阅读抓手:不要被概念带走,先看机制;不要被情绪带走,先看事实、赔率和反证。
媒介是符号,所以 AI 能上手;指涉是真实经济,所以它会上当。一个,正好用来看清另一个。
先把两件事分开。
写代码,是需求说清楚之后,把它翻译成能跑的程序:语法对、API 用对、bug 能修。这一层今天各家都堆得很高,开源模型也能拿编程第一。
推理,是这之前、这周围的那层思考:把一个模糊问题自己拆开,排出路径;沿着 A→B→C 的长链条一路不断链;走到一半发现假设不成立,主动推翻重来;在几十步的长任务里,边做边纠错。
说到底,推理是面对没见过、没说清的问题时,自己组织思路的能力。
编程是把已经想清楚的东西翻译出来,推理是把没想清楚的东西想清楚。今天缺的,是后者。这也是为什么“扛不扛得住长任务”,成了真正的分水岭。
要找一个练推理的场子,价值投资是少有的好选择。因为它和推理,有两次恰好相遇。
第一次:它没有答案可对。代码错了,编译器当场判死刑;投资判断错了,要等几年,中间还全是噪音。没有即时反馈,就没法靠记忆和模式蒙混过关,只能看结构本身站不站得住:生意模式、护城河、自由现金流,先验加证据再到仓位。这恰好就是“把没想清楚的东西想清楚”。
第二次,更本质:它不需要物理世界模型。这一点,正好解释了它为什么特别适合 LLM。
LLM 没有身体。它没摸过、没走过,不知道流体怎么流、零件何时断。凡是要物理直觉的活,它都得靠并不存在的经验去补——补不上。
可投资的整个世界,早就被编码成了符号:财报、价格、电话会、新闻,全是数字和语言。地图本身就是接口,不必再去模拟地形的物理。于是 LLM 的短板在这里根本不咬人,而它的长项——操纵语言和数字、跑长链符号推理——正好是这门活要的东西。
编程和投资都适合 AI,根子是同一个:两者的现实,都已经是符号。
这两件事互相照亮。懂了推理是什么,你也就看见了 AI 在投资里的危险。
符号是输入,可符号指的,还是那个真实的商业世界。价值投资不要物理模型,却要一个因果模型:为什么这家公司能年年提价,为什么这条护城河十年后还在。这是关于人、竞争和持久性的因果结构。
会读数字不算边界,知道数字背后那门生意凭什么,才算。
危险就在这里:LLM 能把数字和语言推得极其流畅、内部自洽,可底下那个因果模型是空的。符号在空转。看着步步有理,其实步步不落地。
再加一刀:数字和语言,既是 LLM 的母语,也是造假发生的那一层。管理层会修饰电话会的措辞,会计能美化利润。
所以推理的一部分,恰恰是穿过语言去看现金:不信那个讲得最好听的数,去找那个最难造假的数。利润不等于现金,自由现金流才是验收单。
两句话,必须一起成立。只信前半句,你会高估它,以为它真的懂那门生意;只信后半句,你会低估它,看不见它在符号层的真实力量。
所以“磨 AI”这件事,不是教它更会算,而是逼它做一件反本能的事:让它走的每一步符号,都落回所指的真实对象,落回那个最难造假的现金,而不是停在自洽的漂亮话上。
价值投资是个好场子,不是因为它简单,而是因为它把“会推理”和“推理得对”之间那道缝,撑得够大、够慢——大到你能看清:AI 到底是在思考,还是只是在说得好听。
媒介是符号,所以 AI 能上手;指涉是真实经济,所以它会上当。一个,正好用来看清另一个。
—— 媒介是符号,所以 AI 能上手;指涉是真实经济,所以它会上当;穿过流畅的语言去看最难造假的现金——利润不等于现金,自由现金流才是验收单。仅作认知复盘,不构成投资建议。