现在算这本书的核心账：命名这种能力，为什么在 AI 时代反而更值钱了？直觉的答案恰恰相反——AI 什么都能写，起个名字还不是一秒钟的事？
这个直觉混淆了两件事。生成一个名字，确实变便宜了；判断哪个名字是对的，变贵了。我们一层层看。
内容在通胀，注意力在通缩
经济学里最朴素的一条：供给暴涨的东西，价格崩盘。AI 让「生成内容」的成本趋近于零——方案、总结、代码、名字，要多少有多少。一份会议纪要，过去要人写半小时，现在一秒出三版。内容进入了通胀时代。
但硬币的另一面：阅读、辨别、吸收注意力的成本一分没降，反而因为内容泛滥而更贵了。一个人一天还是只有二十四小时，能认真读完的东西还是那么多。当供给端无限膨胀、需求端纹丝不动，稀缺品就换了位置——从「生产内容」变成了「判断哪份内容值得读」。
人话版：自来水不要钱了，挑水喝的品味就值钱了。AI 时代最不缺的是内容，最缺的是把一团内容压成一行标题的那只手。
命名恰好是「压缩」这门手艺本身
这时候回头看第三章：命名是什么？是压缩——从一堆具体经验里提炼骨架、扔掉血肉、压成一小段能装进别人脑子的符号。
AI 的生成和命名的压缩，方向正好相反。AI 擅长的是展开：给一个词，它展开成一千字。命名要做的是收拢：给一千个具体案例，压成一个词。展开可以自动化——因为语言模型本质上就是个展开机器。收拢没法完全自动化，因为收拢的前提是你知道该扔掉什么，而「该扔什么」取决于你对问题本身的判断，这是目前还需要人来拍板的部分。
所以不是 AI 不能参与命名——它能起出一百个候选名，个个通顺。瓶颈从「造出名字」挪到了「从一百个通顺的名字里挑出那个对的」。起名的手变便宜了，看名字的眼力变贵了。
共享语言，变成了人机之间的接口
还有一个更实际的变化。越来越多人干活的方式变成了：人给 AI 下指令，AI 产出，人验收。这套协作能不能跑顺，取决于人能不能把需求说清楚——而说清楚的前提，是你自己知道那个东西的骨架是什么、边界在哪、什么算对什么算错。
换句话说：你给 AI 下的每一个模糊指令，都会原样变成模糊的结果。「写个方案」和「用帕累托累加的思路分析这 100 个投诉」是两个世界——后者之所以有效，正是因为你脑子里有那个压缩包，能把它解开来给 AI 看。命名不再只是人与人的通用语言，它正在变成人与 AI 之间的 API。没有自己词汇表的人，在这个接口上只能用默认参数干活。
判断力是怎么来的：还是那两个字，案例
先泼一盆冷水：判断力没法直接学。「知道该扔什么」这种能力，没有教材，因为每一个命名场景要扔的东西都不一样。它只能从一个地方长出来——大量具体案例。
这正是吴恩达方法的另一副面孔。你练命名的方式，和训练模型的方式同构：攒一批真实案例（哪怕很小），亲手归类，亲手起名，然后拿去用——用对了说明压缩得对，用走样了说明边界切错了，回头修。福勒那本模式目录，也是几十年项目案例喂出来的，不是想出来的。
AI 在这里的角色很微妙：它是极好的陪练。你可以把五十个用户反馈丢给它，让它试着聚类命名，然后你来挑刺——它的每个错误分类都是一次免费的「保真度」教学。但陪练不能替你上场：最后拍板哪个名字是对的、敢不敢把它用出去，这一步留给人。压缩可以外包，压缩率由你签字。
账算完了：生成通胀、辨别稀缺、命名是压缩的手艺、人机接口要词汇表——四件事指向同一个结论。接下来的问题只剩一个：这只手，具体怎么练？最后一章，训练手册。