八成仓位压在一只二手车上的人，整场在讲他为什么不买 AI 基建：智能会变便宜，值钱的是它买不到的那一半。1
逐段要点整理
01 · 智能不是一个越高越好的标量
克利夫·索辛给这场对话定了一个反直觉的基调：不要以为智能是一条从变形虫到爱因斯坦、再「轰」一声变成神的连续曲线。「那是一个智识上的错误。」他说，人们漏掉的是智能真正能做什么的边界。
他给了一个替换的比喻：智能不是一个无界的标量，而是一个比值，像球的圆度。我们拿它去对宇宙做预测，手上只有一点稀薄的事实，然后用智能在事实之间插值。智能越高，能涂满的空白越多。数学这类领域非常吃这套，在那些地方你能走到完美。
但「大多数有意思的问题」属于另一类：复杂动力系统。这类问题像天气——没有闭式解，只能模拟；而模拟必然在初始条件或每一步上带误差，误差会复合，跑一段时间之后你就必然偏离。所以把奶油搅进咖啡、预测天气、判断一群复杂的人会怎么互动，智能都不那么强大。
02 · 一只蝴蝶和一个少了一位小数的初始条件
这段讲的是混沌理论被发现的故事。当年有人用占满房间的大计算机跑天气预报，重复跑同一次预报，前几天结果基本一样，到第三、四、五天完全分叉。他以为是 bug，查下来发现：第二次运行时，技术员把气压、温度的初始条件在某一位小数上四舍五入掉了。
一个你以为会「小但一致」的误差，经过一次次迭代复合，最后变成完全不同的天气——一个模型说 70 度晴天，另一个说 20 度暴雨。这就是蝴蝶效应。
他的推论很硬：你可以知道关于气压和温度的一切，但你不一定写得出一个能解出「会有飓风」的方程。你必须模拟，而模拟在某个层级上必然有粒度。极限情况下，想模拟整个宇宙，你需要的资源就是整个宇宙。
03 · 口袋里的一支 200 智商团队
从抽象的边界回到现实：我们每个人都会有一支 200 智商的团队全职待在口袋里，这支团队还能再调一支更大的团队。它们会去琢磨我们懒得做的细小优化。
为什么这不等于「所有生意都变得更好」？他举了消费者有界理性的例子：你把钱存到一家银行，只要有利率、有存款保险，你不会每天去想「多比较能省 400 美元」。消费者说「听起来还行」，然后继续过日子。但换成代理，代理会替他一直优化——于是那些靠客户惰性赚钱的生意就危险了。
他把很多软件产品叫作「被结晶、被硬化的智能」：是智能的投影。所以他的思考方式是——假设每个人都有非常好的智能，然后问：剩下的是什么？答案是智能的互补品：数据、注意力、爱和情感依附、物理上的邻近、规模，说得刻薄一点，还有监管俘获。
04 · Meta 的核心生意是「个性化电视」
这是全场最完整的一个案例。索辛说，先别管 Muse 和代理，看生意本身：Meta 的核心业务已经不是社交媒体，是「个性化电视」；人们真的很爱看 Instagram。
从太空看这家公司：一年 2,500 亿美元收入，一年也花掉 2,500 亿美元——一部分记成本，一部分记资本开支，但总之全花了。花在什么上？数据中心（生产智能的工具）、直接买推理（就是智能）、很聪明的人写算法（智能）、写代码（智能）、筛视频（和智能相邻）。「他们买的全是智能。」
如果智能的价格五年里跌到百分之一，第一性原理上它的成本就消失了。收入侧呢：创作者能做出好得多的作品，推荐能准得多，广告主能做出更好、更准的广告。他不认为成本会归零，但他认为 Meta 能从「更好的智能 + 更低的价格」里多卖一点广告。因为 Meta 真正拥有的是数据和注意力，而这两样不会被普及的智能摧毁，还会互相复利。
他顺手给了个自己并不持有的例子：Grindr。有大量注意力和数据，但受限于团队规模、预算和创造力，「它没法成为你能想象的那个样子」——如果你的问题是「有谷歌最好的 1 万名工程师干五年会怎样」，Grindr 就是那种「还能多做一点」的公司。
05 · 前沿实验室作为一门生意
主持人替多头说了话：智能不是大宗商品，闭源和开源的差距，正在变成「实验室公开给你的」和「它们自己内部用的」之间的差距；它们在阻止蒸馏，前沿 token 会值钱得多。
索辛的回答分三段。第一，模型是一级一级往上爬的：先是很不够用、只能干很小一部分活；每爬一级就解锁更大的可服务市场。但在它后面，一旦评测饱和，那些领域就商品化了——「你绝不会在客服应用里用前沿模型做聊天机器人，那你就太蠢了」。
第二，多头会说「我们也能生产更便宜的 token」。他承认也许能，但趋势是快速商品化（中国模型的崛起每一步都在印证），成本一直在塌。第三，即使它们真的成了这个商品市场的成本领先者，那个市场可能也不大。
他还画了一条形状：需求前沿像一颗钻石，一开始用途越来越宽，然后开始变稀薄。「你真的有多经常需要一个 300 智商？」超级精英智能的用例很少；非常好的智能用例很多，但竞争激烈、已经商品化。
06 · 杰文斯悖论只是曲线上一个点
主持人替反方提了两点：杰文斯悖论（便宜了就多用）和「智能创造自己的需求」。
索辛的回答是把杰文斯悖论降格：它只是需求价格弹性的一个窄例。一般市场是 U 形的——产品差时没需求；产品变好时人们愿意付高价但买得少；价格下降市场规模上升（这就是杰文斯）；但再往下，价格继续降却带不来足够需求，市场反而缩小；价格归零，市场也归零。
他的例子是通信。搬运信息的成本曾经极高，人们搬得很少；一系列创新把成本打下来，搬运量暴涨，市场长了很多年；然后市场停止增长，成本继续降，市场继续缩。「Cogent Communications 大概承载了互联网 30% 到 40% 的 IP 流量，而那还只是它一个不是最大的部门——它只是一家几十亿美元市值的公司。」这不是说智能会变得那么小，而是说杰文斯悖论只是一个点，不必然成立。
07 · 实验速度是一堵墙
对「真实世界实验公司」（机器人、自动化湿实验室），他的评价是「非常好的想法」，紧接着一句「但同样有速度上限」。
他的说法很朴素：你很聪明，所以你一定能理解，聪明是有上限的。如果一个自动化生物实验室要繁殖小鼠，而小鼠要一年才长大，那个实验就要花时间。你有 5,000 个很好的想法，实验室就那么大，你挑 20 个；就算模型挑得更准、成功率到 1%（比普通研究者好十倍），那仍然是 1%。
他也不悲观：把散落在论文里、被人忘掉的发现串起来，这是真实且巨大的红利；把研究自动化、把方向导得更准，都很了不起。但那不是「模型突然环顾四周说：这里有一个你们理解不了的新世界」。
顺带一段自我暴露：他自己的模型用法已经完全商品化了。「我订了一堆东西，让它在服务器上用那些订阅去建。我现在其实不知道自己用的是哪个模型。」
08 · 供给和需求，他都没法在几个数量级内预测
为什么他不碰 AI 基建？他的回答是承认无能，而不是看空：推理需求、推理成本，他都没法在几个数量级之内预测；即使猜到了，还要判断价值链上哪一段是瓶颈、租金落在谁手里；最后还要在那个环节上和真正的对手竞争。「这就是一件超级难的事。」
他补了一个需求侧的观察：他现在会让模型给女儿做「三蓝一棕」风格的讲解视频，五分钟讲幂、讲面积。「如果它要 5 美元，我就不会做了。」他自己比大多数人更不敏感于价格，都会这样——所以 AI 需求会对价格非常敏感，这本身就限制了消费者总共愿意花的钱。
09 · 也许因果关系被弄反了
主持人问了个历史问题：如果供给需求这么不确定，为什么世界上最好的创业者、最聪明的人，把全部生命投在供给建设上？
索辛把因果翻了个面：如果没有强烈的价格信号和大量人才，一项巨大而重要的技术不可能有这么大的基础设施建设——「你也许把因果关系弄反了」。他甚至反问：你能想象一个「没有任何有意思的人在建设 AI」的版本吗？这大概是最好的答案。
他自己的选择是把注意力放在长期均衡上：「与其押注哪个铁路大亨会赚钱、我们需要多少条铁路，我更想去想，一旦你有了铁路，接下来起来的是什么消费品牌。」
10 · 全社会在为买房存钱
他用一个家庭比喻讲资本周期：当下的美国像一个正在为买房存钱的家庭，所有资源都投到 AI 基建上，于是别处成本更高；我们都知道会从中得到价值，所以会一直推，直到做过头；而一路之上必须有人赚到很多钱，否则推不下去；因为前置周期和赢家的诅咒，最后停下来的人必然后悔。
他还加了一层别的建设潮没有的变量：技术变化太剧烈。「英伟达字面上就是做平面文件送到台湾去。那些文件非常难做，但他们拥有的是大量为此苦思的人。」所以理论上别人也能做；而如果你从前沿往后退一点，制造成本会大幅下降。
11 · 台积电：不 legible 给 AI 的那种护城河
他不肯自称台积电专家，但给了判断：台积电做的是需要多年积累的一整套工艺能力，极难复制，而且远不那么容易被 AI 接手——因为它太物理，因为它是那么多细小的东西，其中很多「甚至不是 AI 能读懂的」，像一个在系统里的老手模模糊糊知道你必须这么做。
一个反讽：正因为需求太大、优势太细，它基本上让全世界所有人都想去复制这条护城河。
12 · 代理会把客户推给最低成本的那个人
他从消费者的选择谱讲起：一端是「让我的存款利率最大化」，这类判断可以完全交给 AI；另一端是「挑我最喜欢的那件毛衣」，完全是我的判断，AI 只能帮我找东西看。
假设收垃圾属于可以交出去的那一类：一阶效应是你转向最低成本的供应商——代理替你比价，省 50 美分就换。二阶效应更有意思：这条街上如果所有人用同一家，本来更有效率（车开一趟收完，大家更便宜、他赚更多），但没人愿意费心协调；有了代理，已经有两个客户的那个人可以给全街出更低的价，全街都换过去，于是他成为成本更低的生产者——「低成本的那个人以低得多的毛利赢下多得多的量」。
13 · 自由式象棋，和 51.2% 的游乐园
AI 会不会取代投资人？他的答案是「长期看我们大概会被竞争掉」，但眼前是一段「自由式象棋」的时间：计算机辅助国际象棋出现后，有过很长一段时间，人类配合程序能赢过纯人类或纯计算机，因为两边想事情的方式不同、彼此协同。「我们现在就在那个时代。」
他给的理由不是玄学：我理解世界的某些方式模型不具备，只因为我是个人、活过一辈子；而且有些信息不在互联网上。但差距会缩小；等到模型给出的结果分布已经是能做到的最好，加一个人就像往天气预报里加我的判断——「你怎么修饰都只会让它更差」。
判断管理层他反倒觉得可能被替代。至于融资，他讲了个笑话：你说想开游乐园，模型会说六个选址成功概率 51%，「我评估过你，你成功概率 51.2%，因为你略低于平均水平」。
14 · 价格是包在激励里的信号
「价格是一个奇迹，因为它是包在激励里的信号。」它同时是激励（涨了你就少买）和信号（说明相对价值、稀缺程度和生产成本）。即使有无限智能，他认为也很难找到更好的协调系统。
主持人引了朋友丹的三层用法：输入提示拿结果；架一座「瞭望塔」每晚按计划跑任务；第三层是一直开着、主动想办法用自己那份智能，没有上限。索辛的推论是价格会被磨得更锋利：价格黏性是众所周知的宏观现象，存款这类东西长期被懒懒地定价；如果人人都有代理持续比价、每家供应商不断重算边际成本并逐客出价，「你不会再遇到付 60 美元付一年、然后他回来说涨 5% 而你根本没注意到」——收垃圾费会按天变化。
15 · 被严重低估的美国资本市场
他先让美国人自我祝贺一下：人们曾担心美国活力衰退，而过去这段时间，「我们刚刚把 GDP 的 3% 重新部署进了这个高度投机的事业，基本上是转瞬之间」。也许该是 2%，也许该是 6%，但能在这个规模、这个速度上重新配置资源，世界上没有别人做到。
他也不装天真：等潮水退去，「我们肯定会发现各种欺诈和不当行为」；但和铁路建设那一段比，这一次「我怀疑它相当干净」，因为大量人在做正确的事，而那些被我们习以为常的治理部分很不可思议。
他真正想说的被低估之处是这个：任何人能买 10 万美元股票，瞬间、几乎零成本地得到一个由经营良好、动机充分的团队组成的组合，随时可以卖掉；而这套东西还能在整体格局里相当好地配置社会资源。
16 · 冒险是美国的一种「汤」
为什么是美国？他的个人理论是遗传、文化演化和制度演化的相互作用：来到美国的人本身就是最愿意冒险的那一部分（因为来美国风险很大），风险倾向有相当的遗传成分；当一个地方把冒险当常态，就会长出强化它的文化和制度——人们理解「可以冒险并失败」，于是有合理的破产法、支持它的劳动法、支持它的风险投资，然后是成功故事。「你得到这一整锅汤。」
主持人问：那有月球基地的话，你会看多那个社群？他答：会，而且「如果有一个月球基地，它属于我们，我不会意外——尽管中国人很聪明、人很多，欧洲人也存在」。
17 · 更高的利率在说什么
对那张「一辈子都在往下走」的长端利率图，他没有装宏观专家，只给了一点观察：一个社会在建设、在为未来做一笔巨大投资，就意味着今天要少消费；所有投进 AI 建设潮的资源都是为了未来；今天造数据中心的水管工没有创造当下的消费，他造的是未来的消费。所以他的一个碎片判断是：利率更高，是因为我们在诱导人们为未来储蓄——而你做到这件事的方式，是付钱给他们。
18 · 他给所投公司讲的那场 AI 演讲
这是他最有操作性的一段。第一步：确保每个人都在 vibe coding——从董事会和 CEO 开始，每个人都要办黑客松。（他带到 Carvana 时，对方说「我们管这叫披萨派对」。）黑客松不一定产出有用软件，它的作用是教会每个人「什么做得到」，从而改变预期。
第二步：CEO 要让 IT 负责人以只读方式开放公司里的每一个系统。「凡是我问一个人就能查到的，我要能在一个提示里拿到。」负责人会说这有无数问题，CEO 的回答是「这就是我的意思」——那要一个系统一个系统地做。拿到只读，才算站上起跑线。
第三步：CEO 自己在所有地方用它，于是所有人眼红；给他们开权限、把权限理清楚、一层层往下渗。第四步：有人说想写数据、想改系统，于是要设计写权限和变更流程。「我刚才描述的就是四条要点，那大概是好几年的工作。」
而真正的胜负手是时间：「你所在的生意，有没有时间在有人从零开始之前把这些做完？」
19 · 最好的创业时机，直到明天
他同意「现在是最好的创业时机——直到明天」，并给了个不太浪漫的理由：「人真是太麻烦了。」代理让你用少得多的人做多得多的事。
但挑战永远是同一个：你能轻易做到，别人也能。所以必须有楔子：有没有一条路通向锁定或者专有数据？在一个所有代理每天开开心心换供应商的世界里，什么给你持久的经济性？再往下一层更刻薄：如果那条路看起来很明显，那它就是不该做的事，因为所有人都在做。「真正了不起的结果，是那些讲不通的结果——你压根不该做它，但后来世界转了个弯，那里有一条路。」
20 · 聚合理论失效之后，垂直堆栈回来了
他先给「被低估的竞争优势」定了调：注意力、数据、物理邻近，都会因为智能便宜而更值钱；也许还有监管俘获。
然后他戳了一个流行的框架：九十年代互联网起来时，研究报告说的一模一样，都在讲消费者剩余。那些报告常错的原因是聚合经济学——而聚合理论依赖一个前提：消费者只看谷歌第一条。可如果代理把搜索结果全都看了，排第一就不重要了，质量、价格、服务反而更突出。
由此他推出一个结构判断：现在很多行业偏水平，是因为经营自己那一片的复杂度太高；当协调成本被 AI 吃掉、委托代理问题被压下去，你就能建整条垂直堆栈——他举的是一家「全栈宠物护理公司」，从做宠物食品一直到宠物保险、宠物医院。Carvana 就是在这件事还不容易的年代里提前做到了的那种公司。
21 · 收入分配的两个方向
他诚实地说自己能讲两个相反的故事。一个讲集中：在实验室、数据、英伟达上赚到钱的人，一小群人拿到递增回报。
另一个讲拉平，机制有三条。第一，经济里所有收租的人——比如向保龄球馆收费的软件公司——被打死，打保龄球的成本降下来，而低收入者在保龄球上花的钱占收入比例更高，所以这是拉平。第二，企业利润里那些「普通人交给美国银行的钱」回到消费者手里，资本家输、普通人赢。第三，一整个专业阶层的工作本质上是「智能」——拿大量信息做直接应用——如果这些商品化，那批人得落到次优选择上。
反方论证是：对主动性、雄心和智能的回报可能上升。「杜鲁门想要一个只有一只手的经济学家，而我显然对每件事都有两只手。」
22 · 让 AI 决定仓位
他先承认自己处在一个矛盾里：一方面他用掉海量 token，能看到自己还能再用海量更多，「如果每个人都像我一样用，我们严重短缺，所有人都会发财」；另一方面他每 token 得到的量大得离谱，而他不寻常，「所以也许我们建得严重过头」。这两个故事他都能用同样的确定度讲出来。
然后是他朋友的实验，也是全场最具体的一个实验：把投资拆成「挑什么」和「每样多少」。一条道上，朋友继续自己挑标的、自己按过去的方式做组合构建；另一条道上，标的还是他挑的，组合构建全交给一个自己搭的 AI。目前后者大幅跑赢。
索辛的解释是时间尺度：AI 会从秒、分钟开始，一路往周、月爬，因为长周期「没有验证回路」，你朋友说的结果当然不是二十年的结果。他也不排除文艺复兴早就摸到了什么。至于自己，他给了一句玩笑：如果交给 AI 定权重，「我是低配，Carvana 应该是 90%」。
23 · 八成压在一家公司上，理由可能就一句话
面对「这么大一个仓位是疯狂的」这类研究，他的回应是：那些研究更多在看证券价格的变化，较少像拥有公司的人那样去想它。
然后是那句核心：「如果不是因为我觉得 Carvana 的基础设施、品牌以及其他一切如此差异化，以至于很少有情景会让它变得非常糟，我不会对持有这么多感到那么舒服。可能就这么简单。」
他知道反面：历史的成功者往往很集中，但历史也满地都是集中而失败的人；他也承认如果股价大涨、他觉得不得不分散，那也没问题。这是「预期回报」和「有意识地承担一种不寻常风险」之间的取舍，而不是对错。
24 · AI 时代的双峰教育
他和孩子学校的校长都在往一个方向想：教育的形状在变成双峰。
他先把问题问对：当模型有无限智能时，个人智能还有什么用？「一个 50 智商的人和一个 150 智商的人一样能走路」——他觉得这不对，但要说清为什么：你越有智能、越有结晶化的智能（也就是教育），你就越擅长和模型沟通、越擅长告诉它你要什么。他举自己的例子：让我去和模型做一场关于前沿量子物理实验的深度对话，它只能拿蜡笔和泡沫棒跟我解释——因为它到不了我理解的层级，而我也接不住它给的东西。
所以在教育的做法上，他支持两头：一头是把孩子和模型隔开一段时间，教那些我们认为重要的基础技能——「不是因为他们未来会不用模型做乘法，而是因为不会做乘法，理解矩阵乘法会非常难；理解不了矩阵乘法，你也没法理解模型在做什么，那就没法指挥它」。另一头是野心：英语老师抱怨孩子用模型在莎士比亚论文上作弊，他的回答是「你的野心不够」——给他们难一百倍的东西，让他们把模型用到极致，然后逼他们为自己的作品辩护。
最后一句是他对孩子的期待，也是对整场对话的注脚：孩子需要擅长用它们，也需要被教「他们什么都能做」。
口径与核对
- 官方可核：索辛的履历与 CAS 的组织方式（2012 年 10 月成立、起步 500 万美元；2024 年底约 17 亿美元、四个持仓；官网三个词 Value / Long Term Focus / Concentration）。234
- 官方可核：Carvana 2026 年二季度零售 197,325 台（同比 +38%）、营收 73.76 亿美元（+52%）、净利 5.13 亿美元、调整后 EBITDA 7.69 亿美元；2026 全年调整后 EBITDA 指引 27–30 亿美元。5
- 官方可核：美国十年期国债收益率在 2026 年 10 月初盘中触及 5.34%，为 2002 年以来最高。6
- 只有节目里说过：Grindr 与 Meta 的具体财务比对；Cogent Communications 承载互联网 30%–40% 的 IP 流量；他朋友那条「人挑标的、AI 定权重」的实验结果；「Carvana 应该占 90%」；Carvana 内部把黑客松叫披萨派对；GDP 的 3% 被重新部署进 AI 建设。
- 判断，不是事实：智能有硬边界、互补品会升值、垂直堆栈会回来、收入分配会拉平——都是他的框架，不是已发生的事实。他自己也说「这两个故事我都能用同样的确定度讲出来」。
- 一处需要读者自己注意的口径：Carvana 的 2026 年第三季度财报在本期发布次日（10 月 28 日盘后）才出，所以本期引用的是二季度数字与全年指引，不是最新一季。
逐句全文翻译
下面是整集按原始播客顺序的逐句中文译文，只保留中文，保留说话人与广告标签，未压缩、未摘要、未删减。
01 智能的边界在哪里
广告：Ramp 是唯一一个为了让你的财务团队更精简、更快、更好的平台，平均每年为企业省下 5%，好让你能专注在增长上。Ramp 刚刚在英国开业。所以如果你在英国做生意，现在就可以用 Ramp 的 AI 财务平台，把卡、费用、账单、审批和记账都放在一个地方管理。我的生意就跑在 Ramp 上，你也应该这样。了解更多请访问 ramp.com/invest。
广告：OpenAI、Cursor、Anthropic、Perplexity 和 Vercel 有一个共同点：它们都在用 WorkOS。原因如下。要在规模上实现企业级采用，你必须交付 SSO、SCIM、RBAC 和审计日志这些核心能力。WorkOS 就是为此而生的。你不必花几个月自己去建这些关键能力，只要用 WorkOS 的 API，第一天就能全部拿到。这就是为什么你听说过的那些顶级 AI 团队都已经跑在 WorkOS 上。WorkOS 是变成企业就绪、同时继续专注在最重要的产品上的最快方式。访问 WorkOS.com 开始。
广告：Rogo 是为金融机构专门打造的 AI 平台，服务着全球数百家领先机构里数以万计的投资银行家和投资人。Rogo 的 AI 代理可以自主执行你公司工作流里很大的一部分：筛选交易、撰写投资备忘录、做买方触达、在数据室里做尽调，全程处理好安全与合规。每一个动作都会回流到 Rogo Intelligence——这家机构的上下文层，把多年的交易经验变成一层安全、可治理的机构记忆，让每一笔新交易都比上一笔更强。了解更多请访问 rogo.com/invest。
帕特里克：你给我打电话时说，「就只是智能」是我们这次对话的主题。讲讲这个简单的想法。
克利夫：有这样一种想法：如果智能从变形虫开始，一路变好，然后像猴子，然后像人，然后像爱因斯坦，然后轰的一声，它变成神。我认为这在智识上是一个错误。人们在这里搞错的，是他们漏掉了智能真正能做什么的边界。换个说法：如果你把智能想成一根无界的标量、像树的高度那样越高越好，那是不对的。你真正该把智能想成的是一个比值，就像球的圆度。智能是一个装置，我们用它来对宇宙做预测。而我们手上只有关于宇宙的一点点稀薄的事实，数量很少，而宇宙是复杂的。我们用智能在它们之间做插值。所以你的智能越高，你把空白处涂满的能力就越强。有些领域非常吃这一套。在数学里，这类问题你能解出来；在那些地方，你能走到完美。但对大多数有意思的东西——也就是世界上大多数问题——数学上的说法是复杂动力系统。这基本意味着它们有点像天气：你不能靠猜，你不能得到一个闭式解。你可以试着模拟它。但一旦你模拟，你的初始条件或者每一步推进，必然带有某种程度的误差，因为最起码你的步长是被截断的。于是误差会累积，模拟跑一段时间之后，你就必然偏离某个量。所以无论是把奶油搅进咖啡、预测天气，还是去想一群非常复杂的人会怎么互动，智能都没有那么强大。
克利夫：所以我的感觉是，你会得到越来越强的智能，直到你把一个超级聪明的东西能做出的所有预测都做出来——而这恰好只是你想知道的世界上所有有趣事情中相对很小的一部分。要越过这一步，你就得走出去，获取关于世界的更多信息，而这需要时间。你得做实验。你得去碰现实。一个有趣的推论是：你能把智能投向的其中一件事，就是降低智能本身的成本，而这正是我们看到的。所以你最终得到的是：每个人都免费拿到无限好的、非常圆的球——也就是智能。显然这是个极限说法，它不会真的免费。但重点是，我们看到的，是「足够好的智能」正在快速降价。而结果就是，「足够好的智能」会解决人们需要应对的绝大多数问题。
02 混沌理论与蝴蝶效应
帕特里克：你能多说一点吗：为什么「复杂适应系统或者说动力系统」这个概念，意味着即使有完美的智能——或者十年后、你随便挑一个时间点我们装在瓶子里的智能——它的应用仍然有限？
克利夫：对，非线性动力系统。这里最有名的故事，也是它们被发现的过程，进入了数学的一个分支，成了混沌理论。当年有个人在用占满房间的那种大计算机建一个天气预报模型。他跑模型，做出某一段预报期内气压和温度的预测。他觉得挺好。然后为了确认它还能正常工作，他们重置了模型，再跑一遍。一开始结果基本一样，但随后结果开始分叉，到预报的第三、四、五天，结果完全不同。这个人想，大概是「该死，我的系统里一定有 bug」，然后开始排查为什么计算机重复运行得不到相同结果。结果发现，第二次运行时负责把数据装进计算机的技术员，把气压、温度这些初始条件在某一位小数上做了四舍五入——少了一位小数。你大概会以为，那只会带来一个很小但始终如一的误差，贯穿整个预报期。但实际发生的是，那个小误差经过一次又一次的迭代——你拿当前状态算出下一组状态，它们会复合——于是到预报期里某个不算远的距离之外，你就得到了完全不同的预报，天气面目全非。一个模型说 70 度、晴天，另一个模型说 20 度、下暴雨。人们把它叫作蝴蝶效应，因为至少在原理上，一只蝴蝶在非洲扇动翅膀，可能就会导致北美的一场飓风，诸如此类。而事实证明，我们关心的很多系统都有这个特性。你可以知道关于气压和温度的一切，但你不一定能写下一个能轻易解出来、告诉你「将会有飓风」的方程。你必须去模拟。而模拟在某个层级上必然是有粒度的，除非你真的走到「拥有整个宇宙」这一步。所以归根结底，在极限上，如果你想模拟整个宇宙，你真正需要的就是整个宇宙。
帕特里克：好。
克利夫：实际做不到这一点。不过有很多很多情形下，模拟做近似非常有用，在那些情形里，你可以用智能把它们解决掉。但还有更多情形是行不通的。所以智能受限于宇宙本身那种根本上的不可知。
03 口袋里的一支 200 智商团队
帕特里克：那回到「就只是智能」这个说法。从更实际的角度看，你觉得我们要往哪走？
克利夫：我们每个人都会有一支 200 智商的团队，全职待在我们口袋里。这支团队还会有一支更大的团队可以调动。它们会去琢磨那些我们懒得做的细小优化。每家公司都会给员工配备类似的团队来干活。有很多生意，这对它们并不好。消费者目前是有界理性的，他们只有那么多认知空间。所以你去找一个消费者，说：看，我们替你管钱，我们不会偷，我们给你一个还不错的利率，你不用想它，你可以照常过日子。消费者不会说：如果我每天都想这件事，一年能省 400 美元，所以我要每天都想。消费者说的是：嗯，听起来还行，我继续过我的日子。但换成一个代理，你会认为代理会替他们持续优化。
克利夫：还有一些公司，它们生产的东西本质上是一种人造物，是某种被结晶下来的智能。我绝不是第一个意识到 AI 可能对某些软件公司不利的人，但这个想法是：AI 模型是什么？它像是一个通用智能工具。而很多软件工具是什么？是被结晶、被硬化的一块块东西，像是智能的投影。所以当我看公司、看投资标的时，我发现一个有用的做法是：假设每个人都有非常好的智能，然后问，剩下的是什么。常见的反驳大概是：你不明白这有多难，你不明白这有多复杂，你不明白有多少聪明人为此想了多久。而我那个含糊但大致正确的回答是：好吧，没错，但那都只是智能。把这个逻辑一路推到底：如果智能变得便宜且无处不在……你真正想拥有的，是智能的互补品。
克利夫：那么智能的互补品是什么？是数据、注意力、爱、感情，任何你想要的情感依附。是物理上的邻近，是规模。说得有点刻薄：如果是监管俘获，也算。就是这类东西。对某些生意来说，关键在于它们部署智能的有限能力——无论是经济上的，还是就是成本：它们只是一家某个规模的公司，拿不到谷歌最好的 1 万名工程师用上十年；或者只是组织跟不上了。把更多智能部署到你的生意上、你的竞争对手把更多智能部署到他们的生意上、你的客户用上大量智能——这对你可能是好事；或者如果智能是你服务客户的门槛，缺智能对你是坏事；而如果你客户的那种惰性正是你经济价值的根本，那对你就是坏事。
04 Meta 是一台个性化电视
帕特里克：也许挑 Meta 或者类似的，作为「拥有廉价普及智能的完美互补品」的最好例子，让这个说法活起来。
克利夫：我先把 Muse、代理那一整套放一边，专注在生意上。Meta 的核心生意是「个性化电视」。个性化电视。它以前是社交媒体，现在是「个性化电视」。而结果是，人们真的很喜欢看 Instagram 之类的东西。我发现自己热爱英国的黑色幽默，特别好。人们总说「一万英尺视角」。我们聊聊从太空看 Meta，最高的视角。他们有 2,500 亿美元的收入，一年花掉 2,500 亿美元。其中一部分记成成本，一部分记成资本开支，其实无所谓，总之他们把它全花了。你可能会问：他们花在什么上？一个非常还原论的观点是：他们把它全花在智能上。我什么意思？他们在买数据中心。数据中心是什么？它大致上是一种生产智能的工具。他们还在干什么？他们实际上是在直接买推理，那就是智能。他们还在干什么？他们付钱给非常聪明的人写算法，那是智能。他们写代码，也是智能。他们在筛选视频，那和智能相邻——当然，也是智能。所以在某种高度还原论的意义上——请别把这些话当真——我只是想凸显出那个真的……
克利夫：……大的方向。他们买的全是智能。而如果你往前想一步——智能的价格在未来五年会降到百分之一左右——第一性原理上，他们的成本某种程度上就消失了。而这还只是想成本这一侧。在收入侧，是所有创作者。你就是个创作者。每一个为 Meta 生产内容的创作者，能做出多少更好的创意作品？如果他们能用上智能——成本只有百分之一，效果好上一万倍。重点是：大概会更好。然后 Meta 反过来，也许他们没有把成本降到零，也许花得更多、或者不低于零；他们能把「接下来给你看哪条视频」这件事做得好得多，这应该让内容投放更准、更好看。然后是广告侧：广告主可以做出设计好得多、定向准得多、个性化得多的广告，Meta 反过来又能把这些广告投得更准。广告主也可以造出滑得多得多的漏斗来转化。这一切的重点是：也许他们不必把成本降到零，而是凭着好得多的智能和低得多的价格，多卖一点广告。所有这些都建立在它所拥有的东西之上——而这些不会被普及的智能摧毁，那就是数据和注意力。他们掌握着关于这些人、关于他们怎么看视频等等的海量数据，还掌握着海量注意力，而这两样东西会互相复利。所以我不认为便宜、普及的智能会让人们不再想看有趣的 20 秒视频。真要说的话，他们能从人们花在别处的时间那里，在边际上再赢一点时间。
克利夫：我并不持有它，但理论上会因为拥有更多智能而受益的公司是 Grindr。基本上 Grindr 是那款男同性恋交友应用，但它一路以来被一件事限制住：它不是一家那么大的公司。事实证明，他们有很多注意力，也有很多数据，但他们把想象中能建的东西建出来的能力，最终受限于一支有限规模的团队、有限的预算和有限的创造能力。这某种意义上意味着 Grindr 没法成为你能想象的那个样子。再说一次，我并不持有 Grindr。我研究很多公司，这件事只是突然让我想到：这是又一个例子，说明这个心智模型——如果你有谷歌最好的 1 万名工程师，来攻你的问题五年，你能做出什么？Grindr 就是那种「也许他们还能多做一点」的公司。
05 前沿实验室作为一门生意
克利夫：我想聊聊那些实验室。回到最开始那个点：我认为很多优秀的投资人会说，智能——尤其是前沿智能——不是大宗商品。历史上，这个话题谈的是闭源和开源之间的智能差距。而现在，越来越常谈的是：实验室公开提供的东西，和它们在自己生意内部私下使用的东西之间的差距。它们看起来已经搞明白了怎么阻止或者放慢蒸馏。很多人会说，这里正在发生某种「逃逸速度」，前沿 token 会值钱得多、有用得多，而实验室自己又能蒸馏自己的模型，把廉价智能里最好的那个版本也提供出来。我很想听你以投资人的身份、用这套框架聊聊实验室作为公司。
克利夫：如果它们有更好的模型，能以比所有人低得多的成本生产足够好的智能，而且没人抄得走，那这会是一门很好的生意。我大概有几个想法。第一，看我观察模型被部署的过程，感觉可以这样想：你一开始拿到的是非常不够用的模型，它们基本上只能干很小一部分活。然后模型变好，它们沿着栈往上爬。每往上一步，前沿模型就解锁了一个更大的、可以叫「可服务市场」。但在它后面，实际发生的是：一旦评测之类的东西被占满饱和，你在客服应用里绝不会用一个前沿模型做聊天机器人——那你就太蠢了。所以正在发生的是：那些领域显然会商品化。于是就有一波「难任务」——你确实需要前沿模型；而在它背后，你不需要。
克利夫：所以我在前沿实验室做多头的朋友会说类似这样的话：别担心，我们也能在整条高效前沿上生产更便宜的 token。也许他们现在能，也许现在不能，也许几年后能，也许不能。这些我觉得很难判断。趋势当然是这些东西在快速商品化——如果你看中国模型的崛起，每一步都是。至少，成本一直在塌。所以即使它们真的占有这样一个位置——完成那些远在前沿之后的任务所需的 token——那也可能不是一个很大的市场，因为在整体格局里，交付这些东西的成本并不高，而且竞争激烈，即使它们是这个正在缩小的商品市场里的成本领先者。
克利夫：还有就是，我认为编程是模型的一个巨大用途。随着你往前推，问题变成：对于下下下一层智能，你还有没有越来越大块的东西可以去攻？多头版本的故事大概是：是的，只要能解出怎么治癌症，人们愿意付任何价钱。也许这是真的。但回到我们刚才那段对话：我认为搞明白怎么治癌症需要碰现实，我不确定更多智商就能给你这个。如果你不相信存在某些超厉害的用例、可以为更多智能收极高的价钱，那你就开始走到这个点上：下一步或许是编程，然后再下一步也许是别的，但你会走进越来越小的缝隙。这就像一条钻石形状的需求前沿：一开始用途越来越宽，然后它开始变得越来越稀薄。你真的有多经常需要一个 300 智商？人可能会开始这么问。
克利夫：当然，我们会看到答案，我也不想太教条。但在我看来完全合理的一种结局是：超级精英智能的用例非常少；非常好的智能用例很多；而那种非常好的智能竞争激烈、已经商品化。如果这些前沿实验室能在这件事上成为成本领先者，做成本领先者是有毛利可赚的。但同时也存在剧烈的通缩。于是问题就变成：如果「足够好的智能」非常非常便宜，这个市场有多大？然后人们会买多少「足够好的智能」？
06 杰文斯悖论与需求的边界
帕特里克：我就继续唱反调。这种情况下人们可能会说两件事。一是杰文斯悖论：东西变便宜了，我们只会想用更多。我很想听你怎么看。第二是：历史上，智能的新用途通常是被高智能的人发现的。我的好朋友说「智能创造自己的需求」。这个说法呢？还有这个事实：也许对人类来说是钻石形——如果新问题是人类提出来的、由智能去回答。但如果这个东西本身在创造新问题呢？而且我们把它训练得非常擅长这么做，让它以开放的方式去探索，就像整个人类一直在做的那样，历史上由那些 150 智商以上的人带领着。
克利夫：杰文斯悖论只是需求价格弹性的一个很窄的例子。一般来说，所有市场都是 U 形的。一开始产品很糟，没有需求。然后产品变好，人们愿意付很多钱，但不会买很多。接着价格下降，市场规模上升——本质上就是杰文斯悖论。但随后你会走到一个点：价格继续下降，却不再带来足够的需求，市场反而缩小。最终当然，如果你把价格降到零，市场规模就归零。
克利夫：我想过的一个例子是光纤通信、或者说通信本身的成本。搬运信息的成本曾经高得离谱，人们搬得很少。然后经过一整套创新，搬运信息的成本大幅下降，搬运的信息量大幅上升，市场在很长一段时间里长得很大。然后市场停止增长。而搬运信息的成本继续下降，市场继续收缩。到今天……Cogent Communications 我想承载了互联网全部 IP 流量里的 30% 到 40%，而那还是通过它的一个部门——甚至不是它最大的部门；Cogent Communications 是一家几十亿美元市值的公司，这不是一个很大的行业。我不是说智能会变得那么小，但杰文斯悖论只是关于曲线上某一个点的陈述，它不必然成立。
07 自动化实验室与实验速度的上限
克利夫：至于你另一个问题——更多智能能不能创造对智能的更多欲望。我有几点想法。可能吧。我一开始说过，要回答问题你必须碰现实。所以如果你有一个模型，要它多想物理，它当然能想出很多有趣的物理想法，但最终它得做实验。这不是说我们不能同时做实验，而是到那时候，我们就受限于我们物理上做实验的能力。
克利夫：所以我认为会有一段非常了不起的时期，会有那么多很酷的发现——我们已经开始读到了：这篇论文写出来了，那篇论文写出来了，还有一篇也写出来了；如果有人把三篇都读完并想过，他会意识到这个，但没有人；结果是模型读了所有论文，它们会把它算出来。会有一大堆很棒的东西从中掉出来。但某个时候，我们会把这件事做完。然后就变成：有些思考方式在我们已知之外。我们有一个假设，但一个模型——哪怕是超级聪明的模型——不一定更擅长猜它。它会比最聪明的人更擅长猜，但最聪明的人的胜率本来就极低。所以它能提出很好的实验想法，那些实验也值得做，但那会限制我们扩张的能力。
克利夫：我还会想到我自己的 AI 用法，在很多层面上。第一，回到商品化这件事：我自己的模型用法已经完全商品化了。因为我很多时候搭东西很懒：我会叫一个 Grok bot 去搭东西，而因为我不想把我的 Grok bot 配额用完，我就让它把那些都跑起来；我订了一堆东西，我就让它在一台服务器上用那些订阅去建。所以我现在其实不知道自己用的是哪个模型了。我以前知道这个模型更好、那个更差，现在我不知道了。所有这些都在后端替我优化。我只知道东西在被打出来，而且没在用我的订阅，所以我们挺好。
广告：Vanta 让合规自动化，让你的团队少花时间在安全审查上、多花时间在获取客户上。Vanta 把审计准备时间削减 82%，给你即时、最新的信任证明，不用那些手工活，让你更快、更少摩擦地成交。客户报告的投回报率是 526%，超过 16,000 家公司在使用 Vanta，包括 Ramp、Harvey 和 Snowflake。现在开始可以省 1,000 美元，访问 vanta.com/invest。
广告：Ridgeline 是第一个为投资管理机构打造的、内嵌 AI 的端到端记录系统，把组合会计、对账、报告、交易和合规跑在同一个统一平台上。机构们正在从遗留技术迁移到 Ridgeline，因为它的 AI 能力比投资管理软件里的任何其他产品都领先得多。我听很多投资管理人谈过 AI，他们大致分成两个阵营：一些人甚至不知道从哪里开始，另一些人则确信自己能用一个月末的周末自建一套订单管理系统。现实是，经营一家投资公司永远需要治理、控制和数据的单一事实来源，再多的 AI 热情也改变不了这个要求。Ridgeline 正是建立在这个基础之上，所以我相信在 AI 时代跑出来的机构，会是那些跑在 Ridgeline 统一平台上的机构。如果你认真对待自己公司的 AI 战略，Ridgeline 应该出现在那场讨论里，你可以在 ridgeline.ai 申请演示。
帕特里克：有一批公司我很想听你怎么看：那些在真实世界里做实验、并且把闭环做成了自动的公司。机器人在发生这件事，生物实验室、自动化湿实验室、自动化测试实验室也在发生这件事。对这种类型的公司有什么评论？
克利夫：有，非常好的想法。在物理世界里把闭环合上会很了不起，它会加速学习的过程，这是个很棒的想法。但同样，存在速度上限。我反复回到的一个说法是：这很了不起，而某种意义上我是「嗑了 AI」的——我认为这些是我们会去做、而且很有用的事。但我也清楚一件事会遇到什么。我喜欢这样跟人讲：看，你非常聪明，所以你一定能理解，聪明是有上限的。聪明是有上限的。所以「靠想就能想出解法」的能力是有限的。所以如果你要建一个自动化的生物测试实验室，把它接到一台计算机上，计算机会提出一个想法，然后跑一个实验，然后迭代——这很棒。但如果那个实验需要繁殖小鼠，而小鼠要一年才能长大、死亡，那个实验就要花时间。它可能是个很好的实验，你能学到很多，这很好，但它仍然要花时间。而且实验室就那么大，所以你可能有 5,000 个很棒的想法，你会挑 20 个，而模型可能更会挑。那个实验成功的概率也许甚至能到 1%。事实证明这可能比普通研究者好十倍。这很了不起。但它仍然是 1%。这些都不是为了悲观。这非常了不起。把那些我们应该知道、因为它们本来就在我们语料库里、只是被我们忘了的东西重新发现出来，很棒；把研究更好地导向，很棒；把研究自动化以跑得更快，很棒。我们会学到东西，它会推动前沿，但这不像模型突然环顾四周说：各位，你们漏掉了，这里有一个你们理解不了的新世界。我不认为我们要去的是那个地方。
08 他为什么不碰 AI 基建
帕特里克：看起来市场——特别是私募市场和最前沿那批思考 AI 的投资人——非常集中于投供给相关的东西：我们怎么造出并服务好所有这些智能；而不是我说的需求相关的东西：某个人在自己的 Meta 应用上看他的个性化电视之类。你把这些第一批公司当作投资标的怎么看？
克利夫：超级难。我开玩笑说过，我一直刻意对它们保持无知，大概因此有点吃亏；但这里有一个巨大的建设潮。然后你要去预测推理需求。供给和需求，我都没法在几个数量级之内做出预测。随着智能变得更好更便宜，人们会用多少更多的推理——这件事真的非常非常难。同样难的是，推理会变得多好、多便宜。而即使你不知怎么猜到了这些，还有整条价值链，你必须站在瓶颈上才能拿到租金。然后，当然，最后你还要在那一段价值链上跟你真正的竞争对手竞争。这就是一件超级难的事。
克利夫：当我想自己作为一个消费者怎么用 AI 时，我越来越多在做这种事：不是让 AI 聊天机器人和我女儿说话、或者给她发短信教她做数学，而是让它做一个「三蓝一棕」那种风格的讲解视频，让她能看一段漂亮的五到十分钟视频，讲幂、讲面积、讲周长或者别的什么。这特别酷。如果它要 5 美元，我就不会做了。所以这里有真实的价格弹性。我想说的点是：我会拍自己用 Muse 应用健身，它会给我姿势要点。我会为这个花很少的钱。但如果价格是真的，我就不做。而我大概比大多数人更不敏感于价格。AI 需求会对价格非常敏感，这本质上让我觉得，它限制了消费者在这件事上总共愿意花的钱。
09 最好的创业者在造供给
帕特里克：也许现在是聊资本周期的时候了。看起来世界上最有头脑的人、以及世界上最好的创业者中的大多数，都在个人层面重仓押在这个供给建设上。如果你看昨天 SpaceX 的投资人日，基本上就是这个主题。可以说，可能是有史以来最伟大的创业者，也专注在做这件事——建设数据中心的供给，等等。这是一个历史性的问题：如果这一切都是真的，供给和需求如此不确定，而且还有别的方式去建生意、做产品、赚钱，那你觉得为什么这么多最好的创业者、最聪明的人，把全部生命投入到供给建设里？
克利夫：这是对一项巨大而重要的技术所做的巨大基础设施建设。是啊，如果没有强烈的价格信号和大量人才扑上去，一项巨大而重要的技术是不可能有一个巨大的基础设施建设的。所以，你也许把因果关系弄反了。当然，这些东西是双向的。
克利夫：你能不能想象另一种讲法：没有任何有意思的人、没有任何赚到钱的人，在建设 AI？这大概是最好的答案。说清楚一点：这是一个巨大而重要的项目。它之所以在发生，只是因为超级聪明、超级有才华的人把生命投在上面。他们在做这件事，这很好。他们会赚到很多钱，而且他们配得上。只是从我坐的位置看，这非常非常难。而且大概有更聪明的人已经想明白了。从我坐的位置看，要判断沿着这条链该往哪里投、以及投进去能不能赚到钱，非常非常难。这不是说那里没有大量的机会和潜力。我只是决定把注意力更多放在「世界会变成什么样」所带来的长期均衡结果上。与其押注哪个铁路大亨会赚到钱、我们需要多少条铁路，我更想去想：好，一旦你有了铁路，我希望能有那份先见之明，去搞明白接下来起来的是什么消费品牌。这就是我一直试图去想的思路。
10 过去几轮资本周期的教训
帕特里克：你能不能稍微展开讲讲，你对资本周期和这样的创新周期学到了什么？我很想听你研究过这么多市场历史的视角。如果我们正处在其中一个周期里——也许是史上最大的一个——历史对这些周期、对它们怎么运作，教了我们什么？
克利夫：有意思。你可以把当下的美国社会想成一个正在为买房子存钱的家庭。对吧，为一栋房子存钱，而我们所有人都觉得手头紧，因为所有这些资源都被投到了建设这套庞大的 AI 基础设施上。所有这些电工、水管工和其他人都要去做这些活，结果就是经济里其他地方的成本更高了。毫无疑问，我们会从中得到很多价值。而我们会继续推，因为没有人真的知道。我们会一直推，直到最终我们做过头。而一路之上，人们必须赚到很多钱，否则人们就不会继续推。又因为事情有前置周期，也因为这是一个赢家的诅咒，最后停下来的那个人必然会后悔。这真的很难，真的很难。
克利夫：然后再把这一点和另一个事实合在一起：这里的技术变化实在太剧烈了——我认为在其他历史上的基础设施建设里，这一点没有这么明显。做事的方式变化太多了。我是说，别人已经提出过这个观点，我不认为它一定错：我们聊过模型层面，但即使在芯片层面，AI 也有可能把英伟达这样的东西商品化，或者说把递归式自我改进带到所有地方，而其中很大一部分最终只是智能。英伟达字面上就是做平面文件（flat files）然后送到台湾去。他们的平面文件非常难做，但他们拥有的是大量为此苦思的人。所以理论上，你是能把它做出来的。而且接着问题就变成：如果你从前沿往后退一点呢？那制造某样东西的成本就会大幅下降。
11 台积电与物理护城河
帕特里克：在那个世界里，你的模型会不会是：物理和规模才是你想在一门生意里拥有的东西？如果你要押这条等式的供给端，台积电。
克利夫：我不想把自己包装成什么台积电专家。我是说，他们做的事情定有更好的属性。我认为在这个意义上，他们也面临一个有意思的问题：他们做了这件超级难的事，需要花很多年积累起来的一整套工艺能力，极难复制，而且远不那么容易交给一个 AI——因为它太物理了，因为它是那么多细小的东西，其中很多甚至不是 AI 能读懂的。就像一个在系统里的老手，模模糊糊地知道你必须这么做。
克利夫：因为需求太大了，因为他们有毫厘级的优势，他们基本上让全世界所有人都想复制他们的护城河。这不是一个很好的事实。但更一般地说，跳出 AI 建设潮，如果你去想生意——我们刚才聊过 Meta 那个例子——就是这样一个想法：拥有物理上的邻近、或者物理上的规模的企业，如果能用智能更好地服务客户、或者因此有更低的成本，可能就会受益。
12 AI 代理与最低成本生产者
帕特里克：我想回到智能的那些天然互补品，让你解释一下为什么它是智能的互补品，这样听众回去就能想：好，哪些公司有这个特征，可能值得看？物理邻近是个好例子。你会怎么看 DoorDash 或者 Uber，或者那些本地密度效应非常重要的生意？智能变得无处不在，是不是会自然放大所有这一类、以物理邻近为关键优势的规模赢家？
克利夫：这么说吧，如果你是某样东西的最低成本生产者，我举一个简化的例子。如果每个人都有了一个 AI 代理，那么会发生的是：很多决定被交给 AI 代理，因为 AI 代理帮你优化、帮你挑……
克利夫：……那些你掉在地上的钢镚和零钞。所以我把消费者的选择想成一条谱。一端是「让我的银行存款最大化」。这类事我几乎可以完全交给 AI 判断：只要是 FDIC 保险的，我就要最高利率。另一端，可能是挑我最喜欢的那件毛衣。这类事完全是我的判断：AI 可以帮我找东西来看，但最终决定得我做，我没法把这个判断交给它。
克利夫：中间是一条谱。那我们暂且假设，收垃圾是我可以交出判断的那类事。你可能会说：不，我真的很在乎那个人，我信任这项服务，他要开车到我家门口之类的。但这些先放一边。所以现在，如果我在垃圾回收这门生意里，我可能做得很好，但要让人们费心去换一家，仍然非常难。我怀疑你并不能张口就说出自己为收垃圾付了多少钱。很多人知道，但我不怀疑你不知道。所以发生的是：你必须做一大堆工作，才能让人们注意到、并且费心去换一家垃圾回收公司——即使你提供的是更便宜、更好的服务。
克利夫：你可以想象，AI 代理可以去和我的代理谈，说：嘿，我每月替你省 50 美分。代理会问：垃圾还会被收走吗？我说：是的，垃圾会被收走。没问题，那我换。所以一阶效应是：你会转向成本最低的供应者。但一般的市场效应其实也挺有意思，因为现在假设有一条街。在这之前，如果这条街上所有人都用同一个收垃圾的，对社会来说会更有效率：那个人可以一路开过来把垃圾收走，他可以给我们所有人更低的价格，同时赚得更多。但我们很难协调这件事，因为实际发生的是：我们所有人都懒得换收垃圾的。所以每家各有一个。而街上已经有了两个客户的那个人，没法给所有人打电话说：嘿，这条街上我已经有两家了，其他人都只有一家，我是最低成本生产者，让我把它整合起来。
克利夫：所以二阶效应可能是：街上已经有两个客户的那个人，可以去找街上其他人说：嘿，我给你更低的垃圾价格，于是所有人都换过去。于是所有人都转向最低成本生产者，而他反过来又能成为成本更低的生产者。某种意义上，这实际上创造了一门更好的生意：低成本的那个人以低得多的毛利赢下多得多的量。
13 AI 会取代投资人吗
帕特里克：你研究这些公司的时候，很多公司因为有这些事情，会有指向不同方向的混合效应。你觉得代理对你的世界会有什么影响？你的角色会是什么？五年后会有多大不同？最好的代理能不能建出一个 Carvana、Hilton Grand Vacations 和 Meta 的组合，就像你会建的那样——因为你训练过它、让它按你的方式思考？
克利夫：嗯，希望它会做得更好。
帕特里克：就你做的事来说。
克利夫：我认为长期看，我们大概会被竞争掉。
帕特里克：这是基本的价格风险，就是你所做的东西？
克利夫：对。计算机辅助国际象棋出现时，有很长一段时间是「自由式象棋」更强：人类加上计算机程序，能够战胜纯人类或者纯计算机。这恰恰因为人想事情的方式不同、计算机想事情的方式不同，而它们是协同的。我认为投资在一段时间里——我们现在就在那个时代。我们现在就在那个时代。因为世界上有些东西，我理解它们的方式是模型所不具备的，仅仅因为我是个人、我活过一辈子。而且我掌握的一些关于世界的信息，根本不在模型里：因为不管互联网上有多少信息，并不是所有东西都真的在互联网上。
克利夫：在这一点成立的时候——我认为会持续一段时间——我用模型来辅助我、然后再做判断，这种合作会做出更好的判断。不过你也可以想象未来的某种情形：那个差距缩小到不再重要。那时候我也不认为模型能预测未来——就像我们说过的，未来在某些方面本质上是不可预测的。但模型给出的结果分布，也许已经是你能做到的最好，而往预测里加一个人，就像往「七天后会不会下雨」里加上我的判断：你大概会说，克利夫，我真不在乎你怎么想，我用天气预报就行，那会更好；你怎么修饰都只会让它更差。那一天可能会来。
克利夫：那会是个有意思的时刻，因为投资里还有很多东西。比如判断管理层。也许模型能判断管理层，它们能面试他们，能把它搞明白。然后就变得非常有意思了。你怎么融资？你说：你知道，我想开一个游乐园。模型会说：当然，这里有六个选址，游乐园成功概率 51%。只要你真的投入。而且我评估过你，你成功的概率是 51.2%，因为你其实略低于平均水平。你说：好吧，那我能做什么高于平均水平的事？我说：嗯，你有没有想过开一个卡丁车场？幸好我认为这不会对我的职业影响那么大，因为我觉得这会花上一段时间。
14 价格是包在激励里的信号
帕特里克：那用价格作为组织原则、作为协调经济活动的信号，会不会被取代？价格是个奇迹，因为它是包在激励里的信号。这是什么意思？
克利夫：价格是一种激励：它让你想多买或者少买某样东西，因为它涨了或者跌了。同时它也是一种信号：它说明了某样东西的相对价值、它的稀缺程度、生产它的成本。它是一个奇迹般的协调机制。我认为你很难找到一个更好的系统，即使有无上限的智能，也会相当困难。
帕特里克：也许换一种问法，就像投资一样：如果普及的智能变得好得多、便宜得多，在某种意义上它能复制你做的事，你就真的有了价格风险。我的朋友丹说这件事有三层。第一层是我输入一个提示，拿回一个结果。第二层是我架一个瞭望塔：我的 Instinct 每晚跑一组任务，按计划在后台发生。第三层——也是使用智能最多的那一层——是它一直开着、主动地自己想办法用自己那份智能，然后一直跑下去，它能做多少是没有上限的。如果我想第三层应用到一切东西上：什么该被定价、效率、优化，这一类事情。这会给价格加上什么有意思的东西吗？
克利夫：它会让市场更锋利。价格有很大的黏性。这是众所周知的宏观经济现象，价格黏性。有大量被懒懒定价的东西，想想存款这类。我是说，外面是一个竞争非常激烈的世界，但实际上它并没有理论上能那么竞争。所以我认为，如果每个人都有代理替他们工作、持续优化，那么收垃圾的价格会浮动得多得多。随着收垃圾的所有投入成本变化，每一家垃圾回收公司都在不断重算自己的财务、搞清自己真实的边际成本，并且对每一个它能以高于边际成本服务的客户出价；而每一个代理都在转向最低成本的供应者。你不会再遇到这种事：你每月付 60 美元、付 12 个月，然后那个人回来说涨 5%，明年 63，而你根本没注意到，垃圾照样被收走。你的收垃圾费会按天变化，某一周是多少就是多少。会有这一整套有趣的、准确得多、变动快得多的价格，我想。
15 被低估的美国资本市场
帕特里克：你在资本市场的创新上看到什么有意思的东西吗？有一个很棒的经济学故事，讲美国资本市场这个庞然大物，以及它多擅长适应新东西、创造新东西、创造新的融资方式，而这在美国故事里，和技术创新一样重要。
克利夫：当然。华尔街和硅谷之间那种惊人的相互关系，就是一种看法。
帕特里克：在市场里、在资本市场里、在融资方式上，有什么有意思的东西在你脑子里冒泡吗？
克利夫：嗯，我是说，花一点时间停下来，作为资本市场为我们正在用 AI 做的事自我祝贺一下，是件有趣的事。人们曾经担心美国活力在衰退。我想我们刚刚把——那是什么，GDP 的 3%？——重新部署进了这个高度投机的事业，基本上是转瞬之间。就是这么了不起的一件事。当然，谁知道呢？也许它该是 2%，也许该是 6%。但我们能以这个规模、这个速度重新部署资源，这很惊人。而世界上没有别人做到了这一点。而确实，无法把投资转移到生产性资源上，会成为生产率增长的约束——即使、尤其是在技术快速进步的时候。
克利夫：所以，至少在资本这件事上——我们谈资本，但资本投资是和人们去做不同的事绑在一起的。美国人今天在做不同的事。每天，人们醒来，跑到宾夕法尼亚某个地方去建一个数据中心。如果不是因为我们这一整套基础设施、不知怎么能够调动这么庞大的资本，这不会发生。这很不可思议。
克利夫：而在深度创新上，我认为那个基本想法——人们为投机性事业承担风险、用不同方式切分这块饼——是不可化约的。我认为随着时间推移，人们会为本质上是同一件事的东西想出很多不同的名字。我不认为那有本质不同，但它很不可思议。我还应该指出，等潮水退去，我们肯定会发现各种各样的欺诈、不当行为这些东西。但我认为，考虑到这件事的规模……我怀疑它相当干净。这很惊人。如果你去读铁路建设那一段，浪费和欺诈的量——不可避免地会有一些。但这里有大量的人在基本上做正确的事，而我们习以为常的那些治理部分，很不可思议。
克利夫：美国的资本市场，以及一般的资本市场，我认为被极其严重地低估了。这个想法是：任何人都能买 10 万美元的股票，然后得到一个由经营良好、动机充分的团队组成的组合，这些团队在建造大体上做正确事情的公司，而这一切基本上是瞬间完成、基本上没有成本，等他们做完了随时可以卖掉。这很了不起。然后是这样一个事实：所有那些公司、以及人们投资的其他方式，能够在整体格局里相当好地配置社会的资源，这简直不可思议。整个系统被严重低估了。
16 美国为什么擅长冒险
帕特里克：你觉得为什么美国在这件事上如此主导？
克利夫：我的个人理论——每个人都有自己的一套——是遗传、文化演化和制度演化之间某种相互作用。大致上是：来到美国的人，是最愿意承担风险的那一部分人，因为去美国这件事本身风险很大。而我认为，这……
克利夫：……承担风险有相当程度的遗传成分。所以我认为这种倾向在美国人身上就是更普遍。当你身处一个「冒险更常见」的地方，还会从那里长出一大堆别的东西。它更常见，于是就带来一整套文化和制度的积累去强化它。人们理解「人可以冒险并失败」，于是就产生合理的破产法；于是产生支持这件事的劳动法；于是产生支持这件事的风险投资；所有这些东西互相强化。然后它带来成功故事。你得到这一整锅汤。但这就是我的个人理论。
帕特里克：所以如果某天有了月球基地，你会看多那个社群在经济上做得非常好的能力。
克利夫：对，其实是，这个说法很好。美国以一种非常惊人的方式持续保持创新。所以如果有一个月球基地，它属于我们，我不会感到意外——尽管中国人很聪明、人很多，欧洲人也存在。
17 更高的利率在告诉我们什么
帕特里克：当你看到利率上升，你去看那张长期的利率大图，比如美国的十年期利率，它看起来基本上就是我们一辈子的样子。我想请你评论那张图。
克利夫：嗯，我是说，这里东西太多了，我当然不是什么宏观经济学专家，也没有花太多时间想它，但我会给几点观察。第一，显然，一般地说，当一个社会在建设、在为未来做一笔巨大的投资时，它意味着今天必须少消费。本质上，所有投进这场 AI 建设潮的资源都是为了未来，都是为了未来。而本质上，今天建那个东西的水管工，今天并没有创造消费。他本可以创造当下的消费。但他造的是一个数据中心，那是未来的消费。所以在这样一块非常复杂的拼图里，我稍微想过的一点是：利率更高，是因为我们在诱导人们为未来储蓄；而你做到这一点的方式，是付钱给他们。
18 他给所投公司讲的那场 AI 演讲
帕特里克：如果我不问问你的组合，人们会杀了我，这对我来说特别有意思。它是 80% 的 Carvana、假期（Hilton Grand Vacations）、5% 的 Meta，基本上这就是你的组合。大致公平地说，就是五样东西。
克利夫：没错。而有一样占了 80%。
帕特里克：所以，如果你去想你的组合和这些公司——显然你非常了解它们——而你又在给它们提供建议，教它们怎么思考用 AI 改造自己的生意，那场演讲长什么样？
克利夫：嗯，它从确保每个人都「vibe coding」开始。从董事会和 CEO 开始，每个人都要办黑客松。当然，我把这个带到 Carvana，他们说：是啊，我们管它叫披萨派对。我不是指开发者。我是说每个人都要办黑客松。并不是说这些黑客松一定能做出多么有用的软件，而是你要教会每个人「什么可以做得到」。而我认为，这会改变他们对「什么能做得到」的预期。
克利夫：然后我要告诉他们的第二件事是：CEO 得去跟 IT 负责人说大致这样的话——我要我的 Grokbot、Meta Muse、代理，随便什么，能够以只读方式访问公司里的每一个系统。凡是我问一个人就能查到的东西，我都要能在一个提示里拿到。而那位负责人不会说「这很难，我们有无数个问题」。他会说：这就是我的意思，我要的就是这个。那是一个大工程，要一个系统一个系统来，还有别的。但如果你能做到那一步，你就有了只读访问权限。那是起跑线。对，是起跑线。那让你拿到只读访问。
克利夫：然后接下来合乎逻辑的是：CEO 要在所有地方都用它，于是所有人都会眼红，然后你说：哦，你也可以有，但我们得把你的权限理清楚。然后理论上，这会一层层往下渗，于是你有了只读访问的权限。然后不可避免地，会有人说：我真的很想把数据写进系统。你会说：太好了，我们得把写权限理清楚。然后有人会说：我很想改一个系统，因为我们刚做了这个 vibe coding 的事，我很有信心我们能做到。你会说：那也太好了，我们需要设计一套流程来管理系统变更。我刚才描述的，当然，就是四条要点。那大概是……好几年的工作。那大概……可能很难。
克利夫：所以问题是：你所在的生意，有没有时间在有人从零开始之前把这些做完？在跳球之前，另一个从起点就起跑的人追上你之前。
帕特里克：正是。
克利夫：所以，有一门真正好的生意是好事。
19 创办公司最好的时候
帕特里克：看起来从那里能得出的一个结论是：现在是有史以来创办公司最好的时候。一方面是因为资本市场的状况——人们愿意以相当低的资本成本去投高度实验性的东西；另一方面也因为有了这些工具，如果你起步时没有包袱，你能在很短时间里走得很远。你觉得这大致对吗？
克利夫：我是说，对，现在是有史以来创办公司最好的时候——直到明天。所以我同意。这很了不起。我还要说，从我自己的角度看：人真是太麻烦了。如果你在经营一家公司，人真是太麻烦了。而「你拥有这些代理、这些东西」这个想法，让你的公司能用少得多的人做多得多的事。
克利夫：当然，挑战之一永远是：如果你能轻易做到某件事，那么别人也能。所以必须有某种楔子，让你做出来的东西具有持久价值。它有没有一条路，让你最终得到某种锁定、或者专有数据？在这个所有代理每天都开开心心换供应商的世界里，什么能给你任何持久的经济性？但当然，还有更进一步的一层：如果你做的事看起来有一条明显的通往持久经济性的路，那就是一件不该做的事，因为所有人都在试图做那件事。所以竞争非常激烈。而真正了不起的结果，是那些「讲不通」的结果：你压根就不该做它。但后来事实证明，世界转了个弯，那里有一条路。
20 企业毛利与垂直堆栈
帕特里克：那在你看来，未来竞争优势最被低估的来源是什么？如果最终好生意需要可持续的优势、可持续的竞争优势才能有好的利润，有什么被低估的吗？
克利夫：被低估的。我们聊过注意力、数据、物理邻近。这些是那种因为智能变便宜、未来可能比今天更值钱的东西。还有别的类型吗？也许是监管俘获。你觉得还有哪类优势被低估了？
克利夫：谢谢。我认为我们聊的这一切，我们都在往下压价。有很多生意，它们赚毛利是因为——更多的消费者剩余。更多的消费者剩余。到处都是，到处都是。有意思的是，如果你回去读九十年代互联网刚起来时的大量研究报告，他们说的是一模一样的话。所以这里的基准率可能不太好。也许我们错了。但我认为他们经常错的主要原因，是这种聚合经济学——本·汤普森那种聚合经济学。所以也许没有那个，也许它们当初就不会错得那么厉害。而我也确实认为，很多聚合理论会失效，因为它基本上依赖这样一个想法：消费者只看谷歌里的第一条。但事实证明，如果你的代理把搜索结果里所有东西都看了，那么排第一就不重要了。而所有核心的东西——质量、价格、服务等等——都变得更突出。
克利夫：但另一件事是，也许这件事还有一个下游效应：你会能够建立更复杂的生意。现在，很多行业在结构上更水平，因为经营你自己那一片的复杂度非常高，这使得往上、往下做、同时不带来过度复杂度变得很难。有了 AI 代理、有了基本便宜且无处不在的代码和智能，你可以建整条垂直堆栈。我认为其他国家的有人在试这件事，但你可以有一家全栈的宠物护理公司，从做宠物食品一直到宠物保险、宠物医院、宠物医生，所有这些历史上属于多个层级的东西。但现在，因为你可以用 AI 来解决协调、减少委托代理问题，也许这类生意是可能的。然后也许那些生意最终毛利更高、更有效率、带来更多消费者剩余。Carvana 就是一个在这件事还不容易做到之前就建起来的例子，但也许人们能在别的垂直领域做到，那样的话毛利也许会上升，同时也带来消费者剩余。
21 AI 与收入分配
克利夫：另外一点是，这会影响财富和收入的分配。我可以讲两个故事。一方面，我认为很多人谈过这个想法：它会集中收入分配。我们有所有那些在各种实验室、各种数据、英伟达上赚到钱的人，以及「对一小群人存在递增回报」这个想法。但反方的论证是：如果我们有便宜且无处不在的智能，会同时发生好几件事。
克利夫：一是经济里所有那些收租的人。比如你是一家向保龄球馆收费的软件公司。那些人全被打死，这对他们很糟，但它确实降低了打保龄球的成本。于是这提高了所有打保龄球的人的生活水平。而这是有拉平效应的：我花在打保龄球上的钱占我收入的比例很小，但收入更少的人在打保龄球上花的钱占他们收入的比例更大。所以那对收入有一个拉平效应。如果所有这些小小的租金碎片都消失，企业利润下降，普通美国人交给美国银行的所有钱从美国银行那里消失，资本家输了，普通消费者赢了，那就是拉平。
克利夫：另一块是一整个专业阶层。你基本上可以把他们的角色定义为智能：他们拿大量信息，以一种相当直接的方式应用到某些情形里。而如果那些全部商品化，第一，每个人都拿到最好的、无处不在的东西——这对所有人都好；第二，对那些现在付不起最好的、或者根本付不起的人尤其好。但第三，那些个体，他们此前因为更聪明而赚到了这些额外租金，现在他们得落到自己的次优选择上。理论上，这可能会把曲线拉平。
克利夫：现在，对此的反方论证可能是类似这样：是的，但对主动性、雄心和智能的回报可能上升。因为现在我能做多得多的事，因为这些模型是好得多的大脑——像是给心智上了类固醇。它们让那些聪明、有主动性的人有能力……
克利夫：……成就多得多。也许那实际上会给那一小部分人带来递增回报，让曲线更陡。杜鲁门想要一个只有一只手的经济学家，而我显然对每件事都有两只手。我认为那是一个很大的、有意思的问题。这些都是超级有意思的问题，我喜欢的很多情境里都有大量互相冲突的暗流。
22 让 AI 决定仓位
克利夫：我们从 AI 建设潮开始这场对话。一方面，我能看到所有这些不可思议的用 AI 的方式，我自己用掉了海量 token，也能看到我还能再用掉海量更多。而且显然，我处在分布的极右端。如果每个人都像我一样用那么多 token，我们严重短缺。这会是那个一直持续下去的、巨大的东西，所有在这场建设潮里的人都会发财。另一方面，我每 token 得到的量简直要上天，而事实证明我在很多意义上是个相当不寻常的人；人们会适应得更慢，每 token 的成本会塌下去，所以也许，实际上，我们建得严重过头了。这两个故事我都能用同样的确定度讲出来。
克利夫：我有一个好朋友，一直在跑一个非常酷的实验。如果你把投资拆成「挑什么来拥有」和「每样拥有多少」，这有点过度简化，但是个有意思的看法。他一直在跑这个实验：他继续自己挑要拥有什么，然后一条道上，他按过去的方式自己做组合构建；第二条道上，他完全把它交给一个自己搭的 AI 框架，说：组合构建全归你，但只准用我挑的这些。而他目前发现，后者大幅跑赢。
帕特里克：谢谢你收看（笑）。我们过渡到「投资人的工作只是挑什么拥有、而不是每样拥有多少」。我要问你这个问题：你怎么看这个想法，以及它的未来？因为你有这么一个不同寻常的组合——再说一次，八成压在一个特定资产上。而我猜，如果你在第二条道上，AI 给你的组合权重会和你自己选的非常不一样。
克利夫：我是低配。我就是……我特别想知道你怎么看这个想法。低配 Carvana，应该是 90%。
克利夫：这很聪明。时间尺度大概也是这里有意思的一点。当我思考 AI 会怎么侵入这门生意时，我认为它会从更短的时间尺度开始，然后一路往上走到更长的时间尺度。因为挑战之一是，这里没有验证回路。你朋友能这么说的依据，是跑出来的结果——当然不是二十年的结果。我强烈怀疑 AI 进军市场这件事——也许已经开始了。我不知道文艺复兴科技是怎么做的，但我猜……看起来他们可能为所有其他人先发现了一个 transformer。我不是开玩笑。如果那些在更短时间尺度上投资的人——从秒开始，一路到分钟、小时、周、月——发现自己越来越多地把事情交给模型，我不会感到意外。
克利夫：这完全说得通，因为你完全可以想象把它分成两半：一边是试图让模型更丰富。我认为别人已经在做类似的事，这只是更精细的版本：你可以有一个完全量化的策略，然后用你认为属于质性的、由人设计的分析去丰富它；然后你可以再有一个量化策略，把那些质性的东西吸收进来。我认为很多多策略基金就在做这类事。他做的只是同一个东西的稍微不同口味。完全说得通。成功的方式太多了，而模型只是又增加了一些自由度。
23 为什么敢把八成压在 Carvana
帕特里克：那你自己的组合呢？多说一点：面对那么多研究都指出这是构建组合的疯狂方式，你怎么能对一个仓位——先不管它是哪家公司——这么大感到舒服？
克利夫：我认为那些研究里有很多，更多是在看证券价格的变化，而较少像拥有公司的人那样去想它。我是说，我们谈的是 Carvana。如果不是因为我觉得 Carvana 的基础设施、品牌以及其他一切如此差异化，以至于很少有情景会让它变得非常糟，那我不会对持有这么多感到那么舒服。可能就这么简单。那种组合式的做法本来会完全管用。当然，如果你当年发现了沃尔玛、家得宝或者 Fastenal 之类的东西，你不会充分利用它。而我对 Carvana 的感觉大概就是这样。
克利夫：当然，如果你读历史，所有做得非常出色的人往往都非常集中。但当然，历史也满地都是……隐私或者偏差。对，或者历史里那些没有这么做的人。我也认为，那些文献里很多说的是：对大多数想要平均、或者略好于平均结果的人来说该怎么做——而那完全是对的做法。但那不是我在找的。我非常喜欢 Carvana。如果股价涨了一大截、我觉得不得不分散，我也不会不高兴。那也没问题。这只是预期回报和有意识地承担一种不寻常风险之间的取舍。
24 AI 时代怎么教孩子
帕特里克：你怎么看教育？你和我孩子的年龄差不多。稍微谈谈你怎么想他们的教育，以及那些驱动这个国家教育的机构——在你描述的那整套路径依赖的故事里，它们非常重要。你怎么看教育的现在和未来，或者它应该长什么样？
克利夫：我一直在和我孩子学校的校长聊这件事，而且越来越多地，他的想法和我的想法都朝这个方向走：你教育孩子的方式，正在就「你在找什么」这件事变得越来越双峰化。让我先退很远一步。当模型拥有无限的智能时，个人的智能——比如你自己的智能——还有什么用？你可能会说：哦，没用，无所谓。一个 50 智商的人和一个 150 智商的人一样能在这世界上走路。我不认为这完全对。直觉上也不对。但我认为要把它钉准，是这样：你拥有的智能越多、你拥有的结晶化智能（也就是教育）越多，你就越擅长和一个模型沟通、越擅长告诉模型你要什么。
克利夫：我要和一个模型进行一场关于前沿量子物理实验的深度对话，会非常困难，因为我对量子物理一无所知。模型可以非常努力地向我解释，但到最后，它只能拿蜡笔和泡沫棒跟我解释。要走到前沿、把模型能给的最好的东西榨出来，会非常难。而在我确实有些专业知识的领域，模型和我能有效沟通，我能更好把模型导到我的意志上。所以，要把模型导向你的意志——我认为这会是未来一项重要的技能——你确实得对世界有所理解。而聪明对此有帮助，教育对此有帮助。你不能让它「假设这是一个随机过程」，除非你知道随机过程是什么。它可以教你这个是什么，但在把这一切搞明白的过程里，那是很多摩擦。你不必把数学做出来，但你必须知道那是什么。
克利夫：所以当我在想教育时，有这样一个想法：你教孩子一堆互相叠起来的基础技能。我认为最终，这些技能的总和是，他们必须能够在没有模型的情况下做这些事；不是因为他们未来会不用模型去做，而是因为如果他们不会做乘法，理解矩阵乘法就会非常难。而如果他们对矩阵乘法的理解不够深，他们就没法做得很好；但他们必须能在模型做的时候理解模型在做什么。而那是为了让他们能指挥模型。
克利夫：所以越来越多，我的看法是：我们应该花很多时间和孩子在一起，基本上把这些模型隔开，教他们那些我们认为重要的基础技能。而那些技能具体是什么，是一件很难的事。但这个想法是：是的，模型能做到，但你得懂它，这样你才能告诉模型去做什么。
克利夫：然后反过来，某个英语老师会说：我不喜欢模型，因为孩子们就在莎士比亚的论文上作弊。我就说：你的野心不够。孩子们在一篇莎士比亚论文上作弊？给他们更难的东西做。给他们一个难一百倍、野心大一百倍的东西，让他们把模型用到极致。让他们把作品拿回来，然后确保他们不是只给模型一个提示、把作业做完就完了；确保他们真的拥有这份作业。问他们为什么是这样。逼他们为自己的东西辩护。我认为这是另一件非常重要的事，因为孩子需要擅长使用它们，而且坦白说，他们也需要被教导「他们什么都能做」。
帕特里克：你和我时不时能在电话上聊，每次我都希望那被录下来，这样别人也能听到，因为我学到太多。我认为在今天这场对话里——它有点像是我们几个月前那通电话的一个版本——这是一份非常有价值的思考素材，关于智能的未来，以及那对市场、公司意味着什么；而且它有点是——不是对立于，而是——一种不同于你听到的最常见叙事的视角，那个叙事是：无限建设、永远做空一切、智能需求没有上限。我很喜欢和你聊这件事，无论电话上还是今天，所以非常感谢你的时间。
克利夫：谢谢。
尾声：如果你喜欢这一集，请访问 Colossus.com，你能找到这档播客的每一集，附有人工编辑的逐字稿。你也可以订阅 Colossus——我们的季度纸质、数字与私人音频出版物，里面有我们最敬佩的创始人、投资人和公司的深度侧写。了解更多请访问 Colossus.com/subscribe。帕特里克·奥肖内西是 Positive Sum 的 CEO。帕特里克和播客嘉宾表达的所有观点都是他们自己的观点，不代表 Positive Sum 的观点。本播客仅供信息参考，不应作为投资决策的依据。Positive Sum 的客户可能持有本播客中讨论的证券。了解更多请访问 psum.vc。
广告：你知道小优势会随时间复利吗？在投资里是真的，在你经营公司的方式上也一样真。你的支出系统就是你的资本配置策略。Ramp 让它默认就更聪明：更好的数据、更好的决策、随时间更好的经济性。去 ramp.com/invest 看看。
广告：随着你的生意成长，Vanta 和你一起扩张，把合规自动化，给你安全与风险的单一事实来源。了解更多请访问 vanta.com/invest。
广告：从 OpenAI 到 Cursor 到 Perplexity，最好的 AI 和软件公司都在用 WorkOS 一夜之间变成企业就绪，而不是花几个月。访问 WorkOS.com，跳过那些不光鲜的基础设施工作，专注你的产品。
广告：Ridgeline 正在重新定义资产管理技术，作为一个真正的伙伴，而不只是一个软件供应商。他们已经帮助机构把规模做到五倍，实现更快的增长、更聪明的运营和竞争优势。访问 RidgelineApps.com，看看他们能为你的机构解锁什么。
广告：每一家投资机构都是独特的，通用的 AI 不懂你的流程。Rogo 懂。它是专门为华尔街打造的 AI 平台，连接你的数据、理解你的流程、产出真正的成果。去 rogo.ai/invest 看看。
References
- 1
- 2CAS Investment Partners · Our Team
casinvestmentpartners.com
- 3Graham & Doddsville 第 30 期（2017 春）· Cliff Sosin 访谈
business.columbia.edu
- 4
- 5Carvana Announces Record Second Quarter 2026 Results
press.carvana.com
- 6
Comments