重读 Cal Newport：深度工作

Mon, 18 May 2026 10:40:00 +0800

作者：Cal Newport

参考链接：Deep Work

Cal Newport 的《Deep Work》讨论的是现代知识工作者最稀缺的能力：在没有干扰的状态下，长时间处理认知要求高的问题。它不是普通时间管理书，也不是让人把每天塞得更满。它真正关心的是，在一个充满即时消息、社交媒体、会议、邮件和碎片任务的环境里，人怎样保住深度思考的能力。

这本书适合放进博客导读系列，因为它和写作、编程、研究、学习都有直接关系。很多真正有价值的产出都需要深度：理解复杂系统，写清楚一篇文章，设计一个产品，解决一个难 bug，读懂一篇论文，形成自己的判断。浅层忙碌可以让人显得勤奋，但很难产生长期作品。

深度工作是一种稀缺能力
#

Newport 的核心判断是，深度工作在现代环境中越来越稀缺，也越来越有价值。一方面，工具和网络让分心变得极其容易。任何时候都有消息、推荐、热点、短视频、通知和新的网页。另一方面，真正能创造价值的工作越来越依赖复杂学习和高质量思考。也就是说，环境在削弱深度，而市场仍然奖励深度。

这造成一个矛盾：很多人每天都在工作，却很少进入真正的工作状态。他们开会、回消息、整理文档、切换任务、浏览信息，晚上觉得很累，但很难指出今天完成了什么不可替代的产出。疲劳不等于深度，忙碌也不等于创造。

深度工作的价值在于，它让人能处理超过当前舒适区的问题。学习新技术、写长文、构建系统、研究复杂概念，都需要持续注意力。没有深度，人只能停留在熟悉表面，难以跨过真正的能力门槛。

Newport 并不是说邮件、会议、沟通和日常事务都没有价值。浅层工作是很多组织运行的必要部分。问题在于，浅层工作有很强的扩张性。它容易被看见，容易被安排，容易给人即时完成感，也容易填满所有空隙。一旦不主动限制，深度工作就会被挤到疲惫后的边角时间。

Sun, 17 May 2026 09:30:00 +0800

作者：Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan N. Gomez、Lukasz Kaiser、Illia Polosukhin

这篇论文是大模型时代最重要的技术起点之一。它提出 Transformer 架构，核心观点是：在处理序列数据时，不一定必须依赖循环神经网络或卷积网络，注意力机制本身就可以成为主要结构。

今天我们熟悉的 GPT、Claude、Gemini 以及大量语言模型，都可以追溯到这篇论文打开的方向。它不是“某个模型效果更好”的普通论文，而是改变了模型如何组织信息、如何训练、如何扩展的基础论文。

在 Transformer 之前，处理文本序列常见方法包括 RNN、LSTM、GRU 或 CNN。它们都有一个共同限制：序列处理往往不够并行，长距离依赖也不容易稳定捕捉。