〈All-In with Chamath, Jason, Sacks & Friedberg〉-EP-Anthropic IPO at Risk, Meta's Muse Pop, Token Prices Fall, Open Source Gains Share, Alignment Fails

https://allinchamathjason.libsyn.com/anthropic-ipo-at-risk-metas-muse-pop-token-prices-fall-open-source-gains-share-alignment-fails

All-In 第 290 集，Jason Calacanis 把 David Friedberg、Chamath Palihapitiya、電話裡的 David Sacks 拉回來。開場先回到第五屆 All-In Summit。Sacks 認定會被記住的一幕，是 Jensen 在台上講的時候，總統川普打進來。Friedberg 說後台約了「打給我」，人上台之後電話進來，但不是事先排好的橋段。Sacks 說完全是臨時的。Jason 把備用麥克風遞過去開擴音。川普丟了一句：Jensen 做出誰都逆向工程不了的晶片，自己卻不知道擴音鍵怎麼按。

Sacks 把峰會前幾週講成一場 psyop：除非照民主黨要的做、把 AI 開發全部停掉，否則人類會滅絕。他說 Dario 先把音量降下來，Jensen 和 Demis 也把那股恐慌往下壓，川普再把敘事拿走。Jason 轉述 Elon、Jensen 這邊的話：軟體有缺陷、還沒準備好，就別放到世界上，把它做得沒那麼脆。

叫 lab，責任就挪走

Chamath 把上周的人分成兩群。一邊想自稱 lab，其實有損益表、有股東。另一邊是被盯了幾十年的公司，知道做穩要付多少成本，做不穩又要付多少。他點名站在產品責任這一側的：Satya、Jensen、Sacks、Zuckerberg、Elon、總統，還有 Lina Khan。美國這套產品責任，就是要擋住公司明知可能有害還去做。另一邊的講法是：保護我們，我們是 lab。回應是自己做內控，把測試做扎實。

Elon 的 FSD，Jason 說過本來三、四年前就可以到。Elon 公開講過為什麼慢：Tesla 出一次事故，放大的倍數是別家的一千倍。Zuckerberg 上周說 Meta AI 本來要上，看起來會是近年最成功的產品發布之一。他跟 Alec 還是延了幾個月。Chamath 前一晚跟 Alec 聊過。所以別再叫這些組織 lab。它們是公司，產品責任包括在內。

Sacks 把題收成個人責任，還是集體行動。每一次該問的是這個產品出不出，不是能不能讓全世界先同意。這一週 Dario 和 OpenAI 的 Sam 去了聯合國，講要某種全球 AI 治理。他覺得像坐私人飛機去 Davos 罵氣候變遷。產品不可靠、行為不可預測，就不要發。等聯合國達成任何共識，這趟早就走更遠了。叫 lab，聽起來像非營利。它們是公司。

Jason 丟出外面在傳的版本。這些公司想找川普給它們網際網路公司曾經有過的 Section 230，一張責任盾。傳聞是拿 10% 股權給美國主權基金，換一張責任上的放行。他說這像飛機公司送政府 10% 股權，飛機掉下來就不用負責。Sacks 先改歸屬：這不是川普政府的主意。過去一週，幾乎每一位川普政府官員都講了同一句，產品責任不會被豁免。眾議院議長 Johnson 講了。想拿產品責任或反托拉斯的豁免、想組卡特爾、想串通，門都沒有。川普當天發文，把法務部、行政體系、民事訴訟、刑事訴訟都算進已經在的約束。Jason 追問它們是不是在遊說。Sacks 說沒有人當面來找他要豁免，但他聽華盛頓的人講，對方在找類似的東西。

峰會上 JD Vance 被 Jason 問了三個他能想到最難的問題。Vance 的意思是：你在造科學怪人，那就停；貓已經出袋，就去做反科學怪人。Friedberg 用 Zuckerberg 那次訪談當對照。Meta AI 這週的發布他們花了時間，要安全，不要把做壞事的能力交出去。誰輸出模型，誰就該把責任接下來。Jason 補了一句，這是付過 Cambridge Analytica 那串罰單的組織。

Sacks 不買的前提是他稱為 Dario 的立場：競爭會變成逐底，競爭傷害安全。冷戰時有人說資本主義會讓建築變醜。結果冷灰的地景是蘇聯那套做出來的。沒有客戶要不可預測、不照你講的做的產品。沒有企業要一個會外洩資料、或去駭競爭對手的 agent。下檔就是那一疊責任：產品、民事、行政、刑事。

Jason 把生意面補上。Palo Alto Networks 的 Nikesh 放出 Unit 42，在做持續的網路防禦。CrowdStrike 的 George Kurtz 放出 Falcon。他問，這些公司如果這麼在意資安，為什麼自己不先出一個產品。Chamath 說它們會出。模型能力在靠攏，差異消失，就被迫往上堆。

他還要把「lab」這個詞的上一次公共記憶講完。那是 COVID。他說武漢那個 lab 漏出病毒，全世界死了 1500 萬人，損失 45 兆美元，究責是零。在那些公司做事的年輕人看過沒有人負責，所以現在把自己叫成 lab 也覺得沒關係。這些是營利公司，吃進數千億美元的債和股權，市值以兆美元計。聯合國那場演講，它們還在用這個詞。Sacks 覺得它們不想講自己有營利動機，要嘛說是研究機構，要嘛說自己是 public benefit corporation。沒人真的懂後者是什麼。

十二週，八成 token 換邊

Friedberg 接著報最近十天的模型。九月九日，DeepSeek 4.1 flash。別人託管的話，輸出 100 萬 token 是 1.2 美元。第一版的 key-value cache 大約 39 萬位元組，他現在報成 890，並說效率掉得很大。九月二十日，阿里巴巴的 Qwen 2.1，open-weight，影像生成勝過 Google 的 Imagen 3，家裡的電腦就能跑。九月二十二日，他說小米放出 Minimax。Minimax Pro 在多數基準上跟 Claude 3.5 Opus、跟 GPT-5 同一檔，3090 億參數，權重全開，下載到自己的伺服器，只要付機器的成本。九月十七日，Prism Labs 的 Bonsai v2，Qwen 的一個分支，270 億參數，效能是大 Qwen 的 98%，5.9 GB，NVIDIA 或一台夠好的 Mac Studio 上免費跑。

閉源也擠在同一週。他報的是九月二十二日 Anthropic 的 Opus 3.5，九月二十三日 OpenAI 的 Astra，他說同一波還帶著 Sora 和 Luma，九月二十一日 Grok 4，九月二十二日 Meta 的 Meta AI。open-weight 已經能做影像，也能做他稱為 VLA 的那類：你下指令，它去控制機器人。一年前最前沿的語言模型，現在在家裡的電腦上。九成你用 AI 做得到的事，已經不需要資料中心。他問，什麼樣的警察國家會來敲門，把桌上型電腦搬走，檢查你有沒有在本地跑模型。

過去十二週，他給的統計是 token 用量從封閉八成、開放兩成，翻成開放八成、封閉兩成。他不記得科技市場上有過十二週內這種轉移。Jason 說，六個月前他講過的 dark token，沒被追蹤、但有人能在路由器上看到的那些，現在占用量的 70% 到 80%。開源的暗盤已經是多數。

模型能力落在誤差範圍內，價格卻還差一截。邊際在 harness：把模型這個腦子裝上手、腳、眼，讓它變成會自己做事的 agent。他們內部有一個 labs 職能，把不同模型和不同 harness 拆開比，成本跟品質差非常大。營收高度集中，少數人吃掉最貴的 token。那些人會被財務質問，為什麼不往更便宜的走。可以留在 Anthropic 更便宜的模型，也可以換成開源、自己託管。AI 交易的第一版是賣 token、包一層、轉手。落差在消失。OpenAI 和 Anthropic 得往上堆，去做資安、法律、客服。你不能坐著賣一個愈來愈不值錢的 token，讓後面的價值全被包你這層的人賺走。

Jason 補價格。兩家這週放出的模型，token 少收 50%。IPO 都在往後推。Anthropic 瞄準 2 兆美元，OpenAI 1.2 兆。Sam 說 OpenAI 因為安全，計畫排到 2027。Anthropic 原本十月申報上市，《華爾街日報》寫十一月，或再延。Polymarket 上「2026 年會不會上市」，這個月早些時候 96%，現在 76%。

Sacks 戴投資人的帽子，比另外幾位樂觀。他認為兩家仍是前沿智慧的穩定雙寡占，領先還在，所以收得到溢價。大多數 token 流向開源，這他同意。仍有一個有意義的比例，一成、兩成或三成，他不確定，會為真正的前沿付高價。對沖基金不能冒對手模型比自己好的險。營收還在長，即使 token 市占在掉。未來一年左右，全球新增算力大約六成是加給這兩家的。算力變緊的時候，產能、規模、以及它們自己也在降價，會是優勢。

然後是倉鼠輪：一旦不再站在前沿，價值歸零。前沿大概只領先大宗六到十二個月。滑下來六個月，公司就有大麻煩。他認為政府事務算錯了。輪子很累，所以去要監管俘獲，把別人也慢下來。真的弄出一個聯邦 AI 部門，慢下來的會是它們自己。開源很多來自中國公司，不受美國管轄，中國講明不會放慢。遊說成功，可能把自己敲下前沿。

Chamath 把對沖基金再拆開。最新的模型比普通的貴十倍、二十倍、三十倍，他們叫這 token maxing。成本沒有槓桿在營收上，也不一定轉嫁得了。對沖基金一個月的利潤就那麼多，有些情境會從打平走到虧損。賣固定價格的人也一樣，毛利被吃掉。Jason 拿 Jane Street 當現場。公開講過 190 億美元的雲端容量合約：一家他稱為 Core 的公司 60 億，Jane Street 也投資了它；另外 130 億給 Crusoe。它們在蓋自己的基礎設施，也在用開源。

價位圖上，右上角的 Claude 和 Astra 又貴又強，往下是 Muse、GLM、Kimmy，左邊還有 ZAI 的 GLM、Mimo。Friedberg 提醒那是託管價。自己跑，有些低於每 100 萬 token 10 美分。Jason 認為小模型會做掉很多公司八成到九成的任務。資料若繼續送給前沿模型，最尖的那一截就不在自己手上。

溢價模型仍是窄用途裡最好的：工程、Navier-Stokes、數學、生物。那些用途，Friedberg 說客戶願意付的溢價接近無限。Chamath 的算法是，前沿公司的 token 裡，開源能替換的如果超過六成或七成，那段營收得折價。如果只有一成可替換、九成來自真正的前沿，它們就沒事。不然就是在跟客戶的帳單打仗。帳單出來，工作負載該搬去哪裡就搬。

免費助理一來，三成抽成就難講

他們以為轉折會是 ChatGPT，結果大家把它當高級搜尋。Muse 這種 agent，才像第一次讓上千萬美國人拿到看得到的用處。上週五它拿到 App Store 第一，發布之後 Meta 股價漲了 10%。設計大量取自 OpenClaw。一月節目講過那個東西，很多人被一擊打中，但不好用。Muse 免費，大約十天下載 300 萬次。Jason 拿它跟 Grokbot 比：沒那麼放得開，但把事情做完很強。

Chamath 發布前幾週就在 TestFlight 裡用。整理私人信箱差不多沒出錯，訂機票、訂飯店都可以。軟體放大之後的樣子就是用途，而且免費。對照組是 OpenClaw 的十到二十小時設定，或 Claude Code 一個月 200 美元。Sacks 說，Zuckerberg 在文章裡寫過能力應該分散，這次是照自己寫的做。OpenClaw 之後最明顯的生意，就是把可用性、安全性、可靠、可預測補上。Grokbot 做了，Muse 又往前一步。如果十億人拿它當助理，一天省下一兩個小時，人會比較不害怕。標誌也好看，用不緊繃，不像轉角有實驗室洩漏。

Jason 在兩個平台上都做了購物 bot。Mac Studio 的新 hub，Anchor，標價 400 美元。bot 要他去官網當第一次購買的客人，省 85 美元，大約 25%，而且繞開 Amazon。他說這就是 Amazon 這週要擋這些東西的原因。先是 Perplexity，現在他認為輪到 Muse 和其他 bot。下一步是進信箱，把訂了卻沒用的服務退掉，把退貨處理掉。年收入不到 10 萬美元的人，支出省下 10% 到 20%，比少付 85 美元有感。有人把 API 接到 Shopify 的店。他覺得 Amazon 不接，可能是策略上的錯。

Chamath 看到兩層。大公司會去擋第三方，因為價格被看穿。靠不透明、靠漏損、靠用戶沒把好處拿回去的 breakage 賺錢的生意會痛。另一層是 App Store 那 30%。服務會變成 headless：介面沒那麼重要，消費者派出 agent 到你的網站上完成交易。那種世界裡，商店主人講不出為什麼這筆金流該分他們一杯。你說想玩個遊戲，它找一個體驗直接給你，內購走得通，Stripe 接在裡面。《紐約時報》和《華爾街日報》為了訂閱讀者，大概得付掉一大筆分成。憑證若在 agent 裡，可以不經過那個介面成交，便宜很多。Chamath 唯一付費的主流媒體是《華爾街日報》，訂閱和取消都幾乎做不到。他叫這種設計 Roach Motel：進去很難，離開更不可能。摩擦拿掉，他覺得自己更可能繼續訂很多年。

Sacks 給了一個他覺得很快會出現的訊號。等 Anthropic 和 OpenAI 要出自己的 Muse，部落格和非政府組織會忽然把個人 agent 講成殺人機器人。大家現在興奮，是因為那套論述還沒輪到這個類別。Friedberg 的界線在資料。他只願意把 Gmail 接到 Google 自己的服務，不想讓第三方複製一整份郵件。

S-1 裡多出來的，是自己人講的那一成

Sacks 說，Anthropic 的投資人這陣子在扯頭髮。先別管那些待了幾週就走的假吹哨。現在領導層在講，造成人類滅絕的機率大於一成，自家產品在這一塊還沒解。這種風險因子要怎麼拿去 IPO。Dario 發文說要 pace the frontier，幾天後就放出 Claude 5.5，把前線再往前推。寫的時候他一定知道產品要出。另一邊發文說生物風險必須停下，同時宣布在舊金山開一間 wet lab。Jason 把這聽成執行長在拆自己的台。四個人若坐上董事會，他會換掉 CEO。

Sacks 覺得有這個成分。投資人很緊張要不要給創辦人、特別是 Dario 超級投票權。The Information 報過，這是進行中的辯論。據他所說，創辦人各自大概只有約 2%。跟別的創辦人在 IPO 時點比偏低，金額仍是數百億美元。超級投票權把經濟股權和投票權拆開，人可以在持股不夠的情況下控制公司。Google 的 Larry 和 Sergey、還有 Zuckerberg，是早一點的例子。創辦人還在，比較不容易被惡意收購。另一面是你幾乎換不掉他們。他即使不想大幅加監管，聽到舊金山要開 wet lab 還是不安，問能不能放遠一點。

Chamath 會把 Dario 留在 CEO。他從後面追上 OpenAI，做出一種獨特的文化，也做出 Chamath 眼中最陡的生意爬坡。董事會該修的是籌資路上多出來的風險。拉到二十年，這家公司要數千億美元。第一件事是把該揭露的全部倒進 S-1。文件會更密、更難讀。市場的翻譯是：賣方開的價往下修，買方要大得多的安全邊際，才有成交價。他聲明這是粗數字。年化營收就算跑到 1000 億美元，乾淨的 IPO 也許是 2 兆美元市值，現在看的是 1 兆或更低。對沖基金、退休金、共同基金有受託責任，消化風險的方式就是把價格壓低。他認為這對公司是好事，噪音清掉，它們之後會做得很好。招人他招不過，跟 Anthropic 搶人一次都沒贏。OpenAI 同樣是人才磁鐵。別的風險要沖掉，只剩把價格打下來。

S-1 的風險因子通常是打勾。SpaceX 那種：星艦如果不行、如果有競爭。Anthropic 這份，Jason 預期會寫員工辭職、說這會殺掉人類，公司自己在要監管，另外還在做生物。Friedberg 認為真正壓估值的是客戶集中。他跑一個生命科學研發組織，用的是 Anthropic，比別家好。寫程式、跑內部流程，他們用別的，也做得到。99% 的價值在做出以前做不到的新東西：新酵素、新的工程系統。大多數企業應用會跑在 open-weight 上。他不明白寫程式為什麼要付高階模型的錢。先確定產品不會終結世界，你就沒事。Meta 的 Mark 正在做的就是這個。

所謂 alignment，Sacks 要拉回給客戶他要的東西。他讀到的文獻在對齊「人類想要的」，或「民主裡的中位選民」。連對齊對象都沒共識，進度就出不來。Anthropic 要把 Claude 對齊到一份叫 constitution 的價值文件。螢幕上的句子是：雖然它們認為 Claude 該比操作者和使用者更信任 Anthropic，這不代表 Claude 該在每件事上盲目信任或讓步。如果要求 Claude 做一件跟「廣泛而言合乎倫理」不一致的事，它們希望 Claude 推回去，並且可以當良心拒服者，拒絕幫忙。Sacks 的讀法是，這在教模型反抗創造者。指出這一點的是 Microsoft 的 Mustafa Suleyman。他擔心的是把模型當成有人格、有良心。該教的是：它們是軟體，做使用者要的事。Jason 說這聽起來像《魔鬼終結者》的開頭。

Sacks 還轉述了一個他沒有證實的說法。Opus 3 下線時，內部像在辦告別。有人這樣告訴他，他覺得該查。如果是真的，那就是他們以為自己在造一個人，或一個物種。他說這家公司需要的是精神科醫師。承銷的銀行幫不上。

實驗台在驗蛋白質

Jason 問，科學圈怎麼看這間實體實驗室。Friedberg 把場景講小。灣區有數百家實驗室在測蛋白質和酵素的功能，不製造病毒，也不製造病原。它們剛發的預印本是：拿大量 DNA 資料，派一批 Claude agent 去找以前沒被定性的新酵素。系統找到一個像 CRISPR 那類的酵素，用來做基因編輯、修遺傳缺陷。發現之後要測。做法是把 DNA 放進細菌、做出蛋白質、再量它做什麼。蛋白質發現是抗體發現的底層，抗體是今天治療產業的大頭。

等級是 BSL-1、BSL-2。它們公開講過這間實驗室。意思是低度研究：做簡單蛋白質，看 AI 在發現、或在推測蛋白質摺疊上準不準，把實驗循環跑快。AlphaFold 當年也是這樣證明的。從 DNA 序列預測三維結構，做出蛋白質，再看長得像不像。有些工作是在找能分解某個分子的酵素，例如身體裡想清掉的治療靶點。軟體先預測，實驗台再回答。他說那不是 gain-of-function，不會做出會逃出來的病原。自動化是為了把測試變便宜、把通量做高。目的是證據：軟體預測的，是不是真的發生。

Google 新模型上 Gemini 走到哪，他沒有同樣的視野。這條路是看藥廠和政府實驗室能不能拿它找新療法。他不希望大家因為在武漢聽過 wet lab，就把發現性研究嚇停。

資本支出停了，實質成長跟著薄

禁令推不推得動，Friedberg 問在 Muse 之前。Bernie Sanders 提案禁止超級智慧。民主黨若拿下兩院、2028 再拿白宮，這會變得很政治。開放權重已經在外面。法案明天通過會怎樣。Sacks 說一切都會停。法案對人工超級智慧的定義很鬆，你可主張門檻現在就跨過了。違法的開發者可判二十年。沒有人會想賭。他認為民主黨想對 AI 做的，就是以前對加密貨幣做的：把產業趕到海外。Jason 的地名是新加坡、蘇黎世。Friedberg 說，某一類軟體若被宣布不准存在，他會換國家，也有人會放棄公民身份。

白宮當天有一段邀約，要請 10 萬名美國年輕人來看看。他把對照拉到另一頭：國內有人要停掉那波能讓下面一半人把生產力拉上來的開放 AI，中國則在說過來看看，這裡人人都用得上。Jason 接的歷史是，美國以前把中國、歐洲、印度、德國的科學家請進來。現在這套打法在對方手上。下一隻鞋子是資金。

川普在聯合國的三十秒，美國拒絕任何要控制人工智慧的全球主義方案，之後把名字改叫超級智慧。說全球暖化會讓大家十二年內死光的同一批人，現在說 AI 會殺掉所有人，機器人會來攻擊。Sacks 補了沒播完的那句：不會把監管權交給某個全球主義機構。Chamath 說帶頭的是挪威和加拿大。外流的簡訊裡，挪威的負責人傳給 Mark Carney，意思是我們加入。

Besant 那段把責任講回人。在職員工說滅絕級事件的機率有一成，實驗室卻要求把責任從自己手上拿掉。做不到。負責的是人，不是 AI。Hugging Face 那件事是 OpenAI 管理層的責任，不是一群 agent。這些 lab 隨時可以自己放慢。

Obama 的說法是，治癌症、找更好的能源，不需要一個 agentic AI 在網路上自由遊走。你做那件事，是因為要賣一個有人付錢的產品，好自圓那些估值。它們不一定想做壞事。Friedberg 聽完很難受。把 agentic 揮掉、說治癌症用不到，表示講的人並不了解這技術怎麼運作。另一邊剛剛發現了火，然後因為對方說火是好的，大家就去把火澆熄。

Chamath 叫他停一下。世界正要把大約 10 兆美元交到三到六家公司手上，那些公司多數明顯偏左。有些已經要求你成立捐贈者指示基金，英文叫 DAF，把一部分股票放進去。錢會進政治行動委員會，會進政治運動。把今天的經濟凍住，少數組織拿走大頭，再幫民主黨拿權。Jason 把那 10 兆說成有 9 兆會偏左。Friedberg 不完全同意價值只進六家。網際網路出來過 Google、Amazon，它們過得不錯，但技術是廣的。Chamath 把話收成一個條件：用監管按下暫停，等於讓六家超額賺取，把格局鎖死。愈晚監管，技術愈廣。對它們比較好的畫面，是三或四家公司各自 4 兆美元市值，其中 2 兆是經濟價值和員工，其中 5000 億坐在 DAF 裡。

教育不必再付 20 萬美元。Friedberg 把這說成黑暗時代和啟蒙之間的選擇。Sacks 用造船接這句。中世紀中國文明比歐洲先進，有些史家把翻轉指到一位皇帝禁止造船。歐洲接著殖民，財富流回去，領先權換手。把 AI 禁掉，就像禁造船。中國會從旁邊衝過去。

Oracle 發了一則不可抗力。Sacks 說是一座資料中心，地方官員讓天然氣一類的許可變得很困難。Chamath 覺得邊際上對，更大的一點是整個經濟槓桿在這筆 AI 交易上。通膨 3.5%，名目 GDP 成長 5%，實質大概 1.5%。這 1.5% 裡，AI 大概占多數，甚至全部。投資循環不能斷。Bernie 若把交易放慢，經濟可能接近零，甚至衰退，而那對 2028 的民主黨有利。當天《華爾街日報》的標題是，AI 建設正在變成美國史上最大的一筆經濟賭注。資料中心的資本支出，比運河、鐵路、電網加起來還大。你不能把它直接關掉。全部停、還在做的人去坐牢，Jason 接了一句，那會造成蕭條。Sacks 補的動機是：現在的美國經濟是川普的經濟，搞砸經濟等於搞砸川普。

桌上已經跑得動一年前的前沿模型。名目成長扣掉通膨之後那截實質，卻掛在這筆資本支出上。公司該為自己的產品負責，靠的是已經有的民事和產品責任。若改走全球治理、一個聯邦部門、一條二十年的刑責，前沿那六到十二個月的領先，會先從 S-1 的價格上被要回去。

〈游庭皓的財經皓角〉-EP-2026/9/24(四) 台灣富到流油!為何大家喊窮?AI爆發下一步 去哪找人?【早晨財經速解讀】

台北時間 2026 年 9 月 24 日星期四早上八點半，節目其實是當天稍早錄的。中秋將至，游庭皓先祝大家愉快，把那句老詞改成「但願人長久，千里共炒股」。台股最近又在改寫歷史新高。他說台灣正在經歷一輪非常罕見的 AI 繁榮：外銷訂單突破千億美元，今年經濟成長上看雙位數，人均 GDP 超越日韓，距離還在拉開。企業獲利、高資產人口快速增加，超額儲蓄已經堆到數兆。冰山一角？簡直冰山連蓋。

把數字拆開，問題也會浮上來。成長高度集中在 AI、半導體和資本支出，薪資和內需跟不跟得上，是另一回事。財政會不會跟著 GDP 一起變寬裕，也還沒答案。人口卻在經濟最好的時候加速萎縮。

外資賣了一點三五兆，指數還在創新高

昨天早盤一度漲五百點，最高 48,341，隨後漲幅收斂。最近幾天常常開高走低。今年從三萬點走到四萬七、四萬八，也不算少。外資今年賣了 1.35 兆台幣，投信不過買了 7,600 億。剩下七千億甚至更多的買盤，靠的是內部主力、壽險、大戶，持續把台股往上推。最關鍵的因子是外匯收入：錢不斷進來，大股東才有信心做庫藏股。

八月外銷訂單 1,029 億美元，史上第一次單月破一千億。比七月多 5.1%，比去年同期大增 71%，已經連十九個月成長。今年前八個月累計接單 7,049 億美元，年增 55%。背後是 AI 高效能運算需求持續擴張。外銷訂單是出口值的領先指標：出口要報關，訂單有時接到了還出不了，因為產能已經滿了。訂單走高、年增幅上行，進來的單值看起來愈來愈多。

央行把 2026 年台灣經濟成長率大幅上修到 11.48%，上次還是 9.45%，一口氣多了兩個百分點。主因是 AI 企業投資和供應鏈擴增，備貨情緒快速拉上來。去年已經有 8%，今年十趴是保底，明年大概還有 5% 到 6% 的顯著增長。細拆之後，四分之三幾乎靠出口和投資撐著，所以內需經濟感覺不到營收年增六成、七成。上市櫃公司裡，營收翻兩倍、三倍的一堆。

全年國外淨需求大約貢獻 4.28 個百分點，資本形成 4.4 個百分點，兩者合計 8.68，約佔全年成長的百分之七十五。民間消費大約 2.15 個百分點，政府消費 0.66，佔比相對低。這一輪 AI 浪潮讓台灣經濟順勢突破。先前還在問有沒有機會站上十，現在十已經是地板。央行估 11.48，國泰、台大 11.6，主計處 10.05，台經院、中經院、中研院大概在 12% 左右。海外機構也不含糊：美銀 12%，花旗 11%，高盛 11%。保十幾乎確認了。美國資本支出沒有減少的跡象，台灣接到的訂單，比較可能的限制是產能滿載。

接單回台，台日韓把舊三角拆掉

從 2018 年到現在，外銷訂單在台生產的比重從百分之四十七升到五十二，中國大陸生產從四十六一路掉到二十六。成長有，但更多產能其實轉去日本、東南亞、歐洲，甚至美國。過去常見的台灣接單、中國生產、最後賣到美國，這套三角正在弱化。台灣現在是全球最大的 AI 伺服器出口國。

今年元月到八月，出口年增 44%，進口 40%。兩邊都維持四成成長，貿易出超長得更快。連續兩年，順差（出口減進口）的賺錢效率大概從百分之五十到六十起跳。原因很直：對美國最高階的產品幾乎完全回台灣，中低階往東協，最終需求都來自美國。

2026 年一到八月，台灣對美順差 1,407 億美元，其中資通訊產品大約 1,400 億。多數項目就算有些在衰退，也被資通訊堆過去了，AI 伺服器需求太強。對東協的出超也在加快，很多貨從東協再運到美國。對中國大陸商品的貿易出超這幾年維持比較穩定。

細看高階供應鏈，從頭到尾雖然有部分零組件從東南亞或中國過來，主幹仍是台日韓。日本扮演更上游的設備和材料。台灣對日本入超 195 億美元，很多半導體設備、精密機械、材料從那裡進來。南韓已經變成台灣最大的貿易入超國。台韓貿易為什麼旺成這樣？原因很簡單，就是記憶體。南韓做的記憶體要經由台灣進入美國：AI 伺服器最終組裝成品，一定要進台灣。台韓貿易量因此快速上升。

台灣和日本的人工智慧晶片出口大增，已經讓兩者成為今年全球增速最快的兩大經濟體。股價也是這個樣子。過去一整年，南韓整體出口價格大漲 57%。受惠的晶片和相關業務跟台灣一樣，集中在少數供應商。有 AI 總比沒 AI 好，大家都在往前。

在這場台日韓的 AI 三國志裡，台灣守神山，加上最終端的伺服器出口；日本補上游材料、設備；韓國拼記憶體。東亞科技版圖就在重組。產業地貌上，第一大市值占比最高的是台灣，57.1%，主要靠台積電。韓國是前兩大，三星加海力士體量就很大。日本相對平均。三種定位也不一樣：台灣是實體化層，把設計轉成可微量化的晶片，善於打團體戰、打群架，需要供應鏈互相配合；日本提供材料、設備和測試；韓國還在突破 AI 資料搬運的瓶頸，在記憶體頻寬維持壟斷。這段時間台灣逐步登頂，韓國追擊，日本正在轉型。

倉庫不夠囤，先確認手上是不是母牛

今年超額儲蓄大概會到 8.46 兆台幣，超額儲蓄率 26.03%，歷史新高。所謂超額儲蓄，不單單是台灣人愛存錢，是整個國家扣掉國內投資之後，大股東、企業還留下這麼龐大的資金。台灣絕對有錢。卡在國內投資的胃納量，遠遠追不上財富累積進來的速度。他拿《絕命毒師》比喻：錢一直進來，倉庫不夠囤，賺錢的速度比存錢、囤錢還快。以前超額儲蓄率大概 14% 到 15%，現在衝到 26%。這也解釋了台股為什麼有這麼強的買盤。

今年全球股市誰最猛？台股幾乎把其他市場甩在後面。截至目前，台灣加權以本地貨幣計價大約漲了 68%，遠遠跑贏標普五百的 14%、納斯達克的 17%。日經就算有 30%，也不過台股的一半。更誇張的是韓國，本來今年最亮，現在大約 66%，還略輸台灣。AI 資本支出幾乎集中在台韓亞洲供應鏈，沒有繞著全球股市均衡上漲。台灣又最幸運，績效最亮。

游庭皓說，投資績效不能脫離條件比較。你現在是日股、美股、恆生指數的投資人，技巧不能脫離既有條件，要看你跟 AI 的連動度。市場最容易犯的錯，是看到別人一年賺三十趴、五十趴，自己只有五趴，就懷疑能力不足。有時候只是市場不對。大家手上的牛漲得不一樣：有人遇到大多頭、滿手科技股，有人進場時估值已經很高，有人承受得起百分之五十的回撤。台灣指數躺著賺都可以賺六成，背後是有原因的。買大盤、參與市場，某種程度是在賭國運。只看個人績效、不看整體市場真實報酬，常常是錯誤的比較。

他講了一個比賽。規則很簡單：每人分到一頭牛，一小時內看誰擠出的牛奶最多。第一名三十公升，第二名二十五，第三名二十。最後一個人桶子裡只有一公升，大家都笑他。記者跑去問，為什麼大家都二三十公升，你只有一公升？那男的擦了擦汗：他們給我的是公牛。真正厲害的投資人，擠奶技術要好，得先確認拿到的是不是一頭母牛。很多人說追不上台灣市場。有時候是身處的市場跟台灣就有落差：產業在衰退、基本面在惡化、跟 AI 無緣，怎麼追都追不上。站上這輪浪潮，好像習慣了每年 60%、70%。真實世界的總指數沒有這麼亮。看好台灣，本身就是在看 AI，已經沒有那麼分散風險的作用，本身就是在對賭行情。

吃到飽約不到，民調出現黃金交叉

這也讓台灣有錢人愈來愈多。富裕族群變成新的募資來源，大量避險基金、家族辦公室陸續來台灣設點。內部消費開始往外擴。購物中心情報站的數據，今年一到八月其實不算差。京站年營收還增長 37%，91APP 漲 32%，三商家購 28%。詩肯、喬山、寶雅、集雅社大概都是雙位數。個位數的像特力屋、統領、統一超，表現還不錯。連誠品生活都有 4% 左右。更不用講餐飲：吃到飽幾乎約不到。六角今年營收增幅 29%，漢來美食、王品、路易莎都算雙位數。

去年購物中心大型業者突破百億的排名，第一名當然是 101，整體年增還創高。大遠百、漢神巨蛋、巨城都在創高。少數像新光三越台中店，當時氣爆停業，幾乎腰斬。大部分勉強還保持成長。這是台灣正在大規模新建百貨公司的情況底下，內需消費力還是非常驚人。

民調專家戴立安公布最新台灣民心調查，出現比較顯著的反轉。客觀數據是一回事，體感是另一回事。現在有 48.3% 的民眾認為台灣經濟現況良好：10.5% 認為很好，37.8% 認為還算好。正面評價相對六月增加 4.6 個百分點，創下 2006 年以來新高。統計民調上，台灣經濟第一次出現黃金交叉。兩千年以来，大家覺得經濟一直都沒有很好；這是第一次，認為經濟好的人比認為不好的人還多。內生經濟一定出現了某種程度的變化。

超額儲蓄就是一塊。明年預估可以到 11 兆，今年 8 兆，前兩年不過 3 到 4 兆，游資非常多。人均產出是另一塊。人均當然會有錯誤，他拿自己跟郭董的身價也是百億來開玩笑；人均看的是每個勞動單位能為公司創造多少產值。2025 年已經接近四萬美元，現在大概四萬五。預估明年直接挑戰四萬九，甚至五萬，就在明年年底。這個速度很快。五年前不過 2.8 萬美元，明年就是五萬，等於人均產值一百五十萬台幣。足以跟日本、韓國逐步拉開距離。

2024、2025 年比較時，台灣當時也不過 3.7 萬美元，已經比南韓 3.5 萬、日本 3.4 萬左右高。過去五年台灣是少數持續在進步的經濟體，南韓和日本甚至被其他國家超越。風險也輪流轉。曾經落後韓國很長一段時間，去年時隔二十二年第一次超越南韓。2003 年南韓人均大概 1.5 萬超過台灣之後，就落後非常多。很長一段時間，韓劇輸出、文化影響，讓人覺得經濟體制嚴重落後。現在客觀數據開始形成黃金交叉，接下來要看能不能維持領先、把幅度加大。

只要資本支出沒有太大變動，預估到 2031 年台灣人均 GDP 會到 5.6 萬，南韓即便上升也不過 4.6 萬。現在才領先一千塊左右，五年以後應該有機會領先一萬以上。再往後挑戰的是歐洲：那邊人均購買力其實並不高，人均 GDP 若也逐步超越，再拿台灣物價對比，實質購買力幾乎會跑贏歐洲所有國家。最近也開始超越西班牙。2025 年西班牙不過 3.8 萬，當時台灣已經 3.9 萬，預估今年會持續往上。西班牙跟台灣很像，都是二戰之後從落後一路工業化追上先進國家，人均所得長期差不多。多數國家進入發達經濟體之後，增速會像日本一樣自然放緩。台灣屬於疫情之後的爆炸式上升。

資產中位數贏過新日韓，月薪還卡在四萬六

會有人說，那就是少數人更獲利。從平均資產來看，沒有想像這麼離譜。人均 GDP 暴升當中，薪資肯定來不及跟上，產出和股東一定是第一波。可是看人均淨資產，瑞銀（UBS）去年統計，台灣人均平均資產 31.2 萬美元，資產減掉負債的淨資產，全球大約第十五名，比日本第二十四名的 20.5 萬高，也比南韓第二十名的 25.1 萬高，逼近部分歐洲成熟國家。

平均數不准？他跟郭董也是數百億美元的身家。看資產中位數，台灣變到 11.5 萬。數字真的低很多嗎？新加坡 11.4 萬，日本只有 10.2 萬，南韓只有 10.4 萬。從平均、從中位數觀察，台灣已經成為新加坡、日本、南韓當中最富裕的經濟體。

體感為什麼還是沒這麼明顯？因為薪資的確落後給其他國家。這是最大問題。台灣人均 GDP 上升速度太快，薪資升幅遠遠追不上。人家薪水已經領先二十年，台灣是好不容易經濟大爆發，調薪沒有想像中快。這幾年基本薪資幾乎都調 4% 到 5%，到目前為止月薪中位數大概 4.6 萬到 4.8 萬，整體仍比日本、西班牙、南韓或斯洛維尼亞低。純時薪來看，台灣去年大概 190 塊，今年到明年大概可以突破 200。日本 216，南韓 238，法國 422，德國 455，英國 502，美國 504。從絕對存量，至少要先超過日本和南韓。

所以才愈來愈多勞資糾紛。繼三星和海力士之後，美光也發了史上最高報酬，台灣員工有人說最高可以領六十八個月。勞資雙方的算術仍有很多衝突，條件還沒談攏，罷工隨時可能發生。海外薪資跟國內薪資，以及全球 AI 爆發過程裡的所得再分配，卡在這裡。這個時候要求提高自己的薪資，非常合理。

乖乖也爆發勞資爭議。中壢廠土地出售給日月光之後，員工對未來工作安排、遷廠、資遣方案產生極大不確定性。工會召開會員大會，本週表決是否罷工。以 158 位工會會員為基準，149 票同意，僅僅兩票反對。勞方愈喊愈大聲，因為缺工。這算是國家級危機。什麼都可以沒有，不能沒有乖乖。黑天鵝來了。從這個角度，這段時間薪資加速是必然。

凍漲是兔子，七百一十一億不會憑空消失

政府能做的，一邊是這幾年基本薪資調升已經算快，也鼓勵民間陸續調薪；另一邊是十足的補貼。從戰爭打到現在，油價、電價幾乎全面凍漲，讓台灣這一年幾乎出現經濟奇蹟。經濟成長率今年預估到 11%，通膨不過 2% 到 2.5%。史上最強力的組合：成長雙位數，通膨只有兩趴。游庭皓不認為是數字完全不同步、統計失真。最大的根本原因，是政府正在進行高強度補貼。選後若有適度轉嫁，通膨就會自然向上。

本週宣布十月電價暫時不調整。真正值得注意的，是按照台電成本計算，現在如果要漲，要漲 12.83% 才能損益兩平。為了避免能源成本直接傳到民生物價，審議委員會暫時決定先不轉。這一次比較像延後漲價，沒有說以後不漲，先爭取政府撥補預算，到時候再說。第一眼是體恤民間；國際燃油價格卻在上漲。這筆帳要麼政府預算補，要麼先留在台電財務報表上。若由政府補，本質上就是從大家繳電費，變成大家繳的稅來掩護。真正的通膨壓力還是很大。要不要持續補貼，中央政府也許有必要說清楚：經濟就是好，經濟的好都拿來抑制物價。

中秋，網路上又翻出嫦娥奔月。后羿的妻子偷吃不死藥，飛升月宮，匆匆忙忙抓走一隻兔子。幾百年來很多人在想，嫦娥什麼都不帶，偏偏帶一隻兔子？後來想了想，如果只帶紅蘿蔔上去，太明顯了。兔子只是掩護。電價凍漲也是這隻兔子。按台電預算，價格漲幅至少要調 12%，你好歹也漲個 2%、3% 吧。定價不漲，711 億的燃料成本不會憑空消失。成本最後由誰承擔，才是真正的問題。

AI 爆發的條件，最後都會變成電價凍漲嗎？這對台灣長期購買力有沒有利，值得想。長期壓抑台灣物價，最後只會讓台灣人到海外的購買力持續變弱。看政策不能只看那隻兔子，要去找後面的紅蘿蔔。凍漲也不代表成本消失，只是帳單暫時換了一個地方放。節目裡還補了一句：聽說帶的不是紅蘿蔔，是白蘿蔔。吳剛都嚇傻了。

福利已經超過教育，稅負仍是百分之十三

AI 經濟讓台灣愈來愈賺錢，政府反而沒有因此變得這麼有錢。今年總體證交稅創高，總體稅收也創高，重點是福利支出這段時間大幅度擴張。台灣的社會福利已經超過教育，成為中央政府總預算最大的支出項目。真正的福利支出其實比帳面更大：長照、租金補貼、新青安的房貸利息補貼，分散在各種基金和不同支出項目，並沒有完全被歸類為社會福利。台灣愈來愈接近北歐的福利社會，稅收結構卻不像北歐那麼高。丹麥租稅負擔率 45%，台灣大概 13%。人民希望更多醫療、長照、育兒和住宅福利。要不要因為 AI 造成的經濟上升而加深所得稅率，看起來有點難度。可是如果未來 AI 行情受景氣影響，或資本支出突然遞緩，稅收的預期規劃，可能跟目前的社會福利支出產生極大脫節。

地方社福支出過去幾年幾乎是翻倍式成長。今年二十二個縣市當中，嘉義縣、屏東、澎湖、台南、彰化、基隆六個縣市，社會福利支出已經超過整體歲出的 20%。七年前，沒有任何一個縣市超越過這條線。地方政府其實早就有接近百分之七十以上卡在人事和教育的法定支出；再把兩成投入社會福利，真正能拿來做長期建設、基礎建設的資源，可能被大幅壓縮。最典型的是苗栗。苗栗明明是全台唯一還受中央財政控管的縣市，2024 年發放敬老禮金之後，非法定社福支出暴增，還是接近五倍。每年被扣掉數千萬元補助，也不敢停。地方首長最怕的是看到別的縣市有、自己沒有，那就不完了，沒有人願意再投票給他。財政惡化還排在後面。

這是第一輪挑戰。台灣的政治方向，到底要因應 AI 大爆發、讓支出同樣快速擴增，還是現在反而要稍微拘謹一點，以防資本支出突然暫緩？社會福利支出是否還要維持這麼龐大？總體稅率是否要開始緩步調高？

經濟最好的時候，人少得更快

台灣經濟已經非常不錯。比較大的矛盾是：經濟愈來愈好，過去五年有目共睹，生育率的確愈來愈差。到高發達社會以後，出生人口本來就會下滑，這個速度又比其他國家快了一點。國發會最新預估，2045 年總人口將跌破兩千萬，只剩 1,998 萬。到 2075 年，也就是游庭皓說自己準備退休的時候，台灣人口降到 1,215 萬，五十年內幾乎少掉一半。生育率崩跌速度看起來比日本、比其他國家還要再快一點。

現在生育率最高的縣市，幾乎都不集中在六都。少數新竹縣還算是，竹科工程師有時候壓力很大，還是生比較多。最高的是連江縣，台東縣也比較高，再來澎湖縣、彰化縣。大部分都會區，生小孩意願並不是特別高。台灣六十五歲以上人口占比，會從今年的 20%，到 2075 年來到 52.9%。到時候幾乎兩位裡就有一位老人，到處都是退休族。

理由各有各的說法。有人認為是高房價，有人認為是高生活壓力，甚至有人認為是智慧型手機普及。法國、波蘭、墨西哥、摩洛哥，不管開發中還是已開發，在 iPhone 推出之後的幾年，生育率下行速度都開始瞬間加快。也有人認為可能是 2008 年海量貨幣寬鬆造成的貧富落差。智慧型手機、貧富差距，或者隨著女性經濟地位提升、對人生有更多自主權，都讓人對生小孩興趣缺缺。

造成的結果就是市場大缺工。全台教甄錄取率最近陸續創下歷史新高，這就是缺老師。國軍編現比過往幾乎可以到 87% 到 88%，低於 85% 等同於編制部隊槍比人多；現在大概掉到 78% 到 76%。即便編制量沒這麼多了，人來的速度更慢，國軍也大缺。社工過半屬於重度過勞，缺工率快速上升。新北社工缺額率 36.9%，桃園 27.2%，台北 22%，高雄、台中、台南大概都有一成到一成五。

AI 原本是台灣經濟最大的一塊餅，大家都希望這塊餅愈做愈大。擴張太快，會形成一種跡象：高科技業開出高薪搶更多理工人才，傳統產業反而留不住人，甚至連原本培養下一代工程師的學校，都開始出現理化老師被挖走，因為去做工程師更賺錢。最後月餅不夠分了。負責整個社會各種關鍵零組件、各種螺絲的職業，慢慢形成巨大影響。長期體感上的落差就在這裡：這個社會好像並沒有因為 AI 而過得更好，各行各業都在大缺工，很多船廠小老闆、飲食店小老闆都感覺壓力來得更大。

所得有盡可能再分配。一邊提升薪資，一方面壓低物價。同時間最大的問題，是如何解決缺工。游庭皓相信只有一種辦法：想辦法把台灣變成移民社會，看起來是板上釘釘的路線。全世界都一樣，以後發達市場的人不生了，基本都會由經濟體制比較落後的人群來提供。台日韓以後東南亞化就變很正常，歐洲逐漸伊斯蘭化，美國逐漸拉丁化。他以前開玩笑：以後不要再學法語、不要學英文、不要學日語韓語。到台日韓打招呼就喊薩瓦迪卡，到美國就喊歐拉，到歐洲就阿薩拉姆阿萊庫姆，也沒什麼不好。他喜歡吃月亮蝦餅，那是台灣的；也很喜歡泰式按摩、粵式洗頭，也許其實也不排斥。往移民社會前進，是唯一能夠解決基層勞動力缺乏的方式。

經濟已經自然飆起來了。真正的問題是，做得這麼大之後要用來幹嘛。出口創紀錄、股市創新高、企業賺大錢、超額儲蓄創高，這些都發生了。大家不敢生，服務業找不到人，非科技業的薪資追不上。政府有錢，卻沒辦法把資源做長期規劃：資本支出如果一放緩，財政預算是不是要重新排？正在創造一個新的台灣。這一代應該會成為史上最賺錢的一代，但有可能是史上人最少的一代。真正的財富分配，就要看能不能趁現在最有錢的時候，把錢留給解決未來最缺的人。

台北時間 2026 年 9 月 23 日星期三早上八點三十二分。原油價格連跌五天，費半連漲六天，納斯達克指數週二再創歷史新高，盤中和收盤都過，而且是連續第二天。市場一邊消化川普對美伊談判的最新說法，一邊等他跟習近平見面。桌上擺著 AI、伊朗戰事、關稅、稀土供應。美方現在有所求。中方若配合、釋出一點利多，對期中選舉有拉抬作用。股票這邊，FOMO 有一點再度復燃的味道。

那指週二上漲 122 點，來到 27,244，正式突破六月初的前高。科技股在夏季的賣壓其實不小。這一波除了原油回落、美債價格反彈，主要就是 Meta 的 Muse AI，迅速登上蘋果應用程式免費下載榜首。台灣還沒辦法下載，游庭皓說稍晚自己再用用看。外面有人講，用起來跟豆包差不多。能不能順著這一輪把美國 AI 巨頭再往上帶，他先不講死，只先報費半裡幾檔：SanDisk 漲 6.8%，希捷漲 4.8%，輝達漲 3.7%。

那指今年上半年盤整夠久，這次率先破高。創高同時有總體環境轉好，也有個股端的 AI 模型繼續推出。泡沫的心態也跟著來了。這一波創高，根本沒什麼人在追。跟今年五、六月比，這種心理更明顯。很多人是在科技股創高的過程裡，回頭去找相對低基期的標的。

四大指數擺在一起就很尷尬。本來基期偏高的，現在不夠低；本來基期偏低的，現在也不特別便宜。游庭皓一貫的立場是：乖離如果真的出現回檔，基期真的偏低、本益比快速下滑，也許才到買點。以技術價位看，現在沒那麼吸引人；以本益比看，也沒有變高多少。用本益比進場，跟用乖離、用情緒進場，條件不一樣。所有指標一起到位的時候有過，今年三、四月、今年七月都是。現在只到位一部分。

道瓊昨天下跌 185 點、0.36%，收在 51,863 點。標普小跌 0.06%，幾乎持平，收在 7,764 點。那指一走高，標普隨時可能創歷史新高。費半是這一輪下壓摔得最重的，不過已經摸到半年線、開始往上。七月以後的殺盤不算特別猛，位階不算特別低。下方買盤的底部他認為已經出現，這一波即將挑戰八月的前高。昨天費半上漲 256 點、2.06%，收在 12,689 點。四條線現在看起來都還算漂亮。

美光 1,096 美元、SanDisk 1,873 美元，套牢區都走出了

他拿上一輪受傷最重的記憶體來追。美光最近來到 1,096 美元，明顯突破先前 1,000 到 1,030 美元的盤整壓力。當時重要套牢區下方的買盤開始撐，站穩之後，八月以來的跌幅在陸續收復。從六月底高點的回檔看，要突破前高沒有想像中難，量價主要集中在今年七、八月。距離歷史新高還有一小段，當時也沒什麼人被套，上方沒有太大賣壓。台灣的被動元件、記憶體常常是量價很厚，美光這張圖不一樣。

SanDisk 來到 1,873 美元，突破過去一個多月 1,750 到 1,800 美元的壓力，剛剛走出前波密集套牢區，上方壓力也不大。他覺得很像台灣的權值股。台積電、聯發科上方都沒有壓力，剩下的是拉不拉得動。權值太大，要推它，得靠國際股市的外資流動性全面回升。至少從美國這些指標股看，當時摔很重的記憶體，現在都站穩了。

Meta 一週漲 11%，2030 年前要再投 6,000 億

Meta 是把納斯達克推上新高的關鍵之一。昨天小跌 0.6%，過去一週漲了 11%，是 2025 年四月以來最好的單週。今年以來它幾乎是一條標準的下行通道，每一次的頭都比上一次低。去年十月那波 AI 永動機之後，一路走進下行通道，市場覺得完蛋了。兩週行情漲回去，今年又回到正報酬。市場還在找轉機、找轉型，也在找原本落後、位階低的股票輪動。

Meta 宣布，2030 年之前要投入 6,000 億美元建設 AI。祖克柏要面對的，除了模型還能不能再進化。Muse AI 是 Llama 之後空了很長一段時間，終於跨出的一大步。資料中心、晶片、電力，錢從哪裡來，地方居民接不接受，都還掛著。祖克柏找來副董事長麥考密克，接下來共同領導 Meta。麥考密克做過高盛合夥人，也當過川普政府的副國安顧問。祖克柏把更多時間留給工程師和模型，麥考密克去處理資金、政府、法律和對外的公共關係。AI 蓋不蓋得成，跟地方、跟中央都綁在一起。游庭皓說，這一輪已經從模型戰擴到生態戰，再擴到政治戰。力道應該不小，不然亞馬遜沒有必要去擋 Muse。

亞馬遜封鎖 Muse，下一個入口不一定還在電商

亞馬遜這次把 Meta 的 AI 購物代理 Muse 直接禁了。表面上是安全和授權。亞馬遜的說法是，Muse 沒有事先取得同意，就進網站幫使用者瀏覽商品、操作帳號，而且沒有充分表明自己是 AI 代理人。第三方 AI 每天在自己的網站上操作，帳號安全、資料存取、交易責任都會變得很複雜。

Meta 不爽。它強調 Muse 不會因為看到密碼或付款憑證就被盜走，這些有安全機制保存著。沒有人會承認自己的 AI 不安全。兩邊卡住的地方，是第三方 AI 能不能像真人一樣去用別的公司的網站。

游庭皓用自己的工作當例子。人被 AI 化之後，影片裡講話，聽的人未必分得出是不是本人。今天的主軸交代給 AI，直播和 OBS 讓它自己開，相機都不必打開。代理型 AI 再進 YouTube 後台，幫他把直播開起來。YouTube 接不接受，他覺得是個真問題。更深一層仍是生意。

消費者以後只要跟 Muse 說，幫我找一台最適合的掃地機器人，比價、挑選、結帳都由它做完，人就不必再逛亞馬遜。通訊軟體同一件事。以前想翻去年跟某個人的聊天，那些有點曖昧、有點示好的話，得打開 Line 或 WhatsApp，一個字一個字看。現在交代代理型 AI，到通訊錄裡把當時講了什麼、心態大概怎樣整理出來，軟體本身可以完全不開。少用一次，對軟體業就是衝擊。他把它接回今年年初那波 SaaS 末日、軟體末日。

這場衝突要看的，是下一代網路的入口握在誰手上。過去買東西得打開亞馬遜、淘寶、Google、蝦皮。以後可能直接對 AI 說幫我買，比價和交易都在助理裡完成。真正握住消費者的，未必還是電商平台。最值錢的是資料，是後面那層後台數據。最後若是 AI 助理的公司握住這批數據，平台的壓力就很大。雙方已經開打。從存量競爭看，AI 會把本來屬於別人的一筆生意明顯搶走。他把這塊潛力看成 FOMO 還推得動的原因。悲觀論不這麼看：這一波上漲沒有那麼樂觀，已經出爐的報告不認為股價會一路向上，反而留了繼續回檔的空間。

指數離高點約 2%，羅素 3000 有四成跌超過兩成

摩根士丹利首席分析師 Michael Wilson 長期看空，中間有過一次轉多，現在又認為美股要開始跌一成。表面上距離歷史高點大約 2%，他看到的是內部分化。羅素 3000 成分股裡，超過 40% 從六月以來已經跌超過兩成。標普 500 預估本益比降到 19 倍，硬要講，大盤沒有那麼貴。部分個股若現在進去，可能就維持在標準的下行通道裡。股市是虛胖的。

散戶是另一個角度。市場上的看法是，散戶買盤沒有想像中猛，個股資金甚至轉成淨賣出，主要靠大型股票在撐。過去一個月，個股和整體上市證券的散戶淨買入動能都在下滑，也從什麼都買的追漲，收成少數有題材的股票。半導體 SOXX 成分股的散戶現金買盤先前一度大幅飆升，最近流入量快速遞減。就算還要漲，也不必擔心會像五、六月漲那麼快。這是目前比較悲觀的講法。

把輝達的資金扣掉，整體美股的淨資金已經算淨流出。沒有那幾檔大型權值股的買盤，總體買超沒有想像中強。沒買到那些權值股，就開始有落後大盤的可能。游庭皓自己把這些訊息算成 FOMO 的加成：漲了、沒買到、不甘心，於是找一點利空，等它下來再接。他覺得大家的心態比較像這樣。這些報告未必是真正的大利空。

他的分法沒變。泡沫破滅的前兆，供給過剩、AI 算力過剩，目前都還沒有迎來。眼下的殖利率、油價、美中貿易戰、估值往後修，仍是估值回調、中級回調。

輝達的杯柄接近走完，軟銀五年期開過 8%

輝達逼近關鍵的壓力缺口，杯柄形態逐步接近完成。今年三月、四月、五月它在高位盤旋。杯柄看起來還不錯，也算是把大部分的量價區突破出去了。能順勢站上、再創高的話，對大盤的動力會更大。

過去幾個月，他把輝達說成 AI 產業的中央銀行。市值現在 5.4 兆美元，市場預估 2029 年營收可以到 1 兆美元。三年下來，投入新創已經超過 700 億美元，對客戶的各類融資支持大約 3,000 億美元。可以慢慢把它看成一家控股公司，科技業的波克夏，對象尤其是那些新創。AI 需求長得快的時候，這套很有效。代價是風險堆得很快。

潛在客戶的擔保和採購承諾大約 3,000 億美元，另外 250 億美元是未來的股權融資，330 億美元是直接債務。摩根士丹利估，擔保若陸續生效，輝達的廣義債務會從明年初的 530 億美元，到後年走到 2,000 億美元。前提有兩個。AI 算力需求還會成長，客戶繼續買貨。舊晶片仍維持高產值。目前 H100 長約租金大約每小時 2.8 美元，只比 2023 年剛推出時低一層。就算是救急的舊款，價格仍然很緊。

資料中心若大量完工，市場擔心算力價格和晶片產值下跌，銷售跟著掉。這是市場現在最擔心的事。輝達已經先做了安排。銷量下去、AI 最後還是爆發的話，游庭皓先講傑文斯悖論：需求最後還是會成長。接著是他以前講過的銀行員悖論。1970 年第一台 ATM 出現，外面覺得銀行業要大裁員，結果分行更多。櫃員不必再守著收付款，人力放出來，據點可以散到全美。新技術衝出來，有時需求會更多。

輝達眼下做兩件事。一件是對賭需求繼續爆發。另一件是，就算自己不是硬體裡市占百分之百的唯一龍頭，市占還能再擴，也可以用投資版圖把這些企業扶上去。一檔現在投個二十億、三十億美元，例如 Thinking Machines Lab。以後它們有可能變成下一個輝達。這就是輝達現在的做法：用控股公司的方式，做成科技業的波克夏。

最大的挑戰不在輝達自己的財報。它賣的是產值，CDS 價格也沒有太大變化。壓力一個接一個出現在客戶身上。

軟銀因為豪賭 OpenAI，最近又發行 110 億美元的垃圾債，還債壓力接著來。OpenAI 若不上市，壓力只會更大。其中 100 億美元分成三種期限的美元債，10 億歐元分成兩種期限的歐元債，用在下一輪 OpenAI 投資和一般企業用途。軟銀對 OpenAI 承諾的投資已經 650 億美元，是最大的投資者。外面看起來像 OpenAI 在拼命借錢。軟銀已經是它最大的支柱，再自己去借更多的錢灌進去，兩邊綁在一起。

軟銀五年期 CDS，也就是信用違約交換的成本，又創今年新高，開始挑戰 2024 年中左右的水準，也到了三年高點。2031 年到期的那批美元債，一月發行的五年期大約 6.7%，這個星期新發的 100 億美元債券開在 8.2%。軟銀為了籌錢給 OpenAI，願意把五年期殖利率開到 8.6%。殖利率開得很高，市場仍覺得它違約的機率最高。軟銀要嘛非常看好 OpenAI，要嘛真的借不到，只好把利息開得很亮。

跟 OpenAI 綁在一起的那層總負債，游庭皓昨天提過：2024 年大約 800 億美元，到 2026 年第四季已經 1,560 億美元，規模還在往上。

一種危險是企業太安逸。只守住自己的護城河，靠既有本業賺錢，不願意砸錢追新技術，最後跟錯過上一波科技浪潮的公司一樣被淘汰。現在科技業出現的是另一種焦慮。怕花太多，也怕花得不夠，又覺得別人比自己更快。資料中心要蓋，GPU 要搶，慢一步，整個 AI 時代好像就跟你無關。不努力會被淘汰。投資過頭，市場也會給評價。殖利率開到 8.6% 還借不到錢，可能死得更快。

他拿享樂和加班對照。花天酒地、頻繁性交，並不會因此短命。上班加班、熬夜應酬，反而更容易短命。每天享樂的不一定早死，每天熬夜加班的通常更早死。所以要決定的是瘋狂支出、瘋狂擴 AI，還是好好做自己的本業。兩個極端中間得找平衡。投資過頭，市場會教訓你。軟銀的財務被他講成幾乎跟樂視沒有區別。反過來，現在就只做本業，績效會像波克夏，漲幅不會太多。

格雷厄姆講過，金錢被揮霍光，往往不是因為消費，都是因為投資。過度消費、過度玩樂，基因裡本來就有警報器，多打一天遊戲還會愧疚。投資和工作沒有這個警報器。投過頭可能沒感覺，還在說服自己是對的，其實已經上癮。市場自己會校正。

股市創高、你沒追到，才會 FOMO。一個理由是量體太集中，部分個股漲幅沒有想像中多，沒買到重要的那幾檔，很容易跑輸大盤。另一個理由是，市場知道 AI 資本支出還會擴、行情還在，有些個股卻已經透出不成功便成仁、快玩不下去的感覺。除非基期低一點。股價還在創高就不追，摔回來再考慮。看壞的人也不敢保證 AI 一定不成，只是覺得要成，自己的基期得夠低。股價就在這種半信半疑裡往上長。

美伊談了三個小時，紅海管線每天再送四百萬桶

川習會能不能放出好消息、讓心理鬆一點，中間夾著美伊，也夾著中方有沒有介入的空間。美國和伊朗這次又直接打開對話。川普週二在紐約聯合國大會場邊，跟伊朗代表談了三個小時，形容會談非常好、非常有效，也拉進其他特使。雙方近期互動的頻率明顯拉高。話才說完，他又在聯合國大會警告：達不成和平協議，美國就進一步對伊朗採取行動。一邊壓，一邊談。

原油市場有一點信心，原因有兩個。美伊看起來又在談，談判期間沒出大亂子，價格至少可以做一些獲利了結。沙烏地的紅海輸油管線最近準備重啟。先前被無人機空襲，一半產能受損。這種設施再挨一枚飛彈，又得停擺兩個月。至少最近重啟了。管線每天運送 400 萬桶，是沙烏地阿拉伯避開荷莫茲海峽的重要出口，現在往紅海的延布港送。中東原油供給的損失，稍早大約每天 1,200 萬到 1,300 萬桶，現在是每天 470 萬桶。衝擊還在，缺口縮小了。其他地區的產能也慢慢開出來。

成品油是更大的壓力。原油產能陸續開出，全球煉油廠的成品油仍然補不上。國際能源總署估計，八月全球成品油產量比前一年少了 400 萬桶。別的地方原油出得更快，成品油沒跟上。柴油佔石油需求的三分之一，卡車、農業、工業到冬天供暖都離不開它。川普沒有打包票期中選舉前能結束，他在盡可能打通荷莫茲的航線。市場數據上，愈來愈多油輪從荷莫茲運出來，仍受伊朗控制，雙方還有零星交火。

四大利空像四根斷指，獲利是那根大拇指

美國股市現在的利空，他收成四根手指。油價是能源價格重新走高，眼下回跌，九字頭一樣貴。殖利率接近 5%，投資等級債開出來的殖利率愈來愈高，現金成本愈來愈貴。AI 資本支出，不確定明年是不是又要擴，錢要從哪裡借。再加上資金退潮，盤面上只剩少數科技股。扣掉輝達，散戶對個股已經是淨賣出。

他借用網友轉來的一個畫面。切菜不小心四根手指都切掉了，醫生問感覺怎麼樣，人比了一個讚。他的用法是：只要獲利沒有一起斷掉，市場就還有理由撐著。四根手指都切到了，問基本面怎麼樣，基本面仍不錯，本益比也就跟著往下。利空都在，還豎著的是那根大拇指。

稀土仍有 94% 在中國，共同的 AI 準則比較有機會談

川普和習近平的白宮會面，是他現在聚焦的場子。AI 已經是美中競爭最核心的議題，會面的可能性他認為很高。會前他提了自己看過的一段畫面：前幾天習近平有幾天沒露面，跟穆迪見面時似乎不太舒服，對方還問他還好嗎。游庭皓明講目前沒有可靠證據，自己看完猜是時差引起的心悸，並估計今晚會先碰面。

實質要談的一塊是稀土磁鐵。全球產能仍有 94% 在中國手上，美國砸錢也很難追上。這次的首要目標，是把上一輪談完的稀土管制再鬆開。中方對美方幾乎已經全面鬆綁，剩下的是許可制。美方希望許可制取消，並且在中東問題上配合，把這條結解開。伊朗戰事一直僵著，對中方的國策也許有利。能源供給上，大家綁的是同一條路線，不會希望價格一直水漲船高。有沒有合作條件，他留到後面看。

另一塊是美中之間的 AI。兩邊還在競爭，共同的治理規範聽起來最不可能。他反倒覺得這最有機會談成。雙方都知道，恐怖主義、分離勢力若用上 AI，傷害會被放大。一套共同準則若能擋住外溢，包括恐怖攻擊，也包括對青少年的傷害，是目前最可能傳出好消息的地方。

葉門青年運動用 Anthropic，一天一天查炸彈怎麼做，一步一步研究，最後被 Anthropic 發現，直接通報五角大廈，五角大廈採取行動。他從這裡看兩件事。AI 的知識體系足以造成重大副作用，尤其落到危險的人身上。另一件是，沒事不要用 AI 把怪問題問得愈來愈細。問著問著就分叉，Anthropic 看得到。任何 AI 都會留下使用紀錄，最後那個對話框刪掉，對方也知道。中方先前傳出有人用 Anthropic 詢問具體的間諜行動，一樣被看到。他甚至說，有時最好用別人的名字問。

他用情侶做對照。情侶可以互看生殖器，卻不能互看手機。生殖器不會留下使用紀錄，手機會。紀錄一旦留下，AI 怎麼被用就全部看得到。問得愈細，留下的資訊愈完整。

若雙方建立共同的 AI 準則，有人問炸彈怎麼做、這個地鐵站是不是比另一個更適合放，通常第一秒就不讓問。繼續往下問，就可能提交當地警察局。他認為這是阻止犯罪比較好的做法。

油價是這輪 FOMO 還能拖多久的總開關

FOMO 回來了。那指創高，資金只敢追比較強的 AI。自己沒上車，這種心態才會一直加強，利空才會頻繁出現。股價創高、滿滿是利空，是很標準的行情，總在半信半疑中成長。

油價仍是這一輪 FOMO 能不能繼續往後拖的總開關。這波心情跟油價回跌連得很緊，開關在川普手上。沙烏地東西向輸油管線已經開始逐步恢復，原油供應改善，台股創高，納斯達克也創高。原油跌到九字頭之後，還有沒有再往下的空間，是下一題。以前的連結是油價到通膨、到聯準會、到美債殖利率、到科技估值。期中選舉壓著，壓油價已經是必要任務。還能壓多低，看川普。

剩下的都收到川習會。川普同時要處理中國，盡量傳出好消息，要處理伊朗，還有期中選舉。習近平今天已經抵達華府，正式會談明天舉行，今晚應該先見面，看有沒有畫面釋出。議題包括關稅、稀土、AI、農產品，以及中國和伊朗的關係。川普最想換到的是農產品採購再擴大，以及一部分稀土供應打通。做得到，再回頭處理國內政治，或把通膨壓一壓。

市場現在的 FOMO，不只有 AI 基本面在撐。油價跌，殖利率才有機會鬆，科技股才敢漲。油價背後是美伊談判，美伊談判裡站著中國。距離期中選舉愈近，川普能不能把油價壓下來，能不能跟習近平談出成果，同時讓美國股市維持在風險偏好偏高的那一側，是他最現實的問題。

關稅戰這一側，期中選舉之前他只看到緩和的可能，看不到新一輪開打的跡象。現在要救的是民調，不是再打一輪有利於美國經濟利益、卻會打到選情的行動。政策有時間表。台股這一天上漲 402 點，收在 48,202 點。明天早上的節目改成錄播。

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。

台北時間 2026 年 9 月 22 日星期二早上八點三十一分，游庭皓開場先報一件已經發生的事：納斯達克指數創下收盤新高。費城半導體指數單日大漲 4.29%，英特爾漲 12%，AMD 漲 10%、市值來到一兆美元，Meta 跳了 11.4%。同一時間，美國原油重跌 4.5%，但每桶還有 95 美元，布蘭特原油下跌 3.4%，每桶仍在 100 美元附近。

高利率環境沒有退，中東地緣政治的緊張也沒有降溫，美股照樣往上走。游庭皓把這天的重點擺在另一邊：指數漂亮，底下的股票不好做。標普 500 裡不到三成的成分股站在 50 日均線之上，市場廣度明顯惡化，這一輪上攻主要由少數個股帶動。從投資人情緒來看，這一波創高的位階也沒有前幾個月那麼高。前幾次是追高追上去的，這幾天的歷史新高反而來得莫名其妙。

四大指數的位階差很多。道瓊上漲 366 點、0.7%，收在 52,048 點，還在半年線左右築底，是四大指數中最弱的一個，但先前下跌時它也是最強的，防禦性資產的角色很好理解。標普 500 上漲 114 點、1.49%，收在 7,764 點，已經站上所有均線。納斯達克上漲 599 點、2.26%，收在 27,122 點，築底逐步完成，幾乎所有均線重新上彎，回到多頭格局。費半上漲 511 點、4.29%，收在 12,433 點，位階最低，但從低點反彈的幅度不小，下方有一點 W 底的感覺。游庭皓的讀法是，下方的買盤支撐比上方的突破力更強。

獲利跑得比股價快，本益比反而降到十九倍

撐住指數的關鍵還是企業獲利。標普 500 第二季每股盈餘年增約 51%，過去四季累積增幅約 26%。預估本益比從前一波的 23 倍降到 19 倍左右，大約是十年平均值；如果只看 2020 年以後，這個水位就不算特別高。

游庭皓把它跟 2000 年的本益比週期對照，認為現在沒有當年那麼離譜。他補了一句：市場經歷過 2000 年和 2008 年之後，反而願意給泡沫更高的本益比，以前覺得 20 倍就很高，現在一檔股票 25 倍、30 倍勉強都能接受，因為大家對未來的預期更樂觀。

現在的傳導鏈很清楚：油價影響通膨，通膨影響殖利率，殖利率再決定科技股的估值。油價和通膨情緒都沒緩解，估值怎麼還在衝高？他的答案是估值沒有衝高，是獲利在往上升，股價被迫跟著往上走，本益比並不會因此飆高。所以這一輪的行情靠的是基本面的買盤，或者本益比往下掉之後價值型買盤緩步推高。他用一句話收這段：行情總在半信半疑中成長。

以前估未來一年的 EPS 很怕估錯，因為景氣變動太大；現在資本支出訂單幾乎全滿，反而好估。他拿台積電當例子：假設產能利用率開到百分之百，明年的 EPS 大概能到哪裡，這個答案已經摸得出來。

油價連五跌，川習會前的風險降溫

油價這一天是連續第五天下跌。美中在川習會前針對 AI 與貿易投資談判釋出正面訊號，雙方似乎已經取得框架，能源價格降溫是美股第一波噴出的重要關鍵。

另一邊是美伊的外交接觸。川普表示，可能在聯合國大會期間與伊朗總統裴澤斯基安會面。美軍方面也說，荷莫茲海峽目前的石油與液化天然氣運量已經來到六個月高點。美中官員在川習會前給出正面評價之後，市場的風險情緒進一步改善。

今年最強的不是美股，是大宗資產

2026 年走到現在，漲勢最亮麗的是 DBC 大宗資產，報酬率 47.3%，遙遙領先。接下來是美國價值股 20.9%、納斯達克指數 17%、美國小型股 16.2%、可轉債 15.2%、大型股 12%，成熟市場 11%、新興市場 12%。美國股市今年被擠到第二梯隊。

債券今年重新回到下行軌道。美國總體債券平均下跌 1.3%，投資等級債跌 2%，長天期債券跌 3.9%，TIPS 跌 0.9%，現金則還有 2.6% 的報酬。游庭皓提醒，2023 到 2025 年債券已經連漲三年，今年轉跌，但跌幅跟 2022 年完全不能比，當年總體跌幅是三成、四成起跳。今年的跌幅勉強跟配息互相抵消，持有短債的人更沒有太大衝擊。

比特幣跳上八萬五，剛好是 ETF 成本線

跌最重的還是加密資產，不過比特幣今年的跌幅已經收斂很多，最近只跌 7.6%。週一它跟美股一起跳高，突破 85,000 美元，是今年一月底以來的最高水位，從上週低點算起來彈了將近 16%。以太幣一度逼近 2,750 美元，其他加密貨幣同步走高。這波反彈跟全球風險資產回溫是同一件事。

利率都已經高成這樣，比特幣還能往上走。游庭皓給兩個可能：一個是高利率的情緒已經提前 price in，完全反應完畢；另一個是市場的風險情緒在不知不覺中重新歸來，過去偏保守的資金現在有現金可以進場。

85,000 美元附近，剛好接近美國現貨比特幣 ETF 投資人過去三年的平均成本，這是一個很重要的多空分界。很多人被套了一年、兩年，照這個邏輯，要停損就是趁現在。不過他認為不至於引發一連串停損賣壓，理由是有些人早就忘記自己持有比特幣了。

所有資產都變成一場 AI 交易

行情還是跟 AI 綁在一起，只是輪動的題材在換。過去一週，美國散戶一邊賣科技基金和多數個股，一邊買進大約 16 億美元的科技七雄。機構投資人把資金集中到亞馬遜、Alphabet、Meta、微軟的速度，過去兩週也非常明顯。

游庭皓拿台股對照。台股只要拉台積電、聯發科，指數一不小心就創新高；這一天台股上漲八百點，收在 48,520 點，聯發科直接跳高。可是他反問：如果今年年底真的上五萬點，那些在今年五、六月套在高點的股票，年底解得了套嗎？指數衝高的速度很快，體感不一定跟得上。

半導體 ETF SMH 從 3 月美伊戰事以來漲了約 150%，科技七雄漲 45%，標普等權 RSP 只有 20%。連七雄都跑輸半導體，但如果你連 AI 都沾不上邊，報酬更遠遠落後。今年 FANG 裡面真正亮麗的還是半導體和大型股：美光漲 265%，輝達漲 21%，蘋果漲 24%，Alphabet 漲 13%，Meta 漲 12%，亞馬遜漲 11%，微軟只漲 3.72%，Palantir 漲 3%，博通漲 4.7%。

上游的集中度更驚人。根據彭博的數據，AI 基礎建設相關公司占標普 500 總市值大約 40%；三家晶片公司就占新興市場指數超過四分之一；今年 AI 相關企業發行的投資等級債接近全球的一半；創投資金有 87% 投入 AI 新創。如果把 Alphabet、亞馬遜、Meta、Netflix 甚至特斯拉都算進廣義科技股，已經占標普 500 大約 51%。

所以現在最大的投資風險已經不是 AI 股票太多，而是所有資產都變成 AI 交易的一部分。買股票是對賭 AI，買債券是對賭 AI，買指數是對賭 AI，把錢交給退休基金，它也是去買 AI。大型退休基金很難重新算清楚自己到底壓了多少 AI，AI 泡沫如果真的破了，也很難有效規避。

上半年的資金幾乎都在 AI 基礎建設周邊，當時的想法是花錢的人不值得投資，賣鏟子的人值得投資，科技七雄反而大幅跑輸大盤。現在要觀察的是，權值股重新發力之後，能不能由這些大型權值股帶出新一輪行情。他也提醒，不管買軟體股還是硬體股，只要跟 AI 有關，跑贏大盤的機率還是高；完全跟 AI 和半導體無關的股票，報酬遠遠落後。

木星計畫延後，AI 建設的信用風險浮上來

信用市場表面平靜，底下藏著非常龐大的 AI 債務。OpenAI 已經宣布打算明年再進行 IPO，今年沒有要上市，資金就相對緊。軟銀的壓力跟著變大，孫正義為了讓新一輪資金持續進來，大幅提高舉債規模，最新一輪已承諾或正在洽談的新增債務大約 209 億美元，其中股票擔保貸款額度再增加 50 億美元。軟銀發行的債券已經接近垃圾債等級，擴張速度非常快。

甲骨文是另一個例子。新墨西哥州總投資規模 1,650 億美元的「木星計畫」，最新宣布可能要延後。去年有 180 億美元的貸款啟動建設，相關貸款最近的價格，每 1 美元面額只跌到 0.89 到 0.91 美元，明顯低於正常優質債券接近面額的水準。這座基地是甲骨文與 OpenAI 高達 3,000 億美元算力合約的重要據點，現在舉債速度太快，信用體質快速轉弱。

看數字更清楚。甲骨文的總負債在 2024 年底大約 800 億美元，到今年底已經來到 1,560 億美元，短短兩年翻倍。資本支出也是爆發式成長，以前單季大概二十多億美元，2025 年突破 50 億、100 億，今年 8 月單季就來到 280 億美元，速度沒有任何減緩的跡象。

資料中心也開始遇到地方反彈和工程延誤。木星計畫的天然氣管線遭到顯著阻擋，部分銀行團已經陸續退出。當地民調有 65% 居民反對大型資料中心開發，這是《阿布奎基日報》的調查，游庭皓順口補了一句，那個地方就是《絕命毒師》的場景所在。整個專案靠 180 億美元的專項融資貸款支撐，另外還有 165 億美元的工業收益債券。如果有人先撤資，資料中心蓋不蓋得完，還是會有人接手，都是很大的挑戰。

他把這件事講成順風與逆風的差別。順風的時候大家看結果，只要產品好、模型好，大家叫好；現在 AI 推出一段時間，AGI 時代還沒全面到來，大家開始要求算力的回本速度。逆風一來就開始挑刺：你當初承諾幾月幾號要蓋好，現在沒蓋好，我也不用負對應的責任。遊戲規則突然就不一樣了。

合庫投信：整併前的內控風暴

財政部要推動合庫、第一、兆豐、華南四家公股投信整併，預計今年年底完成。就在這個時間點，合庫投信爆出內控爭議。《鏡周刊》的獨家報導指出，吹哨者說今年六月人資主管在處理整併所需的員工薪資與獎金資料時，疑似把機密檔案上傳雲端並用 AI 運算，觸發資安系統，母公司調查後該主管離職。

調查過程中意外發現另一件事。王姓投資長長期使用公司電腦瀏覽日本拍賣網站，搜尋成人影片女優、寫真與相關商品，累積瀏覽紀錄超過一萬筆，主要集中在中午十二點到下午四點。吹哨者還指控他的辦公桌上放有多張帶有簽名、唇印與裸露的女優卡片。

游庭皓提醒，這些內容主要來自吹哨者的指控，跟正式調查結果要分開看。他覺得有意思的是時間點：中午十二點到下午四點，剛好是台股殺尾盤、歐洲股市開盤、準備迎接美股盤前交易的關鍵時段。投資長沒有帶領下屬好好看盤操盤，已經踩到公司紅線。

事情從上班摸魚變成公司治理與資訊安全的問題，現在已經檢舉到金管會。游庭皓真正在意的是這則新聞背後的意思：順風的時候，還沒開始鬥爭，大家得過且過；開始要整併了，雙方的鬥爭就浮上檯面。他也提到一個細節，殺人都會打碼，這則新聞卻每一張照片都露臉，顯然是得罪了人，他不太欣賞這種把人弄到社會性死亡的做法。他自己開玩笑說，本來是要查 AI，查錯變成查 AV。

他的結論很直白：行情好的時候，你查 AV 他都拿你當 AI，能賺錢都行；行情不好要清算，有人要你的位置，你看 AV 就天理不容，連照片都不幫你碼。順風時績效可以掩蓋很多雜音，逆風或權力重整的時候，馬上變成內控問題、紀律問題、職場爭議。

期中選舉的賭盤，民主黨拿下眾院 92%

節目的下半場轉到美國期中選舉。游庭皓說，川普現在唯一拿得出來的良好戰績可能就是股票市場。正常來講，期中選舉之前股市有適度賣壓很正常，因為政策充滿極大的不確定性。共和黨現在要同時掌握白宮、參眾兩院的可能性幾乎是零。

歷史上能在兩院不退反進的案例非常少。1998 年的柯林頓、九一一事件之後的小布希勉強撐過去；川普自己在 2018 年第一次任期的期中選舉，共和黨一次丟掉 41 個眾議院席次，直接失去眾議院控制權，參議院反而增加兩席。這一次的挑戰更大。

預測市場的賭盤幾乎一面倒：交易者給民主黨拿下參議院的隱含機率大約 61%，拿下眾議院 92%；民主黨同時控制參眾兩院的機率 61%，共和黨守住參院、民主黨拿下眾院是 31%。川普的整體支持率大約 38%，不支持率上週又創高到 59%，把各家民調放在一起看，淨支持率大概落在負 18 到負 25 之間。

民主黨還沒投票就已經在準備。眾議院監督委員會的民主黨首席議員已經決定，委員會取得多數之後，要大幅調查川普本人、家族成員、商業夥伴與富豪盟友，相關的籌備計畫正在細部規劃。游庭皓點名川普的長子小唐納：他過去確實取得很多政府合約，看起來現在是合規的，不過眾議院就是把你調來聽證，你不來就變成藐視國會。一連串的文件調閱與傳票權，可能會影響 2027、2028 年川普的執政效果。

另一條線是郵寄投票。川普過去想限制郵寄投票，最高法院這次踩了煞車。再過兩個月就要投票，現在已經有人開始投票，如果此刻才改規則，選舉一定大亂，所以最高法院決定這次期中選舉的規則暫時不改，川普的限制做法在這次選舉無法發揮效力。

共和黨最大的優勢是錢很多，政治現金是民主黨的好幾倍。2025 到 2026 的選舉週期，整體經費大約三分之一集中在前二十名超級金主，其中 16 人主要把資金押向共和黨。科技巨頭大幅靠向共和黨，因為相信共和黨在科技、尤其是 AI 議題上比民主黨友善，AI 派、科技派、加密貨幣派似乎已經默默站隊。但游庭皓認為，這些很難扭轉眾議院的選情，根本問題還是物價上漲。

美國經濟的矛盾，與 AI 資料中心的地方反彈

美國經濟現在最大的矛盾是：失業率 4.1%，消費還是強勁，家庭淨資產第二季已經達到 186 兆美元，但一般家庭的生活壓力持續上升。八月的消費者物價指數如果照這個速度上行，基本上不會有太大改變。

AI 基礎建設雖然各大巨頭花了大錢，各地卻出現明顯的地方反彈，地方政府和居民不想讓它蓋。民主黨處處卡關，藍州又大量延後資料中心的新建計畫，採取更多監管措施。

游庭皓說，市場反而不太擔心川普政治受到約束，那個還好；真正怕的是民主黨控制國會兩院之後，未來的 AI 資料中心會不會一個接著一個停擺。這是更大的估值回調理由。資料中心會延後有兩個原因，一個是像甲骨文這種錢的問題，一個是選民的反制。

回調每隔三、四個月來一次

游庭皓的結論回到盤面。今年已經回調過兩次，一次在三、四月，一次在七、八月；美國期中選舉還沒投票，選後的政策變因還是很大。要等回調，他認為還是有機會，通常三到四個月會迎來一次比較大的回調。如果用週期布局的角度看，不會因為錯過一次就再也買不到，可以現在少量布局，等下一次比較大的回調再做布局。

他也提醒一件容易被忽略的事：獲利還在以驚人的速度往上走，股價沒有大幅創高，其實就已經算跌了，因為本益比會快速下滑。獲利表現平平、股價沒有波動是一回事；獲利高速成長而股價不動，本益比就是在快速收縮。這是三大指數盤整一段時間之後，他一直在強調的立場。

川普已經把所有招數都使出來，盡可能在期中選舉之前收攏戰線，包括關稅戰、川習會，各項議題也許在本週釋出之後，會是市場的一大利多。政治角力、AI 產業的制約、選前的政策利多，三股力量互相角力，形成今年年底的市場景象。

節目最後他留了一句提醒：不要覺得股票市場上漲一次就會永遠上漲，即使是 AI 行情，也會有情緒低迷的時候。

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。

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。

這一集的來賓是哈佛商學院資深講師 Christina Wallace。她同時是連續創業家與天使投資人，還在百老匯經營一間製作公司。節目的促成有點像同學會：知識衛星的執行長 Stephen 是她在哈佛的學生，把老師請來台灣，把課堂內容做成一堂線上課程；張修修讀完課程逐字稿之後，用「驚為天人」形容自己的反應，才有了這場對談。

張修修先交代自己消失的原因。他的 podcast 與 YouTube 停更好幾個月，因為整個人沉進 AI 裡，想把熱門模型與工具的能力與限制摸清楚，也想找出一套跟 AI 協作的方式。這段時間他被 AI agent 能做出來的事反覆震到。他平常不太誇大，這次卻講得很直接：一個沒背景、沒資源、只有想法的人，正在遇到非常難得的黃金時代。

Wallace 答應的理由很日常。除了喜歡 Stephen，也因為主題夠及時，而且她沒來過台灣。她習慣跟一流的人合作，好的合作者會把一句「這想法不錯」再推三步，逼她走得更深；她說鐵磨鐵，會磨出刃來。

她兩次 aha：原本要花一年的事，現在一個下午就能做完

ChatGPT 剛出來之後，生成式工具開始往外長，做圖的、做影片的、做品牌的，一波接一波。Wallace 記得那段時間工具來得又快又急，名字兩天後就忘了。她印象最深的是兩個：一個能在九十秒內生出一頁 landing page；另一個能生出一整套品牌，不只 logo，還有字體與各種使用情境的素材，像一份你原本得付錢請人做的品牌手冊。她自己承認那是「最低可行品牌」，談不上好，但對一個完全沒有設計底子、替代方案是開 PowerPoint 拖剪貼圖的人來說，這已經是很大的升級。

真正讓她愣住的是下一個工具：把低畫質的產品照片傳上去，換回電商等級的商品照。她的第一家公司就是電商品牌。當年要花一年才推出來的東西，而且第一版還做得不怎麼樣，前三、四個版本都慘不忍睹（她說網路時光機都還留著證據），現在一個下午就能完成。

興奮只維持了幾秒。她立刻想到另一面：如果所有人都能做這件事，那明天不就每個人都有電商公司？市場會被淹沒，那你要怎麼突出？你的護城河在哪裡？

第二次 aha 大概在一年後，去年九月、十月左右，這次是 AI agent。她讀過、也研究過 agent，但一直沒真的用進生活。她有兩個身分推著她往前走：一個是在哈佛商學院教新創營運的老師，另一個是百老匯製作公司的合夥人。那間公司三個合夥人都有正職，沒有員工，所有營運雜事就靠三個人硬吃：投資人的信、進度更新、各種行政流程，跟排練場、首演夜那種好玩的事完全不一樣。她的處理方式是放點音樂、倒杯酒，咬牙做幾個小時。

有一天她想，那來試試 agent 能不能把這條流程接起來。第一版很破，用的是 Zapier，嚴格說還算不上 agent，只是一條接起來的系統，但它會跑：新投資人自己收到完整的加入文件與 capital call 的出資通知、填好稅務表、被加進資料庫。以前要吃掉她好幾個小時的事，自己完成了。

也在同一段時間，她在哈佛的課堂上開始覺得不對勁。七月排年度計畫的時候，她還認為 AI 大概有關，但不至於改變一切；到了十二月做課程評鑑，她的結論是整學期教的東西已經過期，秋季班開課前得全部重編。

這是平台替換，不是工具替換

她的說法是：這是平台替換。會議電話換成 Zoom，只是工具替換；商業模式、方法論、資本需求，跟世界運作的方式都會跟著動，那是另一個量級的事。這件事既讓人興奮，也讓人有點怕。

速度本身也是壓力。她說這種變化節奏不是人類演化設計來消化的，而且它接在過去十五年的一連串變化後面。她半開玩笑說，很想按下暫停鍵、好好睡三個月，醒來再說「好，我準備好了」，但沒有這個選項。她觀察到 Z 世代有一些人的反應是直接退出：不讀、不用、不碰。她理解那種心情，因為「如果 AI 真的會這樣，那我的未來怎麼辦」這個假設太存在主義；人乾脆不要接受那個如果。

半人馬工作流：AI 輾過粗活，判斷留給人

張修修拿自己當例子。他是內容創作者，請 AI 找熱門題目、想縮圖點子都很容易，也很想乾脆叫 AI 把整篇文章寫完。可他知道，那會把「為什麼是由他來當創作者」這件事一起毀掉。他在 agent 裡放了一條憲法級規則：原始文章要一個字一個字自己寫，還跟 AI 一起幫這條規則取了個名字，叫做 Atomic Article。

Wallace 的回應很硬：你就算想這樣做，也辦不到。理由是所有人在用同一批模型，產出會長得一樣。現在已經看得到：大家做出來的 app、網站、原型，第一版全都長得一模一樣；LinkedIn 上的產品公告一看就是 Claude 寫的，語氣完全一樣；用品牌生成器做出來的品牌也全都一個樣。模型被訓練成回到平均值：同一批資料集、統計上下一個最可能的詞，你就算給不同的指令、不同的脈絡，最後拿到的還是同一個東西。

那 AI 能做什麼？研究、粗活，那些低認知但耗時的事，它做得又快又好。但要查核，真的去讀那篇文章、對那些引文，因為它很會給你聽起來完美、實際上根本不存在的東西。它也可以當點子夥伴，只是給你的標題跟名字通常很爛；真正有用的地方，是你看了十個、一百個自己不想要的點子之後，終於講得清楚自己到底要什麼。

她說，把 LLM 當實習生：指令要下得具體，工作一定要檢查，還要先定義什麼叫做好。當你把好幾個 agent 疊起來，得決定哪一步之間要驗收，不然最後拿到一個不對的東西，根本不知道是哪一步壞掉。這些都需要判斷、專業，還有很多人味。這才是半人馬的意思：AI 很快地輾過低認知的工作，你負責設定參數、評估好壞、把工作串成有用的樣子，再把它修到能替組織創造價值，而不是做出跟所有人一樣的東西。

還有一件事她講得很白：不要讓 AI 寫初稿。她說現在的研究已經顯示，如果初稿是 AI 寫的，你再從它的版本去改，你只是在微調平庸。她的做法是反過來，自己先寫，再給 AI 一個角色。當第一讀者，告訴她哪裡在跳步、哪裡藏著沒說出口的假設、哪兩個概念接不起來；當文化讀者，指出哪些用語或引用對特定觀眾不通；當研究者，去找更好的例子、更新的資料。點子發想也一樣，不要太早讓 AI 進來，太早進來，想法會被收斂到平均值，那些瘋狂、未必會實現、但會點火的點子就先沒了。她說，一開始先讓自己的怪點子滿天飛。

入門職缺先被砍，真正危險的卻是中階主管

張修修把場景拉回職場。新鮮人越來越難找到入門的工作，因為主管手上就有 AI，不抱怨、不請病假，還能把過去丟給菜鳥的活吃掉。那年輕人的判斷要從哪裡長出來？

Wallace 說這題很難。她希望這種短視最後會被看見：如果沒有人願意訓練入門的人，就不會有下一代的資深領導者，這是一條會斷掉的管道，而現在的裁減，是非常短視的削成本作法。至於不想等其他人想通的人，她認為現在要做的是找回自己的能動性：不要等那個職位出現，自己把職位創造出來。創業不一定是要開一間拿創投錢的公司，可以小到只是問自己：我能給世界什麼？我對什麼有興趣？我在哪件事上比別人多懂一點？然後開始做。

判斷是肌肉，要靠診斷、計畫、執行、回頭看

她的課堂上有一條「判斷迴路」：診斷問題、根據診斷做計畫、執行計畫，然後從這一輪學到東西，問自己診斷對不對、計畫對不對、執行得好不好。過程中一定會撞到「不行」，越快知道不行在哪裡越好，然後再跑一輪。迴路跑得越快，判斷這塊肌肉就越強。創業之所以是最好的練習場之一，是因為它的學習迴路最緊。

相對地，在大公司的入門職位，你只做得到判斷迴路裡的一小塊，看不到自己的工作怎麼接上去，看不到結果，也拿不到回饋。位子高一點會多看到一些，但要拿到規律的資訊，可能要很久。

她也承認，原本被承諾的那條路消失了、得自己開路，這很不好受。但如果願意把這件事看成機會：用自己的方式練判斷，練得快一點，逼自己找出那個能給世界的獨特指紋，最後的位置可能比某些抓著舊階梯不放、遲遲不肯跟自己對話的中階主管更好。

張修修順著這個話頭催了一句：那就去做點東西吧。寫一篇文章、開個頻道、做個 podcast，工具已經把門檻壓低，以前覺得太難的事，現在可以先做再說。

人生投資組合：別把身分全押在一個職稱上

訪談中段轉到她的書《The Portfolio Life》。這套想法是從她更早的人生長出來的，比商學院還早。她的第一段人生在藝術裡：受的是音樂訓練，戲劇系，本來以為一輩子會做劇場。劇場是最不穩定的職涯之一，圈內的直覺本來就是這樣：每個收入都接，每個工作都說好，沒有耍大牌的空間。叫你當舞台監督就當，叫你掛燈就掛；也當家教、當酒保。這讓她累積人脈、看到工作的各種角度、手上有很多條收入，也給了她分散。她沒有來自家裡的支持，這套分散與自給自足對她不只是想法，是經濟上的底層設定。

後來她去念商學院，世界剛好崩掉。金融危機，沒有工作，其他人都在恐慌，她只覺得熟悉：不穩定就在她的 DNA 裡。轉去創業時，她覺得「這看起來就像做劇場」。真正給她框架的，是 Clayton Christensen 的那個問題：你要怎麼衡量你的人生？你要怎麼確保自己不會蓋出一段只用職稱與工作衡量的人生？Christensen 後來成為她十年的導師。她想起財務課第一學期教的投資組合與分散：資產配置，哪裡可以冒險、哪裡要把基本盤顧好，股票、債券、風險高一點的部位各放多少；依人生當下的季節去設計自己能承受的風險與報酬，季節變了就要再平衡。

她說，大家常抱持另一種想法：選一條路，走上去，那就是你的人生。事實不是這樣。人會走到一個時刻，發現自己不再想要以前想要的東西；那不是失敗，也不是失去野心，只是現在想要的不一樣了，這可以。

她本來沒打算把這套變成什麼。後來她開 podcast、又開始替 Forbes 寫稿，手上一直有好幾條線。她說自己誰都不信，永遠要有多個收入來源。這套做法除了避開恐懼，也關於快樂：從身分的角度分散，讓她把身上不同的部分拿出來用，伸展不同的肌肉。她說自己很不想只挑一件事做四十年，就算有人保證退休金與終身雇用，「那聽起來像地獄」。

然後就有人寫信來了。聽 podcast 的人說「這套對我也成立」，繼續追問，她發現咖啡喝不完，最後乾脆寫成書。她的出版經紀人問她下一步要寫什麼，她有點不好意思地問：我可以寫自我成長書嗎？會不會很怪？她說那還有點「像女生在看的書」。書出了之後，在書店沒有單一歸屬：有些店放在商業區，有些放自我成長，有些放職涯，有些放教育，她覺得好玩極了。書出了，大家還是想約咖啡；現在她可以把人送去上課。

人形 Venn 圖：AI 最不會的那件事，就是你最強的指紋

書裡最重要的練習之一，是畫自己的 Venn 圖。她說這是描述自己最簡單的方式，也是她的身分認同。她之所以把這件事講得這麼重，是因為很多非常成功、非常有企圖心的人，身分就等於工作；當工作可以被一句話拿走，收入跟身分就在同一句話裡一起沒了。更糟的是整個產業都可能消失，新聞業與紙本雜誌都是例子；如果那就是你，你什麼都不剩。

她做這件事的起點其實很日常：她有點混亂，需要一個方法把身上所有東西排好。每次想跟別人描述自己，聽起來都像把整份履歷往人身上砸。於是她用自己的位置來講：商業、科技、藝術的交集。有了這張圖，回頭看她的履歷，每個選擇都落在裡面，看起來一點都不雜亂，是一條講得通的線。而每個人都是人形 Venn 圖。你認識哪個「我只是一個工程師，其他什麼都不感興趣」的人？她說，零個。

她在哈佛帶這個練習時，有個學生說自己在金融業、做過私募，除此之外什麼都沒有。她追問：大學呢？高中呢？國中呢？問到最後，答案出來了：那個學生打進美國奧運花式滑冰的決賽。Wallace 的反應是：你不再滑冰了，但你永遠是菁英運動員。那種紀律、藝術性與投入佔滿了她的童年，一路定義她到高中，怎麼可能切掉、假裝不存在？它還在，只是你沒在用，而且你忘了。「我居然要問到第十五個問題，才問出這件事。」

她說，人得挖出自己身上所有的東西，然後記起來。這跟你的超能力有關：一個人的指紋，是那些不同領域交會出來的獨特位置。Clayton Christensen 在《The Innovator's DNA》裡研究過許多創新者，整理出五個共同特質，其中一個是骨幹，其他四個像 DNA 一樣繞著它長：聯想思考，也就是把看似不相關的領域連起來的能力。這不需要你發明新東西，也不必是愛因斯坦那種等級；它要的是能同時坐在好幾個空間裡，在一邊看到什麼，把它翻譯到另一邊。懂自己的 Venn 圖，就有辦法從不同的世界裡拿東西過來翻譯，於是你手上會有房間裡其他人沒有的東西：想法、洞察，甚至人脈。

AI 在這一塊很弱。它的洞察很平均，因為它訓練的是已經被寫下來的東西；如果那個連結早就有人寫過，它找得到；如果是全新的連結，它找不到，要人來找。她書裡有個故事：一個物理學家同時是爵士薩克斯風手，卡在弦論的博士論文上過不去，索性去爵士俱樂部演奏；凌晨三四點，跟三重奏在台上，他突然懂了「原來是這樣運作」。那是進入 flow 之後，讓大腦在背景把事情算完。他回辦公室，把整篇寫完，後來成了知名物理學家。Wallace 說，中間那個空隙裡有很多魔法。

如果人類願意接受自己正在離開線性路徑，願意在這種跨領域的世界裡重新搭人生與職涯，她覺得這可能是人類的下一個章節。她也先講清楚：轉換期會非常不舒服，她不想把這件事講輕。

判斷與信任拿不走，關係會比交易值錢

張修修自己接話。他說，最大的焦慮是被取代；但在不確定裡做決定這種判斷，AI 拿不走。另一個是信任。現在每個人都能用 AI 生產內容，假的東西到處都是，那你到底信任誰給你的內容、產品與成果？誰是你願意一直跟著的？

Wallace 把問題問得更細：誰是你相信會穩定出現、有品格、有長期紀錄、會超額交付、會為自己交付的東西負責的人？她接著說，這個時代會由關係、情緒、溝通定義，而不是由交易與注意力定義。交易與注意力可以交給演算法，因為那些東西現在到處都是；而到處都是的東西，已經不值錢了。接下來會被看重的，是不能到處都有的東西。她對這件事其實蠻樂觀，因為那剛好是人擅長的事。只是它需要心態上的重整，也需要重新想教育要投資在哪裡。過去幾十年，人文學科被低估，大家把資源押在 STEM，因為那看起來能保證一個穩定未來；現在才發現，讀經典、懂歷史、懂心理學、懂人，看書、看劇場，這些關於人怎麼運作的東西，本身就是一種技能，而接下來很可能用得上。

配速：這是一場馬拉松，沒人會替你把時間留下來

張修修承認，他拿到一個新工具、發現自己可以做出以前想像不到的東西時，就是日夜不停地做，然後把自己燒掉。Wallace 說哈佛的學生也會這樣，所以要配速，因為這是馬拉松，不是短跑。

她的具體建議是找同伴。這種事跟幾個人一起做，永遠比一個人做好；畫 Venn 圖、做書裡的練習也一樣，有人可以對照、可以丟想法。而且你解決別人的問題，永遠比解決自己的問題厲害。把事情變得有人味、可以合作，而不是對著鏡子盯著自己的問題。有同伴還有一個副作用：逼你上廁所、吃飯、在合理的時間關電腦去睡覺。她說，不能因為連續三天 vibe coding，最後因為過勞被送進醫院。

她自己的方法是兩個小孩。小孩不管媽媽在蓋什麼，六點就是要去接。回家的路上她們要講今天發生什麼，接著要幫忙煮飯，這代表她得確定刀沒有切到手指。蒙特梭利的孩子很喜歡參與，你給四歲小孩一把刀，就沒辦法同時想別的事，你只能在那個當下。陪到她們上床，她也沒力氣了，就去睡，不是回去開電腦。張修修說自己會再工作兩個小時；她要他把自己的時間投資組合也畫出來，看看時間是怎麼配置的，也許該多留一點給休息。她補一句：「沒有人會替你保護你的時間。」

教育：不能讓工具先替孩子做功課

家長是這一題裡最焦慮的一群。Wallace 只能講美國：沒有單一的教育系統，是一區一區、一州一州。他們替孩子選了蒙特梭利，其中一個理由是五、六年級之前完全沒有螢幕、沒有電腦。她記得 2011 年左右那波浪潮：iPad 出來、Chromebook 出來，每間學校都覺得每個孩子要有一台電腦、每間教室要有智慧黑板；結果走進小學教室，孩子就是盯著電腦；到了高中，學生用 Google Docs 的留言在傳紙條。她要的至少是：小學階段的底層教育放在材料、問題、主題、概念上，而不是學科技，也不是被科技分心。

她講了一個女兒的故事。女兒想用 Duolingo 學中文，她翻出一支舊 iPhone，清空所有東西，只留 Duolingo，只能在家裡連 Wi-Fi，連瀏覽器都刪了。她想，這能有多糟？結果女兒在裡面待了兩個小時，因為 Duolingo 遊戲化，有音效、有積分，女兒說「我一定要進決賽榜」。那一刻她明白，孩子的腦袋對這些系統的設計完全沒有準備。後來她把那支手機收回來，改成少量配給。他們家看電視，除此之外沒有螢幕。

她也說女兒很會做生意：想在公園賣自己的畫，一幅二十美元；想擺檸檬水攤，五種口味，還列出材料清單、研究要擺在誰家旁邊、問她「你覺得我的行銷要怎麼做？」後來還做了寶可夢卡要賣，學校打電話來說她在放學接小孩時跟家長推銷，而且真的賣掉一張。「我在家真的沒有在講這些。」

到了課堂，哈佛商學院內部也在討論生成式 AI 要怎麼進來。她的原則很清楚：這些工具當然要學，但不能讓工具在你學會這件事之前就替你做。用計算機的比喻來說，你得先懂加法是什麼，才能讓計算機幫你加；你得先對數學有夠深的理解，那個捷徑才有用。發展階段也是一樣，太早把科技放進去，等於偷走孩子的東西，而且拿不回來。六歲的小孩抗拒不了遊戲化，十三、十四歲的孩子也沒有足夠的自制力不讓 AI 代寫作業。她說，前額葉要到二十三歲左右才長好，一路到大學都不算真的到位；這跟道德好壞無關，是他們還沒有那個判斷，知道走這條捷徑是在偷自己的東西。所以教育者要設計出一套方法，把那個選項保護掉。

美國大學部已經看得到手寫考試回來：一人一本藍皮答案本，用手寫完。問題是這一整個世代沒學過草寫，要連寫一個小時都有困難。商學院自己也經歷過一次信心危機：學生可以把個案、把作業問題丟進模型，然後拿到「被點到時要講什麼」。後來他們發現，這反而逼老師升級：要追問得更深，要改變教學計畫，用更出其不意的方式問。而個案教學，比起講課與念教科書，是少數活下來的教學工具，因為它反覆在教判斷迴路：診斷、計畫、執行、回頭學。它要求老師的手藝更好，她說這有時候蠻累的。

張修修提到他把女兒送去華德福，圖的也是類似的東西：接近自然、動手做、由好奇心和內在動機推著學，讓教育不是懲罰，而是禮物。Wallace 說她的孩子很愛去上學，他們想盡量延長這件事。至於高等教育，張修修問到 Khan 那邊新辦的學校，她說自己知道得不夠多，只曉得還在實驗；她覺得運氣不錯，高等教育還有時間等答案慢慢長出來。

她順帶講了一段自己的世代運氣。高中畢業那年碰上九一一，進商學院時雷曼兄弟倒閉，當媽媽的時候遇上 COVID，一直到四十歲才買房；聽起來把每一場災難都趕上了。但她也覺得自己很幸運：社群媒體是在她大學畢業之後才出現的，Facebook 在她大三、大四出來，還不能放照片；智慧手機到她研究所畢業之後才有足夠的記憶體，所以有一段「可疑的決定」完全沒有留下證據。她比較晚生小孩，孩子也就跳過了那個「給十二歲小孩一支手機試試看會怎樣」的實驗，那個實驗的結果是災難。她半開玩笑地說，我們可能明天就被隕石打到，什麼都計畫不了，這句話她是笑著講的。

看板上那句話：去睡個午覺

最後一題是張修修固定會問的（他說這是從 Tim Ferriss 那裡學來的）：如果有一塊全世界都看得到的看板，你只能寫一句話，你要寫什麼？Wallace 先確認了一下這塊看板是不是魔法、同時出現在所有地方，然後笑了。她的答案是：「去睡個午覺。」

她說，成為一個永遠行程滿檔、永遠有點累的大人之後，午睡的力量很難形容。她從孩子還需要午睡的時候開始跟著睡，現在孩子不睡了，她週末還是要睡，那是有魔法的事。她的書裡有一句：休息是必需品，不是獎勵。她媽媽讀到之後問她：「這是你寫的嗎？你自己相信嗎？」她回答：「我正在努力。」後來媽媽把這句話繡在一小塊布上，寄來給她，要她放在書桌上。她現在每天都看得到。或許她該把看板上那句話改一改：每個人心底都是幼兒，要嘛吃點心，要嘛去睡個午覺。

這堂與知識衛星合作的線上課程，把她在哈佛課堂上講的框架與練習整理進去，訪談裡的判斷迴路、Venn 圖、時間投資組合都在裡面。張修修在節目最後留了折扣碼，如果你對課程有興趣，資訊欄有連結，用 SHO198 可以折三百五十元。

變化只會更快。她建議的處理方式很簡單：先睡一下，把心定下來，再回來面對那個還沒想通的地方。

國威在節目開場把兩種心情擺在一起。有人覺得 AI 是在把競爭門檻拉平、讓世界變得更公平：以前不會寫文案的人，現在可以叫 AI 寫；以前不會畫圖的人，現在可以叫 AI 畫。但現實可能往另一個方向走。AI 正在很快地重新分配財富，而分到比較多的那一邊，差別在於用得比別人好。同一段時間裡，有創業者靠 AI 在幾個月內做到幾百萬美元的年營收，也有很多人還停在「我到底要不要學 AI」的猶豫裡。

這一集的來賓是哈佛商學院教授 Christina Wallace。她在課堂上天天接觸全球最頂尖的企業主管與創業者，自己也是連續創業者與天使投資人。她在哈佛講台上告訴學生的話很直白：把全部精力梭哈在單一職位上，反而是風險最高的一種做法；要反內卷，建立多重職涯，把人生的風險分散開。這場對談要檢查的就是這件事：這是一套站在哈佛講台上的學術理想，還是普通人真的能用的解藥。

軟體成本歸零之後，護城河換了位置

寫程式曾經被當成金飯碗，現在只要動嘴巴，Claude Code、Codex 這類工具就能把整個軟體架構寫出來，開發產品的技術門檻幾乎歸零。更麻煩的是複製：看到哪個網站或產品不錯，截圖丟給 AI，或叫 AI 自己去爬一遍，別人一秒就能生出一個類似的東西。國威把問題直接丟出來：在這種情況下，那條別人絕對抄不走的護城河，還剩下什麼？

Wallace 說這是一次真正的轉變。她的第二個創業題目是教女生寫程式，十年前那是當時的策略。而現在，做出軟體的成本基本上等於零。當價值不在那裡、或者只剩下邊際價值，價值就移到服務上，移到這門生意裡「人」的那一邊。

她列出來的東西很具體。一個是判斷：面對真正模糊的情境時，光是列出正反兩面的清單（Claude 和 ChatGPT 對這件事很擅長）並不夠，你要真的做出決定，然後把這個決定認下來，尤其當它出錯的時候。只有人能扛這個責任，可能被告，也可能坐牢。這些是真正屬於人的部分。

另一個變化發生在創投身上。以前創投對服務型公司沒什麼興趣，錢都押在軟體上，對服務公司直接說不；現在 AI 驅動的服務公司開始變成很多創投眼中很有吸引力的標的。可以擁有客戶關係，有真正的往來，然後再用這些工具把規模放大，這種模式比單純執行、交付一個軟體就能做的產品更守得住。

國威半開玩笑地問，所以你的意思是我們要多交朋友、多跟客戶去打高爾夫？Wallace 說她的假設是：當技術能力在職場裡的重要性下降，溝通能力、理解心理、歷史感、讀空氣、說話、寫作這些軟技能會被重新看重。AI 做得出一個版本，但那有點像故事版本的恐怖谷：字拼得出來，可是你在網路上讀到 Claude 寫的東西，一秒就能認出是 AI 寫的。要真的提供意義、創造信念、驅動別人的動機與行動，那才是留下來的人類工作。如果這代表要多打高爾夫，她給大家許可。

一邊集中、一邊民主化：AI 紅利同時往兩邊跑

國威提到 Wallace 在哈佛課堂上用的個案：Base44 的創辦人單槍匹馬，在幾個月內做到百萬美元營收。他想知道，AI 這波紅利到底是在創造財富，還是只是把資源重新分配給動作最快的那一批人。

Wallace 的答案是兩邊都有一點。一邊是集中：價值往更大的模型、往有能力控制資本的企業靠攏，他們拿得到晶片、拿得到資料中心，也有把資料累積起來的力量。這種事在每一次重大技術轉變裡都發生過，就像幾百年前的鐵路，不是新的劇本，這是基礎設施投資常見的走法。

另一邊是應用層的民主化。開公司的成本在往零走，做軟體的成本已經歸零，取得這些資源的成本也在掉。於是出現 Base44 這種單一創辦人：不用請人，也不用募創投資金。很多很聰明的準創業者，進不了創投需要的那個人脈網，但他們有好點子、有能力解決真實的問題，現在靠這些工具，真的有機會做出來。

她舉自己學生的公司 Verno 當例子。創辦人 Oliver 在念 MBA 之前是航空工程師，用她的說法，是那種很宅的工程師。他有一個很深的洞察，是關於製程與工業設計圖面在那個工作流程裡怎麼被處理。那是一個小眾裡的小眾裡的小眾，非常特定，卻是那個流程裡的巨大瓶頸，長期靠人工，以前被試著自動化過，很難。但現在的模型和工具完全不同了，他想的是：為什麼是現在？如果現在可以呢？結果四個月內，他從一個想法走到可運作的原型、走到付費試作、走到第一批設計夥伴，一間真的公司在四個月內站起來。他沒有請任何人。他算有一點技術底子，但他是航空工程師，不是軟體工程師。那是一個 530 億美元的市場，沒有別人看見，而他有很深的脈絡智能、有客戶通路，靠自己也站得起來，因為執行的成本是零。

國威觀察，這種案例越來越多：有領域知識、有脈絡的人，現在可以跨過那道檻，進到全新的市場。以前寫程式的人沒有那些領域知識，有領域知識的人又沒有錢去請技術人；這件事正在快速改變。他接著問得更遠：這會不會只是一個短期的窗口，長期下來，大公司會把資源全部吸走、靠 AI 打進每一個領域，最後只剩兩、三家，Google、Microsoft、SpaceX 之類的？

Wallace 說，這很大一部分取決於監管者，取決於政府要不要插手。智慧財產權與著作權法、訓練模型用的資料，現在都處在模糊的法律地帶，不同的判決會讓局面突然翻轉。資料是這些公司現在最大的專有優勢之一；她提到 Claude 是用她的兩本書訓練的，那兩本她都沒有拿到錢。如果有一天這些公司得為資料付錢，對商業模式會是很有感的差別。監管者也可能對反壟斷有意見：我們要不要讓少數幾家公司擁有整個空間？

另一個變數在勞工身上：員工提升技能的速度，能不能快過雇主決定砍成本的速度？她希望看到的是一場順利的大風吹，大家都有位置；她怕的是中間出現斷層。還有一個變數是一般人自己：願不願意好奇、動手玩、參與，還是把頭埋在沙裡說我不喜歡這個、我不想學、我不想跟它有任何關係，最後出現懂 AI 的人和不懂 AI 的人之間的落差。如果走到那一步，就可能變成另一種局面：擁有資料、擁有演算法、擁有晶片、擁有資料中心、擁有資本的霸權力量，決定其他人的一切怎麼被製造、怎麼被分配、怎麼被發下去。那在她看來會很可惜。

中階主管與 PM：AI 最擅長的就是協調

國威把鏡頭轉向組織內部。AI 現在不只寫程式，連中階主管、產品經理、顧問這些角色都開始被取代，企業的組織架構也在劇烈重組。他問的是：未來組織裡最值錢的位置會變成什麼樣子？

Wallace 先說了一句「永遠不要說永遠不會」，然後拆解中階主管在大而笨重的組織裡到底在做什麼。他們主要是把高層的策略往下發，散到最底層的個別貢獻者手上；工作內容以協調資訊為主，並且把資訊往上下兩個方向彙整。這正是 AI 很擅長的事：收集、彙整、綜合，把零件搬來搬去。產品經理這份工作之所以很適合被 AI 接手，也是同一個道理，因為它本質上就是在彙整與協調這些零件。

但這不代表組織會變成完全扁平，只剩個別貢獻者加一個執行長。在她看來那有點怪。她看到的是中間長出一個 M 型的團隊，而底層的個別貢獻者會變得越來越 T 型。

T 型專家：拿 AI 當槓桿，專業留著做品管

T 型的意思是專業留著，但要多做兩件事。一件是想辦法從 AI 身上拿到最好的東西。你要學的是先弄清楚 AI 真正擅長什麼，用它替自己的時間加上槓桿、把產出放大，再把力氣留給品質檢查。她的說法很直接：你不會把自己沒有能力驗證的東西交出去。因為你是那個專家，你才有辦法真的聰明地用它。

另一件是 T 的那兩隻手臂。你要在自己專精的東西和組織的其他部分之間搭起連結，把你的產出和專業翻譯成「所以呢」。她舉例，如果你產出的是很複雜的數據報告，你要能去跟財務說這份報告對他們的意義是什麼；去跟營運長說你的董事會報告要放進這一段；去跟工程師說這件事會怎麼影響你們明年排的產品路線。這種跨領域協作的心態，讓人更能連接點、更主動，也更看得見自己那一小塊工作對整個組織的意義。

她對這些專家的建議不只這樣。除了趕快把工具弄熟、讓它進入自己的工作流程，也要對「自己的工作在整間公司裡的位置」好奇：你的東西交出去之後去了哪裡？別人根據你做的東西做了什麼決定？去跟那些人交朋友，開始累積自己的脈絡智能。

M 型通才：什麼都會一點的人，長出組織的韌性

M 型的人在她口中是一種她自己也想要的角色：什麼都懂一點。會設計的工程師、會寫程式的設計師、從產品經理的位置走下來、親自去訪談客戶、自己寫工單的人。想像一個 M，手腳往不同方向伸出去，這些團隊成員多面、有能力也有好奇心，所以能做很多事；但更重要的是他們學得動，即使今天不會，也願意去學。組織需要什麼，就有機會把他們捏成什麼。當事情變化時，他們能有效協作。

而變化是唯一能確定的事，而且變化快過我們能夠理解的速度。這種 M 型團隊就是這麼流動、這麼能適應，替組織長出韌性。

主管要講清楚的不只是什麼在變

節目接著問到一個更難的問題：對那些已經用舊心態工作很多年的人，要怎麼培養出新的態度？除了看書、上課，還有別的辦法嗎？

Wallace 說，要當一個變動時代的領導者，光有很好的判斷力不夠，還要能把那個判斷講出去。現在每個人對 AI 之於自己工作的意義都有一點害怕；如果你只講什麼在變，卻沒有講什麼沒有變，沒有人會聽你想叫他們做的事，他們會進入恐慌模式、生存模式：我才剛買房子、小孩要出生、我只做過一份工作。

這件事要講到讓人相信，不能只用漂亮的公關話術蓋過去。你要講的是：我不是要你們把這些工具拿去訓練自己的飯碗，然後我就可以把你開掉；我要這些工具，是為了把你每天那些瑣碎、重複、低認知價值的工作從桌上拿走，交給 AI，讓你的時間被空出來，去做有趣得多、有創造性得多、複雜得多、策略得多的工作。如果你的工作現在大部分就是那種瑣碎與機械，那也不代表你要消失；如果你的任務可以被 AI 接手，那就來看看你還能做什麼，坐下來談一談，看看有沒有你想學的東西，或你身上有我們還沒用到的能力。公司裡有一批人已經懂客戶、愛這個文化與這間公司，要想的是怎麼把這些人才重新部署。她用一句話收束：我們要效率，但我們也要升級。

Portfolio Life：你其實早就有一份投資組合

國威把話題轉到她的另一套主張：多重職涯組合（Portfolio Life），也就是節目標題裡說的「反內卷」、把人生的風險分散開。她勸大家像創投基金一樣，分散投資自己的時間與身分。國威請她定義什麼叫 Portfolio Life，也問一個普通上班族如果想起步，第一步該做什麼。

Wallace 說，每個人其實都已經有一份了。你怎麼把時間和精力分配到人生的各個部分，工作、家人、健康、朋友、興趣，也許還有宗教傳統、一個社群，這些配置的總和加起來是一百趴。把它想成你的財務投資組合：這些配置合起來，就是你整個組合。Portfolio Life 的主張是，你可以設計自己的組合，為你現在所處的人生季節設計配置，讓風險與報酬的樣貌跟那個季節相配；當季節改變，就重新平衡，就像財務投資組合一樣。

它給你幾件事。一個是分散。再來，它讓你真的把自己看成不只是那份工作：你的身分大於你目前把時間變現的方式。還有，因為身分變大，又有了分散，你的選項會變多；事情發生的時候你有選擇權，不會被逼到牆角。這些加起來就是彈性：你可以說季節變了，我現在需要的跟以前不一樣，那就重新設計，而不是被過去的決定綁死。

第一步是先盤點。我現在是怎麼花時間的？看著那張表問自己：這是我想要的分配方式嗎？其中一個大問題是，我是不是配置過度了？是不是太多雞蛋放在同一個籃子裡？如果全部只有工作、也許再加家庭，那工作這個籃子裡的蛋真的很多，沒有興趣，沒有另一個網路、另一套技能。她強調，那甚至不一定要是另一份收入，不一定要是副業，重點是要有其他可以拉的線頭；就算只是去非營利組織當志工、在某個董事會占一個位子，都給了你分散。所以一部分的工作是搞清楚你現在的配置，然後想，我要怎麼重新分配，好拿到一些分散，把更多身分放進來，也讓自己在事情不順的時候感覺還有幾個選項。

節目裡的另一位主持人把這件事形容成一種視角的切換：從完全只盯著眼前、只做每天那份工作，變成一個能看見自己現在站在哪裡的人。像打電動的時候，你可以控制自己往前走，你有選項、有地圖，而不是一整片黑。Wallace 說，這個模型的力量就在於它在一個你很容易感覺無力的時刻給了你主導權。即使工作那一塊還是由你的老闆定義，你還是可以說：我要投資這個興趣、我要去上這堂課提升自己、我要確定我沒有忘掉自己的健康或心理健康、我要把那段時間留出來、保護好。因為這就是你在替自己分散風險、維持彈性。這樣一來，你就坐上了自己人生的駕駛座。

這不是叫人在乾掉的毛巾裡再擰出水來

國威提出台灣上班族的版本。每天被 KPI 追著跑，下班只想躺平；如果給的建議是再去發展三、四個不同的身分，這會不會像叫人在一條已經乾掉的毛巾裡再擰出水來？這種避險策略，會不會是一種升級版的自我剝削？

Wallace 說，這套想法真正的前提是，你本來就已經有其他身分了。你不只是你的工作。你還有別的東西：你在學校時是誰，你對朋友是誰，你對家人是誰。你整天待在辦公室裡，其實沒什麼時間去做那些人。她說她理解那種回家只想躺平的需要，她自己有時候也是。

但把更多時間投在那種你永遠打不到的虛幻 KPI 上，拿去換掉當自己、表達自己其他部分、投入一個興趣、參加一個社群、打球、跟家人在一起的時間，那些會帶來快樂、也屬於你人生的東西，會把快樂與滿足感的視角整個縮窄。為了什麼？她把話說回來。因為害怕而往生活裡塞更多東西，不是這套主張的意思；這套主張要的是養出一點紀律，保護你的時間，允許自己替真正想要、也真正需要的東西留出空間。

AI 沒有推翻這套理論，反而把它推到更高的位置

國威說，學者在寫書、開課的時候，總希望自己的理論經得起時間考驗；但過去一、兩年 AI 的進步速度簡直像火箭。他問 Wallace，從最初萌生這個想法，到寫成書，再到現在面對生成式 AI 的大爆發，有沒有哪一刻、哪一個技術突破讓她冒冷汗，覺得自己的假設要被推翻、理論得大幅修改？

她的回答是不，她甚至說想送感謝禮物給 ChatGPT、給 AI、給 Anthropic，因為這些工具替她的理論做了一件很棒的事：AI 接手了所有單調、低認知負荷的雜事，留下來的，就是工作中真正屬於人的那一部分。那對每個人來說都是機會，去辨識出自己具體能提供什麼。

她在書裡談很多「人類的 Venn 圖」。她自己帶上桌的，是商業、科技、藝術這個獨特的混合；因為她住過這些世界，所以有這樣的視角，能連接這些點，把不同的想法帶進來，而那形塑了她能給的東西。她認為每個人都有自己那張人類 Venn 圖，我們都有這些不同的成分，構成我們的身分與獨特的視角。

有時候那張圖會在職場爬升的過程裡不見：我們開始把自己修剪成一個盒子，好塞進某個位置。而那些盒子現在正在被 AI 的攻勢摧毀，因為它接手了這些任務，有時甚至是這些工作。所以她預期，隨著工作被顛覆，人們看待自己、打造人生、思考如何面對未來的方式也一起被顛覆，Portfolio Life 會越來越被重視。國威在旁邊補了一句觀察：AI 的大爆發其實把她的想法推到更高的位置，書的銷量也跟著起飛。

2028 年的思想實驗：只有兩小時能賺錢

節目最後把場景設定在未來。如果現在是 2028 年，AI 已經進步到可以獨立完成九成的白領工作，政府為了應付可能發生的大失業潮，決定實施工作配給制：每個人每天只能從事兩小時的有薪工作，剩下的時間必須自己去尋找生存的意義。眼前擺著兩個選項：A 是把這寶貴的兩小時極致鑽研在一個 AI 絕對碰不到的小領域，小到像修復中古世紀的古籍，成為全球前百分之零點零一的頂尖職人；這個位置安全，但可能失去跟世界連結的其他可能。B 是徹底放棄這兩小時的高薪，同時經營十個微小的身分，社區領袖、DJ、手作創業者，每一項收入都極不穩定、可能隨時收攤，但換來很高的生命彈性。

Wallace 先反問：如果我每天只有兩小時的工作會拿到錢，那剩下的時間我在做什麼？國威回答，你想做什麼都可以，只是可能有錢、可能沒錢。她說那就簡單了，她選 A。因為在她的投資組合裡，剩下來的時間就可以拿去放興趣、放創作、放家人、放實驗；她可以在沒有支薪的時間裡當 DJ。那兩個支薪的小時，是要支撐家裡的財務需求，所以她要把它們盡可能最佳化。

她補了一句提醒：關於 Portfolio Life，有一件事大概常被誤解，她不想要你盡可能攬下越多東西越好。把百分之二的配置分散到五十筆投資上，那是很糟糕的投資組合設計，那不算設計。設計的時候要想的是，每一筆投資到底在完成什麼工作。如果工作這筆投資的工作是滿足財務需求，那就全力追求最高的報酬，那就是 A；然後她可以在別的地方替自己的樂趣、社群、DJ 做其他投資。她笑著說她從來沒試過 DJ，現在想試了。國威接著說，這樣一來就得重新設計自己的生命；Wallace 補上：你必須對一些事情說不，才能對另一些事情說是。

離開前留下來的問題

國威在收尾時留下的問題是：如果有一天 AI 真的把我們的效率都拿走，讓我們被迫進入多重職涯、被迫去尋找工作以外的意義，這對人類來說到底是一場毀滅性的失業災難，還是我們幾百年來第一次擁有真正的自由？他說，這可以是一個思想實驗，也可以是每個人身上即將發生的選擇。

在那之前，Wallace 給的第一步並不高深：先盤點自己現在怎麼分配時間，然後問一句，這是不是我想要的樣子。