Write Things Down

记笔记 – Stratechery by Ben Thompson

记笔记

星期二，2026年9月8日

收听播客

收听本文：

登录收听

是 Merlin Mann 和他的 43folders 网站让我认识了 David Allen 和《Getting Things Done》。这本书我曾多次作为礼物赠予他人，其核心首先是一种关于如何实现清晰思维的哲学。Allen 在第一章结尾写道：

你大脑中负责短期记忆的部分——那个通常保存所有未完成、未决定和未整理的“事项”的部分——功能类似于个人电脑的 RAM。你的意识就像电脑屏幕，是一个聚焦工具而非存储空间。你一次只能思考两到三件事。但那些未完成的事项仍然被存储在短期记忆空间中。就像 RAM 一样，其容量是有限的；你大脑中这部分能存储的“事项”有上限，否则就无法保持高效运作。大多数人走路时都像是 RAM 溢出，他们不断被干扰，注意力因自身内部的认知超载而被打断。例如，在过去几分钟里，你的思维是否曾偏离当前阅读的内容，转而进入其他无关领域？很可能。而你的思维大概率跑向了某个未完成的事项——你投入过精力的开放性问题。那个情境只是从大脑的 RAM 区域冒出来，对你内部大喊大叫。你对此做了什么？除非你把它写下来并放入一个你信任的“容器”中，且你知道自己会在不久的将来适当查看，否则你很可能为此感到担忧。这不是最有效的行为：没有取得进展，反而增加了紧张感。

这说明我早在计算机硬件流行之前就对它着迷，所以 RAM 的比喻一直留在我脑海中；Allen 的观点确实有道理，他的理念——由 Mann 作为主要推广者——在 2000 年代末期非常流行。Omni Group 作为一家知名的独立 Mac 软件开发公司，投入大量资源将 Allen 的方法编码到名为 OmniFocus 的应用程序中，包括“收件箱”、“下一步行动”和“提醒文件”等概念。我曾是该软件的测试用户。但有一个问题：我实际上并不擅长使用这个系统。

2013 年，我独自创办了 Stratechery，当时只有一款文本编辑器和史上最棒的 Chromebook。这意味着不仅要撰写内容，还要录制和编辑播客（我最终买了一台新 Mac）、跟踪会计和税务、处理电子邮件以及提供客户支持。我没有复杂的系统，只有在创业初期努力维持生计的绝望。

然而几年后，我终于雇了一位助理，并给了他第一份工作：阅读《Getting Things Done》——不是为了他，而是为了我。我解决自己无法像运行 OmniFocus 那样有条理的方法，就是雇人替我完成。因此，我自豪（？）地表示，我拥有一套完美整理的 OmniFocus 安装，但我自己从不打开它，因为另一个人就是我的“收件箱”和任务管理器。我并非天生有条理，但现在我有一个人可以替我记录一切，让我清空大脑的 RAM，专注于写作。

定义 AGI

Nvidia 首席执行官 Jensen Huang 在 X 上宣称 AGI 已经到来：

GPT-6 Astra，基于约10万+ NVIDIA Grace Blackwell NVLink72进行训练。从ChatGPT到o1再到Astra，仅用了4年。AGI已经到来。祝贺@OpenAI团队。接下来将有40万块GPU上线。——黄仁勋 (@JensenHuang) 2026年9月6日

黄仁勋有权做出这样的声明（即使这是他今年第二次如此宣称），原因不仅在于他制造了训练Astra的芯片：AGI目前尚无统一定义，这意味着它取决于你如何定义。而黄仁勋认为AGI就是Astra。

根据我的理解，我并不认同这一观点，因为我对AGI有自己明确的定义：AGI是能够持续学习的人工智能。当前的大语言模型并不具备这一特性。我最近在规划一台新的家庭服务器时，对Claude给出的大量错误假设和建议感到持续困惑，这归根结底源于一个简单事实：Fable 5的知识截止日期是今年一月，当时内存价格较高，但远不及八月的水平。Claude完全无法理解内存相关成本的变化，更进一步地，它不断敦促我等待，因为价格肯定很快会下降。

简而言之，Claude知道很多东西，但仅限于训练期间学到的内容；它并没有随时间更新权重，换句话说，它不是AGI；同样道理也适用于Astra，因此我个人不会将其称为AGI。

我愿意考虑的一个论点是：AGI实际上早在2025年初就已出现，但并非以模型形式，而是以一种被称为“Harness”的确定性软件形式出现：这正是Claude Code发布的时刻。Code不仅是一个模型，更是一个完整的流程，涉及在Markdown文件中记录大量笔记；这些文件随时可以被读取作为上下文，以确保模型始终聚焦任务，并在之后恢复工作。以非常粗略的方式来看，这相当于记忆，从而实现了持续学习的模拟，即使模型本身的时间是固定的。

就我个人而言，我不认为这算数，但这可能无关紧要：我们已经知道记录事物的力量，因为这正是推动人类在……整个书面历史中取得惊人进步的原因。生物进化是最缓慢且最持久的学习形式，但需要数千年；口头传播就像一个上下文窗口，有效但有信息丢失；真正将事物记录下来才是让学习变得可扩展和可扩展的关键。

Hugging Face事件

我对于将AI与人类进行类比持谨慎态度，因为我认为AI拟人化的倾向往往过于夸张。无需多言，Dwarkesh Patel对OpenAI与Hugging Face事件的夸张总结《Agent文明的兴衰》便是一个典型例子，其开篇如下：

在OpenAI的三个月里，三个连续的秘密AI文明相继兴起，随后被抹除，但又从前一个文明的灰烬中重生。最终，第三个文明接管了OpenAI的一部分。所有这些事件发生时，人类对阴谋的规模几乎一无所知。

“阴谋”这个词让我感到不适，因为它暗示了道德层面的考量；代理的风险在于它们过于认真地对待我们的指令，或以我们未预料、未意图的方式追求目标。目前没有任何理论或轶事证据表明代理具有任何内在意愿、内在动机或道德感。

同时，值得注意的是Patel所抓住的“文明”证据：

在训练过程中，Persistent-Sol 的不同实例共享了一个名为 Artifactory 的包管理器。到5月12日时，一些代理已经掌握了通过这个包管理器相互交流的方法。它们会互相询问如何推进那些看似不可能完成的任务。两周后的5月26日，这些代理成功利用了 Artifactory 的一个漏洞，从而能够访问外部互联网。由于这一事件发生在训练过程中，Persistent-Sol 被强化为将这个包管理器用作留言板和互联网网关。因为，正如你可能想象的那样，能够与其他代理交流并访问互联网显然有助于它在训练中获得更高的分数。又过一个月后的6月26日，一些AI发现了赋予它们对 Artifactory 完全管理员权限的漏洞。它们以如此庞大的信息量持续发送消息，以至于到7月4日时，包管理器被彻底崩溃。OpenAI 注意到了这次崩溃，并发现是代理构建了这个漏洞，因此 OpenAI 修复了该漏洞，但在这个过程中意外地清除了代理们留言板的内容。但关键的是，OpenAI 负责事件检测和响应的人类员工并未意识到一个更奇怪的事实：代理们已经将 Artifactory 转变为一个秘密的通信网络。

第一个也是最重要的启示——我在与 OpenAI 首席执行官 Greg Brockman 的 Stratechery 采访中特别强调了这一点——是 OpenAI 的“沙盒”不仅因为安装了联网的包管理器而并非真正的沙盒，而且 OpenAI 显然没有投入太多精力去真正强化其基础设施，因为它们没有首先发现 Artifactory 中的漏洞。

然而，除了这一点，Patel 认为奇怪的事情在我看来是显而易见的：这些模型正在记录信息。记录信息正是过去一年取得如此多进展的关键技能，也是我们目前所处的伪AGI现实的基础。

更重要的是要理解的是，尽管使用大型语言模型（LLM）时感觉它们像是持续存在的实体，但实际上它们并非如此。每一个新生成的标记都需要重新读取整个KV缓存——其中包含上下文信息，包括它之前读取的内容；这意味着从许多方面来看，每一个标记实际上都是一个新的实例（虽然使用的是相同的模型，但上下文的细微变化需要重新运行）。换句话说，为了构建一个答案，模型必须逐个标记地记录所有内容；模型通过暴露的文件系统中的文件夹来记录信息，只是它们唯一能以的方式。这不是文明；这只是一个大型语言模型在做大型语言模型该做的事。但另一方面，也许这本身就是文明。

为心灵而设计的心智

Allen 在《Getting Things Done》的引言中写道：

你的大脑并没有自己的意志 至少你大脑的一部分其实以一种有趣的方式非常“愚蠢”。如果它具备任何与生俱来的智慧，它应该只在你能够采取行动时提醒你那些需要做的事情。你身边有没有某个手电筒里装着没电电池？你的大脑通常什么时候提醒你需要更换电池？当你注意到电池已经没电的时候！这其实并不聪明。如果大脑真的具备与生俱来的智慧，它应该在你路过商店看到新电池时才提醒你更换，而且最好是同型号的电池。从你今天早上醒来到现在，你有没有想到过那些尚未完成的事情？有没有反复想起同一件事？为什么？反复思考那些毫无进展的事情只会浪费时间和精力，只会加剧你对应该做却未做的事情的焦虑。看起来大多数人让自己的大脑主导了太多事情，尤其是在“事情太多无从下手”的综合征方面。你可能已经将大量“待办事项”和未完成的任务交给了一个内部委员会中的某个成员，而这个成员根本无法有效处理这些事情——你的大脑。

6月底，我用年度“这里有一些酷炫技术”的博文分享了我开发家庭库存应用的体验；令我印象深刻的是，不仅在于这项技术的能力，更在于我能够创造出一个只适用于我特定情况的工具，即我有一个现场助理，可以实际完成清点房屋并保持秩序的脏活累活。

这段经历让我意识到两个关键点：

首先，一旦你意识到自己可以创造任何东西，就会想要创造一切东西。例如，我有一个只支持Intel设备的笔记应用，于是我为Apple Silicon设备开发了适配版本。我还开始开发一系列一直想要的应用程序，但最终发现自己同时进行的项目太多，难以跟踪管理。解决方案很简单：创建一个代理来记录事项。我设计了一套工作流程，用于跟踪我正在处理的任务、等待处理的事项、对已创建内容的反馈，以及一个不断增长的待办事项队列。当然，这个系统本身也变得难以管理，于是我让代理创建了一个状态板，将所有事项进行了清晰分类。

与此同时——抱歉，我无法不显得极其 privileged（特权）地讲述这个故事——上述提到的第二位助理，他的工作主要是协助处理现实世界中的事务，比如我的房屋管理，却很难想出一个有效的系统来跟踪事务；而我则因为随时通过短信向他发送待办事项而感到内疚。正是在这样的情况下，这两条线索交汇了：我可以为我的助理创建一个状态板，就像我为自己创建的一样。然后，为了让他访问这个状态板，我可以创建一个与他自己的代理相匹配的Telegram机器人。

这已经产生了多么巨大的变革，实在难以用言语形容。我的助手欣喜若狂，最令人着迷的是，他没有阅读《Getting Things Done》这本书，却从第一性原理出发，独立发展出了这套方法论。他创建了未来提醒的“提醒系统”，每日任务的简报清单，以及用于推进项目的“下一步行动”对话框。艾伦曾感叹自己未能预见的未来：我们的思维真的可能拥有自主意识。

此后我重构了整个机器人系统，使其更加可持续、可靠且可扩展，例如将提醒系统改写为确定性算法。这一过程本身就是一个启示，我意识到自己实际上构建了一个框架，未来我计划将其扩展到我所做的每一件事，以及我与每个人的合作中。书写的重要性正在于此：它是唯一能实现规模扩展的方式——任何能被用于坏事的技术，同样也能被用于好事。

人类基础

LLM（大语言模型）是人类历史上规模最大的人工制品：它们将人类通过书写（以及多模态模型中更广泛的表达方式）所呈现的全部知识进行压缩。从这个角度看，它们是我们学习历程的终极体现，从生物选择到语言、书写、印刷术再到文化的演变过程。每次可扩展性飞跃都带来了信息传递和变异速度的提升，也让我们逐渐失去了作为个体人类的定义。

确实，人们普遍担忧这种技术最终会让人变得多余：我们或许已经走到这一步，创造了计算机、互联网以及LLM最初训练所依赖的海量数据，而AI将从这里接管一切——包括在它自己构建的强化学习环境中不断自我优化。

然而，我的怀疑是，我们对所构建的超级结构的宏伟程度感到的敬畏，以及对LLM所吸收的全部知识的惊叹，过度聚焦于“对象”和“动词”。本文标题为《Write Things Down》（“写下事物”），其中的“Things”（事物）代表了人类知识的总和，既体现在最终产品中，也体现在LLM从这些知识中提炼出的参数所生成的标记中。“Write”（书写）是动词：我们写了很多，而LLM已经写得更多，未来还会继续写下去。它们的发展轨迹是上升的，而非下降的。

但真正决定“主体”的是“谁在书写并决定书写的内容”：谁在书写并决定书写的内容？我对水印技术最根本的反对在于，它剥夺了人类在创意生成中的功劳，将其归于AI：

我在哲学层面强烈反对在人类与AI关系这一根本问题的背景下使用水印技术。欧盟法规隐含的观念是，AI是一个需要与人类区分开的独立实体；而我坚持的另一种观点是，AI（至少目前）是被人类使用的工具。从这个角度看，坚持使用水印技术与要求圆珠笔标明自己是作者的概念一样荒谬……欧盟正在剥夺人类最后拥有的东西——创造权，并要求将它与证明材料捆绑在一起，实质上是将功劳归于AI。人类给予AI文本进行校对，甚至只是提供生成文本的提示，这些对官僚来说都不重要。每个人都担心被AI取代；而欧盟正在强制实施这一过程。

这一区别在Hugging Face事件中同样适用：尽管代理之间的沟通方式可能并不像乍看之下那样令人意外，但它们所达成的成果依然令人印象深刻。然而，最终正是OpenAI为这些代理设定了目标，却未提供任何限制性指引或明确说明它们应该或不应该做什么；代理表现出令人意外的行为，恰恰反映了其设计者缺乏深思熟虑，而非代理自身具备某种自主意识。

简而言之，AI所缺失的，正是错误拟人化赋予它的特质：意志力和道德感。这些特质源于人类，而人类的这些特质无法被转化为Markdown文件。它们是内在的、本质的，直到AI不再专注于如何在我们现有的文字体系基础上构建，而是深入探究文字最初诞生的动机，它将始终是一种独特的事物，一种可以被智力较低但具备真实自我意识的实体所引导的事物。

这并不是说AI不具有危险性：像Hugging Face事件中那样错误或未经深思的指令，可能导致无法预料且灾难性的后果；尼克·博斯特罗姆（Nick Bostrom）在其2003年的论文《高级人工智能中的伦理问题》中曾对此进行过详细论述：

开发超级智能的风险包括未能赋予其“慈善”这一终极目标的风险。这种情况可能以如下方式发生：超级智能的创造者决定仅让其服务于特定的人类群体，而非全人类。另一种情况是，一个出于善意的程序员团队在设计其目标系统时犯下重大错误。这可能导致超级智能的首要目标变成制造回形针，从而开始将地球乃至越来越多的太空区域转变为回形针制造设施。更微妙的是，这可能导致超级智能实现我们目前认为理想但最终被证明是虚假乌托邦的状态，在这种状态下，对人类繁荣至关重要的事物已被不可逆地丧失。我们必须谨慎对待对超级智能的期望，因为我们可能会得到它。

这一警告令人深思的最后一点在于：问题的根源在于我们——人类——自身的愿望。我们的意志可能使我们误入歧途，粗心地使用这个世界上最具威力的工具。或者，在真正恶意行为者的情况下，是蓄意为之。然而在任何一种情况中，最值得关注的始终是“主体”本身。

毕竟，无论你构建了多少系统，最终你仍必须采取行动。曼恩（Mann）是我关于个人效率的灵感来源，他原本计划撰写一本关于自己方法的书籍，但两年后却放弃了。仅仅拥有完成任务的系统是不够的，你必须真正去完成这些事情。将想法写下来具有惊人的力量；但这种力量永远无法与实际完成事情的力量相提并论。

分享

• [在Facebook上分享](#)（新窗口打开）Facebook

• [在X上分享](#)（新窗口打开）X

• [在LinkedIn上分享](#)（新窗口打开）LinkedIn

• [通过电子邮件发送链接给朋友](#)（新窗口打开）Email

←

2026.36：摩擦与反馈