谁在何处对冲？

本期内容：

• 谁在哪里对冲？——大多数基金并非唯一投资对象，因此值得考虑投资者的独特偏好。如果你担心人工智能，无论是因为它威胁到你自己的企业，还是对全人类的威胁，你可能会得出结论：如果人工智能加速，投资回报更多是对冲，而非绝对回报的来源。
• 机器人广告——企业能够将金钱转化为消费者认知的改变，这大概是个承载性因素。
• 真实性——如果AI在A/B测试中获胜，选择不使用它仍然是明智的决策。
• AI竞赛——OpenAI在相对意义上有所放缓，但这也意味着他们有了更明显的战略回应。
• 优先争议——数学家加入了软件开发者中较为令人不安的工作类别，在那里提出正确的问题极具价值，因为人类不再能提供最佳答案。
• 使命——你可以通过降低薪酬来解决雇佣兵问题，但这也意味着你面临更难的难题——如何合理化这些薪酬体系。

在Read.Haus上讨论这篇帖子.

谁在哪里对冲？

看待情境感知的一个有趣角度是，它实际上在做它应该做的事情。假设你是一个非常富有的人，像许多近来的富人一样，通过擅长指挥电脑做事，又擅长指挥别人如何使用电脑，最终你拥有了相当可观的净资产，拥有某种科技公司的所有权。

你可能面临的一个问题——那种“第一世界”前0.01%的问题——是随着人工智能的进步和新的技能激增，可能会突然让这个行业完全失去可行性。

这些人大多数仍然富有，但最不有趣的百万富翁形式是曾经的亿万富翁。

所以他们要么花大量时间担心AI会吞噬他们的经济细分市场，要么选择对冲。其中一个对策是采纳它，我猜如果福布斯400如果有个人代币消费排行榜，情境感知的LP会排在前列。

并且要在福布斯400首先，是赚到的钱超过了你能花在自己身上的钱，并且要继续前行。这些人很有竞争心！

他们中的一些属于另一类：他们对人工智能非常看好，因为他们能像任何人一样推算出曲棍球棒的能力图表，担心有一天有人谷歌“克利夫兰人口”，人工智能发现不可能准确统计所有这些人，于是它掌控核武器或合成一种新型病原体，然后自豪地宣布： “工作了4小时7分33秒：零。”这类投资者，尤其是在快速起飞的情况下，希望在人工智能发展过于顺利的情况下拥有最大的财务资源，如果有办法通过投入大量资金来降低人类灭绝风险，他们就有能力做到。

因此，这些投资者可以做的一件事是将资金配置到一个杠杆性很高的策略上，从他们的角度来看，这为特定结果提供了针对对他们不利的特定对冲方案。

尾风险对冲作为一种策略，有一些奇特的特点：

1. 根据对冲的风险，投资者可能会想要这些树篱收获很差。灾难成本越高，越可能带来一些意想不到的负面后果。所以被对冲的风险越大，越可能仍然处于对冲不足状态。
2. 这类策略即使本身预期值为负，也能提升投资组合收益。这又回到了条件问题：持续大幅出价指数看跌期权的一个原因是，在2020年3月或2025年4月这样的时期，你的投资组合不会大幅下跌，但另一个原因是这样的抛售对流动性提供者和选股者来说是一场丰厚的盛宴。利差宽大且成交量紧张，因此能够持续做市的交易者将获得丰厚利润，尽管波动比平时更大。在大规模抛售期间，人们并不总是能预测哪些公司才是真正的受益者：波音在解放日后两天内下跌了19%，但关税宣布两个月后下跌了25%。上图而是解放日前的价格，因为投资者发现这些关税是由一位相当字面化的总统谈判的，他也喜欢美国的全球知名品牌——考虑到他本身就是这样，这多少有点裙带关系——而且向波音下达大订单，是现在降关的好方法，条件是承诺2029年1月之后花钱。同样，Peloton在新冠疫情爆发时一个月内下跌了三分之一，到2020年5月时交易达到历史新高。

事后看这些都没问题，但很大程度上取决于投资者是否认为自己得到了这样的结果。[1]这也引出了一个更广泛的问题：谁在对冲，为什么要这样做。

全球净100%持有股票和房地产，债务和大多数衍生品的净持平。[2]因此，有些风险无法完全对冲，而另一些则自然会在整体上被对冲。

一条有用的商人智慧，来源交易法则你只应该承担你被付钱承担的风险，其他风险就要对冲。这是一个相当有力的理念，因为它告诉你，如果有某些本来有吸引力的机会，但对冲相关风险的成本很高，这就是这个机会吸引人的原因.如果你买指数基金，你会因为持有股票而获得报酬，同时还要面对偶尔与失业风险相伴的资本损失，因为理性经济主体需要为此承担一个令人烦恼的风险。

另一个原因，更适用于专业资金管理人而非普通人，是对冲风险不仅更容易衡量（从而补偿）回报，也让研究过程获得了更多上涨空间。

你可以想象这样一种结构：投资组合经理持有他们强烈认同的仓位，基金本身对冲他们对特定行业、动量等的敞口，以实现纯阿尔法。但这至少有三个缺点：

1. 如果对冲是集中进行的，那么投资组合经理就没有被适当地收取基差风险费用，也就是说，对冲没有达到预期表现，或者负责对冲的人犯了某些本可避免的错误。而投资组合经理绝对会厌恶一个即使不是他们的错却被收取这种损失费用的系统。
2. 如果你只看某只股票，却找不到方法对冲该仓位的其他风险——你别这样要有单一股票的视角，仅仅是你拒绝对冲的因素。
3. 在基本面股票中，人们往往对自己舒适的配置类型有自然偏见。有些投资者擅长承保增长、识别骗局、评估隐藏资产等。这通常会让他们站在某一侧。但是，如果你在保险公司里寻找欺诈行为，你也会发现非欺诈者报告的透明度存在一定差异;持有某物时，仅仅因为其长期自由现金流相对于EBITDA高于同行，这并不令人兴奋;而当你发现其报告的盈利明显超过实际业务的收入时，做空却非常令人兴奋。强迫投资组合经理做多头和做空头，意味着他们从已有的研究中获得更多上涨空间。

风险管理的最大目标是最大化风险调整后的回报，首先是最小化这些回报达到-100%的概率，并最大化每单位风险的回报。但它的另一个功能是确保投资经理的报酬与他们创造的价值成比例，有时有些人追求的特定回报流是奇怪的。

1. 正如迈克尔·伯里曾经发现的，投资者不喜欢资金悄悄流向押注黑天鹅，即使赌注结果正确。↩︎
2. 根据情况特殊性当该说法应用于商品期货时，则显得不那么连贯。“现在世界上有多少石油？”这个问题并不连贯，也不是人们真正想知道答案的。他们想知道的是某个时间点能向某个地点送达多少货物。目前油轮和储油罐中的石油数量太低，全球所有石油储备的总规模远远过高。股票和债券接近纯抽象，而商品期货则是基于实体结算的抽象。↩︎

你在免费名单上差异.上周，付费订阅者阅读了催化剂在投资中的作用($),在线健身影响者媒体如何成为一切的领先指标（$），以及关于情境感知的思考($).今天升级即可获得完整访问权限。

现今升级

不同职位

公司差异网络正在积极寻找人才。以下是目前部分空缺职位的示例：

• 那些帮助高技术组织自主测试和调试复杂代码库的高速成长初创公司正在寻找能够亲自执行SaaS熊案例的人：审查他们使用的第三方软件，决定哪些保留，哪些放弃，哪些内部实现。如果你是一名对人工智能转型感兴趣的初级工程师，这是一个很好的机会。（旧金山，华盛顿特区，伦敦）
• 资金充足、处于前沿领域的人工智能新实验室，致力于视频预训练和计算机动作模型，作为通向通用智能的道路，正在寻找那些热衷于创造从经验中学习而非文本的机器的研究人员。理想情况下，你要么是零到一的预培训经验，要么是高斜率的通才，对大型实验室不做这类工作感到沮丧。（科幻）
• Lightspeed支持的团队正在打造未来的工程服务公司，正在寻找能够与土木工程师携手合作，将他们的领域专长转化为驱动下一个伟大美国基础设施时代的操作系统的技术创始成员。如果你是一名拥有强烈产品直觉的工程师，因用户接触而充满活力，并对用前沿人工智能改变设计和构建构建世界的方式感到兴奋，这本书非常适合你。（纽约、旧金山或偏远）
• 前Anduril、前Abnormal Security、前Bridgewater的这家快速成长的初创公司通过MSP为99%的企业带来了代理型网络安全，正在寻找平台和机器学习工程师。优先考虑创业经验;最重要的是你这几年范围的扩大，也处理了模糊性。（科幻）
• 一家有志构建经济世界模型以管理私营、无结构经济的人工智能转型公司，正在寻找懂得解决问题的系统工程师、平台工程师和商业通才。

即使你目前还没有完全匹配你的技能和兴趣，我们也很乐意尽早沟通，以便有合适的机会时及时通知你。

寻找职位

如果你在一家正在寻找人才的公司，我们应该好好谈谈！Diff Jobs与金融科技、硬科技、消费软件、企业软件及其他领域的公司合作——任何将寻找异常高效人才作为首要任务的公司。

通过不同职位寻找人才

此外：我们现在正积极向早期公司投入资金，通过以下方式异常现象.我们的重点是国防、物流、机器人和能源。如果你想聊聊，请联系我。

联系异常

其他地区

机器人广告

时间杂志以Markdown格式向AI提供部分内容，正在文章中添加信息量大的广告.一方面，这感觉像是货物崇拜，因为大型语言模型能识别广告，没有动力将它们与文章内容混合在回答中，可能还希望大语言模型广告的收入能归自己所有。

另一方面，时间基本上是在把自己的新闻声誉押在广告质量上，这至少让他们有动力去关注广告主的准确性。品牌之所以被特定方式看待，部分原因是他们为这种形象买单，但如果广告至少在方向上正确，通常能获得更高的投资回报。

因此，为了让大型语言模型捕捉时代精神并保持向后兼容性，它可能应该保留某种方式让广告主将资金转化为品牌认知，尽管这种方式在堆栈中的位置仍是个悬而未决的问题。

真实性

Facebook作为一个在线社区的早期差异化点实际上是它回溯到永恒九月事件之前的规范：每个人的身份都与高等教育机构相关，并且以真实姓名为标识。

这实际上意味着他们在MySpace上省略了一个功能，比如人们可以创建笑话账号、宠物账号等。这意味着Facebook实际上更注重社交，而MySpace则更偏向媒体。

社交是正确的选择。所以，Snap不会在Spotlight推荐中突出纯AI视频.AI内容显然赢得了一些A/B测试，因为它越来越常见，但观众通常是偶然发现的，而不是刻意去寻找。

Snap试图做一些Facebook早在很久以前所做的事;成为人们想要真实关系时第一个关注的社交媒体平台。

披露：做多META，SNAP。

人工智能竞赛

差异曾论证过，人工智能领导力自然会摇摆不定，因为最后一个成功产品的回报反而被计算所限制得更多。这意味着训练下一个模型的基础设施更少。

但还有另一种动态：当出现某种新的形态，比如代理时，需要追赶的人可能会对它做出更多推断，尤其是对早期用户来说。因此，实验室可以在相对短的时间内推出一款强硬强行超越竞争对手的产品。

至少在这种方法获胜之前，以及在某些情况下，某些类别的市场份额较小，挑战者有空间在推理上超过现有企业。我们可能会继续看到这些故事，[就像这个在《华尔街日报》这表明OpenAI的减速已经达到底线]（（https://www.wsj.com/tech/ai/how-openai-lost-its-ai-crownand-the-fight-to-win-it-back-7d069695?st=KhR6t6&reflink=desktopwebshare_permalink) ($,《华尔街日报》).成为顶尖AI实验室非常难，所以没人能坚持太久。

优先权争议

针对同一问题，有两份不同的GPT-5.6辅助证明相隔数小时发布.看待人工智能在特定任务层面的发展，一种方式是：有一个阶段，人工智能大多无法独立处理任务，有一个阶段问题基本解决，而在中间某个阶段，能够提出正确的问题并引出正确的答案是极其宝贵的。

对于编程来说，这一路走得很长——正如人工智能出现前程序员的薪资所显示的，全球普遍存在代码短缺的问题。在纯数学领域，开放问题周围充斥着对相邻问题的符号性研究，或是解决原问题失败的尝试，因此发现有很多低垂的成果。

尽管研究人员担心他们的领域正在被解决，但他们也处于非常特权的位置，知道哪些重要的未解问题，可能对哪些问题最近没有受到太多关注，并且在评估结果方面有远超平均水平的能力。

（这可能比平时慢一些，出于文化原因：通常，有人说“我觉得我解决了一个很大的悬而未决的问题，但我不完全确定我理解了我的解决方案”，那就是发邮件的疯狂到一个学者，而不是说模型产生的精益代码中看不到具体缺陷的学者。）

使命

关于人工智能研究的劳动力市场，有一件奇怪的事情是：

1. 对许多参与者来说，人工智能是人类历史的核心，而当今实验室所做的决策决定了我们的未来是难以想象地美好，还是我们都被消灭了。
2. 他们是历史上最大资本支出建设的稀缺补充，雇主也不合理地节省成本，因此他们也是历史上薪酬最高的人之一。

把这些因素挤在一起，实验室之间的流动率很高，部分原因是人们会稍微调整优先级，部分原因是实验室本身有时会做出一些担心生存风险的人会敏感的决策（或错误）。

人为很担心他们加入是因为薪水高，而不是因为相信使命，这对他们中的一些人来说大概是真的。但Anthropic对这其中一半的问题有个相当简单的答案：他们可以通过制定从不提出最慷慨的报酬政策，确保员工不会纯粹是雇佣兵。

此时，他们必须优化成为最注重安全的模糊目标——以及那如果策略奏效，他们以更低成本获得人才，这意味着他们能够生产出更有能力的模型，而这些模型偶尔会带来新颖且有时令人恐惧的安全问题。