Cliff Sosin（CAS Investment Partners 创始人）在2026年10月27日的播客中认为，AI无法预测复杂动态系统（如天气、经济），因此智能将变得廉价且充足。他主张投资智能的互补品——数据、注意力、物理规模等，而非智能本身。他披露约80%仓位集中于Carvana，其余持仓包括Hilton Grand Vacations和Meta（后者约5%）。他将Meta类比为“个性化电视”，认为其数据和注意力资产不会被廉价智能侵蚀。Sosin还表示避免投资AI基础设施，因为供需预测难度过大。
Cliff Sosin（CAS Investment Partners创始人）在播客中阐述了他对AI预测极限的判断。他认为即使最聪明的AI也存在硬性预测限制，并解释为何其80%仓位集中于Carvana。Sosin表示他避免投资AI基础设施建设，认为AI代理将推动客户流向最低成本供应商。他将Meta类比为个性化电视，并质疑前沿实验室作为独立业务的可持续性。他还讨论了杰文斯悖论对AI需求的影响、自动化实验的速度限制，以及美国资本市场在风险承担中的主导地位。
Cliff Sosin（CAS Investment Partners 创始人）在播客中阐述了他对 AI 预测极限的核心判断：他认为即使最聪明的 AI 也存在硬性预测限制，因为现实世界的大部分问题属于复杂动态系统，无法通过纯推理解决。基于这一判断，他认为真正值得拥有的资产是智能的互补品——数据、注意力、物理规模、监管壁垒等——而非智能本身。他披露约 80% 的仓位集中于 Carvana，其余持仓包括 Hilton Grand Vacations 和 Meta。Sosin 表示他避免投资 AI 基础设施建设，认为该领域供需预测难度过大，且技术快速迭代可能使领先优势迅速商品化。他将 Meta 类比为「个性化电视」，认为其数据与注意力资产不会被廉价智能侵蚀。他还讨论了 AI 代理将推动客户流向最低成本供应商、自动化实验的物理速度限制，以及美国资本市场在风险承担中的主导地位。
Sosin 认为，人们常犯的错误是将智能视为一个无上限的标量（「从阿米巴到猴子到爱因斯坦再到神」）。他提出另一种框架：智能更像一个球的圆度——它是一个比率，而非高度。智能是一种工具，用于在已知事实之间进行插值预测。随着智能提升，你填充空白的能力变强，但对于复杂动态系统，智能本身存在硬性限制。
> "What you should really think about intelligence as is more like a ratio, like the roundness of a ball."
Sosin 用气象预报的历史案例说明这一限制：早期气象模型在重复运行时出现完全不同的结果，原因仅仅是技术人员在第二次输入时对初始条件四舍五入少了一位小数。这个小误差通过迭代计算被放大，最终导致「70 度晴天」与「20 度暴雨」的截然不同预测——这就是蝴蝶效应。
> "In the limit, if you want to simulate the whole universe, what you actually need is the whole universe."
许多重要问题（天气、人群互动、经济系统）都属于此类复杂动态系统。你可以用模型近似，但模型必然存在某种程度的粒度误差，经过多次迭代后误差会累积到不可接受的程度。这意味着，即使拥有「完美智能」，也无法对所有有趣的问题做出准确预测。
Sosin 认为，AI 真正能做的、且正在做的是大幅降低智能的成本。结果是：每个人都将拥有「一个 200 IQ 的团队在口袋里全职工作」。足够好的智能将变得几乎免费，而这将解决绝大多数需要智能的日常问题。
Sosin 的逻辑链条是：如果智能变得廉价且无处不在，那么你真正想拥有的是智能的互补品——那些智能无法替代、反而会因智能普及而增值的资产。
Sosin 列举的智能互补品包括：
Sosin 将 Meta 的核心业务定义为「个性化电视」——用户喜欢观看符合自己兴趣的内容（如他本人发现的「英式黑色幽默」）。
从成本端看：Sosin 指出 Meta 年收入约 2500 亿美元，几乎全部花掉。他用高度简化的视角认为，Meta 的支出本质上全是购买「智能」——数据中心（智能生产工具）、推理计算（智能本身）、高薪工程师（智能）、代码（智能）、视频服务（智能的邻近品）。如果未来五年智能价格下降 100 倍，Meta 的成本结构将发生根本性变化。
从收入端看：Sosin 认为创作者将能利用廉价智能制作更高质量的内容；Meta 能更好地推荐视频；广告商能制作更精准的个性化广告并构建更顺畅的转化漏斗。
核心护城河：Sosin 认为 Meta 拥有数据和注意力——这两者不会被廉价智能摧毁，反而会因智能提升而增值。用户不会因为智能变便宜就不看有趣的 20 秒视频。
> "All they buy is intelligence. And if you think forward with the fact that the price of intelligence is falling by a factor of 100 or something over the next five years, first principles, their costs kind of go away."
Sosin 用 Grindr 作为反例（他本人不持有）：Grindr 拥有大量注意力和数据，但受限于公司规模，无法像 Meta 那样充分利用智能。如果它能获得「Google 最好的 1 万名工程师工作 5 年」的资源，它可以做更多事情。Sosin 认为小公司可能因无法充分部署智能而受限，但拥有数据与注意力的公司仍有机会。
Sosin 观察到，模型部署的演进路径是：从能力有限的模型开始，只能做很小一部分工作；随着模型变好，它们向上爬升，解锁更大的可寻址市场。但在每个层级背后，一旦评估指标饱和，你就不会再用前沿模型做简单任务——这些领域明显商品化。
> "Once evals or whatever gets saturated, you would never use a frontier model for a chatbot in a customer service application. You'd be an idiot."
Sosin 认为智能需求呈钻石形：最初随着模型变好，应用场景越来越广；但到达某个点后，进一步升级智能所服务的市场会越来越狭窄、越来越稀有。
> "How often do you really need a 300 IQ?"
他的推演：
针对「智能变便宜后需求会暴增」的观点，Sosin 指出：杰文斯悖论只是价格弹性曲线上某个特定点的描述，不一定永远成立。他用光纤通信的历史做类比：通信成本大幅下降后，信息传输量暴增，市场长期增长；但后来市场停止增长，成本继续下降，市场反而萎缩。如今 Cogent Communications 承载 30-40% 的互联网 IP 流量，市值却只有几十亿美元——一个很小的行业。
> "Jevons paradox is a statement about a particular spot on a curve, which doesn't necessarily have to be true."
针对「智能可以自己发现新问题」的观点，Sosin 回应：要回答新问题，最终需要触碰现实。模型可以阅读所有论文并发现被忽略的联系——这会产生大量新发现。但到某个点后，你需要做实验，而实验受物理速度限制。模型可以提出更好的实验方案，但实验本身需要时间（如繁殖小鼠需要一年）。
> "If you had a model and it was going to think more about physics, it could certainly think lots of interesting thoughts about physics, but eventually it's going to need to do experiments."
Sosin 坦言自己「故意忽视」AI 基础设施投资，原因在于：
> "I can't forecast supply or demand within several orders of magnitude."
Sosin 将当前的 AI 基础设施投资比作一个家庭为买房而储蓄：全社会将大量资源（电工、水管工等）投入建设数据中心，导致经济其他领域成本上升。这个过程会持续，直到过度建设。由于建设有前置时间，且存在「赢家的诅咒」，最后一个停止的人会后悔。
> "Invariably the last person to stop will regret it."
与历史上的基础设施投资不同，AI 技术本身正在快速变化——芯片层面、模型层面都可能被 AI 自身商品化。Sosin 指出，NVIDIA 本质上只是向台积电发送平面文件——虽然这些文件极难制作，但理论上可以被复制。如果从前沿退一步，制造成本会大幅下降。
Sosin 认为台积电的护城河更坚固，因为其制造过程高度物理化，许多细节甚至对 AI 不透明——「某个在系统里工作多年的人知道必须这样做」。但台积电也面临挑战：由于无法满足所有需求，它实际上激励了全世界试图复制其护城河。
Sosin 将消费者决策分为一个光谱：
Sosin 用垃圾收集服务说明 AI 代理的影响：
一阶效应：现在人们懒得更换垃圾收集公司，即使有更便宜更好的选择。AI 代理可以自动比较价格并切换，客户将流向最低成本供应商。
二阶效应：假设一条街上，如果所有住户都用同一家垃圾收集公司，该公司可以因路线优化而提供更低价格。但过去人们难以协调。现在，拥有两个客户的供应商可以主动向其他住户提供更低价格，形成规模与成本的良性循环——低成本供应商赢得更多客户，从而变得更低成本。
> "The first order effect is that you move to the low cost provider."
Sosin 预测，随着 AI 代理持续优化，价格将变得更加动态。垃圾收集费可能不再是一年固定 60 美元，而是每周根据实际成本变化。每个垃圾收集公司会不断重新计算边际成本，为每个客户实时定价。
Sosin 将当前投资环境类比为计算机辅助象棋时代：人类与计算机合作优于任何一方单独行动。人类拥有模型没有的信息（生活经验、非互联网化的信息），模型拥有计算优势。两者协同能做出更好的判断。
Sosin 认为，长期来看，随着模型能获取的信息越来越多，人类判断的附加值会逐渐消失。当模型对未来的概率分布预测已经是最优时，加入人类判断只会降低准确性——就像在七天天气预报中加入个人意见一样。
> "That day may come."
主持人提到一位朋友正在做实验：自己挑选标的，但将投资组合构建（仓位分配）交给 AI。结果 AI 的仓位分配大幅优于人类版本。Sosin 的回应：
> "A lot of that research, I think, is more looking at price changes in terms of securities prices and less focused on thinking about it the way someone who owns a company might think about it."
Sosin 引用一句经典表述：价格是包裹在激励中的信号（"Price is a signal wrapped in an incentive"）。价格上涨或下跌激励你买多或买少，同时传递关于相对价值、稀缺性和生产成本的信息。他认为，即使拥有无限智能，也很难找到比价格更好的协调机制。
Sosin 认为，如果每个人都有持续优化的 AI 代理，价格粘性将大幅降低。当前许多价格（如存款利率）存在惰性，竞争不如理论中充分。AI 代理的持续优化将使价格更频繁、更精确地反映真实供需。
Sosin 指出，美国在极短时间内将约 3% 的 GDP 重新配置到高度投机性的 AI 建设中，这是世界上其他任何地方都无法做到的。这种资本配置能力本身就是生产力增长的关键约束条件。
> "It is amazing that we can redeploy resources at this scale, this quickly."
Sosin 认为，尽管大规模建设通常伴随浪费和欺诈（如铁路建设时代），但这次 AI 建设「异常干净」。大量参与者试图做正确的事情，治理机制值得赞赏。
Sosin 的「宠物理论」：来到美国的人是那些最愿意承担风险的人群的子集，因为移民本身是高风险行为。风险承担有遗传成分，在美国更普遍。这种倾向又催生了支持风险承担的文化和制度（合理的破产法、劳动法、风险投资），形成自我强化的循环。
> "If there's a moon base at some point, you're going to be bullish on that community's ability to do really well economically."
Sosin 建议企业从董事会和 CEO 开始，让所有人都参加黑客马拉松——不仅是开发者。目的不是产出可用的软件，而是让每个人了解什么是可能的，从而改变预期。
CEO 应要求 IT 负责人：让我的 AI 代理能够以只读方式访问公司所有系统。任何我可以通过询问他人获取的信息，都应该能通过提示词获取。这虽然困难（涉及无数系统），但这是起点。
从只读访问开始，逐步扩展到写入权限，再到修改系统的权限。Sosin 承认这需要数年时间，因此关键在于你的业务是否有足够的时间窗口来完成这一转型，还是会被从零开始的新进入者颠覆。
Sosin 认为，在 AI 时代，个人智能并非无用。智能越高、知识越丰富，就越能有效地与模型沟通，引导模型做你想做的事。如果你不懂量子物理，模型只能用「蜡笔和 Nerf 球」的方式向你解释，无法达到前沿。
> "You can't ask it to assume it's a stochastic process unless you know what a stochastic process is."
Sosin 主张让孩子在脱离模型的情况下学习基础技能——不是因为他们将来会不用模型，而是因为不理解乘法就无法理解矩阵乘法，不理解矩阵乘法就无法理解模型在做什么。理解是引导的前提。
对于莎士比亚论文等任务，Sosin 认为老师应该提出更难的要求：让学生用模型完成 100 倍更复杂的任务，然后回来证明他们真正理解了结果，能够解释「为什么是这样」。这既训练了使用模型的能力，也训练了批判性思维。
Sosin 提出两种对立叙事：
集中化叙事：AI 使少数人（实验室、NVIDIA 等）获得巨大回报，收入分配更加集中。
扁平化叙事：
> "Truman asked for a one-handed economist. I seem to very distinctly have two hands on everything."
Sosin 倾向于认为整体利润率将下降，更多价值转化为消费者剩余。但他也指出，90 年代互联网兴起时的研究报告也做了类似预测，结果却错了——原因是聚合经济效应（Ben Thompson 的聚合理论）。但在 AI 代理时代，聚合理论可能失效：如果代理能搜索所有结果而非只看第一个，排名第一就不再重要，质量、价格和服务变得更加关键。
Sosin 认为，AI 可能使更复杂的垂直整合业务成为可能。过去由于协调成本和委托代理问题，行业倾向于水平结构。现在，借助 AI 代理，可以构建全栈宠物护理业务（从宠物食品到保险到医院），减少中间环节，提高效率。Carvana 就是这种垂直整合的先例，在 AI 普及之前就已经建成。
| 标的 | 嘉宾观点或披露动作 | 关键依据与数据 |
|---|---|---|
| Carvana | 约 80% 仓位，高度集中持有 | Sosin 认为 Carvana 的基础设施和品牌高度差异化，失败场景很少；Sosin 认为其垂直整合模式是 AI 时代可复制的先例 |
| Meta | 持有约 5% 仓位 | Sosin 认为 Meta 拥有数据与注意力这两大智能互补品；Sosin 指出其 2500 亿美元收入几乎全部花在「购买智能」上，智能价格下降将大幅降低成本 |
| Hilton Grand Vacations | 持有（仓位未明示） | 属于 Sosin 持仓中的少数几个标的之一 |
| Grindr | 不持有，仅作为案例 | 拥有注意力和数据，但受限于公司规模，无法充分部署智能 |
| NVIDIA | 未持有，持怀疑态度 | Sosin 认为 NVIDIA 本质上向台积电发送平面文件，理论上可被复制；Sosin 认为技术快速迭代可能商品化其领先优势 |
| 台积电 (TSMC) | 未明示持有与否 | Sosin 认为台积电的物理制造过程构成更坚固的护城河，但无法满足所有需求，激励全球复制其护城河 |
| Cogent Communications | 作为类比案例 | Sosin 以此为例说明即使需求巨大，市场也可能很小 |
1. 智能是球的圆度，不是树的高度（Sosin 观点）：Sosin 认为智能不是无限增长的标量，而是有硬性限制的工具。对于复杂动态系统，即使完美智能也无法做出准确预测。
2. 拥有智能的互补品，而非智能本身（Sosin 观点）：Sosin 认为当智能变得廉价且无处不在时，数据、注意力、物理规模、监管壁垒等智能无法替代的资产将更有价值。
3. AI 代理将推动客户流向最低成本供应商（Sosin 观点）：Sosin 认为消费者决策中可委托的部分将由代理自动优化，打破过去的惰性定价和品牌忠诚度，形成「低成本→更多客户→更低成本」的良性循环。
4. 价格是包裹在激励中的信号（Sosin 引用）：Sosin 引用此观点，认为即使拥有无限智能，也很难找到比价格更好的经济协调机制。AI 代理将使价格更灵敏、更动态。
5. 智能需求呈钻石形，而非无限增长（Sosin 观点）：Sosin 认为超级精英智能的用例很少，足够好的智能用例很多但竞争激烈且商品化。杰文斯悖论只是曲线上某一点的描述，不一定永远成立。
6. 触碰现实是智能的硬约束（Sosin 观点）：Sosin 认为模型可以提出更好的实验方案，但实验本身受物理速度限制（如繁殖小鼠需要一年）。自动化实验虽好，但速度有限。
7. 美国资本市场的快速资源再配置能力是其核心优势（Sosin 观点）：Sosin 认为将约 3% GDP 快速重新配置到 AI 建设，世界上其他任何地方都无法做到。
8. 教育应培养「与模型沟通」的能力（Sosin 观点）：Sosin 认为孩子需要在不依赖模型的情况下掌握基础概念，不是为了将来不用模型，而是为了能有效引导模型做更复杂的事情。