听的时候全懂，一动笔全废：硅谷徐老师大师课上的 EQ × TQ × IQ

起因

昨天晚上，我花了整整 4 个小时，把 Stay Superlinear 社区的第一场大师课看了两遍。

第一遍是当普通听众看的。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。看完的感觉非常好——觉得每一句话都听懂了，逻辑特别顺。

第二遍我想着正经记点笔记，顺便梳理一下思考，打开 Contextly ( https://ctxly.ai/ ) 准备边看边写。

结果彻底打脸了。

我根本不需要关掉视频去默写，我就是看着视频，听完一段按个暂停马上落笔，脑子里都一片空白，根本写不出来。

比如听到「Superlinear 一方面是复利，一方面是突破」，第一遍听的时候点头如捣蒜。第二遍按了暂停想写下来，发现我说不出复利到底指什么、突破到底怎么突破，也说不出为什么这两个词能拼在一起。

听到公式 Career Impact = EQ × TQ × IQ，IQ = Intelligence + Intensity 我记住了，EQ = Emotion + Eyeball 我也记住了，可整张 slide 是 EQ × TQ × IQ，中间的 TQ 是什么我盯着屏幕愣是想不起来——刚才听的时候它就那么顺理成章地滑过去了，我甚至没意识到自己漏了一个字母。

这就是那件事：你听了，你以为你懂了，实际上完全没有。

大脑是很会骗人的。它把「跟得上节奏」直接伪装成了「我已经掌握了」。真正会了的东西是不用刻意去背的；反过来，那些你一停笔就消失的，说明它压根没进到脑子里，你只是在听的那一瞬间忘了自己不懂而已。

这几天网上还流传一句话，说 AI 时代变化太快，你跟不过来就索性不跟，过一年你会发现自己也没缺什么，因为过程中学的那些工具早就过期了。这话我一半同意。会过期的是工具的用法，不会过期的是底层判断力。麻烦在于，光靠「听懂」这个动作，你攒下来的全都是会过期的碎片。

交代一下我的背景，方便你理解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」一直做到现在。过去我的主业是 Go、分布式系统和工程效能与质量体系建设，现在的精力基本都在 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「上下文决定建议好坏」的地方，我都特别有感触。

以下内容，是我看第二遍边看边按暂停、并在事后查证补全的完整笔记：徐老师 slide 上的原话、我现场记下的要点、事后查证的背景历史，最后是我真正打算改的三件事。

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 站视频时就在关注他，后来开了大会员，这次社区上线我也果断加入了。

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。

这四段经历横跨了大公司、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，分量是从这张履历图上来的。

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时差。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。

这句话我第二遍按暂停才想明白它在说什么：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，一个是会自己滚雪球的东西（复利），一个是跨过某个门槛之后世界对待你的方式突然变了（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。他给出了造成超线性的两个核心机制：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；后者是过了某条线之后，世界对待你的方式会突然切换（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，但不是同一篇。

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 则是 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

徐老师给出的明确判断是：skill 终究会被 AI 蒸馏进去。

所以每个人都应该花时间去提升自己的 AI literacy（对 AI 的基本掌握程度），但真正留在你手上的不是某项具体技能，而是别人对你的信任（Trust）。

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 是第一个站出来辞职支持 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，也谈不上什么宏大规划。如果按技能（Skill）算账，我从中获得的那些 Go 语言知识，今天让大模型来整理，两分钟就能讲得比我更全面更系统。 但这 8 年真正沉淀下来的东西是另一样：一群同行和朋友知道「杨文这个人做事靠谱，他说要做的事会做完」。这个资产 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，其实是跟你付出的心力成正比的。

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（校准）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，手里的尺子就没了。

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，但我认为字幕在这里转写错了。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术语，angle（角度）在这句话里逻辑讲不通。两个词发音又近，AI 转写听岔的概率极高。

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得住，所以你听的时候不会停下来，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，这是恒定不变的。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了接近零，噪声就会迅速涨潮淹掉信号。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（时间管理）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、看似完整但毫无信息增量的文章、凑数的插图。这个词用来指代 AI 时代的内容农场。

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，文字、音频、视频，每一种介质都被灌满。这是 AI slop 之所以危险的前提：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 20 条 AI 碎片快讯。

Career Impact = EQ × TQ × IQ

这是整场课的核心公式，也是我第二遍按暂停反复回放才补全的地方。

原来的传统版本是 Career Impact = IQ × EQ。徐老师把它拆开重新定义，并加了一项：

IQ = Intelligence + Intensity

Intensity 就是卷、是强度。徐老师的判断是：未来，卷的能力要比以前更重要了。 在执行成本被 AI 压到极低之后，人和人之间在「愿意把一件事推到什么深度和极致」上的差距会被成倍放大，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 论文的标题，被他借过来说注意力经济。抓住别人的注意力，在 AI 时代是一项极其关键的能力。

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。IQ 是你脑子有多好，TQ 是你能指挥多大尺度的算力。

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 的深度访谈，比大师课上这一笔带过的定义细得多：B 站 人人都有50个博士为自己打工，为什么多数人的工作没什么变化？｜硅谷徐老师年度对话。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，指挥算力，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，留给人的核心只有三样东西：judgment（判断）、taste（品味）、leverage（杠杆）。这三个词的共同点是：没法写进标准 JD，也没法用工时来衡量。

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。徐老师在这里是重新定义过的：分界线跟学历和职级都没关系，只看你干的活能不能被标准流程写下来。能被写下来的，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，而是最终结果。

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」就不再构成有效交付；能证明你价值的，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，先改变的是实际工作内容，头衔的变化远远滞后。

他的建议是学历史。学数理化是必须的，但也要学历史，学什么？就是永远不要去跟历史趋势做斗争。

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：雷军那句话常被误解成「运气很重要」，但配上徐老师这句，它的真正含义是「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「重新设计工作流」）。

徐老师用了电气化的例子。1880 年前后电被引入工厂，工厂原来的布局是以蒸汽机的位置为中心排布的；用上电之后，如果还照着老办法围着动力源排，那就白用了，因为电线可以拉到任何地方，布局应该完全由业务和工序流来决定。

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、每一步强行塞一个 AI 进去。这是 workflow automation。真正的 Redesign，是去承认很多中间步骤压根就不该存在了。

Q&A 里我记下来的闪光点

整场 Q&A 信息量极大，我挑出几条现场记下、反复琢磨的话：

• 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，而不是三心二意地试。
• 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，分量极重。
• 课代表补充：要有很强的 mental model（心智模型）：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。

  mental model 检验标准：听完一个和你观点相反的人讲完，你能不能清晰说出「他哪里对、我哪里还是坚持不改」。说不清，就说明你还没有自己的框架。

• 复合型人才：以前你具备某一种单一深度能力就能进大厂，现在光有单点能力远远不够了。
• 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」：课代表专门澄清了这句话，给出的关键词是 highly contextual（高度依赖上下文）。对某个人是好建议，对另一个人可能就是毒药。

  这让我非常触动。我现在做的 Context Engineering，工程本质就是同一件事：给 agent 的 prompt 无论写得多漂亮，输出质量完全取决于注入了什么上下文。人和人之间传递经验也是一样——大部分「过来人的建议」失效，不是建议本身错，而是上下文没能同步过来。

• 真正属于你的、正确的非共识：

  非共识（Right and Non-consensus）：投资圈的经典框架。既正确，又和大多数人不一样。Peter Thiel 的经典面试题问的也是同一件事——「有什么重要的真理，是很少有人同意你的？」难点不仅在于和别人不同，更在于你同时还是对的，而且是你自己真正想明白的。

• 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）。源自 Palantir：工程师不坐在总部写通用功能，而是直接驻扎在客户业务前线，把产品与真实业务深度缝合。现在 OpenAI、Anthropic 都在抢这个岗位。

• 深入思考 AI slop：要转化为 outcome，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，到底是需求不对还是自己做得不够好）；二是竞争壁垒。
• 抓住注意力（Eyeball）是一项极其核心的能力。
• 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，第二次被骗是我自己蠢。）

我抄走并认账的三条

第一条：skill 会被蒸馏，trust 不会。 对我的直接影响是，我要彻底重新看待「Go 夜读」和技术社区的价值——它一直被我归在「业余爱好」那一栏，但按这个框架，它才是我资产里唯一 AI 拿不走的核心底牌。

第二条：研发效率不等于 revenue。 这条直接掀了我自己的饭碗。我这些年的工作重心很大一部分在工程效能和质量体系建设上，行业默认的自嗨逻辑是「效率提升了就是功劳」——构建快了多少、流水线省了多少分钟、单测覆盖率高了多少。 徐老师这句话把这层窗户纸捅破了。我承认：我过去交付的所有效能报告里，能把效率提升和公司实际收入增长直接连起来的，一份都没有。 中间那段商业因果，我一直是绕过去的。这是我听完最受触动、也最该改掉的盲区。

第三条：TQ 是可以单独刻意练习的。 IQ 基本定了，EQ 提升极慢，TQ 是唯一能在短期内拉开巨大差距的维度。作为 Cursor 中国区首位 Ambassador，徐老师的「Command tokens」提醒了我：TQ 不是「我会用哪个工具的快捷键」，而是「我一个人能不能调度 5 个、10 个 Agent 协同完成确定性的复杂任务」。

你今天就能试的一件极小的事

不用搞什么宏大的闭卷默写。

你就找一段你最近觉得「讲得太好了、我都听懂了」的 10 分钟技术分享或播客。 每播放 2 分钟，按一次暂停。别倒退，直接在备忘录里用你自己的话敲一行字，写写刚才他讲的核心意思是什么。

你试一次就会发现，哪怕刚听完 5 秒钟，你都可能会卡壳。 能敲出来的那两句话，才是你真正吸收进去的东西；卡住的地方，就是大脑骗你「听懂了」的幻觉。

徐老师那句「学到多少东西，其实是跟你付出的心力成正比的」，说的就是这件事。你不去写、不去追问，它就只是一场滑过耳边的视频。

附：两段我查完之后想完整讲的背景

1. 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主传动轴（line shaft），再用皮带一条条分下来带动每一台机器。 这带来几个必然结果：机器必须离主轴足够近，所以厂房极其拥挤；为了缩短传动距离，工厂必须盖成多层的；机器怎么摆放，取决于它离动力源有多远，而不是取决于生产工序。整座工厂是围着那台蒸汽机长出来的。

电刚进入工厂时，第一代做法是什么？把蒸汽机换成一台大电动机，传动轴、皮带、多层厂房结构完全不变。结果是生产率几乎几十年没有明显提升。

真正的爆发发生在几十年后：当每台机器配上独立的小马达（unit drive），天花板上的传动轴被彻底拆除，工厂才能改成单层、宽敞、完全按照工艺流程排列的现代化流水线。

经济学家 Paul David 在 1990 年的著名论文《The Dynamo and the Computer》中专门阐述了这个现象：从电气化技术出现到生产率真正兑现，中间隔了整整四十年。四十年花在哪儿了？花在人们终于想明白「生产流程不用再围着动力源排布」这件事上。

（年份按徐老师说的 1880 年代记录，作为参考：爱迪生纽约珍珠街发电站投运于 1882 年。）

所以，从 workflow automation 到 workflow redesign，说的正是：今天绝大多数公司用 AI 的方式，依然是那台「换了个大电动机的老工厂」。

2. Sam 和 Greg 这条线有多长

我现场笔记里只有半句话：「投资 stripe，然后找 greg 加入他们公司，sam 就去帮忙做了链接」。事后查证补全后是这样的：

Sam Altman 在 YC 时，YC 投资了 Stripe。Greg Brockman 当时是 Stripe 的首任 CTO，两人的信任纽带就是从这笔早期投资开始的。

2015 年 OpenAI 成立，Greg 离开 Stripe 出任联合创始人兼总裁。

2023 年 11 月，OpenAI 董事会突发政变解雇 Sam。Greg 是第一个站出来公开反抗的人——他当天辞职，坚定与 Sam 站在一起，直到几天后 Sam 胜利回归。

一笔看似普通的早期投资，演变成创业搭档，八年后又演变成生死关头最过命的盟友。

这种关系的计价单位是「年」。建立的那一天它看起来毫无用处，你也无法在需要它的当天才去临时建立它。这就是「Trust 是一件长期的事」最硬核的注脚。

写在最后

这篇是我花 4 个小时、边看边按暂停记下来的全部笔记。第一遍听的时候我以为我全懂了，第二遍梳理完，我交出来的是一堆问号和三条真正的判断。

这样的课，Stay Superlinear 一年有 12 场以上。我从课代表做 B 站起就在关注他，这次社区上线我也是果断加入的，我的立场摆在这里，你自己判断。

剩下两处我还没完全核准的细节，如果你看了直播或知道原委，欢迎告诉我：

• recruiter 那个词到底准确是 angle 还是 anchor（我看的是 AI 字幕，我倾向于是字幕转写错了）；
• 「1880 年」这个年份是徐老师课上的原话还是我笔记记岔了。

也欢迎你来吐槽我，尤其是「研发效率不等于 revenue」那条——如果你手上有把工程效能提升与公司业务收入真正连起来的度量或落地经验，那是我现在最想向你请教的事 🤔