SemiAnalysis 是什麼？半導體分析師用 Claude Code 改寫金融工作

本文整理自 Latent Space Podcast 2026 年 2 月播出的單集。

{{< youtube x9rWFiIubmc >}}

{{< spotify "episode/3vpT6bQejaT6CAEAlFjioU" >}}

{{< apple-podcast "tw/podcast/latent-space-the-ai-engineer-podcast/id1674008350?i=1000751255394" >}}

---

一位非工程師的頓悟時刻

2025 年 12 月 27 日，假期空檔。SemiAnalysis 總裁 Doug O'Laughlin 打開 Claude Code，搭配剛上線的 Opus 4.5 模型，隨手試了一個想法。結果讓他愣住了。

過去他也試過 AI 編程工具，但體驗一直很糟。模型需要反覆修正，產出的程式碼經常跑不動，感覺像在教一個永遠學不會的實習生。但這次不一樣。他描述一個投資組合分析工具的需求，Claude Code 一次就產出了可運行的完整 MVP。不是玩具等級的 demo，是真的能用的東西。

O'Laughlin 不是工程師出身。他的背景是價值投資，2017 年左右以「Value Mule」的筆名在投資圈寫分析文章，同時經營半導體產業分析電子報 Fabricated Knowledge。後來因為研究 ASML 而一頭栽進半導體世界，2024 年底加入 Dylan Patel 創辦的 SemiAnalysis 擔任總裁。SemiAnalysis 如今是全球最具影響力的獨立半導體研究機構之一，Substack 訂閱數超過 24 萬。O'Laughlin 能讀懂晶圓廠的技術文件，能拆解 NVIDIA 的供應鏈，但他不會寫 Python。

然而接下來的幾週，他用 Claude Code 建了一個又一個工具：投資組合風險分析系統、自動化圖表產生器、DRAM 價格預測模型、內部招聘案例評估系統。他形容這段經歷是「Claude Code psychosis」，一種被可能性淹沒的狂熱狀態。

用 Matplotlib 取代 Excel，再也回不去

O'Laughlin 最引以為傲的成果之一，是他用 Claude Code 打造的圖表產生系統。SemiAnalysis 的報告以視覺化著稱，每張圖都遵循嚴格的品牌風格指南。這套指南是從 70 本資料視覺化書籍中萃取出來的設計原則，包含配色、字型、軸線比例、圖例位置等數十條規則。

過去，製作一張符合標準的圖表需要在 Excel 或專業繪圖工具中手動調整，一張圖可能花上 30 分鐘到一小時。現在，他把風格指南濃縮成一份 Claude Code 的 skill 檔案，只要餵入數據和圖表描述，系統就能用 Matplotlib 自動產出符合品牌規範的圖表。「我再也不會用 Excel 做圖了，」他在節目中說。這句話從一個每天都在做圖表的金融分析師口中說出來，份量不輕。

但圖表只是開始。他還用 Claude Code 做了幾件更有意思的事。第一是把 SemiAnalysis 的內部招聘案例拿來當 AI 能力測試。他們的面試流程包含一個實際的半導體產業分析案例，他讓不同的 AI 模型去跑這個案例，然後用事先定義好的評分標準（rubric）來打分。結果發現，最新的模型在某些維度上已經超過了業界專家的平均水準。

第二是時間序列預測。他用 Claude Code 微調了一個模型來預測 NAND 和 DRAM 的價格走勢，把歷史數據、供需分析、產能投資時程全部餵進去。這種事情過去需要專門的量化分析師來做，現在一個懂產業邏輯但不會寫程式的人也能做到。

程式碼是通用介面，Excel 是馬車

O'Laughlin 在節目中提出了一個尖銳的論點：程式設計比金融建模更難，但 AI 先把難的那個自動化了。那容易的那個，怎麼可能不被自動化？

這個邏輯聽起來簡單，但它挑戰了一個根深蒂固的假設。很多金融從業者覺得自己的工作比寫程式「更需要判斷力」，所以 AI 取代不了。O'Laughlin 的回應是：AI 編程工具不是在取代判斷力，它是在取代你手動操作 Excel、做 PowerPoint、查 Bloomberg 終端的那些時間。判斷力還是你的，但執行的介面變了。

他用了一個比喻：試圖在 Excel 裡用 AI，就像把汽車引擎裝進馬車裡。Excel 是為人類設計的介面，有格子、有下拉選單、有滑鼠操作。但 AI agent 不需要這些。它需要的是 API 和程式碼。當你透過 Claude Code 用 Python 去操作數據，你跳過了所有為人類設計的中間層，直接用機器最擅長的方式處理資訊。

這意味著什麼？O'Laughlin 的預測很激進：24 個月內，AI 編程工具將成為所有知識工作的基本配備。Excel、PowerPoint、Bloomberg 作為人類直接操作的介面，對分析師來說實質上已經死了。不是說這些軟體會消失，而是說專業人士不再需要親手去操作它們。你只需要告訴 AI 你要什麼，它幫你寫程式碼去完成。

Claude Code 的採用速度：史上最快的指數曲線

這不只是 O'Laughlin 一個人的故事。SemiAnalysis 追蹤了 Claude Code 在 GitHub 上的提交數據，發現一個驚人的趨勢：2026 年 2 月初，Claude Code 已經佔了 GitHub 公開提交的 4%。考慮到它在 2025 年 2 月才正式推出，這個增長速度是 O'Laughlin 作為趨勢觀察者見過最快的指數曲線。按照目前的軌跡，SemiAnalysis 預測到 2026 年底，這個數字可能達到 20% 以上。

4% 這個數字需要放在脈絡中理解。GitHub 每天有數百萬筆提交，來自全球數千萬開發者。一個單一工具在不到一年內就佔據 4% 的份額，這不是漸進式的成長，而是一個非連續的躍升。更值得注意的是，這 4% 還不包括那些用 Claude Code 寫了程式碼但沒有在 commit message 中標註的情況，實際數字可能更高。

O'Laughlin 拿 Claude Code 的擴散速度和過去的技術採用曲線做比較。智慧型手機從 0 到主流花了大約十年，社群媒體花了五到七年，Claude Code 可能在兩年內就成為軟體開發的標準配備。為什麼這麼快？因為它解決的痛點太普遍了：所有知識工作者都需要處理資料、產出報告、做分析，而程式碼是做這些事最有效率的方式。AI 編程工具把「會寫程式」這個門檻直接消除了。

但它不是萬能的：AI 是初級分析師，不是合夥人

O'Laughlin 對 AI 的看法很務實。他在節目開場就直說：「這東西一直在犯錯。它就像一個初級分析師。分析師去跑那些累人的資料蒐集工作，你在最上層把所有東西整合起來做決策。」

這個定位很精準。他提到了幾個實際踩過的坑。第一是 context rot（上下文腐爛）：跟 Claude Code 的對話越來越長之後，模型的表現會逐漸退化。它看到太多先前的對話內容，開始混淆、重複、甚至忘記你最初的指示。他的應對方式是頻繁開新的對話，把每個任務切成小的、獨立的區塊。

第二是 sycophantic bias（討好偏差）。如果你讓 AI 同時做分析和評估自己的分析，它會傾向於給自己高分。O'Laughlin 的解決辦法是把評估標準（rubric）和實際任務分開，用不同的 context 來跑。這樣評估者不知道被評估者的過程，避免了自我辯護的傾向。

第三是判斷力的邊界。AI 可以處理 95% 的資訊蒐集和初步分析，但最後那 5% 的判斷仍然需要人類專家。這 5% 是什麼？是知道哪些數據不可信，是理解產業裡沒被寫下來的潛規則，是在兩個看起來都合理的結論之間選擇正確的那個。O'Laughlin 稱之為「taste」，一種只有透過多年實戰經驗才能培養出來的直覺。

我的觀察：「全都是技能問題了」

O'Laughlin 在節目中反覆說一句話：「全都是技能問題了（It's all a skill issue now）。」這句話值得細想。

過去，知識工作者的瓶頸是工具的限制。你想做一個複雜的數據分析，但你不會寫程式，所以只能在 Excel 裡用有限的功能湊合。你想做一個漂亮的視覺化圖表，但你不會用 D3.js，所以只能用 PowerPoint 的內建圖表。工具是天花板。

現在天花板移除了。Claude Code 讓任何能清楚描述需求的人，都能產出專業等級的程式碼、圖表、分析工具。瓶頸不再是「你會不會寫程式」，而是「你能不能清楚地思考和表達你要什麼」。這是一個根本性的轉移：從技術門檻到認知門檻。

對臺灣的金融從業者、分析師、研究員來說，這個訊號很明確。O'Laughlin 不是矽谷的 AI 原住民，他是一個讀財報、跑模型、寫產業分析的人，跟臺灣很多券商研究員、產業分析師做的事情一樣。如果他能在幾週內用 Claude Code 重構整個工作流程，那同樣的轉變也會發生在每一個以資訊處理為核心的職業上。

問題不是這個轉變會不會來，而是你準備好了沒有。