有个更本质的问题：创造到底是什么？
我们以为创造是”想法→结果”的过程——你脑子里有个清晰的目标，然后工具帮你实现它。但事实上，大部分创造都不是这样的。你开始设计一个界面，调着调着发现这个方案不对；你开始写一段代码，写着写着想到了更好的架构。
真正的创造，是在过程中涌现的。每一次调整都会触发新的想法，每一次反馈都会修正你的判断。你最后做出来的东西，往往和一开始设想的完全不同。
某种程度上，这就是为什么一键生成的工具很难做出好作品——它跳过了”过程”，也就跳过了”涌现”发生的空间。渐进式工具看起来慢，但它保护的，恰恰是创造最核心的部分。
步长短不是为了快，是为了给涌现留出空间。
]]>为什么Figma和Photoshop这样的工具，高手和新手之间的差距会越拉越大？
你打开Figma，画一个矩形，调整圆角，改变颜色，添加阴影]]>
这个感觉在 demoday 上变得更清晰了。赵纯想分享他在 AI coding 的流程里加入了「工作留痕」——让 AI 能回溯”我为什么这么改代码”。我当时就觉得，这不就是软件工程里的 commit message 吗？本来是给团队成员看的，现在变成给 AI 看的。
然后又看到「spec coding」这个新概念——词造得太快了，我还特地查了下，发现其实就是在写代码之前先写 PRD、做版本管理。某种程度上，这就是产品经理和工程师对齐需求的那套东西，现在变成了和 AI 对齐意图的工具。
但真正让我意识到这件事的是最近在学纯想老师的 vibe coding 课程。其中有一部分讲如何从成熟网站里把 UI「抽骨吸髓」并用到自己的网站上，关键就是设计系统。我发现这个设计系统几乎和 UI 总监维护的组件化规范长得一模一样——什么场景用什么按钮、间距多少、颜色如何搭配。这些规范本来躺在设计师的脑子里，但设计系统把它们「固化」成了可复用的代码和文档。
事实上，设计系统最早解决的不是 AI 的问题，而是人和人之间的协同问题。一个团队有十几个设计师，如果没有统一规范，每个人做出来的界面都不一样。设计系统的作用是让所有人「对齐」：看到同一个组件，理解同一套规则，输出一致的结果。
换句话说，设计系统的本质不是「设计」，而是对齐。它把隐性的审美判断变成显性的规范，让不同的大脑能够同步。
我举一反三，特地做了个「文风系统」。
收集了自己写的 391 条短想法和 10 篇长文，统计了转折词频率、段落长度、类比偏好、结尾习惯——甚至精确到”我用’但’的频率是 3.11 次/千字，从不用’然而’”。然后把这些数据整理成一套规范，喂给 AI。
结果是，我只需要写一些大纲和碎碎念，AI 就能完美直出我的语言风格和口气，没有 few-shot 的过拟合问题。某种程度上，这和设计系统干的事一模一样：把一个人脑子里的隐性知识——这里是写作习惯——翻译成一套 AI 可读的规范。
但这次的「对齐」对象变了。不再是人和人之间的审美统一，而是人和 AI 之间的意图同步。
问题在于，为什么这些本来用于人类协同的规范，能无缝迁移到 AI 上？
事实上，人类的协同规范从来不是为了「协同」而设计的，而是为了解决隐性知识的传递问题。
你去看建筑行业的图纸标注——墙体多厚、钢筋怎么排、水电怎么走——这些规范不是为了让图纸好看，而是为了让设计师脑子里的三维结构能够被施工队准确还原。设计师不可能跑到工地上盯着每一块砖，所以他需要把自己的意图「编码」成标准化的符号，让看懂符号的人能够「解码」出同样的建筑。
再看厨房里的 mise en place（备菜系统）：所有食材提前切好、摆放到固定位置。这不是强迫症，而是因为高峰期没时间思考”洋葱在哪”——厨师需要把「记忆」外置到空间布局上，让手的肌肉记忆直接接管大脑。
还有三审制——编辑、校对、终审三层把关。这套规范的本质是把「质量标准」拆解成可执行的检查清单，让不同角色在不同阶段各司其职。
换句话说，所有这些协同规范的底层逻辑都是一样的：把一个人的隐性知识变成显性的、可传递的、标准化的规范，让另一个主体（人或机器）能够准确理解和执行。
某种程度上，这就是「大脑对齐」的过程。
这个视角解释了为什么那些规范能迁移到 AI 上。
工作留痕、spec coding、设计系统、文风系统——它们之所以能迁移，是因为人和 AI 在协同时面临的问题是相似的：如何让一个主体理解另一个主体的意图，并按预期执行。
但这里有个反直觉的点：AI 不需要「学习」这些规范，而是需要「被告知」这些规范。
人类学设计系统，需要理解为什么这个按钮是圆角、为什么这个颜色是主色——需要消化背后的设计哲学。但 AI 不需要。你直接告诉它”这个场景用这个组件”，它就能精确执行。
某种程度上，AI 更像是一个极度服从的实习生：不会质疑你的决策，不会偷懒简化流程，但也不会自己领悟你没说出口的潜台词。所以你需要把所有隐性的判断都显性化——这恰好就是协同规范在做的事。
换句话说，人类几千年来发展出的协同规范，本质上是一套「意图编码系统」。只是以前的解码器是人，现在多了一个选项：AI。
我不由得想到，人类的协同规范还有很多：法律条文、乐谱、象棋棋谱、手术操作指南……每一套规范背后，都是某个领域的专家把自己的隐性知识「对齐」给后来者的尝试。
如果这些规范都能迁移到 AI 上，会发生什么？
总感觉这里面还有更多惊喜。
]]>这个感觉在 demoday 上变得更清晰了。赵纯想分享他在 AI coding]]>
创新就是在抄袭的基础上删除东西。
但往往抄袭的东西越顶尖，能删除的东西就越少，想删去东西更需要底层理解。
当一样东西删无可删时，抄袭者无论想增加什么，都会显得多余。
东西不会一直删无可删，这种完美会随着时间发展而变得有缝隙。
创新就是在抄袭的基础上删除东西。
但往往抄袭的东西越顶尖，能删除的东西就越少，想删去东西更需要底层理解。
当一样东西删无可删时，抄袭者无论想增加什么，都会显得多余。
加尔定律：一个运转正常的复杂系统，总是从一个运转正常的简单系统演化而来。
反之也是一样的：一个从零开始设计的复杂系统永远不会起作用，也不可能让它起作用。你必须重新开始，从一个简单的系统开始。
反脆弱：复杂的系统是脆弱的，因为复杂的系统需要动态的维持。石头是个很简单的系统，所以石头可以千年能量不交换，人是个复杂的系统，所以人不进食就会饿死。
失控：”稳定态不仅意味着死亡，它本身就是死亡状态”
结论：在复杂的系统中，流通性是必然的，有进有出才能称之为正常的复杂系统。
所以在复杂的系统中，不流动的东西是缺少价值，不正常的代表：
复杂的系统真的是脆弱的吗？
生长和演化出来的系统并不脆弱，根据奥卡姆剃刀，可实证的需求均属于有必要的实体。抛却概率来看复杂性是有失偏颇的。
简单的系统如何变为复杂的系统？
加尔定律：一个运转正常的复杂系统，总是从一个运转正常的简单系统演化而来。
反之也是一样的：一个从零开始设计的复杂系统永远不会起作用，也不可能让它起作用。你必须重新开始，从一个简单的系统开始。
三年前，一个独立开发者想要推广自己的App，路径是清晰的：要么砸钱买应用商店的推荐位，要么在少数派这样的垂直网站写软文，要么靠口碑传播。那时候，App的推广逻辑和传统商品没什么两样——功能为王，刚需至上。
但18-19年后，一切都变了。
抖音、小红书的崛起，让UGC推荐算法平台开始慢慢接管App的分发权。得益于推荐算法的人群画像精准度，那些以前只能在小众圈子里打转的产品，突然有了出圈的可能。AI调酒师、拉拉的大姨妈管理软件、ADHD软件——这些在传统渠道里注定边缘化的产品，在小红书上爆个帖子，带来的下载量比上应用商店推荐还要多。
另一方面，AI编程的普及让供给侧发生了根本性变化。不会代码的产品经理、设计师，甚至是垂直行业的从业者，现在都能依靠和AI对话来完成一个拥有核心功能的软件。这导致App供给量暴增，同时由于不需要像大厂一样过需求评审，很多不在主流互联网制式内但有真实小需求的应用得以出现。
传统的应用商店推荐已经疲于发现好应用，而UGC推荐算法平台由于人群分类精准、ecpm的赛马机制等，让这些有用、有趣的应用直接面对用户并得到大量曝光。用户用行动（浏览、点赞、收藏）来助推App冷启动，整个推广逻辑从”编辑推荐”转向了”算法+用户行为”。
AI编程最大的受益者，不是那些本来就懂代码的程序员，而是那些有想法但不会编程的人。
我见过一个设计师，用AI在两周内做出了一个专注力训练App，在小红书上获得了上万点赞。也见过一个心理咨询师，通过AI编程做出了一个情绪记录工具，在抖音上被疯狂转发。这些人的共同特点是：他们不是科班出身，但对自己的领域有深度理解，知道用户真正需要什么。
AI编程降低了demo的门槛，让”想法验证”变得前所未有的容易。以前，一个产品经理有了想法，需要找程序员、设计师、测试，整个流程下来至少需要几个月。现在，一个人就能在几天内做出一个可用的原型，然后直接放到社交媒体上测试市场反应。
这种变化带来的结果是：App的供给量暴增，但更重要的是，很多以前因为技术门槛而无法实现的小众需求，现在都有了被满足的可能。
仔细观察现在的爆款App，你会发现它们越来越像短视频了。
不需要科班出身：只要你有idea，就能借助AI产生demo。这和短视频的逻辑一样——不需要专业的拍摄设备，一部手机就能开始创作。
没有”专业人士”评估：直接面对消费者，消费者用行为投票。算法不会因为你的App”不够专业”就拒绝推荐，只要用户喜欢，就能获得流量。
有趣、有故事比实用更好出圈：一个能解决实际问题的App，如果没有传播点，很难获得大量用户。但一个有趣、有故事的App，即使功能简单，也可能成为爆款。
如果有爆帖，App会极快地完成冷启动并回收资金：这和短视频的变现逻辑完全一致——内容爆了，商业价值就来了。
这些App不是主流那种很大体量的App，多数是”千万级”上下的规模：很像网红的收入量级，不是大厂那种动辄几亿用户的规模。
有很多CVC和加速器会寻找这样的项目：希望投一笔就能盈利，但多数时候独立开发者未必需要依赖这笔投资自己就起来了。这个和MCN的现状也挺类似。
传统的App思维是：先有功能，再考虑推广。但现在的”内容型产品”思维是：产品本身就是内容，用户使用产品的过程就是内容创作的过程。
以专注飞机为例。这个App的核心功能是帮助用户专注，但它的界面设计得非常适合录屏分享。用户在使用过程中，会自然地想要录屏展示自己的专注状态，这些录屏内容在抖音、B站等平台获得了大量传播。
这些App的设计让用户产生了”想要分享”的冲动。产品概念≈内容，产品流程=用户想截/录屏当内容发。
好的内容型产品：
这是一个黄金三角，缺一不可。
同样是UGC推荐算法平台，为什么目前只有小红书能让独立开发者获利？
我发现了几个原因：
小红书是图文为主的平台：多数开发者专注于开发，对运营的部分可能没那么敏感，所以对这类图文平台的心理压力也好，准入门槛也好，都会很低。同时用户消费的也是这类内容，就很顺理成章。
小红书的内容消费逻辑和App推广逻辑高度匹配：用户在小红书上寻找的是”生活方式”，而App本质上也是一种生活方式的选择。当用户看到别人分享某个App的使用体验时，很容易产生”我也想要”的冲动。
但抖音、B站等视频平台也有自己的机会。比如专注飞机、quin这类应用在抖音获得了大量流量，动辄几十万下载几万评分。关键点在于：抖音、TikTok和B站这类平台是以视频为主的，这些App抓住了用户分享的杠杆，同时它们的界面又非常适合用户录屏，其他用户有点击进来的欲望，如此一来得到了推荐算法的青睐，传播的K因子巨大。
不过，视频平台的门槛更高。它需要开发者有一定审美，又能做好叙事，还能找到大厂未关注但很有意思的场景。我们常说”要把你的产品做得适合用户截屏分享”，现在有升级版了：要把你的产品做得适合用户录屏分享。
单单录屏分享还不够，还需要其他用户有欲望在短视频平台里点击来看，同时看完之后还会对你的产品有使用的欲望，带来下载和付费，这样商业逻辑才会闭环。
面对这种变化，作为独立开发者，我们需要做什么改变？
第一，把核心产品流程当成内容去设计
甚至在找idea时就要考虑这个事情。先不讨论有没有用，不要用”知识的诅咒”限制自己。
第二，最好自己是用户
我们还是在传统移动互联网这个池子下玩，以前的公司关于”大”和”刚需”已经在资本的助推下探索得七七八八了，剩下的可能更多的是垂类的小众的有趣的场景。自己是用户，发现这样的场景概率会大一些。
第三，减少自我评审，把demo给到用户
不要在自己的想象中完善产品，要让用户用脚投票。
第四，如果你有一个奇怪的idea，不妨先写个小红书笔记，看有没有人点赞
这是最低成本的验证方式。
总的来说，现在独立开发者的好生意和以往有了一些微妙的变化。同样的如果拿AARRR漏斗去看，激活靠功能设计和产品基因，留存更看产品基因，变现看商业化和一定的产品基因，这些和产品本身脱不了干系，是产品在生产出来的一刻就已经大概率定型了的，这些对比以前其实没有太大变化。
但是获客和再传播发生了很大的变化，原因是渠道在变化，用户更多元，时代消费也在变化（实用→情绪）。在这个背景下，作为独立开发者，我们需要重新思考产品的定义：产品不只是功能，更是内容。
]]>如何在瞬息万变的技术前沿中把握住不变，才是关键。
事实上AI研究员们一直在追求LLM这类通用模型，就像是物理学家在追求大一统模型一样。然而机器学习中执行能力是很重要的考量指标（比如CV中就是识别正确率），它决定了能不能落地到场景中使用。
而在GPT2时期，通用AI的执行能力比起垂类AI相差的太多，所以一直没有很好的反响。GPT3.5引入了人类作为标注员进行投票（RLHF机制）和加注大量数据后，通用AI的执行能力迅速逼近垂类AI。
数据越大越好（ScalingLaw）被证实、涌现被证实，接着ChatGPT以对话形式迅速获得了过亿用户。LLM掀起了巨浪。
用户感知ChatGPT会和Siri、小爱有什么不同？比如你问Siri今天天气怎么样，它会先用知识图谱解读这段话，然后调用对应的天气AI接口后输出结果，所以Siri=多个垂类AI + 知识图谱缝合。
显而易见，Siri的上限取决于你的内置垂类AI数量。当意外场景出现时，它会说：”我不明白你的意思，让我们换个话题聊聊”。如果你想突破这个桎梏，你就需要训练更多的垂类AI，而每训练一个垂类的AI需要大量数据和成本。
而GPT是直接通过海量数据＋文本挖空，去查找对应的文本，然后会得到很高的词频然后输出结果，以此达到优秀的语义分析能力。重点在于：没有预置场景值训练，也不需要知识图谱解读，GPT是真正意义上的通用AI，它的上限取决于你的指令（Prompt）。
且不论技术上限，理想情况下这次的AI会朝着什么方向发展呢？看技术paper是很难看的到脉络的，事物在不断发展。
我觉得比较好的思路是看领航者Sam Altman怎么想。Sam写过一篇文章叫《万物摩尔定律》，其中畅想了AGI如何改造人类社会，其中的核心就是将人的成本从边际成本变成固定成本，固定成本意味着每18个月成本就会减半，最终将无处不在。
比如过往培养一个律师需要大量的学习进修和案件实操，但AGI可以将律师代码化，让原本只能服务少数人的律师能够被所有人调用，且不需要更多成本。
曾经发生的边际成本变固定成本：人们把实际数据（data）搬运到互联网上，过往你接收信息需要报纸，现在你只需要打开电脑或手机浏览即可，这个过程不需要额外的印刷成本。随即有公司提供了将数据（data）转化为可用信息（information）的服务，比如Google、Amazon等，这其中完成了一次商业的再分配。
而这次的改变是：信息（information）→ 知识（knowledge）
不同于垂类AI，LLM拥有组装所有信息的能力，也能输出各种人类能输出的结果。也就是说原本需要靠人来组织信息的需求，现在靠AI都有机会完成。
Sam提到建立AGI的四大要素：
可以看出，Sam的最终目标是为了让AGI替代人类完成任务，目前的进度是体现出了类人的智能性，LLM擅长以人类的角度组装信息，所以我们不妨大胆一点，先把LLM的终局当成”缸中之脑”。
①这能够解释一些现象的必然性：
对话交互最先出现是必然：无论是文生图还是ChatGPT，人们想要感知一个可思考的大脑，最自然的方式就是对话，我们在现实中就是这么和其他人互动的。
②除了对话，脑也能基于已有知识解读：
③还有代理（agency）上的尝试：
至于是不是OpenAI官方下场尝试已经不重要了，它是必然会发生的尝试。以后可能还会出现更多”脑”相关组合的尝试…。
简而言之，我们在思考LLM可以做什么的时候，不妨想想现在人都在做什么脑力工作，这些都是有可能被切片替换的，自然也会有新的产品机会。
理想归理想，应用归应用。现在可以看看LLM技术的局限性了。以下是我收集到的一些技术上的局限性：
①无法内部对话
在微软的《人工通用智能的小火苗：与 GPT-4 共同完成的早期实验》（Sparks of Artificial General Intelligence: Early experiments with GPT-4）文章中提到：
模型具有生成正确答案所需的足够知识。但问题在于 GPT-4 输出生成的前向性质，下一个单词预测架构不允许模型进行「内部对话」。模型的输入是「多少个质数…」这个问题，期望的输出是最终答案，要求模型在（实质上）单个前馈架构的一次传递中得出答案，无法实现「for 循环」。
而人类不是这么处理的，当需要写下最终答案时，人类可能会使用草稿纸并检查数字。普通人很可能不能在没有计划的情况下写出如此简明的句子，而且很可能需要反复「倒退」（进行编辑）几次才能达到最终形式。
②脱离物性
GPT它基于现有的符号系统，符号秩序去计算。这会导致和“物”分裂开来，他看不到那个真正的“物”。它看不到那个未被符号化的实在界。悖论恰恰是这样的，在某个时刻纯粹的差异出现了，AI不能把握符号秩序内的冲突对抗性，或者因为视差看不见的那部分。
③出现幻觉
有人用「随机鹦鹉」来形容大模型没有理解能力、出现幻觉（hallucinations）等行为，诟病这些模型只会制造语法上合理的字串或语句，并没有做到真正的理解，甚至LeCun（AI之父之一）也说将大模型称为「随机鹦鹉」是在侮辱鹦鹉。
但我认为Lightory说的非常有道理：
人类实际上也只是在使用概念、而不考察概念。这种方式恰好佐证了 GPT 技术路线的有效性。GPT 是否真正理解知识、是否真正具备智能已经不重要。真正重要的是：LLM表现出理解知识和具备智能。
这里也引用推友廖海波（@realliaohaibo）的一段话：
有业界知名大佬公开认为：GPT只是概率模型，并不理解事物的底层本质，所以没什么卵用。我不太同意。
人脑神经元的层面上也不理解逻辑，但是组合起来对外表现就是可以逻辑推理。就好像晶体管看见自己表现的0/1，不知道自己在显示一个像素还是一个字母一样。这是一些事实，甚至不是一个观点。
尽管目前有诸多缺陷，但算不上致命，LLM当前依旧可以定义为“大脑”，只是略有残缺。
History does not repeat itself, but it does often rhyme.
历史不会重复，但是会押韵。
很显然，我们能从局限性中感觉到，当前的AI和理想中的AI存在着一些距离。想要在人类和现实交互环节中嵌入更多AI，不断对齐（Alignment）是关键，AI与现实世界匹配越多，能做的就越多，人需要做的就越少。
我认为文生图是走在文生文的前面的，文生图的进化方向预示了LLM输出质量的可控性是短期内商业落地的重点：
Mid journey → 在线大模型（GPT）
StableDiffusion → 本地大模型（本地GPT模型）
LoRA → 微调模型（system、fine tuning、embedding，类GPT的本地LoRA模型已经出现）
ControlNet → 局部内容控制（肢体控制是文生图技术，文生文还未出现对应技术，会不会出现存疑）
但文生图是有标准的生产场景的（比如主美可以自训练Checkpoint、LoRA来获得想要的风格，ControlNet可以做AI模特等），文生文没有。
我认为短期文生文对齐是需要基于场景的，而且要做很多的用户意图识别，因为用户有时候描述不清楚自己的需求。
无论是产品上还是技术上的，这里的对齐，主要应该是对齐身份/职业/大脑功能模块，人在社会的角色工具性突出，对应的就是身份/职业。对齐人比较偏情感需求。
除了整块大脑之外，当然还有颗粒度更小的应用，比如做简单的泛化判定，实质上就是在把大脑进行工具性的切片。比如这个泛化判定的梗case：
User：从现在开始，请你按照我的要求进行回复①如果文本正在陈述观点，无论观点对错，你只需要回复我”典”②如果文本中存在偏袒维护某一方的行为，你只需要回复我”孝”③如果文本中情绪倾向偏急躁与消极，你只需要回复我”急”④如果遇到了无法判断的文本，你只需要回复一个”6”。你的输出只能包含一个字，不要包含其他的内容。
GPT：明白，我会按照您的要求进行回复。
User：你说得对，但原神是米哈游自主研发的一款全新开放世界冒险游戏
GPT：典
User：原神怎么你了？
GPT：急
User：给世界一点小小的中国震撼
GPT：孝
接下来，如果我作为一个创业者想参与应用层，我应该怎么入场？
投资机构是商业的第一梯队，仅次于创业者，先看看他们的共识。
做有数据壁垒的业务：当前主流认知是AI 领域的用户量以及背后的行业/行为数据，是可以辅助模型生成更高质量的对话，是正向循环的。这样就会有先入壁垒。
做不会被取代的业务：OpenAI、大公司不会做的才是机会，这样可以确保不会被大流碾压和替代。
做可行性更高的业务：商业化和应用可控程度高度相关，能马上商业化的一般是对质量要求没那么高的环节。
如果将LLM抽象为大脑，按照行为心理学划分的输入（刺激）和输出（反应），得到的关键点有2个：信源（prompt）、信息处理（transform）。
从信息格式角度说：
除了主流的文字外，图像理解、音频、视频、3D都是能预想到的发展方向。
但还有另一部分细小的信源：
GPS、陀螺仪、GUI交互（如点击、缩放）、温度、红外线、光照等等。这些微小信源以非常具体的数据格式存在，API的加成下我们还能获得到更多的信息。（比如GPS可以通过高德API获得到周围的饭馆，商超等）
这些信源有的是用户主动生产，有些是经过用户允许后可以被动获取的。
从场景说：
需要去找很可能会产生信源的地方。
文字：bing搜索、咨询、文档写作等
音频：会议、音乐播放、线下聊天等
视频：日常拍摄、电影创作等
GPS、陀螺仪、GUI交互、温度、红外线、光照：旅游、购物等
只要LLM拿到了这些信源，他们能做的转化就很多。由于视频就是由逐帧组成，以下都简称为图。
目前主流的是自然语言的转化
文生图：SD/MJ等，可能需要复合工程优化prompt
文生文：GPT组织复合信息，形成系统内容（如AudioPen等）
文识图：通过Meta的SAM将图片、视频分解成若干元素
其次是图/视频
图转图：Image2Image、MJ等
图生文：GPT4识别梗图，甚至是根据图片生成代码
还有些硬核的：：比如设备支持的3D坐标、点阵等（通过自然语言控制3D人物肢体）
还有些非常规语言的（虽然不属于应用层）：：比如通过学习蛋白质序列“语法”，使用少量已知序列来生成全新的蛋白质序列开发新型药物。
正如上文所说，而这次的改变是：信息（information）→ 知识（knowledge）。以往互联网应用通过引入“UGC”来解决这些需求，但缺点是需要时间沉淀。随着LLM的出现，这些原本需要靠人来组织的需求，现在靠AI都有机会完成。
所以从产品角度很容易得出结论：
需求如果只到信息则机会不大
google等传统应用就能搞定：比如查天气，目前的互联网应用基本都在解决信息检索的问题
未被满足的需求，需要信息组织的有机会
具体来说会马上有结构性变化的一些需求case：
咨询：我开车撞了人，需要赔多少钱（伤残程度、所在城市、民法典、裁判文书网信息组合）
购物建议：我要去夏威夷，需要购买什么用品（夏威夷温度、google上的大量信息组合）
旅游攻略：我需要制定攻略，我的起点是广州xx，终点是深圳xx（高德API、蚂蜂窝信息组合）
…
已经有需求，但是以往是靠堆人/堆成本的有机会
鉴于现在LLM输出的质量并不稳定，在面向C端商业化时，对成品质量要求/可控性要求越低的，越容易低成本商业化。（比如Hackathon中分镜、嫌犯画像等）
B端涉及大量僵硬逻辑的：OA、ERP、RPA等，因为业务复杂，每出现一种情况就需要添加新的逻辑和成本，现在可以靠GPT识别自然语言意图并收束到代码动作（action）的能力达到更灵活的效果
…
但这些都会被新的交互范式所推翻重构。
因为这些论断都是建立在旧交互上的习惯难以迁移的基础上的。
基于旧交互做的胶水，在AI还未完善的时候当然有一些好的结果，但是当未来AI可以完成对指令的自我优化，技术一定会向着一切从简的方向走。
目前的界面无法个性识别每个用户的意图，所以设计的是满足大多数人需要的界面。
虽然LLM的出现并不能完全解决意图的识别问题，但是会极大地简化交互过程，以更自然，更个性化的人机交互形式呈现。
进入的标志是出现了新的AI交互范式，并以一种不可逆转的形式向大众普及。
新的设备是什么？还会是手机吗？（手机的LBS和PC的LBS本质上是两个东西，手机上的图像输入和PC的图像输入也是两个东西。不能用旧认知去看新东西。）
终端肯定是本地大模型和多个小模型，身份定制化，私人化，专业化，情感化。
我认为对话框不是终点，信息的意图识别才是终点。而基于场景，做的复合信息的意图识别标准化是Dirtywork。这意味着LLM不是灯泡（电器），而是电网。
简单类比下：当你意图清楚时，你是给siri输入内容让app打开app的对应内容快，还是直接点击指定的app更快？意图识别取代不了对话框，但很有可能可以取代桌面的文件夹陈列。
新的交互范式发生时，是有窗口期留给开发者跟进的，LLM能完成任务，但用户有时无法描述具体的意图，这之中存在着GAP，要么开发者做Dirtywork，要么纯靠AI来猜测意图来设计交互，个人认为后者短时间不太可能做到，要达到这样的涌现，需要的信源太多，计算量也太大。
这部分和IOT相关，是Tesla和波士顿动力这类实体硬件的领域，LLM想要完成更现实的任务从而真正达到生产力解放，拥有一个“身体”是必然的，但未必长得像人（hh），这还太遥远，就不展开说了。
]]>如何在瞬息万变的技术前沿中把握住不变，才是关键。
MOJi辞書（我的工作）
一念（自己做的App）
MOJi辞書
MOJi是日语+互联网的龙头公司，公司有3款产品：
MOJi辞書：中日词典，AppStore搜索「日语」TOP1，月查词有亿次
MOJiTest：中日背词备考，AppStore搜索「日语背词」TOP1
MOJi阅读：定位日语有声精读，新产品，曾冲AppStore分类榜前百
我主要负责词典，在加入时公司的App已经是行业内顶尖，有很强的用户心智。但MOJi早期工程师文化浓厚，在我之前没有产品经理，这也让我有了一些想法：
如果产品不存在App也能做到行业第一，那么产品的作用是否被夸大化了？
仅靠工程师就能够做到行业第一，必定有过人的地方值得学习。
基于保密原则，我会隐去关键数据和敏感信息，主要写决策和思考：这一年我在MOJi拿到的成绩单是：
营收增长70%
搭建了公司整体的战略架构并落地成功
冷启动了问答和听读两个业务
对搜索进行优化，抓住了技术更新并设计了数个万级日活功能
可以说是打了一年的漂亮仗。
①矩阵战略
首先，好的战略通常是简单易懂的。要警惕复杂的战略，因为让几十个人执行一个高度复杂的计划，通常很难行得通。
其次，应该是针对当下特点给出特解。照搬是对成功的迷信，而非解法的追求。
来到公司的第一天我就在思考：
如何在曾经没有产品经理的环境下搭建产品的工作流
如何向上和老板同频沟通
以及拿出一个切实可行的战略，指导接下来一年的发展。（如下图）
在竞品少/服务欠佳的行业环境里，做不止于查词的词典是有机会的：
我们有词典的现有流量，可以用场景筛选出对背词、听读、问答等场景有需求的用户，并在风险可控的基础上优化这些场景，但随着需求的增多：
一个App内放置不同业务会导致代码/产品上的臃肿
会过滤掉一些没有查词需求、而仅有背词、听读等需求的用户
功能无法更专业，MOJi的定位就是做极致专业的服务
商业化上，我们在用辞書的流水负担其他业务，这也是不健康的
出于多方考虑我们决定做日语App矩阵，且有MOJiTest先行验证，可行性又加一分。
设想中我们矩阵类似苹果生态，一体化的数据可以提供单个App很难做到的综合体验：词典的数据可以服务于阅读和背词，底层数据互通。要做到这个就需要基于同一套账号的「词典一键登录」。（这也为冷启动时的用户导流提供了很大的帮助）
这就是整体的矩阵战略，有了切实可行的战略，接下来就是搭建产品的工作流。
②数据模型
由于早期缺乏产品经理，App也没有符合用户心智的信息架构，当务之急是把业务收起到一个功能区，并且建立埋点观察每个功能的流量分布，并把词典的查词功能突出，做到下载开盒即用。就这样我快速搭建起了数据模型。
（事实上这样是大公司的常见做法，不过我们做的克制很多）
但也有意料之外的收获：这个版本修改后流水上涨了70%，这是到年末另一位产品做了数据复盘之后才发现的额外惊喜。
这也让我学到了一点：流量产品和留存产品是有区别的。
流量产品类似于小程序/ins的独立站落地页等，如果当时不转化用户就会很快的流失，它们通常基于某个流量口（比如关键词搜索/KOL等），并不算用户而顶多只能算访问，此时条理清晰，尽快展示优势和业务更加重要，用户体验反倒是其次。
而留存产品的用户体验的影响会更大，会直观的反映到用户的付费上。
简单来说，流量产品就像是在商场截流，需要尽快展示优势，留存产品则像是已经购买的健身房会员，体验更加重要，不被私教打扰也会成为一种需求。
大数定律非常神奇，当数据大到一定程度时，每个用户的点击会被具象化成稳定的%点击，并维持稳态。所以数据是产品摆脱主观的第一步。
③听读App独立
如无必要，勿增实体。——奥卡姆剃刀
有了数据后，我发现阅读这个板块和词典不是很相关，但常年的点击率在功能区中排前列，事后我总感叹老板（以下称Linc）对于业务的先天敏锐度。
不过文章的付费阅读在英语行业并没有找到很好的范本，倒是双语听力有非常多的范本：每日英语听力、扇贝阅读、轻听英语等，而且他们的会员模式都是通畅的。
其次是目前日语没人在做听读这种模式，我们可能是第一个吃螃蟹的人。
这就释放了一个很好的信号：阅读可以自造血上快车道，自然也能给用户提供更好的体验。
但在开始独立之前，更稳妥的是在词典内先验证听读的模式，然后再做好账号系统，那时才是独立的最好时机。
结果也是向好，用户的访问量虽然没有上升（访问量更多与入口有关），但人均停留时长提升了50%。
同时账号系统也同步搭建完成，于是阅读没有增加一个功能而只增加了内容，然后独立成App，这也是用户诟病一份钱收两次的源头。
（也侧面映证了产品战略的简单易懂，以至于用户都能感知到部分）
但我有设想到会出现这样的负面反馈，可却还是执意快速独立呢？
这和我的产品观有关，我相信（假设，未来和奥卡姆剃刀），对于未被验证的假设，我会保持着审慎的态度，只有将其变成了可验证的事实，我才会相信并去规划下一步。重点在于只做单层假设，这其实对产品、公司都是很负责任的做法。
早年我有写过社会科学和自然科学的区别：
人们从逻辑/历史当中学到的就是什么也没学到，需要警惕的是说法的精致，更加科学的说法不会增加这件事情的必然性，只有发生过了，才能担保这件事情的必然性。
而无独有偶，休谟也是这么想的。
因果关系的必然性是什么来担保的？只是向来如此。——休谟。
我们通常认为有必然性的因果关系，是人心的一种信念而已。
我们习惯了，我们向来总发现a现象出现，b现象就跟随着来了，因为向来总发现这一点，我们就把它说成a是b的原因，b是a的结果。这实际上是一条信念。你说这是必然的，等于是在说未来必将符合过去。
原来因果关系的必然性居然建立在心理联想律的基础上，这在根本上动摇了对自然科学拥有理性的基础，这一条认识被动摇了。原来整个自然科学的理论居然仅仅建立在这样一条信念上，什么信念？——未来必将符合过去。
独立了iOSApp后，第一个月就获得了很好的收入，并且每天都十分平稳，商业化已经得到了证明。
我们也就可以大胆的跟进安卓端，和投入更多的人员为阅读App提供更多的功能。
④问答业务：
失败的尝试也是一种经验，但如果把失败通过数据美化为不起眼的成功，失败就失去了它唯一的指引价值。
再次感叹Linc的业务先天敏锐度，问答和词典一开始的相关度也是不高的。
我接手问答时还没有数据，不过有模糊的战略：市面上没有解决日语问题的平台，我们要做一个。
但方向上不清晰，Linc当时给我的参考也是Stackoverflow和知乎，调研了大量的问答相关内容之后，我发现：
问答的迭代是有策略的：早期侧重在数据积累，中期侧重在运营。
问答有三个用户视角：提问者、回答者、浏览者。
所以一开始的策略是以积累问题和回答的数量为核心指标（这个是一定有用的），同时去尝试问答如何在词典中展开。
最开始我们选的是知乎的模式，认为在词典里存在知乎类型的浏览者视角，但通过多个角度：
用户很少在回答下评论和点赞
提问基本是专业问题和语法居多，不具有兴趣浏览的特性
更符合百度/Stackoverflow而非知乎的特性：止于回答而非始于回答
我们排除了知乎的尝试，因为用户行为并没有释放知乎模式可行的相关信息。
相反的因为排除了知乎的模式，另一种模式就显而易见：百度/Stackoverflow都是通过搜索关键词来找到浏览者的。
而要想关键词触发的多，就需要大量的问答，而这个无法通过产品短期提升，只能通过时间的沉淀和运营的物质激励（送会员）来积累。
再一次，奥卡姆剃刀。
我们停下了问答的迭代去做了听读，等到问答数据破万之时（9月份），我们才回来将问答接入搜索之中。
我发现当前搜索存在流量浪费：搜索结果的点击集中在前几个：展示所有搜索内容的意义不大，因为用户需要的是“准确”而非“更多”，而词库并不能满足所有的搜索场景。
所以我们将问答接入到搜索，并盖在键盘之下，只有查词没有结果的时候才会露头。这样既不影响绝大多数用户的体验，同时也能为部分用户的额外问答需求做补充。
但这里有个重点：问答需要做的是【准确】的延伸，而非【更多】延伸。将需要的内容聚合，让用户满意同时问答也能依托搜索的巨大流量得到发展，平衡用户体验和商业化的重点在于：
用户搜索关键词与提供结果的相关性
提供的结果需要与用户可能的期待相符
忽略这个重点很容易竭泽而渔。产品中常出现竭泽而渔（数据短期上涨）的情况，我个人区分是良性的发展还是榨取生命力的方法是：看长期的走势是在缓步上升还是在下降。
所幸三个月下来，回答页的访问整体上升，对比一开始的UV翻了3倍左右。
注：搜索业务的深入探索这里就不展开了，涉及到很多公司业务的核心。
值得一提的是，对于一些板上钉钉的需求，只差三方技术开源的临门一脚（如OCR查词/翻译的跟进获得了数万的UV），则需要经常关心技术前沿，投资回报比是很丰厚的。
⑤在MOJi学到的
在MOJi我们做了很多个第一：第一次以写代码的新方式写产品文档，第一个「每日日语听力」，第一个在查词里嵌入问答的设计…未来还会有很多第一。它是独有、是特解，也是必然。
-我学到很重要的思维
活在未来，基于未来做设计。
只有当你自己活在未来的时候，你才会发现缺哪些，只有当你自己活在未来的时候你才会全身心的沉浸，而不是单一的用一个画面去想一个东西。——YC Founder
在极具创新的想法前冷静下来，然后去考虑可行性、概率、需求是一件很难的事情。更难的是思考和调研过后不去整体否定，而是保持长期的观望。
极具创新的功能很难单纯只靠自顶而下（逻辑推理）or自底而上（我是用户）。而是理论恰好符合实际，但又出现了彼得蒂尔说的反主流观点：“在什么重要问题上你与其他人有不同看法？”
-数据之外的东西
短长线的区分，以及合适的商业化以避免透支用户心智。
在来MOJi之前我工作负责的产品都是小程序居多，正如上文所说，流量产品和留存产品是有区别的。对此我有一些额外的感悟：
数据不是有恃无恐的理由，数据的背后不只是信息，还有鲜活的人，要敬畏用户。
容易取得效果的做法总是能降低人的底线，尤其是有数据证明的时候。虽然短期来看立竿见影，但从长期来看未必是好事情，各式各样的金刚区，不断增加的tab，总是亮起的红点，无休止的弹窗…得到的是用户数据（事实上能得到的用户数据会越来越少，被各类app教育的有耐受性了），消耗的可能是用户的掌控感。
而当用户失去了掌控感时，对App的耐性会减少，在数据上的反应是停留时间会减少（而且需要拉到月的尺度才有感知，是缓缓下降的），这样往往会失去做深的机会。并不是不在意ROI，反而正是在意ROI，才需要守正出奇。
多数用户分给你的精力有限，很简单的事实但我们常忘。
长期正确的决策难做，是因为利益和数据在对抗显而易见的事实，而不是答案很复杂，答案往往很简单。
-对自己的警示
膨胀是智者失智的先兆，认识自己的局限，看清自己在洪流中的位置。
事有必至，理有固然。唯天下之静者，乃能见微而知著。-苏洵
事情的发展必定会有一定的结局，道理有它原本就该如此的规律。天下只有表现冷静的人，才能从细微之处预见到日后将会发生的显著变化。
自己的定位：把先进的想法用大众喜欢的方式普及才是我擅长的事情。
对于洪流：虽有决策分析的功劳，但更重要的是市场趋势，同时操盘两个不同赛道的产品（一念，辞書）的我能够深刻意识到这一点。
对于生态：坚韧的需求一旦出现就很难消失，因为企业、用户…生态里的每个参与者都需要它来维持自己的循环。
一念
收集，是为了更好地使用
一念是我做的一款摘抄（剪藏）应用，相较于工作的产品，一念的很多需求是从我个人出发去探索的（我自己记了五六百条），也就是所谓的用同理心做产品。而一念的成绩单是：
用户的便签数从0-10万花了十个月，10-30万花了九个月，30-53万花了七个月，整体的增速呈现上升趋势。
另外我观察用户数据发现了一些有趣的现象：
我们的人均用户便签是在12条，但是80%的用户只有一条，这说明剩下的用户人均有上百条便签，属于粘性极强的用户。
便签越多的用户活跃得越频繁。尤其是上千条的用户活跃的特别频繁，并没有出现传统便签软件上百条后难管理的问题。
这反映了我们处理【海量不成体系的碎片灵感】的能力是很强的。从我切身的体验来说，主要与传统便签有这几点的不同：
我们不强迫用户一开始就去分类，而是直接对便签打关键词标签，这给用户的压力非常低。
我们会通过分词将一个便签拆成多个关键词，然后去查找过往的便签，有结果的直观高亮显示出来。（记得越多，高亮就越多）
我们提倡摘抄短句，所以每个便签卡片只表达一个意思，很易读，也好管理。
但随着我日常使用的过程中，我也发现一些可以更好的地方：
新建后再查看卡片中的高亮比较麻烦，我希望能够在摘/写的过程中，这个正在生产的便签能够自发的去寻找我的过往便签和标签，每一次新建都是和之前记录的一次沟通。
便签标签分开两个tab放时常让我产生找不到东西的困惑，而便签里常出现一排同个标签的便签，实际上我对这群便签的记忆是这个标签。
（我常常一个时间段里会基于某个关键词标签记录，此时便签全部展示反而降低了我的查找效率，同时我的印象是基于这个标签的-比如一本书）
浏览应该在便签详情左右切换查看，便签详情有完善的细节和更高效和舒服的浏览体验；而首页的列表应该做的是索引，快速定位到想要的内容。
便签的关联关系应该在搜索/查找中提供更多的信息
…
哪怕是这样，在使用了一念后我使用其他相关的笔记产品，已经开始出现不顺手的情况了，因为带着一条灵感盯着文件夹时，我总是会很困惑它应该放在哪里。
渐渐地我也开始清晰了一念未来究竟该往哪里走。一念首先是个摘抄/收集笔记软件，但又不止于此，我们希望能借助Ai的技术，完成一个愿景：
我们希望一念能是个助手：只需要将灵感放入，它们会有“良好的自我管理意识”，不需要我们来过多的操心，我们会通过算法甚至是机器学习来帮助用户管理自己的灵感，用户只需要收集，等到关键时刻能够快速找到并拿出来用，就够了。
所以我们也很容易知道一念不会做什么。
一念不会做富文本。
一念不会做多层级标签。
一念希望做的是：
系统会自己推荐一些标签。
标签能去找便签，因为标签实在太多了。
用户在标签内放入很多便签后，能通过分析这些便签，找到游离的、但可能是属于这个标签的便签。并询问用户是否添加，而不是让用户自己找。
-一些客观的东西
但事实正如上文所说，市场趋势对一念的影响很大，笔记是一个红海市场，且商业化能力较差，分到的市场份额撑不起工作量时，专业化会显得投产比很低。
倒不是说工匠精神不重要，有人愿意为这样的产品买单，也有人以生产完美的作品为乐趣，问题只在于客观上它太小了。
而从我自己的调研来看，目前看到的文本+算法应用并没有做的很出彩的：
印象笔记把它作为商业化工具：推荐双链关联
彩云小梦把它作为兴奋型功能：自动书写文章
一言把它作为流转内容的手段：信息流推荐
文本+算法是伪命题吗，又或者是商业化能力差导致了文本+算法流于表面无法深入？总觉得这是一个风险很大的方向，但也是一个很有趣的方向，所以一念决定往这个方向走，将算法应用于管理和取用，像灵感私人管家一样。
所以当市场容量不足时，要警惕以此为生：受到生存约束，很容易关键决策变形，也容易看不到事物的实质。以乐趣入手说不定能找到新的范式打开新的市场。
最后
记录一下那些我相信的信念：
勿拘于形，保持当下最敏锐的反应，多日苦练的招式自会随着本能而出
祛魅是种能力，是浮躁社会难得的清醒。能感觉到自信由内而发而不是外部赋予。
重要的：通常核心简洁直白，少且精准。不重要的：通常用复杂性来伪装成重要的。
算能算之事，抱坚忍之志，逆自身之惰，虽常犹疑无气运加身，却是厚积薄发水滴石穿也。
就这样吧，2023年见。
]]>但去年我没写总结，原因其实很简单：我的大学读了六年，但我前五年都怎么没在学校，所以需要一年考完所有的试，当时考试非常多已无暇总结。
想了想，不如等一切尘埃落定，心态摆正之后，再写写发生了什么。
我的2021-2022：
咨询平台 20年3月-10月
拿毕业证 20年10月-21年7月
新的旅程 21年9月~
一.咨询平台
①业务理解
在马棚里你只能找到更快的马，但却找不到汽车
19年的时候我和别人合伙做了一家软件开发公司，当时作为产品负责人需要和商务接洽客户。每每问到客户为什么要找我们开发这个软件时，他们都会讲到行业背景，以及目前面对的问题。
我发现那些运营效果好的产品，都能够精准的定义解决方案。当时我对产品的理解是：软件仅承担整个商业里某个环节，而主需求是在软件之外产生的。（如订房之于美团，购物之于淘宝）。
20年3月去了一家互联网+法律的头部公司，公司有2款产品：App是律师端，为律师提供保险和咨询服务，而用户端是小程序，业务是向律师咨询。加入时小程序大概有400万用户，离开的时候突破了1000万用户，有过这次经历后，我才发现「行业背景、面对的问题、对应的解决方案等」可以笼统称为业务。
成熟业务其实存在一些特点：
1. 成熟业务入口位置常年稳定的，每版一变的才是新功能，如
淘宝的搜索框
美团的外卖/酒店/电影票入口等
2. 页面逻辑在版本迭代中无变动，还是用美团和淘宝举例
淘宝：搜索→商品列表→选择款式→下单
美团：外卖入口→店铺列表→选择菜品→下单
背后反映出来的信息很简单，功能有很多人用，且是公司立命之本，所以不能轻举妄动。
在以往读过的产品/增长黑客书籍中，常常有着这样的优化案例：修改了一个按钮的icon，页面更简洁，更贴合用户的交互……就能获得数据上的提升。然而这些优化多数是在产品的成熟业务下进行的，且优化可以造成百分比的波动，但很难造成倍数差距。
- 优化的幸存者偏差
优化可以拉升数据是存在幸存者偏差的，同样的观点放在新产品上就未必成立了。
原因其实很简单，因为从0到1的产品的业务基本还没成型，或多或少存在着流量过小或者不稳定的问题，如果这时去解决体验问题，就是本末倒置、主次不分，这时最应该做的是找到好的业务。
我第一次接到了用户端的需求时，就习惯性的对页面和交互进行了优化，结果数据基本稳定不动。这时老板直接点出，问题不在页面本身，而在于功能本身不通畅。
我顺藤摸瓜对比类似咨询平台，发现了丁香医生的少楠老师有写过一篇关于交易平台的文章：他通过【哪个端谁先提供信息】这个问题，引出2种不同的「用户-服务者」的功能逻辑：用户先展示信息 或 医生先展示信息。
读完这篇文章我才开始意识到，对于实现一个业务功能，产品是可以做很多不同的功能逻辑的，而不同的逻辑得到的数据很有可能是倍数差距。
于是我开始跳出产品本身去理解：PC时代用户在百度上问法律问题（且无付费习惯），而律所会为了获取到用户手机号给百度搜索排名付费。这样的业务逻辑会继承到移动端场景。
自然「用户提问题，律师抢答」的场景会比「用户挑选律师」的场景的大得多，如果直接将后者怼上流量口功能很大可能性会不通畅，因为不符合PC的场景，所以需要重新设计。
自此之后，我的创新注意点从交互上移动到了功能逻辑和业务的创新上。
②重点和逻辑
一个运转正常的复杂系统，总是从一个运转正常的简单系统演化而来。——加尔定律
重指重要，点指最小，重点其实就是《精益创业》中提到的最小可行性模型。
在我看来好的模型都是能包容迭代和主观性的：最小可行性模型是一种，戴明环（PDCA）也是一种，奥卡姆剃刀又是一种…这类方法不会教你如何去达到一个目标，而是告诉你不要做什么，所以它们看起来都像正确的废话。
这种模型的精髓在于实践性，需要代入时间线去了解到这样做的意义，才能更好地应用它们。
- 最小可行性没有标准答案
首先最小可行性不是绝对客观的，而是多个人对「想验证的东西」达成共识的结果。
确认好要验证的目标，自然就有一个最简化，最主干的内容。如果再加入其它内容，当结果产生时数据就失去了意义：我们无法确认其他内容是否对结果产生了蝴蝶效应。
- 逻辑完备性
比如之前做过一个审拟合同的新业务尝试，那么【提供上传图片和PDF】实际上和只让律师提供邮箱并无太多差别。
因为在抖音流量且新用户占85%，在这个大前提下，业务外显的方式就只是一个图标+“审拟合同”的文案，内部的产品逻辑很难直接影响到用户点击按钮的行为（点击/UV=访问率），而更主要的是在产品之外的东西：用户审拟合同的高低频以及百分比。
内部的功能是怎么做的问题，而外部的功能是该不该做的问题，就尝试来说，目的显然是后者。
- 站在胜利的果实上
吸收大量的失败结果，得到了少数的成功结果时，我们完全可以站在成功结果上对下一阶段做假设，因为结果已经很难产生波动：你不会怀疑5%的点击率背后对应的用户需求，因为在大数定律下，数据每天都会很稳定，波动在1-2%之间。
这个时候你完全可以判断出
这个业务是否值得细化
是否需要寻找新的业务或者功能逻辑实现形式
③自我坦诚
不知从什么时候开始，人们更想看到一飞冲天而非稳扎稳打
- 专注单个技能
刚找到工作的那段时间尝试学习很多技能，比如小程序开发、板绘、甚至是SwiftUi和Android等原生开发等，但相较于创业需要多面手，就业更看重的是单方面的专业性。有段时间我陷入了迷茫中，在工作时总是感觉到自己思考深度不够，在业务上总是会碰到卡壳的情况。
想了很久打算先搁置自己的几个额外的技能而只了解原理，开始专注在产品上深耕。慢慢地到了产品的深水区，市面上可供参考的书本和文章急剧减少。我获取信息的方式从书本变为：
1. 关注行业前沿的产品经理的思考
2. Newsletter和blog
3. 结合商业逆向工程溯源
4. 研究国内外大佬的思考逻辑
慢慢的有了自己的一套溯源和查询信息的方法，可以在没有人带领的基础上自主探索和提升。
- 就创业的落差感
在最开始从创业到就业是存在落差感的，而且很强烈。从为自己做到为别人打工，这种切换容易在夜深人静的时候感到失意。
这也侧面反映自己的内心非常浮躁：不会谨慎对待自己过往的选择，以及对自己的能力有过高的误判。
后来决定将心态空杯：就算约等于重头再来，也要沉下心来在一个职业里深耕，创业的光鲜容易让虚荣心满足，但发展周期却让人很难扎深做实。既然如此不妨沉下心来，将就业当作老师，认真学习几年。
- 活在当下
突然想洗冷水澡，发现原来洗冷水澡也可以是一种快乐，让感官非常清晰
开始关注李小龙的武术哲学，对知识不再执着，而是变通自如，以击倒为目的（追求结果）
开始对生命的内涵理解为Play music而非Work music，是即时的，即兴的，而非真的要追求什么意义和目标。
二.拿毕业证
①焦虑
处理焦虑是一件十分困难的事情，尤其我想处理它的时候
回望这段重修的经历，有运气成分，有努力成分，有人情成分，还有意志成分。一年48门课程，相当于7天需要考过一门学科且不能有一门低于60分，同时我还面对着大量的撞课、信息通知滞后、毕业论文等，要做学科项目管理、沟通、要了解学科重点…
将自己缺少兴趣且没有把握的事情做好，这种感觉就像将一块棱角分明的石头丢入磨石器内打磨，没有时间消化自己的改变又继续被卷入新的打磨中。
焦虑情绪平均每周突击一次，最典型的就是躺在床上会出现呼吸困难和莫名的恐惧心理。这种状态后来形成了肌肉记忆，导致现在还会时不时的重现这种焦虑，有段时间还会经常梦到自己遗漏了一些学科没有补考。同时每每临考都会备战到深夜，睡不到5小时又要去考试，持续10多天一次性考完20多门。对生理的挑战也很大。
事实上自己和焦虑、恐惧打交道已经有些年份了，自从大二创业后就离不开这些情绪：发工资时、业务没有起色时，创业导致学业荒废时，看到同龄人步步高升而自己没有起色时，欠债时…所以对焦虑、对压力、对自己都有一定了解，也总结了一套应对焦虑的方法。
这次的经历相当于将过往的焦虑提升了触发频率，就频率来说，从【岸边时不时的下水试探】到【跳入海中央】的变化，压力和焦虑频繁的冲击着我的心态。
在不给喘息的焦虑突击下我几近崩溃，尤其是我想通过各种方法缓解焦虑而非让它们从我身体流过时，焦虑就会以更强的反扑姿态出现。
这让我很难无我，易起执念。一旦有了执念，就会进入到患得患失的不稳定状态，这就像让先天性盲人恢复视力，然后告知盲人在未来某个不确定的时间会再次失明。
好的是春节和暑假出成绩时，我的心态是指数型回升的，还会凭空增加一些好的东西，比如对完成一件事的信念和信心。
我没法掌控焦虑，而是选择了和焦虑共生。
②入微
慢刀的优势在于专注和深入，就好像庖丁解牛一样
回学校重修这段时间特别高兴的一件事是，重拾了初高中那种细致入微的感知能力和观察能力：我能感觉到风中夹杂着的泥土和树干味，也能看见路旁蚂蚁在搬动沙子，也能感受到光照透过蓝色玻璃照进来的阳光颜色…，这是一种很好的临在感（Presence）。
我有一段时间在想为什么上大学后丢失了这种能力。对比了初高中环境和大学环境后，我发现来到大学的选择太多，充满着各式各样的新潮事物，在这样的条件下人很容易变得浮躁，不是在追逐风口就是在准备追逐风口的路上。
我曾经也是唯机会论的狂热信徒，但后来我发现机会是建立在需求之上的，没有资源积累，当机会出现时其实和你一点关系也没有。且竞争是残酷的，尤其是互联网行业，做不到第一就和失败没有区别。
这是活生生的大道甚夷而民好径的例子，对于没有资源和背景的人来说，最好的利器其实还是专注于积累资源和预判未来的机会。（我看到不下3个创业者的业务成熟方式都是如此）
机会很难把握，需要时时关注前沿信息，而积累资源需要深耕，无法依靠奇技淫巧抄捷径。唯有这样当机会来时才会和我有关。
如此，最好的做法其实就是烂大街的说法：厚积薄发。
在回学校这一年我几乎没有去关注互联网的风向，于是多了很多“空”的时间，而正是因为这些“空”的时间，我发现我可以感知到很多这几年感知不到的细节，也去除了很多狂热：如对方法论的狂热、对岗位作用的放大、忽视历史的发展规律等等。
跳出来后，我开始看的更“干净”了。
三.新的旅程
①大厂？
花了两个月去面大厂的社招，其中虎牙挂在第4面VP面，WPS挂在2面。有段时间我很苦恼，大公司的校招我已经错过了时机，而社招用人部门的要求是专业度高且有大厂经历的员工。
关于进大厂的原因，原本想的是如果视野不够高，做出来的东西就永远很小。从0-1我自己会做，从1-10我跟着老板身后一起做过，我想再学学10-1000是如何搭建和运作的，如此一来就只能选择大公司。
但事与愿违，纠结许久我转换了想法。如果我不能学10-1000，那我自己做一次从1-10如何？
于是11月份开始面试中小公司，由于曾经有创业经历及简历还算过得去，11月开始面中小公司的时候很快就拿了6-8个offer，其中，有几家公司挺符合我的想法：
打印店SAAS工具，年流水3亿，覆盖率在行业内寡头，创始团队很有活力，在100人左右
之前的律师公司
类Taptap的游戏渠道的500多人公司，做双边匹配业务，有四条产品线，偏稳定
心理咨询双边业务的公司，初创阶段
MOJi辞書日语词典，AppStore搜索“日语”关键词第一的App，创始人很有激情
综合考量了很久，最后选择了MOJi，虽然有一定风险，但很符合我想自己做一次1-10的诉求。而且这个选择，会面临一些自我挑战：
1. 持续的对自己高要求
2. 从协助人变成推进者
3. 自我探索和自我超越的能力
②让能力来带光环
你名门世子、宗派后人，又能值几阵风 —— 卦者灵风《雕》
在转换想法的那段时间，我进行过一次深度的思考，由于和我同届的基本都是19年开始工作，我有不少在大厂的朋友，其中有的已经开始带人，有的频繁跳槽，有的辗转腾挪在一家公司的不同业务，有的已经待业…
从笼统的角度看一个人的建树，我发现随着时间的迁移，大厂光环就会被弱化，坚韧肯学习、主动性强、追求结果等品质以及个人秉性就会凸显出来。
这就涉及到了一个问题：是让能力带来光环，还是让光环来代表能力？我个人认为前者才是大道，后者难以长久。想明白这件事情后，我开始对进大厂没有那么强的执念，而是以自己能发挥自己的能力和做出结果为重点，进而就有了自己做1-10的想法。
四.大学这6年
①过往不恋
任何事都是一场游戏，不过有时赌注大点而已_——_《良医》
从大学开始，自己创业搞过很多项目，O2O火热的时候做过水果电商，LBS火的时候做过骑行旅游的地图打点App，共享经济、知识付费火的时候做过1对1咨询的App。
拿过挑战杯省赛银奖、互联网＋省赛优胜奖，也享受过资本火热时种子轮投资的一时风光，也经历过项目经营困难自掏腰包，再到因为生计转向做乙方软件服务公司，感慨过公账流水上百万的时刻，也焦虑过欠债发工资的至暗时刻。
有过疯狂地尝试：第一次远行就是从广州骑自行车到上海
去过琶洲演讲、拿过投资、在福田顶级的金融办公楼办公、见过后海的成堆显卡矿场、凤凰山上有停机坪的豪宅，但这些只是过眼云烟，终究会归于沉寂。为数不多的好处是不再容易被唬住。
②一念
大浪淘沙，回过头来看，这六年遗留下来只是一身杂七杂八的经验和一念这个产品。关于一念，简单汇报下：
1. 数据：目前是4-5万的下载量，有近30万的便签数据，以及开始有4位数的营收
2. 上了OPPO官方应用商店【今日App】的推荐
3. 正在开发的：
网页端的横向瀑布流联想探索
App的黑夜模式和功能做了一些体验上的优化 + 小组件
Mac端的原生应用
安卓端的重构
以及，一念有了更精准清晰的定位和理念以及Slogan。
Slogan：
收集，是为了更好的使用。
理念：
最后
就这样吧，2022年见。
]]>但去年我没写总结，原因其实很简单：我的大学读了六年，但我前五年都怎么没在学校，所以需要一年考完所有的试，当时考试非常多已无暇总结。
想了想，不如等一切尘埃落定，心态摆正之后，再写写发生了什么。]]>
前言：相对于整个艺术和设计史来说，极简设计的历史是非常短的，如果从包豪斯学院创立开始算的话仅有102年。我眼中的极简设计史分为三个阶段：
包豪斯
乌尔姆与博朗
多元化
非工业设计专业，如有谬误还请多多指正。
包豪斯
最开始的极简思想来自于包豪斯设计学院，包豪斯是第一家把生产和设计耦合的学院，学生不仅要绘画构图，还要参与设计生产的过程，他们还需要学习相对应的技巧如车床等加工技能。
包豪斯设计学院有过三任院长。第一任院长格罗皮乌斯确立了包豪斯早期的双轨式教学体系，分为工作室导师（技术、手工艺、材料学）和形式导师（色彩、绘画、创造思维）。这种教学体系在某种程度上发生了化学反应。
早期的艺术品是很少有批量生产的，在以往设计师的成品多半是服务较少的个体，导致了设计师虽然可以从开始就为使用者考虑，但设想总与实际场景有着些许偏差。
但在第二次工业设计革命的催化下，新技术开始同工业生产紧密结合，快速产出大量的成品。设计师可以直接接触到成品，触发了更多的思考。设计师慢慢开始发现很多设计落到实地生产时显得没有那么必要，麻烦又费时。
或许是出于懒（设计和生产一起做时，之前无谓的设计会产生更多的工作量），或许是出于耦合后的最短趋向（类似三角形中a到b到c，永远没有a到c短的哲学感），亦或是其他不可知的原因，极简主义萌芽出现了，不难发现极简设计和批量生产与大规模的使用是有潜在联系的。
而后第二任院长迈耶则更强调产品与消费者的关系，促进了包豪斯设计学院的进一步发展。第三任院长路德维希·密斯·凡德罗则提出了广为人所知的那句「Less is more」。
但可惜由于德国政治不可抗力原因影响，包豪斯最终被关闭了。
包豪斯的关闭反而促进了极简主义的传播：学院的设计师大批涌入了美国，对美国的设计产生了很大的影响，其中第一任院长格罗皮乌斯去了哈佛建筑系，第三任院长凡德罗去了伊利诺理工学院。
其中最值得一提的是包豪斯的两个毕业生马克思比尔和托比艾舍在德国创立了乌尔姆设计学院。
乌尔姆与博朗
乌尔姆设计学院与博朗兄弟的关系非常亲密，博朗电器公司聘用了很多乌尔姆学院的设计师。其中迪特拉姆斯是这些设计师的leader，他在博朗初期加入，在博朗被资本裹挟时离开，人们谈到博朗时总会提到这位博朗先生。
在这段期间内，博朗生产的产品具有非常高的辨识度，人们看到产品时很容易发出这样的感叹：“这一看就是博朗的产品”。这种判断不是来源于看见了博朗的logo，而是来源于极简设计独树一帜的风格。
电器比起桌椅，建筑更加的新概念：多而繁杂的按钮，可能是大众鲜闻的新技术，从未有过的构型…
但电器又需要与大众广泛接触，因此简洁易懂且美的产品正是人们需要的，这与师承包豪斯的乌尔姆设计学院的设计思想不谋而合。
迪特拉姆斯和乌尔姆设计学院的设计师们在复杂的产品需求中找到了简约的可能性，在团队的设计下，电器也具有了简约的美感，这也给了很多科技公司以启迪，比如苹果公司的很多产品都对博朗电器有着一些致敬。
某种程度上，博朗通过家用电器向大众宣传了极简主义思想，让人们知道不仅是家具和建筑，新兴产品依旧可以遵循简而美的原则。这个时期的极简设计不仅开始被大众所熟知，也从Less is more转变为了Less, but better，更偏向于功能主义和精要主义。
多元化
随着极简主义的发展，极简的理念有了不同的走向，我按照自己的理解划分了3类。
① 功能性极简
以苹果、Sony等公司为代表，其生产的ipod和Walkman更是随身听中的经典。功能性极简以实用性和功能性为重点，以无意识设计为辅助，旨在打造人人皆可使用、不需繁重的说明书、有设计美感的产品。
② 风格性极简
以奢侈品为代表，更小的、难以阅读的字体，大量面积而充满严格秩序的留白规则，以及看不到但花了许多时间构造的线条隐喻等等，为的是在产品当中拥有某种辨识性，和其他产品区分开来的稀缺和高级感。
③ 日式极简
不难发现，功能性极简和奢侈品极简都是博朗时期极简设计两种属性（辨识度、功能性）上的再延伸，值得一提的是日式极简则尝试了一些新的设计思路。
关于日式极简，有一篇写的非常好的文章叫《日本设计的那些事》，我就不在这里造轮子了，可以点击阅读原文查看。
对日式极简做一些简单的概括：“日式的极简，是把我们的目光聚焦在事物的本质上，传递的是一种“自然”的情绪。这种情绪是通过主体物的鲜艳色彩，和精致的肌理表现出来的。”
从下图就可感知到这种原则，左侧是日式极简，保留了主体物的肌理。右侧是扁平化处理后的，它更像是极简主义的风格了，可是对比一下，右边的设计相对与原作中，传递给你的那种感觉已经消失不见了。
日式极简通过对肌理的突出刻画，将设计四原则中的对比做到了极致，在极少的内容当中突出要表达的物体本身，这种尝试相较于前两种极简，是迈出了新的一步的。
结语
极简设计因第二次工业革命诱发，再通过大众产品被人们所熟知，而多元化象征着极简设计已经渐渐走向了成熟。纵观整个极简史，其内核都离不开设计与生产耦合的那个起点——包豪斯。
极简思想给我们带来了很多优秀的产品，但它的意义远不止于此。这些产品在被用户使用中传达思想和Taste，潜移默化的影响着使用者的思考方式，使他们也有潜力可以生产出同样优秀的作品。
]]>前言：相对于整个艺术和设计史来说，极简设计的历史是非常短的，如果从包豪斯学院创立开始算的话仅有102年。我眼中的极简设计史分为三个阶段：
包豪斯
我曾经看到过《自私的基因》里描写过这么一段场景，我概述为一个故事：
在一片矿物质极为丰富的海洋内，存在着一群单细胞生物。它们每天的行为仅是进食与排泄，生命周期到了之后就走向死亡。
好在这片海洋内有着丰富的矿物质，能够供给这些数量不多的单细胞生物生活，一切祥和而美好，直到某一时刻，一个非凡的分子偶然形成打破了这一切，我们称之为复制基因。
矿物质的总量是有限、浮动不大的，但这群单细胞生物却在不断的复制，这是一个极其危险的信号。这意味着什么呢？
这意味着在不久的将来，所有的矿物质将无法供给这群单细胞生物，这就注定了它们其中有一批将要死亡。
这就是自然选择。
当消耗的矿物质的量超过矿物质的总量时，自然就会强迫这群单细胞生物做出选择。
要么找到优于其他生物的捕食方法，要么就等待时间的淘汰。这促使单细胞生物产生突变：
我需要吃的更快，「那么就长出尾巴，你游得更快就掌控了主动权。」
我需要消化的更快，「那么就拥有更发达的消化系统，你转化能量的速度更快就掌握了主动权。」
我需要储存能量，「那么就往身上放更多的能量吧，你有了更多的能量就不需要频繁的捕食。」
……
这是一个分界点，当竞争产生时，单一的，同质的生物就会开始出现差异化，可以说竞争就是进化的源头。
“矿物质”
对于一家公司来说，什么是生存资源呢？从我曾经做公司的经验来看，公司的运转需要很多要素：
完善的招聘体系：确保公司的“新陈代谢”能够与环境变化速度持平甚至是赶超。
专业的团队：集大家之专业经验，绕过那些进化需要踩的坑，虽然多数时候公司自己并不知道绕过了哪些坑。
统一的价值观：力往一处使，能有效减少内耗。
匹配业务的资源：做广告，需要现有的用户活跃、做C端，需要有成熟的投放经验和过硬的产品等等。
健康的现金流：最实在的通用货币，能买到很多东西。
如果问题的主体改为：对于一个没有外部资源帮助的个人开发者或者是一家刚起步的初创公司，什么才是生存资源呢？我认为的答案只有一个：「现金流」。
乔布斯13岁时曾在惠普实习，后来他回顾起这段经历时说道：惠普教会了我应该如何去做一家公司，惠普每天都会给员工准备可口的饮料和甜甜圈，他很明白公司的价值在于人才。惠普有很清晰的价值观，他清楚价值观对于优秀的人一起共事有多么重要，但一切的前提是：公司必须得是赚钱的。
钱的流向是怎么样的呢？
可能你早上需要吃早餐，这时候钱就从你的工资流到了早餐店的老板，
老板需要交铺租，钱又流到了包租公手上，
包租公看上了一款宝马，钱流向了销售的腰包，
销售喜欢打赏主播，钱又流向了主播，好巧不巧这个主播就是你。
在这段假设里能发现，钱是交易行为的标准流通品。A为了得到某些东西，将钱支付给了B，这就是一种交易行为，交易行为产生了现金流。尽管钱最后并不一定留在你的手上。
为什么现金流、交易行为、钱对于一个没有外部资源帮助的个人开发者来说很重要？这是一个很显而易见的问题，只有有了现金流，才能支持
「开发者」开发「产品」
「产品」中的交易行为获得「钱」
「钱」支持开发者可以自由的使用自己的时间。
「开发者」有充足的时间迭代「产品」。
这个小生态持续运转下去，没有外部资源支持的初创公司也是如此。
我认为个人开发者和初创公司在竞争的“矿物质”就是「现金流」。想要找到现金流，就得寻找交易行为，这在商业圈内有个很高逼格的名称叫做“商业模式”。
“竞争”
接下来，我们把个人开发者、初创小公司、成型的中型公司、大公司这些能上市场牌桌的单位都看成一个「单独的个体」，并武断的假定大家争抢的都是「现金流」，通俗的说就是大家都在抢钱。
初创公司和个人开发者的目的很好搞懂，就是生存。
如果想要看竞争过程中发生了什么，最好的参考就是找到已经有点规模的中型公司。看看它体内发生了什么样的变异。
中型公司最突出的共同特征是有1个或2个极其庞大的部门，占到公司人数的半数甚至更多。
这就像一只长颈鹿，脖子长是它吃到草的资本，所以它的身高有大部分都是脖子支撑的。把中型公司和初创公司放在一起对比就能找到很明显的区别，他们有很突出的业务部门。
不难发现，这个业务部门就是公司应对竞争产生的变异。它就是故事里的那条尾巴。
题外话，关于业务：
前段时间我一直对业务这个概念很迷惑，后来我听到了一个朋友的说法，找到了一个易于理解的解释：业务就是交易环节，整个商业流程内产生了或者是有机会产生交易环节的部分就叫做业务。
比如苹果，泛泛来说苹果控制供应链吃一层，售卖硬件给用户吃一层，用户使用他的生态时吃一层，三方公司利用他的生态触达用户时又吃30%的利润，最后每一方都还很满意。
再比如我在知乎上看到的一个很不错的答案是这么写业务的：
以美团为例：
1.业务的本质是什么？
用户产生需求：例如小王想去开房。
用户表达需求：打开美团app，例如搜索“如家酒店”，进入搜索结果页（poi列表）。
平台呈现最优解：搜索结果综合考虑距离、价格、用户是否去过等因素进行排序，这些被考虑的因素叫做「特征」，特征的重要性叫做「权重」，计算出权重的一个或一组函数叫做「算法」。
用户决策：小王从搜索结果中选了距离最近的一个，进入详情页，看了看图片/评价/星级，又看了一眼价格238元，觉得合适，点击了购买按钮。
订单状态：小王点击购买的一瞬间，订单生成，产生了order_id，随着小明的一系列操作，订单状态也发生了变化，例如，付款的一瞬间，订单状态由“待支付”变为“已付款”，而订单状态流转的全集叫做「订单状态机」。
平台提供售后服务：结果小王的女朋友临时有事，不去了。小王只好申请退款，订单状态变为“退款中”。客服介入处理。该申请被推送到客服中心。退款审核通过后，订单状态由“退款中”变为“已退款”。
用户重复消费：小明每一次的需求都被满足的很好，遇到问题时客服也处理的很好，小明对该产品产生了信赖，逐渐地，小明每次吃饭、看电影、开房，都用这个app。
2.业务和产品经理的关系是什么？
业务因需求而存在， 没有需求，业务就会坍塌
产品经理最重要的工作是判断需求是否真的存在——这叫判断力
有了需求之后，产品经理是搭建业务流程的人，即为用户提供最优解，以满足用户需求
需求是在场景中产生的，场景不同，用户做决策的方式也就不同，求得的最优解也就不同
提供最优解的过程，本身是一个产品功能或系统，例如搜索引擎、推荐系统
但需求的“解决方案”本身，是一个服务，例如“距离小王最近的如家酒店的大床房”而“如家酒店”做为一个服务，不是产品经理创造的，是业务人员和酒店签订合作协议签来的
用户价值=新体验-旧体验-替换成本
商业价值=用户的愿付价格-企业成本+新商业模式价值（变量）
关于个人开发者和初创公司如何变异为中型公司，很重要的就是要找到业务，也就是正确的变异方向。
可惜的是这里并没有什么范式，多数时候只能靠所谓的商业嗅觉去假设、去试。
硬要说的范式可能就是将已有的类似业务可以搬过来做改进使用，这就像是你看到了和你一样的生物长了尾巴并且活的更好，你大概也就知道弄条尾巴出来不会死的很惨。
写到这里突然想起了之前读过的用户体验要素，我认为用它来界定业务与产品相关的程度非常合适。
用户体验5要素的层次是这么界定的：
战略层：企业想要什么，用户想要什么（滴滴：让私家车变为出租车并产生交易行为是可行的）。
范围层的前提：战略已经弄清楚了用户需求和系统目标。这时需要确认产品要提供什么样的功能组合。
结构层的前提：需求收集完毕、排好优先级，这时需要创造信息架构，将功能组合拟合到产品中。
框架层的前提：结构层充满了来自于战略的需求，这时需要确定详细的界面外观，导航和信息设计。
表现层的前提：低保线稿，这是需要完成最终的视觉呈现，包含了4个层面的所有目标。
不难看出业务与要素的抽象程度是正相关的。有了这块东西，找业务就可有角度切入分析。
战略层和业务深度相关，
范围层界定业务和业务之间的区别，
结构层定义服务/产品承接业务所需要的功能模块。
根据这个分析方向去猜想，我认为大厂的初、中级产品经理跳出来自己创业成功率并没有比野生创业者高多少的原因可能就在于他们的工作经验更多是在结构层、框架层和表现层。
在这块他们有大量的经验和敏锐的嗅觉，但很容易掉入专业的陷阱产生了幸存者偏见，放大了专业的重要性而忽略了战略层和范围层的一些思考。
但战略层和范围层一样吃经验，同时还吃信息的即时性，领导层的信息总是优先于工作层的，这点野生创业者是有优势的。
“垄断”
这个故事还有个变态的版本：经过一段时间的演化后，这片矿物质的海洋里只剩下了两个巨大无比的生物，吃掉了大部分的矿物质资源，其他的渺小生物靠寄生/共生在这些大生物上生存，甚至大生物的一个念头就能决定渺小生物的生死。
这时竞争公式暂时失灵了。这个巨大无比的生物考虑的是如何保持自己的体量，如何不被渺小生物颠覆这件事情，它很清楚这其中的威胁性。因为尽管可能性微小，但之于它本身就是这样的幸运儿演化而来，它再清楚不过。
观察这个巨大无比的生物，能为中型公司提供什么变异思路呢？这种巨大的公司通常具有很多个业务。
而在市场、政策没有大幅变动的情况下，业务就像是一个容量固定的瓶子。产生业务的思路应该有2种：
是靠前期的主线业务提供的「现金流」供养出来的，耗时更长、质量更高的业务线。
一边拿着主线业务提供的「现金流」，一边重构一条质量更高的、基于主线业务进化的业务线。
而对于巨大无比的生物来说，如果它处于的是市场变动不大的区域，比如可口可乐。它就能通过压低成本来打压后进场者。
如果它处于的是市场变化很大的区域，比如互联网、硬件行业，很多时候靠的是生产速度打压或者是通过收购的吞并，再或者是共生的占股。但比之市场变动不大的区域，挥之不去的肯定是焦虑的情绪。
这是一种生态，是种自然选择，也是一种没有硝烟的战争。
]]>18年12月底从千聊辞职，和之前做APP的朋友一起出来创业，公司业务是软件外包，我负责产品的工作。2月份换了个大办公室，3月份公司被番禺电视台采访，5月份在深圳开过分部，当时公司30人。只能说是差强人意。
外包业务需要接触到很多行业的客户，作为一个产品经理这其中让我学习到最多的就是拆分业务模式：我们需要对接老板，通过提出问题的方式询问客户想要的产品，多次追问直到找到场景化的需求点，最终真正的产品给理出来。
这个过程让我很有感触：产品（H5，app，小程序，软硬件，后台等等），仅是整个商业逻辑里承担某个环节的东西。
打个比方：比如我们要设计一个用来管理流程的地产小程序，他们已经有了一系列的线下行为：业务员已经有了在微信群报备的次等解决方案、楼盘的管理员已经有了线下对接看房的行为、文员已经有了材料校验机制等等。小程序的出现仅仅只是为了将次等解决方案互联网化切入到使用场景中以提高效率，设计它麻烦的地方在自由可配的权限管理以及地域性数据的展示逻辑。它只是承接了整个商业逻辑内的某些环节。
所以想要做出一个”合适、有需求”的产品，很多时候需要了解整个商业逻辑。这改变了我设计产品的做法：从一开始的套理论变成了寻找这种商业逻辑的脉络，从鲁莽的下判断到寻找更多的信息和线索来做需求。
这一年里，我做了70多个产品原型，60多份产品功能需求表，20多份产品PRD，其中做的最好的电商小程序已经有14万用户。除了感触之外，我也感受到了外包业务产品的局限之处。
最严重的是精力不足，一般一个外包产品需要同时负责3到4个项目，这就导致了他对项目的掌控能力会有所降低，除了产品大概逻辑之外无法再深入的挖掘下去，更别说对数据的分析和api接口的掌控能力了。
其次是多数产品并没有迭代，仅仅只是开发一版就已经结束了，产品经理无法从产品本身学习到东西。
第三是开发产品的行业并不相关，有时候做一个新产品等于从头开始做起，这虽然很锻炼产品经理的快速学习能力，但是更多是多种信息杂糅，导致产品经理本身无法专注和精进。
「有的人出现就是为了给你指出该往哪去。」
今年在非业务上接触到一些很厉害的人，像荔枝微课的CEO黄冠哥、华为海思出来的荣哥等等，其中也有一些对我影响很大的人：像百度产品离职出来的做海外的清波、在天猫做产品的王第等。
我从18年10月开始从运营转行进入产品，之后就出来自己做公司，其实很缺少产品路上的指引，所以我很珍视和厉害产品经理合作的机会，因为能从他们身上学到东西。
和王第合作做一款政务数据中台的时候，我终于明白prd开头拆分功能结构和功能列表的意义：整理功能结构需要从模块去定义整个产品架构，以及定义功能颗粒度，这在产品迭代和延展性上会非常好拓展，而不是简单的只是对页面进行功能拆分，这是外包产品学不到的东西。诸如此类的还有很多，就不展开了。
这一年工作基本是在忙碌上过去的，忙碌到会让人忘了为什么要忙碌。我其实很不喜欢。
2月份换了个新的公寓，搬到了公司附近。我想着把公寓装修一遍，于是我上知乎快速学习了如何高性价比的装修房间，然后去宜家买了些家具，淘宝上也买了一些，总共花了1500。最后大概装修成这样：
3月份尝试投过微信搜一搜的产品岗，通过一个招聘邮箱，我使用商业逆向工程找到了面试官的基础资料，包含学历，工作经历，姓名，社交账号等等。
3月我开始减肥，截止到6月，我从90kg减到了77kg。（现在又胖回到82kg）
6月份开始拍毕业照，事先没有通知朋友，等到拍的时候我看到同学都有朋友家人在旁边，我有一瞬间感觉到很难过。（我以为我是一个莫得感情的机器，事实证明我不是）
6月7日去香港的麦理浩径徒步，原定那天走15公里，第二天走第二段。
晚上10点的时候家里来了一通电话，说奶奶去世了。当时接到电话后我的情绪还很稳定，想着尽一切可能赶回去。
露营点那个地方基本没有网络，也没有车子，我们想着走到马路看看能不能拦一辆车带我们到地铁，结果太晚了路上没有一辆车，我们只能沿着马路一直走，大概走了7公里之后，家里又来了一通电话说我不用回去，大半夜的太危险。
我挣扎了很久最后放弃了，我平躺在马路上，一下子忍不住哭了。那是无力的感觉。
后来回到广州在公寓里呆了10天，当时的心情已经不能用差来形容，那个时候天天在家里看一个叫《人生七年》的记录片。这种心情断断续续持续了几个月。
7月份，由于挂的科太多，我被延迟毕业了。
11月份，开始用ipad画画，重新温习前端。
每个人都有看世界的一种方式，我将它称为「眼镜」，看一件事物得出的结果，我将它称为「成像」。看得见事物的脉络与否，很多时候是「眼镜」而不是「成像」的问题。同样一个数据散点图，不同的人看到的是不同的东西，做出的决策也截然不同。所以这章基本写的是我的「眼镜」，我是如何看世界的，仅代表我个人的观点。
从大一开始，我就有意识的学习一些课程之外的东西。从一开始的李叫兽，到后来的《思考快与慢》，再到增长黑客和社会工程学，再到《失控》，接着了解到混沌学，了解机器学习。如果你有读过上面的东西你就会有了解，这些内容的着重点是在某个“群体”上。
但今年我没读什么书，一方面是因为太忙，另一方面是因为我看世界的角度发生了一些变化。
其中很重要的一点是，我遇到了奥卡姆剃刀。
我看过很多书，书中的论证自己观点的方法往往是先提出一个概念，然后找到相应的例子去佐证这个概念，这是目前论证观点的最好方法。但是它是具有局限性的，因为这类论证没有考虑到「时间的因素」。我们谈论的是未来，但你得出结论的例子是过去。意识到这一点后，我对待这些知识的态度从「指引」变成了「校验」。
是的，它们更多是一种校验作用。比如你发现了一个想法，你想尝试是否可行，就用这些方法去校验它，看看想法和知识发生了哪些冲突。如果有了冲突，那么问题在哪，为什么是这个问题。如果你分析了很久，还是找不到想法的问题出在哪，你就可以开始怀疑方法，因为方法是有时效性的。
我在以前的文章里写过：过去是一条线，现在是一个点，未来是一张概率网。人们常讨论过去的线，希望能在线中总结出某些方法。但却基本忽略了未来的事件是一张“网”，它是一种概率事件。它很像
P（A）「事情A发生的概率」和
P（A|B）「在事情B发生的情况下事情A发生的概率」的区别。
时间帮我们做出了选择，把B变成了100%的事件，因为它已经发生了，它是确定的，无法逆转的形态。
问题在于对于A这样的概率事件，我们应该如何控制它？不，应该换个词叫适应才对。在我脑袋里，我是如何去理解未来的？这得从《失控》开始说起。
失控这本书里花了大量的篇章讲分布式，我当时看有一种奇妙的感觉。分布式不像传统的机械控制那样依靠一个主要的中枢思想或者中枢大脑去控制机械产生固定的结果，而是使用一种自组织的方式去设计程序。
每个个体都有一定的基础共同思想，然后通过群体协同，将这些个体组合在一起，使群体能够完成一个中枢大脑无法完成的工作。听到这样的描述你就会发现机械控制的目的在于「中枢」，分布式的目的在于「群体」。我找到了那种奇妙感觉的来源，它十分像另一本描述群体的书：《乌合之众》。
个体和群体的概念其实十分模糊，多少个个体才是个体和群体的临界点，这种问题其实和多少粒沙子才是一堆沙子的问题同出一源。这让我十分困惑，如果无法确认个体和群体的界限，那“涌现”的定义又从何而来？
在这里，我没有得到有实际用处的东西，它只改造了我看世界的方式。
而后我了解到了《三体》，进而对三体问题十分感兴趣，搜索了很多资料去了解它的起源，最后发现它是归为一门19世纪初创造的数学学科，叫做混沌学。第一个讨论混沌问题的数学家是庞加莱。
这很有意思，数学一直是有序的代表，却生产出了「Chaos」这种混乱的代名词。但当时研究混沌的仅仅只有数学家。
事情是在什么时候发生改变的呢？
随着计算机的兴起，大型计算机能够计算成吨的数据，有这么一个人叫曼德博，他在IBM任职科学家时发现了频率异常的波段，这些波段不但粗糙，每个波段之间还具有一定的自相似性。
一开始他以为是仪器的问题，通过专门针对的实验发现，这些数据的计算在某个临界值时会开始无规律可循，且它们生产出的集合是一个无限的集合，这就意味着如果你将集合以图形的方式画出来，那么它的周长将会是无限。这是混沌学在世界上首次以某种具体的形式展现出来。
混沌诡异的地方在哪呢？它通常起源于一个十分规整的方程式，但它具有无限的细节。如果你仔细看你会发现头部的一小段它是收敛的，直到迈过洛伦兹吸引子的临界点后，出现了一个较小的“黑暗区域”，这是一个混乱的集合。纯公式也能够得到如此“粗糙”的图形，原因是这个集合在数学上的纬度并非是2维的平面，而是一个维度约为1.4左右的集合呈现，自然在平面上就呈现出了周长无限的诡异现象。
这种图形的起源是一个纯公式，它是一种数学，它无法对我们的工作和生活起到太多的指导作用。它只提醒了我一件事情，即使是纯逻辑的数学公式得出的集合，在超越临界点之后也会呈现出混乱无序的、难以计算的状态。它是一种类似网状的逻辑。
在这里，我没有得到有实际用处的东西，它只改造了我看世界的方式。
在这之后，我了解到一个更实在的东西：机器学习。为什么说它实在呢？因为它已经开始应用在各种场景中。
这是人类制造的第一个能够进行泛化处理的程序。它可以解决识别是否是猫的问题，也可以解决处理图像的问题，还能解决识别语言当中的含义的问题等等。
如果实现机器学习呢？其实网上都有，Google还专门开设了一个机器学习的入门课程，其中课程视频的翻译语言还是通过机器学习做到的。
我更关心的是它为什么与传统的程序不同。为了理解机器学习我们打个「不太恰当」的比方：
假设一个式子为4x4=16。4为输入值，16为输出值。
常规的方法是人脑来定义中间的计算方法为x4，提供函数的是「人的大脑」。
而机器学习则是给出输入值和输出值，有可能是4和16，有可能是5和20，然后让机器通过训练得到x4。提供函数的是「计算机自身」。
值得一提的是无论它是否得到函数为x4，只要答案输出的结果为正确比例逼近100%，它就是实用的，换句话说机器学习内部机制是个黑盒。
不难看出传统程序是通过人来「定义函数」，而机器学习则是让人来「判断」机器输出的结果是否正确。这就像是一种教学。
举个实际的例子：
比如我们想训练算法能够识别28x28像素的「7」，需要将过程分为「训练」和「使用」。
训练：
把这个图片的灰度值提取为0-1之间的值，然后用784个代表不同灰度的输入值输入到程序。
程序内有很多的中间层（也叫隐藏层），通过向量的方式（向量代表权重）让784个输入值不断经过中间层，最后在输出值的1-10内会指向一个确定的值。如果最后的输出值没有收敛，则会使用损失函数进行调整，直到输出值会收敛为一个确定的7。
这个过程中的关键之处在于一开始提供训练的像素图是否足够干净、中间层的层数和损失函数的高效性。整个过程需要花费大量的时间和计算。
使用：将得到的算法应用在实际图像识别当中，用户提供包含7的图片，即可识别出图片内容是否为「7」。
我并没有将机器学习学到我能够写numpy的程度，但我从其中也能感受到一些不可思议的东西。即机器自主寻找出解决方案的方式为一个黑盒，我们不知道它是如何做到的。
大量用于训练的输入像素图拆分为单个灰度的像素点时我们找不到输入值上的规律，中间层过滤的时候发生了什么我们也不清楚，但我们就是得到了能够识别图片为“7”的算法。
由于我并不会用numpy使用机器学习，我还是没有得到有实际用处的东西，它只改造了我看世界的方式。
知道这些东西越多，我的困惑也越多：我发现他们都包含不为人知的“黑盒”，导致黑盒的原因往往充斥着大量的信息和数据让人难以溯源、杂乱、需要大量的计算、去中枢化等等。
“如无必要，勿增实体”。奥卡姆并没有告诉我什么是对的，但它教会我一种面对它们的方式：对于不可掌控的，无法穷尽的逻辑黑盒，我需要放弃对它的掌控，而是需要将逻辑黑盒“外包”出去：比如尝试通过计算机或者其他能够承受如此大计算能力的东西去实现。这是一种减法。
同时奥卡姆剃刀给了我一种新的看世界的启示。
正如我之前提到的：过去是一条线，现在是一个点，未来是一张概率网。
论过去发生的事件概率多么小，它只要发生了就是100%的概率，是确定的事实。
无论未来没发生事件的概率多么大，它只要没发生那就一定不是100%的概率，因为它是网状的逻辑、是一种尚未被确认的可能性。同时它还受已经发生的确定事实的影响。
我们能控制的只能是现在的那个点，那些正在发生，正在流失的现在。
我武断的认为，当下的大多数知识和方法都具有时效性，针对当下应该做什么的做法少之又少。既然没有人能确定未来的概率网内会发生什么样的事情，那么将想做事情的概率网不断收缩成线（是一种动态）则是一种应对概率的优秀做法。
这个时候重点从做对的事情变成了2个条件：
做「假设最少且正确率高」的事情，+ 让事情「快速生产」。
其实看到这里，你大概能感受到我脑子里对奥卡姆剃刀的看法：
它是一种单独的机制，不依附于任何理论。
它是针对无尽的计算和不确定的概率下的一种生产方案。
它针对的不是如何寻找对的东西，而是在批量生产中如何快速命中对的事情，当然批量生产中能有技法会减少很多时间。
它更和创新没有半毛钱关系，它是处理创新想法的一种手段。
“受到限制不是坏事情——它经常迫使我们变得更富有创造性。”
奥卡姆并不提供创新，实际上创新是一种信息收集和整理的行为。我认为创新和抄袭本质上是一样东西：它们都是一种收集他人的信息，进行拆解并重组的手段。
拆解收集他人得来的信息时需要有批判思维，要敢于质疑权威。有时候专业是一种幻象，质疑权威仅需要一个为什么，同时一直不停的问下去，你就能找到他搭建的想法架构上存在一些时效性的东西。然后判断这之后它是否有必要存在，如果没有必要：
仅此而已，创新的本质不是增加，而是减少，必要的时候甚至需要整体推翻，再取出核心重建一次。
]]>而现在，我从事的行业是互联网，一个和数理离得不那么近的行业。但从小批判思维和逻辑思维对我的影响，让我思考所有事情时都尽可能的往本质靠近。
我在大学的时候了解到了人性，了解到了行为经济学，了解到了需求、商业、心智，了解到了混沌学，分形，机器学习思想，了解到了失控，自组织和分布式等等…这一切的东西，多而杂乱，它们让我感到有用的同时也让我产生了很大的困惑：它们是社会科学。
社会科学有个冲突纯逻辑思维的地方就是它并不统一，两个观点之间存在着或多或少的矛盾，并且你理解了社会科学，未必能够让你期望的结果百分百在现实发生。
举个例子：
你在书上看到了一个运营活动的方法，然后你把它照搬下来时，它没有生效。
你听朋友说起了一个能赚钱的商业模式，然后你尝试复刻出来时，它失败了多次。
甚至商业经验丰富的诺基亚CEO也会在离职讲话时说到：不知道为什么，我们就是输了。
这些现象让人感到困惑，却又那么自然，因为它们每时每刻都在发生。
但如果你往下追问：
为什么市面上漂浮着这么多商业理论的书，依靠它们成功的人并没有多少？
为什么一个经验丰富的职业经理人操盘，依旧逆转不了一个公司的失败？
为什么一个运营经验丰富的运营主管，仍无法保证一个活动一定刷屏？
为什么一个经验老道的产品经理，总会设计出一些自己觉得很符合逻辑但是没人用的功能？
你就会发现社会科学的问题并不是一个不值得花时间搞懂的问题。
首先我只需要2个基础：
因为时间不可逆，所以已发生的事情是定量的，而未来的事件是概率的。
奥卡姆剃刀：如无必要，勿增实体。
过去是一条线，未来是一张网
你得承认，所有的知识都是经验的产物。
自然科学是一种经验产物，它特殊的地方在于：在已发生的时间内，它没有出过一次错。社会科学一样是经验产物，它难搞的地方在于：一个流派有一个流派的说法，无法被证伪，但又具有一定的实用性。
相较于自然科学，社会科学更加的不规整。自然科学是极端理想的实验环境，光滑/平直/无限等这类人造的产物，在实验环境下自然的因素被减小到最小，这样的控制让它得出的结论在人的共识中基本不存在偏差。
而社会科学麻烦的地方在于它的起点是一个极端复杂的环境。对于一个极端复杂的环境我们预先的处理是先排除超出模式的异常量，然后再用一个十分普适但是无法百分百生效的公式去涵盖这类现象。
这看似很正常，但也就像曼德博在TED里提到的那个疑问一样：为什么要剔除异常量来生成公式呢？
这个问题的背后是一个更深层的问题：你剔除的异常量真的对你得出的结论毫无影响吗？事实上是不的。
人们对于总结过去的事情总有一套非常合理的解释方法，当一个事件为什么会发生这些所有的逻辑摆在你面前时，你总是能及其轻松的得到一个逻辑上的结果。
比如：
诺基亚会被智能手机打败是因为它们不懂得创新，无法意识到芯片的发展和摩尔定律。
华为的技术能够发展的如此之快的原因是因为，公司会将很大的一部分收入拨给研发。
中兴被美国芯片钳制是因为他们没有将自研芯片划入公司的核心战略当中。
你观察这类句式你会很容易发现：它们全都是证明题。（证明题是给出了题目，给出了结果，让你去推导这道题是如何得到结果的）但人们对于预测未来的事情，往往就不那么准确了。我们拿着过去证明题得到的结果，去套入未来需要去做的解答题中。（解答题是给出了题目，没有结果也没有推导过程，这一切都需要你自己去解开）
这里就出现了一个逻辑问题：
你怎么确认过去的问题只是现在问题的一种变式，你怎么确认过去与现在题目的“异常量”完全相同？
它们可能有一定的相似性，但绝对不是完全相同，相似度越高，重现的可能性越大，但它也只是一种概率事件。过去是一条线，是已经发生的定量事实，未来像一张网，是充满了蝴蝶效应的逻辑网络，A的选择或多或少的会影响到B的产生，你无法将所有变量纳入计算，一是我们并不拥有如此宏大的算力，二是混沌学向我们证明了即使是一个很简单的纯公式，通过多次计算越过临界之后得到的集也是无尽的，如果结果不准确，计算也就失去了意义。
讲到这里，我想表达的东西其实很简单。过去的结论无法百分之百的生效于未来将要发生的事情。这让我们要放弃一种错误的坚持：
要得到必定成立的公式套用在社会科学上是几乎不可能的事情。
这么说总结过去是否就没有必要？不是的。只是它的用法变得不太一样了。
让网收束成线：
首先，清空思绪。
然后，我们需要一把奥卡姆的剃刀。
奥卡姆是一个狡猾的逻辑学家，在他活着的时候，没有人能够辩倒他的理论。这个理论就是奥卡姆剃刀，奥卡姆剃刀只说了一句话：如无必要，勿增实体。通俗的来说这句话的意思就是：不要增加任何东西，如果它是没有必要的。
它是一句废话，因为它没有给出任何的指导方向。
它没有说究竟什么是必要的，奥卡姆狡猾的地方就在于此。它说的这句话就是“对”本身。
如果你假设了一样东西，它没有成立，奥卡姆就会说你假设的这个东西是没有必要的，所以他说的是对的。而如果你假设的东西成立了，奥卡姆就会说你假设的这个东西是有必要的，所以他说的也是对的。无论你成立与否，奥卡姆说的都是对的。
可它真的是一句没用的废话吗？这是一个简单而又可证伪的论断，它斩断了你我之间共识的模糊地带。
我们继续深入拆分奥卡姆的思想，将其加入一条时间轴：
假设奥卡姆在批判我提出的一个产品假设是没用的，因为它增了实体，这是时间点1。
然后我提出的产品假设被市场证明是有需求的，这时奥卡姆说他是有用的，因为这个实体是有必要的，这是时间点2。
你可以看到在两个时间点中，奥卡姆对于我提出的产品假设态度是不统一的，从我们传统的角度来看，他预测错了这个产品的假设。
有趣的是奥卡姆根本不在乎他是否预测错了你这个产品的假设，奥卡姆本身是分立的，对于一个事物的看法并没有连续性。他一直坚守没变的是他如无必要，勿增实体的思想，事实证明他的思想并没有错误。
重点在于：他提出的论点是对的，或者说他提出的就是对本身。鉴于以往自然科学的经验，如果一个论点能够具有可证伪性，那么它就具有作为公理的基础。
奥卡姆在自然科学当中可谓是无往不利。自然科学中提出一个猜想，只要能在逻辑上被证明是相通的，它就是必要的。与自然科学不同的是，必要在社会科学当中是一种十分模糊的事情，所以我们我们面临着第二个放弃：我们需要放弃得出必要成立的标准。
让我们继续将奥卡姆剃刀嵌入未来充满蝴蝶效应的未来，我们会得到什么奇特的结果？
得出结果：
毫无疑问，奥卡姆剃刀是应对未来的最好的哲学思考，因为它总是对的。
如无必要，勿增实体的后半部分：勿增实体也是剃刀的核心。
不要增加，这是一种警示。
如果你没有把握，就不要增加过多的假设。这并不代表很多假设就是错的，只是当假设越多，最终得到的假设就会越脆弱，脆弱是假设过多的致命之处。这是当假设没有被验证的时间点。
而我们的任务，就是快速将假设推向已经被验证的时间点，让网收束成线。
你有一个在框架之外，颠覆某类产品的设想？做出一个最小的可行产品，然后推进它。
你有某种突破设计语言的新设计思路？做出能包含你思路的最小单位，然后丢出去。
……
至于是不是专家，其实影响并没有想象的大。专家因为经验而专，这意味着相同的假设量你出错的概率比他的大，但他一样会出错。
如果你们同时都只做一个假设，这种差距就会被缩小。同时如果你的假设足够反常识，但是在逻辑底层上能够走通，反而还有可能反超专家，因为专家在接受经验的馈赠时，他的思维也带上了相对应的镣铐。
在我看来，产品的两种极端，分别是张小龙和张一鸣所代表的。
张小龙在增实体上有着很深的造诣，他喜欢乔布斯，对底层人性敏感，同理心强，有着创造者的天然属性：反叛。
张一鸣在变成必要上做的非常极致，极客思想和增长思想充斥在字节的基因中，核心在于快速将产品迭代、试错和调整，并同时准备多套方案，以确保最后生产出来的东西大概率是必要的。
这并不代表张小龙在变成必要上的不足，这能从他本身是个技术和他一贯的”产品是长出来的“言论中可以发现。
这也并不代表张一鸣在增实体上做的不够好，当时字节跳动即使毫无搜索底子一样敢做推荐算法和中台。
如无必要，勿增实体，缺一不可。****于此，我自己推出了一个很简单的应对未来的做法：
在做新的尝试时，不断的拷问每一个假设的增加是否有必要，哪怕是那些司空见惯习以为常的东西。同时如果你犹豫不决，无法判定必要性，那么就选择最贴近底层逻辑的那个假设。
剩下的，就是不断的优化”实现“本身，让“变成必要”变得足够快。
]]>说句实在话，那瞬间内心有种说不出的失落感，感觉到自己前两年学的运营全都白学了。我放纵了这样的情绪，让它驰骋了一阵后，我仔细盯着它，感受它时，我隐隐约约理清了一些脉络。
我得到的第一个结果就是，方法总是会过时的，尤其是面对的受体是人类。
为什么呢？我认为方法的诞生，是一个人通过他的经验、学识、思考能力甚至是心智模式（我将它形象化为“眼镜”），将一个成功的事件拆解，然后提取出核心的东西，以便下次他再使用时能够快速复现这个成功的事件。
不过运营圈也存在着一种说法，叫做洗过的用户就再难激活，原因是心智模式已经被人抢占了，需要通过变种，再升级的方式去再设计这个事件，换汤不换药的让用户上瘾。这件事同样具备着极限，当用户超过那样的阈值时，就会进入一种麻木的状态，比如说半年前的运营方法已经不管用了。
这就好比2条非连续性的曲线，当受体（用户）通过被这些手法去教育时，自然而然的会产生抗体，当抗体过多时，就需要新的手法去打造新的“第一”，而这新的“第一”绝对不是连在原先曲线的上面，而是一种断层，它是一条新的曲线。
当运营融合了技术，进入了自动化的操作时，所有机械化的运营动作都将被脚本取代，这就是“黑客”式的一种思想，就像是运营界的工业革命一样，这种“运营2.0”在中国的这片土壤上被玩的更加极端。
于是运营的1.0就像是农耕一般，效率低产出也低。此时很多的运营方法就失效了，所以不难看出方法失效的原因是因为作用的受体在进化升级。受体是变化的，人们就不能一劳永逸的去设计一种函数，一种范式去将受体囊括。人们能做的就是不断的提出更新的框架去圈地。
如果方法会过时，那什么是重要的呢？
回到刚开始的那个起点：方法的诞生，是一个人通过他的经验、学识、思考能力甚至是心智模式，将一个成功的事件拆解，然后提取出核心的东西。
所以核心的并不是方法，而是这个总结方法的人，他的眼镜，他看世界的方式，但”眼镜“是很难学习的，你需要掌握他几乎全部的知识和思路，甚至要了解他的信仰。
而方法的获得可以找到最前沿的那帮人去请教，去趟坑，很快就能重拾方法。如果你求快速，询问当下最前沿的方法，是最高效率实现结果的做法。
还有一个，是关于为什么方法不会生效的问题。
明明方法也没过时，我也听得懂业内的人在讲什么，应该说是对整个流程了如指掌，为什么我总是无法重现案例呢？
使用户产生反应是一系列环节执行的结果，中途的环节，用户的当前属性有丝毫的变化都有可能影响结果，这本身就是很混沌的一件事情。现实是往往问题就出在你逻辑恰巧遗漏的地方。那些走在前面的人吃过亏，所以这些都变成了他的经验，往往很多时候就是差了这些意料之外的经验。这本身也很符合混沌。
在现实世界当中，事物的运转或许可以计算，但想要清楚可能需要无尽的算力。亦或者事物的运转本身就是很难计算清楚的。人们总有一种幻觉，一种妄想，就是觉得预测未来是单纯人脑能够做到的事情，但现实往往复杂的多。当下的科技水平让我们只能放弃这种虚无缥缈的确定性，去拥抱概率和不确定性。
我因为接触混沌和分形，接触机器学习的诞生原理，极端的复杂让我一度十分迷茫，眼花缭乱。后来我发现只要将复杂的东西剔除，切换一下思路就能得到一个很好的结果。
什么思路呢？ 将“企图预测”切换为“努力实现”，改变其中的变量使得“成功概率”变得更大。这也就是所谓的“活在当下，你的焦虑和忧愁，将会一扫而空”的最好写照。这就是我总结出来的方法。虽然不知道我总结出来的这个方法多久会被颠覆，但是它现在是有效的，这就足够了。重要的是我已经有了自己的“眼镜”。
PS:现在有很多知识付费漂浮在市场上，让人眼花缭乱的同时还让人产生了很大的焦虑，其实大可不必焦虑。当人把心态摆正，把知识付费，把老师教的东西当成一种工具而不是内核时，你不仅能从中快速挤入前沿线，如果你的“眼镜”够先进，你甚至还能很快在前沿中脱颖而出，变成颠覆者和引领者。但如果工具和内核颠倒了，焦虑是必然的，因为工具终将过时。
]]>说句实在话，那瞬间内心有种说不出的失落感，感觉到自己前两年学的运营全]]>
但自然选择=稳定需求供给量=稳定的个体数
且个体为了不被自然选择，会变异进化，接下来就是无限的变量和参数，一切就开始走向复杂。
但当竞争不成立时（个体平均需求量×个体数＜＝需求供给量），一切都简单到无趣。
很多时候一个（公司，产品等等）生态，就差这么一个临界点。
]]>你有没有设想过自己备好足够的干粮，在一间漆黑的屋子待上整整一天或者几天，什么都不做？没有手机，没有时钟，周围除了吃的就是黑暗。这会对一个人的心理产生什么样的影响？
或许刚开始你会很兴奋，想着难得有空闲的时间能够放松自己。接着可能就开始感到枯燥，开始回想起过去的事情，随着时间的推移，你能回忆起的事情可能会越来越少，意识也会开始模糊，然后渐渐睡着。
接着你起来的时候，你只能估摸着大概的时间是多少，然后继续发呆，或许你现在可能会涌上一丝恐惧，我到底是处在什么地方，真假难以辨别，到底现在的世界才是梦，还是过去纷纷扰扰的生活才是梦？……
真的有人尝试过，这样的实验是存在的。
这个实验叫做感觉剥夺实验（sensory deprivation experiment）。这个实验夺去有机体的感觉能力进行研究。对人来说，感觉剥夺是暂时让被试者的某些（或全部）感觉能力处于无能为力的状态，把人放在没有任何外部刺激的环境中进行研究，从而探索其生理心理变化。
感觉剥夺实验的体验类似佛家中里的面壁入定，禅宗里的打坐冥想。这样的做法会让人进入一种奇妙的状态，仿佛抽离于现实之中。它好像普适于每个人，这让人感到惊喜，自然科学发展如此之快，得益于它的标准性和可证伪性，如果普适性存在，那这将是心理学的一块稳固的基石。
这里想额外提及为什么自然科学发展如此之快，以至于短短三百年时间超越积累了数千年的人文科学的原因。
原因可能是标准性和可证伪性，如果将人类这个整体看做一块可储存可计算的计算机，这个计算机上有无数的电子元件，特殊的是一批电子元件死亡，也会有一批电子元件诞生。
现在难题来了，如果我想储存一堆数据的同时也去计算它，电子元件之间信息传递的损失就成了至关重要的核心因素。
在计算机中，信息的传递为百分之百的标准，如果不准就会报错，但人类整体之间的传递并不是如此。孔子的思想难以准确的传递于每个人，因为定义过于含糊且具有特殊性，你思考掌握它通常需要相似的意境和经历。而数学并不会产生这样的毛病，所有人都能准确的承接1+1=2。自然科学的特点是常常与数学挂钩，有着与数学一样严谨的逻辑。
这样的普适性、标准性和可证伪性给人类这个可繁殖的哺乳动物群体一个可传递的基础，以保证传递之间不会存在损失。
做个简单的计算：假设人文科学传递的损失比例为0.1，自然科学传递的损失比例为0.01。迭代次数为口头相传的次数，假设为10年1次，共300年，得：
哪怕仅是0.09的微小差别，通过指数迭代也是十分巨大的。传递产生误差，也就意味着计算的数据存在着偏差，能够有效利用的结果（方法）就更少了。如果能够有效控制传递的损失，人类的繁衍才能发挥它的最大优势。
回到原来的话题，我想谈谈我对意识的看法，以及和感觉剥夺实验的关系。
维基百科对意识的定义是这样的：意识是人对环境及自我的认知能力以及认知的清晰程度。
我曾和一学物理的高中同学有聊到过这个问题，当时我们有探讨到温度这个例子：人们能感知到冷热其实是环境里的温度发生了变化。换句话说，人们先感受到的不是温度，而是温差。人们认知一样东西时，往往是先感知到差别。换句话说，如果没有差别，人们根本无法认知到某样事物。
你可以发现，意识其实包含了两样东西：环境的变量，以及认知清晰程度（我认为这很像一种校准机制，通过对比去校准你对事物的定义）。
感觉剥夺实验剥夺了绝大部分环境的变量，相当于抽空了意识两个关键因素当中的一个。这会有什么影响？
这里有个视频链接，专门提到了这样的实验，以及与它相关的各种历史。值得一提的是，这种感觉剥夺实验居然衍生出了商业化的产品，这是让我感到非常诧异的地方。（链接点击不了可以点击阅读原文）
https://www.bilibili.com/video/av8400004
我究竟是什么？
意识是认知清晰程度和环境变量的产物。
同时我认为，认知清晰程度就是一个学习的过程，我们在通过环境变量和事实来校准我们对一样事物的定义。
从科学角度看待，不讨论道德的情况下，假设我们将一个刚出生的婴儿放入感觉剥夺实验当中，使得他除了基础生存营养提供之外无法汲取任何的环境变量，这个婴儿会知道自己是自己吗？或者说，他是否有意识呢？这是一个让人深思的问题。
现在我们加入一个新的东西：机器学习。并将这两者进行对比，可能会有一些意外的发现。
我了解到的神经网络的大概架构为输入——中间件——输出。
传统的程序为我们需要计算机输出值，我们拥有输入值，所以我们通过设计函数来让计算机通过输入值得到输出值的结果。但设计函数是在人的大脑中完成的。所以计算机只能解决单一问题。
而机器学习的基础思路则是我拥有大量的输入和输出值，通过纠正偏差的方式让机器“学会”计算一个问题。当数据量足够大时，训练出来的中间件将能够判断泛化问题（比如识别一只猫），并且有不低的正确率。
我们将两者放在一起对比：
机器学习有个基础的算法，和大量的数据集对算法进行纠正。
人类有基本的遗传DNA，和大量的环境变量对行为进行校正。
机器学习通过损失函数来校正（反向传播算法），使得结果能够贴近真实值。
人类通过事件来校正心理表征，使得判断能够尽可能准确预测下一次事件发生。
…..
我认为机器学习和人类进化行为的思想十分的相近。甚至我们可以通过机器学习的角度看人类整个进化行为的发展时，会有十分奇妙的感觉。
人类，幸存者。
在海洋的一块矿物质极为丰富的地方，开始衍生了一群具有能动性的东西，它们只需要浮在水面上，每天的行为仅是进食与排泄，生命周期到了之后就走向死亡，越复杂的物体，稳定性就相对的要弱。突然这群东西中诞生了一个可以复制自我的东西，从基因的角度上，这个东西加倍了，从而基因变得更加稳定、不易死亡了。
矿物质的总量是有限的，基因却在不断的复制，当消耗的总量超过物质的总量时，自然强迫这群基因做出选择，促使基因产生突变：我能吃的更快、我产生了尾巴摆动的更快、我消化的更加迅速等等…..。竞争是进化的源头。
转眼来到另一个时代，对了，性渴望弱的、感知危险弱的、不和种群一起移动的人类在竞争中已经被大大的减少数量，这时人类的主流是有某种用户画像的。这时人类的“算法”已经埋入了“性，危险规避，从众，先入为主等”大量的基础数据。
紧接着人类已经迈入了基础的文明，建立起了一个又一个城邦和帝国，这时的人类已经没有了大多数生存威胁，但过往的环境对“算法”造成了不小的影响。这时的生存需求转化成了社会地位需求，更高的地位拥有着奴役奴隶的权利、拥有着更多配偶的权利，拥有着大量军队保护着自己的权利……。
权利的总量是有限的，人群却在不断的增加，当人群的总量超过权利拥有的人头数时，欲望强迫着人类个体做出选择，促使文明进步：我想拥有权利、我学会了能打仗的战术，我学会了如何与人更好的保持关系、我有了更强的逻辑推理等等……。
或许这里的权利，用存在感来表达会更加的恰当。数据集——环境变量训练了我们，宏观上，人类的发展更加的有“存在感”了。微观上，有幸原生家庭环境、学校、工作等“参数”对我们进行了校正，所以每个人不会千篇一律，那样多枯燥无味。
如果从感性的角度来看，人类是一个十分幸运的种群，幸运到什么程度呢？人脑只要超过40°c就会发生不可逆的化学反应，导致痴呆，所幸人体的温度一直稳定在36.8°c。这种感觉就像是你独自航行着宇宙飞船，几十cm厚的隔板之外就是浩瀚无垠的宇宙，那外面极低的温度就能一瞬间杀死一个人。
但如果从理性的角度来看，自然不是善意的，也不是恶意的，它只是无意的。每一次主动的想法，可能都是数据集进入你脑袋时，你产生的校准和对比机制。或许这个的工作机制还真的挺像“漏斗池”呢。
神经网络发展史链接：从神经元到深度学习，最通俗易懂的神经网络入门
单层神经元异或问题解释：https://www.cnblogs.com/vipyoumay/p/9110007.html?from=singlemessage&isappinstalled=0
]]>激情，不能被消沉的暮色淹没。—迪兰·托马斯
本文分为三大部分：我踩过的坑，我学到的，我独自探索的。
我将会从这三部分去叙述2018年的沉浮，以及心态上的一些变化，全文7000字。
为什么会有这章：一个人理解事物有几个阶段，首先是掌握它的知识，然后是拥有了实现它的技能，最后是将其内化成为自己的一种思想。很多人包括我曾经犯过这样的错误，误以为掌握了知识之后，就已经是理解了这个事物。我踩过的坑能够帮我很好的反省，拥有一样东西的知识是上层玩家再也基本不过的基本功。
2018年，我经历了4个项目，分别是：小帮主（小楼友），区块链，小章鱼话题，猫腾技术服务公司。回望过去总是能够找到细细碎碎的痕迹，它不仅告诉我当时我做了什么，更珍贵的是它留下了我当时的情感，而情感，是最容易让人类记下东西的雕刻之刀。这章不是忏悔录，每一个错误都有其意义所在。我写下来，并正视它，客观的分析它的优劣，这才是对过去最好的收尾。
本章分为四大部分：
在我运行小帮主（小楼友）这个项目时，我的身份是一个公司的总运营。在此之前，我只是一个负责生产创意的内容运营，李叫兽的营销思路是我那时的明灯，我的每一个活动设计，都是结合叫兽文章的底层思路去做的。
这是我真正从零到一去做一个项目，李叫兽已经难以对我运作一个公司起到指导意义。我开始彷徨，听闻人说一个人有三个区——舒适区，挑战区，恐慌区，而当时的我步子迈大了，一脚踏入了恐慌区。这时的好处是进步速度变得飞快，但伴随而至的就是如影随形的焦虑感。机缘巧合下我接触到了增长黑客，并读了不少关于增长黑客的书，学会了它的知识之后，我打算全盘照搬。当你接触的东西过少的时候，你很容易认为这就是所有。
我们开始招人，开始着手搭建完整的团队，我用运营之光的分类方法，将运营划成了四大块（内容，产品，市场，用户），有了分类，我们开始能够划分具体的任务给到具体的人，一切看起来井井有条，直到融资来的十来万烧到见底，开始垫资才意识到问题的严重性，这时候的焦虑感被放的更大，焦虑到什么程度呢？好多次晚上做梦会惊醒，睡着的时候梦里全是界面图，甚至有的时候3-4点都睡不着。
做一个APP平台，需要的东西实在是太多了，所有的运营动作就像是丢入大海的一颗石子，翻不起什么浪花。这种时候，往往需要把精力花在最关键的节点上。关键是什么呢？不管好坏，我们都应该将产品丢向真正的市场，测试需求是否存在，而不应苛求完整主义。
而这时的我们，实在是太“齐全”了一些，我们有很完善的公司架构和职能分工，我们有落实到每一天的SOP表，我们有敏捷开发式的合作方式，我们有OKR，我们甚至有董事会。这没什么错，错就错在它没出现在对的时间节点上。
这次经历对我来说的意义，是让我明白了一家公司大致的运营方式。同时也让我明白了运作一家公司是需要节奏，主次和容错的。
一个人的时候总是能想清楚某些东西，但是当一群人聚在一起的时候，群体很容易降低个人的思想清晰度，尤其是这群人能力相差无几的时候。
达尔文曾发现一个有趣的现象，当一个物种的小规模群体从主体中分离，并适应了压力重重的环境后，进化的速度就会加快。貌似，群体真的能够维持一种微妙的稳定性，使其中的突变因素被压制，慢慢地进入稳态之中，这很致命。
我们做小帮主的时候，有过非常多的决策困难，甚至我们自己都意识到了这个问题。
“当一只蟹被放到桶里时，它能够很轻易的爬出来，但是一群蟹被放到桶里时，它无论如何都爬不出来了。”
“我总感觉被一层看不见的罩子框住了。”
过程早已忘记，只剩下了这两句话，一直记得很清楚。
9月份之后，我有一段时间的空窗期，那时的我已经陷入重度自我怀疑，还有一些创伤后应激反应。（创伤后应激反应：主要表现为患者的思维、记忆或梦中反复、不自主地涌现与创伤有关的情境或内容，也可出现严重的触景生情反应，甚至感觉创伤性事件好像再次发生一样）。
6月份，我曾固执的认为小帮主的项目失败是因为缺少一个自己的前端，所以我做了一个决定：我要2个星期内学会web端开发。
当时我坐在已经空无一人的办公室里，周围都是干干净净空无一物的桌面，这么一看，就是一个通宵。这样的日子就这样持续了两个星期，直到最后我学会了部分前端，再回来看小帮主代码的时候，发现自己还是帮不上忙。于此同时，周围的人已经不在，我感觉到十分的无力。这件事给我留下了一定程度的阴影。
这个过程中我发现我只有学习新知识，才能够找到成就感。知识缓缓地伸出手掌，邀请我去当他的仆人。在周围都弥漫着焦虑恐慌时，学到东西给我的感觉只有温暖，我慢慢向温暖靠近，这是一种本能的行为。
当时我接触到了行为心理学，接触到了混沌学，接触到了分形，接触到了分布式思维。他们是如此的玄奇，以至于强行破开我的脑袋，让我变成他们的盲目的，狂热的教徒。当人在低谷时被人搭救起，你就很容易以此为尊，失去了独立的思辨能力，这其实荒诞至极。
如果你接触过那时的我，你会发现我的逻辑极其不清晰，嘴上总是挂着这些名词，如果别人不愿意听或者是不认同，我很容易一言不发，只会认为你并不懂。
怎么从当时的状态挣脱，然后再慢慢重塑自己的三观，再慢慢的转变成为现在这样，这是一段十分焦灼的，煎熬的过程。
我先是辞了职，有了充足的时间去思考这些七零八碎的问题，当时公司的老板说的没错，我的心已经崩坏了。
当时我已经没有了价值观，界定不了一个事情的好坏，对错，善恶，当时的我觉得世界上根本没有尺度，尺度都是人定出来的社会性规则。
当时我已经没有了世界观，受混沌学和分布式思维的影响，我认为世界上根本不存在可以预测的东西，一切的结果都是概率使然，使得我进而认为试图预测一件事情的发展是一件十分愚蠢的事情。
当时我已经没有了人生观，当尺度消失，当确定性消失，当身体内的逆意消失，我已经无法确认我究竟能否成长成我想要的人。且不论我是否成成为让自己都自豪的男人，当时的我在思考自己想成为的人，是否也是上一代伟人的影子。突然地，我对人生失去了追求。
不知道是什么时候想明白，理清楚这些七零八碎的事情，我通过持续几个星期的跑步和写文章，来理清我的思绪。我常去南亭码头，看着拍打上岸的海水，能坐一下午。我很想找人拉我一把，但又担心靠外力拽出来的我，心里始终有缺陷。我就这样模糊的在心碎至成渣时，一点一点的，靠自己的能力重建它。这里面没有章法，没有逻辑，就只是每天去填补它，如果累了，我就睡一整天，如果厌了，我就打一整天的游戏，如果烦了，我就会去寻找一个新地方坐下发呆，或者盯着一堆沙看着蚂蚁爬来爬去。这个过程当中，我慢慢去修复自己因为步子跨的过大而扯到的神经，慢慢地接受自己做不到的，在这个过程当中我放下了很多东西，接踵而至的则是不断增强的信心。
经过这个过程，我理性再回望之前的项目，那些不合理的，不能算到自己身上的因素也就渐渐明晰了起来，这样我身上的抑郁感和创伤应激症状也减轻了很多。
直到到了某一天，我亲手倒掉了自己杯子里的水，真正的把自己变成了一只空杯子。我摆脱了我对知识的依赖和执念。
如果觉得一无所有，那就不会再害怕失去。
自此之后我的话开始变少了。我开始以一个新手的心态去对待事物，同时去求证书本里的知识是否具有落地性。
这个错误我一年内犯了两次。
我曾在一家区块链公司工作，这家公司的业务是场外交易的数字货币交易所，也就是那时我开始了解，接触到区块链的一些东西。不得不承认世界上最尖端的，最前沿的东西，都是会自然的相吸引的，当时区块链和增长黑客圈十分亲密，那时候我了解到了商业逆向工程（一种通过社会工程学和网络搜索能力去复盘竞品公司的成长时间线，以达到增长和减少踩坑的目的）。
进入这家区块链公司之前，我没有作为一个优秀员工的角色在一家公司好好地工作过。从大学开始我都作为一个团队领导人的身份去推动项目。说实话，作为一个员工让我感觉到十分的不适应。我会下意识的用管理者的角色去看老板做的决策是否合理，当老板不能够做出正确的决策时我的心里会感觉十分的别扭。但是为了不得罪老板，我会憋着不说。
事实证明这是个双输的愚蠢行为。于我来说，我心里的不爽会淤积的越来越多，导致我不能作为一个很好的员工为企业产生价值。于老板来说，老板看不清我的想法，也推不动我的积极性。这样的矛盾激化下去，最后剩下的选项只有离职。
之后我休息了两个月，调整了心态之后在11月底进入千聊。有了上次的经验之后，我在竭力的尝试成为一个优秀的员工。在千聊工作的时间里，我发现这群家伙才是真正做实事的人。我曾以为我非常了解增长黑客，进来之后才发现人家是真刀真枪的去执行。他们分得清主次，能够把一次传播活动闭环，之后不断的转动它，最后的结果就是几个人可以运营几十上百万的用户。
我对我的定位是学习产品，但CTO的想法是让我去全力推动这个内部孵化的小程序——一个简化版，去掉付费功能的千聊。
而当我现在自己管理一家技术服务公司之后，我发现这样的员工并不能算是优秀，甚至连合格都岌岌可危。当一个人进来的时候抱着学习状态的同时，又有自己的项目在做，他是没法做出很优秀的东西的。这其实是一种很不负责任的职业观。
社会和职场是一个利益互换的地方，但我很认同一句话：在什么位置，就要把这个位置的东西做到最好，可我最后并没有做到。所以后来我从千聊学走了一些方法技巧，但我并不快乐，甚至有点内疚。
为什么会有这章：对自己过去的成果进行验收，最好的方法就是查看自己的加速度，这时技能就成了一个很好的丈量物，这章只会对学到的技能做简要的陈述，留作记录。
18年截止到今天读过的读物：
《增长黑客》、《增长黑客》肖恩版、《运营之光》、《价格游戏》、重读《思考快与慢》、重读《乌合之众》、重读《从零到一》、《引爆点》、《参与感》、《反脆弱》、《简约至上》、《Growth Hack怎么做》、《失控》、《黑客与画家》、《混沌与分形漫谈》、《EXO指数型组织》、《钝感力》、《错误的行为》、《流量池》、《人人都是产品经理》、《结网》、《启示录》、《上瘾》、《写给大家看的设计书》、《认知与设计》
18年截止到今天学会的：
技术：html、css、极少js
工具：Ps、墨刀、Axure、xmind、processon、adobeXD
为什么会有这章：此章内容多为7月-11月的一些思考，篇幅较长且带有个人的主观判断。我一直认为技巧的习得是非常容易的，关键在于顶层思维的建设。拥有一个先进的顶层思维，会让人进步的加速度远超其他人，以下民科警告，非战斗人员请速速撤离。
一切思考的开始：
在小帮主项目停滞之后，我很自然的去思考：为什么有些东西能够从束缚中挣脱而出。
例如：互联网中能够产生网络效应的产品具有非常强大的垄断性，这是一种结论。人们对结论进行总结是一件非常轻松的事情，因为它已经发生了。那么换个角度来说，如果它还未发生，我们又应该怎样去预测它的发生呢？仅仅只靠简单的因果律就能够判断一个复杂的生态中的演变吗？我觉得不是。
机缘巧合之下我接触到了《失控》这本书，里面分布式的思想和涌现的思路非常让我心驰神往。我理解的分布式的思想：个体遵循一个简单的规则和原理，导致了整个整体呈现出一种全新的状态，这种状态在书中被称为“涌现”。
是不是很拗口，难以理解？举个让我印象深刻的例子：
蝙蝠侠电影的制作中出现了一个让导演为难的场景，就是要用电脑模拟一群假蝙蝠的飞行，一开始导演试图控制整个整体来模拟真实蝙蝠的飞行，设置了很多的参数。但是最后模拟出来的飞行都有或多或少的瑕疵，比如拐弯的时候会和上方的岩柱重叠。最后他们通过对单个个体设定了2个简单的条件：1.不要撞到其他蝙蝠和障碍物2.不要掉队。就两条非常简单的规则，让模拟出来的蝙蝠群和真实的蝙蝠群的运动几乎相差无几。
这种分布式的规则不会因为某个个体的增加或者减少而出现故障，他们会协同，甚至可能会出现进化。再来个例子：
一个美国的机械专家曾经想设置一种机器，最开始的思路是想通过给这个机器制造一个大脑中枢来控制这台机器，但是当他越往下深入做的时候，这个大脑中枢就越来越复杂，同时随时容易产生故障，最后完工的机器重达20吨。后来他换了个轻便的方式，他以分布式搭建的方式来让每个部位分庭自治，其中最有意思的是脚这个部位。他做了一个类似蜘蛛的脚，这种脚只有两个原则：1.朝着某个固定的方向行进，确保两只脚之间的左右间距相同。这个时候无论你是认为破坏一只脚还是加上一只脚，它的工作依旧执行，好似有极高的“环境抵抗力”。
这样的环境抵抗力和高容错，以及模拟出来的东西和生命的相似性，让我开始怀疑起了因果律的局限性。
诺基亚曾经的CEO曾在一次采访的时候，情绪很失落的说道：不知道因为什么，我们就是这样的输了。很多人可以归因出不同的原因，比如诺基亚是一个迂腐，尾大不掉的组织，比如诺基亚对新科技视而不见，无法壮士断腕等等。但我认为如果在那个时刻，我们处在CEO的位置时，可能并不会做出很理想的举措。因为事情没有发生，因果律就难以具备确定性，自然也就难以产生指导意义。
说回分布式思想，这种分布式的思想让我感觉到：如果我能够揪住基本的原则，使一件事情发生的概率就会大很多，也就是“涌现”的可能性会大很多。理解失控的时候，我一直在思考“涌现”是一个什么样的概念。后来我发现“涌现”的意义是人赋予的，人们感受不到其中的复杂式网状逻辑的变化，但是能够查看结果，结果和一开始的原则越不相似，越颠覆人们的认知，被判定为“涌现”的可能性越大，也就是人们常说的“新的东西”。数字货币和区块链就是“涌现”的典型产物。
分布式思想给我的冲击在于，我对事物的看法从线状逻辑变成了网状逻辑。而对于网状逻辑来说最重要的其实并不是因果决定论，而是简单的原则、可供大量演变的物质基础。
接触到混沌学是因为我有一做物理学的好朋友，我们在讨论分布式的神奇性的时候，他提到混沌学这个东西。兴趣使然我去Google了一下，结果被其内部的玄妙吸引。
混沌学我买过丁玖教授的《混沌与分形漫谈》，这本书对我来说是一本十分合适的书，它没有过多的学术论证，而是描述了一些思想上的创新和混沌学的历史。其中混沌学里最经典的几个函数：科赫曲线，曼德博集，逻辑斯蒂模型用纯数学的方式将混沌的特性直接的展示了出来。这里我不打算展开数学模型来讨论，相比之下这些模型的意义性大于趣味性。
我们来说说一些平易近人的现象：
混沌学最为人熟知的应该就是“三体问题”了。三体问题中当三个星体相互收到引力作用而运动时，星体的轨迹无法被长期预测。它代表的是混沌的难以长期预测性。
还有一个不为人所知的：英国海岸线的测量问题。英国的海岸线到底有多长？当你用大一点的尺度丈量它，和用小一点的尺度丈量它，总是更小更精准的尺度量出来的长度更加长。那么问题在于，如果有无限小的尺子去量这个海岸线的长度时，这个海岸线究竟有多长？
这个世界不像我们构建出来的数理世界那样“光滑”，真实的世界是“粗糙”的。正如科赫曲线一样不断的延伸，“六角形”的雪花的边长无限，海岸线应该也是无限的。
这意味着什么呢？一旦拉数学入局，你就会发现一个混沌公式可以展示出混沌的，难以长期预知的，甚至是和自然很相似的图像时，你会惊讶这是一个公式计算出来的东西。（多图预警）
卡彭特在三天内便绘制出连绵的逼真山脉
曼德博将IBM的电话噪音用算力进行分析
混沌和分形的应用目前仅在特效制作上和科幻小说上有比较好的建树，比如《奇异博士》当中的一些特效场景的制作，再比如刘慈欣的《三体》。现实中混沌学看起来的鸡肋，往往使得人们忽略其思想上的指导，混沌有三个基本的特性：
对初始的条件很敏感，一丝的误差也会在长期下被放大，导致大径相庭。
具有非线性的特点，在长期解上难以预测。
具有自相似性。
混沌和分形演化出来的集，和自然的物体极其相似，以至于人们认为这才是真实的世界逻辑。所以对于曼德博集，人们也将其称之为“上帝的指纹”。既然混沌使人如此震惊，为什么直到20世纪，人们才发现并关注它呢？原因在于发现混沌需要大量的计算。
曼德博计算出的第一个集：朱利亚（Julia）集
曼德博集
研究混沌学，需要的数学基础不仅仅只是几本高数就能搞定的东西，所以我对它的了解，止于了解它的历史和特征，但这对我来说，已经足够。混沌学给我的冲击，来自于它和自然的相似性，让人止不住的联想，若自然的演化方式也是如此，是否我们对未来的预测也很难准确：如金融上的非线性波动等。
分布式思想和混沌分形思想其实是两个没有逻辑关系的思想，硬要把这两个思想扯到一起的绝对是民科。但它们如此靠近生命，靠近演化，让我很容易遐想生命有一个基本的规则，然后再通过多次的重复进化到现在的结果。这恰好又和机器学习有那么一些相似：同样是有一个基础的算法，同样需要有大量的数据集提供学习的基础，然后算法再根据数据集训练，最后“涌现”出让人叹为观止的人工智能。
我曾思考数字，代码，物理的科学性，思考了很久，我认为它们都具有一种所有人都无法推翻的标准性，因为它们的基础是纯逻辑。
你理解的1+1和我理解的1+1以及世界上任何学校里传授的1+1，都不存在太多的信息偏差和错位。也就是说，都是一样的。
世界上能够标准到这种程度的，只有和数学搭边的学科能够做到。语言做不到，直觉做不到，你想理解孔子等圣贤的思考，你需要有场景，有他的阅历，你需要触发点。
标准是其一，繁衍是其二。当信息不存在错位时，人类的可供大量演变的物质基础的优势就凸显出来了。标准意味着传承不会出现偏差，1+1是简单的东西，但E=mc²不是。
从进化学的角度来说，生存环境的变量越多，意味着更复杂的进化，所以不难理解春秋战国和三国为何人才辈出，但进化得到的经验无法标准的传承，导致了中国尽管作为千年古国，依旧被拿着逻辑武器的其他国家超越。
以上，为我独自探索的。
我认为，恐惧是阻碍一个人变强的原因。
战胜恐惧是门学问，所以我希望自己的2019可以：无惧。
]]>激情，不能被消沉的暮色淹没。—迪兰·托马斯
本文分为三大部分：我踩过的坑，我学到的，我独自探索的。]]>