没有一条“成为某人”的固定路径;可迁移的是三层能力:自己出题、用效率而非忙碌判断方向、以及把想法快速做成可验证的东西。
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。
先练“自己出题”,而不是把题做漂亮
从零到一最难的不是执行,而是自己提出问题、定义方向、承担一个看起来荒诞但可能成立的愿景。夏淳在访谈里说,华人工程体系擅长“从一做到一百”,原创和出题是相对欠缺的一环;而 AI 时代“会做题”的价值正被压缩,人的价值越来越转向出题1。这对应到个人:与其问“我该学什么技能”,不如先问“我看到哪个还没被解决的问题,值得我投入”。方向层需要读书、理论框架和世界模型,深度思考优先于行动;执行层才需要动手和体感积累2。多数人的瓶颈在执行层,所以“先开始做”通常对;但如果方向本身错了,再努力也是原地打转2。
用效率判断方向,别把忙碌当进步
材料里的观点商业里最持久的护城河是效率——在同样的事情上持续比别人做得好,成本更低、质量更高、交付更快,优势转成利润,利润支撑规模,规模再巩固优势3。但效率不等于速度:做了很多动作却原地晃动,不叫效率;真正的效率是把时间投在关键、有价值的地方,产生复利和飞轮3。对个人来说,判断标准是“这件事做完,我下一件事会不会更容易”,而不是“我今天做了多少件”。发一百期每期比上期好一点,是有效率;发一百期一模一样,只是重复劳动3。
先做便宜的实验,别急着上线
材料里的观点从零到一容易掉进一个陷阱:把路线图变成精美的交付物清单,团队都在忙、都在交付,却没人回答“这东西到底有没有人要”4。清单是管理工具,用来把确定的事做完;创业是“在不确定中找到确定性”,用前者的框架做后者的事,结果就是花几周交付一堆文档,对产品是否成立依然一无所知4。对个人也一样:与其先搭一套完整系统,不如先做一个能快速验证“有没有人要”的小动作。创业公司里实验很便宜、上线很贵,不要因为焦虑乱上一个没需求的东西4。
这些材料讲的是商业判断、创业方法和个人发展,没有给出“成为某个具体人”的完整路径;具体该学什么、做什么,取决于你已有的资源和目标。
出处
- 1从“算计太多”到“心力劳动”:我和夏淳博士聊硅谷创业、AI时代与人的下一次迁徙
解释从零到一为何难在“自己出题”,以及 AI 时代出题能力为何更值钱。
- 2二层认知模型:方向层 Science,执行层 Craft
区分方向层与执行层,帮你判断自己该先想清楚还是先动手。
- 3第13课|道:捋清商业底层逻辑,才能建立价值信念感
讲清效率与忙碌的区别,以及为什么效率是持久的护城河。
- 4创业公司用30天,从零到可交付产品的路线图
给出从零到一容易掉进的交付物清单陷阱,以及先做便宜实验的思路。
你也有想问的?
卡住的时候,问问立正:回答只从立正讲过、写过的东西里来,每一段都能点回原文。
问类似的问题也可以接着问:
别人还问了
- 怎么高效爬career ladder?感觉有些比我年纪轻的的确能力比我强,感觉我的职业生涯到顶了怎么办?how to stay driven?
爬梯子快不快,多半不取决于你多努力,而取决于你选没选对赛道、老板和那块能出结果的事;觉得到顶,常常是当前环境的天花板,不是你的。
- share your project 会不会有点子被别人复制的风险?我觉得是有的 所以现在论坛里share的project都是不痛不痒 甚至有点同质的 例如外语学习ai 工具等。真正有价值的project 似乎都没有被公开出来。
复制风险确实存在,但公开分享换来的反馈和连接,往往比被抄走的点子更值钱;真正难复制的不是点子,是你在构建中形成的判断和体感。
- 数据科学、数据分析在AI时代的价值是什么
数据科学的价值不在写模型或做报表,而在把数据变成更好的决策;AI压缩了执行环节,反而放大了判断、归因和把问题翻译成可执行方案的能力。
- 现在在美国做电商的基础设施,仓储和物流给国内的opc提供基础设施,有机会吗?
有机会,但机会不在“美国物流差”本身,而在把国内供应链的灵活性和美国本地履约的碎片化需求接起来;能不能成立取决于你服务的客户是否真愿意为省事付费。
- 当前后端软件工程师的前途在哪,或者说软件工程师应该向哪个方向发展
方向不是选出来的,是练出来的:把一门手艺做深、做久,同时让能力靠近业务结果,比追某个具体技术风口更稳。
- 我想要创建一个个人网站,但是我过去并没有拿出手的作品,我该怎么使用
没有现成作品时,个人网站不该先当作品集,而该先当一件你能拿出手的产品:把网站本身做成证据,边做边积累可验证的成果。