三步是:先筛掉不改变判断的信息,再看它是否影响你当前目标,最后问“可能性大不大”而非“有没有可能”。这里的可能性指对具体目标实现概率的估计,不是覆盖面或护城河本身。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
噪音与信号:看它能否改变你的判断
材料里的观点立正把信号定义为携带有效信息、能帮你建立模型、指导行动、预测趋势的内容,噪音则是不含有效信息的干扰。他提醒,如果对每个新东西都大惊小怪,说明还分不清两者1。在 AI 话题上,他给了一个可操作的筛法:判断标准不是“它厉害不厉害”,而是“它能不能嵌入我现有的价值创造链条”2。也就是说,信号不是客观标签,而是相对于你的场景才成立。
重要信号:真的,且与你的目标相关
有了信号还要看重要性。立正说,有些信号是真的,但对你当前的目标、所处的环境可能无关紧要1。这与上一条的“嵌入价值创造链条”是同一逻辑:重要与否取决于它是否影响你正在做的事。他另提到,巨大机会常来自“正确的非共识”——与主流相左但经得起证据推敲的判断3。这可以理解为重要信号的一种来源,但前提是先弄清主流为什么那样想。
可能性:问“大不大”,而不是“有没有”
AI推演立正明确批评“有没有这样一种可能”这种问法:问有没有可能,答案永远是有,但这不是值得探讨的问题;该问的是“可能性大不大”,再结合具体情况、差距去评估1。按这个框架,你问的“可能性”最贴近“达成某个具体目标的概率”,而不是覆盖面或护城河这类特征本身——那些特征只有在被论证为影响目标实现时,才进入可能性评估。这是 AI 对原文的应用推演,原文没有直接讨论覆盖面或护城河。
原文只给出区分信号与噪音的原则和“可能性大不大”的提问方式,没有给出量化评估可能性的步骤;覆盖面、护城河等具体维度在提供的片段中未被讨论。
出处
- 1第02课|学习工作和赚钱的正确方法
给出信号、噪音、重要信号、高可能性的三层定义与提问方式。
- 2AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
提供信噪过滤的可操作标准:能否嵌入现有价值创造链条。
- 3如何抓住那10%真正有价值的工作?
补充“正确的非共识”作为重要机会来源的判断条件。
追问2026年11月11日
关于这个信号,我怎么能知道他是否携带有效信息?是否能帮我建立模型?是否能帮我判断趋势?我怎么能判断这个信息是否有效有效的判断标准是什么?能否知道它如何建立模型建立什么模型能否帮我判断趋势我用这个信息判断出来的趋势就是对的吗?
判断一个信号是否有效,关键看它能否帮你建立模型、指导行动、预测趋势;但预测对不对,还要看信息是否已被市场定价、你的判断标准是否适合你的具体任务。
有效信号要能支撑模型和行动
材料里的观点立正给出的定义是:信号携带有效信息,能帮你建立模型、指导行动、预测趋势;噪音则是不含有效信息的干扰。所以判断一个信息是否有效,可以先问它能不能改变你对某件事的理解或做法,而不只是听起来新、听起来厉害1。他同时提醒,真的信号还要过第二关:对你当前的目标和环境是否重要。有些信息是真的,但与你当下要做的事无关1。
判断标准要落到你的场景,而不是“它厉害不厉害”
在 AI 工具这个例子里,立正把信噪过滤的标准写成“它能不能嵌入我现有的价值创造链条”,而不是“它厉害不厉害”。他还建议用自己真实业务中的任务去测,而不是照搬网上的模板2。另一篇讲技术评估的文章把评价标准拆得更细:质量、延迟、一致性、校准,并强调这些指标的权重由任务决定——实时交互在意毫秒,每天跑一次的批处理更在意错误怎么被发现和追回3。这是 AI 根据这些材料做的归纳:所谓“有效判断标准”,不是一套通用分数,而是先明确你要它服务什么任务,再看哪些指标会真正影响这个任务能不能用。
趋势判断可能对,但未必还有用
AI推演即使用这个信息建了模型、判断出趋势,也不等于判断一定对,更不等于能赚到。立正讲有效市场假说时指出:你刚想到的,市场可能早就定价了;散户追涨杀跌的原因之一,是不了解自己信息获取的滞后性4。他还提醒,问“有没有可能”答案永远是“有”,真正该问的是“可能性大吗”1。所以更实际的做法是:先确认这条信息是不是公开的、别人是不是早就知道,再估计它对你要做的事还有多大空间。这是 AI 基于上述材料的应用推演,不是保证。
你问的“这个信号”具体指哪条信息、想判断什么趋势,资料里没有说明;上面的标准是通用的,套到你的具体场景还需要你补充对象和目的。
出处
- 1第02课|学习工作和赚钱的正确方法
给出信号、重要信号、高可能性三层筛选,以及“有没有可能”和“可能性大吗”的区别。
- 2AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
说明信噪过滤的判断标准是能否嵌入自己的价值创造链条,并主张用真实任务测试。
- 3通过Jev,辨清AI新技术的叙事陷阱:谁替你决定了什么叫“厉害”?
提供质量、延迟、一致性、校准等评价维度,以及权重由任务决定的思路。
- 4第18课|来自康奈尔博士的投资科普:为何韭菜总是你?
解释公开信息可能已被定价,以及信息滞后对趋势判断的影响。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。