當智慧變得免費，還有什麼有價值

Cliff Sosin 是 EarthWorth 的投資人，他主張智慧是一種有邊界的工具——是預測能力與可得事實之間的比值——因此廉價且無所不在的 AI 不會解開所有問題，投資人該持有的是智慧的「互補品」，而不是智慧本身。整場對話大部分時間都花在這套框架及其推論上：為什麼複雜動態系統會限制任何模型的預測上限、當智慧變得免費時哪些業者受益或受害（Meta、Grindr、垃圾清運）、前沿實驗室能否守住定價權，以及該怎麼把 AI 基礎建設的擴建潮理解為一輪資本週期。標題的框架——免費智慧「不會改變一切」——說得沒錯，但低估了涵蓋範圍：本集還談到投資組合集中度（Sosin 說他約 80% 的持股是 Carvana）、代理（agent）可能如何讓價格變動得更快，以及當模型能代寫作業時，教育該長成什麼樣子。

Sosin 是採取集中持股、長線佈局的投資人，同時為旗下被投企業提供 AI 匯入建議；Patrick O'Shaughnessy 則是《Invest Like the Best》的主持人。對專業讀者而言，價值在於這套框架的紀律：一個可檢驗的主張——AI 的報酬究竟落在哪裡——並逐家公司套用驗證，加上對這波擴建潮難得平衡的處理——Sosin 說他可以用「同樣的篤定」論證「我們嚴重供不應求」和「我們完全蓋過頭」這兩種情境。

智慧是比值，不是階梯——而複雜系統會封住它的預測上限

Sosin 的核心主張是：把智慧想像成一條沒有上限的純量階梯——從變形蟲、猴子、人類、愛因斯坦一路到「神」——「某種程度上是智識上的錯誤」。他主張改用比值來理解智慧，「就像一顆球的圓度」：那只是一個在稀疏事實之間做內插的小裝置，而它所面對的宇宙複雜到無法直接認識。智慧越高，填補空隙的能力越好，在數學這類領域甚至趨近完美。但多數有趣的問題都是複雜動態系統，到了那裡，增益就停了。

他舉的經典例證是混沌理論的發現：一位研究者把天氣模型跑了兩次，到第三到第五天的預報，兩次結果完全分歧——一個預測 70 度晴朗，另一個預測 20 度大雨。原因是技術人員把初始條件少四捨五入了一位小數。微小誤差在每一步累積，所以「極限上，如果你想模擬整個宇宙，你真正需要的其實就是整個宇宙」。實務上的推論是：過了某個點之後，再高的智商也無法取代實際接觸現實——跑實驗、蒐集新資料——而這需要時間。

「你真的很聰明，所以你一定能理解聰明是有極限的。聰明有極限，所以光靠想就能想出解法的能力也是有限的。」

他把這個論點延伸到自動化科學。閉環濕實驗室與機器人「是個超棒的主意」，但會撞上物理速度上限：如果一項實驗需要繁殖小鼠、而小鼠要一年才成熟，整個迴圈就被小鼠卡住，而且一座實驗室同時能跑的實驗數量有限。模型或許能把實驗成功的機率提高到 1%——也許比一般研究員好上十倍——但 1% 終究是 1%。他對 AI 能與不能交付什麼的總結是：它能挖出散落在各篇論文、卻從沒有人一起讀過的關聯，也能更好地指引研究方向，但它不會「東看西看然後說：各位，你們漏掉了——這裡有個你們無法理解的新世界。」

當智慧免費，就持有它的互補品：資料、注意力、鄰近性、規模

Sosin 的投資啟發法是：假設人人都擁有頂尖智慧，然後問還剩下什麼。答案是智慧的互補品——資料、注意力、情感依附（「愛、感情，任何你想像得到的情感連結」）、實體鄰近性、規模，以及「講得有點犬儒，但就是監管俘虜」。檢驗任何一家公司的標準是：廉價智慧是幫它更好地服務客戶，還是摧毀了原本來自客戶或競爭對手「部署智慧能力有限」的護城河？

他的例項是 Meta，而且是從「太空」——最高、最宏觀的視角——來看。Meta 一年創造約 2,500 億美元營收，也花掉約 2,500 億美元，一部分列為費用、一部分列為資本支出。用還原論的說法，這些錢全都在買智慧：資料中心是生產智慧的工具，推論本身就是智慧，寫演算法和程式碼的工程師也是智慧。如果智慧的價格「在未來五年內跌掉 100 倍之類」，從第一原理推下去，這些成本就會消失。營收端則是：創作者能做出更好的內容、Meta 能更精準地挑影片、廣告主能做出更精準投放的廣告和「滑溜得多的轉換漏斗」。真正存活下來的，是 Meta 擁有、而無所不在的智慧摧毀不了的東西：關於人們如何看影片的海量資料，以及海量注意力，兩者彼此複利。他沒有持有 Meta。

Grindr 是他口中「應該受益卻受制於條件」的例子——注意力與資料都很多，但團隊和預算太小，無法把所有想像得到的東西都做出來。他拋出的框架性問題是：「如果你有 1 萬名 Google 最頂尖的工程師，來解決你的問題五年，會怎樣？」他也沒有持有 Grindr。

垃圾清運的例子承載了整套機制。今天多數人說不出自己付多少垃圾清運費，所以轉換成本本質上就是注意力成本。一旦有代理代替客戶最佳化，客戶就會流向低成本業者——接著出現二階效應：一條街上只要接到兩戶的清運商，就能對整條街壓價搶單，成為真正的低成本生產者，進而整併在地密度。結果是一門量更大、毛利更低的生意，以及一個價格隨時在變動的市場。

前沿實驗室可能贏了前沿，卻仍輸掉大宗商品市場

O'Shaughnessy 追問多頭論點：前沿智慧不是大宗商品、對外公開的模型與內部自用模型差距正在擴大、蒸餾（distillation）正被拖慢，而且實驗室自己就能吃下曲線的便宜端。Sosin 先承認這個條件句——「如果他們有更好的模型，又能用遠低於所有人的成本產出還算夠用的智慧，而且誰都抄不走，那這會是一門很棒的事業」——然後說明為什麼他很難為此背書。

他對部署的模型是一道往堆疊上層推進的浪潮。早期模型只能處理一小部分工作；模型越好，可觸及的市場越大。但在前沿之後，任務會飽和：「你絕對不會在客服應用裡用前沿模型來做聊天機器人，那太蠢了。」這些層會大宗商品化，而且趨勢很快——他舉中國模型的崛起與成本崩跌為例。就算某家實驗室是次前沿市場的成本領導者，那個市場也可能很小，因為服務它很便宜、競爭又激烈：在一個萎縮的大宗商品市場裡當成本領導者，毛利有限。

他認為需求端是菱形，而不是無限擴張。早期，更便宜的智慧會擴大用途；後期則收窄成稀有的利基——「人到底多常真的需要 300 的智商，這問題值得開始問」。程式設計曾是最大的應用場景；問題是接下來那幾層背後，有沒有同樣大的市場。他認為，要治癒癌症就得接觸現實，更高的智商未必能帶你到那裡。

他也引用傑文斯悖論（Jevons paradox），然後加上限定。傑文斯講的是「曲線上某個特定點」，而市場通常是 U 型：產品爛的時候沒有需求，價格下跌後需求成長，然後來到一個點，再降價也帶不動足夠的量，市場就開始萎縮——價格為零時，市場規模也是零。他的類比是資訊傳輸的成本：成本跌了幾十年，流量大幅成長，然後市場停止成長並持續萎縮。Cogent Communications 據他說透過一個甚至不是最大部門的單位，承載了全部 IP 流量中的 30–40%，而它只是一家市值幾十億美元的公司。「這真的不是一個很大的產業。」

至於智慧會不會創造自己的需求，他被說服了一部分，但還是回到現實限制：模型可以生成很多好假設、設計更好的實驗，但實驗還是得跑，而且面對真正未知的物理，最聰明的人猜對的機率本來就低。他也拿自己的行為當大宗商品化的證據：他已經不知道自己用的是哪個模型，因為他訂了一堆服務、架了伺服器，讓機器人在後端做事，不佔用他主要方案的額度。

擴建潮是一輪資本週期：人才跟著價格訊號走，最後一個停手的人會後悔

被問到為什麼最優秀的創業者都把人生投注在供給端，Sosin 把因果關係反過來看。一項規模龐大又重要的技術，若沒有強烈的價格訊號和大量人才，不可能撐起龐大的基礎建設擴建；人才會在那裡，是因為機會是真的。「他們這麼做很好。他們會賺到很多錢，也值得賺。」他自己的選擇不同：與其押注「哪個鐵路大亨會賺錢、我們需要多少條鐵路」，他試著為隨之而來的均衡佈局——「一旦有了鐵路，我希望自己有先見之明，看出接下來是消費品品牌。」

他把美國經濟形容成一個為買房存錢的家庭：資源被抽進 AI 擴建潮，水電師傅被調走，其他領域的成本因此上升。這個國家會一直往前推，「直到最後我們做過頭」，而過程中人們必須賺到很多錢，否則就會停手。由於前置時間長、加上贏家詛咒，「最後一個停手的人，無一例外都會後悔」。他補充，這一輪比過去的基礎建設熱潮更有技術動能——甚至可能出現 AI 把輝達也大宗商品化的情況；用他的話說，輝達的核心產出不過是送到臺灣的平面檔案，由一群苦思這些檔案的人製造。

他很坦白地說自己無法預測供給端的投資：推論需求和成本下滑的速度，「各自都有好幾個數量級的不確定性」；而且就算猜對了，你還得位在瓶頸上才能吃到租金，然後還得在那裡打贏競爭者。他自嘲對這些公司「刻意無知」，而且大概因此吃虧。至於台積電，他拒絕裝內行，但指出它有一些更好的特質——多年累積的製程實力、實體且某種程度難以言傳的 know-how，不容易被 AI 取代——同時也有一個問題：正因為它無法滿足需求，才害得全世界都試圖複製它的護城河。

代理會讓價格動起來——而價格仍是不可取代的協調訊號

Sosin 預期代理會透過消除當前定價中的黏著與惰性，讓市場變得更銳利。存款和垃圾清運是他的例子：原本一年不動、然後悄悄漲 5% 的價格，會變成持續重算——清運商重跑財務數字、估算真實邊際成本，對每個客戶都開出高於邊際成本的報價，而每個客戶的代理則轉向最便宜的業者。「你的垃圾清運費會每天不一樣。」他把價格形容為「包著誘因的訊號」——它告訴你相對價值與稀缺程度，同時驅動行為——並且懷疑有任何系統「即使智慧無限」能更好地協調經濟活動。

對於 AI 進入他自己的專業，他更保守。類比是自由式西洋棋：有很長一段時間，人搭配程式勝過單獨的人和單獨的程式，因為人和電腦的思考方式不同、能互補。投資現在正處於那個年代——他握有的資訊與判斷不在模型裡，因為不是所有東西都在網路上。這個差距可能縮小；而如果模型對結果的機率分佈就是可得的最佳預測，再疊上人類判斷，就像在七天期天氣預報上再加一句他的意見。他也描繪了一個更奇特的未來：模型會面試並評判經營團隊；資本配置時，模型告訴你六個遊樂園選址各有 51% 的成功機率，並把你個人評為 51.2%——「略低於平均」——然後建議你改做卡丁車。他認為那還要好一陣子。

談到資本市場，他停下來肯定這套制度：美國把約 GDP 3% 的資源，「幾乎在一夕之間」重新配置到一項高度投機的冒險上，沒有其他國家展現過這種能力。他預期詐欺與浪費終究會浮現，就像鐵路擴建時期一樣，但認為這一輪異常乾淨。他對美國霸權的個人理論是基因、文化與制度的互動作用：移民是自我篩選過的風險承擔者，而這種常規又強化了破產法、勞動法與創投，回過頭產生了成功故事。被問到利率長期下滑，他提供了一塊拼圖：為未來建設意味著今天要少消費，所以利率偏高，是因為社會必須被付錢才會儲蓄。

集中持股是刻意的取捨，不是疏忽

Sosin 證實了投資組合的樣貌——約 80% 是 Carvana，Meta 約 5%，再加少數幾檔——並反駁標準的分散化文獻。他認為，那些文獻談的多半是證券價格的變動，而不是擁有一門生意，而且它適合的是追求平均、或略優於平均報酬的人。「那不是我在找的東西。」他對 Carvana 部位規模之所以安心，建立在一個具體判斷上：它的基礎設施與品牌差異化程度夠高，很少有情境會以真正糟糕的結果收場。他指出，當年若有人早早找到 Walmart、Home Depot 或 Fastenal 卻選擇分散，就不可能吃滿報酬；而偉大投資人的歷史紀錄都是集中的——但他也承認存活者偏差：「你不會讀到歷史的歷史。」他說，如果股價上漲、讓他覺得非得分散不可，他也無所謂；這就是在預期報酬與明知故犯地承擔不尋常風險之間做取捨。

在位者的 AI 行動手冊：先讓董事會 vibe-code，再對所有系統開放唯讀許可權

Sosin 給被投企業的建議是一套四步流程，他估計要花好幾年。第一步，所有人——董事會、執行長、全體員工——都該 vibe-code，透過駭客松來做（「在 Carvana 他們說：對，我們叫它披薩派對」）。重點不在產出的軟體，而是讓每個人親身體會現在可能做到什麼、重新設定期待。第二步，執行長告訴 IT 主管，他要自己的個人代理以唯讀許可權接上公司每一個系統——凡是他問人就能知道的事，都應該能在提示裡問到答案。IT 會說這難如登天；這正是重點。第三步，執行長到處使用它，直到別人也想要，許可權再一個一個人談出來。第四步，需求從讀取升級到寫入、再到修改系統，每一階都需要許可權與變更管理流程。

策略上的含意是：在位者面對的是一場與「沒有包袱的新創」的賽跑——「你所在的行業，有時間讓這些事發生，而不會被一個從跳球就開始的人超車嗎」——這也是為什麼擁有一門真正好的生意會有幫助。他同意現在是創業有史以來最好的時機，但有一個但書：如果某件事對你來說很容易做，那對所有人來說都容易，所以能長久存續的成果，是那些帶有楔子的——鎖定效應、專有資料，或是一條看起來夠不誘人、以至於很少人嘗試的路。

他點出兩個未解的總體問題。第一，企業整體毛利率會升還是會降；他傾向認為會降，因為消費者剩餘擴大，但也提醒 1990 年代的研究報告對網際網路說過同樣的話，結果錯了——可能是因為聚合經濟學（Ben Thompson 的框架）成立——而那個框架依賴消費者只看第一個搜尋結果，一旦代理把所有選項都看過、品質與價格變得更顯眼，這個前提就破了。第二，更便宜的協調是否讓公司能建立完整的垂直堆疊——一門橫跨食品、保險、醫院與獸醫的寵物照護生意——降低代理問題、拉高毛利。至於不平等，他兩邊都能論證：消滅收租者、把專業「智慧階級」大宗商品化，會拉平結果；而主動性與企圖心的報酬，則會讓差距更陡。「杜魯門想要一個只有一隻手的經濟學家。我好像很明顯每件事都有兩隻手。」

教育該培養的是指揮模型的詞彙，而不是跟模型競爭

Sosin 檢驗教育的標準是：當模型擁有無限智慧時，個人的智慧還值多少。他的答案是：更高的智慧與更多結晶化的知識，會讓你更善於跟模型溝通、把它指揮到你要的方向。他沒辦法跟模型深入討論量子物理實驗的設計，因為那會像「用蠟筆和泡棉劍解釋事情」；但在他有專業的領域，他就能有效指揮它。因此他主張在不靠模型的情況下教基礎能力——不是因為孩子將來要手算乘法，而是因為不會手算就無法理解矩陣乘法，而不懂矩陣乘法，就無法理解模型在做那件事時到底在幹什麼。

他同樣不耐煩那些抱怨學生用模型寫莎士比亞論文的老師：「你企圖心不夠。給他們難一百倍、更有企圖心的題目，讓他們把模型用到極致」——然後要他們為成果辯護、證明那是自己的東西。孩子必須善用工具，也必須被教會：他們什麼都做得到。

Sosin 論證的兩半始終沒有完全調和，他自己也這麼說。如果每個人都像他用那麼多 Token，全世界會嚴重缺算力，擴建潮裡的每個人都會發大財；如果每 Token 成本崩跌、而多數人適應得很慢，「那也許我們其實完全蓋過頭了」。用他的話說，這兩個故事都能「同樣篤定」地講出來。他提供的框架不是預測，而是篩子：假設智慧充裕又便宜，然後問哪些生意擁有智慧無法製造的東西——資料、注意力、實體密度、規模，或監管地位——以及哪些生意之所以存在，只是因為它的客戶或競爭者受限到無法多想一步。這把篩子會把你從供應鏈指向需求端，而這正是這場對話中值得帶進投資組合檢視的那一部分。