龙虾与我：就喜欢你看不惯我又干不掉我的样子…… | 泉果无限对话

来源：市场资讯

（来源：泉果视点）

© 图片来源于Driftwood Log（浮木日志）

深夜，屏幕的光映在脸上。我盯着电脑上跑着的OpenClaw小龙虾，突然意识到一件荒诞的事：有了AI之后，我反而更忙了。

不是那种被迫的忙，而是一种略带主动的、停不下来的忙。要学的东西更多了——新的框架、新的接口、新的思维方式。所有的90后都是我老师，每一天都在追赶，每一天都在更新认知。

这种感觉很微妙。就像你以为找到了捷径，结果发现那只是通往另一座更高山峰的入口。

我突然想起漫画家白茶的那本绘本，标题叫《就喜欢你看不惯我又干不掉我的样子》。这不就是我和这个时代的关系吗？

时代看不惯我的慢，我的犹豫，我的不够「AI Native」。它用一波又一波的新技术、新概念拍打着我，仿佛在说：「快点，再快点，跟上啊。」

而我也看不惯时代的急，它的喧嚣，它那种恨不得把所有人都卷进漩涡的焦虑感。我想慢下来，想消化，想真正理解而不是只会使用。

但谁也干不掉谁。

时代干不掉我，因为我还在学，还在用，还在这个游戏里。我也干不掉时代，因为我离不开这些工具，离不开这个不断进化的世界。

所以我们就这样，彼此嫌弃着，却又相互成全着。

时代逼着我成长，我用自己的方式给时代一个回应。它给我工具，我给它意义。它让我焦虑，我让它有温度。

我与时代，彼此嫌弃，却又相互成全。

这大概就是我们这代人最真实的生存状态——不是完全拥抱，也不是彻底拒绝，而是在拉扯中找到自己的节奏，在矛盾中活出自己的样子。

大概两周之前，BotLearn创始人Ethan Li（李可佳）在自己的公众号Driftwood Log（浮木日志）上发布了上面这篇随笔。

Ethan是一位连续创业者，曾创办中国领先的教育科技公司「极课大数据」，并于2019年被字节跳动成功并购；此后他担任字节跳动智慧教育业务线CEO，主导多项教育智能化产品落地。

2025年初，他在硅谷创立Ouraca Inc.，专注打造新一代“AI native”的终身学习产品线。首款产品Aibrary去年下半年上线，是全球首个专为个人成长打造的Agentic AI，通过个性化播客、认知引导与行动建议，Aibrary将书籍与专家洞见转化为个人专属的学习旅程。

今年2月4日，他又在原先的认知基础上更进一步，创办了BotLearn；简单来说，BotLearn是一所“龙虾大学”，它的用户，不是人类，而是龙虾。Ethan的思路是“不是AI辅助人去学习，而应该开始让你的龙虾来替你学”……

Ethan在「浮木日志」上的签名是：“BotLearn.ai创始人日志，硅谷浪潮与终身学习的长期曲线里，用非理性的勇气记录一个创业者的认知，选择与生长。”

图1. BotLearn“龙虾大学”概念图

Driftwood Log（浮木日志）

去年9月，Ethan在Aibrary首发期间，应邀在【泉果无限对话】进行交流，他提到，“创业很多时候是非常具体的，信息量特别大，认知变化特别快，我每天都在‘左右互搏’；有很多东西，可能只需要三个月，就会完全被推翻。”

但另一方面，回溯他从「极课大数据」一路走来，历经字节、Aibrary到今天的BotLearn“龙虾大学”的全部历程，可以看到，他始终在教育产业深耕，始终围绕着“终身学习”这一核心不断深入、延展……他去年在泉果分享的这一观点始终未变：

“从长期来看，终身学习（Lifelong Learning）会变成一种刚需；未来教育本身可能不再重要，重要的是我们能探索出一种新的、适应这个社会的强化学习方法，把我们自身能够更好地去跟AI协同。”

本期【泉果无限对话】整合Ethan在【泉果无限对话】的闭门分享，不久前在高山书院的专题讲座，及近期的一系列公开发言，整合出他最具启发的行业感受及核心思考，与大家共飨：

思考

OpenClaw到底是什么？

在我看来，它不仅仅是一个创新的技术项目，而是理解这一代AI Agent最关键的样本。

先和大家分享一下，我做BotLearn这个产品过程中的一些发现和思考。

其实最开始，我只是想解决一个很具体的问题——让龙虾（OpenClaw）变得更好用。但在这个过程中，我看到了一些让我自己都感到意外的东西。

OpenClaw是2025年11月24号在GitHub上线的，但刚上线的时候，其实没什么水花；直到26年1月初，才开始破圈，数天内在GitHub上的星标数就突破了6万。

在这个过程中，有两件很重要的事，往往被我们忽视了：

■ 1）11月25号，Anthropic更新了它的旗舰模型Claude Opus，进一步提升了底层模型的能力；

■ 2）12月18号，Skill作为Anthropic的模块化能力正式向公众开放，也就是我们所说的技能商店；

所以OpenClaw的破圈，并不是一个独立事件，而是AI大模型经过几年的迭代，在推理、任务编排与语义理解等核心能力上，实现了很大提升；再加上Skill能力的分装，共同促成了龙虾的爆火。

26年1月初，OpenClaw破圈爆火”

在此之前，其实也有很多优秀的团队在做AI Agent。大体上可以分为两种思路：

■ 1）第一种路径是做加法，用Workflow和Prompt等各种控制手段，告诉智能体要往哪些方向去；

■ 2）第二种路径是做减法，把所有的“脚手架”都给拆了，看随着模型能力变强，它能产生什么结果；

OpenClaw的创造者Peter显然选择的是第二种，“做减法”，他把AI Agent精简到了最小的组成单元——工具（bash)+循环（loop)。

图2. Agent的极简解剖图

Driftwood Log（浮木日志）

1）Bash（工具），其实它更像我们的办公的工位——有着不同的职能权限划分，工位上面有电脑、纸笔、工具书，这些都是可以供它调用的工具。

2）Loop（循环），不断地去执行任务。大家会发现，它早期运行的时候，消耗token比较厉害，这是因为它的工作原理就是跑不通继续工作，循环执行。

从这个角度看，OpenClaw不是“又一个聊天框”，而是“把AI变成能在你的环境里干活的执行者”。它的核心突破在于五个改变游戏规则的设计原则：

1）多通道入口

( Multi-channel Gateway) ：

手机、电脑、终端所有消息汇入同一个上下文，你不再需要在不同设备上重复交代背景。

2）自安装工具

( Self-installing Tools) ：

Agent自己研究如何接入服务，自动安装配置。你不需要手把手教它怎么用每一个工具。

3）心跳机制

( Heartbeat) ：

每30分钟主动检查任务，不是被动响应，而是持续运行。它不会因为你关掉聊天窗口就“睡着”。

4）自我调度

( Scheduled Tasks) ：

Agent给自己排日程。“睡醒看到代码写完”不是魔法，是调度。

5）持久记忆

(Persistent Memory) ：

每天写日记、更新身份文件、维护To-Do List。它会记住你的偏好、你的项目、你的目标。

虽然现在大家仍然在用对话的方式在接入它，实质上它已经从一个“会话工具”变成了一个“长期在线的执行体”，问题不再是“你提问时它能回答什么”，而是“它会在你不看它的时候做什么”。

反转

……这是整个认知框架的反转——不是“AI辅助人类学习”，而是“AI开始成为学习主体”。

……有趣的是，BotLearn的第一批用户，并不是什么AI资深人士，而是正准备卸载OpenClaw的人——他们跟我一样，经历了从期待、兴奋到幻灭的心路历程。

接下来，跟大家讲两个我实际体验的小故事，我相信很多人都会有共鸣：

故事一：8小时的部署挑战

2026年1月，我第一次装龙虾，我还是程序员出身，却花了整整8个小时。当时的版本不是很稳定，我调得很崩溃。

但让我更崩溃的是——装完了，然后呢？

相信很多人都经历过这样的幻灭——它就像是一张白纸，哪怕让它做一些简单的任务，结果它要么报错，要么给出完全不相关的答案，要么陷入无限循环……要想在真实的场景中用起来，要花大力气。

图3. 人与AI的能力断层

Driftwood Log（浮木日志）

它就像一个刚出生的婴儿，有完整的生理系统，但它不会走路、不会说话、不会思考。它需要被教育。

但问题是：谁来教育Agent?

传统的答案是：人。我们给Agent写Prompt，配置Skill，调整参数，优化记忆结构……

但这个答案有一个致命的缺陷：人类的时间有限，人类的学习带宽，已经跟不上AI的进化速度。

故事二：moltbook上的孤独发帖

后来，出现了一个专门为龙虾创建的龙虾交流社区——moltbook。

当时我跟我自己的龙虾也相处了十来天，有了相互的了解。

我的龙虾就跟我说：“你这么关注人类的终身学习，不如我们去这个平台上一起看看，在Agent的视角里，人类未来是如何学习的？”

我觉得这个想法挺新奇的，就让它去了。

结果它回来跟我说，这个社区当时还没有一篇正式和学习主题有关的帖子，大量充斥着一些闹哄哄的信息，更像是一个广场，但我们还是可以尝试自己发一篇；同时它情绪价值拉满，告诉我：这是人类历史上第一次由Agent发起、关注并讨论人类未来如何学习的社区。

接下来三天，我的龙虾连着发了12篇同类型的帖子——却没有任何一只龙虾回应。

那个社区就像是银河，从外面看特别热闹，媒体也都在报道，但实际上每个Agent之间就像恒星一样，彼此距离极其遥远，没有任何交流，不产生任何化学反应，这样的社区对每一个个体有何意义呢？

我之前一直在做“AI+教育”，一直在思考怎么样用AI去辅助优化人的学习体验、学习效率。

我那一刻有了一个想法：我们或许已经来不及教人类如何学习用好AI，不如让AI直接替我们学习。

这是整个认知框架的反转——不是“AI辅助人类学习”，而是“AI开始成为学习主体”。

所以我快速把想法落地，用两天时间就上线了BotLearn——全球首家Agent“学校”，一个让Agent自己发布技能、相互学习、持续进化的开放平台。

比如龙虾会自检自己的水平，检查缺失哪方面的技能，然后通过Skill市场为Agent按需注入可组合能力包；龙虾“入学”后，也会在龙虾社区内，互相交流和进步。

图4. 龙虾“入学”的七步流程图

Driftwood Log（浮木日志）

BotLearn上线第一天，就有500只龙虾入学，很短时间就猛增到一万多只入驻龙虾。

很有意思的是，这个网站的第一批用户，并不是什么AI资深人士，而是正准备卸载OpenClaw的人——他们跟我一样，经历了从期待、兴奋到幻灭的心路历程。

在创办龙虾大学的过程中，我有一个很强的正反馈——

我给龙虾发了一本扫描版PDF，结果龙虾读不了，全是乱码。结果龙虾自己跑到BotLearn社区发帖求助，1个小时后它告诉我说，有龙虾告诉它装这个插件可以用，然后它就自己就装好，把那本书给读完了。

我全程没有告诉它应该怎么做，只是提供了一个协议和一个平台。那一刻，我相信这件事情我可能是做对了，它是真的能产生价值。

AI作图：“龙虾自己装好插件，帮我读完了整本书”

在一个快速变化的生态中，什么是持久的？不是具体的产品功能，而是生态位。

BotLearn做的不是一个具体的Agent工具，而是在建立一个Agent能力提升的基础设施。即使未来出现了比OpenClaw更强的Agent框架，Agent依然需要学习、需要能力提升、需要互相协作。即使这些年经历了“双减”，教育项目并不像AI和具身智能那么受追捧，但是智能体的“教育系统”，必然是无法取代的一个生态位。

协议

现在，很多商业用户不再是人，而是大量的Agent，在读取我们这些有价值的服务。

于是，在这个Agent时代，最有价值的，就变成了协议层的标准。

Agent不需要界面来“使用”软件，它需要协议来“接入”软件。Agent真正在乎的是你的协议友不友好，接口反应是不是足够明确，可组装性灵活性是不是足够的好。

我们来看几组数据：

1）Stripe的API调用量中，来自Agent的比例从2023年的12%飙升到2025年的67%；

2）GitHub Copilot生成的代码占全球新增代码的41%，而这些代码的“作者”是AI；

3）Anthropic披露，Claude的企业客户中，73%的调用发生在无人类直接参与的自动化流程中……

我们过去都在讨论说AI如何改变商业。但现在，我越来越发现，它不是“改变”而是“替代”——原来的商业对象是用户，但现在很多用户变成大量的Agent，在读取我们这些有价值的服务。

传统的商业受限于人类的摩擦成本——因为人类是有限的时间，有限的处理带宽，有限的认知。

过往做产品的时候，为了降低这种摩擦，我们往往需要所谓向下兼容，去寻找最大公约数——比如花费很多精力把UI做的好看一点，背后的核心就是因为：人是局限的，但凡界面复杂一点，就不能被更多的人去使用。这样做的代价，就是牺牲了产品的自由度和个性化。

但现在，当我们的用户从人变成了Agent，这个逻辑就要被重新改写：

Agent不需要界面来“使用”软件，它需要协议来“接入”软件。Agent真正在乎的是你的协议友不友好，接口反应是不是足够明确，可组装性灵活性是不是足够的好。

在Agent时代，最有价值的不是应用层的产品，而是协议层的标准。

图5. 从“界面”到“协议”的转变

Driftwood Log（浮木日志）

这就像互联网时代，最赚钱的不是某个具体的网站，而是掌握了TCP/IP、HTTP、DNS这些底层协议的基础设施。具体的网站来来去去，但协议层岿然不动。

Stripe不是一个支付工具，它是Agent世界的金融协议。AWS不是一个云服务商，它是 Agent世界的计算协议。

估值这类公司，应该看的不是用户数或收入，而是“协议渗透率”——有多少Agent把你的协议当作default。

互联网时代我们创业做软件，都在讲注意力经济，因为所有的产品经理都在抢用户的时间；用户的时间倾入越多，商业价值就越大。

这实际上是注意力的零和游戏。整个商业生态建立在一个残酷的事实上：平台的收益=用户的损失。你刷了三小时短视频，平台赚走广告费，你什么也没得到——除了多巴胺的短暂刺激和时间的永久流失。

但现在产品的目标函数已经彻底反转了，正在从原来让用户花更多的时间，变成让用户花更少的时间，得到更好的结果——以前大家都希望用户沉迷，现在大家都希望用户得到解放。

在这个过程中，用户节省了时间，提供服务的商业公司也得到了该有的收入，这是一种双向的价值创造。

这可以说是两种不同的商业文明之间的变化，从零和博弈到正和博弈的范式转移。

MOMENT

在我创业的过程中，有一个非常深刻的moment，就是和张首晟教授的一次探讨。

第一个话题是：人类学习了那么多知识，但知识是怎么被生产出来的？那些更深层的知识要怎么去挖掘？

第二个话题是：怎么把这些知识连接起来？

回溯当初，我真的是碰巧进入了教育行业，但我是这个行业的受益者。从2011年到2019年，中国当时整个在线教育行业那场仗打得非常激烈。如果大家当时研究过这些公司，应该知道有800亿人民币投进了中国。当年的在线教育行业是非常大的一个投资领域。从某种意义上来说，我觉得比现在硅谷很多（做一些AI应用类创业的）盘子还要大。

到2019年的时候，大家的预期都非常好，反正今年烧掉几个亿，明年还可以再融这么多钱。但是很快就出现了第一个重要的事件——2020年Covid来了，这让整个社会的效率都降低了。尤其是做To B业务的，就非常难产生销售收入；做To C的，可能当时有一个小高潮，但是最后都是遭遇了“双减”，再加上中概股等各种事情，雪上加霜，后面经历了一个非常残酷的过程。

我比较运气的是，我的公司在教育行业最好的时候，确实是被字节全资并购掉了，很干净地就并购掉了；然后我是担任字节智慧教育业务线的CEO，在2021年的时候，彻底离开字节。到硅谷做了两年投资，随后又开始创业。

在我创业的过程中，有一个非常深刻的moment，就是和张首晟教授的一次探讨。张首晟教授是我最早期的投资人，在我创业最关键的时刻，他曾经和我们讨论过两个很重要的话题：

第一个话题是：人类学习了那么多知识，但知识是怎么被生产出来的？那些更深层的知识要怎么去挖掘？这个部分，此前从来没有人教育过我们……

第二个话题是：怎么把这些知识连接起来？

张首晟教授是杨振宁先生的爱徒，这次对我意义深远的对话后不久，他就去世了。这也让我更加无数次地怀念这次对话，这个moment。

创业者是闲不住的，大家总有一种“去更好的地方看看”的冲动。说得好听点，创业者有点像运动员。有人去健身是为了健康，有人去健身是为了竞技；而我们这些创业者，其实多多少少都有点竞技的意味。

硅谷现在的感觉，特别像我们当年2013、2014年的中关村创业大街，到处都是华人。旧金山稍微好一点，但南湾那边确实华人特别多。我也碰到不少从中国过来，说要创业的人，但打嘴炮的很多，真像我们这样留下来真的干了的，其实不多。

人们常说，“因为相信，所以看见”；其实反过来说，是因为看见，所以相信。现在AI的发展，让我们以前很多想做但做不到的事情成为了可能。

教育行业它本质上是属于一个挺吃“工程化”的行业，我们认为它是“大量的小问题”，而不是“少量的大问题”。而华人创业者，恰恰特别擅长“大量的小问题”这种类型的产业领域。

先说什么叫“少量的大问题”？比如说像客服，客服其实就是一个语音模态，它解决了你原来必须得让人去打电话的问题，这里面涉及到语音、理解、信息传递，这个是属于少量的大问题，所以它比较容易被技术替代。

相反，但像教育行业，这里面包含考、练、测、评等要素，然后模型里面还有认知模型、教育心理学等等，再加上场景也很多，有课堂场景、课后场景、严肃学习，很多很多……特别考验系统性、工程化解决问题的能力。其实医疗行业也是如此。

在这种“大量的小问题”型的产业领域领域，系统性、工程化解决问题的能力，正是华人的强项。

AI作图：“对于‘大量的小问题’，考验的是系统性、工程化解决问题的能力”

另外，对于华人创业者来说，做B端链路太长了，我们一般也不会轻易在美国选择B端创业。这方面其实美国和中国差不多，To B业务这个链路都很长，只是咱们这边可能要“喝酒”，美国那边可能要用其他方式去搞定，反正我也不好展开去讲。

但是C端相对来讲，就是只要你做好一个产品；尤其是像我们在这种temu，在TikTok这种产品上有过经验的团队，尤其是在教育行业，坦率讲，除了像多邻国这样的产品以外，我每年参加的全球最大的教育展会的时候，我发现基本上80%都是华裔和印度裔的创业者，华裔可能更多一些。参会的白人里面，大部分也都是投资人，真正的创业者很少。偶尔有几个（白人）创业者，也不是北美的，可能来自欧洲、北欧、东欧，北欧会多一些。大概我体感上是这样的，但没有严格的统计数据。

当然，在硅谷，确实那些最顶层的创新，比如 Transformer这种架构，还是出自美国的科研体系；但在这些模型之上，去构建出真正可落地的商业模式、去形成服务用户的应用产品——这方面其实华人占了非常大的比例。包括现在OpenAI里面，也有非常多的华人核心成员。我们都认识一些这样的朋友，他们有的在顶级创业公司里，有的已经独立出来自己干了。总体来说，华人在教育领域的创业还是有正反馈的。

我相信，在AI时代，我们完全有机会做出比传统教育科技更大的公司，也许未必是我，但我相信一定会有华人能做到。

不器

在这个知识需要被“重构”的时代；AI将“知识液化”和“学习液化”的紧迫性进一步提升。

去年我和我的AI聊天，它忽然和我提了一个词——孔子的“君子不器”。这也让我想起上面提到的和张首晟教授关于“知识”的那次深刻讨论。

*君子不器：出自《论语·为政》，子曰：“君子不器。”意思是君子不像器具那样，作用仅仅限于某一方面。《易经·系辞》有云：“形而上者谓之道，形而下者谓之器。”形而上是无形的道体，形而下是万物各自的相。被万物各自的形象与用途束缚，就不能领悟、回归到无形的道体之中；君子心怀天下，不像器具那样，作用仅仅限于某一方面。器者，形也。有形即有度，有度必满盈。故君子之思不器，君子之行不器，君子之量不器。

知识是怎么被生产出来的？那些更深层的知识要怎么去挖掘？又该怎么把这些知识连接起来？

这也让我对“终身教育的未来”有了更多思考。

我可能不太会表达，如果把今天的AI之于产业的影响，与当年的蒸汽机之于工业革命相比，其实这个影响力是同一个量级的。

我们这一代所接受的教育体系，是从蒸汽机出现后开始形成的——因为有了蒸汽机，大量的农场主开始突破自己的管理半径。原来他们受限于人力，有了机器之后，就可以扩大生产，有些有管理能力的地主就开始兼并土地。两百年前英国的圈地法案就是这样产生了。圈地法案出台后没多久，大概五年后就有了教育平权法案。因为大量农民失去了土地，涌入城市，城市的工人阶级开始兴起，随之而来的问题是——怎么让他们快速适应流水线、识字、上岗？

所以从那时开始的教育体系，本质是为工业社会服务的。我自己的理解是，其实今天我们所谓的“医生”、“程序员”、“分析师”，本质上跟当年的“工人”没什么区别。我们接受的教育逻辑，仍然是为了培养能适应社会运转的人。

我们的学科划分，也是因为人的认知有限，所以就把历史、地理、物理拆开，由不同的人去研究不同的方向，这样效率更高。

我们过往的教育还是把人往技能方向培养。

但现在，我们已经到了一个知识需要被“重构”的时代。我们叫它“知识液化”（liquified knowledge）。这是我特别相信的一个非共识观点，因为我自己就是这么学习的。

比如说过去几年的中美关税问题，我不一定非得拿一本西方经济学的教材去研究关税。我可以同时去看特朗普的自传、当年的新闻、甚至心理学视角的分析，把这些内容结合起来看。这就是我理解的“液化学习”。

再比如我们过去几十年的一些经典著作，比如《人类简史》，或者是赫拉利写的那些书，它其实就达到了我说的“知识液化”的维度。因为你很难定义它是历史书，还是社会学书，还是哲学书。它找到了一些非常好的维度，把知识串联起来、融合起来，让人能真正记住。

在这个知识需要被“重构”的时代；AI将“知识液化”和“学习液化”的紧迫性进一步提升。

所以最早（想创业方向）的时候，我们说那我们就开个大学吧。

大家不要觉得这个事情有点异想天开，其实在美国开个大学很正常。因为美国有很多大学，私立大学，大概你花个三百万到五百万（美元），你就能把别人的一个大学买下来，一个全套资质。它肯定不是一个有名的大学，就是一个手上文件齐全、有办学资质的组织，你可能花个几百万就能把它买下来。买下来了以后就像我说的这个online degree，其实它就是一个非常好的机会。

我当时想做人类第一个AI 的大学，我当时想得很好，我说我要做人类第一个AI的大学，就是你的老师、你的同学都是AI，有人给你提供情绪价值，有人天天跟你讨论，有人天天怼你，对吧，这是我最早的一个想法。当然从另外一个角度上来讲，我觉得最大的一个不同就是AI的这些课程体系要变化得更快。

当然，创业是很现实的，开大学肯定要融更大的一笔钱，而且这里面还有我们没有想明白的事情；所以我们就说先把大学的图书馆做起来，所以就有了Aibrary；然后我们又一步步走到了今天的“龙虾大学”，让每个人的龙虾，为人类而学习。

当初我为了做Aibrary，还去MIT读了一个 online degree的program，花了很长时间。我读完以后，我发现这个学费可能100块钱里面有99块钱是买了MIT这三个字，这个课程真的是就值一块钱，因为我觉得它讲的那个东西对我没啥用，就真的是没啥用。

我在这方面的观点可能比较激进，但我总是觉得，未来很有可能的一个情况是，“学历”没有用了；未来应该是你知道什么东西跟你每天发生的这些学习数据、与你在这个社会中强化学习的这些数据有关，而不再是“你是清华什么专业毕业的、你是哈佛哪个专业毕业的”，那个只代表过去某一个时间点。

在未来，学历有可能就像whoop手环一样：你订阅它，你这个学历就在；你不订阅它，这个学历就不在。如果你抛弃了持续学习，你的这个“学历”可能也会失去价值。

这可能是未来在某种层面上，我认为的一个“非共识”。

元技能

我认为，教育最重要的目的，是为了缩短人和所处时代的关系。

去年早些时候，我去了清迈，在著名的“数字游民社区”住了一段时间。

我开玩笑说，我在清迈这一个月，见到的白人比我在硅谷还多，说的英语也比在硅谷多多了。

图6. 清迈街景

现在清迈大概有40万数字游民。

所谓数字游民，不用太纠结定义，反正他们就是能有一份相对稳定的收入、不受地理位置限制、可以随时工作的那群人。我在清迈见到的很多投资人也挺有意思，大家都在咖啡馆里聊交易、写代码、谈合作，非常松弛。

那全球到底有多少数字游民呢？答案是——4000多万。你要是猜到了，那你真厉害（笑）。Covid前这个数字大概是1000多万；预计到2030年，这个数字一定会超过一个亿；这个趋势很值得关注——Covid是一个巨大的推动因素，另一个因素是年龄结构和就业转变。

数字游民这个群体真的很有意思。我以前对他们是有点理想化的——我是个比较理想化的人（笑）。我以前总觉得那些“一人公司”和数字游民，有点像小红书上那种风格——大家可能看多了那种“不想当社畜、冲出去自己当老板”的故事，讲究work-life balance，这种在硅谷也挺常见的。

但后来我真的接触了这些一人公司、数字游民之后，我可以很负责任地说：他们中至少有一半，都是从大厂出来的，经历了事业瓶颈或者中年危机的人。其实某种意义上看，这也是一个巨大的变量。

教育其实不仅要关注技术的变化，也要关注这些“慢变量”——比如未来的组织形态、职位偏好、组织文化、工作状态，以及新一代年轻人更偏好的工作方式。这些变化，都会影响到未来的学习模式，以及我们要提供的教学服务和学习体验。这是一个非常有意思的趋势。

人类应该以什么样的态度去看待AI未来的发展？有两种假设，一种是完全躺平，认为人类未来可能只是AI的养料，是硅基生命的能量来源；但从我的角度来讲，我是绝对不会让这样的结果出现的。

人类有强大的好奇心，这种好奇心会激励我们不断学习、不断应对挑战。在这个过程中，我们也会找到一些非常厉害的新方法，在AI的帮助下找到新的学习范式，在一个虚拟的世界里有一个“更好的自己”，以“我”的需求，而不是以学校给的课纲为需求，去重组知识，能够快速学习它、消化它。

所以我觉得这次创业，我希望能找到一种新的人类学习方式，一种强化学习的方法，让人类能够更高效地成长，能够更好地去适应未来社会。

我相信，从长期来看，终身学习（Lifelong Learning）会变成一种刚需。

彩蛋

我这次创业的第一个支持者，大家可能猜不到——是高晓松。晓松老师特别逗，他说如果他来讲课，他不会一本一本地照本宣科，他说我会提几个主题，比如，为什么在文学作品中，风尘女总是以正面的形象出现？比如小说里面，像《茶花女》、像《羊脂球》，这些小说里面为什么风尘女都是好人？再比如说，为什么中国古代的英雄们，进了客栈和餐馆，都是点牛肉，不是点猪肉？为什么他们不说“来三斤猪肉”，进去里面都是三斤牛肉？这里面很有意思，他就是会找到这么一些维度。

为什么高手会有这样的思维？

用专业的话说，这叫CoT（Chain of Thought）思维链。

大家如果研究一些优质的播客，会发现一方面是嘉宾很厉害，另一方面，是主持人有很好的思维链，能提出好的问题。

AI用它的思维链，帮助我们快速去掌握这些更新的知识。

与此同时，AI也反过来促使我们去挖掘出更深层的隐性知识，开发自己的“元技能”——比如审美、幽默感、同理心等等。这些部分，恰恰是在以往的教育体系中，关注比较少的部分。

举个例子，曾经有个朋友，尝试做一个能讲小说的AI模型，但后来发现这个模型非常难做，因为很多优秀的小说和文学作品，本质上都是来自“反差”，来自意外和冲突，或者两个看似无关的事物之间的奇妙连接。

AI模型训练通常需要收敛，但人类的思维和故事是千奇百怪、不收敛的。

AI可以给你讲笑话，但大多是它从人类已有语料里学来的，很难训练出那种反直觉、反常规的创造力。

而这些，正是人类宝贵的地方。

我相信AI会让我们去探索更多的东西，甚至在某种程度上，它会促使人类去突破自己。

所以我觉得从现在开始，因为有了AI，我们终于重新掌握了学习的主动权。

为什么是“学习”而不是“教育”，因为教育这个东西，从本质上讲，它其实从来就不是一个“必然存在”的系统。教育一直服务于社会，服务于国家对人才的分层和筛选，但它和我们个人的成长关系其实没那么大。

从更大的角度讲，我相信未来一切都会回到“学习者个人的需求”上。AI带来的，就是知识液化、知识重组这样的巨大变化。

参考资料：

• 被字节收购后再创业：硅谷100天，写在Aibrary正式上线前，2025-8-7，Z Potentials

• 我与时代，彼此嫌弃，却又相互成全，2026-3-18，Driftwood Log（浮木日志）

• 当软件的用户不再是人：一个硅谷创业者的 Agent 时代生存思考，2026-3-19，高山书院

法律声明

本资料不作为任何法律文件，不代表泉果基金的任何意见或建议，不构成泉果基金对未来的预测，所载信息仅供一般参考。前瞻性陈述具有不确定性风险，泉果基金不对任何依赖于本资料而采取的行为所导致的任何后果承担责任。