--- id: "zU7cQl4Sqt8" title: "Alec Litowitz：从 Magnetar 到 Qstar，如何在不确定性中保持适应力" channel: "The Alpha Exchange with Dean Curnutt" host: ["Dean Curnutt"] guests: ["Alec Litowitz"] date: "2026-07-28" updated: "2026-08-07" duration: "1:19:01" duration_seconds: 4741 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=zU7cQl4Sqt8" canonical: "https://pod-exp.pages.dev/zU7cQl4Sqt8/" transcript_jsonl: "https://pod-exp.pages.dev/zU7cQl4Sqt8/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["投资","人生方法","人工智能","能源与电网"] series: ["传奇投资人","AI 投资"] --- # Alec Litowitz：从 Magnetar 到 Qstar，如何在不确定性中保持适应力 > 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：** Alec Litowitz 回顾从 Citadel、Magnetar 到 Qstar 的三十余年投资经历，提出“适应力商数”（Adaptability Quotient, AQ）：真正稀缺的并非只是在稳定环境里算得更准，而是在风险、不确定性与黑天鹅三种环境之间识别状态、修正模型，并把尚无概率的“不确定性”逐步转化为可以下注的“风险”。他用并购套利、页岩油气、CoreWeave、SpaceX、电网与 AI 等案例解释一套循环：元认知、模拟、形成“强观点但弱持有”的最佳假设、用可承受的实验与现实碰撞、根据反馈快速改写模型。后半段，他把 AQ 从投资扩展到 AI 时代的个人能动性：工具可以增强思考，也可能替代思考；真正不能轻易外包的是选择权、判断与 agency。 ## [0:01] 冷开场：左尾、右尾与“低成本不可逆机会” · YouTube **Alec Litowitz：** 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。 **Dean Curnutt：** 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。 **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ **Alec Litowitz：** 2005 年。 **Dean Curnutt：** 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？ **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [4:03] IQ 不够：风险、不确定性与黑天鹅 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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**。 **Alec Litowitz：** 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。 ## [8:04] 金融危机与“强观点、弱持有” · YouTube **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [12:04] 把身份绑在过程，而不是答案上 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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？ **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [16:05] 模拟、溯因与现实实验的反馈循环 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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**。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ **Alec Litowitz：** 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。 ## [20:05] Explore vs. Exploit：何时停止研究开始下注 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ ## [24:07] 小仓位探针、扑克与“模式编辑” · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ **Alec Litowitz：** 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**。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [28:07] Resistor / Adopter / Adapter 与假设层面的分散 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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”。 **Alec Litowitz：** 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？” **Alec Litowitz：** 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。 **Alec Litowitz：** 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？ **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ ## [32:08] 贝叶斯在不确定性中的边界，以及“会退出”的能力 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Dean Curnutt：** 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。 ## [36:09] Citadel 早期：92% 对 87%，从并购套利中寻找不确定性 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [40:10] 自建专家网络：把反垄断研究做成生产线 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [44:11] 专有数据库与持续反证：不是等待 deal break · YouTube **Dean Curnutt：** 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？ **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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？ **Alec Litowitz：** 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。 ## [48:13] “我哪里错了？”以及 CoreWeave 之前的 Magnetar 方法 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ **Alec Litowitz：** 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。 **Alec Litowitz：** 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？” **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [52:14] 从页岩油气中游到 GPU 数据中心 · YouTube **Alec Litowitz：** 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？ **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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？ **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [56:15] 从不确定性到风险，以及决策树里的可选性 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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？ ## [1:00:16] 右尾机会、SpaceX 与为什么要保留选项 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Dean Curnutt：** 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？ **Alec Litowitz：** 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。 ## [1:04:16] 第四次工业革命：token、意义与认知伙伴 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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**。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [1:08:16] 社交媒体 + AI 的“双重打击”与 agency · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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”。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。** **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [1:12:17] Qstar：capability 与 belonging 的双重使命 · YouTube **Dean Curnutt：** 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？ **Alec Litowitz：** 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**。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 ## [1:16:18] 电网瓶颈、grid-forming 与收尾 · YouTube **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Dean Curnutt：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。 **Alec Litowitz：** 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。