在制度变迁中推理
标题：制度变迁中的推理
非遍历系统中的推理
阿尔伯特·阿祖特
2026年3月1日
101 分享
在《临界性投资》一文中，我们讨论了现实世界的市场如何成为自组织临界性系统。这意味着它们会自我调整，处于有序与混沌之间的边缘。因此，这些系统表现出路径依赖（早期事件限制了未来选择的空间）、长记忆性（过去状态导致的持续锁定），并自然导致亚稳态（系统可能陷入看似稳定但可能迅速变化的制度中）。
我们曾解释，处于亚稳态的系统会积累潜在的张力，这些张力会随着外生和/或内生催化剂而释放，使系统进入新的亚稳态，并常常引发大规模的资本轮动。一个典型例子是2022年ChatGPT的推出，它引发了大规模的资本轮动和随后的数据中心资本支出周期。在ChatGPT之前，市场处于一种“SaaS优先思维模式”，而当时存在若干潜在张力：
研究实验室知道，增加数据、参数和计算量会可靠地提升模型性能，但这些大多停留在论文、API和演示中，尚未形成主流的产品叙事。
基础模型已经展现出超越大多数企业和投资者心智模型（即“机器学习只是一个功能”）的涌现能力（如少样本学习、代码生成和推理），从而在观察到的技术潜力与商业应用之间形成了差距。
对GPU级计算的需求正在加速增长，但仍被框定为研究或小众工作负载；硬件和云生态系统尚未围绕AI作为数据中心资本支出的主要驱动力进行重新评级。
关于AI将是软件内部的横向能力，还是一个拥有自身经济模式的新平台层，存在未解决的争论，但当时尚无典型产品来锚定任一方向。
围绕先进芯片和出口管制，美中半导体冷战已在酝酿，AI作为需求和国家安全关切的隐性驱动力，但当时缺乏一个公开的“AI时刻”来使其具体化。
如果我们以AI为例，当资本在转型前布局得当，临界性转变显然可以转化为高凸性的结果。但为什么大多数投资者无法提前看到这些潜在张力？
因为路径依赖、记忆性和吸收态/亚稳态的结果意味着现实世界的市场是非遍历的。在遍历系统中，沿单一轨迹的长期时间平均值等于系综平均值。例如，在一个公平的抛硬币过程中，经过足够长的序列，一个人时间序列中出现正面的比例会收敛到50%。这与通过平均许多独立的抛硬币序列得到的50%相符。在非遍历系统中，历史很重要，并非所有状态都会被探索，沿单一轨迹的时间平均值可能与系综平均值截然不同。例如，一个反复下注的赌徒，在许多情景下的平均表现可能看起来有利可图，但实际上很可能破产并停留在那里，因此实现的结果远比平均值所暗示的要糟糕。
理解非遍历系统的一种方式是在马尔可夫链的背景下思考，其中瞬态（白色圆圈）会进入吸收态（黑色圆圈，如下方的状态4和5），这些吸收态会困住系统，阻止其完全探索状态空间。
以风险投资为例，这意味着投资者的长期投资组合回报可能与横截面平均值（由少数异常基金驱动）严重偏离。
非遍历（左图）：系综平均值在纸面上看起来很棒（因为幂律意味着少数投资者获得了极右尾的结果）。但中位数投资者的财富崩溃，约59%的投资者亏损。少数巨大的赢家拉高了平均值，而大多数则破产。这是乘法动力学（重复的百分比收益/损失）——典型VC投资者的遭遇与平均值大相径庭。
遍历（右图）：系综平均值（4,050美元）≈ 中位数（4,250美元）。每个人的轨迹都聚集在均值附近。时间平均值和系综平均值收敛。
非遍历性意味着系统和市场会经历制度变迁，即当催化剂将系统踢出亚稳态时。在制度变迁期间，波动性飙升，系统最终会进入一个新的亚稳态。在上面的马尔可夫链例子中，制度转变意味着转移概率（边上的权重）的微小变化会突然使得过程更有可能结束于一个不同的亚稳态，从而有效地将系统从一种长期模式转移到另一种。在某些情况下，链的整个结构或拓扑本身会发生变化。当这种情况发生时，历史观察在预测未来方面的作用就小得多，因为我们实际上处于一个“新世界”。
投资者应如何在复杂、非遍历的市场中做出决策？
答案是进行更深入的探究。
应用贝叶斯推理的视角，让我们假设我们所知道的一切都编码在一个关于市场运作方式（其转移概率、收益结构和潜在制度状态）的可能模型的先验分布中。然后，历史数据将该先验更新为关于模型的后验分布。
但当制度发生转变时，生成模型本身可能发生变化，因此我们不再仅仅是在一个固定模型内更新关于状态的信念；我们现在对模型本身也不确定。
因此，需要更深入的模式识别来检测生成结果的结构何时发生了变化——即当微小的异常或意外不是制度内的噪音，而是转移概率、收益函数甚至状态空间本身已经发生变化的信号。此时，任务不再是基于历史已实现路径进行外推，而是推断最可能产生新观察结果的潜在机制。换句话说，我们必须从在模型内更新信念，转向构建关于现实的新模型。我们认为，在实践中，这意味着提出基于机制的问题，而非基于类比的问题，例如：
价值创造：价值创造的新底层动力是什么？而不是简单地询问这是否符合CAC/LTV等先前的经济框架。
市场进入动态：当前的数据点在分销优势和反馈循环方面意味着什么？而不是仅仅询问观察到的网络效应是否像以前的赢家。
制度不变性：竞争优势的哪些要素是制度依赖性的（例如，资本可用性、GPU稀缺性）？哪些是制度不变性的（例如，转换成本、工作流锁定）？
创始人适应性：团队是否构建得能够驾驭持续的制度变迁？还是他们被优化为在当前有效的静态剧本内执行？
市场结构：要使这家公司维持利润率并避免商品化，哪些结构性条件、客户行为、采购动态、集成优势必须持续存在？
目标是构建一个关于当前世界状态的模型——一个因果或结构模型，它能解释我们所看到的现象，并植根于底层机制。否则，危险在于我们要么依赖动量和共识观点，要么应用一个与新制度不再相关的世界模型。
在未来的文章中，我们将在复杂市场的因果或结构模型背景下，讨论我们对当前市场的看法，以及归纳和溯因模式识别的细微差别。
101 分享
原文来源：Level VC
