80岁投资高手的万字AI学习心得
最前沿的培训内容可助你加速上手，通过微信先行联系：pku688
不盲目满仓，也不急着清仓，而是用适度仓位与精选标的去拥抱这场划时代的变革。
橡树资本的联合创始人霍华德·马克斯已快八十岁，但他并没有把AI当作与己无关的热闹。
恰恰相反，他带着强烈好奇心亲自去摸索，并持续追问、持续思考。
在去年12月动笔写《这是泡沫吗？》之前，他先和一些三四十岁的技术从业者聊了聊，先把自己不明白的部分弄清楚。
三个月后，他又回到同一批人那里做了进一步跟进。
有人建议他借助Claude做一套讲解AI的教程，他就照着做了。
随后，他把这段练习的心得沉淀成一份补充备忘录，日期是2月26日，题为《AI奔涌向前》（AI Hurtles Ahead）。
读起来的感觉，颇像他在认真做功课。
他并不急着把与Claude讨论出来的内容包装成“结论”，而是把自己看到、听到、追问到的东西按逻辑摆出来。
对我们而言，这份备忘录真正有价值的地方也在这里。
它不是从局外角度评点AI，而是一个经验极其深厚的投资管理者，拿着自己的方法论走进一个全新的领域。
五十多年的投资经历给了他一套稳定框架，但他没有把框架当作答案，而是当作工具：用来提问、用来校准、用来持续更新。
能这样学习、能这样保持好奇心，也正是身为“投资大师”的霍华德·马克斯令人敬佩之处。
热爱学习的人，值得腾出时间认真读完。
在准备写我12月那篇关于人工智能的备忘录《这是泡沫吗？》时，我跟几位三四十岁的科技圈人士聊了聊，收获很大。
探索未知领域很令人兴奋，而对投资者来说，这也是与时俱进的“硬要求”。
老实说，这也是我工作中最享受的环节之一。
最近我又找他们做了回访，可以看作对12月备忘录的后续跟踪。
过程中，有人建议我让Claude准备一份教程：解释什么是人工智能，以及过去三个月里发生了哪些变化。
我照做了，结果它给了我一堆非常有用的材料。
因此，这篇补充备忘录可以当作对12月那篇的进一步说明。
其中相当一部分会复述Claude那篇长达一万字的文章，我也会在此基础上加入一些自己的观察。
写作过程中，我还会重点标出一些我之前没见过、你或许也没听过的新术语。
其实我完全可以省掉很多时间，直接让Claude把这份备忘录写出来，但我没有这么做——因为把想法落到纸面，本身就是一种乐趣。
不过，我会大量引用Claude的原话。
凡是没有特别注明出处的引文，均来自Claude的作品。
进入正文之前，我想先传达一个小感受：
读完Claude的输出后，我内心的震撼到底有多强。
那种感觉，就像一位朋友或同事给我写了私人的长信。
它会提到我在此前备忘录里谈过的内容，比如利率时代的剧变、投资者心理的摆动，并把这些概念拿来做与AI相关的对照与比喻。
它的论证有清晰的逻辑：会预判我可能提出的反驳点，还会偶尔插入幽默；同时它也像我一样坦诚承认AI的局限，从而让整体可信度更高。
我过去也问过AI问题，也收获过答案，但从来没有遇到过像这一次这样，能“按我的需求”量身定制的解释。
01
在谈核心话题之前，也就是AI近期变化与能力提升，我先分享几条这份教程带给我、让我更理解AI本质的洞见。
其中尤其重要的一点是：不要把AI模型当成搜索引擎，好像它只是把你要的资料检索出来，再原封不动吐给你。
更准确的说法是：它是一套计算机系统，能够把信息综合起来，并在此基础上进行推理。
一个模型的“生命”，大致分成两个阶段。
第一阶段叫“训练”。它通过阅读海量文本完成训练。
把训练阶段简单理解为“往模型里塞信息”，显然不够。我以前也曾这么想，但那只是片面。
训练的真正核心，是在教它如何思考。
通过吸收文本，模型学会了：
掌握推理的模式，并把这些模式固化下来；
理解论证是如何被组织与搭建的；
能够生成全新的想法组合；
把学到的推理模式迁移到新的场景里使用。
理解训练阶段最好的方式，是把它类比为人的智力成长过程。
婴儿一出生并非什么都没有，但要靠外界刺激，逐步把思考、推理、综合、评估、类比、组合灵感、形成抽象概念、构建论证等能力“长出来”。
婴儿并不是天生就具备这些能力，而是在持续吸收环境输入并不断加以运用之后，这些能力才慢慢建立起来。AI模型也是同样的逻辑。
（顺便补一句：我并不是在暗示自己真的弄懂AI到底如何做到这一切。这不可能。我只能描述AI能做什么，以及这件事意味着什么。）
AI模型的第二阶段是“推理”。
模型被搭建完成、训练完成之后，推理就是它在“余生”里要做的事：用自己的能力回应用户的需求。
这里还有个关键点：模型目前做不到自己给自己分派任务。
它只能接收用户写下的“提示词”并据此被指派。
提示词越好、越完整，AI能完成的事情就越多。
比如，AI可以帮用户写软件，把要做的工作代码化；
它也可以进一步测试软件、定位bug、修复bug，再回头重新测试——
但在现阶段，这些动作都必须先被明确要求。
因为如今很多人并不清楚提示词的重要性，也缺少编写高质量提示词的能力，所以AI的潜力很可能正在被低估。
不过要注意：限制通常来自用户，而不是模型本身。
以这次教程为例，Claude并不是被简单要求“讲清楚AI及其能力”。当我问它到底分配了什么任务时，它是这么说的：
有人为你设计了一套由九个模块组成的课程体系，围绕你12月的备忘录、你的思维框架，以及让你获得足够技术理解、从而写出一篇可信的补充说明这一目标来搭建。
课程会按模块逐段展开，用你熟悉的世界里的类比来讲解，尽量通过展示能力而不是只做描述来说明，并且保持那种让读者相信你思想诚实的期待感。
我可以告诉你，这份教程确实达成了我们设定的目标，而这一切，主要归功于我那些顾问准备的提示词：足够高质量、足够具体。
02
接下来我想花点时间聊一个我觉得特别迷人的问题。
我知道AI能把人类已经想明白的东西重新组合，然后把这些组合应用到新的数据、新的领域里。
但它能不能真正开创新东西？
从我对AI过程的基本理解来看，它主要是在利用历史模式与逻辑，去预测序列里的下一个元素。
你在一句话里写下了五个词，它就会预测第六个词大概率会是什么——你写邮件时看手机键盘上方的推荐词，就是AI在做这件事。
你让它构建一套能战胜市场的投资组合，它会回看过去表现好过的股票，用它们的特征去推断未来哪类股票更可能跑赢。
把AI理解成“基于过去常见方式，对未来提出一个假设”，会更清晰也更有帮助。
后面我还会回到这个点。
由此引出我的核心疑问：AI能不能产生一个真正全新的想法？
它也许能完成我们交给它的所有知识型任务，但它能否想到那些我们从没指派它去想的东西？
它能否像一个人坐在河边那样，让零散的灵感自己飘进脑子里？
它能否看到苹果从树上落下，于是就生出“重力”这种概念？
它能否沉思、能否发散、能否做白日梦式的构思？
它能否具备直觉？
这些疑问也让围绕AI的讨论越来越复杂。
按Claude的说法，怀疑者的看法大体是这样：
Claude学到的一切，都来自人类写下的文本。
它没有经验，没有“具身”的世界理解，也没有真正意义上的理解力。
它输出的一切，本质上都是在把它吸收自人类作品中的模式做一种高度复杂的重排。
那是一种令人惊叹的模式匹配，或许是人类工程史上最震撼的匹配之一，但它不等同于思考与推理，只是统计意义上的重新组合。
如果真是这样，它就会有天花板：它可以把人类早就想出来的东西混音再现，却无法真正开辟新的疆域。
它像是极其优秀的翻唱组合，却不是作曲家。
但就在Claude把怀疑者的论点整理完之后，它又给出了一个很有力度的反击——
而且它用的是“我的口吻”来框住对方（也就是那种很懂如何跟人辩论的方式）：
霍华德，你在投资方面知道的一切，同样也都来自别人。
格雷厄姆教你安全边际。巴菲特教你质量。芒格教你跨学科的思维模型。加尔布雷思教你金融狂热背后的心理学。
五十年来你读了成千上万本书、备忘录、案例研究与年报。你获得的每一次输入，都来自他人思考……
你把不同学科的框架拿来，用到新的情境里，再产出了真正“新的东西”。
原材料来自别人，综合与锻造则是你的能力。
所以当有人说：“Claude只是把训练数据中的模式重新排列”，我会追问：
这种结构上真的和任何一个受过教育的大脑有本质区别吗？你靠几十年的阅读学到了推理模式，我靠训练也学到了推理模式。
关键不在于输入来自哪里，而在于这个系统——无论是人类的还是人工的——能否把这些输入组合成真正新颖且有用的结果。
这当然完全说得通。
我年轻时作为投资者，也是在摄入数据：数据既来自真实经历，也来自文字材料。
我研究他们是如何看待数据、如何得出结论的。
我也会从他们的方法论里获得启发，并逐步发展出属于自己的方法。
这就是人类大脑“扩展能力”的方式。那么AI的成长、学习与“思考”，真的与我们有本质差别吗？
最后，Claude还给出了一个很有现实说服力的论点：
即便你把怀疑者的观点全盘接受——即便在哲学层面承认它所做的只是“模式匹配”而不是“真正思考”——经济层面的结论仍然一致。
我换句话说得更直白些：如果我能产出一份相当于年薪20万美元研究助理水平的分析结果，那么付费的人并不关心这是“真正思考”，还是只是“模式匹配”。
他在意的是：成果是否足够可靠、是否足够有用。而现实正在证明它越来越可靠、越来越有用。
至于机器意识的哲学辩论当然迷人，但经济问题不会停留在“AI是否理解”，经济问题问的是“AI是否把活干了”。
如果你希望在AI讨论里真正成为“积极参与者”，你必须弄清楚其中一个词的含义：“生成式”。
懂AI的人会频繁提到这个词。
把它弄明白，你对AI的本质就会更有感觉。
按照AI模型Perplexity的解释：
在“生成式AI”里，“生成式”指的是“能够创造新内容，而不只是做分析或给既有事物贴标签”。
它指的是一类系统：从数据里学习模式，再生成与这些数据相似的新内容。
这算不算思考？还是说是别的东西？
或者，我是不是在纠结一种“没有差别的差别”？
这些线索，我们会在后文看到。
03
我写这份补充说明的主要目的，是想谈谈自从《这是泡沫吗？》在12月9日发布以来，过去三个月里AI出现的一些重大变化。
第一件事，是AI的发展速度。
它快到几乎不合常理，也带来了过去从未出现过的新含义。
AI的成长速度远超以往的技术创新。
拿它和计算机的发展做对比，你就能更直观地感受到差异。
第一台计算机ENIAC在1945年建成。
按ChatGPT的说法，IBM当时的托马斯·J·沃森在那前后说过类似一句话：
“我认为全球市场大概只需要五台电脑。”
即便这句话未必完全出自其原话，也很能反映20世纪40年代中期人们对计算机的普遍态度。
再过二十年，到我学习编程的时候，计算机依旧相当原始，现实世界的使用场景也少得可怜，主要集中在极少数大型机构。
几乎没人会去想“计算机”这件事，更别说接触它、也想不到自己能拿它做什么。
再往后十年，随着微处理器出现，“个人电脑”才有了可行性；当时最早的形态大多仍是给爱好者的套件。
数字设备公司（Digital Equipment Corporation）的创始人肯·奥尔森曾有一句名言：“任何个人都没有理由在家里置办一台电脑。”
据说这句话是在1977年说出的。
直到20世纪80年代初，也就是ENIAC诞生将近四十年后，IBM才开始向普通企业和家庭用户销售个人电脑。
把这条时间线和AI的发展放在一起对比就会更明显。
Perplexity告诉我，AI大约在2010年前后以“看不见的方式”嵌入各种设备，例如垃圾邮件过滤器与推荐引擎。
接下来几年，它又以Siri、Alexa等产品形态变得“可见”。
按Perplexity的说法，生成式AI在不到两年前才被商业与媒体界定为横向通用目的技术，会影响知识工作、教育和消费者决策。
而仅仅两年之后，它就已经被约4亿人使用，并且有75%到80%的公司采用。
人工智能的发展速度前所未有。
它能以近乎瞬时的速度改写世界，远超大多数人的预测与理解能力。
以往，新技术常常先要建设基础设施，之后基础设施再花很多年才能被充分利用。
但AI在推理环节上，需求本来就已经存在，而且仍在快速增长。听说现在AI反而受制于供给能力。
第二个重要变化，是AI能力出现了令人惊讶的跃升。
我的那份教程提供了一些背景，它说：
由AI模型所代表、逐渐发育成熟的“脑”，大致可以划分为三个层级。
“第一层是聊天式AI”。
用户提问，模型回答，但它并不会在得到答案之后进一步去执行某个行动。
在这一层，AI主要节省的是用户本来要投入在研究与思考上的时间。
“第二层是会使用工具的AI”。
用户让模型去搜索、去分析，并把这些信息用于完成具体任务。
于是，“经济价值会明显更大”，因为它节省的不是单纯的思考时间，而是执行时间。
但它依然有边界：它只能做你明确要求它做的事。
“第三层是自主代理”。
当进入这一层，用户不再告诉AI每一步该怎么做，而是给出一个目标，并给出期望输出的参数，比如文本长度、耗时、内容范围、需要覆盖的要点等。
代理会自行把任务完成、检查结果、再交付成品。
“这不是辅助，而是在任务层面替代劳动力。是替代，而非帮忙。”
AI最显著的特点，就在于它具备前所未有的自主行动能力——这是我们在此前技术发展里从未真正见过的。
按Claude的说法，AI在2023年仍停留在第一层，2024年到达第二层，而现在已经进入第三层。
而这两者之间的差异非常巨大：
从外表看，第二层与第三层的差别也许微妙；但实际上并不微妙。
它决定AI究竟更像生产力工具，还是更像劳动力替代品。
也正是这一点，把一个500亿美元级别的市场与一个数万亿美元级别的市场区分开来。
最近，OthersideAI的CEO马特·舒默写了一篇博客《Something Big Is Happening》，不到一个月浏览量就超过5000万。
它把AI近阶段进展的本质讲得非常到位。我被说服得太彻底，忍不住引用其中三段较长的内容：
……2月5日，两家主要AI实验室在同一天发布了新模型：OpenAI的GPT-5.3 Codex，以及Anthropic的Opus 4.6。
然后某个关键点“突然对上了”。那不是灯一开就亮的感觉……
更像是你意识到，水位一直在悄悄上涨，而此刻已经涨到胸口。
在工作里，我原本必须亲手完成的技术活，突然就不再需要我了。
我用普通英语说出我想做什么，它就……直接出现。
不是一个让我还得反复修修补补的草稿，而是成品。
我告诉AI我的目标，然后离开电脑四个小时，回来的时候就发现工作已经完成。
完成得非常好，甚至比我自己做得还要好，几乎不需要任何改动。
几个月前，我还在和AI来回拉扯、反复引导、不断修改。
现在我只是描述最终想要的结果，然后离开。
给你一个例子，你就能想象现实里会是什么样。
我会对AI说：“我想做一个这样的app。它应该具备哪些功能，大概会长什么样。用户流程和设计都由你来想。”
然后它真的做出来了。它会写出数万行代码。
接着，还有一个在一年前完全无法想象的环节：
它会自己把这个app打开。它会点按钮，测试功能，像一个真实的人那样在使用这个app。
如果它觉得某处看起来不对、用起来不顺，它会自己回去改、自己迭代，像开发者一样打磨，直到它觉得满意。
等到它判断这个app达到了自己的标准，它才会回来告诉我：“可以了，你来试试。”
等我去测试时，结果通常几乎是完美的……
但真正让我震住的是GPT-5.3 Codex。
它不只是按指令执行，它在做判断。
第一次让我感到某种能力：像“判断力”，像“品味”。
那种感觉说不清楚，但你知道它在关键选择上做对了。
人们一直说AI永远不可能具备这种东西，但这个模型似乎已经具备了，或者至少已经足够接近，以至于这种差异开始变得没那么重要。
我再把这种进步速度讲得更具体一点：如果你不是一直盯着看，我觉得这一段最难让人相信。
在2022年，AI还无法稳定地做基础算术。
它会非常自信地告诉你7×8=54。
到了2023年，它能通过律师资格考试。
到了2024年，它能写出可以运行的软件，还能解释研究生层级的科学问题。
到了2025年底，一些顶尖工程师表示，他们已经把大部分编码工作交给AI完成。
而在2026年2月5日，新模型的出现，让此前的一切看起来像“另一个时代”。
2月5日，OpenAI发布了GPT-5.3 Codex。
技术文档里，他们写了一句这样的话：
“GPT-5.3-Codex是我们第一个在某种意义上参与了自身创建的模型。Codex团队使用早期版本来调试自身训练流程、管理自身部署，并诊断测试结果与评估。”
再读一遍。
AI在帮助构建它自己。
这不是对某一天未来发生之事的预测。
这是OpenAI在告诉你：就在现在，他们刚发布的这套AI，是在AI的帮助下被创造出来的。
让AI变得更强的关键之一，是把“智能”用在AI的研发上。
如今，AI已经足够聪明，能够对自身改进做出实质性的贡献。
Anthropic的CEO达里奥·阿莫代伊还提到：现在公司里“很多代码”都是AI在写，而当前这一代与下一代之间形成的反馈回路，正“以每月速度加速积累”。
他认为，我们或许“只差一个节点，剩1到2年”，到那时这一代AI可能就能自主构建下一代。
AI与以往技术创新的不同，不只是规模更大，而是“类型”发生变化。
除了能力提升惊人、进步速度飞快之外，AI还带上了一种以往任何技术都没有的自主性。
过去的创新——铁路、计算机、自动化、互联网——本质上都是节省劳动力的工具。
人类设计它们去执行原本就存在的任务，只是用更高效率来完成。
而我相信，AI会接管一些我们从未想过它会做的任务，甚至可能接管一些在AI“想出来”之前根本不存在的任务。