Daily Article

https://allinchamathjason.libsyn.com/naveen-rao-4d-computing-ais-energy-wall-beating-biology

六月一日，一顆晶片的設計被送進晶圓廠。等它回到實驗室，它已經會生成圖片，一張圖大約花 500 奈焦耳。旁邊放一顆 GPU 當對照，同樣一件事是毫焦耳等級；一奈焦耳是十的負九次方焦耳，差距是好幾個數量級。做出這顆晶片的人是 Naveen Rao，公司叫 Unconventional AI，他在 All-In 這一集裡第一次把這件事講出來。

All-In 的開場介紹把他定位成 AI 晶片新創 Unconventional AI 的共同創辦人兼執行長，也是一路把兩家深科技公司做出來又賣掉的人。他在台上自己補了一句更直白的：他正好是 AI 末日論的相反邊。他認為 AI 會是人類演化的下一步，而他想處理的是底下那層硬體。

一九七八年那台電腦

先從一台電腦講起。一九七八年，他家裡就有一台，那年他大概五、六歲。他學寫程式的理由很單純，覺得那像在解謎。後來他去念電機，一半原因是科幻小說看多了，一直想著要怎麼做出有智慧的機器。等到真的在業界造了一段時間的電腦，他又回學校拿了神經科學博士，動機還是同一件事：怎麼讓電腦變聰明。

創業那條線他講得很簡短。二○一四年，他創了 Nervana Systems，他說那是第一間 AI 晶片公司。那個時候 AI 還不是日常詞彙，要說服別人這件事重要都很難，更別說為它做硬體。他對這種處境的態度是：一樣東西被試過，不代表它就是錯的。後來他把公司賣給 Intel，現在回頭看，他覺得賣得太早；之後他在 Intel 帶 AI 團隊，二○二○年離開。

離開之後他去處理下一個問題：大型語言模型要怎麼變大，於是把 GPU 平台化，讓別人也能拿來訓練自己的模型。ChatGPT 在二○二二年問世之後，他們變成很多人自己做模型時最順手的選擇。這間公司是 MosaicML，二○二三年加入 Databricks，而這塊生意現在大約占 Databricks 總營收的四分之一。

Unconventional AI 要做的事，是回到第一原理，重新想一台電腦該怎麼運作。目標只有一個：把用電效率做上去。原本的時程是五年一千倍，他後來改成三年半，因為進展比預期快；連科學上的難題，都有一部分是靠 AI 更快解掉的。

一間公司一個月用掉 12 GW

他先用一間公司說明能源的尺度。Google 公開講過，他們一個月處理超過 3.2 quadrillion 個 token（3,200 兆），他自己說他平常根本不會用 quadrillion 這個量級。接著他挑了一個偏低的數字來算：如果每個 token 只吃 10 焦耳，乘出來是每個月 12 GW。

再往外擺一層：美國的資料中心今天大約用掉 40 GW，而美國大約是全球資料中心容量的一半，所以全世界加起來還不到 100 GW。其中 12 GW，來自一家公司的 AI 服務。他的估計是，照這個速度，大約三年就會把 AI 能用的電用完。

供給那一邊長得完全是另一個樣子。AI 市場在他口中是往上指數成長，他給的數字是二○三○年一兆美元，也許還更大；電力供給則是線性成長。中間那個缺口就是他要處理的問題，而且他認為只能用技術解決。

資料中心的規劃順序這幾年也換過好幾次。以前是先問有沒有樓地板面積，再來是網路設備，後來變成 GPU，今天排第一的是電。你得先拿到電力合約，再想辦法把它填滿。照這樣算，服務一個 token 的成本大約一半是電，另一半是硬體資本支出、空間這些。所以邏輯變得很簡單：每一瓦都要變現；而他們的商業假設，就是同樣一瓦能變現的倍數比現有硬體好上一千倍。

松鼠的大腦只要 8 毫瓦

人腦大約 20 瓦。猴子按神經元數量等比縮小，大約 1 瓦，跟你口袋裡的手機差不多。老鼠、蝙蝠是毫瓦級。松鼠的大腦是 8 毫瓦，而牠在樹枝之間跳，一千次裡對一千次。也就是說，一支手機的耗電可以塞進一百多顆松鼠的腦。生物做出來的東西很了不起，而且它用的物理基材本來就適合智慧。

他也引了一句他很喜歡的話：你不真的懂一件事，直到你能把它做出來。放在這裡的意思很清楚：人類已經很會做有智慧的系統，只是做得很浪費。

浪費幾乎都花在搬資訊。人類皮質裡有大約 130 億到 140 億個神經元，整個皮質對外的流量只有每秒 160 億位元。一顆高階 GPU 跟外部記憶體之間，每秒搬進搬出將近 30 兆位元；晶片內部的量還要再乘 10 到 100 倍。真正把能源吃掉的就是這件事。

從 ENIAC 到今天的伺服器

電腦的歷史拉長看是機械、類比、數位。一九三○、四○年代轉成數位之後，運作方式換過一次，然後就沒再換：記憶體在外面，計算在另一邊，位元來回搬。一九四五年那台 ENIAC 是為了算火砲彈道，賣點是比人算得快；今天賣電腦的邏輯也差不多，「我比你快兩倍」還是最好賣的一句話，能源效率很少進到那句話裡面。

後面幾十年的趨勢他也講得很清楚。電晶體數量一直往上，頻率跟單執行緒的成長先後停住，到現在連效率都不再靠縮小電晶體改善。Moore 定律大致結束，所以只剩重新想一次題目。

他覺得中間那些抽象層是可以省的。數位的 0 與 1 本身就是對物理世界的一層抽象：電晶體明明有中間狀態，是工程師硬把它壓成 0 和 1。上面的每一層抽象都是有損的，而損失最後都會變成能源。大腦裡沒有線性代數，沒有浮點運算，是神經元本身的物理長出智慧。他想做的，是把半導體物理的抽象直接接到神經網路上。

節拍器、鳥群、蟻群

大自然裡到處都是計算。鳥群裡每一隻鳥做的事很簡單，往左看、往右看、跟著旁邊那隻走，整體就長出漂亮的群飛。蟻群用很簡單的規則做出很聰明的事。這套學問叫動力系統理論，講的是簡單的局部行為怎麼生出集體行為；大腦也走這條路。

他給的例子是節拍器。把好幾台放在一塊可以前後滾動的板子上，它們會自己同步；每一台推板子一點點，就算起始的相位差了一點，最後還是會走到同一個相位。加到幾百台也一樣。他說可以想像更複雜的版本，比如一半同步、另一半用相反的相位同步。重點是這是一個只靠系統本身的耦合，就會自己走到某個狀態的物理系統。

問題於是變成：這種系統能不能拿來做運算，而且要用在生成式 AI 上。他們先放出一個叫 UNO 的模型，是用一群振盪器做出來的圖像生成模型，模擬過，也開源讓大家玩。那是第一次證明這種東西可以放大、可以訓練，也可以生出有用的東西。

他們拿來看它的工具叫狀態空間軌跡：把系統的狀態想成所有振盪器當下的相位，再看它隨時間怎麼跑。如果你把它條件在某一個輸出上，比如一張飛機、一台車、一隻鳥，它會走上不同的軌跡。台上放的圖，就是這個模型自己生出來的。

把連線丟掉，表現反而更好

在一個密集網路裡，N 個元素兩兩相連就是 N 平方條線。十個元素一百條，還行；一千個元素變一百萬條，這條路很難一直往上走。

他們的做法叫稀疏性：刻意丟掉一堆連線，然後看能不能把整個系統的行為救回來。結果不只是救回來。丟掉連線之後，行為可以更好，也更好訓練。理論上有一堆理由，而他們不只在模擬裡做到，在真實的物理系統上也做到。效率、可擴展性、效能三個同時變好，這種事很少見，他把它叫作聖杯等級的問題；問題被問了很久，關鍵是要用對的方式把它框起來。

第一台實體動力系統電腦

「這是第一台被做出來的實體動力系統電腦（dynamical computer），也是我第一次公開講。」Naveen Rao 說，公司一月才認真開始，當時連團隊都沒有，只先立了一個目標：今年要把第一個實體原型做出來。六月一日，設計送去下線；現在晶片回到實驗室，結果也拿到了。台上放的圖，是這種電腦生出來的第一批圖片。

它只會生圖嗎？他說序列建模、語言模型這類任務都可以做。真正有意思的是能耗：一張圖大約 500 奈焦耳，而一般 GPU 是毫焦耳等級，差了好幾個數量級。原因就是它不搬資訊。

這裡的對照組是 von Neumann 架構。CPU 到 GPU 是一路變得更平行，但記憶體與計算還是分開的，資訊還是要來回搬。他們做的動力系統電腦把計算與記憶體放在同一個東西裡：沒有記憶體介面，每一個運算元件自己就是記憶體。他給這種做法取的名字是 4D computing：三維是物理上的堆疊與平面佈局，第四維是時間與動態。

熱力學極限，與打敗生物

效率好一千倍之後會發生什麼？他說真正要最佳化的是「每一瓦能換到多少智慧」。這個量有一個熱力學極限，誰都超不過去；哺乳類的大腦離那個極限大約還有一到兩個數量級。今天的電腦離極限是十的十次方倍，也就是一百億倍。他們的估計是三年半可以碰到 2D 微影的極限，而公司的總目標是打敗生物。

畫面他也講得很具體：從好幾 GW 的大型資料中心，變成很多散在各處的小型資料中心。他覺得這是好事，對環境比較好，也更在地、更能適應。十年左右的尺度上，他要的是到處都有算力，包括新的機器人形態，甚至幾十億台機器人動態地組起來，解決現實世界的問題。

市場那一頭他用傑文斯悖論收：當一樣東西的底層成本掉下來，用量會增加得比價格掉得更多。價格砍半，用量增加超過兩倍；價格掉到千分之一，用量增加超過一千倍。所以他說，這會是人類有史以來最大的市場。

兩年後是一整櫃機器

演講結束後主持人問的第一件事是生態系：這種東西要真的落到某個人手上，旁邊還需要晶圓廠、封裝廠一整排人，路有多長？同一個活動上，Jensen 稍早才上台講過話，這個問題在現場聽起來特別有畫面。

他的答案很直接：兩年內做到完整產品。產品是什麼？一整櫃機器，一個系統，在上面跑模型，對外就是一條網路線，token 進、token 出；裡面的東西跟現有電腦完全不同。

第二個問題是既有模型怎麼辦。主持人提到世界花了很多年在 KV cache 這類東西上，整個生態都繞著那些抽象打轉。Naveen Rao 的說法是一條滑動的尺：一樣東西比別人好多少，決定了大家願意忍受多少搬家的痛苦。他選的策略是把效率做到讓人非搬不可。搬的地方在模型層，運算層不用動，所以現有的模型可以用；但轉換本身要花掉不少算力。

主持人接著拿 MATLAB 當比喻，問有沒有類似的東西。他說可以這樣理解，但實作起來不是 MATLAB，是一連串隨時間變化的行為；每一個時間步都可以看成「現在的狀態乘上一個轉移矩陣」。

最後問到人。做這種題目的是哪些人？他說一邊是理論的人，動力系統理論已經累積一百年；另一邊是真的在做晶片的人，而這兩群人平常不講話。把他們兜在一起、讓大家協力做同一個東西，是這家公司最難的事之一。中間的橋是一組 Python 函式庫，某種程度上像 GPU 世界的 CUDA：讓人可以表達隨時間變化、帶隨機性的元素。

把整場演講收成一句：AI 接下來最硬的瓶頸是瓦數，而瓦數不太可能在 von Neumann 的架構裡被解掉。對不在晶片業的人來說，有兩個觀察可以帶走。一個是估成長的姿勢要換：模型多強之外，每一瓦能換到多少智慧更值得看，因為成本曲線往下掉的速度，會決定用量往上衝的幅度。另一個是時間點：這台機器六月才回到實驗室，一張圖 500 奈焦耳；離可以插電、接上網路線的整櫃產品，他自己給的答案是兩年。

Rao 押的是這條曲線掉得夠快。這顆六月才回到實驗室的晶片，是他到目前為止唯一拿得出來的回應。

微軟要把已經終止營運的三哩島核電廠重新叫醒；Google、Amazon、Meta 各自在能源市場上卡位。再生能源搶不夠，接著搶核電廠，核電廠的約簽得差不多了，現在連鍋爐、電池這一類東西都在搶。國威在節目開場把這個畫面攤開：AI 的發展持續加速，把大家推到一個一開始沒有預料到的地方，能源不夠了。而能源正是這些資料中心能不能運轉的最底層條件。

核融合在過去幾十年是一句冷笑話，永遠再等三十年。這個局面最近鬆動了：一批新公司跳進來，時程也講得越來越具體。這一集不談深奧的量子物理，談的是供應鏈與製造。

來賓 Jim 以前是 Web3 新創的 CTO，現在整個人栽進核融合硬體的最底層，創辦了 Holonomy Systems。他一開場就給了一個很硬的說法：核融合的決戰點不在美國或中國的國家實驗室裡，而在台灣的半導體代工廠裡。他的另一個數字更直接：物理的瓶頸只是個位數的倍數，製造的瓶頸是五萬倍。

第一關不是能不能發電，是插頭插進去划不划得來

Jim 把整條路拆成連環五問。第一問是點火（ignition），也就是溫度、壓力與各種條件，到底有沒有達到 fusion 反應需要的環境。他的判斷是點火是真的，物理已經成功，現在唯一困住它的是工程與製造，是商用化這整段歷程。

第二問是增益（gain），輸出與輸入的比值，也就是大家常說的 Q 值。他提醒 Q 值有不同的定義方式，大致分 Q science 跟 Q engineering。新聞上看到「Q 大於一」、「Q 大於五」，很多時候分母、分子都不一樣，測的是當下物理創造出多少能量；那個能量要經過好幾層轉換，最後能不能變成插座上可以用的電，是另一件事。真正要談商用化，看的是 Q engineering，也就是插頭插進去多少電、插座出來多少電。這是工程問題，是把整場系統效率全部考慮進去之後，連差一兩個百分點都要榨乾的狀態。

國威補上美國國家點火實驗室（NIF）的例子：二零二二年達成自己聲稱的 Q science 大於一，到今天也沒有人會說那是商業上可行的方案。Jim 給的數字是，NIF 從 Q 大約一到二，爬到二零二五年實驗結果的 Q 等於四。他認為 Q science 的進展遵循 scaling law，把三重積（triple product）當北極星指標畫出來的曲線，每隔幾年就會往上攀一個量級，跟摩爾定律的形狀很像。順著這條曲線外推，二零二七年會走到哪裡，就出現各種預測，最激進的說法是每兩年翻一倍，Q gain 等於十都有可能。

他補了一句關鍵的話：在攻克工程難題的時候，知道「做得到」這件事本身，比「怎麼做到」還重要。

一天只能打一發的雷射，因為閃光燈只有百分之一被吸收

再往下一問是「有沒有造出來」。Jim 說，把一座電廠該扣的東西全部扣一扣，最後還要真的能發出淨電。核融合有兩條主流路線，磁約束是把電漿關在甜甜圈形狀的磁場裡，難度等於要把一顆太陽困住；慣性約束（ICF）則是用很多道雷射去轟炸一顆燃料靶丸。國威把問題往前推：NIF 二零二二年那一次成功，到今天也沒有直接變成商轉。

Jim 說，用災難去形容那個落差有點危言聳聽，他寧可叫它鴻溝。這個鴻溝的存在，反而證明這是一個值得大家去攻克的問題。

NIF 一開始不是為了發電。這座雷射設施在一九九零年代甚至更早就在規劃，掛在 Lawrence Livermore 國家實驗室底下，那個實驗室做的是核武器的研發、設計與測試。微型核爆的原理跟引爆一顆氫彈一樣，只是壓力源不同；既然不可能隨時在實驗室裡引爆氫彈，又想要快速迭代，就得做出微型核爆，而沒有什麼東西比雷射能量更高、更精確。所以 NIF 從一開始就帶著國家研發的色彩，試了將近二十年才做出點火。

真正拖住它的，是驅動雷射的泵浦。NIF 目前用的是閃光燈，好處是便宜、可以低價大量製造，缺點是發出的光頻譜太廣。gain medium 這種材料很嬌貴，只吸收其中一小部分的波長，其他波長吸收不了的就變成熱，散熱做不好，於是 NIF 一天只能打一發。Jim 給的數字是：閃光燈只有百分之一被吸收。

下一步的技術叫二極體泵浦（diode pump）。雷射二極體發的是單色光，可以直接對準晶體要的波長，光對光效率非常好。這一輪不管是 NIF 本身，或這兩三年冒出來的 ICF 新創，技術方向全部壓在 diode pump 上。Holonomy 做的就是這套系統裡的固態雷射，全名是二極體泵浦固態雷射（DPSSL），像一個放大器：先在別的地方充能、pump，最後再把它一次 pump 出來。

國威於是追問：既然痛點這麼明顯，一天只能打一發，為什麼奇異、西門子這些有資源做規模化工程的能源與重工巨頭沒有去解？為什麼輪到新創？

鴻溝不在真空腔裡，在真空腔外面那一圈

Jim 先把鴻溝的內容一條一條列出來，他的說法是，這裡面卡住的每一項都不是為了 fusion 而生，所以過去幾十年沒有人為它設計過。

雷射本身要怎麼做、效率多高，是第一項。靶丸怎麼製造、精度怎麼做，是第二項。核爆發生在腔體裡，腔體要怎麼遮蔽輻射、中子怎麼處理，是第三項。他特別點名中子很麻煩，中子無法被磁場捕捉，只能靠金屬壁去承受，所以反應器壁面的強度要能撐過高能中子的轟擊。

燃料的循環是另一項，而且目前極度稀缺。他在這裡解釋了增殖（breeding）這個聽起來很酷的詞：在壁面外面用熔鹽，熔鹽裡面有鋰，鋰的同位素跟中子反應之後，會產生更多的氚跟氘。也就是說，只要能把核反應搞定，它自己會持續生成未來的燃料，你只需要克服最初始那一批啟動燃料的數量。

慣性約束還有一個獨特的問題。靶丸噴射出來、雷射對準聚焦、然後轟擊，那請問發射系統是什麼？Jim 說那其實就是高速彈丸彈射加上視覺追蹤，國威立刻接上：所以這個技術是不是跟曝光機有關。Jim 也直接說，關鍵在於重複率剛好坐在一個臨界點上，頻率以下要做出 net positive 很困難。十赫茲這個數字，是十幾年前、大約二零一零年前後由 Lawrence Livermore 推出來的：他們先去想一座核電廠的經濟應該長什麼樣子、效率要達到多少才是民生可用，各種條件算完之後得到這個數。如果靶丸的製造產能夠、追蹤系統夠強韌，十幾赫茲、二十赫茲，甚至千赫茲，都是可達的目標。

至於 ICF 的光學，他講得更直白：人類歷史上沒有做過任何以抵抗這麼高強度輻射與高能中子為目標設計的光學元件。而這些看起來全部是工程題，不是物理題。他說，你能說出這個鴻溝本身，就證明了它跨得過去；真正麻煩的問題，通常是你還看不到的那些。

為什麼不是奇異、西門子，而是一間新創

Jim 承認大公司不是沒有動。General Atomics 最有名的是掠奪者無人機，後來轉型成專接國防生意、跟國家掛鉤比較深的複合體，它底下有一座 fusion 反應器叫 DIII-D。前面提到那些腔體物理、每秒十次的節奏、靶丸清理，他們都在做，甚至還成立聯盟，拉著下面的人一起做。

他的分界線在底層邏輯。大公司通常是因為有一份很巨大的合約、有案主委託，才去做這個概念，不是願景驅動，也不是市場驅動，而是大案分發下來，所以我去做。新創不同，新創本質上就是要從最底層去顛覆大公司做事的方式。有了 AI 之後，最稀缺的資源反而是創始團隊、也就是解決問題團隊的專注力；新創沒有那種冗餘的放大過程，也還沒有大合約，所以只能全力灌注去解決一個效率問題。他認為真正分出高下的，還是對未來市場的洞察。

國威接著把鏡頭轉到 Jim 自己身上：你過去在做 Web3、做軟體，軟體的世界習慣小步快跑、快速失敗、一個禮拜迭代，現在 AI 出來之後一天改版三次都不稀奇；但硬體不一樣，開一個模、測一次光學元件，半年跑不掉。這樣的背景，在解決這種硬派物理行得通嗎。

Jim 先回頭補了一個他覺得講得不夠精確的地方。大對小、快對慢這個框架成立，但新創跟大公司還有一個本質上的差異，除了解決問題的專注度，還有選擇戰場的能力。他說自己從 Peter Thiel 的《從零到一》學到、也應用在這次創業上最重要的一點：選一個你能壟斷的戰場。新創贏大公司，通常不是因為大公司沒有資源或執行力，而是新創選對了一個被忽視、未來卻會放大、會有飛輪或複利效應的東西。

至於他為什麼敢碰這個題目，他給了兩個線索。一個是他在做軟體之前，念的是清大工科系，工科系是以前的核工系。他不敢說當年的訓練能直接貢獻到現在做的事，但那個背景珍貴的地方在於，他不會害怕去碰物理，而且可以用軟體的思維，從局外的角度重新去看一個已經發展了二、三十年的東西。另一個線索是他的自我定位：一個 AI native 的 deep tech founder，一開始就是一個人、一台筆電、一個 AI，他覺得如何剖析一個問題的過程，可能比結論對觀眾更有價值。

選 ICF，因為它從誕生那天就是 dual use

他先把決定 fusion 這一局的前情交代清楚。最近五年最關鍵的技術突破來自 CFS（Commonwealth Fusion Systems），這家二零一七年從 MIT 分出來的公司，靠高溫超導的突破，把原本要兩、三層樓高的超導磁鐵做小了。Jim 的判斷是，在 AI 加速科學研究的紅利之下，一些原本被 block 住的場景開始變得觸手可及。

接著是選路線。以 deep tech 走長線的邏輯，應該選一個比較能夠去風險化的東西，他選了慣性約束。理由不是它比較簡單，而是它從誕生之初就是 dual use 的技術：那套雷射除了照靶丸，還可以照其他東西，比如無人機來了把它打下來。它的每一項技術都不是單純為了 fusion 而生，只是剛好被擺在 fusion 這個位置上。所以就算二十年後 fusion 的夢還沒成真，這套技術還是可以造福很多其他東西。國威補了一句：或者說它要二十年才能成真，但過程當中會有很多場景可以讓它磨練。Jim 說沒錯，這就是灘頭堡的邏輯。

他挑市場看兩件事，一個是毛利率，一個是客戶要的規格；通常規格越高、毛利越高，這兩個有點相輔相成。選定 ICF 之後，他用 AI 做大量文獻搜尋與回顧，去剖析 ICF 的供應鏈、也就是他所說的 enabling technology 到底卡在哪裡，結論就落在 diode pump 的二極體產能不夠、效率不夠好、不夠便宜。

接著他把問題轉回台灣：那台灣可以解決這件事嗎。台灣做晶片，過去也做很多主機板出口；主機板就是把別人的晶片買來、放在一起、做封裝。光子學要做的這個泵浦領域，可不可以照同樣的模式走？他後來發現行不通，因為這個產業還沒有大到可以養活中間那些整合者。於是他往更底層的元件去攻。

泵浦畢竟還是雷射半導體。他發現這裡面有兩種架構，而雷射本身有不同的 generation。現在大型採購在用的主流全部是第一代，也就是邊射型雷射（EEL），光通訊在用，最近 AI 的光通訊、光互連，大家投資的也都是 edge emitter。後面還有第二代跟第三代，也就是面射型雷射，沒有人看。沒有需求是第一個原因，從來沒有一個像 fusion 這麼巨大的市場驅使他們去做工程突破；第二個原因是那些 incumbent 已經把原本的客戶服務得好好的。他押的，就是這個台灣有機會、而且被大家忽視、技術上升潛力更大的方向。

有人做過嗎。十幾年前有一個美國團隊試過，美國甚至二十年前就發過專利，可是找不到便宜又可靠的代工廠幫他 fab，所以有人想過、有人發了 IP，就是沒有人做得出來。Jim 說這不是物理問題，而是三個問題的交織：你要有足夠的資本，要有耐心花五、六年去壓一個未來才會用到的東西，還要有製造經驗。十幾年前這三個條件都不成熟；現在台灣有製造經驗，缺的是資本跟耐心，而這兩件事，恰恰是一個有願景的 founder 可以帶進來的。

他的第一性原理推演很簡單：我要怎麼加速迭代？我生在一個全世界生產半導體最密集的島嶼上，我就坐在這個生態的旁邊，那我一定也能做到。國威補了一句：這幾年世界各國湧入台灣設生產中心、製造中心、研發中心，就是為了這個全世界最強的半導體與電子業製造實力，沒道理我們自己不利用。

Jim 說他這幾個月跟上下游聊下來，能力都有，缺的是願景、缺的是市場。台灣的代工終究是接單模式，客戶的需求就是我的需求，至於客戶為什麼有這個需求，他們不會去追問。他的角色就是去告訴他們：這裡有一個超級龐大的市場，fusion，甚至 fusion 以外的沿途市場，可能是太空、國防、能源，這是一件十年內會發生的事，大家一起來追。所以現在缺的是把這些製造能量連結起來、跑成一個迴圈，而這件事跟軟體經驗有很大的關係，因為很多時候你都在對接各種不同的資訊，而迭代常常不是卡在 fab 的速度，是卡在 fab 跟其他人之間的那些溝通。

台灣手上有什麼：四分之三的化合物半導體代工，跟一組一百二十瓦的陣列

國威把台灣這一側的牌面攤給他看。光電技術、特別是三五族化合物半導體的代工，台灣有穩懋、宏捷科這樣的公司；台灣代工廠合計生產了全球大約四分之三的外包化合物半導體晶片。學術端，陽明交大盧廷昌教授的團隊在面射型雷射的學術發表量全球排名前三，也和穩懋一起展示過超過一百二十瓦的高功率面射型雷射陣列。他接著問了一個聽起來有點刺的問題：會不會到最後，台灣又是在幫美國、歐洲這些核融合企業做高階發光二極體的代工？我們有沒有可能在未來取得某種程度的主導權？

Jim 的回應分成兩段。他先說，回答這個問題的時候，他已經不是以 Holonomy founder 的角度在回答了。國威的問法裡預設了一個立場，好像代工一定不好、一定毛利低，他想提另一個想法：代工其實是一種選擇，是商業模式上對你最優的解。台積電可不可以變成垂直整合廠？它完全可以，它掌握了先進製程，要變成三星那樣的 vertical integration 也可以。它為什麼不要？因為它很清楚，一旦變成垂直整合，就會侵蝕自己的利潤，因為你跟客戶之間就沒有信任了。客戶之所以相信台積電，就是因為相信台積電不會跟他競爭。代工從結果看毛利確實沒有終端來得高，但它本身就是一門成功的生意，至少在先進封裝這一塊是。

回到光子學、半導體這一塊會不會淪為代工。他說，現在這個階段要判斷能不能找到代工的第二條出口，有點早；但他認為自己往高價值、高階應用走的方向很有機會，原因是它是空白的，目前沒有任何一個人真的在百分之百朝這個方向衝刺。大多數人是拿著錘子找釘子，已經有什麼技術就到處 fit 看看，fit 的地方當然已經站著一堆 incumbent，你憑什麼競爭。所以他看的從來不是那些已經被佔領的紅海，而是那些功率還達不到、根本還到不了的地方。

他舉了兩個中國公司的例子，說明就算在快商品化的戰場，初期的產品定位與戰略選擇還是可以開出市場。大疆瞄準的是高階攝影玩家：那群人的痛點很具體，自己買一台 drone、再買一台攝影機、想辦法跟雲台弄在一起，不只造價高昂，還做不好。別人沒有想到這個方向，大疆選對了群體，從那裡往上打，最後打敗曾經的運動相機巨頭 GoPro。宇樹也不是第一家公司，Jim 唸書時代的明星是 Boston Dynamics，後來被現代收購、變成完全控股，在他眼裡有點像巨星的隕落。宇樹切的是實驗室裡做科研的科學家與研究團隊，他們最苦的是手上有一堆控制理論，卻找不到一個平台可以 demo、可以測試。而且機器人這個產業跟雷射、光子學很像，都是上下游垂直整合很嚴重、供應鏈關係複雜的地方，要切入必須有大招，而這個大招通常越靠上游越能守住護城河；宇樹選的題目是致動器，就是馬達關節要怎麼動、精準角度怎麼控制，要解決散熱、控制、能源效率。Jim 說他看到這個例子時眼睛為之一亮，這不就是 Holonomy 切入的角度嗎。他們不只選對市場，還壓對技術。

所以回到能不能脫離代工，他的答案還是兩個條件：你壓住的技術有沒有上行空間，以及商業化之後造價能不能便宜到極致；再加上你初期的灘頭堡怎麼切。這兩件事執行得好，或許可以脫離代工；執行不好，代工反而變成一個低風險的選項，至少還有代工的實力。

光子磚：先賣國防，再賣工業，最後才是電廠

國威接著介紹 Holonomy 的商業模式：同一個雷射模組，這個叫 Photon Brick、光子磚的架構，可以在不同階段賣給不同市場。第一階段成本一定比較高，所以先賣國防產業，因為它可以接受溢價，用來做高能雷射武器或反無人機系統；第二階段成本再降一階，賣給工業加工，做雷射焊接、除鏽；第三階段成本砍到白菜價，才能真正供應給核融合的商業電廠。他問 Jim，這聽起來很精明，聽起來也蠻冷酷：你要先從販賣軍火開始，用販賣軍火賺到的錢來補貼未來的能源夢想，是這個意思嗎。

Jim 先講前提：不一定非得是國防，只是國防剛好落到灘頭堡的特性裡面，小眾、付費意願高、毛利高，而且比較有耐心陪著公司一起成長。他也修正了「Photon Brick 就是我要造的東西」這個印象，用 SpaceX 來 echo：馬斯克他們做的不是火星公司，他們賣的是把物質送到太空的能力，北極星是每單位質量的發射成本，那是一個平台。他在做的是半導體雷射晶片，賣的是用光把能量投射到物質上的核心能力，這個能力會依照需求場景不同而有不同的功率需求。從光互連需要的毫瓦等級，到數十瓦、到千瓦等級，是一條爬坡曲線。為什麼上面那些沒有人討論？因為人類還做不到這個技術，甚至不曾想過，如果有一天能把光子遠距離投射能量的能力做上去，會開啟什麼東西。他說這是 Holonomy 的賭注。

用這條功率階梯回頭歸納，前面的市場就全部想通了：國防要的是數十、數百瓦等級的遠距離投射，核融合要的是千瓦等級，光通訊要的是毫瓦等級。國威問其他應用場景，Jim 拋了兩個。一個是太空之間的通訊，也就是 free space optical，衛星跟衛星之間用光來通訊，那光源從哪裡來？現在大部分用光纖或邊射型雷射，他這次在半導體會議上就遇到兩三組團隊，開始要用第二代、第三代的技術取代它，這個市場未來三到五年會商業化。另一個比較像思想實驗：如果把太陽能板發射到太空，把光轉換成電之後，再用雷射把電打回地球，可不可以？他說效率真的比較好，因為太陽能板的吸收效率之所以只有二、三十趴，原因是進來的光都是散射光、光譜很廣；如果你很確定進來的光是單一波長，目前效率最高可以做到六十趴。

核分裂是兄弟，也是最大的對手

國威把最後一個問題放在市場上。前面幾問都過關之後，還有一問是能不能付得起：Jim 說，最後要算的是 LCOE，也就是每一瓦電到底要多少成本；而核融合最大的競爭對手，其實就是它的兄弟核分裂。第四代核能、小型模組化反應爐（SMR）很可能在未來五年內越來越成熟，而且核分裂現在本來就在運轉，要解決的物理難關也比較少。有沒有可能核融合就這樣錯失了這個歷史性的資金視窗？

Jim 把邏輯拆成幾層。第一層是這一波核融合新創之所以能在最近三、五年蓬勃募資與活動，很大一部分當然是 AI 能源瓶頸的共識，但他認為真正最大的原因是二零二二年 NIF 點火成功的那個 demo，是它帶來了投資潮。第二層是房間裡的大象：地緣政治。他在美國這一趟觀察到的結論是，基本上每一個只要美國官員在場的會議，他們都一定會提到中國，中國現在開始做這個做那個，所以他們要快馬加鞭，趕快撥一筆款項，把錢給到科學家手上，趕快做出來。第三層是明星的存在，二零一七年那群科學家創辦 CFS，高溫超導磁鐵被突破。

他順著磁鐵多延伸了一個話題：高溫超導磁鐵關鍵的瓶頸在稀土，而現在大約百分之九十的稀土來自中國，美國那群人因此緊張起來，發現自己的供應鏈很脆弱。所以有些投資邏輯外溢到關鍵技術周邊的產業，像是美國專門做不依賴中國稀土來源的磁鐵新創，就獲得很大的關注。

至於核分裂，他認為它的瓶頸在燃料與原料本身，那是一個受高度監管、而且不是美國一家想改就改得了的東西。他用金融新創比喻：為什麼總是只有少數人可以做金融新創？因為那些人本身就有 connection，他知道監管應該往哪邊走。所以這個產業從下而上迭代的能量從根本上就受限，制度不允許它那樣做，它有門檻。SMR 短期會不會取代、會不會是大家的首選，那是一回事；SMR 迭代得夠不夠快，是第一個問題。他在美國也遇到很多做 SMR、做核分裂的人，他問他們現在遇到什麼問題、為什麼賣不出去，答案是拿不到 NNSA 的許可；沒有許可，你蓋不了電廠，也沒有辦法突破技術。這就好像為什麼會有人說，現在在太空鋪太陽能板比在地球便宜方便，因為地球的監管太複雜了。

所以 fusion 有一個紅利，因為它是一片 white space；就算今天 SMR 可以取得一部分 AI 留下來的空缺，長久來看，他們的賭注是 fusion 這個產業的紅利跟迭代速度。如果未來五年可以一直持續不斷 demo 一些 milestone，他覺得這個平衡就會被打破，後面還是很多大有可為的機會。

無限電力之後，我們會因為什麼感到匱乏

國威在收尾時把 fusion 的位置放回它該有的高度。它是能源的聖盃：如果 fusion 解決了，環境的破壞、污染、一大部分的需求都被解決，人類太空時代的能源問題可能被解決，甚至社會財富、貧富不均、糧食問題都可能被解決。但他也老實說，社會事實沒有那麼簡單，而 Holonomy 現在還是一家新創。

他提醒觀眾不要輕視任何一家新創。僅僅三、五年前，現在要上市的 Anthropic 或 OpenAI，都還是名不見經傳的公司，現在都是兆元美元市值的公司；而台灣自己就活在現在這個世界裡面。這一集裡最值得帶走的那條線，是 Jim 那句聽起來很違反直覺的話：卡住核融合的不是物理，是製造。台灣缺的資本跟耐心，十幾年前還不成熟，今天的製造經驗已經到位；能不能把這個缺口補起來，大概就是這一輪 fusion 賭注真正的內容。國威最後把問題留在半空中：假設我們真的奔到那個時候，那時我們會因為什麼感到匱乏？會因為什麼感到焦慮？那是一個無限供電、無限算力的世界，要拿什麼來填滿，就留待下一次的思想實驗室。

Paul Christiano 在 IPAM（UCLA）這場演講開門見山：他要談的是一道數學問題，而且他相信這道題對「對齊並控制 AI」極其重要。他說自己職業生涯幾乎都在做這件事，請聽眾先給他一點信用，接受這是個值得投入的數學問題，理由留到後面再談。同場稍早的講者 Jacob 講了同一個主題的一個具體例子，他要補上的是另一塊：機制式估計（mechanistic estimation）怎麼定義、有哪些猜想、以及為什麼他認為這個取徑有機會規模化。他也提到，這種估計還有人叫它演繹估計、因果估計或解析估計，而這個想法對大多數在做研究的數學家來說其實很日常。

三個例子：同一個問題，兩條路

第一個例子在數論。隨機挑一個整數，問它是不是孿生質數，也就是問 n 與 n+2 是不是同時為質數。你可以跑一堆隨機樣本，用經驗比例回答。你也可以先證明整數裡大約有多少比例是質數，再假設 n 與 n+2 的質數性互相獨立，算出一個答案，然後逐一檢查哪些機制會讓這個獨立假設失準：對 2 的整除性會讓兩者正相關，更大的質數則帶來反相關，而比較小的數本來就比較容易是質數，這又會再引入一層相關。每一項修正都可以繼續往下推。

第二個例子是電路。餵隨機輸入，問輸出為 1 的機率。經驗做法是跑一百次，看到三十次輸出 1，就估三成。結構式做法是：每條線路有大約一半的時間是通的，遇到一個邏輯閘就先把它的輸入當成獨立，兩個各半的事件做 AND 是四分之一，一路往下算，得到整個電路大約三成五。接著你會注意到某些閘有共同的祖先，它們其實是相關的，於是 OR 比原本以為的更不容易成立，把估計往下修到兩成八左右。同樣地，這裡多花的計算力氣是拿去把演繹論證做細，樣本數反而不是重點。

第三個例子是彈珠台。把一群球放在桌子的左半邊，速度方向隨機，等 t 秒之後，問還有多少比例的球留在左半邊。經驗做法是跑很多次模擬。結構式做法是直接表示「所有可能組態的分布」，再讓這個分布隨時間演化：把個別球當成彼此獨立，追蹤單一顆球在位置與速度上的機率分布怎麼隨時間變化，解出對應的方程式。這條路得到的曲線跟實驗相當接近，但不完全吻合，因為它沒有處理「球因為可能碰撞而比較不會靠在一起」這類現象，而這些就是可以再加進去修正的地方。

三條路都有一個共同點：你可以花更多時間讓估計更準，但兩種方式運作的邏輯完全不同。左邊是歸納，看了幾個樣本，不知道背後發生什麼事，但推論沒看過的輸入大概會是什麼樣子。右邊是演繹，像證明的推導，只是中間夾著一些預設。

「機制式」是什麼意思

Christiano 先定義估計器。一個估計器 g 吃兩個輸入：一個函數 f，也就是要估期望值的對象；以及一個計算預算，代表你願意花多少力氣。它吐出的是一個估計值。要衡量好壞，就固定一個函數分布 D，從中抽一個 f，跑估計器，跟真值比較，把平方誤差平均起來，這就是平均平方誤差。

接著他要說明什麼叫「不機制式」。最典型的動作是這樣：跑一次 f(x1)，看到答案是正一，於是你推論 f 大概有正的偏誤，那麼另一個毫不相干的輸入 x2，期望值大概也偏正。這一步的問題在於，你把觀察到的行為反推回去猜看不見的結構，再拿這個猜測去預測沒看過的行為。機制式估計的定義就是不允許這個動作：推論只能從函數裡實際發生的事情往下游走，一步一步演繹出對輸入行為的預期。

正面一點的說法比較難講清楚。Christiano 借用的圖像是證明：有前提，有局部有效的推論步驟，有結論，差別是我們額外加上一堆預設。不知道兩個變數的相關性，就假設它們不相關，把乘積的期望值當成期望值的乘積。如果某個 Z 已經捕捉了我們知道的相關性，就假設在給定 Z 的條件下兩者不相關。如果只知道兩兩或三三之間的交互作用，就假設更高階的累積量是零。最後這條只是前面那條的推廣，講的是用低階資訊補上高階交互作用，並假設高階修正為零。

還有一個容易被忽略的動作：連確定性的量也照樣當成隨機。這裡的期望值代表的是「我們的賭盤賠率」，也就是我們對某個命題的最佳猜測。它同時包含兩種不確定性，一種是輸入抽樣帶來的誤差，另一種是我們對模型結構本身的不確定。

有聽眾追問，這是不是等於用某種機率語法寫一個程式。Christiano 說比較像一套多了推論規則的證明系統，而不是把模型行為重新描述一遍。每個估計可以看成「用輸入分布寫出來的輸出分布公式」，而這些公式彼此可以互相矛盾，後面的版本也常常推翻前面的版本，只是希望修正越來越小。也有人問，這是不是「有先驗但不更新後驗」。他的回答是，用貝氏的話講，這些東西全部活在先驗裡；真正的問題是你要花多少力氣，才把這個先驗算出來。

演講裡另外設了一個簡化條件：輸入分布是已知的，例如均勻分布。他設這個條件，是因為整個推導必須從「關於輸入分布的陳述」出發，所以輸入分布需要有形式化的表示；均勻與否本身不重要。真實應用裡會同時做兩件事，一邊從真實世界的資料學到分布性質，一邊用機制式分析問「眼前這個網路把這些輸入分布性質轉換成什麼樣的輸出分布」。這場演講只切出後面那一半。

跟證明的差別：證明把問題結案，估計隨時可以被推翻

Christiano 說，證明是最值得放在心裡的類比，因為那是人類唯一很擅長「一連串局部有效的演繹步驟、最後得出複雜到沒人看得懂全貌的結論」的例子。但兩者有一個關鍵差別：證明把問題結案，機制式估計是會隨時間改變的最佳猜測。

證明排除了大幅更新的可能性。估計沒有。估計可能漏掉某個結構特徵，例如前面那個整除性造成的相關，於是答案差了一個倍數；也可能碰到證明必須排除的那種巧合，某個沒有理由的意外讓陳述剛好成立或不成立。他舉了一個很鮮明的例子：假設 f 是一個非常混亂的函數，正負一各半，要證明它在一個很大的輸入空間上大致平衡極其困難，因為證明必須排除「它剛好很多次都是正一」的巧合，而通常你得先找到真正的結構才辦得到。但如果這個東西真的沒有結構，做出一個好的估計卻很容易。估計唯一會錯的方式，就是存在你沒注意到的結構。

他說這就是為什麼他對「證明機器學習系統的性質」極度悲觀，卻對機制式估計相對樂觀。

收斂速度，以及雜湊函數當最壞情況

接下來是這場演講最核心的技術問題：這些估計到底收斂得多快？具體地說，當預算增加，估計器的平均平方誤差應該以什麼速度下降？

先做正規化：函數的變異數固定為一，可以想成正負一的函數；並且假設函數值可以在時間 t 內算出來。在這些約定下，蒙地卡羅估計的誤差永遠以大約 1/n 下降，這裡的 n 是跑過的樣本數。如果說某個問題「有閉式解」，在這個脈絡下通常指的就是誤差以指數速度下降，你可以一直往下算出更多位數。

最壞的情況，也就是他認為機制式估計最不利的場景，是一個隨機且不可預測的函數，例如一個好的雜湊函數：吃 k 個位元，吐出正負一。如果這個雜湊函數真的沒有可利用的結構，那麼最好的機制式估計就是跑 n 個點，然後把跑出來的值的總和除以整個定義域的大小。注意分母是定義域大小，不是樣本數。

這看起來很像抽樣，他也知道會被這樣問。差別在因果圖：這些節點之間沒有隱藏的結構，它們真的就是彼此獨立，函數的期望值在因果上位於這些節點的下游。我們沒有從觀察到的點去推論沒觀察到的點的行為，這才是它算機制式估計的原因。

這條估計曲線的行為也值得記住。定義域小的時候，跑到足夠多的點，誤差就歸零。只跑少數幾個點的時候，最好的答案幾乎就是零；如果你只看了一百個點，而可能的輸入有一兆個，你應該幾乎完全忽略你看到的東西。

但這個故事有個致命的轉折。如果那個雜湊函數其實有偏，例如實際上五成二的值是正一，而你不知道，這個估計器會被抽樣打得很慘，而且會慘很久。所以機制式估計沒有任何保證。它的優點和缺點是同一件事：它把全部賭注押在「我們真的理解了」。抽樣法的美德是穩健，就算你不懂裡面發生什麼事，也大概不會錯得太離譜；機制式估計反過來，漏掉任何一個重要的考量，估計就會災難性地錯，但如果全部抓到了，它會顯著優於隨機抽樣。

Christiano 說他喜歡的正是這一點。這讓機制式估計可以當成「我們到底懂不懂這個神經網路」的測試，而且成績可以直接量出來。

猜想一：抽樣永遠不是最佳解

有了這些準備，他開始講猜想。設定是這樣：分布 D 是某個參數化函數族上的均勻分布，每個函數可以在時間 t 內算完，變異數是一。

第一個猜想是：存在一個估計器，使得「它在所有可能預算上的誤差加總」會收斂到「把函數算一次的代價」，也就是一個常數。把同樣的量拿去問抽樣，會以對數速度發散，大約是 t 乘上 log n。換句話說，漸進上可以贏過抽樣一個 log n 的因子。

他覺得，作為一個電腦科學家，「抽樣對任何估計問題分布都不是最佳解」這句話本身就已經相當反直覺。但真正讓他在意的是後面那個講不清楚的版本：他相信存在一個機制式估計器具備這個性質。他沒辦法把那個猜想形式化，因為「機制式」本身他只能用手勢比劃，所以他覺得有趣的是，前面那個講得清楚的猜想可以是這套直覺的推論。

也有人問這跟控制變異數之類的變異數縮減技巧有什麼關係。他回答，很多問題確實存在比抽樣更精緻、誤差更小的做法，你也可以把同一個猜想套用在改良後的版本上。但並不是每一種分布都存在這種形式的演算法。

另一個問題是，這跟指數時間假設之類的複雜度下界衝不衝突。他說，這裡講的每一件事都跟複雜度理論的現況一致。以雜湊函數為例，它其實是在說「除了在隨機點上求值，你什麼都做不了」；但當你真的知道那個函數沒有偏，你就能對沒看過的所有點做出很好的平均估計。失敗的方式跟複雜度理論平常碰到的很不一樣，反而比較接近在問 P 是否等於 BPP。從複雜度理論的角度看，這裡沒有宣稱什麼驚人的事。

他把這條猜想畫成曲線下的面積：抽樣的誤差是 1/n，面積大約是一個方塊；猜想說機制式估計器的總面積，在同一個常數之內，等於抽樣曲線下的單一方塊，他猜那個常數小於二。

ARC 過去大約十八個月解掉了一堆隨機模型的案例，這讓他對猜想一感覺相當不錯。真正難的是猜想二，也就是對複雜的模型有效率地找到估計器。他的下注大概在兩成五到五成之間。

猜想二：歷史上，被找到的現象幾乎都會被解釋

第二個猜想來自一個歷史觀察。他的說法是：每當有人找到一個有趣的計算現象，人類似乎總能很快解釋它，快到讓機制式估計真的能捕捉發生什麼事。

他舉的第一個例子是二次互反律。隨機取兩個質數，問「P 是不是 Q 的平方剩餘」和「Q 是不是 P 的平方剩餘」，這兩個問題答案相同的機率有多高。天真地估是一半，因為各有一半的剩餘是平方剩餘，等於丟兩枚硬幣問它們一不一樣。但實際去算，答案是四分之三。Gauss 當年是在表上算數字時發現的，據他所知，Gauss 當時完全不知道為什麼，大約花了一年才理解並證明。

第二個例子來自物理。有一組弱耦合的振盪子，彼此之間有輕微的非線性作用。大家預期，把能量灌進某個振動模式之後，能量會散逸到所有模式裡，然後要很久很久才會重新聚集。實際模擬的結果卻不是這樣：幾乎所有能量在出乎意料地短的時間內就回到原本被激發的那個模式。這個現象一開始完全是個謎，接下來大約十年，人們才建立起足夠好的圖像，可以對「要多久」、「那個模式裡會有多少能量」做出機制式估計。

第三個例子是隨機 3-SAT。固定變數數量，增加子句數量，實例會從幾乎一定可滿足快速相變到幾乎一定不可滿足。八零年代末、九零年代初，電腦科學家用生成實例加上簡單求解器，經驗性地找出臨界點大概在哪。九零年代中期，物理學家用統計物理的空腔法做出合理的估計。到了兩千年代中期，已經有相當好的估計，足以回答「產生一個特定規模的實例、丟給某個求解器，該不該期待它找到解」。

他的觀察是，他找過幾十個候選案例，找不到任何一個「現象被發現，但長期沒有人能給出機制式說法」的例子。少數幾個他判斷不了，主要跟橢圓曲線有關，因為他不是數學家。

他強調這個紀錄有多奇怪。證明、謎題、自然現象的解釋，都可以長期懸而未解；沒有特別好的理由說 Gauss 不會發現一個關於質數的事實，然後讓它幾百年沒人解釋。他也想過路燈效應的可能：數學家只探索自己擅長解釋的現象。但他認為某種程度上相反，因為一個計算系統做出真正意外的事，反而是吸引數學家聚集過來的動機。他自己就說，如果存在一個有偏、但沒人知道為什麼有偏的雜湊函數，那會是個非常有趣的數學現象。

有人質疑這是確認偏誤：你想看到機制，所以就看到了機制，要怎麼做負控制來證明不是？他承認這個對話值得繼續，但說他的信心來自數學家社群對「什麼算充分解釋」的直覺。他指出，出錯的時候幾乎都是因為漏掉了更後面的東西，而不是因為接受了一個完全離譜的論證；而且在二次互反律這個例子裡，後來真的有了證明。

然後他把這件事形式化。想像一個搜尋過程，例如數學家社群做計算實驗、累積抽象、找到有趣的現象；它吃一組隨機硬幣，吐出一個分布 D，一樣有執行時間與變異數的約定。猜想是存在一個對應的「解釋」過程，吃同一組硬幣，吐出一個估計器；這個估計器是機制式的、勝過抽樣，而且執行起來幾乎跟原本的搜尋過程一樣快。他說這個猜想對任何研究社群都成立，外星數學家也好，其他尋找有趣現象的搜尋過程也好。

機器學習是那份紀錄上最大的破洞

把話題轉回機器學習時，他說數學家找到有趣的計算現象之後，幾乎總能解釋它；但人類的紀錄上有一個很大的污點，那就是機器學習。訓練幾乎任何規模合理的神經網路，然後試著解釋它為什麼有效，我們完全做不到。能給出滿意解釋的只有最小的模型，甚至比演講中展示的那些還要小。

形式化的版本是這樣：訓練一個模型去預測某個定義明確的函數，令 f 是這個模型的損失，然後問「能不能機制式地估計這個損失」。他說我們離做到這件事還很遠。

ARC 的希望是：解釋現象並不比找到現象難多少。機器學習之所以例外，不是因為它找到的計算現象在性質上不同，而是因為數學家擅長解釋數學家能找到的現象，物理學家擅長解釋物理學家能找到的現象，而梯度下降可能也擅長找到某種特定的現象。一旦你把「找現象」這件事自動化、規模化，人手解釋就沒有指望了。

所以出路是把手動找解釋的過程也自動化、形式化，然後用梯度下降把它規模化：學出理解模型行為所需的特徵，學出權重裡能解釋某些行為的結構。為此必須把估計器的空間參數化，才有機會用梯度下降搜尋。他也提到，這個自動化系統的輸出不會是人類能讀的東西，比較像自動化的證明檢查器：我們理解局部的推論規則，理解整個解釋是怎麼由大量小步驟堆起來的，因此可以判斷這是一個合理的機制式說法，即使整個解釋遠超人類尺度。

聽眾的追問大致圍繞幾件事。有人問，如果想理解的是 agent 加上一堆工具，這個框架怎麼推廣。他說是兩種情境的混合：工具與電腦系統有形式定義，比較像平常的數學分析；疊上神經網路之後，你需要一個解釋同時捕捉工具那一側、agent 內部、以及兩者怎麼互相關聯，這會是個挑戰。

有人問，這個計畫的目標是理解單一網路，還是理解一整類網路。他非常明確地說是前者：他想看著 GPT 5.6，問裡面到底發生什麼事、它在想什麼、為什麼能達成目標、為什麼答案準。

有人舉了一個具體場景：如果把一個小網路訓練到完美解決複製任務，然後回頭發現它其實就是一個歸納頭的實作，這算不算他要的機制式解釋。他說那是很重要的第一步，但不算充分。真實的網路是髒的，裡面可能有雜訊、可能同時有很多別的事情在發生。你需要的圖像要能對眼前這個髒網路做定量推論，例如回答「如果我把這些權重加一點雜訊，準確率會掉多少」，而且要比隨機抽樣更有效率地回答。基本結構的理解要跟這種比較凌亂的定量估計結合起來。

有人問，「機制」這個詞是不是隱含了簡潔。他回答，解釋大概會跟模型一樣大：一兆參數的模型，解釋大概也是一兆參數。它們應該盡量簡單，比模型簡單一點，但不會簡單到人類能讀。簡潔是他想要的性質，但不足以拿來區分機制式與非機制式。

有人問，換成圖靈機的世界，能不能把話講得更清楚。他說情況很像，要找的是「程式行為的機制式論證」，也就是一個估計器，吃圖靈機的描述，對它的輸出分布做出陳述。

他也示範了這個議程想回答的問題長什麼樣。假設我們想知道 GPT 5.6 在一組隨機數學問題上答對的比例。你可以用另一個語言模型或某個演算法生成一組有挑戰性的問題，丟進模型，檢查答案，也許得到 83.7% 這個數字。但要機制式地理解「這一兆個權重為什麼能答對」，你得理解它在答題過程中做的搜尋、推論、規劃與工具使用。這些現在完全是不透明的：我們看不到目標導向的行為在哪裡，看不到它怎麼對沒觀察到的量做推論，也看不到它怎麼做計畫。他說，即使只是把「為什麼這組權重能答對隨機數學問題」講清楚，都會是往「機制式理解前沿模型在真實情境下怎麼運作」跨出很大一步。

為什麼這件事對對齊是關鍵

演講最後回到他一開始的承諾：為什麼這道數學問題對對齊重要。

他的主張是，把模型當黑箱，是對齊工作碰到的根本障礙。很多性質在黑箱裡不是危險，就是根本測不了。你唯一能理解模型在分布上行為的方式，是把它跑很多次；唯一能理解一個計畫在真實世界會有什麼後果的方式，是把它執行下去。這是很糟的位置。

如果有好的機制式估計器，即使人類看不懂模型怎麼運作，也能直接回答幾個大問題：模型為什麼在訓練分布上有效；它在一個差很多的分布上，例如實驗室裡抽不到樣本的分布，會怎麼行為；它現在是不是在對我們說謊；它是否真的相信自己說的話；它多久會嘗試去做一件很糟的事。他認為這些問題本身在演算法上並不特別難，真正卡住的是我們不懂模型裡面發生什麼事。

他用一個例子說明機制式估計在這裡的作用。假設我們對模型在訓練分布上的準確率已經有了好的估計，而且這個估計是機制式的。這代表我們沿著模型實際跑的計算走一遍，指出「是這些中間性質讓答案準」；單純跑一堆例子、推論「裡面有某個東西讓它準」，達不到這個效果。如果模型基於某個策略性理由決定說假話，那件事必須體現為其中一些性質壞掉。估計器本身不會吐出「模型在說謊」這種句子，整場演講裡也沒有地方可以用到「說謊」這個詞，能問的只有計算系統的行為問題。但重點是：如果你知道答案在一個分布上為什麼準，而那個機制後來壞掉了，你就知道在那個分布上不該再相信答案。這正是面對「可能在分布外做出敵意行為」的模型時，最需要能回答的問題。

有人問，為什麼一定要是機制式，黑箱估計不行嗎。他的回答是：當模型決定說謊時，裡面有東西改變了。黑箱估計不需要知道任何關於內部的事，它對「是什麼內部性質讓它原本有效」沒有任何直覺。機制式估計做的是把「推論出黑箱裡有東西在發生」變成「模型的一個具體性質，可以拿來推理」。

也有人指出，這似乎跟前面說的「每個元件都很複雜、我們可能看不懂」有矛盾。他承認自己用「理解」這個詞用得太鬆。人類不會理解這些東西，他自己看進去也只會看到一兆個數字和奇怪的特徵。他說的「理解」是：這個估計器能回答定義良好的問題，而且當某個差異真的跟預測有關時，它會用那個差異去改變自己的估計。因為它追蹤了「是哪些分布性質導致了這個結果」，當你換到一個那些性質不成立的分布，它就會說不該再估計答案是準的。

他也交代了目前的做法。現在碰到「模型在我們無法等待和檢查的情況下行為不良」，最好的希望是思維鏈監控：看模型對自己說的話，問它看起來是不是在試圖欺騙我們、是不是在追求某個不好的目標。這是目前最好的方法，但他說這個做法在接下來六到十二個月有很嚴重的退化風險。已經開始出現模型明確推理「人們正在讀我的思維鏈」；另外還有架構漂移，讓模型的推理越來越不依附於它從人類身上學到的思維鏈。機制式估計處理的是同一個需求，但有可能適用到非常不同的架構上。

他對 IPAM 這個場合的總結是，這個議程的成敗主要卡在幾道很硬的數學問題上。「什麼算機制式」聽起來很哲學，但本質上更接近數學問題，而不是哲學問題或機器學習問題。如果這些數學問題被解掉，對我們理解、監控與訓練 AI 系統的能力，會有相當實質的幫助。

微軟要把已經終止營運的三哩島核電廠重新叫醒；Google、Amazon、Meta 各自在能源市場上卡位。再生能源搶不夠，接著搶核電廠，核電廠的約簽得差不多了，現在連鍋爐、電池這一類東西都在搶。國威在節目開場把這個畫面攤開：AI 的發展持續加速，把大家推到一個一開始沒有預料到的地方，能源不夠了。而能源正是這些資料中心能不能運轉的最底層條件。

核融合在過去幾十年是一句冷笑話，永遠再等三十年。這個局面最近鬆動了：一批新公司跳進來，時程也講得越來越具體。這一集不談深奧的量子物理，談的是供應鏈與製造。

來賓 Jim 以前是 Web3 新創的 CTO，現在整個人栽進核融合硬體的最底層，創辦了 Holonomy Systems。他一開場就給了一個很硬的說法：核融合的決戰點不在美國或中國的國家實驗室裡，而在台灣的半導體代工廠裡。他的另一個數字更直接：物理的瓶頸只是個位數的倍數，製造的瓶頸是五萬倍。

第一關不是能不能發電，是插頭插進去划不划得來

Jim 把整條路拆成連環五問。第一問是點火（ignition），也就是溫度、壓力與各種條件，到底有沒有達到 fusion 反應需要的環境。他的判斷是點火是真的，物理已經成功，現在唯一困住它的是工程與製造，是商用化這整段歷程。

第二問是增益（gain），輸出與輸入的比值，也就是大家常說的 Q 值。他提醒 Q 值有不同的定義方式，大致分 Q science 跟 Q engineering。新聞上看到「Q 大於一」、「Q 大於五」，很多時候分母、分子都不一樣，測的是當下物理創造出多少能量；那個能量要經過好幾層轉換，最後能不能變成插座上可以用的電，是另一件事。真正要談商用化，看的是 Q engineering，也就是插頭插進去多少電、插座出來多少電。這是工程問題，是把整場系統效率全部考慮進去之後，連差一兩個百分點都要榨乾的狀態。

國威補上美國國家點火實驗室（NIF）的例子：二零二二年達成自己聲稱的 Q science 大於一，到今天也沒有人會說那是商業上可行的方案。Jim 給的數字是，NIF 從 Q 大約一到二，爬到二零二五年實驗結果的 Q 等於四。他認為 Q science 的進展遵循 scaling law，把三重積（triple product）當北極星指標畫出來的曲線，每隔幾年就會往上攀一個量級，跟摩爾定律的形狀很像。順著這條曲線外推，二零二七年會走到哪裡，就出現各種預測，最激進的說法是每兩年翻一倍，Q gain 等於十都有可能。

他補了一句關鍵的話：在攻克工程難題的時候，知道「做得到」這件事本身，比「怎麼做到」還重要。

一天只能打一發的雷射，因為閃光燈只有百分之一被吸收

再往下一問是「有沒有造出來」。Jim 說，把一座電廠該扣的東西全部扣一扣，最後還要真的能發出淨電。核融合有兩條主流路線，磁約束是把電漿關在甜甜圈形狀的磁場裡，難度等於要把一顆太陽困住；慣性約束（ICF）則是用很多道雷射去轟炸一顆燃料靶丸。國威把問題往前推：NIF 二零二二年那一次成功，到今天也沒有直接變成商轉。

Jim 說，用災難去形容那個落差有點危言聳聽，他寧可叫它鴻溝。這個鴻溝的存在，反而證明這是一個值得大家去攻克的問題。

NIF 一開始不是為了發電。這座雷射設施在一九九零年代甚至更早就在規劃，掛在 Lawrence Livermore 國家實驗室底下，那個實驗室做的是核武器的研發、設計與測試。微型核爆的原理跟引爆一顆氫彈一樣，只是壓力源不同；既然不可能隨時在實驗室裡引爆氫彈，又想要快速迭代，就得做出微型核爆，而沒有什麼東西比雷射能量更高、更精確。所以 NIF 從一開始就帶著國家研發的色彩，試了將近二十年才做出點火。

真正拖住它的，是驅動雷射的泵浦。NIF 目前用的是閃光燈，好處是便宜、可以低價大量製造，缺點是發出的光頻譜太廣。gain medium 這種材料很嬌貴，只吸收其中一小部分的波長，其他波長吸收不了的就變成熱，散熱做不好，於是 NIF 一天只能打一發。Jim 給的數字是：閃光燈只有百分之一被吸收。

下一步的技術叫二極體泵浦（diode pump）。雷射二極體發的是單色光，可以直接對準晶體要的波長，光對光效率非常好。這一輪不管是 NIF 本身，或這兩三年冒出來的 ICF 新創，技術方向全部壓在 diode pump 上。Holonomy 做的就是這套系統裡的固態雷射，全名是二極體泵浦固態雷射（DPSSL），像一個放大器：先在別的地方充能、pump，最後再把它一次 pump 出來。

國威於是追問：既然痛點這麼明顯，一天只能打一發，為什麼奇異、西門子這些有資源做規模化工程的能源與重工巨頭沒有去解？為什麼輪到新創？

鴻溝不在真空腔裡，在真空腔外面那一圈

Jim 先把鴻溝的內容一條一條列出來，他的說法是，這裡面卡住的每一項都不是為了 fusion 而生，所以過去幾十年沒有人為它設計過。

雷射本身要怎麼做、效率多高，是第一項。靶丸怎麼製造、精度怎麼做，是第二項。核爆發生在腔體裡，腔體要怎麼遮蔽輻射、中子怎麼處理，是第三項。他特別點名中子很麻煩，中子無法被磁場捕捉，只能靠金屬壁去承受，所以反應器壁面的強度要能撐過高能中子的轟擊。

燃料的循環是另一項，而且目前極度稀缺。他在這裡解釋了增殖（breeding）這個聽起來很酷的詞：在壁面外面用熔鹽，熔鹽裡面有鋰，鋰的同位素跟中子反應之後，會產生更多的氚跟氘。也就是說，只要能把核反應搞定，它自己會持續生成未來的燃料，你只需要克服最初始那一批啟動燃料的數量。

慣性約束還有一個獨特的問題。靶丸噴射出來、雷射對準聚焦、然後轟擊，那請問發射系統是什麼？Jim 說那其實就是高速彈丸彈射加上視覺追蹤，國威立刻接上：所以這個技術是不是跟曝光機有關。Jim 也直接說，關鍵在於重複率剛好坐在一個臨界點上，頻率以下要做出 net positive 很困難。十赫茲這個數字，是十幾年前、大約二零一零年前後由 Lawrence Livermore 推出來的：他們先去想一座核電廠的經濟應該長什麼樣子、效率要達到多少才是民生可用，各種條件算完之後得到這個數。如果靶丸的製造產能夠、追蹤系統夠強韌，十幾赫茲、二十赫茲，甚至千赫茲，都是可達的目標。

至於 ICF 的光學，他講得更直白：人類歷史上沒有做過任何以抵抗這麼高強度輻射與高能中子為目標設計的光學元件。而這些看起來全部是工程題，不是物理題。他說，你能說出這個鴻溝本身，就證明了它跨得過去；真正麻煩的問題，通常是你還看不到的那些。

為什麼不是奇異、西門子，而是一間新創

Jim 承認大公司不是沒有動。General Atomics 最有名的是掠奪者無人機，後來轉型成專接國防生意、跟國家掛鉤比較深的複合體，它底下有一座 fusion 反應器叫 DIII-D。前面提到那些腔體物理、每秒十次的節奏、靶丸清理，他們都在做，甚至還成立聯盟，拉著下面的人一起做。

他的分界線在底層邏輯。大公司通常是因為有一份很巨大的合約、有案主委託，才去做這個概念，不是願景驅動，也不是市場驅動，而是大案分發下來，所以我去做。新創不同，新創本質上就是要從最底層去顛覆大公司做事的方式。有了 AI 之後，最稀缺的資源反而是創始團隊、也就是解決問題團隊的專注力；新創沒有那種冗餘的放大過程，也還沒有大合約，所以只能全力灌注去解決一個效率問題。他認為真正分出高下的，還是對未來市場的洞察。

國威接著把鏡頭轉到 Jim 自己身上：你過去在做 Web3、做軟體，軟體的世界習慣小步快跑、快速失敗、一個禮拜迭代，現在 AI 出來之後一天改版三次都不稀奇；但硬體不一樣，開一個模、測一次光學元件，半年跑不掉。這樣的背景，在解決這種硬派物理行得通嗎。

Jim 先回頭補了一個他覺得講得不夠精確的地方。大對小、快對慢這個框架成立，但新創跟大公司還有一個本質上的差異，除了解決問題的專注度，還有選擇戰場的能力。他說自己從 Peter Thiel 的《從零到一》學到、也應用在這次創業上最重要的一點：選一個你能壟斷的戰場。新創贏大公司，通常不是因為大公司沒有資源或執行力，而是新創選對了一個被忽視、未來卻會放大、會有飛輪或複利效應的東西。

至於他為什麼敢碰這個題目，他給了兩個線索。一個是他在做軟體之前，念的是清大工科系，工科系是以前的核工系。他不敢說當年的訓練能直接貢獻到現在做的事，但那個背景珍貴的地方在於，他不會害怕去碰物理，而且可以用軟體的思維，從局外的角度重新去看一個已經發展了二、三十年的東西。另一個線索是他的自我定位：一個 AI native 的 deep tech founder，一開始就是一個人、一台筆電、一個 AI，他覺得如何剖析一個問題的過程，可能比結論對觀眾更有價值。

選 ICF，因為它從誕生那天就是 dual use

他先把決定 fusion 這一局的前情交代清楚。最近五年最關鍵的技術突破來自 CFS（Commonwealth Fusion Systems），這家二零一七年從 MIT 分出來的公司，靠高溫超導的突破，把原本要兩、三層樓高的超導磁鐵做小了。Jim 的判斷是，在 AI 加速科學研究的紅利之下，一些原本被 block 住的場景開始變得觸手可及。

接著是選路線。以 deep tech 走長線的邏輯，應該選一個比較能夠去風險化的東西，他選了慣性約束。理由不是它比較簡單，而是它從誕生之初就是 dual use 的技術：那套雷射除了照靶丸，還可以照其他東西，比如無人機來了把它打下來。它的每一項技術都不是單純為了 fusion 而生，只是剛好被擺在 fusion 這個位置上。所以就算二十年後 fusion 的夢還沒成真，這套技術還是可以造福很多其他東西。國威補了一句：或者說它要二十年才能成真，但過程當中會有很多場景可以讓它磨練。Jim 說沒錯，這就是灘頭堡的邏輯。

他挑市場看兩件事，一個是毛利率，一個是客戶要的規格；通常規格越高、毛利越高，這兩個有點相輔相成。選定 ICF 之後，他用 AI 做大量文獻搜尋與回顧，去剖析 ICF 的供應鏈、也就是他所說的 enabling technology 到底卡在哪裡，結論就落在 diode pump 的二極體產能不夠、效率不夠好、不夠便宜。

接著他把問題轉回台灣：那台灣可以解決這件事嗎。台灣做晶片，過去也做很多主機板出口；主機板就是把別人的晶片買來、放在一起、做封裝。光子學要做的這個泵浦領域，可不可以照同樣的模式走？他後來發現行不通，因為這個產業還沒有大到可以養活中間那些整合者。於是他往更底層的元件去攻。

泵浦畢竟還是雷射半導體。他發現這裡面有兩種架構，而雷射本身有不同的 generation。現在大型採購在用的主流全部是第一代，也就是邊射型雷射（EEL），光通訊在用，最近 AI 的光通訊、光互連，大家投資的也都是 edge emitter。後面還有第二代跟第三代，也就是面射型雷射，沒有人看。沒有需求是第一個原因，從來沒有一個像 fusion 這麼巨大的市場驅使他們去做工程突破；第二個原因是那些 incumbent 已經把原本的客戶服務得好好的。他押的，就是這個台灣有機會、而且被大家忽視、技術上升潛力更大的方向。

有人做過嗎。十幾年前有一個美國團隊試過，美國甚至二十年前就發過專利，可是找不到便宜又可靠的代工廠幫他 fab，所以有人想過、有人發了 IP，就是沒有人做得出來。Jim 說這不是物理問題，而是三個問題的交織：你要有足夠的資本，要有耐心花五、六年去壓一個未來才會用到的東西，還要有製造經驗。十幾年前這三個條件都不成熟；現在台灣有製造經驗，缺的是資本跟耐心，而這兩件事，恰恰是一個有願景的 founder 可以帶進來的。

他的第一性原理推演很簡單：我要怎麼加速迭代？我生在一個全世界生產半導體最密集的島嶼上，我就坐在這個生態的旁邊，那我一定也能做到。國威補了一句：這幾年世界各國湧入台灣設生產中心、製造中心、研發中心，就是為了這個全世界最強的半導體與電子業製造實力，沒道理我們自己不利用。

Jim 說他這幾個月跟上下游聊下來，能力都有，缺的是願景、缺的是市場。台灣的代工終究是接單模式，客戶的需求就是我的需求，至於客戶為什麼有這個需求，他們不會去追問。他的角色就是去告訴他們：這裡有一個超級龐大的市場，fusion，甚至 fusion 以外的沿途市場，可能是太空、國防、能源，這是一件十年內會發生的事，大家一起來追。所以現在缺的是把這些製造能量連結起來、跑成一個迴圈，而這件事跟軟體經驗有很大的關係，因為很多時候你都在對接各種不同的資訊，而迭代常常不是卡在 fab 的速度，是卡在 fab 跟其他人之間的那些溝通。

台灣手上有什麼：四分之三的化合物半導體代工，跟一組一百二十瓦的陣列

國威把台灣這一側的牌面攤給他看。光電技術、特別是三五族化合物半導體的代工，台灣有穩懋、宏捷科這樣的公司；台灣代工廠合計生產了全球大約四分之三的外包化合物半導體晶片。學術端，陽明交大盧廷昌教授的團隊在面射型雷射的學術發表量全球排名前三，也和穩懋一起展示過超過一百二十瓦的高功率面射型雷射陣列。他接著問了一個聽起來有點刺的問題：會不會到最後，台灣又是在幫美國、歐洲這些核融合企業做高階發光二極體的代工？我們有沒有可能在未來取得某種程度的主導權？

Jim 的回應分成兩段。他先說，回答這個問題的時候，他已經不是以 Holonomy founder 的角度在回答了。國威的問法裡預設了一個立場，好像代工一定不好、一定毛利低，他想提另一個想法：代工其實是一種選擇，是商業模式上對你最優的解。台積電可不可以變成垂直整合廠？它完全可以，它掌握了先進製程，要變成三星那樣的 vertical integration 也可以。它為什麼不要？因為它很清楚，一旦變成垂直整合，就會侵蝕自己的利潤，因為你跟客戶之間就沒有信任了。客戶之所以相信台積電，就是因為相信台積電不會跟他競爭。代工從結果看毛利確實沒有終端來得高，但它本身就是一門成功的生意，至少在先進封裝這一塊是。

回到光子學、半導體這一塊會不會淪為代工。他說，現在這個階段要判斷能不能找到代工的第二條出口，有點早；但他認為自己往高價值、高階應用走的方向很有機會，原因是它是空白的，目前沒有任何一個人真的在百分之百朝這個方向衝刺。大多數人是拿著錘子找釘子，已經有什麼技術就到處 fit 看看，fit 的地方當然已經站著一堆 incumbent，你憑什麼競爭。所以他看的從來不是那些已經被佔領的紅海，而是那些功率還達不到、根本還到不了的地方。

他舉了兩個中國公司的例子，說明就算在快商品化的戰場，初期的產品定位與戰略選擇還是可以開出市場。大疆瞄準的是高階攝影玩家：那群人的痛點很具體，自己買一台 drone、再買一台攝影機、想辦法跟雲台弄在一起，不只造價高昂，還做不好。別人沒有想到這個方向，大疆選對了群體，從那裡往上打，最後打敗曾經的運動相機巨頭 GoPro。宇樹也不是第一家公司，Jim 唸書時代的明星是 Boston Dynamics，後來被現代收購、變成完全控股，在他眼裡有點像巨星的隕落。宇樹切的是實驗室裡做科研的科學家與研究團隊，他們最苦的是手上有一堆控制理論，卻找不到一個平台可以 demo、可以測試。而且機器人這個產業跟雷射、光子學很像，都是上下游垂直整合很嚴重、供應鏈關係複雜的地方，要切入必須有大招，而這個大招通常越靠上游越能守住護城河；宇樹選的題目是致動器，就是馬達關節要怎麼動、精準角度怎麼控制，要解決散熱、控制、能源效率。Jim 說他看到這個例子時眼睛為之一亮，這不就是 Holonomy 切入的角度嗎。他們不只選對市場，還壓對技術。

所以回到能不能脫離代工，他的答案還是兩個條件：你壓住的技術有沒有上行空間，以及商業化之後造價能不能便宜到極致；再加上你初期的灘頭堡怎麼切。這兩件事執行得好，或許可以脫離代工；執行不好，代工反而變成一個低風險的選項，至少還有代工的實力。

光子磚：先賣國防，再賣工業，最後才是電廠

國威接著介紹 Holonomy 的商業模式：同一個雷射模組，這個叫 Photon Brick、光子磚的架構，可以在不同階段賣給不同市場。第一階段成本一定比較高，所以先賣國防產業，因為它可以接受溢價，用來做高能雷射武器或反無人機系統；第二階段成本再降一階，賣給工業加工，做雷射焊接、除鏽；第三階段成本砍到白菜價，才能真正供應給核融合的商業電廠。他問 Jim，這聽起來很精明，聽起來也蠻冷酷：你要先從販賣軍火開始，用販賣軍火賺到的錢來補貼未來的能源夢想，是這個意思嗎。

Jim 先講前提：不一定非得是國防，只是國防剛好落到灘頭堡的特性裡面，小眾、付費意願高、毛利高，而且比較有耐心陪著公司一起成長。他也修正了「Photon Brick 就是我要造的東西」這個印象，用 SpaceX 來 echo：馬斯克他們做的不是火星公司，他們賣的是把物質送到太空的能力，北極星是每單位質量的發射成本，那是一個平台。他在做的是半導體雷射晶片，賣的是用光把能量投射到物質上的核心能力，這個能力會依照需求場景不同而有不同的功率需求。從光互連需要的毫瓦等級，到數十瓦、到千瓦等級，是一條爬坡曲線。為什麼上面那些沒有人討論？因為人類還做不到這個技術，甚至不曾想過，如果有一天能把光子遠距離投射能量的能力做上去，會開啟什麼東西。他說這是 Holonomy 的賭注。

用這條功率階梯回頭歸納，前面的市場就全部想通了：國防要的是數十、數百瓦等級的遠距離投射，核融合要的是千瓦等級，光通訊要的是毫瓦等級。國威問其他應用場景，Jim 拋了兩個。一個是太空之間的通訊，也就是 free space optical，衛星跟衛星之間用光來通訊，那光源從哪裡來？現在大部分用光纖或邊射型雷射，他這次在半導體會議上就遇到兩三組團隊，開始要用第二代、第三代的技術取代它，這個市場未來三到五年會商業化。另一個比較像思想實驗：如果把太陽能板發射到太空，把光轉換成電之後，再用雷射把電打回地球，可不可以？他說效率真的比較好，因為太陽能板的吸收效率之所以只有二、三十趴，原因是進來的光都是散射光、光譜很廣；如果你很確定進來的光是單一波長，目前效率最高可以做到六十趴。

核分裂是兄弟，也是最大的對手

國威把最後一個問題放在市場上。前面幾問都過關之後，還有一問是能不能付得起：Jim 說，最後要算的是 LCOE，也就是每一瓦電到底要多少成本；而核融合最大的競爭對手，其實就是它的兄弟核分裂。第四代核能、小型模組化反應爐（SMR）很可能在未來五年內越來越成熟，而且核分裂現在本來就在運轉，要解決的物理難關也比較少。有沒有可能核融合就這樣錯失了這個歷史性的資金視窗？

Jim 把邏輯拆成幾層。第一層是這一波核融合新創之所以能在最近三、五年蓬勃募資與活動，很大一部分當然是 AI 能源瓶頸的共識，但他認為真正最大的原因是二零二二年 NIF 點火成功的那個 demo，是它帶來了投資潮。第二層是房間裡的大象：地緣政治。他在美國這一趟觀察到的結論是，基本上每一個只要美國官員在場的會議，他們都一定會提到中國，中國現在開始做這個做那個，所以他們要快馬加鞭，趕快撥一筆款項，把錢給到科學家手上，趕快做出來。第三層是明星的存在，二零一七年那群科學家創辦 CFS，高溫超導磁鐵被突破。

他順著磁鐵多延伸了一個話題：高溫超導磁鐵關鍵的瓶頸在稀土，而現在大約百分之九十的稀土來自中國，美國那群人因此緊張起來，發現自己的供應鏈很脆弱。所以有些投資邏輯外溢到關鍵技術周邊的產業，像是美國專門做不依賴中國稀土來源的磁鐵新創，就獲得很大的關注。

至於核分裂，他認為它的瓶頸在燃料與原料本身，那是一個受高度監管、而且不是美國一家想改就改得了的東西。他用金融新創比喻：為什麼總是只有少數人可以做金融新創？因為那些人本身就有 connection，他知道監管應該往哪邊走。所以這個產業從下而上迭代的能量從根本上就受限，制度不允許它那樣做，它有門檻。SMR 短期會不會取代、會不會是大家的首選，那是一回事；SMR 迭代得夠不夠快，是第一個問題。他在美國也遇到很多做 SMR、做核分裂的人，他問他們現在遇到什麼問題、為什麼賣不出去，答案是拿不到 NNSA 的許可；沒有許可，你蓋不了電廠，也沒有辦法突破技術。這就好像為什麼會有人說，現在在太空鋪太陽能板比在地球便宜方便，因為地球的監管太複雜了。

所以 fusion 有一個紅利，因為它是一片 white space；就算今天 SMR 可以取得一部分 AI 留下來的空缺，長久來看，他們的賭注是 fusion 這個產業的紅利跟迭代速度。如果未來五年可以一直持續不斷 demo 一些 milestone，他覺得這個平衡就會被打破，後面還是很多大有可為的機會。

無限電力之後，我們會因為什麼感到匱乏

國威在收尾時把 fusion 的位置放回它該有的高度。它是能源的聖盃：如果 fusion 解決了，環境的破壞、污染、一大部分的需求都被解決，人類太空時代的能源問題可能被解決，甚至社會財富、貧富不均、糧食問題都可能被解決。但他也老實說，社會事實沒有那麼簡單，而 Holonomy 現在還是一家新創。

他提醒觀眾不要輕視任何一家新創。僅僅三、五年前，現在要上市的 Anthropic 或 OpenAI，都還是名不見經傳的公司，現在都是兆元美元市值的公司；而台灣自己就活在現在這個世界裡面。這一集裡最值得帶走的那條線，是 Jim 那句聽起來很違反直覺的話：卡住核融合的不是物理，是製造。台灣缺的資本跟耐心，十幾年前還不成熟，今天的製造經驗已經到位；能不能把這個缺口補起來，大概就是這一輪 fusion 賭注真正的內容。國威最後把問題留在半空中：假設我們真的奔到那個時候，那時我們會因為什麼感到匱乏？會因為什麼感到焦慮？那是一個無限供電、無限算力的世界，要拿什麼來填滿，就留待下一次的思想實驗室。

https://allinchamathjason.libsyn.com/adam-foroughi-applovin-ceo-surviving-a-92-drawdown-ads-as-ml-10-the-50b-game-ad-market

十萬款手機遊戲裡，藏著一家廣告公司。All-In 的開場介紹把 AppLovin 執行長 Adam Foroughi 叫作「大概是最沒名氣的好創辦人」，說他的平台躲在這些遊戲裡面，安靜地幫電商品牌跑廣告，效果壓過 Facebook；在一千多家 IPO 的公司裡，市值排第一的就是這一家。節目還給了兩個數字：公司今年預計印出大約六十億美元現金；而在一個講不通的世界裡，別人只會覺得你在作弊，不會想到你做出一件很酷的技術。

Adam 坐下之後先解釋，公司能長到這個規模，有一部分要感謝早期沒拿創投資金。沒有錢，就只能安靜地把東西做出來，加上那個有點搞笑的名字，也沒幫上什麼忙。他把公司定義得很直白：AppLovin 是廣告公司，幫手機遊戲開發者把手上的版位變現，只是外界不太清楚這個宇宙現在多大。一天有超過十億人在玩手機休閒遊戲，而且大多是成年人，是家裡的經濟支柱。

一年五百億美元的遊戲廣告市場

他把市場算了一遍。去年一月，也就是將近兩年前，他們揭露自家平台一年有 110 億美元的廣告支出；之後年成長大約六成，四捨五入到今天大約 200 億美元。這個市場不是他們獨占，還有其他廣告公司賺同一批錢，全部加進來再翻一倍以上，整個手機遊戲生態一年花掉的廣告費大約 500 億美元。

不久之前，社群網站本身也只是一個 500 億美元的機會，而這個空間還在快速長大。這裡的觀眾會看廣告，很多時候是為了拿獎勵才看，這種結構會生出新的購買意圖。公司大半輩子在做的事，是把這份意圖從一款遊戲帶到下一款遊戲；現在深度學習模型變強了，同一批成年人可以改吃一套購物體驗，於是能接到更大的經濟體上。

廣告是 ML 1.0

主持人提到上一波網路廣告：Google 的 AdWords、AdSense、Applied Semantics 替產業孵出一批關鍵技術，再外溢到全世界；同樣的事會不會正在這個世代的廣告裡發生。Adam 的說法是，廣告就是 ML 1.0，它是今天這些 AI 技術最早的實作。一個大型語言模型對社會的經濟價值確實比廣告大得多，但廣告是一個非常賺錢的深度學習實作。推薦系統的架構跟大型語言模型不一樣，路徑卻很像，兩邊的研究可以互相搬；很多現在做大型語言模型的研究者，職涯早期看的就是廣告系統。

他補了一個對廣告很有利的條件：不管你做的是廣告，還是社群網路上的一則互動貼文，模型都在預測一個還沒發生的結果，而這份預測的價值可以立刻換算成錢。

主持人再問，人對廣告的反應，從 2006 年到現在有沒有一條可預測的演化曲線。他 2005 年入行，那時候的廣告完全是垃圾，全是垃圾信，技術也不夠力。後來 Facebook 做對了一件事：把手上所有資料配上好技術，廣告就變得相關。今天多數人的購物推薦來自 Instagram，廣告變得像內容。在 AppLovin 的領域也一樣，使用者是真的喜歡他們放的廣告。你會以為大家不愛，但那些出現在別的遊戲裡的小遊戲試玩，互動量很大，因為技術已經很會推薦跟這個人有關的東西。

搜尋、LLM，與「發現」

主持人問了一個正在被討論的問題：當大家改成跟聊天機器人問五、六個問題，廣告會長成什麼樣子？全世界九成五的人不會每個月掏二十美元用這項技術，他們會期待它免費，ChatGPT 也說過要往免費走。廣告會愈來愈沒效、但用的人愈來愈多嗎？還是它會比 Google 搜尋更強？

Adam 把廣告拆成兩種。一種在漏斗底層：消費者已經知道自己要買什麼，只是在做研究、準備完成交易，那是 Google 的搜尋生意。想買一雙正式皮鞋，以前上 Google 查一輪，Google 用廣告把你導到該去的地方；今天你可以直接問大型語言模型，把同一件事走完。所以他說，這一塊幾乎只會跟 Google 搜尋競爭。

AppLovin 做的是另一種。它對使用者顯示一則廣告的時候，並不知道對方想要什麼，任務是創造出一個原本不存在的念頭，讓他看到之後想「這好酷，我要去買」，而且最好馬上買。Facebook 的廣告生意也是靠這個。

他接著講出他覺得最關鍵的區別。走搜尋或走聊天機器人的那筆交易，就算大型語言模型不存在、Google 廣告也沒發明，只要 Google 搜尋還在，交易一樣會發生，所以那裡只是把原本就會發生的事換個地方完成，沒有多出新的經濟擴張。但當你讓一個消費者看到一個他本來不知道存在的東西，讓他發現自己原來想要它，那筆交易是從無到有。這是他認為 Meta 的廣告生意最厲害的地方，也是 AppLovin 想做的事。那個發現的瞬間對消費者是開心的：買到東西很興奮，開始等包裹，拆包裹。

午餐桌上的那支錶

主持人把那個大家都聽過的場景搬出來：一群人在午餐時聊到某樣東西，散場之後，每個人開始看到同一件商品的廣告。是不是手機在聽？還是因為我們坐在同一桌，定位被拿去分組，誰先搜尋了誰就負責點火，廣告再分送給整桌？

Adam 先把可以追蹤的部分講清楚。你其實做過其他會留下痕跡的動作：搜尋、逛網站、查產品，只是自己沒意識到；之後你講到相關的事情，就開始看到相關的廣告。至於定位，他說他不認為廣告公司有能力追蹤，AppLovin 完全不追蹤。要為了顯示一則廣告去追人的精確位置，是很重的一件事；更別提要讓麥克風一直開著，再把語音解析成可以投放的內容，那個資料量不現實。

那如果是「我們是朋友、被連在一起」呢？他說他們沒有那種資料。但如果你人在社群網路上，人際關係本來就可能影響你看到的廣告：同桌有人搜尋了什麼，你可能就看到相關的東西。他覺得這沒有什麼不對，真正讓人不舒服的是那種毛毛的感覺。

他認為大家忘掉的是後面那半段。廣告變相關之後，創造出來的經濟價值很大。那則廣告你認得，二十年前你不會認得；數位廣告經濟已經占了 GDP 很大一塊，技術愈好，GDP 長得愈快。

從 280 億掉到 38 億

公司從矽谷起家，辦公室在 Palo Alto，工程團隊分在 Palo Alto、北京與新加坡，Adam 自己住洛杉磯。他們沒有拿太多創投資金，2021 年 4 月上市，是疫情期間的 IPO，市值約 280 億美元，那一年 EBITDA 是 6 億美元。後來最高到 400 億美元。

2022 年，股價幾乎每天都在跌。市值一路掉到約 38 億美元，而那一年公司做了 10 億美元的 EBITDA。從高點算下來，等於跌掉九成二。

他的解釋是，股價最後由投資人的品質決定。上市的時候，私募股東，包括私募股權基金、早期共同創辦人與團隊成員，本來就有賣股規劃；而 COVID 期間上市的公司太多，等到他們掛牌，一線的藍籌投資人根本沒空去研究一家名字很好笑的公司在做什麼。需求少、供給多，股價就崩了。倍數從「我不會用 50 倍 EBITDA 去估值」的高點，掉到 4 倍以下的荒謬低點。

他是財務背景，知道這種殺法反過來就是機會。他跟團隊說，不要再跟投資人講話了，他們不買我們的股票，那是浪費時間；但公司會產生大量現金，那就拿來買自己的股票，當自己最好的投資人。買回計劃跑得很凶，累計買回大約 60 億美元的股票，註銷掉兩成到兩成五的流通股數。那 60 億美元在最高點的時候，價值超過 500 億美元。

主持人問他，九成二的跌幅下，內部文化怎麼撐？他說很難。家人朋友會打電話來問他「你是不是想不開？」他跟對方說，我們的持股成本是一分錢，股票現在還有十塊左右，帳面上還是賺很多。但他很清楚，團隊成員也在接同一種電話，而他們沒有他那種歷練，也沒有他那樣的持股。

所以他們靠兩件事撐住。一個是「我們對抗全世界」的心態，另一個是績效股票計劃。這種計劃通常是給執行長的，他們卻發給公司裡一批關鍵的人。他對那些人說，我知道現在很難，你們本來以為自己有房子，現在沒有了；但如果撐住，等公司回來，上檔你們會賺到很多。

ML 2.0 與 2023 年 9 月的紐約行

真正的轉折是模型換代。他們從 ML 1.0 走到 ML 2.0，把迴歸模型換成深度學習模型。整家公司由廣告演算法驅動，演算法愈好，廣告主的投報率愈好；而且全部是成效制，等於是把營收賣給廣告主，廣告主愈賺、預算放愈大，公司就長得愈快。

2023 年 4 月他們推出新模型，可是依然沒在跟投資人講話，所以外界還不知道。到了 9 月左右，股價已經回到 80 美元，市值回升不少。Adam 說他要開始跟投資人講話了，因為市值高到沒辦法再那麼積極買回庫藏股。

那一週，股價從 80 美元走到 150 美元，市值從大約 280 億美元變成 550 億美元。他只是跑去紐約，講了一句「我們公司還在，我們活下來了」。然後投資人開始一個一個出現，說他們又在注意這家公司了。他坐在會議室裡很好讀對面的動靜，有人當場就在打給朋友。等對方變成持股的一方，問題立刻反過來：要怎麼擴張、怎麼長得更快、為什麼只做遊戲、為什麼不做電商。

他對公開市場投資人的觀察是這樣：跟私募市場的投資人沒有那麼不同，都會追趨勢，而且常常比你希望的晚。最厲害的會提早追上，這就是為什麼有很好的創投，也有普通的創投；有很好的公開市場投資人，也有普通的公開市場投資人。可惜的是，逆向的人不多，所以下檔可以到極端，上檔也可以。兩年半之間，股價從 9 美元走到 750 美元，市值從 38 億美元走到 2,500 億美元。當時買了選擇權的人，現在可能住在大房子裡。

規則愈清楚，技術愈好辦事

主持人問 Apple 與歐盟這條線。這些機關認為像 AppLovin 這樣的公司收資料收得太凶，有些遊戲開發者也不喜歡自己的使用者被追蹤，已經開始收緊螺絲；Zuckerberg 當年也得處理同一件事。在 Apple 幾乎是想閹掉這門生意的情況下，逆風有多大，又怎麼管？

Adam 說，任何這類領域，你都會希望規則清楚。規則一清楚，技術就有辦法配合。五年前在 iOS 上可以精準鎖定一個人，今天如果對方說不想被精準鎖定，你就把一群人打包起來，然後給他們比較差的廣告。有趣的是，Apple 那次改動之後，他們收到很多使用者抱怨：給我更相關的廣告，你們現在都在丟垃圾給我看。所以他說，這裡有個不太直覺的結論：你需要隱私規範，科技公司才有辦法做出大家期待的事。

另一面是消費者其實想要相關的廣告，那能幫他們發現產品。想像你坐在遊戲裡，看三十秒廣告換一條免費的命，那是拿到有金錢價值的東西。那你要看三十秒的垃圾，還是看三十秒跟你相關的東西？他說隱私的雜音過去之後，現在平靜很多：規則寫好了，科技公司照著做，深度學習網路也真的夠強。

買遊戲是為了訓練資料

主持人提到這門生意毛利高得驚人，Adam 也買過一批遊戲，而節目當天稍後還要訪問 Bending Spoons，談他們怎麼專門收購「不到壞、只是成長慢」的公司。他問，轉去做遊戲工作室是能一直走下去的路嗎？會不會跟合作夥伴打對台？

Adam 說那些遊戲他們全賣掉了。當初買遊戲是為了資料。他們要訓練第一個深度學習模型，需要資料，而遊戲工作室通常不願意把資料分享給第三方公司，所以他們自己買工作室，把第一批訓練資料餵進模型，做出一個在市場上很成功的模型，公司才開始快速成長。等到第三方自己找上門，他們就把遊戲事業賣掉。

Agent 不會取代逛櫥窗

主持人把場景推到更遠：到處都是 agent 的世界，agent 幫你處理事情；人機介面可能不再是電腦或手機，而是 Meta 眼鏡之類的裝置。在那樣的世界裡，廣告還剩什麼角色？

Adam 的回答是，世界會有一部分人開始用 agent 來處理固定的購物行為。例如把保健食品的訂閱交給 agent，讓它每個月去最佳化、準時送到。但那些不是「發現」平台，而典型的消費者也不是那種整天泡在 agent 裡、掛在 Twitter 上追最新技術的人。他用一句話定位自己的客群：我們的觀眾是《紐約時報》的讀者；到今天還有一大群人每天在用 Yahoo 的服務。

典型的消費者想找到一個產品，想自己走完那趟購物行為：想逛、想比價、想追蹤。如果你事後告訴他，其實 agent 可以幫你做這件事，還省下兩成，他覺得在 50 美元的交易上，這不重要，因為走完那個過程本身的滿足感就是他要的。會有一群人比其他人早採用這些技術，他只是覺得大家太常用 Twitter 圈當基準，忘了平均的消費者不是那樣的人。

84% 毛利為什麼沒被搶走

主持人問他一個很直的問題：全世界最聰明的兩家公司 Meta 與 Google，主要收入都來自廣告，模型自己做，也做了一、二十年。一家小公司是怎麼在這個領域贏的，接下來又靠什麼繼續贏？

Adam 說，他們從來不覺得自己贏了。每天醒來都覺得現在很可能會被幹掉，最好趕快工作。他們的優勢是精實加上一群很專精的人：這些人真的懂手機遊戲的體驗，也懂怎麼把它轉換成另一端買東西的行為。只要夠專注、保持精實，就有機會跑得比巨頭快。

主持人接著問，那這門生意的漏水點在哪裡？就像十年前看 Amazon，一項一項找出錢漏在哪，再把它吃成新事業，那個版本放到 AppLovin 身上會是什麼，是支付基礎設施嗎？

Adam 說他們的 EBITDA 毛利率是市場第一，84%，所以他不知道還有多少地方在漏。他解釋整套循環：一個廣告主帶著交易模型進來，假設他賣口紅，AppLovin 給這個廣告主一個套利空間。廣告主向他們買到一個消費者，消費者完成交易之後，立刻把取得這個消費者的成本賺回來。消費者用 20 美元買下口紅，廣告主付給 AppLovin 的錢低於 20 美元減掉銷貨成本，廣告主開心，於是放大預算。這個成效模型很好規模化。真要說漏，是他們不在整條鏈的每一段上，他們不是那個廣告主；但他們想當推動廣告主去接觸消費者的那一方，所以把自己跑得很精實、很演算法、很自動化，漏的地方就不多。

主持人再往下追：毛利率這麼高，一定會有人說「他們是不是賺太多？」競爭者也一定會說「我可以把他五成、六成的毛利打下來」，但這件事一直沒發生，而且撐了很久，為什麼？

Adam 的答案回到技術與資料：這些技術很複雜。如果你能持續創新，手上有差異化的資料，你就能建立優勢。他拿 Anthropic 當例子，說同樣的道理，Anthropic 也不應該在大型語言模型的領域跑成那樣。但一個模型一旦到了某個規模，被一大群人採用，那個東西就會變成別人很難跨過去的護城河。

會議室裡最笨的那個人

最後主持人問到中國團隊，以及這群人多大的優勢。

Adam 說中國人很謙虛、非常努力、非常聰明。不管你是在中國、美國還是世界其他地方跟他們共事，你都是在跟世界上數一數二聰明的人工作。他說他創業時，其中一個目標就是跟很棒的人一起工作，把事情搞懂。當他坐在會議室裡，身邊是一些團隊成員，他知道自己很可能是那間房間裡最笨的一個人，而這件事讓他很期待每天進辦公室。

主持人拿這句話開了個玩笑，他笑著接下，現場給了他一輪掌聲。

https://allinchamathjason.libsyn.com/adam-foroughi-applovin-ceo-surviving-a-92-drawdown-ads-as-ml-10-the-50b-game-ad-market

十萬款手機遊戲裡，藏著一家廣告公司。All-In 的開場介紹把 AppLovin 執行長 Adam Foroughi 叫作「大概是最沒名氣的好創辦人」，說他的平台躲在這些遊戲裡面，安靜地幫電商品牌跑廣告，效果壓過 Facebook；在一千多家 IPO 的公司裡，市值排第一的就是這一家。節目還給了兩個數字：公司今年預計印出大約六十億美元現金；而在一個講不通的世界裡，別人只會覺得你在作弊，不會想到你做出一件很酷的技術。

Adam 坐下之後先解釋，公司能長到這個規模，有一部分要感謝早期沒拿創投資金。沒有錢，就只能安靜地把東西做出來，加上那個有點搞笑的名字，也沒幫上什麼忙。他把公司定義得很直白：AppLovin 是廣告公司，幫手機遊戲開發者把手上的版位變現，只是外界不太清楚這個宇宙現在多大。一天有超過十億人在玩手機休閒遊戲，而且大多是成年人，是家裡的經濟支柱。

一年五百億美元的遊戲廣告市場

他把市場算了一遍。去年一月，也就是將近兩年前，他們揭露自家平台一年有 110 億美元的廣告支出；之後年成長大約六成，四捨五入到今天大約 200 億美元。這個市場不是他們獨占，還有其他廣告公司賺同一批錢，全部加進來再翻一倍以上，整個手機遊戲生態一年花掉的廣告費大約 500 億美元。

不久之前，社群網站本身也只是一個 500 億美元的機會，而這個空間還在快速長大。這裡的觀眾會看廣告，很多時候是為了拿獎勵才看，這種結構會生出新的購買意圖。公司大半輩子在做的事，是把這份意圖從一款遊戲帶到下一款遊戲；現在深度學習模型變強了，同一批成年人可以改吃一套購物體驗，於是能接到更大的經濟體上。

廣告是 ML 1.0

主持人提到上一波網路廣告：Google 的 AdWords、AdSense、Applied Semantics 替產業孵出一批關鍵技術，再外溢到全世界；同樣的事會不會正在這個世代的廣告裡發生。Adam 的說法是，廣告就是 ML 1.0，它是今天這些 AI 技術最早的實作。一個大型語言模型對社會的經濟價值確實比廣告大得多，但廣告是一個非常賺錢的深度學習實作。推薦系統的架構跟大型語言模型不一樣，路徑卻很像，兩邊的研究可以互相搬；很多現在做大型語言模型的研究者，職涯早期看的就是廣告系統。

他補了一個對廣告很有利的條件：不管你做的是廣告，還是社群網路上的一則互動貼文，模型都在預測一個還沒發生的結果，而這份預測的價值可以立刻換算成錢。

主持人再問，人對廣告的反應，從 2006 年到現在有沒有一條可預測的演化曲線。他 2005 年入行，那時候的廣告完全是垃圾，全是垃圾信，技術也不夠力。後來 Facebook 做對了一件事：把手上所有資料配上好技術，廣告就變得相關。今天多數人的購物推薦來自 Instagram，廣告變得像內容。在 AppLovin 的領域也一樣，使用者是真的喜歡他們放的廣告。你會以為大家不愛，但那些出現在別的遊戲裡的小遊戲試玩，互動量很大，因為技術已經很會推薦跟這個人有關的東西。

搜尋、LLM，與「發現」

主持人問了一個正在被討論的問題：當大家改成跟聊天機器人問五、六個問題，廣告會長成什麼樣子？全世界九成五的人不會每個月掏二十美元用這項技術，他們會期待它免費，ChatGPT 也說過要往免費走。廣告會愈來愈沒效、但用的人愈來愈多嗎？還是它會比 Google 搜尋更強？

Adam 把廣告拆成兩種。一種在漏斗底層：消費者已經知道自己要買什麼，只是在做研究、準備完成交易，那是 Google 的搜尋生意。想買一雙正式皮鞋，以前上 Google 查一輪，Google 用廣告把你導到該去的地方；今天你可以直接問大型語言模型，把同一件事走完。所以他說，這一塊幾乎只會跟 Google 搜尋競爭。

AppLovin 做的是另一種。它對使用者顯示一則廣告的時候，並不知道對方想要什麼，任務是創造出一個原本不存在的念頭，讓他看到之後想「這好酷，我要去買」，而且最好馬上買。Facebook 的廣告生意也是靠這個。

他接著講出他覺得最關鍵的區別。走搜尋或走聊天機器人的那筆交易，就算大型語言模型不存在、Google 廣告也沒發明，只要 Google 搜尋還在，交易一樣會發生，所以那裡只是把原本就會發生的事換個地方完成，沒有多出新的經濟擴張。但當你讓一個消費者看到一個他本來不知道存在的東西，讓他發現自己原來想要它，那筆交易是從無到有。這是他認為 Meta 的廣告生意最厲害的地方，也是 AppLovin 想做的事。那個發現的瞬間對消費者是開心的：買到東西很興奮，開始等包裹，拆包裹。

午餐桌上的那支錶

主持人把那個大家都聽過的場景搬出來：一群人在午餐時聊到某樣東西，散場之後，每個人開始看到同一件商品的廣告。是不是手機在聽？還是因為我們坐在同一桌，定位被拿去分組，誰先搜尋了誰就負責點火，廣告再分送給整桌？

Adam 先把可以追蹤的部分講清楚。你其實做過其他會留下痕跡的動作：搜尋、逛網站、查產品，只是自己沒意識到；之後你講到相關的事情，就開始看到相關的廣告。至於定位，他說他不認為廣告公司有能力追蹤，AppLovin 完全不追蹤。要為了顯示一則廣告去追人的精確位置，是很重的一件事；更別提要讓麥克風一直開著，再把語音解析成可以投放的內容，那個資料量不現實。

那如果是「我們是朋友、被連在一起」呢？他說他們沒有那種資料。但如果你人在社群網路上，人際關係本來就可能影響你看到的廣告：同桌有人搜尋了什麼，你可能就看到相關的東西。他覺得這沒有什麼不對，真正讓人不舒服的是那種毛毛的感覺。

他認為大家忘掉的是後面那半段。廣告變相關之後，創造出來的經濟價值很大。那則廣告你認得，二十年前你不會認得；數位廣告經濟已經占了 GDP 很大一塊，技術愈好，GDP 長得愈快。

從 280 億掉到 38 億

公司從矽谷起家，辦公室在 Palo Alto，工程團隊分在 Palo Alto、北京與新加坡，Adam 自己住洛杉磯。他們沒有拿太多創投資金，2021 年 4 月上市，是疫情期間的 IPO，市值約 280 億美元，那一年 EBITDA 是 6 億美元。後來最高到 400 億美元。

2022 年，股價幾乎每天都在跌。市值一路掉到約 38 億美元，而那一年公司做了 10 億美元的 EBITDA。從高點算下來，等於跌掉九成二。

他的解釋是，股價最後由投資人的品質決定。上市的時候，私募股東，包括私募股權基金、早期共同創辦人與團隊成員，本來就有賣股規劃；而 COVID 期間上市的公司太多，等到他們掛牌，一線的藍籌投資人根本沒空去研究一家名字很好笑的公司在做什麼。需求少、供給多，股價就崩了。倍數從「我不會用 50 倍 EBITDA 去估值」的高點，掉到 4 倍以下的荒謬低點。

他是財務背景，知道這種殺法反過來就是機會。他跟團隊說，不要再跟投資人講話了，他們不買我們的股票，那是浪費時間；但公司會產生大量現金，那就拿來買自己的股票，當自己最好的投資人。買回計劃跑得很凶，累計買回大約 60 億美元的股票，註銷掉兩成到兩成五的流通股數。那 60 億美元在最高點的時候，價值超過 500 億美元。

主持人問他，九成二的跌幅下，內部文化怎麼撐？他說很難。家人朋友會打電話來問他「你是不是想不開？」他跟對方說，我們的持股成本是一分錢，股票現在還有十塊左右，帳面上還是賺很多。但他很清楚，團隊成員也在接同一種電話，而他們沒有他那種歷練，也沒有他那樣的持股。

所以他們靠兩件事撐住。一個是「我們對抗全世界」的心態，另一個是績效股票計劃。這種計劃通常是給執行長的，他們卻發給公司裡一批關鍵的人。他對那些人說，我知道現在很難，你們本來以為自己有房子，現在沒有了；但如果撐住，等公司回來，上檔你們會賺到很多。

ML 2.0 與 2023 年 9 月的紐約行

真正的轉折是模型換代。他們從 ML 1.0 走到 ML 2.0，把迴歸模型換成深度學習模型。整家公司由廣告演算法驅動，演算法愈好，廣告主的投報率愈好；而且全部是成效制，等於是把營收賣給廣告主，廣告主愈賺、預算放愈大，公司就長得愈快。

2023 年 4 月他們推出新模型，可是依然沒在跟投資人講話，所以外界還不知道。到了 9 月左右，股價已經回到 80 美元，市值回升不少。Adam 說他要開始跟投資人講話了，因為市值高到沒辦法再那麼積極買回庫藏股。

那一週，股價從 80 美元走到 150 美元，市值從大約 280 億美元變成 550 億美元。他只是跑去紐約，講了一句「我們公司還在，我們活下來了」。然後投資人開始一個一個出現，說他們又在注意這家公司了。他坐在會議室裡很好讀對面的動靜，有人當場就在打給朋友。等對方變成持股的一方，問題立刻反過來：要怎麼擴張、怎麼長得更快、為什麼只做遊戲、為什麼不做電商。

他對公開市場投資人的觀察是這樣：跟私募市場的投資人沒有那麼不同，都會追趨勢，而且常常比你希望的晚。最厲害的會提早追上，這就是為什麼有很好的創投，也有普通的創投；有很好的公開市場投資人，也有普通的公開市場投資人。可惜的是，逆向的人不多，所以下檔可以到極端，上檔也可以。兩年半之間，股價從 9 美元走到 750 美元，市值從 38 億美元走到 2,500 億美元。當時買了選擇權的人，現在可能住在大房子裡。

規則愈清楚，技術愈好辦事

主持人問 Apple 與歐盟這條線。這些機關認為像 AppLovin 這樣的公司收資料收得太凶，有些遊戲開發者也不喜歡自己的使用者被追蹤，已經開始收緊螺絲；Zuckerberg 當年也得處理同一件事。在 Apple 幾乎是想閹掉這門生意的情況下，逆風有多大，又怎麼管？

Adam 說，任何這類領域，你都會希望規則清楚。規則一清楚，技術就有辦法配合。五年前在 iOS 上可以精準鎖定一個人，今天如果對方說不想被精準鎖定，你就把一群人打包起來，然後給他們比較差的廣告。有趣的是，Apple 那次改動之後，他們收到很多使用者抱怨：給我更相關的廣告，你們現在都在丟垃圾給我看。所以他說，這裡有個不太直覺的結論：你需要隱私規範，科技公司才有辦法做出大家期待的事。

另一面是消費者其實想要相關的廣告，那能幫他們發現產品。想像你坐在遊戲裡，看三十秒廣告換一條免費的命，那是拿到有金錢價值的東西。那你要看三十秒的垃圾，還是看三十秒跟你相關的東西？他說隱私的雜音過去之後，現在平靜很多：規則寫好了，科技公司照著做，深度學習網路也真的夠強。

買遊戲是為了訓練資料

主持人提到這門生意毛利高得驚人，Adam 也買過一批遊戲，而節目當天稍後還要訪問 Bending Spoons，談他們怎麼專門收購「不到壞、只是成長慢」的公司。他問，轉去做遊戲工作室是能一直走下去的路嗎？會不會跟合作夥伴打對台？

Adam 說那些遊戲他們全賣掉了。當初買遊戲是為了資料。他們要訓練第一個深度學習模型，需要資料，而遊戲工作室通常不願意把資料分享給第三方公司，所以他們自己買工作室，把第一批訓練資料餵進模型，做出一個在市場上很成功的模型，公司才開始快速成長。等到第三方自己找上門，他們就把遊戲事業賣掉。

Agent 不會取代逛櫥窗

主持人把場景推到更遠：到處都是 agent 的世界，agent 幫你處理事情；人機介面可能不再是電腦或手機，而是 Meta 眼鏡之類的裝置。在那樣的世界裡，廣告還剩什麼角色？

Adam 的回答是，世界會有一部分人開始用 agent 來處理固定的購物行為。例如把保健食品的訂閱交給 agent，讓它每個月去最佳化、準時送到。但那些不是「發現」平台，而典型的消費者也不是那種整天泡在 agent 裡、掛在 Twitter 上追最新技術的人。他用一句話定位自己的客群：我們的觀眾是《紐約時報》的讀者；到今天還有一大群人每天在用 Yahoo 的服務。

典型的消費者想找到一個產品，想自己走完那趟購物行為：想逛、想比價、想追蹤。如果你事後告訴他，其實 agent 可以幫你做這件事，還省下兩成，他覺得在 50 美元的交易上，這不重要，因為走完那個過程本身的滿足感就是他要的。會有一群人比其他人早採用這些技術，他只是覺得大家太常用 Twitter 圈當基準，忘了平均的消費者不是那樣的人。

84% 毛利為什麼沒被搶走

主持人問他一個很直的問題：全世界最聰明的兩家公司 Meta 與 Google，主要收入都來自廣告，模型自己做，也做了一、二十年。一家小公司是怎麼在這個領域贏的，接下來又靠什麼繼續贏？

Adam 說，他們從來不覺得自己贏了。每天醒來都覺得現在很可能會被幹掉，最好趕快工作。他們的優勢是精實加上一群很專精的人：這些人真的懂手機遊戲的體驗，也懂怎麼把它轉換成另一端買東西的行為。只要夠專注、保持精實，就有機會跑得比巨頭快。

主持人接著問，那這門生意的漏水點在哪裡？就像十年前看 Amazon，一項一項找出錢漏在哪，再把它吃成新事業，那個版本放到 AppLovin 身上會是什麼，是支付基礎設施嗎？

Adam 說他們的 EBITDA 毛利率是市場第一，84%，所以他不知道還有多少地方在漏。他解釋整套循環：一個廣告主帶著交易模型進來，假設他賣口紅，AppLovin 給這個廣告主一個套利空間。廣告主向他們買到一個消費者，消費者完成交易之後，立刻把取得這個消費者的成本賺回來。消費者用 20 美元買下口紅，廣告主付給 AppLovin 的錢低於 20 美元減掉銷貨成本，廣告主開心，於是放大預算。這個成效模型很好規模化。真要說漏，是他們不在整條鏈的每一段上，他們不是那個廣告主；但他們想當推動廣告主去接觸消費者的那一方，所以把自己跑得很精實、很演算法、很自動化，漏的地方就不多。

主持人再往下追：毛利率這麼高，一定會有人說「他們是不是賺太多？」競爭者也一定會說「我可以把他五成、六成的毛利打下來」，但這件事一直沒發生，而且撐了很久，為什麼？

Adam 的答案回到技術與資料：這些技術很複雜。如果你能持續創新，手上有差異化的資料，你就能建立優勢。他拿 Anthropic 當例子，說同樣的道理，Anthropic 也不應該在大型語言模型的領域跑成那樣。但一個模型一旦到了某個規模，被一大群人採用，那個東西就會變成別人很難跨過去的護城河。

會議室裡最笨的那個人

最後主持人問到中國團隊，以及這群人多大的優勢。

Adam 說中國人很謙虛、非常努力、非常聰明。不管你是在中國、美國還是世界其他地方跟他們共事，你都是在跟世界上數一數二聰明的人工作。他說他創業時，其中一個目標就是跟很棒的人一起工作，把事情搞懂。當他坐在會議室裡，身邊是一些團隊成員，他知道自己很可能是那間房間裡最笨的一個人，而這件事讓他很期待每天進辦公室。

主持人拿這句話開了個玩笑，他笑著接下，現場給了他一輪掌聲。

台北時間 2026 年 9 月 21 日星期一早上八點三十一分。游庭皓先把上週五的盤面交代清楚：四大指數漲跌互見，費半彈了 2.78%、322 點，美股內部的角力還是很大。上週五剛好是四巫日，大約七兆美元的選擇權到期，推升了交易量；美債殖利率再度攀升，又把美股進一步上攻的力道壓了下來。標普 500 其實沒跌多少，可是底下已經大洗牌。

開盤前半小時，他把現在的處境講得很直白：美債 5% 快要站穩，油價站上每桶 100 美元，川習會又要在本週登場。利多還有戲，還是利空還沒斷，得看這幾股壓力怎麼互相交纏。

三個壓力交纏：AI 的帳單、油價的熱度、債市的殖利率

第一個壓力來自 AI。這回不只是有沒有放緩前沿模型開發速度的討論，更關鍵的是資本支出沒有停下來。十年期公債殖利率往上走，就會影響未來的融資成本預期：同樣是 100 億、同樣是 1,000 億，在 4.5% 的殖利率跟 5% 的殖利率底下，借貸成本差很多。未來要擴張資本支出，會比想像中來得貴。

第二個壓力是油價跟通膨。油價站上每桶 100 美元，通膨看起來已經有一點外溢效果。聯準會下一次完全不可能再升息的機率非常低，市場只好認真看待接下來的通膨問題，以及聯準會可能給出的前瞻指引。游庭皓補了一句：就算華許不說話，其他票委也許也有話要說。

第三個壓力在債券市場。美債殖利率突破 5% 之後，等於 2007 年以來的罕見高位。美國財政部之前增加扭轉操作、增加回購計畫，都沒有辦法快速有效地壓低長端利率，背後還有財政赤字、政府在融資，以及 AI 企業大幅發行債券的問題。這些挑戰短期內都無法解決，最後又回到聯準會身上：油價在漲、通膨外溢、殖利率往上拉、市場在逼你升息。一連串因子混在一起，對市場估值的抑制效果就相對大。

納斯達克還在三角形裡，羅素 2000 最痛

技術面上，游庭皓看到的是很明顯的關卡。

納斯達克指數還是被困在一個大型三角收斂區間，雖然重新站回 100 日均線，上方卻還有短期下降趨勢線的壓力，目前沒有走出明朗的趨勢。標普 500 從五月以來一直在區間震盪，這回也從 100 日均線附近反彈，可是還沒有形成明確的中期方向。下方的買盤一定有人承接，問題是沒有什麼人想買在這麼貴的位置，市場看起來都在等一波新的回檔。這也許就是股市跌不太動、但要馬上創高又有難度的原因。

壓力最明顯的是羅素 2000。這個小型股指數已經回到長期上升趨勢線附近，下方不遠就是 200 日均線。小型股比大型股更依賴外部融資，能拿到的貸款條件也差一點；如果大型股的投資等級殖利率都來到 7% 到 8%，小型股肯定要更高，殖利率上升帶來的資金成本更直接。這一波市場賣壓，反而是羅素 2000 來得最大。

把傳導鏈條拉直就是：油價上漲，改變外部對殖利率的預期，接著影響現在的發債成本，最後影響股票能不能繼續玩這場資本遊戲。能源價格維持高檔的時候，市場會把很多因子同時放進來算。

以前有一種說法是，利率創高代表市場很看好 AI，願意給更高的風險貼水，才會有人回頭買債券，債券走低反而是股市創高的根本原因，所以沒有問題。現在原油價格也開始漲，市場預估整個企業融資成本會被有效拉抬。也許 AI 還沒帶來那麼大的獲利，融資成本就已經先上去了，小型股承受的壓力更大，對經濟的疲弱衝擊也會比想像中來得大。

夢想也有價格

游庭皓用一個自己的觀察來收這一段。市場年輕的時候有夢想，就像股票市場前兩年那樣，總覺得方向是對的，就不計一切往前衝。再過幾年會發現，夢想沒有消失，但夢想也有價格。

AI 產業這幾年就是這樣走過來的。前幾年大家談的是模型多強、算力多大、AI 怎麼顛覆世界，市場願意為一個很遠的未來買單。當產業真的進入大規模基礎建設，真的需要很多錢的時候，光是零點幾趴的利率，就足以讓人開始估算這筆錢收不收得回來。以前問的是 AI 可以做到什麼，現在每個人都在想，蓋這些資料中心到底要多少錢、誰來出錢、什麼時候才能賺回來。夢想沒變，只是越接近現實，帳單就越來越清楚。

很多新的雲端公司正在成長，也不能只看營收成長。營收快速暴增，負債卻已經增長了好幾倍，都還沒有真正獲利。以前借錢沒那麼貴，現在借錢這麼貴，就得稍微算一下帳單。這就是他看到的真實跡象。

他也順手講了一個網友的故事。很多人跟他說，剛畢業時的人生目標是五十歲賺到十億淨資產，陸陸續續有人來報好消息，說已經達成目標的一半。他問真的嗎、恭喜你。對方回：不是，是我五十歲了。

利率預期就擺在那裡，短期內只能靠時間淡化一切，用他自己的話說，就跟他的感情一樣。通膨的問題短期內解決不了，只能等明年看有沒有遞延的機會。可是短期內市場聚焦的，就是美國的對外政策會怎麼改變、其他國家怎麼選、短線題材怎麼換。

川習會週四在華府登場，談關稅、AI、稀土

川習會預估 9 月 24 日在華府會面，市場會聚焦關稅、AI 和稀土供應。兩人上一次是今年五月在北京會面，現在的緊張程度看起來沒有那麼高。

美方過去幾個月一直指控中國完全沒有履行為期一年的貿易休戰協議，尤其是關鍵礦物和稀土出口。對石油、對美國大豆的採購，美方倒是有所肯定：該買的黃豆有買，可是稀土還在管制，關鍵礦物的問題也還在。這場會面之所以重要，是因為能源和利率的壓力剛好一起來到，聯準會才剛升息；中國一年期和五年期的貸款市場報價利率大概是 3% 到 3.5%，兩邊正在較勁。會前會一直在進行，就看能不能傳出好消息。

游庭皓認為，這次最值得看的不是能不能達成什麼歷史性協議，那不太可能。真正的看點是，經過幾輪關稅和出口管制之後，雙方都更清楚自己手上有哪些籌碼。延續去年釜山和今年五月北京的協商，美方已經在會前會同意，把擴大中國企業黑名單的動作再延後一年。這幾個月川普在美伊戰事期間，確實沒有針對中國再採取進一步的黑名單禁止，頂多對一些科技產品採取有效管制，沒有再多列更多名單。

中國那邊，關鍵礦物雖然暫緩，還是保有明顯的出口許可制度：美國要多少貨都出口給你，現在不給的貨只有不給日本而已，但每一次出口都要報備會運到美國的哪個廠商。美國過去一段時間也降低了部分和芬太尼問題相關的對中關稅，中國則恢復對美國的採購。今年北京會談又增加了 170 億美元的美國農產品採購、200 架波音飛機，以及雙方對 300 億美元非敏感商品降低關稅。

只是這些成果還沒有解決最核心的矛盾，只是把雙方最容易引爆的武器先收起來。最大的矛盾是貿易逆差。美中之間的貿易逆差已經在短期內快速縮減，可是美國對外的貿易逆差還在擴大，說明有很多產品其實是中國換了第三國繞進美國市場，問題本質上沒有解決。

中國仍然是製造國，順差今年又創下歷史新高，去年也創了歷史新高。所以不能只看台灣、韓國。台韓在美中貿易戰的框架底下賺了更多轉嫁財，很多訂單是中國不能接的。像 AI 伺服器，以前一定要運到中國才回美國，現在所有伺服器、日本韓國的貨最後都運到台灣來，搞得台灣對美國的貿易順差特別高，美國很容易盯上台灣。很多貨也是沒辦法，因為要從這邊發貨。從這個角度看，台韓創高的背後，其實也隱含著中國順差的創高。雙方這個條件沒有改善，就很難在關稅談判裡取得重要成果，因為關稅戰的根本就是逆差。

而雙方現在都有需要對方配合的地方。中方還有內需疲軟的問題，對出口的刺激也還在持續。美方最擔心的不只是能源價格上漲，而是它的外溢效果。

從棕櫚油到歐洲天然氣，漲幅一路排開

游庭皓把美伊戰事爆發以來、到上禮拜五的各類商品價格漲幅排開來看：棕櫚油漲 19%，玉米 21%，小麥 22%，棉花 25%，糖類 25%，布蘭特原油 43%，汽油 49%，稻米 52%，柴油 70%，航空燃油 80%，取暖油 95%，硫磺 98%，歐洲天然氣價格漲了 145%。這種外溢效果，讓美中都有必要坐下來談。

中國雖然是通縮，但通縮不代表購買力很強，薪資或薪資增幅在通膨過程裡明顯比物價還低，就是這種情況。美中雙方現在都遇到購買力衰退的問題。

雙方有幾個條件可以互相探討。第一個是原油能不能打通。現在運一桶原油到亞洲，光是運費大概就要 26 美元；一桶原油算 100 美元，裡面有 26 美元是運費。一艘可以載兩百萬桶的超級油輪，大概要花 5,200 萬美元，運費差不多就是油價的四分之一。波斯灣到中國的超大型油輪，日租金是 120 萬美元。游庭皓說，這種事情不可能常態化，因為沒有人付得起這種價格。拿 2024 年、2025 年來比，那時候也才 10 萬、12 萬美元，現在漲了十倍。油價本身漲，是市場常有的波動，做做期貨避險還勉強撐得過去；連日租金都翻了接近十倍，這就撐不住了。是不是有必要在美伊戰事裡取得更進一步的平衡，雙方目前正在商談。

後美國的世界，對中國還有點早

第二個可以談的，是秩序。美國主導的秩序確實開始鬆動，很多人會想，那中方可以剛好趁勢接管。游庭皓認為中國短期內還接不了班。

美軍深陷波斯灣，確實可能減少能投入亞洲的航母、軍艦或防空系統。中國過去幾個月靠著很龐大的石油庫存，在荷姆茲海峽受阻之後大幅降低進口，減少自身的能源衝擊。然而中國並沒有利用自己對伊朗和中東國家的經濟影響力，積極介入停火，金磚國家內部對戰爭的立場也不太一致。隨著中國恢復針對亞洲的原油進口，原油價格又開始顯著拉升。

更深層的矛盾在於，中國當然希望看到美國主導的國際秩序慢慢弱化，但現階段中國經濟本身還是依賴這套秩序提供的全球貿易和航運安全。中國沒有能力把整個南海到印度洋用中國海軍全面取代，在中東等全球主要航道，也還沒有真正顯著的能力去維持海上秩序。中國外交看起來也在避免高風險的介入。所以真正的後美國世界，對中國來說是有點早的。北京比較希望靠經濟規模、靠科技產業實力來提升全球影響力；要它主動負擔全球的軍事力量，代價太高。而且美國快速撤退，中國這個能源進口大國也要承受相對的能源衝擊。美國的產量已經是世界第一。

關鍵礦物：精煉能力在中國，脫鉤至少要七、八年

另一個談判重點是稀土供應鏈。全球的精煉能力長期集中在中國，雖然各國針對稀土的投資開始增加，目前大概還有 60% 到 70% 的精煉能力留在中國。中國對鍺、鎢這些金屬實施出口管制之後，日本的衝擊來得最大，必須跟全球非中國家進一步調貨。

面對中國掌握供應鏈，美國、歐盟、日本現在大概投入了數百億美元來建立自己的關鍵礦物產業，美國大概投了 400 億美元，歐盟大約 60 億歐元。問題是，新礦場大概要十年才能投產；本土的脫鉤，預估至少要到七年、八年以上。短期內一定要跟中國達成適度的稀土協議，因為即便川普任期結束，美國大概都還無法快速有效打造自己的稀土供應鏈。游庭皓特別強調，講的是精煉能力。採礦稀土是有機會做成的，精煉能力看起來還要一段時間。

也因為美中關係越緊張，稀土價格可能就維持在高位盤旋。從 2025 年以來，這些金屬的報價大概漲了接近六到七倍，其中鍺每公斤來到 1.1 萬美元。

無人機不選邊，車廠聯名上書白宮

烏俄戰事上，游庭皓看到的是中國完全沒有選邊。俄羅斯在地面戰的推進非常有限，最近又增加了一些空襲力度。大家在討論無人機的整體出口，中國的產能年產量接近 800 萬台，俄羅斯 700 萬台，烏克蘭 500 萬台；台灣 12.3 萬台，已經算第一梯隊，不該算是第二梯隊的第一名；美國大概 10 萬架，土耳其 12 萬架，伊朗大概 15 萬架，日本真的很慘，年產量連 1,000 架都不到。

中國到現在仍然沒有主動切斷針對烏克蘭的無人機供應鏈。烏克蘭近幾年已經比較少向中國採購成品無人機，可是像馬達、鋰電池、光纖這些關鍵零組件還是高度依賴中國，中國也完全沒有設定任何管制。今年前六個月，烏克蘭從中國進口的無人機相關零組件金額，已經來到全年總額的 76%；烏克蘭本土的報告則指出，中國零組件大約占烏克蘭進口無人機總價值的 38%。美方如果希望在烏俄戰事上有停戰效果，中方對無人機出口完全沒有管制這件事，會不會需要進一步限縮，值得觀察。

另一條新戰場是汽車關稅。美中領導人會談還沒登場，美國汽車業本週已經陸續向川普施壓。全美汽車創新協會、全美汽車經銷協會，加上六大汽車集團，都聯名致函白宮，要求繼續把中國汽車擋在門外。他們不只要能維持中國電動車 100% 的關稅和中國聯網汽車的限制，還反對直接讓中國車廠到美國設廠生產。

過去一年，中國大量車廠正在跟白宮協談，說為了增加美國本土的企業投資，中國企業願意到美國設廠，只要讓我們賣美國車，或者讓我們賣中國製造的美國車。川普打關稅戰的根本目的，本來就是希望你來美國設廠。他之前也表態過，中國車到美國蓋工廠、然後貼一個新的牌，用美國車的名義生產，只要有產線帶來更多就業機會，其實可以接受。美國汽車產業完全是另一種看法，擔心中國車廠靠成本、規模和供應鏈優勢進入美國，會搶走在美國長期投資車廠的市場和工作機會。中國車當然會覺得不公平：賓士、BMW 在美國都有生產，為什麼中國車就不能去生產，更何況還可以創造就業。

長臂管轄變成兩套規則

美中競爭也慢慢延伸到法律戰。美方長期對中國有長臂管轄的效力，上禮拜開始，北京陸續推出五項具有境外效力的新規，再加上 2024 年就有的涉外專門管轄法。那時候主要是針對外國制裁，你必須有所選擇；現在不太一樣，對跨國企業來說，中方和美方同時都有可能採取長臂管轄。中國的邏輯很清楚：美國如果透過金融制裁或實體清單來做高科技出口管制，那中方就認為，你的公司在中國有設分公司，即便事情發生在海外，你有可能被限制出境或面臨罰款。

對跨國企業來講，這是兩套互相衝突的規則。美國可以要求企業停止跟某家中國公司往來，台積電就是如此，2020 年正式剔除華為。中國現在的法律則認定這種行為是在歧視中國企業，可能遭到中國政府的制裁。以前企業要擔心的是選美國還是選中國；現在是你只要遵守美國法律，本身就得罪另外一國。游庭皓說，這就是全球化最大的成本。

太陽能板跌掉 98%：脫鉤都想慢慢來

美方的根本目的，是阻止中國在部分科技層面取得領先。過去一段時間，包括晶片、稀土、低成本的 AI，中美雙方的差距，大家有感覺正在縮小。從 DeepSeek 到 Moonshot 這些中國模型，很明顯能透過更低的成本逼近美國前沿模型的能力。之前 Anthropic 就指控 Moonshot 透過 Claude 處理 30 萬筆使用者的請求，再利用結果來訓練自己的產品，等於半蒸餾。

真正讓華府很難下重手的，是中方現在有反制工具：它有稀土，有部分精煉的製造供應鏈。美國還是有很多產業，像精準飛彈、無人機、AI 製造的東西，本身大量依賴中國供應鏈。該脫鉤的要脫鉤，該培養自己的國防供應鏈也是一個方向，但短期內承擔不起全面脫鉤的風險。所以美方真正的策略，是避免部分產品產能滯銷，脫鉤在緩步進行當中。

最直觀的例子是太陽能板。2000 年前後，太陽能板每瓦成本大概 5 到 6 元，今年最新數據是 0.12 元，二十年間成本跌掉 98%。一個產業一旦中方順勢取得產能領先、最後技術領先，價格崩跌是很恐怖的。所以某種程度上，雙方其實都承擔不起脫鉤的風險。表面上大家扮演的角色不同，喊的口號不太一樣，甚至互相對抗；把外衣掀開，底層都是同一套恐懼、利益和自保。大家都想慢慢脫鉤，又經不起立即脫鉤。

游庭皓講了一個二戰的故事來收這個點。一個士兵跑到修女面前，拜託讓他躲在裙子底下，等等再解釋。修女答應了。沒多久兩個憲兵跑過來，問有沒有看到一個士兵，修女指了另外一個方向。憲兵離開之後，士兵從裙子底下爬出來道謝，說他其實是因為不想被派去打仗才逃跑的。修女點點頭說，我完全理解。士兵有點尷尬，又補了一句：希望你不要介意，你的腿真好看。修女說，如果你剛剛往上看一點，就會發現，我也不想被派去打仗。

中國想要的是後美國世界、美國秩序逐步退場，但它本身並沒有準備好完全承擔全球海上安全的成本；美國想逐步培養自己的供應鏈，短期內又沒有全面脫鉤的條件。所以游庭皓對這次美中會談，還是保持比較大的利多色彩，看能不能傳出一些好消息。雙方短期內和解的可能性比較高，因為還有其他問題要談。

美加關稅戰升級，韓國 3,500 億美元卡住

美加貿易戰則是全面升級。美國和加拿大已經兩週沒有做任何會談，這段時間美中的會談頻率可能都比美加之間來得高。最新的措施是乳清蛋白、威士忌、麥芽啤酒、葡萄酒全部課徵 50% 的關稅；從 338 條的關稅擴大，起司課 50%，動物皮革五成，摩托艇五成，紙類五成，高爾夫球車五成，床墊也五成。這場關稅戰打得比美中關稅戰還要火熱。

市場接著聚焦歐洲執委會主席馮德萊恩上週的喊話，希望加拿大可以成為歐盟史上第一個準會員，或者說，把你納進我們的貿易體系。這不是讓加拿大直接加入歐盟，因為歐盟目前沒有現成的準會員制度。川普立刻回應，如果加拿大靠近歐盟，可能被視為敵對行為，美國要再加課重稅。雙方衝擊感覺越來越大。

韓國那邊，高達 3,500 億美元的對美投資案原本上週就要公布，結果臨時延後。李在明直接表示，這筆投資原本並不想做，但考量到美國的關稅壓力、韓美關係，還有日本、台灣都在跟美國談，韓國最終妥協。真正卡住的不是要不要投資，是 3,500 億美元：韓方到現在仍不確定美國想要怎麼投錢、怎麼收回來、獲利如何分配，所以堅持把商業合理性寫進協議。美方不同意，希望先簽訂協議，讓期中選舉好過，細節再來調解。李在明不接受，也承認協商過程非常艱難，可能有必要重談。

南韓上週也直接表明，不會向中東部署可能讓南韓捲入伊朗戰爭的軍隊或軍事資產，回應川普希望盟友增加協作的要求。李在明強調，南韓不會以參與戰爭為目的來派兵，但有必要採取最低限度的行動來保護本國商船。

距離期中選舉越近，波動只會越大

把這幾條線放在一起看，游庭皓的判斷是：其他國家面對美國，做法並不是百般順從。中國、加拿大、韓國，更常見的做法是現在大家都開始賭了。期中選舉就快到了，能拖就拖，能談就談，能閃就閃。南韓對美國的要求明顯有在拖；加拿大受到關稅壓力，開始往歐洲尋找更多市場和戰略空間；中國該對抗的時候對抗，該合作的時候合作，代價太高就先拖延談判、尋找替代方案。

國際政治很少是服從或反抗二選一，更多時候是在強權當中保留籌碼，在壓力當中爭取時間。不能改變大勢的時候，至少想辦法讓自己付少一點代價、多拿一點利益。大多數經濟體越接近期中選舉，越懂得審時度勢、順勢而為。他唸了一段順口溜當消遣：要富貴我就贏，貧賤我就移，威武我就屈，色誘我就從，不打我就招，打我我就哭，有苦我不吃，有活我不幹。人生也是如此，最重要的不是蠻幹，要看清局勢。水往低處流，人往高處爬，這是自然規律；真正聰明的人不是凡事硬碰，而是在合適的時間、合適的環境走合適的路。

日本的部分，他只先點到這邊：日本央行上週五公布貨幣政策紀要，這次雖然升息一碼，卻沒有明顯表態要高強度連續升息。如果不升息、或升息幅度不如預期，日圓就會繼續貶；要阻止日圓貶值，方式只有繼續拋售美債、拋售美元來救日圓。日本央行本身就得被迫持續減少美債買盤，甚至持續拋售美債來穩匯，這樣會不會碰觸到財政部長貝森特的底線，是接下來的觀察點。這段他今天沒來得及講完，留待之後。

距離美國期中選舉越近，市場波動有機會持續加大。川普政府面對的不只是選舉壓力，從關稅到油價到通膨，美債殖利率要跟日本央行配合，每一條線都同時在談、互相交織。對中國要談川習會，對加拿大和韓國要處理關稅和投資條件，對日本的升息則可能牽動全球資金回流，還有是不是進一步拋售美債。任何一條線出現意外，都可能迅速傳導到股市和債市。期中選舉前比較需要防範的，也許不是那種單一利空，而是政策訊號變得更密集，談判姿態可能瞬間強硬、瞬間轉弱。政治人物希望在選舉前拿到成果，金融市場未必能一路等到結果揭曉，所以會提前避險。這段時間最大的特徵，就是波動肯定會放大。

台股收 47,345 點

節目的最後回到盤面。台股上漲 165 點，收在 47,345 點。游庭皓說，最後能夠推動股市走高的，還是 AI 本身的獲利。前面這些因子，某種程度只是讓股市盤了這麼久，等一個好價格讓人接手。現在的情況是想追又不敢追，想買也買不到，因為股市既沒有多大的跌幅，也沒有右側上的突破。這就是整體指數遇到的難關，就看未來幾天能不能順勢走出方向。

https://www.erichgrunewald.com/posts/why-i-think-you-should-almost-never-use-ai-to-write-anything-substantive/

Erich Grunewald 請 Claude Fable 5 寫一段介紹 AI 晶片走私的文字。成品讀起來頭頭是道，他卻在裡面挑出八處問題，包括一句聽起來像格言、其實什麼都沒說的「出口管制的效力取決於執行」。他拿這個例子說明一件事：部落格文章、研究報告、memo、有內容的 email、小說，任何要傳達想法、論證或分析的實質文字，幾乎都不該讓 AI 來寫。就算你給它很詳細的 bullet、口述筆記或滿滿的脈絡，就算它寫完之後你親自改過，他還是不建議。

他在 2026 年 8 月的文章裡給了三條理由：寫作的過程本身就是思考的過程；AI 寫出來的文字模糊，而且錯在很難察覺的地方；用 AI 寫還不標示，是不禮貌也是誤導。他知道這題一講就像在開反 AI 的砲，所以文章前面先把不反對的部分講清楚。

他允許的，比很多人以為的多

轉錄音訊、分析資料、搜尋資訊、腦力激盪、對草稿給回饋，他都覺得很合理。line edit、copy edit，或為了讓某一段更清楚、更緊而重寫，也可以，前提是每一處編輯都由人刻意接受或拒絕。短、主要用來協調或處理物流的公式化企業 email，先讓 AI 起草再輕編一下，他也在腳註裡放行。他反對的只有一件事：用 AI 生成正文文字本身。

範圍他也先框住，這是他對現在與近未來模型的判斷。他預期總有一天會出現好到可以委派寫作的模型；到那個時候，更合理的做法可能是把整段研究與寫作端到端交出去，因為那時模型除了寫作，也得承擔全部或大部分思考。換句話說，他現在擋的是人從過程中跳過的那一段，不是永遠反對委派。

論點一：寫作過程就是思考過程

做研究的目的，是對重要問題形成準確的信念，再把它講給別人聽。Grunewald 認為寫作是形成信念最好的方法之一。

Paul Graham 寫過，寫一個你自認熟悉的題目，通常會發現自己沒那麼熟，把想法變成文字是很嚴厲的測試；他也說，最後進到文章裡的想法有一半是寫的過程中才想到的，而這正是他寫文章的原因。

在 Patrick McKenzie 的 podcast 上，Clara Collier 講得更細。她說自己寫一個實質的東西時，從大綱、把它變成文字、到每一個句子，沒有一個環節她不在思考、不在改主意。常常她在玩一個轉場，怎麼寫都卡，然後發現這個轉場不通，是因為這兩點本來就不該並置，她想做的事是錯的。她補了一句關鍵的：如果把大綱餵進 LLM，它不會停下來想，這個大綱會不會是壞的。

McKenzie 接著說，寫作過程就是思考過程這件事，現在有實證了，因為你做了一台會寫作的機器，思考就自己冒出來當副作用。他又補：寫多頁的東西時，就算論點很強，逼自己把它寫成句子與段落、把論證排好，就會看見論證的洞在哪、研究不夠的地方在哪，也會浮出「這跟我原本想講的其實矛盾」；一個還算有倫理的人接下來就得承認有反證，或把結論縮到比原本想要的更小。

Grunewald 說他基本同意這些說法。寫之前必須先知道要說什麼，也就是得先想過證據與論證、形成信念。任何寫作或研究計畫，總得有人把全部東西放進自己腦袋裡：每一塊證據、每個考量、每個論證，以及它們怎麼拼在一起。用 AI 寫，會讓避開這些必要的思考變得容易。

論點二：AI 的文字模糊，錯在很難察覺的地方

人寫東西時會做一大堆小決定，這個詞怎麼選、這句怎麼排。這些小決定加起來，就是文字最後的清楚與正確。

他試過的那個例子，後來被他整段拆開來看。他請 Claude Fable 5 寫一段簡短的文字，介紹 AI 晶片走私這個問題，而這題已經被寫過、被報導過很多次。模型交出一段很像樣的東西：2022 年 10 月起，美國限制先進 AI 晶片出口到中國，想拖慢中國在 AI 最前端的進展；但出口管制的效力取決於執行，而 AI 晶片體積小、價值極高、又走遍布全球的供應鏈，這些特性讓它既值得走私、也辦得到；轉運網路透過新加坡、馬來西亞、UAE 的中間人，用空殼公司與假文件把受管制的 GPU 送進中國；規模估計從每年數萬顆到可能超過十萬顆高階晶片；負責管這個幾千億美元生意的美國工業與安全局（BIS），預算與人力比較適合一個小得多的問題。最後一句收在：晶片走私可能悄悄掏空美國 AI 政策的核心支柱之一。

Grunewald 說，這不算糟，甚至算相當合理，但這不是他會寫出來的東西，模型做了一堆他認為微妙地錯或不好的選擇。

「出口管制的效力取決於執行」這句話，要嘛在講一件很明顯的事（沒執行、執行很差的政策，效果當然比較差），要嘛什麼都沒講。「體積小」是真的，但實際上常被走私的是 AI 伺服器，那不小。更何況這件事不太重要，因為晶片走私很少是把產品藏起來闖海關，通常就是改個標籤、光明正大運出去。

「走遍布全球的供應鏈」讓晶片「既值得走私、也辦得到」，這又是什麼意思？是說走私者比較容易從美國以外的公司買到晶片？（直到最近，他們跟美國總部的公司拿貨似乎也不算太難。）還是說在馬來西亞這類國家大量買晶片比較不引人注意？（他覺得這比較接近真的。）還是別的？

規模那句「每年數萬顆到可能超過十萬顆高階晶片」，字面上為真，但低端估計幾乎一定錯，真值更靠近高端，所以這句話是誤導。模型也沒說哪一年，而 2022 年 10 月以來走私量起伏很大；也沒定義什麼叫「高階」晶片。他在腳註裡也認了，自己 2023 年 10 月寫的報告就低估了未來規模大概一個數量級。「就算低端也代表足以影響訓練與部署的算力」幾乎沒有資訊量，因為一顆 AI 晶片某種意義上也「影響」訓練與部署。BIS「管著幾千億美元的貿易」，這裡直接寫數字就好；說 BIS「的預算與人力比較適合一個小得多的問題」，一來預算與人數是查得到的，該寫出來給脈絡，二來問題「小得多」是什麼意思，比較不重要，還是比較好解決？最後那句掏空核心支柱，在他眼裡是純粹的掌聲按鈕，沒有資訊。

一兩處這種問題或許沒差，但他的經驗是 AI 寫的文字裡，這種不必要的模糊與微妙錯誤非常密集。而且你給它筆記、大綱等大量脈絡，問題照樣存在。他自己有時會用 Claude 整理會議重點，分享給同事；即使他把 prompt 寫得很仔細、附上好幾個自己寫過的範例、Claude 也拿到完整的會議逐字稿，還是會引進微妙的模糊與錯誤。他說不少錯誤看起來是 Claude 沒真的搞懂這些重點是給誰看、那些人知道什麼、不知道什麼。

Eric Schwitzgebel 從另一個角度講同一件事。人類專家的思考方式跟 LLM 不同，也更好；他們的用詞、即使是細微的選擇，都反映了他們自己未必意識到的敏感度，而專家的文字對他所專精的題目，通常比語言模型的輸出更有感覺。

一定會有人反駁：我當然會讀過再送出去，沒有一字一句認同，我不會寄出那封信，更不用說投稿，所以那些想法我真的想過了。Schwitzgebel 的回應是，點頭讀過去，跟實際把文字產出來，認知上差很多。文字一旦已經在紙上，人很容易被動地讓那個大概的用詞過關，不會像自己從無到有寫的時候那樣，費力地主動想每一個用詞。而且即使是專家，人對「是什麼在影響自己的用詞」也未必有清楚的掌握。你自己寫會寫得稍微不一樣；就算你不知道差在哪、為什麼，送出去的訊號就是不一樣。

Grunewald 說實際情況比這還糟。AI 不只寫得模糊又微妙地錯，它還是用幾乎最有說服力的方式在寫。如果 AI 對你叫它寫的東西並不真的「知道」，它通常不會停下來說它不知道，而是寫出模糊到足以為真、或聽起來為真但其實不然的東西。人當然也常錯、也常模糊，但他覺得人的錯跟糊通常比較沒那麼有說服力，也比較容易察覺。要像他那樣把晶片走私那段一處一處挑出來，得花很多力氣；如果他對這個題目不熟，大概抓不到大部分問題。但如果那段是他自己寫的，他就躲不掉自己在哪裡糊塗。

論點三：不標示，是不禮貌也是誤導

有時候他寫東西就是要給別人讀：發表在網路上、給同事回饋、當 email 寄、寄給出版社。讀者大概會預期他想過自己寫的東西，也預期文字代表他的想法。至少讀者應該這樣預期，而他也希望如此。這是讀者與作者之間的隱性契約：讀者付出注意力，作者用有價值的東西回報，可能是資訊，可能是娛樂。

Clara Collier 在同一個 podcast 上也講到這一層。她說 LLM 能產出的那個版本的她，永遠會少掉她能加的東西，不是因為模型知道得比她少，很多領域它們知道得比她多，而是因為任何人都能隨時問 Claude 任何事。如果讀者讀的是她寫的、或她當編輯選出來放在他們面前的東西，那是因為有一份隱性契約：她給的東西是別的地方拿不到的，比直接問模型更值得花時間。她說這就是她不會直接用 LLM 生成文字的原因，真要用，她會希望在對方花時間之前先講清楚對方拿到的是什麼。

Grunewald 把前面兩節接回來：文字有微妙錯誤與模糊、讀者無從知道作者花了多少心思，這些都違反那份契約。所以當他讀到一篇文字、發現它全部或部分由 AI 寫成，他對文字與作者的信任會立刻下降，而且他認為這是合理的。推廣 AI 寫的東西，或把 AI 寫的草稿丟給別人審，在他看來不禮貌，那有點像丟一份寫得很隨便的草稿給人，還把「它很隨便」藏起來。除非清楚標示，否則你就是誤導了那個預期文字是你的文字、是想過、代表你信念的人。標示當然能繞開不禮貌與誤導的問題，但他懷疑多數人並不想這樣做。

幾個例外，他也一併回答了

能不能把 AI 寫的輸出放進文章，只要清楚標示？可以，他覺得大致沒問題。有時他只是做一次淺淺的查證、靠 Claude 提供一則資訊，就會寫「Claude Fable 5 告訴我某某是這樣」。當一個說法不值得花很多時間核實，這樣寫有用；重點是輸出要清楚標成 AI 寫的，讀者才能自己決定要不要打折。他建議最好連是哪個模型都寫出來。

那整篇都比照辦理呢？幾乎從來不是好主意，至少如果你打算給別人讀。一是結果通常比你自己寫差很多；二是你標了 AI 寫，人們會、也應該會不讀。只給自己讀也多半是錯的，因為前兩節講的那些好處，你就常常失去了。

非母語者怎麼辦？有人說非母語者、英文寫不好的人用 AI 寫英文可以接受，包括不揭露。他不同意，理由跟前面一樣。用 AI 翻譯自己用母語寫成的稿子，他認為可以接受，但仍然建議揭露；整體來說他的感覺是，AI 在翻譯時保住清楚與精確的能力，比從 bullet 筆記起草要好。

他在腳註裡還留了一個沒說死的角落：如果你把 AI 寫的稿子極密集審核、大幅改寫，也許可以；但他不確定，而且那樣做並不比自己從頭寫省事多少，實務上要快，通常還是靠降品質。

如果事情風險很高，例如要寫 AI 相關的政策 memo，用 AI 加速總可以吧？他不覺得用 AI 寫真的讓他快多少。真要說快，實務上快的方式通常是降低品質，而他認為不該在邊際上降品質。DC 已經淹在一堆報告與議題簡報裡，讀的人幾乎沒有；真正稀缺、真正對政策制定者有幫助的，是對重要題目更準確、更有思考過的分析。

他的允許清單很長，反對的那一項卻很小、很清楚：正文的文字本身。AI 可以幫你查、幫你整理、幫你回饋、幫你把句子改緊；但把證據、考量、論證放進自己腦袋、決定要說什麼的那段路，他認為沒有替代品，而寫作就是那段路。

在 BlackRock 的第一個月，Mati Staniszewski 要寄一封對外的信，得先讓團隊審過一輪才送得出去。換到 Palantir 之後，入職才幾週，公司就叫他飛到北海邊的 Aberdeen，坐在客戶旁邊把現場發生的事看清楚，再帶回來。這個落差他一直記著。

後來，他成了 ElevenLabs 的共同創辦人。而 Palantir 當年那套把人送到前線的做法，如今有了一個正式的名字：Forward Deployed Engineering，簡稱 FDE。

Kevin Bai 在另一場演講上，把這個職能講成一門入門課。他現在掛在 Anthropic 的 applied AI 團隊，公司裡技術上不太有職稱這種東西；再之前，他到 Rippling 從零開始建 FDE 團隊，是第一個加入的人，一年內把隊伍帶到二十五人左右；更早，他在 Palantir 待過一段時間。他一開口就說，履歷上的公司名單不是重點，因為這門課要談的是一個職能。

買方是誰，決定你需要不需要這種人

Palantir 做的是 Foundry 這套平台，讓各種規模的組織把資料集中到一處，整理出一套本體論；用 Kevin 的說法，就是把資料變成專有名詞。倉庫就只有「倉庫」那一張表，不必再讓表一、表二、表三分別代表倉庫。有了這層整理，客戶才能在上面蓋應用。

但把這段介紹講給一位產業主管聽，對方通常只會回一句：我的資料是整齊了，然後呢？只賣技術，話就講不下去。Foundry 還附帶一筆隱形稅，客戶付了平台的錢，還要把自己的人訓練到會用，才蓋得出東西。Kevin 說，這是很糟的做生意方式。

Palantir 後來的選擇是兩件事一起賣。客戶買的不是一套軟體，也不是某個工程師的工時，而是一個結果。公司把一批很會寫程式的人送到客戶那裡，先弄懂對方生意的形狀，再在平台上把解法拼出來。一家消費品公司的主管在意的是貨架位置、是銷售周轉，不是資料怎麼被組織起來。

什麼樣的生意需要這樣一支部隊？Kevin 畫了一張二乘二的表，一邊是「你賣的東西有多技術」，另一邊是「買方有多技術」。賣技術產品給技術買方，例如 GitHub 或 Datadog，對方是 CTO、CIO，使用者本來就是工程師，這種複雜度是他們工作的一部分，不需要 FDE。賣可配置、但不是拿來開發的東西，例如 Rippling、Jira、Slack，買方不技術也沒關係。真正需要 FDE 的只剩一個角落：你賣的東西非常技術，買方卻非常不技術。

Palantir 也會遇到財星五百大裡做石油天然氣的客戶。他們的工程深度不是 Google、Meta 那種等級，那些公司的工程師要什麼應用自己蓋就好，不會來買一套蓋應用的平台。而石油公司的 pipeline 不是資料管線，是碳氟化合物。你也沒辦法期待這些客戶自己養出一支能把 Foundry 用到極致的團隊。於是有兩條路：相信客戶會花力氣自己搞懂，或者借一批他們不必招募、不必管理、也不必留下來的人。Palantir 選了後者，讓自家訓練過的工程師進駐，貼著客戶的需求，先把問題解開，再把軟體蓋出來。

這套做法後來被換成數字。把財星五百大裡的上市 SaaS 公司按平均合約價值（ACV）排開，Palantir 以四百萬美元排第一，第二名 ServiceNow 一百二十萬，第三名 Workday 六十萬；再往下，沒有一家上市 SaaS 公司跨過五十萬美元。而 Palantir 的員工數只有幾千人。

沒有平台的 FDE，叫做 dev shop

FDE 聽起來像新發明，Kevin 說它其實只是把新創早期的設計夥伴關係放大到企業規模。公司還不知道自己產品是什麼、客戶也還不知道自己買了什麼的階段，雙方會貼得很近，把產品市場適配磨出來。Palantir 當年的問題是：誰說設計夥伴關係只能發生在早期？

聽起來很浪漫，但馬上會撞到一個現實問題。如果每一位 FDE 都從零開始替客戶刻一套東西，你要維護的是一堆沒人想學的專案，程式碼品質會往下走，工程師也會先跑掉，公司的損益表則會被維護成本吃光。

Kevin 把這條線畫得很清楚：如果你讓 FDE 各自從零開始蓋，你手上就沒有一個 FDE 職能，而是一家外包工作室。外包工作室沒什麼不好，那是很賺錢的生意。差別在於 FDE 永遠站在平台上蓋，不是從零寫軟體。平台上已經有一組現成的原語，FDE 的工作是把這些原語拼成客戶真正要用的應用、流程或解法。少了這一層，你只是一次又一次重新發明輪子。

所以他在演講裡要大家先問自己兩個問題，而且問的是「需不需要」，不是「想不想要」。第一，你手上是不是真的有一個非得把複雜技術賣給不技術買方的角落？沒有的話，DevRel、開發者關係或傳統的銷售驅動流程，可能才是你要的。第二，你有沒有一個平台，或者你願不願意投資做一個？他補了一句：就算平台很強，維護負擔都已經重到很難形容，更不用說沒有平台。

原語要多細，取決於你的使用者長什麼樣。有些產業可以接受應用本身已經蓋好六成，客戶只調剩下的四成；有些場景非得給到非常細緻的設定與工具不可，不能一概而論。Kevin 拿 AWS 當例子：你當然可以自己買機櫃、自己上線、自己維護，但 1990 年代之後就沒什麼人在做這件事了；AWS 給你的是 DynamoDB 這類共用原語，讓你不必再發明一次資料庫。

接下來是分流的問題。任何只屬於某一位客戶的客製，就應該只為那位客戶存在；任何可以一般化的東西，長期來說就該被一般化。Kevin 也提醒，剛開始做 FDE 的時候，平台上的原語本來就不多，這不是問題，因為 FDE 本身就是往前偵察的角色，他們會先看到下一個該被收進平台的產品或服務長什麼樣。另外，同一個專案最好有兩個以上的 FDE 一起做，免得所有資訊壓在一個人身上，他一請假就出事；如果找外部夥伴一起做，管理的邏輯就跟你管理任何一個承包商一樣。

那 2026 年的 AI 改變了什麼？Kevin 的答案不是「大家終於發現 Palantir 那套很好」。他的假設比較根本：變的是軟體業做生意的本質。AI 讓寫程式、讓客製化軟體變得容易，於是幾乎每一個平台都變得 agentic，也就幾乎每一個平台都變得可客製。當客戶根本不知道你買到的東西能幹嘛，而你把產品成敗交到客戶的實作能力上，這樣要往高階市場賣、要往橫向或縱向擴，都會很辛苦。

同一組問題，ElevenLabs 兩題都答了

ElevenLabs 有 FDE，但 Mati 把他們放在一個不太一樣的位置：FDE 屬於產品團隊，不屬於 go-to-market 團隊。他給了兩個理由。第一，你要讓 FDE 真的去解客戶的問題，把產品往那個方向拉。第二，也是最常被漏掉的一步，你要讓他們把現場學到的東西帶回產品，讓下一個客戶拿到的版本更好。

如果只做了前半段，把力氣都花在替客戶解整合問題，卻沒有把專業知識收回產品，那本質上就只是服務而已。

Mati 對這件事的描述是拿客戶當研發。一家公司的問題很少是專屬於那一家公司的。你跟第一個客戶做完，把學到的東西放進產品體驗；第二個客戶進來時起點就不同了，而前面那個客戶也跟著受益。客戶在自己領域的專業還是他們的，那是他們贏的地方；但「怎麼把那份專業變成可用的產品體驗」這件事可以被抽象出來，可以被重複使用。

他對 Palantir 的印象，有一部分也來自這種距離感。他在 BlackRock 待過，寄信要過審；到了 Palantir，入職幾週就被送到 Aberdeen，跟客戶並肩，再把理解帶回來。他形容那種文化是：每個人預設都要站到前線一點的位置，弄清楚什麼是真實的資料問題、什麼是修得動的問題，然後把它修掉。這套想法他帶進了 ElevenLabs，連「客戶」這個詞他都用得不情願，因為在他看來，多數時候雙方是在同一個問題上一起工作的夥伴。

其他被他搬過來的還有幾件事：小隊作戰、最好的想法勝出、沒有頭銜、層級很少。他在 Palantir 的時候，自己跟 C 字輩之間只隔了三、四步；ElevenLabs 現在把層級上限訂在五層，而且他希望未來是更少，不是更多。

研究跟交付，擺在同一個屋簷下

ElevenLabs 在 2022 年成立。那時每天被談論的主題還是加密貨幣和元宇宙，AI 反而沒什麼人搶，對兩個第一次創業的人來說是難得的好時機。他們推出第一版產品的時候，ChatGPT 的第一個版本還沒問世。Mati 的搭檔 Piotr 是他認識十五年的好朋友，在 Google 做過知識圖譜的文字模型，更早在學校做影像與視覺模型的研究。Mati 自己念數學，做的是最佳化模型，曾幫英國國民保健署在 COVID 期間算疫苗怎麼配送，也待過油氣產業做能源最佳化，後來在 BlackRock 與 Pantheon 把風險模型帶到客戶端。用他的話說，他一路都站在「把東西做出來」和「把它交到客戶手上」的交界。

公司從第一天就想解一道題：研究跟產品交付，能不能放在同一個屋簷下？

觸發點來自波蘭。波蘭的電影長年只用一個聲音配整部片，不管角色是男是女，全部由同一個人唸完，情緒跟語調當場消失。Mati 從小看這種片長大。2021 年他發現這個現象還在，而且跟他小時候一模一樣。他認為未來這件事一定會被改掉：每個人聽到的是原音，帶著原本的情緒與語調。

但要解配音，得先拆解配音。整條流程有三步：轉錄、翻譯、用另一種語言重新生成。當時的技術每一個零件都不夠好，聲音一聽就知道是機器人，還沒有跨過恐怖谷。開源圈有一份還不錯的成果，可是很不穩定，生成一次要等很久；NVIDIA 在語音轉文字那一塊有一些好研究；翻譯端 DeepL 和 Google 的版本還算堪用。也就是說，沒有一條現成的路可以走，他們得自己解掉其中一步，Piotr 就是那個把研究團隊組起來的人。

真正把事情推到另一個方向的，是創作者的回饋。他們拿配音的點子去問創作者，對方說配音很好，可是今天有別的問題：錄壞的那一句能不能改掉、錄之前能不能讓腳本先唸一遍聽聽看、或者畫面上乾脆不要我出聲，讓 AI 念就好。於是他們先把語言切換放到一邊，回頭解語音生成，讓人能把內容配上有品質的聲音。2022 年，他們做出第一個跨過人聲品質門檻的模型；到今天，研究範圍已經涵蓋整個音訊：文字轉語音、語音轉文字、在地化，以及讓語音代理能對話的編排層。

訪談裡有人拿本田來對照。那段故事說，本田的創辦人認為本田不是車廠，而是一個研究引擎的實驗室，甚至把研發切成獨立公司，用銷售額的一個比例去養；只要讓工程師和研究員一直實驗，東西就會一直長出來，製造端再想辦法把它變成產品。Mati 說，這跟今天的 ElevenLabs 沒有差太遠：一個專注的研究實驗室、研究工程、產品工作，再加上很多支小隊去追特定的產品問題。

研究端只做音訊，是一個刻意的選擇。他們認為自己在音訊架構上有一批世界上最好的人，而音訊這種東西一半是科學、一半是藝術，生成出來的聲音好不好聽帶有主觀成分，所以更需要聚焦。資料、算力、架構這三件事裡，他們認為還有很多問題卡在架構上，他們想專心解那一塊。

那這份聚焦能不能擋住更大的實驗室？Mati 說他們內部確實會談這件事。他的判斷是：長期來看，純研究上的領先不一定能維持同樣的差距，所以產品和生態系變得很重要。生態系在他口中包含品牌與信任，也包含一個市集：人可以把聲音放上去、平台認證、被人使用就分潤。現在市集上有兩萬個聲音，涵蓋不同口音、風格、語言、年齡與性別；有些缺口沒人補，ElevenLabs 就自己去找人來補。

產品線有三條核心，外加三個還在發展的賭注；核心底下大約六個應用，再往下可以延伸出二、三十件事。營收最大的兩塊是語音代理與創作工具。Eleven Reader 可以把文件變成用聽的內容，Eleven Productions 處理真人在迴圈裡校正與在地化。至於知識工作與 coding，他們講得很白：那不是他們的強項，也不是他們的領域，那個戰場太兇，他們不碰。Mati 想看的是未來幾年裡，大概會有三個平台承載大部分的互動，而他們要當其中專門處理溝通的那一個。

有一條線他們沒有跨過去

這個「不碰」不是空話，兩年前他們真的試過另一個方向。當時他們想做對嘴與虛擬人像：切換語言的時候把嘴型也換掉，或者讓一個虛擬人像替你把內容唸出來。但那一邊的模型品質還不夠，問題出在影片，不在音訊。就算把最好的音訊放進去，體驗也不會好。Mati 說，在那個時間點硬做下去，對公司是一次嚴重的失焦，因為音訊在那個產品裡不會變成超能力。所以他們把那個方向停住。

現在情況變了。開源社群在影片與影像這一端出現了幾組夠好的模型，讓音訊、影像、影片可以合起來交付一個結果，他們也開始回頭看這個交集，最近的例子是把一支廣告帶到國際市場。不過這次有一條線畫得很清楚：他們不從零開始做真正的文字轉影片模型。他們要站的位置是，你手上已經有一個素材，需要有人幫你改，把音訊那一層加上去，再把它帶回家。

他們判斷一個新產品要不要做的問法也很一致：把我們的音訊模型放進這個產品體驗裡，我們有沒有獨特的優勢？如果這個體驗的瓶頸不在音訊、不在語音溝通，那就不值得做。

從一份 podcast，到一通客服電話

Deutsche Telekom 是最能說明「同一組產品能長到多深」的例子。他們用 ElevenLabs 的音訊做 podcast、做 Magenta 應用裡的內容，也用來做廣告，再把廣告鋪到受眾面前。客服中心用的是語音代理，接上知識庫：有人打進來想了解產品，很快就拿到答案；要退款、要處理最近的帳單問題，也走同一條流程。更近一步，他們把代理放進網路裡：T-Mobile 的用戶打電話時，可以請一個代理加入通話，幫忙安排預約，或者把對話即時翻譯給另一頭的人聽。

這條路是從行銷開始的。兩年前，語音代理還不夠可靠，反應也不夠快，行銷是當時最明顯可以用的場景。Deutsche Telekom 先做每日 podcast，用 ElevenLabs 的聲音把世界正在發生的事唸給客戶聽。等到價值被證明，才往客服走。

往客服走，真正難的變成整合。要接上客戶用的 CRM，要接上電話系統，可能是 SIP trunking，也可能是 Twilio；要讓代理在接起電話的那一刻，照著客戶自己的邏輯走。ElevenLabs 的 FDE 會跟對方的團隊一起在德國波昂工作，把整合做完，確定代理照流程走、有該有的知識。Mati 說，語音代理最硬的一段其實是上線測試：先用模擬通話驗證，再縮小規模試跑，然後才部署、放大。部署完也不是結束，還要持續評估、監看、修正行為。

他們把這件事的順序講得很清楚：不要只做概念驗證，要把效益驗出來，才談擴大合作。同一套邏輯也用在自家網站上。訪客可以像以前一樣填下拉式表單，也可以直接用語音跟代理講。Mati 說選語音的人不只手續比較快，留下來的資訊也更多：他們會講出問題、講出更多使用場景，公司也更容易把人接到對的地方。這個 AI SDR 由總部開發，交給各地團隊調整當地的語感。

目前跑最快的產業是金融科技，Revolut、Klarna、PagBank、Customers Bank 都在名單上；再來是醫療與電信；零售電商是今年才開始動起來。

組織這一端，ElevenLabs 的做法是很多支小隊，通常不到十個人，各自追一個產品問題。非技術團隊裡也放工程師，人才、營運、法務都有，一部分原因是把重複的工作自動化，另一部分是拉高整隊人用 AI 的水準。法務這種一定要中央化的功能還是在中央，另外還有一支團隊專門把「怎麼賣 ElevenLabs」整理成別人可以照著做的教材，畢竟產品線太多，客戶很容易被搞混。營收工程是他們花最多力氣的地方之一：對話被記錄、被教練、被整理，業務不必再手動填欄位。

透明是另一個刻意的選擇。公司裡幾乎所有文件都對所有人開放，這件事讓 AI 有東西可以彙整：現在每個團隊在幹嘛、哪些事有效、哪些沒效、缺口在哪裡，管理層看得到訊號，就能提早介入，而不是等人來報告。Mati 在乎的是資訊的顆粒度：你要聽到的是最靠近問題的那個人怎麼說，而不是經過主管轉述的版本。多數人的直接下屬接近十個，層級上限五層。還有一個他期待的方向：如果 AI 真的能改變組織的運作方式，他希望未來層級是更少，而不是更多。

這中間也有人來敲門。具體的收購提案有三、四次，最近一次在去年六月。他們沒賣。Mati 的說法是，這大概是他們最好的想法配上最好的時機，繼續自己蓋下去比較合理；Piotr 也一樣，只是他不喜歡露面。

讓機器聽起來不像機器

ElevenLabs 最初想做一個「完美」的語音代理：不該有的停頓不要有，聽起來要像人。結果是不像。後來他們加了那些該有的東西，語助詞、猶豫、停頓，跟代理講話的體驗突然跳了一個檔次，大家開始覺得可以接受。Mati 說，不完美本身就是關鍵。

這件事放在語音上會更有感。文字要靠讀者自己想、自己詮釋，但文字沒有情緒、沒有語調、沒有那些講不好的地方，也沒有停頓。語音是身分的一部分：你聽到一個人的聲音，就知道那是誰。

所以語音模型的難，有一半來自這件事。文字模型的資料再多，維度還是相對單純；語音不一樣，每一個聲音都不同，而且對每個人聽起來都不一樣。光是文字轉語音的評測就非常難做，因為不同模型生成的是不同的聲音，本身就沒辦法直接比較。

另外一條線是找回聲音。有人因為 ALS 或喉癌失去聲音，ElevenLabs 陪他們把聲音重建起來，這樣的人到現在超過一萬個。有一位音樂家失去聲音之後想繼續演出，他們重建了他的聲音，他與老團員開了一場演唱會，現在正在巡迴。一位女議員去年失去聲音，仍然想繼續鼓舞別人，第一次帶著 AI 聲音進了議場。還有一位叫 Tim Green 的人，曾是暢銷作家、也是頂尖的 NFL 球員，後來得了 ALS，他選擇開一個 podcast，今年拿到一座 Emmy，用的就是 ElevenLabs 替他重建的聲音。消息出去之後，從幾百人到幾千人寫信來問，怎麼把自己的聲音拿回來。合作對象則有大約八百個組織，分布在無障礙、教育、文化這些領域。

Mati 對 AI 的立場講得很直：這件事要為人工作，要放大人的可能，而不是取代人。同時他也知道語音可以偽造，所以防護與安全是同一條線上的事。

他們的北極星是《銀河便車指南》裡的翻譯魚：塞在耳邊，就能聽懂身邊所有語言。那張投影片在很早的簡報裡就出現過。但他們沒有打算自己造出那條魚；他們想讓每個人在自己手上的裝置、既有的工作與生活裡就有這條魚。

順著這個邏輯，Mati 把下一個瓶頸指向人跟智慧溝通的方式，裝置的重要性反而排到後面。十二個月之後，語音一定會是其中一個主要方式，而且它會懂你：把 IQ 和 EQ 接在一起，知道你現在的感覺，跟著調整，懂得停下來想一下，再重新接回對話。過去幾十年是我們在學技術的語言，鍵盤、螢幕、程式語言，都是為了控制它才學的。現在可以把方向翻回來，用人最原始的方式講話，讓技術來配合人。他拿電話與電報比喻：電報要學它的語言才會用，電話拿起來就講，講的就是你本來就會的事。

三個問題

把兩邊放在一起看，Kevin 的問題其實就是 ElevenLabs 每天的日常：你有沒有一個非得把複雜技術賣給不技術買方的場景？你有沒有一個平台，讓前線的人不必從零開始？再加上 Mati 補的第三題：現場學到的東西，有沒有回到產品裡？第三題沒答，前面兩題答得再漂亮，做的還是服務。

AI 讓「蓋東西」變便宜之後，會蓋的人變多了，但知道該蓋什麼、並且把學到的東西收回產品，這件事沒有跟著變便宜。平台的價值是把一次解過的問題變成下一次的原語；FDE 的價值是走進客戶的場景，把沒人寫得出來的規格帶回來。兩者缺一，產品就會停在展示。

Kevin 留給聽眾的定義還是最短的那一句：FDE 就是一個面向客戶的軟體工程師。你會願意把他當一般的軟體工程師招進來，同時也敢把他放到客戶面前。剩下的邊做邊學，因為這行是手藝。

https://player.soundon.fm/p/954689a5-3096-43a4-a80b-7810b219cef3/episodes/fd5c07ef-4122-424e-8567-baad5d2b8b7d

謝孟恭人生第一次商務出差，去的是千葉幕張的東京電玩展。節目開頭由善存益生菌贊助，三效順暢與舒眠兩款。

飯店在馬路對面，菸味在走廊上

行前規劃本身就很好玩。幕張附近沒有什麼好飯店，他一度想住東京市區再通勤進來，當地人提醒他，電玩展期間會大爆炸，坐車、搭計程車都可能塞在路上，最後決定住在旁邊，選了幕張新大谷，過一條馬路就到展場，東西可以直接丟回房間。一起來的朋友還是住東京市區、每天通勤進場，兩邊互相羨慕：他說你們那邊熱鬧，朋友說你這邊好近。

日本人給評價本來就嚴，他看到新大谷分數不高，還想過這會不會是雷，後來想說反正來都來了，是來工作的。實際住起來沒問題，只有一開始差點出包。他用 Agoda 訂房，到了櫃檯，飯店人員說他的房間是吸菸房；訂單上明明寫 non smoking，對方說那只是 request，是要求、不是確定的訂單，而且飯店沒有非吸菸房。他心裡立刻涼一半，問有沒有大一點的房間，結果大房間一樣是吸菸房。

當下他腦中閃過無數念頭，最後想說反正來都來了，以前也不是沒在網咖睡過覺。日本的吸菸房大概就像網咖，小一點的飯店，塑膠面板、冷氣控制器、排風口會熏出土黃色的菸焦油感。他還是升到比較大的房間，想說至少通風一點。走廊上的味道讓他很憂鬱，但房門一開，猜測是對的：大房間幾乎沒有菸味，有自己的客廳、兩張床，還可以泡澡，住宿這一關總算安心。

白底黑字的名片

出發前他特地去印名片。上一次去 Stratosphere 的活動，有團隊要換名片，他拿不出來，只能叫對方自己上網 Google 找信箱，事後覺得蠻不禮貌。他想要低調奢華的版本：白底黑字、好一點的紙、燙黑、壓凹，參考的是《美國殺人魔》裡那場互相比名片的戲。正式版來不及在電玩展前做好，先做了一個緊急備用的印刷版，紙挑了磅數高一點的。

盛大的攤位通常不好玩

網路上說，光排隊進場就能搞到崩潰。日本喜歡發整理券，什麼都要排，大家也都守規矩。他們拿到特殊票券，可以快一點進場；畢竟是來談生意的，能馬上去接觸有興趣的團隊。

大場館都是知名 IP，看下來沒有特別印象深刻。遊戲這種東西在家就可以下載 demo、或直接看影片，到現場除非是要拍 show girl，不然廠商也沒有準備太多周邊跟互動，少數像洛克人那一攤有準備一些東西，蠻多只是把東西展出來給你看看。以展會來說，他覺得電腦展比較好玩。

看完大廠才進到主軸，獨立遊戲。他接觸到先前寄信到信箱的日本團隊，成員幾乎都是各國的外國人，只是在日本成立 studio。接下來兩天到處看團隊，看到不少有趣的遊戲，也發現很多團隊的共同痛點：需要一個優質的發行商加行銷，這剛好是小南能滿足的。試玩用鍵盤滑鼠、PlayStation 或 Xbox 手把都可以。他挑遊戲的方法很簡單，就是 Anthony Bourdain 講的那句：看起來好吃就吃，看起來好玩就玩。

他先聲明沒有要臭誰。有些攤位搞得比較盛大，前面有 show girl、有 coser 在發東西，或一排五個穿制服的人在那邊發傳單，這種通常不好玩；反而是看起來乏人問津的，兩三個宅男排隊打遊戲、負責人很認真在介紹、攤位有點破的，蠻多都很有趣。他也遇到一款來自西班牙團隊的遊戲，跟對方說老婆也是西班牙 Alicante 來的，就直接聊上，交換了聯絡方式，覺得他們的遊戲做得不錯。

小南要當的那種發行商

他說明小南的定位：不是只掏錢支持，是掏錢加上不會有太多廢話，不會想拐你，也不會跟你要一堆 cut；同時幫團隊處理不擅長的事，像法務、簽約、發行、行銷，這些股東都有相關能力。跟這些團隊算是相談甚歡。

海外投資還在想。目前還是聚焦台灣團隊為主，但他們匯聚出來的力量跟資金量體，其實可以往海外進攻，所以這次也看了一些海外團隊。後面要思考的事情很多，例如投後管理怎麼做；也可能先把 portfolio 集中在亞洲，管理比較方便，真的進到歐洲再想 hub 要放在哪裡。現在確實接觸到歐洲、甚至美洲的團隊，這讓他蠻意外。

看下來，他覺得這些新創遊戲團隊充滿生命力。跟他們講話很高興，這些人在燃燒自己的熱血跟生命，做一件自己覺得很酷的事。他小時候也喜歡打遊戲，只是選了不同的路，跑去賺錢；不是說他們不賺錢，而是他們賭得比較大。他希望有機會可以協助他們，那些不錯的遊戲也都加進願望清單，就算只是當消費者，一定會去玩。

他在 deal sourcing 上算是幸運。在台灣小有名氣，很多好 project 根本不用動，就會有人餵到面前。跑到東京電玩展，人生地不熟，就有那種陌生開發的滋味：名片遞出去不一定有結果，就是交交朋友。這是他平常不會做的事，因為他現在閉俗又孤僻，根本不想認識任何人；可是為了小南、為了台灣的遊戲，他掛上微笑去換名片，連跟自己業務無關的會議，坐在旁邊聽也覺得好玩。這趟商務之旅有趣；常出差的人一定會說，那是因為第一次很新鮮，他相信，如果變成每個月都要來一次，說不定就不喜歡了。但久久一次蠻喜歡，下次還是會說服老婆讓他再來。

貼文是打暗號

他在臉書轉貼了 WCCFTech 一篇講 AMD 要漲價的文章，內容大概是 AMD 在晶圓代工這邊被台積電漲了 10%，再把價格轉出去。照往例，他會短評一下。他自己也發現，這些短評比較偏向意識流。《曼報》的 Manny 留言說，再發展個五年，這些點評說不定會變成一種文體；另一位聽眾說，節目講得很直白，但寫的內容像意識流，不太在意大家看不看得懂。他回說恭喜答對，但不是不在意，是真的沒有那麼多美國時間。

節目裡已經要把很多東西的起承轉合好好講完，貼文就變成他在打暗號：不太在意一般聽眾看不看得懂，只在意看得懂某些關鍵字的人，會不會就他丟出來的情報來跟他討論。對有些人來說像天書；節目已經相對淺白了，還是常在 Q&A 看到聽眾說聽了一兩年聽不懂，第三年才終於聽懂。那是一種專業，沒辦法。他的工作核心是股市交易，獲取情報最重要，如果意外讓大家有收穫，那就太好了。

他隨便舉一個例子。如果他在節目上只講一句「CCL 的降規事件」，圈內人一聽，短時間內資訊就爆了：上個禮拜某個大大在某個論壇發表某個言論，導致盤中一堆東西跳水，超多人跑出來罵，有人拿美國隊長做圖，有人寫文章，有人用那個萬年梗，接著外資券商發反擊文，有人認同。短短一句話，圈內人腦中瞬間跑出一整個禮拜的事；不在圈子裡的聽眾，可能正在健身房聽節目，只會想：所以到底發生什麼事？有時候他不用講發生什麼，只講事件，再講他怎麼看，就結束了。

漲最多的其實是記憶體

要把那篇文拉到節目上講，得先定義清楚：漲價的人是誰？台積電漲 10%？消息是不是真的？被漲的對象是誰？是 AMD。可是不會只有 AMD，要漲的話一定是大家都漲；市場已經在傳，明年最大的 foundry 有機會漲價。這非常合理，Jensen 自己就講過台積電的價格太便宜，C.C. Wei 也提過這些晶圓廠漲價令他羨慕，但他還是要跟客戶共同成長。如果真的缺，調整價格去反映成本，是很合理的操作。

接著就該切 AMD 被漲的產品是 CPU 還是 GPU，結果他的文章不是這樣寫，開頭直接跳針到「MSRP 的參考價值不高」。MSRP 就是標準售價；這幾年各種零組件都在漲，一張板卡上面不是只有 MOSFET 或 GDDR 在漲，被動元件、板子、甚至 socket 都在動，MSRP 不一定會及時跟著調整。消費者因此在市面上看到價格往上跑，卻沒看到 NVIDIA 或 AMD 對外宣布要漲價。為什麼？因為 NVIDIA 的賣法是整包 set 賣給下游的 AIC，GPU 搭配 GDDR 一起出去；AIC 收到的是漲價的東西，當然會反映到終端。所以就算沒有宣布、沒有 rumor，大家看到的價格還是往上跑。

他明明要寫 AMD，卻先花一段講 NVIDIA，因為他認為 NVIDIA 的顯卡漲價才是最重要的環節。他也懶得定義到底是哪一條產品，反正那是一個 rumor；在市場裡處理 rumor，有時候要帶一點藝術性，甚至要看當下的盤面做決定。最後他補了一句：漲最多的 factor 其實是記憶體，把晶圓代工特別寫出來，有點像在帶風向、讓台積電背鍋，台積電只是補刀的角色。認真寫會是這樣，但那不是他特別專業的部分；寫文章他常用意識流，把關鍵的 key facts 丟出來，看得懂的一定看得懂。他也順道佩服有些人寫《曼報》那種文章、寫食記可以寫到師承跟漁獲等級，那是文字天分，他沒有，他用聊的。

M4 就夠了的鬼故事

AI 供應鏈上超多環節在卡關，大家開始想很多 alternative solution。記憶體就是例子：有廠商開始討論，不要一直積極往更高的疊層、更高的 HBM 速度跑，八層甚至四層就好。TrendForce 寫 4-Hi 用在 H 系列的裝置可以，但在 AI 伺服器比較難；美國某些分析團體則認為應該往這個方向跑。原因還是記憶體缺貨。頻寬最重要，容量也很重要，可是容量現在有機會 offload 到外面的 DRAM、甚至 storage rack，或者用 CPU 的各種儲存，業界都有蠻多討論。

把層數降下來很直覺：良率可以變高，價格可以變低。但沒那麼單純，因為你還是需要那麼多容量，可能要多放幾顆，就會用到更多板材，缺貨的東西從這一項變成另一項，頭痛醫頭、腳痛醫腳，最後發現全身還是不太舒服。最近還有很多低規格的東西冒出來：CSP 的朋友提到，power rack 可能沒必要那麼快上線，因為原本目標的 Rubin 功耗不會到那麼高；機櫃也是類似的道理，想省錢、想快一點，就沒有那麼快往更高規格升級。

板材的鬼故事更熱鬧。有一種說法是，高速訊號在晶片旁邊就直接轉成光出去了，主機板只剩下低速控制訊號，那我用 M4 就夠了。之前大家已經講到 M8、M9，講各種夾層板要用什麼材料弄在一起，要用石英、PTFE 什麼的，夢都做完了，突然有人說只要 M4，材料持續升級、ASP 持續提高的敘事就會立刻被瓦解，市場也就出現恐慌大逃殺。

可是實際上不一定。把光引擎跟晶片封在一起的 CPO，理論上可以消掉 ASIC 到面板的可插拔光模組，或 ASIC 到背板、中板的長距離連接；但 CPU 到 GPU 的 PCIe Gen6、Gen7，還有 CXL 的 NIC 或 CXL 儲存，全部都還是跑在很高的速度，只用 M4 這種 10G 到 25G 的材料跑不太動。板材廠也提過，要導入 PCIe Gen6，材料就要從 M6 升到 M7。所以那個說法給的是一個大方向、一個思考方向，不會全面發生，因為科技最終就是會持續進步。

他每次聊這類話題都會下一個但書：即便某些環節真的被 disruption，用量其實是持續放大。例如 800V 有機會遞延，本來某一代要用，突然說要延後；但在他角度，終究要往那個方向去，所以他懶得先 sell the rumor、再等低點買回來，有時候根本不跌，跌兩根之後直接好幾根拉上去。板材廠過去發生過好幾次，鬼故事每次都在很短時間內被擊敗，實在沒必要去 trade。銅相關的類股也是，先被打爆，後來一堆都噴回新高。CCL 降規、記憶體降規、power rack 降規，某種程度上都只是短期的事情，因為運算效率越好、東西越強大，材料一定會往上迭代；超簡單的論述只講一段，沒辦法解釋板上的元件還是要互動，材料沒跟上，訊號就會損失。所以他看這是短期利空，會衝擊盤面，但不是長期不用那些東西。前陣子光通訊回檔，不是很多人說伺服器之間已經不用連接了嗎？後來七月修正完，光跑第一棒衝出去，大家又說光很香。看得超級短的人會被 rumor 打擊；槓桿開太大的人，就算不想看那麼短，部位也會被洗掉。

大盤在新高，一堆人轉空

過去一兩個禮拜，超多人在網路上說自己轉空、全面轉空，可是大盤就在新高附近，根本沒有掉下來。七月那個時候轉空還算合理，至少大家看到東西掉下來；在這裡喊空，是不是真的要警覺？他也會，如果注意到一些東西開始莫名其妙亂崩，他真的會比較有警覺。問題是大盤在新高附近，怎麼會轉空？因為一堆人手上的部位今天突破一根、明天就跌破，稍微小破底之後又拉上去；拉一個月看是越墊越高，可是每天盯盤的人，淨值一直往下跑。

他甚至聽到朋友的朋友，有在做動能的，過去一段時間已經跌破七月的低點。怎麼會跌破？就是每天看到強勢的追進去，隔天沒有辦法開高又丟，這樣搞個幾輪，錢就不見了。這個真的要小心。他前陣子看到財報狗的 Jeff 講，以他在股票裡的經驗，這種沒有連續性、比較扭的盤其實是常態，過去一陣子反而不是常態。謝孟恭自己加入市場之後，看到的多半是這種超級熱鬧的盤，所以會覺得那個才叫常態，會說現在盤好難做、沒有連續性；但這可能就是正常的樣子，那就趁現在好好習慣一下。他相信等 AI 大潮稍微告一個段落，會有更長的一段時間長得像現在這樣。

過度聚焦非常短線的東西，像「這個東西又要取消、又要 delay」，在市場上超常發生。最早 GB200 那個時候，有人喊到七萬多 rack，根本不可能；上漲的時候大家三萬、五萬、七萬越喊越高，下來的時候自己修正，砍單、遞延，變成五萬、四萬。可是認真研究，從頭到尾不就是兩萬嗎？上去的數字是大家在炒的時候自己喊上去、自己又喊下來。他認為這類似 trade 一個還在發展中的 roadmap：因為成本、供應或想快點上，東西沒在想像的時間點出現，大家就瘋狂 sell；但最終它還是會出現，等它再出現，可能又會上去。看你要聚焦短期還是長期，沒有對錯，完全看個人的交易週期。

那天他在電玩展，看到盤中一堆人在咒罵，有人說亂講。理性來看，那個人也不能說他錯：如果可以解決掉一些訊號的問題，短期內材料升級就沒有那麼窘迫，這樣講比較中性，大家也會認同。但如果突然丟一個殺手鐧出來，像前面海外的一些研調突然丟某種東西嚇大家，整個市場掉下去，那個人就會變成眾矢之的。即便他講的方向其實可以理解，差別就在用詞。

安樂死不是你安樂讓他死

上一集聊完安樂死之後，他收到一些私訊討論。有聽眾提到 AD、ACP 可以預先簽署，質疑為什麼不好好跟家人討論未來醫療處置的方式，把溝通的責任外包給至親。他坦言自己不知道 AD 跟 ACP 是什麼，但很多聽眾的說法他也覺得有道理。

節目面對的是不特定多數人，聽眾四十幾萬，一樣米養百樣人。確實有很多人的安樂死是「安我，然後讓你去死」。他也懂一些地方聽眾的處境：有些老人家感情沒那麼好，覺得那是你的身體，我跟你不好，可是你變成我的負擔；如果財力在某個水準以下、又沒辦法自理，變成家中某個人的承擔義務，那是不是就沒有資格決定自己的生死？這種話很不合理、很冷血，但如果你這樣覺得，可能你是在蠻不錯的家庭，無法想像。他在苗栗長大，身邊的朋友相對富足，觀念偏向世界大同；他小時候看過社會的陰暗面，可以理解那些人為什麼會這樣講。這中間有很多 edge cases，一定有討論空間，這也是為什麼會有法官存在：有人親自把家人送下去，後來發現他已經照顧了幾十年；也有老母親把重病的孩子送走，因為覺得自己快走了，孩子不知道怎麼辦。

他每次都說，講案例最困難的地方是聽眾太多，一定會有各式各樣的極端案例，可是沒有辦法改變的是通例：通例上，你不能幫別人決定他要生還是要死。社會上有很苦的人，他們講出很極端的東西，反映的是生活過得非常糟糕；我們也沒有辦法幫他什麼，所以有時候不用把話說得太死。他舉了一個很爛的例子：以前跟朋友一起經營飯店，業界有些人會用熱水壺洗內褲，通常是女生、大媽，喜歡用那種東西消毒。那難道房間就全部不該放熱水壺？就是會有人做奇怪的事，可是你沒有辦法為了那個很奇怪的人去改變全部人，還是要相信絕大多數的人是良善的。失職的父母、失職的曾祖父母也會有：你年輕強壯的時候我沒有受過你的饋贈，也沒有照顧過我，生的時候任務就完成了，現在你老了卻要我去照顧你，會想把這件事 over 掉，他覺得也蠻合理。

被需要的感覺是新的 DLC

有聽眾在法國念商學院，跟男友開始台法遠距離，問他對跨國遠距離的想法。他說遠距離真的不好搞，但如果只是短暫的，雙方有妥善的規劃，知道什麼時候要結婚、要有小孩，那就不會是太大問題；他們看過很多案例，最後一方就不回來了，你不回來，就要有把另一個人接過來的心態。只想且看且走，通常就結束了。設一個共同目標很重要，要一起往那個目標努力。

另一位聽眾是牙醫，說小時候以為考上牙醫系之後人生就沒有煩惱；長大後某個時間點到達自己定義的自由，好像也沒有過得比較快樂、比較不焦慮。疫情解封到現在出國旅遊大概四十次，有時候味同嚼蠟，沒有當初的喜悅。他問謝孟恭能不能像 Kobe 那樣給後輩一個 mission challenge。

謝孟恭說，一個人講的話會反映出他的狀態。他認為這不是 trading fun for joy。很多人的情況是：好不容易賺到錢，就覺得要好好享樂，要吃要玩要喝、要出國，因為他很匱乏，做這些事情會爽。他一直以來的講法是，你覺得這樣會爽，就盡量做，做到夠了為止，再去開啟一個新的 DLC；那是支線任務，不是一定要開啟的東西。他也不是要宣教，觀念還是那一句：你要選什麼，干我屁事；但如果真的想知道他的想法，他就講。

他自己就是這樣。像這次跑來日本出差，前兩天覺得很新鮮，昨天就在找有沒有辦法快一點回台灣。他跟老婆很早結婚，三十四歲就是二寶爸，也想過如果單身、如果獲得自由會怎樣。那次去德國看 Radiohead 是他第一次獨旅，老婆本來不會讓他去，他發起很大的抗議；一去就連續看了兩場 back to back，超級開心。他本來想說到德國要到處走走，結果每天在看玩具、挑小朋友的玩具，累了就回房間睡覺，叫 room service，跟想像的完全不一樣。有一個大哥講得很有道理：當你已經習慣、喜歡上被需要的感覺，那是非常有吸引力的；你在家裡會覺得自己非常有價值，可是出去一次，不一定會想要當一匹脫韁野馬。很多人對生命很有熱愛，跑去吃板前，他蠻羨慕他們覺得那很酷、會想分享；但他自己就覺得那種東西沒什麼好分享，超一般，因為錢可以買到的東西太廉價，現在誰沒有錢？十億大哥、百億大哥也沒有多屌，大家的生活都長一樣。鋪張消費、拐年輕美眉，他玩膩了，出國也不用考慮預算。

Fun 跟 joy 在哪裡？他說是被需要的感覺，跟你喜歡、你愛的人重新體驗童年。你沒有辦法回到小學、回到幼稚園去體驗當時的生活，可是跟著孩子就可以。所以在他的角度，沒有孩子就沒有 fun 跟 joy，因為前面那些東西對他來講已經沒有意義，做一百次也不會覺得高興。他這次來日本坐星宇的頭等艙，想說試試看，一點感覺都沒有，發張照片上傳也沒有；不是服務不好，就那樣，隨便掏錢都可以做到、可以重複做一百次的東西，到底好玩在哪。

他也不覺得那叫做 trading fun for joy。是你到某個時間點，會覺得生命很 empty，想要有新的 DLC。一般人可能到四、五十歲才走到那個階段，因為不是每個人都很會賺錢、很幸運或很有天分，所以台灣月子中心一堆四、五十歲的在生小孩，老來得子超高興；他們年輕時講話一定都很嗆，說什麼幹嘛要有這種拖油瓶。還沒到那個階段的人，跟他多說是無益的，他無法理解。所以他後來越來越懂家裡的長輩，雖然講話不中聽，可是他說你老就懂了。三十幾、三十五、四十歲，你會想跟朋友講這些，但一講就好像以前的老人家，所以你選擇不講，好好感受生活。他不會對聽眾發起什麼 challenge。

讓孩子在遊戲裡當壞人

有聽眾問 GTA6：老早就在講要上市，結果搞到今年才上。他想知道炒股、事件交易是不是受這款遊戲啟蒙，還有預計諾亞幾歲會碰這款遊戲。聽眾說媽媽以前都叫他不要玩，現在想想也確實，小朋友沒有建設好就碰到這個遊戲，可能會跟某個台灣藝人的兒子一樣。

謝孟恭說，這款遊戲跟炒股、事件交易沒有什麼關係。Take-Two Interactive 這支股票他是賺錢的，CD Projekt Red 他是賠錢的；之前的遊戲橘子事件，他也沒有獲得什麼收益，那時候是要出天堂。

會不會讓諾亞玩？會，他覺得沒關係。GTA 裡面非常自由，可以開車直接把一排人給鏟掉；其實每個人玩 GTA 都一定會這樣玩，但不是每個人都會跑去幹大的。他甚至有一個可能是反指標的意見：有這些遊戲讓一些人可以舒壓，社會上會少一些事件。就像日本同人展上面有各種超獵奇的色情小黃油，有些口味重到他都會皺眉頭；可是你不免會想，如果沒有這些東西讓人發洩，他不會做更奇怪的事。所以他後來懂，社會上有些東西的存在是有意義的，遊戲、影視，甚至修道院都一樣。有一種說法是，因為有這些修道院，每次生產力爆發的時候，那些沒事做、找不到工作、閒在家的年輕男生如果沒有地方去，就可能變成社會問題。

他會遵循遊戲裡給的年齡建議。像 Astro Bot 其實是非常親子的遊戲，但裡面綠色大魔王出來的時候，兒子還是會害怕；他注意到兒子害怕，就說這個遊戲你可能還不能玩，稍微玩一點，再讓你玩那個環節。他不會反對孩子玩遊戲。他媽媽以前就是讓他玩的那一個；他從小打 GTA 長大，Vice City 超讚，後來 San Andreas，再來 GTA5，現在要等 GTA6，等到花都謝了。小時候玩這些東西，算是有開啟他的一些想像，對英文的好奇、對遊戲設計之類的都有影響，跟炒股關係不大，可是對生活的一些看法有差。

前幾天跟一起來出差的朋友聊天，朋友問他哪些遊戲啟發他很大。他第一個說 GTA 系列，再來是英高的東西，特別是《艾爾登法環》，裡面的道具說明、壺人的劇情跟設計安排，都是很 twisted 的東西。可是那不代表玩的人會變得扭曲；反而他覺得，看了這些恐怖的人倫悲劇之後，會對生命產生敬畏，會知道要愛彼此。所以他不會阻止孩子玩遊戲，甚至很鼓勵。這一點跟馬斯克前幾天 PO 的一樣，打遊戲的人比較聰明，他相信。