打造投资超级智能——Gabe Stengel(Rogo)

▲ 图注：节目里的嘉宾字幕卡，左上角标着 GABE STENGEL，他侧脸对着话筒说话。

• 嘉宾与利益相关：Gabe Stengel 是 Rogo 联合创始人兼 CEO，Rogo 是专给投行、基金这类金融机构用的 AI 平台，主持人 Patrick 称它是「投资超级智能」工具。需要交代一句：Rogo 本身就是这档节目的赞助商（片中有 Rogo 口播），Patrick 在听完 Gabe 的招人说辞后还笑着接了一句「真庆幸我加入了，真庆幸我投了」——语气像玩笑，全文没法确认他是否真是 Rogo 股东，读的时候把主持人当成可能的利益相关方即可。→ 详细
• 两年内最好的投资人会忙着重塑自己：Patrick 开场问——模型已经在吃掉几年前还由聪明分析师、甚至基金经理干的核心活儿，未来两年怎么走？Gabe 认为两年比 10 年、20 年好推演：两年之内，最优秀的投资人会忙着重塑自己的机构、重塑自己。参照系是做市和量化交易——Jane Street 花了 15 年才建成主导地位；今天最好的投资人也会用接下来 2–5 年去琢磨怎么把 AI 融进自己的活儿。→ 详细
• 「天才之国」来了也得先学会用：他引 Dario（Anthropic CEO）那句「每个人都会有一座数据中心里的天才之国」——就算 Goldman、Millennium、Citadel 面前真出现一个天才之国，它们也得花一阵子才能想明白怎么改工作方式、怎么整合进体系。所以「把 AI 用进投资全生命周期」是未来 5 年每位优秀投资人最大的挑战。→ 详细

▲ 图注：两人同框——左边浅蓝衬衫的是主持人 Patrick O'Shaughnessy，右边比着手势的是 Gabe Stengel，隔着长木桌各对一支话筒；这一段 Gabe 从高中、大学两次失败讲起 Rogo 的创业史。

• 两次失败的前身：Gabe 在正式创办前试过两次。高中时，一个朋友的爸爸是投行家，想要一个 app 追踪两家正在合并的上市公司之间的换股比例，他们用很老的 AI 技术去做，「糟透了」；大学里、GPT-3 出来之前，他们发过一篇 AI 辅助（金融）计量经济学的论文，想商业化，「完全行不通」。→ 详细
• GPT-3 时代：能演示、不能用：公司正式成立时 GPT-3 刚出、ChatGPT 还没出。早期「你能演示一些很酷的东西，但实际上什么都不管用」。Patrick 顺手举了 Cognition 的例子——它现在的广告几乎就是在说 "还记得 Devin 吗？它现在好用了"，很多如今的好公司都熬过产品烂的阶段。→ 详细
• 真正能用之后，时代划分「和模型时代紧密挂钩」：第一站是 o1 Pro——第一次可靠性够用，至少是个好用的搜索工具，比如「帮我算这家公司过去 12 个季度的某个财务指标」，它能做得足够可靠，不至于烦到你干脆自己动手；第二站是 Opus 4.5（2025 年底到今年初），模型基本能胜任初级投资从业者、初级银行家做的任何事——前提是你给它正确的指令和上下文。换句话说，产品的每一次跃迁不是 Rogo 自己憋出来的，而是模型换代把它托上去的。→ 详细
• 先发劣势与押对终局：很多应用 AI 公司都吃过「先发劣势」——你以为知道世界往哪走、提前为那个方向做产品，可模型还没到位，用户一试就说「这太烂了，这就是垃圾」。但反过来，如果你对终局判断对了、一直朝那里建，等模型真的到了那一步，效果就很神奇。他衡量好产品的标准是每天的用户反馈：「每个月省下几百个小时」「在做以前根本做不到的事」，以及 UX、细节和匠心「一看就是为我这样的人打造的」。→ 详细

• Patrick 的追问：是不是因为你们认真做了合规、监管这类「最后一公里」的对接，模型一变好，这些东西就突然超值钱？Gabe 说还有一层——要理解这些机构里的人本来是怎么干活的，然后围绕它去建。→ 详细
• 完整例子：投行的 MD（董事总经理）本来就是在 iPad 上给一份 deck（演示文稿）做批注，再发给分析师去改。Rogo 做的是：让他把同一份批注稿照旧用邮件发给「AI 分析师」，20 分钟后拿回按批注改好的稿子，而不是等两天；同时系统会提醒这笔交易上的初级分析师发生了什么，并把每一处细小改动完整展示、做到可审计，他想插话随时可以。整套流程让一个「可能十年都没登录过电脑、但会在 iPad 上批注」的人真正用得上 AI。→ 详细
• 原话："there are these small details of how you build a product that's great for a specific end user that you only know if you have the kind of spidey sense for what the job is."——为某个特定用户做出好产品，靠的是一堆小细节，而这些细节「只有对这份工作有蜘蛛感应般的直觉才会知道」。要点不是加新入口，而是钻进用户已有的动作里（批注 + 邮件），让 AI 在他原本的流程上接手。→ 详细

• Moltbook 式的 agent 群：问到「最让你惊艳的前沿能力」，Gabe 说最酷的是把 Moltbook（一个让 AI agent 互相发帖交流的社交网络）这类创新搬进投资："Imagine if every PM at a hedge fund had 10,000 agents that were just kind of fraternizing, talking about ideas, reading through the notes, pontificating, and then at the end of 24 hours of endless debate just gave you one idea."——每个对冲基金经理手下有 1 万个 agent，互相串门、讨论、翻笔记、高谈阔论，没完没了辩论 24 小时，最后只交出一个想法。→ 详细
• 为什么偏偏投资能这么烧 token：因为 "investors are happy to pay $50,000 for one really good idea"——投资人乐意为一个真正的好想法付 5 万美元，而几乎没有别的领域能为了「一个简单的洞见」烧掉这么多 token（模型计费单位）。换句话说，一个行业「单个结论值多少钱」决定了你能在它身上堆多少算力。→ 详细
• 智能已过剩，瓶颈是管道："the models are smarter than anyone I know, anyone I spend time with. And it's plumbing." 模型已经比他认识的任何人都聪明，剩下的是管道工程——把它接上你的上下文、告诉它你的投资论点、告诉它你的工作方式、把它融进你的日常。把收集这些数据和上下文的管道全部搭起来，才是他眼里的最前沿，而不是模型本身。→ 详细

• 核心用户是做交易的人：公开市场股票看似最适合 AI（数据全公开），但 Rogo 的 ICP（理想客户画像）是收购、出售、协调交易的 dealmaker——卖方往数据室里放财务模型、客户介绍 PPT、DDQ（尽调问卷）答复，买方的 agent 翻查这些数据、对照本基金的客户集中度风险标准，一路走到交割。→ 详细
• 一半覆盖面在水面下：除了邮件、聊天、主动提醒这些入口，Rogo 还在幕后替人更新 CRM、组合监控系统和给 LP（出资人）的信息分发，也就是和各套 system of record（记录系统，机构里存权威数据的核心系统）交互。→ 详细

• 先深挖再扩张：Gabe 坦言「从没做过公开市场投资、不知道需要什么」，要进去得先招领域专家、找一位「大厨」把已建好的系统拼成终局产品；董事会常推他扩 ICP，但 dealmaker 垂直的 TAM（潜在市场规模）纵深够大，他的终局又是「私募市场的完整基础设施」——公开市场的交易所早已存在。→ 详细
• Patrick 的归纳，Gabe 认同：垂直 AI 的机会藏在「底层管道还没铺好的地方」；私募的协调、标准化、调研和交易执行「全靠人在做」，公开市场很多环节早已自动化。→ 详细

• 问题本身：Patrick 问得很直——如果这东西能把尽调、IC memo（投委会备忘录，投资团队交给投资委员会拍板用的论证文件）、应对质疑从头到尾全包了，初级从业者的一大块工作就没了，几年后人身上还有哪些技能真正重要？→ 详细
• 先交底：Gabe 先声明自己只在金融业干过两年，「是在向这些人学习」。他的观察是，顶尖投资人都有一套本事——判断什么才真正要紧，并在各种议题上运用自己的判断力；这是不是 AI 最终能取代的，「目前还没有定论」。→ 详细
• 第 37 手的假设：他拿 AlphaGo 对 Lee Sedol 那盘棋的「第 37 手」打比方——那是一步人类棋手自己永远想不到的棋。如果这种事开始在公开市场投资里发生，「什么才重要」就会大变。→ 详细
• 真正会升值的：喂模型别人没有的数据：即便如此，核心技能是走出去收集别人拿不到的数据和信息，喂进自己的模型——跑一线、跟专家聊、建一张能给你的模型提供信息的人脉关系网。原话大意是："maybe you're not the one that needs to calculate what your move 37 would be... but you can actually feed your model with data that no one else has." 也许不用你亲自算出那「第 37 手」，但你能给模型喂别人都没有的料。言下之意：会贬值的是「在公开信息上比别人算得快」，会升值的是「独家输入 + 判断什么要紧」。→ 详细

• 早期的笨办法：Patrick 想拆开 Rogo 的「流水线」，逐个看数据、模型各起什么作用，并问哪些经验能迁移到其他垂直行业。Gabe 说 Rogo 早期像一台鲁布·戈德堡机械（绕一大圈才办成一件小事的连环装置）：一个问题进来要调 60 次不同的模型——先识别 Patrick 问的是哪些公司，再查股票代码，再把代码塞进一次 API 调用去查 Bloomberg、FactSet 或内部数据集，结果回来再调另一个模型拼起来。→ 详细
• 模型变聪明后反着来：少规定，多给工具："as the models get smarter, you kind of want to be less prescriptive, less of a Rube Goldberg machine"。新的思考框架是：假如明天世界上最聪明的人来上班、想成为出色的银行家和投资人，他需要哪些「光靠聪明给不了」的工具？——数据工具、出去收集信息的方式、审核自己工作的方式、把成果呈现出来并推回各个系统的方式。于是 Rogo 把大量时间花在梳理「一个优秀银行家/投资人需要哪些数据输入」上。→ 详细
• 合规要按「将来会被翻出来查」来设计：他们还花大量时间想合规与监管要求——要确保哪天如果特拉华州某个法官裁定 AI 的输入和研究资料可以被调取作为证据（discoverable），你全都做对了，没有把不该混的信息混在一起。因为 AI 做的投资判断、AI 产出的投行成果，将来人们都能看到它「如何生成的完整溯源链路」。→ 详细
• evals 与模型路由：此外持续给各家模型做基准测试、搭各种 eval（评测集，给模型输出自动打分）和数据集，随时判断哪个性能最好、哪个 token 最便宜、哪个延迟最低，再把任务路由给合适的模型——模型对 Rogo 是可替换的零件，不是护城河。→ 详细

• 正交，而不是正面：被问到「长期拿什么反向定位（counter-positioning，做对手因自身结构不愿或不能做的事）」，Gabe 的答案是 "you want to build things that are perpendicular to what they want to build"——做跟前沿实验室想做的东西垂直、互不重叠的事。有时你会先做个聊天机器人，因为它帮你更快进市场，但你得清楚水面下有一大堆东西，实验室永远不会做，而金融（或任何垂直行业）必须有人做。→ 详细
• 金融是一堆细分的集合：想想金融服务和资本市场里，有多少公司光靠深挖工作流、数据集和做事方式就做到 50 亿、100 亿美元以上收入？在「非常杂乱、非常具体的问题」之上，有巨大的 TAM 和支出；金融业的每个细分领域都有不同的数据集、对「好」的不同定义、不同的监管要求。Rogo 可以靠在这些细分里深耕、搭建管理它们的记录系统，做到 50 亿美元收入。→ 详细
• 「路边捡一分钱」：对 Anthropic 来说，去做这 50 亿美元的生意「就像停在路边捡一分钱」——它们正走在从 1000 亿美元营收冲向 1 万亿美元营收的路上。这些系统的纵深「远不止智能本身」，这正是垂直 AI 公司的生存空间。这也是本期 YouTube 标题「为什么 OpenAI 和 Anthropic 赢不了金融」的出处。→ 详细

• 两个例子：一是 MNPI（重大非公开信息，滥用即涉嫌内幕交易）的可审计管道——能标记什么、怎么流入机构内部系统，被审计时得「分毫不差」；二是上市公司并购时双方来回传数据的数据室，理想中不是静态 Dropbox 文件夹，而是接进 agent 和工作流——「我不觉得 OpenAI 或 Anthropic 会想做数据室这门生意」。→ 详细
• 终局野心：想成为整个资本市场的「交易所」，不仅要拥有智能，还要拥有交易场所、沟通场所、工作流以及流入其中的全部数据输入。→ 详细

• Patrick 的发现：「我问的是数据和模型，但听下来 harness（套在模型外面、决定它怎么调工具、怎么记事、怎么长时间干活的那层运行框架）才是三者里最重要的。」→ 详细
• Claude Code 的反证：Gabe 拿 Claude Code 刚出来时、以及 Claude Cowork，对比 OpenAI 和 ChatGPT："The models were actually fairly similar, but the harness and the way that it was presented from Claude was far better." 模型其实差不多，但 Claude 的 harness 和呈现方式好得多，让模型能更充分发挥「长时间运行」的能力——这就是它使用量一路飙升、扩张极猛的原因。结论：你怎么用 harness 驾驭模型，极其极其重要。→ 详细
• 大脑里的「微服务」：他认为人们低估了一点——人之所以能动性强、能干很多事，不只是因为记忆力、智商和知识，而是大脑里有各种「微服务」：怎么把知识存起来、怎么调出来、怎么触发各种东西；情绪就是触发这些微服务的一种方式。优秀投资人之所以判断好，是因为有灵敏的直觉——在市场上看到某类情况，就会触发对过去某件事的记忆，进而促成一个有创意的决策。这些小小的微服务，都得有人一个个搭出来——这就是 harness 的活。→ 详细

• 第一·行业得够复杂够深：数据类型、记录系统、部署模式都要足够复杂，让你值得花大力气解决，从而拿到一个 wedge（切入点）再去解决其他一切。如果一个行业谁都能直接走进去卖基础版 ChatGPT 或 Cowork、不用解决各种奇怪的集成，你就没时间搭那些和前沿实验室「垂直」的东西。→ 详细
• 第二·团队的领域专长：Gabe 说自己没有独一无二的领域专长，「但足够起步」；他在纽约长大，身边人满脑子都是高端金融，他着迷、想学，然后组了一支同样有热情的团队——如今一百多人曾在全球顶尖投行或投资机构工作过。所以每次新模型发布，他们都能迅速把它驾驭好、用到金融上："our job is really to catch the change in the models and figure out how to apply it into these institutions." → 详细
• 第三·愿意随时把核心产品砍到归零："a business that's willing to constantly reinvent the core product and constantly willing to slash it to nothing." 如果一家公司的交付形态没法被自己迅速革掉——比如一个终端、或某种非常特定的 UX 和界面——它就不够敏捷，做不到每 6 个月出现一次阶跃式变化时就重造一次。→ 详细
• Max Levchin 的账本故事：最激励他的是 Max Levchin 讲的——Affirm 每年都把最底层的账本技术重建一遍。原因有二：一是这是最有意思的工程难题，人人想做，既能留人才，又能让工程师吃透公司最核心的业务；二是保证系统不僵化、持续变好。Rogo 对自己的 harness 和核心 agent 系统做一模一样的事："we're not even at a local minima... because the models are changing so quickly and we need to redo the whole thing"——连局部最优都没到、也不可能到，因为模型变得太快，得把整套东西重做。→ 详细

• Compaction（压缩）：你跟同一个 agent 聊了 100 次，它怎么确保记住的是该记的、把记忆压缩到每次都用得上的 token 量里，同时对「你是谁、你在乎什么」保持足够连贯的上下文，让你觉得在跟一个越来越了解你的真人说话？这是个难题。→ 详细
• 从一对一到一对一百，难度指数级放大：现在几乎所有 agent 都是一对一的——你一个人用 ChatGPT、Copilot、Gemini。一旦 agent 要跟一大群同事打交道、待在一百人的 Slack 频道里横跨整个公司干活，它要跟一百个人对话还要在这些对话之间协调，压缩问题就指数级放大。怎么把所有记忆和交互沉淀进 agent 的「心智模型」、让它持久存在、在一连串交互中保持上下文，是今天的模型还不擅长的。→ 详细

• Rogo 是典型企业软件：按席位定价，因为买家习惯了——他们把 Rogo 和 Bloomberg、FactSet、Capital IQ、PitchBook 看成一类东西。所以这是门「非常靠人」的生意：每签一单都要 AE（客户经理）、解决方案架构师、售前工程师上门，握很多手，讲清怎么用、怎么集成；你不可能签下一单，然后用量自己涨 100 倍。→ 详细
• 对照组就是 Anthropic 自己：「Anthropic 把东西卖给我们有多难？非常容易。」Rogo 付给 Anthropic 的钱在没有任何人介入的情况下指数级上涨，因为那是按 token 消耗计费。但很多行业光搭 token 消耗的顺风车，企业销售走不通，金融就是其一——所以 Rogo 得用比大多数企业销售组织快五倍的速度搭起 go-to-market（市场推广）机器。→ 详细
• 两类公司的区别：一类是「典型企业销售 + 借 AI 东风做出好一百倍的产品」；另一类是「token 掮客」，卖进企业里本来就习惯买按用量计费工具的部门（Cursor、Factory、Claude Code 等），用更少的人在商业上走得远得多。对看 AI 应用层公司的投资人来说，这是判断「增长曲线长什么样、要养多少销售」的第一道分类。→ 详细

• 每家公司都要过两道关：Gabe 预测："every business needs to go through two different pricing revolutions. You need to move to some sort of usage based and then you need to move to some sort of outcome based." 先转向按用量，再转向按结果。他更想跳过「按 token / 按用量」这一步，直接等到能对客户说：我按给你的每一个好投资点子收费、按你发给 LP 的季报收费（这个我能做得完美）、按你作为投行人做的每一份 CIM（卖方出售公司时给买家看的保密信息备忘录）收费。→ 详细
• 为什么按 token 谈不拢：你花了 10 万美元买 token，会问「我到底拿到 10 万美元的价值了吗？」——说不清。但一个好投资点子值多少你知道（看赚了多少），一份 CIM 对投行值多少也清楚（知道卖一家公司收多少费）。结果能被客户自己算账，价格才谈得拢。→ 详细
• 席位制下的利益错位怎么办：Patrick 追问——席位价没法随时调，你做得越好客户用得越多、你的 token 成本越高，好客户反而成了「差客户」。Gabe 的回答是不算这笔小账："we are 1% of the way into our product roadmap. 99% of the innovation for capital markets is in front of us." 产品路线图才走了 1%，重要的是当好客户 AI 战略的「好管家」，让他们将来还愿意合作。→ 详细

• 像房贷一样去中间人：资本市场和投行里还有大比例工作「卡在人力上限、靠人当中间人」；15–20 年前办房贷都得去支行跟人谈，如今 40%–50% 的房贷通过 Rocket Mortgage 这类平台在线办完。→ 详细
• 具体图景：企业主上网点一下就能融资，像在 Robinhood 上买股票；KKR 判断「这家被投公司能不能卖给另一家 PE」只需 5 分钟而不是 5 个月；资产定价时间缩短一个数量级，市场更透明、更有流动性、交易更多。→ 详细

• Patrick 的设想：三年后融几百万美元的债或股权像填在线表格，系统替你定价风险、直接报价——「万物版 Opendoor」。还缺什么？→ 详细
• Bloomberg 三步走：Bloomberg 是先给一点数据敲开门、再搭分析工具和工作流、最后提供交易所和通讯平台（Bloomberg messenger）。Rogo 的版本：先用一点 AI 敲开门 → 从 copilot（副驾驶式聊天机器人）走到 autopilot（全自动驾驶），确保 IC memo 或 DDQ「百分之百准确」→ 在交易对手之间提供沟通渠道，让 agent 真正替你成交。→ 详细
• 关键区别：Bloomberg 搭的是人和人交易的渠道，Rogo 要搭的是「agent 和 agent 在各家机构之间交易」的渠道——让大型 PE 放心让 agent 代它谈判、对接第三方顾问（译文按上下文推断其中有做 QoE 盈利质量审查的人，存疑）和法律顾问、再跑一轮让多家 PE 出价的竞拍，相当于给非标准化资产类别建一个类似交易所的东西。→ 详细

• 为什么先打大银行：Gabe 自己做过几年投行买方并购覆盖；投行是「整个金融业的分发渠道」（很多顶尖投资人都从 Goldman TMT 项目之类的分析师起步）；且席位数遥遥领先——拿下一家 Bank of America，触达的人远多于十家「每家只有 10 个投资人员」的顶尖股票机构。→ 详细
• 采用曲线走到哪了：大多数机构看到了个人生产力大幅提升，正在琢磨怎么把它变成「能衡量的机构生产力」。银行家的原话是「日子太爽了」「我的效率是以前的一百倍」；一位 MD 说以前要跟分析师来回折腾三天的五页客户材料，现在自己十分钟搞定——而这些人 25 年没做过分析、20 年没打开过 Excel。→ 详细
• 从工具问题变成战略问题：效率流到哪了？赢了更多交易吗？开始服务以前没碰过的市场吗？这就是机构要回答的：用它降本，还是用它进新市场？例子：JPMorgan 刚宣布要给 SMB（中小企业）做多得多的并购业务——以前交易费太低、配齐团队要太多人不划算，现在一个银行家就能顶一整个交易团队。→ 详细
• 瓶颈转到客户的想象力：Patrick 归纳，到某个时候瓶颈会变成客户的创造力；Gabe 接着说：假如明天一百位出色的投资人来给你干活，你也得花好一阵才想明白组织怎么搭、各做什么、每人给多少钱、主攻什么。→ 详细

• 提问：两年前聊这话题最显然的问题是准确性和「幻觉」（模型一本正经编造），如今几乎没人提了。在准确要精确到小数点的场景里，现在是什么状况？→ 详细
• 核心判断："I think it's actually more important to be auditable than it is to be accurate." 准确依然超级重要，但可审计更重要。逻辑是：如果答案不准、你又不知道怎么核对、也看不出从哪来——不管它准不准你都没法用，因为你不信任它；反过来，如果它大多数时候准，而不准的时候你也能一眼看到背后用了哪些假设、数据从哪拉来，它依然能指导行动、依然帮你省时间。→ 详细
• 从 copilot 到 autopilot，可审计变成刚需：当工具从「帮你检索信息」变成「替你执行」——有自主权，真去做投资决策或发邮件——你必须有把握回头查它为什么做了某个决定，"because you're going to need to debug it"。就像个别投资人做了糟糕透顶的决策，你要查是数据输入错了、还是有人骗了他；对 agent 也得这样查。→ 详细
• 在受监管领域是硬门槛：资本市场里有监管机构盯着、要确保没有违规，解释不了为什么做这个决定、用了哪些数据，那是行不通的。→ 详细

• 瓶颈是「多快让一个人上手」：Patrick 问，企业销售受限于人的速度，却要比上一代最快的企业 SaaS 快好几倍地长，怎么解？Gabe：核心问题是你能多快让一个人真正产生价值——不只销售，还有市场、SDR（销售开发代表，负责找线索约会议）、售后，他们多快能理解业务、推动客户。所以赋能（enablement）、培训、不断重新培训，是快速增长的企业级创业公司的根本问题。→ 详细
• 每一场内部对话 100% 录音：新人入职就被告知——「一直在录，所有内容都汇入公司大脑」。他强调这不是老大哥式监控：你要打交道的每个人本来都开着 Granola 之类的会议转录工具，因为需要极好的回忆能力、需要让知识复利积累。结果是攒下一个巨大的信息库，上面架着一堆工具：比如要给某类公开市场股票机构在某个市场部署，你可以问「我们以前服务过这类数据吗？有没有用得上的用例？」——然后调出一位驻亚太、你从没见过的同事三周前的一场对话。"being able to sponge all that information in and then get it out to people when they need it is the core problem of enablement." → 详细
• Shrek 长什么样：名字是工程师们觉得好笑起的。有个仪表盘能看到一片「沼泽」——任意时刻大家都在忙什么——并连着公司所有系统。它被明确写入了公司目标：价值观、想给客户交付什么、北极星指标（公司最核心的那一个衡量指标），所以能按这些塑造每个回答和交付物。→ 详细
• 既被动响应又主动推送：被动——有人问「怎么向一家超大机构讲模型路由的价值主张、能省多少钱」，它把信息全调出来；主动——「Patrick，我看到你周四日历上约了一家私募信贷机构，这是你该知道的全部信息、会引起共鸣的用例，以及我们合作过的机构想听的各类 ROI 指标」。公司大脑不是等人来搜的档案馆，而是看你日历、提前把弹药递到你手上的同事。→ 详细

• Gabe 说说辞因人而异，但通用版是：AI 会彻底改变世界，最有意思的地方是应用 AI，因为那是「AI 与人类交汇的地方」；金融是一切人类进步与创新的催化剂，资本配置处在每家公司、每个想法、每个经济体融资的上游，让它更高效就能给整个世界加速；Rogo 是品类领头羊，胜算最大，目标不只是千亿美元公司，而是「彻底改变资本市场的 5000 亿美元公司」；团队「超级聪明、有饥饿感、有好奇心、没架子」。Patrick 听完笑说「说得好」。→ 详细

• Patrick 的前提：市场越高效、流动性越好，正面影响越大——沿着三四百年的「像样市场」史都能画出来。→ 详细
• 高端金融的起源：Gabe 先自嘲「一谈金融造福世界，就容易像亿万富翁 PE 大佬在说 PE 造福世界」，然后讲起源：J. P. Morgan 本人把欧洲投资人和当时的新兴市场美国的企业家连起来，为铁路和基础设施融资，成就了美国这个巨无霸经济体——中间人把冒险者、资本配置者和想创新的人连起来，影响极其深远。→ 详细
• 今天还够不着资本市场的人：每一个难以融资、借债的新兴国家；还有 30 万家美国企业，它们甚至说不清 Goldman Sachs 是干什么的，JPMorgan 也没工夫跟它们合作，因为生意太小。加快企业家、创始人和个人接入资本市场的速度，就能给所有创新提速。→ 详细

• 学到的两件事：要长得这么快需要多大的进攻性；以及每天要「嚼多少玻璃」（形容创业的痛苦煎熬），得对长期的 TAM、SAM（可服务市场）有多坚定的信念，才不去纠结每天都在彻底出岔子的那一大堆事。榜样是 Harvey（法律 AI 公司）的 Winston：身上随时挂着上百道皮外伤也不当回事，只想三年后要走到哪里、以及走到那里真正要紧的那两件事。→ 详细
• 玻璃是什么味道：他疫情期间开始工作，连办公室都没见过；和联合创始人 John 常开玩笑说这是「一场特别贵的商学院教育」——不会招人、开人、带人、管理、给反馈、定方向。具体的玻璃包括：有人离职、留不住人、花六个月招一个候选人对方没来；花大把时间做的产品被下一个模型一出来就彻底冲没，让你觉得自己像个傻子；融资前连续被 40 个投资人拒绝。→ 详细
• 情绪过山车：他说自己是「特别情绪化的人」，尽量不让团队感受到——高点觉得站上世界之巅，低点觉得天塌地陷；但回头看，低谷越来越低、高峰也高得多，三个月前让他崩溃的事现在「闭着眼都能搞定」。关键是调节起伏、把情绪转成推动业务的力量，但别让它过度分散注意力。→ 详细

• 董事会上的一课：Patrick 说进攻性听起来像陈词滥调。Gabe 讲了 Pat Grady（Patrick 也采访过他）周三来参加 Rogo 董事会的事：Rogo 展示了一份招聘、商业、产品目标都「极其激进」的明年计划。Pat 习惯把一切浓缩成两个前提一个结论——"如果金融行业的每个人都会在接下来 18 个月内做出 AI 采购决策，而且不管你在不在场他们都肯定会买点什么，那唯一要紧的就是以最快速度横扫市场、确保到时候你在场。既然如此，你觉得这份计划够激进吗？" 答案是不够，「因为我太软了」。→ 详细
• 风投公司的算账方式：你必须「非常非常非常激进」，把风险都扛下来，并清楚自己在玩什么游戏。作为风投支持的公司，目标是把分布两端的尾部都加厚：失败概率高 30% 没关系，只要成为千亿美元公司的几率也提高 20%——但你得真能接受两端同时变厚。→ 详细

• 经过：融 A 轮时股东名单里还没有明星投资人。pre-seed 早期投资人、BoxGroup 的 David Tisch 给他引荐了 40 位「史上最顶级」的投资人——Sequoia、Kleiner、Benchmark 都见了——已经做了两年半，他以为终于能拿到一家蓝筹机构，帮招人、让公司变成吸引品牌和客户的「黑洞」。结果 40 家全拒。而且不是看完 deck 就没下文，而是聊一小时、上投委会、一起吃饭、周末再来一趟……然后「我们还是不投了」。在那个阶段一切只跟你这个人有关，所以特别私人。Thrive 也一样：他跟 Avery 和 Vince 吃过饭、爱上了这家机构，然后是「致命一击」。→ 详细
• Keith Rabois 接住了：在所有人都拒绝一个月后，Keith Rabois 出现，说「这算不上逆向下注，基本上就是金融版的 Harvey，我为什么要投？」Gabe 反问：「如果这不算逆向，为什么你那些朋友一个不落都说这是馊主意、都不相信我？」→ 详细
• 为什么没人信：一是低估了金融的 TAM——旧金山对金融缺乏直觉，因为当年没投过 ION Group、Bloomberg、S&P、FactSet、PitchBook、Morningstar，这个市场从没出过伟大的风投支持公司；二是产品当时很烂，做金融出身的投资人一试「一半时候都是错的」，就说永远行不通——而他想的是「各位，我们在指数曲线上啊」，6、12、18 个月后总会行；三是没人相信他能搞定，没见过他嚼玻璃、琢磨下一次迭代。→ 详细
• 后来怎么翻盘：如今股东名单是「名流录」，因为他很早就认识这些人、每一轮都去见，每次说「我们要做成这件事」，对方说「不可能」，然后每次都做成了——虽然问题常以别的形式冒出来（失去关键员工、以为能拿下的好客户黄了）。他的结论：在应用 AI 这么动荡模糊的市场里投资，要押注的是创始人极强的应变能力。→ 详细

• 分发难攻：比起工程和产品，分发更多是「人」的问题——建立信任、交付价值、和机构打交道；同时工程和产品负担也极重，执行门槛相当高。他幸运在早期招的人很多是金融出身的「狠角色」，从人脉里招 Goldman、Citi、Jefferies、Apollo、Ares、Blackstone 出来的人——肯死磕、有野心、好奇、聪明、不自负，年轻到够开放、也愿意嚼玻璃。→ 详细
• 技术人才怎么变了：Patrick 的直觉是，写代码门槛降低后，技术人员身上领域专长的价值上升了。Gabe 同意一部分：有些问题上领域专长、产品直觉、「更像 GM（总经理）而不是工程师」的思维极其重要；也有部分产品需要硬核工程能力，因为规模扩得太猛。→ 详细
• 最出色的是前创始人：团队里很多最出色的人是创过业、嚼过玻璃、有产品直觉、生意后来熄火的前创始人；Rogo 已经收购了六家刚起步的金融 AI 创业公司。这类人既能对产品未来有「银河级大脑」式的构想、规划 UX 该往哪走，又有工程功底，能持续做对决策。→ 详细

• 过去一二十年太舒服了：做资本配置者、做投资人能赚很多钱，行业难进；私募尤其有惯性——募了一支基金又一支，很难把生意搞砸（他也承认创过基金的人会说实际难一百倍）。但从没有过这样一次冲击：每家投资机构、每家银行都在想「成百上千家 AI 原生的颠覆者、AI 原生投资机构、AI 原生投行要来冲击我的商业模式了」。PE、对冲基金、投行已经很久没遇到过创新者窘境（在位者因为现有生意太好，反而难以拥抱新技术）。→ 详细
• AI 原生的定义：愿意不断重塑你在做的一切，AI-pilled（对 AI 深信不疑）到不去操心什么看起来天方夜谭，一心把这项「像外星来的根本性技术」融进每一件事——"There's no part of the business that you hold sacred that is immune to being revolutionized." → 详细
• 落到管理动作：笨蛋帽排行榜：每月一份报告列出全公司每个人用了多少 AI 工具（采购的 + 自建的），每个部门排出前五名重度用户和后五名，贴得到处都是；每个部门垫底的人「获赠」一张戴笨蛋帽的打印图，贴满办公室。他说本意是玩笑，但公司变大后很多人不认识他，「是真被吓到了」——他希望别这样，但承认这是个很强的激励机制。→ 详细

• 场景：Patrick 设想一位坐下来思考的老板——他的机构是辛苦打拼出来的好生意，组织和技术上都很简单，「主要就是人」，也许买很多数据。该问自己哪些问题，才最有把握度过这次转型？→ 详细
• 自问一·90% 的企业价值会从人身上搬走："in 10 years the world's best investment firms, best banks will have 90% of their enterprise value not in people but in software and data and systems." 现在你 90% 的企业价值在最好的投资人、银行家身上——他们带来交易和收入；如果你确定 10 年后 90% 会在软件、数据和系统里，你现在该做什么？答案是：想办法把最优秀那批人脑子里隐性的东西，全都装进一个你自己拥有、能自主运转的系统里。→ 详细
• 自问二·逐环节标出你真正不可替代的地方：把交易生命周期每个环节拆开，标出你在哪里不可替代、手里有别人没有的数据或领域专长；然后老老实实问：我真有别人没有的东西吗？那是一段关系、一份别人拿不到的背景信息，还是我只是自以为比别人更聪明、读得更多？如果是后者，AI 会把这点优势彻底抹平。→ 详细
• 两年前像疯子、今天像先知的人：他们一进门就说「要把每一场对话都录下来，灌进公司大脑，会有一个我的数字分身，直接吐出这笔投资该长什么样的博弈论推演」，两年前大家都觉得「他在说什么鬼」。Gabe 举了一家机构的联合创始人为例（字幕里的机构名和人名不清，译者记为「Mullis」「John Mumazi」，疑似投行 Moelis 一系，存疑）：他想给所有最好的银行家做数字分身——能替他参加电话会、代他发言、知道他怎么想、吸收上下文；再让任何初级员工都能立刻用上他的专业、上下文和人脉，让这些数据不只支撑他本人创收，而是让每个初级员工都能创收。这些人都经历了自己的「第 37 手」时刻。→ 详细

• 标准化决定流动性：资产类别交易量和流动性的上升往往跟标准化有关——标准化后更容易追踪和交易。私募市场一直没被标准化，因为非结构化数据太多，AI 应该能解决；但会不会有监管或市场力量强制推动更多标准化、真正加速透明度和流动性，「不在我的掌控之内」。→ 详细
• 握手能不能被一个按钮替代：人际关系还能剩多少 alpha（超额收益）他也说不清。微型企业并购（micro cap M&A）很难完全自动化——一个做了 20 年公司的小企业主，交出去时想要一个信得过、能当面握手的人；但 PE 等财务投资方持有的企业、二手份额交易（secondaries）、私募信贷、GP/LP 二手份额交易，他认为可以完全自动化。悬而未决的是那条长尾：面临代际交接的大量中小企业，要多久才能坦然点个按钮就卖掉公司。→ 详细

• 要做的：他的风格是非常直接、非常坦诚地讲担心什么、想往哪去，同时对终局「非常执着」；关键是反复接触和积累关系——突然冒出来领投 C 轮、D 轮的人，都是他从种子轮开始每轮都见、每次都因各种原因没投、但一路收集了大量关于他和公司数据的人。→ 详细
• 别误读「装到成功为止」：你确实需要气势和自信，哪怕没十足把握——他自称「极度偏执、极度没有安全感、极度害怕」，但得摆出有信心的样子。这不等于假装成另一个人：你要相信「做成千亿美元公司」那 5% 的可能性是可能的；不必假装百分之百，但要能用清晰的路线图和战略讲清它怎么可能发生，并相信只要这些事按预期展开你就能做到。→ 详细
• 为什么这么怕：每天都像站在刀刃上，一千件事随时可能崩塌。做这种公司是一场「势能复利」的游戏——把每件小事做好，让自己往山下冲得快一点点；他怕的是势能停下、撞上路障偏离航线后又得重新积攒。正因为一直对这些时刻「怕得要死」，才会想尽一切办法提前准备。→ 详细

• 人才、资本与品牌的黑洞：Patrick 的前提是——在这个「一切都像争球」（jump ball，谁都有机会抢）的时代，每个最后一公里接线难做的领域都会冒出一个 Rogo 或 Harvey，而不是 Anthropic 或 OpenAI 一家通吃。Gabe 补的一点是：会有公司解决这些问题，但做到的那些会变成人才、资本和品牌的黑洞，把资源吸进来真正执行；AI 是很强的顺风，但竞争的执行门槛也比以往任何时候都高——每个人都被拉进大联盟，经历自己的「欢迎来到 NFL」时刻（新秀第一次被职业联赛撞醒）。对的团队比以往更重要，也「极其、极其昂贵」；想不清怎么尽快成为人才和资本的黑洞，被某家 AI 实验室或做到了这点的公司碾成 roadkill（路边牺牲品）的风险就大得多。→ 详细

▲ 图注：主持人 Patrick O'Shaughnessy 的字幕卡；他说每期都会把自己最喜欢的这个问题留到最后问。

• 两种善意：Gabe 说父母都善良、慷慨、无私，但表现截然不同。母亲的善意是无条件的信任——不管他做了什么，他都是了不起的、聪明的、不会犯错的；哪怕在「连着被拒 40 次、挂科、被退学」的低谷，她也表现得好像他是世上最聪明的人。「这其实不理性，但你需要一点这种不理性的自信，它来自永不消逝的爱。」→ 详细
• 父亲则完全不同：自律、正派、标准极高，他做错事回家，父亲会气得几乎没法正眼看他。父亲的善意是弄明白他是什么样的人、为什么在这件事上失败，然后坐下来陪他把每一个细节过一遍——哪怕理解不了他为何有机会却没抓住，也花时间让他变好，同时坚守自己的原则、对卓越的标准和对「好」的定义。Patrick 以「看着这家公司一路变好真的很酷」收尾。→ 详细