Martin Shkreli谈量子泡沫、AI算力、制药资产与聪明人的自我误判

一、嘉宾背景

这期节目是All-In Podcast对Martin Shkreli的集中访谈，主持阵容在元数据中列为Chamath、Jason、Sacks和Friedberg。节目标题把主题压缩为三个方向：大药厂的盲点、做空量子计算，以及监狱教给他的东西；时长记录为1516秒，约二十五分钟多一点。因此，它不是一场漫长的传记式访谈，而是一次密集的观点交锋。

嘉宾背景需要双重读取。索引给出的身份是对冲基金经理、前制药高管，节目也明确说这是一集围绕Martin Shkreli展开的访谈。开场没有回避他的公众标签：主持人提到他曾被称为“美国最讨厌的人”，与救命药涨价、七年监禁和购买Wu-Tang Clan孤本专辑相关。这些标签构成节目入口，但正文真正讨论的不是旧案复述，而是让他以投资人、制药资产操盘者和刑后反思者的身份解释自己的判断框架。

因此，本文处理Shkreli时，不会把他当作单纯技术专家，也不会把他的争议过往当作自动否定所有论点的理由。他在节目中的价值来自一种特殊交叉位置：懂金融市场叙事，熟悉药物资产再开发，也愿意用很强的语言挑战量子计算和AI安全叙事。相应的限制也很清楚：许多数字、案例和预测都是他的节目发言，尤其涉及公司价值、药物市场和未来十年AI药物发现时，必须作为可分析的观点，而不是外部事实结论。

二、本期主要内容

节目从量子计算切入。Shkreli先交代妻子Chelsea的背景：她在MIT学习，曾与Scott Aaronson教授量子计算，并花了很多时间向他解释这个领域。借这个入口，他提出整集最锋利的判断之一：公众和市场把量子计算误解成“更快的通用计算”，但他认为，它真正可解释的优势集中在非常窄的一类算法问题上。

随后，讨论转向商业化与投资。主持人替量子行业提出反方：也许现在只是类似晶体管早期的阶段，今天看起来粗糙，不代表未来不能发展出门电路、逻辑、操作系统和软件栈。Shkreli承认这种可能性，却把问题拉回“能不能成为好生意”。他用穿孔卡、真空管、汞延迟线和磁芯存储等计算史路线说明，技术史上重要的东西不一定是好股票；他还称自己和Chelsea试遍世界上的量子计算机，也无法完成300乘以200这样的简单乘法，并承认自己做空量子计算公司已经亏了数百万美元。

第二条主线是AI算力。他把AI计算简化为大量矩阵乘法，认为GPU优势就在这里，并因为看到Microsoft关于模拟光计算的Nature论文而关注光子矩阵乘法核心。他提到Neurophos、Opticore和Lumai等创业公司，但同时承认非线性和存储仍是关键工程问题。第三条主线是制药：他回顾自己16岁进入Jim Cramer的对冲基金、研究基因组学，后来发现自己更适合创业和私募式资产发现；他把制药机会描述为在大公司忽视的分子权益中寻找错配，再通过适应症和监管路径重新开发。

最后，节目把AI市场、AI安全争论和个人反思连在一起。Shkreli一方面反对Dario Amodei和有效利他主义式的末日叙事，尤其否定AI会在短期内神奇改变药物发现；另一方面又认为智能和工作的需求几乎无限，AI经济可类比互联网。收尾处，主持人让他谈Sam Bankman-Fried、Elizabeth Holmes等聪明人为何越界，他把答案落在身份压力上：聪明人可能被“必须证明伟大”的心理负担绑架，而他自己也把入狱部分归因于无法承认自己不是最好的对冲基金经理。

三、核心观点：推理、例子与边界

Shkreli对量子计算的核心论证，并不是“量子永远无用”，而是反对把它包装成通用高速计算。他说，量子计算最有冲击力的地方，是整数分解、椭圆曲线离散对数这类问题可以从指数时间降到多项式时间；这对密码学和复杂性理论当然重要，但不等于它能替代GPU、CPU或数据中心。他用排序一副牌来说明这种差别：很多人会直觉地认为量子机更快，但在这类任务上，当前量子机器的时钟速度只有数百到数千赫兹，而且更像单核单线程设备。再加上他所说的缺少类似量子RAM的存储能力、输入规模必须很小，量子计算在他的叙述里就不是“更快的Nvidia”，而是一种只在少数数学结构上显示优势的机器。

这个观点的推理强度，在于它把“理论加速”“特定算法加速”和“商业通用加速”拆开了。主持人提出早期技术的反方时，Shkreli没有否认未来可能性，而是把争论拉回投资时点和商业模式：穿孔卡、真空管、汞延迟线、磁芯存储都曾是计算史上的真实路线，但投资者未必能从这些早期形态中赚钱。他说Google、IBM、Microsoft每年在量子方向投入数亿美元，常见理由是“未来也许会有东西出来”；这对科研可以成立，对他作为投资人却不是好生意。限制也在这里：节目证据支持的是Shkreli的投资怀疑，而不是独立证明量子产业没有未来。他自己也承认做空量子计算公司亏了数百万美元，说明市场时点、叙事动能和技术真伪并不总是同步。

在AI算力上，他的框架更像是“不要盯着品牌，要盯着计算原语”。Shkreli说人们谈AI时，他想到的是matmul；GPU几乎所有时间都在做矩阵乘法，而一千乘一千的方阵相乘会变成十亿级操作。他由此关注模拟光计算和光子矩阵乘法，认为如果用光做matmul能成立，可能挑战Nvidia路线。但他也给出重要保留：非线性、存储等细节没有在节目中被证明已经解决。因此，这不是“光子计算已经胜出”的结论，而是一个围绕瓶颈建立的投资假说：如果Transformer效率出现数量级提升，Nvidia可能承压；如果Jevons悖论继续推高需求，半导体仍可能受益。Shkreli自己也说当前仍做多半导体，这让他的观点不是简单看空，而是对长期算力形态保持怀疑。

制药部分展示了他最有经验的领域，也最需要读者区分“方法论”和“自述数字”。Shkreli说公开股票市场相对有效，但分子资产市场存在大量alpha；他的工作方式是读论文、专利，拜访大学、小药企和大药企，建立业务发展关系。他举Sparsentan为例：Bristol原本开发它用于高血压，他们转向FSGS，一个此前没有获批药物的疾病，后来药物获得FDA批准。这个例子支持的核心观点是，药物价值不只在分子本身，也在适应症选择、临床路径、监管机会和商业开发能力。但他关于两百万美元买入、相关上市公司后来达到六十亿美元市值等说法，在本证据集中只是节目发言，不能写成经外部验证的投资事实。

他对AI药物发现的怀疑，也来自这个制药经验框架。他说自己曾用Cray集群分析药物，现在也能用GPU，但不认为AI对药物发现帮助很大，并断言未来十年不会有一个AI相关药物。这一判断有启发性，因为它提醒人们，药物研发的难点不只是计算：机制理解、适应症选择、临床试验、监管和真实疗效，都不是单靠模型生成就能绕过的。然而限制同样明显：节目没有提供行业数据来证明这个十年预测，Shkreli也可能低估AI在靶点识别、文献筛选、试验设计或分子优化中的局部价值。更稳妥的读法是：AI药物发现不能被当作“按下按钮就治愈疾病”的叙事，但也不能仅凭这次访谈就判定其没有商业价值。

关于AI经济，Shkreli同时反恐慌，也反低估。他批评Dario Amodei和有效利他主义式风险叙事，认为现在的软件AI不是世界末日，真正更该担心的是未来可能出现的物理AI；但他又说AI是最重要的软件，智能和工作的需求几乎无限。他把AI类比互联网：基础设施公司会赚到一部分钱，但消费者和企业可能是最大赢家。这个判断的关键不在于“所有AI股都值得买”，而在于投资者要判断谁会过度盈利，以及这种过度盈利能持续多久。他提到Meta的分发和产品能力，也说会拥有OpenAI和Anthropic，并认为Sam Altman用硬件作为对冲很聪明。这些判断都应视为仓位相关、观点驱动的节目发言。

整集最值得保留的非技术观点，是Shkreli对聪明人风险的解释。他谈Sam Bankman-Fried和Elizabeth Holmes时说，智力天赋会带来自我期待的重负，人会觉得自己必须活成某种伟大形象。他也把自己放进这个框架：无法承认自己不是世界上最好的对冲基金经理，即使可能是很好的企业家，最终把他送进监狱。这个说法不是法律事实分析，也不能替代对具体案件的判断；它的价值在心理层面，即提醒读者，很多越界并不只来自贪婪，也可能来自身份执念、失败羞耻和拒绝重新定位。监狱经历则让他看到，不同背景的人共享一些简单需求：希望朋友联系、想念亲近的人、想成为更好的父亲或家人。整期由此从高科技叙事回到人的驱动力：真正危险的不是聪明本身，而是聪明人看不清自己正在服务什么欲望。

四、学习与应用

第一层应用，是评估新计算范式时先问“它加速了什么”。量子计算、光子计算和GPU都容易被包装成下一代计算革命，但Shkreli的讨论提示，一个投资或产品判断不能停在“更快”两个字。量子计算要问：它是否只在整数分解、椭圆曲线离散对数等特殊问题上有优势？输入规模、存储、时钟速度和可编程性是否支持真实客户任务？光子计算要问：矩阵乘法是否真的能被光学结构大幅加速？非线性、存储、数据搬运和系统集成是否会把整体收益拖回去？这些问题比宏大叙事更接近商业结果。

第二层应用，是把早期科技的科研价值和投资价值分开。主持人提出“也许现在只是晶体管早期”，这个反方很重要，因为许多真正伟大的技术在早期都很笨重。但Shkreli用穿孔卡、真空管等历史路线提醒，方向正确不等于标的正确，标的正确也不等于时点正确。实际使用中，可以把硬科技项目拆成五个检查项：输入输出是否清楚，是否有存储和软件栈，是否能在客户工作流中替代现有方案，单位经济性是否随规模改善，以及融资叙事是否已经远远领先工程进度。边界是：这些问题不能证明一个科学方向失败，只能降低把科研原型误读成短期好生意的概率。

第三层应用，适用于AI基础设施。Shkreli一边看见光子计算、效率提升和更好Transformer可能伤害Nvidia，一边又承认Jevons悖论可能让需求继续扩张，并说自己当下仍做多半导体。这种矛盾其实有用：投资者和经营者不应只问“算力会不会更便宜”，还要问“便宜之后会不会产生更多用法”。如果模型效率提升一千倍，单次推理成本下降可能压缩硬件收入；但如果企业因此把AI用于产品设计、研发、运营和决策，需求可能扩张。边界在于，不要把“一定有无限需求”当作免检牌，仍要检查客户愿意为多少额外智能付费。

第四层应用，是读制药资产时把“分子”放进完整开发路径。Shkreli的Sparsentan例子说明，同一分子处在不同适应症、不同未满足需求、不同监管路径下，价值可能完全不同。对创业者和投资人来说，真正的问题不是“有没有一个化合物”，而是它能不能匹配一个临床上重要、竞争相对清晰、试验终点可设计、监管路径可解释的疾病场景。NLP或AI工具可以帮助读论文、专利和医学文献，降低搜寻成本；但节目也提醒，筛选信息不等于完成药物研发。临床验证、患者获益、监管成功和商业化执行仍然是硬约束。

第五层应用，是处理AI药物发现和AI安全叙事时保持双重怀疑。Shkreli反对末日论，也反对“AI很快治愈所有疾病”的乐观叙事；可操作的读法是，把每个AI主张拆成时间、对象和机制。例如，“AI帮助药物发现”究竟是帮助文献检索、靶点生成、分子设计、临床招募，还是直接产生获批药物？“AI风险”究竟是当前聊天机器人风险、软件自动化风险，还是未来物理系统风险？分清这些层级后，争论会从立场口号变成可验证假设。边界是：Shkreli的判断本身带有个人经验、投资仓位和情绪表达，不能替代行业研究。

最后一层应用，是给创始人、投资人和高能力个人的心理风控。Shkreli把自己的错误解释为无法承认自己不是最好的对冲基金经理，这不应被读成替行为开脱，而应被读成一个风险模型：当身份和能力评价绑定太深，人就会为了维护自我叙事而越界、加杠杆、隐瞒失败或拒绝转向。实际做法可以很具体：在重大决策前写下“我想证明什么”；让外部伙伴定期挑战自己的身份叙事；把“我不擅长这个”视为可更新信息，而不是羞辱。边界同样重要：心理解释不能抹去责任，但能帮助后来者更早识别危险。

来源

• 原始节目：Martin Shkreli: Big Pharma's Blind Spot, Betting Against Quantum & What Prison Taught Him