運氣實驗室 by Eugene Wang

一篇可以自己重跑的文章

AI 讓能力差距變小之後，下一份努力該放在哪裡？

如果你已經很努力，卻總是覺得自己不夠成功，下一步一定是想辦法讓自己更強嗎？

從小我們總被教，如果還不夠成功，就代表能力還不夠。
所以就想辦法再學一個技能、再讀一本書、再考一張證照、再多練一點。

但如果 AI 正在縮小大家能力差距，讓「繼續變強」的邊際報酬開始下降呢？

文章有一點長，我想先講結論。如果大家努力的程度是一樣的，我想暫時把成功的公式簡化成：

成功 ≈ 實力 × 運氣

實力，決定機會來的時候，你接不接得住。
運氣，決定機會會不會走到你面前

而當更多人因為 AI ，都開始具備「接得住」的能力之後，碰不碰得到機會，反而變得更重要。

我做了一個「運氣實驗室」。我把一些關於能力、運氣、AI 與跨界的研究與假說放進模型裡，看看如果把人生重跑很多次，會發生什麼事。

最後得到的結論是，努力依然是最重要的事，只是我們可能要調整一下分配努力的方向。

▍實力決定接不接得住，運氣決定有沒有東西可以接

很多人可能看過一個很有意思的研究，老高也曾在〈真正的人生攻略〉這支影片裡分享過，叫做〈Talent vs Luck: The Role of Randomness in Success and Failure〉。

研究內容把具有不同能力的人，放進一個會發生隨機事件的模型。裡面充滿者黑點、綠點和紅點，隨機的碰撞。。

在這個模型裡，去模擬了40年的人生。每個人可以碰到好運、壞運的機會都是隨機的，但是能力愈強的人，愈有機會接到好運，接住好運可以讓資本加倍，但是遇到壞運，則讓資本就直接減半。

直覺上，我們可能會覺得，能力最高的人，最後應該最成功。結果卻不是這樣。

論文模型 · Talent vs Luck

把同一段人生，再跑一次。

能力固定。機會移動。看看 40 年後，誰走到了前面。

0 / 40 年
人物好運壞運藍圈：最高能力金圈：最高資本

1,000 個人 / 500 個事件
每一步半年，共 80 步

尚未開始。每個人的起始資本都是 10。

深入看模型：人物、排行榜與資本走勢

依附件第 4–6 頁規則實作：201 × 201 世界、週期邊界、事件每步移動 2 格、接觸半徑 1 格；好運按能力機率 ×2，壞運 ×0.5。這裡的能力不是 PR。

人物位置採連續座標；同一步的多個接觸逐一處理。這些實作細節不代表原作者程式的逐行重製。

閱讀 Talent vs Luck 論文

每個點是一個人；橫軸能力 0–1，縱軸為資本的 log₂ 值。

最成功的人，往往不是能力值最高的人，而是有一定的能力，又剛好碰到了比較多機會的人。

知道這件事情之後，下一個問題就變得有趣了。
運氣如果很重要，那我們有沒有辦法讓自己更容易碰到好運氣？

▍Doing × Telling，讓機會有地方找到你

Jason Roberts 是一位創業者與程式設計者。2010 年，他提出一個我很喜歡的概念：幸運表面積。

他把它寫成一個很簡單的公式：

Luck Surface Area = Doing × Telling

Doing，是你持續做事情。
寫程式、做產品、研究、創作、累積專業、解決問題。

Telling，則是讓別人知道你正在做什麼。
分享作品、寫文章、交流、演講，和別人討論你的想法。

努力預算 · 10 點

你會怎麼分配這 10 點？

拉動一邊，另一邊就會跟著調整。兩邊至少保留 1 點。

配置會同步到下方 AI 與跨界實驗。

5 × 5 = 25

Doing →Telling →01010

固定預算下，5 × 5 的面積最大。面積是接觸機會的示意，不是成功或收入的保證。

這個公式我最喜歡的地方，其實是中間那個乘號。

如果 Doing 很高，但 Telling 接近零：你可能很厲害，但世界不知道。

如果 Telling 很高，但 Doing 接近零：很多人知道你，但你沒有什麼真正值得交換的東西。

所以真正重要的，不是二選一。而是持續做出東西，也讓世界知道你正在做什麼。

因為很多機會，不是我們主動搜尋來的。而是一個人看到你的作品之後想到：

「這件事情，也許可以找他。」
或者：
「我認識另一個人，你們兩個應該聊聊。」

你沒有辦法預測那個機會什麼時候出現。但你可以讓自己增加被機會撞到的表面積。

▍AI 正在降低一部分「繼續變強」的邊際報酬

假設過去一個人的能力只有 60 分。
他可能需要花很多時間，把自己練到 80 分，才有辦法完成某一類工作。

但今天，有了 AI 之後，60 分的人可能已經有機會做出過去 80 分才能交付的結果。

這不代表 60 分和 80 分變成一樣。
真正困難的問題、判斷力、品味、經驗與深度，差距依然存在。
但 AI 確實可能讓某些能力區間的成果差距縮小。

所以真正值得問的是：

把下一個 100天的努力全部拿去從 80 分練到 85 分，還是不是報酬最高的選擇？

如果 AI 已經可以幫助你補足一部分能力，那剩下的時間，也許可以有不同的配置。

把一些時間拿去分享。
把一些時間拿去理解別人在解什麼問題。
把一些時間拿去進入原本不屬於你的圈子。

因為當「接得住機會」的門檻下降之後，下一個瓶頸很可能變成：你碰不碰得到值得接的機會。

這就是我開始覺得，AI 時代真正需要重新分配的，不是努力的總量。而是努力的投資組合。

作者假設 · AI 與努力配置

再強一點，還是多被看見一點？

先看承接能力，再看接觸機會。這是兩件不同的事。

同樣的 Doing，能力差距如何改變？

深入看模型：AI 在這裡改變了什麼？

基礎承接率 = min(95%, 天份 + 20% × √(Doing / 10))。AI 只把低於 80% 的承接率按協助比例拉向 80%，較高者不變。80% 是可質疑的假設，並非真實 AI 效果的測量。

比較固定 500 人，天份平均 0.6、標準差 0.1。每人 60 次候選接觸，接觸機率 = Doing × Telling / 25；共用抽樣。此區先不去重，成功機會指成功承接的接觸次數。下一區再檢查資訊重複。

AI 不增加面積。8／2 與目前配置都使用當前 AI 程度，另列無 AI 的 8／2 基準，讓兩種效果可以分辨。

下一單位的努力，應該投資在哪裡？

▍不是讓更多人看見，而是讓不同的人看見

就算你開始 Telling，也不代表一定會增加很多新的機會。因為你和誰分享，也很重要。

如果你認識的人都在同一個產業、看相似的資訊、解相似的問題，那交換再多，得到的新資訊也可能有限。

有一個蒐集超過兩千萬名 LinkedIn 使用者的大型隨機實驗發現，弱連結比強連結有機會帶來更多新的工作資訊與機會。

原因很直覺：強連結的人，通常就是你生活圈的人，和你共享很多相同資訊。弱連結的人，則比較可能站在另一個世界。

有本書叫《梅迪奇效應》，講的其實也是相似的事情。很多創新，並不是憑空創造一個全新的東西，而是讓原本不會碰在一起的知識、方法或產業，第一次碰在一起。

所以如果你的 Telling 永遠只發生在同一個圈子裡，新的組合其實不一定會增加。

反過來，當你開始和不同領域的人交流，就可能發現：自己領域裡一個很普通的方法，放到另一個地方，反而變成新的解法。

知識配對 · 先看問題，再選對象

這個問題，你想找誰聊？

不同不一定有用。能和你的知識一起解決問題，才亮一個綠點。

  1. 先看問題與自己會的事。
  2. 選一位對象交流，學到他願意分享的一張知識牌。
  3. 湊齊這題需要的組合，亮一個綠點；換題後回到相同起手牌。

你已經會的事

這次想找誰聊？

這是簡化的解題示意：題目、可學到的牌與解題組合都事先固定，不會因你的選擇而改變。綠點只代表這題配對成功，不代表現實問題只需要兩項能力。

不同交流方式，適合解哪些問題？

這六個自訂情境，示範不同知識如何補上解題缺口。

適度的跨界交流很有機會帶來新的解題方向。

有些問題需要同領域的專業深度，有些問題則能從不同背景的人身上找到新的切入點。先理解問題，再決定找誰交流。

無論是適度的弱連結或是跨界交流，都在增加原本不會發生的碰撞機會。

▍把人生重跑一百次

我後來乾脆做了一個小型「運氣實驗室」。我把能力、努力、AI、跨界、機會與時間成本全部放進模型，讓 1000 個人把人生重跑一百次。也就是模擬了 10萬個人的人生

100 個世界 · 每輪 1,000 人 · 40 年

跑完 100 個世界，最成功的人有哪些共同點？

真的讓紅綠點移動、碰撞，再看最後資本最高的前 10 名。每一輪的人、努力與際遇都重新抽取。

  1. 每人都有不同的努力預算。總努力從 0～100 等機率抽取，再隨機分配到能力與 Telling，兩種投入加總等於總努力。
  2. 先提升能力，再重新排名。初始能力平均 60、標準差 10；能力加成＝20 × √（能力投入／100）。PR 是全體相對排名，範圍 0～99；有人超車，其他人就可能下降。
  3. 遇到綠點，不一定接得住。努力後 PR 0～59 的承接率為 PR／100；PR 60～80 都是 80%；PR 81～99 為 PR／100。
  4. Telling 只增加綠點的接觸面積。努力後 PR ≥ 60，面積倍率＝1＋1.5 × Telling 點數／100，最高 2.5 倍；其餘人維持 1 倍。紅點範圍完全不變。

每人初始資本 10，人物位置固定；250 個綠點與 250 個紅點在週期邊界世界移動。每半年一步，共 80 步；綠點承接成功讓資本 ×2，紅點直接 ×0.5。半徑依面積倍率開根號計算。努力與 PR 在模擬開始前確定，40 年內固定。

這是第一區論文模型的延伸：努力加成、PR 60～80 的平台與 Telling 面積都是本作品的假設。本區獨立運作，上方滑桿不會改變這裡的規則。

等待新的世界

按下「重跑 100 次」開始。

固定的人物好運壞運

黑點大小反映綠點接觸面積；紅點的接觸範圍始終相同。深色模式下，人物以淺色顯示。

動畫加速呈現正在執行的世界，每次重跑都自動抽取新種子。完成後，切換下方輪次可查看該世界的最後狀態。

尚未執行。完成後可查看每一輪的前十名。

結果有一件事一直沒有改變：努力還是最重要的。愈努力的人，依然愈有機會走到前面。

但當能力跨過某個門檻之後，繼續提高能力，就不再是唯一能增加成果的方法。增加接觸、分享作品、進入不同圈子，也開始產生影響。

而 AI 最有意思的地方，是它可能讓更多人，更快跨過那個「接得住機會」的門檻。

這也讓我重新理解一件事。我以前很容易把「還沒有成功」，理解成：我還不夠強。

但人生不是一場只比較能力值的比賽。

很多能力，是碰到真實問題之後才長出來的。
很多機會，也是在你還沒有準備到 100 分的時候出現。

所以你還是要變強。只是不用把所有努力，都花在變強。
PR 最高的人，不一定走到最前面。
不是因為努力沒有用，而是因為努力可以投資在不同地方。

能力讓你接住機會。
連結讓機會找到你。

而 AI 正在改變「變強」與「增加機會」之間，最好的努力投資比例。

想看模型、調參數、自己重跑的人，我把實驗室的連結放留言。