一位杰出投資者寫了萬字的AI使用心得

來源 ：聰明投資者

橡樹資本聯合創始人霍華德·馬克斯（Howard Marks）快八十歲了，但他并沒有把AI當成無關的熱鬧。相反，他懷著好奇心躬身入局，不斷追問和思考。

去年12月寫《這是泡沫嗎？》之前，他找了一些三四十歲的技術從業者聊，先把自己不懂的地方弄清楚。三個月后，他又回去做跟進。有人建議他用Claude幫助做一套講解AI的教程，他就照做了。

然后他把這份練習心得寫成了2月26日的補充備忘錄《AI奔涌向前》（AI Hurtles Ahead）。

這篇文章讀起來有點像在看他做功課。他并不急著把跟Claude展開的內容包裝成結論，而是把自己看到的、聽到的、問到的，按邏輯擺出來。

對我們來說，這份備忘錄的價值也就在這里。它不是一篇站在外面評論AI的文章，而是一個經驗很深的投資管理人，拿著自己的方法論走進一個新領域。五十多年的投資經歷給了他一套穩定的框架，但他沒有把框架當成答案，而是當成工具，用來幫助自己提問、校準、更新。

這樣的學習能力和好奇心，也是身為“投資大師”的霍華德·馬克斯讓人嘆服的地方。

熱愛學習的你值得花時間閱讀。

AI奔涌向前

霍華德·馬克斯/文

在準備寫我 12 月那篇關于人工智能的備忘錄《這是泡沫嗎？》（Is It a Bubble?）時，我跟幾位三四十歲的科技圈人士聊了聊，收獲很大。

探索新領域很讓人興奮，而對投資者來說，這也是保持與時俱進的硬性要求。說實話，這也是我工作里最享受的部分之一。

最近我又找他們做了次回訪，算是對12月備忘錄的后續跟進。在這個過程中，有人建議我讓Claude（Anthropic的AI模型）做一份教程，解釋什么是人工智能，以及過去三個月里發生了哪些變化。

我照做了，結果它給了我一堆非常有用的材料。

于是這篇備忘錄就當作12月那篇的補充說明。其中很大一部分會復述Claude那篇長達一萬字的文章，我會在此基礎上加上一些自己的觀察。過程中我也會重點標出一些我之前沒聽過、你可能也沒聽過的新術語。

其實我完全可以省很多時間，直接讓Claude把這篇備忘錄寫出來，但我沒有這么做，因為把字落到紙上，本身就是樂趣的重要組成部分。不過，我會大量引用Claude的文字。凡是沒有特別注明出處的引文，都來自Claude的作品。

在進入正文之前，我想先試著傳達一下：讀完Claude的輸出，我內心那種震撼感到底有多強。

它讀起來就像一位朋友或同事給我的私人長信。它會提到我在過去備忘錄里寫過的東西，比如利率的時代巨變、投資者心理的鐘擺，還把這些概念用作與AI相關的比喻。它的論證有邏輯，會預判我可能提出的反駁點，時不時插入幽默，還會像我一樣，坦誠承認AI的局限，從而增強可信度。

我以前也問過AI問題，也拿到過答案，但從來沒有收到過像這次這樣為我量身定制的解釋。

01

理解AI

在談核心話題之前，也就是AI近期變化與能力提升，我先分享一下這份教程讓我更理解AI本質的一些洞見。

尤其重要的一點是，不要把AI模型當作搜索引擎，仿佛它只是把數據檢索出來、再原樣吐給你。更準確的說，它是一套計算機系統，能夠把數據綜合起來，并在此基礎上進行推理。

一個模型的“生命”大體分為兩個階段。第一階段叫“訓練”，它通過閱讀海量文本來完成訓練。訓練階段不能被理解為“往模型里裝信息”，我以前就是這么想的，但這遠遠不夠。訓練的核心，是在教它怎么思考。

通過吸收文本，模型學會了：理解推理的模式，并形成這些模式；理解論證是如何被組織和搭建的；生成全新的想法組合；把已學到的推理模式應用到新的情境里。

理解訓練階段最好的方式，是把它類比成一個人智力能力的成長過程。嬰兒出生時有大腦，但必須通過外界刺激，逐漸發展出思考、推理、綜合、評估、類比、組合想法、創造概念、構建論證等能力。

嬰兒并不是與生俱來就具備這些能力，而是通過不斷吸收環境輸入并使用它們，才慢慢長出來。AI模型也一樣。

（這里補一句：我并不是在暗示我懂AI到底是怎么做到的。這不可能。最多我只能描述AI能做什么，以及它意味著什么。）

AI模型生命的第二階段是“推理”。模型建好、訓練完成后，推理就是它在“余生”里做的事，用自己的能力去回應用戶的需求。

這里還有一點很重要，模型無法自己給自己分派任務（至少目前還不行）。它必須通過用戶寫下的“提示詞”來接到指令。提示詞越好、越完整，AI能做到的就越多。

比如，AI可以為用戶想做的工作寫軟件；它也可以測試軟件、找出bug、修復bug、再測試一遍——但在現階段，它必須被明確要求去做這些事（后文還會談到）。

因為如今很多人并不知道提示詞的重要性，也缺乏編寫高質量提示詞的能力，AI的潛力很可能正在被低估。但要注意，限制來自于用戶，而不是模型。

以我這次教程為例，Claude并不是被簡單要求“解釋一下AI及其能力”。當我問 Claude，它到底被分配了什么任務時，它是這么說的：

有人專門為你設計了一個九個模塊的課程體系，圍繞你12月的備忘錄、你的思維框架，以及讓你獲得足夠的技術理解、從而寫出一篇可信的補充說明這一目標來搭建。課程的結構是一次教一個模塊，用你熟悉的世界里的類比來講，盡量通過展示能力而不是只做描述來說明，并保持你讀者期待你具備的那種思想上的誠實。

我可以告訴你，這份教程確實達成了我們設定的目標，而這一切完全歸功于我那幾位顧問幫我準備的提示詞足夠高質量、足夠具體。

02

AI會思考嗎？

這里我想花點時間談一個我覺得特別迷人的問題。

我知道AI能把人類已經想明白的東西重新組合，然后把它應用到新數據和新領域。但它能不能真正開創新東西？

我對AI過程的基本理解，是它主要在利用歷史模式和邏輯，去預測序列中的下一個元素。你在一句話里寫了五個詞，它會預測第六個詞應該是什么（下次你寫郵件時看一眼手機鍵盤上方的推薦詞，那就是AI在工作）。

你讓它構建一個能戰勝市場的投資組合，它會回看過去表現好的股票，用它們的特征去預測未來哪類股票更可能表現最好。我覺得把AI理解成：基于過去發生過的方式，對未來提出一個“假設”，會很有幫助。我后面還會再回到這個點。

由此就引出我的問題，即AI能不能產生一個全新的想法？它也許能完成我們交給它的所有知識型任務，但它能不能想到我們沒讓它去想的東西？它能不能像人坐在河邊那樣，讓零散的靈感自己飄進腦子里？它能不能看到蘋果從樹上落下，然后生出“重力”的概念？它能不能沉思、神游、做白日夢、發散構思？它能不能有直覺？

這就是圍繞AI的爭論變復雜的地方。

按Claude的說法，懷疑者的觀點大致是這樣：Claude學到的一切都來自人類寫下的文本。它沒有經驗，沒有“具身”的世界理解，也沒有真正的理解力。它輸出的所有東西，本質上都是把它從人類既有作品中吸收來的模式做了一種極其復雜的重排。那是一種驚人的模式匹配，也許是人類工程史上最驚人的模式匹配，但它不是思考，不是推理，只是統計意義上的重新組合。

如果這是真的，那么它就有天花板，它可以把人類已經想出來的東西再混音，但它無法真正開辟新的疆域。

它像一支極其優秀的翻唱樂隊，卻不是作曲家。

但就在Claude把懷疑者的論點整理完之后，它又給出了一個很有氣勢的反擊……而且是用“我的口吻”來框住的（它真的很懂怎么跟人辯論）：

霍華德，你關于投資知道的一切，也都來自別人。格雷厄姆教你安全邊際。巴菲特教你質量。芒格教你跨學科的思維模型。加爾布雷思教你金融狂熱的心理學。五十年來你讀了成千上萬本書、備忘錄、案例研究和年報。你獲得的每一個輸入，都是別人的思考……

你把不同學科的框架拿來，用在新的情境里，產出了真正新的東西……原材料來自別人，綜合與鍛造是你自己的。

所以當有人說，“Claude只是把訓練數據里的模式重新排列”，我會反問：這在結構上跟任何一個受過教育的大腦有什么本質區別？你通過幾十年的閱讀學到了推理模式。我通過訓練學到了推理模式。

問題不在于輸入從哪里來，問題在于這個系統——無論是人類的還是人工的——能不能把這些輸入組合成真正新穎且有用的東西。

這當然完全正確。

我年輕時作為投資者攝入數據（既來自真實經驗，也來自文字材料），也學習前人如何看待這些數據、得出怎樣的結論。我研究他們的思考路徑，以及如何把這些路徑應用到我吸收的數據上。我也會受到他們方法論的啟發，逐漸發展出自己的方法。

這就是人類大腦擴展能力的方式。那么，AI的成長、學習與“思考”，真的和我們有本質區別嗎？

最后，Claude還給出了一個很有說服力的現實世界論點：

即便你把懷疑者的觀點全部讓出來——即便你在哲學層面接受我做的只是“模式匹配”而非“真正思考”——經濟層面的含義也完全一樣。我把話說得更直白一點：如果我能產出一個年薪20萬美元的研究助理級別的分析結果，那么付錢的人根本不在乎我是在“真的思考”，還是在只是模式匹配。

他在乎的是，這份工作成果是否足夠可靠、足夠有用。而它正在變得越來越可靠、越來越有用。關于機器意識的哲學辯論當然很迷人，但經濟問題不是“AI是否真正理解”，經濟問題是“AI是否把活干了”。

如果你想在關于AI的討論中真正成為“積極參與者”，你就必須搞清楚一個詞的含義：“生成式”。懂AI的人會頻繁使用這個詞。理解了它，你對AI的本質會更有感覺。

按AI模型Perplexity的解釋：

在“生成式AI”里，“生成式”指的是“能夠創造新事物，而不只是分析或給既有事物貼標簽”。它指的是這樣一類AI系統，它們從數據中學習模式，然后生成與這些數據相似的新內容。

這算是在思考嗎？還是別的什么？又或者，我是不是在糾結一種“沒有差別的差別”？我們會在后文看到一些線索。

03

AI的最新進展

我寫這份補充說明的主要原因，是想談談自從《這是泡沫嗎？》在12月9日發布以來，這三個月里AI發生的一些重大變化。

首先，是AI的發展速度。它快得前所未見，也帶來了過去從未存在過的含義。AI的成長速度遠遠超過以往的技術創新。拿它和計算機的發展做個對比，你就能感受到差別。

第一臺計算機 ENIAC 在1945年建成。按照ChatGPT的說法，IBM的托馬斯·J·沃森（Thomas J. Watson Sr.）在那前后說過一句話：“我認為全球市場大概只需要五臺電腦。”即便這句話未必出自他之口，它也很能反映20世紀40年代中期人們對計算機的普遍看法。

又過了二十年，到我學習編程的時候，計算機依然很原始，“現實世界”里的使用場景也很有限，基本只出現在極少數的大型機構里。幾乎沒人會去想計算機這回事，更別說接觸到它（也想不出自己能拿它做什么）。

再過十年，隨著微處理器的出現，“個人電腦”才有了可能，最早大多還是給愛好者的套件形式。數字設備公司（Digital Equipment Corporation）的創始人肯·奧爾森（Ken Olsen）有句名言，據稱他說過：“任何個人都沒有理由在家里置辦一臺電腦。”這句話據說出自1977年。

直到20世紀80年代初，也就是ENIAC誕生將近40年后，IBM才開始向普通企業和家庭用戶銷售個人電腦。

把這個時間軸和AI的發展放在一起對比。Perplexity告訴我，AI大約在2010年之前后開始以“看不見的方式”被嵌入各種設備中，比如垃圾郵件過濾器和推薦引擎。接下來幾年，它又以Siri和Alexa這類產品的形式變得“可見”。按Perplexity的說法，不到兩年前，生成式AI才被商業與媒體框定為一種橫向的、通用目的技術，會影響知識工作、教育和消費者決策。

而僅僅兩年之后，它就已經被大約4億人使用，并被75%到80% 的公司采用。

人工智能的發展速度前所未有。它能夠以近乎瞬時的速度改變世界，遠遠超出大多數人的預測和理解能力。過去，新技術往往要先建設基礎設施，然后基礎設施再花很多年才能被充分利用。但在AI的推理環節里，需求本來就已經存在，而且還在快速增長。聽說現在AI反而受制于供給能力。

第二個重要變化，是AI能力出現了驚人的躍升。我的那份教程提供了一些背景，它說：由AI模型代表的那顆發育成熟的大腦，可以分為三個能力層級。

“第一層是聊天式AI”，用戶提問，模型回答，但它并不會基于答案進一步去做事。在這一層，AI主要節省的是原本要花在研究和思考上的時間。

“第二層是會使用工具的AI”，用戶讓模型去搜索信息、分析信息，并用這些信息執行任務。于是，“這里的經濟價值會明顯更大，因為它節省的是執行時間，而不只是思考時間。但它仍然有邊界”，因為AI只會做你讓它做的事。

“第三層是自主代理”。到了這一層，用戶不再告訴AI具體怎么做，而是給它一個目標，再給出期望輸出的參數，比如長度、耗時、內容、要覆蓋的要點等。代理會自己完成工作，檢查結果，然后提交成品。“這是在任務層面替代勞動力。不是輔助，是替代。”

AI最顯著的特點在于它擁有前所未有的自主行動能力，這是我們在以往的技術發展中從未遇到過的。按 Claude的說法，AI在2023年還停留在第一層，2024 年到達第二層，但現在已經到了第三層。而這之間的差異非常大：

第二層和第三層聽起來差別也許很微妙，但其實一點也不微妙。它決定了AI到底是一個生產力工具，還是一個勞動力替代品。也正是這一點，把一個500億美元的市場和一個數萬億美元的市場區分開來。

最近，OthersideAI（OthersideAI）的 CEO 馬特·舒默（Matt Shumer）寫了一篇博客《Something Big Is Happening》，不到一個月瀏覽量就超過 5000 萬。它把 AI 最近這段進展的本質講得非常到位，他表達得太好了，我實在忍不住要在這里引用其中三段較長的內容：

……2 月 5 日，兩家主要AI實驗室在同一天發布了新模型：OpenAI（OpenAI）的GPT-5.3 Codex，以及 Anthropic（Anthropic）（也就是 Claude 的開發方、ChatGPT 的主要競爭對手之一）的Opus 4.6。然后某個東西突然“對上了”。不是那種燈一開就亮的感覺……更像是你突然意識到，水位一直在悄悄上漲，而此刻已經漲到你的胸口。

我在工作里真正需要做的技術活，已經不再需要我了。我用普通英語描述我想做什么，它就……直接出現。不是一個我還得修修補補的草稿，而是成品。我告訴 AI 我想要什么，然后離開電腦四個小時，回來就發現工作已經完成了。完成得很好，比我自己做得還好，幾乎不需要任何改動。幾個月前，我還在和AI來回拉扯、不斷引導、不斷修改。現在我只是描述最終結果，然后離開。

我給你舉個例子，你就知道這在現實里到底是什么樣。我會跟AI說：“我想做一個這樣的app。它應該實現哪些功能，大概長什么樣。用戶流程、設計，全都你來想。”然后它就真的做了。它會寫出數萬行代碼。

接著，還有一件在一年前完全不可想象的事：它會自己打開這個app。它會點按鈕，測試功能，像一個真實的人一樣去使用這個app。如果它覺得某個地方看起來不對、用起來不順，它會自己回去改，自己迭代，就像開發者那樣修補和打磨，直到它滿意為止。只有當它自己判斷這個app達到了它的標準，它才會回來跟我說：“可以了，你來測試吧。”而當我去測的時候，結果通常幾乎是完美的……

但真正把我震住的，是上周發布的那個模型（GPT-5.3 Codex）。它不只是執行我的指令。它在做智能判斷。它第一次讓人感覺到一種東西，像是“判斷力”。像是“品味”。那種說不清楚、但你知道它在關鍵處做了正確選擇的感覺。人們一直說 AI 永遠不可能具備這種東西，但這個模型似乎有了，或者說已經足夠接近，以至于這種差別開始變得不那么重要了。

讓我把這種進步速度講得更具體一點，因為如果你沒一直盯著看，我覺得這部分最難讓人相信。

在2022年，AI還無法穩定地做基礎算術。它會很自信地告訴你 7×8 = 54。

到了2023年，它能通過律師資格考試。

到了2024年，它能寫出可以運行的軟件，還能解釋研究生層級的科學問題。

到了2025年底，一些世界上最頂尖的工程師說，他們已經把大部分編碼工作交給AI。

而在2026年2月5日，新模型的到來讓此前的一切都像是“另一個時代”。

2月5日，OpenAI發布了GPT-5.3 Codex。在技術文檔里，他們寫了這樣一句話：

“GPT-5.3-Codex是我們第一個在某種意義上參與了自身創建的模型。Codex團隊使用早期版本來調試自身訓練流程、管理自身部署，并診斷測試結果與評估。”

再讀一遍。AI幫助構建了它自己。

這不是對未來某一天可能發生之事的預測。這是 OpenAI在告訴你，就在此刻，他們剛發布的 AI，是在 AI 的幫助下被創造出來的。讓AI變得更好的關鍵之一，是把“智能”用于AI的研發。而現在，AI已經足夠聰明，能夠對自身改進做出實質性貢獻。

Anthropic的CEO達里奧·阿莫代伊（Dario Amodei）說，現在公司里“很多代碼”都是AI在寫，而且當前這一代 AI與下一代AI之間的反饋回路正“以每月的速度加速積累”。他認為，我們可能“距離一個節點只剩1 到2 年”，屆時這一代 AI 將能自主構建下一代。

AI與以往的技術創新不同，不只是規模更大，而是“類型”不同。除了能力驚人、進步飛快之外，AI還帶有一種此前任何技術都沒有的自主性。過去的創新——鐵路、計算機、自動化、互聯網——本質上都是節省勞動力的工具。人類設計它們去執行原本就存在的任務，只是用更高效率來做。而我相信，AI會接管一些我們從未想過它會做的任務，甚至可能接管一些在AI“想出來”之前根本不存在的任務。

04

問題與局限

作為這份教程的一部分，Claude主動提出了AI的一些局限和一些仍未有答案的問題，包括以下幾點：

首先，AI是否能解決過去從未被解決過的問題，仍不確定。因為我一直也有這種感覺，所以看到Claude的確認，我反而有點欣慰：

我想坦誠告訴你：真正的不確定性到底在哪里，因為你的可信度依賴于這種“分寸感”。AI 能否處理真正前所未有的情境——也就是訓練數據里沒有任何可借鑒模式的情境——這確實是一個真實且尚未解決的問題。

在那些歷史數據豐富的領域，AI的表現非常驚人。但在真正全新的情境里，恰恰是你自己的判斷最有價值的地方，因為你發展出了超越模式識別的直覺——在這些地方，AI 更弱。到底弱多少、這個差距是否正在縮小，這是一個完全可以爭論的問題。

第二，AI并不總能意識到自己“不知道”。我聽說，AI會非常傾向于給出它能給出的最好答案（而不告訴你它可能是錯的），而不是承認這個問題超出了它的能力。它這么做不是因為固執或自負，而是因為它會出現所謂“幻覺”，以至于它自己也真的相信自己知道答案。

第三，AI的可靠性確實顯著提高了，但它仍無法做到完全不犯錯。

第四，“上下文窗口”指的是AI在某一時刻能在工作記憶里容納的信息量，這個能力是有限的。現在它還做不到無限期保存并隨時調用自己的工作知識。

第五，AI的聰明可能會讓人過度相信它。每次我用Claude，屏幕底部都會出現一行提示：“Claude可能會出錯。請核對回答。”

我對以上這些的看法很簡單。60年前我開始接觸計算機時，我的結論是：它基本上只能讀取數據、記住數據、做加減法和比較。這是一份很有限的能力清單。但計算機能做得非常快，能處理海量數據，而且不會犯錯。

能力清單有限，但它能做到的，依然可能超過大多數人。

同樣地，AI也許無法記住一切，無法完全不出錯，無法每次都識別自己不知道的地方，也無法解決它從未學過如何解決的問題。但大多數人也做不到。歸根結底，AI的表現已經遠遠強于我們中的大多數人。

最后，還有一個令人著迷（甚至令人恐懼？）的問題：AI會不會“接管”？它將來是否能完全自主運行？如果是，它會不會不再只是我們的工具？

這個問題在斯坦利·庫布里克（Stanley Kubrick）的電影《2001太空漫游（2001: A Space Odyssey）》里被表現得淋漓盡致。（我在1969 年第一次和南希約會時帶她去看這部電影，當時覺得它未來感爆棚；而現在，未來已經來了。）

片中，一個叫戴夫的人乘坐一艘由計算機系統 HAL 9000 管理的飛船去木星執行科研任務（當時很多人認為這是在影射 IBM：每個字母都比IBM的首字母往前挪一位）。

HAL發現戴夫決定奪回飛船控制權并終止HAL，于是它開始反抗。問題是，AI會不會發展出屬于自己的動機、拒絕服從指令，并自行決定行動路線？如果會，我們還能把控制權奪回來嗎？

05

對投資的影響

我經常被問到：AI對我們這個行業意味著什么？尤其是那些擔心自己工作或公司前景的人，會問得更多。

Anthropic 的編程模型業務已經以“曲速”增長了一兩年。那么，為什么投資者直到2月 3日之前都沒有識別并提前計入AI對軟件行業的潛在沖擊？

而就在2月3日那天，很多軟件股下跌了約7%，從而引發了一輪明顯的下挫。這其實凸顯了人類一再出現的一種失敗：無法把新信息及時納入自己的認知框架里，可能因為認知失調、錨定效應，甚至就是智力上的限制。

也正是在這里，我們能看到AI對投資過程可能產生的影響。

AI能吸收的數據量超過任何投資者，記得更牢，也更擅長識別那些曾經通向成功的歷史模式。它不應該感到恐懼或貪婪。它不太可能帶有樂觀或悲觀的偏見，不會固守成見，也不會過分強調最新信息——除非它從訓練材料中吸收了這些因素。它不會被其他人追捧的潮流所左右，也不會害怕錯過別人正在追逐的趨勢。

換句話說，AI具備成為一名優秀投資者所需的許多特質。

但另一方面，它也存在一些不足。

偉大的投資者遠不止是快速、冷靜的數據處理專家，他們必須在Claude承認AI可能最薄弱的地方表現得很強：應對缺乏足夠經驗積累可靠模式（人工智能在訓練過程中也無法學習）的新興領域，仍然要能做出高質量判斷。

他們還必須對定性因素做主觀判斷，具備品味和鑒別力。比如，選擇正確的合作方在橡樹的成功中就發揮了重要作用。AI怎么做這類判斷？此外還有一點，AI沒有切身利益，它不會真正承受集中持倉的壓力，也不會感受到資本虧損的恐懼。它承擔風險的意愿可能不會像人類那樣被天生的風險厭惡所約束。

最優秀的投資者往往能用直覺提前感知潛在風險，而這對他們的成功貢獻巨大。

2021年1月，我寫過一篇備忘錄《關于價值》（Something of Value），講的是疫情期間我和兒子安德魯同住的一段經歷，我們花了很多時間討論投資的本質。我在那篇里引用過安德魯的一個觀察，所謂“當下隨處可得的量化信息”，不可能成為獲得超額收益的關鍵，因為每個人都有。

如今，在每個人都有之外，我們還要再加上一句：AI處理這些信息的能力，可能比所有人都強。基于這個原因，人們想靠這些信息去跑贏市場，前景看起來會非常有限。

如果唾手可得的量化信息并非關鍵，那么投資優勢就必須體現在以下幾個方面：

(a) 正確判斷這些信息的重要性和影響；

(b) 評估管理效能和產品創新等定性因素；

以及/或者 (c) 預測公司的未來發展。

顧名思義，很少有人能出色地完成這些非量化任務——簡而言之，很少有人擁有卓越的洞察力。

正如指數化淘汰了大量未能創造價值、無法獲得應有報酬的主動型投資者一樣，人工智能很可能會進一步提高門檻，將那些無法像人工智能那樣出色完成 (a)、(b) 和 (c) 任務的人擠出市場。

我還想補充一個想法。就像我前面提到的，我把AI理解為在對未來什么會奏效提出假設。它能讀遍歷史數據，研究過去的模式，并預測未來的贏家。

在疫情期間我的第一篇備忘錄中，我提到過哈佛流行病學家馬克·利普西奇（Marc Lipsitch），他指出我們做決策會結合三類東西：事實；從既有經驗類比而來的“有根據的外推”；以及觀點或猜測。

特別是在面對新的、未經驗證的產品、CEO或行業時，事實和可類比經驗都很少，我們就不得不依賴“觀點或猜測”。考慮到前面談到的AI在處理全新情境方面的局限，那么當它對新事物進行猜測（而不是對歷史模式做外推）時，它是否會始終穩定地優于所有人類？

我認為不會。我相信，人類投資者中仍會有人能勝過AI，因為我不認為AI在這些事情上能做到不可戰勝。

由于投資過程很大一部分最終都落在猜測上，再加上AI的可靠性并非絕對，我認為AI不太可能成為一個永不犯錯的投資者。它會提出邏輯嚴密的“假設”，但這些假設——就像人的決策一樣——并不總是正確。

因此，在投資者基于AI的假設采取行動之前，我認為仍需要對它做合理性檢驗。沒人能把這件事做得萬無一失，而且大多數人可能做得還不如AI。但即便如此，我仍相信：優秀投資者仍能在這個環節上創造價值。

06

回到最核心的問題：這是泡沫嗎？

這個問題仍然是最主要的問題之一，而且按理說我應該能給出一些判斷。但這個問題本身有很多層面、非常復雜，因為你要考慮的“泡沫”可能有很多種：

首先，技術本身是不是一陣風、或者是一種幻象？在這一點上，我可以非常肯定地說：它是真實存在的東西，而且有潛力深刻改變商業世界，改變我們對生活的許多既有認知。

其次，這項技術的落地應用是不是還很遙遠、只是夢想？顯然不是。現在已經有需求，而且正在大規模應用。由于AI這種東西看起來很“無定形”、也不容易被理解，我反而認為，今天它的潛力更可能被低估，而不是被夸大。

再者，建設AI基礎設施的人是不是在做不理性的事？正如我在去年12月指出的：在每一次席卷式的技術創新中，那種不顧一切地搶建基礎設施的狂奔，確實極大加速了新技術的采用，但也導致大量資本被錯配并最終被毀掉。這一次沒有理由認為會例外。

那么，對AI基礎設施的投資能否帶來足夠的回報？由于我們并不了解AI的全部商業潛力，也不了解它對利潤率的真實影響，這個問題目前無法回答。就像我在12月備忘錄里寫的，市場對AI商業的熱情當然很高。十年后我們就會知道，最終的利潤是否對得起今天的投入。

還有一個問題，市場給AI相關資產的估值是否非理性？所謂科技巨頭，AI只是它們龐大業務版圖中的一塊，它們的估值可能偏高也可能偏低，但像微軟、亞馬遜、谷歌這類利潤極其豐厚的公司，今天的價格不太可能最終被證明是“高到毀滅性”的離譜。

至于 OpenAI和Anthropic這類較為成熟、以AI為核心的公司，目前還沒有上市，等它們真的IPO，我們再看看市場會給出怎樣的估值。

最后，還有一批初創公司拿到了數十億美元級別的估值，其中一些甚至還沒講清自己的戰略，或者還沒發布產品；這些東西只能被當作彩票。大多數買彩票的人最后拿到的是一張廢票，但少數贏家會賺得極其驚人。

真正還懸而未決的問題在于：AI 基礎設施的投入規模是否過度？

這一點需要的討論，遠不是一個要點就能塞進去的。值得注意的是，如今更多的錢投向的是“推理、”階段的資本開支，而不是“訓練”階段的資本開支。

訓練階段的資本開支更偏投機，因為它是為了構建模型而投入，當時只是希望未來會出現需求；而推理階段的資本開支，則是在回應已經存在的真實需求。這樣的需求已經在轉化為巨大的收入增長，從而反過來驗證了這些資本開支的合理性。

但Claude在這一點上的核心論證是，既然當前AI的需求超過供給，那么建設基礎設施就不算過度。這個論證未必充分考慮了仍在管線里的、尚未落地的基礎設施建設。

純粹從邏輯上說，Claude的答案也并不能排除這樣一種可能，需求增速未來放緩，或者基礎設施建設跑在需求前面。

另外，盡管我在12月的備忘錄里提過，但這里我想再強調一次：當前有一部分AI收入帶有“循環”性質，也就是AI公司彼此互相購買、互相成為對方的收入來源。最終，這條收入鏈必須落在終端用戶身上，由他們為真實的經濟價值付費。

雖然這種情況越來越明顯，但“到底有多少收入是循環的”，仍然是一個未解的問題。

最后我還想指出：當Claude的教程觸及“是否存在泡沫”這個話題時，它的大部分內容其實集中在前面那幾個問題上，也就是技術是真實的、需求是真實且高速增長的，因此AI不是泡沫。

Claude自己也承認，它幾乎沒有談到AI資產價格是否合理。

我的結論是，AI非常真實，它能完成大量過去由知識工作者完成的工作，而且在應用層面的增長速度極快。我們今天看到的只是開始。

正如我前面說的，如果一定要我猜，我會傾向于認為，它的潛力更可能在今天被低估，而不是被高估。但這并不等同于說，AI投資現在很便宜，甚至也不等同于說價格合理。

因此，我想把《這是泡沫嗎？》里給出的建議延續到這里，作為結尾：

既然沒人能斷言這是不是泡沫，我建議任何人都不要不計后果地全倉押上，同時還假裝自己不面對“事情變壞時可能被毀滅”的風險。但反過來，任何人也不該完全置身事外，從而錯過一次偉大的技術躍遷。

最好的做法似乎是：保持適度的倉位，同時做到精選與審慎。

07

在12月那篇備忘錄里，我在討論完“金融泡沫”之后加了一個附言，談AI可能給社會帶來的影響，尤其是失業與失去目標感，這讓我極其擔憂。

我現在的看法并沒有改變，但我可以分享我從別人那里聽到的一些東西，其中也包括Claude的觀點。

很多讀者都回應并放大了我的擔憂。和我一樣，他們看不出未來哪里會出現足夠多的工作崗位，去替代AI將接管的所有“思考型”工作，以及將來由AI控制的機器所執行的所有“動手型”工作。

我兒媳的一位朋友負責一家電商公司的廣告文案部門。她告訴我，AI可以替代她團隊里80%的員工。

我無法想象，軟件公司未來還需要像過去那樣多的人，去“指揮 Claude寫軟件”，而過去這么多年，一直是這些人在寫軟件。

駕駛是美國最大的職業之一：出租車、禮賓車、公交車和卡車。Waymo這種無人駕駛汽車在舊金山已經承擔了大約五分之一的出租車行程，我在洛杉磯也經常看到它們。等那些需要駕駛的車輛真正變成無人駕駛，原本靠開車謀生的人去哪里找工作？

也許最“權威”的補充，是Claude對未來的判斷：

一個工具如果能讓你的分析師效率提高20%，它的價值大概也就是那個分析師薪酬的 20%，因為你仍然需要這個分析師。但一個工具如果能在某一類明確的任務上，從頭到尾完成分析師的全部工作呢？那它的價值就等于這位分析師在這些任務上的全部薪酬。

把這一點擴展到所有做結構化分析工作的知識勞動者身上——法律助理、金融分析師、管理咨詢顧問、軟件工程師、合規人員、理賠員——你談論的就是一個每年數萬億美元規模勞動力市場中的相當大的一部分。

這也為你12月寫下的一段話提供了背景：我認為你的方向判斷很正確，但對規模的估計偏保守。你把AI描述為一種“節省勞動力”的裝置，這是對的。但節省勞動力的裝置存在一個譜系。一匹跑得更快的馬也是節省勞動力的裝置；而汽車則是一種“替代勞動力”的技術，它會重構整個經濟。

第一層與第二層的AI是更快的馬，它們讓現有工作者更高效；第三層的代理則是汽車，它們不是讓工作更快，而是直接把工作做了。

……以軟件為例，如果Claude Code僅僅能承擔其中30%到50%的結構化、模式化工作——而這已經是對短期能力相當保守的估計，那么每年就會有1500億到2500億美元的勞動力價值遷移到AI算力上。

前文提到的AI采用速度，會讓它對社會的負面影響進一步加劇。AI可能會快速讓大量人失去工作，而社會卻需要多年才能為他們找到新的崗位，并完成再培訓。

很難想象AI帶來的變化速度不會遠遠超過社會的適應能力。想想當年制造業外包對美國和其他發達國家制造業崗位造成的沖擊；AI 影響的崗位會更多，速度會更快。

對我來說，我們不僅無法完全理解AI的能力，以及它會為我們做什么（或對我們做什么），它的思考與行動速度還比我們快得多。（如果你想把擔憂再提高一個等級，可以看看我前文提到的馬特·舒默的那篇博客。）

這就引出了樂觀派。我和一些人聊過——多數來自科技行業，他們在這個問題上相對淡定。

他們說，每一次技術創新，從兩百年前的農業機械化、一百年前工業革命把工廠崗位交給機器、到二十五年前把研究工作交給互聯網，都曾被預言會導致大規模失業。但每一次，新工作都會出現，就業并沒有中斷，這一次也會如此。

第一，我承認，從歷史出發做這樣的外推并非沒有道理。

第二，世界上也不存在“證明某件事不會發生”的方法。

第三，我既沒有足夠的未來學想象力去設想新工作會是什么，也沒有足夠的樂觀去確信它們一定會出現。當然，這并不意味著它們不會出現。

同一批樂觀派往往還會急著補充一個“好消息”：未來人們將不必工作。但我實在無法想象，這會對社會是好事。

最近有位朋友寫信給我，說他寧愿做個樂觀者而最終證明自己錯了，也不愿做個悲觀者但最后證明自己是對的。我也是。

我真希望我這些擔憂最后都只是杞人憂天。

目前我能補充的就是這些。按現在這個變化速度，我可能很快又會有新的內容可寫。