即刻App年轻人的同好社区
下载
置顶巴菲特与芒格投资哲学的底层隐含假设
他们的体系不是一套"选股技巧"，而是一整套关于世界如何运作、人如何决策、价值如何产生的世界观。以下是最底层的隐含假设，按逻辑层次排列：
一、关于市场的假设
1. 市场"经常有效但不总是有效"——且偏离可以被利用
• 隐含假设：价格与价值的偏离不是随机噪声，而是系统性地由情绪、羊群效应、短期主义造成的；且这种偏离会均值回归。
• 如果市场完全有效（EMH强版本），他们的整个体系就不成立。如果市场完全无效，又无法通过基本面分析获利。他们押注的是中间态——大部分时候有效，极端时刻失效，而利润来自极端时刻。
2. "市场先生"是服务你的，不是指导你的
• 隐含假设：你可以与市场保持心理距离，不被其情绪裹挟。这本质上是一个关于个体理性独立性的假设——人可以训练自己不被群体情绪传染。
二、关于价值与企业的假设
3. 企业存在"内在价值"，且可以被合理估算
• 隐含假设：一家企业的价值等于其未来现金流的折现（DCF），未来虽然不确定，但并非完全不可知；在能力圈内，估算可以达到足够的准确度。
• 这是一个非常强的本体论假设——价值不是纯粹主观的、不是纯博弈的，而是有客观锚点的。
4. 存在可持续的竞争优势（护城河），且可以被识别
• 隐含假设：某些商业结构（品牌、网络效应、成本优势、转换成本、特许经营权）会产生优势累积效应，时间站在强者一边。
• 反过来说，如果所有竞争优势都会被快速侵蚀（完全竞争假设），"长期持有优质企业"就不成立。
5. 管理层的质量对价值有重大且可判断的影响
• 隐含假设：人（诚信、理性、资本配置能力）是企业价值的关键变量，且可以通过过往行为和言语进行评估。他们极度看重"与什么样的人同行"。
三、关于认知与理性的假设
6. 存在"能力圈"，且承认边界比扩展边界更重要
• 隐含假设：知识是有边界的，知道自己不知道什么比知道很多更有价值；在圈内决策胜率显著高于圈外。
• 这与"全知理性人"假设相反——他们的理性是有界理性，但通过主动收缩边界来提高决策质量。
7. 多元思维模型（Latticework）可以提升认知质量
• 隐含假设：世界的底层规律是跨学科互通的；将数学、物理、生物、心理学、经济学等学科的核心模型组合使用，可以比单一视角更准确地理解现实。
• 芒格的核心贡献：智慧不是信息的堆砌，而是模型的网络化。
8. 人可以通过训练克服认知偏差
• 隐含假设：虽然人类有25种心理误判倾向（芒格的《人类误判心理学》），但通过觉察、清单、逆向思维、延迟决策等方法，可以系统性地减少错误。
• 这是一个关于"自由意志与可训练性"的乐观假设。
四、关于时间与复利的假设
9. 时间是好企业的朋友、坏企业的敌人
• 隐含假设：复利效应不仅适用于金钱，也适用于声誉、品牌、知识、关系网络；长期持有优质资产的收益是非线性的。
• 他们的整个生涯就是这个假设的活体证明——伯克希尔的财富曲线是指数级的，前50年和后50年完全不在一个量级。
10. 短期不可预测，长期可预测
• 隐含假设：时间尺度越大，噪音越小、信号越清晰；一家企业10年后的竞争格局比下个季度的股价更容易判断。
• 这与华尔街的短期主义形成根本对立。
五、关于决策方法论的假设
11. 安全边际——用价格缓冲认知的不确定性
• 隐含假设：你对价值的估算永远可能出错，未来永远有黑天鹅；因此买入价格必须留出足够折扣，让错误也不至于致命。
• 这是一个认识论上的谦卑假设：承认自己的认知有限，用结构（价格）来保护自己。
12. 逆向思维（Invert, always invert）
• 隐含假设：避免失败比追求成功更可靠；知道什么会导致失败并避开它，是最高胜率的策略。
• "我只想知道我会死在哪里，然后永远不去那个地方。"
13. 机会成本是资本配置的唯一标尺
• 隐含假设：每一个投资决策的本质是与"第二好的选择"比较；你的投资组合里只应该有排名最靠前的少数机会。
• 这解释了他们的集中持仓和"等待好球"策略。
六、关于人性与激励的假设
14. 激励机制的超级威力（Superpower of Incentives）
• 隐含假设：永远不要低估激励对人的行为的塑造力——理解了激励结构，就理解了大部分商业行为和制度失败。
• 芒格说："永远不要问理发师你是否需要理发。"
15. 声誉是最宝贵的资产，且具有不可逆性
• 隐含假设：信任和声誉需要数十年建立、却可以在瞬间摧毁；因此长期利益永远优先于短期利益，即使短期利益看起来很大。
• "建立声誉需要20年，毁掉它只需要5分钟。"
总结：一句话提炼
他们的体系建立在一个核心信念上：世界虽然充满不确定性和非理性，但存在可被理性识别的、可持续的价值创造结构；通过收缩认知边界、用价格保护自己、让时间和复利为你工作，一个理性的人可以在长期获得超越市场的回报。
最反直觉的一点是：他们所有的"进攻"（重仓、长期持有、复利）都建立在极度的"防守"假设之上——承认自己会错、承认市场会疯、承认未来不可知，然后用安全边际、能力圈和逆向思维把这些不确定性转化为优势。
他们的体系不是一套"选股技巧"，而是一整套关于世界如何运作、人如何决策、价值如何产生的世界观。以下是最底层的隐含假设，按逻辑层次排列：
一、关于市场的假设
1. 市场"经常有效但不总是有效"——且偏离可以被利用
• 隐含假设：价格与价值的偏离不是随机噪声，而是系统性地由情绪、羊群效应、短期主义造成的；且这种偏离会均值回归。
• 如果市场完全有效（EMH强版本），他们的整个体系就不成立。如果市场完全无效，又无法通过基本面分析获利。他们押注的是中间态——大部分时候有效，极端时刻失效，而利润来自极端时刻。
2. "市场先生"是服务你的，不是指导你的
• 隐含假设：你可以与市场保持心理距离，不被其情绪裹挟。这本质上是一个关于个体理性独立性的假设——人可以训练自己不被群体情绪传染。
二、关于价值与企业的假设
3. 企业存在"内在价值"，且可以被合理估算
• 隐含假设：一家企业的价值等于其未来现金流的折现（DCF），未来虽然不确定，但并非完全不可知；在能力圈内，估算可以达到足够的准确度。
• 这是一个非常强的本体论假设——价值不是纯粹主观的、不是纯博弈的，而是有客观锚点的。
4. 存在可持续的竞争优势（护城河），且可以被识别
• 隐含假设：某些商业结构（品牌、网络效应、成本优势、转换成本、特许经营权）会产生优势累积效应，时间站在强者一边。
• 反过来说，如果所有竞争优势都会被快速侵蚀（完全竞争假设），"长期持有优质企业"就不成立。
5. 管理层的质量对价值有重大且可判断的影响
• 隐含假设：人（诚信、理性、资本配置能力）是企业价值的关键变量，且可以通过过往行为和言语进行评估。他们极度看重"与什么样的人同行"。
三、关于认知与理性的假设
6. 存在"能力圈"，且承认边界比扩展边界更重要
• 隐含假设：知识是有边界的，知道自己不知道什么比知道很多更有价值；在圈内决策胜率显著高于圈外。
• 这与"全知理性人"假设相反——他们的理性是有界理性，但通过主动收缩边界来提高决策质量。
7. 多元思维模型（Latticework）可以提升认知质量
• 隐含假设：世界的底层规律是跨学科互通的；将数学、物理、生物、心理学、经济学等学科的核心模型组合使用，可以比单一视角更准确地理解现实。
• 芒格的核心贡献：智慧不是信息的堆砌，而是模型的网络化。
8. 人可以通过训练克服认知偏差
• 隐含假设：虽然人类有25种心理误判倾向（芒格的《人类误判心理学》），但通过觉察、清单、逆向思维、延迟决策等方法，可以系统性地减少错误。
• 这是一个关于"自由意志与可训练性"的乐观假设。
四、关于时间与复利的假设
9. 时间是好企业的朋友、坏企业的敌人
• 隐含假设：复利效应不仅适用于金钱，也适用于声誉、品牌、知识、关系网络；长期持有优质资产的收益是非线性的。
• 他们的整个生涯就是这个假设的活体证明——伯克希尔的财富曲线是指数级的，前50年和后50年完全不在一个量级。
10. 短期不可预测，长期可预测
• 隐含假设：时间尺度越大，噪音越小、信号越清晰；一家企业10年后的竞争格局比下个季度的股价更容易判断。
• 这与华尔街的短期主义形成根本对立。
五、关于决策方法论的假设
11. 安全边际——用价格缓冲认知的不确定性
• 隐含假设：你对价值的估算永远可能出错，未来永远有黑天鹅；因此买入价格必须留出足够折扣，让错误也不至于致命。
• 这是一个认识论上的谦卑假设：承认自己的认知有限，用结构（价格）来保护自己。
12. 逆向思维（Invert, always invert）
• 隐含假设：避免失败比追求成功更可靠；知道什么会导致失败并避开它，是最高胜率的策略。
• "我只想知道我会死在哪里，然后永远不去那个地方。"
13. 机会成本是资本配置的唯一标尺
• 隐含假设：每一个投资决策的本质是与"第二好的选择"比较；你的投资组合里只应该有排名最靠前的少数机会。
• 这解释了他们的集中持仓和"等待好球"策略。
六、关于人性与激励的假设
14. 激励机制的超级威力（Superpower of Incentives）
• 隐含假设：永远不要低估激励对人的行为的塑造力——理解了激励结构，就理解了大部分商业行为和制度失败。
• 芒格说："永远不要问理发师你是否需要理发。"
15. 声誉是最宝贵的资产，且具有不可逆性
• 隐含假设：信任和声誉需要数十年建立、却可以在瞬间摧毁；因此长期利益永远优先于短期利益，即使短期利益看起来很大。
• "建立声誉需要20年，毁掉它只需要5分钟。"
总结：一句话提炼
他们的体系建立在一个核心信念上：世界虽然充满不确定性和非理性，但存在可被理性识别的、可持续的价值创造结构；通过收缩认知边界、用价格保护自己、让时间和复利为你工作，一个理性的人可以在长期获得超越市场的回报。
最反直觉的一点是：他们所有的"进攻"（重仓、长期持有、复利）都建立在极度的"防守"假设之上——承认自己会错、承认市场会疯、承认未来不可知，然后用安全边际、能力圈和逆向思维把这些不确定性转化为优势。
14 03
DeepSeek Harness（DSH）提出了一套全新的AI世界观，其核心可以概括为：将智能体系统（Harness）视为一个“时空可组合的编程范式”，并通过“一切皆插件”的架构，为AI的自进化（Recursive Harness Improvement, RHI）提供结构化的温床。这套世界观主要由三个相互支撑的层次构成：
一、时空可组合性：动态插件的数学基础
DSH的底层是Cordis运行时，它只提供六种原子操作（use、effect、set、get、isolate、intercept），却实现了传统软件难以做到的时间可组合性与空间可组合性。
• 时间可组合性：每个插件对共享环境产生的修改（effect）都必须附带一个“逆操作”（inverse）。当插件卸载时，运行时按相反顺序执行这些逆操作，将环境干净地恢复到插件安装前的状态，而不会像传统系统那样需要重启整个进程。
• 空间可组合性：插件通过“反应式共效应”（reactive coeffects）显式声明自己依赖什么能力（如数据库、日志），以及由谁提供。运行时维护一张动态的依赖拓扑图，当某个依赖出现或消失时，自动激活或停用相关插件。这保证了插件之间既能协作，又能安全拆卸。
这种机制让Harness不再是铁板一块的“底层框架”，而是一个由无数可独立插拔、影响范围可追踪的“零件”组成的有机体。
二、组合泛化：Harness作为高层动作空间
DSH的世界观认为，大模型（基础模型）擅长在训练分布内解决问题，但面对全新任务时，真正需要的是组合泛化能力——即把已有能力重新组合成新解法，而不是重新训练模型。
• Harness正是承担这一职责的“组合层”。它把外部复杂环境（多文档、多工具、子智能体等）切分成模型熟悉的局部动作，使整体任务虽然超出分布（OOD），但每一次送给模型的调用都落在局部分布内（LID）。
• 因此，RHI（递归式Harness自我改进）的目标不是寻找一个万能的最优Harness，而是沉淀一套稳定的Harness原语（如工具、记忆、中间件、上下文管理），并学习如何根据任务、模型和环境的动态变化，组合这些原语。这解决了当前RHI领域的三大困境：进化什么（离散原语）、怎么进化（组合策略）、如何递归（优化器自身学习）。
三、为自进化铺路：让奖励归因成为可能
DSH的插件化架构对强化学习（尤其是Agentic RL）具有革命性意义。传统Harness进化中，修改空间是混乱的任意代码，导致奖励归因（Credit Assignment）极其困难——系统无法判断一次成功到底该归功于哪一行代码。
• DSH通过显式依赖和可逆效应，把每一次干预变成可追踪、可撤销的局部操作。优化器可以像做“反事实实验”一样：加入插件A跑一次，撤销后换成B再跑一次，从而精确估计每个插件在当前结构下的边际贡献。
• 这为DeepSeek擅长的GRPO等算法提供了理想的土壤。在Agent场景中，环境状态会因历史行为分叉，终局奖励无法直接比较；而DSH提供的稳定实验状态和清晰干预边界，让“组相对”比较得以在相似的世界里进行，使优化器能真正从经验中学习“下一次该改哪里、如何组合”。
总结而言，DSH的世界观是：放弃追求一个静态的完美Harness，转而构建一个由离散、可逆、显式依赖的插件组成的动态宇宙。在这个宇宙中，AI可以通过组合泛化应对无穷任务，并通过自我修改的闭环不断进化。这不仅是工程架构的升级，更是通向AGI的一种全新路径——从优化模型权重走向优化智能的工作结构。
一、时空可组合性：动态插件的数学基础
DSH的底层是Cordis运行时，它只提供六种原子操作（use、effect、set、get、isolate、intercept），却实现了传统软件难以做到的时间可组合性与空间可组合性。
• 时间可组合性：每个插件对共享环境产生的修改（effect）都必须附带一个“逆操作”（inverse）。当插件卸载时，运行时按相反顺序执行这些逆操作，将环境干净地恢复到插件安装前的状态，而不会像传统系统那样需要重启整个进程。
• 空间可组合性：插件通过“反应式共效应”（reactive coeffects）显式声明自己依赖什么能力（如数据库、日志），以及由谁提供。运行时维护一张动态的依赖拓扑图，当某个依赖出现或消失时，自动激活或停用相关插件。这保证了插件之间既能协作，又能安全拆卸。
这种机制让Harness不再是铁板一块的“底层框架”，而是一个由无数可独立插拔、影响范围可追踪的“零件”组成的有机体。
二、组合泛化：Harness作为高层动作空间
DSH的世界观认为，大模型（基础模型）擅长在训练分布内解决问题，但面对全新任务时，真正需要的是组合泛化能力——即把已有能力重新组合成新解法，而不是重新训练模型。
• Harness正是承担这一职责的“组合层”。它把外部复杂环境（多文档、多工具、子智能体等）切分成模型熟悉的局部动作，使整体任务虽然超出分布（OOD），但每一次送给模型的调用都落在局部分布内（LID）。
• 因此，RHI（递归式Harness自我改进）的目标不是寻找一个万能的最优Harness，而是沉淀一套稳定的Harness原语（如工具、记忆、中间件、上下文管理），并学习如何根据任务、模型和环境的动态变化，组合这些原语。这解决了当前RHI领域的三大困境：进化什么（离散原语）、怎么进化（组合策略）、如何递归（优化器自身学习）。
三、为自进化铺路：让奖励归因成为可能
DSH的插件化架构对强化学习（尤其是Agentic RL）具有革命性意义。传统Harness进化中，修改空间是混乱的任意代码，导致奖励归因（Credit Assignment）极其困难——系统无法判断一次成功到底该归功于哪一行代码。
• DSH通过显式依赖和可逆效应，把每一次干预变成可追踪、可撤销的局部操作。优化器可以像做“反事实实验”一样：加入插件A跑一次，撤销后换成B再跑一次，从而精确估计每个插件在当前结构下的边际贡献。
• 这为DeepSeek擅长的GRPO等算法提供了理想的土壤。在Agent场景中，环境状态会因历史行为分叉，终局奖励无法直接比较；而DSH提供的稳定实验状态和清晰干预边界，让“组相对”比较得以在相似的世界里进行，使优化器能真正从经验中学习“下一次该改哪里、如何组合”。
总结而言，DSH的世界观是：放弃追求一个静态的完美Harness，转而构建一个由离散、可逆、显式依赖的插件组成的动态宇宙。在这个宇宙中，AI可以通过组合泛化应对无穷任务，并通过自我修改的闭环不断进化。这不仅是工程架构的升级，更是通向AGI的一种全新路径——从优化模型权重走向优化智能的工作结构。
17 22
