Cliff Sosin：当 AI 智能变得便宜，什么仍然有价值

Cliff Sosin 说，关于 AI 基础设施，他可以讲出两个看似合理的故事：需求可能增长得如此之快，以至于产能持续短缺；也可能因为 token 成本下降、采用速度较慢而出现过度建设。他想强调的是，很难有把握地预测任何一种结果。

Patrick O’Shaughnessy 请 Sosin 解释他所说的“只是智能”。Sosin 质疑一种假设：智能会无限增长，最终解决所有问题。他认为智能是一种根据现有信息作出预测的工具。

Sosin 把更强的智能比作填补零散事实之间的空白。在适合推理的问题上，它可能非常强大；但他认为，许多问题涉及复杂、不断变化的系统，而不是有简洁封闭解的题目。

模拟可能从不完整的信息开始，也可能随着运行逐渐积累误差。Sosin 认为，在天气或社会互动等系统中，无论推理能力多强，这都会限制可靠预测的细节和时间范围。

他说，要进一步学习，系统必须收集新事实并开展实验，也就是接触现实。同时，他预计智能本身会大幅降价，让强大的工具能够用于许多日常任务。

O’Shaughnessy 问，为什么复杂系统会限制高度发达的 AI。Sosin 讲了天气模型的故事：经过舍入的初始数据在模拟数天后产生截然不同的预测，说明系统对初始条件的敏感性。

蝴蝶效应并不意味着模拟没有用。Sosin 说，近似结果可以非常有价值，但他认为测量不完整和复杂系统的行为仍会限制精确度与可预测性。

在 Sosin 的设想中，个人和公司可能拥有一组持续处理问题的高能力智能体。他预计不同企业受到的影响不同：有些企业帮助客户弥补专业知识不足，另一些则受益于客户没有持续优化选择。

例如，消费者可能接受一个尚可的银行利率，而不愿花时间寻找略高的利率。能持续比较选项的智能体可能让这些小额收益值得追求，从而改变依赖客户惰性的企业经济性。

Sosin 把某些软件描述为固定嵌入产品的一块智能。如果通用模型让这类功能的复制成本大幅下降，软件企业的价值可能受到挑战，尽管具体结果因产品而异。

因此，他的投资问题是：如果人人都拥有强大的智能，什么仍然稀缺？他提到数据、注意力、情感联系、物理距离和规模，也把监管保护列为一种可能的优势，但没有将它描述成社会福利。

他以 Meta 为例，说明一家拥有智能互补资源的公司。他把其核心产品称为个性化电视：大量内容面向一个平台可以了解其偏好并进行匹配的受众。

Sosin 对 Meta 的支出提出一个刻意简化的思想实验：数据中心、推理、工程和算法都在生产或应用智能。他明确提醒，这种简化不能按字面理解。

Sosin 设想，如果智能更便宜，创作者可以制作更多内容，推荐可能改善，广告主也能更精准地投放。Meta 可能将节省的成本重新投入，而不是把成本降为零。这些是假设，并非访谈证实的预测。

在他的论证中，关键资产是注意力和数据：AI 可以帮助平台更有效地使用它们，而便宜的智能本身并不会自动让受众消失。推荐改善时，两者可能相互强化。

Sosin 还把 Grindr 当作假设例子：一家拥有注意力和数据、但工程资源有限的较小公司。他说自己没有持有其股票；问题在于，如果技术能力便宜得多，这家公司可能开发什么。

O’Shaughnessy 质疑智能商品化的观点：前沿实验室可能保有明显更好的模型，并通过蒸馏同时服务昂贵和低价应用。Sosin 同意，如果优势受到保护且成本更低，这样的实验室可能成为优秀企业。

他不确定的是，有多少需求真的需要最好的模型。随着能力提高，曾经需要前沿模型的任务可能由更便宜的替代品完成；新的困难任务也可能出现，但市场规模难以判断。

Sosin 提出一种可能的菱形需求前沿：早期能力改善会扩大有用应用的范围，但对越来越顶尖智能的需求最终可能收窄。他将这作为一种可能性，而非已经验证的预测。

O’Shaughnessy 提到杰文斯悖论：降价可能带来更多使用。他还问，模型能否自己产生新问题，从而创造对智能的需求，而不是只依靠人来发现用途。

Sosin 同意降价可以增加消费，但认为如果价格下降速度超过用量增长，总市场收入最终仍可能下降。他用通信带宽作类比，同时承认 AI 不一定遵循相同轨迹。

在科学发现方面，Sosin 预计模型能关联已有研究并提出有价值的实验。但他认为许多问题仍需要实体实验：更好的假设不会自动提供缺失的观察结果。

Sosin 描述了自己如何在一个开发工具背后使用多个模型订阅。他说，自己不再总是知道每项任务由哪个模型完成；在他看来，这说明用户体验可以隐藏底层模型的身份。

O’Shaughnessy 问及把 AI 与真实世界实验连接起来的自动化实验室和机器人。Sosin 欢迎这一思路，但说自动化实验仍受物理速度和容量限制。例如，繁育和观察动物仍需要时间。

自动化可以改善实验选择并加快学习，但不能保证成功。Sosin 认为这些改进意义重大，同时反对认为仅靠智能就能立即免除用现实检验主张的需要。

话题回到基础设施投资。Sosin 说，同时预测推理需求和供应效率的改善极其困难。即使总体预测正确，也无法直接知道价值链的哪一层能获得回报。

他举出生成教学视频和分析锻炼动作的个人例子。这些用途在成本极低时很有吸引力，但他说自己可能不愿为每次使用付太多钱。价格敏感性使消费者总支出更难估算。

O’Shaughnessy 问，如果经济回报不确定，为什么如此多有才华的创业者仍在建设供应。Sosin 说，大型且重要的基础设施项目必然吸引人才与资本；他们的参与说明项目重要，却不能保证每项投资都赚钱。

Sosin 没有试图选出哪家基础设施供应商会胜出，而是思考基础设施建成后可能出现的企业。他把这比作不只关注铁路建设者，还要考虑铁路使哪些行业成为可能。

他描述了一个资本周期：社会把工人和资源投入未来产能建设。建设可能创造价值，也可能推高经济其他部分的成本。由于合理规模未知且项目需要时间，投资可能超出需要。

技术快速变化又增加了一层不确定性：基础设施建设期间，设计和成本优势可能改变。Sosin 推测 AI 对芯片设计的影响，但没有声称现有领先者已经失去优势。

谈到台积电时，他说实体制造能力和多年积累的工艺知识可能更难单靠智能复制。他也指出，强劲需求会鼓励其他人尝试建立替代方案，这本身带来竞争不确定性。

O’Shaughnessy 问，当智能充裕时，物理距离和本地密度是否更有价值。Sosin 用一个简化的垃圾收运例子回答，说明智能体可能如何改变切换行为和成本。

如今，家庭可能不会为了节省一点钱而更换垃圾收运商。智能体可以代为比较报价并切换。如果同一条街上更多客户选择同一家供应商，路线密度又可能进一步降低其成本。

结果可能是高效率运营商获得更多业务，但更激烈的价格竞争会压低利润率。Sosin 强调，同一家企业内部可能同时受到不同方向的影响，没有适用于所有情况的结论。

被问到智能体如何改变自己的投资工作时，Sosin 预计人和模型在一段时间内会互补，就像自由式国际象棋中的人机团队。人的经验和模型中没有的信息仍然有助于判断。

从更长远看，他能想象这种差距缩小，直到不加入人的调整时模型预测反而更好。他没有声称未来因此变得完全可预测，而是认为最佳可得的结果概率分布可能来自模型。

主持人讨论 AI 是否能够取代价格作为经济组织机制。Sosin 认为，价格既传递稀缺性和价值信号，又提供行动激励，因此即使智能改善，价格仍是协调经济活动的强大机制。

O’Shaughnessy 区分了即时提示、定时智能体和持续主动运行的智能体。Sosin 认为，如果智能体普及，买方更容易切换，卖方也会随成本变化更新报价，价格可能因此更灵敏。

讨论转向美国资本市场。Sosin 赞扬其能够迅速把大量资金和劳动力投入风险较高的 AI 基础设施。他认为究竟应该投资多少仍是未知数。

Sosin 说，资本配置最终关联的是人和物理资源，而非只有金融数字。建造数据中心的工人正在从事原本可能不会做的工作，这种转移有可能支持未来生产。

他预计，在任何大型投资周期中都会出现一些不良行为，但认为治理机制和分散化公开市场的价值常被低估。个人投资者无需亲自经营每家公司，就能持有众多公司的股份。

被问到美国为何持续创新时，Sosin 提出了结合文化、制度和遗传因素的个人理论。其中遗传因素的说法是他的推测，并非这场对话所确立的证据。他还提到能让冒险和失败更容易被接受的制度。

谈到利率，Sosin 说自己并非宏观经济专家。他提出，对未来生产能力的大规模投资可能需要今天增加储蓄，但只将其视为复杂图景中的一个部分，而非利率的完整解释。

O’Shaughnessy 问，Sosin 会如何建议投资组合中的公司使用 AI。Sosin 首先强调亲自试验：高管和员工，而不只是开发者，都应该尝试自己动手制作东西，理解工具能做什么。

他的下一条建议是，让经过授权的智能体逐步获得对公司信息的只读访问。这需要逐个系统集成并仔细管理权限。更广泛的访问、写入能力和系统修改，则需要额外的控制和流程。

Sosin 承认，这些看似简单的步骤可能需要多年。成熟企业必须整合旧系统，而新公司起步时约束较少。即便如此，如果竞争对手也能使用同样工具，初创公司仍需要持久优势。

主持人问哪些长期优势可能被低估。Sosin 不确定是否存在某一类被系统性错误定价的优势。他思考，便宜的智能是否会通过扩大消费者选择和竞争来压低利润率。

他指出，互联网早期也出现过类似预测，但聚合最终创造了强大的企业。不过，如果智能体会比较许多选项，而不是只依赖搜索结果第一名，他认为某些聚合优势的运作方式可能改变。

反过来，低成本协调和软件也可能让企业更容易贯穿整个价值链。他用宠物护理作假设例子，并提到 Carvana 在当前 AI 工具出现之前已建立较为一体化的模式。

他认为，AI 对不平等的影响也不明确。更低成本和更容易获得专业知识可能广泛惠及消费者，而工作被商品化的人可能失去收入；与此同时，AI 也可能放大主动性和所有权的回报。

Sosin 再次回到关于 AI 基础设施的两种故事。他自己的高强度使用让短缺看似合理；效率改善、价格下降和其他人采用较慢，也让过度建设显得合理。他说自己可以为两种情况都作出有说服力的论证。

O’Shaughnessy 讲述一位朋友的实验：自己选投资标的，却让 AI 系统决定仓位。朋友说目前结果更好。Sosin 提醒，短期实验不能证明长期投资业绩。

Sosin 预计自动化会从较短投资周期逐渐扩展到较长周期，也认为量化策略可以与人的定性分析结合。模型增加了可能性，但效果必须在合适的时间尺度上判断。

被问到高度集中的投资组合时，Sosin 解释了自己对 Carvana 基础设施和品牌的信心。他也承认其中的权衡：集中持仓承担特殊风险，而关于集中投资赢家的历史并没有记下那些失败者。

谈到教育，Sosin 认为，即使有模型可用，知识仍然重要。了解一个领域的人能提出更好的问题，更有效地指导模型并评估输出。缺少基础时，沟通本身就会变得更困难。

因此，他主张教孩子能够独立运用的基础技能，即使工具可以完成计算。了解基本概念，有助于学生日后理解并指导模型完成更复杂的工作。

与此同时，Sosin 希望学生用 AI 完成更有野心的项目，而不是只提交生成的文章。教师应该要求学生解释和论证成果，确保他们理解并对作品负责。

O’Shaughnessy 在结尾感谢 Sosin 提供了不同于 AI 需求无限增长、基础设施永远短缺等预测的视角。对话没有宣称某一种结果已成定局，而是保留了核心问题的不确定性。