智慧變便宜之後還剩什麼：Cliff Sosin 談互補品、建設潮與教育

Invest Like the Best 主持人 Patrick O'Shaughnessy 這集請來 CAS Investment Partners 創辦人 Cliff Sosin。主題很乾脆：當智慧變得便宜、到處都是，什麼還有價值？Cliff 認為把智慧想成「沒有上限的階梯」是一種智識上的誤會；智慧比較像用來在稀疏事實之間插值的工具，碰到混沌與真實世界實驗，再聰明也補不齊。投資上他習慣假設「大家都有很強的智慧」，再問還剩什麼：資料、注意力、情感連結、實體密度、規模，以及有點犬儒的監管壁壘。訪談約七十一分鐘，上傳於 2026 年 10 月 27 日。以下是重點整理與我們的觀察。

智慧有極限：不是往上長的樹

Cliff 開場就把框架講死：智慧是一種 gadget，用來對宇宙做預測。事實很少、宇宙很複雜，智慧負責把空隙塗滿。數學這類領域可以塗到近乎完美；但多數有意思的問題是複雜動態系統，那裡的增益會停。

他用混沌理論的經典故事：同一套天氣預報模型跑兩次，只因為初始條件少捨一位小數，到第三到第五天，一次預測七十度晴天、一次二十度大雨。每一步誤差會累積，若想模擬整個宇宙，你其實需要整個宇宙。實務後果是：過了某個點，再高的智商也取代不了「去摸真實世界」，也就是做實驗、蒐新資料，而那需要時間。

自動化實驗室與閉環濕實驗室他覺得「超級好主意」，但仍撞上物理速度：若實驗要養一年才成熟的老鼠，迴圈就被老鼠卡住；同一時間能跑的實驗數量也有限。模型也許能把成功機率從極低拉到百分之一，那已經很厲害，但百分之一還是百分之一。他對 AI 能做與不能做的摘要是：它會把過去很少被一起讀過的論文連起來、把研究方向導得更好，但不會環顧四周說「你們整個人類都看錯了，這是全新世界」。

談話中也有輕鬆時刻。Cliff 自嘲自己對模型已經「完全商品化」：懶得管後端用哪一家，乾脆訂閱一堆，再叫 Grok Bot 去調度別家額度幫他做事；Patrick 則半開玩笑說，若模型開始面試經營層、再告訴你「你本人的成功機率略低於平均，建議改玩卡丁車」，那會是很奇怪的一天。

假設人人都很聰明，然後問還剩什麼

投資口訣是：假設競爭對手、公司、客戶都已擁有出色智慧，問還能比什麼。答案是智慧的互補品：資料、注意力、愛與情感依附、實體鄰近、規模，以及監管壁壘。檢驗任何公司時：便宜的智慧是幫它服務客戶，還是拆掉它過去靠「別人想不深」才撐住的護城河？

他用「從太空看 Meta」當例：營收約兩千五百億美元，一年花掉的差不多也是這個量級，成本與資本支出裡很大一塊在買智慧：資料中心、推論、寫演算法的工程師。若智慧價格五年內掉兩個數量級，第一性原理會說這些成本會大幅蒸發。收入端，創作者能做出更好內容、平台更能選片、廣告主更能精準投放與做更滑的轉換漏斗。最後真正留下的，是普遍智慧拆不掉的東西：關於人們怎麼看影片的龐大資料，以及龐大注意力，兩者互相放大。

另一個例子是 Grindr：注意力與資料都在，但團隊與預算太小，想像力跑得比執行力快。他會問：若有一萬名 Google 等級工程師幫你做五年，你能做出什麼？這題是用來測「智慧變便宜」對誰最有利。垃圾清運則是風格化推演：多數人說不出自己付多少清運費，切換成本其實是注意力成本；若每人有 AI agent 代為優化，客戶會被導向最低成本業者，而同一條街有兩戶的業者更容易再壓價、滾出在地密度優勢。結果可能是量大、毛利更薄，價格幾乎天天動。

前沿實驗室：贏在前沿，仍可能輸在商品層

Patrick 提出多頭論：前沿智慧不是商品、內部模型與公開模型落差在擴大、蒸餾被放慢、實驗室也能自己服務便宜端。Cliff 承認條件式結論：若模型真的更好、又能以遠低於他人的成本產出夠用的智慧、且難以被複製，那會是好生意。但他覺得難以為這寫投資論述。

他看部署像一波往上推的浪：早期模型只做一小部分工作，更好的模型打開更大市場；但落後於前沿的任務很快飽和，「你不會傻到用前沿模型去跑客服聊天機器人」。那些層會商品化，中國模型崛起與單位成本崩跌就是證據。就算某家是次前沿市場的成本領導者，那塊市場也可能因為服務成本太低、競爭太兇而賺不到厚利。

需求面他形容比較像鑽石形，而不是無限外擴：早期便宜智慧擴大用途；晚期則收斂到稀有利基，「你到底多常需要三百 IQ」值得問。Jevons 悖論在他看來只是曲線上某一段的陳述：產品很差時沒需求，價格下降時需求膨脹，再往後降價帶不動量，市場反而萎縮；價格到零，市場規模也是零。他用「搬運資訊的成本」當史例：從前很貴、流量很小，後來流量暴增，再後來成本繼續掉、市場卻不再長大甚至縮小。他提到像 Cogent 這類扛著大量 IP 流量的公司，市值仍只有數十億美元量級，「這行業其實沒那麼大」。

建設潮是資本循環：兩邊故事都能講

被問為什麼最優秀的創業者都擠去供應端，Cliff 把因果翻過來：沒有強烈價格訊號與人才湧入，就不可能出現這麼大的基礎設施建設；人才來，是因為機會真實。「他們該賺很多錢。」他自己選的是另一條：與其賭「哪個鐵路大亨會賺到、需要建幾條鐵路」，不如想均衡之後該擁有什麼，「有了鐵路之後，我希望自己有先見之明去抓到消費品牌」。

他把美國經濟比成存錢買房：資源被拽進 AI 建設，電工水電工被重配，別處成本上升。國家會一直推到「做得過頭」，過程中必須先出現獲利，否則推不動；因為前置期與贏家詛咒，「最後停手的那個通常會後悔」。他坦言自己對供應鏈公司「刻意無知」，推測推論需求與成本下降速度各自都有幾個數量級不確定性，就算猜對也還得卡在瓶頸、再打贏對手。對 TSMC，他不裝專家，只說它有多年累積、部分難以言說的製程力，比較不易被 AI 直接取代；但因為供不應求，也逼全世界去複製它的護城河。

最誠實的一句是：他能用同等確定性講「我們嚴重短缺、建設的人會發大財」，也能講「單位成本崩潰、其實已經蓋過頭」。兩邊都成立，取決於採用速度與價格路徑。

Agent 改寫競爭；美國資本市場被低估

若人人都有 AI agent，許多決策會外包給它去挑最低成本、最高效率。存款利率、清運費這類「一年不動、偷偷漲百分之五」的價格，會變成持續重算：業者重跑財務、估真實邊際成本、對每個高於邊際成本的客戶出價；客戶端的 agent 則轉向最便宜的一家。「你的垃圾清運費可能每天都不一樣。」他把價格定義成「包著誘因的訊號」：同時告訴你相對價值與稀缺，又驅動行為。即便智慧無限，他也不認為有系統能比價格更好地協調經濟活動。

投資這一行，他借用自由式西洋棋：有很長一段時間，人加程式勝過單打；現在投資還在那個時代，因為他手上有模型裡沒有的資訊與判斷。那道縫可能會合上；若模型的結果分布已是最好預測，再加人為意見，就像去改七天天氣預報。美國資本市場他給很高評價：大約百分之三 GDP 能「幾乎轉個彎」就砸進高度投機的事業，別國少見。他預期未來會冒出詐欺與浪費，像當年鐵路潮，但這輪相對乾淨。他對美國敢承擔風險的「寵物理論」是基因、文化演化與制度演化的交織：願意移民的人自我篩選出風險偏好，再強化破產法、勞動法與創投等制度。

組合集中與給公司的 AI 劇本

Cliff 的組合非常集中：大約八成押在 Carvana，其餘是渡假村相關公司與約百分之五的 Meta，總共大概五檔。依 CAS Investment Partners 最新公開的 13F 申報（2026 年第二季），CVNA 約佔七成九、HGV 約一成四、META 約百分之四。

談到為什麼敢把八成壓在單一標的，Patrick 先講一位朋友的實驗：把投資拆成「選什麼」與「各買多少」兩層；這位朋友繼續自己選股，但開兩條賽道做部位配置，一條照他過去那套人工建倉，另一條把建倉完全交給自己做的 AI harness，只規定必須留在他挑過的標的裡。到目前為止，AI 那條大幅勝過他自己本來就很成熟的配置方法。朋友的論點很直：模型讀過幾乎所有組合建構、下注大小與 Kelly 準則文獻，優化本來就是強項；未來投資人的工作也許只剩「決定擁有什麼」，「各買多少」交給機器。Patrick 接著問：若改走 AI 配重那條路，Cliff 這種八成集中在單一資產的組合，模型權重大概會跟他現在差很多。Cliff 笑說自己其實「underweight」，應該到九成。

時間尺度是他接下去的重點。他認為 AI 進投資這行，會先從較短的時間尺度往上爬：秒、分、小時、周、月，再慢慢碰到更長的持有期。短線比較容易有驗證迴路；像那位朋友的比較，很難用二十年結果來驗。他推測愈短線的參與者，愈可能把愈多決策委派給模型。量化與質化怎麼接？他說可以想像一條完全量化策略，再用人類設計的質化分析去豐富它，然後再有一層量化把質化訊號吸回去，許多 multi-strat 已經在做類似的事；朋友的實驗只是另一種風味。模型等於多開了幾個自由度，成功路徑變多，並不只有一種正確組合。

那他為什麼仍堅持極端集中？Patrick 直接點出：面對大量主張「這樣建組合很瘋狂」的研究，你怎麼安心抱這麼大的部位。Cliff 的回答分幾層。第一，那些文獻多半在看證券價格波動，比較少用「擁有一門生意」的視角；若把 Carvana 想成你真正了解、長期持有的公司，邏輯就不一樣。第二，他敢壓這麼重，是因為判斷 Carvana 的基礎設施、品牌與整體差異化夠強，很少情境會真的很糟；若沒有這層判斷，他就不會舒服到抱這麼多。第三，若當年早期認出 Walmart、Home Depot 或 Fastenal 卻為了分散而砍部位，等於沒吃到完整優勢；歷史上表現突出的投資人也常很集中，但他也承認倖存者偏差：你讀不到「沒成功那些人」的歷史。第四，分散化文獻對追求平均或略優於平均結果的多數人，他認為完全正確；「那不是我要的」。最後他說這是預期報酬與「明知在承擔不尋常風險」之間的取捨：若股價大漲、逼他不得不分散，他也完全 OK。

給投資組合公司的建議是四步、可能要好幾年。第一，董事會、執行長到全員都該 vibe-code，Carvana 內部叫 pizza party：重點不是產出軟體，而是重置每個人對「現在可能做到什麼」的預期。第二，執行長告訴 IT：我要個人 agent 唯讀接入公司每一套系統，凡是問人問得到的，都要能在 prompt 裡問到；IT 會說這難到爆炸，那正是重點。第三，執行長自己先用到上癮，別人跟進，權限再一人一人打開。第四，需求從讀到寫、再到改系統，每一步都要有權限與變更管理。策略含義是：現任者在跟「沒有歷史包袱的新創」賽跑；若你擁有的是一門真的好生意，才有時間跑完這場。現在是史上最好的創業時刻之一，但若你很容易做出來，別人也很容易，耐用的結果通常帶著楔子：鎖定、專有資料，或一條看起來不夠香、因此很少人搶的路。

教育：教的是指揮模型的詞彙，不是跟模型比快

Patrick 問兩人都有年紀相近的孩子，教育該怎麼想。Cliff 說他愈來愈常跟孩子學校的校長討論這題，雙方想法愈來愈像：教育目標會變得比較雙峰。他先把問題拉回根本：當模型幾乎提供無限智慧，個人自己的智慧還有什麼用？若說五十 IQ 與一百五十 IQ 在這種世界裡一樣好用，他直覺不對。他釘住的位置是：你愈有智慧、愈有結晶化知識（也就是教育堆起來的東西），就愈能跟模型溝通、把模型導向你真正要的結果。

他舉自己當反例：若要跟模型深談怎麼設計領先的量子物理實驗，他幾乎什麼都不懂，模型再怎麼努力解釋，最後也像「用蠟筆與 Nerf 泡棉劍在畫」，很難推到前沿、也榨不出模型最好的一面。換成他有專長的領域，他就能有效指揮。未來很重要的技能是「讓模型照你的意志做事」，而那要求你先對世界有一定理解。教育幫忙的地方很具體：你若不知道什麼是 stochastic process，就很難叫模型「假設這是一個隨機過程」；模型當然可以從頭教你，但摩擦很大。重點不是手算到最後一步，而是你得知道那是什麼，才下得了指令。

因此他愈來愈主張：要花一段時間讓孩子跟模型分開，先學一串會互相疊加的基礎技能。不是因為將來不能用模型做乘法，而是不懂乘法就很難理解矩陣乘法；矩陣乘法不必算得很溜，但要懂模型在做什麼，才能指揮它。模型「會做」不夠，你還得「知道它在做什麼」，才能叫它做對的事。

講到有些英文老師抱怨學生用模型寫 Shakespeare 作文，Cliff 的看法很直接：問題不在工具，而在題目出得太簡單。若孩子已經能用模型把傳統作文交掉，正解不是只禁止工具，而是把作業難度拉高一百倍、目標更有野心，並要求他們把模型用到極致。交回來之後要驗收：確認不是丟一句 prompt 就交差；追問為什麼寫成這樣、逼他們為作品辯護，證明自己真的擁有它。他認為這才同時練兩件事：孩子要會用工具，也要被教導「你可以做成任何事」。

這對讀者代表什麼

這集的價值不在預測哪家實驗室會贏，而在給一個可反覆使用的濾鏡：先假設智慧充裕且便宜，再問這門生意擁有的是智慧本身，還是智慧製造不出來的互補品。同樣濾鏡也解釋為什麼他對建設潮保持兩手：短缺與過建可以同時說得通，取決於採用曲線落在哪一段。對一般使用者與經營者，agent 會把「懶得比價」這層摩擦磨掉，護城河若只靠客戶惰性，壓力會愈來愈大。

教育那段也很實用：與模型共存的能力，建立在你有沒有足夠詞彙去下指令與驗收結果。禁止工具往往是野心不足；提高題目難度、要求辯護，才比較像未來工作現場。

未來投資可以留意的方向

以下為依節目內容延伸的觀察方向，不構成個股建議：

• 智慧互補品：擁有獨有資料、注意力入口、情感品牌或實體密度的平台與服務，在智慧商品化後仍可能留下定價權。
• 前沿實驗室與次前沿商品層：關注成本曲線、蒸餾與開源壓力，以及「夠用智慧」市場是否真能撐住高毛利。
• AI 基礎設施資本循環：供給過與不及可以並存敘事；觀察瓶頸環節、前置期與最後進場者的風險。
• Agent 驅動的價格透明化：比價、採購、本地服務（如清運、公用事業周邊）的轉換成本下降，利潤可能從惰性溢價移向真正低成本業者。
• 企業內部「唯讀接入一切」的改造：能把組織知識變成 agent 可用上下文的公司，執行力差距可能擴大。
• 高度集中的長期持股邏輯：差異化基礎設施與品牌是否足以支撐極端集中；這是風格選擇，不是普適建議。
• 教育與人力資本：培養「指揮與驗收模型」能力的產品與機構，可能比單純禁止 AI 的路徑更貼近職場。

來源（聽後整理）

• 節目：Invest Like the Best，What's Still Valuable When Intelligence Is Free（Colossus 標題亦作 The Limits of Intelligence）
• 主持人：Patrick O'Shaughnessy
• 來賓：Cliff Sosin（CAS Investment Partners 創辦人）
• YouTube：https://www.youtube.com/watch?v=EH6DsNT455M

非逐字翻譯、觀點整理，不構成投資建議。