网红赚得比工程师多，真的是社会分配出了 Bug？

有时候看收入这件事，会产生一种很朴素的困惑。

一个工程师，可能做了几年系统。

白天改 Bug，晚上查日志，服务器半夜炸了，还得爬起来看。最后做出来的产品，也许有几百万、几千万用户，每天稳定运行，几年以后还在给公司赚钱。

另一边，一个主播坐在镜头前聊几个小时，一个 KOL 发一条商单，一个头部博主拍一期视频，一场直播卖掉几千万的货。

有些账号一条广告的报价，可能顶普通人几年工资。

于是很自然会冒出来一句：

凭什么？

尤其站在技术人的视角看，这件事多少有点别扭。

工程师特别习惯一种价值直觉：东西最好能复用，能规模化，能积累。

今天写一个库，明天还能用；今天搭一套系统，几年以后还能继续跑；一个算法被发明出来，可能执行几亿次；一套基础设施搭好，后面几百个人都能踩在上面继续干活。

那一场直播呢？

关播以后不就结束了吗？

一条热搜呢？

三天以后还有多少人记得？

一场演唱会、一场比赛、一个爆款视频，好像也差不多。

它们当然让人开心，也能制造话题。可如果把时间拉到几十年、几百年，甚至更夸张一点，拉到整个人类文明的尺度：

它们到底创造了什么？

这个问题多少有点“工程师味过重”。

但它真正暴露出来的直觉，非常普遍。

我们经常默认：

工资是在给社会贡献打分。

工资高，说明能力强。

赚得多，说明贡献大。

如果一个头部主播一年赚几个亿，一个科研人员一年赚几十万，是不是意味着社会已经替他们排好了名：

前者的“价值”，就是后者几百倍？

这张排行榜特别诱人。

简单，清楚。

数字不会跟你争论。

问题是——

市场从来没答应替人类排这张榜。

继续往下挖，很快会发现，事情甚至不只是“价格不等于价值”这么简单。

也许根本不存在一把藏在世界后台的尺子，可以把一首歌带来的快乐、一个护士减少的痛苦、一段代码提高的效率、一篇数学论文几十年后的知识外溢，全部换算成同一种单位。

工资是一把尺。

市场价格是一把。

利润、播放量、论文引用、考试成绩、选票、教材收录、历史留存，也都是各自的尺。

它们能看见一些东西，也会漏掉一些东西。

有时候甚至不只是漏掉。

测量本身，还会反过来改变被测量的世界。

所以真正值得解释的，已经不只是：

“为什么网红赚这么多？”

还得继续问：

这些钱是怎么形成的？

为什么有些劳动可以突然被放大几百万倍？

规模收益出现以后，为什么钱会流向某些人，而不是另一些人？

今天形成的价格和财富，又为什么会参与制造明天？

这得先从那张最容易骗人的工资排行榜说起。

定价错位机制：工资不是奖状

经济学里有一个特别经典的问题：

水与钻石悖论。

水对人的生存显然比钻石重要。

没有钻石，大部分人照样生活；没有水，几天都够呛。

可正常情况下，一颗钻石却可以买很多很多水。

如果只说：

“因为钻石更稀缺。”

其实还少了一层。

十九世纪七十年代前后的边际革命，给出了后来很经典的一种解释：市场价格通常不是在给某件东西的“总重要性”打分，它面对的是当前供需条件下，再多得到一单位时，人愿意为它支付多少钱。

水的总重要性巨大。

可在一个供水充足的城市里，你已经有水喝、有水洗澡、有水冲厕所。再多来一瓶矿泉水，当然有用，可它增加的效用并没有那么夸张。

钻石不同。

供给少。

额外得到一颗时，一部分消费者愿意支付的价格会高得多。

所以水与钻石真正漂亮的地方，并不是告诉我们：

“钻石其实比水重要。”

恰恰相反。

它提醒的是：

“对人到底有多重要”，和“市场上下一单位值多少钱”，从一开始就是两个问题。

市场不会成立一个“人类文明贡献委员会”，每年年底开会：

“经过专家评审，本年度后端工程师文明贡献度 83.7 分，因此建议月薪 24000。”

现实里的收入，是很多变量一起撞出来的结果。

多少人想要你的东西？

多少人愿意付钱？

多少人付得起？

你有多稀缺？

容易不容易被替代？

你的产出能够覆盖多少人？

渠道能把它放大多少？

你又掌不掌握收费入口？

还有一个后面会反复回来追问的问题：

创造出来的东西，到底有多少能够被你自己留下？

市场里的“愿意付钱”还有一个很容易被忽略的前提。

你想要，还不够。

你得买得起。

一个月收入十万元的人，花两千块买一张演唱会票；另一个月收入三千元的人，面对同样两千块，可能得先考虑房租、吃饭和交通。

所以市场需求从来不是：

一人一票。

它天然受到购买力约束。

更准确地说：

购买力决定你大概有多少票，偏好决定这些票最后投给谁。

这就是所谓：

购买力加权的需求。

可价格也不是某个隐藏“真实价值”的错误读数。

不存在一个天然可观察、可以统一换算的“社会总价值”。

一首歌带来的快乐，一次手术减少的痛苦，一段代码节省的时间，一项基础研究几十年后的外溢，本来就不是同一种单位。

所以本文所谓“价格不等于价值”，并不是说世界上存在一个绝对正确的价值数字，而市场把它算错了。

真正的意思是：

任何一把尺，都不等于全部。

那既然任何一把尺都无法衡量全部，我们在做选择的时候，到底该看哪些尺？

这有点像机器学习里的“特征选择”。

一个模型面对一堆变量，并不是把所有能观察到的东西都一股脑塞进去，也不存在一种脱离具体任务、永远正确的“最佳特征”。

你得先问：

你到底想预测什么？

目标不同，重要的特征就会变。放到人身上也一样。工资当然是一个特征。而且是一个非常重要的特征。

它能反映市场需求、稀缺性、议价能力，也直接影响一个人的生活条件。

但除此之外，还有稳定性、成长空间、工作强度、自由度、社会关系、创造感、长期复利、风险，甚至一个人愿不愿意每天醒来继续做这件事。

真正的问题从来不是：

“工资这个指标要不要看？”

当然要看。

而是：

“在你想要的人生里，哪些特征应该进入模型，它们各自应该占多大的权重？”

一个刚毕业、没有积蓄的人，可能会把收入和成长的权重拉得很高。

一个已经拥有足够资产的人，可能更在意时间、自主权和意义。

同一个人二十岁、三十岁、五十岁，权重甚至都会变化。

所以“不要只看工资”最容易被误解成一种新的道德口号，好像谈钱本身就很庸俗。

其实完全不是。

问题不是工资不重要，而是我们太容易把一个重要特征，误写成整个目标函数。

这也是为什么回到社会层面，讨论“谁赚得多、谁赚得少”时，很容易陷入情绪。

而且我们平时讨论“网红赚得比工程师多”时，连拿出来比较的两个样本，本来就已经被筛过一次。

赢家形成机制：公众看见造富故事，行业长出来的却是一条长尾

平时一说主播、网红、KOL，我们想到的是谁？

千万粉主播。超级 UP 主。顶流艺人。一年接几千万商单的个人 IP。

说工程师的时候呢？

往往就是公司里一个正常上班的程序员：写业务、修 Bug、开会、维护系统、领工资。

于是：

“网红为什么比工程师赚钱？”

这句话在被说出口以前，已经偷偷完成了一次抽样：

普通工程师对内容行业最顶端的那一点。

那当然刺眼。

真正把镜头往下拉，画面完全不同。

中国社科院新闻与传播研究所数字劳动课题组的一项调研显示，其样本中超过九成网络主播月收入不足 5000 元，课题组把直播行业描述为具有很强的长尾效应。另一份由中国演出行业协会网络表演（直播）分会与快手联合发布的报告则称，截至 2023 年底约有 1508 万人把网络主播作为主业，其调研中八成以上职业网络主播平均月收入低于 8000 元。两份调查的方法和样本并不相同，却至少共同提醒了一件事：普通主播与公众经常看到的头部主播，并不是同一种收入世界。

公众看到的是造富故事，行业真正长出来的却是一条极长的尾巴。

反过来看工程师，也不能用“月薪两三万”当作一个完全悬空的印象。

中国劳动和社会保障科学研究院基于招聘大数据发布的 2025 年三季度数据里，互联网/物联网/电子商务行业的前端开发工程师平均招聘月薪约 1.49 万元，嵌入式软件开发约 1.86 万元，移动开发约 1.77 万元，架构师约 2.30 万元。这里说的是招聘报价，不等于实际到手工资，但至少给“普通工程师”提供了一个现实量级。

这时候再把“一个亿级头部主播”放到“一个一两万月薪的普通开发”旁边看，问题就清楚多了。

这不是两个行业平均收入的比较。

是一个长尾行业的冠军，对另一个行业的中间样本。

为什么我们很少讨论：

“一个做了五年自媒体还只有 300 个粉丝的人，为什么比程序员穷这么多？”

因为没人看。一个千万粉主播本身就是新闻。几十万个没人看的账号不是。

大量拍几年视频没人看的创作者、唱十年没红的歌手、没打进职业联赛的运动员，甚至连“失败故事”都没有足够的传播价值。

我们的样本在进入讨论以前，就已经被：

可见性

筛过一遍。

所以真正特别赚钱的不是：

“当网红”。

而是：

成功成为那极少数头部。

站在入场以前，还要再校准一次。

拿一个主播爆红以后的收入，判断“做主播是不是高薪职业”，和拿彩票一等奖金额判断“买彩票是不是高薪工作”，多少有点像。

假设一百万人开始做内容。少数人成为超级 IP。大量人几年都没有稳定收入。

那对于今天刚入行的人，重要的不只是冠军奖金有多大，还有：

自己到底有多大概率站到那个位置。

Lazear 和 Rosen 的锦标赛理论提供了一个有意思的角度。

顶部巨奖并不只在冠军领奖以后发挥作用。

冠军一千万、第二名三百万，这七百万的差距在比赛开始以前就已经存在，会影响下面所有人的努力和入场决定。

内容行业并不是被某个人按照锦标赛理论精确设计出来的，但它同样存在这种事前效应。

一个年入千万的头部账号，不只是一个结果。

它还挂在几百万普通创作者面前，像一句：

“你也有可能。”

高风险能够解释为什么顶部奖励可能具有激励作用。

却不能自动证明任何规模的顶部奖励都合理。

如果奖赏足够诱人，也可能吸引大量人投入几年时间，最后绝大多数人得到很低的回报。

前面这一步，只是在校准样本：

冠军奖金，不等于参赛者的平均回报。

可校准以后，冠军的钱仍然是真的。

为什么它能大到这个程度？

真正承重的东西没有那么多。

规模。集中。捕获。

技术决定蛋糕能做多大。

注意力决定蛋糕往哪里堆。

产权、平台、合同和议价能力，决定最后是谁切走蛋糕。

注意力聚合：你买的有时候不是内容，而是“我被看见了”

技术人特别容易低估一种东西：

情绪价值。因为它不好测。服务器快了 20%，可以测。成本降了 30%，可以算。

模型准确率提升 5 个点，可以塞进表格。

一个人听完演唱会特别开心，怎么记？

总不能散场以后给他测：

“本次活动使您的幸福指数提升 13.6%。”

不好量化，不代表不存在。

有人愿意坐几小时高铁，晚上听完一场演出再回来。

你可能觉得“不产生长期复利”。

对另一个人来说，那可能就是工作半年以后最期待的一天。

如果所有消费都必须回答：

能不能提高生产效率？

能不能推动科技？

二十年以后还有没有复利？

那人类最后大概只能工作、学习、锻炼身体。

锻炼身体还是为了第二天继续工作。

多少有点恐怖。

今天庞大的内容和娱乐产业，并不是生产力的反面。

某种程度上，它恰恰是：

生产力成功以后的下游。

生产力提高以后，人得到的不只有更多商品。

还有时间。

而自由时间一旦出现，很快又会成为新的市场。

Herbert Simon 很早就提醒过：信息越来越丰富以后，真正稀缺的反而是注意力。

今天打开手机更加明显。

短视频、游戏、直播、新闻、购物、社交平台，全都在争那几个小时。

头部主播和 KOL 真正昂贵的地方，不只在于他会不会说话。

而是：

他能稳定聚集共同注意力。

直播还多了一层很有意思的东西。一个人每天去同一个直播间。主播并不真正认识他。

可某天他刷了一笔礼物，主播突然念出他的名字：

“哥你来了，欢迎回来。”

几万人的直播间里，他那一秒从普通观众变成了一个：

被看见的人。

拟社会关系本来主要是单向的。

你很熟悉电视里的主持人，可主持人不知道你是谁。

直播把它往前推了一步。

主播会读名字，会回应弹幕，甚至可能记住一个老粉。

于是打赏买的就不一定只是：

“再听他说几句话。”

还可能是在买：

我被看见了。

我在这个小社区里有位置。

所以榜一、舰长、粉丝牌、会员等级，本身同时混合着消费、关系、身份和地位。

有些直播真正出售的，不只是内容。

它卖的是被一个你在意的人确认存在。

这也解释了为什么购买力约束和强烈情感消费并不矛盾。

一个月收入三千的人打赏一千。一个月收入三十万的人也打赏一千。市场记录的都是 1000 元。可对福利来说，显然不是同一种牺牲。

成交金额可以精确记录支付，却不能自动记录支付背后的福利成本。

共同注意力再大一点，甚至能把城市带着走。

一个长沙乐迷坐高铁去武汉，下午入住酒店，晚上看演出，散场以后吃宵夜，第二天顺便逛一圈。

歌手唱的还是那几个小时。

被调动起来的，却是一整条消费链。

当然，“1 元票房带动几元周边消费”不能直接等于“创造几倍社会净价值”。

有些消费只是从另一个城市、另一个周末迁移过来。

真正重要的是另一件事：

一个头部人物，可以把原本分散在不同地方的时间、注意力、人口流动和消费决策，同时压到一个晚上。

不是歌手生产了酒店。

他真正拥有的是一种：

协调注意力的能力。

规模放大：做一次，卖很多次

现场表演本来是一个非常难提高生产率的行业。

Baumol 和 Bowen 研究表演艺术时就注意到了。

两百年前演四十分钟四重奏，需要四个人、四十分钟。

今天还是四个人、四十分钟。

你不能说：

“今年生产率提高 100%，以后两个人二十分钟演完。”

那不是效率提升。

那是把作品改了。

现代媒介真正改变的不是：

让歌手唱得更快。

而是：

让一次劳动被更多人消费。

一首歌录一次。一百人听。一亿人听。

一个 UP 主拍一期视频，一百人看和一千万人看，不需要他重新拍一千万遍。

于是原本被个人时间锁住的劳动，突然获得一个巨大杠杆：

做一次，卖很多次。

这才是超级 IP 真正的技术地基。

规模扩大以后，注意力又不会平均分配。

Rosen 的超级明星理论解释了为什么很小的能力、质量或者品牌差异，在巨大统一市场里可能变成极大的收入差异。

消费者没有义务为了保护就业：

“今天我已经看了头部主播一小时，接下来必须扶贫一个 36 粉丝的小主播。”

注意力没有平均分配义务。

Frank 和 Cook 后来又把这个问题往整个社会推了一层：

技术和市场扩张，会让越来越多领域变成“大量参与者争夺极少数高回报位置”。

互联网让更多人有资格参赛。

它并没有保证更多人有资格领奖。

Salganik、Dodds 和 Watts 的人工音乐市场实验又发现，一旦人能够看到其他人的选择，文化市场会变得更加不平等，也更加难以预测。

质量当然重要。

可早期流量、榜单、社会证明和路径依赖也会被一起放大。

一个视频先多推了一轮。

后来的人看见：

“这么多人点赞。”

于是继续点。

最后回头一看：

“你看，他果然比别人强一百倍。”

可那个一百倍里，能力和路径到底各占多少，已经很难拆开。

赢家通吃真正值得讨论的，也不只是：

赢家特别有钱。

它还决定这个行业最后养得活多少个没有赢的人。

而且：

人会轮换，位置未必松动。

今天坐在王座上的人可以换。

王座本身却可能始终只有几个。

可即使拥有几千万人的注意力，仍然还有最后一道门：

谁能够把它真正变成自己的钱？

收益捕获机制：创造了杠杆，为什么钱不一定归你

2026 年，《李白》因为演唱会授权问题引发了一场很典型的版权争议。单依纯后来公开表示，演唱时实际没有取得书面授权。

这个案例特别适合解释数字时代最奇怪的一层。

歌很好复制。

你甚至自己都会唱。

可：

“我会唱”，不等于“我可以在商业演出里随便唱”。

技术把复制成本不断压低。

制度又在低复制成本上重新画出：

收费边界。

于是才有复制权、表演权、信息网络传播权、授权期限、例外和公共领域。

它们不是物理定律。

所以一个头部创作者收入高，不能简单概括成：

“市场觉得他值这么多。”

更完整的结构是：

市场产生需求。

技术放大需求。

制度决定谁有权把这份需求变成收入。

到了平台时代，还要再多一层。

版权告诉你：

这个东西原则上属于你。

却不保证有人能看到它。

平台同时连接用户、创作者、商家和广告主，还掌握搜索排序、推荐、流量入口、商业化工具、账号规则和收费结构。

它一边是市场参与者。

一边又参与制定市场规则。

于是：

技术扩大市场，平台控制入口，产权划定收费边界，议价决定最终分成。

中国的监管实际上已经开始把这种权力往“可见”方向推。2025 年市场监管总局发布的《网络交易平台收费行为合规指南》明确把佣金、抽成、会员费、技术服务费、营销推广费、广告费等纳入平台收费，并要求平台持续公示收费规则，收费规则修改依法公开征求意见、保存历史版本。

这件事有意思的地方，并不是国家替所有平台规定了一个“正确抽成率”。

真正重要的是：

平台问题不只是抽多少，而是谁有权改变抽法，以及被抽的人能不能看懂这笔账。

这时再把镜头转回工程师，会发现一个很漂亮的镜像。

视频可以播放一亿次。

代码也可以运行一亿次。

为什么软件用户从一百万涨到一亿，工程师工资没有自动乘一百？

第一层原因，是企业总价值根本不能直接拆成某个员工的价值。

一个产品一年创造一百亿元收入，背后还有已有代码、其他工程师、产品、销售、运维、品牌、资本、管理、网络效应，甚至用户自己。

团队产出很难被精确拆回每一个人。

工资受到边际收益、替代难度、外部报价、组织制度和劳动力市场权力共同影响。

所以：

一个系统的平均价值很高，不代表一个个体拥有同样高的边际议价权。

还有一个更根本的差异，经常被“谁更有用”的讨论掩盖过去：

工程师的工资是事前定价，网红的收入是事后分成。

雇主答应给一个工程师两万五千元月薪时，并不知道这个产品未来能不能成功。无论公司大赚还是大亏，这笔工资都照付。工程师放弃的是上行收益——如果产品变成下一个微信，工程师不会自动获得对应比例的回报；但他也不必承担产品失败的风险。公司先承担了不确定性，再用相对确定的工资换取雇员的时间和技能。

网红则完全相反。在没有粉丝的时候就零收入，做了一年没起来就是负收入。他不是用一个确定的价格交换劳动，而是在用不确定性本身做赌注，赌赢了才有现在看到的收入。

我们拿一个事前定价的稳定岗位，去和一个事后从极端分布里幸存下来的自雇者比较收入，本身就是拿确定性去比上行收益。

这是锦标赛理论的另一面：冠军奖金之所以可以那么高，恰恰因为绝大多数参赛者拿不到。工程师的期望收入不低，波动却小得多；网红的期望收入未必高，方差却极大。

只看冠军奖金，不看奖金背后的风险结构，比较就会失真。

再下一层是产权。普通工程师参与创造代码和产品。成果通常进入公司的资产体系。创始人和股东却同时拥有股权。

于是同样的软件杠杆，一旦通过股权和个人绑定，就会转化成财富。

李博杰的经历很适合说明这种分叉。在华为做技术专家时，收入已经极高。可再高，首先仍然是劳动收入。

公司多服务一亿用户，企业估值增加，不意味着最会写代码的人收入同步增加。

所以程序员很喜欢问：

“我是在卖时间，还是在造资产？”

其实还得再问一句：

资产造出来以后，我还拥不拥有它？

这才是更深的分界。

不是：

网红 vs 工程师。

而是：

谁拥有可规模化资产的剩余索取权。

科技公司当然会通过奖金、期权、RSU、虚拟股和合伙机制，把一部分长期收益重新给员工。

网红也可能签一份非常差的经纪合同，把大量收入交给平台、MCN 和公司。

职业标签并不决定位置。

产权结构才决定。

工程师也不能一直站在“被低估的社会价值创造者”这个安全位置上。

如果比较对象换成护士、教师、养老护理员、环卫工，工程师往往又是收入更高的一边。

这时候最初那个：

“凭什么？”

完全可以原样问回来。

凭什么工程师赚得比他们多？

如果回答是：

技能稀缺。软件有规模杠杆。公司支付能力高。替代成本高。

你会发现，这就是刚才解释头部创作者时使用的同一种语言。

一个人完全可以同时处在分配机制的两边。

工程师相对股东可能缺乏完整剩余索取权。

相对大量可替代劳动，又可能是技术进步首先奖励的那批人。

软件和 AI 甚至可能让更少的人完成过去更多人的工作。

所以：

技术提高生产率的时候，收益和代价不会平均落在所有人身上。

最终还剩一个变量：

议价。

一个工程师如果随时可以跳槽、创业，或者快速拿到其他公司的报价，谈判能力当然更强。

如果行业集中、创业成本高、跳槽又被强竞业锁住，外部选择越少，议价空间越弱。

你能不能走，本身就是谈判筹码。

而职业体育和好莱坞又说明，议价并不只有个人层面。

球员工会、自由球员制度、流媒体残余分成、AI 使用条款，本质都在回答：

整个行业的规模收益，劳动者这一边能够整体拿多少？

所以：

议价权不只有“我能不能走”，也包括“我们能不能一起谈”。

到这里，网红与工程师的问题其实已经完整回答了一大半。

真正的差异并不是谁“更有用”。

而是：

谁拥有规模杠杆。谁控制入口。谁拥有资产。谁拥有收费权。谁又拥有谈判剩余的能力。可这些仍然都是价格体系里的问题。

市场没收走的那些价值，又该怎么判断？

测量失真机制：价格之外，也没有上帝视角

比如你特别喜欢一首歌。

假设你最多愿意每月花 100 块听音乐。

实际会员费只有 15 块。

剩下那部分效用，没有进入歌手收入，也没有进入平台营收。

它没有消失。

只是留在消费者自己手里。

经济学会把其中一部分理解成消费者剩余。

数字产品特别容易出现这种情况。

歌曲已经录好，多一个人听的成本很低。

十亿个人都喜欢，也不意味着创作者能够把十亿个人的全部效用变成自己的钱。

工程师也一样。

一套软件创造的收益可以进入公司利润、股东资产、消费者剩余、其他公司的生产效率。

并不会全部进入工资。

基础研究则把这种外溢推到了极端。

一个理论被一百万人使用，并不会只剩 30% 电量。

知识具有很强的非竞争性。

可它一旦扩散，又很难让几十年后每一个受益者回来结账。

于是基础研究特别容易出现：

社会收益远大于私人能够捕获的收益。

不是因为它没有价值。

恰恰可能是：

价值扩散得太厉害，市场根本没法把账收干净。

可这时候又不能偷偷假设：

既然价格不是真实价值，那论文引用、专家评价或者历史评价就是。

它们一样是测量系统。

看一个数学家尤其明显。

普通人听一首歌，几分钟就能判断自己喜不喜欢。

看百米赛跑，十秒知道谁赢。

一篇偏微分方程论文推进了什么？

绝大多数人完全无法直接判断。于是人一定会寻找信号。学校。奖项。职称。竞赛成绩。甚至人格特征。韦东奕就是一个很典型的例子。

“两届 IMO 满分金牌”。

这个很好懂。

普通人一秒就知道：

数学很厉害。

真正研究里的 Navier–Stokes、MHD、剪切流问题推进了什么？

难多了。

于是复杂的专业能力进入大众传播以后，很容易被压缩成：

天才。神人。秒解难题。扫地僧。

最后变成一种：

人人都能消费的超能力故事。

因为真正的数学太难消费。

“超级天才”却谁都看得懂。

另一组信号更便宜。生活朴素。衣服简单。不爱包装。看起来不在乎钱。久而久之，逻辑很容易倒过来。

原本是：

数学很强，同时生活简单。

后来变成：

“你看他这么简单，一看就是大师。”

数学和馒头之间，就这么莫名其妙建立起了一条因果链。

于是我们刚批判完：

收入高 = 社会价值高。

转头又可能犯另一个错误：

不爱钱 = 更纯粹 = 专业能力更高。

底层是一回事：

拿一个容易观察的代理指标，替代真正困难的判断。

历史也不例外。

我们喜欢说：

“时间会证明一切。”

仿佛历史深处坐着一个中立裁判。

其实时间本身不会投票。

真正投票的是后来的人。

什么进入教材？

什么作品继续再版？

哪场比赛反复重播？

哪些帖子被整理？

哪些数据库持续维护？

背后都有学校、出版社、平台、档案、资本、社区和制度。

天涯那些二十年前的帖子没有因为“真的经典”，就自己在硬盘里活了二十年。

服务器得开。数据得迁。内容得整理。现金流得维持。

所以：

首先得有人替它熬过时间。

传统体育也是一样。

100 米不会因为一家公司破产，突然弹窗：

“本项目将于下个月停止运营。”

国际象棋也不会更新版本：

“皇后的攻击距离砍半。”

电竞如果真想活两百年，最终可能必须越来越不像一个完全属于单一公司的商业产品，而越来越接近一种公共竞技标准。

所以：

制度不仅决定收入怎么分，还决定记忆怎么分。

经典也不是单纯“被保存”。

它还是：

被选择性地保存。

质量当然重要。

但：

质量从来不是唯一变量。

这并不意味着所有评价都毫无意义。

而是说：

我们没有一块独立于所有制度之外、能够直接显示“真实价值”的仪表盘。

真正应该问的不是：

哪个指标终于是真的？

而是：

它看见了什么？

漏掉了什么？

谁有能力影响它？

它又会反过来塑造什么行为？

换成机器学习的语言，我们其实一直在做特征选择。

真正危险的不是使用特征，而是忘了自己究竟在优化什么。

最后这一问最关键。

因为价格和普通评价指标相比，有一个特别麻烦的地方：

它会让人真的行动。

分配反馈机制：中奖彩票什么时候开始变成下一轮比赛的入场券

前面说市场需求是：

购买力加权的需求。

可购买力又从哪里来？

昨天的工资。昨天的利润。昨天的资产。甚至上一代留下来的财富。

于是两条原本分开的线，在这里咬到了一起：

价格受到购买力影响。

购买力又来自上一轮价格和分配。

市场不是每天早晨把所有人的财富清零以后，再重新公平投票。

它永远带着：

昨天。

进入今天。

这里还得把前面那张中奖彩票重新拿回来。

站在主播行业入口以前，头部收入是一场概率分布。

很多人竞争。

少数人赢。

所以不能拿冠军奖金代表职业平均收入。

可一旦有人真的赢了：

那笔钱是真钱。

事前看，这是概率分布。

事后看，这是财富分布。

整个行业成功率很低，不会让那个已经赚到一亿元的人，在买房、投资、创业时突然失去这一亿元。

接下来还要区分流量。和财富。

一个主播今天有一千万粉丝，不意味着十年以后仍然有。

平台会换。算法会换。审美会换。注意力资本的折旧率很高。

真正能够进入下一轮的，是那些已经完成转换的东西：

注意力 → 收入 → 资产化 → 财富 → 教育、资本与风险承受能力 → 下一轮机会。

不是所有赢家都能走完整条链。有人投资失败。有人消费掉。有人创业破产。税收也会切走一部分。但只要成功资产化，游戏规则就变了。前半场，他靠注意力赚钱。

后半场：

资产开始替他赚钱。

这也是为什么收入差距和财富差距不是一回事。

Piketty 关于财富积累的研究讨论的是一个更加宏观的问题：已有资本如何凭借回报跨时间积累。

工资是一次性的，资产是跨时间的。 劳动收入停止劳动就停止，但已经形成的财富可以继续参与下一轮分配。

一个主播赚到一亿元，真正改变他长期位置的，不是那一亿元本身，而是它能否被转换成能够持续产生回报的资产。

一次性的高收入，什么时候开始变成能够持续存在的资产。

也正是在这里：

定价不是价值判断，却会产生价值后果。

一个行业年薪一百万。

另一个年薪十万。

你当然可以告诉学生：

工资不能代表社会价值。

可填志愿、找工作、买房、养家的时候，那九十万差距是真的。

于是人才会移动。培训资源会移动。资本会移动。高校方向会调整。产业工具会成熟。

几十年以后回头看，原本收入更高的产业真的可能拥有更大的人才池和更强的能力。

所以：

工资不是文明贡献排行榜。

但工资真的会影响：

下一轮文明把人才放在哪里。

在中国，很难找到一个比张雪峰更适合解释这个过程的人。

高考志愿，本来就是很多普通家庭第一次认真使用：

未来价格预期

倒推人生。

这个专业以后能赚多少钱？

有没有岗位？

能不能考公？

家庭有没有能力承担失败？

过去这些信息散落在招聘网站、学校老师、亲戚和行业内部。

张雪峰擅长做的，是把复杂、滞后、信息不对称的劳动力市场信号，压缩成普通家庭能够直接执行的话。

这个可以。这个慎重。普通家庭别冒这个险。

所以他更像：

价格信号的翻译者、放大器和传播节点。

范子英、赵欣仪、韦佳妤 2025 年发表的一项研究，使用 90 所“双一流”高校 2019—2023 年分省分专业录取数据，围绕 2023 年“张雪峰新闻学专业评论事件”估计公共信号效应。论文报告新闻传播学类最低录取位次平均出现约 15% 的相对下降，并发现短视频受众更多的地区估计效应更明显、“不推荐”类信息的影响比“推荐”信息更显著。

不过这里必须主动踩一下刹车。

不能把论文直接翻译成：

“张雪峰一个人造成新闻学下降 15%。”

现实不是随机对照实验。

行业就业预期、宏观环境和专业舆论也可能同时变化。

更稳妥的说法是：

这项研究提供了一组支持“高流量公共信号能够影响专业选择”的经验性证据。

这已经足够有意思。

一个原本分散在劳动力市场里的模糊信号，经过一个高流量的人、直播、短视频、切片和转发，突然进入成千上万个家庭的决策现场。

这已经不是市场无形的手了。

这是一只有声音的手。

而且，同一个负面信号，对不同家庭并不是同一个重量。

一个拥有足够资产的家庭，孩子选错专业以后，可以重新读书、留学、转轨，几年没有稳定收入也能承受。

另一个家庭可能需要孩子毕业以后马上挣钱。

表面上看，两个人面对的是同一张专业目录、同一套录取规则，也都拥有“自由选择专业”的权利。

可真正参与选择的，从来不只是兴趣和能力。

还有：

家庭能够承担多大的失败。

这会产生一个很容易被忽略的分叉。

如果家庭拥有足够的财富、信息和社会资源，一次错误选择只是一次成本较高的试错。

如果家庭几乎没有缓冲，一次错误选择就可能意味着几年收入损失、重新培训成本，甚至整个家庭资产负债表的恶化。

于是财富影响的就不只是：

“能买多少东西。”

它还会影响：

一个人敢选择多大方差的人生。

教育经济学经常讨论学历和专业如何向劳动力市场传递能力信号，社会学也长期讨论家庭资源如何转化成教育优势。

但放到这里，更重要的一步是：

家庭资源还决定一个人能够承受多大的信号错误。

同一句：

“这个专业不好就业。”

对一个拥有大量退路的家庭来说，可能只是参考信息。

对一个几乎没有退路的家庭来说，却可能接近一道行动命令。

所以：

容错率越低，负向价格信号越有力量。

人们愿意为张雪峰这样的服务付钱，买的也不只是信息，还有确定性。

或者更准确地说：

用今天的一笔确定支出，降低未来一次无法承受的错误概率。

如果十八岁选错专业以后，可以低成本换方向、重新训练、跨行业，家庭有足够试错空间，“选对一次”就不会变成这么高压的一场押注。

这时候，张雪峰现象就不再只是一个网红影响高考志愿的故事。

它背后其实连着一条更长的链：

财富 → 风险承受能力 → 教育选择 → 职业分流 → 未来收入 → 下一轮财富。

而价格信号，恰好在这条链上不断向前传递。

张雪峰本人又刚好踩中了全文前面几乎所有机制。

他的知识和表达能够通过个人 IP 同时覆盖大量家庭。

规模。平台继续把注意力集中给少数头部。集中。

个人品牌再把注意力变成课程、咨询和资产。

捕获。

于是一个人一边在解释劳动力市场里的价格信号，自己却已经不只是按课时领工资的老师。

同一种知识劳动，处在雇员位置和资产所有者位置时，可以形成完全不同的收入结构。

甚至在人离开以后，可复制资产的逻辑都可能继续。

AI 可以合成声音，可以复制形象，可以继续借助一个已经形成的 IP 获得点击。

连本人，都不一定还是内容继续生产的必要条件。

市场的结果从来不会在成交那一刻结束。

它会进入下一轮社会。

到了这里，文章才真正碰到那个最难的问题：

既然没有一把统一的价值尺，我们凭什么说某些结果应该被改？

规范基准机制：没有总尺，不等于没有底线

Nozick 有一个很著名的 Wilt Chamberlain 思想实验。

假设社会一开始拥有一套大家都认为公平的分配。

后来，几百万人都自愿花一点钱看一个超级球星。

没有欺诈。没有强迫。赛季结束后，他变得非常有钱。

原本“公平”的分配被大家的自愿行为亲手打破。

问题来了：

仅仅因为最终结果很不平均，就能证明它不正义吗？

这个问题和网红收入几乎同构。几百万人愿意看。品牌愿意买广告。粉丝愿意打赏。

如果过程没有欺诈和强迫：

结果不平等，不能自动证明过程错误。

它逼我们承认，很多巨大的收入差距，确实来自千百万次完全自愿、互不欺骗的交易。

两个十八岁学生都在“自由选择专业”。

一个家庭可以承担五年试错。另一个家庭承担不起。形式上的自由相同。自由的厚度却完全不同。

Rawls 会问：

出生家庭、自然天赋、父母资源，本身有多少是一个人“应得”的？

这不是说有能力的人不能获得更高回报。

而是：

不能因为一种优势已经存在，就自动把它以后产生的一切结果解释成理所应当。

Sen 又往前推了一步。两个人账面收入相同。一个健康。另一个长期患病。

同样的钱最终对应的实际生活选择并不相同。

真正需要关心的，不只是资源数量。

还有：

一个人最终拥有什么实际能力和选择空间。

所以：

没有统一总尺，不等于什么都可以。

多元主义，不等于相对主义。

我们不需要先计算：

护士的社会价值是 81.3，工程师是 78.6。

才能判断基本医疗、教育、安全、真实退出机会值得保护。

这篇文章也没办法假装自己站在所有价值体系之外。

我同样拿着一把尺。

我更在意：

人的基本能力不能被彻底剥夺。机会不要过度被出生锁死。权力需要存在退出、竞争或者制衡。

外部成本不能永远甩给没有发言权的人。

这些都不是物理定律。

仍然可以被反驳。

认识到自己拿着一把尺，不是为了放弃判断，而是为了不把自己的尺偷偷冒充成宇宙真理。

真正棘手的地方还在下一层。

开始纠偏以后：

纠偏工具自己也会坏。

可竞争性机制：保护创新，还是保护今天的赢家？

最容易写的版本是：市场有问题，那就税收、版权、公共科研、劳动法、平台监管，几个按钮按下去，问题解决。

现实没这么便宜。每个修补器都会带着自己的失败方式进场。

税率会改变收入实现时间和资产配置。

版权太弱，创作者难以回收投入；太强，又可能锁住二次创作和后来的技术。

科研资助解决基础研究市场回报不足，又可能制造新的评审指标和短期主义。

平台监管过轻，守门人权力过大；固定合规成本太高，又可能帮助巨头抬高新进入者的门槛。

一种机制纠正另一种机制时，总会把自己的失败方式一起带进场。

当一个指标被用来考核，它就不再是一个好指标。

测量不是中立的观察，测量本身会改变被测量的世界。研究者会为了论文数量调整方向，平台商家会为了评分优化话术，工程师会为了 KPI 制造虚假活跃。创新也不会例外。它同样会被指标、规则和预期重新塑形，而不是在一个制度真空里自然发生。

这也是为什么“创新”特别适合拿来检验整篇文章。

2026 年 7 月，Apple 起诉 OpenAI、io Products 以及两名前 Apple 员工，指控 OpenAI 在进入消费硬件过程中获取了 Apple 的商业秘密。OpenAI 否认指控，并在 9 月 1 日的最新回应中反过来主张，Apple 正利用商业秘密诉讼妨碍竞争和员工流动；Reuters 报道称，OpenAI 表示其硬件团队已经招聘约 400 名前 Apple 员工。案件目前仍在诉讼中，双方的核心事实主张都不能提前当成法院结论。

为什么 Apple 不直接规定：

离职以后不能去 OpenAI？

因为在加州，普通雇佣关系中的竞业协议受到非常严格的限制。现行 §16600 明确要求广泛解释规则，使不符合法定例外的雇佣竞业协议无效，即使条款设计得很窄也一样。

这条规则的创新逻辑不难理解。

一个人在 A 公司见过一种系统，到 B 公司理解另一套方法，最后去 C 公司重新组合。

人本身就是知识重新组合的载体。

如果公司可以永久拥有一个人工作期间形成的一切经验，技术扩散会直接被掐死。

可人才自由流动也不能推出：

商业秘密不存在。

真正合理的边界应该是：

公司想保护什么，必须尽可能具体地指出什么。

不能只说：

“他太懂我们了。”

一般技能、经验、判断和行业知识应该能够随人流动；真正被采取合理保密措施保护、因秘密性具有商业价值的具体信息，才进入商业秘密的问题。

所以我更愿意押的第一条边界是：

人应该比公司更容易流动；企业可以保护具体秘密，却不能顺手拥有一个人的职业生涯。

Apple 这个案例还有一层更有意思的地方。

Apple、Masimo 与 OpenAI 之间涉及的是不同时间、不同主体、不同权利基础下的争议。商业秘密、人才流动和专利侵权不能被揉成一句：“谁偷了谁的技术。”

Masimo 与 Apple 的长期争议里，真正最终支撑 ITC 进口排除令的，是相关血氧检测专利侵权；这不等于法院已经替所有更宽泛的“知识流动”争议做出了统一判断。

而 Apple 与 OpenAI 的商业秘密诉讼截至目前仍然没有最终结论。

所以这个案例真正适合检验的，并不是：

Apple 到底是不是“双标”。

而是一个更一般的问题：

当同一家企业在不同阶段交换位置以后，我们还愿不愿意坚持同一套规则？

Apple 进入血氧检测领域时，曾经从 Masimo 等企业吸收关键人才。

人才流动、经验迁移和知识重新组合，对后来者当然有价值。

到了今天，Apple 自己成为拥有大量技术积累的一方，又有充分理由担心具体商业秘密随着人员流动被带出去。

这两个担忧都是真的。

也正因为两个担忧都是真的，制度才不能简单站队。

如果站在挑战者的位置，就说：

“人才自由流动最重要。”

等自己成为 incumbent，又说：

“员工知道的东西都应该留下。”

那规则保护的就不再是创新。

而只是：

此刻恰好拥有优势的人。

真正稳定的原则应该经得起角色互换。

如果今天 Apple 可以要求离职员工不能把具体、受保护的商业秘密带走，那么昨天 Masimo 也应该拥有同样的权利。

反过来，如果昨天 Apple 可以通过合法招聘吸收员工的一般技能、经验和判断，那么今天 OpenAI 也应该拥有同样的空间。

于是我们真正需要划的不是：

Apple / Masimo。Apple / OpenAI。强者 / 弱者。

而是什么可以随人流动，什么不能。

而这恰恰也是前面那条边界真正需要经受的压力测试。

把原告和被告交换以后，你还愿不愿意接受自己刚才主张的规则？

如果答案随着自己的位置一起变化，值得怀疑的可能就不是某一家公司的“道德”。

而是规则已经开始跟着利益位置移动。

所以：

角色会换，规则不能跟着原告席一起换。

专利也是一样。

专利最有吸引力的逻辑，本来是：

用暂时的排他，交换永久的公开。

发明者愿意公开技术。

社会让他在有限时间内收费。

Masimo 这样的企业恰好证明，知识产权并不只保护强者。

小公司面对巨头，同样可能需要它。

问题在于保护太强以后，专利又可能从奖励具体发明变成保护市场地位。

所以第二条边界不是：

专利越弱越好。

而是：

发明者应该有机会收费，后来者必须有合法的路可以绕。

design around 本来就是创新。

后来者可以阅读公开专利，寻找不同结构、不同实现和不同产品路线。

反过来，保护本身也不能扩张到发明者当初没有真正发明的东西。

旧权利也不能靠没有实质进步的包装无限续命。

平台的问题，本质上还是这一套。

我并不认为平台必须公开完整推荐算法。

完整算法一旦公开，垃圾内容和刷榜行为也会迅速适应。

真正应该透明的是：

权力怎样作用到人身上。

收费规则怎么变？

为什么被限流？

什么行为会影响排序？

能不能申诉？

能不能带走自己的数据和关系？

一个平台越接近基础设施，就越应该承担更强的解释、迁移和申诉义务。

不是因为平台邪恶。

而是因为：

退出越困难，权力越需要被解释。

还有一个经常被前三条规则遗漏的问题：

挑战者可能根本来不及挑战。

直接被买走了。

美国现行 2023 Merger Guidelines 已经明确把 dominant firm 收购 nascent competitive threat 纳入分析：一家今天尚不能实质约束巨头的小企业，如果有潜力成长为重要竞争者，或者能帮助其他竞争者成长，其独立存在本身就具有竞争意义。

所以并购不能永远只问：

它今天有多少市场份额？

还得问：

如果它没有被买下来，它未来可能变成什么？

当然，这绝不等于大企业不能收购 startup。

收购本身也是创业退出和资本循环的一部分。

真正需要防的是：

每一代最可能绕开 incumbent 的路线，都在真正形成压力以前被同一个赢家买成自己的部门。

如果一定要把这些案例压成一个立场，我更愿意押：

可竞争性。

今天的赢家可以得到回报。今天的发明可以获得保护。公司可以有商业秘密。平台可以制定规则。资本可以买公司。

但所有这些权利，都不应该轻易演化成：

赢过一次，就买下明天的比赛。

AI 只是把这个问题推得更快。

今天最容易让工程师兴奋的一套叙事是：

一人公司。一个人。几个 Agent。把过去几十人的公司干掉。现实里已经出现一些类似案例。

开发、行政、财务、销售、资料整理，越来越多工作可以借助 AI 完成。

它正在降低部分开发、设计、运营甚至组织协调能力的成本。

AI 同时还在干一件几乎相反的事：

降低供给门槛。

这当然给个人更多杠杆。

可当所有人都获得相似杠杆以后：

当人人都有杠杆，杠杆本身就不再稀缺。

AI 一边民主化生产，也一边：

通胀生产能力。

新的稀缺会继续迁移到品牌、信任、渠道、数据、客户关系、产权和分发能力。

技术杠杆下放，不等于收益自动下放。

所以真正值得保护的，从来不是一套特定技术。

而是：

技术变化以后，新的参与者还能不能进场。

可这又产生了最后一个难题。

我们说：

规则如果开始保护赢家，就应该报警。

谁来听报警器？

监听者机制：没有最终裁判，只能让不同的失败方式互相暴露

如果答案是：

监管者。

问题马上回来。

监管者不会被游说吗？

专家没有利益吗？

学界不会被资助和评价体系影响吗？

媒体不追逐流量吗？

法院不会判断错误吗？

如果解决方案是寻找一个比市场更加聪明、更加无私的超级监管者，只是把：

“市场万能”

换成：

“监管万能”。

这和全文前面的逻辑完全冲突。

所以这里没有一个漂亮的最终答案。

监听者问题本身没有解。

任何监督者都在场内。都会获得不完整信息。都会有自己的激励。也都会被博弈。更现实的做法不是寻找唯一监听者。

而是：

把发现问题和触发复审的权力分散出去。

劳动者有动力挑战事实竞业。

竞争者有动力挑战过宽的专利和排他行为。

平台商家有动力指出收费、限流和规则变化造成的问题。

消费者有动力反对锁定和低质量服务。研究者可以观察长期数据。媒体可以把个案变成公共问题。

监管者拥有普通人无法获得的调查权限。

法院则可以在具体争议里要求双方把证据真正摆出来。

这些人谁都不是上帝。

真正有用的地方恰恰在于：

他们并不无私。

竞争对手正因为想竞争，才有动力找 incumbent 的问题。

劳动者正因为想离开，才有动力挑战不合理限制。

消费者正因为不想被锁定，才有动力推动可携带。

制度不需要假设所有人突然变成圣人。

它需要做的是：

不要让同一个主体同时垄断规则、数据、解释和复审。

这里还有一个特别重要的原则：

监听权要分散，证据义务却应该向掌握更多权力和信息的人集中。

一个被平台限流的小商户，不可能先证明平台内部算法究竟哪里错了。

合理的结构应该是：

商户指出一个可识别的异常。

平台再说明主要处罚依据、适用规则和相关记录。

一个离职工程师也不可能证明：

“我脑子里绝对没有你的任何商业秘密。”

应该由雇主先把所谓秘密具体指出。

并购也是如此。

没人能够提前证明一个五十人的 startup 十年以后“一定”成为巨头。

但一个支配性企业收购最接近自己未来竞争路线的公司时，交易双方可以承担更高的说明责任：

为什么消灭其独立状态，不会显著损害未来竞争？

这种证据结构，比“找一个更聪明的裁判”重要。

不过即使这样，监听者仍然会失灵。监管机构可能被俘获。专家可能与行业关系过近。竞争对手也可能把举报当商业武器。媒体可能只追逐最容易传播的案件。法院会出错。所以“分散监督”本身不是最终答案。

它只是承认一个更现实的事实：

让一个监听者失灵，不至于让整个系统同时失明。

这和工程系统里的冗余有点像。我们不是相信某个传感器永远不会坏。恰恰是假设它迟早会坏。

于是用不同来源、不同原理、不同失败方式的信号互相校验。

法院、监管者、媒体、学界、竞争者、劳动者和用户的利益不一样。

他们的失败方式也不会完全重合。

真正应该利用的就是：

这些失败方式不完全重合。

这也意味着，我们没办法终结那个无限递归：

谁监督监管者？

谁监督监督监管者的人？

再往上当然还能继续问。

真正能做的不是终结这个递归。

而是：

让权力不要在递归的某一层突然变成不可见。

这时候，前面说的“报警器”才有真正的意义。

人才流动率下降。商业秘密诉讼持续时间越来越长。平台申诉越来越像形式流程。

用户数据理论上可以导出，实际上根本迁不走。

新的独立技术路线越来越少。巨头持续收购潜在竞争者。这些指标都不能自动证明制度有罪。它们不是价值排行榜。也不是裁判。

它们只承担一个更谦逊的功能：

烟雾报警器。

报警以后应该触发：

复审。

而不是自动定罪。

这也可以再往上总结成一条元规则：

任何赋予某一方排他权、守门权，或者限制别人行动能力的制度，都应该同时写清自己向社会承诺的对价。

商业秘密保护的对价，是人的一般技能仍然可以流动。

专利保护的对价，是知识公开以后仍然允许继续改进。

平台拥有守门权的对价，是用户拥有真实的解释、申诉和退出能力。

并购自由的对价，是市场不会因此长期失去所有可能长大的挑战者。

如果保护还在继续。对价却长期消失。那么规则就应该重新接受审判。

规则必须拥有失效开关。

不过即使这句话，我也不愿意把它写成一条永恒真理。

如果一定要把前面的讨论继续往下压，我最后更愿意留下两个原则：

可竞争性和可逆性。

再加上一种让它们真正运转起来的纠错结构：

分散监听。

这几个概念本身都不是新的。

经济学长期讨论市场进入和潜在竞争；Hirschman 把退出与发声视为组织纠错的重要机制；政治理论长期讨论权力制衡；多中心治理也一直提醒我们，不要把发现问题和纠正问题的能力全部押在唯一一个中央裁判身上。

所以如果最后只剩下：

“竞争很重要。”

“退出很重要。”

“监督很重要。”

这篇文章前面的讨论几乎都没有必要。

真正值得把它们重新放在一起的，是它们分别对应三种不同的失败。

可竞争性回答的是：今天的赢家能不能被后来者挑战。

一家企业可以成功。一个平台可以做大。一个创作者可以成为超级明星。一个专利可以获得保护。问题不是赢家存在。

而是失败者和后来者还有没有合法的路重新发起比赛。

可逆性回答的是：如果今天的规则判断错了，我们还能不能回来。

专利过宽以后能不能挑战？

平台处罚以后能不能申诉？

数据迁出去以后能不能真正使用？

一项为了鼓励创新建立的保护，在已经开始阻碍创新以后，能不能缩回去？

如果一个制度一旦形成就只能继续加码，不能退出、修改、复审，它对第一次判断正确性的要求就会高得不可现实。

还有第三层：

分散监听回答的是：谁有资格告诉我们，前两件事已经坏了。

这里没有最终裁判。竞争者有自己的利益。劳动者有自己的利益。

消费者、媒体、研究者、法院和监管者同样如此。

真正可利用的不是他们没有利益。

恰恰是：

他们的利益不同，失败方式也不同。

所以这篇文章最后真正想押的，并不是一套能够计算“正确分配”的公式。

而是一种更谦逊的制度结构：

允许挑战。

允许退出。

允许复审。

并且：

不要让掌握规则的人，同时垄断发现错误、解释错误和决定是否纠正错误的权力。

单独看，这些原则没有一个是新的。

真正重要的是把它们连起来以后，会得到一个不同的评价习惯：

我们判断一项制度时，不只问：

它今天产生的结果好不好？

还要问：

如果它明天开始产生坏结果，谁能挑战它？

如果我们今天判断错了，还有没有路回来？

这也是为什么，我最终更愿意保护的不是某一种具体分配结果。

而是：

社会继续修改自己答案的能力。

规则选择机制：今天的赢家可以得到回报，但不能买下明天的比赛

回到最开始。

一个头部主播赚得比工程师多。

到底是不是社会分配出了 Bug？

有时候是违法违规。有时候是赢家通吃。有时候是路径依赖。

有时候只是我们拿普通工程师和顶流做了一个非常不对称的比较。

还有一种情况更加麻烦：

所有人都合法、理性地按照自己的激励行动。

消费者看喜欢的东西。平台推荐最能留住人的内容。品牌寻找转化率最高的 KOL。企业保护产权。公司按劳动力市场给工程师开工资。年轻人根据收入预期选专业。资本寻找更高回报。家庭根据自己的容错率规避风险。每一步单独看。都说得过去。

最后却可能出现头部越来越集中。中尾部大量退出。

高收入成功资产化，进入下一轮竞争。

一些高社会外溢工作长期难以获得相匹配的私人回报。

普通家庭因为缺乏试错空间，越来越依赖短期就业信号。

这时候说：

“系统出了 Bug。”

反而可能把问题说轻了。

软件为什么能叫 Bug？

因为有 specification。

本来应该输出 A。结果输出 B。可市场没有一个总工程师。

没有人在世界启动以前写好：

主播应该赚多少。工程师应该赚多少。护士应该赚多少。数学家应该赚多少。

所以“Bug”从来不是一个纯粹技术判断。

当我们说：

“这个结果不对。”

其实已经隐含了一句：

我们希望它优化另一个目标。

问题是，我们没有一张公认的终极目标函数。

也没有一个总工程师能够替整个社会不断修改参数。

所以走到最后，我真正愿意押的，并不是某一种永远正确的分配结果。

而是前面那种更弱、却也更耐用的能力：

结果仍然可以被挑战。

规则仍然可以被重新打开。

判断错了以后，还有路可以回来。

这不是因为竞争一定产生正确答案。

也不是因为复审一定比第一次判断更聪明。

而是因为，当我们无法保证第一次就做对时：

不把错误永久锁死，本身就是一种价值。

于是全文真正留下的，也许不是一份关于主播、工程师或者知识产权的答案。

而是一种看制度的习惯：

不要只看它今天保护了谁。

还要看：

它给明天留下了多少重新作答的空间。

十年以后，技术环境变了，它们也可能需要修改。

可它们背后有一条我认为更稳定的倾向：

宁可让今天的赢家多面对一点挑战，也不要为了保护今天的创新，把明天创新的入口一起保护掉。

因为工资不是奖状，却会影响明天还有谁愿意做这份工作。

价格不是道德，却会让人才和资本真的移动。

产权不是能力，却决定能力被放大以后谁先拿走收益。

时间不是裁判，可制度会影响什么东西有机会活到下一代。

市场不是在给世界打分。

它只是在已有的购买力、技术、产权、平台、组织和规则下面，让无数人的选择不断撞在一起，再把一个结果推到我们面前。

所以真正值得问的，从来不是：

谁终于掌握了“真实价值”？

而是：

这套机制看见了什么？

漏掉了什么？

谁控制它？

最后又把下一轮世界推向了哪里？

文章开头问：

为什么网红赚得比工程师多？

到了最后，真正值得问的已经变成：

今天赢到的钱，会怎样改变明天谁还有资格继续下注？

一张中奖彩票，什么时候会变成下一轮比赛的入场券？

什么时候又会进一步变成训练场、渠道、规则制定权，甚至直接买下最危险的挑战者？

一个社会真正危险的地方，未必是有人赢得太多。

而可能是：

赢过一次以后，就不再需要和后来的人重新比赛。

所以我不愿意把宝押在：

我们终于找到了一套正确答案。

也不愿意把宝押在某个永远公正、永远聪明的监管者。

我更愿意把宝押在一件没有那么漂亮的事上：

后来的人还能进场。失败的人还能换一条路。被规则误伤的人还能申诉。已经失效的制度还能重新打开。

因为当我们不知道最终答案是什么的时候，至少可以尽量避免：

让今天的答案失去被修改的可能。

这大概也是全文最后真正想保护的东西：

社会继续修改自己答案的能力。

如果一定要给这篇文章最后留下一个判断，我想大概就是这一句：

真正需要保护的，不是谁永远赢，而是后来的人仍然有资格进场。

参考资料

价格、效用与赢家通吃

Smith, Adam. An Inquiry into the Nature and Causes of the Wealth of Nations. 1776.
Jevons, William Stanley. The Theory of Political Economy. 1871.
Menger, Carl. Principles of Economics. 1871.
Walras, Léon. Elements of Pure Economics. 1874–1877.
Baumol, William J., and William G. Bowen. Performing Arts: The Economic Dilemma. New York: Twentieth Century Fund, 1966.
Rosen, Sherwin. “The Economics of Superstars.” American Economic Review, 1981, 71(5): 845–858.
Lazear, Edward P., and Sherwin Rosen. “Rank-Order Tournaments as Optimum Labor Contracts.” Journal of Political Economy, 1981, 89(5): 841–864.
Frank, Robert H., and Philip J. Cook. The Winner-Take-All Society. New York: Free Press, 1995.
Salganik, Matthew J., Peter Sheridan Dodds, and Duncan J. Watts. “Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market.” Science, 2006, 311(5762): 854–856.
Simon, Herbert A. “Designing Organizations for an Information-Rich World.” In Computers, Communications, and the Public Interest. Baltimore: Johns Hopkins Press, 1971.
Horton, Donald, and R. Richard Wohl. “Mass Communication and Para-Social Interaction: Observations on Intimacy at a Distance.” Psychiatry, 1956, 19(3): 215–229.

平台、产权与收益捕获

Coase, Ronald H. “The Nature of the Firm.” Economica, 1937, 4(16): 386–405.
Alchian, Armen A., and Harold Demsetz. “Production, Information Costs, and Economic Organization.” American Economic Review, 1972, 62(5): 777–795.
Rochet, Jean-Charles, and Jean Tirole. “Platform Competition in Two-Sided Markets.” Journal of the European Economic Association, 2003, 1(4): 990–1029.
全国人民代表大会常务委员会：《中华人民共和国著作权法》。
国家市场监督管理总局：《网络交易平台收费行为合规指南》，2025。
职业体育及影视行业有关自由球员制度、集体谈判、残余分成与 AI 使用条款的制度资料。
《看天下》有关李博杰职业经历及技术人才收入结构的访谈资料。

测量、公共价值与历史保存

Samuelson, Paul A. “The Pure Theory of Public Expenditure.” Review of Economics and Statistics, 1954, 36(4): 387–389.
Brynjolfsson, Erik, Avinash Collis, and Felix Eggers. “Using Massive Online Choice Experiments to Measure Changes in Well-Being.” Proceedings of the National Academy of Sciences, 2019, 116(15): 7250–7255.
Hobsbawm, Eric, and Terence Ranger, eds. The Invention of Tradition. Cambridge: Cambridge University Press, 1983.
Goodhart, Charles A. E. 有关货币政策指标与“Goodhart’s Law”的相关论述。
Campbell, Donald T. “Assessing the Impact of Planned Social Change.” 1976.
北京大学数学科学学院、国际数学奥林匹克竞赛（IMO）公开资料：韦东奕相关教育与专业履历。

财富、教育选择与分配正义

Piketty, Thomas. Capital in the Twenty-First Century. Cambridge, MA: Harvard University Press, 2014.
Spence, Michael. “Job Market Signaling.” Quarterly Journal of Economics, 1973, 87(3): 355–374.
Bourdieu, Pierre. “The Forms of Capital.” In Richardson, J. G., ed. Handbook of Theory and Research for the Sociology of Education. New York: Greenwood Press, 1986: 241–258.
范子英、赵欣仪、韦佳妤：《自媒体的公共信号与高考志愿报录——基于“张雪峰新闻事件”的研究》，2025。
Nozick, Robert. Anarchy, State, and Utopia. New York: Basic Books, 1974.
Rawls, John. A Theory of Justice. Cambridge, MA: Harvard University Press, 1971.
Sen, Amartya. Commodities and Capabilities. Amsterdam: North-Holland, 1985.
Sen, Amartya. Development as Freedom. New York: Alfred A. Knopf, 1999.

退出、竞争与制度纠错

Hirschman, Albert O. Exit, Voice, and Loyalty: Responses to Decline in Firms, Organizations, and States. Cambridge, MA: Harvard University Press, 1970.
Baumol, William J., John C. Panzar, and Robert D. Willig. Contestable Markets and the Theory of Industry Structure. New York: Harcourt Brace Jovanovich, 1982.
Gilson, Ronald J. “The Legal Infrastructure of High Technology Industrial Districts: Silicon Valley, Route 128, and Covenants Not to Compete.” New York University Law Review, 1999, 74: 575–629.
California Business and Professions Code §16600.
Defend Trade Secrets Act of 2016, 18 U.S.C. §1836 et seq.

多中心治理与监督机制

Ostrom, Elinor. Governing the Commons: The Evolution of Institutions for Collective Action. Cambridge: Cambridge University Press, 1990.
Ostrom, Elinor. “Beyond Markets and States: Polycentric Governance of Complex Economic Systems.” American Economic Review, 2010, 100(3): 641–672.
Madison, James. “Federalist No. 51.” In The Federalist Papers. 1788.

创新、商业秘密与竞争政策

U.S. Constitution, Article I, Section 8, Clause 8.
U.S. Department of Justice and Federal Trade Commission. Merger Guidelines. 2023.
Apple Inc. v. United States International Trade Commission / Masimo Corp.，有关 Apple Watch 血氧检测专利争议的相关判决及 ITC 文件。
Apple Inc. v. OpenAI, Inc. 等，2026 年商业秘密及人才流动相关诉讼材料。
European Union. General Data Protection Regulation (GDPR), Regulation (EU) 2016/679.
European Union. Digital Markets Act (DMA), Regulation (EU) 2022/1925.