Avi Goldfarb - The Economic Impact of AI - [Invest Like the Best, EP.321]

本期速览

多伦多大学罗特曼管理学院教授 Avi Goldfarb 在播客中深入探讨 AI 的经济影响，核心观点是：AI 作为预测技术，其成本下降将推动商业模式从“规则驱动”转向“决策驱动”，但这一转型需要经历从“点解决方案”到“系统解决方案”的漫长过程，类似电力取代蒸汽动力的历史。他指出，AI 应用需经历从“点解决方案”（如用 AI 替换旧流程但不改变工作流）到“系统解决方案”（如 Uber 和数字广告）的过渡。重要结论包括：AI 将颠覆传统行业，使决策从二元（是/否）转向十进制（概率评估），并催生个性化等新功能。Goldfarb 警告，数据生成和权力再分配是关键挑战，但预测能力提升将降低不确定性，释放巨大经济价值。

---

主题小节

1. AI 作为预测技术：成本下降驱动应用爆发

Goldfarb 认为，AI 的本质是预测技术（在统计意义上，利用已有信息填补缺失信息），其成本呈指数级下降将催生前所未有的应用场景。

• 历史类比：计算机本质上只做算术，当算术成本足够低时，原本不属于算术的问题（如音乐、图像）被重新定义为算术问题。类似地，AI 作为预测技术，其成本下降将把更多问题（如写作、诊断）重新定义为预测问题。
• 数据支撑：Goldfarb 指出，ChatGPT 的核心是预测——根据查询“填补缺失信息”，生成连贯文本。这在五年前写《预测机器》时仍难以想象。
• 关键判断：“当价格下降几个数量级时，我们可以识别出以前无法想象的非凡应用。” 这意味着 AI 的影响将远超当前认知。

2. 从“点解决方案”到“系统解决方案”：电力转型的启示

Goldfarb 强调，AI 的真正价值不在于简单替换旧流程（点解决方案），而在于重新设计整个系统（系统解决方案），这需要时间，类似电力取代蒸汽动力的 40 年转型。

• 历史脉络：1880 年爱迪生发明电灯，但直到 1920 年代，美国才有一半工厂和家庭通电。早期工厂只是用电机替换蒸汽机（点解决方案），仅节省 5-15% 能源成本，不值得大规模推广。直到 1900 年后，企业家意识到电力是“分布式能源”，可以解耦动力源与机器位置，从而重新设计工厂布局（系统解决方案），才释放出巨大价值。
• AI 类比：
• 点解决方案：如 Derifin（加拿大 AI 独角兽），用机器学习替换银行原有的欺诈预测流程，工作流不变，只是更便宜、更好。
• 应用解决方案：如 Ada Support，用 AI 辅助客服代表处理标准化请求（如密码重置），嵌入现有价值链但改变部分流程。
• 系统解决方案：如 Uber（结合导航预测、数字调度、需求预测，创造全新交通系统）和数字广告（从固定费率卡转向实时竞价，催生 DSP、SSP 等全新产业链）。
• Goldfarb 的判断：“如果只是用新流程替换旧流程而不改变工作流，那可能不值得费心。只有当你能够以完全不同的方式做事并交付新价值时，才值得。” 这意味着投资者应关注那些正在重构行业系统的公司，而非仅做“AI 替换”的公司。

3. 从“规则”到“决策”：预测如何改变组织逻辑

Goldfarb 提出，AI 将使组织从“规则驱动”（因信息不足而一刀切）转向“决策驱动”（基于概率判断灵活应对），但这需要协调大量配套决策。

• 机制拆解：在缺乏预测时，组织依赖规则（如“所有人居家隔离”）来简化管理。预测技术提供了概率信息（如“你有 36% 概率感染”），使组织可以做出差异化决策（如“仅高风险者隔离”）。但决策需要配套系统（如病假工资、健康数据管理、生物废物处理），否则无法落地。
• COVID 案例：Goldfarb 指出，COVID 对大多数人而言是“信息问题”而非“健康问题”。如果拥有好的预测工具（如快速检测），本可避免全面封锁。但即使有工具，企业也需要改变薪酬政策、隐私流程等，才能从“规则”（关门）转向“决策”（仅阳性者居家）。
• 关键判断：“在预测存在的情况下，我们可以实际照常开展业务……但为了从规则转向决策，公司内部和外部需要协调大量其他决策。” 这意味着 AI 的落地不仅是技术问题，更是组织变革问题。

4. 权力转移与颠覆：谁将受益，谁将受损

Goldfarb 认为，AI 将导致权力从传统巨头向新进入者转移，但数据所有权和计算资源可能使权力集中在少数公司手中。

• 颠覆路径：
• 需求侧颠覆（Clayton Christensen 式）：新进入者从低端市场切入，逐步向上侵蚀。如 AI 使低技能者能完成高技能工作（如用 ChatGPT 写作），可能颠覆传统专业服务。
• 供给侧颠覆（Rebecca Henderson 式）：现有组织因流程僵化无法采用新技术。如 Blockbuster 并非没看到数字发行趋势，而是其加盟商体系无法支持转型。
• 受益者：
• 基础设施提供商：如 NVIDIA（GPU）、云服务商（AWS、Azure），受益于 AI 算力需求爆发。
• 互补资产持有者：如制药公司，若拥有针对特定疾病的药物，AI 诊断可扩大患者群体，提升利润。
• 个性化服务提供者：如教育领域，AI 可实现因材施教，打破“年级制”规则。
• 风险：Goldfarb 警告：“如果 AI 未来导致技能不平等减少，但资本所有权集中在少数人手中，导致大规模不平等和权力滥用，那才是真正需要担忧的。” 这意味着投资者需关注数据垄断和算力集中带来的系统性风险。

5. 数据战略：从“收集一切”到“目标驱动”

Goldfarb 强调，数据是 AI 的核心燃料，但企业应避免盲目收集数据，而应从“预测目标”出发，反向设计数据策略。

• 关键原则：“如果你不知道要预测什么，你最终会浪费数百万美元创建一个易于使用的数据接口，却毫无用处。” 企业应首先定义“系统级变革”所需的预测，再回溯需要哪些数据。
• 数据获取路径：

1. 购买：从第三方获取。

2. 创造：通过推出点解决方案或应用解决方案，在服务客户过程中收集数据。如特斯拉在实现全自动驾驶前，通过销售带传感器的汽车收集驾驶数据。

3. 模拟：使用“数字孪生”或强化学习生成数据。如新加坡用城市数字模拟评估新建筑对交通的影响。

• Goldfarb 的判断：“规模和质量都重要，但两者都必须服务于特定目的。” 这意味着投资者应关注那些有清晰数据战略的公司，而非单纯拥有海量数据的公司。

---

提及的标的

标的	嘉宾态度	关键数据
Derifin	看好（点解决方案成功案例）	加拿大首个 AI 独角兽，用机器学习替换银行原有欺诈预测流程
Ada Support	看好（应用解决方案案例）	2020 年 3 月后，帮助 Zoom 应对客户服务查询量增长超 10 倍
Uber/Lyft	看好（系统解决方案案例）	结合导航预测、数字调度、需求预测，创造全新交通系统
NVIDIA	看好（基础设施受益者）	所有云服务商都在运行 NVIDIA GPU，算力需求爆发
特斯拉	看好（数据战略案例）	通过销售带传感器的汽车收集驾驶数据，为全自动驾驶做准备
Blockbuster	风险提示（供给侧颠覆案例）	未能转型数字发行，因加盟商体系无法协调
Zoom	中性（作为 Ada 客户提及）	客户服务查询量在 2020 年 3 月后增长超 10 倍

---

值得记住的判断

1. AI 是预测技术，其成本下降将重新定义问题（Goldfarb）：当预测成本足够低时，原本不属于预测的问题（如写作、诊断）会被重新定义为预测问题。ChatGPT 证明，写作本质上是一个预测问题——根据查询预测下一个词。

2. AI 的真正价值在于系统级变革，而非简单替换（Goldfarb）：电力转型花了 40 年，因为早期只是用电机替换蒸汽机（点解决方案），直到工厂重新设计布局（系统解决方案）才释放价值。AI 同理，Uber 和数字广告是系统解决方案的典范。

3. 从“规则”到“决策”的转型需要协调大量配套决策（Goldfarb）：COVID 案例显示，即使有快速检测（预测工具），企业也需要改变薪酬、隐私、废物处理等流程才能从“关门”转向“仅阳性者居家”。AI 落地是组织变革问题。

4. AI 将颠覆传统专业服务，但可能创造更多就业（Goldfarb）：ChatGPT 使非专业人士能完成写作任务，类似 GPS 使非专业司机能提供出租车服务。这可能导致“数千人受损，数百万人受益”。

5. 数据战略应从预测目标出发，而非盲目收集（Goldfarb）：特斯拉通过销售带传感器的汽车收集驾驶数据，为全自动驾驶做准备。企业应首先定义“要预测什么”，再设计数据获取路径（购买、创造、模拟）。

6. AI 可能加剧资本所有权集中，导致新形式不平等（Goldfarb）：如果 AI 基础设施（算力、数据）被少数公司垄断，技能不平等可能减少，但资本不平等会加剧。这是最需要担忧的风险。

7. “补偿客户失败”的行业最易被 AI 颠覆（Goldfarb）：机场的购物、餐饮等设施本质上是补偿旅客的等待时间。AI 若能减少等待（如更高效的安检、预测性维护），这些补偿性服务将消失。投资者应寻找这类“失败补偿”行业。

8. AI 使决策从二元（是/否）转向十进制（概率评估）（Goldfarb）：预测机器给出“36% 概率”而非“是或否”，迫使组织直面概率和偏见。这对投资者是天然优势，但对大多数行业是全新挑战。