執行摘要
觀察視角 — 本文從資本配置者的角度，用機器學習的過度擬合框架，分析精英教育體系產出的人才在環境轉變時的結構性脆弱點。
核心判斷 — 精英教育體系最佳化的是已知問題的求解速度，但真實世界的獎勵函數是另一張考卷。多數精英在 30-40 歲之間會撞上一面隱形的牆：題目變了，但他們的解題肌肉記憶還卡在舊的訓練集上。
主要風險 — 這篇文章的框架本身也可能過度簡化。教育不只有工具性價值，人際網路、思維訓練、社會信任都是副產品。「把教育當成唯一最佳化目標」的結構性代價，跟「教育有沒有用」是不同層次的問題。本文處理的是前者。
Watch List — 你目前的收入有多少比例來自「解已知題」的能力？如果 AI 明天能做到你大部分的日常工作，你剩下的那一小塊值多少錢？你上一次做一個「沒有標準答案」的決策是什麼時候？
假設失效觸發 — 如果你所在的產業仍然高度依賴證照與合規（醫療、法律、特定工程領域），這篇文章的適用性會打折扣。但即便如此，AI 對這些領域的滲透速度可能比你想的快。
一、訓練集與測試集
我在考大學那年考得不好。
不夠好到讓我進入所有人期待我進的那些科系。最後我只能靠還不錯的數學分數進入人文社會學院。對一個在升學體系裡一路被訓練成考試機器的台灣理工學生來說，這基本上等於系統判你出局。
後來我轉系到資工，再後來念了清華的碩士，進了矽谷，一路做到 Sr. Staff。收入到了精英路徑的預期軌道上。從履歷上看，我花了十幾年時間把當年考試的偏差修正回來了。
但從我現在的角度回頭看，那次考試失利是我人生中發生過最有價值的事情之一。
它逼我在很早的階段就意識到一件事：考試成績最佳化的那個目標函數，跟真實世界獎勵你的那個函數，根本是兩回事。
用機器學習的話來說，精英教育是一台過度擬合機器。
它拿一組特定的訓練資料（教科書、考古題、標準化測驗），用極高的運算資源（補習班、家教、十幾年的反覆訓練），把你的模型調整到在這組資料上達到接近零誤差的表現。然後告訴你：你準備好了，去面對真實世界吧。
問題是，真實世界不是訓練集，而是測試集。
訓練集裡，每道題都有標準答案。測試集裡，多數問題連題目本身都是模糊的。訓練集裡，評分標準是公開透明的。測試集裡，獎勵函數會隨時變動，而且沒人會事先告訴你規則改了。訓練集裡，你花越多時間練習，分數越高。測試集裡，方向錯了的話，努力只會讓做白工。
我在矽谷的前幾年還沒有感覺到這件事。因為工程師的工作，至少在 IC (Individual Contributor) Junior 和 Senior 階段，仍然很像一場進階版的考試：有明確的技術問題、有可量化的效能指標、有 peer review 機制。你寫的 code 好不好，跑一下 benchmark 就知道。這對一個訓練集滿分的人來說，根本如魚得水。
真正的問題發生在我開始接觸投資之後。
市場不給你考古題。沒有人會在季報公布前把答案洩漏給你。更關鍵的是，市場的獎勵函數會隨著參與者的行為而改變。一個在 2015 年有效的投資策略，到了 2020 年可能完全失效。策略本身沒有變，但太多人學會了同一套解法，導致 alpha 被套利到消失。
這就是 overfitting 最致命的地方：你以為你學會了一個真理，但你學會的只是一個在特定資料分布下碰巧有效的模式。一旦分布漂移 (distribution shift)，你的模型就爆掉了。
精英教育的問題不是它教的東西沒用。它教的解題能力、邏輯推理、資訊處理速度，這些都有價值。問題是它讓你相信這些能力就是全部，然後讓你帶著這個信念走進一個完全不同的環境。
二、精英路徑是一張保費昂貴的保險單
在金融裡有一組概念：凹性報酬 (concave payoff) 跟凸性報酬 (convex payoff)。簡單說，凹性報酬是你投入越多，邊際回報遞減。凸性報酬是你投入到某個臨界點之後，回報突然爆發性成長。
保險是典型的凹性報酬。你付保費，換到的是一個確定的、有上限的保障。天花板很明確，地板也很明確。不會讓你暴富，但也不會讓你歸零。
選擇權是典型的凸性報酬。你付一筆權利金（下檔有限），買到的是一個理論上無限的上行空間。多數時候這筆錢會蒸發掉，但一旦押對方向，回報可以是幾十倍甚至幾百倍。
精英路徑就是一張保險單。
你花二十年拿到頂尖學歷、進入大廠、沿著 IC 或管理軌往上爬。這條路的地板很高：矽谷的 Sr. Staff 或 Principal 等級，收入大致落在全球高分位區間（因資料而異，但多數統計指向前 1% 附近）。但天花板也非常明確。除非你跳去創業或做投資，你的財富曲線基本上是線性的：每年多一點，但不會有數量級的跳躍。
更關鍵的是，這條路的保費非常昂貴。我說的保費指的是機會成本，跟學費無關。
你花在最佳化考試成績、最佳化面試技巧、最佳化績效考核的那些時間和注意力，全部是從另一種能力的發展中抽走的。什麼能力？判斷「應該解什麼問題」的能力。承受模糊性 (ambiguity tolerance) 的能力。在沒有評分標準的情境下做決策，然後承擔後果的能力。
這些能力不會出現在任何一張成績單上。但它們恰好是創造凸性報酬的關鍵原料。
我自己的例子。在 Synopsys 做到 Staff 之後，我開始把越來越多時間放在投資上。最初幾年純粹是價值投資那套教科書打法：看財報、算評價、找被低估的公司。像是在工作之外再去考另一張試卷。
結果？我精挑細選的一籃價值股，加總起來的報酬率，常常連把錢全部丟進 S&P 500 都打不贏。
這件事逼我很認真地去想一個問題：我是不是又在過度擬合？
答案是：對。我把教科書價值投資當成真理，但忽略了市場環境已經改變。低利率時代、被動投資興起、量化交易普及，這些結構性變化讓傳統價值投資的 alpha 大幅縮水。我的模型在 training data（教科書案例、巴菲特的歷史績效）上表現很好，但在 test data（2015 年以後的實際市場）上失效了。
後來我慢慢開始加入總經分析、技術面指標、市場情緒與資金結構的判斷。我沒有放棄基本面，但我開始承認基本面只是多個變數之一。短中期的價格由情緒、資金結構、主要玩家的部位與槓桿水位主導。長期走向才比較接近總體經濟和企業基本面。
這個轉變的過程很痛苦，因為它要求我放棄一個我花了很多年建立的、能讓我感覺「我懂了」的模型。過度擬合的心理代價就在這裡：你對舊模型的信心越強，轉型的阻力越大。
三、從 PvE 到 PvP
如果你有打過遊戲，你可能知道 PvE (Player vs. Environment) 和 PvP (Player vs. Player) 的差別。
PvE 就是打電腦。怪物的行為模式是固定的，攻略是可以查的，只要你的等級夠高、裝備夠好、操作夠熟練，破關只是時間問題。
PvP 是跟真人對打。對手會學習、會適應、會騙你、會在你以為安全的時候突然偷襲。沒有固定攻略，因為攻略一旦公開就會失效。
精英教育訓練你打 PvE。而且訓練得非常好。
從國小到研究所，你面對的基本上都是 PvE 環境：課綱是固定的、考試範圍是公開的、評分標準是透明的。你的對手不是其他學生（雖然感覺上是），你的對手是那張考卷。只要你比考卷強，你就贏了。
進入職場的前幾年也還是 PvE。技術問題有明確的解法、code review 有客觀的標準、績效考核至少還有一些可量化的指標。對一個 overfitted model 來說，這些環境都還在 training distribution 的範圍內。
轉折點通常發生在 Senior Manager 到 Director 這個階段。
到了這個層級，你的工作內容會出現一個根本性的變化：從「解題」變成「選題」和「政治」。你要決定團隊該投入哪些專案、該放棄哪些方向。你要管理向上的關係、橫向的合作、向下的激勵。你要在資訊不完全的情況下做判斷，然後為結果負責。
這是 PvP。
而且是一種特別殘酷的 PvP，因為規則是隱性的。沒有人會告訴你「在這家公司，Director 升 VP 的真正標準是什麼」。表面上的答案是績效、影響力、領導力。實際上的變數包括你跟哪個 VP 走得近、你的專案是不是剛好在公司的戰略重心上、你有沒有在對的時間點做了對的政治表態。
我見過太多技術能力極強的工程師，在 Staff 到 Director 這個區間卡了五年、十年。不是因為他們不夠聰明，是因為他們的模型是 PvE 模型，而遊戲已經切換到 PvP 了。
他們還在想「我只要把技術做到最好，公司一定會看到」。但在 PvP 裡，最厲害的玩家不一定是操作最好的，而是最懂得讀局勢、分配資源、管理對手預期的。
我自己在矽谷也卡過關，我早期也是相信只要把技術做好，就可以拿到對應的報酬。
我花了很長時間才接受一個事實：在大組織裡，技術能力的邊際報酬在某個點之後就趨近於零。你的 code quality 從 95 分提升到 99 分，對你的職涯影響幾乎是零。但你跟 VP 的一次有品質的 1:1 對話，可能直接改變你下一年的升遷結果。
這就是獎勵函數的現實。精英教育從來沒有教你這件事，因為承認這件事就破壞了「努力就有回報」的基礎。
我最後選擇離開矽谷去全職做投資，一部分原因是我在投資裡找到了一個更適合我的 PvP 環境。市場的 PvP 是匿名的、純粹的，不用管辦公室政治，你的損益表就是你的績效考核。當然市場的 PvP 也殘酷得多，因為對手包括頂尖的量化基金和全球專業投資人，但至少規則是一致的：對的就是賺錢，錯的就是虧錢。
四、AI 時代的 Alpha
最後要談一個正在發生的事。
過去一年，我在建構 Miyama Capital 的過程中大量使用 AI。從宏觀經濟分析、數據分析、內容生產到行政流程，幾乎每個環節都有 AI 的介入。這個經驗讓我對一件事有了非常直覺的理解：
AI 正在把「解已知問題」的成本降到接近零。
我以前花三天才能完成的產業分析，現在用 AI 兩個小時就能跑出初稿。我以前要翻十幾份研究報告才能拼湊出來的宏觀圖景，現在可以讓 AI 先做第一輪整合。程式碼、文件、翻譯、數據清理。這些過去需要專業技能的工作，正在快速被自動化。
這對精英教育的過度擬合問題意味著什麼？
意味著你花二十年訓練出來的那些能力，例如快速吸收資訊、結構化輸出、在已知框架內高效執行，同時也正是 AI 最擅長的事情。你的訓練集跟 AI 的訓練集高度重疊。
在投資的世界裡，beta 是你透過承擔市場風險就能拿到的報酬。alpha 是你做了一些市場沒做到的事情之後，額外賺到的報酬。beta 是隨大盤漲跌，alpha 是超額報酬。
精英教育訓練出來的能力，正在從 alpha 變成 beta。
十年前，你會寫 Python、能做數據分析、英文流利，這些在台灣的就業市場上是稀缺能力，能讓你拿到超額報酬。現在？AI 會寫 Python，AI 能做數據分析，翻譯軟體的品質越來越逼近母語。這些能力沒有消失，但它們從 alpha 變成了 beta 以後，就是基本門檻，不是競爭優勢。
那什麼是 AI 時代的 alpha？
我觀察到幾件 AI 目前做不好、或者結構上很難做好的事：
第一，判斷「應該解什麼問題」。AI 非常擅長在你定義好問題之後給你答案。但決定什麼問題值得解、什麼問題根本不成立、什麼問題的答案會在六個月後因為環境變化而失效，這些判斷需要的是對現實世界的直覺理解，需要的是在雜訊裡辨認 signal 的能力。這不是靠更多資料訓練就能解決的。
第二，承擔後果。AI 可以給你建議，但它不會為建議的結果負責。在投資裡，按下買入鍵的是你，承受回檔的是你，在凌晨兩點看著帳面虧損 30% 還能不恐慌賣出的也是你。
第三，建立信任。投資管理、創業、領導力，這些高報酬活動的核心都是信任。人會把錢交給一個他信任的人管理，不會交給一個 AI。至少目前不會。信任需要時間、需要一致性、需要在壓力下展現出來的品格。這些東西，目前沒有任何模型能複製。
把這三件事加在一起，你會得到一個結論：AI 時代真正有價值的，不是「知道答案」的能力，而是「問對問題，然後為答案的後果負責，同時讓別人信任你」的能力。
精英教育幾乎完全沒有訓練這些。
三種凸性結構
我沒有標準答案。如果我給你一個漂亮的五步驟解決方案，那我自己就犯了過度擬合的錯，拿一個特定的個人經歷去 generalize 成通用建議。但從資產配置的角度，我觀察到三種不同的凸性曝險結構。
路徑 A — 槓鈴配置 (Barbell)
保留現有精英路徑的高地板，同時在邊際時間和資源上建立下檔有限、上不封頂的小部位。投資、寫作、個人品牌、side project 都算。代價是主業績效可能從 95 分掉到 85 分，短期看不到回報。這本質上是一個時間維度的槓鈴策略：主體部位在安全資產（穩定薪資），衛星部位在高凸性標的。取決於你目前的財務狀況。
路徑 B — 從解題者到出題者 (Regime Switch)
在你的專業領域裡，從 beta 提供者轉型成 alpha 創造者。核心轉變是從執行分配給你的任務，切換到定義問題、設定議程、影響方向。這是一種角色的 regime switch，獎勵函數從「執行效率」切換到「方向判斷」。代價是政治風險上升，因為出題天然帶有政治性。需要足夠的行業資本和關係網路作為緩衝。
路徑 C — 換一張全新的獎勵函數
直接離開精英路徑，進入一個地板低但天花板不封頂的遊戲。創業、投資、自由工作。代價最高，你放棄的是精英路徑的高地板，換到的是一個完全不同的風險收益結構。
我自己走的是路徑 C。我走這條路的原因很單純：繼續留在原路徑上的隱性成本已經超過了跳出來的顯性風險。這只是一個單純的風險計算。
三條路徑的代價結構不同，但都比「不調整模型然後祈禱分布不會漂移」好。選哪條不重要，重要的是你選之前知道自己放棄了什麼。
免責聲明
本文內容僅反映作者個人觀察與分析框架，不構成任何職涯、教育或投資方面的專業建議。文中提及的個人案例經過簡化處理，用於說明思考框架，不代表可複製的路徑或績效。每個人的背景、資源與風險承受能力不同，重大決策請依自身情況評估或諮詢專業顧問。
