作者：Jason，NDV創辦人

本文討論宏觀經濟機制與公開資料，不涉及任何基金產品，不構成投資建議或收益承諾。

過去做《非共識的 20 分鐘》，大部分時候是我一個人，花二十分鐘講清楚一個判斷。

這次我想換一種方式。

不是另起爐灶做一檔新節目，也不是把訪談做成履歷問答。它仍然是《非共識的 20 分鐘》，只是我會不定期邀請一些朋友，圍繞一個我當下真的在想、但還沒有完全想明白的話題，坐下來聊一聊。

我越來越覺得，一個人輸出久了，答案會變得熟練，問題卻可能越來越固定。兩個人真正有來有回地聊，好的地方不是多了一倍資訊，而是對方會把你從自己習慣的路徑裡拽出來。

這一期，我找來的是Jason Kam。我們錄了將近兩個小時，聊的是兩個原本都不是程式設計師的基金經理人，怎麼開始用 AI；也聊到 AI 能替人做什麼、不能替人做什麼，以及當資訊越來越便宜之後，投資裡真正稀缺的東西到底是什麼。

一、為什麼是 Jason Kam

Kam 是Folius Ventures的創辦人。

他早年在美國讀書，後來在華爾街和對沖基金做了很多年研究，再從傳統金融進入數位資產。我們走過的路有一些相似：都做過傳統金融，都在後來進入新的資產類別，也都長期面對同一張很直接的成績單——判斷最後要由結果來檢驗。

但我們做事的方式不太一樣。

Kam 喜歡搭系統。他會把一個問題拆成幾個角色，讓不同的 AI 分頭研究、互相反駁，再由另一個角色彙整。他公開過的一套流程裡，有 6 個 AI 分析師，經過 5 輪辯論，最後交給 1 個「研究總監」整理。

我過去更習慣把 AI 當成一個很能幹的助理：任務拆小，邊界說清楚，一件一件交給它做。哪些資料要找，哪些公開資料要整理，哪些重複工作可以自動化，我比較容易接受；但要把整條研究鏈放進一個黑盒子裡，我還是會本能地不放心。

兩個都不是程式設計師的人，最後走出了兩套很不一樣的用法。這也是我想找他聊的原因。

其實在錄音之前，我們一起吃過一頓飯。本來只是普通聚會，最後聊了三四個小時。我後來發現，我們之間有一種挺有意思的化學反應：Kam 很容易把一個問題繼續往系統和機制裡推，我則經常在他講到一半時打斷他——你先等等，這件事對一個普通人到底有什麼用？

這期節目裡，我也真的這樣打斷了他。

二、我們到底拿 AI 做了什麼

Kam 一開始講的是一個很大的變化：能源、晶片和模型的進步，正在讓「智慧」的成本快速下降。

我說，我得替聽眾打斷一下。這個故事大家多少都聽過，我們不如講點落地的。

你十幾年沒有認真寫程式碼，我從來不會寫程式碼。那我們現在到底拿 AI 做了什麼？

Kam 給了三個很具體的答案。

第一，掃資訊。他會讓系統持續看公開社群媒體、論壇、研究資料和一批精選播客，不是為了每天生成一堆摘要，而是為了找到：這一段時間有沒有出現一個值得繼續追的問題。

第二，搭研究地圖。以前研究一家公司，可能先 Google，再翻財報、電話會、訪談和產業資料。現在 AI 可以先把資料攤開，告訴你哪裡有證據、哪裡只是二手轉述、哪裡還缺一塊。

第三，接走重複追蹤。公司更新、財報之後的變化、同一個問題的正反論據，都可以先讓機器跑一遍。人不用從零開始，但仍然要回到原文。

他還做了BidClub，把一批中美投資播客變成可以搜尋的口語資料庫。2026 年 8 月 16 日訪問官網時，頁面列出了 29 檔節目、2,251 集內容。過去你需要一集一集聽，現在可以先找到哪一段值得聽，再回去聽原話。

我聽完的第一個感受是：AI 最先複製的，不是基金經理人，而是基金經理人的工作量。

以前，一個不會寫程式碼的人即使知道自己想看什麼，也經常卡在執行上。你不可能每天把幾十個來源重新掃一遍，也不可能為每一個念頭都搭一套工具。現在這個門檻突然低了。很多原本只存在腦子裡的工作習慣，可以被拆開、測試，甚至重複運行。

這當然很有用。但接下來那個問題更重要：當每個人都能讀更多資料，為什麼判斷沒有一起變得更容易？

三、資訊越多，主要矛盾反而越難找

Kam 對自己搭的系統並不盲目樂觀。

他說了一句我印象很深的話：你給 AI 畫了一個圈，它就很難自己跳出來。

它可以在一個問題裡挖得很深。問題是，那個問題一開始就可能問錯了。對話跑得越久，它越可能在一個不太重要的方向上工作得非常努力，最後交給你一份很完整、很流暢，也很沒用的答案。

投資最難的地方，從來不是列出所有變數。

利率、競爭、產品、管理層、估值、政策、資金面，每一個都重要，每一個都能寫成幾十頁。真正困難的是，從資訊的大海裡找出三四個會改變結論的主要矛盾，然後判斷眼下市場到底在交易哪一個。

AI 現在很擅長回答問題，還不太擅長決定什麼才是問題。

這也解釋了為什麼，資訊多不等於理解深。一個人如果腦子裡沒有框架，AI 只是讓更多材料更快地經過他。Kam 的原話很直接：沒有框架，所有資訊都是雜訊。

我自己也有類似感受。

AI 可以告訴我，某個關係走到了歷史上很少見的位置；也可以把過去幾次類似情況全部找出來。但這一次會不會沿著舊路徑回去，還是因為環境已經變了，過去的類比不再適用，它不能替我決定。

它能擴大搜尋半徑，也能製造一個很像樣的反方。最後哪一條證據真正重要，哪一條只是看起來新鮮，仍然是人的工作。

所以我們聊到這裡，其實形成了一個很樸素的共識：AI 可以替你找資料，不能替你決定該相信什麼；可以替你複製流程，不能替你承擔結果。

四、這次對談，我自己帶走了什麼

我帶走的第一件事是：先複製工作，不要急著外包判斷。

如果一件事重複、耗時、來源明確，而且你能很快檢查對錯，很適合先交給 AI。找資料、列差異、整理原文、建立時間線，都屬於這一類。相反，凡是涉及「哪個變數最重要」「這次和過去是否真的相似」，最好先保留在人手裡。

第二件事是：普通人第一步不是追更多資訊，而是親手搭一個最粗的框架。

我在節目裡問 Kam，如果一個普通人想用 AI 幫自己做研究，最應該先做什麼？

他的答案不是學提示詞，也不是訂更多工具，而是親手搭一個最簡單的單位經濟模型。

翻譯成人話，就是先把一個生意最小的運轉公式寫下來：誰在付錢，為什麼付，多久付一次；收入從哪裡來，最大的成本是什麼，真正卡住成長的地方在哪裡。

這個模型一開始可以很笨，甚至有很多空格。但你親手寫過以後，每一條新資訊才有位置可放。否則，讀十篇報告和讀一百篇報告的區別，可能只是你收集了更多無法判斷輕重的句子。

第三件事是：結果和過程，要用兩張成績單。

我們聊到一件並不容易公開談的事：短期結果會反過來訓練一個人的動作。表現好的時候，容易把運氣算成能力；表現不好的時候，又會把所有波動都理解成自己做錯了。

Kam 的辦法是做減法，把成績單拉長，不要讓自己被過於頻繁的計分綁架。我的辦法更像做加法：去做一些和原有成績單沒有直接關係、但能帶來真實回饋的新項目。一個是拿掉負號，一個是多加幾個加號。

方向不同，解決的是同一個問題：別讓一個短期結果，壟斷你對自己的全部解釋。

五、如果你想馬上試一下

不需要先搭一套複雜系統。找一個你本來就感興趣的公司、產業，甚至一個身邊的小生意，先做一輪一小時的研究初篩：

1. 用一句話寫清楚它怎麼賺錢：誰付錢、付多少、多久付一次，最大的成本是什麼。

2. 把不知道的地方留空，讓 AI 只負責找原始來源，並附上來源名稱、發布日期和連結，再把內容分成「已知事實、估算、還不知道」。先不要讓它給結論。

3. 把真正可能改變判斷的變數壓到最多三個，再讓 AI 為每一個變數找最強支持和最強反方。

4. 最後自己寫一句：如果哪一條事實被證明不成立，我會改變現在的看法？

這四步不會直接給你一個投資答案，也不應該拿來直接做任何買賣決定。它真正訓練的是另一件事：把「我看了很多」，慢慢變成「我知道自己為什麼這樣想，也知道什麼會證明我想錯了」。

錄到最後，Kam 提到一個很誠實的擔心：AI 會讓一個人在新方向上走得非常快、非常遠，快到走了一大段以後，才發現那根本不是自己想去的地方。

我的反應不太一樣。我覺得很多方向本來就是撞出來的。如果因為害怕走錯，一直站在原地優化路線，也可能永遠碰不到真正有意思的東西。

這大概也是朋友對談最有價值的地方。我們不一定最後得出同一個答案，但對方會讓我看見：自己的答案依賴了什麼性格，忽略了什麼代價。

AI 讓開始變得容易，也讓走錯路變得更快。

所以這一期留給我的問題不是“AI 會不會取代基金經理”，而是一個更具體的問題：當資訊和執行都越來越便宜，我們有沒有能力更早發現，自己正在回答一個錯誤的問題？

這也是我想繼續邀請朋友來聊的原因。