跳到正文
The Memo by Howard Marks(youtube.com)· Howard Marks·· 11 天前品質評分58

門外漢看 AI

門外漢看 AI

重點導讀

霍華德·馬克斯認為,AI 投資面臨預測困難與泡沫風險,而市場對 AI 的高度依賴,加上 AI 相關債務快速膨脹,正為信用市場帶來危險。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

霍華德·馬克斯(Howard Marks)是橡樹資本管理(Oaktree Capital Management)的共同創辦人,他主張:對投資人而言,AI 是至少一個世代以來影響最深遠、也最難預測的發展,而要不要投資 AI,說到底「很大程度上是一種信念」。本集節目所依據的備忘錄,主體是一份條列十一個問題的清單:AI 如何運作、它將帶來什麼、誰能從中獲利、信用市場如何吸收它,以及它是不是泡沫。整份備忘錄只有最後一小段直接處理泡沫問題,而這個問題正是標題暗示要談的重點。馬克斯把大部分篇幅花在「可預測性」本身:AI 堆疊中哪些環節是投資人合理可預測的,哪些環節(尤其是前沿實驗室)是他與他請教的 AI 都認為近乎不可知。

馬克斯明白表示自己「不是科技人」,也不宣稱自己對 AI 或科技投資的瞭解高於一般人,因此他把好幾項技術判斷外包給 Anthropic 的 Claude,並以「Claude 的答案」而非自己的意見呈現。讀者讀完應該能帶走三樣東西:一張按可預測性排序、可實際使用的 AI 投資堆疊地圖;一組關於 AI 在企業獲利、資本支出與債券發行中份量的具體數字;以及馬克斯自己用來判斷該承受多少不確定性的框架。此外還有他的警告:市場對單一因素的依賴,已讓它異常脆弱。

AI 是「養」出來的,不是「設計」出來的,沒有人能完全解釋它

馬克斯的第一個問題刻意不談財務:AI 究竟是怎麼做到它做的事?他說自己「對這個主題完全沒有知識」,於是去問 Claude,並大段引用 Claude 的回答。訓練配方是已知的:餵給模型海量文字,讓它猜下一個字,每次猜錯就微調數十億個內部引數,重複數兆次。但「該怎麼回答」的規則,從來沒有人寫過。這些規則是從一次次微調中浮現的,「分散在數十億個單獨來看毫無意義的數字裡」。

馬克斯引述 Claude 的說法:這些系統是「養出來的,不是設計出來的」。可解釋性(interpretability)領域的研究者發現,模型在寫押韻詩時,會先選好韻腳字再寫整行,也就是說它會預先規劃;但研究者只能解釋其中一小部分行為。Claude 的類比是:這就像你握有市場上每一筆交易的完整紀錄,卻仍然不知道價格為什麼會動。當模型解釋自己怎麼做加法時,它可能描述的是課本上的演算法,實際上內部運算卻完全是另一回事——所以模型的自我解釋,「可能並不比我們解釋自己時更可靠」。

馬克斯點出當中的諷刺:Claude「說起話來像個人」。他藉由這種不透明性,帶出整份備忘錄的主軸:如果連 AI 怎麼運作都只有少數人有真正的洞見,那麼接下來那些投資問題,還有誰能可靠地回答?

能力問題仍懸而未決,而 AGI 根本沒有公認定義

馬克斯梳理 AI 的演進:從對歷史資料做模式比對(這一步已經徹底改變了寫程式),進展到某種「大概可以合理稱為推理」的能力。接著他列出他認為直接關係到「哪些工作會交給 AI」的能力問題,但並未給出答案:

  • AI 的運作過程能否被設計成反映我們的偏好、價值觀與目標,還是它會套用自己的那一套?
  • 能否指望它誠實、謙遜、合乎倫理、忠誠——準確而客觀,而不是容易受人影響與操弄?
  • 它會承認自己錯了或不知道嗎?會給出質疑,而不是一味迎合嗎?
  • 它在創造力、原創性、美感、主觀判斷與直覺上的表現會如何?
  • 它能否做到馬克斯所說的「第二層思考」——和多數人想得不一樣、層次更高,從而得出更優越的解法?
  • 能否要求它提供原始出處而非已發表的引用,並提出反面論證?
  • 會是一個模型包辦一切,還是不同模型各有所長?若是後者,使用者又要怎麼知道該用哪一個?

他最犀利的一點在於定義:通用人工智慧(AGI)要以誰為基準來衡量——一般人、前 10% 的人,還是全世界最聰明的人?「換句話說,知識水準會不會有高低之分,會不會有 AI 不知道的事?」

顛覆性技術不等於投資人報酬

馬克斯引用華倫·巴菲特在網路泡沫時期的觀察:顛覆性技術未必會回報投資人。AI 會提升效率,但會不會提升獲利?又是誰的獲利?如果好幾個模型在某個題目上都變得一樣聰明,它們的服務可能淪為無差異化的商品,只能靠價格競爭,投資報酬率(ROI)被一路壓低——果真如此,「經濟利益可能更多流向 AI 的使用者,而不是賣方」。這直接關係到投入 AI 基礎建設的那數兆資金能有多少回報。

反面的情境是壟斷:有些 AI 公司可能取得對客戶成功與存續不可或缺的能力,那麼「想想它們能開出什麼樣的價格」。馬克斯指出,大型晶片製造商輝達(NVIDIA)與台積電(TSMC)「這陣子賺進大把利潤」,正是強大競爭地位價值的明證。

他也提出一個他說很少聽到人討論的問題:課稅。既然 AI 最可能的影響是取代勞工,而政府必須補上被 AI 取代的人所繳的稅收,那有什麼能阻止 AI 被當成人一樣課稅?許多高所得者面臨的綜合稅率達 50% 以上——「AI 會被歸在哪個稅級?」

AI 的領導地位,換人比投資人以為的更快

馬克斯說,進展速度或許是 AI 最令人吃驚的特徵,並指出今天領先的模型實驗室 OpenAI 與 Anthropic,幾年前對大多數人來說都還默默無聞。如果公司能這麼快衝到前面,按理也可能被取代,或至少受到挑戰。他點名超大規模雲端業者(hyperscaler)——Amazon、Microsoft、Alphabet、Meta 與甲骨文(Oracle)——手握龐大資源,並問道:現有業者之中誰會勝出?還是贏家會是我們從沒聽過的公司,甚至現在還不存在的公司?

他的歷史參照點是:20 到 25 年前,Microsoft、Amazon、Apple 與 Google 脫穎而出成為贏家,而 Napster、Yahoo 與 Netscape 則被淘汰。「要在快速變動的技術中維持領先,需要很多條件。」關鍵問題是:今天的 AI 領導者五年或十年後仍是領導者的機率有多高?而如果局面可能翻轉,押注在今天的領導者身上又值多少?

要評價一家 AI 公司,得先回答沒有前例可循的問題

馬克斯走過價值投資的標準流程——估計未來盈餘或現金流、折現回今天、與現價比較——然後列出要對一家 AI 公司做這件事,必須先知道哪些事:它會賣出多少單位、價格多少、單位成本多少、有多少利潤必須再投入下一代產品,以及最終的投資報酬率。他點出的 AI 特有難題如下:

標準輸入AI 特有的不確定性
產品能力它將能做到什麼?客戶又會怎麼用它?
定價能力是普通商品,還是獨一無二、不可或缺的產品?
資產壽命晶片能用多久?資料中心的折舊要多快攤提?
支出持續期間這場燒錢競賽還會持續多久?
資本報酬率賺到的錢夠不夠讓今天的資本支出產生像樣的回報?

馬克斯說,他在 1970 年代分析綜合企業、或在 1999 至 2000 年分析網路與電子商務時,不記得曾為這麼大的不確定性傷腦筋;那些生意「跟 AI 比起來顯得簡單明瞭」。他問:有誰能預估今天超大規模雲端業者與領先前沿實驗室 2030 年的盈餘?更別說那些大致上只是臆測的公司了。而準確預測盈餘,究竟是不是投資的先決條件?

他提出的檢驗方法:說出你對某家 AI 公司五年後每股盈餘(EPS)的估計值。你敢不敢賭最後答案會落在這個數字加減 50% 的範圍內?猜 10 美元,你就是在賭最後會落在 5 到 15 美元之間。

資料中心不是穩賺的生意,賣鏟子的邏輯也有裂縫

對於想走穩健路線切入 AI 的投資人,馬克斯鋪陳了基礎建設的論點:賣鏟子,而不是去猜哪個礦工會挖到金礦,因為不論誰勝出,都還是需要基礎建設。目前算力供不應求,這讓資料中心更具吸引力。但他隨即補上但書。資料中心的成本中,只有相對小的一部分是建築物本身——也就是外殼;晶片與 GPU 佔了大部分成本,而這種過時風險通常由資料中心的使用者承擔。

他列出有意興建者會遇到的限制:找到並買下大面積土地、法規障礙、居民反對資料中心「蓋在我家後院」的阻力、推論所需的網路連線、電力瓶頸、冷卻裝置與營建服務,以及融資取得與成本的限制。他也點出另一面:上週多項資料中心建設禁令過關,會壓縮算力供給,反而讓現有以及未來可蓋的資料中心更賺錢、更有價值。聰明投資人的工作,是找出不受這些不確定性與過度興建影響的機會——而考量 AI 的動態,他預期資料中心投資人中,贏家與輸家之間的差距會比基礎建設領域常見的更大。

AI 如今貫穿整體經濟、股市與信用市場

馬克斯關於集中度的論證,是整份備忘錄最具體的一段。AI 在美國經濟中佔比不大,卻在成長中佔了超乎比例的份量,而它對 GDP 的貢獻絕大多數是透過資本支出、主要是資料中心建設而來——這部分快速攀升,其他營建活動卻在下滑。截至今年 6 月 30 日的連續 14 個季度,科技七雄(Magnificent 7,主要是超大規模雲端業者)的盈餘成長都快過標普 500 其餘成分股。

他引用的具體數字:

  • FactSet 報導,第二季 Alphabet 與 Amazon 合計在股權投資上認列 1,510 億美元收益,主要來自 Anthropic 與 SpaceX(後者如今包含 xAI)。
  • 根據摩根大通(JPMorgan),自 2024 年 1 月以來,42 家 AI 相關公司貢獻了標普 500 約三分之二的漲幅。
  • 根據高盛(Goldman Sachs),今年迄今全球 AI 相關債券發行總額接近 6,000 億美元——包括超大規模雲端業者的公司債、資料中心與專案融資,以及其他與 AI 相關的借款人。
  • 其中約 4,000 億美元流向美國投資級市場,佔投資級總供給的五分之一以上,使 AI 相關債券約佔彭博美元投資級公司債指數的 12%。在美國高收益市場,由於超大規模雲端業者不直接發債,比重約為 6%。
  • 往前看,AI 預計每年平均需要 1 兆美元的新資本,其中數千億美元要靠每年發債籌措。
  • 過去 10 年中有 8 年,美國傳統 IPO 募資額低於 500 億美元,例外是 2020 年將近 800 億美元、2021 年 1,400 億美元。

馬克斯結構性的憂慮在於:經濟與市場如今都依賴「相對不夠分散」的因素。他回溯麥可·米爾肯(Michael Milken)1977 至 1978 年的次投資級創新,其論點建立在兩根支柱上:足以補償違約損失的額外殖利率,以及足夠的分散程度,讓少數幾檔違約不至於拖垮整個投資組合。他說,今天的股市與債市卻高度依賴單一因素——AI 的成功。

談到利率,他主張超大規模雲端業者與前沿實驗室不可能只因為利率高於預期就放慢投資,因為擴充產能與搶先卡位競爭對手都是非做不可的事。因此它們是「資金的接受者,即使資金供給緊俏」。他重新搬出「排擠效應」這個老概念:對利率不敏感、願意付出任何代價的 AI 借款人,可能推高政府必須支付的利率,他並問這是否促成了至今所見的利率上升。他也質疑股市能否在債市之外每年再供應數千億美元,以及 AI 的兩大資金胃口最終是否會爭奪同一個有限的資金池。

他提出的信用品質問題很具體:超大規模雲端業者過去因為非 AI 業務獲利豐厚,一向零負債、現金滿手、評等高;如今它們花掉現金儲備與當期現金流,還借更多錢,那麼信用品質或評等會不會改變?有些資料中心融資倚賴超大規模承租戶的投資級評等;另一些債務則以晶片為擔保,而那些晶片可能撐不到貸款到期。他警告放款人要留意資料中心租約中的條款:若資料中心無法維持 99.9% 的可靠度,承租戶或保證人可終止義務。他也點出所謂的迴圈交易——晶片製造商、超大規模雲端業者、前沿實驗室與資料中心興建商之間互相借貸與採購,錢從 A 流向 B 再回到 A,或從 A 流向 B、B 再融資給 C,C 又拿錢向 A 採購——並問這些究竟是正常交易,還是供應商補貼買方以支撐需求、保住市佔。特殊目的公司(SPV)的資產負債表外借款,則帶出一個問題:這筆債到底有沒有母公司背書。

Claude 給前沿實驗室的評分是「近乎不可知」——而市場正為它們支付溢價

馬克斯想量化 AI 的可預測性,但擔心超出自己的能力,於是請 Claude 把這個產業從 1 分(不可知)到 10 分(完全可預測)排序。Claude 的整體判斷是:AI 整體約 3 分,但這個分數掩蓋了內部的分裂——方向相當可預測,大約 6 到 7 分(技術會持續進步並擴散到整體經濟),但「投資人真正能賺到錢的那些事」只有 2 分左右:發生的速度多快、利潤有多大、以及誰能留住利潤。

AI 次產業Claude 可預測性評分可比的非 AI 產業
供電給 AI 的受管制電力公用事業6受管制公用事業,6–7
長期租給大型科技公司的資料中心5–6大型工業,5–6
超大規模雲端業者5不適用
晶片4航空、海運,3–4
投機型或「新雲」(neocloud)資料中心2–3電信/光纖,2–3
前沿實驗室(OpenAI、Anthropic、xAI)2早期創投,1–2

馬克斯說,前沿實驗室只拿 2 分最令人意外——「幾乎不可知」。他轉述 Claude 的理由:這些生意近乎二元結果、資金需求龐大、每單位能力的價格持續快速下跌,而且是否存在持久的護城河並不清楚。馬克斯點出當中的諷刺:Claude 本身就屬於 Anthropic;更奇怪的是,這些最不可預測的標的「在私募市場上似乎還享有溢價」。他說 OpenAI 與 Anthropic 都已申請 IPO,屆時它們的股票在公開市場如何定價、上市後如何交易,會很值得觀察——並提醒,第二季推升標普 500 盈餘的股權收益,很大一部分正是來自這個最不可預測的領域。

至於地緣政治——對 AI 而言通常就是指中國:幾乎所有最先進的晶片都來自臺灣的台積電,美國限制最先進晶片銷往中國,而這項限制反而促使中國推出低成本模型,壓低美國更強大模型的銷售。他問:如果情況改變,美國的競爭地位會如何?中國晶片會不會追上甚至超越今天的領導者?中國有沒有可能阻撓或禁止臺灣晶片銷往美國?而對中國意圖的疑慮,是否會削弱推動安全護欄的努力?

泡沫問題,歸結到一個無法回答的問題

馬克斯把泡沫定義為「非理性繁榮導致不審慎的行為、過度投資,以及為了參與而付出過高的價格」,並說必須從三個角度思考 AI 泡沫:這項技術是否被過度炒作、很可能令人失望;企業是否支出過度、未來的報酬卻不足;投資人是否承擔了過多風險、付了太高的價格。他說自今年 2 月上次寫 AI 備忘錄以來,自己的看法沒什麼改變。他仍相信 AI 本身會證明強大且影響深遠,並以我們還無法想像的方式改變企業、經濟與生活——「這項技術不是幻覺」。

他列舉近期交織的負面因素:通膨、聯邦赤字與債務、隨之而來的利率上升、伊朗戰爭看似難解,再加上 AI 特有的憂慮——新模型的競爭、功能較少但更便宜的模型、低價的中國模型、可免費下載的開源模型、每 Token 價格下滑、算力使用成長可能放緩、銷售成長不如預期,以及對高槓桿與依賴未來融資的擔憂。他對市場情緒的觀察是:現實中事情總在「還不錯」與「不怎麼樣」之間擺盪,但「在投資人腦海裡,卻是從完美無瑕直接跳到毫無希望」。

一切歸結到一個複雜的問題:AI 能否為使用者創造足夠的價值,足以支撐算力的銷售,且價格高到能讓投入的那數兆資金賺到像樣的回報——而且,是哪幾家公司賺到?他說,在我們知道 AI 會怎麼被使用、誰能獲利之前,無法評斷這些支出明不明智;在我們能估計盈餘與基礎建設獲利之前,無法判斷股價或債券殖利率合不合理。他與他認為內行的人士交談後的結論是:回答這個問題「很大程度上是一種信念」。他並配上據稱出自美國經濟學家兼作家斯圖爾特·蔡斯(Stuart Chase)的一句話:「信的人,不需要證明;不信的人,證明也沒用。」

務實的答案是校準過的謙遜,而不是癱瘓不動

馬克斯的處方是「在策略選擇、部位規模與風險承擔上保持校準過的謙遜」,同時願意在不確定之中採取行動。AI 的不同環節,需要做對的事情也不同:前沿實驗室的股票投資人,可能得在技術進展、競爭定位、定價能力、未來獲利與估值上都判斷正確;而依長期合約融資資料中心的放款人,需要做對的事情較少——承租戶信用、合約條款、電力供應、資產殘值——但這些是相當不同的事。對任何投資人或機構而言,關鍵問題是:這些問題中,哪些是自己擅長回答的?哪些不確定性是即使沒有那樣的專業,也願意承受的?

他指出,只要價格相對於內在價值夠低,高度不確定性是可以接受的——理論上,在 Claude 可預測性量表上評分較低的領域,只要夠便宜,反而可能是更好的標的——不過就 AI 而言,前面談的一切都讓內在價值的估計變得極其困難。他的收尾檢查清單適用於所有投資,不只 AI:

  • 要賺到可接受的報酬,得有多少件事同時做對?
  • 如果我的核心假設錯了,我可能損失多少?
  • 哪些風險是我有獲得補償的?哪些只是我白白承擔的?
  • 價格裡已經反映了多少樂觀情緒?
  • 這會如何改變我投資組合的整體風險輪廓——是放大風險,還是分散風險?

他以一句老話作結:兩種投資人會賠掉大錢——什麼都不知道的人,和什麼都知道的人。他說,在 AI 領域,格外重要的是接受自己並非什麼都知道。真正該思量的,是 AI 投資令人失望的機率,相對於不令人失望的機率。

最後一句話留給華倫·巴菲特,引自馬克斯說他在舊檔案裡找到的 1979 年 8 月 6 日《富比士》文章:主張近期未來有太多問號、最好等情勢明朗再說,是一種柺杖。「未來從來不明朗。在股市裡,為一片歡欣的共識,你得付出非常高的代價。不確定性,其實是長期價值買家的朋友。」

整份備忘錄貫穿著一個未解的張力:馬克斯最有力的兩個觀察,方向恰好相反。他的可預測性分析說,前沿實驗室——這個貢獻市場近期盈餘成長一大部分、在私募市場享有溢價的領域——是整個堆疊中最不可知的部分;而最可預測的資產,受管制公用事業與長期租約的資料中心,卻最不可能吃到 AI 的上檔空間。他的集中度分析說,市場對單一因素的依賴,讓它比一個廣泛分散的市場更脆弱;但他引巴菲特作結又說,不確定性是長期買家的朋友。能調和兩者的是價格:這份備忘錄真正的論點,不是 AI 是泡沫、也不是它不是泡沫,而是答案取決於目前還沒人拿得出的數字,而投資人應根據自己究竟能回答那十一個問題中的哪幾個,來決定部位大小。值得持續追蹤的是:OpenAI 與 Anthropic 的 IPO 如何定價、上市後股價如何表現;超大規模雲端業者的信用評等會不會隨槓桿上升而調整;以及近幾週的資料中心建設禁令,是否會收緊算力供給到足以拉抬現有業者的報酬。

來源: The Memo by Howard Marks (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論