All Posts

同一家公司、同樣的獲利，去年值 25 倍、今年只值 17 倍——公司什麼都沒變，變的是利率。關鍵在 WACC：它是估值公式的分母，而利率會同時推動它的每一個零件。本文用 Disney 的真實資本結構算一次 WACC（約 9.8%），再用永續估值演示「WACC 差 2 個百分點、估值砍掉三分之一」的鞭甩效應，並解釋為什麼成長股在升息時摔得最重。

Costco 的毛利率只有 12.8%，連對手 Target 的一半都不到，淨利率也更低——但它的 ROIC 高達 36%，是 Target 的近三倍。祕密不在「賺得多」，在「轉得快」：ROIC ＝ 利潤率 × 資本周轉率。本文拆解 Costco 的資本效率從哪來（會員費、13 次庫存周轉、供應商資金），為什麼蒙格說長期報酬率會向 ROIC 靠攏，以及使用 ROIC 的四個誠實陷阱。

淨利不能分、營業現金流也不能全分——先扣掉維持生意運轉的資本支出，剩下的才是股東真正分得到的錢：自由現金流。本文以把 FCF 玩成藝術的 Apple 為例：五年 FCF 共 5,116 億美元，同期透過回購與股利發還股東 5,432 億、回饋率 106%。並誠實拆解三個陷阱：輕資產其實是外包出去的資本支出、股權激勵讓 FCF 虛胖、回饋超過 100% 靠的是什麼。

2022 年 Amazon 年報同時出現兩個矛盾的數字：淨損 27 億美元，營業現金流卻高達 467 億美元。這不是作帳，而是三大財報連動的必然結果。本文拆解損益表、資產負債表、現金流量表各自回答什麼問題、如何互相勾稽，並用 Amazon 的調節橋逐項還原「虧損但現金滿手」的三個非現金元兇——最後誠實補上另一半真相：同一年它的自由現金流其實是負的。

集團五個廠區都想要更強的辨識模型,但監視器影像涉及個資與商業機密,誰都不能把資料交出去——資料孤島撞上模型品質,這是企業 AI 最現實的僵局。本篇從零手刻 FedAvg:影像全部留在廠內,只有模型權重旅行。實測結果:現實程度的資料偏斜下,聯邦模型 0.960 幾乎貼平集中式上限 0.990,而各廠自己練只有 0.835;但誠實打臉也很痛——極端偏斜(每廠只看得到兩種類別)時 FedAvg 崩到 0.363,客戶端漂移是它的著名死穴。

一位年資深、教育訓練滿分的作業員為什麼出事?因為答案不在他身上——黑心保養商偷工,機台變危險,操作它的人跟著遭殃:風險藏在關係網「隔兩層」的地方,就像「朋友的朋友」。本篇從零手刻 GCN(不用 PyG),在合成的「承攬商-機台-員工」三層圖譜上實測:只看員工自己的 MLP AUC 0.550、只看一層(機台)的手工特徵 0.596(貼死「只看一層」的理論天花板 0.599),而看得到兩層的 GCN 直接跳到 0.896——真相隔幾層,看不到那麼遠的模型就是找不到。

模型答錯的時候,信心分數照樣可以是 0.98——這是所有「AI 建議、人類決策」系統的地基問題:到底哪些案子該交給人?本篇實測兩把工具:溫度校準把說謊的信心分數扳回誠實(ECE 0.186 → 0.008,而且我們的小模型竟是「信心不足」而非過度自信);Conformal Prediction 給出帶統計保證的預測集合——恰好一個候選就自動放行(92.7% 的畫面,準確率 0.982),空集合就交人工。最後誠實打臉:鏡頭一髒,90% 保證無聲死亡,45.3% 的畫面仍被自動放行、正確率只剩 0.219。

邊緣攝影機的盒子裡沒有 GPU,記憶體以 KB 計價,雲端訓好的模型根本塞不進去。本篇實測模型壓縮三招:知識蒸餾(讓小模型抄大模型的軟答案)、剪枝(拔掉九成權重)、量化(FP32 變 INT8)。結果誠實到反直覺:蒸餾在小資料上五組配方全數打平沒賺、小模型量化直接崩盤;真正的贏家是「壓縮大模型」——剪 90% 還有 0.833,把同尺寸的小模型(0.583)遠遠甩開。

傳統分割要為每一類危險物標一堆像素遮罩,且只認訓練過的類別;但溢出的油、掉落的貨、積水的地面千奇百怪,標不完。SAM 換掉整個提問方式:不綁類別,做「可提示 (promptable)」——你點一下、框一下,它就把那個東西的邊界描出來,沒看過的物件也行。本篇在筆電 CPU 上從零手刻 mini-SAM,忠實重現它的解耦架構(影像編碼一次、每個提示便宜解碼),在沒見過的場景上點提示分割拿到 mean IoU 0.949,並示範 SAM 招牌的「segment everything」自動全分割。