Cliff Sosin：持有智能的互补要素——[Invest Like the Best，第497期]

摘要

• 当智能变得廉价且无处不在时，什么仍然稀缺，才是投资的核心问题。 Sosin 倾向于持有“智能的互补要素”——数据、注意力、物理上的近距离、规模和情感依附；与此同时，他会审视那些把智能打包成产品的软件，以及利润依赖消费者惰性的企业。这个前提很有解释力，但也有边界：智商再高，也绕不开“触及现实”的必要性。
• Meta 是 Sosin 眼中现有业务因智能降价而受益的最鲜明案例。 他刻意简化的模型是：2500亿美元收入，对应每年2500亿美元支出，并将后者视作购买智能的成本；如果未来5年智能价格“下降100倍左右”，「个性化电视」的经济效益就会改善。更好的创意、推荐和广告，可以把同样稀缺的数据与注意力变现，而不只是压低成本。
• 前沿智能可以持续进步，但这并不意味着前沿实验室一定能长期获利。 O’Shaughnessy 认为，私有模型和更强的蒸馏能力或许能让实验室保持领先；Sosin 承认，如果领先优势难以复制、成本也更低，那会是一门好生意。他提出的另一种假设是“菱形需求前沿”：对日益商品化的够用型智能，需求极大；对顶尖能力的用途，却可能寥寥无几。
• AI 基建可能重塑经济，但投资者仍很难据此测算回报。 Sosin 认为，推理供给和需求连“差几个数量级”都无法预测；资本收回成本之前，瓶颈和技术都可能发生变化。他更愿意寻找铁路建成后受益的消费品牌，但也承认，长期短缺和过度建设这两种叙事，他都能“同样确信地讲出来”。
• 消费代理可能压缩依赖惰性的利润，同时放大真实的成本优势。 垃圾清运就是一个循环：每月省0.5美元就足以促使消费者换供应商，路线密度随之上升，胜出的企业成本还能进一步下降，最终可能以更低利润率争取到更多业务。“价格的神奇之处，在于它是包裹着激励机制的信号”；代理只会让这套机制更灵敏。
• Sosin 将约80%的仓位押在 Carvana，体现了他对预期回报与特殊风险的明确取舍。 他认为，Carvana 的基础设施和品牌使严重失败的情形不多。在讨论组合仓位时，他说自己“仓位偏低”；O’Shaughnessy 则开玩笑说 Carvana“应该占90%”。Sosin 接受 AI 最终可能在投资上胜过人类，但质疑缺乏长期验证记录的组合仓位证据。
• 更便宜的智能可能压低经济租金，但利润率和不平等的走向仍未确定。 全栈企业可能效率更高、利润更丰厚，消费者也能从软件、银行和专业服务成本下降中获益。与此同时，代理也可能放大主动性和进取心的回报：“我似乎明显两边都站。”
• 即使模型能完成任务，教育仍离不开人类知识。 Sosin 希望学生先掌握不依赖模型的基础能力，以便更好地指挥模型；同时也要借助 AI 完成“难度和雄心都高出100倍”的作业。学生必须能为成果辩护，并证明自己理解成果。

精读

1. 智能无法弥补信息缺失

• Sosin 不认同从变形虫一路推演到爱因斯坦、再推演到上帝的无限智能论：智能更像“球的圆度”，而非可以无限增高的维度。它能根据稀疏事实做插值，但最终会耗尽现有信息所能支撑的推断空间。数学可以有完美答案，复杂动态系统则需要观察和实验。“必须触及现实”（“touch reality”）。
• 他用天气模型解释其中的机制：把初始条件少保留一位小数，再重新运行预报，起初结果相近；到了第3、第4或第5天，天气却变得截然不同。误差会在连续模拟步骤中层层累积。“要模拟整个宇宙，实际需要的就是整个宇宙。”
• 自动化实验室可以加快学习，却无法消除物理时间。如果实验需要等小鼠长大、再等它死去，前后仍要1年。一个实验室或许有5000个想法，却只能做20个；模型挑出的实验成功率可能只有1%，即便这已经是平均研究人员成功率的10倍。“聪明是有极限的。”

2. Meta 说明了持有智能互补要素的价值

• 投资上的检验方法是：假设每个人都拥有出色的智能，再问“还剩下什么”。当“口袋里有一支由200个智商160的人组成的全职团队”时，代理可以替消费者追逐每年400美元的省钱机会，而消费者现在往往对此不闻不问。把智能“结晶、固化”进产品的软件，以及靠客户懒得更换而赚钱的企业，都会面临压力。互补要素包括数据、注意力、情感依附、物理上的近距离、规模和监管俘获。
• 按 Sosin 的说法，Meta 的核心业务是“个性化电视”。他刻意简化的模型把收入设为2500亿美元，把包括资本开支在内的年度支出也设为2500亿美元，并将这些支出视作通过算力和工程人员购买智能。如果未来5年智能价格“下降100倍左右”，成本就可能大幅降低；但他提醒，不要把这个简化模型当真。
• 在他的乐观情景中，创作者获得的智能成本降至原来的1/100，效果却提升1万倍；推荐、广告和广告主转化率也随之改善。Meta 或许不会削减支出，而是继续投入、卖出更多广告，并从其他活动中争取用户时间。它的持久资产是“数据和注意力”：智能再便宜，也不会让人们不再喜欢看有趣的20秒视频。
• Grindr 展示了小公司的类似机会：它已有注意力和数据，但团队规模和预算限制了可开发的产品。Sosin 的设想是给它1万名 Google 最优秀的工程师，让他们工作5年。更多智能或许能释放这家公司更多潜力。他两次强调，自己并不持有 Grindr。

3. 前沿实验室面对商品化与需求不确定性

• O’Shaughnessy 提出的反方观点是，私有前沿模型或许能拉开差距、抵御蒸馏，让实验室在廉价 token 市场也占据主导。Sosin 承认，如果这些条件成立，经济效益确实可观：更好的模型加上无法复制、成本又低得多的够用型智能，会是“一门好生意”。但他不知道实验室能否维持这一优势；相关财务数据不公开，乐观派朋友掌握的信息也可能更多。
• 他观察到的规律是前沿不断移动：更好的模型解锁新任务，但这些任务随后又会在更落后的模型上商品化；客服聊天机器人未必需要前沿模型。他提到每一阶段都迅速商品化，包括中国模型崛起和成本不断坍塌。即便实验室在廉价 token 上领先，商品化市场本身不断收缩，也可能限制机会规模。
• 编程曾是一个巨大市场。在此之外，他设想的是“菱形需求前沿”：随着能力提高，真正需要顶尖智能的用途会越来越少。“你究竟有多常需要300的智商？”他问道；不过，他也不确定光靠更高的智商能否带来癌症治愈方案。
• 针对 O’Shaughnessy 提出的杰文斯悖论，Sosin 描述了一种市场曲线：产品变好、变便宜时，市场先扩大；但进一步降价若不能带来足够需求，市场就可能萎缩。他说，价格降到零时，市场规模也会归零。他以通信业为例：流量增长最终不再足以抵消价格下跌，成本继续下降时，市场反而收缩。他认为，Cogent Communications 的某个业务部门承载着互联网 IP 流量的30%或40%，但公司市值只有几十亿美元。杰文斯悖论描述的是“曲线上的某一个位置”。
• O’Shaughnessy 引用一位朋友的格言：“智能会创造自己的需求”，并追问模型能否提出新的问题。Sosin 回应：“当然，有可能。”跨领域阅读互不相关的论文，会带来新发现；但最终，要验证新假设仍需要实验。此时，物理吞吐能力就会限制进展；他不认为光靠思考就能不断产生新的、有价值的应用。
• Sosin 说，自己使用模型的方式已经商品化：他通过 Groqbot 在不同订阅服务之间分配工作，让任务在服务器上运行，如今甚至不知道具体是哪个模型在处理。

4. 基建不可或缺，也依然难以测算投资回报

• Sosin 无法把推理供给或需求的预测误差控制在“几个数量级以内”。即使总量预测准确，单位成本下跌、价值链上的瓶颈，以及各环节内部的竞争，仍都是未知数。他举的需求例子是：给女儿做一个5到10分钟、类似3Blue1Brown风格的数学讲解，成本极低时当然很棒，但他不认为自己会花5美元买。他也会用 Muse 应用获取运动姿势建议，几乎不花钱；但如果价格高到一定程度，他就不会用了。
• O’Shaughnessy 反驳说，最聪明的创业者都在投身供给侧。Sosin 则倒过来看因果关系：大型基建项目需要强烈的价格信号和非凡的人才；人才参与，并不能证明外部投资者会从哪里获得回报。他宁愿寻找建设完成后的机会：“铁路建成之后”，去找消费品牌。
• Sosin 把社会比作攒钱买房的家庭：资源投向 AI 基建，就意味着今天的消费减少。基建项目会吸走电工和水管工，也会推高其他地方的成本。由于利润会吸引资本、项目又有建设周期，他预计扩张会持续到过度建设为止：“最后一个停下来的人会后悔。”建设期间技术也会变化，令预测更加困难。对于长期短缺和过度建设这两种情形，他都能“同样确信地讲出来”。
• 即便是 Nvidia 的设计，最终也会变成“发往台湾的平面文件”；Sosin 提出，智能或许能让这项工作商品化。相比之下，TSMC 的工艺知识更依赖物理实践、隐性经验和长期积累，不过他也声明自己并非专家。TSMC 产能难以满足需求，也促使其他企业试图复制其护城河：“这不是个好消息。”

5. 代理既能强化规模优势，也能削弱惰性带来的利润

• 能否委托给代理处理，影响优化能在多大程度上改变客户行为。对于银行存款，Sosin 几乎可以完全交给代理：既然有 FDIC 存款保险，就去找利率最高的产品。选一件最喜欢的毛衣则处于另一端；代理可以帮忙找选项，但个人判断仍不可或缺。两者的区别，决定了优化能多大程度上改变客户行为。
• 垃圾清运说明了换供应商如何进一步强化规模优势。代理可能会接受每月节省0.5美元的方案，前提是确认“垃圾确实会被清走”。如果某家清运公司在一条街上已有2个客户，就可以继续拉拢其他住户，提高路线密度、进一步降低成本。结果可能是业务量大幅增加、利润率却大幅下降：“所有人都转向低成本生产者，而它因此又成了成本更低的生产者。”
• 被问到智能能否取代价格时，Sosin 称价格是“包裹着激励机制的信号”。代理的作用反而是让市场更灵敏，减少价格黏性和定价惰性。一张每月60美元的垃圾清运账单，悄悄涨价5%变成63美元，未来可能改为更频繁地调整价格：供应商重新计算边际成本，客户也持续比较报价。

6. 部署廉价智能，需要企业持续投入组织建设

• Sosin 的建议是让所有人都尝试氛围编程，包括董事和 CEO。Carvana 把黑客马拉松叫作“披萨派对”。眼前产出的软件有多重要，反而不是重点；更重要的是让员工明白技术能做什么，并改变他们对自身能力的预期。
• 接下来，CEO 应要求代理只读访问公司内所有系统——也就是 CEO 原本可以要求查阅的信息。扩大使用范围需要逐人授权；要求代理录入数据，就要授予写入权限；要修改软件，则要建立变更管理流程。O’Shaughnessy 称这是“数年的工作”；Sosin 说这“难到近乎不可能”。关键问题是，现有企业能否赶在新进入者领先之前完成这些工作。
• 从零开始、没有历史包袱很有吸引力：“创业最好的时机是现在，直到明天到来。”代理让更少的人能完成更多工作，但竞争对手也能轻松做到。Sosin 追问，持久的经济优势究竟来自哪里——客户锁定、专有数据，还是其他切入点？他也承认，显而易见的路径会吸引竞争；而出色的结果有时起步于乍看之下毫无道理的点子。

7. 利润率与不平等受到方向相反的力量推动

• Sosin 最初判断，整体企业利润率可能承压，消费者剩余则会增加。O’Shaughnessy 提醒说，1990年代互联网兴起时，投资者也说过类似的话。Sosin 的补充是聚合经济学，相关观点由 Ben Thompson 提出：如果代理能检查所有搜索结果，排名第一的重要性就会下降，质量、价格和服务会更加显眼。
• 廉价智能也可能让更复杂的垂直整合企业成为现实。他举例说，一家全栈宠物护理企业可以涵盖食品、保险、医院和兽医服务。更低的协调成本和更少的委托代理问题，可能让过去复杂到无法运作的业务组合变得可行。Carvana 就是在这件事更容易之前建立起来的案例。这类企业或许能同时实现更高利润率和更多消费者剩余。
• 分销领域也有方向相反的力量。削弱保龄球馆软件和银行业的租金收益，消费者会受益，而且对低收入人群来说，节省的金额占收入比例更大。专业智能商品化会压低工资溢价，也让更多人获得专业知识。反过来，代理可以成为“给思维装上的超级助力自行车”，让有主动性、有进取心的人获得更高回报。Sosin 也补了一句：“我似乎明显两边都站。”

8. 资本市场为未来提供融资，也挤压当下消费

• Sosin 认为，美国资本市场几乎在转瞬之间，就把大约3%的 GDP 导向一个投机项目；究竟2%还是6%才合适，没人知道。他预计最终会有欺诈出现，但与历史上的铁路建设相比，眼下的治理水平令人印象深刻。日常生活中也有类似便利：几乎即时、低成本地买入10万美元、投向经营良好且管理层动力充足的公司，想卖出时再卖掉。
• Sosin 对美国优势的一种个人理论，是遗传、文化演变和制度之间的相互作用。他认为，来到美国的人本身可能就是更偏好冒险的群体，而且冒险倾向有相当重要的遗传成分；此后，冒险文化又推动了破产法、劳动法和风险投资的发展，这些制度反过来强化了这种倾向。这是他的理论，并非定论。
• 他声明自己不擅长宏观经济学，但提出一种可能的解释：要建设未来的生产能力，社会就必须减少今天的消费。建数据中心的水管工，并没有生产当下的消费品。较高的利率会促使储蓄，为这种资源重新配置提供支撑；这只是复杂解释中的一部分。

9. AI 挑战投资能力，但长期组合仓位仍有待验证

• Sosin 预计，投资者最终可能会被“挤出竞争”，但当下更像自由式国际象棋：人和计算机合作，表现优于任何一方单独作战。个人经验和互联网上不存在的信息，仍能丰富他的判断。在他看来，这种差距短期内还会持续。
• 最终，模型给出的结果分布或许会成为最好的可用预测，但不代表未来因此变得可预测。此时再加入人的判断，可能就像 Sosin 去调整7天天气预报：“怎么调整，只会让结果更糟。”他不认为这一转变会对自己的职业生涯造成太大影响，因为还需要时间。
• O’Shaughnessy 讲到一位朋友：AI 会为人类挑选的投资组合确定仓位，表现大幅超过他自己构建的组合。Sosin 认为这个办法很聪明，但质疑验证周期是否足够长：这还不是20年的业绩。他预计 AI 的渗透会从秒级开始，逐渐扩展到分钟、小时、周和月；同时，他也认可用定量配置叠加定性判断的思路。
• O’Shaughnessy 问 AI 会不会给 Sosin 的组合配出不同仓位，Sosin 回答：“我仓位偏低。”O’Shaughnessy 开玩笑说：“Carvana 仓位偏低。应该占90%。”随后，Sosin 为自己约80%的 Carvana 仓位辩护：按他的判断，凭借基础设施和品牌，严重失败的情形并不多。分散投资研究往往看的是证券价格变化；他则以企业所有者的角度思考。他指出，若早早发现 Walmart、Home Depot 或 Fastenal，分散投资可能会错过它们带来的全部上行空间；但他也承认，集中持仓的投资者中有很多人失败了。他的选择是在“预期回报”和“明知是在承担特殊风险”之间做取舍。

10. 教育既要打牢无辅助基础，也要布置更有雄心的作业

• Sosin 的教育设想分为两端。先让孩子在不使用模型的情况下掌握基础技能，以便将来能有效指挥模型：会乘法才能理解矩阵乘法；知道什么是随机过程，即使 AI 负责数学运算，也能给出更好的指令。领域知识能让沟通更有效；如果不懂量子物理，别人向他解释时就只能用“蜡笔和 Nerf 玩具”打比方，离设计前沿实验还很远。
• 另一端，学生用 AI 代写莎士比亚论文，说明作业本身不够有挑战性。O’Shaughnessy 提出的解决办法是“给他们更难的任务”；Sosin 则希望作业“难度和雄心都高出100倍”，并充分使用模型。老师应该追问学生为什么结果会如此，并要求他们给出论证。教育还应该让孩子相信：“他们什么都能做到。”