图片来源：No Priors

Z Highlights

• KoBold的技术是一个完整的“技术栈”系统，用于指导勘探决策。这包含数十种协同工作的产品，它们围绕三个核心主题展开。第一个是传感器，可以采集新的地球数据。第二个是数据系统，它能够整合我们所采集的所有数据，包括历史数据、结构化数据、以及来自各种来源的大量非结构化数据。第三个主题是模型，我们有几十种模型用于提升预测能力。

• 所以这些就是我们在寻找的东西。我们所处的是一个大宗商品行业，每个人卖的铜价格都一样，这是一个全球性的商品市场。而我们盈利的能力取决于我们的利润空间。这意味着我们必须成为低成本的生产者，我们希望寻找资本强度低的资产。所以，这也正是勘探问题的定义——找到质量最高的资产。

• 我们必须做出明确的预测，而明确意味着“可证伪”。你必须在采集数据前就写明——如果观察到某种结果，我们就应放弃当前假设。这是我们防止“确认偏误”的方法。因为在这个行业中，人很容易陷入“先有假设、再找数据支持”的循环，结果就是不断自我验证、继续投入资源。

Josh Goldman是KoBold Metals的联合创始人兼总裁，KoBold正在利用人工智能彻底革新关键矿产资源的发现方式，使勘探过程相比传统方法更加高效、精准、且具可扩展性。本文是No Priors主持人Sarah Guo和Elad Gil与Brendan Foody的访谈实录。

用算法探地——AI重塑资源勘探的底层逻辑

Sarah：各位听众好，欢迎回到No Priors。今天我们请到的是KoBold Metals的联合创始人Josh Goldman。KoBold正在构建全球最大的地球科学数据集，并利用其AI工具更好地识别锂和铜等矿藏。为了成为更优秀的勘探者，KoBold如今每年在四大洲的70个项目上投资超过1亿美元。Josh，欢迎做客No Priors。

Josh Goldman：非常高兴。感谢你们的邀请。

Sarah：这是一个非常有趣的现实世界中的商业案例。你经营的是一家智能采矿公司。这是什么意思？KoBold的具体工作是什么？

Josh Goldman：我们从事矿产资源勘探。我们正在寻找锂、铜以及其他支持电池和AI驱动业务所需的金属。同时，我们开发AI技术，并将其与人类智慧相结合，从而成为更优秀的勘探者，并在寻找这些关键金属来源时取得更大成功。

Elad：所以你们既是发现资源的人，也会真正参与采矿吗？还是你们只是开发寻找这类资源的工具？

Sarah：这是一个核心问题。我们的业务重点在于勘探，原因有几个。首先是勘探环节具有更大的价值创造空间；其次，是因为技术在这一环节能带来真正的差异化。勘探的经济效益非常可观。只需几百万美元的投资，就有可能获得百倍甚至千倍的回报。勘探是一个非常古老的行业，比如你可以想象一下十九世纪中叶的淘金者。如果你能拿到合适的采矿权，并在正确的地方挖掘，就可能一夜暴富。这一切取决于你在哪里寻找，以及你寻找的效率。因此，发现的单位经济效益是极其突出的。

Josh Goldman：勘探作为一项商业活动的问题在于成功率极低。你必须在很多地方尝试之后才能找到有价值的东西，而且这个问题只会越来越困难。但这也是为什么技术能带来巨大差异的原因。我们正在寻找的，是越来越难以发现的矿藏。过去，你只需要用肉眼沿着地面走一走就能发现矿石，很多表层形成的铜矿石由于空气和水的作用，会呈现蓝色或绿色，就像自由女神像的铜锈一样。但如今，凡是肉眼可以发现的东西，基本上都已经被发现了。我们需要更智能的方法来寻找那些被掩盖的、隐藏在地下的矿藏。因此，技术成为了实现差异化、提升勘探能力的重要手段。

现在，一旦我们找到了目标，就会进入一个连续的流程：从最初的构想到采集岩石样本，再到发现地下资源、通过多个钻孔确认其连续性、评估其经济可开采性，再到矿山的设计与建设。这是一个完整的连续过程。而我们用于寻找和定义资源的技术，也可以帮助项目成为更经济可行的矿山。因此，我们会继续为项目提供技术支持，并在其发展过程中持续参与。

Elad：你们使用的是什么类型的数据，来识别一个矿点或潜在矿区的？

Josh Goldman：好问题。人类从很久以前就开始收集关于地球的数据了，实际上有海量的数据存在，而且很大一部分是公开的。这些数据覆盖的尺度差异很大。我们从全球尺度开始：关于整个地球你可以了解什么？你可以查看卫星图像，并分析不同波段的卫星图像，从而识别出裸露在地表的岩石类型。还有一些数据集告诉我们大陆的构造，以及古大陆之间的碰撞、早期原始大陆的位置，以及这些大陆在很久以前如何相互碰撞，进而形成山脉。

你再放大一点，可以进行航空探测，使用带传感器的飞行器来探测岩石的磁性、密度和电导率；你还可以采集岩石样本，分析其组成元素的浓度，同样的也适用于土壤样本。这些都是行业中广泛使用的标准数据类型，而且有大量历史数据是公开的。因为大多数私营公司通常都必须向监管机构披露他们的数据，几乎任何一个你感兴趣的地方，过去都已经有其他公司看过，只是他们还没有发现什么。

但这些数据，即使是结构化的，也分散在成千上万个不同的数据仓中。没有任何一个地方能把所有信息聚合起来。你必须进行大量艰苦的技术工作将其汇总，还要付出大量科学判断去评估这些数据的含义，判断它是否符合你的使用目标。数据中存在各种混乱的问题，而且很多数据其实是不确定的。此外，这些数据尽管是结构化的，但地质学家也用了大量文字描述。岩石和地质年代有一整套丰富的专业词汇。公司经常向监管机构提交报告，这些报告在一段时间后会公开，同时还有大量种类繁多的地图数据。

我最喜欢的一组数据是我们在全球使用的一个地图集，来自近100年前的赞比亚。那些原件是手工绘制在亚麻布上的。我们是听从一位年迈地质学家的提示，在国家档案馆的某个抽屉中找到了这批地图。这样的数据如今几乎不可能再重新收集了，因为工作极其繁重，如今那里已有许多农场和居民，你无法再像当年那样满地行走、就地观察，但这些数据是由经验丰富的地质学家记录下来的，而且岩石也没有移动过，因此这些数据没有“保质期”。所以我们可以利用这类数据提供“地面真值”，将其作为训练机器学习模型的依据，与现代航空地球物理测量和卫星图像结合使用。正是这种多种不同类型数据的组合、以及对结构化与非结构化数据的系统性利用，才真正具备强大能力。

Sarah：在一个尚未紧密耦合的世界中，也许你可以告诉我们目前还有哪些大型勘探公司？比如说你们是如何寻找锂资源的？

Josh Goldman：好的，还是那句话，这里涉及的是一组不同尺度的问题。我们从地球尺度出发。假设你对锂感兴趣，那么你得思考：形成一个锂矿的“配方”是什么？首先你要理解什么是矿床。地壳中实际上含有大量锂。

最大的问题在于：你家门口车道下的锂浓度非常低。你窗外看到的花岗岩中的锂也无法经济提取，浓度太稀了。我们正在寻找的金属资源，它们在地壳中的浓度通常只有几十个百万分之一。地壳本身虽然很大、金属也多，但我们要找的是那些在地质历史中，经过自然过程将大量金属从广阔岩体中“聚集”、“转移”、“浓缩”后再次沉积的特殊地方，其金属浓度达到1%左右，或者更高，比如铜或锂。然后工业可以再将其从1%提纯到100%。

这就是矿床的定义。而事实上，尽管地壳中含有大量的锂和铜，但确实有很多地方发生过这样的地质过程，尽管它们在整个地球上是稀有的。因此，真正的问题是：这些自然过程究竟发生在地球上的哪些“特殊地点”？我们该如何找到这些地方？这也是我们为什么将勘探视为一个“信息问题”：稀缺资源并不是地里的锂或铜，而是关于它们在哪里的“信息”。稀缺的不是矿床本身，而是关于矿床所在位置的信息。因此你首先要理解矿床是如何形成的，要理解这套“配方”，再要推测这些过程可能在哪些地方发生过，以及它们如何在数据中表现出来。然后你才能收集数据、提出问题、建立假设，接着锁定地球上的某些区域，最终——你要去获取这些土地的勘探权。

Elad：我想另一个维度可能是地理位置与国家治理之间的关系，也就是监管层面是否真的能采矿。比如在我看来，美国其实拥有种类丰富的矿藏，但我们似乎已经不愿在某些地方，或进行某些类型的采矿作业了。所以这是不是更多是监管问题，而不完全是“是否能找到资源”的问题？还是说这些矿藏真的足够稀缺，以至于你们必须去地球的边缘去寻找？

Josh Goldman：监管限制确实非常重要，但与此同时，初期筛选的时候也不能太狭隘。因为这些资源确实足够稀缺，所以你必须把自己放在成功概率最高的位置。你要从最好的“先验条件”出发，这样你的成功可能性才会更高。问题不仅仅是监管政策。我们还必须考虑产权的安全。如果我们发现了资源，我们需要能够将其开发成一个能够持续数十年生产的矿山，或者能够把它出售给能实现这一目标的公司。所以你必须可以信赖以下这些条件：在这个时间跨度里你能够持续拥有这块土地，并且税率和特许权使用费率是稳定的。

是的，开发确实很具有挑战性，因为你面对的不只是监管者，还要面对许多不同的社区利益。这些问题极其地方化。美国并不是一个统一的整体，你在州一级就有自己的监管机构，而在一个州内又有很多社区、很多原住民团体。而且这种情况在全球范围都一样。在赞比亚，比如说，就有大约50个酋长领地。所以你在任何一个工作地区，都会有传统部落的领导人。技术上的成功其实并没有太大意义。真正的成功，是你发现了一个真正具备经济开发价值的矿藏——要么由我们来开发，要么我们可以将它卖给有能力去开发它的公司。所以如果我们没有真正获得所谓的“社会运营许可”（social license to operate），如果我们没有提前在社区中建立起关系，让建设成为可能，那我们最终也不会成功。而且这些确实都是非常“本地化”的问题。

Sarah： Josh，你能不能跟我们具体说说KoBold目前整体运营的规模？比如你们正在寻找哪些地方的资源？在哪些地方拥有土地？在哪里进行钻探？你们都发现了什么？

Josh Goldman： 当然可以。我们公司主要做两件事。第一是发现具有资源潜力的地区；第二是测试我们的假设，也就是我们亲自去现场采集数据、收集岩石样本、进行航空探测、钻探获取地下岩石样本。同时我们也开发用于指导决策的技术。我们的勘探组合目前有超过60个项目，分布在四大洲：北美、欧洲、澳大利亚，以及最关键的——非洲。我们重点关注铜、锂和镍，同时未来也可能扩展至其他大宗商品。在所有这些项目中，我们要么是单独拥有勘探权，要么是与合资伙伴联合持有，并由我们主导勘探活动。

这些项目几乎全都处于“前发现”阶段，是我们播下的种子，其中任何一个都有可能成长为优质矿藏。而我们在赞比亚拥有的资源则极为出色——它是目前尚未开采的、世界上品位最高的大型铜矿床。现有铜矿的平均铜含量大约是0.6%，也就是说从1000公斤矿石中（不包括周边的废石），你可以提取出大约6公斤铜。而赞比亚的Mingomba矿床，其核心区域铜含量超过5%，而且矿体规模很大——这非常罕见。这意味着其经济性要好得多。比如说，一个矿床铜品位是5%，另一个是0.5%，如果它们最终都产出相同数量的铜，那么它们的销售收入是一样的。但高品位矿床的好处是：你需要挖掘的矿石量少十倍，也就是说你要搬运的物料少十倍、产生的废石少十倍、选矿厂的规模也能缩小十倍。所以，它的经济效益更高，资本开支更低，运营成本也更低，同时对环境的影响也更小。

所以这些就是我们在寻找的东西。我们所处的是一个大宗商品行业，每个人卖的铜价格都一样，这是一个全球性的商品市场。而我们盈利的能力取决于我们的利润空间。这意味着我们必须成为低成本的生产者，我们希望寻找资本强度低的资产。所以，这也正是勘探问题的定义——找到质量最高的资产。而在赞比亚，目前我们拥有一个非常出色、真正达到世界级水准的铜矿床。

信息的地质学——矿藏的预测、验证与现实挑战

Elad：你能再多讲讲你们正在使用的技术吗？你之前提到过，你们会结合传统数据和现代图像类数据，然后通过数据挖掘或外推来推断可能的矿藏位置。那么你们使用的是哪些模型？采用什么方法？从AI和数据角度来看，你们整个系统是怎么构建的？

Josh Goldman：没问题。KoBold的技术是一个完整的“技术栈”系统，用于指导勘探决策。这包含数十种协同工作的产品，它们围绕三个核心主题展开。第一个是传感器，也就是我们自己开发的硬件，可以采集新的地球数据。第二个是数据系统，它能够整合我们所采集的所有数据，包括历史数据、结构化数据、以及来自各种来源的大量非结构化数据——将这些全都放进一个系统里，这样我们就能系统性地与数据互动，而不是一个个零碎地搜索。LLMs和其他技术让我们能够同时与所有类型的信息交互，非常强大。

第三个主题是模型，我们有几十种模型用于提升预测能力——比如预测该去哪儿、怎么找。这些模型运作于不同的尺度，比如有些模型是基于卫星图像或我们自主开发的高光谱航空图像训练的，还有一些模型结合了地面上的岩石样本。我们可以从图像预测地表岩石的类型，以及这些岩石可能具备的性质。更令人兴奋的是，不是我们只拥有一个“锂伟晶岩模型”或“含镍超镁铁岩模型”，而是我们提出预测，基于此形成一组初始假设。当我们团队在野外工作时，每天都在收集新的训练数据。我们不会只去那些已经高度确定的地方，因为那样学不到什么；我们会专门去那些模型预测存在高不确定性的地方，因为一小批新的“地面真实数据”可以极大地提升模型的预测能力。所以，地质科学家在现场进行观察，而我们则基于这些观察每天重新训练模型，并实时向团队提供新的预测。这就像是一场数据科学家、技术人员和地质学家共同协作的“双人舞”，解决同一个过程性问题。

Sarah：所以这就像“提出一个假设，然后验证或证伪”的过程？我想象的情境是：比如在赞比亚的某个点，我决定往地表下挖20英尺，我就能找到某种浓度的金属。

Josh Goldman：完全正确。我可以举一些例子。比如说我们预测在某个地点存在含锂矿的伟晶岩，而伟晶岩通常存在于花岗岩之类的围岩中。我们预测这个地方存在伟晶岩，那我们就会前往那里，采集岩石样本，进行观察，看这是否验证了我们的地表预测。我们也会做三维预测，比如预测某处地下存在导电性强的岩层，而这些岩层可能蕴含镍、铜、钴等金属。我们会预测这个岩层可能位于地表下200到300米之间，并具有一定的导电性，预计其硫、镍、铜的含量有一个分布范围。不仅如此，我们会进一步指出：验证这组假设最好的方式是在这个位置打一个孔，并按这个方向钻探。还有时候，我们已经知道某个岩层的存在，我们会预测它往某个方向延伸，并推测它在某处的深度、厚度及铜含量。这些预测都有对应的概率分布。这就是我们所做的预测方式：采集信息→用新数据更新模型→生成新的预测。

Josh Goldman：在传感器主题方面，我们会使用所有市场上能获得的传感器设备，但很多矿业公司不愿意使用新型数据类型，也不愿投资新技术。有时我们就得自己开发设备。比如我们的高光谱成像系统——有些新型成像芯片刚刚面世，尚未在服务市场中广泛部署，而传统矿业行业的采用速度又太慢。我们就自己构建了一套高光谱成像系统，在不到一年的时间里，我们就让它搭载在轻型飞机上进行了飞行，用于我们感兴趣区域的测绘。我们现在可以用600种颜色频谱采集数据，采集成本大幅降低，图像处理速度也更快。我们将这些数据与其他类型数据整合在一起，用于决策——既决定初始的勘探位置，也能在野外实时调整勘探计划。

Elad：在你们发现赞比亚那个矿藏的过程中，有没有某一个工具或数据集起到了决定性作用？有没有某种数据是其他人忽视的？是地理上的选择，还是某种特定的技术手段？

Josh Goldman：没有任何一条数据能单独促成发现。这其实是个非常重要的观点。这个行业经常会有人发明一项新技术，声称这就是“银弹”，能帮我们找到所有的矿藏，或者认为某一个数据集就足够了。但实际上，数据是高维的，维度越多，预测能力越强。所以，这种发现的故事其实和其他行业类似：靠的是新分析方法、量化不确定性的能力、理解可能性范围的能力，以及关键的科学洞察——关于矿体是如何形成的。正是这些因素的结合才使发现成为可能。

Josh Goldman：没办法把AI和人类智慧（HI）割裂开来，也无法孤立出某一个最重要的数据。这也是为什么创新经常受限：人们以为某个新技术（比如90年代发明的航空重力梯度法）会发现所有矿藏。它确实强大，我们也很高兴能用到它，我们甚至会自己去采集这类数据，但它只能带来渐进式提升。只有在你能统一处理所有不同数据类型的前提下，才能真正释放它们的潜力。

Sarah：像你们这种项目是怎么估值的？比如你们把项目卖给别人，或是自己开发。听起来铜的价格是市场决定的，你们要承担价格波动的风险。而收入则取决于矿的浓度和规模。那估值是不是就是基于未来现金流模型？

Josh Goldman：完全正确。其实像这样一种自然资源资产，它的估值非常简单。市场对它的估值是基于未来产出的现值，这一点很明确。你可以比SaaS公司更容易预测一个矿山20年后的产量——SaaS公司20年后的销售量和价格谁也说不准，但矿山可以。不同类型的生意有很大区别。比如你建了一座矿山，每年可以处理1000万吨矿石，那你就每年挖1000万吨，并优先开采品位最高的部分。整体来看，矿山每年的平均产铜量是确定的。收入=商品价格×产量。成本呢？也非常清楚，比如你需要多少辆卡车，需要抽多少水，抽水成本是多少——这些都能算清楚。资本开支呢？建一座工厂，里面是一些大容器、破碎机、钢球磨机等等——这类设备都有标准，你可以预估利润空间、资本开销，甚至提取率（比如能提取出90%的铜）。

若提取率提升到92%，项目经济性就更诱人；如果降到88%，则略显疲弱。你再根据资产的风险状况来折现这些现金流：它处于哪个阶段，距离投产还有多远？如果它位于政治不稳定的国家，可能就需要更高的预期回报率。整体上，这些资产的估值逻辑是很清晰的。我们甚至非常有信心地知道，Mingomba矿20年后的年产铜量是多少，这太了不起了。

而且，还有潜在的增值空间。如果我们继续发现更多资源，矿藏会不断延伸。矿山一旦开采，人们就会不断对地质有新的了解。许多矿山最初是按20年寿命设计的，但很多最终运营了50、60、70年甚至更久——因为资源一直在延伸，你也可以不断补充。所以说，理解这类资产的估值其实非常直观。它们属于“硬资产”，具备产权，市场也会据此对其估值。这些资产基本上都是以其未来产出的现值进行交易的。

Sarah：探矿公司目前整体上成功率高吗？比如说我启动100个项目，有100个假设，我能成功一个？零个？十个？你觉得KoBold能比行业平均水平高出多少？

Josh Goldman：这是个关键问题。行业成功率是多少？我们能比它好多少？现在行业的情况比30年前差了10倍，因为勘探难度增加了，但行业的创新速度却很慢。你可以去查行业报告，说成功率是0.5%之类的。但“什么算一次尝试”本身就是个模糊概念。我们的看法是：真正的资源投入是你要投入一定资本去做项目——派地质学家坐直升机去采样、打钻。如果行业投入十亿美元在一组项目上，会有多少成功？30年前是8次重大发现，现在可能不到1次。所以勘探整体上不是个好生意。KoBold的目标是每一次发现的平均成本控制在5000万至1亿美元之间。我们目前已经拥有一个极其出色的铜矿项目，算是一次成功。接下来，我们要不断重复这一成果。

Elad：我听说资本市场那边，尤其在西方国家，曾经负责接盘和运营这些项目的玩家，如今面临资金枯竭。很多资金流向了ESG或其他计划。这种现象有没有影响到你们对这个行业参与者构成的判断？还是说其实资金仍然充裕，问题只是资源难找？

Josh Goldman：是的，我认为真正的稀缺不是资金，而是“优质矿藏”。好项目从来不缺买家。真正的问题是——世界上优质项目太少了。所以我们的任务，就是去发现更多真正高质量的矿床。

Elad：是否有些地区你们认为相较于其潜力来说是严重缺乏勘探的？

Josh Goldman：这其实因矿种而异。以铜为例，它长期以来都是勘探目标，所以人们一直在南美和中非寻找铜矿。但即便在这些地区，仍有一些地方勘探严重不足。我们目前在赞比亚非常活跃，Mingomba就在那儿，还有其他多个勘探项目。比如说像Mingomba所在的区域，是埋藏较深、没有地表风化特征的地方。而赞比亚那些沉积铜矿所在的更深的盆地区域，其实是相当少有勘探覆盖的。

Josh Goldman：再比如说刚果（金），它作为一个司法管辖区虽然面临不少挑战，但它在许多大宗商品上的勘探潜力依然非常大。虽然那里已经有了很多活动，但仍远远称不上充分。而对于锂来说，全球大部分地区都是勘探不足的。直到最近锂电池在电动车、无人机等大型设备中的广泛使用，锂才真正成为一个主要的勘探目标。在此之前，当前主要的硬岩锂矿其实是上世纪80年代人们在寻找用于电子元件电容器的钽矿时无意中发现的。所以，关于锂矿床形成的地质科学还处于早期阶段，这其实是一个令人兴奋的机会——哪怕只是略微增加的科学理解，也可能带来巨大的突破性差异。

Elad：有没有哪些大宗商品你认为其稀缺性被夸大了？比如我听说稀土元素可能其实没有人们说的那么稀有，而且在中国以外也存在矿床。

Josh Goldman：稀土排在最前面。稀土被炒作很大程度上就是因为它名字里有“稀”这个字。

Sarah：命名真好。

Josh Goldman：另外，锂、铜、镍和钴其实都不是稀土元素。稀土元素是一个有明确定义的术语，不是指所有“稀有的东西”，而是像钕、镝这样的元素，它们对永磁体很重要，而永磁体又是电动机等设备的关键组成部分。稀土引发舆论关注除了名字以外，关键是它们的下游加工能力集中在中国。由于中国提供了激励政策，导致稀土、锂甚至现在的铜冶炼产业的加工能力大多建在了中国。你要知道，矿石开采只是第一步，还需要进一步提炼成可以用于制造产品的金属。

这带来两个影响：第一，其他国家如果想建设加工厂就很困难。你必须去争夺原料，比如从某地获取铜精矿，自己进行冶炼；但如果中国的买家愿意出更高的价格（哪怕他们愿意接受更低的利润），那你根本买不到原料，项目就无法开展。这也让很多私营资本不愿意投建加工能力，除非有补贴或政府担保——而我们KoBold是不依赖这些的，我们靠的是优秀的资源本身。第二个影响是：由于中国拥有庞大的下游加工能力，原材料大多集中流向中国，这也意味着后续整个供应链、制造链也集中在那里。站在综合经济角度来看，这种集中是非常强大的，这也是为什么稀土总被频繁提及的原因之一。

Elad：有没有反过来的情况？就是说实际上某些原材料我们可能确实面临工业上无法满足需求的问题？

Josh Goldman：对我们来说，那些我们关注的矿种——比如铜、锂、镍等，一方面是我们相信全球还有很多尚未发现的储量，另一方面是它们的需求驱动力非常强，所以这些市场有足够深度。你不需要对价格做特别精准的预测（我们也不做），因为我们目标就是成为最低成本的生产者。当然，我们也在关注一些“可能会变得特殊”的其他大宗商品，但目前还没有哪个特别突出、值得我们马上投入。

Sarah：所以我们不一定非得“买下格陵兰”？

Josh Goldman：我们暂时不会考虑去那儿。

Elad：我的玩笑版本是：干脆拿下下加利福尼亚（Baja California），反正它本来就叫“加州”，而且那儿阳光明媚、沙滩宜人，是个很适合吞并的地方。

Josh Goldman：不管是哪面国旗，我都乐意去这些地方。

Elad：我也是，听起来确实不错。

Sarah：不过前提是算法同意。算法和初始的岩石样本得告诉你——这个地方提取锂是高效的。

Elad：是的，我们需要“拉丁美洲”，不是“只要巴哈”。

认识论与远见——从哲学思辨到战略投资的深层驱动

Sarah：很多人想要在海滩那边搞项目。Josh，我们上次见面的时候聊到一个很有意思的话题：你说哲学在你们公司和投资决策中扮演了非常重要的角色，尤其是影响你们运营方式的思考方式。你能再讲讲这部分吗？

Josh Goldman：当然。KoBold本质上是一个“认知项目”。我们的生意就是做更好的预测。我们缺乏的是关于矿藏位置的信息，而我们正在做的正是——提出一个预测或假设，然后投入资本和时间来检验它。我们能否成功，取决于我们预测的质量。

所以我们的模型就是在做预测，比如地表下岩石的类型、密度、铜镍等含量。我们必须严肃地思考：我们的预测依据是什么？我们到底了解世界多少？其中一个核心是“处理不确定性”。当你的数据很稀疏时，你必须基于已知的数据点对其间区域做预测。问题是，很多种地质构造都可能与现有数据相符。当你基于地表或航空数据来预测地下岩石性质时，可能存在多个“兼容解释”。

行业内的标准做法是：只选一个“最优模型”。因为维护成千上万个模型太难了，你不可能同时在脑中保留大量矛盾假设。但我们必须这么做。我们必须拥抱不确定性，并认识到我们的任务就是“有选择地减少不确定性”。我们采集数据的意义就在于：它能帮助我们降低不确定性。我们的实践方法正是从这个思维出发的。这种科学文化是我们业务的核心。我们公司有一个文档，叫《KoBold勘探认识论》。里面只讲了几个核心理念，但非常重要。第一，我们必须做出明确的预测，而明确意味着“可证伪”。你必须在采集数据前就写明——如果观察到某种结果，我们就应放弃当前假设。这是我们防止“确认偏误”的方法。因为在这个行业中，人很容易陷入“先有假设、再找数据支持”的循环，结果就是不断自我验证、继续投入资源。

第三个理念是：你必须同时保持多个备选假设，而不仅仅是一个。数据采集的目的，就是要区分它们——至少其中一个假设必须具有经济意义。毕竟我们是公司，不是科研项目。这个“认知清晰”的要求对我们至关重要。所以说，这套“勘探认识论”里面包含了很多看似“哲学”术语的内容，但它们实际上很关键。有趣的是，我们还有一位“首席哲学家”——Michael Strevens，他是研究认识论的学者。他写过一本很棒的书《知识机器》（The Knowledge Machine），探讨科学到底是什么，它与其他认知方式的区别。这些思维方式直接指导了我们的勘探实践与技术开发。我们的大量技术，都是为了解决一个核心问题：在多个可能性之间，找到能最大程度减少不确定性的数据采集路径。

Sarah：对那些没有“驻场哲学家”的人来说，认识论就是关于“我们怎么知道自己知道”的学问，也就是知识、信念、理解是否合理的研究，对吧？不过我还想再问最后一个问题——你是个学数学和物理出身的人，对吧？

Josh Goldman：是的。

Sarah：然后你做过咨询，也在石油天然气、私募股权行业干过。那跟你现在做的事有点像，但又好像跨了很大一步。这是怎么回事？你怎么会突然决定投身采矿、搞“更好的勘探”？

Josh Goldman：我一直对能源和技术的交叉点感兴趣。我学物理，是因为我喜欢解决困难问题，也喜欢不断学习。我后来在量子计算领域读了博士。但我希望能把所学应用到当今最紧迫的社会问题上——也就是我们的能源系统。我做过管理咨询，服务对象包括电力公司、油气公司、重工业设备制造商等。我和我的联合创始人Kurt House也一起在一家专注油气的私募公司做过投资。他的前一家初创公司就是由那家私募的老板资助的。我们是哈佛研究生时期的朋友，他本科读物理和哲学，研究生学的是地球科学的应用数学。我们经常一起读能源领域的论文，实地参观电厂、煤矿等。当时我们就已经身处能源系统的产业链中，也很关心原材料和全球经济的关系。最终我们决定：我们不再愿意做化石能源了。

那是2018年，我们从第一性原理出发，思考未来经济将需要哪些原材料，以及这些原材料从哪里来。环顾你桌子上的所有东西，要么来自农业种植，要么来自矿石开采。我们思考的是：哪些材料会成为未来的关键？全球趋势很明确：电池和AI。无论是电动车、卡车、无人机、机器人，想要让它们续航更长、性能更好，就需要锂电池——这是与燃油车最大的不同。至于AI，我想听我们节目的读者都很清楚，它伴随着数据中心的大规模扩建。而为这些数据中心供电所需的电力系统中，铜的用量巨大。

我们讨论的规模是史无前例的：为了在本世纪中叶实现以电池和AI驱动的未来，我们接下来25年内需要开采的铜量，将超过人类历史上迄今为止开采铜量的总和。锂的产量也需要增长十倍。那么这些原材料从哪里来？我们得去找到它们。但同时问题变得越来越难，因为创新放缓了。所以这成了一个完美的技术应用场景——它不仅可以创造出一家有竞争力的企业，还能真正为社会带来意义。而这，正是我和我们团队其他人最有动力的地方。

Elad：太令人兴奋了。你们做的事真的太棒了。

Sarah：是的，祝贺你们！希望你们能发现更多资源。我们会继续关注。谢谢你，Josh。

原视频：No Priors Ep. 111 | With KoBold Metals Co-Founder and President Josh Goldman

https://www.youtube.com/watch?v=BNdk0oKN6oA

编译：Aurelia Wang

请注意，本文编译自文末载明的原始链接，不代表Z Potentials立场。如果您对本文有任何想法或见解，欢迎在评论区留言互动探讨。

Z potentials将继续提供更多关于人工智能、机器人、全球化等领域的优质内容，我们诚邀对未来充满憧憬的您加入我们的社群，与我们共同分享、学习、成长。

——-

（文：Z Potentials）