🎙️ 今天這幾集

一句話:檢測機器人已在賺錢,家用人形今年出貨,工廠人形時薪目標 1 美元。

在巴黎 Machina 會議錄的四段訪談。ANYbotics 執行長 Fankhauser 說四足勝在寬底盤與著地點多,能在濕滑、下雨、下雪、長草的環境維持穩定。ANYmal 不打取代人力牌,而是做人做不到的事:熱像儀、聲學麥克風、氣體濃度感測器抓微量氣體洩漏與設備過熱。售價低數十萬美元,回本靠避免停機——這類資產停一小時損失數十萬美元。續航約兩小時,回充電座再出動,有客戶一天跑 40 趟任務,而人工檢測一天只做一到兩次。場景包括離岸油氣平台、離岸風場的有人變電站(人員搭直升機一趟成本數萬美元),溫度從挪威零下 20 度到沙漠攝氏 50、60 度;新機種可進入含甲烷的爆炸性環境,保證不產生火花。零組件來自中國的比例是 0%。他評中國同業:硬體會走、會後空翻,但客戶要的是自主導航、檢測分析與流程整合,加上沒人想讓別人控制廠區裡的 15 支攝影機。軍用不做,因為要毫秒級遙控、不同通訊與自主架構,等於換一組團隊;四年前他與 Boston Dynamics 等業者聯名反對機器人武裝化。

1X 創辦人 Bernt Børnich 確認 Neo 在 2026 年出貨,首批只有少數客戶拿到;訂閱每月 500 美元,首批 1 萬台預購幾天內售罄。他鬆口 Neo 會開放成平台:買方拿到機器人作業系統與機群管理,加上與 Neo 同款觸覺與視覺感測的手套,可在自家場域蒐集資料、微調模型後部署,也能在 Neo 上跑別家的模型。訓練資料排成金字塔:頂端是遙操作資料,量少、只用來對齊模型;往下是人戴著機器人感測器蒐的資料、人類第一人稱影片;最底層是網路上的一般影片,體量大上數個量級。1X 的十年賭注是把機器人做得夠像人——皮膚受力如何形變、摩擦力、碰撞的衝擊能量都要對——因為它跨形態對照的不是別的機器人而是人類,才吃得到最底層資料,World Model Lab 為此成立。他說新版手部的靈敏度已超過遙操作者能發揮的上限。對 hard takeoff(機器人自己造機器人、資料中心、晶圓廠、採礦冶煉)他押三年、上限不到十年。

Boston Dynamics 代理執行長 McMaster 說公司已不是研究單位。Spot 累積超過 500 家客戶、涵蓋 46 國,白天做工業檢測(聲學、儀表讀值、振動),晚上做周界保全;基本款 10 萬美元、含服務整合到 30 萬美元,採買斷制,人形的 Atlas 打算走機器人即服務。客戶門檻是兩年內看到回報,她舉例找出一處洩漏替客戶避免一天 300 萬美元的損失。可靠度用平均人為介入間隔衡量,已超過 3,000 小時;Spot 電池約 90 分鐘、兩台輪替回充,Atlas 能自己轉動軀幹換電池。架構分兩個腦:控制平衡與操作的留在機身,提供環境語意理解的推理層可放雲端(可能與 Google DeepMind 合作)。機器人 100% 在美國製造。她主張美國不該讓中國製人形機器人進來,理由是已聽到在美國的四足機器人把資料回傳中國。公司反對武裝化,但已做拆彈(EOD)這類非武裝的政府案子。

Agility Robotics 共同創辦人 Jonathan Hurst 說這輪不同的關鍵是感知幾乎被解決:三、四年前機器人看著桌子並不知道上面是什麼;但語言模型沒有解決控制,網路上不存在「給定感測輸入、每顆馬達該出多少力矩」的資料集,得自己生成。世界模型與 sim-to-real 也有落差,玻璃上的凝結水、液體晃動都模擬不準,最後仍得真機練。今年稍晚的 Digit V5 是第一款能走出工作圍籠、不需實體柵欄隔開人與機器人的平衡型人形;當年在 Amazon 部署,研發目標都達成卻卡在客戶安全規範,最後整台機器每個系統重新設計。算帳方式是:一天工作 20 小時、一年 365 天約 7,000 多小時,五年約 4 萬小時,等產量到 10 萬台、造價降到接近汽車,分攤下來接近每小時 1 美元,而西方工廠人力每小時 20 到 40 美元。送包裹到家門七年前就與 Ford 示範過,但他認為不是最好的第一個市場。

一句話:七巨頭只剩 Apple 領先、半導體崩跌,S&P 500 還是貼著歷史新高。

週三盤後是 Microsoft 與 Meta,週四是 Apple 與 Amazon。Microsoft 的焦點是 Azure 增速守不守得住 39% 到 40%(上季 40%),以及 2026 曆年 1,900 億美元資本支出;付費 Copilot 席次上季破 2,000 萬、年增逾 250%;商業訂單積壓 6,270 億美元(多年期 Azure 承諾、Microsoft 365 訂閱與 AI 基建承諾),是投資人容忍資本支出的原因。Meta 預期營收 600 億、幾乎全是廣告,Evercore ISI 的 Mark Mahaney 看營收上看 610 億、年增 28%,2026 資本支出可能從 1,450 億再上調;Meta 只有 16 倍預估本益比。Amazon 的 AWS 增速看 32% 到 33%,2026 資本支出指引 2,000 億、去年 1,250 億。Apple 創歷史新高、逼近 5 兆美元市值,是 Tim Cook 最後一場法說;北京核准 iPhone 在中國搭載 AI 模型,加上不必燒資本支出的「裝置端 AI」敘事被接受,半年前罵它缺席 AI 的人都改口。

Adam Parker 的資料推翻「便宜股利空出盡」的直覺:動能差又便宜的股票不是已去風險,而是正確反映即將落空的財報,真的不如預期時被修理得史上最重。到 7 月 23 日為止,金融、工業、通訊、必需消費 100% 超出預期,未達標集中在能源與房地產。Michael Batnick 因此點名 8 月 5 日公布財報的 Uber。指數距高點僅數個百分點,但回檔逾兩成的名單包括 Oracle 跌 65%(信評被降到僅高於垃圾級一階)、Coinbase 跌 59%、SanDisk 跌 50%、Nike 跌 46%、Netflix 跌 42%、Palantir 跌 40%,還有 Tesla 與 Microsoft;其中真正貴的只有 Palantir 與 Robinhood。七巨頭今年只有 Apple 贏過指數,當天等權重指數仍漲逾 1%,撐盤的是金融、醫療與工業股。

半導體 ETF 今年淨流入 460 億美元。華爾街日報報導 Nvidia 洽談為 OpenAI 資料中心提供 2,500 億美元融資擔保,Nvidia 當天跌 5%;同篇還有日本承諾在俄亥俄州投資 330 億美元天然氣電廠、由孫正義的 SB Energy 營運,而 SoftBank 是 OpenAI 大股東之一,這種左手換右手已讓投資人厭倦。Corning 營收年增 17% 達 47.4 億美元、調整後獲利年增 30%,但第三季指引沒摸到市場私下期待的 50 億,股價 7 月從 255 跌到 126、單月跌 50.7%,是史上第三差的月份,同批光通訊股一起被砍。Micron 與 SanDisk 只剩 5 倍預估本益比,但 Bernstein 對 Samsung、SK Hynix、Micron 的記憶體獲利預測是先拋物線上衝再崩塌;結論是市場不是不會算,是不信這些獲利能延續,看起來的長期成長其實是循環財。中國記憶體廠 CXMT 掛牌首日漲近 500%,一天成為中國市值最大上市公司。Citadel Securities 拋出聯準會可能意外升息的說法,但 Josh Brown 不認為新主席上任三週就會升息。

一句話:美國最有錢的 4,500 萬家戶年支出近 15 兆美元,約當中國 GDP 的七成。

7 月 27 日週一收盤,半導體當天跌約 4%,被視為「反 AI 半導體」的軟體同日漲 3.3%,回溯到 1989 年這種組合是離群值。從高點算,Micron 跌 27%、Western Digital 跌 34%、SanDisk 跌 46%、Seagate 跌 26%,Nvidia 當天跌 5%,但 S&P 500 只離歷史高點 2%,等權重指數當天還漲約 40 個基點。半導體類股平均 52 週回檔 27%,Marvell 跌 41%。兩人把這件事當好消息:先是七巨頭賣壓、再是半導體、現在輪到記憶體,被喊泡沫的部位一塊一塊洩壓,大盤都沒被拖下去。動能因子 ETF MTUM 今年到 4 月還跌近 10%,三個月後翻正到接近 40%,近一個月回吐到 20%。S&P 500 的預估本益比從解放日低點的 18 倍只升到 19.5 倍,解讀是市場不信任分母的獲利數字,而不是股票變便宜。另外必需消費股走強、信用利差走闊,市場也開始猜聯準會這週可能升息。

Torsten Slok 的資料顯示,2019 年以來的 IPO 以三年買進持有、扣掉大盤報酬後年年落後;Exhibit A 回溯到 1999 年的統計則是平均 IPO 先小漲、12 個月後跌 30%。兩人的推論是公司不上市不只因為法規與私募資金多,而是自己知道估值太高。SpaceX 上市首日一度漲 50%,現在較發行價跌 15%、距高點約 45%,7 月的 18 個交易日跌了 14 天。上週來賓 Ron Baron 分 27 筆買進 SpaceX、說 10 到 15 年可漲 20 到 30 倍;主持人算過在 1.5 兆美元市值下 10 年 20 倍等於年複合 35%,直言不太可能。債券則是另一種一面倒:Fidelity 的 Jurrien Timmer 認為最大風險是殖利率上行、進入財政主導,40 年降息週期已結束;前 Fifth Third Bank 投資長、現任 Red Cedar Investments 的 Mitch Stapley 主張壓低存續期間。過去五年總報酬:AGG 與 3 到 7 年期公債幾乎是零、7 到 10 年期虧 8%、20 年期以上虧 33%,還沒扣通膨。反面觀點是殖利率都 5% 了大家還討厭債券,在零利率時代難以想像;最痛的 0 到 5% 那段已經走完,之後即使難看也是慢性失血。

Reuters 報導一名 24 歲首爾大學生,把服兵役存下的 2,000 萬韓元靠交易 App 上一顆五倍槓桿按鈕滾到 15 倍、約 3 億韓元(20 萬美元),5 月四週內因強制平倉全數蒸發、帳戶跌破本金,他仍打算借錢再進場。同期流傳的數據是 50 萬個南韓帳戶被斷頭。由此延伸的觀察是日本家庭持股率 15%、美國 65%,這些國家散戶入場會像加密貨幣一樣把循環加速,長線對全球股市是順風。另一則是 Blackstone 與 Vanguard、Wellington 合推私募市場基金:Vanguard 管指數股票與固定收益、Blackstone 管私募資產,先透過 Merrill Lynch 通路賣。Vanguard 回應 Bogle 那句「買下整個草堆」時說,草堆現在包含私募市場;兩人認為這是目標日期基金將來納入私募資產的前置動作。

Carlyle Group 的報告給了本集標題的數字:美國 1.35 億家戶中有 5,000 萬戶背長期固定利率房貸;新承作利率超過 6.5%,存量平均實付 4.3%,這個差距讓這群人的可支配所得比利率隨市場重設多出 3,000 億美元。最有錢的 4,500 萬家戶合計年支出接近 15 兆美元,是德國經濟的三倍、約中國 GDP 的 70%,而這只佔美國三分之一人口。世界盃決賽街訪出現 9.6 萬、20 萬美元的門票花費。American Express 的財報對得上:美國消費支出年增 11%,是 2018 年第一季以來最快,旅遊與娛樂年增 30%,Z 世代支出年增 40%(佔卡片支出 7%)、千禧世代 14%、嬰兒潮 5%,新開戶有 65% 來自千禧與 Z 世代。Google 財務長說仍在供給受限的環境、需求跑在投資前面,公司出現首次負自由現金流,雲端年增 82%,股價從高點回落 18%;兩人認為要跌到 40% 才會逼 Sundar Pichai 改口。Blackstone 私人財富通路 3,240 億美元,BCRED 贖回在 4、5 月偏高後放緩;Blue Owl 仍較高點跌 64%。Visa 的財富傳承報告估未來 20 年傳下 36 兆美元,其中 28 兆會被存起來、只有 8 兆會被花掉。Nolan 的 The Odyssey 在 IMAX 第二個週末全球進帳 4,800 萬美元、只比首週掉 8%,累計 1.4 億美元、比 Oppenheimer 同期高 73%;Variety 報導 70 毫米放映機的藍圖半世紀前就散失,全美只剩 25 塊這種銀幕。

一句話:AI 融資從股權轉債權,利差走闊逼問回報時程;躲法是買價值。

那斯達克 100 連五天下跌,一度跌進修正區(自高點下跌 10%),費城半導體指數盤中最多跌 6%、Micron 跌 9%,賣壓從亞洲開始,SK Hynix 跌近 15%、韓股指數跌 11%。今年上半年 S&P 500 報酬前 12 大貢獻者裡有 9 檔是半導體股。同日 Brent 原油約 84 美元,SpaceX 股價跌到 107 美元新低、較歷史高點少 52%。Apollo 首席經濟學家 Torsten Sløk 的解讀是:蓋基礎建設的 hyperscaler 把融資從股權側換到債權側,投資等級信用債供給暴增,利差因此走闊,連 CDS(未來五年倒閉的保險成本)也明顯走闊,Oracle、SpaceX、Google、Amazon、Nvidia 近期都創高。矛盾在於這些是全球最會賺錢、利潤率最高的投資等級公司,五年內倒閉機率極低,那市場在怕什麼?股價是未來現金流的折現值,若 AI 的回報比共識預期來得慢,今天的股價就該更低、利差就該更寬。

他認為近期引爆點是幾個個別事件:Amazon 發債時做出讓步、之後交易得更寬,以及 Google 史上首次自由現金流轉負。他歸納兩場賽跑:AI 投資多快變成利潤率與盈餘成長(關鍵不在 Mag 7、在 S&P 493),以及在利差與 CDS 同步走闊下發債還能不能維持速度。他說本週三家 hyperscaler 的財報比 FOMC 更重要,要看的是面對利差走闊,資本支出是繼續加碼還是開始翻轉。分散建議是往非 AI 走,難處在 AI 無所不在:前十大個股已占指數 40%,債券端的 hyperscaler 發債是 AI,創投更有 87% 投向 AI。因子模型上成長在崩、價值在飆;公開市場對應 S&P 400 中型股,私募端是私募股權與私募信貸,再加上與 AI 交易無關的大宗商品。

後半段換到關稅。密西根大學經濟學教授 Justin Wolfers 拆解週五生效的新關稅:涵蓋 80 國、超過 99% 的美國進口,法源從緊急權力法改成 1974 年貿易法第 301 條,理由是對抗強迫勞動——已立法禁止的國家課 10%,沒有的課 12%;Yale Budget Lab 推算平均關稅率已到 11.1%,2026 年底升到 11.8%。他把這事講成三集連續劇:解放日關稅因違憲得退稅,國際收支版上路六個月後自動到期,第三集就是現在這個。批評是全面單一稅率既不能拿來威脅調高、也不能拿來獎勵調降,做不到總統想要的談判籌碼。他指關稅與戰爭都是供給衝擊,Fed 修不了,只能處理兩個症狀的其中一個。當時通膨 3.5%、目標 2%,市場對隔日 Fed 決議定價約 70 比 30;節目末尾補上按兵不動機率約 77%,而年底前升息的機率創下 74% 新高。

一句話:十多位 CEO 的實際作息:早起運動、冷熱交替、睡飽、斷食與冥想。

Disney 的 Bob Iger 沒有體能撐不住這份工作:天亮前起床,先一杯咖啡再換運動服,幾乎每天運動一小時、很少少於 45 分鐘,十點多就寢。F1 執行長 Stefano Domenicali 五點半起床跑八到十公里,聽義大利流行樂順便想過一天的事,約八點回家陪家人吃飯。TKO 的 Ari Emanuel 走到另一端:四點半起床練一個半小時,天天二十分鐘三溫暖加三分鐘冰浴,受訪當天在做二十四小時斷食、每季一次三天斷食,他說讓腦袋習慣不舒服會轉成商業耐受力。可口可樂的 James Quincey 玩冷水游泳,查了才發現自己慢到新手等級,並說人生是馬拉松不是短跑。Daimler Truck 的 Karin Rådström 出身瑞典國家划船隊,現在做越野跑與越野滑雪,說划船教會她表現與恢復同等重要,多數人低估恢復;西洋棋世界冠軍 Magnus Carlsen 靠高爾夫累積步數、打 padel、一週一次重訓,二十出頭常靠體力耗贏對手。

DBS 執行長 Tan Su Shan 引用 Arianna Huffington 半開玩笑的說法:睡得好才升得上去。她二十多歲後期同時失去工作、住處與感情,那時學會冥想,現在改用瑜伽與長跑抽離。作家 Dan Pink 拆解他的「完美午睡」:把加了冰塊的熱咖啡灌下去,設二十五分鐘鬧鐘、戴降噪耳機,七八分鐘入睡,咖啡因約二十五分鐘進入血液,醒來同時拿到睡眠與咖啡因。前 Nestlé 執行長 Mark Schneider 自稱彈性素食者,一天目標十到十五份蔬果,早上喝自製蔬菜汁,把健康看成營養、運動、睡眠三件事,並坦承時差會偷走睡眠額度。Jack Dorsey 一天只吃一餐,說因此每天多出兩三小時;疫情前連五年每年去十天禁語冥想營,清晨四點打坐到晚上九點,現在每天冥想一小時。Citigroup 的 Jane Fraser 目標每晚睡七小時,祕訣是教練教的呼吸法:坐正、雙腳踩地,氣沉腹部而非停在胸口。

Novartis 的 Vas Narasimhan 把生活當成系統管理,由合作多年的教練 Scott Pelton 帶入門,也實測 Ashwagandha 這類補充品,並直說可能只是安慰劑。Pixar 共同創辦人 Ed Catmull 走長時間禁語靜修,最長兩次各一個月,他說腦中不斷講話的那部分原以為就是自己,慢下來才發現只是工具。剛卸任 IKEA 最大事業體的 Jesper Brodin 用電吉他斷線,一小時就能清空腦袋,並否定多加班就會成功的說法。Nasdaq 執行長 Adena Friedman 是韓式跆拳道黑帶,她說對打最可怕,而那正是重點:逼自己克服恐懼;對打像下棋,每個進攻都要配防守。主持人 Nicolai Tangen 自己則是早起、先做感恩、跳進全年冰冷的峽灣再進三溫暖,加二十分鐘午睡。

一句話:Gary Gulman 自述兩年半的憂鬱、住院,以及把治療過程寫成表演的經過。

Better in Person 第三集由 Stephen Dubner 訪喜劇演員 Gary Gulman。他大學讀會計,在今天的 PricewaterhouseCoopers 工作過兩年半,因為說了「他們能拿我怎樣,開除我嗎」而被開除,1993 年開始講脫口秀。他與妻子在 Comedy Cellar 後方的石板桌認識,對方正用粉筆在桌上寫黃金比例的公式;兩人 2014 年在一起,2020 年疫情期間結婚。他自述生病前每六到九個月會發作一次,每次損失三到六個月產能,因此不敢接需要一年的長期案子。最嚴重的一段是 2015 年春天到 2017 年秋天,連續兩年半,期間他照常接工作。他引精神科醫師的說法,憂鬱造成的認知狀態被稱為 faux dementia:難以形成與提取記憶,也難以取用詞彙。妻子在他無法進入臨床試驗後,自己在公寓裡種下裸蓋菇;他也提到 Michael Pollan 的《How to Change Your Mind》影響很大。

這次發作的觸發點之一,是他 2014、2015 年間完成的特輯 It's About Time——裡面把美國各州縮寫延伸的段子後來爆紅,但製作公司出錢做完後沒有人要買;同一時期他的父親過世。他住院後回到麻州母親家、睡回童年的房間,固定去哈佛廣場一家叫 Comedy Studio 的俱樂部,出院幾個月後在那裡重新上台。他把住院期間被認出的經歷寫進段子——對方問「你是 Gary Gulman,還是我瘋了?」;病房電視放 The Office 時,他提到自己試鏡過 Jim 一角,旁人回「那你上了嗎?」他在母親家牆上貼了 Beckett 的句子,把 fail better 當成當時的準則。經紀人 Brian Stern 提議把特輯與紀錄片混合,導演 Mike Bonfiglio 拉進 Judd Apatow,作品六月在布魯克林的 Roulette 拍攝、十月播出。他說過去七年沒有再中斷,期間完成三部特輯、一部個人秀與一本回憶錄。

維持狀態的做法:每天運動、正常飲食、睡眠、接案子讓自己有事做、接受邀約出門見人、按時服藥;這次能休幾個月去住院,是因為當時有保險與存款,先前有幾段時間他負擔不起治療與藥物。個人秀 Grandiloquent 在外百老匯演了約 36 場,他用番茄鐘與大量記憶術背稿。紐約氣溫高於華氏 40 度他就到戶外打籃球,高中時因為足球獎學金名額約是籃球的十倍、加上一位只學到 Bob Knight 粗暴的教練,最後拿的是足球四年獎學金。原生家庭:一家人領過食物券與社會救助,母親曾從打工的賀卡店偷卡片,家中超過一百美元的東西沒有一樣有收據;回憶錄出版後母親半年沒跟他說話。他說 Terry Bradshaw、Bruce Springsteen、Michael Phelps 公開談憂鬱,讓人明白這與成就無關,是化學性的。

一句話:用觀察找出市場還沒消化的資訊,進場在落差、出場在資訊平價。

來賓 Chris 自述不是分析師,不看技術線型也不做基本面,他的方法叫觀察式投資(observational / social arb investing):偵測世界正在發生的變化——技術、文化或消費行為——再連到會受益或受害的公司。他 2007 年用兩萬美元起家,十五、六年年化約 68%,累計獲利約八千萬美元;他說當年幾乎把獲利全數抽走,若都留著理論上約七億美元,但九位數帳戶更難操作。最差一年跌兩三成,最好一年約 300%。他拒絕用單次推薦論成敗:上次上節目他點名 Palantir、Bloom Energy(主持人說從 92 漲到 240,約 165%)與 NVIDIA,但他說隔天只要有新資訊就可能站到反方,唯一算數的是十五到二十年的稽核。他自陳高中成績在後 25%,幼稚園做的 IQ 測驗略低於平均。

骨架是資訊落差:進場在他找到市場還沒消化的資訊時,出場在「資訊平價」——當媒體、分析師、公司與其他散戶都開始講同一件事,優勢就沒了,無論賺賠都該走。Sphere 是範例:《綠野仙蹤》用 AI 重製加 4D 效果在 TikTok 爆紅,歐洲人為此飛去拉斯維加斯;他從二十幾美元進場,該股一年漲 220%,部位約六倍。十七年間他只做過八十到八十五筆高信念交易,單一標的可占總部位 5% 到 30%(選擇權 2% 到 15%),而且都邊做邊公開,讓橫跨各行各業的社群幫忙戳破論點:一句話丟出去,各州都有人跑去店裡問店員,他說這種查訪比避險基金還強。近期一筆中等信念是擠壓玩具 Nee Doh:中小學生圈爆紅、貨架掃空,製造商是麻州小公司,母公司是靠旗下二十幾家小公司股利與利息獲利的控股公司;他投入五十萬到一百萬美元,用 AI 推估旺季銷量對母公司估值的影響,估計可推升三到四成。他把自己歸在 Peter Lynch 一脈(逛賣場看哪家結帳排最長),差別是 Lynch 把觀察混進大量基本面研究,他只做觀察,因為已知資訊市場早就定價完;主持人補上 Buffett 在沙拉油醜聞時站在店裡看客人照樣掏出 American Express 的對照。

另一條線是他每五年全押一個主題。疫情期間 Logan Paul 花 35 萬美元開一箱 Pokemon 卡,他跟著花 37.5 萬美元買一箱拆成 24 包慈善拍賣,又自掏近 15 萬美元在拉斯維加斯辦 Pokemon 派對,收益全捐慈善。一個月後有人牽線,他投入約六十萬美元拿下一家 Pokemon 展會公司的少數大額股權,從德州 Frisco 小旅館會議廳的單場展開始,四年後一年二十場、七十萬人次,成為全球最大 Pokemon 展會,幾個月前賣給 Ari Emanuel(金額受 NDA 未揭露)。過程克難到自購隔間設備裝進十八輪卡車、創辦人親自開車跨城;他到今天沒買過一張 Pokemon 卡。

他目前最大的部位是 Amazon,約占投資組合五成,加上選擇權曝險可到七成;歷來最集中的一次是在 E3 看到 Wii 的排隊人潮,把 100% 部位押在 Nintendo 的 ADR 約一年。Amazon 的論點是:當 AI 效率真正落到生產力數字上,受益最大的會是同時握有雲端與資料中心、自研 AI 晶片 Trainium(他稱明年可貢獻約五百億美元營收)、全球第三大數位廣告與二十年物流網路的那一家;他還提到 Amazon 持有 Anthropic 約 15%,若以一到二兆美元 IPO,這筆獲利可能超過市場擔心的兩千多億美元 AI 資本支出。他引黑天鵝理論解釋市場為何不信:沒有先例的事,人腦要等數字出現才接受。他建議一般人另開「大錢帳戶」,用生活取捨省下的錢注資、不動退休金,二十年抓到一兩支全壘打就足以進到前 1%。下一個五年他要在 Austin 開 podcast 孵化工作室,鎖定還沒跨進 podcast 的女性創作者(他說約七成 podcaster 是男性),理由是 AI 越普及、最像人的人聲越值錢;他預期五到八年內會出現數百個價值上億美元的節目。他不收贊助、不賣課、不收社群費用,只賣成本價 T 恤;他觀察超高淨值圈的共同問題是斷連:搬進沒有鄰居的大宅、朋友得靠他買單才跟得上生活;解法之一是把錢放進基金會,錢就不再是自己的。但他強調財務自由本身好得超乎想像。

一句話:內戰不是注定,是一連串決定依序累積出來的結果。

Gary Gallagher 先拆解開戰前的順序。率先脫離的是深南方各州,南卡羅來納是核心,1860 年民主黨全國大會偏偏開在查爾斯頓;南卡先走,阿拉巴馬、密西西比、佛羅里達、喬治亞、德州跟上,七州在蒙哥馬利成立臨時政府,並定於 1861 年舉行首次全國選舉。但人口最多的八個蓄奴州都還沒動,維吉尼亞最關鍵。轉折點是查爾斯頓港的 Fort Sumter:林肯不承認脫離權,決定只補給、不增兵;戴維斯認為那是南方境內的聯邦據點,要求投降否則開火,第一槍由邦聯開出。Gallagher 強調關鍵不是那一槍,而是林肯隨後徵召民兵平叛,逼得維吉尼亞、阿肯色、田納西、北卡陸續脫離,七州變十一州。維吉尼亞的分量:里奇蒙一城就佔邦聯四成工業產能,該州白人與奴隸人口都最多(1860 年約 49 萬,喬治亞等四州也逾 40 萬),送進邦聯軍的人數最多,並提供 Lee、Jackson、Jeb Stuart 等將領,首都因此從蒙哥馬利遷到里奇蒙。而該州的脫離會議先前兩度否決,是 Fort Sumter 之後才翻盤。

他因此反對「內戰不可避免」,稱之為從結局回頭挑因素的「阿波馬托克斯症候群」。1859 年多數人只是過日子,科羅拉多淘金熱與鐵路、電報才是話題,沒人知道自己活在戰前。至於死了 70 多萬人還打得下去,他認為代表雙方都認真:邦聯損失全人口的 4 到 5%,高於一次大戰的英、法、德、俄任一國,適齡白人男性死了超過三成,換算成今天約等於 1800 萬美國人;美國在內戰損失約 1.8% 人口,二戰只有 0.3%。逃兵確實有,邦聯約 15%、聯邦約 12%,但若讓南方白人選擇「戰爭繼續」或「回聯邦且沒有奴隸制」,多數仍選前者。

戰後的寬大條件不是格蘭特臨時起意:他事前與林肯會面(謝爾曼在場),林肯要的是把國家拼回去——簽假釋、接受奴隸制終結與回歸聯邦就回家,不監禁、不處決領導人。Gallagher 區分 reunion 與 reconciliation:重新合體做到了,真正的和解幾十年內都沒發生。他強調沒人能控制大戰釋放的東西:1860 年聯邦預算 6300 萬美元,1865 年變成 12 億,加上邦聯超過 20 億,等於 1860 年的全年支出在 1865 年只夠花 11 天;贈地大學的立法與第十三、十四、十五修正案,都不在任何人 1861 年的預想裡。

一句話:Codex 的代理能力併進 ChatGPT,OpenAI 要通吃所有工作場景。

Akshay Nathan 2023 年加入 OpenAI 時公司約 500 人,現在帶的團隊叫 productivity(生產力),而不是叫企業版或工作版,因為個人生活裡的雜事同樣算。他早年做低程式碼創業、後來在 Airtable,主軸都是把寫程式的能力帶給不會寫程式的人,他說 LLM 才補上缺的那塊技術。做 ChatGPT Enterprise 時學到的教訓是企業端沒有一體適用解法:客戶成立了預算龐大的 AI 導入團隊,問他們興奮什麼,答案都停在「我們有很多資料」,一問具體用例就發散,產品端得主動把用例帶到使用者面前。ChatGPT Work 的直接起點是內部觀察:Codex 在 OpenAI 內部被策略財務、行銷這些非工程職大量使用,而且那些人「以自己在用 Codex 為榮」,像拿到超能力。這讓團隊判斷代理能力不是只對開發者有價值,於是有了他們稱為「合併」的 super app 路線,同一天也把瀏覽器產品下架。

技術上,Codex 與 ChatGPT Work 共用同一套 harness,這次為知識工作在 plugins、computer use、artifacts 上做了強化,兩邊都吃得到;差別只在 UX 取捨與沙箱預設值——Codex 模式會把 git diff、檔案編輯攤開給你看,Work 模式不會。原本的 ChatGPT 對話 harness 仍在,開新 chat 就是舊的那套,它針對延遲與個性優化;而模型會做路由判斷,偵測到你要做試算表就把你推去 Work 模式。現場實測拿「做一份退休試算表」同時跑兩邊,Work 約 8 分鐘出結果,產出的東西看起來像 Excel、直接編輯 Excel 檔,Codex 那邊還在跑。模型選項一度多達 32 種,他的建議是用預設就好,滑桿的設計是把多個維度投影成單一軸(速度效率 vs 品質完整度)。Ultra 這種多代理模式發表後被改成要手動開啟、藏進進階設定,因為那是給知道會發生什麼事的重度使用者,且會多吃用量額度。

Artifacts 之外,這次的另一個重點是 Sites。主持人 Sean 的案例:他把桌遊 Strata 拍了 30 張照片丟進去,燒掉 17 億 tokens,產出一個含 3D 積木擺放、可實際遊玩的網站,再拿它做 AI 自我對弈、調超參數、生成研究面板;另一位主持人用不同模式花 18 分 53 秒做出類似版本。Akshay 說內部也在發生同樣轉移:公司財務團隊的月報從投影片與試算表改成 site,連這次那條模型滑桿的設計本身,都是設計、工程、產品三方在一個 site 上迭代出來的,理由是 site 就是 HTML,彈性沒有上限。他也承認產出又長又雜、協作能力還沒到位。績效 review 是他舉的能力躍升例證:六個月前試過完全沒用,這次模型能從 code、review、Slack 裡撈出他自己都沒看到的貢獻;但他劃出界線,只用來蒐集脈絡,不會讓 AI 直接產出當成給人的評語。記憶方面,ChatGPT Work 預設繼承 ChatGPT 的記憶系統並可回寫,Chronicle 則是從電腦使用行為額外汲取記憶的實驗功能,預設關閉。

談第三方資料串接,他主張多數 Work 用例本來就不需要即時回答,而是交派任務、允許花時間,加上程式化工具呼叫與子代理平行處理,天花板已被拉高。他和太太曾用 OpenClaw 管家中排程,後來跑它的筆電掛掉就沒再撿回來;團隊有成員把健身與飲食追蹤從 OpenClaw 換到 ChatGPT Work,因為排程任務、檔案系統、跨 session 保留的環境這些基本元件都有,但他不認為會取代 OpenClaw。發表後的數字是 1000 萬使用者,對照 ChatGPT 數億使用者只是起點,Work 目前只對付費用戶開放且不預設開啟。他也提到一個安全隱憂:當你把 AI 的答案轉貼給同事,你其實變成了權限層,對方可能看到不該看到的東西。談團隊,他認為瓶頸已經變成點子與品味,職能界線在模糊,每個人會是 T 型;生產力難以衡量,commits、行數、story points 這些代理指標在 AI 之後失效,按讚倒讚也分不清使用者是在評內容、語氣還是目標達成;他給管理者的提醒是別把 motion 當成 progress。

一句話:Transformer 不會持續學習,兩位前沿研究者開新實驗室找替代架構。

Jerry Tworek(前 OpenAI VP,帶過 strawberry 與推理團隊)與 Rohan Anil(Gemini 四位預訓練負責人之一,先前在 Google Brain、Anthropic)創辦 Core Automation。Jerry 的判斷是:業界已掌握兩個算法——大規模預訓練與大規模強化學習,現在的瓶頸是架構本身;過去六年就是不斷替 MoE 與 attention 這兩種相同運算加參數。他 2024 年時認為 2025 年就會到 AGI,結果模型一代一代變好、benchmark 分數一路漲,真實世界任務卻沒被解決。原因是訓練任務與評測任務是同一枚硬幣的兩面,真實世界的分布更雜亂;訓練模型的人普遍抱怨沒有夠難的任務可訓練。他的結論是模型必須在測試時、在使用者的資料上學習,而現有兩條路都不夠:in-context learning 資料效率高、沒有災難性遺忘,但容量太小(他用 Codex 大約 20 分鐘就得壓縮上下文);持續微調則有災難性遺忘與資料效率低的問題。他也提醒 Transformer 的關鍵在經濟性:訓練成本低於它產生的營收,LSTM 撐不起這種回收。

Rohan 從計算與最佳化切入:目前訓練的 Transformer 大多只有約 100 層,計算深度不足;RL 的思維鏈等於用「一次多產一個 token」換深度,受限於層數乘序列長度,推論端只好用 speculative decoding 這類補丁。他 2016 年在 Google 做過大規模線性求解器 Sybil,後來 Vinit Gupta 拿著白板上的想法找他,做出 Shampoo 最佳化器,用在 Gemini 1.5 Flash,約帶來兩倍改善,社群後來才出現 SOAP 等後續。他主張最佳化器與架構是一體兩面,預訓練只盯 perplexity 是錯的度量——Jerry 一做 RL 就把那些指標打爛,要把預訓練與 RL 端到端一起最佳化,一個數量級的改善會從那裡來。問到能否追上生物學習效率,他說以現有硬體不太可能,除非走類比電路並解決錯誤修正。

為什麼不留在大廠做?Jerry 說最成功的實驗室正處在史上最激烈的競爭裡,沒有動力試 Transformer 以外的路,上週的發表每一家都在推 coding agent。六個月路線圖是把 kernel 生成自動化:他們與 GPU mode 合辦 QR 分解的 kernel 競賽,在 B200 節點上直接用 cuSolver 只有基本效率,最高品味的人類加搜尋迴圈約 7 倍,而 60 倍的解法動用了全世界大概只有三個人具備的能力、四週時間與約十萬美元的 coding agent 用量,現有模型完全解不出來。Jerry 給的 AGI 定義是:模型能在沒有人類介入下自我改進;目前人加 LLM 的組合很有效,LLM 單獨運作則完全不行。自評方式是看模型有沒有讓自家研究員每天的工作變好,兩人開玩笑說要一路延長團隊休假。