夜雨聆风
这几天，华尔街最有戏剧性的故事之一，属于Leopold Aschenbrenner。
两年前，他还是一个刚离开OpenAI的年轻研究员。两年后，他创办的Situational Awareness已经成了华尔街最受关注的AI主题基金之一。据海外媒体报道，其管理规模一度超过200亿美元。
然后，剧情突然反转。
在近期AI相关资产的剧烈波动中，Situational Awareness遭遇了不小的损失，随后寻求补充资金，并将公开股票组合转让给Citadel。
中文互联网上很快出现了一种更有戏剧性的说法：这个从OpenAI出来的年轻天才，被华尔街盯上了。
有人把它描述成一场围猎。
一个年轻基金经理用高杠杆建立了大量集中仓位，部分持仓又通过监管文件暴露在市场面前。当其他交易者了解他的方向和潜在弱点后，只要相关资产向不利方向移动，就可能触发保证金压力，迫使他在最差的时候卖出。
这个故事很吸引人，但截至目前，并没有足够证据证明华尔街真的组织了一场针对他的“狙击”。
能够确认的是，Situational Awareness确实碰上了多头和空头同时不利的情况。
它持有的部分AI基础设施资产下跌，而部分软件空头又出现反弹。原本被设计为相互对冲的仓位，没有按照预期抵消风险，反而同时带来损失。杠杆进一步放大波动，最终迫使基金迅速降低仓位。
这其实是华尔街最古老的故事之一。
方向未必完全错误，但仓位不允许你等到自己被证明正确的那一天。
也正因为这场风波，我重新翻出了Leopold在2024年发表的那篇长文——《Situational Awareness：The Decade Ahead》。
中文可以译成《态势感知：未来十年》，PDF一共165页。
我原本以为，这只是一个AI研究员对AGI时间表的技术预测。真正读下去后才发现，它混合了三种完全不同的东西：技术趋势、产业研究，以及非常浓厚的美国国家安全叙事。
这篇文章后来成了Leopold投资体系的理论起点。他创办的基金沿用了文章的名字，持仓方向也很像这套世界观在资本市场上的表达。
如果想理解他为什么敢用如此激进的方式押注AI，就必须先回到这篇文章。
他到底看见了什么
Leopold整篇文章最核心的方法并不复杂。
他认为，我们不能仅仅根据今天的大模型存在哪些缺陷，就判断AI未来做不到什么。
过去几年，人们不断为深度学习划定边界。
模型不会写代码，不会做复杂的数学题，不会推理，也无法通过专业考试。可是，这些曾被认为难以跨越的障碍，后来很多都随着模型规模扩大、算法改进和工程优化而松动。
所以，他不愿意用“我觉得AI不可能做到”来讨论AGI，而是提出了另一种办法：数数量级。
也就是他反复提到的“Counting the OOMs”。
OOM是Order of Magnitude的缩写，一个OOM代表十倍。
他把AI能力的进步拆成三个来源：更多的计算资源、更高的算法效率，以及对模型现有限制的解除。
前两项很好理解。
投入更多芯片和训练时间，模型通常会变得更强；在相同算力下，更好的模型架构、训练方法和数据处理，也能带来能力提升。
第三项更容易被忽略。
今天的大模型看起来仍像一个聊天机器人，未必完全是因为它不够聪明，也可能是因为它没有长期记忆，不能持续执行任务，不能自由调用外部工具，也没有足够的推理时间。
如果给模型接入搜索、代码执行、长期记忆和自主行动能力，同一个底层模型表现出来的实用性可能完全不同。
沿着这条趋势，Leopold做出了一个大胆预测：2027年前后，AI可能已经具备接近优秀研究员或工程师的工作能力。
他并不是说AGI一定会在2027年出现，而是认为，从算力、算法和智能体能力的发展趋势看，这已经是一个不能轻易排除的时间点。
读到这里，我基本能够理解他的思路。
但真正让我停下来想了一会儿的，是文章的下一步。
Leopold认为，真正的拐点不是AI替代了多少客服、文案或者程序员，而是AI开始研究AI。
假如一个AI能够胜任AI研究员的工作，人类就可以复制出成千上万个数字研究员，让它们全天候改进下一代模型。
软件可以快速复制。
一家实验室原本只有几百名研究员，未来却可能拥有数百万个数字研究员。它们不需要休息，可以共享经验，还能同时进行大量实验。
AI帮助人类改进AI，更强的AI再加速下一轮研究。
这就是他所说的“智能爆炸”。
在他的推演中，一旦AI研究实现高度自动化，人类研究界原本需要十年完成的算法进步，可能被压缩到一年。
这是整篇文章最关键的一步，也是我最怀疑的一步。
会考试、会写代码，与能够独立提出真正重要的研究方向，中间可能还隔着很远。科学研究不仅需要推理，还需要品味、直觉、实验判断，以及对未知问题的长期探索。
如果AI只能帮助研究员提高效率，却不能真正主导研究，那么所谓的智能爆炸，可能只会变成一次相对温和的生产率提升。
但如果Leopold在这一点上判断正确，后面的推演就会迅速展开。
AI表面是软件，底层却是一场工业动员
整篇《态势感知》中，对我最有启发的部分不是关于超级智能的想象，而是Leopold对AI基础设施的分析。
AI与过去的互联网产品不同。
互联网产品增加一名用户，边际成本可能很低；但训练和运行先进AI，需要真实的芯片、服务器、数据中心、电力、冷却、存储和网络设备。
所以，AI表面上是一场软件革命，底层却越来越像一次重资产的工业扩张。
Leopold预测，前沿训练集群的建设成本会从百亿美元上升到千亿美元，最终甚至可能接近万亿美元。
到了那个阶段，限制AI发展的就不只是GPU。
电力从哪里来？电网能不能接入？变压器能否及时交付？先进封装和高带宽存储能不能扩产？数据中心有没有足够的土地、水和建设许可？
这些看起来很传统的工业问题，可能成为AI时代真正的瓶颈。
这也解释了他后来的投资思路。
他没有把AI简单理解成几家模型公司的竞争，而是把资金投向芯片、存储、数据中心、电力，以及拥有能源和物理基础设施的公司。
他相信，AI最确定的需求未必首先出现在应用层，而可能先体现在整个产业的资本开支上。
从产业研究的角度看，这个判断并不荒谬。
问题在于，正确的产业判断并不自动等于正确的股票交易。
产业需求可以增长，股票仍然可能因为估值过高而下跌；公司可以受益，股东也可能因为资本开支、融资成本和竞争加剧，无法获得相应回报。
最容易让人亏钱的，往往不是一个完全错误的故事，而是一个方向正确、价格却已经透支的故事。
文章写到后半段，已经不再是一份普通的行业报告。
Leopold认为，一旦先进AI可以加速科学研究、网络攻击、武器研发和工业生产，它就不再只是商业产品，而会成为国家战略资源。
最先进的模型权重看起来只是服务器里的一组文件，却可能凝聚了数十亿美元的训练投入和最前沿的算法成果。一旦被窃取，竞争者就可能绕过大量研发过程。
因此，他强烈批评美国AI实验室的安全水平。
这些公司声称自己正在开发可能改变世界的AGI，却依然按照普通科技公司的方式保护模型、人员和算法机密。
沿着这条逻辑继续推演，政府最终不太可能允许一家普通的硅谷公司独自掌握超级智能。
Leopold预测，美国可能会出现某种“AI曼哈顿计划”：政府、AI实验室、云计算公司、芯片企业和能源系统，被纳入一个高度协调的国家工程。
这未必表现为简单的国有化，更可能类似美国政府与大型军工企业之间的合作。企业继续承担技术研发，政府则逐渐介入安全标准、资源配置和战略方向。
这一部分带有很强的美国国家安全立场。
他大量使用核武器、战争动员和大国竞争作为类比。这种框架提醒了我们AI的战略价值，但也可能把一个原本存在合作空间的技术问题，推向越来越激烈的零和竞争。
当每个国家都相信自己“不能落后”时，安全反而可能成为最先被牺牲的东西。
他或许是“生命周期投资法”的执行者
看到Leopold的年龄和杠杆，我想起了Ian Ayres和Barry Nalebuff合著的《生命周期投资法》。
这本书提出了一个很有争议的观点：年轻人不仅可以承担更高的股票仓位，在特定条件下，甚至可以适度使用杠杆。
它背后的逻辑不是“年轻就应该赌博”。
一个刚参加工作的年轻人，手里的金融资产可能不多，但未来还有几十年的工资收入和劳动能力。换句话说，他的金融资本很少，人力资本却很大。
如果一个人准备一生都投资股票，那么年轻时本金太少，等到中年积累了大量财富以后才增加股票投资，会导致一生的股票风险过度集中在后半段。
两位作者给出的解决方法是“跨时间分散”。
年轻时在可控范围内使用杠杆，提前增加股票敞口；随着年龄增长、金融资产增加，再逐步降低杠杆，增加债券和现金。
这样做的目的，不是单纯追求短期高收益，而是让一个人一生承担的股票风险更加均匀。
我没有找到Leopold公开表示自己遵循这本书的证据。
但从他的行为看，我甚至怀疑，他或许一直在有意无意地实践类似的理念。
他只有二十多岁，理解AI技术，拥有很强的研究能力，也有很长的职业生涯。即使早期投资遭遇重大挫折，他仍然有时间重新工作、积累资本，再建立一只新的基金。
在这种视角下，他可能认为，现在不进行大幅度下注，反而是在浪费自己最宝贵的资产——时间。
如果AI真的是未来几十年最重要的产业变化，那么二十多岁时承担风险，与六十岁时承担同样的风险，确实不是一回事。
前者即使失败，还有重新开始的机会；后者一旦遭遇永久性损失，恢复空间会小很多。
但这里有一个不能忽略的区别。
《生命周期投资法》讨论的，主要是个人如何配置自己一生的财富。书中强调的是有限度的杠杆、充分分散的股票组合，以及随着年龄增长逐步降低风险。
Leopold管理的却是一只高度集中的主题基金。
它押注AI基础设施，持有复杂的多空仓位，还要面对外部投资人的赎回、交易对手的保证金要求和公开市场的流动性压力。
这与持有一个充分分散的指数基金，再使用有限杠杆实现“跨时间分散”，不是同一种风险。
更重要的是，基金里的钱不只属于Leopold。
他本人二十多岁，可以承受失败后重新开始；但基金投资人有各自不同的年龄、负债和资金用途，未必拥有和他一样漫长的时间。
年轻可以成为一个人承担风险的理由，却不能自动成为替别人承担风险的理由。
生命周期投资法真正强调的，也不是“趁年轻把杠杆加满”，而是利用漫长的时间分散风险。
如果仓位集中到一次市场波动就可能触发被动平仓，那么时间还没有发挥作用，流动性已经先做出了裁决。
他未必看错了，只是被市场提前收取了学费
现在回头看，Leopold并不是凭感觉买股票。
他的持仓背后确实有一套完整逻辑：AI能力继续提升，模型训练需要更多算力，算力需要芯片、存储、数据中心和电力，而基础设施中那些扩产最慢、最难替代的环节，可能获得最大的价值增量。
这套逻辑未必已经被证伪。
近期发生的，更像是一次由仓位、杠杆和流动性共同造成的风险事件，而不是他的AI投资体系彻底失败。
根据目前公开报道，Situational Awareness将公开股票组合转让给了Citadel，并在AI资产波动期间寻求新的资金支持。但这与严格意义上的“爆仓清盘”仍有区别。
基金还保留着部分非上市投资，Leopold本人也没有宣布结束自己的投资事业。
所以，现在就为他写下结局，可能太早了。
他遇到的问题，不一定是没有研究，也可能恰恰是太相信自己的研究。
当一个人拥有一套可以解释技术、产业和地缘政治的完整世界观时，很容易把长期逻辑的确定性，投射到短期价格上。
但市场不需要证明他的长期判断错误。
市场只需要让相关资产在短期内向不利方向移动，而且幅度足够大，就可能迫使高杠杆投资者降低仓位。
一个没有杠杆的个人投资者，可以等待三年、五年。
一个需要面对保证金、投资者赎回和交易对手要求的基金经理，有时连三周都等不了。
这一次，Leopold未必输掉了关于AI未来的判断，却被市场提醒了一件事：正确的方向，如果配上错误的仓位结构，仍然可能带来非常危险的结果。
不过，他最大的优势也恰恰是年轻。
大多数人在二十多岁时还没有形成稳定的投资框架，他已经进入过OpenAI，参与过前沿AI安全研究，写出了一篇影响硅谷和华尔街的长文，并把自己的产业判断变成了一只规模庞大的基金。
年轻、聪明和懂技术，当然不能自动转化为成熟的风险管理能力。
但年轻最大的价值，是还有足够长的时间修正错误。
一次严重的仓位失控，对职业生涯接近尾声的基金经理来说，可能意味着永久性的声誉损失；对一个二十多岁的人来说，也可能成为代价极高，却非常重要的一堂课。
他需要补上的，或许不是对AI的理解，而是对市场的理解。
技术研究追求的是找到正确答案，投资管理面对的却是概率、价格、杠杆、流动性和人性。
研究者可以在几年后被证明正确，基金经理必须保证自己活到被证明正确的那一天。
这是两种不同的能力。
如果Leopold能够真正理解这次事件，在下一次建立投资组合时降低对杠杆的依赖，控制相关资产的总暴露，并为判断延迟兑现留下空间，那么这次挫折未必会成为他的终点。
它反而可能成为他从聪明的AI研究者走向成熟投资者的起点。
华尔街历史上并不缺少早年遭遇重创、后来重新站起来的投资者。
真正决定一个人长期结果的，不是有没有犯过大错，而是犯错以后，能不能准确理解自己究竟错在哪里。
如果他把这次经历简单归因于市场操纵或者外部狙击，同样的风险还可能再次出现。
如果他意识到，真正的问题是仓位、杠杆和流动性没有为错误预留空间，那么这笔学费就没有白交。
最后
读完《态势感知》，再回头看Situational Awareness近期的风波，我不太愿意把它写成一个“年轻天才陨落”的故事。
这更像是一个极度聪明、对AI有深刻理解的年轻人，第一次被真实市场上了一堂很重的风险管理课。
他对AI基础设施、算力需求和能源瓶颈的部分判断，仍然值得研究。他所描绘的资本开支浪潮，也没有因为基金短期受挫而自动消失。
产业逻辑是否正确，需要更长的时间检验。
基金这次经历的，也更适合被称为一次严重的去杠杆事件，而不是在缺少充分证据的情况下，直接定义为“爆仓”。
当然，年轻不是错误的免罪符。
管理如此庞大的资金，需要承担与规模相匹配的责任。聪明也不能替代风险控制。
但年轻意味着他还有时间。
有时间重新建立信誉，有时间修正投资体系，也有时间证明《态势感知》究竟是一篇过于激进的时代预言，还是一份提前多年看见产业变化的路线图。
Leopold试图预测未来十年，却在眼前几周的波动中遭遇重挫。
这并不讽刺。
它只是说明，预测未来与穿越市场，本来就是两种不同的能力。
真正的态势感知，不只是看见远方可能发生什么。
还要知道脚下哪里有坑，自己能承受多大的跌落，以及跌倒以后，还有没有机会重新出发。
对Leopold来说，答案仍有可能是肯定的。
毕竟，他才二十多岁。
