作者： Jason ，NDV创始人
本文讨论宏观经济机制与公开资料，不涉及任何基金产品，不构成投资建议或收益承诺。
过去做《非共识的 20 分钟》，大部分时候是我一个人，花二十分钟讲清楚一个判断。
这次我想换一种方式。
不是另起炉灶做一档新节目，也不是把访谈做成履历问答。它仍然是《非共识的 20 分钟》，只是我会不定期邀请一些朋友，围绕一个我当下真的在想、但还没有完全想明白的话题，坐下来聊一聊。
我越来越觉得，一个人输出久了，答案会变得熟练，问题却可能越来越固定。两个人真正有来有回地聊，好的地方不是多了一倍信息，而是对方会把你从自己习惯的路径里拽出来。
这一期，我找来的是Jason Kam。我们录了将近两个小时，聊的是两个原本都不是程序员的基金经理，怎么开始用 AI；也聊到 AI 能替人做什么、不能替人做什么，以及当信息越来越便宜之后，投资里真正稀缺的东西到底是什么。
一、为什么是 Jason Kam
Kam 是Folius Ventures的创始人。
他早年在美国读书，后来在华尔街和对冲基金做了很多年研究，再从传统金融进入数字资产。我们走过的路有一些相似：都做过传统金融，都在后来进入新的资产类别，也都长期面对同一张很直接的成绩单——判断最后要由结果来检验。
但我们做事的方式不太一样。
Kam 喜欢搭系统。他会把一个问题拆成几个角色，让不同的 AI 分头研究、互相反驳，再由另一个角色汇总。他公开过的一套流程里，有 6 个 AI 分析师，经过 5 轮辩论，最后交给 1 个“研究总监”整理。
我过去更习惯把 AI 当成一个很能干的助理：任务拆小，边界说清楚，一件一件交给它做。哪些数据要找，哪些公开材料要整理，哪些重复工作可以自动化，我比较容易接受；但要把整条研究链放进一个黑盒里，我还是会本能地不放心。
两个都不是程序员的人，最后走出了两套很不一样的用法。这也是我想找他聊的原因。
其实在录音之前，我们一起吃过一顿饭。本来只是普通聚会，最后聊了三四个小时。我后来发现，我们之间有一种挺有意思的化学反应：Kam 很容易把一个问题继续往系统和机制里推，我则经常在他讲到一半时打断他——你先等等，这件事对一个普通人到底有什么用？
这期节目里，我也真的这样打断了他。
二、我们到底拿 AI 做了什么
Kam 一开始讲的是一个很大的变化：能源、芯片和模型的进步，正在让“智能”的成本快速下降。
我说，我得替听众打断一下。这个故事大家多少都听过，我们不如讲点落地的。
你十几年没有认真写代码，我从来不会写代码。那我们现在到底拿 AI 干了什么？
Kam 给了三个很具体的答案。
第一，扫信息。他会让系统持续看公开社交媒体、论坛、研究资料和一批精选播客，不是为了每天生成一堆摘要，而是为了找到：这一段时间有没有出现一个值得继续追的问题。
第二，搭研究地图。以前研究一家公司，可能先 Google，再翻财报、电话会、访谈和行业资料。现在 AI 可以先把资料摊开，告诉你哪里有证据、哪里只是二手转述、哪里还缺一块。
第三，接走重复跟踪。公司更新、财报之后的变化、同一个问题的正反论据，都可以先让机器跑一遍。人不用从零开始，但仍然要回到原文。
他还做了BidClub，把一批中美投资播客变成可以搜索的口语资料库。2026 年 8 月 16 日访问官网时，页面列出了 29 档节目、2,251 集内容。过去你需要一集一集听，现在可以先找到哪一段值得听，再回去听原话。
我听完的第一个感受是：AI 最先复制的，不是基金经理，而是基金经理的工作量。
以前，一个不会写代码的人即使知道自己想看什么，也经常卡在执行上。你不可能每天把几十个来源重新扫一遍，也不可能为每一个念头都搭一套工具。现在这个门槛突然低了。很多原本只存在脑子里的工作习惯，可以被拆开、测试，甚至重复运行。
这当然很有用。但接下来那个问题更重要：当每个人都能读更多资料，为什么判断没有一起变得更容易？
三、信息越多，主要矛盾反而越难找
Kam 对自己搭的系统并不盲目乐观。
他说了一句我印象很深的话：你给 AI 画了一个圈，它就很难自己跳出来。
它可以在一个问题里挖得很深。问题是，那个问题一开始就可能问错了。对话跑得越久，它越可能在一个不太重要的方向上工作得非常努力，最后交给你一份很完整、很流畅，也很没用的答案。
投资最难的地方，从来不是列出所有变量。
利率、竞争、产品、管理层、估值、政策、资金面，每一个都重要，每一个都能写成几十页。真正困难的是，从信息的大海里找出三四个会改变结论的主要矛盾，然后判断眼下市场到底在交易哪一个。
AI 现在很擅长回答问题，还不太擅长决定什么才是问题。
这也解释了为什么，信息多不等于理解深。一个人如果脑子里没有框架，AI 只是让更多材料更快地经过他。Kam 的原话很直接：没有框架，所有信息都是噪声。
我自己也有类似感受。
AI 可以告诉我，某个关系走到了历史上很少见的位置；也可以把过去几次类似情况全部找出来。但这一次会不会沿着旧路径回去，还是因为环境已经变了，过去的类比不再适用，它不能替我决定。
它能扩大搜索半径，也能制造一个很像样的反方。最后哪一条证据真正重要，哪一条只是看起来新鲜，仍然是人的工作。
所以我们聊到这里，其实形成了一个很朴素的共识：AI 可以替你找资料，不能替你决定该相信什么；可以替你复制流程，不能替你承担结果。
四、这次对谈，我自己带走了什么
我带走的第一件事是： 先复制工作，不要急着外包判断。
如果一件事重复、耗时、来源明确，而且你能很快检查对错，很适合先交给 AI。找资料、列差异、整理原文、建立时间线，都属于这一类。相反，凡是涉及“哪个变量最重要”“这次和过去是否真的相似”，最好先保留在人手里。
第二件事是： 普通人第一步不是追更多信息，而是亲手搭一个最粗的框架。
我在节目里问 Kam，如果一个普通人想用 AI 帮自己做研究，最应该先做什么？
他的答案不是学提示词，也不是订更多工具，而是亲手搭一个最简单的单位经济模型。
翻译成人话，就是先把一个生意最小的运转公式写下来：谁在付钱，为什么付，多久付一次；收入从哪里来，最大的成本是什么，真正卡住增长的地方在哪里。
这个模型一开始可以很笨，甚至有很多空格。但你亲手写过以后，每一条新信息才有位置可放。否则，读十篇报告和读一百篇报告的区别，可能只是你收集了更多无法判断轻重的句子。
第三件事是： 结果和过程，要用两张成绩单。
我们聊到一件并不容易公开谈的事：短期结果会反过来训练一个人的动作。表现好的时候，容易把运气算成能力；表现不好的时候，又会把所有波动都理解成自己做错了。
Kam 的办法是做减法，把成绩单拉长，不要让自己被过于频繁的计分绑架。我的办法更像做加法：去做一些和原有成绩单没有直接关系、但能带来真实反馈的新项目。一个是拿掉负号，一个是多加几个加号。
方向不同，解决的是同一个问题：别让一个短期结果，垄断你对自己的全部解释。
五、如果你想马上试一下
不需要先搭一套复杂系统。找一个你本来就感兴趣的公司、行业，甚至一个身边的小生意，先做一轮一小时的研究初筛：
1. 用一句话写清它怎么赚钱：谁付钱、付多少、多久付一次，最大的成本是什么。
2. 把不知道的地方留空，让 AI 只负责找原始来源，并附上来源名称、发布日期和链接，再把内容分成“已知事实、估算、还不知道”。先不要让它给结论。
3. 把真正可能改变判断的变量压到最多三个，再让 AI 为每一个变量找最强支持和最强反方。
4. 最后自己写一句：如果哪一条事实被证明不成立，我会改变现在的看法？
这四步不会直接给你一个投资答案，也不应该拿来直接做任何买卖决定。它真正训练的是另一件事：把“我看了很多”，慢慢变成“我知道自己为什么这样想，也知道什么会证明我想错了”。
录到最后，Kam 提到一个很诚实的担心：AI 会让一个人在新方向上走得非常快、非常远，快到走了一大段以后，才发现那根本不是自己想去的地方。
我的反应不太一样。我觉得很多方向本来就是撞出来的。如果因为害怕走错，一直站在原地优化路线，也可能永远碰不到真正有意思的东西。
这大概也是朋友对谈最有价值的地方。我们不一定最后得出同一个答案，但对方会让我看见：自己的答案依赖了什么性格，忽略了什么代价。
AI 让开始变得容易，也让走错路变得更快。
所以这一期留给我的问题不是“AI 会不会取代基金经理”，而是一个更具体的问题：当信息和执行都越来越便宜，我们有没有能力更早发现，自己正在回答一个错误的问题？
这也是我想继续邀请朋友来聊的原因。
