Martin Shkreli: Big Pharma's Blind Spot, Betting Against Quantum & What Prison Taught Him｜深度中文详解

播出信息

• 日期：2026-10-12 08:49 AM PT
• 时长：1517 秒，约 25 分 17 秒
• 节目：All-In
• 嘉宾：Martin Shkreli
• 英文转写来源：podscripts
• 音频：收听节目
• YouTube：观看视频
• Episode：节目页面

背景

Martin Shkreli 曾经营对冲基金并创办生物医药公司，也因将抗寄生虫药 Daraprim 的价格大幅提高而成为药价争议的代表人物。他后来因证券欺诈相关罪名获刑；公众对他的评价，往往将药价、企业经营、刑事案件和他刻意挑衅的表达方式合并在一起。本集值得把这些问题拆开：一个人可能熟悉药物资产交易，也可能在别的判断上过度自信；某项行为引发强烈伦理争议，不等于可以省略其具体法律事实。

这次对谈从主持人提出的量子计算做空交易开始，转向光计算、药企的药物授权与重新开发、AI 基础设施投资，以及 AI 能否真正改善药物研发。后半段则讨论有效加速主义、AI 公司的商业分配，最后落到 Shkreli 对失败、身份执念和监狱生活的解释。以下按议题梳理他的论证，同时区分可检验的事实、投资判断和带有表演色彩的断言。

总结分析

本集最有解释力的线索，不是 Shkreli 一概反对前沿技术，而是他反复追问：技术演示、可规模化产品、可盈利公司，究竟相隔多远？他认为量子计算确有针对特定数学问题的惊人潜力，却不相信现阶段的机器能承接通用算力需求；与之相对，光计算直接瞄准 AI 大量使用的矩阵运算，因此更值得追踪。不过，他也承认自己做空量子公司亏过钱：技术判断即使最终正确，也可能不足以支持一笔有期限、有成本的交易。

药物部分提供了另一面。他回忆自己如何从大药企买入不受重视的研发资产，再为候选药物寻找不同适应症；这不是凭空“发明新分子”，而是重新判断临床证据、知识产权、患者需求和开发路径的组合。可是，当他把自己参与的 sparsentan 称为 FSGS 患者已有的获批药物时，公开可核实的批准适应症与其说法并不吻合。这个细节恰好说明：业内经验能提出值得研究的线索，却不能替代逐项核对监管文件。

讨论 AI 时，他同时表达了两种看似冲突的看法：AI 对经济活动的需求空间可能远超现有知识工作者，却未必会在短期内产出改变药物开发的药品；模型可能持续创造价值，今天采购的 GPU 也可能被新架构替换。他批评末日式风险叙事，但对「AI 几乎无助于药物发现」同样说得过满。结尾的个人反省让前面的投资话题有了回声：他承认自己曾执着于证明是顶尖交易员，以致不愿承认创业比交易更适合自己。本集的价值，正是在这些宏大判断旁边，保留对时点、证据和自我认知的追问。

节目结构 / 议程

1. 量子计算的能力边界与做空代价 — 00:00 🎧 · ▶️
2. 光计算为什么进入 AI 算力候选名单 — 06:04 🎧 · ▶️
3. 从药企闲置资产到新适应症 — 07:38 🎧 · ▶️
4. GPU、资本开支与技术替代风险 — 11:17 🎧 · ▶️
5. 加速主义、安全叙事与 AI 制药分歧 — 14:40 🎧 · ▶️
6. AI 市场的价值最终由谁取得 — 16:26 🎧 · ▶️
7. 聪明人的身份负担与监狱里的共同经验 — 21:25 🎧 · ▶️

分节详解

1) 量子计算的能力边界与做空代价 — 00:00 🎧 · ▶️

💬 他们说了什么：主持人先把 Shkreli 对量子计算上市公司的批评描述为「造假」论，问他技术问题在哪里，以及若公司高管入狱该如何适应。Shkreli 说，妻子 Chelsea 曾在 MIT 学习并教授量子计算；在她帮助下，他逐渐区分了「量子计算」与「把普通计算机做得更快」。他以排序为反例：即使经典算法如归并排序很常见，也不能据此断言量子机器执行同一工作会优于 NVIDIA GPU；他还说，当前机器的时钟频率、规模和数据存取条件，距离通用计算要求甚远。他把量子优势主要归于 Shor 算法所代表的整数分解及相关离散对数问题，并称自己和 Chelsea 试用过可接触的量子计算机，连简单的乘法演示都不理想。尽管坚持看空，他承认做空量子计算公司已亏损「数百万美元」，以「换来数十亿美元的洞见」自嘲。

💡 为什么重要：他迫使听众把三个问题分开：数学上是否存在量子加速，物理设备能否可靠实现这种加速，企业又能否靠它出售有竞争力的服务。主持人随即提出晶体管早期的类比：今天的软件工具、门电路和系统架构尚不成熟，不代表未来不可能成熟。Shkreli 的回答不是否认研发价值，而是追问投资人买入的是哪一代公司、等待多久，以及研发投入怎样转化为收入。对于做空者，这个区别尤其残酷：市场可以长期为未来可能性定价，而空头必须支付等待的成本。

⚡ 争议点：把量子计算说成「只有一个算法有用」过于绝对；量子模拟、搜索与优化等方向虽各有严格限制，也不能直接删去。用现有设备做普通乘法，更不是评价量子计算潜在商业用途的决定性测试，因为研究者本来就不会以普通乘法取代经典处理器作为主要卖点。「没有量子 RAM」也应理解为可实用、可扩展的量子存储与数据装载仍是重大难题，而不是不存在相关理论研究。至于主持人的「高管可能坐牢」说法，节目没有拿出足以支持刑事指控的具体证据。

2) 光计算为什么进入 AI 算力候选名单 — 06:04 🎧 · ▶️

💬 话题从量子转到 AI 实际大量执行的矩阵乘法。Shkreli 把 GPU 描述为主要处理 matmul 的机器，以两个千阶方阵相乘需要大量运算为例，强调算力需求之大；他随后提到读到微软关于模拟光计算（analog optical computing）的论文，认为光学器件执行某些线性变换的方式值得追踪。他提及若干尝试制造光子矩阵运算核心的初创公司，也说自己可能调查创业机会。与量子计算相比，他觉得光计算至少瞄准了今天真实存在、反复运行且规模巨大的工作负载。

💡 这段并非宣告「光芯片已经战胜 GPU」，而是提供一种寻找替代技术的路径：先确定需求最密集的计算原语，再问新介质能否在功耗、吞吐量或延迟上改善整个系统。矩阵运算是模型训练与推理的核心组成，因此哪怕只降低其中一部分成本，也可能影响数据中心的采购与部署。Shkreli 自己承认，非线性计算、存储和其他细节仍未解决；这句话比「光中的矩阵乘法几乎免费」更接近产品开发必须面对的难题。算得快并不等于能低成本、稳定地把数据送进来、读出去、校准精度并接入现有软件。

⚡ 他用传统的立方复杂度作直观说明，不能推导出所有 GPU 矩阵乘法都严格按这一方式运行；实际成本取决于算法、矩阵尺寸、精度及硬件实现。光在介质中的传播可以承担部分计算，但激光源、转换器、存储、纠错、控制电路和制造良率都要计入系统成本。节目没有给出可复现实验或完整的同口径基准，足以证明其列举的公司能在商业部署中「绕着 NVIDIA 跑」。应把这一段视为值得跟踪的工程假说，而非已经兑现的性能结论。

3) 从药企闲置资产到新适应症 — 07:38 🎧 · ▶️

💬 主持人问及其最著名的药价事件，Shkreli 没有先详述 Daraprim，而是回顾自己从投资转向药物创业的经历。他称自己 16 岁进入 Jim Cramer 的对冲基金，后来发现买卖上市股票不如寻找被低估的药物资产适合自己；他举例称，曾以约 200 万美元从 Bristol Myers 买入一项药物资产，并将相关公司的后续估值与最初价格作对照。他描述的工作不是随手敲开 Pfizer 的门就能捡到便宜，而是读论文和专利、联系大学及药企、判断临床路径，再为分子找到值得开发的疾病。他以 sparsentan 为例：原先围绕高血压开发，后来转向肾病方向，并在谈话中把 FSGS（局灶节段性肾小球硬化症）作为重要例子；他还说，早在 2015 年便试过用自然语言处理处理海量医学文献，以缓解人工筛选资产的瓶颈。

💡 大型药企出售或授权项目，并不必然意味着分子毫无价值；一个项目对原持有人不够重要，可能仍适合资源更集中的小公司。买方若能识别不同适应症的患者需求，重组临床试验和商业化计划，理论上可以同时创造患者价值和投资回报。这也解释了他所说的「市场低效」究竟在哪里：不是论文没人能读，而是将分散的科学、专利、监管和交易信息转化为可执行决策的能力稀缺。主持人提及 Royalty Pharma 时，双方也区分了取得药物开发权益与折价购买未来特许权使用费现金流这两种不同模式。

⚡ 本段最需要纠正的是批准适应症。Shkreli 在口语叙述中把 sparsentan 与「FSGS 患者如今已有获批药物」连在一起；然而该药以 Filspari 名义获得的美国批准涉及 IgA 肾病，不能把它直接写成已获 FDA 批准治疗 FSGS。谈话没有提供其所述资产购买价格、当前公司估值与该分子贡献之间的完整可核查交易链，也没有证明买入与后来全部价值增长可简单归因于一次适应症选择。更重要的是，这段创业成功叙事不应冲淡 Daraprim 涨价引发的药物可及性问题；两者是不同资产、不同决策。

4) GPU、资本开支与技术替代风险 — 11:17 🎧 · ▶️

💬 主持人要求他把技术判断变成投资判断：面对 AI 基础设施的资本开支，应该看多或看空什么？Shkreli 回答说，从 20 年的尺度看，H100、B100、B200 等 GPU 都可能进入废料堆，因为人们会找到更好的计算方法；他尤其不喜欢把当前算力路线无限外推，以致谈到在太空部署计算设施或新增核电。他同时承认，眼下 NVIDIA 未必是好的空头标的：效率提高可能降低单位计算价格，反而刺激使用量，即所谓杰文斯悖论。他举出两类可能颠覆预测的变量——更高效的光计算硬件，以及可能大幅减少计算需求的 Transformer 改良——并提醒自己若身处 2000 年，也可能误判当年的 Yahoo 或 Cisco 长期走势。

💡 这一段把「需求会增长」与「某一代设备供应商必定永远获胜」区分开来。若模型推理变得便宜，新应用可能迅速消耗节省出的算力；但若算法效率提高速度超过新增需求，部分基础设施投资也可能无法按预期获得回报。投资人因此需要同时跟踪使用量、单位成本、设备折旧、供给增加和软件能力，而不是只看 GPU 出货或模型参数。他在量子交易上的亏损又构成一个反面实例：判断终局中的技术替代，不等于判断未来数季股价。

⚡ 「今天的 GPU 二十年后会被替换」并不令人意外，真正困难的是替换时间、性能与既有投资回收期如何匹配。他随口提出的「千倍」模型效率或更极端的计算需求增幅，在节目里没有相应的技术规格、成本模型或市场数据支持。杰文斯悖论也不是保证厂商收入持续增长的定律：更便宜的计算能否带来足够新增需求，仍取决于有用应用、支付意愿和竞争格局。因此，既不能从潜在新技术直接推出现在应该做空 NVIDIA，也不能以 AI 需求巨大为由忽略资本开支周期。

5) 加速主义、安全叙事与 AI 制药分歧 — 14:40 🎧 · ▶️

💬 谈到 Dario Amodei、Anthropic 与有效利他主义时，Shkreli 说自己参与推动过与之对立的有效加速主义（e/acc）话语，更赞同快速建设，而不是把 AI 描述成即将导致人类灭绝的软件。他批评过度恐慌，也质疑有关 AI 将迅速造成大规模失业、治愈所有疾病的强预测。作为有药物开发经历的人，他尤其断言：未来 10 年恐怕也不会出现一款真正「与 AI 有关」的药物，并说 AI 对药物发现帮助不大。他的依据是药物开发早已使用计算机、集群和 GPU，而发现候选分子距离证实安全有效、获得监管批准仍有很长的实验与临床道路。

💡 Shkreli 指出一个真实的概念混淆：AI 能生成分子、整理文献或协助实验设计，并不等于已经证明它能稳定提高最终获批药物的数量。药物研发的瓶颈还包括靶点生物学、体内作用、毒性、试验设计、患者招募和可重复的临床效果。他对「把昂贵算力包装成包治百病的时间机器」保持怀疑，能帮助听众要求更严格的结果指标。另一方面，他主张加快开发，并不自动回答模型被滥用、系统失误或权力过度集中的治理问题。

⚡ 「AI 不帮助药物发现」与「十年内不会有 AI 相关药物」都缺乏清楚的判定标准：辅助筛选、结构预测、候选药物设计和直接决定获批疗效，是强度不同的主张。节目也没有逐项检验 Dario 的原始表述、条件和预测期限，因而不宜把 Shkreli 的转述当作对方完整观点。对于安全议题，「现在可以关掉电脑」是一句便于表达立场的话，却不能充分回应已经部署的模型、开源扩散或系统级风险。反过来，担忧风险的人也需要说明具体危害、发生机制及监管措施的代价，而不能仅靠最坏情景说服公众。

6) AI 市场的价值最终由谁取得 — 16:26 🎧 · ▶️

💬 主持人追问 AI 公司高估值靠什么收入兑现，并提及有大量风险资本流向 AI。Shkreli 一方面承认，资本可能经由创业公司购买模型调用与算力，形成需要警惕的资金循环；另一方面认为「知识工作者薪资总额」低估了 AI 市场，因为 AI 还可能经营业务、创办公司、开发产品。他设想未来 OpenAI 或 Anthropic 内部出现从医药、汽车到航空的一系列业务；又以麦当劳为例，设想企业投入巨额算力寻找下一款最佳三明治，只要答案创造的价值超过成本，就可能划算。随后他把 AI 类比互联网：基础技术普及后，最大受益者也许是消费者与使用它的企业，而不只是出售模型或芯片的公司；他特别看重 Meta 的分发能力与产品执行。

💡 这一部分把 AI 的社会价值 与 特定提供商能留下多少利润 分开。即使智能服务越来越有用，竞争者增加、模型能力趋同及价格下降，也可能让很大一部分收益流向客户；有用户入口、产品场景和分发渠道的公司则可能更容易把能力转成持续使用。对 OpenAI、Anthropic、Meta 和硬件商而言，护城河因而不只是排行榜上的模型成绩，还涉及推理成本、可靠性、集成体验与客户转换难度。麦当劳例子虽然夸张，却清楚说明了他的边际价值逻辑：关键不是用了多少 GPU，而是更多计算能否持续带来更好的经营决定。

⚡ 「智能需求没有上限」是判断方向，不是已经验证的可支付市场规模；客户仍会比较价格、质量与替代方案。把一家模型公司设想成包罗各行业的「内部标普 500」也留下难题：专业监管、线下执行、资本占用和行业竞争，不会因获得通用模型而消失。麦当劳是否值得为一款三明治采购巨量计算资源，取决于额外计算相对于市场测试、传统分析和较小模型的真实增量收益。Shkreli 看好 Meta 或持有 OpenAI 敞口，属于个人判断与仓位陈述，不构成这些公司的业绩保证。

7) 聪明人的身份负担与监狱里的共同经验 — 21:25 🎧 · ▶️

💬 主持人以 Sam Bankman-Fried 的投资眼光和刑事案件为引子，问聪明、反传统和越界之间是否有关系。Shkreli 的回答转向个人心理：从小被视为聪明的人，可能觉得必须不断证明自己配得上这个身份；承认「我在这件事上没那么出色」，反而变得异常困难。他说自己曾迫切想被看作伟大的交易员，却不愿接受自己更擅长创业，并将这种身份执念视为通向入狱的因素之一。谈及监狱生活，他没有继续讲「掌控狱中局面」的传奇，而是提到不同背景的人会为朋友失联、想念亲人、希望做好父亲等相似的事难过。

💡 这使本集前面那些强势判断有了可供反思的尺度：一个人可以敏锐地发现别人忽略的机会，也可能因无法承认自身局限而放大错误。Shkreli 对交易与创业的区分，尤其适合用来理解能力错配——分析资产、管理短期仓位和长期开发药物，需要不同的技能与心理承受力。监狱里的共同经验则暂时放下了成功者与失败者、精英与普通人的身份标签，把关系和责任重新放回叙述中心。它使对谈不止于技术预测，也触及人如何解释自己做过的决定。

⚡ 自我反省可以说明一个人怎样理解自己的行为，却不能单独构成对法律责任的完整解释。把 Bankman-Fried、Elizabeth Holmes 和自己放进「天才受身份压力驱使」的共同叙事，可能忽略每案不同的事实、受害者与决策链条。尤其不能从「怕承认自己不是顶尖交易员」直接推出证券欺诈是可以理解或不可避免的结果。评估转变是否真实，仍应看长期行为、可核查的事实陈述，以及他如何回应具体造成的损害。

人物与机构

• Martin Shkreli：本集嘉宾，前对冲基金经理、生物医药创业者；其药价争议、证券欺诈案件及本集技术投资观点须分别讨论。
• Chelsea：Shkreli 的妻子；据其介绍，她有量子计算教学背景，并与他一起研究及试用量子设备。有关个人经历的细节以节目中的嘉宾叙述为准。
• Jim Cramer：Shkreli 早期进入投资行业时工作的对冲基金负责人；嘉宾以此解释自己如何接触基因组学投资。
• Bristol Myers、Pfizer：在药物资产讨论中出现的大型药企，用来说明授权、出售和重新开发候选药物的可能路径；节目中的交易价格不应泛化为通常市场价格。
• Royalty Pharma：节目用它与药物开发资产交易作对照；其代表性业务是投资药品相关的特许权使用费等现金流权益。
• NVIDIA、Microsoft、IBM、Google：分别出现在 GPU、模拟光计算研究及量子计算研发讨论中；参与研究不等于相关技术已有同等程度的商业化。
• OpenAI、Anthropic、Meta：AI 市场结构讨论的核心机构。Shkreli 既比较它们的模型与分发能力，也对安全叙事和商业扩张提出明显带立场的评价。
• Dario Amodei、Sam Bankman-Fried：前者是嘉宾批评 AI 风险及药物研发预测时谈到的人物；后者出现在关于聪明、投资判断与违法行为的讨论中。节目对两人的概括都不是其完整立场或案件材料。

金句

以下为根据英文发言整理的意译，并非逐字中文引语。

• Shkreli：「量子计算不是把现有计算机整体加速；你得先问，究竟是哪一种问题获得优势。」
• Shkreli：「我们做空量子公司亏了数百万美元，但我跟妻子说，我们赚到了数十亿美元的洞见。」——一句玩笑，也点出了判断与交易的距离。
• Shkreli：「今天的 GPU 将来会进废料堆；难的是知道何时，以及在那以前需求会增长多少。」
• Shkreli：「我很难承认自己不是最好的对冲基金经理，却可能是个很好的创业者。」
• Shkreli：「无论一个人在外面取得什么成就，监狱里的人仍会想念朋友、家人，也希望做好父亲。」

洞见与延伸背景

1. 量子计算商业化应分层检验。「量子设备能运行」「某任务出现有意义的加速」「客户愿为稳定服务付款」是三个不同里程碑。考察公司时，除了物理量子比特数量，还应关注纠错后的可用能力、任务规模、运行可靠性、与经典方案的同口径比较，以及客户究竟买了什么。Shkreli 的排序和乘法例子有助于防止把量子误称为通用 GPU，却不能代替对专门应用的评估。

2. 光计算的机会与瓶颈处在同一个系统里。利用光学过程实现某些线性运算，是不同于「让所有软件都在光上运行」的较具体目标。商业化往往取决于电—光转换、信号精度、可编程性、制造成本和软件适配；若数据频繁在光学单元与电子存储之间搬运，理论上的局部优势可能缩小。因而更有用的问题是：它在某个确定模型、精度要求与功耗预算下，能否持续优于成熟加速器？

3. 药物授权交易买到的是一组权利与义务，不只是一个分子。开发方需厘清专利期限、地域和适应症范围、预付款、里程碑付款、未来销售分成，以及已有试验数据可否支持下一步开发。大型药企不继续投入，可能源于战略排序，也可能源于疗效、安全或商业前景不足；买方必须区分这两种情况。Shkreli 的故事说明重新配置资产有价值，但仅凭买入价与后来市值作比较，无法计算完整投资回报。

4. AI 制药需要看终点，而非只看宣传标签。一个项目使用语言模型整理文献，与 AI 设计出的候选药物完成关键临床试验，是跨度很大的两件事。评价时可依次追问：模型影响了哪项决定，与传统方法相比节省了多少时间或实验，候选物质量是否更高，优势有没有延续至临床阶段。这样既不必接受「AI 很快治愈所有疾病」，也不必接受「AI 对研发毫无帮助」。

5. AI 算力投资存在需求、效率和折旧的三重周期。模型和应用推动需求，算法优化降低每项任务的计算量，新芯片及其他架构又改变旧设备的经济寿命。三者可能相互抵消，也可能在一段时间内共同推动更低价格和更高总使用量。判断资本开支回报，需要把设备利用率、推理收入、能源与机房成本、更新周期放在一起，而不能从「社会需要更多智能」直接推出每笔采购都有好回报。

6. 嘉宾的矛盾本身是一条分析线索。他要求量子公司证明商业用途，却对光计算的长期性能表达强烈期待；他拒绝 AI 药物研发的宽泛承诺，又构想模型公司经营众多实体行业。把同一套证据标准用于自己赞同和反对的技术，才是这些反共识观点真正可借鉴的部分。

争议与需核实

• Daraprim 的药价与法律案件不可混写。节目开场回顾其大幅涨价争议；Shkreli 在后文主要谈的却是其他药物资产和证券投资。他的入狱涉及证券欺诈相关案件，不能简单写成「因提高 Daraprim 价格被判入狱」；同样，「企业必须不惜一切代价最大化利润，否则会遭起诉」不是可直接套用的法律规则。
• Sparsentan 的批准适应症须以监管文件为准。嘉宾把 FSGS 患者与「已有获批药物」直接相连，但 Filspari 在美国获批的适应症是 IgA 肾病。本集不能据此声称 FDA 已批准 sparsentan 治疗 FSGS。
• 量子公司的刑事指控缺证据。认为估值过高、商业时间表不现实，和证明管理层实施欺诈，是性质不同的主张。节目没有提供具体虚假陈述、主观故意或监管调查材料。
• 部分技术与财务数字是嘉宾口述。药物资产的买入价、相关公司估值、做空损失，以及光计算可能带来的性能改善，均应在投资或引用前查找交易文件、财报和可复现基准；节目谈话本身不足以完成核验。
• 对他人的预测应核对原文。Shkreli 对 Dario Amodei 的失业、疾病及 AI 风险观点作了强烈概括，也评价了相关人物的动机。判断其批评是否击中原论点，应另读被评论者的完整讲话与预测条件。
• 自我解释不等于完整责任说明。「害怕承认自己不擅长交易」可以是值得听的反省，但不能替代案件事实、受害者损失以及具体行为的法律评价。

行动建议

• 评估前沿技术时，写出三级问题：它在理论上能做什么、现有系统能稳定做什么、客户为什么愿意付费。量子计算与光计算都适用这张清单。
• 评估 AI 基础设施时，同时做两组情景：一组假设低成本推动需求扩张，另一组假设模型效率和新架构加快旧设备折旧；不要只外推当前采购速度。
• 阅读「AI 制药」新闻时，追问具体研发阶段和比较基线：节省文献检索时间、找到候选物与证明临床获益，不应归为同一种成果。
• 面对反共识投资论证，先检查期限与证据标准：嘉宾自己承认，做空量子公司的亏损说明「可能看对技术终局」与「能从仓位获利」并非同一件事。
• 涉及 Shkreli 的履历与药物案例时，分别核实药品标签、监管批准、交易文件和法院记录；不要让精彩的创业故事或强烈的公众形象代替逐项查证。

来源

• 英文转写：podscripts；本笔记依据用户提供的该集英文转写整理，时间点按转写标记定位。
• 节目页面：All-In：Martin Shkreli: Big Pharma's Blind Spot, Betting Against Quantum & What Prison Taught Him
• 音频：官方节目音频
• 视频：YouTube
• 核实提示：药品适应症应以 FDA 批准文件及药品标签为准；节目中关于交易价格、公司估值、技术性能与他人预测的陈述，宜结合原始文件分别验证。