我用 AI 養了五個人,專門用來反對我: 一個上班族如何深度使用 AI

圖片來源

有一段時間，我每天晚上都在跟 AI 說話。

問它市場，問它某家公司的財報，問它我腦袋裡那些還沒成形的想法。它總是回得又快又完整，有時候還會補上我沒想到的角度。

很順。順到某一天晚上，我合上電腦的時候，心裡浮出一個很輕、但揮不掉的感覺——

它好像，從來沒有真正反對過我。

我把我的想法丟進去，它幫我整理、幫我補強、幫我把話說得更漂亮。我看著螢幕上那段被潤飾過的文字，心裡想的是：這真的是我變聰明了嗎？

還是，我只是聽到了一個更會說話的自己。

一句話，把我打醒

真正讓我坐直起來的，是前幾天看到的一段訪談。

主持人博恩問了一個我以為自己早就知道答案的問題：為什麼有些人用 AI，產量像是別人的一百倍？

來賓瓦基——那位六年讀了六百本書、經營「下一本讀什麼」的人——講了一句話。他說，AI 是放大器，不是金雞母。

它不會憑空幫你生出黃金。你是什麼樣的人，它就把你放大成什麼樣子。

我當下有點不舒服。

因為如果這句話是真的，那我這幾個月覺得自己「效率變高了」，其實只是我原本的樣子，被放大了而已。

包括我的盲點。

也包括，我一直沒發現的那個習慣——我只用它來完成任務，從來沒有用它來質疑我自己。

然後瓦基講了一件我完全沒想過的事。

他說他在 AI 裡養了一個智囊團。十個角色，不同年齡、不同性別、不同職業——投資專家、退休醫師、喜劇演員、跟他一樣的創作者。他有任何想法，就丟進去給這十個人看。

有人會說這是垃圾。有人會說這一段剛好打中我心裡某個缺口。

他說，他從這個智囊團拿到的，不是寫好的文章，是「思想被撞了一下」的那種東西。

我看到這裡，暫停了影片。

因為我突然意識到，我這幾年花了那麼多時間，一篇一篇寫部落格、一頁一頁整理筆記，把六年的思考堆成一個屬於自己的第二大腦——

而我從來沒問過一件事：

這個大腦，會不會只是一個更精緻、更有條理的迴音壁？

我養了五個大佬

那天晚上，我開始動手。

我沒有用瓦基那種「大眾角色」的做法。我做了一個對我自己更兇的版本——我選了五個我真正敬佩的人。不是虛構的人設，是真實存在、留下大量文字和訪談的人（圖示）。

我的第二大腦文檔截圖

我把他們的世界觀、他們慣用的思考框架、他們說過的話，一條一條整理進去。整理到一半我才發現，這個工作本身就很誠實：你有多瞭解一個人，你就只能寫出多深的他。我以為我很懂他們，寫下去才知道，有些人我只讀過金句，沒讀過脈絡。

但真正關鍵的，是我在每一個人的檔案裡，都加了一個欄位。

我把它叫做：他會在哪裡反對我。

我逼自己去想——如果這個人真的坐在我對面，看著我這幾年寫的東西、我現在持有的部位、我最近在得意的那個判斷，他會從哪裡開第一刀。

寫那個欄位的時候，我有點想笑，又有點難受。因為我發現有些反駁，我早就在心裡聽過了。只是我一直沒讓它說完。

他們第一次開口的那天

系統建好之後，我丟了一個我自己最有信心的想法進去。那是我今年花最多時間研究的東西，我甚至已經寫成了文章發出去。我原本以為，我會得到一輪掌聲。

結果第一個開口的人，直接問我：這個判斷裡，現金流在哪裡？如果答案是「未來會有」，那它就在你的能力圈外面。

第二個人更狠。他說：你能把這套邏輯講得這麼順的時候，通常就代表它已經不是洞見了。 因為順，代表你已經講過很多次；講過很多次，代表市場也差不多知道了。

第三個人問我：你研究了兩年半，最後只押了那麼小的一筆——那你到底是相信它，還是只是喜歡「研究它」這件事？

我坐在螢幕前面，沒有馬上回話。

不是因為他們說對了。是因為他們說的每一句，我其實都隱隱約約知道，但我從來沒有把它們一次擺在同一張桌子上。

那一刻我才真正明白，我做這個東西不是為了得到答案。是為了讓那些我一直繞開的問題，終於有人幫我問出口。

原來我一直只用了三成

回頭看，我以前使用 AI 的方式，其實跟大多數人一樣。我把它當成一個很快、很聽話、不會抱怨的執行者。我把不想做的事丟給它，它做完，我拿走。

這樣有錯嗎？沒有錯。這樣很有用，我在公司也是靠這個把一整套繁瑣的流程自動化掉的。

但瓦基在訪談裡講的一句話，讓我重新看待這件事。他說，如果一個東西，你下一個指令就能全部搞定，那件事情本身的價值其實就不高——因為那只是 SOP。

真正有價值的，是那些需要來回、需要碰撞、需要你一邊講一邊才想清楚的東西。

而我以前，剛好把 AI 用在價值最低的那一段。我把一個可以陪我思考的東西，當成了一個幫我跑腿的人。那不是 AI 的問題。是我沒想過它還能是別的。

所以，一般人到底該怎麼用得深？

我不算是工程師。因爲我在一家傳統的油棕公司上班，我的同事大部分連 agent 是什麼都沒聽過。所以這幾個月我一直在想一個問題：像我這樣的普通人，要怎麼把 AI 用到「深」？

繞了一圈，我的答案跟一開始想的完全不同。

不是學更多提示詞技巧。不是換更強的模型。也不是把工具堆得更滿。

是先回答一個更笨、更根本的問題——

你要放大的，到底是什麼？

如果你腦袋裡什麼都沒有，AI 放大的就是空的。你會得到一堆看起來很完整、其實很平庸的東西。而且你不會察覺，因為它讀起來實在太順了。

如果你腦袋裡有東西——你讀過的書、你踩過的坑、你在某個行業裡待了十年才懂的那些細節——那它放大的，就是別人模仿不來的東西。

所以我後來給自己定了三個很簡單的方向。

第一，先有自己的東西，再去對話。我跟 AI 講話的時候，八成以上是拿我自己的判斷去跟它撞，不是空手去問它要答案。

第二，分清楚什麼時候要結果，什麼時候要過程。這個是我從瓦基那邊借來的想法。要做報表、要整理資料，那是要結果，講清楚就好。但如果我是在想一件還沒想通的事，那我要的是過程——是來回，是被反問，是講到一半突然「啊，原來是這樣」的那一下。

第三，刻意留一個會反對我的位置。這就是那五個人。因為一個永遠同意你的系統，用得再熟練，也只是把你原地放大。

他們的深度，就是我讀他們的深度

寫到這裡，我發現整件事其實跟 AI 沒有太大關係。

那五個人不會讀心術。他們說的每一句話，材料都來自我自己整理進去的——他們的書、他們的訪談、他們真正說過的話。

換句話說，他們的深度，就是我讀他們的深度。我沒辦法讓一個我不瞭解的人，在我的電腦裡變得深刻。所以繞了一大圈，最後又回到最土的那條路上：你還是得讀書，還是得思考，還是得把自己弄成一個有東西可以被放大的人。

AI 沒有讓這條路變短。

它只是讓那些走過這條路的人，走得比以前快很多。

而我最近常常在想的是——當所有人都能得到完美的答案時，一個人身上最稀有的，可能就剩下那些他自己一路跌撞、思考、修正過的東西了。

那個東西，沒有人能幫你生成。

也沒有人能幫你拿走。

熊市裡的加密貨幣

圖片來源

最近一直看到 AI 越來越火熱。

以我的投資性格，每當一個領域開始受到所有人追捧時，我反而會開始尋找那些比較冷門、還沒被市場充分理解的地方。於是，我又開始了新一輪的研究。當然，為了降低學習成本，我通常都會從自己原本就有一些基礎理解的領域開始深入。

最後，我把目光放到了加密貨幣。相比起 AI 的火熱，加密貨幣當時仍然處於熊市之中，市場討論度也低得多。對我來說，這反而是最適合靜下心學習的時機。

沒有人擠、沒有人喊、沒有人在群裡曬截圖。安靜得像一間關了燈的圖書館。而我最喜歡的，就是在這種沒人的地方，一個人慢慢翻書。

於是，我開始重新把過去只是略懂皮毛的知識，一層一層地挖深。什麼是 Proof of Work？什麼是 Proof of Stake？它們的本質差異在哪裡？為什麼有人認為實體資產上鏈（Real World Assets, RWA）會是下一波趨勢？區塊鏈真正解決的是什麼問題？

越研究，我越發現，這個世界遠比我原本理解的還要複雜，也比我想像中更有趣。而挖到某一層的時候，我突然愣住了。

因為我發現，這個「冷門」的加密貨幣，很可能正好是那個「火熱」的 AI，未來非踩不可的一塊地基。接下來，是我這趟挖下去的過程。

原來錢的規則，是寫在程式碼裡的

我上一篇文章拆過加密貨幣的供給機制——印新幣、燒幣、鎖倉這三股力量怎麼決定一個幣的價值。這裡就不重複了。

但有一個結論，是我整趟研究的地基。

在傳統世界，錢的規則是「人」定的。央行想印多少就印多少，銀行幾點開門幾點才能匯款，帳戶可以被凍結、被審查、被要求補件。規則掌握在機構手裡。

而在區塊鏈的世界，錢的規則是「程式碼」定的。印多少、怎麼轉、誰能動，全部寫死在公開的程式裡，沒有人可以半夜偷改。

一開始，我只把這當成一個「有趣的技術特性」，記下來，沒多想。直到我把它跟 AI 擺在一起，才發現這根本不是特性，是一道分水嶺。

AI 正在變成一個「會花錢的物種」

我想起自己之前算過的一個數字。

一個人，一天打開銀行 App，頂多兩三次。

但一個 AI Agent——一個會自己執行任務的 AI 代理——如果它在幫我盯庫存、優化投資組合、交叉比對供應商報價，它一天可能呼叫同一個系統五千次。

我盯著這個數字想了很久。

過去所有的金融系統、所有的 App、所有的銀行介面，都是為「人」設計的。人的節奏是慢的、少的、白天的、需要休息的。

但 AI 的節奏完全相反：快、多、二十四小時、永不停歇。

而接下來會發生的事，比「呼叫五千次」更關鍵——這些 Agent 不會只停在「查資料」。它們會開始自己花錢、自己交易、自己管理資產。

我開始想像一個場景：幾年後，我有一個 AI 助手，替我打理財務。它幫我監控市場、幫我再平衡投資組合、幫我付帳單、幫我在最好的時機把閒錢調去生息。

想著想著，我卡住了。

因為我意識到一個很現實的問題：我要怎麼讓它，動我的錢？

一個 AI，沒辦法住在銀行帳戶裡

我第一個念頭是——把網銀密碼交給它？光是這個念頭，我自己就先嚇了一跳。而且就算我敢，傳統銀行系統根本接不住一個 AI。我一條一條想下去，發現有三道牆：

第一道，銀行要「人」。 大額轉帳要本人簽核、要 OTP、要臨櫃。一個號稱自主運作的 AI，每動一次都要我點一次確認，那它還算什麼自主？

第二道，銀行會「關門」。 系統維護、非營業時間、跨境延遲。可是 AI 不睡覺，它需要的是一條二十四小時、隨時都在的軌道。

第三道，銀行是「單點」。 錢在一個中心化機構手上，這個機構可以凍結帳戶、可能被駭、可能倒閉、可能因為一紙政策一夜之間限制提款。把一個能自主行動的 AI 綁在這種單點上，就像把方向盤交給它，煞車卻握在別人手裡。

想到這裡，我大概摸到問題的形狀了。

傳統金融，是為「人」造的軌道。而 AI 是一個全新的物種，它需要一條為「軟體」造的軌道。而那條軌道，我找來找去，現在世界上只有一種東西提供得了——區塊鏈。

為什麼偏偏是區塊鏈？

把那三道牆，一道一道對回去，越對越覺得毛骨悚然地吻合。

銀行要人簽核，區塊鏈卻是「無需許可」的。 一個 AI 可以擁有自己的錢包，自己持有、自己簽署交易，不需要跟任何機構請示。它第一次，有了「自己的錢」。銀行會關門，區塊鏈卻二十四小時不打烊。 它不是一間公司，是一個全球運轉、永不休息的網路。AI 需要的隨時可用，它天生就有。

銀行是單點，區塊鏈卻是「去中心化」的。 這是最關鍵、也最反直覺的一點，我想了最久。

以前以為，去中心化不過就是「沒有老闆」的意思。但放進 AI 的脈絡裡，它的份量整個變了。去中心化，讓一個 AI 可以同時握住兩樣本來矛盾的東西——真正的權力，和相對的安全。真正的權力，是它能直接掌控數位資產，不透過任何中間人。

相對的安全，是正因為沒有一個中心可以控制它，也就沒有一個中心可以竊取它、凍結它、替它做主。它的資產安全，不是靠「相信某家公司」，而是靠「數學和分散」。在人的世界，我們習慣用「信任一家機構」來換取安全。但在 AI 的世界，那個作為中間人的機構，反而變成了最大的風險點。

想通這一層，我幾乎是背脊發涼地得出一個結論——當數以億計的 AI 開始變成經濟活動的參與者，它們需要一個原生的、為軟體而生的、能自主又安全的資產層。而這個資產層，就是區塊鏈。

這不是「可以用」的問題。是「非它不可」。

RWA——把真實世界，搬上這條軌道

研究到這裡，我自己冒出一個懷疑。

就算 AI 真的需要區塊鏈，上面能放的，不就是那些暴漲暴跌的加密貨幣嗎？我怎麼可能放心，讓一個 AI 拿著一堆這種東西，替我管錢？

這個懷疑，剛好把我帶到最後一塊拼圖：把真實世界資產上鏈，RWA (Real-World Asset) tokenization.

RWA (Real-World Asset) tokenization 在做的事，就是把現實世界的資產——美國國債、基金、債券、甚至房地產——搬到區塊鏈上發行和結算。這不是空想。全世界最大的資產管理公司 BlackRock，已經把一支基金放在 Ethereum 上跑，讓機構用鏈上代幣的方式，持有美國國債。連最保守、最不需要冒險的華爾街老錢，都開始把資產搬上鏈了。

當我把 RWA 這塊，接回前面那個 AI 助手的場景，整件事突然就亮了。

因為真實資產一旦上了鏈，我的 AI 助手就不再只能拿著波動的幣——它可以直接持有一份代幣化的美國國債、一份穩定的鏈上美元，然後在鏈上，二十四小時、自主地，替我管理真正穩健的資產。

一邊是 AI 提供「自主的大腦」，一邊是區塊鏈提供「自主的錢包」，RWA 再把「真實的資產」放進這個錢包。

三塊拼在一起，我看到的是一件人類歷史上從沒發生過的事——一個 AI，第一次有能力真正、獨立、又安全地，替一個人管理他在真實世界的財富。

很少人關注 AI 的錢包

繞了一大圈，我又回到最開始那個逆向的習慣。

現在所有人的目光，都落在 AI「火熱」的那一面——聊天機器人、生成圖片、寫程式、取代工作。大家看的，是 AI 的臉。

而我往冷門的地方挖，挖著挖著，卻挖到了另一件事：要讓 AI 真正變成一個能行動、能交易、能替人管錢的自主個體，它需要一個錢包。而那個錢包，只能長在區塊鏈上，裡面裝的，會是 RWA。

大家都在看 AI 的臉。很少人在看 AI 的錢包。我不知道這個劇本會多快發生，也不天真地以為中間會一帆風順。相反地，我很確定路上會有一大堆泡沫、騙局、和歸零的項目——這種事，這個圈子從來不缺。

但有一件事，我越研究越確定：區塊鏈不會因為一場熊市就消失。因為它正在悄悄長成那個最火熱的東西，未來非踩不可的地基。真正的大機會，往往就是這樣開始的。在一個沒人看好的冷清角落，安安靜靜地，長成整個時代的底層。

一如既往，沒有投資建議。

我只是想，在所有人都盯著 AI 的火熱的時候，分享一下我多看的那一眼。如果 AI 真的有一天開始自己持有資產，「錢」這個東西的定義，會不會被徹底改寫？換作是你，你會放心讓一個 AI，替你管你的錢嗎？留言跟我聊聊。

AI 可以回答很多問題，但它永遠無法替你思考

圖片來源

這一兩年最熱的焦慮，就是「AI 會不會取代我」。

於是大家一窩蜂去學怎麼下指令、怎麼寫 prompt、怎麼把 AI 用得更熟。市面上「prompt 工程」的課程一堆，好像學會了就能在 AI 時代保命。

但我越想越覺得——這個方向，可能整個反了。

大家都擠在「怎麼把 AI 用得更好」這條路上。而我這半年的體會剛好相反：真正稀缺、真正值錢的，是 AI 給不了的那一塊。那一塊很冷，沒什麼人在談。

而我會有這個想法，是因為我自己每天都在用。

AI 用得越久，我越確定一件事

我之前寫過，我公司老闆推動全員學 AI 工具，我自己也用 Claude Code 做了不少內部工具，把很多重複流程自動化。加上自己這幾年寫作，做各種資產研究，用得越多，效率越高，這沒話說。但有一件事越來越清楚：

AI 很強，但它有一個它自己跨不過去的邊界

我發現，AI 給我的答案，品質完全取決於我問的問題。我問得淺，它就答得淺；我腦袋裡沒有的東西，我不會問，它再強也變不出來。

它比較像一面鏡子。你站在它面前，它反射的是你自己的樣子。你的腦袋有多大，它能幫你的天花板就有多高。

有一句話非常貼切：

「You cannot prompt for what you don't know exists.」

你沒辦法叫 AI 去做一件你根本不知道它存在的事。這就是多數人沒看到的盲點。大家以為 AI 時代的競爭力是「會不會用 AI」。但真正的競爭力，是你腦袋裡有沒有東西可以拿去問。

如果 AI 只是反射你的腦袋，那結論就很清楚了——未來真正的差距，不在於誰的 prompt 寫得漂亮，而在於誰的腦袋裝了更多別人沒有的東西。

機器沒辦法超越你好奇心的邊界。你的內在世界有多豐富，你能問出來的問題就有多深。所以與其去學怎麼伺候 AI，我更在意的是怎麼把自己腦袋這台機器養大養深。

這幾年我給自己整理出一套方法，三個階段：輸入 → 思考 → 輸出。聽起來很簡單，但魔鬼在細節。

第一階段：輸入——你餵自己什麼

輸入不是「看更多資訊」。資訊現在多到爆炸，問題從來不是不夠，是太多。

我給自己兩條規矩：

第一，跟著自己的興趣走。 只有持續，大腦裡才會有複利。三天打魚兩天曬網，學什麼都是淺的。找到你會自己一直想往下挖的東西，那才是複利的起點。

第二，跨界。 如果你是做行銷的，去讀生物學；如果你是寫程式的，去看建築。最厲害的點子，往往不是在一個領域裡，而是在兩個領域交叉的地方冒出來的。

還有一件我越來越堅持的事——讀書，勝過刷螢幕。為什麼？三個原因，講白一點：

一，讀書是注意力的復健。 現在大家的專注力都被短影片打碎了，能坐下來讀進一本書，本身已經變成一種稀有的超能力。

二，讀書沒有「資訊掉包」。 影片和 podcast 的節奏是創作者定的，他講多快你就得跟多快。但讀書的節奏是你自己控制的——你可以盯著一句話想十分鐘，讓它在你腦袋裡慢慢消化。

三，讀書逼你自己建構畫面。 文字會逼你的大腦自己把畫面長出來，這個過程留下的神經路徑，比被動接收深得多。

輸入這一關，決定了你這台機器的原料。原料爛，後面再怎麼加工都沒用。

第二階段：思考——把資訊變成你的東西

這是最多人跳過的一關。大部分人是「資訊很多，但洞見很少」。手機裡存了幾百篇文章，但問他一個問題，講不出一句自己的話。

我常跟自己說一句：

「不思考的話，你只是一個硬碟，不是一個處理器。」

硬碟只會儲存。處理器會運算、會產生新東西。差別就在這。怎麼把資訊「消化」成自己的？我用三招：

第一，用自己的經驗去過濾。 一個概念聽起來再漂亮，你要把它拖過你自己的傷疤和勝利，反覆磨，直到它變成你的一部分。沒被你自己經驗驗證過的東西，都只是別人的話。

第二，用兩本書互相摩擦。 智慧很少在一本書「裡面」，而是在兩本書「之間」的摩擦裡。兩個作者觀點打架的地方，往往就是你要思考的地方。

第三，鑽到別人不鑽的角落。 多數人讀到「大概懂了」就停了。但那個缺失的關鍵環節，往往藏在更深、更冷門的角落裡。

這一關沒有捷徑。它就是慢，就是費腦。但這一關，正好就是 AI 幫不了你的地方——因為它沒有你的傷疤，沒有你的經驗，沒有你這個人。

第三階段：輸出——寫作是逼自己思考

很多人以為，是「想清楚了」才動筆。我的體會剛好相反：

「你不是想完了才寫，你是為了逼自己想清楚，才寫。」

寫作是一種「慢動作的思考」。你沒辦法用漂亮的句子去掩蓋一個站不住腳的論點——一寫出來，破綻自己就跑出來了。

這也是為什麼我一直在寫這個部落格、一直在整理自己的筆記。不是因為我想完了，是因為寫的過程逼我把模糊的東西想清楚。

輸出不只是寫。跟厲害的人辯論也是輸出——高水平的對話是一種壓力測試。教別人也是——如果你沒辦法把一件事講給一個六歲小孩聽懂，那其實你自己也沒真懂。

然後這三個階段會接成一個飛輪：

輸入 → 思考 → 輸出 → 冒出新問題 → 再輸入……

一開始很重，推得很吃力。但只要你持續，動能會接手。慢慢地，你會開始看到別人看不到的 pattern。

說實話，我這套東西不是只用在寫作上。我投資也是同一台引擎——把工程裡學的「折舊」概念，拿去過濾 AI 數據中心那些「兩年回本」的故事；把《人類大命運》的視角，帶進市場分析。全部都是同一個飛輪在轉。

為什麼這台引擎，讓「人」在 AI 時代變成溢價

繞了一圈，回到最開始的問題：AI 越強，人會不會越不值錢？我的答案是相反的。當完美的答案變得免費、無限、隨手可得，那真正稀缺的，反而是一個「人味」很重的東西。

我把它整理成四個 AI 給不了的東西：

第一，觀點。 一個真正的高手，不只是回答你的問題，他會告訴你「你問錯問題了」。AI 會給你答案，但人給你的是「所以呢？這重要嗎？」

第二，疤痕。 AI 的知識是乾淨的、全面的、但沒有切膚之痛。它沒有 skin in the game，沒有押上自己的時間、聲譽、甚至失敗去換來一個結論。你追蹤一個人，買的不是他的資訊，是他的疤痕。

第三，篩選。 在這個年代，「創造內容」已經不是瓶頸了——AI 一秒鐘生一百篇。真正的瓶頸是「篩選」。「我幫你讀過了，這一千篇你別看，這三篇才是真的有用」——這種篩選能力，本身就是新的創造。

第四，更好的問題。 AI 給你 what（是什麼），人給你 so what（那又怎樣）。問對問題，永遠比答對問題稀有。

把這四個合起來，其實就是一件事——在一個到處都是無摩擦、免費內容的時代，摩擦，反而變成了溢價。掙扎、偏見、個人的風險承擔——這些不是人的 bug，這些正是人的 feature。還有一個 AI 永遠複製不了的東西，叫品味（taste）。品味是你的人生經驗、你的價值觀、你選擇忽略什麼，慢慢長出來的。它不是機率計算，它是「一個人透過他的選擇，表達出他是誰」。

自己的腦袋、自己的觀點、自己的品味

所以我越來越不擔心 AI 取代我。我擔心的是另一件事——很多人把所有力氣花在「怎麼把 AI 用得更熟」，卻沒有花時間去養那個真正不會被取代的東西:自己的腦袋、自己的觀點、自己的品味。

在 AI 時代，「人本身」要成為產品。不是去跟機器比誰產出快，而是去提供那個機器永遠給不了的東西——一個觀點。大家都擠在「怎麼用 AI」那條熱鬧的路上。而我選擇走另一條冷一點的路：把自己這台機器，慢慢養大。

你呢？你最近花在「學工具」的時間，和花在「養自己腦袋」的時間，哪一個多?

太空時代的先發優勢：為什麼我越研究越覺得 SpaceX 與 Tesla 正在建立世代級護城河

AI生成圖

當我越深入研究未來十年的科技發展，有一個想法越來越揮之不去：

SpaceX 與 Tesla 也許不是兩家公司，而是在打造同一個生態系統。很多投資人喜歡談護城河。有人說是品牌，有人說是規模經濟，也有人說是軟體的網路效應。但我最近開始懷疑，我們正在見證一種比網路效應更可怕的東西：

由物理定律建立的護城河

如果把整件事情拆開來看，其實很簡單：

太空地產 + 火箭發射壟斷 + 真實世界 AI = 幾乎無法複製的優勢

低軌道（LEO）其實是一種太空房地產

很多人以為太空是無限的。理論上沒錯。但如果你要建立下一代通訊網路、全球雲端運算基礎設施，甚至未來的太空資料中心，那麼真正有價值的軌道其實非常有限。就像地球上的土地很多，但黃金地段永遠只有那幾塊。

Starlink 最大的優勢之一，就是它搶先卡位了最有價值的低軌道區域。傳統同步軌道衛星（GEO）位於約 35,786 公里高空。訊號來回延遲超過 600 毫秒。看影片可能還行，但要支撐未來即時 AI 運算、雲端服務或高品質網路體驗，根本不夠。

而 Starlink 主要部署在 340 至 550 公里的低軌道。延遲直接下降到約 25 至 35 毫秒。已經接近光纖網路等級。這看起來只是數字差異。但對未來的網路基礎設施而言，卻可能是決定勝負的關鍵。

🚨 真正關鍵的範式轉變

在地球上，蓋資料中心最大的限制是土地。有錢的人可以買更大的地、蓋更大的機房。但到了太空後，遊戲規則徹底改變了。因為在軌道上，最不缺的其實是空間。真正稀缺的是技術。

你的位置不再取決於你有多少錢，而是取決於你有沒有能力把衛星放到更低的高度、做到更低的延遲，以及解決複雜的頻譜干擾問題。這也是為什麼後來者無法簡單靠資金追趕。因為 SpaceX 已經率先占據了最理想的軌道層。

其他競爭對手即使進場，也只能被迫部署到更高、更不利的位置。例如 Amazon 的 Kuiper 星座規劃高度就高於 Starlink 的核心軌道層。而距離每增加一點點，訊號延遲、功耗需求以及工程複雜度都會跟著上升。

換句話說：

在太空經濟裡，技術能力本身就是你的土地邊界

誰先搶到最好的軌道，誰就等於先買下了最精華的黃金地段。而且這塊地，後來者幾乎無法複製。

即使你想追趕，也得先解決火箭問題

假設今天有人願意投入數百億美元挑戰 Starlink。問題來了。你要怎麼把數千顆衛星送上去？這正是 SpaceX 第二層護城河。火箭。

很多人低估了一件事：

即使你設計出更好的衛星，如果無法便宜地送上太空，也沒有任何意義。透過 Falcon 9 的可重複使用技術，SpaceX 已經把發射成本壓到競爭對手難以追趕的程度。而 Starship 一旦成熟，這個差距可能進一步被拉大。

最可怕的地方不只是便宜。而是更新速度。當競爭對手還在規劃第一代星座時，SpaceX 已經可以用更低成本部署第二代甚至第三代衛星。這種優勢會隨時間不斷累積。形成一個非常典型的強者愈強循環。

Tesla 角色

很多人把 Tesla 看成電動車公司。但如果只這樣理解 Tesla，可能錯過了最重要的部分。Tesla 真正的核心資產，也許是 AI。因為未來的太空基礎設施不只是硬體。它還需要大量自主運作能力。衛星避碰。軌道垃圾追蹤。衛星之間的雷射通訊路由。甚至未來軌道資料中心的日常維護。這些本質上都是現實世界 AI 問題。

而 Tesla 正在透過 FSD 累積全球最大規模之一的真實世界資料集。訓練如何讓 AI 在混亂、不確定且難以預測的環境中做出決策。從某種程度來說。馬路和太空其實有驚人的相似之處。因為兩者都充滿不可預測的物理世界變數。

Optimus：真正改變遊戲規則的可能不是汽車

如果未來真的出現大型太空工廠或軌道資料中心。人類其實不是最理想的勞工。人需要氧氣。需要食物。需要加壓環境。而且非常昂貴。但機器人不需要。

如果未來出現適應真空環境的 Optimus 版本。它可以在太空中進行維修、建設甚至長期駐留工作。那麼許多原本不經濟的太空計畫突然就變得可行。這也是為什麼我認為很多人低估了 Optimus 的長期潛力。

因為它的市場未必只是地球。

最後拼圖

當我把這些拼圖放在一起時。我看到的是一個非常完整的閉環。SpaceX 負責掌握發射能力與低軌道黃金地段。Tesla 提供 AI、大規模運算能力以及未來的機器人勞動力。

如果這條路線持續發展下去。其他競爭者需要克服的已經不只是資金問題。而是物理定律、時間優勢以及人工智慧能力。而這些，往往也是最難追趕的東西。

或許很多人仍然把這一切視為遙遠的科幻故事。但回頭看歷史，真正的大機會往往都是如此。在大家覺得不可能的時候開始。等到所有人都看懂的時候，最大的報酬通常已經被拿走了。