与电脑合作，而不是与它竞争

2016 年 8 月 4 日，是莫布森上华尔街整整三十年的日子。他挑这天写了一份特别的报告，与丹·卡拉汉、达里乌斯·马杰德合著，题目就叫《三十年》。开头是一张对照表，把 1986 和 2016 两个时点并排放着，其中几个数字最刺眼：每兆字节存储成本从 71 美元跌到 0.0000633 美元，跌了约一百一十万倍；一百次运算的计算成本从 1 美元跌到百万分之一美元；被动管理占资产的比例从不到 1% 升到约三分之一；十年期国债收益率从 7.34% 降到 1.54%。还有一个更直观的变化：1986 年市值前十的公司里，如今只剩通用电气、AT&T、埃克森美孚还在，而谷歌、亚马逊、Facebook 当年连影子都没有——微软、甲骨文、Adobe、Sun 那一年才刚上市；股票型共同基金管理的资产则从 0.15 万亿美元涨到 8.15 万亿。三十年里，机器变得极其便宜、极其能干，而人还是那个人。于是一个问题压到了每个投资者头上：在一个机器无所不能的世界里，一个人还能拿什么去投资？这一章给的答案，藏在标题里——不是跟电脑比，是跟电脑合。

十条特质，一张能力模型

要回答“人还能拿什么”，先得知道伟大投资者到底靠什么。莫布森把三十年观察压成十条特质，它的组织逻辑是三加三加二加一加一。

前三条是硬技能。懂数字（并且懂会计）——把财务报表翻译成自由现金流，把公司战略和它怎么创造价值连起来，最简单的做法是把同业两家公司逐行对比。理解价值——金融资产的价值等于未来自由现金流的现值，这一条近乎不变；而倍数不是估值，只是估值过程的速记，他引拉帕波特那句“记住，现金是事实，利润是意见”。正确评估战略——把生意蒸馏到基本分析单元（零售看单店经济性、订阅看客户终身价值），再判断可持续竞争优势，关键是理解取舍。

中间三条是思维方式。有效地比较——人类比较得很快，也比较得很糟，最重要的比较是基本面与预期。概率地思考——聚焦决策过程而非单一结果，并重申贝比·鲁斯效应：正确的频率不重要，你对的时候赚多少、错的时候亏多少才重要。有效地更新——这是那句被引最多的话，“信念是待检验的假设，不是待守护的珍宝”，伟大投资者做两件多数人不做的事：主动寻找与自己相左的信息，并在证据要求时真的改变看法。

后面四条是心理、执行与习惯。警惕行为偏差——他引斯坦诺维奇的 IQ 与 RQ 之分，后面还会细说。区分信息与影响——价格本该是信息，但投资是社会性活动，价格会从信息变成影响，泡沫就是这么吹起来的。仓位规模——行业把精力全花在找优势上，几乎不谈该下多重，可这恰恰是把优势变成财富的最后一环。阅读——这一条最朴素，也最见功夫，后面单讲。十条摆在一起，你会发现一件事：其中最难被机器替代的，恰恰是中间那三条思维方式和“区分信息与影响”——因果、比较、更新、识别人群何时从理性滑向疯狂。这就为“人机怎么分工”埋下了伏笔。

这十条里有三条，莫布森配了让人过目不忘的例子，也最能映到中文读者身上。讲有效比较，他引特沃斯基的一个实验：问哪一对更相似，西德与东德，还是尼泊尔与锡兰？三分之二的人选西德东德；再问哪一对更不同，逻辑上该有三分之二选尼泊尔锡兰，可 70% 的人反而觉得西德东德更不同——同一对东西，你问“像不像”和“不像不像”，得到的答案自相矛盾。你在找什么，决定了你看见什么。讲区分信息与影响，他搬出格拉诺维特（Mark Granovetter）的暴动阈值模型：广场上一百个人，每人有个“要先看到多少人动手我才跟”的阈值，只要阈值从 0、1、2 一直均匀排到 99，多米诺就必然发生、暴动必然爆发——把“加入暴动”换成“追买热门股”，A 股散户的行为就在这个模型里。讲仓位规模，他引赌坛传奇帕格·皮尔逊的话：“赌博只有三件事——知道一个命题的六四开、资金管理、以及了解你自己。”三件里，资金管理在投资界得到的讨论最少。

把这十条能力和开头那张对照表叠在一起看，你会看到这一章真正的紧迫感：计算和存储成本暴跌了上百万倍，意味着机器已经便宜到可以接管十条特质里的“左半边”——查数、算账、跑模型、在几千只股票里撒网。这半边正在被商品化。于是人被逼到一个选择面前：要么在机器最强的地方跟它硬拼，要么退一步，专攻它最弱的那半边——因果、比较、更新、识别人群何时发疯。这一章接下来讲的，就是后一条路怎么走。

与电脑合作，而不是与它竞争

莫布森把这一章的核心命题说得很直白：“如果你与一台电脑竞争，你极可能会输；如果你与电脑合作、用它来增强你的表现，你更可能赢。”（“if you compete against a computer, you are highly likely to lose. … [with] a computer to augment your performance, you are more likely to win.”）他的证据来自一个意想不到的地方——自由式国际象棋。

自由式象棋允许人走棋，但可以任意借助程序和其他人。结果出人意料：最强的不是最好的人类大师，也不是最强的象棋程序，而是“人＋机器＋好流程”的自由式团队，它轻松超过单独的人类，还小幅胜过最好的程序。最著名的一战，是两个业余选手（等级分只有 1381 和 1685，远低于大师）带着四个引擎，组成叫 ZackS 的战队，击败了大师战队。卡斯帕罗夫（Garry Kasparov）本人对这件事的总结，值得逐字记下——“弱的人类＋机器＋更好的流程，胜过一台强大的电脑，也胜过强的人类＋机器＋更差的流程。”（“Weak human + machine + superior process was greater than a strong computer and … greater than a strong human + machine with an inferior process.”）决定胜负的，不是人的棋力有多高，也不是机器有多强，而是那个“流程”——知道在什么时候该动用谁的长处。

这就给出了人机分工的原则，它几乎可以照搬到投资上：电脑擅长应用基础率、处理数字、撒大网筛选；人的增值在于更细致地理解因果、识别制度转换（regime change）、以及运用更颗粒化的知识。回头看第九、十、十一章你会心一笑——基础率、均值回归、给预测撒网打分，这些莫布森反复强调的功课，恰恰是电脑最该接手的那部分；而人要守住的，是因果推断和“这次是不是不一样”的判断。象棋和投资还有一个根本差别，莫布森没有回避：象棋是完美信息、稳定、线性的，机器迟早碾压人类；市场是复杂适应系统，不完美信息、不稳定、非线性，正因为如此，人那部分永远不会被完全替代。把人和机器摆成对手，是把自己放到了必输的赛道上；摆成队友，才站到了会赢的那条。

值得把数字摆出来，才知道这个结论有多反常。1997 年深蓝击败卡斯帕罗夫之后，机器对人的优势一路拉大，如今顶级象棋程序的等级分约 3,200，比最强人类高出三百多分、胜率近九成——纯比棋力，人已经毫无机会。可自由式团队偏偏能比最强程序还高出一百到一百五十分（胜率约三分之二）。经济学家考恩（Tyler Cowen）在《平均的终结》里总结了四条教训：人加机器的队最强；操作者不必是本领域专家（两个业余选手就够了）；技能低于某个临界点的人反而会拖累机器；最要紧的一条是，知道自己的限度、知道何时该信机器何时该信自己，比单项能力更重要。莫布森还引了一个刺耳的调查：约三分之二的量化经理不认为叠加基本面能改善量化流程，他们私下把基本面分析师形容成“一台比一万五千美元的电脑更贵的业务监控器”——而自由式象棋的教训恰恰是，这种非此即彼的态度，本身就是那个“更差的流程”。

AI 时代的重述：投二阶，不投一阶

三十年那份报告写于 2016 年。到 2025 年，莫布森团队（借助他们自 2019 年与哈佛商学院合作的 Culture Quant 工具）把同一个“人机合作”的思路，推进到了人工智能时代，写成《AI 受益者：投资于二阶效应》。它的判断和“与电脑合作”一脉相承，只是换了个尺度。

核心论点是：在真正改变世界的技术里，最好的投资往往落在二阶效应，而不是一阶。一阶的使能者会被竞争商品化——就像修铁路的、造芯片的，最后利润被摊薄。真正的大赢家在下游。他举了两个历史二阶：汽车催生郊区化、再催生大盒零售，沃尔玛 1980 到 2020 年涨了约 1,600 倍，大约是福特的七十倍；Wi-Fi 催生流媒体，奈飞（2002 上市）涨了约 519 倍，大约是思科的一百倍。放到 AI 上：一阶是 GPU 厂商，长期胜负难料；比较有把握的二阶，是蓝领白领生产率的跃升。他团队估算，若一千家大公司把自动化概率高的岗位裁掉一半，将减少约 170 万个岗位、省下约 2,070 亿美元的劳动成本——而这块省下的钱会在顾客、供应商、公司之间分配。这块钱到底怎么分，取决于公司所处的生命周期阶段：处在导入与成长期的公司，多数好处会让渡给顾客去抢市场；到了成熟期，公司才留得住更大一块。莫布森用了 Shake Shack 用自动化点餐提效的例子，配上第十二章那根价值棒来拆——省下的成本，是压低了自己的成本线、还是被迫抬高了顾客的支付意愿、又或者转成了给顾客的降价，得看这门生意在时间里的位置。所以“AI 让谁受益”这个问题，没有一个笼统答案，它是价值棒和生命周期两把尺子一起量出来的。

莫布森没有回避 AI 会消灭岗位——他团队用的模型（弗雷与奥斯本对 702 种职业的自动化概率评估，从电话推销员的近 100% 到牙医的几乎 0%）把这件事量化得很具体。但他放了一个长镜头：1900 年美国有 40% 的就业在农业，今天不到 2%，被机械取代的那些人并没有永远失业，而是流向了当时还根本不存在的工作。技术消灭一阶的岗位，又在二阶创造新的需求——这既是“投二阶”的投资逻辑，也是“人该换到机器够不着的位置上去”的社会逻辑。

这一节最耐人寻味的，是莫布森引的两句巴菲特和芒格的话（都出自 2018 年伯克希尔股东会）。巴菲特说 AI“最终是极度有利于社会的……也是极度颠覆性的”（enormously pro-social eventually…enormously disruptive）；芒格接了一句冷的——“如果一切都由一个人（借助 AI）生产、其余人只是闲着，我不认为这对美国是好事。”两句话正好框住了“人机合作”更大的政治与伦理边界：机器能替人做的越来越多，可“人该干什么”这个问题，不会因为机器更强而消失，反而更尖锐。莫布森的立场始终一致——不是让人退场，是让人换到机器够不着的那些位置上去。

值得留意的是，这条“与机器合作”的主张，在莫布森笔下是一条贯穿三十年的线：2014 年他用自由式象棋讲它，2016 年把它列进伟大投资者的十大特质，2025 年又用它来切 AI。技术换了一茬又一茬——从象棋程序到大语言模型——可他的结论一字未改：人对机器的价值，不在算得比它快，而在知道何时该信它、何时该信自己。这正是卡斯帕罗夫那句话里“流程”二字的分量。一个把这条线咬了三十年没松口的人，说的多半不是一时的技术风口，而是一条更耐用的原理。

怎么把这样的人和团队造出来

知道该往哪个方向走，还得知道怎么把人和团队造出来。莫布森给了一个四步模型：选人 → 刻意练习加技术 → 管理心智偏差 → 巅峰表现。每一步都藏着一个必须处理的反证。

先说选人，这里有本章第一个反证。斯坦诺维奇的研究强烈提示：好的决策，不止于传统智力测验测的那些东西。IQ 和 RQ（理性商数）相关只有 0.20 到 0.35，而 RQ 是可以培养的；主动开放的心态、概率思维、频繁准确地更新、坚持——这些测验都测不好，甚至“从精英大学毕业”这类智力代理也不管用。所以选人不该只看聪不聪明，要看理性。莫布森甚至预测，进步的投资机构会把选拔流程扩展到筛查理性本身——用斯坦诺维奇团队的理性综合评估（CART），或者简单的认知反射测验（CRT），而不是只盯着学历和智商。第二步刻意练习——它不是随便重复，而要求明确的目标、及时而准确的反馈、大量的重复，且只对有动机的学习者有效；它不好玩，却令人满足，因为进步是看得见的。它的难点在反馈：市场的短期波动噪声极大，不能拿它当反馈；更好的办法是把投资论点拆成可测量、可追踪的部分，用布莱尔分数打分——这正是第十一章那根“路标”。他还借让分师的做法，用小额的“行动注”制造高频反馈，用大额的“主注”下真功夫。第三步是技术，也就是这一章的主线：与电脑合作，别与它竞争；他顺手抱怨一句，基本面投资者里用蒙特卡洛模拟的人少得惊人，而模拟器早就能以合理价格买到。

第四步管理偏差，藏着后面几个反证，也是最实用的一段。今天的挑战不是知道有哪些偏差，而是落实管理它们的方法——两种清单：日常例行用“边做边确认”，高压时刻用“照读照做”。而对付偏差最强的解毒剂，是一个认知高度多样的团队——但仅有多样性不够，你必须管理多样性；预测团队表现的单一最佳因素，是“心理安全感”，即人们敢自由表达、敢承担适度的风险。这里还有两处诚实的保留，是全章最不像鸡汤的地方。其一，“把信念当假设”这种心智弹性，会让别人——包括你的客户——感到不安：一个总在改主意的人，看起来不像个可靠的受托人。其二，莫布森点破一种奇怪的技能——“对他人看法的公然漠视”，是投资中极有价值、在生活里却不那么有价值的技能；能顶住社会压力逆众而行的人，往往在别的场合并不讨喜。做一个好投资者，和做一个让人舒服的人，未必是同一件事。

最后回到那条最朴素的特质——阅读，它也带着一个反证。哥大学生去奥马哈见托德·库姆斯和巴菲特，回来时半信半疑地说，库姆斯建议他们每天读 500 页；巴菲特自陈把 80% 的工作时间用于阅读；芒格那句更绝——“我这辈子认识的、在广泛主题上有智慧的人，没有一个是不一直读书的，一个都没有。”但莫布森诚实地补了一句：这是有取舍的。一天读 500 页，意味着别的很多事你都不做了。读什么也有讲究：跨学科地读，刻意去读你不一定同意的东西，找一个持相反观点的深思者，仔细读他的论证。阅读不是消遣，是刻意练习的燃料，而燃料是要花时间去烧的。

一道作业

这一章的作业，是给你自己的投资流程，做一次“人机分工”的盘点。

拿一张纸，从中间划一道线。左边写下你现在亲手在做、但其实电脑做得更好的事：查基础率、算 ROIC、跑敏感性、在几千只股票里撒网筛选——这些交给机器，你会更快也更准。右边写下那些机器暂时够不着、只有你能做的事：判断这门生意的因果机制、识别一次制度转换、动用你对某个行业颗粒化的私有知识、以及在人群从理性滑向疯狂时守住自己。然后诚实地看一眼：你每天的时间，是花在左边还是右边？多数人把大把时间耗在左边那些该外包给机器的活儿上，反而没时间做右边那些不可替代的判断。

把左边尽量交出去，把自己腾到右边——这就是“与电脑合作”最朴素的落地。莫布森自己不管钱，他不会告诉你右边那些判断该得出什么结论；他只提醒你，别再站到左边那条必输的赛道上，去和一台每三十年便宜一百万倍的机器拼算力。

本章依据

• A1｜报告（本章主文本）：《三十年：关于伟大投资者十大特质的思考》（Thirty Years: Reflections on the Ten Attributes of Great Investors），2016-08-04，Credit Suisse Global Financial Strategies，与 Dan Callahan、Darius Majd 合著（research/michael-mauboussin/digest/shard-05.md，cs-015 · P0；亦即 comp-007-006）。三十年对照表（存储 71→0.0000633 美元/MB、计算成本百万分之一、被动 <1%→35%、十年国债 7.34%→1.54%）、十大特质（懂数字/理解价值/评估战略/有效比较/概率思维/有效更新/警惕偏差/区分信息与影响/仓位规模/阅读）、“现金是事实利润是意见”（Rappaport）、“信念是待检验的假设”、“如果你与电脑竞争会输/合作更可能赢”、自由式象棋（团队>人>程序、ZackS 业余+四引擎胜大师）、人机分工原则（电脑做基础率/算数/撒网，人做因果/制度转换/颗粒知识）、巅峰表现四步（选人→刻意练习+技术→管理偏差→巅峰）、IQ vs RQ（0.20–0.35、可培养、精英大学代理不管用）、行动注/主注、DO-CONFIRM vs READ-DO、心理安全感=预测团队单一最佳因素/须管理多样性、“心智弹性令客户不安”、“对他人看法的公然漠视”、Combs 每天 500 页/Buffett 80% 时间阅读/Munger“一个都没有”/“这是有取舍的”，均出自此篇。证据等级 A1。
• A1｜报告（自由式象棋细节）：《自由式国际象棋的教训》（Lessons from Freestyle Chess），2014-09-10，Credit Suisse GFS，与 Dan Callahan 合著（research/michael-mauboussin/digest/shard-13.md，comp-005-011 · P1）。Kasparov“弱的人类＋机器＋更好流程”原话、ZackS 等级分 1381/1685、象棋（完美信息/稳定/线性）vs 市场（复杂适应系统）、基本面向量化学什么/量化向基本面学什么，均出自此篇。
• A/报告（AI 时代重述）：《AI 受益者：投资于二阶效应》（AI Beneficiaries: Investing in Second-Order Effects），2025-04，Morgan Stanley Counterpoint Global（research/michael-mauboussin/digest/shard-17.md，ms-038 · P1）。二阶>一阶、Walmart 1980–2020 +1,600×（约 70× 于福特）、Netflix +519×（约 100× 于思科）、AI 一阶=GPU/二阶=生产率、1,000 大公司自动化减 170 万岗位/省 2,070 亿美元、Buffett 2018“极度有利于社会……极度颠覆性”、Munger 2018“一个人生产其余人闲着不好”，均出自此篇（Culture Quant 系与哈佛商学院自 2019 合作）。
• 反证处理：IQ≠RQ（精英大学代理不管用）；“信念当假设”的心智弹性令客户不安；心理安全感须配“管理多样性”；阅读有取舍；“对他人看法的公然漠视”在生活中价值不高——均据 cs-015 本人论述。
• 归属：“现金是事实利润是意见”＝Alfred Rappaport；IQ vs RQ＝Keith Stanovich；自由式象棋四条教训框架＝Tyler Cowen《Average Is Over》；Kasparov 原话＝Garry Kasparov；心理安全感研究＝组织行为学（Amy Edmondson 等）。十大特质清单、巅峰表现四步、人机分工原则、二阶效应投资法为莫布森团队的综合。报告合著者 Callahan、Majd 已按归属纪律点出。
• 数字纪律说明：三十年对照表、Walmart/Netflix 倍数、170 万岗位/2,070 亿美元均取自报告正文数字；未使用任何 OCR 散架图表。
• 不管钱纪律说明：十大特质描述的是“伟大投资者”的共性、非莫布森本人业绩；Thorp、Combs、Buffett 为他分析的第三方，Walmart/Netflix/Tesla/思科为教学案例；本章为能力模型与人机分工方法论，不含任何买卖结论（作业只交出“人机分工盘点”的做法）。

本站正文为基于公开材料的独立编辑与研究归纳，不替代原始资料，也不构成投资建议。