先来做个思想实验，回答以下两个假设性问题：

1、如果你是一个生活在小地方的人，给你两个选择：
A) 留在当地做一个不大不小的公务员，月收入3000；
B) 跑到深圳做保洁，月收入3万。
你会选哪个，A or B？

2、如果你是一个生活在深圳的人，也给你两个选择：
A) 去一个远在内地的小山村做公务员，月收入3000；
B) 留在深圳做保洁，月收入3万。
你会选哪个，A or B？

这是一个经济学的思想实验。长久以来，主流经济学都秉持理性人假设。在这个思想实验中，（A）和（B）这两个选择其实是等价的，按照主流经济学的理论，每个人回答这两道题的答案应该是一致的。一个人，如果第一个问题选择了（A）留在当地当公务员，那是因为3000元月收入的公务员带来的价值大于3万的保洁；那么他的第二个问题应该也选（A）离开深圳去小山村当公务员。

现实世界中，有不少人（注意，不是所有人）第一题会选择（A）留在当地做公务员，而第二题会选择（B）留在深圳做保洁。如何解释这种不一致？

丹尼尔·卡尼曼提出了前景理论Prospectus Theory，并因此获得了2002年诺贝尔经济学奖。丹尼尔·卡尼曼还写过《思考，快与慢》，发明了系统1/系统2。前景理论对此的解释是：人天生是不理性的，他会对于已经拥有东西价值评估更高，对还没获得的东西价值评估更低。

这种主观价值评估的偏差既是人类的feature，也是人类的bug。

在90年代，有人拎起背包踏上前往北上广深的路，一开始找工作可能遇到困难，生活风餐露宿。但是慢慢他在大城市扎下根了，他从打工开始，逐步有了在电子制造、制鞋制衣等行业的经验，也变成一个小师傅和部门主管，拥有了自己住房和生活。这个故事如果换到最近10年，那就变成月嫂、O2O、电商、直播等行业。而他留在家乡偏远小山村的伙伴，并没有太多的收入提升。

可以想象，当年有人到山村里跟他们说，走吧，去深圳闯一闯，他的伙伴犹豫了：深圳有什么好的，城中村乱糟糟的，还不如老家住得舒坦。说得深圳遍地是黄金，是不是骗人的，别给我干缅北去了？深圳人生地不熟的，我直接去深圳能干啥，怎么找工作，确定性在哪里？你能不能给我打包票或者给一条明确路径，比如你认识具体哪个老板在招人，工资开多少，不给我这么确定信息我就不去了。

这就是前景理论，深圳是还没获得的东西，一个人天然对它的价值评估更低。

 

除非，有人看到了小山村和深圳之间超过数量级的价值天堑！

那就是：劳动力的浓缩。

农业的产出效率是很低的。一个人种地一年只有2、3000的收入，而外出大城市打工，一个月工资就能拿上千了。农业的产出效率比制造业少一个0。最重要的原因是，人的劳动得看天时，一年到头就农忙季节的几十天可以投入，其他时间只能干等着，人的劳动力是闲置的，空有一身力气也无法转化成产出，农作物这个客体能够得以凝结的人类劳动的量是有限的。

工厂就解决了这个问题，让人类劳动可以不受时间的约束，可以7*24小时干活产出。第二产业制造业，是通过对劳动时间的浓缩，实现了更高的产出效率，工业品可以无视天时气候和日光来凝结人类的劳动。这推进了农业化往城镇化的转化。

北上广深杭这些超级大城市比起普通城镇，人均产出明显更高。这又是为什么呢？工厂虽然能unlock劳动时间的投入上限，但是一个工厂还是摊大饼，在空间上是线性扩张的，一个因为某个工厂而形成的城镇规模最多也就十万人。而大城市在寸土寸金的地方吸引了上千万的人口，建了最多的摩天大厦，实际上是把人在空间上叠加起来，实现了地理空间的浓缩。互联网的出现，进一步把地理空间在更大的意义上进行了浓缩。

而服务业的产生，特别是科技、金融、创意等高端服务行业，进一步实现了劳动力智能的浓缩。字节跳动有10万的员工，因为他组织的不是体力劳动者，而是要让劳动力的智能都发挥出来。张一鸣用context not control的方式，“卷”着每个劳动力的个体智能充分发挥，每天都得动脑，再用类似“飞阅会”的协作方式把这么多劳动力的智能给并联起来。这是现代大厂的路径，现在的服务业GDP已经远远超过农业和制造业这两大产业之和了。

农业到工业化，是劳动力时间的浓缩。

工业化到城镇化，是劳动力地理空间的浓缩。

城镇化到服务业，是劳动力智力的浓缩。

可以说，产出效率的提升的关键在于不断解除劳动力这个生产要素投入的结构性约束，把劳动力尽最大可能浓缩起来。

所以，站在90年底的时间点，我们应该不问原因地把自己抛到大城市之中，即使我们还不知道到了大城市怎么找工作，无法确切描绘未来的生活究竟几何。这些问题是无法靠自己琢磨思考和分析获得答案的。

但是我们只要知道，城市化的生产力比起农村是数量级的提升，我们就应该拎起背包，无问西东，踏上这条道路。

只有出发，那些个人的疑问才能被解决；只有出发，未来的道路才会慢慢在眼前展开。

 

今天，最厉害的企业仍然还是能将人类劳动浓缩的企业，但是人的智能还是有上限的。

首先是人脑是需要休息的，不可能24小时连轴转；其次，一个人的神经元的数量是869亿个，是有上限的；第三，人与人之间的信息沟通是通过文字和声音，带宽是非常有限的，传输效率只有几十bit/s，也就无法把人与人的智能充分并联进行浓缩。

未来，最重要的生产要素无疑就是AI。如果说农业、工业和服务业分别完成了对人类劳动力在时间、空间和智力上的浓缩，那么当智能本身可以被外包给AI时，生产要素的焦点就不可避免地从人，转移到了可被规模化调度和放大的AI智能之上。因此，厉害的企业是更好地把AI劳动（也就是烧token）浓缩起来的企业。

算力就是智能，AI能够比人类打开上万倍智力的上限。英伟达最先进的GPU H100单卡能达到1 PFLOPS的计算吞吐能力，已经接近对单个人脑信息处理能力的常见工程等效估计NVLink技术实现的GPU间高速通讯，使得10万卡集群成为可能，支持了今天的AI大模型的超高参数量，单一稠密模型的参数量可以达到7万亿。这些模型通过MoE、Agent等方式可以进一步扩大参数规模来，而且只要有电力就能源源不断地计算。智能的浓缩在AI时代已经成为可能。

所以，我们今天不是要解决人取代AI，还是AI取代人的问题。更重要的问题是，如何让智能浓缩。我们如何尽可能多地烧token，如何解除烧token的现实世界限制，平均一个人如何能让万倍于自己大脑的AI算力不断运转。

目前我觉得，这个瓶颈已经不在AI了。不是AI的算力还不够多，不是模型还不够强，不是AI的能力还达不到我心目中可用的标准，不是AI的token还不够便宜。我觉得这都不是问题了，AI已经达到了。

这个瓶颈在我自己。

AI的回答比我提出问题要快得多得多，每一天我能提出仅有几个有意义的问题，我的信息输出带宽是很低的，支持我的多个AI只花了几分钟给出结果，剩下的23小时，AI们都在等我的下一步指令。而我要让AI获得更好的结果，我需要提供更多的context，而我提供contact的带宽也是有限的。

怎么让个人的context更高带宽地输出、甚至怎么把多人的context就汇集起来、怎么让AI自主执行长程复杂任务，这些都是为了实现极致地烧token，让AI智能得以浓缩的目的。