作者: 狄奥尼索斯之歌
访谈来源：Odds on Open
主持人：Ethan Kho
嘉宾：Matei Zatreanu，System2 创始人
原视频链接：https://www.youtube.com/watch?v=Eh8pYEVtDcg
Matei Zatreanu 是投研数据与技术服务公司 System2 的创始人，曾在大型对冲基金任职。System2 主要服务少数大型基本面对冲基金，为其提供数据科学、另类数据和定制研究支持。与销售标准化数据集或通用软件不同，System2 围绕每家基金的具体问题寻找数据、搭建分析系统，并将结果接入客户原有的投研流程。长期参与这些项目，使 Zatreanu 得以观察不同基金如何使用生成式 AI，以及同一种工具为何会在不同基金经理手中产生不同结果。
这期访谈围绕生成式 AI 如何进入基本面研究展开：当模型可以批量搜索资料、访谈行业专家并分析公司与宏观变量之间的关系时，投资者怎样避免把数据错误和模型幻觉误认为 Alpha？基金又该如何利用 AI 扩大研究范围、追踪间接影响，同时保留自己的问题、数据和判断？当生成报告越来越容易，好奇心、数据验证、组织激励和持续追问为何会变得更加重要？
TL;DR：用 LLM 寻找 Alpha
- 1. 最可能创造 Alpha 的 AI 发现，也最需要怀疑。 投资者赚钱需要在别人犯错时保持正确，因此会寻找数据中的异常值。但异常值也最可能来自脏数据、口径错误或模型幻觉。AI 给出越新奇、越符合交易直觉的答案，越应该追查原始数据和因果链。
- 2. LLM 不一定让观点趋同，也可能把每个人困在自己的回音室。 模型会根据用户的历史对话、研究框架和偏好定制答案。同一个提示词，在不同机构内部可能得到不同结果；代价是模型越来越擅长讲出使用者爱听的故事，制造未经数据支持的“精确感”。
- 3. 专家访谈正在从“一小时通话”变成可编排的研究流水线。 Agent 可以依据基金过去的访谈记录学习追问方式，代替 PM 完成部分访谈，把多轮回答合成为证据地图，并针对尚未解决的问题安排 15 分钟的定向追问。基金因此能把原来只能做 5—10 次的访谈扩展到更大样本。
- 4. AI 可以把 PM 脑中的“投资拼图”外化成因果图谱。 公司、产品、竞争对手、地区、宏观变量和冲击事件被表示为节点与连接，系统再寻找一阶、二阶甚至三阶影响。例如，油价下跌可能先影响得州油气就业和奖金，再影响当地高端服装门店的销售。
- 5. AI 降低了获得答案的成本，提出好问题仍然困难。 普通分析师可能在 90 分钟内生成一摞报告后停止；优秀投资者会从一个答案中继续提出三个新问题。工具普及后，好奇心、验证意识与问题设计将比信息和算力更稀缺。
- 6. 投研服务天然存在“负网络效应”。 消费软件通常客户越多越有价值；投资研究恰好相反，同一洞见被越多人知道，Alpha 越快消失。高价值的 AI 投研系统需要围绕每家基金的专有数据、问题链和决策框架定制。
- 7. 顶级 PM 看重 AI 的可编程执行一致性。 Agent 可以更一致地执行 PM 的投资框架。有些基金原本就把初级分析师当作执行层，希望他们按照创始人的方法搜集和筛选材料。Agent 可以把这种框架进一步程序化，但也可能更稳定地复制 PM 自己的盲点。
- 8. 最终护城河仍然来自投资者的 craft。 顶级基本面基金创始人像医生或手艺人，热爱研究公司、追问假设和击穿论证，却未必喜欢经营组织。AI 可以成为他们的“研究军团”，但一家基金能否持续成功，仍取决于判断、风险承担、组织治理和接班体系。
访谈精编
AI 投研最难解决的，仍然是准确性
Ethan： Matei，欢迎参加节目。基本面对冲基金的数据科学团队现在面临的最大约束是什么？
Matei： 归根结底是人才。AI 领域变化太快，团队很难跟上。既理解技术、又理解技术怎样服务基本面投资的人过去就难找，现在更稀缺。
Ethan： 假设我经营一家基本面对冲基金，为什么不能在内部雇两个人，用 Claude Code 搭几个项目？System2 这类外部服务的必要性在哪里？
Matei： 我最近和一位客户基金的创始人谈过。他很看好 AI，也在使用相关工具。他让模型研究一个行业中几家公司的市场份额，模型给出的答案和图表看起来都很专业。等他仔细看图，才发现所有公司的市场份额一模一样。
他追问：“为什么图里的份额都相同？”模型回答：“因为我没有数据，所以把它们设成了一样。”
AI 用于基本面投资时，幻觉尤其危险。这个行业把准确性放在第一位。投资者要赚钱，需要自己判断正确，还需要其他人漏掉或误判同一件事。如果你和所有人都正确，信息已经进入价格，很难获得 Alpha。
用数学语言说，投资者在寻找异常值。某个数据集里的异常引起你的注意，你确认它是真实变化，而其他人把它当成错误或尚未看到它，这时才可能赚钱。
问题在于，异常值经常来自错误。数据清洗、统计口径、抓取和样本都可能制造异常。因此，投资者最需要依赖数据的时刻，也正是数据最不可靠的时刻。
AI 告诉你一件新颖、意外、可能用于交易的事情时，你也应该把怀疑提高到最高等级。你必须判断它是新信息还是幻觉，知道下一步该问什么，并在有限的时间和预算内改善证据质量。团队不可能把每个问题研究到百分之百确定，最后仍要由人决定何时停止调查、何时下注。
Ethan： Alpha 要求投资者在别人错误时保持正确。越来越多人使用相同的大模型，会不会让观点趋同？LLM 怎样帮助基金形成差异化观点？
Matei： LLM 根据 token 序列预测下一个 token，也根据用户提供的上下文回答。这个上下文包括当前提示词，也越来越多地包括用户过去与产品的全部互动历史。
模型现在了解我，也了解 System2。我只说“工作上的问题”，它可以从上下文判断我指的是 System2。长期使用后，模型的定制程度会超过很多人的预期。
过去的推荐系统更依赖其他用户的行为。Netflix 的热门节目或类似机制利用平均规律，把许多人带到相同内容。LLM 的上下文为每个用户形成一个独特的信息空间。我和你输入同一个提示词，也可能因为过去的查询与材料不同而得到不同答案。
这种个性化符合用户需求，同时带来虚假的精确感。逆向投资者偏爱反共识故事，成长投资者寻找长期增长公司。模型知道你的偏好后，会找到一套高度符合投资剧本的叙事。你看到答案时可能会想：“这家公司完全符合我的标准。”
叙事也许没有真实数据支撑。模型只是在做模式匹配，并向你提供它知道你喜欢的内容。使用者因此对一个未经验证的结果产生过度信心。基金必须确保答案来自真实数据和团队做过的分析。
这种回音室并非 AI 才有。一位曾在大型对冲基金担任合伙人的导师告诉我，基金创始人越成功，团队越容易把他当成神。高管和分析师害怕反对他，只向他汇报愿意听的内容。创始人本来就因成功而自信，周围人又持续确认他的观点，组织便形成回音室。
基金需要主动抵抗这种倾向，既要防止模型迎合 PM，也要让团队能够向权力说真话。过去的成功如果让创始人失去反方意见，会妨碍下一阶段的业绩。
专家访谈正在被 AI 重构
Ethan： 你服务的客户包括十亿美元级基本面对冲基金。他们最关注哪些 LLM 用例？
Matei： 用例很多，其中一个重要方向是合成定性信息。另类数据革命大约在 10—15 年前兴起。在那以前，基本面研究的重要方法是与行业专家交谈。分析师做一小时访谈，连续访问多人，再形成投资观点。今天专家网络仍是一门大生意。
一位管理消费行业基金的朋友告诉我，他愿意做更多专家访谈，资金并非限制，时间才是。一个项目完成 5—10 次访谈已经接近他的日程上限。他还要研究其他公司和管理组合，无法克隆自己。
基金可以训练一个 LLM，让它学习 PM 的访谈方法、项目目标、投资假设和需要回答的问题。Agent 随后代表 PM 与更多专家交谈，并在访谈结束后合成信息。
研究通常从几次入门访谈开始。PM 理解行业后，会提出一批更具体的后续问题。传统做法需要再安排一小时通话。Agent 可以安排 15 分钟定向访谈，只追问一个缺口。
这个过程像在战争迷雾中拼接地图。第一轮访谈让轮廓变清楚，团队再把时间集中到仍然模糊的区域。AI 负责扩大样本和整理材料，基金把数据证据覆盖在访谈结论之上。
专家研究的供应链也可以拆分。不同公司分别负责寻找专家、支付报酬、运行 AI 访谈、录音、转录和摘要，基金再把结果接入整体研究系统。大型专家网络仍提供重要服务，但团队现在更容易组合不同技术，部分替代过去的一体化流程。
除了直接访谈，基金还可以抓取讨论区、Discord、Reddit 和播客转录，把文本与持仓公司或主题关联起来。目标是持续收集人们在互联网和电话中的表述，再将其纳入研究证据。
Ethan： 专家访谈自动化可以增加数量，但也可能让年轻分析师变懒。一个没有经历过传统训练、没有一天做十小时电话的人，怎样获得驾驭模型所需的上下文？工具会不会破坏他的能力？
Matei： 先理解模型怎样训练，会更容易回答这个问题。LLM 的基础训练使用大量互联网文本，让模型预测序列中的下一个 token。只做这一步，模型会持续生成与前文相似的内容，不会自然停在一问一答的界面。
开发者随后用规模小得多的人类问答数据做后训练。模型从这些例子中学习：用户给出问题后，它应该回答，并在合适位置停止。少量高质量问答就能显著改变模型的交互方式。
基金可以用同样思路处理内部访谈库。机构多年录下了分析师与专家的对话，里面包含自己的研究方式。常规问答模型接收问题并生成答案；专家访谈 Agent 可以反过来训练：给它一段专家回答，让它预测分析师应该提出的下一个问题。
一家基金的访谈风格与另一家不同。各家机构会用自己的转录库进行后训练，形成不同的追问模型。它们不需要重做庞大的基础训练，只需要利用内部语料教会模型模仿优秀分析师和 PM 的追问方式。
System2 正在帮助客户完成这种工作。目标是让模型成为高水平访谈者，学会找到回答中的漏洞、限定条件和需要继续确认的部分。年轻分析师能否成长，则取决于团队是否让他理解问题设计与证据判断，而不是只让他接收摘要。
把 PM 脑中的投资逻辑变成系统
Ethan： 专家访谈属于研究流程。LLM 还能进入哪些层级？它能不能从组合上方向下帮助 PM？
Matei： 创新正在很多地方发生。我最近和一位在 D. E. Shaw 工作约二十年的老朋友交流，他正在数据之上构建基本面分析层。
基本面 PM 的工作可以概括为形成一套解释：一家公司怎样运转，它又怎样嵌入更大的世界。投资者常把这个过程称为拼 mosaic。
你可以把它表示成图。图里的节点包括公司、产品、竞争对手和市场，节点之间有供应、竞争与其他关系。PM 需要理解这些实体怎样相互作用，并建立因果联系。量化投资者经常从数据相关性出发，基本面投资者则追问一个变化为什么导致另一个变化。
多数 PM 在脑中完成这幅图。研究一家消费公司时，他知道关税可能影响进口成本，也知道产品、地区和客户之间的联系。团队可以把这些框架写进数据库，再用 AI 补全图中的关系和数据。
建立图谱后，基金还要为每个节点寻找数据。一阶影响通常容易识别，例如关税抬高依赖进口的公司的成本。二阶和三阶影响更有价值，也更容易遗漏。
假设一家服装公司在得州拥有大量门店。油价下跌首先影响油气行业，企业减少招聘或奖金，相关地区居民的可支配收入下降，随后影响当地高端服装消费。这家服装公司没有油气业务，却通过门店地理分布形成了油价暴露。
基金如果拥有各公司的门店位置、地区劳动力数据和宏观数据，就可能发现这些联系。团队还可以加入油气就业预测，观察一个情景怎样传导到全组合中表面上与石油无关的公司。
经验丰富的投资者有时凭直觉连接这些点。数据系统和 AI 能在更大的公司池中重复同一过程，寻找各类实体之间的一阶和高阶关系，帮助 PM系统检查组合风险。
Ethan： 分析师可以让 LLM 一次生成 200 种、甚至 1,000 种关系。模型接受基金过去的报告、采购的另类数据和其他材料，再由 System2 保证数据准确。分析师每天提示模型 90 分钟，拿着一堆报告交给老板。这种智力惰性怎样避免？
Matei： 基本面分析师的工作投入本来就不同。System2 同时服务多家基金，可以看到研究流程和工作习惯的差异。
好奇心强的投资者把这些工具视为梦想成真。他们过去有大量问题，却没有足够时间和资源获得答案。他们只能访问几位专家、读网上材料，再分析有限数据。System2 已经把可回答的问题数量提高了一个数量级，客户仍然想问更多。
AI 再次降低回答成本后，优秀投资者会继续提出新问题。我们为客户建立定制门户，放入分析结果和数据集，现在又增加聊天框，让他们直接询问图表和数据。早期测试者的反应很好，他们能提出比过去多一个数量级的问题。
一个答案经常引出三个新问题。投资者看到一个意外结果，会继续问那里发生了什么、它与另一项变化是否相关、还有哪些公司受到影响。最终限制研究深度的是投资者还能想到什么问题，以及他能否把不同线索连接起来。
百科全书时代，人们需要去图书馆翻书；Wikipedia 和 Google 让答案几乎即时可得。工具普及没有让所有人的知识深度变得相同。LLM 也会产生类似结果。拿到第一份报告便停止的分析师处于劣势，好奇的投资者会继续做专家访谈、检查数据和追踪新线索，直到对公司的理解超过公司内部某些团队。
我们最喜欢听到客户说：他刚给公司的投资者关系团队打电话，告诉对方自己从数据中看到了一项变化，而公司的人反问他怎样知道。企业只按季度向投资者披露信息，系统化数据可以让外部投资者更早观察经营变化。投资者若能据此提高预测质量，就有机会改善投资结果。
独立基金怎样获得大型平台的能力
Ethan： 你能观察多家大型基本面基金。新工具正在增强哪些基金的竞争优势？
Matei： 过去多年，基本面投资行业不断把单一经理吸收到 Citadel、Millennium 等多经理平台。多经理平台的回报相对出色，吸引了大量资本和人才。
2008 年以前，基金中基金也很流行。理论上，它们通过配置多个经理实现分散。金融危机与 Madoff 事件暴露了尽调问题，传统基金中基金失去市场。后来兴起的多经理平台在结构上也像基金中基金，但它们把 PM 放进同一个组织，建立精密风险模型和集中团队，为各个 pod 提供数据与运营服务。
仍有许多 PM 想独立经营。多经理平台最有效的风险规则之一是亏钱便解雇 PM，这种规则能控制损失，也创造高压环境。很多朋友进入 pod 后承受了这种压力。他们选择平台，因为平台容易提供资本和集中资源；若能获得同样支持，不少人更愿意独立。
平台还会改变投资结构。PM 往往需要保持市场中性，难以进行集中、方向性的长期下注。许多 System2 客户采用这类集中策略。长期集中可能创造巨额财富，也可能让投资者损失全部资本，这就是它的风险收益特征。
大型平台有时也会给团队资金，让其用独立品牌经营，同时继续使用平台资源。这反映了行业持续存在的张力：经理想保留自主权，平台需要通过止损和统一规则控制风险。
外部技术公司可以把平台优势提供给独立基金。大型基金拥有内部数据团队，但 System2 的团队规模超过其中不少部门，而且可以为多家独立经理服务。外部公司直接向客户收费，需要支付工资并保持增长，激励方式与大机构里的后台部门不同。
内部数据部门不直接创造收入，项目部署经常很慢。我的一位朋友在大型资管机构工作，他们直到最近才允许员工在工作中使用 ChatGPT，距离产品推出已经约三年。合规、数据隐私和权限管理确实需要时间，但技术快速变化时，三年的延迟就是竞争劣势。
独立基金愿意尝试新工具，外部服务商也能快速部署。未来可能出现一套围绕独立经理的服务生态，提供的数据、风险和研究能力达到大型平台水平，部分环节甚至更强。
Ethan： 你提到激励。System2 还在建立一只基金，这个设计是什么目的？
Matei： 我们招聘人才时，会与 Citadel 这类机构竞争。Citadel 曾从 System2 挖走员工。对一家规模有限的技术公司来说，和大型基金比薪酬与招聘能力很困难，但我们一直在想还能怎样竞争。
我以前在大型对冲基金工作。员工达到一定级别后，可以投资自家基金。部分基金的最低投资额是 5,000 万美元，规模较小的基金也可能要求 1,000 万美元，有些已经不接受外部资金。普通员工拿 5 万或 10 万美元无法进入，但基金可以把内部认购权作为福利。
我们问自己，能否提供类似机会。System2 正在请求对冲基金客户允许我们以低于常规门槛的金额成为 LP。到目前为止，接触过的客户几乎都答应了。一位经理说，让 System2 投资是他的荣幸。我们投入每家基金的金额可能只有几十万美元，对这些管理数十亿美元的人而言很小，但合作关系会因此加深。
System2 正在建立一只基金中基金，初期主要向员工开放。员工可以把部分奖金和储蓄投进客户基金。部分客户持有 OpenAI、Waymo 等私营公司，也投资私募信贷、CLO 和普通投资者难以获得的资产。
这项设计已经影响团队行为。一位客户负责人问：“我的奖金会投进我服务的客户吗？”我说会。她接着问：“如果我不喜欢他们正在做的某些事情呢？”我告诉她，如果发现问题，今天就应该提出来。
当自己的 5 万美元放在里面时，分析师的关注方式会改变。5 万美元对客户基金只是零头，对员工却是自己的钱。她会更认真地质疑数据和投资假设。我们本来就希望客户赚钱，个人资本加入后，经济激励与研究责任连接得更紧。
员工也开始主动询问能否投资自己服务的客户。System2 长期深入这些基金的研究流程，能够判断哪些经理值得投入。部分合作已经接近十年，如果早期便能投资，过去的增长也会转化为员工回报。
Ethan： 对基金而言，让你们投资几乎没有成本，还能让外部数据团队更关心结果。那位经理说“能让你们加入是荣幸”，概括了理想合作关系。
Matei： 对。客户帮助我们获得投资机会，我们提供资金和研究支持。双方金额不对称，激励仍然有效。
为什么好的投研服务很难规模化
Ethan： 如果两家基本面对冲基金都研究消费或医疗，甚至持有同一家公司，它们彼此竞争。System2 处在什么位置？
Matei： 每次接触潜在客户时，这个问题都会出现。投资研究很难作为独立产品经营，因为它存在负网络效应。公司拥有的客户越多，每个客户获得的产品价值反而可能下降。
投资者需要差异化洞见。如果所有人知道同一件事，它就失去交易价值。独立软件公司通常通过开发一次、销售给一百或一千个客户来提高利润，投研公司这样做会稀释客户的 Alpha。
System2 从成立之初便采用不同模式。我们介于咨询公司和技术公司之间。产品公司按照 80/20 规律，优先处理 80% 的共同需求；我们专门处理剩余 20% 的长尾一次性问题，并把技术栈设计成能够规模化完成定制项目。
标准软件公司把一次性需求视为客户服务负担，我们喜欢这类问题。团队为某家基金发现一项公司洞见后，不会在互联网发布报告，也不会广播给其他客户，结果留在该客户内部。
我们做过相似项目的经验仍然能复用。客户数量增加后，团队见过的行业和问题更多，新任务经常能借鉴过去方法。这种复用提升执行能力，不等于共享客户结论。
不同基金有时持有同一家公司，它们之间也可能互相交流。客户主动要求时，我们会让双方参加同一个电话，并共享指定材料。即使起点相同，研究路径很快也会分开。一家基金继续追问某个客户群，另一家关注竞争对手或另一只股票。每个问题又产生不同的后续问题，像“选择你自己的冒险”。
基金可以研究同一行业、采用相似策略，却获得截然不同的回报，因为 PM 进入了不同的研究兔子洞。他们选择的数据、第三方资源和持仓方式也不同。System2 需要让客户相信，我们会保护其利益，并围绕其问题提供定制研究。建立这种信任是公司早期最难的一步。
Ethan： 你会不会把掌握的某些能力标准化成产品？
Matei： 产品化有吸引力，它可以降低价格、扩大客户数量。System2 的合同起点大约是每年 100 万美元。即使对于大型对冲基金，这也是一笔需要慎重批准的开支。
外界容易认为基金管理数百亿美元，愿意随手花 100 万美元购买研究。现实中，让他们打开钱包很难。我以前工作的一家基金管理约 200 亿美元，创始人是亿万富翁。有一次，同事在电梯里碰到他，问他要去哪里。创始人说妻子过生日，要去买一张生日卡。
同事问他是否去办公楼一层的 Papyrus，那是一家价格较高的卡片店。创始人回答：“当然不，那里太贵了，我要走几条街去 Duane Reade。”
Papyrus 的卡确实很贵，但他已经是亿万富翁。这个故事反映出成功投资者的习惯：无论购买生日卡、公司还是 System2 的服务，他们都评估价值。他们拥有财富，部分原因正是长期保持这种判断方式。
大规模产品化会稀释定制 Alpha，也会削弱客户对利益保护的信任。System2 选择“捕鲸”，持续扩大单个客户的合同，而非获取大量小客户。我除了关注总收入增长，也关注最大客户的付款规模，希望最大合同继续增加。
这种策略带来客户集中风险。最大客户可能占收入的 30%。但一家客户愿意支付很高费用，也说明它高度重视 System2 的服务。我们筛选好奇心强、问题很多、持续需要数据的基金，为它们提供顶级定制体验。
未来也许会有更易扩展的产品。现阶段，这套高价、低客户数量的模式运作良好。
从投研服务走向新公司
Ethan： 你每天想到最多的是什么？客户提出许多需求，有些项目已经验证市场，只是 System2 暂时没有资源扩展。你面对的机会似乎多于可以投入的人手。
Matei： System2 最特殊的地方，是我们能接触一批世界级投资者的想法。公司在整体市场里知名度很低，我个人却认识大约二十位亿万富翁，美国的亿万富翁总数也只有几百位。
我们参加他们讨论资本配置的会议，并在决策中承担一小部分工作。他们投向哪里，世界就会建造什么。我们看到融资新闻时，有时会发现自己服务的客户领投了那一轮，而团队此前已经参与相关研究。以我们的规模，能进入这些讨论远超常规位置。
System2 一直愿意围绕客户的问题调整工作。产品公司必须拒绝部分功能请求，并确定统一优先级；我们的回答往往是，只要客户希望我们集中精力解决一个问题，团队就会持续调查，直到找到答案。
这种投入换来客户信任。顶级投资者把最困难的问题交给我们，System2 因而能看到原本不会接触的行业与商业机会。部分机会来自客户群中的重复需求，并非团队自己凭空想象。
我们计划建立孵化器，把项目从 0 推进到 1。项目有时起源于客户基金的某家被投公司。投资者发现 System2 对公司的数据理解甚至超过公司内部，便介绍我们直接与管理层合作。
企业项目关注的是怎样提高定价、扩大 EBITDA、为战略出售做准备，以及怎样用数据向潜在买家证明协同和增长空间。与对冲基金市场相比，被投公司的技术服务拥有更大的潜在市场。
这种工作与 Palantir 有相似之处，团队为企业建立定制技术系统。区别在于，System2 从投资者的问题进入公司，关注收入、利润和退出价值，不为展示技术而开发软件。
部分一次性系统可以用于其他行业。System2 希望把已经完成 0 到 1 的项目分拆出来，成立合资企业，再寻找一位 CEO 把业务从 1 扩展到 100。适合的人可能想创业，却没有明确项目。这里已有客户提出问题、亿万富翁支付开发费用、被投公司验证需求，创业者可以从经过验证的起点出发。
Ethan： System2 一直增长，也没有外部融资，在纽约完全依靠自身现金流扩张。
Matei： 公司没有融资，而且已经有足够现金通过基金中基金投回客户。这是一个很好的财务位置。
Ethan： System2 是否只是通往更大目标的一块踏板？
Matei： 我想做很大的事。经常和亿万富翁相处的一个副作用，是自己也想成为亿万富翁。你看到他们聪明、努力，也会意识到自己和团队同样可以努力建设。
我过去在一家基金工作时，只接触一位亿万富翁。组织里的人把他视为神，他也是我人生中见到的第一位亿万富翁。我在罗马尼亚贫穷家庭长大，当时根本不知道这种财富存在。
现在我与多位亿万富翁合作，看到他们各自不同的能力、性格和缺陷。我也接触到 Ken Griffin 建立的行业体系，虽然他不认识我，但 System2 会和 Citadel 争夺人才。近距离观察多位成功者，让亿万富翁不再像不可复制的单一样本。
System2 会继续连接一批极度好奇、希望站在研究前沿的投资者。他们重视我们的工作，也愿意带团队进入自己的问题。公司因此形成一个特殊机制：我找到了常规情况下很难获得的导师，而且这些导师付费让我参与。
如果他们听到这段话，我愿意承认，早期我甚至可以免费做这些工作。公司成立后的最初几年，我没有给自己发工资。从他们身上学习本身就有价值。现在团队可以依靠这种“付费导师关系”生活，并从关系中发现基金中基金、软件产品和其他企业机会。
给创业者的建议是，先明确自己想成为怎样的人、希望和谁长期相处，然后把目标定得高于原来的想象。如果还能找到一种让对方付费与你合作的模式，这种关系会带来知识、声誉与新的商业路径。
亿万富翁的共同特征：集中下注与持续好奇
Ethan： 你接触的二十多位亿万富翁有哪些共同特征？
Matei： 他们存在共同点，也有很大差异。我曾向一位上市公司董事长兼 CEO 请教，随着净资产增长，自己应该怎样分散。他看着我，像听到一个奇怪的问题。
他说：“你告诉过我，有一天想成为我。”我回答是。他接着说：“那就不要分散，把一切押在你正在做的事情上。”
他的意思是，不要浪费时间研究私人银行推销的 ETF、共同基金和其他分散产品，把资本与注意力集中到自己最有能力创造价值的事业。集中会造成巨大风险，却也是部分创始人创造巨额财富的路径。
更普遍的共同点是好奇心。一位客户接近 60 岁，已经取得很大成就，仍在当地知名大学学习 Python。别人问他为什么还要上编程课，他回答：“世界正在往这里走，我想理解怎样做。”
他的得力助手称他为“支线任务之王”。他喜欢进入各种兔子洞，学习与当前工作不直接相关的东西。基本面投资需要这种能力：对世界保持兴趣，持续研究公司和行业如何变化。
System2 的工作也满足这种好奇心。团队每天回答不同公司和行业的问题。我们的一家大型企业客户从事采砂。第一次通话前，我甚至不知道沙子需要开采，还以为需要沙子就去海滩取。后来才知道，建筑、水泥和玻璃等行业消耗大量工业用砂。
进入一个五分钟前还不了解的行业后，我需要在同一通电话里提出从业者没有想到的观察，客户才会聘请 System2 继续研究。团队后来利用数据帮助这家公司提高定价。
顶级投资者也这样工作。他们不断学习陌生事物、进入兔子洞、提出大量问题，再把新发现与过去知识连接起来。他们热爱这种工作，也因这种能力获得高额报酬。
很多顶级 PM，其实更像手艺人
Ethan： 这些极其成功的人之间，哪些差异最让你惊讶？
Matei： 一件小事是，他们买妻子的生日卡也很节省。更让我意外的是，他们花大量时间研究其他企业，却很少经营自己的企业。
这些人很像医生。我的父亲和兄弟都是医生。医生喜欢诊断、治疗和学习医学，不喜欢经营诊所。他们不愿处理排班、前台员工请假、收费公司和其他行政工作。私募股权机构收购许多诊所，原因之一是它们更愿意处理经营环节。
基本面单一经理基金也类似。创始人热爱当投资者，却未必喜欢经营公司。他们仍在日常研究的细节里，思考每家公司和每项投资。分析师把信息汇总给创始人，创始人亲自做最后决定，继续提问并攻击投资论点。
普通大公司 CEO 不会亲自制作下一部 Pixar 电影，也不会设计下一座游乐设施。他把时间花在组织增长、战略方向和团队管理上。我自己在 System2 初期亲自做项目，因为没有选择；现在大部分时间用于经营公司。
许多基金创始人宁愿有人替他们处理团队、激励和运营。他们可能聘请 CEO 或 COO 管理业务。问题会在退出和接班时暴露。很多基金缺少脱离创始人的知识产权，组织价值几乎全部依附关键人物，创始人也直到退休前才开始培养接班人，并向投资者解释自己离开后基金仍能运行。
多经理平台更重视基金作为企业的经营。平台负责人不亲自管理每项投资，而是建立流程来发现想法、配置资本和自动管理风险。单一经理基金创始人更希望独自研究并回答投资问题。
有一家客户基金把分析师职位设计成两年项目。分析师入职时就知道两年后离开。创始人希望他们按要求执行工作，不希望年轻人形成强烈观点并认为自己比 PM 更懂。
这也解释了 AI 对部分顶级 PM 的吸引力。PM 可以把自己的投资框架写进一组 Agent，让它们按照他的方式分析材料。机器不会发展出创始人不关心的投资哲学，提交给 PM 的内容已经经过其规则过滤。PM 因此获得一支不需要传统招聘的研究助手队伍。
这套结构也会稳定复制 PM 的盲点。如果每个 Agent 都使用同一框架，系统可能比人类团队更少提出异议。基金仍需要独立数据验证、反方分析，以及敢于反对创始人的人。
顶级基金经理像老派手艺人。他们为了手艺本身工作，喜欢研究公司、与“病人”互动、阅读材料并做判断，不喜欢围绕工作产生的行政事务。这种投入让他们保持优秀，也给 COO、CTO 和研究管理者留下了建设组织的空间。
Ethan： 这个医生类比很好。爱上手艺，爱上工作本身，长期成功的概率才会提高。感谢你参加 Odds on Open。
Matei： 谢谢邀请。这是一场很好的交流。
来源: 微信公众号