AI投资的本质缺陷

“反过来想，总是反过来想。”——查理芒格

一、两种极端

近期，华尔街见闻发表了《伯克希尔与软银，必死一个》，揭示了投资界对AI认知的巨大鸿沟。

投资AI主要分为三类：第一类是互联网巨头，动用主业资金研发以避免被时代抛弃；第二类是孙正义，激进押注OpenAI等初创企业，甚至加杠杆博取暴利；第三类是巴菲特，对AI持怀疑态度，对当前热潮反应冷淡。

孙正义与巴菲特目前处于对立两端，谁对谁错，时间会给出答案。

但基于我对AI的理解，我更倾向于认为巴菲特是正确的。

二、AI的原理

想要决定是否投资AI，首要任务是理解其运作机制。

我将尝试用通俗的语言来解释，以便大家理解。

目前主流的AI主要指大模型。

大模型的核心在于建立词元之间的关联度。例如，数字“2008”与“北京奥运会”天然相连。

大模型的训练过程，实质上就是构建并存储这些关联度。推理时，我们输入代表问题的词元，模型通过匹配关联度，输出代表答案的词元。

之所以称为大模型，是因为需要建立词元间的一对一映射，参数极其庞大，参数越多，关联度描述越精准。

大模型保存的这种关联，某种程度上就是语言的逻辑。

语言本质上反映思维模式，因此训练出的大模型非常接近人类的思维模式。

以上即是大模型的基本原理。

三、AI的全貌

在实际应用中，落地AI大模型需要在硬件和软件层面付出大量努力。

硬件方面，涉及芯片、存储、供电、通信等。芯片提供算力加速训练与推理，存储保存数据与模型，供电应对并行计算的高能耗，通信提升数据传输效率。

软件层面分为训练和推理。训练需海量数据，推理则需对提示词进行前处理以优化模型表现，以及后处理将词元转化为实际输出。

当前AI仍在优化中，重点在于芯片迭代、数据提炼以及前/后处理的改进。

大模型架构本身方向变化不大，均基于Transformer微调，因此并非垄断性技术，质量差异是关键。

芯片主要决定训练和推理速度，是基础。

数据质量是决定模型表现的关键。

例如Anthropic的Claude表现优异，原因在于其团队配备了高级工程师筛选高质量编程数据。

值得一提的是，人类并未被淘汰，“有多少人工就有多少智能”依然成立，智能模型背后站着众多智能人类。

前/后处理也是当前竞争焦点，无论是Agent、Skill还是Claw，核心都是改进输出后的能力。

以上即是对AI全貌的概括。

四、AI生意的致命缺陷

AI大模型虽给生活工作带来便利，但我乐意接受，但从投资角度看，其商业模式未必理想。

从上述分析可知，模型质量与训练数据紧密相关。

数据并非一成不变，它是人类语言库及背后的知识库。

人类知识不断迭代，语言随之改变，甚至语言本身含义也在演变。

这点至关重要，值得展开。语言研究是现代哲学方向。维特根斯坦早年追求语言反映事实，晚年则转向语言如游戏般，规则随情境变化。

简言之，语言是动态的、分散的，随生活发展而变。

因此，人类知识迭代和语言动态的特性，决定了大模型必须定期重新训练，否则将被淘汰。

大模型面临的竞争不仅是其他模型，更是人类知识本身。

大模型训练需全面重训，意味着持续的成本支出。

这是AI生意的致命缺陷。

这是一种需要不断将利润投入下一次迭代的模式，是价值投资者极力避免的，因为它缺乏自由现金流。

五、巴菲特与航空业

这正如巴菲特对航空业的评价。

不断增长的诱惑，伴随不断支出的痛苦。

让我们回顾巴菲特对航空业的看法。

“航空公司为了留在游戏里，必须持续砸钱。不投钱立刻出局，投了钱回报依然极差。”

“从诞生到1992年，美国所有航空公司80年总利润为零。”

“自首飞以来，航空业对资本的需求永无止境。投资者被增长诱惑，倒进无底洞，本该敬而远之。”

“如果莱特兄弟试飞时我在场，我会阻止他们，以拯救后来的投资者。”

当然这是玩笑话。

飞机发明是壮举，AI大模型发明亦是。它们改变了生活，创造高薪岗位，是了不起的成就。

但站在投资角度，应看清：好的发明不代表好的商业模式或回报。

（完）

*以上内容仅供参考，不构成任何投资建议。