--- id: "EH6DsNT455M" title: "当智能力免费时，什么依然有价值" channel: "Invest Like The Best" host: ["Patrick O'Shaughnessy"] guests: ["Cliff Sosin"] date: "2026-10-27" updated: "2026-10-28" duration: "1:11:27" duration_seconds: 4287 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=EH6DsNT455M" canonical: "https://pod-exp.pages.dev/EH6DsNT455M/" transcript_jsonl: "https://pod-exp.pages.dev/EH6DsNT455M/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["人工智能","AI 基础设施","投资","AI 智能体"] series: ["AI 投资"] --- # 当智能力免费时，什么依然有价值 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Cliff Sosin 认为，智能力不是无限延伸的刻度：复杂动态系统、现实实验和物理世界都构成边界。随着智能力变便宜，投资者应关注数据、注意力、规模和物理接近性等互补资产；AI 代理会改变消费者切换、价格发现、企业组织和投资研究。讨论还涉及前沿模型商品化、基础设施投资周期、美国资本市场、收入分配、Carvana 集中持仓，以及教育如何帮助孩子更好地引导模型。 ## [0:02] 开场：智能力的边界 · YouTube **Cliff Sosin：** 我能看到人工智能有这么多令人惊叹的用途，我已经用了海量 token，也能想象自己还能再用海量 token。大家用的 token 都跟我一样多，我们现在的供应显然不够。看起来这会是一个长期持续的巨大行业，所有参与建设的人都会赚得盆满钵满。可另一方面，每个 token 的成本又会大幅下降，所以我们也可能已经建得太多了。我觉得这两种说法都同样有说服力。 **Patrick O'Shaughnessy：** 你之前打电话跟我说，我们那次谈话的主题大概就是“智能力”。能不能把这个简单的想法讲一讲？ **Cliff Sosin：** 有一种观点认为，智能力会从变形虫开始，一路不断增强：先到猴子，再到人，然后到爱因斯坦，接着突然飞跃，最终变成上帝。我觉得这里有个认知上的错误：人们忽略了智能力真正能做到什么、又受什么限制。把智能力想成一条没有上限的刻度，就像树能长多高一样，并不准确。更好的理解方式是把它看成一个比率，比如球有多圆。 智能力是一种工具，我们用它来预测宇宙。起初我们掌握的宇宙事实很少，而宇宙本身很复杂；智能力帮助我们在事实之间进行插值。智能力越强，就越能填补这些空白。有些领域很适合这样做，比如数学，在这些领域里我们有机会接近完美。 但世界上大多数有趣的问题，都属于数学上所说的复杂动态系统。它们有点像天气：不能靠猜测得到一个封闭形式的答案。我们可以尝试模拟，可模拟总会在初始条件或后续每一步里产生误差，至少因为计算步骤会被截断。误差逐渐累积，模拟运行一段时间后，结果就会偏离。 所以，对把奶油搅进咖啡、预测天气，或预测一群复杂的人如何彼此互动这类问题，智能力并没有那么万能。智能力会不断增强，直到能做出超级聪明的系统所能做的大部分预测；但这其实只覆盖了我们想了解的世界中相对有限的一部分。要再往前，就得获取更多关于现实世界的信息，这需要时间：要做实验，要接触现实。 一个有意思的推论是，智能力的飞跃也能用来降低智能力本身的成本。于是，我们最终可能得到近乎无限、质量很高的智能力，几乎免费——当然，“免费”只是极限说法。实际上，足够好的智能力正在迅速变便宜，而这种“足够好”的智能力已经能解决人们需要动用智能力的大多数问题。 **Patrick O'Shaughnessy：** 能不能再解释一下，为什么复杂适应系统或动态系统意味着：即便未来十年后、或者你选的任何时间点，我们把智能力装进一个瓶子里，它在应用上仍然会受限？ **Cliff Sosin：** 非线性动态系统有个著名故事。它们的发现促成了混沌理论这门数学分支。很久以前，有个人在大型、占满房间的计算机上建立天气预报模型…… ## [4:02] 混沌理论与智能力应用 · YouTube **Cliff Sosin：** 当时有位研究者在大型计算机上建立天气预报模型，预测一段时间里的气压和温度。他觉得结果不错，为确认模型仍正常运行，就重新输入数据再跑一次。起初结果几乎相同，但到了预测的第三、四、五天，结果却完全分岔。他以为系统有 bug，开始查找为什么重复运行会得出不同结果。 后来发现，第二次运行时，技术人员把气压、温度等初始条件的小数位少取了一位。人们原以为这只会造成一个小而稳定的误差，实际却是误差在每一步计算中不断累积，没过多久，两次预测就变得完全不同：一个模型说晴天、华氏 70 度，另一个却说华氏 20 度、大雨倾盆。这就是“蝴蝶效应”：原则上，非洲一只蝴蝶扇动翅膀，可能引发北美的飓风。 很多我们关心的系统都有这个特征。即使知道气压和温度的一切，也未必能写出一个容易求解的方程，直接告诉我们哪里会有飓风。我们必须模拟，而模拟总有一定粒度；除非真的把整个宇宙都纳入模型，否则终究会有误差。要模拟整个宇宙，极限情况下所需的就是整个宇宙本身。当然，许多情形下模拟仍然非常有用，可以给出近似答案；智能力也能帮助解决这类问题。但还有许多问题无法这样处理。这就是宇宙某种根本上的不可知性，也是智能力的局限。 **Patrick O'Shaughnessy：** 回到“智能力就是一切”这个想法，从更实际的角度看，我们会走向哪里？ **Cliff Sosin：** 我们每个人口袋里都会有一支全天工作的队伍，里面有一群智商 200 的人；这支队伍自己还能调动更多队伍，替我们找出那些我们懒得做的细小优化。每家公司也会为员工提供类似的团队来帮助完成工作。 但这对很多企业并不是好事。有些公司面对的消费者目前只具备有限理性，认知精力有限。企业会对消费者说：“把钱交给我们，我们不会偷走；给你不错的利率，你不用操心，继续过自己的生活就好。”消费者不会每天盘算：“如果我天天研究这件事，一年能省 400 美元，所以我得天天研究。”他们会说：“听起来够好了”，然后继续生活。可如果消费者有一个智能代理，代理就会一直替他们优化选择。 还有些公司的产品，本质上是某种凝固下来的智能力成果。我并不是第一个想到 AI 可能伤害某些软件公司的人。AI 模型像通用智能工具，许多软件工具则是凝固、固化了的智能力片段——它们是智能力的一种投影…… ## [8:03] 智能力的互补品：Meta · YouTube **Cliff Sosin：** ……也就是智能力的投影。所以我思考公司和投资时，发现一个有用的方法是先假设每个人都拥有很强的智能力，再问：还剩下什么？ 人们反驳时常说：“你不明白这有多难、多复杂，有多少聪明人花了多长时间思考。”我大致会回答：好吧，但这些归根结底都是智能力。如果智能力变得便宜且无处不在，值得拥有的就是它的互补品：数据、注意力、爱与情感依附、物理距离上的接近、规模，甚至有点愤世嫉俗地说，还有监管俘获。 对一些企业来说，过去部署智能力的能力有限，可能因为成本、公司规模、组织落后，或者它们无法像 Google 那样用十年时间获得一万名顶尖工程师。如今企业、竞争对手和顾客都能部署更多智能力，结果可能对企业有利；如果缺乏智能力原本妨碍它服务客户，那这会帮到它。反过来，如果客户的惰性本身是企业经济价值的关键部分，智能力也可能对它不利。 **Patrick O'Shaughnessy：** 拿 Meta 举例吧。你似乎认为，它拥有普及且便宜的智能力所需要的完美互补品。这样说能不能把例子讲具体些？ **Cliff Sosin：** 我先暂时不谈 Muse、智能代理之类的东西，先看业务。Meta 的核心业务其实是“个性化电视”。 **Patrick O'Shaughnessy：** 个性化电视。 **Cliff Sosin：** 对，它过去是社交媒体，现在更像个性化电视。人们真的喜欢看 Instagram 之类的平台。它刚发现我喜欢英式黑色幽默，这很棒。从非常宏观的角度看 Meta：它有 2500 亿美元的营收，一年也花掉 2500 亿美元，有些算作成本，有些算作资本开支，反正都花出去了。你会问：这些钱花在哪里？ ## [10:41] Meta 如何受益于廉价智能力 · YouTube **Cliff Sosin：** Meta 把钱都花在智能力上。它买数据中心——数据中心是生产智能力的工具；它购买推理服务；雇聪明人写算法；也写代码，这些都属于智能力。视频理解也与智能力密切相关。严格说这只是高度简化的说法，别把它当字面描述，我只是想指出大方向：它买的都是智能力。 如果未来五年智能力价格下降约 100 倍，按第一性原理看，它们的成本可能会大幅消失。收入端也会受益：你是创作者，如果每位 Meta 内容创作者都能以百分之一的成本获得有效一万倍的智能力，能做出质量高多少的作品？很可能会更好。 Meta 未必把成本降到零，也可能继续投入更多，但可以更好地挑选接下来推给用户的视频，让内容更精准、更有趣。广告主也能制作设计更好、定位更准、更个性化的广告，Meta 随后可以更准确地投放；广告主还可以搭建更顺畅的转化漏斗。关键是，凭借更强、更便宜的智能力，它们或许不用把成本降到零，而是能多卖一些广告。 这一切都依赖于 Meta 已经拥有、不会被普及智能力摧毁的东西：数据和注意力。它掌握大量用户及其观看视频方式的数据，也拥有巨大的注意力，这两者还会相互增强。我不认为便宜且普及的智能力会让人们不再想看有趣的 20 秒短片；如果有影响，Meta 或许还能从人们做其他事情的时间里边际地多争取一些时间。 我理论上认为，Grindr 也可能从更多智能力中受益。我并不持有它的股票。Grindr 是同性恋交友应用，受限于公司规模不大。它有大量注意力和数据，但受团队、预算和开发能力所限，做不出所有想象中可以在这些数据上开发的东西，因此它未必能成为它本可以成为的一切。可以用一个思维模型来想：如果你能让 Google 最优秀的 1 万名工程师为你的问题工作五年，能做出什么？Grindr 也许就能做得更多。 **广告旁白：** Ramp 是唯一一个旨在让财务团队更精简、更迅速、更高效的平台，平均每年为企业节省 5%。企业可以专注增长。Ramp 刚在英国开展业务，英国企业现在可以用它的 AI 财务平台，在一个地方管理卡片、费用、账单、审批和会计。我用 Ramp 管理自己的公司，你也该试试。了解更多请访问 ramp.com/invest。 **广告旁白：** OpenAI、Cursor、Anthropic、Perplexity 和 Vercel 有一个共同点：它们都在使用 WorkOS。原因是…… ## [14:41] 前沿模型会商品化吗？ · YouTube **广告旁白：** 要让企业大规模采用软件，必须具备 SSO、SCIM、RBAC 和审计日志等核心功能。与其花几个月自行开发这些关键能力，不如用 WorkOS API 从第一天起就获得它们。许多知名 AI 团队已在使用 WorkOS。它能让产品快速达到企业级标准，让团队专注于产品本身。访问 workos.com。 **广告旁白：** Rogo 是专为金融机构打造的 AI 平台，服务全球数百家领先公司的数万名银行家和投资者。Rogo 智能代理可以自主执行大量工作流程，包括筛选交易、撰写 SIM、联系潜在买家、对数据室做尽职调查，同时处理安全与合规。每项操作都会进入 Rogo Intelligence 这一机构上下文层，把多年交易经验转成安全、受治理的机构记忆，让每笔新交易都比上一笔更好。了解更多请访问 rogo.com/invest。 **Patrick O'Shaughnessy：** 我想谈谈那些模型实验室。回到最初的话题，许多优秀投资者会说，智能力，尤其是前沿智能力，并不是一种商品。过去大家谈的是闭源模型和开源模型之间的智能力差距；如今越来越多人关注实验室公开提供的模型，与它们在自己业务内部私下使用的模型之间的差距。它们似乎已经找到阻止或减缓模型蒸馏的方法。很多人认为，行业正在达到逃逸速度，前沿 token 会更有价值、更有用，而实验室也可以蒸馏自己的模型，提供最好的廉价智能力。你能从投资者角度谈谈这些实验室作为公司的情况吗？ **Patrick O'Shaughnessy：** 如果他们有更好的模型，也能比别人以低得多的成本提供够用的智能力，而且别人无法复制，那当然会是很棒的生意。 **Cliff Sosin：** 我有几点想法。看着模型逐步投入使用，我觉得可以这样理解：最初的模型能力不足，只能完成很少一部分工作；模型变强后，会逐步向任务栈上层推进。每一步都让前沿模型打开更大的潜在市场。 与此同时，后面的任务会逐渐饱和。客服应用里的聊天机器人绝不会需要用前沿模型，那样做就太傻了。那些领域显然会商品化。因此，前面有一波确实需要前沿模型的困难任务，后面则不需要。 我有些朋友看好前沿实验室公司。它们的财务数据并不公开，可能比我更有信息优势。他们会说：“别担心，我们也能沿着整个效率前沿提供更便宜的 token。”也许现在能做到，也许还不能；也许几年后能，也可能不能。这件事我觉得很难判断。可以确定的是，这些东西一直在迅速商品化。看看中国模型的兴起，以及…… ## [18:03] 需求会随智能力价格一起扩张吗？ · YouTube **Cliff Sosin：** ……每一步的成本至少都在下降。即便实验室在远离前沿的任务上占据优势，这些 token 对应的市场也未必很大，因为交付成本本来就不高；即使它们是一个萎缩中的商品化市场里的低成本供应商，竞争仍然激烈。 编程曾是模型的一大用途。往前看，问题是再往上几层智能力，是否还有越来越大的市场。看多的人会说，只要模型能找到治愈癌症的方法，人们愿意付任何价钱。这或许没错；但治愈癌症需要接触现实，我不确定更高智商本身就能做到这一点。 如果不存在那种可以为更高智能力支付巨额费用的超级用途，市场可能会呈钻石形：起初模型用途越来越广，但再往前就越来越稀少。你会开始问：我们到底多常需要一个智商 300 的系统？ 我不想把结论说得太死，但完全可能是：超精英级智能力的用途很少，非常好的智能力用途很多。后者竞争激烈、会商品化。如果前沿实验室能成为这类智能力的低成本供应商，确实可以赚取成本领先带来的利润；可同时，价格也可能急剧通缩。若足够好的智能力非常便宜，市场究竟有多大，人们又会买多少？ **Patrick O'Shaughnessy：** 我继续扮演一下魔鬼代言人。 **Cliff Sosin：** 好。 **Patrick O'Shaughnessy：** 人们可能会提两个观点。第一是杰文斯悖论：东西变便宜后，我们会想用得更多。你怎么看？第二，历史上新的智能力用途通常是由高度聪明的人发现的。我有个好朋友说，智能力会创造自己的需求。若人类在发现新问题、再交给智能力回答，需求曲线可能呈钻石形；但如果智能力本身能创造新问题，我们训练它有效地开放探索，像过去由智商 150 以上的人带领全人类探索那样，情况会怎样？ **Cliff Sosin：** 杰文斯悖论只是价格需求弹性曲线上一个狭义的例子。一般来说，市场需求像 U 形曲线：产品糟糕时没有需求；产品变好后，人们愿意付高价，但购买量还不大；价格下降后，市场规模扩大，这就是杰文斯悖论。但再往后，继续降价已不足以带来足够需求，市场会收缩；如果价格降到零，市场规模最终也会归零。 **Cliff Sosin：** 我想过一个例子：光纤通信的成本，也就是传输信息的成本。过去传输信息很贵，所以人们传得很少。经过一系列创新，信息传输成本大幅降低，传输量也猛增，市场长期大幅扩张。后来市场停止增长…… ## [22:03] 物理实验仍是扩张边界 · YouTube **Cliff Sosin：** ……传输信息的成本还在下降，市场却开始收缩。如今我想 Cogent Communications 经由旗下一个部门承载了互联网上 30% 或 40% 的 IP 流量，而那部门甚至不是它最大的业务。Cogent Communications 的市值也就几十亿美元，这已经不是一个很大的行业。我不是说智能力最终也会缩到这么小，但杰文斯悖论描述的是曲线上的一个特定位置，它不一定永远成立。 至于更多智能力能不能创造对智能力的新需求，当然可能。但我一开始就说过，回答问题需要接触现实。如果模型继续思考物理学，当然能想到很多有趣的东西，可最终还是得做实验。 **Patrick O'Shaughnessy：** 现实世界的事。 **Cliff Sosin：** 对，得在物理世界里真正做实验。这并不是说我们不能做实验，只是最后会受到我们实际开展实验的能力限制。我觉得我们会经历一段令人惊叹的时期，已经开始看到许多很酷的发现：某篇论文、另一篇论文、第三篇论文，如果有人读完并把它们联系起来，本来就能看出某件事，但一直没人这么做。模型读完所有论文后，就会把联系找出来。由此会涌现很多很好的成果。 但某个时候，这类工作会做完。之后我们面对的是已知范围之外的问题：我们有一个假设，但即使是超级聪明的模型，也未必更擅长猜中答案。它肯定比最聪明的人猜得更好，但人类最聪明者的成功概率本来就极低。模型能提出很棒、值得开展的实验想法，但扩展知识的能力仍会受实验限制。我还会想到自己平时使用 AI 的方式…… ## [24:04] 现实实验室的速度限制 · YouTube **Cliff Sosin：** 从很多层面都可以说。先回到商品化：我自己用模型的方式已经完全商品化了。我有些开发很懒，会让 GrokBot 帮我搭东西。为了不耗尽 GrokBot 的 token，我订阅了各种服务，再让它在服务器上调用这些订阅来完成开发。现在我甚至不知道自己用的是哪个模型。过去我会比较哪个强、哪个弱，现在后台都替我优化了；我只知道东西做出来了，而且没有耗掉我的订阅额度。 **Patrick O'Shaughnessy：** 我想问问一类公司：它们把现实世界实验变成自动闭环。这正在机器人领域发生，也出现在生物实验室、自动化湿实验室和测试实验室。你怎么看这类公司？ **Cliff Sosin：** 这是个非常棒的公司方向。在物理世界里闭合循环会很有价值，也会加快学习。但速度仍有上限。我坚信 AI 能做很多有用的事，也清楚事情会碰到边界。 **Patrick O'Shaughnessy：** 我常用一句话解释：你很聪明，所以你应该明白，聪明也是有限度的。 **Cliff Sosin：** 光靠思考找到解决方案的能力有限。设想建一个自动化生物测试实验室，把它接到电脑上，由电脑提出想法、开展实验、反复迭代。这很棒。可如果实验需要繁育小鼠，而小鼠要一年才长成、随后死亡，这个实验可能得花十年。实验可能很棒、能学到很多，但还是得花时间。 实验室的规模也有限。你可能有 5000 个好点子，最后只能选 20 个。模型也许能提高实验成功率，甚至让成功概率达到 1%，比普通研究者高十倍。这已经很了不起了，但成功率仍然只有 1%。我不是悲观：从已有知识中找回被遗忘的发现、帮助更好地指导研究、加快研究进度，都非常有价值，会推动前沿。但这不等于模型突然环顾四周，说“你们漏掉了一个无法理解的新世界”。我不认为我们会走向那种情形。 **Patrick O'Shaughnessy：** 目前市场，尤其私募市场和关注前沿的投资者，似乎主要在投供给端：怎样建造并提供所有这些智能力，而非需求端，比如有人在 Meta 应用上看个性化电视。你怎么看第一批供给侧公司作为投资标的？ **Cliff Sosin：** 这太难了。我开玩笑说自己故意对它们一无所知，也许因此吃了亏。要预测这么大规模的建设之后推理需求有多少，我连供给和需求的数量级都没法估准。智能力变得更好、更便宜后，人们会多用多少推理，这非常难预测；推理会变得多好、多便宜，也同样难。就算猜到这些，还得看整条价值链，企业必须处在瓶颈位置才能拿到超额收益，最后还要面对价值链同一环节的竞争。这实在太难了。我会想到自己作为消费者使用 AI 的方式…… ## [28:04] 消费者需求、价格与资本周期 · YouTube **Cliff Sosin：** 我越来越会让 AI 给女儿制作类似《三蓝一棕》的视频讲解，而不是让聊天机器人和她文字聊数学。她可以看五到十分钟的视频，学习幂、面积、周长之类的东西，很酷。如果每次要花 5 美元，我大概不会这么做。这说明价格弹性是真实存在的。 我可以用 Muse 应用拍自己锻炼，让它提示动作姿势，只要价格很低我就会做；如果价格高，我就不会做，而且我可能比大多数人更不在意价格。因此，AI 需求对价格会非常敏感，这在某种程度上限制了消费者总共愿意为它花多少钱。 **Patrick O'Shaughnessy：** 或许该谈谈资本周期。全世界最聪明的人，以及许多最优秀的创业者，都亲自重仓参与供给建设。看昨天 SpaceX 的投资者日，主题基本就是这个。也许史上最伟大的创业者之一，正在全力建设数据中心供给等基础设施。 这是个历史问题：如果供需有这么多不确定性，还有别的创业、做产品、赚钱的途径，为什么这么多最优秀的创业者和最聪明的人把一生都投在供给建设上？ **Cliff Sosin：** 这是一项规模巨大、意义重大的基础设施建设。若没有强烈的价格信号，也没有大量人才涌入，就不可能出现如此重要技术的大规模建设。所以你也许把因果关系看反了。当然两者互相影响，但能不能想象另一种叙事：没有什么有意思的人、也没人赚到钱，却仍然有人大举建设 AI？这大概就是最好的回答。 要说清楚，这是重要的大工程，正因为聪明、有才华的人把一生投入其中才得以推进。他们理应赚很多钱。这件事只是很难判断：从我的角度，很难知道沿着哪一环投资、最终能不能赚钱。我不是说那里没有很多机会，只是我决定更多关注长期均衡结果，也就是世界最终会变成什么样。 与其赌哪个铁路大亨会赚钱、需要多少铁路，我更想知道铁路建成后会怎样。我真希望自己能有远见，想到接下来会出现消费品品牌。这是我试着采用的思路。 **Patrick O'Shaughnessy：** 能谈谈你研究市场历史后对资本周期和创新周期的认识吗？如果我们正处在这样的周期中，甚至可能是有史以来最大的周期，历史能教我们什么？ **Cliff Sosin：** 可以把今天的美国社会想象成一个为了买房而存钱的家庭：我们正在盖房子，大家都觉得手头紧，因为大量资源都投入了 AI 基础设施建设。电工、水管工和其他工人都去做这些事情，结果是经济其他地方成本上升。毫无疑问，我们会从中获得很多价值…… ## [32:06] 基建投资与物理护城河 · YouTube **Cliff Sosin：** ……而且因为没人知道最终需求如何，我们会继续推进，直到最后过度建设。过程中，投资者必须赚到很多钱，否则大家就不会继续投。基础设施有建设周期，又有赢家诅咒，最后一个停下来的人总会后悔。这很难，而且技术本身变化很快，相比过去的一些基础设施建设，变化更多。 有人指出，即便在芯片层面，AI 也可能让 Nvidia 这样的东西商品化，甚至带来各处的递归式自我改进。 **Cliff Sosin：** 是的，很多东西最后都只是智能力。严格说，Nvidia 做的是发送给台湾的设计文件。它们很难做，但背后是很多人费力思考。理论上别人也能做。你若稍稍离开前沿，制造成本就会低很多。 **Patrick O'Shaughnessy：** 在这种情况下，如果你要投供给侧企业，会不会更看重实体资产和规模？比如 TSMC？ **Cliff Sosin：** 我不想把自己说成 TSMC 专家。它的业务确实有更好的特征。它解决的是一件极难的事，需要多年积累流程能力，也极难复制；而且它更不容易被 AI 取代，因为生产非常实体化，许多微小环节甚至不是 AI 能看懂的，可能得靠一个身处系统中的人知道具体该怎么做。 由于需求太大、产能又不足，世界各地的人都在设法复制它的护城河。这不是很好的事实。更广泛地看，我们谈过 Meta。那些拥有物理接近性或实体规模的企业，如果能用智能力更好地服务客户或降低成本，可能会受益。 **Patrick O'Shaughnessy：** 我想回到智能力的天然互补品，逐一请你解释它们为什么构成互补品，方便大家寻找具备这些特征的公司。先谈物理接近性：DoorDash、Uber 这类有本地密度效应的企业，应该怎么看？智能力普及是否会自然放大这类规模赢家…… ## [35:10] 智能代理如何改变本地竞争 · YouTube **Patrick O'Shaughnessy：** ……物理接近性会成为一种关键优势吗？ **Cliff Sosin：** 如果你是某种商品或服务的低成本供应商，给你一个简化例子。假设每个人都有 AI 代理，许多决定会交给代理处理，因为它能帮你优化，把原本遗漏的几分、几美元都捡回来。 消费者选择可以放在一条光谱上。一端是尽量提高银行存款利率，这件事我几乎可以完全听 AI 的，只要存款有 FDIC 保险，我就想要最高利率。另一端是挑选我最喜欢的毛衣，这主要靠我自己的判断。AI 可以搜集一些选项，但最终得由我决定，没法把这个判断委托给它。 姑且假设垃圾清运服务的选择可以交给代理。现在如果我是垃圾清运公司，即使服务好、价格低，要让客户费心更换也很难。你可能都说不出自己付多少垃圾清运费。企业得想办法让大家注意到它，才会有人换供应商。 未来，我的代理可以和另一家的代理谈：“每月给你省 50 美分。”我的代理会确认：“垃圾还会有人来收吗？”对方回答“会”，我就能轻松换过去。第一层效果是客户转向低成本供应商。 更有趣的是市场整体变化。假设一条街上的住户都由同一家收垃圾，司机可以一次开过整条街，更高效地收运垃圾，给大家更低价格，自己也赚得更多。但大家很难协调；我们懒得更换服务商，结果各用各的公司。某个低成本供应商原本只有这条街上的两户客户，没法挨家挨户打电话说：“我已经有两家了，你们别家只有一家，让我把业务整合起来吧。” 有了代理，这家供应商就能逐户说：“我每月再便宜 50 美分。”所有人都可能转过去，它会获得本地密度，进一步降低成本。这会形成更好的生意：低成本供应商拿到更多销量，但利润率更低。很多公司都有指向不同方向的混合效应。 **Patrick O'Shaughnessy：** 智能代理会怎样影响你的行业？五年后你的角色会有什么不同？最好的代理能不能像你一样，建立一个由 Carvana、Hilton Grand Vacations 和 Meta 等公司组成的投资组合，因为你教过它你的思考方式？ **Cliff Sosin：** 它会做得更好。就我现在做的事情而言，我觉得长期来看，我们大概会被竞争挤出去。 **Patrick O'Shaughnessy：** 你做的事情是为风险定价吗？ **Cliff Sosin：** 是。电脑辅助国际象棋刚出现时，有很长一段时间，自由式国际象棋更强：人和电脑程序合作，能胜过单独的人或单独的电脑。这是因为人和电脑思考方式不同，彼此能形成协同。我觉得投资领域目前也处于类似阶段。 **Patrick O'Shaughnessy：** 我们现在就在这个阶段。 **Cliff Sosin：** 对，因为我作为一个真实的人、经历过生活，所以对世界有些理解是模型没有的；我知道一些世界上的信息，而这些信息并不都在模型里。互联网上信息再多，也不是一切都上网了…… ## [39:10] 价格信号与投资判断 · YouTube **Cliff Sosin：** ……这点可能还会持续一段时间。我可以用模型辅助自己，再做判断；我们合作会得到更好的判断。 但未来也可能出现这样的情况：人与模型之间的差距缩小到不再重要。模型未必能预测未来，因为未来在某些方面本就无法预测；不过模型给出的结果分布可能已经是我们能做到的最好预测。那时，在七天后会不会下雨的问题上加上我的判断，就像别人会说：“Cliff，你的看法我不在乎，我看天气预报就好。你怎么调整，只会让它变差。”那一天可能会到来。 投资中有很多事情，比如判断管理层；未来模型也许能采访管理团队并作出判断。之后会有更有意思的问题：资本如何获得配置？假设你想开游乐园，模型告诉你有六个地点成功概率为 51%，又评估你本人成功概率为 51.2%，略低于平均水平。你问怎样才能高于平均，模型建议你改开卡丁车场。不过我觉得这些变化短期内不会影响我的职业太多。 **Patrick O'Shaughnessy：** 如果无处不在的智能力变得更好、更便宜，还能复制你擅长的风险定价，价格会不会不再是协调经济活动的基本原则和信号？价格很神奇，因为它把激励和信号包在一起。 **Cliff Sosin：** 这是什么意思？ **Patrick O'Shaughnessy：** 价格是一种激励：价格上涨或下跌，会让你想买更多或更少。它也是信号，反映某件东西的相对价值、稀缺程度和生产成本。价格是协调各方的一种神奇机制。即使有无限智能力，也很难找到比它更好的系统。 **广告旁白：** Vanta 自动化合规，让团队少花时间应付安全审查，多花时间赢得客户。Vanta 将审计准备时间缩短 82%，即时提供最新的信任证明，无需大量手工操作，帮助更快、更顺畅地成交。客户报告称投资回报率达到 526%，包括 Ramp、Harvey 和 Snowflake 在内的 1.6 万多家公司正在使用。访问 vanta.com/invest 可获得 1000 美元优惠。 **广告旁白：** Ridgeline 是 AI 原生投资管理平台，把前、中、后台整合在一个系统里，为公司提供统一数据，并用 AI 代理自动处理入职、对账、交易后合规和报告等重复工作，让团队专注投资、服务客户和发展业务。它希望为公司腾出时间，改变公司的发展轨迹。Ridgeline 还为资产和财富管理公司建立互动仪表板，让你与 1.6 万家同业比较；只要公司提交 Form ADV，就已经包含在内。访问 ridgeline.ai/trajectory 查看公司位置，再咨询如何用现有团队做更多事情。 **Patrick O'Shaughnessy：** 换个问法：如果无处不在的智能力变得更好、更便宜，能够复制你擅长的风险定价，Dan 说这有三个层次。第一层是我输入提示，得到回答。第二层是我搭建一个…… ## [43:01] 智能代理与价格发现 · YouTube **Patrick O'Shaughnessy：** ……我设了一个 Watchtower，让它每天晚上按计划在后台运行一组任务。第三层能产生最多的智能力：代理始终在线、主动行动，自己寻找运用智能力的方式，可以无限持续下去。如果这种第三层代理应用到所有东西上——价格、效率、优化——会发生什么？ **Patrick O'Shaughnessy：** 这会给价格机制带来什么新变化吗？ **Cliff Sosin：** 它会让市场更敏锐。价格有很多粘性，这是著名的宏观经济现象。许多商品定价很懒，比如存款利率。市场确实竞争，但还远没有理论上可能达到的那么充分。 如果每个人都有代表自己、不断优化的代理，垃圾清运的价格就会更频繁地变化。垃圾清运公司会随着投入成本变化，重新计算财务数据、寻找真实边际成本，然后为每位客户出价；每个代理则都转向成本最低的供应商。你不会再每月固定付 60 美元，一年后公司涨价 5% 到 63 美元，你还没察觉。垃圾收运价格可能随日期、时段变化，变得更精确、调整更快。 **Patrick O'Shaughnessy：** 你在资本市场创新方面看到什么有趣的东西吗？《经济学人》有篇精彩文章，谈美国资本市场这个庞然大物如何适应新事物、创造新的金融工具和融资方式。这也是美国故事的重要部分，和技术创新、华尔街与硅谷的互动紧密相连。市场、融资方式方面有什么新动向？ **Cliff Sosin：** 不妨暂停一下，肯定一下我们作为资本市场在 AI 上做的事。人们曾担心美国活力衰退，但我觉得我们几乎眨眼间就把相当于 GDP 3% 的资源重新部署到一个高度投机的项目里。它真是令人惊叹。当然，实际应是 2% 还是 6% 谁也不知道；但我们能这么快、这么大规模重新部署资源，确实很了不起。世界上没有别的地方做到过。 无法调动投资和生产资源，会成为生产力增长的硬约束，尤其是在技术快速进步时。资本投入也意味着人们在做不同的事：每天都有美国人去宾夕法尼亚之类的地方建数据中心；没有一整套能调动巨额资本的基础设施，这种事就不会发生。 深层创新方面，我认为让人们为投机性项目承担风险、并以不同方式分配收益，是不可约简的基本机制。人们会不断为本质相同的事情换名字，这不会是根本性的变化。当然，等潮水退去，我们肯定会发现各种欺诈和不良行为…… ## [47:03] 美国资本市场与冒险文化 · YouTube **Cliff Sosin：** ……但考虑到这次建设的规模，我觉得整体上相当规范。回头看铁路建设，会发现当时也有浪费和欺诈，任何时候都会有一些。但这次有很多人基本上是在努力把事情做好，那些我们视为理所当然的治理机制也令人惊叹。美国资本市场，以及资本市场整体，都被严重低估了。 任何人花 10 万美元买股票，就能立刻、几乎零成本地拥有一篮子管理良好、激励一致的团队所建立的公司；等他们想卖时也能马上卖出。更令人惊叹的是，这些公司以及人们其他的投资方式，能相当有效地配置社会资源。整个系统很被低估。 **Patrick O'Shaughnessy：** 你觉得美国为什么在这方面如此领先？ **Cliff Sosin：** 这是我的个人理论。它可能来自遗传、文化演化和制度演化之间的相互作用。来到美国的人，可能本来就是更愿意承担风险的一群人，因为移居美国本身风险很高。我认为冒险倾向有相当重要的遗传成分，所以这种倾向在美国人中更常见。 当一个地方更习惯冒险，就会产生许多后续影响：文化和制度会逐步建立起来、反过来强化这种习惯。人们接受可以承担风险、也可以失败，于是会有合理的破产法、支持这种行为的劳动法、支持它的风险投资。所有这些又相互强化，并催生成功故事。整个因素混合在一起，这是我的个人理论。 **Patrick O'Shaughnessy：** 所以未来如果有月球基地，你会看好那里的社区，觉得它们有能力实现很好的经济发展？ **Cliff Sosin：** 这说得很好。美国持续展现出惊人的创新能力。如果将来有月球基地，我不会惊讶它是我们的。尽管中国人聪明又多，欧洲人也还在。 **Patrick O'Shaughnessy：** 看到利率上升时，你会想到什么？那张美国 10 年期利率的长期走势图，在我们几乎整个一生里都像这样走，你会怎么评论？ **Cliff Sosin：** 相关因素很多。我不是宏观经济专家，也没花太多时间研究，不过可以谈几点。社会在建设未来、进行巨大投资时，今天就得少消费。投入 AI 基建的资源本质上都是为了未来。现在去建数据中心的水管工，本来可以提供当下消费所需的服务；如今他在建设数据中心，也就是未来的消费能力。 这是复杂问题中的一部分：利率之所以更高，可能是因为我们在鼓励人们为未来储蓄。办法很简单，就是付给他们利息。 **Patrick O'Shaughnessy：** 简单。要是我不问问你的投资组合，大家会怪我。你组合里 Carvana、Hilton Grand Vacations 大概占 80%，Meta 占 5%；粗略看有五只股票，其中一只就占 80%。 ## [51:05] 企业如何用 AI 转型 · YouTube **Patrick O'Shaughnessy：** 想想你的投资组合，以及你非常了解的这些公司。如果你要建议它们如何利用 AI 转型，会怎么说？ **Cliff Sosin：** 第一步是确保每个人都会 vibe coding。从董事会、CEO 开始，所有人都要动手搭建东西，举办黑客松。我把这个想法带到 Carvana，他们说：“我们管这叫披萨派对。”我说的不是只有开发人员参加，而是每个人都要参与。 黑客松不一定会产出特别有用的软件，重要的是让所有人知道能做什么，我觉得这会改变他们对可能性的预期。第二，CEO 应该转向 IT 负责人，大意是：“我希望我的 GrokBot、MetaMuse 或其他代理能访问公司的每一个系统……” ## [52:06] 让代理接入企业系统 · YouTube **Cliff Sosin：** ……让代理以只读方式访问公司里的每个系统。只要我想查某件事，就希望能在提示词里拿到答案。IT 负责人会说：“这很难，我们有无数问题要解决。”CEO 应该说：“这正是我的意思，我就是要做到这一点。” 这是个很大的流程，要逐个系统推进；但做到这一步，就有了只读访问权限。 **Patrick O'Shaughnessy：** 这只是起跑线。 **Cliff Sosin：** 对，只是起跑线。接下来 CEO 或其他负责人会希望把代理用到各处，其他人看了也会想要，于是你说：“也可以给你用，不过得先解决权限问题。”最终，只读访问逐步扩展。之后有人会说：“我想把数据写入系统。”你会说：“太好了，我们还得处理写入权限。”又有人会说：“我们刚刚 vibe coding 了，我有信心改造系统。”你会说：“很好，我们还得制定系统变更的管理流程。” 我刚才讲的虽然只有四条，却需要多年工作。 **Patrick O'Shaughnessy：** 多年工作。 **Cliff Sosin：** 难得不可思议。所以问题是，你所在的企业有没有足够时间完成这些工作，还是别人能从起跑线出发抢先一步？因此，拥有一家好企业很重要。 **Patrick O'Shaughnessy：** 看起来可以得出一个结论：现在是创办公司的最佳时机。一方面资本市场愿意以较低资本成本资助高度实验性的项目；另一方面新公司没有历史包袱，使用这些工具可以走得很快。你觉得大致是这样吗？ **Cliff Sosin：** 我同意，现在是创办公司的好时机——直到明天它又变得更好。从我的角度看，人确实很难管理。智能代理让你能用少得多的人做更多事情。当然，如果你能轻易做到，别人也能，所以你必须找到一种切入点，让你建立的东西具有持久价值：比如形成锁定效应，或者在代理每天都能换供应商的世界里积累专有数据。 但如果某种持久经济优势的路径看起来太明显，大家都会挤进去，竞争就会很激烈。真正惊人的成功往往是事先看起来完全没道理，大家觉得不该做，最后世界却变了，原来那条路确实存在…… **Patrick O'Shaughnessy：** 对于拥有可持续竞争优势、能赚取高利润的好企业来说，未来最被低估的竞争优势来源是什么？我们谈过注意力、数据、物理接近性。廉价智能力可能让这些特征比今天更值钱。监管俘获之类的优势，是否也被低估？ **Cliff Sosin：** 我觉得这些优势的权重可能都算合理。我有两个有意思的问题。其中之一是，整体企业利润率会因此上升还是下降？ **Patrick O'Shaughnessy：** 你是想说…… **Cliff Sosin：** 对，会上升还是下降？我觉得我们谈的这些因素都指向下降。很多企业赚钱，是因为它们…… **Patrick O'Shaughnessy：** 创造了更多消费者剩余。 **Cliff Sosin：** 对，消费者剩余增加。 **Patrick O'Shaughnessy：** 到处都会这样。 **Cliff Sosin：** 有趣的是…… ## [56:06] 聚合理论与纵向整合 · YouTube **Cliff Sosin：** 有趣的是，回看互联网兴起时 20 世纪 90 年代的许多研究报告，人们也说过同样的话。所以这种判断的历史基准率可能不高，也许我们会错。不过他们当时经常错的主要原因，可能是 Ben Thompson 所说的聚合经济学；如果没有聚合效应，结论或许就没那么错。 我确实认为，许多聚合理论会失效，因为它依赖消费者只看 Google 搜索结果的第一项。但如果代理会查看搜索结果中的所有内容，排名第一就不再重要；质量、价格、服务等核心因素会更加突出。 另一个下游影响是，我们可以建立更复杂的企业。如今许多行业采用横向分工，因为经营其中一个环节已经很复杂，跨到上下游会带来过多复杂性。但有了 AI 代理、便宜而普及的代码和智能力，公司或许能经营完整的纵向业务。 比如一家完整的宠物护理公司，从生产宠物食品，到宠物保险、宠物医院和兽医服务，过去这些是分开的环节。如今 AI 或许能帮助解决协调问题、减少委托代理问题，让这类公司成为可能。结果可能是更高利润率、更高效率，也可能让消费者剩余增加。Carvana 算是一个早于 AI 工具普及就建成的例子；其他行业也许会出现类似的纵向整合。 ## [58:04] AI 与收入分配 · YouTube **Cliff Sosin：** 许多人谈到，AI 会让收入分配更集中，因为在模型实验室、数据和 Nvidia 上赚钱的人，会从小群体的递增回报中获益。 但反过来说，如果智能力又便宜又普及，经济里有很多收租者会被打垮。比如向保龄球馆收费的软件公司可能被取代，这对它们很糟，但打保龄球的成本会降低，提高消费者生活水平。对我来说，保龄球消费占收入比例很小；收入较低的人支出比例更高，因此整体会有收入均平作用。若这类零碎租金消失，公司利润会下降；普通人少付钱给美国银行，资本家受损，而普通消费者获益。 还有一个专业阶层，他们的工作本质上是把庞大的信息库应用到具体情境中，做相对直接的判断。如果这类工作商品化，所有人都能获得最好的智能力，尤其有利于现在买不起最好服务的人。不过，那些因为更聪明而赚取额外租金的人，可能要转向次优选择。理论上这会使收入分布更平。 反方会说，主动性、雄心和智能力的回报可能因此上升，因为现在我能做更多事。模型像一辆强化到极致的思维自行车，让聪明、有主动性的人完成更多事情；也许这会让特定群体的回报增加，反而加剧不平等。杜鲁门曾希望经济学家只有一只手，这样他们就不能总说“另一方面”；我似乎对所有事都明显有两只手。 **Patrick O'Shaughnessy：** 这真是很有意思的大问题。 **Cliff Sosin：** 我研究的很多情况都有相互交织的力量。回到节目开头的 AI 基建：我能看到许多 AI 的惊人用途，自己用了海量 token，还能想到更多。我显然处在使用分布的极端。如果所有人都像我一样用 token，供应会严重短缺，行业会一直扩大，建设者都会赚很多钱。 可另一方面，我每个 token 得到的能力也会大幅提升；像我这样的人很少，其他人会适应得慢得多，而 token 成本会暴跌。所以我们也可能已经建得过多。我能以同样的确信程度讲这两种故事。 **Patrick O'Shaughnessy：** 我有个好朋友一直在做一项很酷的实验。把投资简化成两个问题：买什么，以及买多少。他继续负责选择要持有的股票，一边像过去那样构建投资组合；另一边则把组合构建完全交给自己搭建的 AI 系统，告诉它只能从他选择的标的里配置。到目前为止，AI 组合显著跑赢了他原先相当复杂的构建方法。他的简单解释是：AI…… ## [1:02:05] 组合构建与时间尺度 · YouTube **Patrick O'Shaughnessy：** ……很擅长优化，读过每篇关于组合构建、下注规模和凯利准则的论文，什么都知道。未来，投资者的工作也许只剩下决定买什么，不再决定每只买多少。我想问你怎么看，因为你的组合非常特别：80% 放在一个资产里。如果交给 AI 来配，它会给你的组合完全不同的权重吗？ **Cliff Sosin：** 我还低配了。 **Patrick O'Shaughnessy：** （笑）我真想知道你对这个想法的看法。 **Cliff Sosin：** 你知道，Carvana 应该占 90%。 **Patrick O'Shaughnessy：** 时间尺度可能也值得考虑。 **Cliff Sosin：** AI 进入这个行业可能会先从较短时间尺度开始，再逐渐向较长时间尺度推进。其中一个挑战是没有验证闭环。你朋友的结论基于的结果并不是 20 年的结果。 我强烈怀疑 AI 会逐步进入市场。其实已经开始了。我不知道 Renaissance Technologies 是怎么做到的，但我猜…… **Patrick O'Shaughnessy：** 听起来他们可能比所有人都早发现了 Transformer（笑）。我不是开玩笑。 **Cliff Sosin：** 如果从秒级开始做短线投资的人，逐步扩展到分钟、小时、周、月，最后越来越多地把事情交给模型，我不会惊讶。这完全说得通。你可以把策略拆开：一部分是为模型补充信息；另一部分则是完整的量化策略，再加入人类设计的定性分析，随后用量化方式把定性因素纳入。许多多策略组合都这样做。你朋友的做法只是不同版本，完全合理。 成功的方式有很多，模型只是增加了更多自由度。 **Patrick O'Shaughnessy：** 那你的投资组合呢？不谈具体公司，你能多说一点，为什么你觉得持有这么大的单一头寸是合理的？已有大量研究都说这不是构建组合的好办法。 **Cliff Sosin：** 我觉得很多这类研究关注的是证券价格变化，而不是从企业所有者的角度思考。 **Patrick O'Shaughnessy：** 嗯。 **Cliff Sosin：** 就 Carvana 而言，我认为它的基础设施、品牌和其他一切都非常独特，真正糟糕的结果情形很少。若不是如此，我就不会放心持有这么多。也许事情就是这么简单。传统组合方法当然有效；但假如当年发现了沃尔玛、家得宝或 Fastenal，分散投资就会让你无法充分把握它们。我的 Carvana 想法也类似。 当然，回头读历史，会看到成功者往往持仓集中；但你看不到那些没有成功的人的历史。我认为那类文献主要是告诉追求平均或略高于平均回报的人该怎么做，而且那完全正确，只是我追求的不是那个。我很喜欢 Carvana。如果它股价涨很多，我觉得该分散投资了，那也没关系。对我来说，这就是预期回报和有意识承担不寻常风险之间的权衡…… ## [1:06:05] 教育与个人智能力 · YouTube **Cliff Sosin：** 如果股价涨很多、我觉得应该分散投资，我也能接受。这就是预期回报和有意识承担不寻常风险之间的权衡。 **Patrick O'Shaughnessy：** 你怎么看教育？你我孩子年纪差不多。谈谈你如何看待他们的教育，以及塑造美国教育、在你刚才说的路径依赖故事中很重要的教育机构。你觉得当下和未来的教育是什么样，或者应该是什么样？ **Cliff Sosin：** 我越来越觉得，教育孩子的方式会变得两极化。先退一步问：在模型提供无限智能力的世界里，个人智能力有什么用？有人可能说它没用了，一个智商 50 的人和智商 150 的人一样能应对世界。但我觉得这不太对，直觉上也不合理。 我想把问题说得具体些：个人智能力越高、积累的知识越多，也就是受教育程度越高，就越能和模型沟通、告诉模型自己想要什么。比如我对量子物理一无所知，就很难和模型深入讨论如何设计前沿量子物理实验。模型可以尽力解释，但最后只会用蜡笔和 Nerf 玩具的水平来解释。要达到前沿、充分利用模型的能力就会很困难。 反过来，在我有专业知识的领域里，我和模型能有效沟通，也更能按自己的意图引导它。未来，指挥模型为自己做事会是一项重要技能；为此，你必须懂一些世界知识。聪明和教育都有帮助。你不能要求模型把事情假设成随机过程，除非自己知道随机过程是什么。模型当然可以教你，但会有很多摩擦。你不必会算那些数学，但得知道这个概念是什么。 我越来越相信，我们应当让孩子花不少时间暂时离开模型，学习一系列相互构建的基础技能。最终，他们需要在没有模型的情况下掌握这些技能，不是因为将来不用模型，而是如果他们不会乘法，就很难理解矩阵乘法；如果没从足够高的层次理解矩阵乘法，即使不必亲自算得很好，也至少要明白模型在做什么，才能引导模型。 另一方面，有些英语教师不喜欢模型，觉得学生会用它作弊写莎士比亚论文。我认为这是目标不够远大。如果孩子拿模型作弊，就给他们难一百倍、更有挑战性的任务，让他们充分使用模型。再让他们交出成果，确认不是只给模型一个提示就把作业做完；要让他们真正理解，问他们为什么是这样，要求他们解释理由。 孩子需要擅长使用模型，也需要被教会他们几乎什么都能做到。 **Patrick O'Shaughnessy：** 我们隔一阵子就会打电话，每次我都希望能把电话录下来，让其他人也听到，因为我能学到很多。今天这场谈话有点像几个月前电话内容的延伸，讨论智能力的未来，以及它对市场和公司的意义。你的观点和如今最常听到的叙事不完全相反，却有所不同：主流说法是无止境地扩建、永远做空、不存在智能力需求上限。今天这段谈话很有价值…… ## [1:10:06] 结束与赞助广告 · YouTube **Patrick O'Shaughnessy：** ……它给我们提供了很多关于智能力未来及其对市场、公司的思考。你的看法和主流叙事有所不同，主流叙事认为基础设施会无限扩建、永远做空，智能力需求没有上限。我很喜欢之前电话里和今天与你的交流，非常感谢你抽出时间。 **Cliff Sosin：** 谢谢。 **广告旁白：** 你知道微小优势会随时间累积吗？投资是这样，经营公司也一样。公司的支出系统就是资本配置策略。Ramp 默认让它更智能：数据更好、决策更好，长期经济效益也更好。访问 ramp.com/invest。 **广告旁白：** 随着企业成长，Vanta 会同步扩展，自动化合规流程，为安全和风险管理提供统一可信的信息源。访问 vanta.com/invest。 **广告旁白：** 从 OpenAI、Cursor 到 Perplexity，优秀的 AI 和软件公司都用 WorkOS 快速达到企业级标准，而不是花几个月。访问 workos.com，跳过不显眼的基础设施工作，把精力放在产品上。 **广告旁白：** Ridgeline 正在重新定义资产管理技术：它是真正的合作伙伴，而不只是软件供应商。它帮助企业把规模扩大五倍，实现更快增长、更聪明的运营和竞争优势。访问 ridgelineapps.com，了解它能为你的公司带来什么。