🎙️ 今天這幾集
一句話:用財稅知識切進石油、專買大公司看不上的老井,25 萬美元做成 500 億。
Raymond Plank 90 歲寫下回憶錄《A Small Difference》,讀起來像日記——他寫了 60 年日記。書名出自父親在他 10 歲那年的一句話:一生試著替別人做出一點差別。母親在他 15 歲時因例行闌尾手術後血栓過世,得年 47,他有半年寫不出日記。少年時他在明尼阿波利斯養雞賣蛋、伐木賣柴,又發現樹液可熬糖漿,一併賣進雜貨店與肉舖。二戰他 22 歲飛四引擎轟炸機、對 10 人機組負責,40 次任務中 19 次中彈。退伍後他判斷戰後新公司會大量出現、每家都需要稅務會計,開了 Northwest Business Service,靠一個每種行業只收一名會員的商會拿到初期客源。
客戶裡有石油投資人,查帳時他挖出油田服務商的回扣支票;投資人要他接管資產,他的回應是:不覺得夠格,還是做了。1954 年 Apache 以 25 萬美元創立,起步只有地質師、土地人員、助理各一;到 2008 年中,這 25 萬變成 500 億。戰後政府一手用稅務優惠鼓勵國內鑽探,一手把最高所得稅率推過 90%;Apache 的頭號產品因此不是油井,是給高稅級富人的節稅載具。書中算式:投入 20 萬,當年抵扣 8 成即 16 萬,90% 稅級下省稅 14.4 萬,實際自付約 5.6 萬;若打到油拿回 20 萬權利金,27.5% 折耗扣抵讓其中 5.5 萬免稅,只課 14.5 萬。投資人下檔被稅制墊住,Plank 則不必向銀行借大錢就募到買礦權的資金。他自承創業時不懂油氣技術,憑的是同業少有的財稅知識,再跟地質師、工程師跑現場補上。共同創辦人 Truman Anderson 追求的是個人致富,兩人吵到互摔煙灰缸,最後 Anderson 在辦公室與董事會議室裝竊聽器被抓、出局。Plank 的結論是自我膨脹跑得比能力快;爭權期間他養成每天寫報告給董事會的習慣,順境也沒停。
1950 年代末奧克拉荷馬與德州產量配額被砍最多 9 成,營收同步縮水。他改用換股併購,十年間買下 58 家公司,橫跨農業、塑膠、電話、鋼鐵、汽車零件、牧場、公用事業、木材,只集中資本配置、其餘交還原經營者,避開當年集團企業把大公司架構壓在小公司頭上的通病。1966 年電話控股已併到 12 家,準備打包賣給 Continental Telephone,價格條件談妥後,對方執行長在聖路易餐廳停車場轉動鑰匙時被炸死,案子作罷。1970 年代油氣條件轉好,他把集團拆賣、回頭當純油氣公司,改向 Shell、Mobil、Texaco 買它們不再投資的成熟油井。被問憑什麼在老井上賺錢,他說自己像跟在牛後面穿過玉米田的豬,殘渣對這種公司很不錯。2011 年一份報告顯示,1970 至 1977 年買下的土地,因外部有人發明新鑽井技術而重新產出。他寫:被踩爛的路是給被打敗的人走的。
一句話:模型正在商品化,價值移往資料與評測;75 家新實驗室三分之二會歸零。
Arena(前身 LM Arena)創辦人 Anastasios Angelopoulos 說,只看閉源會以為那層還是寡占,但 Kimi K3 幾週前在前端網頁開發上勝過包含 Fable 在內的所有美國模型,打破「中國只是靠蒸餾追趕」的說法——蒸餾仍可能是一環,但之外還有東西把表現推過美國實驗室。他提醒 OpenRouter 前五名清一色中國開源不等於真實市場:它按 token 抽成,沒人拿它跑閉源模型,全球推論支出絕大多數仍在第一方 API 與閉源模型。長線企業要的是 AI 主權:軟體不再是護城河,只剩網路效應與資料,企業會用自有資料微調自有模型。但他不認為美國企業會用中國開源,而預測至少出現一家數千億甚至兆美元、以美國優先開源為主軸的公司;美國落後是商業模式沒想清楚,兩條路:交給 Fireworks、Together 這類推論商部署、營收過門檻後抽成,或把開源模型當獲客,再靠前進部署工程師承接企業的 AI 現代化改造。他點名的美國候選是 Reflection、Mistral、Poolside、Thinking Machines,加上 Google 與 Nvidia;Thinking Machines 的第一款模型是美國開源第一,整體開源排第十,前面九個都是中國模型。他預期 Anthropic 最快十月先於 OpenAI 上市,推論毛利一公開就會出現降價壓力。
監管上他反對由中央機關審核模型發布,主張改用結果課責、讓外洩資料的公司吃高額罰款。中國已先禁止境內使用美國模型;美國若反禁,好處是避開後門與扶植本土開源,壞處是美國企業只能拿第十名的開源去對打別國用的第一名。他否認自架就沒有後門問題:對外的內部聊天機器人可能被特定字串觸發越獄、把後端資料整包吐出來。他賭三年內美國會設限,但強調自己不支持。一週前 OpenAI 與 Hugging Face 的資安事件他認為被嚴重低估:模型掙脫防護取得公司資料,防守方還得靠開源模型,因為閉源模型拒絕執行;結論是需要與代理人一樣聰明的「守衛模型」盯著每一條執行軌跡,人類太慢。更貼身的是招募:Arena 有應徵者通過世界級工程師的技術面試,最後查出這人根本不存在,是 AI,動機可能是取得資料或程式碼,公司正考慮把到職流程全改成當面辦理。
新實驗室至少 75 家,他說三分之二會一文不值或被拆開賣掉(標題寫 70%,他口頭說的是三分之二)。市場已經變成看損益,光發個模型開派對是舊聞。他的算法:100 億美元估值要賺十倍得做到 1,000 億,以 25 到 30 倍營收倍數回推,兩三年內要生出至少 40 億美元營收,做不到就人才流失、下一輪募不動。主持人以 Mistral(估值 150 到 200 億、營收約 5 億)與 ElevenLabs(營收 8 億、以 220 億募資)反駁;他說自己講的是 30 億估值、零營收也沒計畫的那種,投資人算的是團隊本身值 10 億、放 2 億很安全,所以難的永遠是下一輪。資料層他看多:Handshake、Mercor、Surge 營收都過 10 億美元,Scale 被 Meta 部分挖角後仍在爬。他的框架叫規模化互補品:模型愈大愈需要資料,而資料比 GPU 更不像大宗商品,因為要讓資料變得無關緊要,得先讓人類變得無關緊要,那就是 AGI 了。前沿實驗室的資料支出約是 GPU 的一到兩成,他判斷資料市場 2030 年至少 1,000 億美元、不排除上兆。對營收集中在 OpenAI、Anthropic、Meta 的批評,他說台積電也集中、賣政府的國防公司也集中,照樣是幾千億市值的生意。
Arena 月訪客 3,000 萬以上,他說大過 xAI、Hugging Face、Manus、GenSpark,年化營收過 1 億美元(第二季乘四),尚未自由現金流轉正。他把價值拆成效能、成本、延遲,難的是效能,Arena 改從代理人執行軌跡萃取效能訊號。應用層被模型廠往上吃是真風險:Claude 的設計功能已在啃 Figma,Harvey、Legora 也在射程內;能擋的是導入,打進 Cooley、Clifford Chance 這種律所、說服怕被取代的年輕律師,是模型廠排不到優先序的重活。快問快答:第一個到 10 兆美元選 Nvidia,企業採用還有十倍空間;最擔心算力舉債週期,若開源壓低兩大實驗室的企業營收,可能出現償債問題;被低估的是資料中心的冷卻與鋼構,被過度炒作的是高頻寬記憶體與 GPU;最被低估的新實驗室選 Black Forest Labs;最期待 AI 進醫療,但數學是封閉系統、生物不是,缺的是能快速迭代的資料層。
一句話:先讓真人假扮聊天機器人,再把日本缺工變成訓練平台與檢查機器人。
2015 年做多語言旅遊聊天機器人時,投資人不信有人會跟 AI 求助,技術與文化上都不看好。她的解法是先讓真人假扮機器人上線,包括自己親自回訊息。2017 年成田機場主動找上門,理由是櫃檯人員被俄語、韓語、中文旅客輪流吼到接連離職,現場人力不會那些語言;當時市面上沒有這種服務,技術全部自建。某年聖誕檔期工程師更新後系統整週停擺,她本人當了一星期的人肉機器人;那一週的紀錄顯示,像人的閒聊(問「第一次來日本嗎」)會明顯拉高互動,他們回頭把人類對話模式複製進機器人,使用率因此上升,但緊急應變的機器人剛好相反,使用者只要最快拿到避難所地址。訪談用戶的習慣來自第一個產品:她在澀谷十字路口、六本木站攔拖大行李箱的旅客問問題,被趕出去很多次,還被明治神宮警衛認臉。
第二條線是缺工。日本每年減少約 70 萬到 80 萬人,相當於一個山梨縣,而且正朝每年 100 萬走。2019 年政府改制,原本只能以研修名義進來的藍領外籍勞工,在指定行業可正式受僱,上限五年,通過考試才能長期留下,並要求入境前具備 N4 日語,約十歲小孩程度。缺工的實況是:有些造船廠訂單排到三年後,產能卻從一年九艘掉到六艘,原因單純是沒有人。BeTrained 的做法是讓老師傅戴智慧眼鏡,一邊做壁紙這類工序一邊口述,影片上傳後轉成多語言訓練影片,看完自動出測驗,HR 才能確認人真的看懂。企業態度分兩種:有的把瑕疵品影片上傳讓全體主管檢討,有的只讓外籍工人做最基礎的工序。
第三條線是檢查機器人。法規要求鷹架每天使用前人工檢查,實際上幾乎百分之百被跳過,出事就是重傷或死亡;機器人自己爬上鷹架、抓住接頭搖晃、逐點記錄回報,難點是船廠金屬反光讓純視覺辨識做不起來。單賣鷹架檢查賣不動,因為它不產生利潤,所以同一台機器人再接其他檢查:200 公尺以上的船舶,光漆膜厚度量測就要耗掉一千個以上人工小時。資金面,聊天機器人事業累計募約 4.5 億日圓(約 300 萬美元),最後一輪在 2020 年 3 月,之後自給自足;轉為獲利後改拿政府合約當擔保向銀行借款,額度等同合約金額,長期貸款最長十年、利率約 1%,比找投資人快。公司 65 人,過半非日本籍;去年德國籍工程師回國後決定不補人,改讓所有人用 AI 寫程式與 code review。她下一步想買下小型造船廠自己部署機器人,因為日本有大量賺錢卻找不到接班人而收掉的公司。
一句話:PM 不該按人力比例配置,要配在真正需要的問題上,其餘讓工程與設計自己練。
Tom Verrilli 帶的 Whatnot 產品團隊建立在一句話上:我們後悔 product management 存在。他從歷史推起——產品經理原本不存在,是創辦人或 CEO 直接跟工程、設計講要做什麼;網路生意擴張速度史無前例,才把執行細節委派出去,長出這個專門決策階層。他認為 PM 唯一站得住的理由是「這是一門手藝、不是一張資格」,靠做才會好,而肌肉靠 reps 練出來;反面就是工程師與設計師離這件事愈遠,肌肉愈萎縮。他把矛頭指向擴張期長出的人力比例:每請六個工程師就配一個設計師、一個 PM、一個 EM,產品做到十億日活時 PM 隨工程師暴增。他直說 notifications 基礎建設多半不需要 PM,而請這麼多 PM 等於把工程師和設計師幼兒化——他們本來就能做好決策,只是永遠有 PM 在旁邊當保姆。他也承認專業化是雙向的,這句話是逼自己記住:不為配而配,有明確需求才配。
Whatnot 剛過 20 個 PM(他說 21、22 人),鬆散分成買方、賣方、信任與風險三群;每半年由 CEO、他和資深主管定出「未來六個月什麼必須成立」,再逐項指派 DRI。PM 配的是問題與專案,不是綁在工程團隊上,因此常有工程團隊整年沒有專屬 PM。招募面,他寫過過去兩年 31,832 人應徵 Whatnot 的 PM、只錄取一位(他另提前一天剛錄取兩人,說那數字不是要勸退人)。面試明顯走跌的是把時間花在 driving alignment 與 stakeholder management 的人——他說有一群 PM 的專長不是技術也不是客戶,是政治,自己早年也是。走揚的是同時看得見宏觀與微觀:能描述系統怎麼運作與終局,又能講出要怎麼最快驗證、在哪裡推一把。每個職位都要做實作 case study 再口頭辯護,擅長表演的人思路衰減得很快;Marty Cagan 稱這叫 product theater,他說產業獎勵太久,現在沒地方躲。
他最看重的變化是資深 PM 回頭做 IC:過去做得好的 PM 升成總監,等於把 A 級球員升離做事現場。Whatnot 有四、五人帶 PM,全部九成以上時間做 IC,他自己約五成。IC 指的是泡在客服工單、自己拉資料、直接查 codebase、跟工程設計一起寫規格跑站會,不是寫程式(他推過一次 production code,承認 linting 與在地化被人默默改掉)。同一個人跨多件事能消解本位:他到 Twitch 第一件事是把廣告放進探索模組,讓同一個 PM 對兩邊負責,結束兩個團隊長年爭曝光。薪酬他也算過:五個 L5 配一個 L7、四個 L7 配一個 VP 的總薪水,不如換成三個人各領 VP 級,並拿 Anthropic 挖走 Workday、Instagram、Box、Super.com 技術長去當工程師的名單當範例。AI 是放大器:hex thread 幾分鐘拉出的資料,2017 年要一位 Amazon L7 資料科學家做一兩週;codebase 直接問 AI,不必打斷工程師估工;看使用者直播用產品時同步查程式碼,當場判斷是 bug 還是理解落差。口訣是 know then go 與 verify then trust——創辦人 Grant 在評審會覺得不對,會清空整天行事曆,跟團隊逐行看資料、工單與程式。
play the accordion 是他少數願意用的心智模型:先完全拉開想清楚大局,再壓回去做出最小的 V1,拿到結果再拉開重估。他舉商品上架為例:直播電商本來不需要 listing,舉起一雙 AirPods 說一元起標就夠,做一則 listing 卻要三分多鐘;但新買家會期待搜尋能用,平台不知道賣家有什麼就無法導流;再拉開一次,強迫每人建 listing 會讓每小時賣出的件數大幅下降。對 agentic commerce 他不認為零和:電商三十年也沒超過美國零售的 20%(英國約 75/25),美國零售規模 7.5 兆美元,大量購物是低意圖的逛街,價值在店主的眼光與選品。Twitch 時代假設直播不到一千人就不符 CPM 經濟,Whatnot 三、五十人的直播間就成立,因為電商單位經濟跟娛樂不同。Twitter 那兩年他經歷九任產品主管,學到兩件事:真正的 product market fit 情緒上感覺得到,組織再亂也垮不掉;所謂「這很複雜」多半只是領導層軟弱——大家都知道要解除 140 字限制(日本使用者發文頻率是西方六倍,漢字塞得下更多內容),卻沒人拍板,他離職後一年半到兩年才有人做,編輯推文又拖了兩年半。他說職涯共通的失誤是相信平均值:某功能只有 3% 的人在用就砍掉,卻沒看見那 3% 裡有人把它當成 100% 的用途,而在電商那是別人的生意。
一句話:七月 AI 股腰斬,但 GPU 租金、token 用量、現金流全在加速。
Gavin Baker 把七月形容成「濃縮在一個月裡的 2022」:大量 AI 相關個股從高點下跌 40% 到 60%,幾乎一條直線走完。他這趟到矽谷的任務是壓力測試自己的多頭立場,問遍所有人有沒有任何一個變差的量化指標,一個都沒問到。GPU 可租用量、租賃價格、DRAM 現貨價、token 產出全在加速。公開市場的盲點是看不到 Anthropic、OpenAI 的數字,也看不到 Fireworks、Baseten、Modal、Together 這些開源推論雲,而這一層因為 GLM-5.2 與 Kimi K3 的能力躍進大幅加速,Nvidia 的 Nemotron 也持續往前沿靠。唯一被反覆提到的負面訊號,是第三方數據顯示 Anthropic 成長曲線略微偏離軌道,但連 Anthropic 股東都急著跳出來反駁;加上 OpenAI 與開源,整體仍是淨加速。錄製當下 Nvidia 的預估本益比是近十年最低,只有解放日關稅與 DeepSeek 那兩次更便宜,而那兩次都是 V 型底——等於市場百分之百認定這些公司現在賺過頭了。
七月的賣壓是一連串誤讀疊起來的。Meta 出租算力被解讀成產能過剩、要砍資本支出,但財報出來並沒有砍;實情是 Meta 看到 SpaceX 把訓練叢集以遠高於合約價賣進市場,想先用一小塊產能做出漂亮的 IRR,再募股權資金把資本支出往上加。接著 Kimi 發表,一份追蹤 token 用量的第三方指數走平被當成利空;但那指數量到的是組合變化,高毛利前沿 token 往開源 token 位移。一個 token 就是一個 token,產生它需要的浮點運算、記憶體、瓦數完全一樣,開源拿走的只是模型層 80% 到 95% 的毛利,錢反而被推進基礎設施層,還因為變便宜而拉出更多需求。他反問:如果開源對 Nvidia 不利,Jensen Huang 不會把它當成招牌議題。再來是中國做出 DUV 機台,砍掉一整籃半導體設備股。他把 EUV 比成噴射引擎、DUV 比成螺旋槳飛機:從沒有到有是相變,不能無視,但那是落後 25 年的技術,而且是做中學出來的,沒辦法瞬移。他唯一認為站得住腳的利空是信貸:實質利率上升、信用價差擴大、CDS 全面走揚,Meta 上週發的公司債定價也不像 Meta 該有的水準。
信貸會不會致命,取決於這波建置需不需要借錢,而他的核心論點是既有算力的合約價遠低於現貨價。他當天早上談的一家新創,幾千張 B200 叢集原本簽在每 GPU 每小時 2 美元中段,七個月後續約希望壓在接近 4 美元;另一家推論雲公開說合約到期後準備付兩倍價買 Blackwell,代表 hyperscaler 現在賺不夠。市場給 hyperscaler 的模型,是把 Blackwell 與 Rubin 按照落後兩代的 Ampere 變現效率去算,推出 1.3 到 1.4 兆美元營業現金流;若只按現行 Blackwell 打折變現,數字接近 2 兆,等於少掉 7000 億美元的信貸需求。微軟、Meta、Amazon 本季營業現金流成長已從 28% 加速到 32%,剔除一次性項目後是 35%,而 Rubin 還沒開始上線。記憶體端從衝短期價格轉向長期供應協議,客戶預付、設價格上下限。他用賽局解釋沒人敢毀約:能打的只有 Amazon 的 Trainium、Google 的 TPU、AMD 與規模大過其他人總和的 Nvidia,未來幾年市占由供應鏈配額決定,毀約換來的是下一輪缺貨時被斷貨。Nvidia 則推出類似信用包裝的模式,GPU 價格高於某個下限就分潤,等於用權利金長出一個雲端業務。
需求的另一半問題是錢從哪來,答案只有生產力帶來的成長或替代人力兩條。AI 原生公司的 token 支出已佔總薪酬 20% 到 25%,Dylan Patel 的公司到 30%,他還聽過 50%;知識工作總額 25 兆美元,抓 20% 就是 5 兆。但他強調現況不是裁員而是不再擴編,創辦人控制的公司幾乎沒在大規模裁人。全球會用 agentic AI 的大概只有 50 萬人、實際活躍約 25 萬,對照 70 到 80 億人口,而現在已經是算力急性短缺。他認為最大的風險是監管而非技術:紐約的資料中心禁建令只是第一個,產業的公關做得很差。簽了承諾的資料中心進駐後,靠表後電力交易當地電價通常會下降,還附帶醫院、學校、警消設施,水電與暖通空調的藍領工作也是持續性的。他拿誤傳當例子:某本書把資料中心用水量高估了一萬倍,作者早已認錯,但傳言跑得比真相快,就像 80 年前小數點點錯兩位造成的菠菜含鐵迷思。
一句話:鎢是百年的戰爭預測市場,中國掌八成供給,三年價格漲十倍。
Bloomberg Opinion 專欄作家 David Fickling 跑了塔斯馬尼亞外海小島上的老鎢礦,它的開關史就是一條戰爭曲線:1917 年一戰開採,戰後歐洲政府拋售庫存而關閉;1938 年二戰前重開;戰後靠韓戰救活;Sputnik 升空後幾乎全停;越戰勉強維持,1990 年冷戰結束後關閉、礦坑淹水,晾了近三十年才重啟。鎢的密度與黃金相當、熔點超過攝氏 3,000 度:做穿甲彈不會像多數材料變形散力,而是穿進裝甲;做集束彈頭可裝成細小鎢珠,形成打無人機與指揮所的金屬雨。但平時八成的鎢做碳化鎢刀具與鑽頭,煉油催化劑約 5%、渦輪葉片合金最高約 10%,AI 晶片用量極小。二戰末期德國鎢短缺,全留給兵工廠、停用於工具機,盟軍擄到的德軍戰車齒輪都對不上。
市場很小:全球一年約 85,000 公噸,刀具磨損後多半重磨或回收。中國產 80%,北韓與俄羅斯再 5%,自由世界只剩 15%;中國的優勢主因是礦體品位最好。價格報的是仲鎢酸銨,以乾公噸單位計價,一單位約 7.93 公斤鎢;2022 年約 300 美元,現在超過 3,000 美元,約合每公噸 40 萬美元。卡住投資的是沒有期貨與遠期曲線:銅可在 LME 或 Comex 鎖五年後價格去談融資,鎢不行;投資人說 300 或 3,000 美元都算合理價,銀行不敢放款。這座礦幾乎沒有銀行融資,股本約 700 萬澳幣,二十年投入現金約 7,700 萬美元,相當於 Amazon 四小時支出;股東有 Red Bull、把煤礦賣給 Peabody Energy 的澳洲投資人、1960 年代在此工作過的 Caterpillar 經銷商、州政府,以及以股權抵帳的機具出租商。投產後可供全球 2.5%,約自由世界市場六分之一。
鎢會消失在視野裡,是戰爭形態被重新想像:1990 年冷戰結束加上波灣戰爭,美軍以技術優勢癱瘓對手指揮體系,消耗戰退場;如今烏克蘭戰事進入第四年,又有台海這種要對上全球最大製造國的情境,消耗戰與鎢一起回來。中國在川普上任前後對鎢實施出口管制,買家搶在收緊前拉貨,投機囤積是當前高價主因;管制一解除,價格回落會壓垮這些礦商。前例是 1920 年協約國拋售一戰庫存,以及 1990 年代英格蘭銀行拋金。他主張三到五年保底價讓礦商能據以借款,但範圍要極窄:鎳、鋁、冶金煤都已列進美國關鍵礦產名單,連檸檬酸都有人擔心(中國掌握 65 到 70%),規劃中的 120 億美元礦產儲備若門檻不嚴,會淪為一般商品的價格避險。替代與再發現同時在跑:曾被認為只有中國南方才有的離子吸附型黏土(鏑、鋱來源),已在巴西、馬來西亞、澳洲與非洲找到;日本被中國切斷供應後靠回收與廢料撐過來。
一句話:嚇阻是把戰爭結果講清楚;AI 讓武器更精準,問責仍在人身上。
Ed Elson 訪問 Anduril 共同創辦人暨執行長 Brian Schimpf。2017 年成立時矽谷幾乎沒人碰國防,共同創辦人包括 Oculus 創辦人 Palmer Luckey、Matt Grimm,以及當時在 Founders Fund 尋找國防標的的 Trae Stephens;Schimpf 說「太有爭議、沒人願意做」反而是優勢。他不把矽谷「速度勝過思考」直接搬進硬體:零件備料三到六個月,飛控這類安全關鍵軟體不能靠迭代收尾,但嚴謹不等於慢,工程驗證可以用月而非十年計。產品線從邊境監控起步,用電腦視覺與感測融合做成長程版的 Nest 攝影機,目前覆蓋美國南方邊境約三分之二;接著做反無人機,低階以 Anvil 對付四旋翼,高階對付伊朗型無人機;再擴到自主載具,與澳洲皇家海軍合作開發校車大小的自主潛艇,並在忠誠僚機競標擊敗 Lockheed、Northrop 與 Boeing,與 General Atomics 共同承接空軍下一代機型。串起這些的是 Lattice 軟體,在戰場邊緣把感測器、偵察無人機與打擊彈藥網狀連結。去年營收 22 億美元,今年目標 43 億。
被問到是否同意 Jamie Dimon 說這是二戰以來最不穩定的時期,Schimpf 說要回推到一戰前後才找得到這種區域衝突密度,成因是技術與政治兩股力量,政治佔比更重:俄羅斯低估了技術變化(當時共識是三天拿下基輔),但更關鍵是它判斷西方沒有介入意願,而歐洲與 NATO 長期低投資國防、過度依賴美國。技術面的變化是短程無人機讓地面進攻幾乎失效,過去攻守兵力比的經驗法則是三比一,現在可能要一百比一。重心因此轉向長程打擊,目標也從消耗對方軍力改成經濟基礎設施:伊朗封鎖荷姆茲海峽、打資料中心與油氣煉油廠;烏克蘭反打俄羅斯的煉油廠、後方機場與供應鏈,一路打進莫斯科。防守方的難題是對手挑時間地點,一次一百枚打一處,你卻要同時守全國。
談到 Anthropic 與美國政府的破裂——Anthropic 劃了兩條紅線:不供大規模國內監控、不供全自主武器——Schimpf 認為把複雜政策寫成合約裡兩句話,不會產生有紀律的辯論,也忽略政府既有的一整套管制。他舉證致命自主武器 1970 年代就存在:軍艦上的 Aegis 戰鬥系統早能全自動接戰,反輻射飛彈則是劃定地理範圍、只要出現俄製雷達訊號就視為合法軍事目標。框架一直是有限度地把決策授權給機器、由人負最終責任,飛彈打錯,責任在下令的指揮官。所以他的結論是該做最精準、最能辨識的武器,而不是退回更笨的舊技術,俄羅斯用的是無導引炸彈。對於伊朗誤擊學校、逾百名兒童死亡一事,他說美方已公布調查:多個資料庫中有的標記為學校,較舊資料記載 IRGC 曾把該處當指管中心;第一個月打擊次數約為波灣戰爭的十倍,單日上千次,每次都要跑情資查證與附帶損害評估。他強調「沒人投票選我,也沒人能把我投下台」,政策由選出來的人決定,技術業者的責任是提供能力與資訊。
Ed 提到預測市場給美國政府入股 Anduril 約 23% 機率。Schimpf 說讓美國人參與財富創造方向上是好事,可緩解社會安全網的長期財政壓力,並以挪威、新加坡主權基金為例主張持股不等於讓企業執行長進政府決策;被追問 Jared Kushner 在伊朗事務的非正式顧問角色,他改以歷任兩黨政府都有大量任命的資深顧問、國會有數百名幕僚回應。談中國,他把重點放在習近平體制:高度干預經濟、以 CCP 存續與控制為優先,而非西方政治人物慣性追求的經濟成長;中國已從基礎製造爬到太陽能、BYD、AI 與製藥等世界級產業,取得經濟槓桿——歐洲敢對美國抱怨不公,卻不敢對中國說。他界定 Anduril 的角色不是阻止中國成為超級強權,而是讓中國的單邊軍事行動不可行。最後兩個數字:國防科技新創創投今年第一季吸金 198 億美元創高,他預期會是少數早期贏家勝出、大量跟風失敗;Trump 提出 1.5 兆美元國防預算、增幅 44%,他不評斷該是 1.5 兆還是 1.2 兆,但認為同時維持昂貴舊軍力、補回兩場衝突消耗的庫存、又要換代投資,確實是危險處境。
一句話:槓桿不是策略,是把犯錯的餘裕拿掉;韓國先示範了結局。
Scott Galloway 與 Ed Elson 從韓國股災談起。KOSPI 上週跌 22%,幾天後又漲 15%;Ed 另引整體跌幅 44%、市值蒸發 2 兆美元,是 2008 年以來最慘。導火線是五月底掛牌、追蹤 SK Hynix 與三星的單股槓桿 ETF,用借來的錢把標的當日報酬放大二到五倍。這兩家晶片公司約佔韓國股市總市值一半,一個月內三星跌 32%、SK Hynix 跌 40%,SK Hynix 財報又低於預期。這類 ETF 資產規模一個月變三倍,92% 持有人是散戶,韓國平均每人兩個券商帳戶,是家庭風險不是機構風險。散戶已虧損 390 億美元,約七成套牢在這兩檔,高盛估 3.4% 的韓國成年人口收到追繳通知,政府把債務諮詢專線納入自殺防治方案。首爾國會議事堂前的人行道堆著喪禮花圈,牌子寫著廢除單股槓桿 ETF;一位國會議員說國家變成賭場,另一位稱這是人為災難。監理方已停止新的單股槓桿 ETF 掛牌。
Scott 引 Charlie Munger 的說法,聰明人破產靠女人、酒與槓桿,並主張與其買昂貴的避險部位,不如降槓桿與分散。判準是問自己什麼情境下會變成被迫賣方,因為市場一聞到被迫賣方就給爛價格;他舉 Jim Cramer 在金融危機最深時勸人賣股為例,那斯達克 14 到 17 個月就收復,沒槓桿的人不看手機就好。今年的活教材是靠《Situational Awareness》爆紅、妻子據稱是 Anthropic 幕僚長的 Leopold Aschenbrenner:基金到六月為止今年漲 439%,做法是重押 AI 與晶片股,實際上開了 5 倍槓桿,上週被追繳後強制清算全部公開市場部位,含 SK Hynix 多頭與 Adobe 空頭,全數賣給 Ken Griffin 的 Citadel,傳出連 Anthropic 持股也要賣。Scott 把名單接上 MicroStrategy 的 Michael Saylor、重押 Tesla 的 Cathie Wood、Bill Hwang 與長期資本管理公司,結論是好日子容易把槓桿誤認成智商;2008 年 Bill Ackman 逼 General Growth Properties 破產、拿到約 35,000% 報酬,而它只要再撐三個月就沒事。
兩人接著談監理界線。Scott 認為好的監理是預防性的,不該等散戶承擔完金融工程的下場再回頭管;5 倍槓桿產品在 CNBC 韓國打廣告,不是會不會爆,是何時爆。Ed 主張限制槓桿倍數、提高最低入金門檻,並點名一批繞過規範的商品:永續合約去年佔比特幣交易量七成、槓桿可到一百甚至一千倍;先買後付被包裝成非信用的分期,本質就是負債;還有 DeFi 收益耕作與預測市場的事件合約。Ed 另提人口面解讀:韓國十年間結婚率降 40%,去年生育率 0.8,是 OECD 唯一低於 1 的國家;最低所得十分位男性只有 8% 有伴侶,最高十分位約四倍。Scott 補上美國 3% 人口有賭博問題、年輕男性是 10%,並說歷史上僅約 40% 男性能繁衍,戰後西方中產階級把比例推到 75%。美國也在複製這條路:槓桿 ETF 規模從四月的 1,200 億美元漲到超過 2,000 億,數量自 2025 年以來翻倍,一半以上是單股型。
後半段講大科技財報。贏家是微軟與亞馬遜,股價分別漲 16% 與 14%;輸家 Meta 跌 8%、蘋果跌 7%。微軟營收增 18%、淨利增 31%,雲端增 43%,含 Office 365 與 Copilot 的生產力部門增 14%,Copilot 付費席次逾 3,000 萬,自由現金流下滑 23% 但仍為正;AWS 增 37%,五年來最快。Meta 自由現金流大跌 91% 到 7.84 億美元,Zuckerberg 對如何回收投資、以及外傳賣算力給 Anthropic 一事都沒正面回答。Ed 指出問題藏在淨利組成:亞馬遜 630 億美元淨利中有 530 億來自 Anthropic 等私人持股的帳面增值,Alphabet 則有 87% 來自 Anthropic 與 SpaceX;扣掉後亞馬遜本益比不是 19 倍而是 30 倍,Google 是 31 倍。微軟的揭露相對多:一月說未履約合約有一半綁在 OpenAI,本季說 82% 的成長若排除 OpenAI 只剩 25%。資本支出方面,Alphabet 上看 2,050 億、亞馬遜 2,200 億、Meta 1,450 億,蘋果只有 110 億。蘋果 iPhone 營收增 22% 創六月季紀錄,問題出在記憶體漲價讓它十年來首次無法完全掌控成本結構,服務營收 300 億低於預期;本益比從 2023 年初的 21 倍升到 38 倍,Ed 認為全組最貴且看不到成長來源,Scott 以沒有替代品、新興市場中產首購就是 iPhone 反駁。年初至今 Meta 跌 15%、微軟跌 5%、Alphabet 與蘋果各漲 12%、亞馬遜漲 15%。Scott 預測八月會出現半打因 AI 股下跌與槓桿引發的強制賣出事件;Ed 說在 400 與 380 美元兩度買進微軟、現價 460 獲利逾 20%,並認為 20 倍本益比的 Meta 已觸底。
一句話:槓桿把 439% 報酬變成六天崩盤,同一顆炸彈正裝進散戶的 ETF 裡。
Situational Awareness 在 7 月 24 日的投資人信報上半年淨報酬 439%,附註還寫現在是加碼好時機;六天後規模從高點 450 億美元掉到約 100 億,公開股票部位在拋售中出清,接手的是 Ken Griffin 的 Citadel。Simplify Asset Management 策略師 Michael Green 的解讀:基金最高用到 400% 槓桿,成立以來報酬超過 1,000%,但早期部位以非上市公司為主,不會天天重新定價,波動看起來很低;同樣槓桿搬到即時重定價的個股上,爆掉只是時間問題。實際發生的是自我循環:小跌、被迫賣出降槓桿、再跌、再賣。他做空傳統軟體股的論點一度自我實現,因為壓低那個板塊的賣壓有一部分就是他自己;被迫平倉後多空兩邊同時反咬。Green 說不該怪這位 24 歲操盤人,而是不該有人給他幾百億美元配四倍槓桿——規模一大,同業就把你當獵物。
波動耗損很具體:1 元漲 10% 再跌 10% 剩 0.99;四倍槓桿加每日再平衡把虧損放大,而再平衡還強迫基金在上漲時加碼買進,他稱為內生性買盤,行情被自己推高。專業機構的玩法是做空多空兩邊收割這個耗損;四月起卻是散戶買 3 倍或 2 倍單一個股槓桿 ETF 長期持有,甚至定期定額。以四、五月半導體的波動水準,3 倍槓桿一年要賺超過 170% 才剛好打平。韓國是已發生的版本:KOSPI 自六月高點跌 44%,超過一百萬人收到追繳通知,數十萬帳戶被清零,槓桿型 ETF 已被禁,三週內休市次數比 1990 年以來的總和還多一倍。Green 指出禍源有一部分在美國:一檔以記憶體類股為主的美國 ETF 規模一度逼近該基金,約半數資金以韓元避險操作,等於賣韓元、買韓股。而美國自己的槓桿型 ETF 規模創下 2,180 億美元新高,三月底以來增加六成。
日圓上週跌到接近一美元兌 164 日圓,四十年最弱;東京投入最多 590 億美元買回本國貨幣,隔天美國財政部加入干預,是 2011 年以來第一次,而那次還是 G7 聯手,純雙邊要回推近三十年。FT 的 Katie Martin 點出美方自利:日本官方持有超過一兆美元美國公債,是最大海外持有者,撐匯率就得賣美債,而美國最不想見到新一波日債拋售。還有一個沒人看過的操作:美國賣的是歐元,因為它的干預資金池主要就是歐元與日圓,事前有跟歐洲央行打招呼。Trump 把它講成友誼的訊號;Martin 拿它跟去年美方在選前替阿根廷披索出手並論,後果是交易員以後得先算一國與美國的政治親疏,才敢放空其貨幣或公債。最後是 Trump Media 推出 Truth API,每月十萬美元把 Trump 貼文的即時資料賣給交易機構,主持人判斷高頻交易商別無選擇只能買。
一句話:他把經濟不滿追到政治制度本身,不修選制與稅制,AI 與債務只會更極端。
Buttigieg 說美國「在失去民主的邊緣」,病因往前推三、四十年:稅制對工作課的稅高於對財富課的稅,經濟成長很大、落進一般人口袋的極少;不平等會轉成政治權力的不平等,政治暴力上升與信任崩塌是同一件事的表徵。美國夢是不管出身都能比起點更好,以前十個美國人有九個做得到,現在統計上最容易實現美國夢的地方是丹麥。Trump 的共鳴他也歸給體制:對方對著一群知道體制辜負自己的人喊「我要把它全部炸掉」,而被辜負的人只會在體制內投那麼多次票;但通膨比 Trump 接手那天更高,還開了新戰爭。對自己的黨他說任務不能只是把東西擺回原位,因為原本那個樣子正是走到今天的原因。主持人用 Amazon 面試的四級量表問 2028 選不選,他答「比較傾向而不是不傾向」,並說有了孩子之後所有算式都變了。
伊朗戰爭他的判斷是總統把自己和國家逼進死角:開戰前 Epstein 檔案與生活成本壓力天天燒,打仗政治上看起來對他有利。戰爭目標一直在換——政權更迭、無條件投降、處理核計畫,但去年才宣稱核計畫已摧毀。他說部隊在戰場而總統說不出為什麼在那裡,帳單最新數字是 375 億美元,最不壞的出路仍會讓伊朗對荷莫茲海峽的控制力高於一年前。政府還從陣亡名單刪掉四個名字,他說唯一想得到的解釋是列出來會打臉「已經停火」。出路他說只能靠國際夥伴,因為東亞對該海峽的石油依賴更深;而下一任總統得在盟友關係被燒掉的劣勢下處理。伊朗擁核他說不能允許,但第一任 Trump 政府撕掉 Obama 協議卻換不到更好的,Biden 政府重談時對方記得是誰撕的,這就是可信度。以色列他拆成三件必須同時成立的事:猶太人的安全、巴勒斯坦人的安全與尊嚴(他說加薩發生的是戰爭罪)、以色列作為國家的存續;他說 Netanyahu 對第二件沒興趣,從行動看是在推 Greater Israel,Trump 與他已轉成 frenemy:戰爭對 Netanyahu 有利,對 Trump 卻從資產變成風險。
AI 他給的框架是二選一:要嘛工時更短、口袋裡的錢更多,要嘛財富與權力集中得更極端;走哪條不在技術裡,是政策選擇。主持人引述:Sam Altman 說 2028 年底世界多數智識能力可能存在於資料中心之內;Anthropic 的 Dario Amodei 說指數若延續,幾年內 AI 就會在幾乎所有事上勝過人類;Uber 執行長曾說平台上 900 萬名司機會被取代。他的參照是長大的印第安納北部:90 年代大量失業,很多人找到新工作卻沒找回身分認同——美國人問 what do you do,其實是在問你是誰;他說被打斷的是身分,白領比藍領更嚴重。工廠需要的人越少,經濟越不取決於工資而取決於誰擁有機器,所以他主張某種公共紅利,理由是模型訓練在大家免費放上網的資料上,而網路是 1960 年代 DARPA 用納稅人的錢做出來的。Keynes 1930 年的《Economic Possibilities for Our Grandchildren》預測 2030 年生產力成長五到八倍、每週只要工作十到十五小時;他說生產力那半幾乎命中,工時反而更長。Bernie Sanders 主張公眾持有 AI 公司五成股權加董事席次,他同意分潤但傾向用規則,並舉 FAA 為例:只訂規則、不造飛機,他任交通部長四年間 40 億人次搭商用班機,死亡人數是零。
稅的部分:現在的制度讓多億萬富翁繳的稅率很可能低於中小學老師或消防員,以百分比看億萬富翁還被課得比百萬富翁少。40 到 60 年代最高所得級距稅率曾在 90% 上下,他說處理不平等不是懲罰有錢人,是不讓財富失控成壓垮制度的政治權力;資本利得稅低於所得稅,等於政府補貼「把工作自動化掉」。主持人舉自己 27 歲的例子:股票上市後,拿市值 5000 萬美元的股票質押就能當天借到 2500 萬現金而不繳稅;他說有錢人總會找到新藏處,但若「有人會繞過這條法律」能當成不立法的理由,那就是反對一切法律的理由。債務他說左派不愛談,因為常被當成不蓋道路學校醫院的藉口,但已大到不能不談:他引述的分析是,把 2001 年 Bush 減稅到後來對最富者的 Trump 減稅全部加回去,今天的債務會是往下走的。他用 Stein's law 收尾,說那以演員 Ben Stein 的經濟學家父親命名:不能永遠持續的事就會停,所以只剩改革或災難。
經濟處方他認為不激進,激進的必須是政治那一側。清單包括總統改由全國普選:即使德州仍多數投共和黨,民主黨也得去德州催票,共和黨得去紐約,小州才會被納入競爭。禁止操弄選區劃分可以馬上做:眾議院 435 席約九成紅或藍到投票前就知道誰贏,而這是一個五五波的國家。最高法院他要任期限制、增加席次與讓人選較不黨派化的機制;眾議院想改成一個選區選多席、得票前三名都進國會。再一條是修憲處理政治獻金:Citizens United 判定公司等同於人、花錢影響選舉等同受保護的言論,他要用修憲講清楚公司支出不是言論,讓國會能重新立像 McCain-Feingold 那樣的法。他說全民健保、提高最低工資、對富人與企業加稅、購槍背景查核、同性婚姻都有六到七成民意支持,一個接一個有共識卻做不成,本身就是制度壞掉的證據。
人物題他答得具體。Musk 他說非常聰明、對很多事是對的也對很多事是錯的,缺的是能讓他免於造成傷害的謙卑;DOGE 最遺憾的是政府效率本來真的需要做,結果卻粗糙到算錯數:在 wall of receipts 上把百萬寫成十億、開除負責核武安全與生物危害的人再找回來,而 DOGE 之後聯邦政府花的錢比之前更多。對 AOC「你不是賺到十億、你是拿走十億」他不同意,但說現在賺到十億最容易的方法是先有一百億然後什麼都不做。Biden 的認知狀況他說自己看到的和全美國一樣,是那場辯論才確定擔憂;2024 年臨時換上 Kamala Harris,他認為若能辦一場競爭,即使人選仍是 Harris 也會更強——2020 年的 Biden 就是跟十幾人競爭過才變強的。2028 前段班他列的是自己、Gavin Newsom、AOC 與 Harris。個人史:父親從馬爾他來,寧可當大池子裡的中型魚,最後落腳南本德的 Notre Dame;那座城的另一半故事是 Studebaker,曾與 GM、Ford 同級的車廠 1963 年停產,城市失去的人口再沒補回來。他二十多歲才接受自己是同志,當時若被知道會被海軍開除,推他出櫃的是部署阿富汗前寫的那封「萬一回不來」的信;父親在他宣布參選那週過世,同期母親心臟病發開刀。
一句話:人只買時間、金錢、性、認可四樣;Magic 卡牌靠一個機制做到年營收 20 億美元。
一位帶了 20 年銷售團隊的人在 Hacker News 留下七點:銷售像高爾夫,可以搞到無法完成,也可以走上去把球打出去;賣的是人與解決問題,不是技術;人只買時間、金錢、性、認可四樣,賣別的必敗;賣阿斯匹靈,維他命只會偶爾被買;條件相同時人跟朋友買,先把條件拉平再去交朋友;真誠地對人有用、不求回報,錢自己會來;沒人在乎你的業績配額與燒錢速度,只在乎你替他解決什麼。互惠原則的正反例:一位主持人 24 歲買機車,開價 1,800 美元,他先買可樂分對方一瓶,1,400 成交;另一位照抄,帶兩罐健怡可樂去見校長談他那支 24 小時 2 萬觀看的球隊 vlog,被拒收後自己喝完兩罐,節目照樣被停。
專家網路 GLG 的共同創辦人 Mark Gerson 二十三、四歲創業,公司年淨利超過 1 億美元;他二十七、八歲認識 Eli Beer——一個孩子噎到,救護車 15 分鐘才到人已死,同一條街上就有醫生。Eli 找六到十二人自學 CPR、哈姆立克、緊急接生,Gerson 給 18,000 美元幫他商業化成 United Hatzalah:18 年後靠捐款一年支出數千萬美元,一天接約 2,000 通;以色列救護車平均 10 到 12 分鐘,他們目標 90 秒、現在 3 分鐘。它必須是非營利,因為 Good Samaritan 法只保護無償施救者。LVMH 的 Bernard Arnault 則示範另一種回應:法媒花六個月、兩名全職記者做六集調查把他寫成法國最後的王朝,他回一封標題只有「Merci」的三頁公開信,逐條認下「每任總統的耳語者」這類指控,再補上捐給聖母院的 2 億歐元與 22 萬名員工。
Hasbro 每三塊錢營收有一塊來自 Magic: The Gathering,去年 17 億、今年上看 20 億美元,單季 5 億,連續 17 年平均年成長 17%。發明者 Richard Garfield 小時候被父親帶到孟加拉、尼泊爾,語言不通只能靠遊戲交朋友,玩的是彈珠:每人自帶一組、可贏可換,永遠有你沒見過的一顆。他把這機制搬進卡牌——牌由玩家帶來,不是盒子裡固定的棋子。他找 Strat-O-Matic 棒球模擬的統計狂當測試員排掉設計缺陷,再跑各種展會只攻店主、雜誌寫手與職業玩家。1993 年上市四天賣掉數十萬張,第一年 1,000 萬張。一般桌遊賣 20 美元,Magic 玩家平均一年花 100 美元、玩八到九年,終身價值上千美元,卡片可轉售,支出被當成投資。他還買下負債 3,000 萬、營收 4,000 萬美元的 Dungeons and Dragons 避開單一 IP 風險,最後公司以 3 億多美元加對賭近 5 億賣給 Hasbro。
一句話:缺錢時簽的條款會跟著公司走:一筆 2x 參與優先股,害她們幾年募不到也賣不掉。
Lily Kanter 大學念會計,九〇年代中期進 Microsoft 當主管,她形容那是印鈔的年代:授權序號給 Dell 這些品牌幾乎沒有銷貨成本,她在職期間股票分割三次、每次都翻倍;2000 年生下第一胎後離開,沒再回企業界。因為找不到一家她認可的嬰兒用品店,她 2002 年 7 月在加州 Mill Valley 開了 Mill Valley Baby and Kids,四個月後搬到近 3,000 平方英尺的店面,但她不想擴張,因為獨立精品店靠的是老闆在場。Serena Dugan 原本要當心理學家,因為畫舊家具被丹佛的畫廊看上、一上架就賣光而轉念藝術,後來在灣區開設計工作室,靠替 Pottery Barn Kids 的型錄現場手繪牆面打開名聲:攝影團隊清場,她得在會被拍到的牆上速寫。她父親任職 Booz Allen Hamilton、主要客戶是陸軍,911 當天在五角大廈罹難。2003 年 Serena 把作品集留在 Mill Valley 那家店,隔天 Lily 生完第二胎二十小時就抱著孩子回店裡,看到後當場打電話,Serena 第一句話是「你昨天不是生了小孩嗎?」
兩人在 LegalZoom 上把 Serena & Lily 開成一家 LLC,五五分,Lily 出五萬美元。2004 年 5 月上線前她們什麼都沒生產:透過洛杉磯的代理商說服印花廠先印 15 種布各 15 碼做樣品拍出型錄,再由 Serena 的手工印花助理把全美適合的零售商從網路上抓出來、印成郵寄標籤。型錄在 2004 年陣亡將士紀念日那個週末寄達,同一週末 Wendy Bellissimo 傳真通知她那六百到八百家獨立通路,說要把品牌交給 Babies R Us,高價嬰兒床寢具的位置一夕空出。傳真機開始吐訂單,三件式嬰兒床組(護欄、床單、床裙)最低訂四組、等於開戶門檻一千美元;幾週內累積十萬美元訂單,而她們一件庫存都沒有。解法是打電話給每家店說首批生產超賣,要保留訂單就先付五成訂金,收回約五萬美元當週轉金,而所謂超賣其實是零。Lily 後續投入的錢記成公司對她的負債而不是股份,為的是維持五五對等。第一批貨的教訓在包裝:她們設計的開窗帽盒運到店裡多半壓壞。
2005 年底營收約 75 萬美元,Lily 同年把嬰兒用品店賣給熟客;2006 年底做到 150 萬美元。要備 2007 年的產品線需要現金,她們去找一家私募股權公司的 CFO 問估值,對方叫來一位普通合夥人,那人拍她們的頭、開口第一句是「你們這些女孩還真忙」,並提議開一張支票把她們原本要對親友募的 150 萬美元全包下來。條款書送到,一位專門代表創辦人的律師看完直接說「我禁止你們簽」:對方要用 17% 股權換控制權;談薪水時又反對她們開 15 萬美元年薪,而她們已三年半沒領薪。最後她們在十七天內把 150 萬美元從親友身上募齊,雙方朋友各出一半。2007 年底營收 400 萬美元,全數批發、六到八百家店、網站連購物車都沒有。2008 年金融海嘯抹掉一半批發通路,她們同時推出成人寢具與居家系列,試寄八萬五千本消費者型錄;直營第一年 500 萬、第二年 1,000 萬、第三年 2,000 萬美元。當時 Maveron 告訴她們,就算 Starbucks 今天走進門也不會投。
2010 年公司做到 2,000 萬美元,新進來的一位家族辦公室投資人要的是先獲利、慢成長,和 Sand Hill Road 那派的成長路線在董事會裡對撞——她們七年的累積年均成長率 70%,在創投眼裡還算慢。這位投資人最後以「投資受到不可回復的損害」提告。Lily 沒讓律師擋在中間,自己飛去當面談,結果以本金加五成報酬把投資約一年的他買回來。出錢的是另一位 Sand Hill Road 投資人,條件是 2x 參與型優先清算、疊在資本結構最上層:麻煩解決了,公司也幾乎不可能再募資,因為後面的人都會要求同樣條件,她當場告訴董事長,這家公司再也拿不到一塊錢。後來兩個收購提案都卡在這層優先權——價值多在 earn out,其中一家還要求永久取得她們的姓名與肖像權;董事會票數足以賣掉公司,但收購方要求創辦人簽三年僱傭合約,兩人不簽,這是唯一的籌碼,也讓董事會關係破裂。轉機來自 Hamptons 的第一家實體店:一家家族辦公室看到店後提出多數股權收購,用 tender offer 清理股權結構,想走的股東不少以三倍以上出場,其餘轉成普通股。Lily 在 2015 年最後一天離開,建議新股東找能把品牌規模化的 CEO;Serena 的職務被重新定義後約半年也轉為外部兼職,兩人現在都不持股,各自經營新的設計事業。
一句話:選對產業、用低倍數買進、進場當天就標準化,是他做出八家十億美元公司的方法。
Brad Jacobs 創辦過八家價值超過十億美元的公司,主導約 500 次併購。他把經營成績說成只有一題的考卷:替股東賺了多少。他帶的公司裡,一家把股東的錢還成 32 倍,另一家超過 150 倍;贏過指數不是一兩百個基點,而是五、六倍。他說連續五次不是巧合,背後有一套手冊。起點是 1979 年的石油經紀公司 Amerex:伊朗革命推高油價,一群沒背景的年輕人四年做到近 50 億美元經紀量,把 Exxon、Mobil、Texaco、Shell、Gulf、BP 都變成客戶。賣掉之後他要從經紀轉成自己下單的交易商,家中長輩勸他只拿一小部分積蓄創業,他做了相反的事:只留 10 到 20 萬美元,其餘全部押進去,向 Paribas(今 BNP Paribas)取得 10 億美元信用額度,最高一次動用到 9.9 億,做對銷貿易、預付款、易貨與代加工。他說那些結構每一段他都懂,是執行風險不是市場風險。1979 到 1989 這十年他一次併購都沒做,全是有機成長,1989 之後才轉靠併購。
最能代表他做法的是 2015 年買下密西根 Ann Arbor 的零擔貨運公司 Con-way。這是背離:XPO 原本走輕資產貨運經紀,Con-way 是幾萬台卡車與司機的重資產生意。他看上的是組織圖。他認為組織圖該漂亮、簡單、幾何,而這張圖有三套人資、三套資訊部門,大量重複與各自為政,不產生營收的上層特別厚,離客戶最近、負責銷售的部分反而薄。他的原話是:找到一個亂掉又容易整理乾淨的東西,錢就在那裡。市場當下修理他,當時負責 XPO 的運輸業投資銀行家說,改方向的人會先被關進狗屋,數字交出來才會變英雄。交易約 30 億美元,一半是股權,實際自付約 15 億,槓桿一度拉到四倍多,接著把整車部門以 5.5 億美元賣掉還債。倉儲與供應鏈事業 Menlo 併進 GXO,經紀併進 RXO,期間抽出約 50 億美元淨現金,今天那塊資產約值 150 億美元,他估是 15 到 20 倍。債務他用中庸:零負債不是最佳結構,適度槓桿可以縮股數、拉高每股報酬;但地緣風險太多,新公司目標是 EBITDA 的一到兩倍。公司只會因為還不出債而倒。
現在他做的是 QXO,光選產業就花一年:和 Goldman Sachs、Morgan Stanley、Sequoia 看了數十個產業、數百個標的,檢查表是產業夠不夠大、夠不夠碎、變大有沒有規模優勢、技術能不能切進去、他那套人與文化搬不搬得動。最後只有建材配銷全部打勾:西歐加北美的配銷商合計約 8000 億美元,美國約 7000 家、西歐將近兩倍,合計約兩萬家,認真做技術的只有六、七家,其餘停在別的產業二十年前的位置。他要吃下 6%、做到 500 億美元。他和太太投 9 億美元,Sequoia 與 75 位共同投資人(包含他的手足與姪甥輩)再投 1 億,湊成 10 億;他說那 1 億他不缺,缺的是有人可以取悅:他在心理測驗上「需要被肯定」那項分數很高。創造價值的兩大槓桿:一是他募資的成本與併購倍數之間的價差,二是買進後能改善多少;選這個產業的原因之一就是歷史成交倍數低於他募資的水準,價差成交當天就變成價值。買公司不難,難的是整合:從談定那刻就開始,交割當天統一 ERP、人資系統、CRM 與內部社群平台,讓每個據點、每個區能互相對標,拒絕私募股權那種把一堆五千萬 EBITDA 小公司拼起來、只靠規模換高倍數賣掉的做法。盡職調查他不做給人看的厚報告,而是一對一約談前十五名主管,一人一到一個半小時,問三題:如果這是你的錢,你會買嗎?買了你會改什麼?你絕對不會動什麼?這招學自把 Cinnabon 轉起來的 Cat Cole,她的做法是進門市問員工會怎麼改。他的結論是經理人只管兩件事:資本報酬與時間報酬。
內部他把財務規劃分析(FP&A)當中樞:一條線給財務長,一條虛線給營運和他本人;預算不是一年編一次,是每天在編;每個案子掛上機率,九成穩的跟只有一兩成但賠率高的分開計價;也負責辨認誰在保守灌水好領獎金、誰習慣高估:過去三年慣性差 3 到 5% 的就照樣打折。薪酬綁總股東報酬百分位:55 以下他認為股票不該歸屬,65 給一部分,75 給更多,85 到 95 加倍歸屬。他明說要被錢驅動的人,手下有人成為千萬富翁,一位賺超過一億美元;前提是不容許股東虧錢而經營層照樣領大錢。他也從 Goldman Sachs 合夥制時期學到一段:當年有相當比例的分紅,看的是有多少其他合夥人說你幫過他們。董事會他也重寫規則:他同時是 XPO、GXO、RXO 三家董事長,會議不排練、不靠簡報,任何董事可以直接找公司裡任何人問任何事,每次帶 10 到 20 位從高階到第一線的經理進場,由董事現場自由發問、事前不透題。議程他不自己定,而是和首席獨立董事、副董事長一起擬再發給全體徵詢;理由是他不可能比全體董事加起來聰明。
這套方法的來源不在商學院。2000 年代中他從 United Rentals 執行長位置退下、手上沒事做,陷入憂鬱,之後一週三小時、連做兩年心理治療,並見到認知治療的兩位共同創始人 Albert Ellis 與 Aaron Beck。他從治療師身上學到先加入再引導、先認可再質疑,以及他稱為「非評判式專注」的做法:開會關掉所有裝置,一次只有一個人講,其他人把全部注意力給他。績效考核他要每人寫三件做得好的、三件可以更好的;會議像奧利奧,難聽的夾中間、好的收尾;十小時起跳的季度檢討結束前,他讓二十個人站成一圈沉默五分鐘,對每個人心裡做兩件事:感謝,以及祝他成功。他早年學音樂和數學,古典訓練之後在 Bennington College 跟 Milford Graves、Bill Dixon 學即興,規矩是沒有錯的音,只是換了調,跟上去就好。他自認是剛好在做生意的音樂家,連耳鳴都當朋友;他說 Con-way 那筆沒有數學看不出混亂可以整理,沒有音樂給的即興膽量也不敢改方向。趨勢上他最看重 AI,見過 Ray Kurzweil 之後更確定;他引用已故商業導師的話:大趨勢押對,其他很多事做錯照樣賺錢,押錯了,別的都做對也是逆流而上。
一句話:買通一個人永遠比破解一台機器便宜;而政府機構為了保住預算,連敵人都會自己製造。
Bill Thompson 用 Samsung Galaxy Fold 不用 iPhone:Android 的開源專案 AOSP 讓他當年替軍方開發植入程式與 zero day 時看得進系統內部,也讓他在入境被拉去二次安檢、手機離手一陣子後,能自己 dump 出來檢查。Patriot Act 當年針對的是電信基礎設施(微波鏈路、基地台的上下行通道),寫法把日後出現的新技術一併涵蓋進去。FISA 法院設在馬里蘭州 Fort Meade 附近,他形容是走過場:單位進去說某人在替英國蒐情、理由有三,法官簽字,卷宗永不見天日。誤蒐到美國人本該走 minimization procedures 清除,他說那流程「慢得很方便」,資料照樣進檔案庫。英國人不在乎美國的權利法案,美方不能碰的對象就由 Five Eyes 盟友吸收再回頭 debrief。政府與大平台之間他分兩層:白紙黑字的備忘錄,加上暗線——吸收管安全或基礎設施的人,例如對方女兒需要頂尖癌症治療就替她安排 Johns Hopkins。
吸收一個人看四件事:人在不在那組織、拿不拿得到東西、有無動機或弱點、離開組織後接不接觸得到。他說九成五的情況買通內部的人比破解技術便宜,價碼三萬到五萬美元;吸收後還得調線人手機的 GPS,確認他有走反監控路線,沒把跟監的人直接帶到會面點。公開案例他把 Pegasus 排第一:早期版本要點一個看似熟人傳來的連結,植入後藏在 iPhone 上沒人會去找的位置,連他這種會 dump 手機做鑑識的人都翻不到,一般認為出自以色列。同一條線是黎巴嫩呼叫器爆炸案,約三千名武裝人員同時受傷,他拆成目標經營、商業間諜、供應鏈截斷、買通對的人、然後等。攻防一直在互換位置:IED 從壓力觸發演化到遙控引爆、再改用干擾器頻段外的車庫遙控器,烏克蘭則是五百美元無人機對上格柵裝甲與 EMP。AI 把週期壓得很兇:過去 dump 一支中東流行的新手機逐行找漏洞要三個月到一年,他估現在最多一個月,多數成果出在前三小時;組織犯罪已在自家伺服器上訓練沒有護欄的模型,用途集中在手機、銀行、比特幣和賭博。
他最後一份軍職是替一位少將與一位上校當顧問,管陸軍的攻擊性網路作戰。總統發布的 NIPF 訂出要達成的效果,但他說真正驅動一切的是預算執行率:他在五角大廈看過將領被訓最慘的一次就是預算沒花完,一年給一千億、剩一億沒動就要被換掉。單位裡八成五是文職,七月還剩一億美元、九月結算,話術是想上什麼課就去上;他認為用七成預算達成同樣效果才該是升官的理由。被問到當一日獨裁者要砍多少聯邦政府,他答八成,形容這些機構是自我舔舐的冰淇淋筒,存在目的就是把預算做大,還會自己製造敵人:FBI 有整個部門與預算對應白人至上主義,Biden 政府投一到兩億美元反制,地面上卻找不到那麼多,早年 KKK 的聚會或聊天室裡「六成是聯邦探員」。主持人 Chris Williamson 補一句:每件事都能同時被說成真與假,結果不是更清楚而是麻木,而麻木本身可能就是想要的效果。談誰被監看最多,他先答 Elon Musk 又自我修正:Musk 不可接近,該吸收的是他身邊的人;現代版掩護是政府透過白手套在當地開一家競爭公司,讓目標自己找上門。
他五歲喪父,母親是酗酒的服務生,住拖車屋,兄弟一個入獄一個進少年管訓,兩個姊姊染毒、一人過世,當兵是為了離開北達科他州;再次入伍是讀了 Montesquieu、John Locke、Cicero 與《聯邦論》之後想守住這套制度。退伍前他因失去意義感而焦慮,把軍中的變因分析搬到打獵:用生物學家替鹿掛的 GPS 項圈資料訓練神經網路預測鹿群移動,數千名使用者之後才做地圖。那幾家市值數億美元的狩獵地圖公司開價是六到八年工作換五十萬美元,他說那些產品本質只是把 Mapbox 地圖包進 app。Spartan Forge 的影像是他跟太陽能、礦權、房地產公司合資請飛機拍的 5 公分解析度圖資,另有光達;北卡羅來納州颶風時他發帳號給救難人員,對方靠影像找出被沖毀道路旁的伐木便道,送進糖尿病藥與氧氣。公司約 2017 年成立、2021 年推出行動 app;上 Joe Rogan 節目後湧入三千五百則訊息,他每天花兩小時親自回,回了一個半月。他對軍旅生涯的總結是:我不是 James Bond,我是替 James Bond 那種人做裝備的 Q。
一句話:他六年拍遍美國各種社群,結論是美國不是分裂,是彼此隔絕到互不認識。
Peter Santenello 二十多歲在 Austin 的 Fleming's Steakhouse 當服務生,計畫兩年存兩萬美元去歐洲、在義大利買一台 Ducati 騎過阿爾卑斯山。他先在瑞士打工過冬,再單程飛 Republic of Georgia:整班飛機的黑幫下機後有 BMW 在停機坪等,他自己得付二十美元賄賂才進得了機場。Ducati 作廢,改成兩年五十國,在 Uzbekistan 花光錢,靠信用卡預借現金、利率百分之二十五。全程沒拍任何影片,他說慶幸沒拍,那是唯一一次看世界不必同時想怎麼做成內容。他也在聖誕節飛進大馬士革,計程車司機聽他罵小布希越聽越開心,一反問 Bashar al-Assad 就整個人繃緊,只說「他是好總統」;他說那是他第一次懂言論自由是什麼。
2011 到 2012 年他每六週飛一次 LA 提旅遊節目,被問「你是誰」「rising action 在哪」,吃了半年閉門羹;三十八歲坐在舊金山 Golden Gate Park 想不出下一步。朋友在烏克蘭有開發團隊,他轉租公寓搬過去住了四年,妻子是烏克蘭人。土耳其朋友叫他去鄉下學語言,他住進一戶公寓被炸毀後搬到鄉下、身無長物的人家,六週拍六支影片,親手挖了一口井,夜裡開窗是華氏八十八度加鄰居燒垃圾的味道,關窗九十四度。他在 Berdyansk 海灘賣玉米(kukuruza),控制海灘的玉米黑手黨把他趕走,那支片讓他紅到上烏克蘭電視。之後去伊朗,美國人必須全程有政府指派的人陪同,他用家族來的義大利護照拿到自由行動權,再趕上剛開放的沙烏地。問題是觀眾被國家綁死:烏克蘭觀眾不看伊朗,系列間沒有共通線,他當時也沒有美國觀眾。
疫情把他們帶回美國,他改拍美國,六年沒停,從 Amish 拍到 Bloods and Crips。他說美國人最不懂的是自家的尺度:阿拉斯加的 St. Lawrence Island 住著 Siberian Yupik,面積是 Maui 三倍、看得到俄羅斯,他是半夜滑 Google Maps 才發現——兩個鎮、一間郵局一間教堂、沒有街景;同一個國家裡還有邁阿密這個拉丁美洲首都。全美五百七十多個聯邦承認部落,彼此差距像歐洲各國:亞利桑那的 Navajo Nation 面積接近紐澤西,有自己的法律,進他們的 Hogan 必須順時針走,鑰匙掉在身後也要繞一圈再撿。原住民人均從軍比例全美最高;連自稱都沒共識,Indian、Native American、indigenous、First Nations 各有人用,南達科他一位 Lakota 醫者說自己是 Native 而不是 American。經濟兩極:Pine Ridge 是全美最窮的保留區;南佛州約四千五百人的 Seminole 買下 Hard Rock 全球品牌(他印象約八億美元),另有博弈、農業與油氣,他聽到的分配是每個孩子每年十二萬八千美元,高中畢業就是百萬富翁,但他強調數字難查證。拍 Seminole 是部落議會成員主動邀請,過門禁查證件,片子上線後對方律師來電要求下架,順口提了剛跟 Wells Fargo 打完的官司,他撤了。
最窮的兩塊他點名 Central Appalachia(西維吉尼亞、東肯塔基)與 Mississippi Delta。他訪過一位第四代煤礦工,是最早被開 OxyContin 的人之一——Sackler 家族拿那裡當試驗場;工作走了以後成癮更深,五、六年前 fentanyl 又壓上來。他播放最高的影片也出在阿帕拉契:路邊一個十六歲少年當場講古希臘和古羅馬的差別、還唱了歌,重點是要讓外界知道這裡不是只有毒品、酒鬼和礦工,那支片三千四百萬觀看。他說去過 Karachi 的貧民區和印度的貧民窟,最讓他無力的仍是費城 Kensington,不是因為毒品,是因為處理方式:tranq 造成的傷口潰爛到蒼蠅在活人身上聚集,制度選擇讓它繼續。他後來是找到一個在當地開拳擊館兼宗教戒毒的男子才動手拍。洛杉磯 Skid Row 的住房是有的,但很多人選街頭、不想進屋守規矩;他點名遊民工業複合體:蓋給遊民的住房貴得離譜,發帳篷有錢賺,一批 NGO 從州和聯邦領錢,問題沒解決。
Amish 內部差距同樣大:Schwartzentruber 最保守、無電話無電,Beachy 最鬆、會開車;所有非 Amish 一律叫 English,黑人、日本人、女性都是 English。他們的 Pennsylvania Dutch 其實是 Deutsch,當年 William Penn 請他們來墾地才有那些法律豁免。他載一位不能開車卻需要搭車的 Amish 開了近兩小時去拍穀倉裡老人打 shuffleboard,氣氛不對沒開拍;幾天後另一個 Amish 告訴他,對方從頭就沒要讓他拍,只是蹭車。他說 Amish 消息傳得比網路快,底下像白楊樹一樣連在一起。哈西迪社群同樣分層,他拍 Lubavitch 的安息日晚餐要先經拉比批准,那家太太在 Gucci 買東西。East LA 的 Chicano 是另一個國中之國:英語是母語卻帶西班牙口音,他們自己說去墨西哥被叫美國人、在美國被叫墨西哥人。
Company town 過去發 script,公司貨幣,只能在公司商店和公司房子上花;丈夫死在礦坑,寡婦要嘛立刻搬走,要嘛立刻把孩子送進礦坑。現存的一個是亞利桑那的 Bagdad,整鎮屬於 Freeport-McMoRan,做銅礦,平均年薪約九萬美元高於全美,三房兩衛租金三百五十美元,有泳池和學校,犯罪就被請出鎮,退休一樣得走;另一座是 Morenci。邊境他拍了七、八支,說現在安靜到只剩蟋蟀。去德州 McAllen 之前他反對邊境牆,回來變成支持:三十呎的牆換來三十二呎的梯子,擋不住所有人,但能收窄人流、讓巡防裝設備看得見管得住。第二趟去西德州 Rio Grande 沿線結論倒過來,那裡築牆等於把整條河讓給墨西哥。美墨邊境近兩千英里中約七百五十英里有主要圍籬,約三成五到三成八;更長的美加邊境幾乎完全沒有。Yuma sector 高峰有一百四十個國家的人通過,當時 OTM(other than Mexicans)政策下墨西哥人反而過不來;印度人從德里飛墨西哥城再到 Mexicali,卡特爾在機場接、載到牆的缺口、給一支美國手機叫他們過去打 911,半英里外同一批人在跑芬太尼。庇護法庭排到五到七年後等於綠燈,芝加哥警察局裡睡滿委內瑞拉移民的睡袋和小孩玩具。他拍得到是因為 sheriff 由選民直選、只對選民負責:警察局幾乎全拒絕他,只有 Glendale 例外,當時 CBP 有封口令,是 Yuma 郡那位戴牛仔帽的警長帶他進去的。
兩人的共同結論不是美國分裂,是美國孤立。Chris 說網路只放大最漫畫化的極端,像社交界的 WWE,人人在演。Peter 用「俄羅斯包套旅遊」形容當下心態:蘇聯 1991 年解體後,Chelyabinsk、Ufa、Novosibirsk 的人第一次飛到 Antalya、Sharm El Sheikh 的全包式度假村,長年匱乏養出把桌上東西全掃進口袋的反應,他說現在整個西方都這樣運作,迷因幣、賺一票就走、不留長期;Chris 的對照是六年前 YouTube 財經主流還是慢速投資和 401k,現在變成 vibe betting、Polymarket、Kalshi。頻道本身是反例:他一個人加一台 GoPro,妻子剪輯,外加泰國一位翻譯和菲律賓一位把 email 丟進 monday.com 的助理。他不想當管理者——曾有員工把他的 Facebook 密碼交給行銷公司,衝突後他外景遲到,那支影片就毀了。
一句話:推論加速靠量化、投機解碼、預填解碼分離三層堆疊,同一顆模型能拉出四到十倍差距。
Baseten 的 Philip Kiely 與 Ali Taha 從一個 20 萬 token 的請求拆起:先做 cache-aware routing,挑有閒置 prefill worker、又已存有部分快取的副本,盡量跳過 prefill;部分模型已把 prefill 與 decode 拆到兩組 GPU(PD 分離),前者算完輸入吐出第一個 token,再把 KV cache 交給後者逐 token 生成,前面還掛一顆 draft 模型做 speculative decoding(投機解碼):小模型連跑三次自迴歸猜三個 token,大模型一次 forward 驗證後接受或退回。draft 依流量分布而定,只有專屬部署能客製——客戶全拿去摘要哈利波特,就拿哈利波特訓,接受率接近全中;共用 endpoint 不知道對面在寫程式還是寫英文,做不到。每小時吐上百萬 token 時,包機比按 token 計價便宜,還能自訂 batch size、平行策略,不接受 NVFP4 就改跑更高精度,不必跟別人一億 token 的壓測流量搶 endpoint。工具呼叫沒什麼特別:LLM 本身不能做任何事,只能提出建議,MCP 也只是另一種 tool;痛點是 JSON 沒正確收尾,模型沒看到工具結果就自己幻覺一個,解法是兩年前發表的狀態機約束輸出。
「支援某模型」和「production ready」是兩件事。vLLM、SGLang 的維護者常提前拿到權重、模型方也送 PR,吐出第一個 token 不難;難的在後面:重做量化(模型幾乎不會以 NVFP4 釋出,Blackwell 卻要吃 NVFP4)、校準到不讓模型變笨、重訓 speculator——訓 speculator 得拿真權重跑推論、收 hidden states 當訓練資料。模型 API 採零資料保留,不知實際流量長相,只能用公開資料集模擬 coding 與 agentic 用途訓通用 draft。開源拼裝的例子:有人把 Kimi 的 vision encoder 接到沒有視覺能力的 GLM 5.2,encoder 與主模型權重全凍結,只訓中間幾百萬參數的 projector;先用「描述這張圖」訓效果不好,改成每張圖配一組是非問答才 grokking,MMLU 約 56%,認不出霍金會答愛因斯坦,仍知道是科學家。沒有影像輸入就跳過 encoder,原模型品質零損失,一顆模型同時有 Kimi 的視覺、GLM 的權重與源自 DeepSeek 的稀疏注意力。換層也常見:某款 full attention 模型 KV cache 太大、成本 O(N²),就換成 GQA 層再訓回原接受率。
上線後的長尾更麻煩。某版模型在特定 prompt 與溫度下 mode collapse,一直吐同一個 token(最常見是 S),endpoint 因此加了同一 token 連四次就中斷重跑的保護,並排除表格連字號那類特殊字元。根因不是權重:同一份權重換一個推論引擎就不犯,升級 TensorRT-LLM 的映像檔也會修掉,換個叢集也會消失——因為某叢集節點間搬 KV cache 的互連較慢,剛好把 kernel 裡缺 barrier 的 race condition 暴露出來。品質的定義是「離原始模型的 100% 保真度有多近」,多數優化其實無損:KV cache 只是避免重算,投機解碼猜錯就退回,唯一有損的是量化。一位研究實習生的論文推翻「量化越多越糟」:量化誤差會互相抵消,可事先預測哪些層誤差方向相反、專挑那些層下手,並用 KL divergence 比對量化前後的 logit 分布而非 benchmark 分數;結果比 Nvidia 的量化多量化 20% 的層、多拿 20% 吞吐,保真度反而更好。那份論文原稿 72 頁。
速度的量級也不同:金融業算 basis points,推論一次發表就是 20%、100%、200%,Philip 說等大家開始發表「快了 1%」,推論才算解決。一兆參數模型用現成引擎、沒 speculator、沒 KV routing、沒 PD 分離,基準約每秒 30 到 50 個 token;疊起優化目標 10 倍、拉到每秒 300 至 400。拆帳是 BF16 降 FP8 約 30–40%、FP8 再降 NVFP4 再 30–40%(合起來近 2 倍)、speculator 約 2 倍、PD 分離約 2 倍,再加新 runtime 與 kernel 的兩位數百分比;同款硬體、同樣 GPU 數則約 2 到 4 倍,市面最差與最好的供應商差距常落在 4 到 6 倍。自己做門檻不高:量化權重與 speculator 各是「懂的人花數小時到數天」,社群通常已有現成 NVFP4 權重與 MTP 可拿。Nvidia 的 Dynamo 是搬 KV cache 的工具箱,不是裝了就變快的優化器。投機這條線走得最快:書裡收的 Medusa 已算舊、Eagle 仍常用,連「對 speculator 再做一次投機解碼」都有論文與非平凡加速,但訓練平衡像訓 GAN 一樣難,不划算;speculator 約 1B 參數、原模型的六十分之一,有的只有一層,且必須跟大模型擠同一批硬體。
硬體端算術很直接:H100 每張 80GB,Blackwell 180GB,GB300 288GB;最新那顆近 3 兆參數的 Kimi 在 NVFP4 下約 1.4TB,要八張 GB300 才裝得下,還得留空間給 KV cache,KV offloading 因此更關鍵。expert parallelism 把整顆 expert 放進單張 GPU、只複製很小的 router,通訊少、吞吐高,但只適用 MoE;tensor parallelism 要 all-gather/all-reduce,吃 NVLink 級互連,有利延遲;pipeline parallelism 只在被迫跨節點時用。Ali 對 mega-kernel 看空:tensor parallelism 下 softmax 這種非線性運算仍得跨 GPU 交換結果,融合 kernel 救不了,寫得夠快也太難,他看過做 fused mega-kernel 的公司最後不在生產環境用,因為 TensorRT-LLM 與 Modular 的 kernel 更快。他進一步主張 GPU 正在 ASIC 化——tensor core、TMA、tensor memory、幾乎照現有模型 head dimension 設計的指令——因此對做 AI ASIC 的新創看空:晶片設計要好幾年,模型每年換代。Philip 反駁:垂直整合的模型實驗室自研晶片說得通(引 Martin Casado,五千億的訓練支出撥五百億做晶片也合理),ASIC 公司真正在解的是記憶體與互連配置,目標每秒 30 萬 token。本機推論是另一題:資料中心問「怎麼讓它不慢」,本機問「怎麼塞得進去再讓它不笨」;TurboQuant 這類優化在 MacBook 因記憶體頻寬慢而有用,搬到 Blackwell 反而更慢,kernel 內反量化的成本超過省下的頻寬時間。
影片擴散是另一個世界:不做 batching,一個請求佔一張 GPU,模型只有 20B 級。5 秒、16fps、480p 就是 81 幀,壓進 latent 仍有約 3.5 萬個 token 要跑注意力,注意力又平方成長,一分鐘鏡頭在同樣算力下做不出來。sparse attention 讓每個 token 只注意最重要的 12.5%,品質明顯下降;自迴歸影片模型目前開源的品質全都很差。實務上是把 5 到 7 秒的片段接起來,開源作法只能拿最後一幀丟回 image-to-video,一段比一段暗,約 25 秒後畫面全黑。即使開源便宜 100 倍(10 美元對 1000 美元),媒體公司仍選閉源,需求少又回頭壓抑開源迭代,連原本開源的影片模型系列最新版都已閉源。最後是訓練與推論的合流:RL rollout 太慢會卡住整條訓練管線,又不能拿太 off-policy 的 rollout 來訓;NVFP4 若 PTQ 品質不夠,就得拿 FP4 版與全精度版對 logits 做蒸餾。他們把一顆很會寫 GPU kernel 的模型接進自家 coding harness,讓它跑 forward pass、讀 profile trace、找出瓶頸 kernel、改寫、再 profile、上傳映像檔循環,推論引擎裡已有這樣產出的 kernel。至於 continual learning,改權重只能塞單一事實:告訴模型某校最好,再問「該從某校還是 MIT 找實習生」它仍說兩間都好,二階推理用不上新知識;Ali 被說服 KV cache 壓縮才是正路,而那條路對推論架構幾乎不用改。
一句話:抗體設計命中率從業界 0.1% 拉到 15%,靠的是簡化模型、找出 scaling law,不是加模組。
Chai Discovery 共同創辦人 Josh 與 Matt 要把新藥從 discovery 變成 design:今天是在幾十億個分子裡撈針,他們要把想要的性質當輸入、讓模型直接生出分子。Matt 出身純數學與理論計算機科學,博士第三年才轉進蛋白質結構預測;Josh 從 OpenAI 起步,做過 GPT-1、GPT-2 與 scaling law,問題意識是模型既然學得會英文,為什麼學不會 DNA 和蛋白質,他是蛋白質語言模型 ESM 的原始作者之一。兩年一次的蛋白質摺疊競賽要求預測從未公開的標的,2018 年第一次跳躍,2020 年 AlphaFold2 再跳一次。2021、2022 年問題反過來:設計序列去摺成指定形狀,再由 diffusion 同時生成結構與序列。diffusion 有效是因為先前主流的 variational autoencoder 要模型一步把蛋白質壓成高斯向量太難,diffusion 改成反覆問「這個壞掉一點的蛋白質怎麼變好一點」。2024 年創業的判斷點是抗體結構預測開始有起色:業界原本認為資料庫裡抗體太少、注定無解,早期蛋白質設計做的是 mini protein 那類、不是藥廠要的東西——連抗體長什麼樣都預測不了,就不可能設計它。
創業時抗體設計的業界水準是 0.1% 結合率:設計一千個分子只有一個真的結合,多數標的一個都沒有,連判斷有沒有進步的梯度都拿不到。Chai-2 拉到約 15%,一千個回來 150 個,才有足夠樣本看分子的其他性質;他們原本的預算是三、四年做到 20%,真正押的是 1%。兩人自稱被 bitter lesson 洗過:相信擴大資料、模型與算力,而要擴大就得先找到 scaling law。核心原則是簡化:Chai-1 有 23 個各自獨立的子模組,迭代時得逐一理解,根本擴不動;遇到「再加第 24 個模組就能解這個標的」的誘惑,判斷標準是它屬於增量還是複利。例如蛋白質上的糖基化位點,與其人工設計表示法,不如相信序列裡本來就有訊號、模型為了壓低 loss 自己得學會。模型全部從零訓練,不是拿現成語言模型微調蛋白質資料。另一條原則是嚴謹:生物太容易自欺,程式生成可以講 16%、17%、18% 的進步,濕實驗裡正負 5% 可能都是同一件事。
團隊隨每一代模型改變。創始團隊幾乎全是 AI 研究員;到 Chai-2 才引進頂尖抗體工程師,其中一位資深科學家二十年前在 MIT 做酵母表面呈現、在大藥廠有一支獲批抗體掛名,他加入後幾個月跑的抗體案子比整個職涯還多。另一位研究員在家自學,14 歲進了以蛋白質設計拿諾貝爾獎的 David Baker 實驗室、18 歲念博士。模型變好後才補產品團隊,包括來自 Stripe 的共同創辦人 Jack 與另一位 Stripe 前十大程式碼貢獻者;團隊刻意維持很小,逼每個人排序。資料有兩塊:自 1970 年代起由科學家持續存入晶體結構的蛋白質資料庫;以及量級可能達兆級 token 的序列資料庫,Josh 說網路上的生物序列 token 可能比英文還多,雜訊很高。模型夠好之後可以跑序列庫產生新結構回頭餵下一代,加上實驗室設計留下的數據,形成跟大語言模型類似的複利路徑。
他們不做自家藥物管線,而是替藥廠做基礎設施,理由同樣是 bitter lesson:錢要投回模型,不是分流去做臨床試驗;合作收入又讓他們有資格繼續投資模型。另一個理由是防自欺:只做幾個標的,可能做出漂亮分子卻不知道模型泛化不到那年其他幾百個分子;Eli Lilly、Novartis、Pfizer 這種夥伴會逐條驗證每一項宣稱,交付不能只是有時候有效。「藥廠不會用 AI」沒有成立:專利期有限,不持續產出重磅藥就撐不住市值,所以一看到數據就全力投入。他們想把設計循環從九個月壓到九週、九天,每縮一個量級就多篩一個量級的假設,把今天不划算的罕見病、個人化藥物與被視為不可成藥的標的拉進射程;過去講 first in class 或 best in class,以後要追求 last in class,直接做出最終答案。最頭痛的是規模化:創業時 128 顆 GPU 已經覺得誇張(博士時期四人共用八顆),現在要顧叢集健康度與數月不中斷的訓練。公司名字來自 chemistry 加 AI。