01原理
这个模型说的不是“多读书”这么简单。芒格的论证分三步：第一，你现在会的东西有保质期，环境一变，昨天赢的那套打法明天可能就输；第二，所以决定长期结果的，不是起点时知道多少，而是每天新增多少、旧的错误修掉多少；第三，学习的增量会叠加，所以那些既不最聪明、也不最勤奋的人，只要一直在学，几十年后往往会超过天赋更好的人。
芒格把这件事抬到了“道德责任”的高度。他的意思是：你做的判断会影响别人——合伙人、客户、员工，判断质量取决于你脑子里的东西是否跟得上现实，那么停止学习就不只是个人选择，而是在拿别人的利益冒险。这和他反复说的“格栅”是连着的：多学科的大想法要先学进来，还得经常拿出来用，否则会生锈。
对 10 人以内的 AI 原生公司，这个模型格外尖锐。模型能力、价格、接口、分发渠道每隔几个月就变一次，一年前形成的“我们擅长什么”的判断，很可能已经不成立。小团队没有大公司的缓冲：没有专门的研究部门替你盯着变化，也没有足够的现金让你慢慢试错。创始人自己的学习速度，基本就是公司适应速度的上限。
为什么成立
第一层是复利。如果每天的理解只比前一天好一点，并且这些理解能互相连接，那么增长就不是线性的：新知识让旧知识变得更有用，旧知识又让新信息更容易被理解和归类。芒格说“前面还有很长一段路”时尤其管用，说的就是复利对时间长度的依赖。
第二层是折旧。知识和技能都会过时：一部分因为环境变了（打法失效），一部分因为不用就忘（技能退化）。不学习并不是原地不动，而是在以某个速度往后退。学习机器的真实含义，是让新增的速度持续高于折旧的速度。
第三层是方法本身。芒格借怀特海的话说，文明的加速来自发明了“发明的方法”；对个人来说，对应的是学会“学习的方法”——知道该读什么、该问谁、怎么把经验变成可复用的规则、怎么主动找推翻自己的证据。有了方法，学习才不依赖一时的热情。
02芒格怎么说
芒格在 2007 年南加州大学古尔德法学院的毕业演讲里专门讲了这一点：获取智慧是一种道德责任，由此推出必须终身学习。他拿伯克希尔举例，说支撑公司走过一个十年的本事，不够它走过下一个十年；没有巴菲特这台“持续学习的机器”，那份纪录不可能出现。他还描述了巴菲特的时间分配：大约一半时间在读，剩下很大一部分在和信得过的聪明人一对一交谈。
I constantly see people rise in life who are not the smartest, sometimes not even the most diligent, but they are learning machines.
我常常看到一些人在生活中不断上升，他们不是最聪明的，有时甚至不是最勤奋的，但他们是学习机器。
the skill that got Berkshire through one decade would not have sufficed to get it through the next decade with the achievements made.
让伯克希尔走过一个十年的本事，并不足以让它以同样的成绩走过下一个十年。
They go to bed every night a little wiser than when they got up and boy does that help—particularly when you have a long run ahead of you.
他们每晚上床时都比早上起床时聪明一点。这非常管用，尤其是在你前面还有很长一段路的时候。
if civilization can progress only when it invents the method of invention, you can progress only when you learn the method of learning.
如果文明只有在发明了“发明的方法”之后才能进步，那么你也只有学会了“学习的方法”才能进步。
03怎么用
- 01
给自己的“能力表”标上日期
把团队自认为擅长的东西逐条写下来——比如某类提示词工程、某个获客渠道、某套定价逻辑——每条后面写上它是哪一年、在什么条件下被验证的。每个季度过一遍：哪些前提已经变了？依赖已过期前提的能力，要么重新验证，要么主动降权。这是把芒格说的“上一个十年的本事不够下一个十年”变成一张可以检查的表。
- 02
把读和问写进日程，而不是留给“有空的时候”
芒格描述巴菲特的时间：大约一半在读，另一大块在和信得过的聪明人一对一交谈。小团队创始人做不到这个比例，但可以固定下来：每周留出几块不被打扰的整段时间读一手材料（论文、文档、竞品更新日志、客户原话），每月找几位比你懂某个领域的人一对一聊。没写进日程的学习，最后都会被救火吃掉。
- 03
每次失败都要沉淀成规则
事故复盘、丢单原因、被拒的融资，都是学费。交了学费却没留下东西才是真亏。做法是：每次复盘只回答两个问题——“我们原来以为什么”“现在知道了什么”，并把答案落到能被下一次直接用上的地方：检查清单、代码库里的说明、新人文档、给 AI 智能体的提示词。
- 04
把练习机会给最会学的人
芒格在同一场演讲里讲了伍登的做法：练习和上场时间集中给最有学习能力的人。小团队资源有限，关键的客户、最难的技术问题、对外发言的机会，应该交给学得最快、复盘最认真的人，而不是按资历轮流。这样团队整体的学习速度才会被拉高。
04案例
巴菲特的“烟蒂”：一个自称“学得慢”的学习机器
巴菲特在 1989 年致股东信里专门写了“前 25 年的错误”。第一个错误就是买下伯克希尔本身：他知道纺织业前景不好，但因为价格便宜还是买了。他解释，这种“烟蒂”式买法在他早年确实挣过钱，可到 1965 年他已经开始意识到它并不理想。买下伯克希尔后不久，他又以大幅低于账面价值的价格买下巴尔的摩的百货公司 Hochschild Kohn，三年后只能按差不多原价卖掉。信里的结论是：用合理的价格买一家好公司，远好于用便宜的价格买一家普通公司；“查理很早就明白这一点，我学得慢。”用这个模型看，这段历史正好印证了芒格的说法：早年让巴菲特挣钱的本事，到了下一个阶段不够用了；而伯克希尔后来的成就，靠的是他承认旧方法失效、把教训写成新原则。值得注意的是，他说自己“学了好几遍”才学会——学习机器并不是不犯错，而是犯过的错不白犯。[2][1]
约翰·伍登：执教 UCLA 第 16 个赛季才拿到第一个冠军
伍登 1948 年开始执教 UCLA，在最后 12 个赛季里拿了 10 个 NCAA 冠军，其中包括 1967 到 1973 年的七连冠，还创下 88 连胜的纪录。但第一个冠军要等到 1964 年。维基百科的记述是：1964 年，助理教练杰里·诺曼说服伍登，让身材偏小、打快节奏的球队加上区域紧逼防守；那年决赛对阵杜克时，UCLA 没有一名球员高于 6 英尺 5 英寸，却靠速度和紧逼赢下冠军。芒格在 2007 年的演讲里从另一个角度讲伍登：他让排在后面的五名球员只当陪练，上场时间全给前七人，“前七人学得更多”，之后赢得比以往任何时候都多。两条记述放在一起看，一个已经成名的教练，还在吸收助手的战术建议、调整练习机会的分配。芒格对因果的解释是他本人的看法，这里不把它当成已证实的结论。[3][1]
Perplexity：几个联合创始人边学 SQL 边做产品，然后承认判断错了
据联合创始人阿拉文·斯里尼瓦斯在 2024 年 Lex Fridman 播客第 434 期中的回忆，Perplexity 最早想做的是用自然语言查询关系型数据库：让模型把问题翻译成 SQL，在抓取来的推特数据上执行。他们选 SQL 的理由是输出更模板化、出错空间更小，“但这个判断后来证明是错的”。他说当时的代码模型很弱，几位联合创始人只能自己手写大量查询模板，“我们自己也在学 SQL”。推特搜索上线后带来了第一批关注，但他们看清这只是一次性的热度，而且推特的接口很可能被收紧；真正留下来的信号是“把链接找出来再做摘要”这件事有人要。于是他们转向通用搜索，2022 年 12 月 7 日发布，用户连圣诞假期都在用。用这个模型看，这个早期团队的优势不在于一开始就对，而在于学得快：边做边补自己缺的技能，最初的技术前提被证伪后，很快换到了更有前景的方向。以上都是创始人事后的自述，属于单一来源。[4]
05误用与边界
把“输入”当成“学习”
订阅几十个简报、收藏上百篇论文、每天刷新模型榜单，感觉很充实，但如果没有改变任何一个判断或做法，那就只是消遣。检验标准很简单：过去一个月，你因为学到的东西放弃了哪个旧观点、改了哪条流程？说不出来，就是在囤信息。
什么都学，结果什么都没学深
芒格强调学“大学科里的大想法”，并且要反复练习，而不是追逐每一个新工具。对小团队来说，每周换一个框架、每月换一个模型供应商，看起来像在学习，实际上是在不断支付切换成本，积累不起任何深度。学习机器需要有筛选：哪些变化会改变你的基本判断，哪些只是噪音。
用“还在学”拖延决定
学习的目的是做出更好的决定，不是无限推迟决定。如果团队总说“等下一代模型出来再看”“再调研一轮”，学习就成了逃避承担后果的借口。好的做法是给学习设截止时间：到点按当时最好的理解做决定，同时写下什么新证据会让你改主意。
06检查清单
下次做相关决策前逐条过一遍。勾选只保存在你的浏览器里。
08来源
- 1
- 2
- 3
- 4