起因
今天晚上，我花了 4 个小时，把 Stay Superlinear 的第一场大师课看了两遍。
第一遍是当听众看的。认真听，跟着想，徐老师讲的、课代表补充的、每一位提问者的问题和两位老师的回答，我都过了一遍。看完的感觉很好——都懂了。
第二遍我打开一个空文档，开始记。
然后就废了。
「Superlinear 一方面是复利，一方面是突破」，我第一遍听的时候点头如捣蒜。第二遍要写下来，我发现我说不出复利指什么、突破指什么，也说不出为什么这两个词能凑成一个概念。IQ = Intelligence + Intensity 我记住了，EQ = Emotion + Eyeball 我也记住了，可整张 slide 是 EQ × TQ × IQ，TQ 是什么我根本没记下来——听的时候它就那么滑过去了，我甚至没意识到自己漏了一个字母。
这就是那件事：你听了，你懂了，实际上并没有。
有时候大脑是会骗你的。它把「跟得上」当成了「学会了」。真正会了的东西是不用刻意去记的，反过来，那些你一停笔就消失的，说明它压根没进去过，你只是当时忘了自己不懂而已。
这几天网上还流传一句话，说 AI 时代变化那么快，你跟不过来，那你就不跟嘛，再过一年你会发现自己也没缺什么，因为过程中学的那些东西早就过期了。这话我一半同意。会过期的是工具的用法，不会过期的是判断力。麻烦在于，光靠「听懂」这个动作，你攒下来的全是前者。
所以下面这篇，是我第二遍的产物：徐老师 slide 上的原话和我现场记下的东西照原样摆出来，我事后查证补上的背景放在引用块里，最后是我真正打算改的三件事。
先交代一下我自己的位置，这决定了我在这场课里听见了什么。我是 Cursor 中国区首位 Ambassador，2018 年发起 Go 夜读并一直做到现在，之前的时间主要花在 Go、分布式系统和工程效率质量建设上，现在盯的是 AI Coding 和 Context Engineering。所以这场课里凡是讲到「工程效率到底换来了什么」和「上下文决定建议的好坏」的地方，我的反应都比别处大。
这场课和这个人
Stay Superlinear 是课代表立正主理、鸭哥长期参与教学的付费社区。我是从课代表刚开始做 B 站视频的时候就在关注他了，后来开了大会员，这次社区上线我也果断加入。
第一场大师课的嘉宾是 Howie Xu，中文名号是硅谷徐老师。
他现在是 Gen Digital 的 Chief AI & Innovation Officer，同时是斯坦福大学的 guest lecturer。这次用的 PPT，就是从他在斯坦福的一场分享改编来的。
他自己那张 My Journey 是倒着看的，从右往左：
VMware 网络业务的创始人和负责人，Greylock 的 EIR（驻场创业者），自己创办 AI 安全公司 TrustPath 并做到被 Zscaler 收购，然后是三家纳斯达克上市公司的 AI 一号位。
我盯着这张图看了一会儿。这四段经历跨了大公司、VC、创业和上市公司高管，中间没有一段是同一种玩法——他后面讲的那些话，分量是从这张图上来的。
时间上说明一下：社区官网写的是 8 月 7 日，我记的是 8 月 8 日。这两个不冲突，是美西时间和北京时间的差。直播我没赶上，看的是录播。
主题一句话：AI 时代怎么先 survive（活下来），然后 thrive（长起来）。
Career Ladder vs. Superlinear
开场第一张对比。
一边是 career ladder，职业阶梯：一级一级往上爬，付出和回报大体成正比。另一边是 superlinear，超线性：回报不跟着投入线性走。
徐老师给的解释是两个词——一方面是复利，一方面是突破。特别一流的作品能带来超线性的回报。
这句话我第二遍才想明白它在说什么。它其实在说：如果你的回报是线性的，那你这辈子的上限就是你的工龄乘以时薪；能让你跳出这条直线的只有两样东西，一个是会自己滚的东西（复利），一个是跨过某个门槛之后世界对你的对待方式突然变了（突破）。
Superlinear 这个词的出处：Paul Graham 2023 年 10 月的文章《Superlinear Returns》。他的观点是，现实世界里的回报几乎从来不是线性的，做到「足够好」和做到「最好」之间差的不是一点点，而是量级。他给了两个造成超线性的机制：exponential growth（指数增长）和 thresholds（阈值）。前者是雪球会自己滚，今天多攒一点明天滚得更快；后者是过了某条线，世界对你的对待方式会突然切换，比如比赛只有第一名被记住。这两个机制正好对上徐老师说的复利和突破。
另外要拆开的是：课代表在 Q&A 里提到的「怎么做 great work，最重要的是提出一个好问题」，出自 PG 的另一篇《How to Do Great Work》（2023 年 7 月）。两篇是同一年的姊妹篇，主题连着，但不是一篇。
FAANG → MANGOS
徐老师用一组缩写的更替来说改朝换代这件事：以前大家挤破头想进的是 FAANG，现在这张名单已经换成 MANGOS 了。
两份名单：FAANG 是 Facebook（现 Meta）、Amazon、Apple、Netflix、Google（现 Alphabet），这个缩写 2013 年由 Jim Cramer 先提出 FANG，后来加进 Apple。MANGOS 是 Meta、Anthropic、Nvidia、Google、OpenAI、SpaceX。
摆在一起看才有冲击力：六家里只有 Meta 和 Google 是从上一份名单活着走过来的。掉队的那几家并没有变弱，是这份名单在回答的问题换了——从「谁掌握流量和分发」，换成了「谁掌握模型和算力」。
每隔一段时间就会改朝换代。所以要 rethink，要 reimagine。
他举的例子是马车。马车不是被更好的马车取代的，是被汽车取代的。然后他把问题落到今天：白领会不会消失？
课代表在这里划了重点，说这一段是徐老师自己的想法和思考。我把这个标注留着，因为它决定了这段话的分量。
Skills → Trust
徐老师的判断是：skill 终究会被 AI 蒸馏进去。
所以每个人都应该花很多时间去提升自己的 AI literacy（对 AI 的基本掌握程度），但真正留在你手上的不是 skill，是别人对你的信任。
怎么赢得信任？他说这是长期的事情，然后讲了 Sam Altman 和 Greg Brockman 的故事：很多 relationship 都是在不经意间建立的。当年一笔对 Stripe 的投资牵起的关系，后来变成了 OpenAI 的联合创始人；再到 2023 年 OpenAI 那场董事会风波，Greg 是第一个站出来支持 Sam 的人。（完整的时间线我放在文末附录里。）
我对这条的反应最大，因为它把我这些年做的一件事解释清楚了。
Go 夜读从 2018 年做到现在，中间没赚到什么钱，也谈不上什么规划。如果按 skill 算账，我从中获得的那些 Go 语言知识，今天让模型两小时就能讲得比我全。这八年真正沉下来的东西是另一样：一群人知道「杨文这个人靠谱，他说要做的事会做完」。这个 AI 蒸馏不走。
skill 会被蒸馏，trust 不会。这是我今晚认下来的第一条。
领航：earn trust 到底怎么做
领航是硅谷华人朋友之间互帮互助的一个活动，大家在里面聊职场，性质上更接近一个 coaching academy。徐老师是从这里讲 earn trust 的。
他先划了一条界：Jobs、Elon 这种人可以自己创造机会，但那是极少数。绝大多数人需要的是一个群体。你的 trust 和 reputation 是在群体里长出来的，不是自己给自己发的。
然后是两条很具体的建议。
第一条，参加一堂课、一个活动，就要抱着「我要从这里挖到多少东西」的心态去。 学到多少，其实是跟你付出成正比的。
第二条，一年之内不打算换工作，不代表你不该去看外面的机会。 要去建立连接，了解市场。不然机会真来的时候，你也不知道怎么选。
这条他讲了个亲身经历。有个 recruiter 找他，说：即使你现在不找工作也应该聊，因为等你以后真的想动的时候，机会摆在面前，你都不知道怎么去 calibrate 它。
calibrate：校准。意思是你手上得有一把尺子，才能判断一个机会到底是好是坏。一年不看市场，尺子就没了。
这里有个小插曲。我笔记里还记着「recruiter 用到的一个词是 angle」，这是从 AI 翻译字幕上抄下来的，我认为字幕在这里错了。跟 calibrate 配套的词应该是 anchor（锚点）——校准需要一个参照锚，这是仪器校准的固定搭配，angle（角度）在这句话里讲不通。两个词发音又近，AI 转写听岔的概率不低。
顺带说，这就是 AI slop 的一个活标本：一个词错了，整句话的意思还能勉强站着，所以你不会停下来，就这么滑过去了。我第一遍看的时候完全没觉得别扭。
他最后给 networking 下的定义是：这是一种很长期的、有价值的回报。
24 小时不会变，signal 和 noise 会
徐老师的话很朴素：每个人的时间都是 24 小时，这是不会变的。AI 时代真正变的是 signal（信号）和 noise（噪声）的比例——内容的生产成本塌到接近零，噪声就会涨到淹掉信号。所以你把时间花在哪里，这个决定变得比以前重要得多。
他的收束是：一个人最终的成功，不管在公司还是创业，其实都是一件 time management 的事。
AI slop：字面是「AI 泔水」，指 AI 批量生产的低质量内容——车轱辘话、看起来完整但没有信息量的文章、凑数的图。这个词 2024 年之后火起来，用来骂内容农场。
我笔记里在这附近还记了「person of the year AI」几个字，说的是 AI 已经无处不在了，文字、音频、视频，每一种介质都被灌满。这是 AI slop 之所以要紧的前提：你没有一处干净的地方可以躲。
我记这段的时候，正好在干一件很讽刺的事——我在花 4 个小时看一场两小时的课。但我认为这恰恰是他这句话的正解：噪声涨潮的时候，正确的动作是少看、看透、留下能带走的东西。看两遍一场好课，好过刷二十条 AI 快讯。
Career Impact = EQ × TQ × IQ
这是整场课的核心公式，也是我第二遍才补全的地方。
原来的版本是 Career Impact = IQ × EQ。徐老师把它拆开重新定义，再加了一项。
IQ = Intelligence + Intensity
Intensity 就是卷。徐老师的判断是：未来，卷的能力要比以前更重要了。
这句话我犹豫了一下要不要原样写出来，因为它在国内的语境里太容易被误读。但我觉得他说的和「加班」不是一回事——在执行成本被 AI 压到很低之后，人和人之间在「愿意把一件事推到什么程度」上的差距会被放大，而不是被抹平。
EQ = Emotion + Eyeball
Eyeball 就是注意力。他在这里玩了个梗：
Attention is all you need.
这句原本是 Transformer 那篇论文的标题，被他借过来说注意力经济。抓住别人的注意力，这件事在后面的 Q&A 里又被强调了一次。
TQ = Token Quotient
把 AI 用好的能力。这就是我第一遍整个漏掉的那一项，笔记里只剩两个孤零零的字母。IQ 是你脑子多好，TQ 是你能指挥多大的算力。
想把 TQ 弄明白，别只看这一张 slide。 课代表立正和徐老师有一期专门拆解 TQ 的访谈，比大师课上这一笔带过的定义细得多：B 站 BV1HuMk61ECq。我是先看的大师课、后补的这期，顺序反了，建议你倒过来。
三项相乘，落在最后那张 slide 上：
Win hearts. Command tokens. Show intensity.
赢得人心、指挥 token、拿出强度，分别对应 EQ、TQ、IQ。
Gold Collar Era 和 Founder Era
两张连着的 slide，一张说身份的变化，一张说责任的变化。
Gold Collar Era 那张写的是 Above routine white-collar work: judgment, taste, leverage. 白领往上走，变成金领，留给人的是三样东西：judgment（判断）、taste（品味）、leverage（杠杆）。这三个词的共同点是，都没法写进 JD，也没法用工时衡量。
Gold Collar：这个词本身不新，1985 年 Robert Earl Kelley 写过一本《The Gold-Collar Worker》，指高知识含量的从业者。徐老师用它的方式是重新定义过的：分界线跟学历和职级都没关系，只看你干的活能不能被流程写下来。能写下来的，就会被自动化。
Founder Era 那张只有一句：
Own the outcome, not the task.
小团队，full stack accountability（全栈担责）。你交付的不再是任务，是结果。
这两张放在一起看，其实是同一件事的两面。当执行本身不再稀缺，「我把任务做完了」就不构成交付；能证明你存在的只剩下你对结果的判断和你为结果兜的底。
History is all you need to watch
又是一个 all you need 的梗。
徐老师说：every platform shift changes work before it changes titles——每一次平台迁移，先改变的是工作内容，头衔的变化远远滞后。
他的建议是学历史。学数理化肯定是必须的，但也要学历史，学什么？就是永远不要去跟历史做斗争。
我笔记里在这句旁边写了雷军那句「在风口上，猪都能飞」。放在一起看很有意思：雷军那句常被理解成「运气很重要」，但配上徐老师这句，它的意思其实是「不要在逆风的方向上证明自己有多能干」。
Reimagination Era：1880 年那盏电灯
这是全场我最喜欢的一段，也是我第二遍才真正听懂的一段。主题句是 From workflow automation to workflow redesign.，从「把现有流程自动化」到「重新设计流程」。
徐老师用了电的例子。1880 年前后电被用进工厂，工厂原来的布局是以蒸汽机、发电机的位置为中心排的；用上电之后，如果还照着老办法围着动力源排，那就白用了，因为电线可以走到任何地方，布局应该由业务和工作流来决定。
我第一遍听的时候，脑子里想的是「哦，这个道理我懂」。第二遍我发现我并不懂，因为我说不出「围着蒸汽机排」到底是怎么排的。查完之后我把完整版放在文末附录里，那段历史比这句总结有力得多。
对着今天看：大部分公司引入 AI 的做法，还停留在把原来的流程原样保留、每一步塞一个 AI 进去。这是 workflow automation。Redesign 是承认有些步骤根本不该存在了。
Q&A 里我记下来的话
选方向不可能百发百中。 最终去看结果的时候，往往都是把一件事做得很精、很好的那些人。做 startup 经历风风雨雨很正常，关键是百分之百投入，而不是不认真地投。
三十年河东，三十年河西。 这句他说得很轻，但接在「选方向不可能百发百中」后面，分量不轻。
课代表补充：你自己要有一个比较强的 mental model。 不能当墙头草。听别人的意见，要听取对你有用的部分，而不是别人说什么你就变成什么样，把自己完全否定掉或者改掉。你要吸收别人的精华来补自己。
mental model：你脑子里那套用来判断事情的框架。有框架的人，别人的意见进来是被过滤和吸收；没框架的人，别人的意见进来是直接覆盖。同样是听建议，前者变强，后者变形。
判断自己有没有的办法很简单：听完一个和你观点相反的人讲完，你能不能说清「他哪里对、我哪里还是不改」。说不清，就是没有。
复合型人才。 以前你具备某一种能力就能进大厂，现在光有这个不够了。
提问题要从不同角度问。
关于「不要做大模型创业，去做 agent 开发」这句话，课代表专门做了澄清。 因为这句话被单独拎出来传播是会引起误解的。他给的关键词是 highly contextual——创业建议高度依赖具体情境，对你是好建议，对另一个人可能就是坏建议。
这个词让我坐直了。我现在做的 Context Engineering，做的就是同一件事的工程版：给 agent 的建议好不好，从来不取决于 prompt 写得多漂亮，取决于你把哪些上下文放进去了。人和人之间传递经验也是同一个问题——大部分「过来人的建议」失效，不是因为建议错，是因为上下文没跟着一起传过来。
然后他接了一句我很喜欢的：真正属于你的、正确的非共识，是挺重要的。
非共识：投资圈的框架，完整说法是 right and non-consensus，既正确，又和大多数人不一样。四种组合里只有这一种能带来超额回报：和大家一样且对，回报被摊薄；和大家不一样但错，亏钱；和大家一样还错，最惨。Peter Thiel 那道著名的面试题问的是同一件事——有什么重要的真相，是很少有人同意你的？
课代表加的限定词是「真正属于你的」，这个限定很关键。硬找一个和大家不一样的观点不难，难的是它同时还是对的、还是你自己想明白的。
这和徐老师说的「要提出一个好问题」是同一件事。
关于 coding agent 和 FDE：研发并不是效率越高越好，能不能让公司的 revenue 有增长，这才是重要的。
FDE = Forward Deployed Engineer，前线部署工程师。这个岗位是 Palantir 发明的：工程师不待在总部写通用产品，而是直接进到客户现场，把产品和客户的真实业务缝在一起。现在 OpenAI、Anthropic 这类公司都在大量招这个岗。
这句是今晚扎我最深的一句，我放在下面单独讲。
深入思考 AI slop。 要转化为 outcome，要转化为客户对我们的信任。
创业小团队面临的核心问题：一是方向判断——用户用不起来，到底是用户不喜欢，还是自己做得还不够好；二是竞争。
抓住别人的注意力，非常重要，也是一个很重要的能力。
徐老师的人生观 slogan：fool me once, shame on you; fool me twice, shame on me.（第一次被骗是你不对，第二次被骗是我不对。）
我抄走的三条
第一条：skill 会被蒸馏，trust 不会。
前面讲过了。对我的直接影响是，我要重新看待 Go 夜读和社区这件事的价值——它一直被我放在「业余爱好」那一栏，但按这个框架，它是我资产里唯一 AI 拿不走的部分。
第二条：研发效率不等于 revenue。
这条打的是我自己的饭碗。我这些年的工作重心是工程效率和质量建设，我们这行的默认叙事是「效率提升了就是好」——构建快了多少、缺陷少了多少、交付周期短了多少。
徐老师这句话把这个默认叙事掀了：研发并不是效率越高越好，关键是有没有让 revenue 涨。
我不是说效率指标没用，但我承认一件事：我过去交付的报告里，能把效率提升和收入变化连起来的，一份都没有。 中间那一段因果，我一直是绕过去的。这是我今晚最难受的一条，也是最该改的一条。
第三条：TQ 是可以单独练的。
IQ 基本定了，EQ 长得慢，TQ 是这三项里唯一能在短期内拉开差距的。作为 Cursor 中国区的第一个 Ambassador，我自认为在这条上有点位置，但徐老师的 Command tokens 这个说法还是提醒了我：TQ 不是「我会用哪个工具」，是「我能同时指挥多大规模的活」。这两件事差得远。
你今晚可以做的一件事
如果这篇你只带走一件事，那就是我今晚做的这件事本身：
找一场你最近觉得「讲得真好、我全懂了」的课或者播客，关掉它，打开一个空文档，把它的主线默写一遍。
不要回看，不要暂停，就默写。写不出来的地方原地打个问号，别跳过去，也别自己圆一个。
我今晚这么干，写出来的东西里到处是问号。那些问号才是我这 4 个小时真正的产出，「听懂了」的爽感不是。
徐老师那句「学到多少东西，其实是跟你付出成正比的」，说的就是这件事。你不去写、不去问，它就只是一场视频。
附：两段我查完之后想完整讲的背景
蒸汽机、电和四十年的滞后
蒸汽机时代的工厂长什么样？一台巨大的蒸汽机是全厂唯一的动力源，动力通过天花板上一根很长的传动轴（line shaft），再用皮带一条条分下来带动每一台机器。这带来几个后果：机器必须离主轴足够近，所以要挤；为了缩短传动距离，工厂要盖成多层的；机器怎么摆，取决于它离动力源多远，而不是取决于工序顺序。整座工厂是围着那台蒸汽机长出来的。
电来了之后，第一代做法是什么？把那台蒸汽机换成一台大电动机，传动轴、皮带、多层结构、拥挤的布局，一样不改。结果是生产率几乎没有提升。
真正的提升发生在几十年后。当每台机器配上自己的小马达（unit drive），传动轴可以整个拆掉，工厂就能改成单层的、宽敞的、按工序顺序排布的样子，也就是流水线。这时候生产率才起来。
经济学家 Paul David 1990 年那篇《The Dynamo and the Computer》讲的就是这个滞后：从电气化开始到生产率真正兑现，中间隔了大约四十年。四十年花在哪儿了？花在人们终于想明白「不用再围着动力源排」这件事上。
（年份我按徐老师说的 1880 年记的，作为参考：爱迪生的珍珠街发电站是 1882 年投运。）
所以 from workflow automation to workflow redesign 说的是：现在绝大多数公司用 AI 的方式，就是那台「换了个大电动机的老工厂」。
Sam 和 Greg 这条线有多长
我笔记里只有半句话：「投资 stripe，然后找 greg 加入他们公司，sam 就去帮忙做了链接」。补全之后是这样。
Sam Altman 在 YC 的时候，YC 投了 Stripe。Greg Brockman 当时是 Stripe 的 CTO，两个人的关系就是从这笔投资来的。
2015 年 OpenAI 成立，Greg 离开 Stripe 去做联合创始人，后来做到总裁。
2023 年 11 月，OpenAI 董事会突然解雇 Sam。Greg 是第一个站出来的人——他自己也被移出董事会，当天就辞职，公开站在 Sam 这边。
一笔投资牵起的认识，先是变成了创业伙伴，八年后又变成了对方最危险那几天里第一个站出来的人。
我在笔记边上写了一句：这种关系，建立的那天看起来毫无用处。
这就是「trust 是长期的事情」最硬的注脚。你没有办法在需要它的那一天才去建立它，因为它的计价单位是年。
写在最后
这篇是我今晚 4 小时的全部残渣。第一遍听的时候我以为我能写出一篇通透的解读，第二遍写完，我交出来的是一堆问号和三条判断。
这样的课，Stay Superlinear 一年有 12 场以上，前 3,000 位年费 $149 / ¥999。我从课代表开始做 B 站视频起就在看他，这次社区上线我是果断加入的，所以我的立场摆在这儿，你自己判断。
剩下两处我还没核准的，如果你看过直播，麻烦告诉我一声：
- recruiter 那个词到底是 angle 还是 anchor（我看的是 AI 翻译字幕，我倾向于是字幕错了）；
- 「1880 年」这个年份是徐老师原话还是我记岔了。
也欢迎你来吐槽我，尤其是「研发效率不等于 revenue」那条——如果你手上有把效率提升和收入变化真正连起来的做法，那是我现在最想要的东西 🤔