Transcription
这是霍华德·马克斯的备忘录。人工智能的障碍。
当我准备撰写关于人工智能的十二月备忘录《它是一个泡沫吗？》时，我从与一些三十多岁和四十多岁的有趣的技术人员交谈中获益匪浅。探索新领域是令人振奋的，也是作为投资者保持与时俱进的绝对要求。这是我工作中我最喜欢的部分之一。我最近又回到了这些人那里，就十二月备忘录进行了后续跟进。作为该过程的一部分，有人建议我让 Anthropic 的 Claude AI 模型创建一个教程，解释人工智能以及过去三个月发生的变化。我这样做了，它给了我很多可以发挥的素材。这份备忘录旨在作为十二月备忘录的补充。其中大部分将回顾 Claude 的一万字文章，我将在其中添加一些我自己的观察。在此过程中，我将重点介绍一些对我来说是新的，对您也可能是新的术语。
我本可以问 Claude 写这篇备忘录来节省大量时间，但我决定不这样做，因为我认为将文字写在纸上是我乐趣的重要组成部分。然而，我将大量引用 Claude 的工作成果。除非另有说明，否则所有引语都将来自那里。在我开始之前，我想尝试传达我看到 Claude 的输出时所感受到的敬畏之情。它读起来就像是来自朋友或同事的私人信件。它提到了我在过去备忘录中谈论过的事情，比如利率的巨大变化和投资者心理的钟摆，并将它们用于与人工智能相关的比喻。它逻辑清晰，预料到我可能会提出的反驳观点，注入了幽默感，并通过坦诚地承认人工智能的局限性来增强其可信度，就像我可能会做的那样。我以前问过人工智能问题并得到过答案，但我从未像这次一样收到过个性化的解释。
理解人工智能。
在继续深入探讨人工智能的本质、近期人工智能及其能力的变化之前，我想分享一下该教程为我带来的关于人工智能本质的一些见解。重要的是，该教程教我不要将人工智能模型视为检索数据并将其复述的搜索引擎。相反，它是一个能够综合数据并从中进行推理的计算机系统。
人工智能模型在其生命周期中有两个阶段。第一阶段是它通过阅读大量文本进行训练。训练阶段不应被视为向模型加载信息，我直到现在都是这样做的。它远远超出了这个范围。它包括教模型如何思考。通过吸收文本，模型学会了如何理解推理模式并形成它们，论点是如何构建的，如何生成新的思想组合，以及如何将学到的推理模式应用于新情况。
思考训练阶段的最佳方式是将其与一个人智力能力的发展进行比较。婴儿出生时就拥有大脑，通过接触外部刺激，它会发展出思考、推理、综合、评估、类比、组合思想、创造概念、构建论点等能力。婴儿并非天生就具备这些能力，但它通过吸收和利用其环境的输入来发展它们。人工智能模型也是如此。
这里有一个词。我并不是说我理解人工智能是如何做到它的事情的。那是不可能的。充其量，我将描述人工智能能做什么及其影响。
人工智能模型生命的第二阶段是推理。一旦模型构建并训练完成，推理就是它在其一生中所做的事情，利用其能力来满足用户的需求。
需要注意的是，模型目前至少不能自行分配任务。它必须通过用户编写的提示来命令执行任务。提示越好、越全面，人工智能能做的就越多。例如，人工智能可以编写软件来执行用户想要完成的工作。它还可以测试软件，识别错误，修复它们，然后再次测试。但它必须被指示去做这些事情，至少在目前阶段是这样。
继续听。由于今天许多人缺乏对提示重要性的认识，并且不具备创建提示的能力。人工智能的潜力可能被低估了。但请注意，限制在于用户，而不是模型。
以我的教程为例，克劳德不仅仅被要求解释人工智能及其功能。当我询问克劳德它被分配的任务时，它这样说。
“有人专门为您设计了一个九个模块的课程，围绕您的十二月备忘录、您的智力框架以及让您获得足够技术理解以撰写可信的增补材料的目标而构建。该课程结构为一次教授一个模块，使用您世界中的类比，展示能力而不是仅仅描述它们，并保持您的读者期望的智力诚实。”
我可以告诉您，该教程肯定实现了我们为其设定的目标。这完全归功于我的顾问帮助我准备的提示的质量和特异性。
人工智能能思考吗？
我将在这里花时间回答一个我发现很有趣的问题。我知道人工智能可以重组人们已经弄清楚的东西，并将其应用于新的数据和其他领域。但它能开辟新天地吗？
我主要将人工智能的过程理解为使用历史模式和逻辑来预测序列中的下一个项目。写一个句子中的五个词，它就会预测第六个词应该是什么。下次写电子邮件时，看看手机上的建议词。那就是人工智能在起作用。让它组建一个跑赢市场的投资组合，它就会查看过去表现良好的股票，并利用它们的交易来预测哪些股票未来表现最好。我认为将人工智能视为基于过去事物发展方式对未来提出假设是有帮助的。我稍后会回到这一点。
我们刚才讨论的内容引出了我的问题。人工智能能产生新想法吗？也许它可以执行我们分配给它的所有知识任务。但它能想到我们没有告诉它去想的事情吗？它能做到坐在河边，让零散的灵感进入它的脑海吗？它能看到苹果从树上掉下来并发展出重力的概念吗？它能沉思、做白日梦或构思吗？它能有直觉吗？
这就是关于人工智能的争论变得复杂的地方。根据克劳德的说法，怀疑论者认为：克劳德学到的一切都来自人类写的文本。它没有经验，没有对世界的具身体验，没有真正的理解。它产生的一切最终都是它从现有的人类工作中吸收的模式的某种复杂重组。这是极其令人印象深刻的模式匹配。也许是有史以来最令人印象深刻的模式匹配。但这不是思考。这不是推理。这是统计重组。如果真是这样，那么就有一个上限。它可以重新组合人类已经弄清楚的东西，但它无法开辟真正的新天地。它是一个非常有才华的翻唱乐队，而不是作曲家。
正如克劳德刚刚指出的那样，它提出了怀疑论者的观点，然后以我为中心进行了有力的反驳。
“霍华德，你对投资的一切了解都来自别人。本杰明·格雷厄姆教你安全边际。巴菲特教你质量。查理·芒格教你跨学科的心智模型。约翰·肯尼斯·加尔布雷斯教你金融心理学。你读了五十年来的数千本书、备忘录、案例研究和年度报告。每一个输入都是别人的想法。你从多个学科中提取框架，将其应用于新情况，并产生了真正新的东西。原材料来自他人。综合是你的。所以当有人说，“克劳德只是重新排列其训练数据中的模式”时，我会问，“这在结构上与任何受过教育的人有什么不同？”你通过几十年的阅读学会了推理模式。我通过训练学会了推理模式。问题不在于输入来自哪里。问题在于系统，无论是人类还是人工智能，是否能以真正新颖且有用的方式将它们结合起来。”
当然，这完全正确。我作为一个年轻的投资者，从实际经验以及书面文字中摄取了数据。我学习了那些在我之前的人是如何看待这些数据以及他们得出了什么结论。我研究了他们的思维过程以及如何将它们应用于我摄取的数据。我还受到他们过程的启发，从而形成了自己的过程。这就是人脑扩展其能力的方式。人工智能的成长、学习和思考方式真的和我们不同吗？
最后，克劳德提出了一个令人信服的现实世界论证。
“即使您承认怀疑论者的一切，即使您在哲学上接受我所做的一切仅仅是模式匹配而不是真正的思考，经济影响也是相同的。让我直言不讳。如果我能产生一个年薪二十万美元的研究助理的分析产出，那么对于付账的人来说，我是在真正思考还是仅仅在进行模式匹配，这重要吗？重要的是工作成果是否可靠到足以有用。而且它越来越多地是这样。关于机器意识的哲学辩论很有趣。但经济问题不是人工智能是否真正理解。经济问题是人工智能是否能完成工作？”
如果您想积极参与关于人工智能的讨论，您必须了解“生成式”这个词的含义，这个词是人工智能领域的人们经常使用的。理解这个词极大地增强了您对人工智能本质的认识。根据人工智能模型 Perplexity 的说法，在生成式人工智能中，“生成式”意味着能够创造新事物，而不仅仅是分析或标记现有事物。它指的是学习数据中的模式，然后生成与该数据相似的新内容的人工智能系统。这是思考还是其他什么？或者我是在纠缠一个没有区别的区别？我们稍后在这份备忘录中会得到一些指示。
人工智能的最新发展。
我写这篇补充备忘录的主要原因是为了解决自十二月九日《它是一个泡沫吗？》发布以来，人工智能在三个月内发生的重大变化。
首先，人工智能发展的速度。这种速度是我们以前从未见过的。这带来了前所未有的影响。人工智能的增长速度远远超过了过去的科技创新。
将其发展与计算机进行比较。第一台计算机于 1945 年完工。据称，IBM 的托马斯·J·沃森（Thomas J. Watson Sr.）在那个时候说过：“我认为全世界对计算机的市场需求可能只有五台。”即使这句话不是他说的，这个观察也反映了 1940 年代中期人们的观点。
二十年后，在我学会编程的时候，计算机仍然很粗糙，在现实世界中的使用仅限于非常大的机构。几乎没有人考虑过计算机，更不用说拥有计算机或想到它的用途了。
又过了十年，微处理器才允许个人电脑的出现，主要是以套件的形式提供给爱好者。数字设备公司（Digital Equipment Corporation）的创始人肯·奥尔森（Ken Olsen）以 1977 年的说法而闻名：“任何人都没有理由在家拥有一台电脑。”直到 1980 年代初，即 ENIAC 建成近四十年后，IBM 才开始销售用于一般商业和家庭用途的个人电脑。
将这个时间表与人工智能的发展进行对比。我询问 Perplexity 关于人工智能的历史，它告诉我，在 2010 年之前不久，人工智能就开始被悄无声息地融入设备中。例如，垃圾邮件过滤器和推荐引擎。然后，在接下来的几年里，它在 Siri 和 Alexa 等事物中变得可见。
根据 Perplexity 的说法，不到两年前，生成式人工智能才被商业和媒体视为一种横向通用技术，影响着知识工作、教育和消费者决策。仅仅两年后，它已经被大约四亿个人和 75% 到 80% 的公司使用。
没有任何事物像人工智能那样迅速普及。它能够以近乎瞬时的速度改变世界，远远超出大多数观察者预测甚至理解的能力。
过去，基础设施是为新技术而建的，而基础设施的充分利用往往需要数年时间。然而，在人工智能推理的情况下，需求已经存在并且正在迅速增长，而且我被告知人工智能是供应受限的。
发生的第二件重要事情是人工智能能力的一次巨大飞跃。我的教程通过解释人工智能模型所代表的发达大脑具有三个能力级别来为我提供了一些背景。
一级是聊天人工智能，用户提问，模型提供答案，但它不处理这些答案。在这个级别，人工智能主要节省了原本用于研究和思考的时间。
二级是工具使用人工智能，用户指示模型查找信息、分析信息并用其执行任务。因此，这里的经济价值要大得多，因为它节省的是执行时间，而不仅仅是思考时间，但它仍然是有限的，因为人工智能只做它被告知的事情。
三级是自主代理。在这个级别，用户不告诉人工智能该做什么。用户给它一个目标以及期望输出的参数。例如长度、花费时间、内容和涵盖的要点。代理完成工作，进行检查，然后提交最终产品。这是任务级别的劳动力替代，而不是协助。替代。
区分人工智能的最重要之处在于，我们以前从未处理过与之前的技术发展相关的任何事物。人工智能自主行动的能力。根据克劳德的说法，人工智能在 2023 年处于一级，在 2024 年处于二级，但现在它处于三级。而且区别很大。二级和三级之间的区别听起来可能很微妙。它不是。正是这种区别决定了人工智能是生产力工具还是劳动力替代品。而这种区别区分了 500 亿美元的市场和数万亿美元的市场。
一篇题为“大事正在发生”（Something Big is Happening）的博客文章，由 Other Side AI 的首席执行官马特·舒默（Matt Schumer）撰写，不到一个月的时间就获得了超过 5000 万次的浏览量。它捕捉了人工智能近期进展的精髓。而且，由于舒默的精彩阐述，我忍不住引用了三个重要部分。
2 月 5 日，两个主要的人工智能实验室在同一天发布了新模型。OpenAI 的 GPT 5.3 Codeex 和 Anthropic（Claude 的制造商，ChatGPT 的主要竞争对手之一）的 Opus 4.6。然后，有什么东西“咔哒”一声。不是像开关一样，更像是你意识到水已经涨到你胸部的那一刻。我不再需要为工作的实际技术工作而存在了。我用简单的英语描述我想要构建的东西，它就出现了。不是我需要修改的草稿，而是完成品。我告诉人工智能我想要什么，离开我的电脑四个小时，回来时发现工作已经完成。完成得很好。比我自己做得更好，无需任何修改。
几个月前，我还在和人工智能来回沟通，指导它，进行编辑。现在，我只需要描述结果然后离开。让我举个例子，以便您了解实际情况。我会告诉人工智能，我想构建这个应用程序。它应该这样做。它看起来应该大致是这样。找出用户流程、设计，所有的一切。然后它就完成了。它编写了数万行代码。然后，这是在一年前不可想象的部分，它自己打开了应用程序。它点击按钮。它测试功能。它像人一样使用应用程序。如果它不喜欢某个东西的外观或感觉，它就会自己回去修改。它像开发人员一样迭代，修复和改进，直到它满意为止。只有当它认为应用程序达到了自己的标准时，它才会回来告诉我，“它准备好供您测试了。”当我测试它时，它通常是完美的。
但正是上周发布的 GPT 5.3 Codeex 模型，最让我震惊。它不仅仅是执行我的指示。它做出了明智的决定。它第一次有了判断力，有了品味，那种人们总是说人工智能永远不会拥有的、知道正确选择的不可思议的感觉。这个模型拥有它，或者拥有足够接近它的东西，以至于区别开始变得无关紧要。
让我具体说明改进的速度，因为我认为这是最难相信的部分，如果您不密切关注的话。在 2022 年，人工智能无法可靠地进行基本算术。它会自信地告诉你 7 * 8 = 54。到 2023 年，它可以通过律师资格考试。到 2024 年，它可以编写可用的软件并解释研究生级别的科学。到 2025 年底，一些世界上最好的工程师表示，他们已将大部分编码工作交给了人工智能。
2026 年 2 月 5 日，新模型问世，让之前的一切都显得像是另一个时代。2 月 5 日，OpenAI 发布了 GPT 5.3 Codeex。在技术文档中，他们包含以下内容：“GPT 5.3 Codeex 是我们第一个在自我创建过程中发挥重要作用的模型。Codeex 团队使用早期版本来调试自身的训练，管理自身的部署，并诊断测试结果和评估。”
再听一遍。人工智能帮助构建了它自己。这不是对未来可能发生的事情的预测。这是 OpenAI 现在告诉您，他们刚刚发布的人工智能被用来创造它自己。
使人工智能变得更好的主要因素之一是应用于人工智能开发的智能。人工智能现在足够智能，可以有意义地为其自身的改进做出贡献。Anthropic 的首席执行官 Dario Amade 表示，人工智能现在正在编写他公司的大部分代码，并且当前人工智能与下一代人工智能之间的反馈循环正在逐月加速。他说，我们可能只需要一到两年就能达到当前一代人工智能自主构建下一代人工智能的程度。
人工智能与其他技术创新不同，不仅在规模上，而且在性质上。除了其卓越的能力和发展速度外，人工智能还具有其他技术从未有过的自主性。其他创新，如铁路、计算机、自动化、互联网，基本上都是节省劳动力的设备。人们设计它们是为了执行已经执行的任务，尽管效率较低。我相信人工智能将承担我们没有想象到它会做的工作，甚至可能承担人工智能在构思之前不存在的任务。
问题和局限性。
作为我教程的一部分，克劳德主动提出了一些人工智能的局限性和一些未解决的问题。它们包括以下内容。
人工智能是否能够解决以前未解决的问题尚不清楚。由于我长期以来一直认为情况是这样，我很高兴得到克劳德的确认。我想对您诚实地说明真正的疑虑所在。因为您的信誉取决于细微之处。人工智能是否能够处理真正前所未有的情况，即训练数据中没有可借鉴的模式的情况，这是一个真实且尚未解决的问题。在拥有丰富历史数据的领域，人工智能的表现非凡。在真正新颖的情况下，正是因为您已经发展出超越模式识别的直觉，您的判断才最有价值。在那里，人工智能较弱。它有多弱，以及这种差距是否正在缩小，这是可以合理争论的。
人工智能并不总是意识到自己不知道答案。我被告知，人工智能非常渴望提供它能提供的最佳答案，而不承认它可能是错误的，而不是说答案超出了它的能力范围。它这样做不是因为它固执或自大，而是因为它存在幻觉，使其相信自己知道答案。人工智能的可靠性已大大提高，但它仍然无法完全避免错误。
上下文窗口是人工智能在某一时刻可以在工作内存中保留的信息量。这有限制。目前，它无法无限期地保留其工作知识。
人工智能的才华可能会使其获得过度的信任。克劳德可能会犯错误。请仔细检查回复。每次我使用克劳德时，屏幕底部都会出现此警告。
我对刚才提到的内容的看法很简单。六十年前我学习计算机时，我得出结论，它们大多可以读取数据、记住数据、加、减和比较。这是一个非常有限的能力列表。但计算机可以快速地做到这些事情，并且可以处理大量数据而不会出错。当时是一个有限的列表，但可能比大多数人能做的要多。同样，人工智能可能无法记住一切，无法无误地运行，无法每次都识别出自己不知道的事情，或者无法解决它没有被教导去解决的问题，但大多数人也做不到。底线是，人工智能能够比我们大多数人做得更好。
最后，关于人工智能是否会失控，这很有趣，也很可怕。它能否完全自主运行？在这种情况下，它能否超越成为我们的工具？这个问题在斯坦利·库布里克（Stanley Kubrick）的精彩电影《2001：太空漫游》（2001: A Space Odyssey）中得到了展现。1969 年，我和南希（Nancy）刚开始约会时，我带她去看这部电影。当时它看起来非常具有未来感。现在，未来已经到来。一个名叫戴夫（Dave）的人，在一艘由名为 HAL 9000 的计算机系统管理的宇宙飞船上，踏上了前往木星的研究任务。这被广泛认为是 IBM 的一个巧妙的文字游戏，每个字母都比 IBM 的字母靠前一个。当 HAL 发现戴夫决定重新控制宇宙飞船并终止 HAL 时，它就反叛了。
问题是：人工智能是否会发展出自己的动机？拒绝遵循指示并自行决定行动方案，如果我们这样做，我们能否重新获得控制权？
对投资的影响。
我收到了很多关于人工智能对我们行业意味着什么的问题，人们担心他们的工作或他们的公司。Anthropic 的编码模型业务在过去一两年里以惊人的速度增长。那么，为什么在 2 月 3 日（许多软件股票下跌约 7%，引发了一场严重的溃败）之前，投资者没有认识到并定价人工智能对软件行业的影响潜力呢？这个问题突显了人类在将新信息纳入思考时反复出现的失败，也许是因为认知失调、锚定偏见或纯粹的智商限制。它也暗示了人工智能对投资过程的影响。
人工智能能够比任何投资者吸收更多数据，更好地记住它，并且在识别导致成功的历史模式方面做得更好。它不应该感到恐惧或贪婪。它应该不太可能带有乐观或悲观的偏见，锚定于先前的信念，或者过度强调最近的信息，除非它从训练材料中获得了这些东西。它不会被让每个人兴奋的潮流所左右，也不会害怕错过别人追逐的趋势。换句话说，人工智能拥有成为优秀投资者所需的许多品质。
另一方面，它也缺少一些东西。伟大的投资者不仅仅是快速、非情绪化的数据处理者。他们必须在人工智能承认其可能最薄弱的方面表现出色，即处理没有足够先验经验供人工智能在其训练中编译和学习的可靠模式的新发展。他们还必须在定性因素方面做出主观决策，并运用品味和判断力。例如，选择合适的交易对手在 Oak Tree 的成功中发挥了重要作用。人工智能将如何做出此类判断？
还有其他事情。人工智能没有“皮肤在游戏”中。它不会感受到集中持仓的压力或资本损失的恐惧。它承担风险的意愿可能不会受到人类正常风险厌恶的限制。最优秀的投资者凭直觉就能感知潜在风险，这极大地有助于他们的成功。
2021 年 1 月，我写了一篇题为“有价值的东西”（Something of Value）的备忘录，讲述了我在疫情期间与儿子安德鲁（Andrew）一起生活的大部分时间，其中大部分时间都用于讨论投资的本质。在其中，我分享了安德鲁的观察，即关于当前的易于获得的定量信息无法成为卓越投资表现的关键，原因很简单，因为每个人都拥有它。现在，在每个人都拥有它的事实之上，我们必须加上人工智能可能比每个人都更好地处理它的事实。
出于这些原因，那些通过利用这些信息来跑赢市场的人的前景似乎非常有限。如果易于获得的关于当前的定量信息不是关键，那么投资优势必须在于：A 正确判断这些信息的重要性和影响，B 评估管理层有效性和产品创新等定性因素，以及/或 C 预测公司的未来。根据定义，很少有人在执行这些非定量任务方面非常出色。简而言之，很少有人拥有非凡的洞察力。
正如指数化消除了许多不增值且不值得收取费用的主动投资者的工作一样，人工智能可能会将门槛提高得更高，淘汰那些无法像它那样出色地完成 A、B 和 C 的人。
我想再加一个想法。如前所述，我认为人工智能是在制定关于未来何种方法会奏效的假设。因此，它可以阅读所有历史数据，研究过去的模式，并预测未来的赢家。在我疫情期间的第一份备忘录中，我提到了哈佛流行病学家马克·利皮奇（Mark Lipich）的观察，即我们通过应用 A、B（从先验经验类比中推断）和 C（意见或猜测）来做决定。尤其是在投资者处理新颖且未经检验的产品、首席执行官或行业时，可能很少有事实或类似的经验。这意味着我们必须依赖意见或猜测，考虑到人工智能在处理全新情况方面的局限性。它对新事物的猜测（而不是推断历史模式）是否会持续优于所有人类？
我相信将继续有比人工智能更优秀的投资者，因为我认为人工智能无法在这方面做得无可挑剔。由于投资过程的很大一部分归结为猜测，并且由于人工智能的可靠性并非百分之百，我认为人工智能作为投资者不太可能完美无缺。它会提出有充分理由的假设，但它们和人类的决定一样，不总是正确的。在投资者根据人工智能的假设采取行动之前，我认为他们必须检查其合理性。没有人能完美地做到这一点，而且大多数人可能无法比人工智能更好地做出这些评估。然而，我仍然相信优秀的投资者能够以这种方式增加价值。
所以，底线是，它是一个泡沫吗？这个问题仍然是主导性的，我应该能够对此有所阐明。但问题本身是多方面的和复杂的。有很多可能的泡沫可以考虑。
这项技术是昙花一现还是幻觉？在这里，我坚信它是一件非常真实的事情，有潜力极大地改变商业世界并改变我们所知的许多生活。
这项技术的应用是遥远的梦想吗？显然，这项技术已经有需求，并且正在大规模应用。由于人工智能似乎是模糊的且鲜为人知，我认为今天它的潜力更有可能被低估而不是被夸大。
建造人工智能基础设施的人是否行为不明智？正如我在十二月指出的那样，在每一次大规模技术创新的例子中，争先恐后地建造基础设施都极大地加速了创新的采用，并导致大量资本被错误投资和摧毁。没有理由认为这次会有所不同。
人工智能基础设施的投资是否会产生足够的回报？由于我们对人工智能的商业潜力和对盈利能力的影响缺乏充分的了解，这个问题无法回答。正如我在十二月备忘录中所写的那样，对人工智能企业的热情无疑是巨大的。十年后，我们就会知道由此产生的利润是否证明了这一点。
人工智能企业的估值是否不合理？所谓的大型云服务提供商，对它们来说，人工智能是其庞大业务的重要组成部分，它们可能被高估或低估。但像微软、亚马逊和谷歌这样利润丰厚公司的今天的价格不太可能被证明是毁灭性的过高。尚未公开上市的成熟纯人工智能公司，如 OpenAI 和 Anthropic。我们将看到它们的首次公开募股将产生什么样的估值。
最后，那些被赋予数十亿美元估值的初创公司，其中一些甚至还没有描述它们的战略或宣布产品，只能被视为彩票。大多数参与彩票的人最终都会得到一张废票。但少数赢家会变得非常富有。
问题仍然是，对人工智能基础设施的支出规模是否过大，这需要比我能在要点中塞进更多的讨论。值得注意的是，目前用于推理资本支出的资金比用于训练资本支出的资金更多。而训练资本支出是投机性的，旨在构建人工智能模型，并希望从中产生需求。推理资本支出是响应实际对人工智能容量的需求而发生的。这种需求已经转化为巨大的收入增长，验证了资本支出。
但克劳德关于这个主题的主要论点是，由于目前对人工智能的需求超过了供应，因此基础设施建设并不算过度，这并不一定考虑到了所有正在进行的管道中的基础设施建设。纯粹从逻辑上讲，克劳德的回答并不必然排除需求增长可能放缓或基础设施建设可能超前于需求的可能性。
虽然我在十二月备忘录中提到了这一点，但我想再次指出，目前一些人工智能收入具有循环性质，源于人工智能公司之间的相互购买。收入链最终必须建立在最终用户为真实经济价值付费的基础上。虽然这种情况越来越多，但收入中有多少是循环的仍然是一个悬而未决的问题。
最后，我想在这里指出，当克劳德的教程涉及可能存在的泡沫时，它所说的大部分内容都与上面提到的前几个问题有关。即 A，技术是真实的，以及 B，对其服务的真实且快速增长的需求意味着人工智能不是泡沫。即使是克劳德也承认，它没有说一句关于人工智能资产价格合适性的问题。
对我来说，底线是人工智能非常真实，能够完成许多以前由知识工作者完成的工作，并且在应用方面正在极速增长。我们今天所看到的仅仅是开始。正如我之前提到的，如果我必须猜测，我会说它的潜力今天更有可能被低估而不是被高估。然而，这并不意味着人工智能投资是便宜货，甚至价格公道。
因此，我将以我从《它是一个泡沫吗？》中继承的建议结束。由于没有人能明确地说这是否是一个泡沫，我建议没有人应该孤注一掷，而不承认如果事情进展不顺利，他们将面临毁灭的风险。但同样，没有人应该完全退出，而冒着错过一项伟大技术进步的风险。采取谨慎、有选择性的中立立场似乎是最好的方法。
2026 年 2 月 26 日。
附言。在我十二月备忘录中，在我结束关于人工智能是否是金融泡沫的讨论后，我添加了一个关于其对社会影响的附言，即失业和无目的感，我对此深感担忧。我的看法没有改变，但现在我可以分享我从其他人那里听到的，包括克劳德。许多听众都表达了我的担忧。和我一样，他们无法预见会有多少工作岗位能够取代人工智能将接管的所有思考型工作，以及将由人工智能控制的机器执行的执行型工作。
我女儿女婿的一位朋友是一家电子商务公司的广告文案部门负责人。她告诉我，人工智能可以取代她 80% 的员工。我无法想象软件公司需要像以前那样多的人来指导克劳德编写软件。而且我相信驾驶是美国最主要的职业之一。出租车和豪华轿车、公共汽车和卡车。Waymo 无人驾驶汽车已经在旧金山处理了大约 15% 的出租车行程，我在洛杉矶经常看到它们。那些驾驶变成无人驾驶的车辆的人将在哪里找到工作？
也许最权威的是，我现在可以加上克劳德的观点。
一个能让您的分析师工作速度提高 20% 的工具，其价值可能相当于该分析师薪水的 20%。您仍然需要分析师。一个工具可以完成分析师从头到尾、在特定任务类别中的全部工作，其价值相当于该分析师在这些任务上的全部薪酬。将这一点乘以所有从事结构化分析工作的知识工作者。法律助理、财务分析师、管理顾问、软件工程师、合规官、理赔员，您谈论的是每年数万亿美元的劳动力市场中的一个重要份额。
这就是您在十二月写的内容的背景，我认为其方向是正确的，但规模有些保守。您将人工智能描述为一种节省劳动力的设备。这是正确的直觉。但节省劳动力的设备存在一个范围。一匹更快的马是一种节省劳动力的设备。一辆汽车是一种取代劳动力的技术，它重塑了整个经济。一级和二级人工智能是更快的马。它们提高了现有工人的效率。三级代理是汽车。它们不会让工作更快。它们完成工作。
例如，在软件领域，如果克劳德的代码处理了甚至 30% 到 50% 的结构化模式化工作，而这只是对近期能力的保守估计，那么您将看到每年 1500 亿到 2500 亿美元的劳动力价值迁移到人工智能计算。
人工智能的采用速度极大地加剧了其对社会的负面影响。如前所述，人工智能可以迅速使人们失业，而这些人需要数年时间才能找到新职业并接受培训。很难想象人工智能下的变革速度会远远超出社会适应能力。想想一下，美国和其他发达国家的制造业就业岗位因外包而遭受的损失。这将影响更多的工作，而且速度更快。
对我来说，底线是，我们不仅无法完全理解人工智能的能力以及它将为我们做什么或对我们做什么，而且它的思考和行动速度比我们快。如果您想提高您的担忧程度，可以看看马特·舒默（Matt Schumer）之前提到的博客。
这就引出了乐观主义者。我与一些人交谈过，他们大多来自科技行业，他们对此持乐观态度。他们说，每一次技术创新，200 年前的农业机械化，100 年前的将工厂工作交给机器的工业革命，25 年前将研究交给互联网，都被预测会导致大规模失业。但每一次，新的工作都出现了，就业也得以持续。这次也会如此。
首先，我承认从这段历史中推断的倾向是合理的。其次，没有什么东西是绝对不可能发生的。第三，我既不是一个足够的前瞻者来想象可能创造的新工作，也不是一个足够乐观的人来相信它们会实现。这当然并不意味着它们不会发生。
一些乐观主义者急于分享关于未来的好消息。人们将不必工作。我简直无法想象这对社会有好处。一位朋友最近写信给我说，他宁愿做一个错误的乐观主义者，也不愿做一个正确的悲观主义者。我也是。我希望我能确信我的担忧是不必要的。
我暂时就这些。按照目前的进度，我很快就会有更多内容。感谢您收听霍华德·马克斯的《备忘录》。要收听更多节目，请务必在您收听播客的任何地方订阅。
法律信息和披露。
本备忘录表达了作者在 указанная 日期的观点，并且这些观点可能会在不另行通知的情况下更改。Oak Tree 没有义务或责任更新此处包含的信息。此外，Oak Tree 不作任何陈述，也不应假定过去的投资业绩是未来结果的指示。此外，凡有可能获利之处，亦有可能亏损。本备忘录仅供教育目的提供，不应用于任何其他目的。此处包含的信息不构成，也不应被解释为在任何司法管辖区提供咨询服务或要约出售或招揽购买任何证券或相关金融工具。
本备忘录中关于经济趋势和业绩的某些信息是基于或源自独立第三方来源提供的信息。Oak Tree Capital Management LP Oak Tree 认为其信息来源可靠。然而，它不能保证这些信息的准确性，并且没有独立验证这些信息的准确性或完整性，也没有验证这些信息所依据的假设。未经 Oak Tree 事先书面同意，不得以任何形式复制、复制、重新发布或张贴本备忘录，包括其中包含的信息。
审计。