最顶级的公司，会用技术做这两件事……AI时代人类的投资优势（上）| 泉果探照灯

（来源：泉果视点）

很多真正有智慧的洞察，并不存在于舆论场的风口浪尖之上；而是闪烁于持续深耕产业的灯火阑珊之处。

如果我和您说起Henry Ellenbogen（亨利·埃伦伯根）这个名字，您一定觉得非常陌生；他是Durable Capital Partners的创始人兼CIO，也是在专业投资界很受尊敬的专业思考者。

他擅长投资成长型企业，他的基金既投资二级市场，也布局一级晚期的成长公司；因此， Henry不但深谙“市场怎么交易”，也很理解“公司究竟是怎么长大的”。

图1. Henry Ellenbogen | Durable Capital Partners创始人兼CIO

有时候，Henry甚至比他投资的企业的CEO，更能敏锐地感知到企业所面临的风险。

2011年，一个周六早晨。

奈飞(Netflix)的CEO雷德(Reed Hastings)接到了亨利(Henry)的电话。

彼时的奈飞，正在被市场视作一场“自杀式转型”的主角：

DVD邮寄与流媒体两块业务拆分；因提价60%引发了80万用户流失；股价从300美元跌到77美元……媒体称之为“科技史上最糟糕的错误之一”。

Henry对Reed说：“嘿，我可能是错的，但我觉得，你们必须马上开始融资了。”

那一年，Henry38岁，任职于老牌主动资管巨头T. Rowe Price（普信集团）。

一年半之前，他刚刚被委任接手了公司的明星产品——New Horizons Fund（新视野基金），这是美国历史最悠久、规模最大、表现最出色的中小市值成长型基金之一，超过400万个美国家庭持有该基金。

而Henry，已经将这只基金中的2亿美金，投向了一家几乎被市场判了死刑的公司——奈飞。

他在电话中进一步解释说：“我非常钦佩你们正在做的事，但我预测这会是一次艰难的财务转型——你们正在从可变成本模式，切换到固定成本模式。

这意味着你必须要提前向Discovery和迪士尼支付巨额费用来获取内容，同时还要投资拍摄原创节目，如果订阅用户持续流失，这意味着，你们的现金很快会耗尽。”

奈飞的CEO沉默了几分钟，然后他说，“这件事我可能确实想得还不够深。我们明天再谈。你先讲讲你的判断，我们再讲讲我们的。”

几个月后，奈飞通过私募投资筹集了4亿美元，Henry主导了这项投资。

正是靠着这笔融资，奈飞熬过了艰难的转型期；到了2013年底，奈飞的市值增长了五倍，成为了新视野基金当年表现最好的股票。

图2. 奈飞 | 流媒体娱乐服务公司

今天回头看，奈飞的市值，已经是2011年100 倍了，但更重要的，并不是这笔投资本身，而是Henry在那个周末意识到的事情：

每个卓越的企业，几乎都经历过一次看起来与失败极为相似的窘境。

真正困难的，是如何去分辨，它究竟是在坍塌，还是在重生……

这可能是人类投资者最后的优势。

本系列【泉果探照灯】将分上下两期，从Henry近期的深度访谈中汇编梳理出几个最值得关注的观察点：

主持

Patrick O’Shaughnessy

Positive Sum的创始人兼CEO

嘉宾

Henry Ellenbogen

Durable Capital Partners创始人兼CIO

图3. Patrick O’Shaughnessy（左）对话Henry Ellenbogen（右）

计算的边界：

我们在多大程度上理解变化？

 Patrick: 

过去几年，市场结构发生了很大变化，相当一部分边际成交量，正集中到大型多基金经理、多策略的平台中——比如Citadel（城堡基金）、Millennium（千禧年对冲基金）、Balyasny、Point72。

它们不是简单意义上的“量化基金”，而是把基本面团队、系统化交易、风控与技术整合起来的平台型机构。在这样的结构下，交易开始变得越来越快、越来越规则化。从你的角度看，这样的变化意味着什么？

Henry:

我大概是两年前才真正开始认真思考这个问题。回头看，其实三年前就该更早把它放到核心位置，但你知道，投资里很多事情都是这样——你总是过一段时间才意识到某件事其实早就该思考。

在我职业生涯里，有一个阶段，量化基金开始表现得非常好——比如像Two Sigma这样的机构。

我们一直强调一件事就是：谦逊。我们不会上来就假设“我是对的，你是错的”，也不会把世界简化成“我们好，他们坏”。我们会默认对方非常聪明，然后问自己：我能从他们身上学到什么？

所以我后来做了一件事：去深入研究量化机构。

我得到的结论是：短期alpha这场游戏，大概率会被“机器+人”的组合赢下。

那时候，刚好发生了一件象征性的事情：计算机系统首次在国际象棋上，击败了最强的人类棋手——这一刻你会意识到，在某种类型的对局中，机器就是会更强。

我专门向Two Sigma的负责人去请教。他做得极其出色，我们聊了很多，我也慢慢明白：量化当然很强，但它也有边界。

那么，边界在哪里？

如果这是一个“重复博弈”的问题（repeat actor problem），而且数据是已知的、可结构化的，量化就会非常擅长。

这意味着什么？如果你的投资逻辑是“如果A，那么B”，机器大概率比你强。

比如，有些人买一只工业股，只因为PMI下降了——他们的逻辑是“历史上PMI回升时，这类股票的估值会修复，我就能赚钱”。这种纯规则式的、基于已知关系的交易，机器一定比你做得更好，因为他们不犹豫、没情绪，也不会疲劳。

但如果你真正擅长的，是理解人、理解变化，那你反而有优势。

总有一些公司足够强

   可以在环境变化中完成转身  

 Patrick: 

你提到了人和变化，听起来有点抽象，这些优势如何落实在投资上呢？

Henry:

我在上一家公司时，曾经做过一场内部分享，题目就叫《人vs机器》（Man vs Machine）。我当时的结论是：

如果机器在某些领域天然更强，我们就应该接受这个事实。然后把精力集中在我们真正有优势的地方。

我们要全力做好两件事：

第一，把“理解人”做得更深；

第二，把“理解变化”做得更强。

同时，凡是我们不占优势，而机器更占优势的那部分交易——说实话，本来也不该做——我们就应该少做甚至不做。

所以我们在Durable的做法其实很简单：

少做一些不占优的事情，才能把剩下的做得更深。

因为如果我们愿意承受波动，就必须把公司和人的理解做得足够深。

那么这种理解有什么用呢？最大的作用，就是在市场压力大的时候，你有没有底气做判断。

举个例子：Colliers（高力国际）。这是一家全球化的多元专业服务与投资管理公司，业务横跨商业地产、工程和投资管理。

当Colliers下跌时，市场可能在担心商业地产经纪业务会因为利率而承压。大多数时候，市场的判断往往是合理的，甚至90%的时候都对。

但问题在于，市场判断的是行业周期，而我们更关心的是组织质量。

如果我们非常理解它的文化、它的资本配置方式；如果我们研究了它旗下Harrison Street 这块业务20年，而且认识管理层、理解他们怎么做决策——那我们就更愿意在市场悲观时“顶住”，甚至加大投入。

同样的逻辑也适用于我们的早期成长组合。

比如外语学习平台Duolingo（多邻国）。它在 2021年上市——那是一个资本市场对成长公司极度宽松的阶段。零利率环境下，大量成长型公司在IPO时获得了非常高的估值。

图4. 多邻国 | 美国教育技术公司

后来大家也都看到了：2022年利率上行，市场迅速转向，很多人干脆把“2021 IPO那批公司”整体打包扔掉。你看数据就知道：2022年Russell 2000 Growth里那些亏损的公司，股价平均跌幅超过了70%。

从组合管理角度看，这种“整体风险回避”其实是可以理解的。

但我们的态度是：不是所有公司都一样。

不是所有公司都会在新环境下失败。也不是所有公司都无法建立真正的盈利能力。

我们相信，总有一部分公司拥有足够强的组织纪律、产品优势和执行力，可以在环境变化中完成转身。

所以，我们在2022年反而加仓了Duolingo——当市场因为宏观规则而统一卖出时，我们因为理解公司本身而选择继续持有。

而这恰恰是人类投资者可能存在优势的地方。

因为如果你的决策完全是规则驱动，或者你的投资周期只有1到3个月，那你几乎不可能持有像Duolingo或Colliers这样的公司。

你根本扛不住。

AI不是主题

 而是一条新的成本曲线

 Patrick: 

你刚才反复提到两个词——“人”和“变化”。我们不妨先从“变化”说起——因为今天我们正处在一场可能此生最大的技术变革里，你也经历过互联网、移动、云计算这些周期，你认为，哪些规律可能会重复？哪些则必须丢掉、甚至要从第一性原理重新推导？

Henry:

我从2022年开始，就在股东信里讨论AI；但我们不是一家“主题投资机构”。我们不会“因为AI很重要，所以去买AI公司”。

我们的做法是：先真正理解变化，然后判断我们关注或持有的公司，会不会因此变得更强、是否会受益，或者至少不要被颠覆。

当然，AI会影响科技公司——市场已经在反映这一点，但我觉得被低估的一点是：AI其实会影响几乎所有依赖白领劳动、知识生产与IP创造的公司。

这里有一个我经常用的类比。

在2010年代末，几乎所有做“产品型业务”的公司，都必须理解一个概念：“中国成本”（China Cost）。

道理很简单：如果全球供应链中存在一个国家，可以凭借规模、效率和资源优势，把产品成本压到极低，那么你要么理解它、利用它，要么就会被它淘汰。

从这个意义上讲，我认为AI很可能会像“新一代的中国成本”那样成为一条硬约束。

但这一次，它影响的不再是“产品成本”，而是知识工作、流程工作、以及IP生产的成本。

还有一个角度，其实很少被提到。那就是技术将如何改变公司的成本曲线。

当年我第一次真正理解这一点，是在研究Amazon的时候，那时我管理着一只全球 TMT基金，Amazon是我的最大持仓。

今天的Amazon，市值已经2万亿美元了，但在那个年代，它还只是一家市值约100亿的小公司。

那时我每年会去西雅图两次，和Amazon创始人Jeff Bezos（杰夫·贝索斯）吃午餐——因为我们那家机构是它最大的外部股东之一，而我负责研究它。

有意思的是，因为西雅图离我们公司有点远，没人愿意跟我一起去；Amazon也没有今天这么多人关注，很多人觉得我“想得太超前了”。

但从我和贝索斯的这些交流，我学到了一件非常重要的事情：

最顶级的公司，会用技术同时做到两件事：

第一，持续降低成本，

第二，持续扩大份额。

更重要的是：他们能把这种“单位经济优势”（unit economics），再投资到一种更持久、更难被追上的优势里。

这就是我们理解的“护城河”。

不是你今天领先，而是即使竞争对手明天惊醒了，他用同样的人、同样的钱、同样的策略，也追不上你。

Amazon就是这样。它把“每个包裹降低3%-5%成本”的优势，不断地再投资到履约中心（fulfillment centers）的基础设施建设中，于是接下来的20年里，它都能沿着那条每年降低3%-5%的成本曲线继续前进。

等到所有人真正意识到Amazon在做什么的时候，能够跟上这条曲线的公司，只剩下沃尔玛和Costco这种仍然拥有规模与信任优势的企业。

所以当我们今天讨论AI时，我们其实是用同样的框架在思考。

未来很可能会出现很多类似Amazon的故事：

有人率先站上那条新的成本曲线。而一旦跑在新曲线上，他们就会越跑越快。

后来者，即使意识到发生了什么，也很难赶上。

新旧成本线之间

会涌现出下一批幂律赢家

 Patrick: 

如果把“实体世界”和“数字世界”的效率提升放在一起看，很多人认为，一个很可能的交汇点，就是机器人。你们是怎么思考这件事的？

Henry:

这是我们最近一直在认真研究的问题。

我们做的第一件事，其实很简单——去学习。

我们主动去见那些在这个领域最领先的创业者，也去和我们投资组合里相关的公司交流。说白了，就是想先把事情弄明白。

而且坦率说，我们也非常清楚，在AI和数字技术这种变化极快的领域，很多判断可能每6个月就需要重写一次。

所以接下来我要做的是一件我不太愿意干的事，就是分享一些早期的结论，它们甚至很多地方可能是错的。但至少，这是我们现在看到的东西。

其中，一个很明显的信号是：在某些应用场景里，机器人的成本已经低于传统的人工流程。也就是说，它已经比“纯体力劳动”更便宜了。

而且要注意一点：这还是机器人最早期、最笨的时候。从历史经验看，这往往也是技术最差、效率最低的阶段。

但这次的不同之处在于：机器正在和AI一起迭代，而且这些系统越来越多的是建立在通用模型（general-purpose models）之上，而不是单一用途的模型。

这意味着，它的发展速度，很可能是一条几何级增长曲线。

如果用我们刚才讨论的Amazon成本曲线来理解，可能更清楚。

Amazon当年做对的一件事是：在整整20年里，他们把“寄出一个包裹”的成本，每年降低3%到5%。与此同时，那些没有建立物流基础设施、没有投资自动化仓储、没有使用机器学习优化库存和供应链的公司，则是处于另一条成本轨道上，有些甚至是每年上涨3%到5%，最好的情况也只是持平。

在一个低利润行业里，3%-5%差距，只要重复五年，就足以拉开巨大的差距。

说实话，这就是全部的故事。

而在机器人领域，我们也开始看到一种类似的模式。

在很多应用场景里，机器人成本已经接近人工。有些场景甚至已经更便宜。更重要的是：如果未来机器人技术进入规模化阶段，它的成本下降速度，可能不止3%到5%，而是15%到20%，甚至遵循“幂律”曲线。

这意味着什么？

五年以后，世界可能会出现两种完全不同的公司：

一类公司站在旧成本曲线上，而另一类公司站在新成本曲线上。

当这两种公司开始竞争时，就会出现幂律级别的赢家。

所以我们真正花很多时间思考的问题，其实只有一个，那就是：哪些公司能站在这条新曲线上？

因为一旦领先者进入这条曲线，后来者即使明天醒来、投入同样的钱、雇到同样的人，也很难追上。

原因很简单：他们没有提前建设好必要的基础设施——包括分销网络、技术架构、运营体系。在这种情况下，他们往往至少落后两到三年。而且每拖一天，差距都会更大。

但我觉得真正有意思的地方是：

如果你理解了这种变化，你就会开始在经济中寻找另外一类机会。

那些今天看起来很普通，甚至没有多少技术含量的行业，其实占整个经济的70%以上。而其中很多领域，几乎还没有被技术深度改造。

这才是未来可能出现大量新公司的地方。

下期预告 

很多投资行为，本质上都是一种世界观的投射。

下一期，我们会继续深入Henry Ellenbogen 的投资哲学：

他如何读人，为什么格外看重处于“第二幕”的企业家？

为什么他理解公司的方式，并不来自经济学，而更接近生物学？

以及，在接手New Horizons基金后，他读完了过去50年的股东信，从中顿悟的一件事，几乎重塑了他此后的投资逻辑。

 参考资料：

• The Last Human Edge，Dom Cooke, Dec 2025

• Henry Ellenbogen - Man Versus Machine，Dec 2025

泉果博物馆

「当算法学会做梦」

《机器幻觉》样本数据可视化（2022）

Refik Anadol（土耳其）

Refik Anadol是国际知名的媒体艺术家、导演和机器智能美学的先驱。他的作品探讨的并非技术本身，而是算法给人类带来的挑战和可能性，以及在人工智能时代作为人类的意义。

他以“后数字建筑”为锚点，邀请观众跳脱传统媒介的边界，将新媒体逻辑转化为艺术语言——让海量数据中那些曾被忽略的规律与结构，以可见的形态浮现，为世界提供全新的感知视角。

这件由AI驱动的沉浸式数据艺术装置，正是他对这一思考的具象表达：算法学习了MoMA馆藏数十万件艺术作品的视觉与风格数据，以“机器幻觉”实时生成抽象画面——细密的丝线、流动的色块、几何化的形态，都是算法对艺术史的拆解、重组与梦境式重构。

在技术与人文的交织中，属于这个时代的「幂律答案」，也许不是人类被技术替代，而是将借技术之力击穿旧范式，抵达更辽阔的认知疆域。

法律声明

本资料不作为任何法律文件，不代表泉果基金的任何意见或建议，不构成泉果基金对未来的预测，所载信息仅供一般参考。前瞻性陈述具有不确定性风险，泉果基金不对任何依赖于本资料而采取的行为所导致的任何后果承担责任。