🎙️ 今天這幾集
一句話:開源只抬高地板,資料價值在前緣;收入集中於實驗室,解方是把人力資料下沉到企業。
Harry Stebbings 問開源模型是否侵蝕 Mercor 本業,CPO Osvald Nitski 的回答是:資料價值只存在於模型能力的前緣,客戶買的是填補現有能力缺口的評測與訓練資料集,開源只是抬高地板——沒有人會再花錢買 Kimi K3 已經做得到的東西。他不接受「九成企業工作流已能由開源或前緣模型處理」,理由是這種估算只算了現有需求,漏掉潛在需求:例如把採購團隊整個交給代理人跑上好幾個月、一週才查看一次的長時程任務,現在根本沒人在嘗試。以 Mercor 自家的 Apex 基準看,頂尖模型在長時程工作流的得分約五成。他把工作分兩類:一類是「做完就好」的充分性任務,例如更新 CRM,再強也提升有限;另一類像法律論證、某種程度上的醫療建議,永遠可以更好,這類不該用二元百分比想,要用連續、無上限的獎勵想。對於 Fireworks 創辦人主張每家公司都會有自己的專用模型,他說他買單,也直言這對 Mercor 有利,因為每個專用模型都需要該企業自己的評測與訓練資料。
企業對 frontier labs 的戒心,他說差別在工作流是否貼近核心:HR、採購這類每家公司都要做的事,企業比較願意放上封閉模型;律師事務所實際寫的備忘錄、給客戶的建議這種決定差異化的核心工作,敏感度就高。Harry 反問這不諷刺嗎——敏感資料放開源(很可能是中國)模型,HR 反而放封閉模型;Osvald 回應開放權重的推論可以在多個地方跑,控制權在自己手上。問到收入高度集中在 frontier labs,他說最大挑戰是往下走,讓每家企業都能自己有效率地跑人力資料專案,企業數量遠多於實驗室,做法是自助式流程加上 AI 專案經理。難在哪?替實驗室跑專案是白手套服務,資訊要從客戶、客戶的客戶一路傳到標註專家,所有邊界案例都影響結果,需要極快的對齊與營運團隊近乎偏執的逐點檢查。
資料型態一直在換:從 InstructGPT 時代的監督式微調,到偏好排序、rubric 標註,再到 RL environments。environments 是成長最快的品項,做法是把代理人要用的應用模擬出來,加上他們稱為 world 的起始狀態(可能數百到數千個檔案)與任務;要教模型用 Salesforce,就得做出行為一致的高擬真模擬。定價上實驗室採購會議價,但客戶買評測集是為了衡量自家客戶想做的事,買訓練集是為了在該評測集上爬坡,只要資料支出小於帶來的營收就會持續加碼。毛利事後才算,成本主要是付給專家的錢與合成資料、自動品管的 LLM 支出。競爭上,他形容市場是一堆創辦人自己動手標註的家庭手工業,靠創投補貼、對實驗室而言價格被低估,但撐不到十倍規模;被點名比較不一樣的是行事隱密的 Surge。
他認為現在沒有企業 ROI 問題,還在探索期。他舉 ClickHouse 把支出拉高六倍、Uber 與微軟改按人頭設預算兩種相反做法,建議依用途分開看:給工程師的編碼代理不算銷貨成本,回報會複利;客服代理若 token 支出高於服務那些客戶的營收就是壞位置。Benioff 說 Salesforce 一年花三億美元在 Anthropic、約等於開發者薪資的 3.8%,他認為長期會超過 3%,而 Mercor 自己的 token 支出已高於薪資支出。組織上 Mercor 一年內人數成長超過十倍、目前約五百人,產品團隊反而在抑制產品面積,PM 對工程師比例會上升;兩大產品線是 marketplace 與叫 Studio 的標註評測平台,團隊已逐漸不用 Figma、改用 AI 工具做設計。兩千億美元的多頭情境,他的邏輯是評測集同時是規格書與最佳化目標,只要更好的模型對經濟有價值,資料需求就存在;三年內最看好實體世界資料與機器人,並拿 Waymo 類比,機器人不會有 ChatGPT 時刻。
一句話:Eeki Labs 用低成本表觀遺傳數據切入長壽藥物開發,靠日本銀行貸款保住乾淨股權。
本集是 Jason Calacanis 在東京錄的 Founder University Japan 第二屆(現場約 40 位創辦人),對談來賓 Bilal(逐字稿姓氏不清),創辦長壽新創 Eeki Labs(eekilabs.com)。Founder University 定位為 Techstars、Y Combinator、launch accelerator 之前的 pre-accelerator,為期 12 週,每年數千人申請、僅數百名額,已在三大洲開辦(日本、與 PIF 合作的沙烏地利雅德、美國);Jason 主持的 launch fund 已是第四支基金,投過 Uber、Robinhood、Zipline、Vast Space、Abacus、Micro One 等。Eeki Labs 為藥物開發生成高解析、低成本的表觀遺傳(epigenetic)數據,只讀 DNA 上方那層控制基因開關的甲基化(methylation),收入來自「衰老探索」與「細胞治療製造品管」兩塊——後者回答一批細胞是否有效力、是否如預期、批次間是否一致三個問題。合作對象包含日本一家大型生命科學集團與早期生技新創,呼應 2012 年山中伸彌(Shinya Yamanaka)以誘導多能幹細胞獲諾貝爾獎後的日本再生醫療生態。
技術現況:已有第一款 AI 設計的藥物進入第三期臨床,Eeki 用如 elastic regression 這類相對簡單的模型;Bilal 預測下一個前沿是「虛擬細胞」,等於生物界的下一個 AlphaFold 突破。抗衰老方面,他點名 2026 年首批可能逆轉衰老的臨床試驗:David Sinclair 的 Life Biosciences,以及 Coinbase 創辦人 Brian Armstrong 出資的 NewLimit。兩人也談到幹細胞旅遊、右可試(right to try)立法、以及被外界揣測與美國總統有關的 retatrutide(GLP 類藥物)使用傳聞——Bilal 強調脫離臨床框架、自行嘗試有安全與療效未經驗證的風險。
公司建置與募資是本集重點。Eeki 把研發全放在沖繩,靠的不是沖繩是藍區,而是沖繩科學技術大學院大學(OIST)——直屬首相辦公室、英語授課、僅收博士、日本與外籍各半;商務與募資則在東京。募資結構是重點差異:種子輪約 100 萬美元,來自日本創投、日本天使與長居日本的歐洲人,並疊加地方銀行的低利長期新創貸款(由官方機構擔保),讓每募一塊股權可再借一塊、保持乾淨股權表;日本天使支票從數千到數十萬美元不等,估值與募資額都低於舊金山,但營運成本也低。日本過去用 Series B 當 IPO(營收 5–10 百萬即可),因太多殭屍公司,東京證交所已喊停、轉推併購;Jason 補充美國在 Lena Khan 任內卡併購、川普任內重新鬆綁。產品面,Eeki 砍掉原本給長壽診所測衰老、還在成長的營收業務,選擇專注 R&D 與數據生成的長期價值,呼應 Jeff Bezos 的「bar raiser」與日式 Kaizen。退場、藍區養老金造假爭議、雙語者失智率較低的研究、996 與台灣首相高市早苗(逐字稿誤植)睡 0–3 小時的過勞討論也一併帶到。
一句話:解題所需 qubit 從百萬降到一萬、實機已達六千,兩線約 2030 交會。
Jason Calacanis 在東京 Founder University 對談京都量子電腦硬體公司 Yaumo 創辦人 Kazu。他先破除誤解:量子電腦不是「什麼都算得比 CPU、GPU 快」,只在組合問題、RSA 破密這類特定題目上派得上用場,喊了 30 年還沒到,卡點在硬體。但兩條線正在靠近——五年前業界認為解特定問題要 100 萬個 qubit,隨著演算法與軟體更新,這數字降到約 1 萬,只剩十年前預期的 1%;硬體端十年前只做得出 1 到 10 個實體 qubit,近期美國一所大學已展示 6,000 個實體 qubit。Kazu 推估兩者約在 2030 年、也就是四到五年內交會。眼前關卡是錯誤率:每一百到一千次運算就出一次錯,得靠量子錯誤更正(QEC)保護 qubit 資訊。Jason 類比成 1980 年代每兩小時要重開機一次的個人電腦。日本已有量子電腦進資料中心,例如 Toyota。
路線上,Google、IBM 用超導 qubit,晶片得放進大型冷凍機;另有離子、光子、半導體派。Yaumo 走中性原子,在真空腔排出原子陣列,一顆原子當一個 qubit。公司 2025 年 4 月成立,15 個月做到近 70 人,約 50 人是工程師、科學家與數學家,非日籍佔 20 到 30%,CTO 底下三個部門有兩位主管分別來自雪梨與土耳其。它同時從京都大學與分子科學研究所(IMS)spin out:京大教授 Yoshiro Takahashi 研究中性原子(如鐿 Yb)超過 30 年,IMS 所長 Kenji Ohmori 原本各自要創業,兩邊併成一家、兩位教授任顧問。募資超過 1,000 萬美元,含補助、種子輪與種子延伸輪,投資人有京都 iCAP、美國 Alai Ventures 與法國量子硬體創投 Quantonation,後兩者都是首次投資日本案子,跑道 18 個月。日本大學把 IP 轉給新創的經驗還很淺,多以股權或權利金談判。
定位上 Kazu 把公司比作 Toyota:不自製輪胎與引擎,而是整合雷射、真空腔等零件出整機;高功率低噪雷射來自濱松光子(Hamamatsu Photonics)與其丹麥子公司 NKT Photonics。AI 與量子目前是單向關係——錯誤更正必須靠古典電腦估算,已在用 LLM 與 transformer;反向的 quantum for AI 尚無實例,只有 MIT 論文。成本面,超導路線一個實體 qubit 約 100 萬美元,中性原子他估計便宜 100 到 1,000 倍;現行租用是 Toshiba SQBM 每小時 90 美元、IBM 約 3,000 美元。商業節奏:五年內賣整機給學術單位,2030 年後把容錯機器整櫃賣進資料中心,2035 年後做量子即服務。能耗上,有論文指 qubit 數約 40 到 50 時量子已比古典省電;他認為終局是量子與 CPU/GPU 分工的混合機,筑波已有相關研究。密碼學風險他認同 5 到 10 年內要警戒,「先蒐集、日後解密」已在發生;美國宣示 2028 年要有實用量子電腦,中國、美國、歐盟、日本並跑,中國論文不會全公開。他強調破密只是應用之一,量子化學才是新市場。
一句話:用 AI 解掉簡報「空白頁」痛點,Gamma 從一年跑道翻成日增 10 萬用戶。
Gamma 共同創辦人暨產品長 Jon Noronha 拆解這家 AI 簡報平台(逾 1 億用戶)的產品市場契合(PMF)歷程。公司 2020 年疫情高峰成立,最初假設是「遠距工作」帶動變革(對標 Zoom、Loom、Slack),但真正目標從頭到尾都是 PowerPoint——TAM 巨大,全球約十億人每月用 PowerPoint/Google Slides 卻不滿意。啟動前他們先做 100 場用戶訪談,不論顧問、老師、醫生還是工程師,痛點幾乎一樣;最常聽到的一句是「我 90% 時間花在排版,10% 花在內容」。2022 年在 Product Hunt 上線只有數千用戶、上百月活,屬「弱到普通」的 PMF。
跑道剩約一年、團隊 12 人時,他們押上「Hail Mary」豪賭:用 AI 解掉核心的「空白頁」問題,2023 年 3 月大改版上線後爆紅。Jon 引用他聽過最好的 PMF 定義——「你不再把石頭推上山,而是開始追著滾下山的石頭」。當時伺服器每隔一週就當機、甚至連當好幾天,產品還沒收費就有人寫信求付錢。他點出反直覺洞見:先前微弱的 PMF 反而幸運,因為已累積數年非 AI 技術底層可供 AI 疊加,又不被舊架構綁死,不是純「GPT 套殼」。12 人團隊裡 0 人做業務行銷、4 人是 UX 設計師,走消費級、產品驅動成長路線。
策略上他們賭「橫向」而非「垂直」產品(對標 Notion、Slack、Loom),募資時幾乎每個投資人都質疑。選的廣義客群是「對外簡報者」(業務、行銷、顧問)——既有天然病毒式擴散,又有付費意願;產品把做一份簡報的 10 小時砍掉八九成。他反覆講兩句方法論:「用數據診斷,用設計解題」;工藝(craft)新定義是「有在乎、但不佔有」。他也承認踩雷:PowerPoint 匯出功能大概晚做一年,因太沉醉自家新格式;2023 年為保護還很笨的 LLM 設的種種護欄,如今反綁住更聰明的 AI,正在「拆功能、放寬限制」。
商業面,他指出 AI 產品比傳統 SaaS 更好變現——省 8 小時、收 20 美元多數人覺得划算,但伴隨「AI 觀光客」流失。定價分層:入門 10 美元/月(國際市場受歡迎)、Pro 25、Ultra 100 美元/月,再加團隊與企業方案。B2B 需求是被動湧來——他原想從中小企業漸進爬到大企業(對照前公司 Optimizely 花數年走這條路),但 AI 節奏太快,連《財星》25 大企業都來敲門,只能急行軍。衡量 PMF 最直觀的指標是「每日新註冊數」:從數百跳到一兩千,再拐點向上到 1 萬、2 萬、3 萬,第一年突破每日 10 萬、如今穩定於此。他反駁「分發比產品重要」,堅持真正拐點是 AI 帶來的病毒式擴散讓分發變免費;PowerPoint 自 1987 年問世、39 年無人撼動,這個「新創墳場」品類的機會,正是 AI 這場「SaaS 末日」撬開的縫。
一句話:天賦是待發現的「編碼」;把賺錢箭頭倒轉、找到刺蝟之家,任何年紀都能發揮。
主持人 Jeff Berman 訪《從 A 到 A+》(Good to Great)、《基業長青》作者 Jim Collins,談新書《What to Make of a Life》——這次不寫公司,改寫傑出個人。Berman 自陳在 MySpace 起步、有法律學位卻無 MBA,第一本讀的商業書就是《從 A 到 A+》。兩人都是 LA Rams 球迷,Collins 曾為總經理 Les Snead 一場原訂 15 分鐘的生日茶敘聊了 3、4 小時,清空整個下午畫飛輪;Rams 把好公司的概念用在「為均勢(parity)而設計」的 NFL 上。
全書核心是「編碼」(encodings)——住在人身上、等待被生命經驗發掘的持久能力,不等於「擅長」。他用配對案例說明:遺傳學家 Barbara McClintock 與電腦科學家 Grace Hopper;Hopper 小時候拆遍家中時鐘,二戰加入海軍後被派到哈佛的 Mark I 電腦,指揮官 Aiken 發現她的領導編碼,交給她管理專案,催生了子程序與軟體概念。Collins 提出「進入框架」(in frame)的三要件:做你被編碼的事、願意為它把金錢的箭頭倒轉(錢是燃料而非目的)、且它點燃你內在的火。並延伸自 Isaiah Berlin 的刺蝟概念,強調「快樂的刺蝟需要一個快樂的刺蝟之家」——McClintock 與 Hopper 都因當年學界不升遷女性而被迫另尋平台;別把頭銜、職位、名片上的東西誤認成你真正的刺蝟。
情感層面的轉變是本集最動人處。Collins 談「who-luck」——貴人偶然橫越你人生的運氣,如他遇見 Bill Lazier 與 Jerry Porras(對方只因讀到他一篇小文);Lazier 教他關係優先於交易,好關係是雙方都覺得自己受惠更多。新書末章列出「我曾相信/我現在相信」15 層對照:他不再認為 30 歲沒找到大事就太遲(有人 50、80 歲才綻放,如貝聿銘 70 多歲設計羅浮宮金字塔),也不再看重「遺澤」而重眼前責任;最大的改變,是從「對人們不是什麼感到挫折」轉為「對人們是什麼心懷感激」,並學會不評斷還在迷霧中、尚未走完的人生。
一句話:四人一致反對封殺中國開源模型,主張蒸餾該由美國模型商在源頭自己堵住。
Moonshot AI 的開源模型 Kimi K3 效能與 Opus 4.8、GPT 5.6 同級、便宜約五成。白宮科技顧問 Michael Kratsios 稱握有 Moonshot 蒸餾 Anthropic 的 Fable 的資訊;Axios 報導白宮考慮封殺中國開源模型,Wired 則報導商務部長 Howard Lutnick 反對禁令、主張改為鼓勵美國實驗室做更好的開源模型。Polymarket 上「2026 年封殺某開源模型」的機率兩天內由 22% 升到 45%。Sacks 說白宮並未做決定,並表態反對:不能因蒸餾懲罰美國開發者,禁用公共領域的東西等於自斷手腳。他直指 Anthropic 在搞監管俘虜——年初年化營收 100 億、現在超過 700 億美元,不需要保護;若蒸餾真是國安威脅,該擋的是中國存取美國模型、在源頭止血。Chamath 說解法是 KYC,身分驗證加綁卡就能解決,但會拖慢營收,所以他們寧可要政府禁對手;實際路徑是菲律賓、印度大量註冊帳號轉賣暗網,再用美國 IP 使用。
Chamath 認為模型正被商品化:效能一公布,幾週內就有模型追平,價值往應用層與基礎設施(雲、晶片)移動,封閉實驗室定價是開源替代品的 25 到 50 倍;政府一介入等於對美國企業課 token 稅,可口可樂的 AI 成本會比海外同業高數十倍而被重評價。Freeberg 說蒸餾就是對標,他在 Google 早期曾對 Yahoo 與微軟搜尋送出數百萬筆查詢比對結果;偷權重才是竊盜,學輸出不是,而且開源檔案下載後無從禁起,Netscape 被 Apache 與 Firefox 生態擠垮就是前例。Sacks 唱反調:Ben Thompson 算過 K3 執行成本沒便宜多少,它只在前端網頁編碼競技場突出;Sam Altman 下週赴華府談 GPT 6.0;OpenAI 年化營收 5 月 330 億、7 月 413 億美元,全年出場預估由 600 億上調到 750 億。Jason 主張毛利會被壓縮、兩家 IPO 會受阻;Chamath 修正為「95% 的任務有很多模型都能做」,Lovable、ElevenLabs 等大客戶已轉向 GLM 5.2 或自建。Sacks 補案例:Mira Murati 的 Thinking Machines 是從中國的 Kimi K2.5 蒸餾而來,Cursor 的 Composer 2 也是拿 K2.5 加自家編碼資料後訓練,若認定中國模型有原罪,衍生作品全遭殃,Gary Tan 與 200 家新創已連署反對。
Anthropic 以 15 億美元和解著作權訴訟,是美國史上最大的一筆:它從盜版站下載 700 萬本書訓練 Claude,和解涵蓋 50 萬本、每本 3,000 美元,律師拿 1.01 億,91% 作者已申領。Sacks 指出被抓的是連一本正版都沒買,合理使用的攻防其實還沒打完;Anthropic 二月部落格首創「industrial scale distillation attack」一詞,卻通篇不提 IP theft,因為一旦主張輸出受著作權保護,自家官司會全垮——如今向政府喊竊取智財,等於自認產品是偷來的,內容方大可主張分走它全部營收。Freeberg 反問:AI 沒讀你的書、只讀書評與二手分析算侵權嗎?著作權禁的是照抄原文,不是知識擴散。Jason 認為關鍵在競爭關係,舉 Thomson Reuters 告 Ross 使用 Westlaw 資料的判決,並建議 AI 公司提撥 10% 營收成立授權池,內容方則要求 Google 把搜尋爬蟲與 AI 爬蟲拆開。
財報部分:Google 雲端年化營收破 1,000 億美元,今年資本支出指引 1,950 至 2,050 億;Tesla 資本支出年增 140%、全年約 250 億。兩家自由現金流都轉負,Google 是上市以來第一次,錄影當下 Google 跌 7%、Tesla 跌 14%。Chamath 仍看多:Google 25 年平均投入資本報酬率 32%,Alphabet 本季認列 Anthropic 持股 1,000 億美元帳面增值,另持有一成 SpaceX;對照 Apple 十年 7,550 億庫藏股加 1,400 億股利。SpaceX 掛牌價 2 兆,現跌三成至 1.5 兆美元。紐約市部分,市長 Zohran Mamdani 的 rental ripoff 報告禁收信用調查費、信用調查與月租 40 倍收入門檻只能擇一、承認租戶工會,並已凍漲房租一年,聽證會上有人稱驅逐是「暴力」。Freeberg 引 John Adams 1787 年之作談私有財產權是自由的基礎;Sacks 說不能驅逐惡質房客,受害最深的是同棟靠租金管制生活的老人;Chamath 說房東會把起租價開三到四倍並要求預付,建議拿紐約與 Austin 做對照實驗;Jason 舉東京、德州與 Austin 放寬建照後租金下降,以及紐約約 5 萬戶幽靈公寓。
一句話:加盟制把控制與責任在法律上拆開,這道漏洞後來被 Uber、Amazon 走成大門。
來賓 Brian Callaci 是 Open Markets Institute 首席經濟學家,著有《Chains of Command》。他指出加盟本質是商標法產物:加盟主使用商標,回抽營業額 6% 到 20% 當權利金,代價是遵守極細指令——定價、營業時間、產品組合、人力配置都寫進「營運手冊」併入合約,McDonald's 可片面隨時修改。這解決了「委託—代理問題」;另一層作用是法律屏障——員工不是總部員工,拿不到最低工資、加班費,也無法對總部組工會。加盟主唯一能操控的是壓低人力成本;他舉 Dunkin' Donuts 為例,某加盟主「只在意香蕉」,因為其他食材都被總部綁死,只剩香蕉能自行比價。
現代加盟起於戰後 1950、60 年代,架構源自石油業(Shell、Chevron)與汽車經銷。Ray Kroc、Colonel Sanders 這批創始人公開承認做法當時不合法,於是組成 International Franchise Association 去改法律,主要障礙是反托拉斯法。1963 與 1965 年參議院聽證,主席 Jerry S. Cohen 質問 IFA 會長 Monty Pendleton:若加盟主連賣什麼、賣多少錢都被規定,哪來的「獨立」?Teamsters 工會稱這種手法為「double barrel immunity」:在反托拉斯法庭自稱單一實體、不可能共謀,面對組工會時又說各家是獨立公司。
實證方面,Callaci 手工編碼 530 份合約、花 18 個月;合約因 1979 年 FTC 規則須揭露而屬公開紀錄。David Weil 的《The Fissured Workplace》指出同一連鎖內,直營店工資與年資成長都優於加盟店。華盛頓州取消 McDonald's 等連鎖的「禁挖角條款」後,工資出現因果性上升。這條線延伸到零工經濟:Uber 把司機當獨立創業者,Amazon 的 DSP 模式更像加盟——司機穿 Amazon 制服、開 Amazon 卡車,雇主卻是承包商。
一句話:Ron Baron 靠「買了就抱幾十年」把 Baron Capital 從 1982 年的一千萬做到 700 億美元。
Ron Baron 現年 83 歲、入行 56 年。他 1969 年到紐約時負債 1.5 萬美元,連電話都申請不到;沒考上醫學院,曾在 Georgetown 醫學院教一年生化,白天在專利局當審查員、晚上唸法學院。1970 年代做研究賣給避險基金賺佣金,客戶包括 George Soros、Peter Lynch。1976 至 77 年 Soros 各撥 500 萬給六、七個人操盤,別人頻繁進出、他買了就抱,績效最好。1982 年他以 1,000 萬美元管理規模創立 Baron Capital,1992 年到 1 億,到今年 6 月已是 700 億美元,累計替投資人賺進約 700 億美元獲利(Elon 相關投資前約 400 億、加上 Tesla 與 SpaceX 再約 300 億);管理公司帳面價值也從 1982 年的 10 萬美元變成約 45 億(連遞延稅約 60 億)。公司 233 人、45 位分析師,投資組合週轉率低於 10%,旗艦 Baron Partners Fund 低於 5%。
兩大代表作都押在 Elon Musk。Tesla 在 2010 年 IPO 認識、花四年盡職調查,2014 至 2016 年投入約 4 億美元、分割還原後均價約 14 美元,至今獲利 77 億美元、現值約 50 億,他估未來 10 至 15 年再賺四、五倍。SpaceX 自 2017 年起分 27 筆買進、累計投入約 20 億美元,IPO 又加碼 10 億以維持 1.25% 持股,6 月市值約 250 億——佔 700 億總資產的三分之一以上;他預期 SpaceX 從 2 兆美元 IPO 起算,10 到 15 年內漲 20 至 30 倍、上看 20 到 40 兆美元市值。Michael Baron 2004 年進公司、2018 年起與父親共管 Baron Partners Fund;該基金 2025 年報酬約 25%,遠勝 Russell Midcap Growth 的 8.7%,Tesla 佔比約 27%。
他反覆強調「賺錢靠等待」:引用 Hendrik Bessembinder 的研究——只有 27% 個股跟得上大盤、逾七成落後,中位數個股一生倒賠 7%,所以選對能長抱的公司才是關鍵。判準是獨特生意加上信得過的經營者,只有在競爭優勢惡化時才賣,不看短期時機。對 AI 恐慌他反向操作:認為握有專有資料的公司(MSCI、FactSet、Gartner)反而是 AI 的「供給方」,LLM 終將被商品化。過去一年買進約 90 億美元股票、其中約 50 億在軟體公司;FactSet 股價從 500 跌到 200、現約 250,他一路加碼,看好那位從印度農村出身、當過 Jamie Dimon 接班熱門人選的新執行長。
長抱信念源自童年:看到擁有生意、旅館、房產的鄰居才開得起 Cadillac,體會「要擁有東西才會賺錢」;他又用複利算給你看——房子與土地每年約漲 5%、海邊土地漲 7% 至 9%,80 年下來翻約一千倍,父母 1948 年花 5,000 美元買的房現值約 50 萬。公司每年在紐約大都會博物館辦 Baron 投資年會(今年 11 月 6 日),費用全免、送三台 Tesla 與冰淇淋,歷年請過 Paul McCartney、Barbra Streisand 等表演。
一句話:Noah Smith 認為出口管制仍壓制中國 AI,真正該擔心的是需求泡沫、貧富差距與少子化。
中國新模型 Kimi K3 開源、便宜、跑分勝過 Anthropic 與 OpenAI,引發中國超車疑慮。經濟學家 Noah Smith(Noahpinion 部落格)認為中國模型跑分好但實測能力脆弱,美國出口管制在推論運算與晶片設備上都有效,可能又是被誇大的 DeepSeek 時刻。他更擔心「需求泡沫」:企業以「比誰燒最多 token」當指標、加上 Nvidia 與 OpenAI 互相投資又互為客戶的循環交易,可能撐出看似龐大卻不夠真實的需求;Claude Pro 月費 200 美元,服務成本卻要 1,000 至 2,000 美元。他以電力為例——1900 年代工廠先把蒸汽機換成電動機卻更沒效率,約 20 年後重新設計成並聯工作站才讓生產力跳升 3 至 5 倍,主張現在燒掉的 token 也是必要的學習成本。
貧富差距上,美國前 1% 掌握約三分之一家庭財富、創歷史新高。Noah 認為真正的問題是「權力」不均,主張仿 Alaska 永久基金設主權財富基金、買指數(而非挑贏家)把資本利得重分配給民眾。Scott Galloway 反對,指美國沒盈餘、等於舉債讓政府挑贏家;但兩人都支持「Trump accounts / baby bonds」——出生就給小孩一個買進 S&P 的帳戶。資料中心方面,紐約州長 Hochul 已喊停興建,Noah 說耗水疑慮是假的、噪音與搶電是真的,反對聲浪部分是對 AI 搶工作的恐懼投射。
少子化上,美國 2025 年生育率再創新低。Noah 說衝擊是慢性滲透而非懸崖:pay-as-you-go 的社會安全制度在人口停滯時會「動態失效」(Paul Samuelson 1960 年代已證明),未來只能為砍福利、延後退休、加稅而惡鬥,並需要更多高技術移民。他也點破「這算不算社會主義」只是語意之爭——北歐生產端比美國更資本主義、只是重分配更多。他最樂觀的是:AI 帶來生產力加速卻沒有明顯摧毀就業,反而出現創業潮,他自己的 Substack 就是一家 S corporation。
一句話:Google 打算把太陽能資料中心送上同步軌道,用太空太陽能替 AI 供電。
本集由 Steve Levitt 客座主持。來賓 Will Marshall 在牛津拿物理博士、師從 Roger Penrose,後進 NASA。他提到 PhoneSat 專案:當時一顆衛星要花 5 億美元,而一支智慧手機只要 500 美元卻已具備電池、感測器、相機、處理器、GPS。這促使他創辦 Planet Labs,市值約 100 億美元,以「Doves」小衛星每日掃描整個地球陸地,需約 100 顆即可覆蓋、實際在軌約 200 顆。Planet 自比「地球版 Bloomberg 終端機」,客戶含美國海軍(監控南海與北韓規避石油制裁)、烏克蘭、紅十字會;對伊朗戰事區曾對影像加延遲以限制存取。
另一位來賓 Blaise Agüera y Arcas 是 Google 副總裁、technology and society 技術長,創立 Paradigms of Intelligence 團隊,著有《What is Intelligence?》。他主張智慧的核心是「預測」;要預測含自身行動的未來就得對自己建模,意識即源於此。他也提出「社會智慧假說」:多個 AI agent 互相唱反調比一味附和更能解題。
主軸 Project Suncatcher 由 Travis Beals 領軍。IEA 預估到 2030 年美國新增用電約半數來自資料中心;Blaise 說即便效率提升千倍,在指數成長下也只買到約十年。方案是把資料中心送上「太陽同步軌道」,那裡幾乎全時受日照、無大氣,太陽能板效率約為地面八倍;能量難搬運,乾脆把運算也搬上去。衛星靠極薄太陽翼與雷射(free space optics)互聯。草案論文以發射成本每公斤 200 美元為里程碑(目前遠高於此),2027 年將先發兩顆衛星測試星間光鏈;提案時 CEO Sundar Pichai 與共同創辦人 Sergey Brin 都在場支持。Marshall 透露 Planet 已用 41 枚火箭發射、38 枚入軌、3 次失敗,並斷言約十年內在地球製造的多數電腦都將送上太空。
一句話:生物戰是「有預警」的災難,12–36小時內可阻止;但人類毫無準備、社會信任先崩。
調查記者 Annie Jacobsen 把核戰與生物戰對照:核戰是「無預警事件」,瞬間發生;生物戰是「有預警事件」,關鍵窗口只有 12、24、36 小時。美國國防部的威脅光譜裡,核武破壞力最強,生物武器卻被列為最可能發生、因而最危險。基因編輯源頭是史丹佛諾貝爾獎得主 Paul Berg,1971 年做出重組 DNA(recombinant DNA);爭議核心的「功能增益」(gain of function)就是刻意改造病原賦予新功能,業內人士向她直言這是生物武器工程的委婉說法。尼克森 1969 年單方面銷毀美國生物武器計畫,花 219 週才拆完,各國隨後簽署《生物武器公約》(BWC)。
蘇聯卻偷走重組 DNA 技術,啟動他們稱為「曼哈頓計畫」的龐大生物武器計畫,西方直到 1980 年代末才知情——關鍵是科學家 Vladimir Pasechnik 叛逃,他先找加拿大大使館被打發走,再轉英國,由情報官 Dr. Christopher Davis 接手,諾貝爾獎得主 Joshua Lederberg 親自查證屬實。國務院正式立場:俄羅斯與北韓有生物武器計畫,中國、伊朗「存疑」。蘇聯的「超級鼠疫武器」把鼠疫桿菌(Yersinia pestis)改造成抗抗生素,甚至植入「欣快感」基因,讓感染者不臥床、反而想去跳舞盡量傳染。1979 年 Sverdlovsk 炭疽外洩死約 100 人,官方以「污染肉品」掩蓋數十年。
完美生物武器三要件:空氣傳播、100% 傳染力、高致死率。對照數字:季節性流感致死率 0.1%、COVID 約 1%、漢他病毒約 30%,而肺鼠疫不在 24 小時內用抗生素就是 100% 致死。USAMRIID 鼠疫專家 Dr. Henry Heim 說一個針頭能放 4 萬個鼠疫顆粒,吸入幾百到一千個就中鏢。9/11 前全球只有 2 座 BSL-4 實驗室(國防部 Fort Detrick、CDC 亞特蘭大),之後暴增到 15 座、逾千座 BSL-3。哲學家 Nick Bostrom 的「黑球」比喻貫穿全場:每次技術進步像從甕裡抽球,總有抽到終局黑球的一天。
她的情境從西伯利亞 Novosibirsk 附近的 Vector 實驗室爆炸開始(2019 年真的爆炸過),外洩經改造的肺鼠疫,爆點落在洛杉磯遊民營——全美 80 萬遊民不在 CDC 的 BioSense 監測系統(7,000 多家醫院即時通報)內。她引 Toby Ord《The Precipice》風險表:工程改造疫病百年內達 1/30、未對齊 AI 1/10、人為總風險 1/6。最驚人的是一旦轉入執行命令,國防部重心不是保護民眾,而是保護關鍵基礎設施與政府本身——這就是機密的「devolution」延續政府計畫(COGCON)。當年炭疽攻擊目標 Tom Daschle 對她說,生物戰是「政府之死、人之死、你所知一切之死」,只有「做出非人之事的人才活得下來」;她強調寫書是為預防:真正危險的不是不確定,而是假裝確定、進而摧毀社會信任。
一句話:AI 或帶來爆炸式成長與富足,但「弱環節」讓好處慢來、災難卻可能瞬間降臨。
Chad Jones(Stanford GSB 經濟學教授)在論文〈AI and Our Economic Future〉提出兩種極端情境。矽谷版是:AI 先自動化軟體工程(Claude Code、OpenAI Codex),再讓 AI 改良 AI,最終產生能在電腦上做任何人類工作、又能大量複製的「virtual remote worker」。Dario Amodei 稱之為「資料中心裡的天才之國」,數十億 agent 以百倍速度運作,再拿來設計晶片與機器人。Jones 認為 25 年內成長可能顯著加速。
第二種是「照舊」情境:美國人均實質所得 150 年來是一條每年 2% 的直線,連大蕭條都在十年後回到趨勢。電力(1870 年代 Thomas Edison)、內燃機、抗生素、電晶體、半導體、網際網路輪番登場,才把 2% 維持住——因為單一技術範式內「點子越來越難找」,得靠下一場革命接棒。
調和兩者的關鍵是「弱環節」(weak links):一條鏈只跟最弱一環一樣強。就算 20 環中 17 環變得無限強,仍被剩下 3 環卡住;而稀缺的環節反而拿走最高報酬,所以人做的事變少不必然代表工資下降。他舉 iPhone 15 因 Foxconn 製造出包害獲利受損,及 1986 年挑戰者號因一個 25 美元橡膠環失效而爆炸(Richard Feynman 的著名示範)為例。模擬顯示成長最終飆到每年 30% 以上,但要約 75 年才顯現——好處來得極慢。
勞動市場上他相對樂觀:農業 200 年前占八成勞動力、如今不到 2–3%,失業率並未上升;Geoff Hinton 在 2016 年稱五年內不必再訓練放射科醫師,如今放射科醫師卻更多、薪水更高。David Autor 指出工作是「任務的組合」,AI 自動化部分任務反而讓人專注在高價值的弱環節。工時長期下降(法國一週四天),Keynes 早在 1930 年便預言閒暇。
但對災難情境他非常認真:一是「壞行為者」把可被越獄的模型拿去設計比 Ebola 更致命、潛伏一個月又高傳染的病毒;二是「外星智慧」情境,他引 Berkeley 的 Stuart Russell:「我們如何永遠保有對比自己更強大實體的控制權?」他警告弱環節的另一面——好處慢來,壞事卻能瞬間發生:如 Anthropic 最新模型 Mythos 已能駭入電腦,一旦攻擊電網或金融系統將造成巨大傷害。
一句話:加州對億萬富翁課 5% 一次性財富稅,富人一外移,稅收反而收不到、經濟還受傷。
主持人 Jonathan Berk(Stanford)與 Jules van Binsbergen(Wharton)邀請 Stanford GSB 財務教授、Hoover Institution 資深研究員 Joshua Rauh,討論加州 11 月公投的「億萬富翁稅法案」——一次性課 5% 財富稅。支持方 UC Berkeley 的 Emmanuel Saez 與巴黎經濟學院的 Gabriel Zucman 估算可為加州進帳 1000 億美元(Forbes 400 加州億萬富翁 2.2 兆美元財富的 5% 即 1100 億,扣 10% 行為反應)。Rauh 反駁此估算未計外移效應:光是已公開離開的 6 名億萬富翁就把數字拉到 670 億;按文獻校準的移動彈性再降到約 400 億。加州共 212 名億萬富翁,他另估這些人每年繳約 40 至 50 億美元個人所得稅,一旦離開,現金流現值也蒸發。
主持方以稅基集中度反問「富人不繳稅」:全美聯邦所得稅,前 0.1% 繳約 20%、前 1% 繳 38.4%、前 10% 繳 71%、前 50% 繳 97%;加州前 1% 負擔逾 40% 州所得稅。Rauh 指問題在支出而非收入:加州年度預算約 3250 億美元,立法分析辦公室(LAO)推估未來四年赤字 930 億,即便真收到 1000 億也只填一時。他批評公共經濟學過度聚焦「收入最大化」——Saez 曾估收入最大化邊際稅率為 82%,並在 SIEPR 辯論稱即使 80% 億萬富翁離開加州財政仍更好;Rauh 反問這等於為多一兩億「清算矽谷」。
雙方交鋒核心是財富來源:主持方主張 Steve Jobs、Google 創辦人 Brin 與 Page 靠消費者剩餘致富、創造就業,課稅違背「保有努力成果」的隱性契約,並舉蘇聯無億萬富翁亦無成長為戒。Rauh 主張財富稅、所得稅扭曲最大,消費稅與加值稅(VAT)較優,應廢除雙重課稅的公司稅、降稅率擴稅基;並以福利懸崖示警:年薪從 3.6 萬升到 7.2 萬時,採 Medicaid 擴張的州因喪失補助,邊際稅率可逾 100%。
一句話:AI 靠海量算力與資料硬解,人類卻能用極少資源完成跳躍式學習,兩者本質不同。
Douglas Guilbeault(Stanford GSB 組織行為助理教授)主張,人類學習的核心謎題是「用極少資源完成極多成就」:大腦有記憶、注意力、發聲系統等種種限制,卻能理解量子物理、無限這類概念。他引諾貝爾獎得主 Herb Simon 在《Organizations》提出的 satisficing(夠好即止):人在資訊有限、時間壓力下,只追求「夠好」的答案就前進,而非最佳解,而且往往不自覺自己在妥協。
相對地,LLM 走完全相反路線,靠統計最佳化的 brute force。以「I grabbed the leash to walk my ___」預測 dog 為例,模型得掃過網路上幾乎所有句子才能填空,因此需要像 Austin, Texas 那麼大的資料中心;人類卻只憑直覺與少量經驗就知道答案。Guilbeault 指出,人腦運用隱喻、類比,甚至對想法產生「感覺」(vibes)與美感直覺,能從隨機、混亂、模糊中做出意義的跳躍,而 LLM 拿到的是被刻意設計成好學的結構化句子,並沒有這種天生就得面對混沌的處境。
他的新論文〈A Simple Threshold Captures the Social Learning of Conventions〉發現一條簡單門檻規律:在容忍門檻達到前,人的行為近乎隨機,之後突然收斂到穩定的類別理解——這是從隨機態躍遷到有序態,而且同一規律涵蓋兒童學文法、學數學規則,乃至職場穿著、招呼語等行為慣例。他引一年前 PNAS 一篇研究:數學家在頓悟前,身體反而更躁動、眼神游移、更混亂。他團隊即將發表的實驗顯示,LLM 在同樣任務中表現得就像最佳化模型,暗示這種進路要理解人類的「創造性跳躍」可能有天花板。
Guilbeault 批評矽谷敘事:他在舊金山看到 AI 新創廣告寫「Predict anything」、「Humanity has had a good run」。他認為把人類看成只會「預測與算數字」的機器是嚴重誤解——人類發展科學工程僅約 200 年,卻已能預測粒子運動到 0.000000000001 的精度。他引 Wittgenstein「重點不是有什麼存在,而是它竟然存在」,強調人性的怪異、創造與美,不該被最佳化式的機械觀抹平。
一句話:強文化=高強度×高共識,內容幾乎不重要;它是社會控制系統,直接影響績效與底線。
社會學家 Glenn Carroll(2000 年起任教 Stanford)介紹他與社會心理學家 Jenny Chatman(現任 Berkeley Haas 商學院院長)合著的組織文化新書。他指出風向已變:過去商界常否認文化重要,如今約 80–90% 高階主管(含 CEO)公開承認文化攸關成敗,但多數主管仍不知如何下手——一生大多只上過一堂相關課。
他先談「對齊」(alignment):好文化的判準不是員工開不開心,而是文化是否對齊策略;他主張若文化高度對齊,光看文化訊息就該能推知公司策略與產業。他舉 Dreyer's Grand Ice Cream(後併入 Nestlé)為例:其文化「the Grooves」(含代表行動偏好的 Ready-Fire-Aim)員工高度認同、2000 年幾乎垮台時撐住公司,但因沒寫進製造、客戶、口味創新,只算過得去。
進入社會科學定義,他提出文化三面向:內容(content)、強度(intensity)、共識(agreement),並強調「內容幾乎不重要」——SWAT 隊、恐怖組織、Navy SEALs、宗教邪教、非營利到成熟企業,任何內容都能建出強文化;真正定義強文化的是「高強度×高共識」:強度是強到會主動介入同事「這裡我們是這樣做的」,共識是對核心價值不爭辯。他強調文化並不軟,而是社會控制系統。
他用 Reed Hastings《No Rules Rules》的故事說明威力:Sheryl Sandberg 跟拍 Netflix 一整天,驚訝他一個決定都沒做,因為部屬已替他做了八九不離十的決定。研究顯示強文化組織的管理者更少、管理成本更低。文化影響績效有兩條路:內容對齊(Walmart 天天低價 vs. Amazon 創新與顧客中心),以及內在動機(intrinsic motivation)帶來的承諾與協調——上千項研究顯示內在動機多半比外在更強。他以 GM 現任 CEO Mary Barra 為例:她接手 HR 時把 10 頁著裝規範當眾撕掉,改成「dress appropriately」兩字,凸顯員工不敢自主決策的盲點。
書的核心是五個迷思:文化惰性不可變、只來自高層、文化很軟、只有「適配者」受惠、不影響底線——他逐一反駁,並舉 Alan Mulally 一年內改造 Ford、Agilent 的 Barnholt 估計約需五年為對照。他也談群體迷思(Uber 過度對齊釀 Susan Fowler 事件、Eastman Kodak 握有數位相機技術卻集體迷信底片而消失)。最後點出第 8 章列了 20 個管理槓桿,但 30 年來約 80% 的人只挑三個(對齊文化特質、對齊誘因、訓練溝通),做對文化其實該動用更多。
一句話:想贏又不毀掉自己,關鍵在三項內在功課:開除內在教練、拔釘子、相信第二個聲音。
Alpine Investors 創辦人、在 Stanford GSB 任教 24 年的 Graham Weaver 以自身經歷開場:他花了約 30 年一路埋頭衝刺,從高中、大學到華爾街每週工作 100 小時,深信只要達成下一個目標就會覺得自己夠好。但公司經營 14 年後首次分紅入帳,他預期的轉變沒有發生——什麼都沒變,半年後反而陷入低谷,有時關上辦公室門無故落淚。他的結論是:靠外在成就換取內在肯定,像喝海水解渴,只會更渴。人同時在打「外在賽局」與「內在賽局」,而喜悅與自我關係大多來自後者。
他把內在功課的技術名稱定為 metacognition(後設認知,即思考自己的思考),強調這是可鍛鍊的肌肉,方法包括冥想、寫日記、治療或獨處。全篇核心是三個練習。第一,「開除你的教練」:他用一名教練對八歲男孩說「你的價值取決於表現」的畫面,對照自己腦中那個數十年來不斷貶低他的聲音;直到 Alpine 做了史上最慘一筆虧損、那聲音瘋狂責罵他時,他才看清這個教練只代表一件事——恐懼,不提供任何有用建議。他指出這聲音不只傷自己,還會傳染給家人與團隊。
第二,「拔掉頭上的釘子」:釘子是你在逃避、害怕、不願談的事。他引用榮格(Carl Jung)「你的恐懼所在,就是你的任務」;並說一個化名 Olivia 的朋友,25 歲時對婚姻已有疑慮卻仍嫁給酗酒的 Jim,如今 62 歲仍困在這段長達 37 年的關係裡。他畫出人生非線性的曲線:要到下一個高峰,得先走過山谷,也就是「先變糟」,而多數人卡在原地正是不願下探。第三,「相信第二個聲音」:相對於恐懼的教練,第二個聲音透過「能量」說話。他以學生在 A、B 兩份工作間掙扎為例,只要問開放式問題,房間能量就會轉變,答案自然浮現;他引用 Steve Jobs 談直覺、Rumi「你的心知道答案,朝那個方向奔跑」。實用工具是把恐懼寫下來,讓模糊的恐懼變成可解的問題。
Weaver 說 2014 年低點後他實踐這三件事,並把 Alpine 從私募股權轉向「人才事業」:讓高特質的人做讓自己發光的事,是他見過最強的公式。自那時起 Alpine 資產成長超過 50 倍,但他強調更重要的是內在轉變——這三個練習真正通往的,是他一直在找的自我之愛(self-love)。