勘探发现率暴跌十倍，KoBold 仍找到了品位 5% 的铜矿

在 No Priors 播客中，Sarah Guo 和 Elad Gil 介绍 Josh Goldman 是 KoBold Metals 的联合创始人。这家公司号称在构建全球最大的地球科学数据集合，并用 AI 寻找锂、铜，以及支撑电池和 AI 基础设施的其他金属。主持人指出，KoBold 每年在分布于四大洲的约 70 个项目上投入超过 1 亿美元。Goldman 首先对业务本身做了更正：KoBold 做的是勘探。它把 AI 与人类智慧结合起来，成为更擅长找到这些产业所需矿产的公司。

被问到公司是否也做采矿时，Goldman 把它称为核心问题，并划出了一条明确的界线。勘探才是能创造更多价值的地方，也是技术真正能拉开差距的环节。他说，只要矿权拿对了，几百万美元的资本就可能带来一百到一千倍的回报，这与十九世纪淘金者所懂得的道理相同。问题在于成功率极低，而且难度还在不断加大，这恰恰说明了技术优势为什么重要。

过去用肉眼就能找到矿物。许多在地表形成的铜矿物会被空气和水侵蚀成蓝色和绿色，就像自由女神像上的铜绿。Goldman 的结论很直接：凡是能靠眼睛在地面上走一趟找到的矿，都已经被找到了。剩下的都被岩石掩盖在地下。技术就是用来向地下探看的手段。一旦发现了矿藏，工作就沿着一个连续的过程推进：从岩石样本，到确定连续的矿体，再到设计矿山、建设矿山。KoBold 会随着项目在这个过程中推进而持续参与。

人们从看岩石那天起就在收集岩石数据，其中大量已经属于公共领域。在行星尺度上，Goldman 提到了不同波段的卫星影像，以及记录古老大陆碰撞、形成山脉的数据集。放大来看，航空测量可以测出磁性、密度和导电性；在地面上，岩石和土壤样本可以给出元素浓度。这些都是标准做法。问题在于，即便是结构化数据，也分散在成千上万个数据仓库中，质量问题千差万别；而大部分语料是非结构化的：丰富的地质词汇、提交给监管机构的公司报告，以及各种各样的地图。

Goldman 最喜欢的数据集之一，是将近一百年前绘制的一套赞比亚地图，原图是手绘在亚麻布上的。一位年长的地质学家把 KoBold 指引到了国家档案馆里的那个抽屉。这类数据已经不可能再次采集：当年的工作极其耗费人力，而那片土地现在已有农场和居民。当年的观测由经验丰富的地质学家完成，而且“岩石又没有搬家”，所以这些数据没有保质期。这些地图于是成为训练机器学习模型的基准真值，用来解读现代航空地球物理和卫星影像。Goldman 说，它的力量就在于把结构化与非结构化数据、旧数据与新数据系统地结合起来。

这就是寻找锂或任何其他矿产的方法框架。地壳中有大量锂，甚至在你窗外的花岗岩和车道的土壤里也有，但它的含量只有几十个百万分之一，开采并不经济。矿床是地质过程从大量岩石中汇聚金属、迁移，然后再沉淀下来的地方，形成约 1% 的铜或 1% 的锂，之后产业再把它提纯到 100%。这样的富集事件在整个地球上很少见，但在许多地方都发生过。Goldman 的表述是：勘探是一个信息问题。真正稀缺的，是关于矿床位于何处的信息。你要先弄清这套成矿“配方”，猜测这些地质过程会在数据中留下怎样的痕迹，然后缩小范围，最后去拿地。

其中一位主持人问，真正的限制是地质条件，还是监管，比如美国有矿床，却似乎不再愿意在某些地方开采。Goldman 同意监管约束很重要，但提醒不要在一开始就筛得太窄。好的矿床极其稀少，你需要尽可能好的先验判断和最高的成功概率。这不只是许可证的问题。KoBold 也会看产权是否安全：如果找到了矿，他们必须能开发出能持续几十年产出的矿山，或者把它卖给能做到这一点的人，这意味着他们必须相信所有权、税率和特许权使用费都会保持稳定。

开发难度更大，因为监管机构只是利益相关方之一。社区的利益极其本地化。美国也不是铁板一块：州一级的监管部门之外，还有许多社区和原住民群体。世界各地都是如此。在赞比亚，大约有 50 个酋长辖区，KoBold 所在的每个地方，都有传统领袖。Goldman 说，技术上的成功并没有太大帮助。真正的成功是找到值得开发的、有经济价值的东西，无论是 KoBold 自己开发，还是卖给买家。没有社会运营许可，也就是不在社区关系上投入、不从那些可行的地方开始，公司就不会成功。

KoBold 做两件事：先找到有潜力的地块，然后通过采样岩石、飞行测量和钻探来检验假设，同时开发技术来指导这些决策。目前的勘探组合超过 60 个项目，分布在四大洲，包括北美、欧洲、澳大利亚，以及至关重要的非洲，目标矿种是铜、锂、镍和钴。KoBold 要么自己持有勘探权，要么与合资伙伴共同持有，并负责运营这些项目。几乎都还是发现之前的种子项目。不过在赞比亚，公司拥有 Mingomba，Goldman 称它是尚未建成矿山的大型铜矿中品位最高的一处。

今天的平均在产铜矿，品位大约是 0.6%：一千公斤矿石只能产出六公斤金属。Mingomba 的核心品位超过 5%，而且规模非常大。拿一个 5% 的矿床和一个 0.5% 的矿床相比，产出的铜是一样多的，收入也相同，但品位高十倍意味着需要搬运的岩石少十倍，废石也少十倍，选厂的规模也小一个数量级。资本密集度下降，运营成本也随之下降，环境足迹同样减少。铜是全球大宗商品，所有人都按同一价格卖，因此赚钱的办法是守住曲线上低成本、低资本密集度的那一段。Goldman 说，这正是勘探问题的定义：找到品质最高的资产。

这套技术是一个全栈系统，包含数十种产品，围绕三个主题展开。第一是传感器：KoBold 自己研制的硬件，用于采集新型地球数据。第二是数据系统，把自有测量数据、历史结构化文件和庞大的非结构化语料放在同一个地方，使团队可以一次性查询整个数据体，而不必东找西找，其中大语言模型（LLM）帮了不少忙。第三是几十个在多种尺度上运行的模型，用于预测应当去哪里、如何勘探：卫星影像、自有的高光谱航空影像，以及用于预测地表岩石类型和属性的岩石样本。其中的关键在于主动学习的闭环。野外团队不会去模型已经很有把握的地方，因为在那里学不到东西。他们去的是模型高度不确定的地方。少量新的地面真值数据，就能显著提升预测能力，模型每天都会重新训练，再交还给地质学家。这是技术人员与野外科学家之间的二重奏。

这些预测是三维的，并且是概率性的。举个例子：伟晶岩是锂的容矿岩，模型在某个地表位置预测了它的存在，落地后再进行采样。另一个例子：在 200 到 300 米深处有一层导电层，对镍、铜和钴有勘探前景，模型给出硫和金属含量的分布，同时给出最佳的钻孔位置和钻探方向。第三个例子：一个已知的岩层沿某个方向延伸，其深度、厚度和铜品位都以概率分布的形式给出。每次获得新的观测数据之后，模型都会重新调整，并发出一份新的预测。在传感器方面，KoBold 使用服务商提供的设备，但矿业公司采用新的数据类型很慢，因此团队在不到一年的时间里自己建造了高光谱成像系统，用轻型飞机飞行，采集 600 种颜色，成本更低，处理也更快。有人问，是否有某一个数据集解锁了 Mingomba，Goldman 说没有。行业里不断冒出所谓的“银弹”：比如 1990 年代的航空重力梯度测量，据说要找出所有矿床，结果从来没有做到。数据是高维的，增加维度确实有帮助。新的分析方法、量化的不确定性，以及关于矿床形成机理的科学认识，都必须协同发挥作用。“没有办法把 AI 与人类智能（HI）割裂开来。”

Elad Gil 用一个简单的现金流图景来梳理：大宗商品价格、品位、规模、运营成本。Goldman 说这个理解完全正确，而且实际上比软件还要简单。资源资产的交易，依据的是未来产量的现值，而这是可以预知的。他认为，要知道一座矿山 20 年后会产出多少，比知道一家 SaaS 公司多年后的销售量和定价要容易得多。Gil 开玩笑说，他感觉受到了冒犯。Goldman 举了一个算例：一座每年处理 1000 万吨矿石的选厂，优先开采高品位矿石。收入是价格乘以产量；成本包括卡车、用水和电力；资本则是破碎机、磨机和钢球。最敏感的不确定性是回收率：是回收 90% 的铜，还是 92% 或 88%，然后再根据阶段和司法辖区进行折现。KoBold 可以非常有把握地说出 Mingomba 20 年后的销量。矿山通常以前 20 年来做承销，之后还会再运行 50、60 甚至 70 年，因为转入地下开采会让你更多地了解地质情况，而资源也会不断延伸。

Gil 接着问命中率的问题：如果你在 100 个地点采样，能找到多少个发现，KoBold 又能比别人好多少？Goldman 说，过去 30 年间，行业的成功率变差了 10 倍，因为问题变得更难了，而行业的创新又很慢。怎么计算尝试次数并不明确，有些研究引用的成功率只有 0.5%，所以他更愿意用资本来衡量。把 10 亿美元的勘探支出投进整个行业，能得到多少成功？30 年前大约是 8 个发现。如今，不到一个高品质、有经济价值的矿床，这也是为什么整体勘探并不是一门好生意。KoBold 的目标是每次发现创造 5000 万到 1 亿美元的价值。Mingomba 算是一次成功。现在他们必须一次又一次地做到。

Gil 听说，西方矿业资产的买家受到资本约束，部分原因是 ESG。Goldman 不认同资本稀缺的说法。真正稀缺的是优质的矿石矿床。好项目不论归谁所有，都不难拿到资金，它们有许多追求者。问题在于，这样的项目本来就不多，所以 KoBold 的工作就是找到更多。去哪里找，取决于矿种。铜在南美和中非已经被关注了很久，但这些地区的部分区域仍然勘探不足。Mingomba 位于赞比亚一个较深的盆地中，地表没有任何露头。Goldman 说，刚果一直面临挑战，但勘探潜力依然巨大。锂的情况更极端：世界上很多地方都没有被充分勘探，因为直到电动汽车、无人机和其他大型设备的电池需求出现之前，锂都不是主要目标。今天投产的许多大型硬岩锂矿，是 1980 年代的人们为了寻找用于电容器的钽而发现的。锂矿床形成的科学机理仍然处于萌芽阶段，这让 Goldman 感到兴奋：一点点额外的科学认识，就可能成为强大的差异化优势。

被问到哪些大宗商品的稀缺性被夸大了，Goldman 把稀土排在首位。他说，很多噪音来自名字里的那个“稀”字。锂、铜、镍和钴都不属于稀土元素。真正对电动机重要的稀土，是钕和镝等用于永磁体的材料。它们之所以持续出现在新闻中，除了品牌效应，还因为下游加工高度集中在中国，而中国的加工环节受到激励政策的推动，不仅是稀土，锂乃至铜冶炼也是如此。这使得其他地方很难为加工厂融资：如果中国买家愿意出更高的价格、接受更薄的利润，那么别处的私人资本如果没有担保或补贴，就很难跟上，而 KoBold 并不依赖这些。另一个效应是，原材料流向中国，下游制造业在那里集聚，这就成了中国工业的结构性优势。另一方面，Goldman 目前并没有去追逐某种他认为无法满足需求的其他工业金属。公司的清单已经有很强的需求顺风和市场深度，目标是成为低成本生产者，而不是对价格有精确判断。Gil 开玩笑说要买下格陵兰岛；Goldman 则表示，只要算法和第一批岩石样本说某地开采效率高，他们就会去哪里。

主持人回想起早些时候的一次谈话，Goldman 当时说哲学对公司的运作方式非常重要。他并不把这当作修饰。他说，KoBold 本质上是一个认识论项目。业务就是做出更好的预测：提出假设，投入资金和时间去检验它，然后根据预测质量决定成败。模型会预测地表以下岩石的样子：密度、铜、镍等等。在数据稀少的情况下，许多可能的地质构造都可以与同样的地表或航空观测相一致。行业的标准做法，是挑出一个“最佳”模型，因为没人能同时记住 10000 个互相矛盾的假设。Goldman 说，他们偏偏必须这样做。工作的关键是拥抱不确定性，并审慎地减少它。数据之所以有用，正是因为它能减少不确定性。

这一观点写进了 KoBold 的一份公司文件，名为《KoBold 勘探认识论》，内容是一份简短的核心理念清单。预测必须具体到可以被证伪：在收集数据之前，你就要白纸黑字写明，什么样的观测会让你放弃这个假设。这是他们对抗确认偏误的办法，而这门业务极易受确认偏误影响：你有一个想法，收集到一些数据，然后修改故事去迎合它，再为继续投入时间和金钱找理由。你还必须同时处理多个相互竞争的假设，而不是只有一个，数据收集的意义就在于区分它们。其中至少有一个假设必须具有经济意义。“我们是一家公司，不是科学项目。”此外，他们还设有一位首席哲学家，即认识论学者 Michael Strevens，他写过《知识机器》，这本书讨论的是科学是什么，以及它与其他认识方式有何不同。这种哲学既指导野外工作，也指导技术：许多工具的作用，都是量化不确定性，然后追问哪一次测量最能有效地削减它。

Goldman 的履历看起来并不像一个采矿人。他学物理，是为了钻研难题；读了量子计算的博士，然后做过管理咨询顾问，客户包括电力公司、石油天然气公司，以及生产电力设备和油田设备的工业企业。联合创始人 Kurt House 本科学物理和哲学，研究生学应用数学和地球科学，他在哈佛读研究生时就和 Goldman 成了朋友。两人后来一起在一家私募股权公司做油气投资，那家公司的领导层曾资助过 House 之前的创业公司。他们研读能源论文，参观发电厂和煤矿。2018 年，他们决定不再从事化石燃料相关的工作。

他们从第一性原理出发，问未来经济需要哪些原材料。Goldman 说，你看看桌子或房子，里面的每一样东西归根结底，都来自农业或岩石。最大的趋势是电池和 AI。需要长续航和耐用性的汽车、卡车、无人机、飞机和机器人都需要锂，而燃油车根本不用锂。数据中心的建设，以及为它供电的电力，需要大量的铜。规模是巨大的：要在本世纪中叶建成一个由电池和 AI 驱动的未来，世界在未来 25 年要开采的铜，将超过人类历史上所有开采量的总和，锂的产量也要比今天增长十倍。这些原材料必须找到，而此时的问题正变得越来越难，创新也一直在放缓。对 Goldman 来说，这恰恰是完美的应用场景：一门有差异化技术的生意，同时又对社会有重要意义，这正是人们加入 KoBold 的原因。