生成式 AI 与基本面投资：哥大 Ehsan Ehsani 课堂讲义（中文整理）
来源说明：本文课件图片来自但斌（东方港湾董事长）2026 年 10 月 4 日（北京时间）连发的四条微博，均为课堂现场拍摄的英文 PPT（第四帖为中英双语页）。中文翻译与整理由本站完成，不代表讲者或但斌的观点；翻译尽量忠实，人名、公司名、术语保留英文括注，看不清的字标【模糊】，没有补写。
- （一）02:10 https://www.sina.cn/weibo/detail/5350118242911753.html（第一部分）
- （二）02:53 https://www.sina.cn/weibo/detail/5350128898540191.html（第二部分）
- （三）04:40 https://www.sina.cn/weibo/detail/5350155941577059.html，标题「AI 不是替代分析师，而是让三人团队跑出一百亿的资产」（第三部分；「一百亿」的说法见第三部分说明）
- （四）06:54 https://www.sina.cn/weibo/detail/5350189625771934.html，长文「百年计算能力曲线：在漫长蛰伏后，AI 正迎来陡峭的爆发」（第四部分，出处存疑）
课程信息
| 项目 | 内容 |
|---|---|
| 课程 | Generative AI In Fundamental Investing and Asset Management（生成式 AI 在基本面投资与资产管理中的应用） |
| 主讲 | Ehsan Ehsani |
| 项目 | 哥伦比亚大学商学院（Columbia Business School）GVIP Program |
| 课件日期 | 封面页标注 October 3, 2026（美国当地时间） |
| 记录者 | 但斌（东方港湾董事长），2026-10-04 北京时间连发四条微博 |
核心观点摘要
- 基本面分析师的工作有 80% 以上是结构化、可重复、相当机械的流程，投资者约 30% 的时间花在不创造价值的手工活上。AI 能把行业比价（industry comps）这类工作从几小时压到几秒。
- 通用模型在核心金融分析任务上大约「十次对六次」（54%–63%）。GPT-5 分析 AEO 财报会时编造了引语、给错了门店数。同一个前沿模型接上结构化文件数据源，准确率是 94.2%；放到开放网络上的网搜助手只有 33.8%。差别只在「让它读什么」。
- 「模型是最不具专有性的一层」。Oakcliff Capital 3 人管理 3.6 亿美元，它的智能体 Marvin 把公司的投资框架、记忆和 wiki 做成专有层，每次输出都回写进知识库，让知识像复利一样积累。
- 信念是一块块拼起来的（scuttlebutt），检索不出来。AI 生成的「论点形状的物体」读的是市场共识，不是公司本身。alpha 来源可能从 14 项压缩到 5 项，剩下的是判断、结构性优势和时间优势。
- 落地顺序：先写研究手册（playbook），再选错误代价低、每天都做的环节建第一个 agent。每个 agent 都要有指定的人工检查点、已知的失效模式和 90 天成功标准。（但斌帖四另附了算力、数据、模型能力、云基础设施四重指数增长的课件，出处存疑，见第四部分。）
页序说明
- 排序：先按四条微博的发布时间（一→二→三→四），帖内再按内容逻辑排。第（三）帖课件左下角有页码（21、29、36、39、40、45、54、55），按页码排序。第（一）帖图片在微博里的顺序和讲课逻辑不一致，这里按课程目录（Agenda）重排：封面 → 目录 → 现状挑战 → AI 的影响 → 落地案例。
- 共收录 33 页，包括 2 张现场照（封面、An AI Analyst in a Weekend），投影内容裁切放大后可以辨认。
- 跳过 2 张：第（一）帖中另有 2 张现场照，一张投影是演示软件的编辑/演讲者视图，没有可辨认的课件文字；另一张投影是 PPT 编辑视图，主画面与「An AI Analyst in a Weekend」重复。
- 其他说明：
- P25「四种复合式指数增长现象」是但斌制作的中文拼图，不是原课件页。其中三格与 P26、P31、P29 重复，但「云」那一格只在这张图里出现，所以作为第四部分的总览页收录。
- 存疑：第四部分（帖四配图）很可能出自另一堂课，推测是 Hod Lipson 的讲座，而不是 Ehsani 这堂课，详见第四部分开头的说明。
第一部分 · 现状与挑战（帖一）
P1 封面 · Generative AI In Fundamental Investing and Asset Management（生成式 AI 在基本面投资与资产管理中的应用）
翻译：GVIP 项目（GVIP Program）｜生成式 AI 在基本面投资与资产管理中的应用｜Ehsan Ehsani｜2026 年 10 月 3 日｜左下角是哥伦比亚商学院高管教育（Columbia Business School Executive Education）标志。
图表说明：现场照，教室里两块投影同时显示封面，右侧站着主讲人。
要点：这门课讲 GenAI 怎样落到「基本面投资」这个具体场景里，不是泛泛介绍 AI。
P2 课程目录（Agenda）
翻译： 01 当下的挑战（The Challenge Today） 02 AI 有帮助吗？（Does AI Help?） 03 GenAI 之后的生活：案例（Life After GenAI: Examples） 04 GenAI 的下一个十年（Next Decade in GenAI） 05 经验教训（Lessons Learned） 05 提示词：智能体从这里开始（Prompts: Where Agents Begin）（原页两个条目都编号「05」，照录）
图表说明：左边是彩色方块拼贴，右边是六条目录，每条下面有绿色分隔线。
要点：整堂课的逻辑是「痛点 → AI 能不能帮 → 实例 → 未来 → 教训 → 动手做 agent」。
P3 效率挑战（Efficiency Challenge）
翻译：30%：投资者花在不创造价值的手工活（non-value-add manual activities）上的时间占比。
图表说明：大字号数字页，页面中央是半透明的「30%」。
要点：近三分之一的时间被手工活占用，这是 AI 最直接的切入点。
P4 常见现状：信息碎片化（Common Setup: Fragmented Information）
翻译：三个问题：① 系统互不相连（Disconnected Systems）；② 手工、低效的整合（Manual and Sub-Optimal Integration）；③ 定性信息来源（Qualitative Sources）。
图表说明：三个图标，依次是节点连线、两个数据库之间的循环箭头、方块矩阵。
要点：效率低的根源是数据分散在不同系统里、靠人工拼接，而且大量信息是非结构化的定性材料。
P5 AI 的影响（Impact of AI）：alpha 来源的压缩
翻译（表头：alpha 来源（SOURCE OF ALPHA）｜约 2015 年：14 项中 14 项｜约 2025 年：14 项中 9 项｜2035 年预期：14 项中 5 项）：
| 类别 | alpha 来源 | ~2015 | ~2025 | 2035 预期 |
|---|---|---|---|---|
| 信息优势（Information Edge） | 做专家访谈（Conducting expert calls） | ✓ | ||
| 寻找独家专家 / 问更好的问题（Sourcing proprietary experts / asking better questions） | ✓ | ✓ | ||
| 第三方另类数据（Third-party alternative data） | ✓ | |||
| 独有 / 排他性数据（Proprietary / exclusive data） | ✓ | ✓ | ✓ | |
| 创造性建模 / 分析工作（Creative modeling / analytical work） | ✓ | ~ | ||
| 差异化的管理层接触（Differentiated management access） | ✓ | |||
| 判断优势（Judgment Edge） | 行业专精 / 领域知识（Industry specialization / domain knowledge） | ✓ | ✓ | |
| 分析师判断与信息综合（Analyst judgment & information synthesis） | ✓ | ✓ | ~ | |
| 预期分析 / 定位（Expectations analysis / positioning） | ✓ | ✓ | ||
| 复利型公司 / 长期商业质量（Compounders / long-duration business quality） | ✓ | ✓ | ✓ | |
| 结构优势（Structural Edge） | 时间维度优势（Time-horizon advantage） | ✓ | ✓ | ✓ |
| 特殊情形 / 结构复杂性（Special situations / structural complexity） | ✓ | ✓ | ✓ | |
| 冷门 / 个股特异 / 机会型情形（Off-the-radar / idiosyncratic / opportunistic situations） | ✓ | ✓ | ✓ | |
| 其他（Other） | 系统化风险管理（Systematic risk management） | ✓ |
来源：Kian Ghazi – How AI Will Compress Alpha in Fundamental Investing（字很小，基本可辨）
图表说明：勾选矩阵，「~」表示部分保留。
要点：信息类优势会被 AI 大量抹平。到 2035 年还站得住的主要是独有数据、复利型公司判断、长期持有和特殊情形这类结构性优势。
P6 每次模型发布都会吃掉一层「套壳」（Every Model Release Eats a Wrapper）
翻译：
- 副标题：【模糊】（大意似为「构建在模型之上的东西会被下一个版本吞掉」，原文无法逐字辨认）
- 上排标签【模糊，疑为 SOLD AS A PRODUCT「曾作为独立产品出售」】：与申报文件对话（Chat with your filings）｜带来源引用的 AI 搜索（AI search with sources）｜AI 表格分析师（An AI spreadsheet analyst）｜研究智能体（Research agents）
- 下排标签【模糊，疑为 NOW PART OF THE MODEL「现已成为模型自带功能」】：
- 把 10-K 上传到任意模型应用里直接提问（Upload the 10-K to any model app and ask）
- 网页搜索与引用已内置于模型（Web search and citations ship inside the model）
- 模型能读工作簿并写代码（Models read the workbook and write code）
- Agent SDK 和编程智能体由模型实验室直接提供（Agent SDKs and coding agents come from labs）
- 以上四行字较小，按可辨程度转写，个别词可能有误
- 底部：【模糊，疑为 The test for any AI product】：下一个模型发布之后，还剩下什么？（what is left when the next model ships?）
图表说明：四列，每列上面是「过去的产品形态」，向下箭头指向「现已被模型吸收」。
要点：只做套壳的 AI 产品没有护城河。值得投入的是模型升级后仍然留得住的东西，比如数据、流程和机构记忆。
P7 一个周末做出 AI 分析师（An AI Analyst in a Weekend）
（现场照，投影区域裁切放大）
翻译：副标题：编程智能体（Coding agents）、MCP 连接器（MCP connectors）和智能体 SDK（agent SDKs）把演示变成了一个周末项目。
- 01 周五（FRIDAY），连接数据（Connect the data）：通过 MCP 连接器，把前沿模型接到 EDGAR、团队共享盘和研究邮箱。
- 02 【模糊，应为周六】，搭建智能体（Build the agent）：让编程智能体按你的模板写一个财报预览（earnings-preview）工作流，大部分代码由它完成。
- 03 周日（SUNDAY），演示（Demo it）：周日晚上给团队演示。前十个问题它都能处理得很好。
图表说明：三张卡片，从左到右用箭头连接。
要点：搭一个 demo 的门槛已经低到一个周末。真正难的在后面，也就是第二部分讲的「坏消息」。
第二部分 · 坏消息：通用 AI 的局限（帖二）
P8 现在，说说坏消息……（Now, the Bad News…）
翻译：现在，说说坏消息……
图表说明：过渡页，只有一行大字。
要点：讲完 AI 的潜力，转入它的失败案例。
P9 GPT-5 分析 AEO 财报电话会示例（1/3）（GPT-5 AEO Earnings Call Example）
翻译：
- 截图中 GPT-5 的回答（字小，大致可辨）：「以下是 American Eagle（AEO）2025 年第一季度财报电话会（May 29, 2025）中与业绩驱动、意外结果、展望/指引相关的高影响力原话引语。以下内容均直接取自电话会文字记录或相关初步公告。」
- 业绩驱动与意外结果（Performance Drivers & Unexpected Outcomes）：「我们对第一季度的执行明显感到失望。商品策略没有带来预期的结果，导致更多促销和库存过剩。因此，我们对春夏商品计提了存货减值。」——Jay Schottenstein，CEO
- 「正如我们在初步公告中提到的，第一季度对我们的业务是一个充满挑战的时期。虽然对结果失望，我们正在采取行动，让公司在接下来几个季度更好地布局、实现更强的业绩。我们的品牌依然有韧性。团队正以紧迫感执行，力求加强营收和利润转化（topline and profit flow-through）。」——Jay Schottenstein【模糊：后续署名小字】
- 以上引语字体很小，个别词按上下文辨认
- 右侧结论：没有一句引语真正出自那次电话会。 原因是 GPT 用错了数据源。
- 来源：Kris Bennatti + 【模糊，被裁切，参照 2/3 页应为 Internal Analysis】
图表说明：左边是 ChatGPT 回答截图（粉色底），右边是红字结论。
要点：通用模型会自信地编造「原话」。对投资研究来说，引语和数字都必须能追溯到原始文件。
P10 GPT-5 分析 AEO 财报电话会示例（2/3）
翻译：通用型 AI 难以处理前瞻性陈述（Generalist AI struggles with forward-looking statements）。
- 自然语言可能有歧义，例如「我们下季度将加大研发投入」（“we are investing more in R&D next quarter”）。
- 人类同时用句法（syntax，即规则）和语义（semantics，即含义、语境）来判断时态。
- AI 模型判断时态时往往只看动词，没有结合其他线索。（这一行在投影上偏淡，基本可辨）
- 来源：Kris Bennatti + Internal Analysis
图表说明：荧光绿文本框，下方有倒影。
要点：分清「已经发生」和「计划发生」是解读财报的基本功，通用模型在这一点上会系统性出错。
P11 GPT-5 分析 AEO 财报电话会示例（3/3）
翻译：
- 截图：「Thought for 6m 29s（思考了 6 分 29 秒）。以下是 AEO 最近八个财季的门店 KPI，仅取自 American Eagle Outfitters 投资者关系（IR）材料。」
- 表格列：财季（Fiscal Qtr）｜期末门店数（Stores, end of period）｜总面积（Gross Sq Ft, 000s）｜总可比销售（Total Comp Sales）｜AE 品牌可比（AE Brand Comp）｜Aerie 可比（Aerie Comp）
| 财季 | 门店数 | 面积（千平方英尺） | 总可比 | AE 可比 | Aerie 可比 |
|---|---|---|---|---|---|
| Q1 FY25 | 1,176 | 7,232 | -3% | -2% | -4% |
| Q4 FY24 | 1,172 ✗ | 7,304 | +3% | +1% | +6% |
| Q3 FY24 | 1,177 | 7,304 | +3% | +3% | +5% |
| Q2 FY24 | 1,178 | 7,350 | +4% | +5% | +4% |
| Q1 FY24 | 1,180 ✗ | 7,360 | +7% | +7% | +6% |
| Q4 FY23 | 1,182 ✗ | 7,391 | — | +6% | +13% |
（✗ 为课件上的红叉；单元格下方的来源小字多为「AEO Investor Relations」或「Q4 Capital」等，字很小【模糊】）
- 右侧结论：GPT-5 只思考了 6.5 分钟，就给出了 Q4'24、Q1'24、Q3'23 的错误门店数，还声称数据来源正确，出自 IR 材料（Correctly sources from IR materials）。
- 注：右侧文字写的是「Q3'23」，表中第三个红叉所在行标为「Q4 FY23」，原文照录，未作更正。
- 来源：Kris Bennatti + Internal【后半被裁切】
图表说明：ChatGPT 表格截图，三处门店数被打红叉。
要点：最危险的错误是「有来源标注的错数字」，看上去可信，实际上错了。
P12 大约十次对六次（Right About Six Times in Ten）
翻译：
- 副标题：【模糊】（大意似为「在核心分析师任务上，前沿模型处于约 5x–6x% 区间，令人印象深刻，但远不能无人值守」，具体数字和措辞看不清）
- 左图，核心金融分析任务准确率（Accuracy on core financial-analyst tasks）：Claude Sonnet 4.6 为 63%；Claude Opus 4.0 (thinking) 为 60%；Gemini 3.1 Pro 为 60%；GPT-5.2 为 58%；GPT-5.1 为 55%；Qwen 3.5 Plus 为 54%。
- 图注：没有哪个分析师是 100% 正确的。区别在于，你知道自己的错误出在哪里。
- 右图，同一个问题，有无「管道」的差别（The same question, with and without plumbing）：
- 小标题【模糊，疑为「从申报文件中准确提取一个已披露数字」】
- 前沿模型接入结构化申报文件数据源（Frontier model wired to a structured filings feed）：94.2%
- 领先的通用聊天机器人（Leading general chatbot）：数值【模糊，条形和数字都看不清】
- 网页搜索型金融助手（Web-search finance assistant）：33.8%
- 同一个前沿模型，放在开放网络上（The same frontier model, left on the open web）：数值【模糊】
- 结论：模型完全相同，准确率是三倍。唯一的变化是允许它读什么。
- 脚注：基准数据来自 Vals AI（Finance Agent v1.1，2026 年 3 月）及 Daloopa 检索基准（Daloopa retrieval benchmark）。
图表说明：两组水平条形图。左边是各模型得分，右边是数据接入方式对比。
要点：模型之间的差距只有几个百分点，数据管道带来的差距能到 3 倍。投资应该优先放在数据接入（plumbing）上。
P13 信念是拼装出来的，不是检索出来的（Conviction Is Assembled, Never Retrieved）
翻译：Fisher 把它叫作「闲聊调研法」（scuttlebutt）。每一块拼图都很普通，拼出来的整体却不普通。
- 十块拼图：把 10-K 读两遍（Read the 10-K twice）｜搭建驱动因素模型（Built the driver model）｜读委托书与激励方案（Read the proxy and incentives）｜和 CFO 面谈（Sat with the CFO）｜参加投资者日（Went to the investor day）｜听了 12 个季度的电话会（Twelve quarters of calls）｜给两家竞争对手打电话（Called two competitors）｜问了十个客户（Asked ten customers）｜核查供应商数据（Checked supplier data）｜持有三年（Owned it for three years）
- 汇总结果：差异化认知（VARIANT PERCEPTION），即市场没有持有的内在价值观点，再加上市场为什么错了的理由。
- 左下角红色小字脚注【模糊】
图表说明：左边 2×5 方块阵列，用一条线连到右边的蓝色大方块。
要点：真正的 alpha 来自长期、多来源的一手调研拼起来的认知，问一次 AI 拿不到。（Fisher 应指 Philip Fisher，这是整理者注，课件只写 Fisher）
P14 「论点形状的物体」（The Thesis-Shaped Object）
翻译：
- 副标题：【模糊】
- 左边大卡片：每块拼图都被压缩成一个答案（EVERY TILE, COLLAPSED INTO ONE ANSWER）→ AI 生成的投资论点（AI-GENERATED INVESTMENT THESIS）
- 内容齐全（COMPLETE WITH）：收入拆分（Revenue build）· 分部细节（segment detail）· 管理层背景（management background）· 竞争地位（competitive position）· 估值框架（valuation framework）· 多空观点（bull and bear）· 主要风险（key risks）· 催化剂（catalysts）· 一致预期（consensus）· 可比公司（comparables）· 投资建议（recommendation）
- 耗时：15 分钟（ELAPSED: 15 MINUTES）
- 右边三条批评（标题可辨，正文【模糊】）：
- 它读的是人群，不是公司（IT HAS READ THE CROWD, NOT THE COMPANY）。正文【模糊】，大意似为「语料来自申报文件、博客、论坛、卖方研究……得到的是已有观点的综合」
- 共识是默认设置（CONSENSUS IS THE DEFAULT SETTING）。正文【模糊】
- 从来没有实地调研（NO SCUTTLEBUTT, EVER）。正文【模糊】，可辨出「the CFO」「the competitor」「the customer」等词
- 底部一行结论【模糊】
图表说明：与 P13 对照。P13 是十块拼图拼出差异化认知，P14 是 AI 把所有拼图压成一份 15 分钟写完的「完整报告」。
要点：AI 报告形式齐全，但默认输出的是共识。形似论点不等于论点。
P15 对错误问题给出正确答案（The Right Answer to the Wrong Question）
翻译：问一个泛泛的问题，你得到的是最常见的专业答案，很少是投资者需要的那个答案。
- 提问：「如果只能挑一个、且仅此一个检验，来判断我为投资研究搭的财务模型是否准确，那会是什么？」
- 得到的回答（WHAT CAME BACK）：「资产负债表在每个历史期和预测期都能配平，而且不用插值项（no plug）吗？」
- 它的推理没问题：这个检验是二元的，强制每个勾稽关系都要对上，包括盈利转入留存收益、资本开支和折旧通过 PP&E、营运资本通过现金流量表，能抓住大多数机械性错误。
- 右侧：这是交易检验，不是所有权检验（That is a deal test, not an ownership test）。
- 一个所有者会问的（WHAT AN OWNER WOULD HAVE ASKED）：
- 它是否分离出了所有者盈余（owner earnings）的两三个驱动因素？
- 我能否准确看出自己的假设和价格隐含的假设差在哪里？
- 我能否把它调到一个真正的熊市情形（bear case），仍然找得到安全边际（margin of safety）？
- 底部：一个模型可以完美配平，却仍然一文不值。
图表说明：左右两栏对比，底部是绿色结论条。
要点：AI 的答案质量受提问框架限制。要用「所有者视角」的问题去约束它，不能接受默认的行业标准答案。
P16 行业比价：从几小时到几秒（Industry Comps: From Hours to Seconds）
翻译：
- 表头：业态（Service Type）｜所用术语（Term Used）｜2022-12-29｜2023-03-30｜2023-06-30｜2023-09-28｜2023-12-31
- 共 18 行餐饮公司（公司名未显示），业态包括休闲餐饮（Casual Dining）、快休闲（Fast Casual）、咖啡/早餐（Coffee/Breakfast）、快餐（QSR）。「同店销售」的叫法各不相同：Comparable restaurant sales、Same Store Sales、Same restaurant sales growth、Sales growth / Same Store Sales、Comparable store traffic、Comparable sales、Same restaurant sales (traffic)、Same Store Sales (average check)、Same store sales (traffic)、Comparable restaurant revenue 等。
- 示例行（较清晰）：
- Casual Dining · Comparable restaurant sales：0.9%，7.6%，4.7%，4.1%，5.0%
- Fast Casual · Same Store Sales：8.8%，20.1%，16.8%，15.1%，14.8%
- 其余数字在投影上大体可辨，但小数点和正负号容易看错，没有逐格转写，请对照原图。
- 右侧批注：「Ehsan Ehsani：新闻稿中的评论显示主要由提价驱动。估计 20%」（Commentary in the press release that it was mainly driven by price increase. Estimated 20%）
图表说明：荧光绿底的大表格，部分单元格带角标（应是来源或备注标记）。
要点：AI 适合把口径不统一的指标对齐、归类，这类工作能从几小时压到几秒。判断性的批注（比如提价贡献估计）仍由分析师来做。
第三部分 · 打造你的第一个价值投资智能体（帖三）
关于「三人团队管理一百亿」：这个说法只出自但斌帖三的标题（「AI 不是替代分析师，而是让三人团队跑出一百亿的资产」），课件里没有「一百亿」这个数字。P19 的课件表格写的是 Oakcliff Capital 3 人、$360M（3.6 亿美元），Peninsula Capital 3 人、$2.7B（27 亿美元），该页标注的来源是 Bryan Lawrence。
P17 第 0 步：先写手册（Step 0: Build The Playbook）｜课件第 21 页
翻译：页眉：智能体手册（Agent playbooks）
- 左侧封面：FUNDAMENTAL EDGE｜RAMP: COMPREHENSIVE｜完整的公司入门手册（The Complete Business Initiation Playbook）｜一套 40 小时的流程，用来建立对一家公司的深度业务认知｜从零到精通任何一家上市公司
- 简介与目的（Introduction & purpose）
- 这份手册是什么：一套结构化的 40 小时流程，让分析师从完全不熟悉一家公司，到具备深度业务专长。它是纯粹的「业务入门」手册，目标是把公司业务吃透（know the business cold），不是形成股票观点、发展投资论点或构建风险收益比。
- 面向买方股票分析师，尤其是覆盖速度快的多基金经理（multi-manager）平台。产出是一份五页的业务入门报告（business primer）和一份有记录的基准率历史（base-rate history）。分析师读完应能和管理层、PM、卖方分析师或竞争对手讨论这家公司。
- 这份手册不是什么：不涉及投资论点、差异化认知（variant perception）、预期、估值、风险收益或仓位。这些在下游环节完成。先有专长，再有观点。
- 三个 B：商业模式（Business Model）、商业质量（Business Quality）、商业动能（Business Momentum）
图表说明：左边是手册封面，右边是文字说明。
要点：要先把人做研究的方法写成手册，agent 才有可执行的「方法论文件」。
P18 第 1 步：要有可重复的流程（Step 1: have a repeatable process）｜第 29 页
翻译：页眉：打造你的第一个价值投资智能体（Build your first value agent）
- 成功：一套你能有纪律地执行的、可重复的分析流程。
- 基本面分析师的工作：极其依赖流程，每天都是一件接一件地处理（daily blocking and tackling）。
- 结构化且可重复：这份工作 80% 以上是结构化、可重复、相当机械的。
示例：尽职调查时间分配表（Illustrative due diligence time map）
| 工作 | 小时 |
|---|---|
| 阅读公开申报文件（Read public filings） | 2 |
| 阅读财报电话会记录（Read earnings transcripts） | 4 |
| 阅读行业会议记录（Read conference transcripts） | 2 |
| 投资者会议记录与演示材料（Investor conference transcript & deck） | 2 |
| 阅读卖方研究（Read sell-side research） | 5 |
| 阅读包小计（Sample reading stack） | 15 |
| 搭建基础财务模型（Build baseline financial model） | 8 |
| 标准：基础尽调（Standard: baseload due diligence） | 23 |
| 对关键驱动因素做针对性分析（Run targeted analytics on key drivers） | 8 |
| 预期分析（Conduct expectations work） | 3 |
| 估值（Conduct valuation work） | 3 |
| 行业尽调访谈（Conduct industry due diligence calls） | 12 |
| 与卖方沟通（Conduct calls with sell-side） | 4 |
| 识别并理解市场叙事（Identify and understand narrative） | 2 |
| 准备并与管理层通话（Prep and call with management） | 3 |
| 形成多头与基准情形（Develop bull and base cases） | 2 |
| 撰写用于汇报的书面论点（Construct written thesis for presentation） | 5 |
| 定制：论点开发工作（Custom: thesis development work） | 42 |
| 尽调合计（Total sample due diligence） | 65 |
图表说明：时间表里黄绿色高亮的是小计行。
要点：65 小时里约 23 小时是「基础尽调」这类标准化工作，最适合先交给 agent。42 小时的定制论点工作仍以人为主。
P19 伟大的价值投资者一向用很小的团队管理很大的资本（Great value investors always ran big capital with tiny teams）｜第 36 页
翻译：页眉：Oakcliff Capital · VALUEx BRK 2026
- 左表，Lawrence 的幻灯片「价值投资者早已做到」（‘VALUE INVESTORS GOT CLOSE’，AUM 以 2026 年美元计）：
| 合伙企业 | 年份 | AUM | 人数 |
|---|---|---|---|
| 巴菲特合伙企业（Buffett Partnership） | 1956–1969 | $900M | 5 |
| Wheeler, Munger & Co. | 1962–1975 | $110M | 2 |
| Peninsula Capital（Ted Weschler） | 2000–2011 | $2.7B | 3 |
| Oakcliff Capital | 2004– | $360M | 3 |
- Lawrence 的观点：「AI 让一个人就能经营一家十亿美元的企业」，这个想法对价值投资者来说并不新鲜。新鲜的是，一家三人公司现在能获得的帮助是另一种了。
- 右图：Marvin 和 Vicki：两个智能体，两台 Mac mini。两者都运行开源智能体 OpenClaw，跑在各自独立的机器上，刻意放在公司系统之外。把它们接进公司系统「会让你的 IT 人员非常抓狂」，而且智能体「随时准备越界（are prepared to jump boundaries）」。
- 来源：Bryan Lawrence, Oakcliff Capital, “Meet Marvin and Vicki, Our AI Agents at Oakcliff,” VALUEx BRK 2026, Omaha (May 1, 2026)；视频见 Guy Spier 的 YouTube 频道。引语据视频自动字幕转录，照片来自 Lawrence 的演讲。
图表说明：左边是表格，右边是两台贴着「MARVIN」「VICKI」标签的 Mac mini 照片。
要点：小团队管大资本是价值投资的老传统，AI 改变的是三人团队能得到的「助手」类型。安全上采取物理隔离。（「三人团队跑出一百亿」只是但斌帖三标题的说法。本页表格的原始数字是 Oakcliff 3 人、$360M，Peninsula 3 人、$2.7B，没有「一百亿」；本页注明来源为 Bryan Lawrence。）
P20 分层来看：模型是最不具专有性的一层（Read it in layers: the model is the least proprietary part）｜第 39 页
翻译：
- 数据源（DATA SOURCES）：AlphaSense｜Tegus｜EDGAR｜SEDAR｜Drive｜FMP｜Web｜Telegram
- LLMs：Opus · Sonnet · Gemini → Marvin：智能体核心（agent core），运行 OpenClaw · Mac mini · 浏览器自动化（browser automation）
- 记忆 · 技能 · Wiki（专有层，THE PROPRIETARY LAYER）
- MEMORY.md：记忆、「灵魂（soul）」、投资哲学
- 研究技能（Research skills）：行业结构、定价权、盈利质量、CEO 沟通、并购 ROIC（M&A ROIC）、简版论点（short thesis）
- Wiki + 校验（linting）：公司条目、矛盾与过期数据检查、高/中/低（HIGH/MED/LOW）置信度
- 输出：给 Bryan 的提醒（Alerts to Bryan）｜投资备忘录（Investment memos）｜筛选器（Screeners）｜回写 wiki（File-back to wiki）
- ↺ 每次输出都回写进公司条目，让知识像复利一样积累（knowledge compounds）
- 右栏「巧妙之处（WHAT IS CLEVER HERE）」：
- 与模型无关（Model-agnostic）：「他用哪个 LLM 其实无所谓。」随价格和质量变化切换模型。
- 哲学即文件（Philosophy as a file）：公司的思考方式被写成文件，注入每一次提问。
- 框架即技能（Frameworks as skills）：六个有名字的研究框架，每家公司都重复使用。
- 校验协议（A linting protocol）：检查 wiki 里的矛盾和过期数据，输出带置信度。
- 回写闭环（A file-back loop）：工作成果不断积累，而不是消失在聊天记录里。
- 来源：据 Lawrence 的架构图重绘简化，出处同 P19。
图表说明：四层架构图，从上到下依次是数据源、模型 + agent 核心、专有层、输出。
要点：护城河在专有层（框架、记忆、校验、回写），不在模型本身。
P21 聊天机器人从零开始，Marvin 从公司的记忆开始（A chatbot starts from zero; Marvin starts from the firm’s memory）｜第 40 页（页码被裁切【模糊】，按前后页推断）
翻译：
- 聊天机器人：就像电影《记忆碎片》（Memento）的主角，每 15 分钟忘掉一切，只能把几条事实文在身上。上下文窗口一开始是空的，只记得关于你的少数几件事。（示意框：上下文窗口 [大部分是空的]）
- Marvin 向每个问题注入三样东西：Oakcliff 的框架（Oakcliff’s frameworks）、Oakcliff 以往的工作（Oakcliff’s prior work）、一份「什么是合理的」记忆（A memory of what has made sense）。
- 「我们用 Marvin 想做的，是用少量精选的框架，让每次提问最大限度地聚焦在可知、重要且真实的信息上。」
- 右图：Marvin 的记忆图谱，显示公司、行业和主题之间的关联（取自 Lawrence 的幻灯片；图中节点小字【模糊】）。
- 用他的话说，诀窍是：精心维护这份记忆，「让它高质量，而不是塞满垃圾」。Google 搜索优化的是参与度，框架优化的是真相。
- 来源：同 P19。
图表说明：三栏，依次是空上下文窗口示意、Marvin 注入内容、绿色记忆网络图。
要点：AI 研究助手的价值取决于喂给它的机构记忆的质量。
P22 最值得优先搭建的五个智能体（按顺序）（The five agents worth building first, in order）｜第 45 页
翻译：页眉：建什么（What to build）
| 智能体 | 要完成的工作 | 读取内容 | 人工检查点 | 搭建难度 |
|---|---|---|---|---|
| 1 组合监控（Portfolio monitor） | 每日汇总持仓和观察名单的动态，并按相关性打分 | 申报文件、新闻、电话会记录、你的论点文件 | 由你决定什么是重要的 | 低 |
| 2 财报分析师（Earnings analyst） | 财报日的预览、初读，以及与你模型的差异 | 电话会记录、公告、你的模型 | 核实关键数字 | 低 |
| 3 红队（Red team） | 针对每份新投资备忘录给出最强的反方论证 | 你的备忘录、申报文件、同业数据 | 你来回应它的质疑 | 低 |
| 4 管理人与交易筛选（Manager and deal screen） | 按你的书面标准筛选管理人、基金或交易 | DDQ、信件、路演材料、业绩记录 | 由你批准短名单 | 中 |
| 5 机构记忆（Institutional memory） | 回存每份输出、建立链接、标记矛盾 | 其他 agent 产出的一切 | 每季度整理 | 中 |
排序规则：从出错代价低、且每天都要做的工作开始。永远不要从涉及资金或客户的 agent 开始。
图表说明：五行表格。
要点：前三个难度都低、检查点清楚，适合作为团队试点。
P23 练习：为你的公司设计第一个智能体（Exercise: design the first agent for your firm）｜第 54 页
翻译：页眉：练习 · 20 分钟
- 任务（THE BRIEF）：你这一桌经营一家家族办公室或小型基金。设计一个下个月就能启用的智能体。
- 从上一页的清单里挑一项工作，或者自己定一项
- 填写下一页的工作表
- 写明在任何人行动之前，必须由人检查的那一件事
- 想清楚在什么情况下你会把它关掉
- 每桌角色（ROLES AT EACH TABLE）：
- 委托人（Principal）：说明这个 agent 要改进哪个决策
- 框架撰写人（Framework writer）：列出 agent 必须执行的检验
- 核查人（Verifier）：决定检查什么、由谁检查
- 构建者（Builder）：列出数据、工具和运行时间表
- 怀疑者（Skeptic）：论证这个 agent 会让你变得更糟
- 时间安排：0–2 分钟讲解任务；2–12 分钟设计并填表；12–16 分钟运行设计评审提示词（design-critique prompt）；16–20 分钟两桌展示。
图表说明：左边是紫色任务卡，右边是角色表和时间轴。
要点：专门设一个「怀疑者」角色，从设计阶段就把反方意见制度化。
P24 智能体设计表：九行，最后三行最难（Agent design sheet: nine lines, and the last three are the hard ones）｜第 55 页
翻译（设计问题 / 你的答案）：
- 这个 agent 改进的是哪个决策？
- 它由什么触发：定时、一份申报文件，还是一次价格变动？
- 它可以读什么？列出数据源。
- 它必须应用你的哪些框架？
- 它往记忆里回写什么？
- 谁接收输出，以什么形式？
- 在任何人行动之前，必须由人核实什么？
- 它可能怎样「自信地出错」？什么能发现这种错误？
- 90 天后，成功是什么样子？
第 7 到 9 行是大多数 AI 项目失败的地方：没有指定的检查点，不了解失效模式，没有成功的衡量标准。
图表说明：九行问答表，「你的答案」一栏留空。
要点：可以直接拿来做团队内部 AI 项目的立项模板。
第四部分 · 四重复合指数增长：AI 的底层驱动（帖四，06:54 长文配图）【存疑】
存疑：这部分讲算力、数据、模型、云的指数增长（曲线推演到 2036 年），很可能来自另一堂课（推测为 Hod Lipson 的讲座），不是 Ehsani 这堂课。课件为中英双语，版式与前三部分不同，画面中的讲者也与主讲人不同；但斌原帖把它归在 Ehsani 课程名下，这里按原帖收录。
P25 四种复合式指数增长现象（总览拼图，非原课件页）
内容：但斌把四张图拼在一起，并用红色数字标出翻倍周期：
- 左上：自 1900 年以来的计算速度（每美元可买到的十亿次计算/秒），标「18」（个月）
- 右上：数据量（艾字节 Exabytes，2009–2017，分为非结构化数据 Unstructured Data 和结构化数据 Structured Data），标「12」（个月）
- 左下：卡通云朵形象（喻指云 / 云基础设施），无数字
- 右下：AI 训练算力散点图（Pre Deep Learning Era / Deep Learning Era），标「6」（个月）
要点：算力、数据、模型、云四重指数叠加，和长文「四重指数增长叠加，共同构成 AI 革命的底层驱动力」对应。
P26 自 1900 年以来的计算速度（至 2026 年）（Computing Speed Since 1900）
翻译：纵轴：每 1 美元可获得的十亿次计算/秒（Billion Computations/s per 1 $），0–350；横轴：1900–2020+。标注「2016」（曲线开始抬头）和「2026」（约 320，曲线顶点）。
图表说明：线性坐标。一百多年几乎贴着零走，2016 年后近乎垂直上升。
要点：在线性坐标下，指数增长前面很长一段看起来「什么都没发生」。
P27 自 1900 年以来的计算速度（推演至 2036 年）
翻译：同一指标，纵轴扩到 0–14,000。标注「2026」（此时曲线看起来又贴着底部）和「2036」（约 14,000）。
图表说明：讲者站在屏幕下方用手示意曲线的陡峭程度。这张图带现场人物，但课件内容完整，予以收录。
要点：把时间轴延长十年，「今天的陡峭」又会变成「明天的平坦」。
P28 摩尔定律的 125 年（125 Years of Moore’s Law）
（远距离现场照，分辨率低）
翻译：标题：125 Years of Moore’s Law / 摩尔定律的 125 年。
- 技术阶段（自左至右）：机械（MECHANICAL）→ 继电器（RELAY）→ 真空管（VACUUM TUBE）→ 晶体管（TRANSISTOR）→ 集成电路（INTEGRATED CIRCUIT）→ GPU → ASIC
- 左侧标注：大约每 18 个月翻一番（Doubling every ~18 months）
- 右屏另有标注「100X / 增长 100 倍」
- 纵轴是对数刻度（每美元每秒计算次数【模糊】），横轴是年份（Year）；数据点上的机型名称【模糊】；右下角来源【模糊，疑为 Ray Kurzweil】
图表说明：对数坐标散点图，各计算技术时代用色带区分。
要点：每次底层技术换代，摩尔定律式的增长都能延续，一共持续了 125 年。
P29 每个机器学习模型的计算量（Compute per ML model / Compute Used for AI Training Runs）
翻译：
- 标题：Compute per ML model（每个机器学习模型的计算量）；图题：Compute Used for AI Training Runs（AI 训练所用的计算量）
- 副标题：训练知名 AI 模型所用的总计算量，以总 FLOP（浮点运算次数）计 | 对数坐标
- 叠加标注：「}1000x / 1000 倍增长」；「6-month doubling period / 每 6 个月翻一番」
- 两个时代：深度学习之前（Pre Deep Learning Era），训练算力翻倍时间 21.6 个月；深度学习时代（Deep Learning Era），6.0 个月（这一组字被叠加标注部分遮挡）
- 散点代表模型：Theseus、Perceptron Mark I、Pandemonium、Neocognitron、NetTalk、TD-Gammon、Fuzzy NN、Innervator、NPLM、Dropout、AlexNet、MoE、AlphaGo Lee、AlphaGo Zero、OpenAI Five、PaLM、Minerva、GPT-1/2/3/4、DALL-E、Gato、AlphaFold、Gemini、Claude 2、Llama 2
- 图注：「图 1：自 2010 年以来，训练知名 AI 模型所用的计算量大约每六个月翻一番。注意纵轴是对数坐标。数据来自 Epoch。」
- 纵轴刻度小字（FLOP、KiloFLOP……）【模糊】
要点：深度学习时代的训练算力翻倍速度大约是摩尔定律的 3 倍（6 个月对 18 个月）。
P30 人工智能计算趋势总结（Summary of compute trends in AI）· EPOCH AI
翻译：四个子图（纵轴为训练计算量 Training compute (FLOP)，横轴为发表日期 Publication date，2010–2024）：
- 知名模型（Notable models）：4.1x/年
- 前沿模型（Frontier models，含 Frontier 和 Outliers 两类）：前段 6.7x/年，后段 4.2x/年
- 前沿大语言模型（Frontier LLMs）：5.0x/年，标注「引入 Transformer（Introduction of transformer）」和「GPT-3」
- 部分公司（Select companies：Meta、OpenAI、Google）：三条趋势线分别标 5x/年、5x/年、7x/年（与公司的对应关系看颜色，图例区分度低【模糊】）
- 纵轴各刻度指数【模糊】
要点：前沿模型的训练算力大约每年增长 4–7 倍，和「每 6 个月翻一番」量级一致。
P31 全球数据量每 12 个月翻一番（Doubles every 12 months）
翻译：每 12 个月翻一番（Doubles every 12 months）；到 2025 年约 175 ZB（175 泽字节）。来源：IDC（左下角，部分被裁切，可见「…URCE: IDC」）。
图表说明：2005–2025 年面积图。沿曲线依次是邮件、支付、购物车、图片、聊天、视频、音乐、游戏、搜索/分析、文档、广告牌、VR 眼镜、联网汽车等图标，表示数据来源在不断扩展。
要点：可供 AI 使用的数据（尤其是非结构化数据）也在指数增长，这是模型能力提升的燃料。
P32 AI 与人类性能基准对比（AI vs. Human Benchmarks）
翻译：纵轴是相对人类基准线的表现（Performance relative to the human baseline, %），0–100%+；虚线为人类基准线（Human baseline）。横轴 2012–2024。各条曲线：
- 图像分类（Image Classification）：约 2015 年达到人类水平
- 视觉推理（Visual Reasoning）
- 中等水平阅读理解（Medium Level reading Comprehension）
- 英语语言理解（English Language Understanding）
- 多任务语言理解（Multitask Language Understanding）
- 竞赛级数学（Competition level Math）
- 多模态推理（Multimodal reasoning）
- 博士水平科学问题（PhD-level Science Questions）
- 页面上没有看到来源标注
图表说明：越晚出现的基准（数学、博士级科学问题）曲线越陡，用两三年就从低位逼近或超过人类基准线。
要点：AI 赶上人类的速度在加快，新基准的「保质期」越来越短。
P33 从石器到……？（Stone Tools → ?）
翻译：石器（Stone Tools）→（50,000 年 / 50,000 Years）→ 卫星；从「指尖上的芯片」出发，多个箭头指向 DNA 双螺旋和若干问号，标注「50 年？（50 Years?）」。
图表说明：示意图。人类花了五万年从石器走到太空技术，计算和生物技术可能在 50 年内带来同等量级、但还说不清方向的变化（问号）。
要点：这是收尾的展望页，讲变化的时间尺度被急剧压缩。
对投资 / 研究团队的启发（整理者观点）
以下是整理者根据课件归纳的看法，不是课件原文。
- 先投「管道」，再挑模型：同一个模型接上结构化数据源，准确率 94.2%；放在开放网络上只有 33.8%。团队应优先把公告、纪要、内部模型和研究邮箱通过 MCP 或 API 接成可追溯的数据源。在模型上的投入要可替换（model-agnostic），避免绑定单一厂商。
- 把投研方法论写成文件：参照 Oakcliff 的 MEMORY.md、六个研究框架和 wiki 校验，以及 RAMP 40 小时手册，把投资哲学、行业框架和检查清单落成文档，让每次 AI 调用都带着「公司记忆」，输出也回写进知识库。
- 从低风险、高频的环节试点：按「组合监控 → 财报分析 → 红队」的顺序，每个 agent 先用九行设计表立项，写清楚人工检查点、失效模式和 90 天指标。不要从涉及交易、资金或客户的环节开始。
- 引语和数字必须可追溯：AEO 案例说明，通用模型会编造管理层原话、给出带来源标注的错数字。凡是进入投资备忘录的引语和 KPI，都应附原文链接或页码，由人工抽检。
- 差异化认知仍然靠人：AI 默认输出共识。它最有用的地方是把基础尽调里约 23 小时的标准化工作和行业比价自动化，腾出时间给调研访谈、管理层沟通和长期跟踪，这些是剩下的 alpha 来源。也可以用「所有者视角」的问题，以及红队 agent，来逼 AI 跳出标准答案。
讲义中提到的外部数据来源 / 引用
| 来源 | 出现位置 | 内容 |
|---|---|---|
| Epoch AI | P29、P30（及帖四长文；第四部分出处存疑） | AI 训练算力趋势；自 2010 年约每 6 个月翻一番；各类模型每年 4.1x–7x |
| IDC | P31（及帖四长文；第四部分出处存疑） | 全球数据量约每 12 个月翻一番，2025 年约 175 ZB |
| Vals AI（Finance Agent v1.1，2026 年 3 月） | P12 | 各模型在核心金融分析任务上的准确率 |
| Daloopa retrieval benchmark | P12 | 有无结构化数据管道的提取准确率对比 |
| Kian Ghazi, How AI Will Compress Alpha in Fundamental Investing | P5 | alpha 来源 14→9→5 |
| Kris Bennatti + Internal Analysis | P9–P11 | GPT-5 分析 AEO 财报会的错误案例 |
| American Eagle Outfitters（AEO）IR 材料 / Q1 2025 财报电话会（May 29, 2025） | P9、P11 | 案例原始材料 |
| Bryan Lawrence（Oakcliff Capital），“Meet Marvin and Vicki, Our AI Agents at Oakcliff,” VALUEx BRK 2026, Omaha（May 1, 2026）；Guy Spier YouTube 频道 | P19–P21 | Oakcliff 的智能体实践 |
| Marvin 的数据源：AlphaSense、Tegus、EDGAR、SEDAR、FMP、Google Drive、Web、Telegram | P20 | 研究数据输入 |
| OpenClaw（开源智能体） | P19、P20 | Marvin / Vicki 的运行框架 |
| Fundamental Edge「RAMP: Comprehensive」手册 | P17 | 40 小时公司入门流程 |
| Fisher（scuttlebutt 调研法） | P13 | 课件只写「Fisher」 |
| 摩尔定律图来源【模糊，疑为 Ray Kurzweil】 | P28 | 125 年计算价格性能 |
| 「Computing Speed Since 1900」图、「AI vs. Human Benchmarks」图 | P26、P27、P32 | 页面上未见来源标注 |
看不清 / 存疑内容汇总
- P6：副标题、上下排两个小标签、底部前半句看不清；四个方框里的小字是尽力转写。
- P9：GPT-5 回答截图字很小，引语大体可辨，个别词和第二条引语后的署名看不清；来源后半被裁切。
- P11：表格单元格下的来源小字看不清；右侧写「Q3'23」，与表中红叉所在行「Q4 FY23」不一致，原文照录。
- P12：副标题看不清；「领先的通用聊天机器人」和「同一前沿模型在开放网络」两项的数值看不清。
- P13：左下角脚注看不清。
- P14：副标题、右侧三条批评的正文、底部结论看不清，只有三个小标题可辨。
- P16：表格数字未逐格转写，只录了两行示例。
- P21：页码被裁切；记忆图谱节点小字看不清。
- P28：远距离拍摄，坐标刻度、机型名称、来源看不清。
- P29、P30：纵轴指数刻度看不清；P30 公司与趋势线的颜色对应看不清。
- 第四部分整体存疑：很可能出自另一堂课（推测为 Hod Lipson 的讲座），不是 Ehsani 本课。