Modern Wisdom 三人杂谈实验：从罗马战车手到 AI 改写真相——8 个值得记住的杂学洞察

---

核心观点速览

1. 史上最高收入运动员是 2 世纪罗马战车手：Gaius Appuleius Diocles 在公元 122-146 年职业生涯赢得 35,863,120 sestertii，按 2011 年货币换算约 $150 亿美元。Michael Jordan 终身 $1.8B、Tiger Woods $1.7B 都望尘莫及。这个事实揭示一个关键洞察：「现代收入最高 = 历史收入最高」是个完全错误的假设——古代某些娱乐 / 体育明星的相对财富，现代任何人都比不上。

2. 可口可乐 + 花生的化学完美匹配：可口可乐 pH 2.5 ≈ 胃酸；花生上的盐抑制舌头苦味受体 → 放大对甜的感知（不需要加任何糖）；碳酸 + 唾液中的钠 → 强化质感对比。这是「无意中达到的完美食物配对」——非工程的、自然演化的味觉协同。

3. AI 已经能用血液检查 + 家族病史预测你的死亡方式：George Mack 把自己血液检查结果输入 AI，AI 预测他最可能死于青光眼或中风。他爷爷正是死于这两个病。这不是命运论，是数据归纳论——AI 能识别人类肉眼漏掉的"家族遗传 + 个体生物指标"组合模式。

4. 「我们塑造工具，工具反过来塑造我们」（McLuhan 引用） ：尼采视力变差，从手写换成打字机后，他的写作风格剧变——变得更短促、更打击性、更碎片化。工具不只是工具——它会重新塑造使用者的思维方式。这个洞察对 2026 年用 AI 写作 / Claude Code 编程的人有直接意义：你以为你在用工具，实际工具在改造你。

5. 社交媒体 metric 改革思路：Boom Scrolling + Golden Like：George Mack 的"boom scrolling"——在 15 度斜坡跑步机上看社交媒体（心率 130+），完全消解 doom scrolling 的负面感受。Golden Like 概念：每周限定 1 个高价值"金赞"，强迫用户做"深度评判"而不是"宽度泛滥"的评判。这个设计哲学：「用稀缺性恢复信号质量」。

6. AI 时代「真相」不可知：Charlie Kirk 暗杀后涌现的"全息投影 / AI 生成视频"等阴谋论——没有 AI 这些都不会被认真讨论。George Mack 的判断：「我们将永远不知道任何事真的发生了什么——除非你亲身用五感经历」。这是后真相时代的极致版——比 Trump 的"另类事实"更深一层。

7. Allbirds 的 AI pivot 涨 582% 案例：曾经市值 $4B 的鞋子公司 Allbirds 跌到 $5000 万，IP 被以 $3900 万买下，新东家把它"pivot 成 AI 公司"（"我们买 GPU 卖给客户"），一天股价涨 582%。类比 1999 年互联网泡沫期任何加 ".com" 后缀的公司股票暴涨——AI 时代正处于同样的泡沫狂热期。

8. 印度 AI 数据工厂：印度有大型工厂雇人戴头盔摄像机做日常动作（叠衣服、缝纫等）→ 录像被用作训练机器人 AI。Tesla FSD 也是这样训练的——人类驾驶上百万英里产生的数据让 AI 学会驾驶。机器人 AI 正在重复这个路径：人类劳动 → 训练数据 → 取代人类劳动。这是工业革命到 AI 革命的最直接传送带。

---

主体

一、罗马战车手 Gaius Appuleius Diocles：史上最有钱运动员

这一段拿到几乎所有看过这期视频的人。

Michael Jordan 终身收入: $1.8B
Tiger Woods: $1.7B
Arnold Palmer: $1.4B
Jack Nicklaus: $1.2B

Gaius Appuleius Diocles (公元 122-146 年): 
  35,863,120 sestertii
  按 2011 年货币换算 = $150亿

为什么他赚这么多？

• 公元 2 世纪罗马最热门娱乐 = 战车赛
• 没有"工资"概念——每场胜利获得高额奖金
• 24 年职业生涯，胜 1462 场（在 4257 场参赛中）
• 当时罗马帝国的财富集中度比现代美国还高——少数明星拿走绝大部分

Shaan Puri 的反应：

"That's pure income from the sport. So I assume because back then there's probably no sponsorship, no shield deal." （那是纯赛事收入。我猜那时候应该没有赞助、代言费。）

核心洞察：「Michael Jordan 是史上最赚钱运动员」是个普遍误信的"现代偏见"——它假设"现代收入 ≥ 古代收入"。实际上，按购买力 + 相对地位，古代某些娱乐明星比现代任何人都富有。

对中文读者的现实意义：这个事实可以扩展成一个心智模型——「你 default 假设的『历史 vs 现代』排名，可能完全错」。比如「现代寿命比古代长」（错——古代过了 5 岁的人平均寿命跟现代差不多，差异主要在婴幼儿死亡率）；「现代人比古代识字率高」（在贵族阶层不一定）；「现代财富比古代均衡」（正在快速向古代式集中倒退）。

---

二、可口可乐 + 花生：化学层面的完美匹配

George Mack 在节目里推介这个组合——起源是村上春树的散文：

"In America it's popular to drink cola with peanuts in it. I just went 'huh?' And a long time passed since then, but I finally tried it. What the hell is this? It's ridiculously delicious." （美国流行喝可乐配花生。我当时觉得"啥？"过了很久我终于试了。这是啥？真特么好吃。）

化学解释（George 在节目里也讲了）：

元素	作用
可口可乐 pH 2.5	类似胃酸，激活味蕾
花生上的盐	抑制苦味受体 → 放大甜的感知（不加糖也变更甜）
碳酸	CO2 + 水 → 碳酸 → 在舌头上产生轻度刺痛 → 提升整体味觉强度
花生的脂肪和蛋白质	缓冲可乐的尖锐酸度

核心洞察：这是一个「自然演化出的完美匹配」——没有任何食品工程师设计这个组合，是 1930 年代美国南方工人随机发现的。它揭示一个常见事实：很多看似奇怪的传统食物组合（中国人吃皮蛋瘦肉粥、英国人吃 marmite、日本人吃纳豆），化学逻辑上往往非常合理——只是文化上"看起来奇怪"。

---

三、AI 已经能用你的血液 + 家族史预测你的死亡方式

视频里 George Mack 演示了一个让所有在场嘉宾都安静下来的场景。

他的操作：

1. 把自己的血液检查报告输入 AI（应该是 Claude 或 GPT）
2. 加上自己家族史（爷爷的死因等）
3. 问 AI：「我最可能怎么死？」

AI 的回答：

你最可能死于 2 个原因之一：
1. 青光眼 (glaucoma) — 渐进性失明
2. 中风 (stroke)

George 的爷爷：死于青光眼 + 中风。两条都对。

这个事实意味着什么？

它不意味着「AI 知道未来」——AI 只是在做归纳推理：你的家族遗传 + 你的生物指标 + 大量医学论文数据 = 概率分布。

它意味着的是：AI 能识别人类肉眼漏掉的"组合模式"——

• 单看血液指标，普通医生能发现明显异常但漏掉细微关联
• 单看家族史，没有具体生物指标对应不上
• AI 同时处理两种信息，给出特定的概率组合

核心洞察：「医生 vs AI」的真实区别不是"AI 更准"，是「AI 能处理更多维度的同时信号」——这是它的根本性优势。

对中文读者的实操含义：

• 如果你做了体检 + 家族史采集，值得用 AI 做一次"死亡风险综合分析"
• 不是为了恐慌，是为了针对性预防——AI 给的具体死因 = 具体可预防的风险

---

四、「我们塑造工具，工具塑造我们」（McLuhan + 尼采案例）

George Mack 在节目里讲了一个文学史的具体案例。

尼采的工具切换：

• 1880 年代前期：手写所有作品
• 视力开始严重下降
• 1882 年开始用打字机（早期 Hansen Writing Ball 型号）

写作风格的剧变：

手写时代	打字机时代
长句、复杂论证	短句、警句、碎片化
哲学论文风格	格言录风格
完整段落	单句独立

典型的「打字机时代」尼采作品：《查拉图斯特拉如是说》《偶像的黄昏》——全是格言式的短句。

尼采自己在 1882 年的信里写过：

"Our writing equipment takes part in the forming of our thoughts." （我们的写作设备参与塑造我们的思想。）

这个观察被 Marshall McLuhan 在 20 世纪 60 年代提炼为更广义的命题：

"We shape our tools, and thereafter our tools shape us." （我们塑造工具，工具反过来塑造我们。）

核心洞察：这不只是历史趣闻，是一个对 AI 时代极有警示意义的元洞察——

• 你以为你在「用」Claude / ChatGPT / Cursor / Codex
• 实际上这些工具正在重塑你的思维：
  • 你思考问题的"颗粒度"被工具的对话框大小定义
  • 你写作的节奏被工具的响应速度定义
  • 你逻辑推理的深度被工具的"对话长度记忆"定义
• 当 Agent 时代来临时（参考 20VC 那篇报告），人类的思维会进一步被 Agent 的"任务划分粒度"塑造

实操含义：值得每隔几个月做一次"我跟工具的关系审视"——你是否被工具塑造成了一个你不想成为的人？例如：

• 你是否变得只能写 200 字以下的段落？
• 你是否觉得"超过 5 分钟的思考"就累？
• 你是否失去了"看完整本书"的耐心？

如果 Yes，工具在改造你——而你不一定喜欢这个改造方向。

---

五、社交媒体 metrics 改革：Boom Scrolling + Golden Like

George Mack 在这一段提出了 2 个非常具体的"反 doom scrolling"思路。

Boom Scrolling：

做法：
  1. 跑步机斜度 15°，速度 3 mph
  2. 心率拉到 130+ BPM
  3. 同时滑社交媒体（30-60 分钟）

效果：
  ✅ 完全消解 "doom scrolling" 的负面情绪
  ✅ 反而进入"分享流"——疯狂给朋友发链接
  ✅ 同时完成有氧运动

Chris Williamson 的吐槽：George 在 boom scrolling 时疯狂给朋友 iMessage 发链接——「如果你最近在他 contacts 列表前面 + 他刚 boom scroll → 你会收到他从 80 年代音乐到金属乐队的奇怪链接洪流」。

Golden Like：

设想：
  X 平台每周给每个用户 1 个"金色 like"
  这个 like 显示在特殊位置（"金色 like 流"）
  限定一周 1 次 → 用户必须做"深度评判"

效果：
  ✅ 创造"质量信号" vs 当前的"宽度信号"
  ✅ 用户必须思考"我这周看到的什么是真值得"
  ✅ 算法可以给金色 like 极高权重 → 改变内容质量分布

George 的关键论据——「Dollar Store 类比」：

"Imagine if the only currency was $1 like a $1 bill. You can't pay more than $1. What would you have? You'd have dollar store everywhere. You wouldn't have Michelin star restaurants. You wouldn't have luxury brands." （想象唯一的货币只有 $1 钞票，不能付超过 $1——你会到处看到一元店，没有米其林餐厅，没有奢侈品。）

核心洞察：当前社交媒体的所有"评价货币"（like、share、comment）都是 $1 美元钞票——它们没有面额差异，导致内容生态像一个"全是 1 美元店的世界"。「Golden Like」是给社交媒体引入 $100 钞票——让用户有机会表达"这真值得"而不只是"我看到了"。

为什么 X / Meta 没做这件事？

• 商业激励错位：他们的收入来自总互动量，不是质量分布
• 设计哲学冲突：Golden Like 创造稀缺感 = 减少日常互动量
• 工程复杂度：需要重新训练推荐算法

实操含义：作为内容消费者，你可以自己实施"Golden Like 准则"——

• 每周给自己 1 张"$100 票"
• 在你看到的所有内容里只用 1 次
• 强迫自己"深度评判"
• 一段时间后，你会发现自己的内容消费品味被这个习惯重塑

---

六、AI 时代真相不可知：Charlie Kirk 暗杀的 deepfake 阴谋论

视频后段 George Mack 谈到 Charlie Kirk 暗杀事件后涌现的阴谋论：

• "全息投影"理论（事件是假的）
• "AI 生成视频"理论
• "以色列做的"理论

关键观察：这些阴谋论里至少 2 个，没有 AI 的存在不会被严肃讨论。

George 的总结：

"We're never going to know I mean ever what actually has happened with anything we know anymore. The truth is no longer even fucking matters because it can't be determined unless you experience it with your own five senses." （我们将永远不知道任何事真的发生了什么。真相不再重要，因为无法被确定——除非你亲身用五感经历。）

这是后真相时代的极致版——比 Trump 的"另类事实"更深一层。Trump 时代是「真相被政治化」；** AI 时代是**「真相在技术层面无法被验证」。

George 的引用——David Deutsch《The Beginning of Infinity》里的 「precautionary principle」（预防原则） ：

"The history of humanity is essentially problems. We see the problem, but we can't see the solution. By definition, human beings can't forecast a solution because if we had the solution for it, we would implement it and be worth trillionaires." （人类历史本质是问题。我们看到问题但看不到解决方案。按定义，人类无法预测解决方案——因为如果我们有，我们就会实现它并成为万亿富翁。）

George 的乐观判断：

70 亿人现在在为这个问题工作（AI 真相验证）——这是过去类似挑战（COVID、气候变化）的标准模式。人类有能力解决，只是当前看不到怎么解决。

核心洞察：AI 让"真相"在技术层面失去验证基础是个真问题，但不是末日——人类历史里这种"工具突破创造新问题"的循环已经发生过多次（印刷术、广播、互联网）。每次都是先恐慌、再适应、最后重建社会信任机制。AI 时代会是同样的故事。

对中文读者的实操含义：重要事件的判断准则需要更新——

• 单一视频证据 = 0% 可信度（必然是 deepfake 嫌疑）
• 多源、独立、专业机构验证 + 时间多日确认 = 唯一可信路径
• 「我亲身经历」永远是最可靠的判断依据

---

七、Allbirds 鞋子公司一夜变 AI 公司涨 582%

视频结尾段讨论的"AI 泡沫极致案例"。

Allbirds 的故事：

2017-2021：Tech 圈热门 wool sneaker
高峰估值：$4B（IPO 时）
2025：估值跌到 $50M（亏损连年）
2026 年 4 月：IP 被以 $3900 万买下

新东家的做法：
  1. 公司改名（"FreeBird" 之类）
  2. 业务从"卖鞋"改为"我们买 GPU 卖给客户"
  3. 提交 SEC 文件描述 AI pivot

结果：
  星期二市值: $2100 万
  星期三市值: $1.48 亿
  涨幅: 582% 一天

Shaan Puri 的解读：

"There was like an ICT company that was like, 'Yeah, we're IT company, but we're a blockchain iced tea company.' And then there were tons of these companies. They would just change their name. They didn't even change the underlying business." （以前有个 ICT 公司说"我们是区块链冰茶公司"。这种公司很多——他们只改名，根本没改业务。）

这个事件揭示什么？

这是 1999 年互联网泡沫期"加 .com 涨 100 倍"剧本的 2026 年版——只是把 ".com" 换成了 "AI"。

关键观察：efficient market hypothesis（有效市场假说）在 AI 时代正在失效——一个跌了 99% 的鞋子公司，只是因为名字加了 AI 一夜涨 5 倍，这不是有效市场。

核心洞察：当一个领域的"主题股"开始无差别暴涨时，这个领域已经处于泡沫晚期——历史上：

• 1999 年互联网：所有 .com 股都涨 → 2000 年 NASDAQ 崩 78%
• 2017 年 ICO：所有"区块链 X"项目都涨 → 2018 年 BTC 跌 84%
• 2026 年 AI：所有"我们做 AI"的公司都涨 → ???

对中文读者的实操含义：特别警惕"我们 pivot 到 AI"这种叙事——除非有具体技术、具体客户、具体收入，否则大概率是市值游戏。

---

八、印度 AI 数据工厂：人类劳动 → 训练数据 → 取代人类

视频最后段提到的最让人深思的现象。

事实描述：

• 印度有大型工厂
• 工人戴头盔摄像机
• 摄像机录他们做日常动作（叠衣服、缝纫衬衫等）
• 录像被卖给 AI 公司当训练数据
• AI 公司用这些数据训练机器人 AI

类比 Tesla FSD：

Tesla FSD 训练数据来源:
  人类驾驶员开 Tesla 的几百万英里
  ↓
  训练 AI 学会驾驶
  ↓
  AI 取代人类驾驶员

机器人 AI 训练数据来源:
  印度工人做日常动作几千小时
  ↓
  训练 AI 学会做这些动作
  ↓
  AI 取代这些工人 + 全球类似工人

核心洞察：这是工业革命到 AI 革命之间最直接的传送带——人类劳动本身就是训练数据，而这些训练数据正在被用来取代提供它们的人类。

伦理 / 经济学含义：

• 这些工人事实上在生产自己的失业
• 但目前他们有工资——而未来不会有
• 这是一个有限时间窗口的"最后劳动机会"

对中文读者的实操含义：任何"高度标准化、高度重复"的工作都在被这个传送带处理——

• 制造业（缝纫、组装、包装）
• 仓储物流（分拣、上架）
• 餐饮服务（炸薯条、煮咖啡）
• 客服（话术驱动）

如果你的工作 80%+ 时间在做"标准化重复动作"，这个传送带正在为取代你的 AI 收集数据——通过你的同行、跨国低成本工厂、或你自己（如果你的雇主在记录你的工作流程）。

唯一的"反传送带"职业特征：

• 跨情境的判断（医生诊断不同病人）
• 创造性输出（设计、写作、研究）
• 复杂人际互动（协商、销售）
• 体力 + 灵活性的非标准动作（修水管、特殊护理）

---

行动启示

Step 1（5 分钟）：建立"杂学认知卡片"心智习惯

下次看任何长 podcast / 访谈，别期待"一个深度主题"——期待"5-10 个『咦原来如此』的认知卡片"。这种心理预期会让你从同样的内容里拿走 3 倍的信息量。

Step 2（30 分钟）：测试"AI 死亡预测"

如果你做过近期体检，把数据 + 家族史输入 Claude / ChatGPT，问：

基于以下数据，预测我最可能的死亡原因（按概率排序）：
[贴血液检查]
[贴家族史]
特别关注未被传统医学检查注意但你能识别的组合模式。

这不是为了恐惧，是为了「针对性预防」——AI 给的具体风险 = 具体可改善的生活习惯。

Step 3（持续）：实施 Golden Like 准则

• 每周给自己 1 张"$100 票"
• 在所有看到的内容里只用 1 次
• 强迫"深度评判"

坚持 4 周后，你会发现自己开始问「这内容真的值得我深度记住吗？」——这个问题本身就是对抗信息过载的最好武器。

Step 4（每月一次）：做"工具如何塑造我"审视

问自己 3 个问题：

1. 我是否变得只能写 X 字以下的段落？
2. 我是否觉得"超过 N 分钟的思考"就累？
3. 我是否失去了"看完整本书"的耐心？

如果 Yes，工具在改造你——决定你是否要"反塑造"。

Step 5（投资判断）：警惕"AI pivot"型公司

任何一个原本不做 AI、突然宣布"我们 pivot 到 AI"的上市公司——默认假设是市值游戏，不是真业务。除非他们有：

• 具体技术（不只是"我们买 GPU"）
• 具体客户（不只是"我们计划合作"）
• 具体收入（不只是"我们预计明年"）

最值得记住的元洞察：「杂学派对」这种节目形式在 AI 时代的真正价值，是它演示了一种 AI 暂时还做不好的能力——把不相关的事实组合成「聪明朋友会跟你聊到的有趣话题」。真正的"信息深度"会被 AI 廉价化（写得比人类好），但"信息趣味性 + 跨领域组合 + 对话引发能力"还需要人类。这是未来 5-10 年仍然值钱的内容形式。

---

附录

金句收录

"It's ridiculously delicious. No kidding. It's at a level where I don't want to drink cola any other way anymore." 这特么好吃。真的。好到我以后只想这样喝可乐。 ——George Mack 对村上春树发现的可乐+花生组合的反应

"Eat shit Michael Jordan, you broke." 滚蛋 Michael Jordan，你穷。 ——病毒推文对罗马战车手 Diocles vs Jordan 财富对比的总结

"We shape our tools, and thereafter our tools shape us." 我们塑造工具，工具反过来塑造我们。 ——Marshall McLuhan 提炼的核心命题

"Imagine if the only currency was $1 like a $1 bill. You'd have dollar store everywhere. You wouldn't have Michelin star restaurants." 想象唯一货币只有 $1 钞票——你会到处看到一元店，没有米其林餐厅。 ——Golden Like 改革思路的核心论据

"The truth is no longer even fucking matters because it can't be determined unless you experience it with your own five senses." 真相不再重要——因为无法被确定，除非你亲身用五感经历。 ——AI 时代真相危机的极致表述

"Human beings can't forecast a solution because if we had the solution for it, we would implement it and be worth trillionaires." 人类无法预测解决方案——因为如果我们有，就会实现它并成为万亿富翁。 ——David Deutsch 预防原则的核心论点

"It's like a a popular shoe amongst tech guys at least. They became a public company, but then they started failing. So these guys bought it and they pivoted to AI. The stock as of this morning is soaring." 一种 tech 圈流行的鞋。上市后开始跌。新东家买下后 pivot 到 AI——今早股票暴涨。 ——Allbirds 一夜变 AI 公司案例

"Well, the next thing for Tesla is not cars, it's his robot. How are you going to train the robot? Well, we're building..." Tesla 下一个不是车，是他的机器人。怎么训练？我们在建造…… ——Elon Musk 关于机器人训练数据的访谈片段

---

术语表

• Modern Wisdom：Chris Williamson 主持的英国深度访谈 podcast。
• Experimental Episode Format：本期使用的"杂谈"格式，区别于常规一对一深度访谈。
• Gaius Appuleius Diocles：公元 122-146 年罗马战车手，史上收入最高运动员。
• sestertii：罗马帝国货币单位（青铜币）。
• pH 2.5：可口可乐的酸度水平。
• Boom Scrolling：George Mack 创造的术语——在跑步机斜坡上滑社交媒体。
• Golden Like：每周限定 1 次的"高价值赞"概念。
• Marshall McLuhan：加拿大传播学家，"媒介即讯息"理论提出者。
• The Beginning of Infinity：David Deutsch 的科学哲学著作。
• Precautionary Principle：预防原则——人类历史是连续问题解决。
• Allbirds：以 wool sneaker 出名的曾经热门 tech 圈鞋品牌。
• ICT Co：Iced Tea Company，1999 年互联网泡沫期改名"区块链冰茶公司"的真实案例。
• FSD：Full Self-Driving，Tesla 的自动驾驶系统。
• Trainium：Amazon 的 AI 训练芯片（也在其他报告里出现过）。

---

时间线索引（核心节点）

• [00:00] 开篇：George Mack 介绍可口可乐 + 花生组合（村上春树发现）
• [02:00] 史上最高收入运动员问题
• [03:00] Gaius Appuleius Diocles 揭示（$15B）
• [05:00] 美国 vs 欧洲体育商业模式对比
• [20:00] Sponsor read（喜剧/广告段落）
• [40:00] AI 健康预测段落开始
• [43:00] George 的青光眼 / 中风预测命中
• [45:00] 美国厕所设计槽点（英国人视角）
• [60:00] 社交媒体 metric 改革讨论
• [80:00] Boom Scrolling 概念引入
• [83:00] McLuhan + 尼采打字机案例
• [85:00] Golden Like 概念
• [90:00] Dollar Store 类比的引入
• [100:00] 早期 podcast 时代讨论
• [120:00] AI 时代真相不可知讨论
• [125:00] Charlie Kirk 暗杀阴谋论
• [128:00] David Deutsch precautionary principle 引用
• [130:00] Allbirds AI pivot 涨 582% 案例
• [135:00] 印度 AI 数据工厂讨论
• [138:00] 收尾