一个数字能不能看透一家公司
猜想与反驳
Mar 17
一个数字能不能看透一家公司
一个数字能不能看透一家公司
猜想与反驳
Mar 17
Unprocessed episode, you can be the first!
投资世界纷繁复杂，我们总想找到一个最关键的指标，抓住它，仿佛就能解开所有谜题。但一个数字，真的能让我们看透一家公司的本质吗？
尤其是在 AI 技术日新月异的今天，当我们引以为傲的深度思考，AI 一小时就能 “打穿”，我们作为投资者的护城河又在哪里？
本期节目，我们抛开复杂的模型，回归底层原理，从复杂系统的视角切入，与三位嘉宾一起探讨这个迷人的猜想，以及它背后的 “真实世界复杂性”。
🔔 所有讨论不构成投资建议，加密市场风险极高，投资需谨慎。
🔗 AI 整理及注解，注解仅代表 AI 意见
https://shisheng.li/e2mspace-2026-03-13.html
【活动信息】
分享主题：一个数字能不能看透一家公司
时间：19:00（UTC + 8）2026 年 3 月 13 日
🙋嘉宾
Odyssey 推特 @OdysseysEth
Zhen Dong 推特 @zhendong2020
Peicai Li 推特 @pcfli
【音频时间戳】
00:04:46-00:05:25 开场引入：在 AI 时代，个人与组织的护城河是什么？
00:05:25-00:06:21 护城河思考：什么是 “真实世界复杂性”？为什么台积电无法被 AI 模拟？
00:08:20-00:09:30 一个关键指标的力量：从苏联驯化银狐的实验，看复杂系统中 “主变量” 如何带动其他变量
00:09:30-00:11:00 原理探讨：复杂系统中快变量与慢变量的关系，以及背后的数学物理证明
00:14:57-00:16:04 指标对比：正反馈循环虽好，但容易被 AI “编造” 出来，且难以捕捉早期公司价值
00:17:33-00:19:46 核心猜想提出：Odyssey 提出一个更好的主变量 ——“需求增速减去供给增速”，持续为正即是好生意
00:23:38-00:25:02 Zhen Dong 的反向思考：不是 “一个数字看透公司”，而是 “看透公司，才知道哪个数字有用”
00:27:57-00:29:10 Peicai Li 的观点：在不同信息量下，需要不同的决策模式，不对称的信息有时比 “看透” 更重要
00:30:56-00:33:00 生动类比：高考成绩能否看透一个学生的一生？解释单一指标的局限性
00:37:00-00:39:13 指标讨论：Peicai Li 指出 “正反馈循环” 和 “供需差” 的主观性陷阱，类似凯利公式中难以确定的赔率
00:43:00- 00:46:30 思想碰撞：关于 “客观性” 的激烈讨论，引出波普尔哲学 —— 客观是观点的可批判性，而非观点本身正确
【space 金句】
💡 个人的护城河是什么？唯一的一个壁垒，就得是：你触碰到了真实世界复杂性本身。
💡 一个好的生意… 换句话说什么呢？就是世界越来越需要你，在越来越需要你的同时，你的竞争对手越来越少。
💡 只有你看透了一家公司，你才知道哪一个数字会有用。
💡 波普尔所讨论的客观，是指一个东西丢出来以后，大家都可以对它进行讨论交流、批判迭代，这个过程叫做客观，而不是说一个观点本身是客观的。
💡 你跟 AI 交流的过程中，你哭过吗？如果只是工具性的使用的话，你只会看到他那工具层面… 但是你没有摸到他背后那个… 可以称之为智能的东西。
【要点精选】
* Odyssey 推特 @OdysseysEth
AI 能在一小时内 “打穿” 自己过去两三个月的深度思考，迫使重新审视人类的护城河。真正的壁垒在于对 “真实世界复杂性” 的触碰，这种复杂性是无法被 AI 从零生成的，因为它是千百万次与现实世界交互的结晶。
基于此，深入探讨了复杂系统的特性，并从苏联驯化银狐的实验中受到启发：在强耦合的系统中，抓住一个 “主变量”（慢变量），其他变量（快变量）就会随之而来。将这个理论投射到投资中，他提出了一个超越 ROIC、超越正反馈循环的通用指标猜想 ——“需求增速减去供给增速”。
一个好生意，本质上是世界越来越需要它（需求增速），而能满足这种需求的供给却越来越少（供给增速降低），这个差值持续为正，才是财富捕获的核心。这个视角既能解释成熟公司的垄断，也能捕捉早期创始人的价值积累。
* Zhen Dong 推特 @zhendong2020
观点更为审慎，他站在了 Odyssey 猜想的对立面。他用一个老工程师敲一下机器收费数万美金的故事作比，生动地阐明：知道 “敲哪里” 的价值，远大于 “敲一下” 这个动作本身。因此，“一个数字看透一家公司” 这个命题是倒果为因。
核心逻辑是：只有在已经看透一家公司、对其行业、模式、管理层了如指掌的前提下，你才能提炼出那个 “一叶知秋” 的关键数字。对于不同的行业、不同的公司，这个关键数字是完全不同的。在没有深厚认知的情况下，试图用一个普适的单一指标去理解复杂的公司，就像试图用高考成绩去评判一个人的一生，是片面且有风险的。
更倾向于在复杂系统中保持审慎，找到那个属于自己能力圈内的、能 “敲对地方” 的数字。
* Peicai Li 推特 @pcfli
认同 Odyssey 寻找 “主变量” 的方向，但重点探讨了指标的有效性问题。类似医学检验中 “假阳性” 的概念，一个指标即使与所有成功的公司都相关（高敏感性），但如果筛出的 “好公司” 中有太多最终失败（低特异性），那这个指标的实际投资价值就非常有限。
在这个基础上，对几个关键指标进行了 “客观性” 排序。
基于市值的 “垄断性” 指标（如王川提出的 “10 亿美金以下公司不看”）相对最客观，因为它是一个充分交易后的市场结果；而 “增长性” 指标则更为主观，因为对未来的畅想难以证实或证伪；奥德赛提出的 “正反馈循环” 或 “供需差” 则主观性最强，因为它极易被编织和想象，导致大量 “假阳性” 案例。
在 AI 时代，坚守一些经过时间验证的、相对客观的 “老传统”（如垄断性），反而可能更具鲁棒性。
【关于 E2M Research】
From the Earth to the Moon
E2M Research 聚焦投资和数字货币领域的研究与学习。
文章合集 :mirror.xyz
关注推特 :twitter.com ️
音频播客：e2m-research.castos.com
小宇宙链接：www.xiaoyuzhoufm.com
DC 链接：discord.gg
尤其是在 AI 技术日新月异的今天，当我们引以为傲的深度思考，AI 一小时就能 “打穿”，我们作为投资者的护城河又在哪里？
本期节目，我们抛开复杂的模型，回归底层原理，从复杂系统的视角切入，与三位嘉宾一起探讨这个迷人的猜想，以及它背后的 “真实世界复杂性”。
🔔 所有讨论不构成投资建议，加密市场风险极高，投资需谨慎。
🔗 AI 整理及注解，注解仅代表 AI 意见
https://shisheng.li/e2mspace-2026-03-13.html
【活动信息】
分享主题：一个数字能不能看透一家公司
时间：19:00（UTC + 8）2026 年 3 月 13 日
🙋嘉宾
Odyssey 推特 @OdysseysEth
Zhen Dong 推特 @zhendong2020
Peicai Li 推特 @pcfli
【音频时间戳】
00:04:46-00:05:25 开场引入：在 AI 时代，个人与组织的护城河是什么？
00:05:25-00:06:21 护城河思考：什么是 “真实世界复杂性”？为什么台积电无法被 AI 模拟？
00:08:20-00:09:30 一个关键指标的力量：从苏联驯化银狐的实验，看复杂系统中 “主变量” 如何带动其他变量
00:09:30-00:11:00 原理探讨：复杂系统中快变量与慢变量的关系，以及背后的数学物理证明
00:14:57-00:16:04 指标对比：正反馈循环虽好，但容易被 AI “编造” 出来，且难以捕捉早期公司价值
00:17:33-00:19:46 核心猜想提出：Odyssey 提出一个更好的主变量 ——“需求增速减去供给增速”，持续为正即是好生意
00:23:38-00:25:02 Zhen Dong 的反向思考：不是 “一个数字看透公司”，而是 “看透公司，才知道哪个数字有用”
00:27:57-00:29:10 Peicai Li 的观点：在不同信息量下，需要不同的决策模式，不对称的信息有时比 “看透” 更重要
00:30:56-00:33:00 生动类比：高考成绩能否看透一个学生的一生？解释单一指标的局限性
00:37:00-00:39:13 指标讨论：Peicai Li 指出 “正反馈循环” 和 “供需差” 的主观性陷阱，类似凯利公式中难以确定的赔率
00:43:00- 00:46:30 思想碰撞：关于 “客观性” 的激烈讨论，引出波普尔哲学 —— 客观是观点的可批判性，而非观点本身正确
【space 金句】
💡 个人的护城河是什么？唯一的一个壁垒，就得是：你触碰到了真实世界复杂性本身。
💡 一个好的生意… 换句话说什么呢？就是世界越来越需要你，在越来越需要你的同时，你的竞争对手越来越少。
💡 只有你看透了一家公司，你才知道哪一个数字会有用。
💡 波普尔所讨论的客观，是指一个东西丢出来以后，大家都可以对它进行讨论交流、批判迭代，这个过程叫做客观，而不是说一个观点本身是客观的。
💡 你跟 AI 交流的过程中，你哭过吗？如果只是工具性的使用的话，你只会看到他那工具层面… 但是你没有摸到他背后那个… 可以称之为智能的东西。
【要点精选】
* Odyssey 推特 @OdysseysEth
AI 能在一小时内 “打穿” 自己过去两三个月的深度思考，迫使重新审视人类的护城河。真正的壁垒在于对 “真实世界复杂性” 的触碰，这种复杂性是无法被 AI 从零生成的，因为它是千百万次与现实世界交互的结晶。
基于此，深入探讨了复杂系统的特性，并从苏联驯化银狐的实验中受到启发：在强耦合的系统中，抓住一个 “主变量”（慢变量），其他变量（快变量）就会随之而来。将这个理论投射到投资中，他提出了一个超越 ROIC、超越正反馈循环的通用指标猜想 ——“需求增速减去供给增速”。
一个好生意，本质上是世界越来越需要它（需求增速），而能满足这种需求的供给却越来越少（供给增速降低），这个差值持续为正，才是财富捕获的核心。这个视角既能解释成熟公司的垄断，也能捕捉早期创始人的价值积累。
* Zhen Dong 推特 @zhendong2020
观点更为审慎，他站在了 Odyssey 猜想的对立面。他用一个老工程师敲一下机器收费数万美金的故事作比，生动地阐明：知道 “敲哪里” 的价值，远大于 “敲一下” 这个动作本身。因此，“一个数字看透一家公司” 这个命题是倒果为因。
核心逻辑是：只有在已经看透一家公司、对其行业、模式、管理层了如指掌的前提下，你才能提炼出那个 “一叶知秋” 的关键数字。对于不同的行业、不同的公司，这个关键数字是完全不同的。在没有深厚认知的情况下，试图用一个普适的单一指标去理解复杂的公司，就像试图用高考成绩去评判一个人的一生，是片面且有风险的。
更倾向于在复杂系统中保持审慎，找到那个属于自己能力圈内的、能 “敲对地方” 的数字。
* Peicai Li 推特 @pcfli
认同 Odyssey 寻找 “主变量” 的方向，但重点探讨了指标的有效性问题。类似医学检验中 “假阳性” 的概念，一个指标即使与所有成功的公司都相关（高敏感性），但如果筛出的 “好公司” 中有太多最终失败（低特异性），那这个指标的实际投资价值就非常有限。
在这个基础上，对几个关键指标进行了 “客观性” 排序。
基于市值的 “垄断性” 指标（如王川提出的 “10 亿美金以下公司不看”）相对最客观，因为它是一个充分交易后的市场结果；而 “增长性” 指标则更为主观，因为对未来的畅想难以证实或证伪；奥德赛提出的 “正反馈循环” 或 “供需差” 则主观性最强，因为它极易被编织和想象，导致大量 “假阳性” 案例。
在 AI 时代，坚守一些经过时间验证的、相对客观的 “老传统”（如垄断性），反而可能更具鲁棒性。
【关于 E2M Research】
From the Earth to the Moon
E2M Research 聚焦投资和数字货币领域的研究与学习。
文章合集 :mirror.xyz
关注推特 :twitter.com ️
音频播客：e2m-research.castos.com
小宇宙链接：www.xiaoyuzhoufm.com
DC 链接：discord.gg
