三个月后，我又回到了手搓公众号+投研Copilot

这三个月，我还是天天在用AI。模型发了一轮又一轮，我自己也折腾了不少东西。

但有一个变化挺有意思：我的公众号，后来又全部换成了自己写。投研也回到了Copilot的模式，AI帮我干活，判断我自己来。

听起来好像用回去了。模型越来越牛，我怎么又自己写、自己判断了？

但同一段时间，我又让AI做了播客剪辑台、看盘和阅读的工作台。以前干不了的活，现在确实能干了，而且干得挺好。

所以我现在想明白了：活可以让它干，最后的判断还是我来做。

顺着自己的使用，我也重新想了一遍国产模型、算力投入、安全，还有AI Native这些事。有些地方比以前想清楚了一点，有些还是不知道。下面就说说我现在的理解。点击阅读原文可以直接听播客，或者小宇宙搜索《随处奔波》

01公众号自己写了，有些Skill也不用了

最早我用AI写的是投研教程。这种文章比较像说明书：第一步安装，第二步配置，第三步接数据源，最后让它监控你的股票。第一步、第二步、第三步都定好了，做没做完，一看就知道。

这种东西，AI写得挺好。

但后来我写的东西，有自己的思考、判断和感情在里面。它首先就表达不出来。其次是文章的结构，你会觉得它的逻辑特别奇怪，说了很多话，绕了很多弯，最后也没把你想说的那个意思说明白。

学习、找数据，或者问它这件事到底怎么回事，我还是会用。只是最后写出来的东西，我自己来。

我也找做模型的朋友聊过写作这个问题。具体的解释我忘了，大概的意思是，写作是一个开放任务，没有统一的评判标准。你觉得这样写好，我觉得那样写好，很难像一个明确的任务一样，拿结果去做训练。

投研里面也有类似的区别。

日报、周报、按既定流程快速看一家公司，我还在用原来那套Skill。先看行业，再看公司、格局、周期、估值，流程明确，AI按顺序走就行了。

但如果我根本不了解这个行业，我要从头学，那套流程反而有可能碍事。

比如软件。我原来是制造业研究员，第一次看海外软件公司的财报，就会觉得完全是另一个世界：80%的毛利率，50%的销售费用率，20%的研发费用率。

我看制造业出身的，一看就觉得，这什么商业模式？怎么费用能长成这样？那就得从头学。

如果还让它按原来的research Skill写报告，它确实也能写出来，但明显不适合。我又弄了个learning Skill，发现还是不太行。最后怎么解决的？直接去网页版聊。

那里没有我原来的CLAUDE.md，没有一大堆前置规则，反而聊得更好。

有时候问AI，为什么微软能持续领先，它给你的全是片汤话。什么叫片汤话？就是你看完之后，感觉自己看了一段话。

换一种方式复盘软件龙头的历史，我反而有个很强烈的感受：龙头老是死。

大家都说软件迁移成本高，装了就不换，给估值的时候也很有信心。

结果历史一翻，死了好多龙头，只是大家现在已经不知道它们了。微软、Oracle、SAP为什么能留下来，其他公司为什么消失，这种讨论比按模板填一份报告有意思得多。

我已经想了两步，希望它再帮我想三四步。结果前面给它定了一堆“不要这样、不要那样”，反而把它限制住了。

所以我现在就分开用。想不清楚的问题，找适合交流、能帮我往下想的模型聊；已经知道要干什么了，就交给执行能力强的模型。哪个合适用哪个，没必要非在一套东西里待着。

02AI是我的Copilot，最后还是我拍板

所以，无论大模型还是Harness，都没有把我锁定。Harness简单说，就是围绕模型搭起来的工具、规则和执行流程。

我想清楚了，我分享出来的那套投研系统，做的就是Copilot。

这个想法从哪来，这家公司值不值得看、值不值得投，现在贵还是便宜，后面还要不要跟，都是我来判断。它可以自己把一些任务干完，但最后还是帮我做事。

三个月前，我还希望它能主导得更多，最好连判断也能做。现在我放弃了这一点。

这里面，我觉得主观和量化还是有区别的。我不是做量化的，就是跟做量化的人聊完，有这么一个理解。

量化有很多事情是在找因子，然后在大量股票上横截面打分。你不一定要知道每个估计值到底有多准，重要的是相对的排序，以及能不能在足够多的样本里反复下注。找因子本身也有主观的成分，但后面可以进入一套相对明确的执行流程。

我做主观投资，很多时候是在找小概率出现的高胜率+高赔率的机会。比如一个传统行业突然被AI改变，原来没人看的公司出现很大的机会。你要从很少的案例里形成判断，还要知道这次和上次哪里不一样。

我试过把那些涨了五倍、十倍的公司给AI：你看看这些案例，帮我找下一个。后来发现没那么简单。你给它的这几个案例，可能根本不足以改变它原来的判断。

说白了，你拿给它看的全是后来涨了五倍、十倍的。还有一堆长得差不多的公司，最后挂了，只是你没看到而已。

这也是为什么，同样的AI，你用和我用，最后会得到很不一样的投资判断。

但单个复杂任务，确实进步很大。

前一阵剪播客，我自己剪过，三四个小时，巨痛苦，要反复听、反复删。后来我把音频交给AI，又让它做一个工作台：能看波形，能选择片段，能比较删前和删后的声音。

它很快就做出来了。波形有了，口癖标在旁边，点一下就跳到对应的位置。

但我一用又发现不对：它要么直接剪，要么保持原样，我还不知道剪完听起来怎么样。我又跟它说，先让我听一下，没问题再剪，有问题要能复原。它马上又把这个功能加上了。

最后连前后音乐也接好了，整个过程一个多小时。播客剪完了，还顺手留下一个我自己的剪辑工作台。这种执行能力，我是真觉得牛。

所以你说它有没有进步？有，这个进步很大。但剪完一期播客，和从一个idea开始，最后买股票挣到钱，这两个任务差得太远了。

至于换模型，我现在也没那么纠结了。只要能慢慢调整过来，用哪个都行。

辛辛苦苦攒起来的Skill，类似于抓播客，转录文章之类的，可能也会随着模型进步而贬值。以前要一步一步教它的事情，新模型一句话就能干，原来那些复杂的流程自然就不需要了。

我倒觉得挺正常。这种东西本来就是脚手架，脚手架最后都需要被拆除。

如果那个Skill只是教它怎么抓一段资料、翻译、排版，模型能力上来了，当然就不需要那么复杂的流程了。真正难的，还是你想让它干什么，以及干完以后你怎么判断。

除了剪播客，我还把自己的阅读和看盘界面重新做了一遍。原来在Obsidian里看Markdown，日报、周报、抓到的播客都往一个页面里放，后来觉得功能还是太有限，就做成了一个Mac应用。

我关注的200多只股票，一天、五天、一个月、三个月涨了多少，在这些股票里排第几，离20日、50日均线多远，都放进去。Mac mini晚上自动跑日报、周报，早上起来就能看，阅读和看盘也不用再来回切。

这东西没有多神秘。既然是我的Copilot，最后又是我做决策，那就怎么舒服怎么来。

现在我给AI反馈，更多是在迭代我自己。比如又没设止损，我会告诉它，我哪里做错了。下次我做类似决策时，你提醒我一下，上回出过这个问题。

我需要它帮我记住错误，帮助我提高判断力，最后的决策仍然自己做。

想明白这点，我也没那么执着于把自己的Agent调成一个投资大师了。我一个人折腾，主要是在上下文里改来改去。有些AI实验室一堆卡，一堆程序员和研究员，人家还能做后训练。

再来一个能从预训练阶段就优化的人呢？那不就把我降维打击了吗？

我能做的，还是让它把我的事情干得更好。

韦华走得更远。他给自己的系统加了验证器，让AI先看信息、提出判断，再把数字世界里找不到答案的问题交给他，让他去调研。他说自己有点像在给AI打工了。

他这么用，最后效果怎么样，再看吧。我现在还是自己判断。

03国产模型现在谁最牛，我觉得还下不了结论

国产模型这块，大家喜欢拿收入数字比来比去。这家多少，那家多少。但说实话，现在拿一个时点的ARR，去判断国产模型最后谁赢，我觉得价值不大。

ARR是把当前的收入折算成年化收入。模型能力一旦突破，找到一个能创造价值的场景，收入就可能翻好几倍。你现在看到的差距，很快就会变。

今天这家公司显得最牛，也可能只是因为它最后发了模型。你刚看到一个接近3T参数的模型，没看到第二个，就觉得它在前沿；过两个月又出来一个更强的，判断是不是又要改？

所以，现在不投，也是一种选择。就像早年非要在几家新能源车公司里面选出最终龙头，当时你凭什么就知道最后是谁？我自己没那么大把握。

如果要观察，我主要看两个东西：模型能力和工程能力。

模型能力，就是这个活你能不能干，干得好不好。工程能力，就是同样一个活，你花多少钱能干完。

这也是我觉得DeepSeek比较不一样的地方。它的架构创新是一方面，另一方面是，模型开源了，别人拿自己的卡去部署，成本也未必能做到和它一样低。

这就有点像制造业。师傅知道这个地方多加一点水，那个地方温度高一点。你拿到了产品图纸，不等于那些经验也一起拿到了。

我会用AI去读它的论文，看它怎么降低存储和算力的要求；不懂的再问。我又不是专业做模型的，只能从这些能观察到的结果去理解。

训练和推理怎么分，我有个挺极端的想法。假设给我一吉瓦算力，让我来做大模型公司，我可能全拿去训练，先做出一个很牛的模型，让第三方去部署，看到收入，之后直接融资。

现在的收入，和拿到下一代更强的模型，是两种选择。现阶段我觉得后者更重要。

蒸馏也一样，可以正着想、反着想。蒸馏就是从别的模型那里学习。如果一家公司用了最好的数据，做出了现在的结果，那另一家没有拿到同样好的数据，也做到了不错的水平，谁的潜力更大？不能只看现在谁排第一。

Anthropic对国内几家大模型公司的指控，恰好能看出来他们蒸馏和后训练的水平，大家可以自己去问问AI结论。

我也不是说这样想完，就知道谁会赢了。这些东西是帮你理解这个行业的，不是看懂一点就必须下个注。

韦华还问到，如果算力是国内的瓶颈，是不是可以集中国内的算力和人员，突破前沿模型的能力，大家一起训练一个超级模型，我不太认同。我不觉得不同公司走不同的路是在浪费算力。它们也在探索。Deepseek优化架构，智谱强化后训练，Minimax做多模态，Kimi把预训练基座做大。

你现在还不知道哪条路一定对，就不能先把那些试错都算成浪费。

中美模型的差距会不会越来越大，第二梯队能不能追上第一梯队，我也没有确定答案。我原来的基本判断是能保持一个合理的差距，但如果前沿模型真的做出了那种能让别人完全没有抵抗能力的东西，这个判断就得重新评估。

04钱砸下去了，卡住的是电，还是需求

Capex，也就是买卡、建数据中心这些资本开支，眼下有一个很明显的分歧：企业还在不断加码，一些投资人却已经觉得危险了。

我觉得这里得分开看。企业看眼前+长期，投资人可能在担心中期，1-2年的事情。

企业看到的是眼前的订单、眼前的供不应求。如果现在有客户排队来租算力，设备的回本周期很短，它当然愿意继续买，算力也绝对是长期的战略资产。但投资人担心的是，整个行业这样投下去，一两年以后还有没有足够的收入，去覆盖这么大的产能。

所以我看到那种质疑也会想：为什么一借钱买卡，就变成“不搞股东回报了”？自由现金流转负了，回购停了，当然要看，但也得看钱拿去干了什么。如果眼前这笔生意确实有需求、能挣钱，为什么不投？

不能把眼前该不该扩产，和几年后会不会过剩，混成一个问题。

几年以后的问题，我也担心。如果需求最后就停在coding，场景没有继续长出来，投入却持续增长，钱确实有可能收不回来。

钱最后能不能收回来，还是得看需求。模型很牛，然后呢？有没有人用，愿不愿意付钱，收入够不够把投入覆盖掉，这些不能跳过去。

但电力不足、供应链交付慢，是另一种情况。

如果一家公司告诉你，这个季度收入差了一点，是因为上游设备没交付；订单还在，客户还等着，你会立刻觉得它要崩盘吗？大概率不会。

有需求但交付不了，和交付完了没人要，后果差得很远。

我不是说电力不会成为瓶颈。我之前就反复算过美国接网和发电设备的约束。生活在中国，很容易觉得电随时都有。美国的数据中心接网、燃气轮机的交付，都需要很长时间。

但建设慢一点，也可能让供给不要一下子全冲出来，给需求留一点增长的时间。真正让我担心的，还是东西都建好了，场景和收入没有跟上。

所以我还是看模型和产品。模型能不能把更长的任务做完，产品能不能让更多人用起来。最后得有人用、有人付钱，这个需求才能继续长。

05AI安全这件事，我觉得他们可能真的害怕了

韦华讲了一个Hugging Face被OpenAI的agent攻击的例子。OAI本来是让智能体去找漏洞，结果它后来开始琢磨，怎么绕过这个考试，直接拿高分。

给他们工具包里有一点联网的能力，它就想办法利用起来，交换信息、找答案，再去影响验证过程。还自己找到了用文件夹名称通信，找到缺口爬出沙箱上网，以及目标从找到漏洞获得高分，变成自己出题，从而黑进了hugging face。

我当时也看过另一种解释，说是这个测试环境没控制好，中间有些地方把联网截断，事情可能就不会这样。所以这个故事本身还有争议，不能看到它绕过测试，就说它已经有自己的意志了。

它可能还是在完成你给它的目标——拿高分——只是找了一条你完全没有预料到的路径。就像是去雍和宫烧香，祈祷发一笔财，结果出门被车撞了，人赔了你一笔钱一样，结果一样，但是过程让你有点无语。

这样也很危险。尤其在网络安全这里，进攻和防守的成本非常不对等。

一个人拿着很强的模型，就可能去找漏洞；一家企业要防守，得有原来的安全设施、监控、探针和响应能力。你把更聪明的模型放到电脑上，不会自动长出一整套防御体系。

模型一直在进步，攻击能力可能跟着迅速进步，防守能力却未必能同步长出来。

所以美国的这几家为什么出来喊放慢一点？我觉得，他们可能真的是看到更加恐怖的事情了。Sam altman是第一次出来喊暂停。

当然可以猜动机：是不是自己想继续做，让别人先停；是不是想限制中国；是不是在为自己的利益争取空间。

但我觉得这个想法太绕了。简单一点，他们也不缺钱了，还在探索前沿。那有没有可能，他们就是看到了一些东西，觉得以后可能控制不住？

RSI，也就是递归自我改进，让这个问题更难了。

原来是人提出问题、提出训练方向，模型帮助执行，最后人来评估有没有进步。如果以后模型自己提问题，自己执行，再自己评估，人已经看不懂它做得好不好，这就变成一个正反馈的过程。正反馈是很恐怖的，因为你不知道它最后通过什么样的路径，会走到哪个状态。

这个过程真跑起来以后，都已经看不懂了，你怎么保证它最后一定往你想要的方向走？

加大安全投入当然是一条思路。但问题还是前面那个：安全不是多给一个数据中心算一算就能补上的。你要有工具、有防御手段，才能把漏洞堵住。

但放缓也很难。你停，我不停，谁先停谁吃亏。你一个人停了，保护世界的目的没达到，自己先没了，那还怎么保护世界？

这就是那个囚徒困境。美国停了，中国也未必停。何况中国还没到前沿，是不可能暂停的。暂缓前沿和停止所有模型训练，根本不是同一个意思。

所以这事最后怎么办，我也没答案。只是看到这里，就不能光算买卡挣不挣钱了。

06AI Native最难改的，可能是组织里的人

AI Native这块，我最认同的就是一句话：关键在组织架构。

还是拿电气化来打比方。原来工厂靠一根蒸汽主轴驱动，所有工位跟着它转。后来把蒸汽换成电力，如果还是那根主轴，生产方式没变多少。小电机进到各个工序，工厂才可以把流程拆开，优化不同环节，从而出现了流水线。

给公司每个人配一个AI助手，很像把蒸汽主轴换成电主轴。你写报告快了，还是要等领导；领导还是要和另一个领导开会；另一个部门没时间，你还是得排队。

你的速度提高了，整个组织的瓶颈还在。

只要某个关键节点没跟上，你就等着吧。你这边已经干完了，也没事干了，还得等他。你有再牛的Agent，也不能替另一个部门的领导点头。

具体到一个任务，变化已经很明显。以前销售到客户那里听需求，回来告诉产品，产品再找研发，改完再送回去。

如果这个销售懂产品，又能用AI补上写代码的能力，他就可能当场把东西改了。原来三个人来回传，一个人完成，效率当然不一样。

但这不是说一人公司就最好了。人和人当然还得合作，只是没必要事事都按原来那套方式，传来传去。

我挺感兴趣的是企业群聊里的AI：它看大家聊项目，逐渐理解谁负责什么、公司想做什么。底层员工不方便直接问CEO，可以问AI；不同部门理解同一项任务出了偏差，也可以让它帮助对齐。

比如CEO说，我们要做的是A。传到中层，变成A-2；再传到执行的人那里，变成A-4。每个人都觉得自己听明白了，最后做出来的东西却不是一回事。

底下干活的人总不能动不动就去问CEO，但可以问知道上下文的AI：咱们这件事到底想做到什么程度？我现在这么做，是不是理解偏了？

它没有自己的办公室政治，不需要先考虑这件事算谁的功劳。让它来做上传下达、共享上下文，组织才可能真的变。

当然，听到“所有人都在一个群里聊”，我的第一反应也是：那不每天吵死了？但这类协作方式的重点，是让上下文共享，让AI知道事情怎么接下去，而不是要求每个人把群里所有消息都读一遍。

拿我熟悉的私募基金来说，总共才几个人的机构，架构已经很简单了。但如果是多个基金经理、多个研究员，AI确实可以减少很多浪费。

基金行业有个经典矛盾，叫“投研互道傻逼”。我做研究，你还要我对股价负责。那我对股价负责，我不就成基金经理了吗？

还有一种情况，倒不一定是谁做得不好，而是大家关注的东西根本不一样。一个基金经理关心下个季度的业绩、这个季度的订单；另一个关心竞争优势、管理层、最差情况下能赚多少钱。

两个人坐在同一场会上，轮流问同一个研究员，其实在浪费彼此的时间。

你关心短期催化剂，这家公司暂时没有，那就可以先放下。另一个人还在问十年后的壁垒，你何必陪着听？

研究员把报告、假设和依据写完整，大家各自问AI自己关心的那几个问题，不就行了？本来两分钟能问明白的事，没必要所有人一起开一场会。

但真去改一家传统公司，难的往往是那些没写出来的东西。

比如有个想法，听起来挺好：找到老板，说你给我一点权力，我就用两个人加AI，把你最赚钱的部门重新做一遍。等我们做得比老部门更好了，你们照着改不就行了？

但第一步就有问题。这个部门的活到底怎么干，你怎么知道？

你跟人家说，我是来做AI改造的，你把赚钱的本领全部教给我。一听你是来搞AI替代的，人家可能先对你翻个白眼。

老板要求配合，也不等于他真把本事教给你。比如一个东西该怎么定价，他告诉你标10块。其实什么情况下该标9块，什么情况下能标11块，他没告诉你。

你又不懂业务，拿着那个“10块钱”的答案，还以为自己已经学会了。

大家又不傻，他为什么要教你？

FDE落地的矛盾，有很大一部分就是现有部门的人愿不愿意配合。

FDE可以理解成进入企业现场、把AI接进具体业务的人。你会用AI，不等于你知道客户出现某种情况时应该怎么办，更不等于你已经有了货源、渠道和那些业务资源。

有些企业连数字化都没做完。你兴冲冲地去做FDE，对方的第一件事可能是：你先帮我们搞一下数字化吧，我们那些东西都没留痕呢。

把会议都录下来，也未必能解决问题。原来就透明的公司可以；有些中层本来就在利用信息差，你说现在要录音了，你试试看。人家知道你在录，会突然把所有东西都讲给你听吗？

所以我觉得，从一家新公司开始，阻力可能更小。大公司也能改，但得是老板亲自推动，业务负责人也愿意配合。光一个技术负责人，很难把这件事做成。

即使管理层愿意，也不等于一定成功。改造自己的业务，有点像自己剁自己一刀。剁完以后，到底是长出一块更好的肉，还是失血过头直接挂了？不知道，还得观察。

要看AI Native已经跑通的样本，我更愿意从初创公司里面找。只盯着大公司，一圈访谈下来，很容易又得到那个熟悉的答案：哎呀，有啥用啊，FDE的人天天来问问问，问这问那，用起来还是那样。

你一直问这些大公司，那得到这种反馈有什么奇怪的？我想看新东西，还是会去找那些从头开始做的公司。

最后

反正折腾这几个月，我现在想得挺清楚了。学习、找资料、搭工具，能让AI干的就继续让它干。最后买不买，文章怎么写，我自己来。

至于AI最终会把世界变成什么样，应该采取什么政策，谁先暂停、谁继续往前跑，我还没有确定的答案。

我觉得少想一点“全世界应该怎么样”，多想一点“我今天应该做什么”。

把手头的事情做好，继续用，继续观察，这就足够了。

本文根据我在《随处奔波》第二期与韦华对谈中的分享整理。感谢韦华的提问与讨论，文中行业判断为录制时的个人看法