泥巴與枕頭

上週有位讀者發送給我一則訊息,我一直在思考。這是一個聽起來像是重擊的問題,直到你意識到它打錯了目標。
「詹姆斯,看看Nvidia。微晶片是著名的困難。然而,數以千計的Nvidia員工都是百萬富翁。全球晶片產業中可能有十萬人擁有七位數的財富。現在看看影響者。前十萬名創作者中有可能是百萬富翁嗎?沒有。所以看起來高難度實際上比高密度帶來更好的機會。你怎麼解釋這一點?」
這是一個絕妙的問題,因為它使用了真實的數據。但它比較了兩種完全不同的事物,卻都稱它們為魚。
員工與帝國
第一個錯誤是將員工生態系統與贏者全拿的品牌經濟進行比較。
當你看影響者經濟時,你並不是在看一個員工的產業。你是在看一個 主權品牌的產業。 MrBeast 不是一名員工。他是一個擁有一名員工的企業實體。在一個品牌驅動的市場中,沒有空間容納 100,000 名贏家。如果我花一小時觀看一位頂尖創作者,那麼我就無法花這一小時去觀看一位平庸的創作者。市場是一個替代模型。沒有中產階級。
晶片產業則正好相反。它是一個基礎設施平臺。Nvidia 僱用了數萬名員工來建造這個機器。他們是這個創造財富的引擎中的齒輪,將股權、獎金和股票增值分配給廣泛的貢獻者。這個比較不是 Nvidia 員工與影響者,而是平臺與品牌。這是完全不同的兩種架構。
但讓我們修正這個比較。讓我們將 Nvidia 員工與實際上在玩高密度、低難度遊戲的人進行對比。讓我們談談掠奪者。
Nvidia 路徑實際上的成本
你想成為那些晶片百萬富翁之一嗎?讓我們回到2014年,在人工智慧熱潮讓黃仁勳成為家喻戶曉的名字之前。
你必須是一名精英學生。高中排名前0.01%才能進入頂尖的工程大學。然後你要在接下來的四年中維持一種嚴酷的「高中畢業生」壓力,以獲得進入美國精英研究所的獎學金。接著是簽證抽籤。然後是殘酷的企業政治。再來是十年在績效評估、重組和隨時可能被年輕人取代的威脅中苦苦掙扎。
這條路徑非常明顯。完全被規劃出來。有教科書、實習、學校管道、LinkedIn 影響者告訴你該如何走這條路。
但明顯意味著供過於求。每個人都知道規則。地球上的每位天才都在競爭同一個位置。全球前100,000名工程師聽起來令人印象深刻,直到你意識到玩家基數達到數億。你並不特別;你只是那個在淘汰中倖存下來的人。
高難度並不意味著更好的機會。這意味著對固定名額的激烈競爭。
拾荒者的數學
現在讓我們來看看一個真正高密度、低難度的市場: 市場套利拾荒 .
在任何一個每天處理數百億的全球交易平臺上,人類會犯定價錯誤。演算法會經歷微秒級的延遲。這會產生微小而短暫的異常——一項資產的價格錯誤了幾分之一美分、一筆錯誤的交易按下了錯誤的按鈕、一個持續三秒的流動性缺口。
我估計全球主動且持續尋找這些微錯誤的人數少於80,000人。這是一個極其小眾且不為人知的生態系統。
假設一個中型交易所每天處理2000億美元。由摩擦和人為錯誤產生的「浪費」每天可能只有幾百萬美元。在大型機構的量化演算法吞噬了它們的龐大份額後,或許剩下的純粹狹窄套利錯誤只有100萬美元。
那100萬美元在該特定交易所的幾十位拾荒者之間分配。
你需要成為房間裡最聰明的人嗎?你需要用超級電腦超越哈佛的量化分析師嗎?不需要。如果一個機構的機器人想要一個錯誤,你就讓他們擁有它。你等著撿起他們錯過的殘餘。你每天撿到幾千美元,沒有人願意彎下腰去拿。
你不需要爭奪金字塔的頂端。你坐在底部,收集掉下來的東西。
為什麼你從未聽說過這個
為什麼Nvidia的道路出名,而撿漏者的道路卻是隱形的?
因為經濟是由頂端的人設計的。精英需要數百萬名受過高等教育、勤奮工作的人來建立產生他們財富的基礎設施。他們希望你為企業階梯的頂端而奮鬥。這就是為什麼他們建立了大學、企業層級和聲望結構。他們在訓練你拉著他們的車。
沒有大學課程教你如何撿漏市場套利。沒有MBA課程。沒有LinkedIn的影響者。因為撿漏並不建立帝國——它只是從中提取免費資本。
我常常想到一個鯉魚池。在水面上,它們為幾顆優質飼料激烈爭鬥。與此同時,在底部,撿漏者安靜地消耗著漂下的有機廢物,變得肥胖而不需要競爭聚光燈。
爭奪優質飼料是一種策略。吃廢物也是一種策略。
精英們為食物而戰。他們想成為最優秀、最聰明、最有聲望的人。但在頂端有這麼多精英在競爭,以至於掉落到底層的殘羹冷炙是非常豐富的。
全球可能有80,000名拾荒者,但有足夠的廢棄資本從縫隙中流出,可以供800,000人食用。他們根本無法全部消耗。
兩根金條
如果地上有兩根金條—一根放在天鵝絨枕頭上,由十名全副武裝的男子守衛,另一根則放在一堆泥土中,沒有人守衛—你會選擇哪一根?
放在枕頭上的那根金條是有聲望的。每個人都能看到它。每個人都想要它。你可能會被射擊,試圖接近它。
放在泥土中的那根金條是隱形的。它很髒。拍起來效果不好。但它同樣是金條。
聲望是一種幻覺。資本就是資本。把泥土洗掉,然後存進銀行。
— 詹姆斯,水星科技解決方案,東京,2026年5月
Originally published on MTS Blog & Research