生成式 AI 与基本面投资：哥大 Ehsan Ehsani 课堂讲义（中文整理）

Wed, 07 Oct 2026 09:30:00 +0800

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】）：
1. 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」
2. 共识是默认设置（CONSENSUS IS THE DEFAULT SETTING）。正文【模糊】
3. 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。

生成式 AI · AI Times