Alexandr Wang - A Primer on AI - [Invest Like the Best, EP. 272]

好的，这是根据您的要求对本章节进行的分析。

本期速览

Alexandr Wang（Scale AI 创始人兼CEO）在播客中探讨了AI的核心构建模块，强调数据是AI的“新代码”，并指出高质量数据基础设施的缺失是行业瓶颈。Scale AI为Meta、Microsoft、OpenAI、美国空军等提供数据解决方案，公司估值超70亿美元。Wang认为AI与软件投资逻辑不同，数据质量比算法更重要，并类比AWS的云服务模式，认为Scale将填补AI领域的“存储与计算”空白。

AI 地缘政治：从物理战场到数字战场，数据与算力成为新军备竞赛核心

Alexandr Wang 认为，AI正在从根本上改变冲突的形态，未来的竞争将主要在数字领域展开。 他成长于原子弹诞生地洛斯阿拉莫斯，认为核威慑曾带来长期和平，而AI和网络安全正在创造一种全新的、更复杂的威慑与冲突范式。

• 范式转移：Wang指出，冲突正从“物理战场”转向“数字战场”。他预测，未来90%的冲突可能在真正爆发前，就已在数字领域被解决或决定。AI作为一种“横截面技术”，能渗透到情报、网络战和实际作战等多个层面。
• 三大关键资源：Wang提出，AI能力的规模化依赖于三个核心向量：人才、算力和数据。他认为，AI系统的“幂律效应”比软件更强，顶尖人才（如OpenAI仅250人团队）能产生巨大影响。因此，高技能移民政策对美国保持领先地位至关重要。
• 公私合作差距：Wang指出，美国在AI领域的公私合作存在“文化问题”。与中国的SenseTime、Face++等公司直接服务于政府不同，美国顶尖科技公司与政府（如国防、情报部门）的合作关系模糊且充满争议（如Google Project Maven事件）。他认为，未来5-10年的行动将决定大国竞争的格局。

数据是新代码：AI时代的差异化优势从算法转向数据资产

Wang提出核心观点：“数据是新代码”，在AI时代，企业的护城河将从代码转向数据。 他详细解释了这一转变如何重塑商业逻辑。

• 算法商品化：Wang指出，在图像识别、语音识别等不同领域，最顶尖的算法实际上都使用着相同的底层代码库。这意味着代码本身已趋于商品化，不再是竞争优势。
• 数据成为战略资产：当AI软件占比从0.01%提升到50%时，企业的差异化来源将完全转向其拥有的数据资产。企业的战略优势将取决于：1）现有的数据资产；2）持续生产差异化数据的“引擎”。
• 商业影响：Wang预测，未来每个行业都需要构建自己的“TikTok推荐算法”，用于客户生命周期管理、业务流程自动化等。这将导致营销和销售费用大幅降低，因为算法能比营销更精准地知道用户下一步想做什么。他警告，这可能导致不平等加剧，因为技术本身“偏爱规模”。

AI 能力图谱：能自动化“数字重复性劳动”，但难以替代“物理世界任务”

Wang澄清了关于AI能力的普遍误解：对人类容易的事对AI未必容易，反之亦然。 他提供了一个基于“数据可用性”的框架来理解AI的能力边界。

• 核心框架：AI能有效解决的问题，取决于是否存在大量、易获取的数字数据。如果存在（如20年的Reddit数据用于训练GPT-3），AI就能表现出色；如果不存在（如家庭机器人折叠衣物的数据），则进展缓慢。
• 反直觉的案例：Wang举例，DeepMind和OpenAI近期发布了能解决高难度数学定理和竞争性编程问题的算法，这些对人类是顶级智力挑战，但因存在大量可验证的数字数据，AI反而能做得很好。
• 对就业的影响：Wang认为，白领知识工作（整天与Word、Excel打交道）比蓝领体力工作更容易被AI自动化。他预测，AI将首先自动化“数字化的重复性劳动”，将人类解放出来从事更具创造性的工作。

提及的标的

标的	嘉宾态度	关键数据
Scale AI	看好（自身业务）	估值超70亿美元；客户包括Meta、Microsoft、OpenAI、美国空军、Toyota、GM等
Tesla	中性（提及策略）	其自动驾驶策略是将所有特斯拉作为数据采集车，以获取多样化的罕见场景数据
OpenAI	看好（技术能力）	员工约250人；其GPT-3模型利用20年Reddit数据；发布能解决高难度数学问题的算法
DeepMind	看好（技术能力）	发布AlphaCode，在竞争性编程中击败中位数人类参赛者（即超过99.9%的人类）
Google	中性（提及）	其Project Maven事件是公私合作冲突的典型案例；其数据资产是巨大优势
Meta	中性（客户）	Scale AI的客户
Microsoft	中性（客户）	Scale AI的客户
Amazon (AWS)	看好（商业模式）	Scale AI的灵感来源，其“并行执行”和“从原始能力构建产品”的策略被Wang推崇
Stripe	中性（类比）	其开发者API和平台策略被Scale AI借鉴
SenseTime / Face++	风险提示	作为中国政府的承包商，在AI应用（如面部识别）上与美国形成对比

值得记住的判断

1. 数据是新代码（Alexandr Wang）：在AI时代，算法代码趋于商品化，企业的核心护城河和差异化来源是其拥有的数据资产和持续生产高质量数据的“引擎”。

2. AI能力取决于数据可用性，而非人类直觉（Alexandr Wang）：对人类容易的事（如叠衣服）对AI极难，因为缺乏数字数据；对人类极难的事（如证明数学定理）对AI反而可能容易，因为有大量可验证的数字数据。

3. AI将首先自动化“白领”工作，而非“蓝领”工作（Alexandr Wang）：整天与Word、Excel打交道的知识工作，因其行为完全数字化，比物理世界的体力工作更易被AI替代。

4. AI的“幂律效应”比软件更强（Alexandr Wang）：顶尖AI人才和系统（如OpenAI的250人团队）能产生远超软件公司的巨大影响，这使得高技能移民政策成为国家战略关键。

5. AI的S曲线远未到顶，其潜在商业价值是软件的10-100倍（Alexandr Wang）：软件S曲线正趋于饱和，而AI的S曲线才刚刚开始。AI能自动化企业中的大规模重复性任务，其创造的商业价值将远超部署CRM或ERP系统。

6. “关心”体现在细节和边缘处（Alexandr Wang）：判断一个人是否“在乎”（give a shit），不是看其正面表现，而是观察其在别人不注意的细节和边缘处所投入的深度、痴迷和精力。

7. AI将导致“问题比答案更有价值”（Alexandr Wang）：随着GitHub Copilot等工具让编程本身变得容易，人类的差异化技能将从“如何构建”转向“构建什么”，即想象力和定义问题的能力成为核心。