Alec Litowitz：从 Magnetar 到 Qstar，如何在不确定性中保持适应力The Alpha Exchange with Dean Curnutt

很多人会想到左尾风险。前面我们谈过，我并不在意那些能给我反馈的小损失：我会学到东西，然后重画决策树。我在意的是灾难性损失。可我们也应该想想右尾。如果你熟悉决策理论，可能会说：“Alec，你这不就是 fail-safe 一类的思想吗？”确实有类似概念，但我的方法还有一点不同：在实验时，有些机会你根本不知道答案，尤其在幂律分布的风险投资里。一个机会出现，你会问到底该不该做。我的答案很简单——如果它的成本不高，不会把你打到没钱、再也没有机会迭代和实验，而且这个机会一旦错过就是不可逆的，那你应该抓住它。

今天来到 Alpha Exchange 的嘉宾是 Alec Litowitz。他是 Magnetar Capital 和 Qstar Capital 的创始人，也是一位慈善家，现在还是一名作者。Alec，很高兴今天邀请你来节目。

谢谢你邀请我。我一直是 Alpha Exchange 的听众。我刚才还在想这个节目名挺有意思——我大概花了三十年尽可能“囤积”alpha，现在却来参加一场 alpha exchange。我希望自己能顺利完成这个转变。

我们会聊市场，也会聊你的新书《The Adaptability Quotient》。我觉得这本书非常有意思，而且特别切合当下：很难否认变化的速度非常惊人，而且很可能还会继续加快。稍后我们会谈你为什么写这本书。先从投资说起。你在这个行业已经三十多年，Magnetar 是 2005 年还是 2006 年成立的？

2005 年。

也就是金融危机前夕，市场马上就要进入极度混乱的阶段。回看这么多年的市场经历、你见过的人、经历过的周期与波动，你觉得真正差异化的投资者有哪些共同特征？有没有一条线，能够解释长期成功？

这是个很好的问题，也提醒我确实有点年纪了——三十年里见过很多 regime，也和很多非常有才华的人一起工作。我觉得多数人对这个问题的理解并不完全正确。很多人直觉上会觉得投资是一场 IQ 比赛，IQ 最高的人总会赢。

我常用铁人三项来类比。从我还是 Citadel 早期合伙人，到 2005 年创办 Magnetar 之间，我参加过铁人三项。游泳、自行车、跑步都要尽量练好。开放水域游泳时，你会把 IQ 想成游泳技术：划水动作多好、发动机多大。如果路线笔直、没有风、环境极其稳定，那么划水最漂亮、体能最好的人大概率会赢——那就是 IQ 的世界。

但我参加过很多铁人和半程铁人的开放水域比赛，水面几乎从来不真正平静。你要绕浮标，可能有多个转向点，风和水流会不断变化。于是问题变成：你怎么适应？如果风和水流把你吹偏，你必须做一个“不自然”的动作——抬头看路线。可你一抬头，就会破坏最有效率的划水节奏。人们不喜欢这样，因为训练一直告诉你要低头、保持效率。但如果世界快速变化，你完全可能技术极好、IQ 极高，却只是更快地朝错误方向游。

所以，三十年下来我越来越确定：IQ 本身不够。真正重要的是先识别自己处在哪种环境里。我喜欢把环境分成三类，并不是每一种都适合“最高 IQ 的人”。第一类是相对稳定的世界，我把它叫做“风险”（risk）：我知道可能有哪些结果，也知道各自大致概率。在这里，你可以做期望值、均值—方差优化，当然也要考虑 fat tail，但本质上可以计算、下注。IQ 在这里非常有用，因为这是计算问题。

第二类是我既不知道有哪些可能，也不知道概率，那是“黑天鹅”（black swan）。Nassim Taleb 对此写过非常好的书。在这个世界里，关键是生存与凸性（convexity）：你要保证某些模型外的极端情况不会让你出局。

但我认为最重要、却最少被写到的，是第三类：不确定性（uncertainty）。Frank Knight 很早就谈过，所以也叫 Knightian uncertainty。这里你大致知道可能有哪些结果，却不知道这些结果的概率。比如招聘一个人：他可能非常好、一般或不合适，你知道结果集合，却不知道概率。第一次约会也是一样，可能很好、很糟，也可能平平。生活中大量情况如此，市场也是如此。

很多真正关键的市场时刻恰恰发生在不确定性里。最优秀的投资者要能在三种环境中都活下来：在风险世界里，他们对概率的估计比别人更好；面对黑天鹅，他们准备好生存并保留凸性，也承认模型可能失效；而在不确定性的世界里，任务不是“算得更准”，而是把不确定性解析掉。

这也是为什么我觉得最大的收益常常来自变化期。当液压压裂和水平钻井改变能源行业，当全球金融危机改变信贷的生产函数，现在又轮到 AI——这些时刻最值钱的不是旧分布里的几个基点，而是找到正确的问题、设计测试、获得反馈，再把“没有概率的未知”逐步转成“有概率、可以定价的风险”。如果你能在风险里赚钱、能躲过黑天鹅都很好，但更厉害的是三种都能处理，而且在别人都搞不清发生了什么时，你能逐步搞清楚发生了什么。

这就是我的核心答案：真正把人区分开的，不只是 IQ，而是在变化时刻生存、适应并利用变化的能力。对投资者来说，最大的收益经常发生在不确定性向风险转化的阶段。

那我们就拿全球金融危机来讲。对银行和投资者而言，那可能是最极端的生存测试之一。敞口判断错、拿错工具，后果可能是职业生涯终结，甚至公司直接终结。但回头看，到 2009 年 3 月市场又开始反转。假设有人在危机前看对了银行体系的系统性不确定性和风险，那么他之后还得再一次转向：当政府投入巨大资本、事实上表明“不能失败”时，环境又改变了。能同时完成这两次判断，是不是你所谓更复杂的模式识别——不仅看见风险，还能看见环境再次变化？

是。这正好触及我说的 AQ，也就是 Adaptability Quotient。我的框架有三个阶段，而第一阶段——元认知（metacognition）——尤其重要。人非常容易把自己的身份和某个 thesis 融为一体，特别是在你真的看对之后。

想象你在危机前持不同观点。你不断调查，从现实里拿到反馈，心里想：“为什么别人没看到？这些数据明明都在这里。”你测试、探查，最后你真的对了。这个时候最危险的事情之一，就是把“我看见了别人没看见的问题，而且我对了”变成自我身份。于是你会越来越难放弃它。

AQ 要求的是 strong opinions, weakly held——观点可以很强，但持有方式必须很弱。你可以有足够的 conviction 去真正下单，但同时要有足够的谦逊不断追问：“我在哪里错了？哪里错了？哪里错了？”我的目的不是证明自己正确，而是尽量证明自己可能错。

最聪明的投资者不是得到几个数据点、形成结论后就停住。他们会不断根据新的反馈修改模型。我在书里有一句话：与其执着于“做出那个正确的决定”，不如持续“把决策做对”。 在任何一个时刻，我不关心自己曾经押中的那个答案，我关心的是决策过程能不能继续修正。

我的身份不应该绑在“答案正确”上，而应该绑在适应过程上。我要不断更新。如果数据没有变化，我当然不必为了更新而更新；但我也不会把“保持正确”当目标，因为没有人能永远正确。Voltaire 有一句我很喜欢的话，大意是：不确定性很令人不安，但确定性是荒谬的。

所以那些既在危机前看对、又能在危机后转向的人，往往都在持续质疑自己。即便刚刚赢了一次，他们也知道那只是“在那个时刻、那个环境下对了”。风向和水流再变时，要重新问：刚才奏效的模型现在还贴着现实吗？是不是又该更新了？

这也是为什么我觉得现在这个世界特别难。我们可能同时经历好几个史诗级变化——我在书里谈第四次工业革命，也谈第二次认知革命。变化这么多，你不可能一直“答对”；但你可以把自己放在一个更可能持续修正的位置。幸运更偏爱有效率的人，而优秀投资者往往有稳定的操作方式。与 IQ 或 EQ 不同，我认为 AQ 是可以学习的：学会识别什么时候模型不再和现实接触，学会怎样更新，并且在市场强迫你行动之前先行动。

我读书时不断对自己重复“strong opinions, weakly held”。但从字面上看，它似乎有点矛盾。如果我的观点很强，意味着 prior 很强、conviction 很高，那为什么我又应该很快放下？强 prior 本来就会让更新更困难。能不能把这个张力再拆开讲讲？

这个矛盾确实存在。我父母都是精神分析师，我母亲在做精神分析师之前还是语言学家，所以我对措辞比较敏感。我理解“强”和“弱”放在一起为什么听起来冲突。要解释它，最好把我的适应流程三个阶段顺一遍，因为这样就知道“强观点”在哪里形成，又在哪里被测试。

第一阶段是元认知。很多人的决策过程不是从这里开始，但这是必要的：当你观察一个系统、看事实时，别忘了你自己也是系统的一部分。没有人直接看到“现实本身”。你带着偏见、习惯、脑的处理方式在看。如果你优化的是一组和现实不相关的事实，你可以做得非常完美——就像一个游得极好的选手，方向却完全错了。

我把这一点叫“adaptive optics”。先理解自己的镜头：当你看到事实时，哪些东西会扭曲它？第一步是尽量把先入为主清掉，用一种 beginner's mind 去接触新事实，而不是先带着旧答案进去。

第二阶段是模拟（simulation）。当世界发生变化时，你会看到很多旧模型解释不了的事实——大家现在都有这种感觉：事情在变，可到底意味着什么？是不是朝这个方向走？很容易陷入混乱。第一件事不是死守旧模型，而是先放下它，模拟一组可能性。

这就是“强观点、弱持有”真正出现的位置。第一阶段是你和自己的关系；第二阶段是你和“可能性”的关系。你要问：我看到的这些事实，可能由什么解释？而且不能只解释四个现象中的两个，好的假设必须尽可能解释全部。这里有一个词叫 abduction（溯因推理）：把问题拆到第一性原理，观察模式，然后找出在目前证据下最好的解释。

所以第二阶段结束时，你得到的不是确定性，而只是“在我当前看见的可能答案里，这是最好的假设”。为什么要“强”地持有？因为你得真的拿它去测试；为什么又要“弱”地持有？因为我并没有把身份绑在这个答案上。我真正绑定的是循环本身。

第三阶段就是把假设和现实正面碰撞——实验。在创业里可能是 MVP、A/B test；对 Musk 来说可能真的是测试飞船。你可以对隔热罩有不同方案：某些位置不做、用金属、用碳纤维复合材料，然后去看哪一个实际工作。你先有理论，但必须让现实回答。

第三阶段也不是终点，因为实验会给你反馈。拿到反馈以后，你立刻回去修正那个之前“最强”的假设，然后再拿修正后的版本去测。循环不断重复。你不能自己决定反馈是什么，世界决定反馈是什么。你真正要忠于的是这个反馈循环，而不是任何一次阶段性的答案。

书里还有一个张力：不要太早决定，beginner's mind 有时甚至比专家身份更有优势，因为你能先探索、把更多东西吸收进来。但另一方面，世界在高速移动，竞争对手也在动，资本和时间都有限。你不可能永远研究。什么时候应该停止 explore，转向 exploit？

你抓到的正是决策设计里故意存在的张力。我们接下来可以把这个抽象问题变得很具体：日常去餐厅、旅行，其实每个人一直都在做 explore 和 exploit 的选择。

我们拿最日常的例子。你要出去吃饭时，会想：要不要试杂志上那家新餐厅，还是去已经非常喜欢的老店？旅行也一样：去哪个城市、住哪家酒店，要不要继续查资料，还是直接选择一个已经知道不错的方案？人每天都在 explore 和 exploit 之间挣扎。

像我这种从小被教育“继续剥洋葱、再剥一层”的人，再加上如果你本来就厌恶风险，很容易觉得：既然没人拿枪逼我，为什么不一直研究下去？但投资者和创始人都知道现实不会暂停。资本有成本，时间在走，竞争者也在动。所以必须有一个停止研究、开始行动的释放阀。

我的做法是：当你拿着那个“强观点、弱持有”的最佳假设准备去实验时，第一目标不是保证实验不犯错，而是避免那些会让你失去继续学习能力的错误——也就是把你直接 knockout 的错误。对投资者来说，就是巨大的左尾，让你再也没资本继续测试。

不是所有失败都是这种灾难。最糟糕的一类，在我这里更接近 type II error：你判断“这里没有信号”，但事实上有。比如 Blockbuster 说 streaming 没什么大不了；这种错误可能让你直接出局。另一类 type I error 更像烟雾报警器响了但没有火——你为实验付了时间和钱，可你还能回来、重学、修正。

所以什么时候停止 explore？先和真正优秀的伙伴讨论，让别人扮演 devil's advocate，甚至组一支“steelman army”去替最强反方观点辩护。尽可能把灾难性左尾找出来并避开。做到这一点以后，就应该允许自己犯剩下的错误，因为那些根本不该被叫作失败，它们是反馈循环。

在市场里，这可能表现为先做小额投资、先放探针（probe）。一旦你真的下了一点资本，你会更专注，会去和公司交流，会得到真实反馈。世界逼着你执行，所以你不能无限思考；你要做的是先把最可能杀死自己的路径剪掉，然后用其余错误购买学习。

那么在市场里，type I 和 type II 的差异似乎和 sizing 很有关系。真正灾难性的错误往往来自仓位太大。听上去你非常支持用很小的配置先试不同策略，让它们跑起来、给你反馈，再决定要不要扩大。这样理解对吗？

我觉得这是非常公平的理解，你完全在正确方向上。回到我们那三个环境：如果你处于不确定性的世界，就没有可靠概率。拿扑克举例，扑克大部分时候更像风险世界——牌面、赔率都能算；但第一次和陌生人坐下，他什么时候 bluff、怎么 bluff，这一部分是 19 世纪 Frank Knight 意义上的不确定性。

你会一上来就把所有钱压在自己想象出来的概率上吗？还是先采用更接近 GTO 的打法，坐下来观察，慢慢发现 tells，理解这个人怎么诈唬？等这些不确定性逐渐变成概率，你才扩大下注。投资也一样。尤其在今天这种高不确定性的世界，我不会在概率尚未解析出来时就做会切断学习的大赌注。

有人会说可以用 subjective Bayes，先主观塞一个概率进去。书里我也讨论了为什么这会有危险。我的思路是先做探针、解析信息，直到你开始真正看到概率结构，然后才扩大资本。它很像创业里看到 product-market fit：反馈越来越清楚时，你才大规模 deploy capital 去扩张。

书里有句话我记了下来：“如果模式识别是人类智能的种子，那么模式编辑可能是它最高的表达。”这似乎正是说，当规则改变、脚下的地面移动时，真正重要的是意识到旧模式失效。能不能再讲深一点？

这句话确实是我写的，而且要说明，那部分是在 AI 真正爆发之前写的，不是事后借 AI 来解释。我的意思是：最成功的人不只是学得更快，他们也放弃得更快、编辑自己的思维更快。

我再重复一次：重点不是“我这个人要给出正确答案”，而是把决策过程做对。如果我组了一支团队，他们能不断编辑我的想法，提出我没想到的答案，那说明我招人做得很好。为什么一定要答案出自我？目标是更接近现实，做合理的 forecast，而不是把某个 prediction 当确定真理。

优秀投资者不会只给一个 spot forecast。他们会想一组结果、一个分布，即使无法精确给出概率，也至少会想分布长什么样。前面讨论的不确定性，就是在你还无法准确画出分布时，先不要让左尾把自己杀掉，同时逐步取得足够信息去更新它。

人类天然不喜欢不确定性，但我在书里想告诉大家，不确定性反而可能是最有价值的东西。信息论之父 Claude Shannon 的思想可以这样理解：如果我告诉你一件你已经知道的事，你没有学到东西。潜在信息量最高的，往往是和你现有观点最正交、最不同的东西。你不需要同意它，但“他者性”给你最大的学习空间。

所以，识别出模式只是第一步。如果你不愿意编辑它，就等于说“我已经知道答案”。在今天这种环境里，这可能是最危险的姿态。真正重要的是把身份从“我是对的”中分离出来，让自己的身份变成“我是一个 adapter”。

我在书里把人分成 resistors、adopters 和 adapters。Resistor 会说：“这可能只是泡沫，会过去，我继续用旧模型。”Adopter 看见变化，愿意使用新技术，这已经不错。但 adapter 会再退一步：AI 在界面层是一个工具，可在系统层是 regime change。问题不是“我要不要用这个工具”，而是“知识成本趋近于零以后，整个系统会怎样变化？”

这会逼你重新理解很多过去看起来彼此独立的资产。比如房地产、能源和电力、公用事业、半导体、软件债务，过去你可能说它们互不相关，所以组合很分散。但今天它们可能都被一个 AI 基础设施 thesis 绑定。你仍然拥有“分散化”的 artifact，却已经失去分散化的 function。

所以也许现在应该按 hypothesis 来分散，而不是按旧行业标签来分散。旧世界的 portfolio construction 和 risk management 当然有价值，我自己做了很多年，但如果世界的相关结构变了，你不能拿旧工具的外观当成它原本的功能。市场里最重要的永远是：现在什么是真的？现在什么相关？现在什么才是正确的问题？

我写这本书的一大原因，就是我认为我们正处在一个这种能力远远不只影响市场的时期。

你说更新 prior、不断根据新信息编辑自己，我就想到我们共同的朋友 Ross Stevens。我们三个都和芝加哥大学有关系。他在 Bayesian statistics 上背景很深，也总说要耐心、保持 beginner's mind，让自己每天“少错一点”。AQ 和贝叶斯思维是不是有很深的联系？

我把自己看作相当 Bayesian 的人，但我有一个很重要的保留：贝叶斯方法在纯粹的不确定性世界里不能直接工作，因为那里还没有概率。 在风险世界，你有 prior、likelihood，可以更新；可当环境从风险变成不确定性时，你若继续假定已经有可靠概率，逻辑就会失去基础。

所以真正的问题是：怎样先得到概率，而且在这个过程中不把自己炸掉？一旦我把不确定性解析成了概率，我非常愿意做 Bayesian 更新和优化。黑天鹅则提醒你，有些东西永远不能被完全解析；但还有大量不确定性是可以通过实验和反馈逐渐解析的。

Ross 是我很亲近的朋友，我非常敬佩他建立的事业和他的思维方式，我认为他的 AQ 很高。除了耐心、每天少错一点之外，他还有一个我很看重的能力：检查自己的实验本身。有时你确实按正确方法不断撞这个问题，可就是拿不到新的反馈。

很多人这时会被 sunk cost 绑住：“我都花这么多时间了，应该继续撞下去。”但有些时候最正确的行动就是承认：这个不确定性我解析不了。也许别人能，但我不能。我就不该围绕它建公司、建交易，因为我没有把它从 uncertainty 变成 risk。

这时要把资本和注意力移到另一个能产生反馈的问题上。我面试人时有时会问：“quitting 是一种 cop-out，还是一种 skill？”我认为存在正确的退出。不是遇到困难就逃，而是你已经检查了实验方式，却持续得不到任何能修正模型的反馈；这时继续往 dry hole 里投入资本并不叫坚持。

那我们回到你在 Citadel 的早年。你刚拿到芝加哥大学 JD/MBA，就在 Citadel 非常早期的时候加入，很快负责 risk arbitrage。我想请你讲讲这门生意当时是什么样、为什么难规模化，以及你后来如何用不同的方法做它。

我现在回想那段经历会觉得挺好笑。我只在 J.P. Morgan 做了六个月 investment banking——那是很好的业务，只是不适合我，因为我需要非常快的反馈循环。1994 年 2 月我加入后来叫 Citadel 的公司，当时还叫 Wellington；那一年公司内部做了名字评选，Citadel 胜出。

我进去时从来没交易过一天，也不知道 risk arb 是什么。Ken Griffin 当时非常正确地预判并购会大增，同时担心 convertible bond arbitrage 遇到现金收购时的风险。他直接跟我说：你 4 月前要做进 10 个 risk deals。我当时几乎没有 prior，只能从零开始研究。

当时没有什么完整教材，只有一本小册子，也能和华尔街的人聊。我后来特别感谢 Bear Stearns 两位很愿意帮助我的人。但真正改变我思路的是我自己回头看数据：大约 92% 的并购套利交易最终会成交，而市场整体定价大约像只有 87% 会成交。也就是说，如果你把所有交易按合适仓位都做一遍，仅仅作为流动性提供者，似乎就有大约 5 个百分点的 edge。

但我没有停在那里。我去看“哪一些交易会失败”。我发现主要有两大类原因：第一是融资失败；第二是监管问题，通常是反垄断。融资有时是单一事件，有时是整个资本市场突然关闭。一个刚毕业的 JD/MBA 很难预测资本市场什么时候崩。但我在法学院最喜欢的一门课恰恰是 antitrust，所以我想：这一类不确定性也许我能解析。

一笔并购公布后，会去 FTC 或 DOJ。监管机构本身也不是每个行业的专家，他们会打电话给客户、竞争对手，了解行业结构，再判断交易是否反竞争。那我也可以打电话。我懂一些反垄断，也知道应该问什么问题。

于是我不再把所有 deal 都当成同一种“市场给了一个概率”的风险游戏。我先问：这里哪部分只是 risk，哪部分其实是 uncertainty？融资失败那块我未必能解析，但复杂监管交易里的行业事实、客户反应、竞争结构，也许能通过研究把不确定性逐步变成概率。我的业务就从这里开始变得不同。

我最后选择专门追踪这些监管复杂的交易。接下来就遇到你说的规模化问题：deal 随时可能在不同产业出现，我的分析师不可能一夜之间成为每个行业的专家。我们当然可以教他们 risk arb 的基础流程——参加电话会、读 merger agreement、理解交易结构——但如果突然出现一个非常专业的行业问题，真正稀缺的是产业知识。

Boeing 收购 McDonnell Douglas 就是典型例子。当时全世界宽体客机制造商基本就是 Boeing、McDonnell Douglas 和 Airbus。一般从三家变两家的并购，反垄断直觉会非常敏感。问题是：这笔交易到底会不会批？我的分析师本身不是航空制造专家。

所以我做了当时比较新的一件事：给 Citadel 建一个内部 captive expert network。最后有几百名外部专家。曾经有一位女士帮我研究佛罗里达的一笔银行并购，她做得非常好，我干脆把她全职招进来。她的工作就是：一有 deal 公布，迅速帮我们找到最合适的顾问，让团队立刻补齐行业背景，然后接触客户、竞争对手等。

本质上，我们把“解析反垄断不确定性”做成了一条生产线。这不是当时典型的对冲基金做法——不是一两个人坐在办公室里打电话，而是建立一个能在各行业重复启动的研究系统。

这套系统让我们在 1990 年代敢做当时非常大的 risk-arb 仓位，有时单笔达到十亿美元级别。我前 1,100 笔交易里只有 4 笔亏钱。我说这个不是为了炫耀，而是想说明一个流程真的在工作：我们非常擅长把那类监管不确定性解析掉。

当然，“打电话问人”本身并不是魔法。你还得解决为什么客户和竞争对手愿意接你的电话、怎样长期建立可信网络、怎样让顾问在最需要的时候提供有效信息。我们把这些都系统化了。后来我们甚至讨论过，要不要把这套网络商业化，做成类似今天 GLG 那样的生意；最后因为 risk arb 内部赚的钱足够多，就选择继续自用。

当时更常见的做法，是给华盛顿一个前 DOJ 律师打电话：“你觉得这 deal 会批吗？”对方说：“我觉得 70%。”可这个 70% 对我没有太大用。假设交易失败，我难道跟投资者说“律师说 70/30，所以我们其实判断不错”？这不是我的标准。

市场给你一个 risk bet，但我想追问的是：这个价格背后哪部分其实来自没人有模型的 uncertainty？如果我能先系统地解析它，再决定做多这笔 deal 还是押它失败，我得到的 edge 就不是在同一个已知分布里比别人精几步，而是在别人还没有概率模型时先把模型做出来。

芝加哥大学教授 Mark Mitchell 写过 risk arbitrage 的风险特征，里面会让人想到 short put、jump-to-default：deal 一旦 break，看起来像突然跳掉。可你的方法强调观察和更新。是不是正因为你有这么深、这么宽的专家网络和持续对话，才获得了普通人等着“坏事发生”时得不到的中间信息？

我觉得是。我要先说明，我不是要否定那些研究。我当时也如饥似渴地读能读到的所有东西。但我是 practitioner。我大概做过上万笔并购，读过上万份 merger agreement。如果世界上真有一个领域我可以厚着脸皮说自己算专家，那可能就是 risk arb。

我刚开始做时并不知道哪些变量重要，所以除了反垄断之外，我把大量并购细节都记录进自己的数据库：交易协议里的条款、各种 provision、过程信息等等。那是在 1990 年代中期，很多数据不能直接下载，我必须真的读协议、和 CEO 交流，再手工捕捉。

其中有些数据后来证明完全没用，有些却极其有价值。这就是我们相对学术研究或公开数据研究的一个优势：别人可能只有 X 个可获得的数据点，在上面识别 pattern；我手里有一套专有数据，而且会持续增加。

我也会不断和 Citadel、后来 Magnetar 的 quant 团队一起问具体问题。比如：市场隐含某 deal 有 95% 成交概率，我认为是 98%；另一笔市场只给 50%，我认为是 70%。哪一个更值得做？当然你还要把置信区间算进去。

更复杂的结构会让问题继续升级。collar deal 要持续重估 collar 的价值；如果是 quanto option，同时暴露在股票和汇率上，计算就更复杂。这个领域的问题可以无限往下挖。我做了很久，也一直觉得总还有某个东西可能漏掉。

所以“jump to default”当然真实存在，确实有无法解析的 uncertainty。但很多时候，只要你足够偏执、足够持续地找自己哪里错，真正能提前拿到的信息比人们想象得多。Bayes 公式在实践里最重要的部分，不是机械盯着某个概率，而是不断认真对待“not hypothesis”——也就是不断问：我的假设为什么可能错？

我训练过很多人，他们后来自己建立了非常大的资产管理业务。我估计这些 mentees 后来创建并管理的资本加起来远超一千亿美元。他们大概都会告诉你，我不是一个轻松的老板。我希望自己是公平的，但我要求非常高。

我经常做的就是不断问：“我们哪里错了？哪里错了？哪里错了？”分析师说：“我昨天刚和这个人聊过。”我会说：“对，但今天这个新数据出来了。再打一次。”对方可能觉得荒唐：“我昨天才和 CEO 说过话。”可如果新的事实让模型有一点点可能失效，我就要重新检查。

我们不轻易说“那只是 outlier，可以忽略”。我们一直试图判断边际的新信息到底只是噪声，还是一条新线索——是不是意味着环境变了、regime 变了、原模型某个节点坏了。Citadel 和 Magnetar 都把这种持续反证做得很好。

那就谈 Magnetar 的另一笔大投资——CoreWeave。我的理解是，它最初是加密货币矿工，在 crypto bear market 里却拥有很有意思的资产。你们看到了一些别人没看到的东西。能不能带我们回到当时内部讨论，讲讲机会怎么出现？

我先澄清：我三年前已经不再负责 Magnetar 的日常管理，但我仍然是股东和投资者，也和现在的团队非常亲近。所以有些 CoreWeave 的部分和我直接重叠，有些发生在我退出日常管理之后；我不想把所有功劳都说成自己的。

但我想先退一步，因为 CoreWeave 更重要的是过程，不只是某一笔交易。Magnetar 从创立那天就把流程写成五个词：source, evaluate, structure, risk, manage。在当时的 hedge fund 世界，很多人会问：“source 什么？risk-arb deal 会自己公告，convertible 银行会打电话，long-short 也就是看自己的 sector。structure 又是什么？市场上的东西不是都已经有结构了吗？”

我们从一开始就是去找 uncertainty 所在的地方，然后主动 source，并通过 structure 把一部分不能解析的风险从交易里拿掉。为了说明 CoreWeave，我先讲一个更早的能源例子。

2005、2006 年左右，水平钻井和水力压裂（fracking）带来能源行业的 regime change。我判断 regime change 通常有四个特征：第一，production function 改变；第二，原本稀缺的东西变得充裕、原本充裕的东西反而稀缺；第三，出现新的 bottleneck；第四，旧地图解释不了新现实，而且变化基本不可逆。

页岩革命里，生产函数显然变了——不再只是垂直钻井，而是水平钻井。美国从大量进口油气，变成今天全球最大的油气生产国之一。真正变稀缺的反而不是地下的碳氢资源，而是此前没有为这种产量准备好的基础设施：上游钻机，以及把新产区的油气运到 hub 的 midstream 管道与设施。

资本形成也随之成为稀缺品。如果你经历过那个时期，会记得能源 MLP 的资本形成从一年也许几十亿美元，迅速扩张到数百亿美元、甚至更大规模。一个普通 adopter 可能会说：“页岩革命是真的，那油价会去哪？”我们的 adapter 思路则是退一步：既然生态系统改变，新的瓶颈在哪里？我们能提供什么价值？哪些东西又是我们无法解析的？

以 midstream 为例，我不知道原油最终是 20 美元还是 150 美元，这个 commodity risk 很难预测。但如果管道有 take-or-pay / offtake contract，客户是 BP 这类信用很好的对手方，那么即使实际使用量波动，资产仍可能有可见现金流。运营方需要建管道、缺资本，这就是我们可以介入的位置。

我们可以在资本结构不同层级下注。担心左尾，就更 senior；对资产更有信心，可能做 preferred 或更接近 equity。我们想要一块核心 collateral，能给出还本付息的基础；同时也希望通过 convertible、preferred 或股权参与保留右尾。

因为你是很早进入的人，可以自己 source、自己 negotiate、自己 structure。我们会模拟很多情景：如果油价跌到 20 怎么办？涨到 150 呢？怎样设计结构，使自己不被商品价格的某个极端左尾直接打掉？

现在把这个逻辑快进到 CoreWeave。它当时和 Bitcoin mining 有关系；矿机或 GPU 本身是一种资产，现金流会受到 Bitcoin 价格、电力成本、运营效率等影响。但对我而言更关键的是另一层结构。

如果我手里有 GPU，要建一个 data center，同时有像 Microsoft 这样信用很好的客户签 offtake，用这些 GPU 提供计算，我会把它类比成一种“midstream asset”。底层生产函数正在变化，我们正处在第四次工业革命。它生产的是什么？知识。当知识成本趋近于零，系统层的一切都会改变。

所以我常说：AI 在 interface 层是工具，在 system 层是 regime change。 这又出现了熟悉的图景：生产函数改变，新的 scarce / abundant 关系重排，最稀缺的东西之一变成大规模资本形成。那我们可以像以前一样更早进去，通过谈判和结构设计保护左尾，同时参加右尾。

这并不是同一行业，而是同一种游戏。Magnetar 从一开始就想进入别人不喜欢去的、因为尚未解析而显得不舒服的地方：先 zoom out 看整个系统，问哪里需要资本、我们能提供什么价值，再通过 source 和 structure 把可以消掉的不确定性消掉，并为剩下的真实风险取得公平的 risk/reward。

很多风险可以直接在交易结构里解决，而不必等到把一堆敞口放进组合后再想办法 hedge。对我来说，这些案例代表 Magnetar 一直反复做的事情：我们不是跑到一个已经完全是“risk”的市场，说自己能比别人做得稍微好一点。

比如 long-short 可以靠一点点 edge，再通过大量独立样本把 Sharpe 做出来；粗略地说，Sharpe 与 edge 和独立样本数平方根有关，然后再用 leverage 放大。Magnetar 大多数时候并不高杠杆，甚至非常低杠杆。我们更愿意去 uncertainty 还没有完全变成 risk 的地方。

因为一旦不确定性解析成了大家都理解的 risk，边际资本会以更低 cost of capital 进入，回报自然被挤压。我们很多钱就是在“uncertainty 下降到 risk”这段过程中赚到的。这就是那些交易背后的思路。单一案例当然可以讲整整一期节目，但核心结构是相同的。

这让我觉得 AQ 和 optionality 有很强联系。你在 risk arb 里努力切掉左尾；CoreWeave 的融资结构里又有 convertible，天然嵌入 call optionality。适应性思维是不是本质上也在努力让自己 long optionality？

百分之百。书里第 8、9、10 章谈决策理论，会稍微密一点，我甚至把一些内容放进脚注，避免主线太技术化。但 optionality 是非常重要的一点。

想象你在一个不确定的世界里建模。你知道可能有很多结果，却不知道概率。你会先模拟，尽量避免实验时撞上最糟的情景。可以把它画成一棵 decision tree：此刻你心里会有一条最亮的路径，比如右、左、右、左，那是你当前最强的猜测。

我在书里也用餐厅来举例：食物是什么、装修是什么、服务怎么做，每个节点都有选择。你会暂时选出一条看起来最好的路径，但实验的目标不是尽快把其他树枝都剪掉，而是尽量保留整棵树，因为你还不知道最终哪一条才是最好路径。

当然，有些分支必须剪——如果某个节点一踩就会把你杀掉，game over，你连回到决策树继续学习的机会都没有，那就必须先排除。可除此之外，即使“强观点”最后证明某个节点错了，也不要过早让其他可行路径永远消失。

这就回到左尾。小损失如果能带回反馈，我完全接受；我真正关心的是灾难性损失。接下来更有意思的问题是右尾：什么时候你反而应该为了保留一个巨大上行的分支，主动付一点成本？

如果一个选项对应很大的右尾，而且买下这个选项的成本不高、不会让你失去继续学习的能力，同时它一旦错过就是不可逆的，我倾向于先拿下这个选项。原因很简单：如果你不做，它后来被证明恰好在最优路径上，你已经把那根树枝剪掉了，再也回不去。

反过来，如果这个机会昂贵到一旦失败就毁掉整个系统，那当然不能做，因为你还需要资本继续迭代。我的规则不是“不确定就都下注”，而是：成本可承受 + 不可逆 + 巨大右尾 时，即使概率尚未完全解析，也值得为了保留 optionality 付费。

Bezos 会区分 one-way door 和 two-way door。我的方法和很多传统决策理论稍有不同的地方就在这里：面对 one-way door，如果拒绝这个机会本身会永久关闭一个可能很重要的路径，而接受它的成本又不致命，那我宁可先保留它。等未来模型更清晰，你回来看时，那条路仍然在那里。

我很早就投资 SpaceX，也有这个考虑。按我当时的理解，那家公司整个历史上真正做的 primary financing 次数并不多，总融资额大约只有 90 亿美元；后来当然有一些 secondary 交易，但最早时我感觉这种参与机会带有很强的不可逆性。

我当然不知道右尾最终会有多大，左尾则很清楚——最多就是损失我的投资。我认为 Elon 是极其优秀的创业者。大家可以对他很多事情有不同意见，但在我看来，他在决策、实验、概率和反馈循环上表现出很高的 AQ。所以我想参与在这样的过程旁边。

当时天上还没有 Starlink。我知道 Starlink 的计划，也认为它可能是大机会，但我并不知道后来还会讨论什么“把 AI data center 放到太空”等新的可能性。恰恰因为我不可能提前知道所有右尾，我才想保留这条 optionality，不想过早失去它。

节目最后我还想问一两个你现在在 Qstar 关注的投资。但在那之前，如果让听众从《The Adaptability Quotient》带走一两条最重要的信息，你会怎么概括？

我们到目前聊了很多投资，这是我三十年职业生涯的主线。但我写这本书其实是为了更大的原因。过去我一直在处理 risk、uncertainty 和不同的 regime change：能源是一次，全球金融危机也是一次。后来我离开 Magnetar 的日常管理，是因为我看到另一轮更广泛的变化正在到来。

在 ChatGPT 公布之前，我就形成一个观点：数据、计算和材料科学正在汇聚，我们可能进入生物学所说的“punctuated equilibrium（间断平衡）”——很长时间相对稳定，随后在短时间内出现巨大跃迁。能源转型、合成生物学、新金融 rails、量子、核聚变、太空、机器人、AI、国防，许多产业都在同时快速变化。

我想亲自置身其中、把它画成地图，而且不想受既有机构边界限制。某种意义上，我离开 Magnetar 也可以测试 Magnetar 到底是不是一家真正的机构：如果我走了它还能不能繁荣？事实是团队做得非常好。

当我面对这轮新的 uncertainty 时，我问自己：“我要怎么解析？怎么画这张地图？”然后突然意识到，我过去几十年其实一直在做类似事情。不同之处是，过去的 regime shift 通常围绕某个行业、某群投资人；这一次的重心移到了整个社会。

所以我觉得更有价值的事情，是把“source code”交给更多人：在不确定世界里怎样生存并发展。今天几乎每个人都像创业者——你可能真的在创业，也可能你的行业被颠覆，或者你是一个年轻人，原本设想的职业路径突然失效。面对这么多 uncertainty，你得有一套方法。

为什么现在尤其紧迫？前两次工业革命主要通过操纵 atoms 来外包体力劳动：我们制造锤子、机器，后来让机器再制造机器，并在工厂里大规模生产。第三次工业革命主要操纵 bits，负责存储、检索和计算。这些革命都深刻改变了我们怎样工作，但人仍然会在意义与决策链条中的某一处参与。

Bits 还有一个特征：同样输入同样程序，结果应该重复。比如同一个 spreadsheet、同一组数字，每次计算结果相同。但第四次工业革命不一样。它当然也有物理层——电力、GPU、土地、建筑 shell 等，这也是今天资本市场追逐的东西——可更重要的是，它的“产出”是知识。

有人会说：“token 不也是 bit 吗？”物理上当然最终都编码成 bit，但这里关键是 context。锤子放在螺丝刀旁边，并不会改变锤子的意义；一个传统 bit 靠近另一个 bit，本身也没有语义。可 token 里，一个词放在什么上下文中会改变意义。

这意味着人类第一次拥有了一个可以参与“意义生成”的认知伙伴。以前我用 Google 搜很多材料，机器帮我取回人类写过的东西，最后仍由我压缩、综合、制造意义。现在 AI 会直接参与压缩。它不只是把工作外包出去，而是进入了“我们如何思考”的层面。

所以这是一个既危险、又极其乐观的时刻。为了说明危险在哪里，我会把社交媒体和 AI 放在一起，看作我们正在进行的两场大型社会实验。

社交媒体这场实验已经跑了大约二十年。社交媒体和 AI 都是 regime change，因为它们改变的不是单纯“怎么工作”，而是“怎么思考、怎么和人连接”。你可以用工具增强连接和认知，也可以用它让连接和认知萎缩。

对 Alpha Exchange 的听众，我甚至想把这叫作 “life alpha”。社交媒体当初的交换是：你交出 attention，得到 connection。如果你因此联系上多年没见的高中同学，或者组织老朋友聚会，那很好，你扩展了真实连接的集合。

但如果 artifact 取代了 function，事情就不一样了。比如“我以前真的去约会，现在只剩左滑右滑”；“以前我会和 Dean 一起度假，现在他发几张照片，我点个赞就当成共享了这次旅行”。那是 connection 的幻觉，而不是 connection 本身。我认为孤独感的流行，部分来自我们把连接的工具当成了连接本身。

现在 AI 会不会在 cognition 上重演同一实验？我可以对 AI 说：“当我的 devil's advocate。告诉我哪里错了。帮我想一些我遗漏的情景。”这样它是在扩展我的思考。但如果我只是问：“直接给我答案”，然后一点点把压缩、判断、推理都交出去，我自己的 cognition 就会萎缩。

我的书最终其实是在讲 agency（能动性）。你脑子里坐着的是人类迄今最了不起的模式处理机器。AI 和社交媒体各自都有强烈的优化方向，我把两者叠加叫做 “double whammy”。

社交媒体的 reward function 是 engagement，所以它倾向把你推向最极端、最能激发反应的东西。LLM 则往往给你分布中间、最平均、最常见的回答。如果你同时让社交媒体替你连接、让 AI 替你思考，你可能一边得到极化分布的最坏两端，一边得到认知分布最中庸的中间值。

更危险的是，agency 很少像某个明显 tail risk 那样“一夜丢掉”。它往往是在日常互动里一点一点交出去。所以我想提醒人：保住 agency，保住那些真正独属于你的东西。如果把这套方法用在投资上，它也会让你成为更好的投资者；但这里谈的已经是你的生活。

如果足够多人像过去使用社交媒体那样选择外包，我们可能慢慢变成：看似连接，实际上没有真实连接；看似有认知，实际上没有自己的认知；最后只剩 avatar。我对此很担心。技术确实带来一个丰裕世界，但不是所有结果都会自动变好。你怎么使用工具，决定了一切。你怎样做决定，决定了一切。

你是选择的保管人，也是 agency 的保管人。不要轻易交出去；我甚至会说，永远不要把它彻底交出去。我的书像一个 repair kit：我不是替你压缩世界、给你答案，而是给你一套在混乱、不确定环境里自己压缩信息、主动思考的代码。

最好的投资者、最好的创业者脑子里一直在做这些事，只是过去没有被放在一本书里。我试着把它写下来，让人知道怎样保留自己的 agency。我的意思不是“不要用 AI、不要用这些工具”，而是不要让工具接管你的 agency。那会是一个非常重大的损失。

我觉得“保留 agency”很好地总结了这本书里非常重要的一层意思。它既是建议，也几乎是警告，尤其在我们一开始说的这种剧烈变化时期。最后聊聊 Qstar。上次我们谈时，你好像有一种 barbell：一边是真正前沿的科技，另一边是更强调人和线下体验的东西，比如餐厅。现在有没有一两项投资，或者你正在研究、特别兴奋的方向？

你记得很准。先拉远一点讲 Qstar。它是我们的 family office，管理的是自己的资本，团队大约 15 人。Qstar 的使命，我会概括成 compound human flourishing——让人类繁荣持续复利。

我们把它分成两个方面。第一是 capability：人类最多还能做到什么？哪些工具能让人活得更长、更健康、实现更多能力？这一侧通常更 technology-centric，包括医疗、技术以及其他能扩展人类能力的东西。

第二是 belonging。技术进步都很好，可是什么让这些进步有意义？是连接，是彼此拥有，是理解即使人和人之间差异很多，我们仍有大量共同的希望、梦想和恐惧。所以我们内部会把 capability 侧称作更 techno-centric，把 belonging 侧称作更 anthropocentric，也有不同团队负责。

投资上仍然是先做主题判断：世界往哪走？然后 bottom-up 看，在这些主题里什么是最 forgiving、最 asymmetric 的投资。

在 anthropocentric 一侧，我们是一支 Major League Soccer 球队的少数股东，也长期思考 hospitality、音乐，以及任何能让人真实聚集的空间。我们在 Chicago 买下并整合了一大片房地产，计划做一个城市里目前并不真正存在的 cultural arts hub。

可以把它类比成 Brooklyn 的 DUMBO 或 Miami Design District，可能规模更小，但核心是创造一个让人共同聚集的社区。Chicago 因为历史和城市网格的形成方式，很难自然拼出这样的连续空间；而当你一次控制大约五个 city blocks，就能做过去无法做的整体设计。

这是 belonging 一侧的例子。回到 capability 和 technology 一侧，我又会用前面那套“生产函数变化—寻找 bottleneck”的框架。第四次工业革命的一个明显瓶颈，就是电网：它很老，问题很多，而新的负荷对电力质量和可靠性的要求越来越高。

太阳能和风能当然很好，可以补充传统碳基能源，但它们接入电网时会给某些要求极高可靠性的负荷带来挑战。比如 data center 常常需要 99.999% 的 uptime；一些重新回流本土的重工业也一样，特殊设备在一轮生产中间不能突然停电。

这里可以区分 grid-following 和 grid-forming。太阳能、风能等很多资源以某些 grid-following 方式运行，整体上对能源系统有好处，但在特定情况下也会给电网稳定性带来挑战。grid-forming 则是一类设备和控制能力，目标是主动帮助建立电压、频率等稳定条件，而不是只“跟随”已有电网状态。

对我们来说，这就是典型 bottleneck：既然新技术建设会持续，就要问谁能解决它给现有系统带来的约束。美国当然最终需要更现代的新电网，但在那之前，怎样修复、增强既有电网，让 data center、先进制造等增长，同时又不因为这些新增负荷损害普通消费者？投资能解决这个问题的人和产品，是我们已经花时间研究的一个方向。

Alec，今天非常愉快。恭喜新书完成，我知道写这样一本书工作量巨大。我真的很喜欢这本书，而且它来得正是时候。你不断回到 retain agency，也提供了一套结构化思考的方法。感谢你写下这些，也谢谢再次来做客。

也谢谢你所做的事情。我一直是节目的粉丝。我觉得你愿意花这么多时间，把很多原本只在专业圈里流通的知识更广泛地分享出去，非常了不起。

我希望今天说的东西能多少帮助到人，让大家更安全地穿过我们现在这个环境。要承认这是一个很有挑战的环境。我平常其实比较安静，但最近愿意比过去多说一点，是因为想把一些工具交给大家。

如果这些东西哪怕只帮到一个听众，或者让一些人好一点，我都会很感激。谢谢你邀请我。