#個人整理一定會有不完整或理解錯誤，請以Podcast的內容為主。
前導
A. AI 提高效率，卻未必創造超額報酬
- AI 工具快速普及，使個人能力提高，但競爭優勢也容易被拉平。
- 市場充滿資訊差、政策、情緒與突發事件，無法只靠模型靜態推演。
- 單項工作時間縮短，整體工時與研究投入反而可能增加。
B. 社群、AI 與人的投資研究分工
- 社群媒體適合捕捉最新事件，AI 適合讀財報、抓數字及建立情境。
- 盤中先由人觀察量價與題材，再以 AI、內部資料及社群快速補足研究。
- 約三至五成交易帶有盤中即興性，但下單前的後端研究已能壓縮至十至二十分鐘。
C. 人機混合模式與風險邊界
- AI 像人人都有的 Jarvis，能準備資料，卻不能代替最終的市場判斷。
- 深入研究不能抵銷過度槓桿，模型信心也不妨礙停損與減碼。
- 未來希望將盤感量化，建立可衡量、驗證與重複執行的方法。
完整內容
A. AI 提高效率，卻未必創造超額報酬
1. 工具普及後，優勢很快被拉平
AI 剛出現時，曾期待它能自動完成大量工作，甚至讓使用者擊敗競爭者。實際使用幾年後，較明確的感受是：AI 的確能強化個人能力，卻不是只有少數人擁有的秘密武器。
以量化交易為例，AI 可以快速協助回測、找資料與核對答案，但競爭者同樣能使用這些工具，甚至讓原本不在這個領域的人跨界加入。除非只有單一參與者擁有特別強大的模型，否則市場獲利不容易單純因為 AI 而大幅集中。
投資市場也不是靜態環境。資訊取得速度、情緒、政策及突發事件都會改變價格路徑，例如川普的政策變化，或 Bernie Sanders、Alexandria Ocasio-Cortez（AOC）對資料中心發展的反對行動，都可能突然改變原有劇本。模型再強，也無法消除這些動態變數。
2. 省下單項時間，總工時反而可能增加
原本需要兩小時完成的報表或研究，AI 可能幾分鐘就能處理完；但省下來的時間通常不會直接轉化為休閒，而是讓人繼續研究更多公司、追蹤更多工具、探索更多議題。
對受僱者而言，老闆也知道報表與摘要已經更容易生成，因此節省時間不代表剩餘工時可以自由運用；對自僱者或公司經營者而言，AI 則擴大了可以處理的工作範圍。結果往往是局部效率提高，整體投入時間卻變長。
早期流行的 vibe coding 也呈現類似情況：確實催生不少有趣產品，但不能只用少數成功者，推論多數人都能因此獲得巨大財務回報。AI 的影響更像電腦普及——生產力提升、社會與工作方式改變，但工作本身仍會繼續，甚至可能使全民基本收入的出現時間比原先想像更晚。
B. 社群、AI 與人的投資研究分工
1. 最新訊號仍以社群媒體較有效率
若要知道近期發生什麼事情，直接瀏覽經過整理的 X、Facebook 等社群動態，通常比逐題詢問 AI 更快。X 適合追蹤即時資訊；Facebook 的資訊流也能透過追蹤與刪除來源逐步客製化。Threads 雖然同樣有即時內容，但個人使用感受是雜訊較多、心理負擔較大。
盤中事件、突發消息與交易靈感，仍先從社群或即時推播取得，再自行過濾真假。AI 若只是重新搜尋同一批公開資訊，不一定比已整理好的社群資訊流有效，還可能額外耗費時間與 token。
對剛進入市場的人而言，單靠 AI 搜尋公開資訊，也較難建立微觀標的上的即時優勢。公開資料足以辨認長期大趨勢，但特殊標的、新題材力度與早期變化，仍需要專有資訊來源及長期累積的產業敏感度。
2. AI 最有感的用途是財報與產業研究
目前主要使用 Perplexity Computer，並經常選用 Anthropic 的 Claude Fable 5；Computer 也能透過 orchestrator 調度不同模型。Perplexity 官方模型說明
AI 特別適合閱讀財報、年報、抓取關鍵數字，以及建立不同情境。題材股研究經常跨越不熟悉的產業，同一個「合約資產」、「合約負債」或收貨、交款時間，在不同產業與客戶結構下可能有不同意義。過去需要自行翻找並比對產業特性，現在只要給予適當框架，強模型便能快速指出閱讀重點。
不過，熟悉且格式固定的資料不必一律交給 AI。例如已經知道關鍵字與資料位置時，直接使用 Ctrl+F 往往比等 AI 重新讀檔、確認需求更快。是否使用 AI，仍要比較時間、費用與研究效益，而不是盲目追求所有流程自動化。
Claude Fable 5 的分析表現不錯，但使用時仍須留意模型可能過度相信自己的答案。模型能力、提示引導與人工核對都不可省略。
3. 盤中工作流仍由人啟動
目前的研究流程是先在市場中尋找正在發生的故事，而不是無目的地要求 AI 推薦標的：
- 先用人的眼睛觀察量價、突破、族群強弱與事件驅動。
- 找到異常訊號後，請 AI 快速整理產業全貌。
- 再讓 AI 搜尋專門建立的 Google Drive，調出過去保存的報告與 memo。
- 密集追問產業、產品、公司數字及不同情境。
- 查看社群是否已有大量討論，判斷資訊擁擠度。
- 比較自己的理解、估值與分析師或市場預期之間是否仍有落差。
- 最後由自己決定是否下單。
例如 NVIDIA（NVDA）的 800 VDC 資料中心電力架構白皮書，雖然沒有帶動整個相關族群，仍讓少部分股票出現明顯反應。NVIDIA 800 VDC 架構
近期記憶體市場也有「12、8、甚至4」的變化討論，但逐字稿沒有清楚交代其單位與具體指標，因此此處保留為待確認，不自行補成特定規格或價格結論。
目前約有三至五成買賣帶有盤中即興決策的成分：先看到訊號，立刻查資料、詢問 AI、檢查社群與估值，再決定是否進場。以前可能先買、盤後再慢慢研究；現在後端研究有機會在十至二十分鐘內完成，但最重要的環節仍可能是最初的訊號辨識、型態判斷、籌碼投入與市場是否出現跟進資金。
C. 人機混合模式與風險邊界
1. AI 更像每個人都有的 Jarvis
AI 像是替每位投資人配備一名 Jarvis：它可以準備資料、整理公式、製作速記本，協助使用者更有準備地進入市場。但當大多數競爭者都有同一類管家時，擁有管家本身就不再構成決定性的優勢。
真正進入市場後，仍要由人判斷買盤是否持續、賣壓大小、資金容量及部位規模。AI 加快的是後端分析，最終扣扳機的人仍是自己。
這也使市場看起來可能比以前更有效率：部分資訊在過去不應該一次反映那麼多，現在卻可能先快速上漲、一次消化預期。即使擁有資訊優勢，也可能因為反應得太慢，反而在後續交易中受傷；市場節奏因此變得更快。
2. 研究透徹仍不能抵銷過度槓桿
AI 可以增加下單前的踏實感，讓原本「先買再研究」的流程變得更有依據，但這種信心有時也帶有安慰劑效應。即使產業、估值與買點都研究得很完整，行情不如預期時，仍可能需要停損或減碼。
Leopold Aschenbrenner 對 AI 的理解相當深入，但其 Situational Awareness 基金仍因集中部位與高槓桿，在 AI 股票回落時遭遇重大損失。這個案例說明，研究深度不能保護過度槓桿；只要部位放得太大，依然可能爆掉。Forbes 報導
反過來說，若不使用高槓桿，拉長時間後的績效也可能只與半導體指數接近，或僅略微領先；若同時投入指數等級的 AI 工具成本，最後是否划算仍要打上問號。
3. 下一步是把感覺轉為可重複的方法
過去十多年的交易經驗與盤感表現不錯，但不能確定未來十、二十年仍會有效，也不能排除過去剛好是個人生涯的高峰期。因此，下一階段希望研究量化交易朋友的做法，嘗試把依賴感覺的訊號辨識，轉化為可以衡量、驗證及重複實踐的條件。
短期內不會全面倒向人工或 AI，而是持續尋找混合模式：由人辨認盤中訊號、判斷量價與執行交易，由 AI 負責快速閱讀、整理與情境分析。若未來低延遲的視覺 AI 能即時理解螢幕與現實環境，生活翻譯及投資工作流的效益還可能進一步提高，但目前仍無法保證能帶來多少績效或時間自由。