🎙️ 今天這幾集

一句話:六檔今年落後的大型股出現可交易低點;Nvidia 拉六家華爾街巨頭籌逾五千億美元。

Josh Brown 定義的 tradeable low 是賣壓耗盡,他偏好那是一段過程:落底、反彈、五到六週後回測不破;另一種是兩天跌 14%、四天跌 26% 帶爆量的暴力型。六檔標的:Meta 的關鍵價位 525,Josh 說那是 2025 年初的低點,Michael Batnick 說是 2024 年三、四、七、八月的壓力區——同一條線兩人講的來歷不同,近期市場擔心資本支出時股價又在此止跌。Uber 他從 30 幾美元抱到現在,財報後跳空跌 6%,四天由 67 走到 78。Netflix 他賣在 Warner Bros. 競標消息、買回得太早。Disney 在 90 美元做雙底、已彈到 105,120 有賣壓。Nike 被 Batnick 否掉:沒證據,還會更低。Home Depot 是倒頭肩底,肩部約 330、頭部 298,他看回 400:利率已在多年高點,壞消息都在價格裡。兩人都說這些不是好股票,是壞股票的可交易低點。

Batnick 補一塊:小型股非必需消費 ETF 創歷史新高,特殊零售與飯店餐飲休閒各佔 21%;個股他一檔都不想單獨持有,整籃子卻是對消費者體質的確認。當天大新聞是 Nvidia 找 Goldman Sachs、BlackRock、Blackstone、KKR、Apollo、Brookfield 宣布六項合作,為 AI 基建拉進逾五千億美元長期資金。Josh 說這把循環融資的爭議下架:原本的質疑是 Nvidia 投一家新雲端業者 50 億美元、對方拿其中 40 億回頭買晶片再認列成營收,像當年 Cisco 替電信客戶融資、資金一斷營收就崩;現在改成把算力當電廠那樣的資產做抵押融資,出資方從四家超大型科技公司變成幾千萬名投資人。他說這也會鈍化地方對資料中心的反對;Batnick 說太牽強。節目上一張圖把超大型雲端業者的 7,330 億美元資本支出擺在國防可支配預算旁邊。兩人都提醒目前簽的只是備忘錄。

被 AI 敘事打殘、如今回到高點附近的:Snowflake 跌 56% 後漲 178%;Schwab 因 Altruist 消息跌 20%、之後反彈 26% 創新高;Expedia 曾被踢出選股名單、現在重新突破;Palo Alto 與 CrowdStrike 則是當初被說「大家會自己 vibe coding 修漏洞」的那批;CrowdStrike 今年迄今漲 92%,自 2019 年上市以來 1450%,2022 年曾從 75 美元跌到 22。他押下一批翻身的是 Moody's 與 S&P:評等有法規要求換不掉,資料又是 LLM 得付錢的燃料;New York Times 對 AI 公司的訴訟會是關鍵先例。反例是 United Wholesale Mortgage:2021 年以 160 億美元的 SPAC 上市後幾乎沒有一個月是漲的;它為併購一家不動產投資信託押注利率下跌做避險,三月交易被現金報價搶走、標的沒買到,認賠 6 億美元,如今反告求償 5 億,並向 Oaktree 拿附 10% 現金股息與董事席次的錢。收尾他推 Hilton:85% 飯店由加盟商或開發商持有,自己只做行銷、點數與選址,十年年化 22%,144 國 140 萬間客房、會員 2.6 億;他以 200 日均線 307.68 抓 305,週五收盤跌破就走。

一句話:AI 資本支出撐住這輪多頭,散戶的投機帳單同時被攤開來算。

S&P 500 自 1950 年以來創新高約 1,379 次,Ben 現場推算約占全部交易日的 7%;今年至今 26 次,1990 年以來年均約 21 次,但 2000 到 2012 年一整片掛零。兩人把這幾年的抗跌歸給 AI 交易:疫情、9% 通膨、Fed 升息、房市凍結、Silicon Valley Bank 倒閉、關稅、兩場戰爭、私募信貸與商用不動產的崩盤預言,沒有一項把市場打下來。支撐是資本支出:Amazon、Google、Meta、Oracle、Microsoft 未來三年的資本支出合計(彭博一致預期,滾動計算)已從 2022 年 12 月的約 5,000 億美元衝破 3 兆美元。Bank of America 統計 S&P 500 第二季 EPS 年增 30%,已排除 Amazon 與 Alphabet 對 OpenAI、Anthropic、SpaceX 等私人持股的評價利益,含一次性利益則是 50%。Ben 的提醒是這條線不可能一路走到 7 兆,而這輪獲利成長正是這些花錢的公司自己貢獻的,他們一踩煞車市場就跟著下來。

新興市場來到紀錄折價:MSCI 新興市場指數以明年預估獲利計為 9.9 倍,S&P 500 是 20 倍。成分是關鍵——台灣加南韓占指數 45 到 46%,中國 20%,印度 12%,科技業 41%,於是純 AI 部位成了 NASDAQ 對新興市場的選擇題:三星、SK 海力士、台積電對上美國超大規模業者。今年新興市場漲幅主持人先說 27%、隨即改口 20%(現場自我更正)。南韓散戶參與率從 2010 年代的 10% 以下倍增到 28%(Barings 資料),但家庭資產仍有 77% 在房地產、9% 現金、股債只有 3.6%;韓國 2026 年預估獲利成長 250%,全球指數約 25%。Michael Burry 再度喊接近大頂、可能出現 1987 式下跌;主持人回顧他 2023 年 1 月喊賣後市場翻倍,但承認一半:以今天的重新定價速度,單日 -7% 到 -12% 的氣穴機率比過去高。Situational Awareness 基金爆倉被對照 1998 年的 LTCM(當年 S&P 一度跌 19%、俄羅斯違約);爆倉一週後已有投資人要加碼,理由被歸給人脈:該經理人曾任職 OpenAI、配偶在 Anthropic 位居要職(主持人聲明是猜測)。

《華爾街日報》的評論點出差別:一般人沒有有錢到能讓一個 24 歲的人燒光自己的積蓄。Bloomberg 的調查顯示 18 到 29 歲男性有四分之一自稱每天交易股票,其中三分之二覺得自己是失敗者。Michael Mauboussin 與 Dan Callahan 的報告《The Wisdom of Crowds in Markets》:1929 到 2025 年美國賭客累計名目虧損 3.9 兆美元,以今日幣值計 5.8 兆;預測市場的合約價格與實際勝率幾乎一比一,並有長冷門偏誤:90 美分的高機率合約實際勝率更高,虧損集中在買 10、20 美分長冷門的人身上;平均抽水約 4.5%。39% 的下注者宣稱贏多於輸、28% 說打平,而估計 95% 以上的運動博彩者長期不獲利;Michael 自陳 FanDuel 帳戶每 1 美元虧 7 美分。兩則極端案例:直播拍賣 App WhatNot 上,一名 45 歲會計師四個月內花掉近 140 萬美元——存款、個人貸款、跟朋友借,最後刷公司信用卡,妻子發現後訴請離婚;他買的是用兩折標到再轉賣的機會,沒標到什麼都沒有。SpaceX 的 SPV 套層則是有人 2020 年投入 1.7 萬美元、以為 IPO 時值 30 萬,投資公司 2024 年就賣掉、實得 4.5 萬,中間經手的是巴哈馬一家投資公司轉包給紐澤西一家公司。

Bloomberg 一篇哥倫比亞商學院教授的評論主張沒有 AI 美國早已陷入衰退,估 AI 基礎建設投資約占 GDP 2.8%,大於當年的鐵路熱潮;Ben 反駁這筆錢不投 AI 也會流去別處,但同意沒有 AI 陷入衰退的機率高於五成,並把 AI 列為下一次衰退成因的 80% 大熱門。55 歲以上勞參率大幅下滑,Bank of America 認為不是放棄找工作而是提早退休,因為房子、股票、企業都比預期值錢;平均 401k 餘額已從 2023 年的 10 萬美元升到約 16 萬美元。一份新開的房市電子報主張始於 2022 年第一季的房市衰退已經結束,弔詭的是 Case-Shiller 全國房價指數在這輪衰退期間仍漲了近 12%,痛的是房仲與貸款端而非房價。Zuckerberg 發表 AI 正面願景文(人人有 24 小時待命的個人代理、各科博士級家教、免費或負擔得起的取用);Ben 讀成太晚的公關轉向並追問誰付錢,Michael 回說本來就有免費版、付費版每月 20 美元。Disney 收尾:總營收成長 7%、樂園與體驗成長 11%;玩具總動員系列年度全球零售銷售 10 億美元、估計替 Disney 帶進 160 億美元收入;ESPN 該季收視是 2016 年以來最高。

一句話:5000 億融資本質是債且由 Nvidia 自己背書,景氣反轉時會放大下行痛苦。

Nvidia 週一宣布與六家大型資產管理公司簽下備忘錄,要籌 5000 億美元,由這些機構把錢借給 Nvidia 的客戶去蓋資料中心、買晶片。BlackRock 執行長 Larry Fink 稱這是「金融工程下一個未來」的開端,黃仁勳說 AI 晶片已成為可投資的資產類別。消息由《金融時報》最先披露,Nvidia 股價當天跌近 4%。Seaport Global Securities 分析師 Jay Goldberg 指出,新聞稿明講協議尚未定案;Nvidia 先前與 OpenAI 也是合約定案前先發稿,六個月後浮現的版本與原案大不相同。股價下跌反映的是對循環融資的疑慮——Nvidia 出錢給客戶來買 Nvidia 的產品。黃仁勳在部落格自問「這是循環融資嗎」,答覆是此舉正是為解決該疑慮、引進獨立的長期機構資本,主持人 Ed Elson 指出他從頭到尾沒說出「不是」。Goldberg 的判準是:廠商替客戶融資,在「促成需求」與「創造需求」之間有一條細線,Nvidia 這幾年愈走愈近。

他認為真正的問題在於底層是債。放款人不在乎技術多炫,只在乎何時拿得回錢、違約時誰負責;他推測 Nvidia 在背書,不是全部 5000 億但有一部分——黃仁勳文章提到某些項目有 25% 覆蓋、承擔折舊風險,正是這層保證讓利率降到案子做得成。他的擔憂是這種債高度順循環:等超大規模業者資產負債表用盡、AI 需求飽和,這些義務會同時到期,neo cloud 手上的閒置產能被推回 Nvidia,而那時 Nvidia 本業銷售與毛利正在下滑。脈絡上,2022、2023 年 Nvidia 給 CoreWeave 這類第一批 neo cloud 的是寬鬆營運資金條件;規模變大後改提供 backstop——你用不完的算力我買回一定比例,上季已有一批 compute service agreements 列在財報附註、不在資產負債表上(逐字稿的金額單位缺漏)。癥結是抵押品:放款人一向不接受 GPU 當擔保,大型 neo cloud 融資背後靠的是客戶合約(如微軟簽長約承諾買算力),而超大規模業者現在更積極自建、愈來愈不願簽第三方長約,那層擔保正在縮小,所以黃仁勳才要強調晶片是可投資資產類別——想讓 GPU 本身變抵押品。Goldberg 判斷投資人不會買單,最後 Nvidia 還是得自己扛義務。

後半段轉向太空股。Rocket Lab 上季營收 2.34 億美元創新高、年增 62% 但虧損高於預期;AST SpaceMobile 虧損翻倍到 2.31 億美元,一大塊來自 Blue Origin 把它的衛星送進錯誤軌道的減記。TMF Associates 總裁 Tim Farrar 說兩家都在模仿 SpaceX 垂直整合,Rocket Lab 買 Iridium 補應用層,他類比 2000 年 AOL 用高價股票換 Time Warner 的實體資產。六月 SpaceX 上市當天 Rocket Lab 跌 11%、AST 跌 16%,七月部分個股再跌四成,如今 SpaceX 已跌破發行價、錢卻沒回流。Farrar 認為軌道資料中心與小行星採礦都還很遠,馬斯克說明年 Starship 每天發射一次,那些運力只可能拿去填 Starlink。

一句話:當陌生人的經驗要轉成同理心與破除二元,不是拿來築更高的牆。

來賓是紐約中央會堂(Central Synagogue)的資深拉比,首位被按立為領唱人(cantor)的亞裔美國人,連 Jeopardy 都拿她當題目。父親是美國猶太人,母親是韓國佛教徒(至今仍是),母親本人並非在韓國出生,而是生於日本占領期間的日本。她五歲移居美國,落腳華盛頓州 Tacoma——那裡的會堂約 300 個家庭,由她父系家族參與創建,祖父穿球衣的照片掛在牆上,即使全家長得跟其他猶太家庭都不一樣,她仍認定自己有根。回憶錄寫了四年,成品刻意採極短章節。她的服事在網路上全球直播,October 7 之後因為拒絕二元式的表態而受到大量注目。被問到如何承受這麼多葬禮,她說每一場死亡都帶著大量的敬畏(awe)。

她援引 Berkeley 的 Keltner 教授:在 26 個國家、數千人身上研究敬畏,整理出八個可靠的觸發源——自然、智識頓悟、藝術與視覺設計、靈性經驗、生與死、音樂、集體亢奮,以及排在第一位的道德之美。她自己的定義是觸碰到超出自身理解的巨大之物,而人的日常善行正是她天天見證的那一種。安息日她認為是猶太人給世界最大的發明:在此之前人每天都得勞動,律法規定一週停一天、且明訂涵蓋動物與同工。她與丈夫約二十年前決定比雙方原生家庭更嚴守安息日,對孩子的規定是不用手機;她也承認當拉比的職業風險就是安息日要上班,但週五晚帶禮拜是她一週最進入心流的時刻。對話中提到 Heschel 的《The Sabbath》。

以巴問題上她自陳是 Zionist,主張猶太人有在自己土地上自決的權利,因此也必須主張巴勒斯坦人有同樣的權利、要看到一個巴勒斯坦國;同時主張哈瑪斯不能繼續掌控加薩,得換上另一批巴勒斯坦領導層。她承認眼下連五年前支持兩國方案的以色列人都不覺得可行,但以北愛爾蘭與戰後成為以色列盟友的德國為例,拒絕接受「某種人就是這樣」。她指出多數國家的政府與人民在輿論裡分得開,只有以色列被當成政府等同全體人民。破二元的方法她回到猶太的雙人共讀傳統:兩人真正互相磨,會生出一個人到不了的第三個意見。她認為美國失去了社團、教會、會堂、保齡球隊這類第三空間,建議與對立方的第一段對話不要挑最大的爭點,先一起做過一件事。主持人搬出 Hillel「己所不欲勿施於人,其餘都是註解」,反問兩千年的註解並沒有帶來和平。她的回應扣回書名:Hebrew 字面意思是跨越,做希伯來人就是知道當陌生人的滋味,那經驗該被做成同理心與韌性。

一句話:錢藏在沒人注意的縫隙,找到縫隙靠察覺力而不是聰明。

第一門生意是實驗用猴子。超過兩成的藥物要在猴子身上測試,首選是長尾獼猴,理由正是牠接近人。美國一年進口約兩萬隻,單價原本約 2000 美元;COVID 期間需求暴增,加上原本供應全球約六成非人靈長類的中國停止出口自留,價格衝到 2 萬、高峰報到 5 萬美元一隻,柬埔寨、越南、模里西斯補上缺口。做測試即服務的 Charles River Labs 與約八成生技公司合作、上市藥物約八成經其測試,年營收 40 億美元,並花 5 億美元買下一家猴子繁殖業者以擺脫供給波動。Fortune 報導過柬埔寨的野生動物主管到美國出差時被捕,指控是野生猴被改標成人工繁殖的實驗猴出售,他等待審判期間軟禁近一年。

另外兩門也長在沒人看的地方。Daydream Dental 做牙醫診所的後台:診所裡打電話給保險公司、報帳單代碼、追理賠的那個人撐著整間店現金流,漏帳與被退件比例卻很高;它整包接手這個職能,用 AI 加專職人力做,對牙醫的說法是幫你多收回本來留在桌上的 15% 到 20% 收入,第二年年營收接近 1000 萬美元。創辦人是史丹佛背景,他母親開牙醫診所、少年時暑假都在裡面打工。第三門是替養老院、醫院裝設與維護工業用發電機。主持人另舉《Snowball》裡的沙拉油案:詐騙者用大豆油庫存重複向約 50 家銀行抵押借款,油槽裡灌的其實是海水,負責查驗庫存的 American Express 是擔保方,事發後賠付、股價大跌,Buffett 逢低買進成了他最好的交易之一;而「替人查大豆油在不在」本身就是年營收數億美元的生意。

後半段講怎麼找到這種縫隙。Paul Graham〈How to Do Great Work〉的歸納是:跟著自己最強的興趣走,興趣同時是馬達與舵——馬達是你會比別人耐久,舵是你感興趣的跟多數人不同,順著走自然落到競爭稀薄的地方;一路開到領域邊界,遠看邊界像一條連續的線,走到跟前才看見一個個沒人補的缺口,創業就是挑一個補起來。察覺力的例子:Seinfeld《Is This Anything?》收錄他四十年來每天頭兩小時寫下的半成品笑話;Eddie Murphy 自陳優勢是敏感,泊車還回來的車味道稍有不同就能拿來講。要找到自己會著迷的事就回頭看童年:Dan Brown 的父親每年聖誕節在樹下放的不是禮物而是藏寶圖,他後來寫的全是尋寶故事。Exploding Kittens 的共同創作者(第一台 Xbox 原型也出自他手)口袋帶一副空白牌組隨時開發新遊戲,每隔幾年帶十幾個朋友環遊世界破解密室。結論是,察覺與熱情報酬高,但聰明人覺得掉價、不願練,等於獎金一樣大卻只有七個人報名的賽場。

一句話:七段轉行實錄:McConaughey 用 22 個月空窗把自己「去品牌化」,重新被看見。

Matthew McConaughey 當時是浪漫喜劇的固定男主角,這類片預算 3,000 萬到 3,500 萬美元、票房約 6,000 萬。想演的戲沒人肯投資,他確認理財撐得住後停掉唯一還在接的類型。之後六個月只剩浪漫喜劇上門,同一份劇本從 800 萬美元加到 1,000 萬、1,250 萬,最後 1,500 萬;他承認 1,500 萬時「同一份劇本讀起來變好笑了」,還是回絕。消息傳開,接下來 12 到 14 個月零邀約;第 20 到 22 個月才進來 Killer Joe、Mud、Bernie、True Detective,以及原本沒導演肯拍的 Dallas Buyers Club。他說這不是 rebrand 而是 unbrand:離開大家習慣看見他的位置久到「變成一個新的好點子」。

Steve Young 講被迫的那種:退休隔天醒來,那件全世界認得他的事沒了。他主張把轉型當一場死亡辦——哀悼、埋葬,否則會一直帶著走;他向一位轉行做房地產的前輩四分衛請教,答案是「跑開」,比賽不會離開你,是你得離開它。《Maybe You Should Talk to Someone》的作者繳完兩年醫學院學費、還背著貸款才退學去當自由撰稿人,理由是「人生的死亡率是 100%」。《Between Two Kingdoms》的作者說,四年治療結束後,一天仍要睡四小時、胸口還留著人工血管,以復發機率該不該結婚生育也沒答案。她說 recovery 暗示回到原本的人,而那人已不存在,實際發生的是 discovery;一位受訪醫師指出她可能有 PTSD,她才有方向。她去學開車,拿到駕照一個月就把公寓租出去當旅費,依讀者來信列出 22 位陌生人,獨自開車橫越美國。

Samin Nosrat 的餐廳收掉後只想做義大利麵:借朋友空著的商用廚房,在 Facebook 收單、線上預購預付,備料才抓得準。名單漲到數萬人遠超過她的人力,執照、衛生與稅務全壓上來;她意識到自己 15 歲就想當作家、條件都到位卻被這門生意擋住,於是收掉,改替瑜伽網站寫一篇 25 美元的文章。United Therapeutics 的創辦人念完 UCLA 沒修過生命科學課,女兒被診斷肺動脈高壓,當時沒有核准藥物、患者兩三年內死亡、只能等肺移植;她把法學院順著註腳查到互相循環為止的方法搬到醫學論文,找到一篇治療心衰竭失敗的分子報告:該分子降低肺動脈壓卻不動全身血壓。藥廠說只做年營收十億美元以上的藥但可以賣,她便成立生技公司、請一位諾貝爾獎得主掛科學顧問主席再回頭談;授權要 15 位主管簽同一張紙,對價 2.5 萬美元加 10% 權利金。這支藥後來年年帶進十億美元營收,累計權利金超過十億;全美病患從她女兒確診時的 2,000 人增到 5 萬人。Design Matters 主持人的作業是十年計畫:寫下十年後某一個冬日從起床到就寢的一整天,不預設失敗,每年讀一次。

一句話:抗體設計已跨過可用門檻,50 個標靶約半數拿到 binder,cryo-EM 驗證誤差 0.33 埃。

Chai Discovery 成立約兩年半,共同創辦人 Matt McPartlon 與負責平台與產品的 Neil Patil 說公司只有 30 人、研究團隊約 10 人,剛再募 4 億美元,已與四家藥廠簽下合作(第一家是 Eli Lilly,其餘幾家逐字稿辨識不清,故不逐一列出)。他們刻意不做自己的藥物管線,定位是「中立的製藥軟體工廠」——模型與產品賣給藥廠,靠夥伴成功來成長。這個定位兩年前被視為有爭議:同樣的打法先前有人試過,失敗是因為模型還不到位。押注的時間點有跡可循:多鏈結構預測到 2021 年才出現,inverse folding 大約同時開始在實驗室真的能用(Baker lab 的濕實驗驗證是關鍵),在那之前只能針對單一標靶靠自有數據爬坡,沒有通用模型可言。Patil 的背景是自駕車與資安創業,McPartlon 的博士從理論計算機科學轉進 AI 生物;兩人反覆強調不需要生物背景也能做這件事,就像做影片模型的人不必是導演。

模型演進線很清楚。AlphaFold 3 發表後,當時只有五個人的團隊決定開源復刻一個結構預測模型,真正的目的是逼自己把 MSA 管線與訓練基礎設施蓋起來——那就是 Chai 1,架構上是 tokenizer 加一個像語言模型的 trunk,再接一個像影像擴散模型的部分,把 token 還原成 3D 原子座標。當時團隊借坐在 OpenAI 位於 Mission 的空辦公室(OpenAI 共同領投種子輪),為了趕論文與網頁服務連熬 48 小時。Chai 2 轉向設計:給定標靶結構,直接生成能結合的候選分子,是全原子擴散模型,由模型自己決定要放哪些原子、再映射回胺基酸。驗證方式是設定一個公司級挑戰,對 50 個標靶設計抗體。挑標靶的過程本身是教訓:一開始自己挑的「有趣標靶」有一半根本做不出來,後來改用 CRO 已驗證過的目錄來挑。結果對其中約一半拿到 binder,平均結合命中率約 20%,藥廠看到這個數字才開始相信。之後有 Chai 2.5(專攻 developability:穩不穩定、好不好製造、會不會自聚集)、2.7,再到 Chai 3。面對「該去研究那 25 個失敗標靶,還是賭模型自己會變好」的內部分歧,他們選了後者。

驗證是這個領域最硬的瓶頸。設計出來的序列與結構是定義上的分布外樣本,連生物學家看了都說不知道會不會摺疊。業界的替代作法是自我一致性:把生成的序列丟進一個完全獨立的結構預測模型,看算出的結構是否吻合,再搭配模型校準過的信心值與生成多樣性一起看。McPartlon 直言這類指標被玩了很久——如果你的蛋白質長得都一樣,自我一致性很容易刷高。真正的驗證仍要進濕實驗室:Chai 2 論文有一個標靶做了 cryo-EM,把預測疊上電子雲點雲時看不出差別,團隊第一反應是「一定是他們把我們的設計原封不動寄回來了」,實際誤差是 0.33 埃,約三分之一個原子寬;那些標靶是特意挑沒有已知抗體 binder 的,不會有資料洩漏疑慮。好消息是靠濕實驗室網路,回饋週期已從數年壓到數週,但仍遠慢於 LLM 那種加算力幾小時出結果。更難的問題是表位預測(決定要打蛋白質上的哪個位置),主持人認為這比找 binder 難得多,McPartlon 同意;他指出 AlphaFold 2 的多鏈版本在抗體-抗原預測只答對約 11%,而抗體之所以難,正因為 MSA 這個「演化留下的模板」對它無效——抗體天生就是為了辨識身體沒見過的東西而設計的,不可能保守。

產品面上,Patil 說他們評估過「包一個聊天機器人」,最後做出來的東西比較像 Autodesk、SolidWorks 或 Figma 而不是 ChatGPT:載入分子後,有相當於筆刷的工具去塗你要打的表位,有相當於內容感知填滿的工具讓模型生出 binder,再加上科學分析與繪圖。藥廠的 IP 顧慮靠單租戶部署解決——每個客戶幾乎是一套獨立部署,他說當初很多人告訴他這做不到。說服科學家的方法不是話術而是結果:先拿對方過去卡住的標靶跑一輪給他們看。他描述幾個月前一場會議,一位藥廠科學家看到結果當場落淚,說自己花了十年拿不到這個標靶的第一個 binder。他也承認產品的抽象層會被自家研究淘汰:過去軟體寫來要撐二十年,現在可能只撐一年,它的角色是把價值送到手上、支撐研究走到下一階段;他預期產品會一路往上重寫,從逐一檢查分子鍵結,到協調整批假設,再到針對整條路徑上的所有標靶跑一整波活動。

工程與算力的部分同樣具體。B300 這類新硬體出貨量的九成五以上被超大規模業者與最大的幾家 AI 實驗室買走,新創搶剩下的;而且整個硬體與軟體堆疊是為 LLM 而生(72 顆 GPU 互連、巨大的 KV cache),對結構模型並不對味。Chai 從去年九月察覺現貨與隨需市場開始吃緊,決定自購算力。這類架構的運算特性也不同:在 pair representation 上做注意力,規模等於在長度 L² 的序列上做,批次起來是 L³,算力極重而記憶體頻寬是瓶頸,連 layer norm 都可能吃掉可觀比例;triangle layer 有很好的歸納偏置,但小 hidden 維度配大序列維度,正好是現代 GPU 最不擅長的形狀,本質是拿參數換算力。分散式作業上他們把大量工作跑在 Temporal 上做持久化執行,理由是佇列與重試邏輯自己土法煉鋼會吃掉九成以上的時間。研究文化則是「複雜度與 bitter lesson 根本上互相牴觸」:AlphaFold 3 大約有 23 個子模組(McPartlon 註明數字可能記錯),那種系統難以研究與優化,與其加第 24 個模組不如刪東西——辦公室牆上掛著 SpaceX Raptor 1 與 Raptor 2 引擎的對照照片。

最後一段是產業經濟。主持人質疑投報:做出一個抗體大約幾百萬美元,而把一支藥推到上市可能要五億美元(常被引用的 26 億美元是把所有失敗一起攤提後的數字),省那幾百萬有什麼吸引力?回應是這不是把舊藥做快一點,而是解鎖做不到的東西:Chai 2 展示過 GPCR 的促效活性,也就是精準按下細胞表面那顆「門鈴」的開關;雙特異性抗體更是如此,兩臂各是十億分之一的命中率,乘起來用篩選法根本不可行。傳統作法是免疫小鼠或大規模酵母展示,篩幾十億個分子拿回一到十幾個 hit,而且不知道結合在哪、像不像藥,執行長的說法是「我們最大的競爭對手是小鼠」。他們也提到每個 token 的下游價值:兩款 GLP-1 藥合計可能是兆美元級資產,來賓說直到大約三個月前,GLP-1 的總營收都還大於所有 AI 實驗室加起來。對照之下是 Eroom's law——摩爾定律倒過來寫,每支藥的成本呈指數上升,遲早讓新藥的邊際報酬轉負。被問到最想移除的瓶頸,McPartlon 答驗證迴圈,Patil 答人才:聰明的人都流向 LLM 與軟體,他想要更多人流進生物。

一句話:應用容易被複製,把資料與判斷烘進自己的模型才是護城河。

Fireworks 共同創辦人暨執行長 Lin Qiao 的出發點是開發成本崩塌:過去一個想法要落地量產得靠十幾位資深產品工程師與 PM 做數個季度,現在一個人、幾週、不寫程式也做得出來。應用容易被截圖複製,所以她主張把判斷、品味與客戶理解烘進自有智慧,而不是租用現成 API。順序是先整理高品質生產資料(必要時合成補充),再訓練並擁有權重,最後在服務層做 A/B 測試驗證產品指標。技術階梯照互動時間排:prompt 與 few-shot 是分鐘級,RAG 加脈絡工程是小時級,再到監督式微調、用按讚按倒讚等偏好資料做 DPO,最後用強化學習做領域專精。問題與工具對應:事實太動態用 RAG,輸出結構不對用 SFT,答案品味用偏好調校,能力弱用 RL,太慢太貴用蒸餾。

失敗的地方她講得比成功多。資料是調校的本體,數量不是重點、品質才是,最有資格判斷品質的是產品團隊——GenAI 之前產品團隊與 ML 團隊是分開的組織,現在必須合流。評估多半停在 vibe eval,要把創辦人憑感覺的判斷轉成可重複的系統化評估,等同軟體的單元測試與整合測試。RL 環境做得粗糙會讓模型在錯誤的模擬上爬坡並出現 reward hacking:他們曾要模型產生編譯錯誤最少的程式碼,模型直接輸出零行程式碼。另一個斷點是訓練堆疊與服務堆疊沒對齊,不同函式庫與數值精度會算出不同結果,訓練成果上線可能複製不出來。

Cursor 從去年初就做 mid-training 到 post-training,每幾個月發一版新模型(Composer 2、2.5),動機之一是掌握模型供給的主導權,目標是與前沿實驗室打平或超越。Doximity 的臨床 AI 供醫師查症狀對應的藥物與副作用,在一項史丹佛與哈佛的臨床安全基準登頂;Factory 專攻程式碼安全,調校後同樣在該領域基準登頂;通用 coworker 產品 Genspark 做深度研究與簡報生成,品質略勝前沿模型而成本低 5 到 10 倍。2025 年是 coding 年,今年擴散到法律、金融、行銷、招募、業務、客服。她的建議是 PMF 之前用前沿模型 API,PMF 之後產品端的資料才有意義、才是燃料;成本降 5 到 10 倍等於同預算撐 5 到 10 倍流量。大企業的處境是流量龐大、CFO 正因成本擋住 AI 功能上線,「scale 到破產」不只是新創的問題。reward 本身就是程式碼,用多維度 rubric 打分:招募 agent 可評候選人的企圖心與推進速度,加權方式就是各家的 secret sauce;這套邏輯與軟體工程很像,門檻沒想像中高。Cursor、Cognition 這類有研究員的團隊拿最底層 RL rollout API、trainer 自控,其餘用 training SDK 或請他們的研究員進場。