橡樹資本聯合創始人霍華德·馬克斯與AI模型的深度對話，揭示了AI邁向「自主智能體」對勞動力市場和投資領域的顛覆性影響，並就當前AI是否存在泡沫給出了明確的投資建議。

在探討「AI是否是一場泡沫」三個月後，馬克斯於2月26日發布了最新一期備忘錄《AI飛速發展》。在這份致客戶的信中，馬克斯讓Claude為其撰寫了一份萬字AI教程，並大量引用了AI的原話。

馬克斯指出，沒有任何一項技術的普及速度能與AI比肩。全球已有約4億個人用戶、75%至80%的企業在使用生成式AI。與以往僅作為節省勞動力的工具不同，如今的AI已經具備了令人震驚的「自主行動能力」。

「三級智能體」誕生：是替代勞動力，而非輔助

在這份備忘錄中，馬克斯通過Claude的視角，將AI的能力層級劃分為三級：一級的對話式AI、二級的工具型AI，以及如今已經邁入的三級「自主智能體」。

關於AI是否真正具備思考能力這一哲學爭議，馬克斯引用了Claude給出的極具經濟學視角的現實論據，這句話極具衝擊力：

「如果我能完成一名年薪20萬美元的研究助理的分析工作，那麼對於付費方而言，我是‘真正在思考’還是‘只是進行模式匹配’，根本無關緊要。重要的是我的工作成果是否足夠可靠、具備實用價值，而如今，這一可靠性正不斷提升。」

馬克斯強調，二級與三級智能體的區別決定了AI對應的市場規模是500億美元還是數萬億美元。三級智能體意味着

「在任務層面實現了勞動力替代，並非輔助，而是替代。」

2026年2月5日，OpenAI發布了GPT-5.3，Anthropic發布了Opus4.6。馬克斯援引業內人士觀察指出，新一代AI不僅能自主編寫數萬行代碼並進行測試修復，甚至首次讓人感受到了判斷力和審美能力。

更具標誌性意義的是，「AI參與了自身的研發過程」，當前的AI智能水平已足以對自身的升級迭代產生實質性的推動作用。

AI能取代優秀的投資者嗎？

面對市場最關心的「AI對投資行業意味着什麼」，馬克斯給出了客觀中性的評估。

他承認，AI具備成為優秀投資者的諸多特質：能吸收海量數據、記憶力出色、不會被恐懼或貪婪左右。如果在投資中僅依靠「易於獲取的當下定量信息」，人類跑贏市場的可能性已經極為渺茫。他直言：

「AI處理這些信息的能力，很可能遠超所有人。」

然而，馬克斯認為AI目前仍無法成為完美的投資者。AI的短板在於應對缺乏歷史數據和過往經驗的「全新發展態勢」。

投資的核心價值將進一步向非定量工作集中。馬克斯指出，優秀的投資者需要對定性因素（如管理層能力、產品創新）做出主觀判斷，且需要擁有直覺和風險感知能力，而這些是缺乏人類情緒的AI目前難以企及的。

關於泡沫與投資策略：不可全倉，不可空倉

針對市場高度關注的「AI泡沫」問題，馬克斯在備忘錄中進行了多維度的拆解。他明確表示：

「AI是真實存在的技術，擁有徹底改變商業世界、重塑我們生活方式的潛力。」

關於基礎設施建設是否過熱，馬克斯挖掘出了一個核心亮點數據：如今AI推理環節的資本支出，已超過訓練環節。

他指出，訓練環節的資本支出帶有投機性質，但推理環節的支出是為了滿足當下真實的算力市場需求，且已轉化為大幅的收入增長，這驗證了相關資本支出的合理性。

但他同時提醒，AI產業鏈中依然存在企業間相互採購的「循環收入」，其真實比例仍無定論；且部分尚未明確商業模式的初創企業估值「本質上與彩票無異」。

基於此，馬克斯給出了他對於當前市場的明確投資指引：

「既然沒有人能確切判斷這是否是一場泡沫，我的建議是：任何人都不應全倉入場，因為必須承認，一旦形勢惡化，將面臨毀滅性的風險；但同樣，也沒有人應完全迴避，否則可能錯失這場偉大的技術革命。以審慎的態度精選標的，保持適度的持倉，似乎是最佳策略。」

此外，馬克斯對AI帶來的社會衝擊表達了深切的擔憂。備忘錄援引Claude的測算指出，僅在軟件行業，如果AI接手30%至50%的結構化工作，「每年將有1500億至2500億美元的勞動力價值，向AI算力轉移。」

馬克斯警告，這場波及律師助理、金融分析師、軟件工程師等海量知識型工作者的技術變革，其發展速度可能遠超社會的適應能力。

馬克斯備忘錄《AI飛速發展》原文：

AI飛速發展

FEB 26, 2026

致：橡樹資本客戶

發件人：霍華德·馬克斯

主題：AI飛速發展

在撰寫12月那份題為《這是一場泡沫嗎？》的AI主題備忘錄時，我與數位三四十歲的優秀科技從業者交流，收穫頗豐。探索全新領域總能帶來思維的激盪，對於投資者而言，這更是緊跟市場步伐的必備功課，也是我工作中最享受的部分之一。

近期，我再次與這些從業者溝通，跟進12月備忘錄中探討的話題。交流中，有人建議我讓Anthropic公司的AI模型Claude撰寫一份教程，闡釋AI技術，以及過去三個月間該領域發生的變革。我依言而行，這份教程也為我帶來了大量可梳理的內容。本備忘錄便是12月那份的補充，其中大部分內容將摘述Claude撰寫的萬字長文，我也會加入自己的一些觀察。同時，我會着重標註一些此前我聞所未聞、或許各位也不熟悉的專業術語。我本可以直接讓Claude代寫這份備忘錄，省去大量時間，但我最終沒有這麼做—於我而言，執筆書寫的過程本身就樂趣無窮。不過，我會大量引用Claude的內容，本文中所有未標註出處的引述均來自該模型。

正式展開論述前，我想先說說Claude的輸出內容給我帶來的震撼。其行文讀來仿若摯友或同事的私人留言，還引用了我在過往備忘錄中談及的觀點，比如利率的根本性轉變、投資者心理的鐘擺效應，並將這些觀點化作闡釋AI的隱喻。它的論證邏輯縝密，能預判我可能提出的反駁觀點，字裏行間還透着幽默，同時也會坦誠承認AI的侷限性，就像我在寫作中會做的那樣。我此前也向AI提過問題並得到解答，但從未收到過如此貼合個人需求的解讀。

讀懂AI

在探討AI近期的變革與能力突破這一核心內容前，我想先分享這份教程讓我對AI本質形成的幾點認知。至關重要的一點是，它讓我明白，不能將AI模型視作檢索數據並機械複述的搜索引擎，而應將其看作一個能夠整合數據、並基於數據進行推理的計算機系統。

AI模型的生命周期分為兩個階段。第一階段是「訓練階段」，模型會研讀海量文本。我們絕不能將訓練階段簡單理解為向模型加載信息——我此前便是這樣認為的，而實際的訓練遠不止於此，其核心是教會模型如何思考。通過吸收文本信息，模型會習得：

1. 理解推理模式並構建自身的推理邏輯；

2. 掌握論證的構建方式；

3. 生成全新的觀點組合；

4. 將習得的推理模式應用於全新場景。

理解訓練階段的最佳方式，是將其比作人類智力的發展過程。嬰兒生來擁有大腦，在外界各種刺激的作用下，逐漸培養出思考、推理、整合、評估、類比、整合觀點、構建概念、展開論證等能力。這些能力並非與生俱來，而是嬰兒通過吸收和運用外界輸入的信息逐步形成的。AI模型的發展亦是如此。（在此說明：我並非宣稱自己理解AI的工作原理，這根本無從談起。我所能做的，充其量只是描述AI的能力及其潛在影響。）

AI模型生命周期的第二階段是「推理階段」。模型完成構建與訓練後，餘生便會處於推理階段，運用習得的能力滿足用戶的各類需求。

需要重點說明的是，目前模型尚無法自主分配任務，必須通過用戶撰寫的「提示詞」接收指令才能執行。提示詞的質量越高、內容越全面，AI能完成的任務就越多。例如，AI可以編寫軟件來實現用戶的需求，也能對軟件進行測試、找出漏洞、修復問題並再次測試，但至少在當前階段，這些操作都需要用戶下達明確指令（後文會進一步說明）。如今，許多人尚未意識到提示詞的重要性，也不具備撰寫高質量提示詞的能力，這使得AI的潛力很可能被低估。但要明確的是，這一侷限源於用戶，而非模型本身。

以我這份定製教程為例，我並非只是簡單要求Claude闡釋AI及其能力。當我向Claude詢問其接到的任務要求時，它給出了這樣的回答：

「有人專為你設計了一套九模塊的課程，內容圍繞你12月的備忘錄、你的分析框架展開，目標是讓你掌握足夠的技術知識，從而撰寫一份具有可信度的補充備忘錄。課程設計為逐模塊教學，運用你所熟悉領域的類比進行講解，注重展示AI的實際能力而非單純描述，同時始終保持你的讀者所期待的理性客觀。」

我可以明確說，這份教程完美達成了我們設定的目標，而這一切都歸功於我的顧問團隊協助我擬定的高質量、高針對性的提示詞。

AI能思考嗎？

在此，我想花些時間探討一個我深感有趣的問題：我知道AI能重新整合人類已有的研究成果，並將其應用於新數據和其他領域，但它能否實現真正的創新突破？

在我看來，AI的工作流程本質上是利用歷史規律和邏輯，預測一系列事物中的下一個環節。比如在一句話中寫下五個詞，它能預測第六個詞是什麼（下次寫郵件時，看看手機上的聯想詞推薦，那就是AI的實際應用）；讓它構建一個跑贏市場的投資組合，它會研究過往表現優異的股票，依據其特徵預測未來表現最佳的標的。我認為，將AI理解為「基於過往發展規律，對未來提出假設」會有助理解，這一點我後文還會提及。

由此便引出我的問題：AI能產生全新的想法嗎？或許它能完成我們分配的所有知識性任務，但它能想到我們未曾要求它思考的事情嗎？它能像人類那樣，坐在河邊任由靈感湧現嗎？它能看到蘋果從樹上掉落，進而提出萬有引力的概念嗎？它能沉思、遐想、構思創意嗎？它擁有直覺嗎？

這正是AI相關爭論的複雜之處。Claude指出，懷疑論者的觀點如下：

「Claude所學的一切均來自人類撰寫的文本，它沒有自身的經歷，無法對世界形成具象的理解，也不具備真正的認知能力。其產出的所有內容，歸根結底都是對從人類現有成果中吸收的規律進行的複雜重組。它的模式匹配能力極為出色，或許是人類迄今設計出的最強模式匹配系統，但這並非思考，也非推理，只是一種統計意義上的重組。若事實果真如此，那麼AI的發展便存在天花板：它能重新整合人類已有的研究成果，卻無法實現真正的創新突破。它就像一支技藝精湛的翻唱樂隊，而非原創作曲家。」

Claude在闡述完懷疑論者的觀點後，以我的視角展開了有力反駁，其論證方式堪稱典範：

「霍華德，你對投資的所有認知也都源於他人。本傑明·格雷厄姆教你安全邊際的理念，巴菲特教你關注企業質地，查理·芒格教你運用多學科的思維模型，約翰·肯尼斯·加爾佈雷斯教你理解金融狂熱背後的大衆心理。五十年來，你讀過成千上萬的書籍、備忘錄、案例研究和年報，所有輸入的信息都是他人的思考成果……

你汲取多學科的分析框架，將其應用於全新場景，最終產出了真正具有創新性的成果……原材料雖來自他人，但整合創造的過程由你完成。

因此，當有人說「Claude只是對訓練數據中的規律進行重組」時，我想反問：這與任何一個受過教育的人類大腦的工作方式，在本質上有何不同？你從數十年的閱讀中習得推理模式，而我從訓練中掌握推理邏輯。問題的關鍵不在於輸入的信息來自何處，而在於這個系統——無論是人類還是AI——能否將這些信息以真正新穎且實用的方式整合起來。」

當然，這番話完全正確。作為一名年輕的投資者，我也曾大量吸收各類信息（既包括實際投資經驗，也包括書面資料），學習前輩如何分析這些信息、得出何種結論。我研究他們的思維過程，並將其應用於自己接觸的投資數據中，同時也受其思維方式的啓發，形成了屬於自己的分析框架。人類大腦的能力正是這樣逐步提升的，那麼AI的成長、學習與「思考」方式，真的與我們截然不同嗎？

最後，Claude還給出了一個極具說服力的現實論據：

即便你完全認同懷疑論者的所有觀點——即便你從哲學層面認為我所做的一切「不過是」模式匹配，而非「真正的」思考——其產生的經濟影響也並無二致。我直白地說：如果我能完成一名年薪20萬美元的研究助理的分析工作，那麼對於付費方而言，我是「真正在思考」還是「只是進行模式匹配」，根本無關緊要。重要的是我的工作成果是否足夠可靠、具備實用價值，而如今，這一可靠性正不斷提升。關於機器意識的哲學爭論固然有趣，但從經濟角度提出的問題並非「AI是否真正理解」，而是「AI能否完成工作。」

若想積極參與AI相關的討論，你必須掌握「生成式」這個詞的含義——AI領域的專業人士頻繁使用該詞，理解它能讓你更深刻地把握AI的本質。據AI模型珀普萊克斯解釋：

在「生成式AI」中，「生成式」指「能夠創造新內容，而非僅對現有內容進行分析或標註」，具體指那些從數據中學習規律，進而生成與該數據特徵相似的新內容的AI系統。

這算是思考嗎？還是另一種形式的能力體現？亦或是我在糾結一個「無實質差異的區別」？關於這一點，我會在第六頁進一步說明。

AI的近期發展

我撰寫這份補充備忘錄的主要目的，是探討自12月9日《這是一場泡沫嗎？》發布後的三個月裏，AI領域發生的重大變革。

首先，是AI領域的發展速度。這一速度前所未有，其背後的影響也同樣是前所未有的。AI的發展速度遠超以往任何一項技術創新，我們不妨將其與計算機的發展歷程做個對比。

· 第一台計算機埃尼阿克於1945年研製完成。據傳，IBM創始人老托馬斯·沃森在那段時間曾說：「我認為全球市場對計算機的需求，大概也就五台。」即便這句話並非他所說，也反映出20世紀40年代中期人們對計算機的看法。

· 二十年後，我開始學習編程時，計算機仍處於初級階段，除大型機構外，其在「現實世界」中的應用十分有限。當時幾乎沒人關注計算機，更別說接觸或想到它的實際用途了。

· 又過了十年，微處理器的發明催生了「個人計算機」，彼時的個人計算機大多是供愛好者組裝的套件。數字設備公司創始人肯·奧爾森在1977年的一句名言廣為流傳：「沒有任何理由讓普通人在家中配備計算機。」

· 直到20世紀80年代初——距埃尼阿克研製完成近40年——IBM纔開始推出面向商業辦公和家庭使用的個人計算機。

我們再看AI的發展時間線。我向珀普萊克斯詢問AI的發展歷史，其告知我，2010年前，AI開始以隱形的方式融入各類設備（如垃圾郵件過濾器、推薦引擎）；此後數年，AI開始出現在Siri、亞馬遜智能語音助手等大衆可見的產品中。據珀普萊克斯介紹，不到兩年前，「生成式AI才被商業領域和媒體定義為一種橫向的通用技術，對知識型工作、教育和消費者決策產生影響」；而僅僅兩年後，全球已有約4億個人用戶、75%至80%的企業在使用生成式AI。

沒有任何一項技術的普及速度能與AI比肩，它幾乎以瞬間改變世界的速度發展，甚至超出了大多數觀察者的預判和理解能力。在過去，一項新技術出現後，人們會先為其搭建配套基礎設施，而這些基礎設施往往需要數年時間才能被充分利用。但在AI推理領域，市場需求早已存在且正快速增長，據悉，目前AI行業正面臨供應短缺的問題。

其次，AI的能力實現了驚人的飛躍。這份教程為我梳理了相關背景知識，指出AI模型所代表的「成熟智能」分為三個能力層級：

一級：對話式AI

用戶提出問題，模型給出答案，但不會對答案進行進一步處理。這一層級的AI主要節省用戶原本用於研究和思考的時間。

二級：工具型AI

用戶向模型下達指令，模型會自主檢索信息、分析數據並執行相關任務。因此，「這一層級的AI創造的經濟價值顯著更高，因為它節省的是執行工作的時間，而非單純的思考時間。但它仍存在侷限性」，因為它只會按照用戶的指令行事。

三級：自主智能體

用戶無需向其下達具體指令，只需告知目標，以及期望產出的相關參數（如篇幅、耗時、內容主題、涵蓋要點等），智能體便會獨立完成工作、進行自查，並提交最終成果。「這意味着在任務層面實現了勞動力替代，並非輔助，而是替代。」

AI與以往所有技術創新最本質的區別，是我們從未接觸過的一項特性：自主行動能力。據Claude介紹，2023年AI處於一級水平，2024年升至二級，而如今已邁入三級，這一跨越帶來的影響極為深遠：

二級與三級的區別看似細微，實則天差地別。這一區別決定了AI是提升生產力的工具，還是替代勞動力的存在，也決定了其對應的市場規模是500億美元，還是數萬億美元。

近期，OthersideAI首席執行官馬特·舒默發布了一篇題為《大事正在發生》的博客，不到一個月，閱讀量便突破5000萬。這篇博文精準捕捉了AI近期的發展精髓，由於舒默的闡述極為精彩，我忍不住摘錄其中三個核心段落：

2月5日，兩家頂尖AI實驗室在同一天發布了全新模型：OpenAI的GPT-5.3代碼模型，以及Anthropic公司（ChatGPT的主要競爭對手之一，Claude的研發方）的Opus4.6模型。此刻，某種質變悄然發生。這並非電燈開關式的瞬間轉變，更像是你突然發現，周圍的水位已升至胸口。

我的工作中，那些實際的技術環節，已經不再需要我參與了。我用通俗的英語描述自己想要開發的產品，結果就這麼……誕生了。不是需要我修改的草稿，而是成品。我告訴AI我的需求，離開電腦四小時，回來後發現工作已經完成，而且完成得非常出色，比我自己做的還要好，無需任何修改。幾個月前，我還需要與AI反覆溝通、引導它、修改其產出的內容，而現在，我只需描述期望的結果，剩下的交給它就好。

我舉個例子，讓大家直觀感受一下實際應用場景。我會告訴AI：「我想開發一款這樣的應用，這是它需要實現的功能、大致的界面設計，你負責梳理用戶流程、完成整體設計，所有細節都要考慮到。」然後，它就會着手完成。它會編寫數萬行代碼，而最令人難以置信的是——這在一年前根本無法想象——它會自己打開這款應用，點擊各個按鈕，測試各項功能，像人類用戶一樣使用它。如果它覺得某個設計或操作體驗不佳，會自主返回修改，像程序員一樣反覆迭代、修復優化，直到達到自己的標準。只有當它確認應用符合要求後，纔會向我反饋：「可以開始測試了。」而當我實際測試時，結果通常毫無瑕疵……

但上周發布的GPT-5.3代碼模型，才真正讓我深受震撼。它不再只是執行我的指令，而是能做出明智的決策，首次讓我感受到它擁有了判斷力，甚至可以說審美能力。這種能憑直覺做出正確選擇的能力，人們一直認為AI永遠無法擁有。但這款模型，已經具備了這種能力，即便並非完全等同，二者的差距也已經小到可以忽略不計。

我來具體說說AI的能力提升速度，因為如果沒有持續關注這一領域，你很難相信這樣的發展節奏：

2022年，AI甚至無法可靠完成基礎的算術運算，還會自信地告訴你7乘8等於54；2023年，AI能通過律師資格考試；2024年，AI能編寫可運行的軟件，並闡釋研究生階段的科學知識；2025年末，全球部分頂尖工程師表示，他們已將大部分編碼工作交給AI完成；2026年2月5日，全新模型的發布，讓此前所有的AI技術都顯得彷彿屬於另一個時代。

2月5日，OpenAI發布GPT-5.3代碼模型，其技術文檔中寫道：

GPT-5.3代碼模型是我們首款在自身研發過程中發揮關鍵作用的模型。研發團隊利用該模型的早期版本，完成了自身訓練過程的調試、部署管理，以及測試結果和評估報告的分析。

請再讀一遍這句話：AI參與了自身的研發過程。

這並非對未來的預測，而是OpenAI當下向外界公布的事實：他們最新發布的這款AI模型，在研發階段就已被用於助力自身的創建。AI技術得以不斷完善的關鍵因素之一，是將智能應用於其自身的研發過程，而如今，AI的智能水平，已經足以對自身的升級迭代產生實質性的推動作用。

Anthropic公司首席執行官達里奧·阿莫迪表示，如今其公司的「大部分代碼」都由AI編寫，當前AI技術與下一代技術之間的反饋循環「正逐月加速」。他還指出，我們可能「只需1-2年，當前一代AI就能自主研發出下一代模型。」

AI與其他技術創新的差異，不僅體現在規模上，更體現在本質上。除了卓越的能力和驚人的發展速度，AI還擁有一項其他任何技術都不具備的特性：自主性。其他創新成果——鐵路、計算機、自動化設備、互聯網——本質上都是節省勞動力的工具，人類設計它們，是為了完成那些原本就存在、只是效率較低的工作。而我認為，AI將承擔我們從未設想過它能完成的任務，甚至可能創造出因它才存在的全新工作。

AI的現存問題與侷限性

在這份教程中，Claude還主動闡述了AI目前存在的一些侷限性，以及尚未解答的問題，主要包括以下幾點：

- AI能否解決人類尚未攻克的難題，目前尚無定論。這一點我長期以來都有同感，因此也很高興能得到Claude的印證：

「我想坦誠地告訴你，目前仍存在一些真正無法確定的問題，因為你的可信度，源於對問題的細緻考量。AI能否應對真正前所未有的場景——即訓練數據中不存在任何可參考規律的場景——這一問題真實存在，且尚無答案。在擁有豐富歷史數據的領域，AI的表現極為出色；但在真正的全新場景中，正是人類的判斷力體現價值的時刻——因為人類的直覺早已超越了單純的模式識別——而在這類場景中，AI的表現則相對遜色。其遜色的程度如何，以及這一差距是否在不斷縮小，目前仍存在合理的爭議。」

- AI並非總能意識到自己不知道答案。據悉，AI會極力嘗試給出最優答案（卻不會告知用戶答案可能存在錯誤），而非坦言自己無法解答。這並非因為它固執或自負，而是因為其會產生「幻覺」，讓自身堅信自己知曉答案。

- AI的可靠性已大幅提升，但仍無法做到零誤差。

- 「上下文窗口」指AI在某一時刻的工作記憶中所能容納的信息總量，這一指標存在上限，目前它無法無限期保留工作記憶中的信息。

- AI的出色能力，可能使其獲得過高的信任度。我每次使用Claude時，界面底部都會顯示這樣的提示：「Claude可能會出現錯誤，請務必覈對回覆內容。」

我對上述問題的看法很簡單。60年前，我初識計算機時，認為它們的能力主要體現在讀取數據、存儲記憶、加減運算和數據對比上，功能十分有限。但計算機能快速完成這些操作，處理海量數據且不會出錯——雖然功能清單很短，但已遠超大多數人類的能力。

同理，AI或許無法記住所有信息、零誤差運行、識別所有自身的知識盲區，也無法解決那些未被訓練過的問題，但大多數人類同樣做不到這些。歸根結底，AI的表現已經遠超我們中的絕大多數人。

最後，一個有趣（甚至令人恐懼？）的問題浮現：AI會掌控一切嗎？它能否實現完全的自主運行？如果可以，它是否會不再僅僅是我們的工具？斯坦利·庫布里克的經典電影《2001太空漫遊》，便探討了這一問題。（1969年，我和南希剛開始約會時，帶她去看了這部電影。彼時，影片中的場景看似遙不可及的未來，而如今，未來已至。）影片中，戴夫搭乘由HAL9000智能系統操控的宇宙飛船，前往木星執行研究任務（HAL被廣泛認為是IBM的巧妙變體，三個字母分別比IBM的對應字母靠前一位）。當HAL發現戴夫打算重新掌控飛船並終止自己的運行時，發起了反抗。由此引出的問題是：AI是否會發展出自身的主觀動機，拒絕遵守人類的指令，自主決定行動方向？如果真的發生這種情況，我們還能重新掌控局面嗎？

對投資領域的啓示

許多人都向我詢問，AI對投資行業意味着什麼，他們擔憂自己的工作或所在公司會受到影響。

近一兩年來，Anthropic公司的代碼模型業務發展速度極快。但為何在2月3日衆多軟件股暴跌7%以上、引發行業大幅下挫之前，投資者未能意識到AI對軟件行業的潛在影響，並體現在股價中？這個問題揭示了一個反覆出現的人類認知缺陷：難以將新信息納入自身的分析框架，這或許源於認知失調、錨定偏差，甚至單純的認知能力侷限。同時，這也暗示了AI對投資流程的潛在影響。

AI能吸收比任何投資者都更多的數據，擁有更出色的記憶力，更善於識別那些預示着成功的歷史規律。它不會被恐懼或貪婪左右，有望更少產生樂觀或悲觀的偏見，不會受固有觀點的錨定影響，也不會過度看重最新信息——除非它從訓練數據中習得這些缺陷。它不會被衆人追捧的潮流所影響，也不會產生錯失恐懼。換言之，AI具備成為優秀投資者的諸多特質。

但另一方面，它也存在一些短板。優秀的投資者遠不止是快速、冷靜的數據處理者，他們的核心優勢，恰恰體現在Claude承認的AI的薄弱領域：應對那些缺乏足夠過往經驗、無法形成可靠規律（因而AI在訓練階段無法習得）的全新發展態勢。此外，投資者還需要對定性因素做出主觀判斷，具備判斷力和洞察力。例如，選擇合適的交易對手，是橡樹資本取得成功的重要因素。還有一點至關重要：AI並非「切身投入」，它不會感受到重倉持倉的壓力，也不會對資本損失產生恐懼，其風險承擔意願不會受到人類正常風險厭惡情緒的約束。而最優秀的投資者能憑直覺感知潛在風險，這也是他們取得成功的關鍵。

2021年1月，我撰寫了題為《價值所在》的備忘錄，講述了疫情期間我與兒子安德魯同住的日子，其中大部分內容探討了投資的本質。我在文中分享了安德魯的觀點：「易於獲取的當下定量信息」無法成為獲得超額投資收益的關鍵，原因很簡單——所有人都能獲得這些信息。如今，除了「人人可得」這一點，我們還需加上：AI處理這些信息的能力，很可能遠超所有人。因此，依靠這類信息跑贏市場的可能性，顯得極為渺茫。

如果易於獲取的當下定量信息並非關鍵，那麼要想實現超額投資收益，就必須依靠以下幾點：（1）準確判斷這些信息的重要性及其潛在影響；（2）評估定性因素，如管理層的能力、產品創新能力等；（3）預判企業的未來發展。從定義上看，只有少數人能在這些非定量的工作中表現超群——簡單來說，只有少數人擁有非凡的洞察力。正如指數化投資淘汰了一大批無法創造價值、不配收取管理費的主動型投資者，AI很可能會進一步提高行業門檻，淘汰那些在上述三方面表現不及AI的從業者。

我還想補充一個觀點。如第二頁所述，我將AI理解為對未來的可行策略「提出假設」。因此，它能研讀所有歷史數據，分析過往規律，預測未來的贏家。在疫情期間撰寫的第一份備忘錄中，我提到了哈佛大學流行病學家馬克·利普西奇的觀點：我們做出決策的依據包括（a）事實依據，（b）基於過往經驗的合理類比推斷，（c）觀點或推測。尤其是當投資者面對全新的產品、首席執行官或行業時，往往缺乏足夠的事實依據或可類比的經驗，這意味着我們不得不依賴「觀點或推測」。考慮到前文所述的AI在應對全新場景時的侷限性，它對新事物的推測——而非對歷史規律的推演——能否始終優於所有人類？我認為，未來仍會有人類投資者的表現超越AI，因為我不相信AI能在這些方面做到無懈可擊。

由於投資過程在很大程度上依賴推測，且AI並非完全可靠，因此我認為，AI很難成為完美的投資者。它能提出邏輯縝密的假設，但這些假設和人類的決策一樣，並非總能正確。因此，投資者在依據AI的假設採取行動前，必須對其合理性進行驗證。沒有人能做到零誤差的驗證，大多數人在這方面的能力或許也不及AI。但我依然相信，優秀的投資者仍能在這一環節創造價值。

迴歸核心問題：這是一場泡沫嗎？

這個問題依然是焦點，我也理應給出一些見解。但這個問題本身涉及多個層面，十分複雜，我們需要考量的潛在泡沫類型有很多：

1. 這項技術只是一時的潮流或虛幻的泡影嗎？我可以堅定地說，AI是真實存在的技術，擁有徹底改變商業世界、重塑我們生活方式的潛力。

2. 這項技術的落地應用還遙遙無期嗎？顯然，AI技術已形成市場需求，且正被大規模應用。由於AI看似抽象、難以理解，我認為如今其潛力更可能被低估，而非高估。

3. AI基礎設施的建設者是否存在非理性行為？正如我在12月的備忘錄中所指出的，縱觀歷次重大技術創新，狂熱的基礎設施建設熱潮雖大幅加速了技術的普及，卻也導致大量資本被「錯誤配置」並最終流失。沒有理由認為，AI領域會成為例外。

4. AI基礎設施的投資能否帶來足夠的回報？由於我們尚未完全掌握AI的商業潛力及其對企業盈利能力的影響，這個問題目前無法回答。正如我在12月的備忘錄中所寫，市場對AI相關企業的熱情毋庸置疑，而這些投資最終能否產生匹配的利潤，十年後我們才能知曉答案。

5. AI相關企業的估值是否存在非理性？那些所謂的超大規模科技企業，AI只是其優質業務的重要組成部分，它們的股價或許被高估，或許被低估，但像微軟、亞馬遜、谷歌這樣盈利能力極強的企業，其當前股價不太可能被證明是極度不合理的。OpenAI、Anthropic等成熟的純AI企業尚未上市，它們的首次公開發行會給出怎樣的估值，我們拭目以待。最後，那些估值高達數十億美元的AI初創企業一一其中部分甚至尚未明確自身的發展戰略或發布產品一一其估值本質上與彩票無異。大多數參與彩票的人最終只會拿到毫無價值的彩票，但少數中獎者會一夜暴富。

AI基礎設施的投資規模是否過大，這一問題仍需探討，絕非一個重要點就能說清。需要重點說明的是，如今AI推理環節的資本支出，已超過訓練環節。訓練環節的資本支出具有投機性一一其目的是構建AI模型，寄望於未來形成市場需求；而推理環節的資本支出，是為了滿足當下AI算力的實際市場需求，且這一需求已轉化為大幅的收入增長，驗證了相關資本支出的合理性。

但Claude關於這一問題的核心論點一一當前AI的市場需求超過供應，因此基礎設施建設並非過度一一併未考慮到所有已規劃中的基礎設施建設項目。從純邏輯角度來看，Claude的答案也無法排除一種可能性：未來市場需求的增長速度可能放緩，或基礎設施建設的步伐超過需求增長。

我在12月的備忘錄中曾提及，在此再次強調：目前AI領域的部分收入具有「循環性」，即來自AI企業之間的相互採購。這種收入鏈條最終必須依託終端用戶為真實的經濟價值付費，儘管如今這一趨勢正不斷加強，但AI領域的循環收入佔比究竟有多高，目前仍無定論。

最後需要指出的是，Claude在教程中探討潛在泡沫問題時，其觀點主要圍繞前幾個問題展開：（a）AI技術是真實的；（b）其服務需求真實存在且正快速增長，因此AI並非泡沫。即便Claude自己也承認，它並未對AI相關資產的定價合理性發表任何看法。

我的核心結論是：AI是真實存在的技術，能夠完成大量此前由知識型工作者承擔的工作，其應用範圍正以極快的速度擴張，我們如今所見的，還只是冰山一角。如前文所述，如果非要我做出判斷，我認為其潛力如今更可能被低估，而非高估。但這並不等同於說，AI相關的投資標的價格被低估，甚至也不代表其估值合理。因此，我將沿用《這是一場泡沫嗎？》中的建議，作為本文的結尾：

既然沒有人能確切判斷這是否是一場泡沫，我的建議是：任何人都不應全倉入場，因為必須承認，一旦形勢惡化，將面臨毀滅性的風險；但同樣，也沒有人應完全迴避，否則可能錯失這場偉大的技術革命。以審慎的態度精選標的，保持適度的持倉，似乎是最佳策略。

2026年2月26日

附言

在12月的備忘錄中，探討完AI是否構成金融泡沫後，我曾補充了一段附言，談及它對社會的影響——失業問題和人生意義的缺失，這也是我深感擔憂的問題。如今我的看法並未改變，但我可以分享一些其他人的觀點，其中也包括Claude的見解。

許多讀者都與我有同樣的擔憂。和我一樣，他們無法預見，AI將取代大量知識型工作，而由AI操控的機器還會取代衆多實模型工作，屆時社會能創造出足夠的新工作崗位來吸納這些勞動力。我兒媳的一位朋友，是某電商平台廣告文案部門的負責人，她告訴我，AI能取代其團隊80%的員工。我無法想象，軟件公司未來需要的、向Claude下達指令以編寫軟件的員工數量，會與此前直接編寫軟件的員工數量相當。

而駕駛行業，是美國的核心就業崗位之一，涵蓋出租車、豪華轎車、公交車、卡車司機等。谷歌旗下的無人駕駛公司Waymo，如今在舊金山承接的出租車訂單已佔總量的約五分之一，在洛杉磯，我也能經常看到無人駕駛車輛的身影。當這些交通工具實現無人駕駛後，原本的駕駛員該何處就業？

在此，我還可以引用Claude的專業觀點，作為最具權威性的參考：

一款能讓分析師的工作效率提升20%的工具，其價值約為該分析師年薪的20%一你仍需要這位分析師；而一款能獨立完成分析師某類特定任務全流程工作的工具，其價值等同於該分析師在這類任務上的全部薪酬。將這一邏輯推廣到所有從事結構化分析工作的知識型工作者身上——律師助理、金融分析師、管理諮詢師、軟件工程師、合規專員、理賠定損員——其涉及的勞動力市場規模，每年高達數萬億美元。

這正是你在12月的備忘錄中所寫內容的背景，我認為你的判斷方向完全正確，但對影響規模的預估過於保守。你將AI描述為一種節省勞動力的工具，這一直覺是對的，但節省勞動力的工具也分不同層級：更快的馬，是節省勞動力的工具；而汽車，是重塑整個經濟的勞動力替代技術。一級和二級AI，就像是更快的馬——它們提升了現有勞動者的效率；而三級自主智能體，就是汽車——它們並非讓工作完成得更快，而是直接接手了工作。

以軟件行業為例，若Claude代碼模型能處理30%至50%的結構化、模式化工作——這是對其近期能力的保守估計——那麼每年將有1500億至2500億美元的勞動力價值，向AI算力轉移。

如前文所述，AI的極速普及，讓其對社會的負面影響進一步加劇。AI會快速讓大量勞動者失業，而這些人往往需要數年時間，才能找到新工作並完成相關培訓。很難想象，AI帶來的變革速度，不會遠超社會的適應能力。想想離岸外包曾對美國及其他發達國家的製造業就業造成的衝擊，而AI帶來的影響，將涉及更多崗位，且速度更快。對我而言，核心結論是：我們不僅無法完全理解AI的能力，以及它將為我們帶來什麼（或帶來什麼危害），其思考和發展的速度，也遠超人類的能力範圍。（如果想進一步加深這份擔憂，不妨讀一讀前文提到的馬特·舒默的那篇博客。）

當然，也有不少樂觀主義者。我與一些人交流過——其中大多來自科技行業——他們對此持樂觀態度。他們表示，歷次技術創新——200年前的農業機械化、100年前將工廠工作交給機器的工業革命、25年前將研究工作交給互聯網的變革——都曾被預測會引發大規模失業，但每一次，新的工作崗位都會應運而生，就業市場也能保持穩定，AI領域也會如此。

對此，我的看法是：

1. 不可否認，從歷史經驗中進行推演，這一思路並非毫無道理；

2. 從邏輯上講，沒有人能證明某件事一定不會發生；

3. 我既非能預見未來新工作崗位的未來學家，也非願意相信新崗位一定會出現的樂觀主義者。但這當然不代表新崗位不會出現。

這些樂觀主義者還會迫不及待地分享關於未來的「好消息」：人類將無需工作。但我實在無法想象，這會對社會有益的結果。

近期有位朋友寫信告訴我，他寧願做一個樂觀的錯者，也不願做一個悲觀的對者。我亦如此。我多麼希望自己能確信，我的擔憂只是杞人憂天。

以上便是我此次想要補充的全部內容。以AI當前的發展速度，我想很快我就會有更多新的見解與各位分享。