华尔街见闻 - 资讯 - 最新

电商巨头：绝大部分企业都用错了AI

AI原生Lab — Wed, 16 Sep 2026 07:11:32 GMT

电子商务巨头Shopify创始人兼CEO托比·吕特克（Tobi Lütke）近日在The Knowledge Project播客中，披露了Shopify内部的AI实践，并对当前企业AI应用的普遍误区发出警告。

他认为，绝大多数企业用错了AI。它们将AI当成了逃避思考、盲目堆砌与推卸责任的工具——表现为用AI制造冗长空洞的信息“垃圾手榴弹”（如未经审查的代码和过度膨胀的邮件）将沟通与复核成本转嫁给他人，盲目做功能的“加法”而非克制“修剪”，甚至妄图让无法承担法律与道德后果的机器去替代人类做商业决断。

而正确的用法是坚持“人机闭环”，将 AI 作为提供多维视角、检验推理与激发创意的杠杆，把人类真正不可替代的精力聚焦在审美取舍、战略直觉以及对最终结果承担不可推卸的责任上。

“垃圾手榴弹”：产出过剩与无意义内耗

吕特克在访谈中表示，传统工作中偷懒的表现是产出不足，但在 AI 时代，怠工的典型特征变成了“过度产出”。

“在公司内部，我们把这种现象叫做互相扔‘垃圾手榴弹’（Slop Grenades），”吕特克表示。他解释称，很多员工要求 AI 随意生成一段代码或修改方案，随后未经认真审查便直接提交，“你甚至都没读过，就说‘挺好的’，直接扔给同事去审核，而同事一看就发现全都不对。”

这种低质量泛滥同样出现在日常文字沟通中。员工倾向于让大模型将几句简单的核心意思扩写成冗长华丽的长篇大论，而接收方为了节省时间，不得不重新借助大模型去提炼摘要。

吕特克对此直言：“我们发明‘解压’然后又去‘重压缩’到底是为了什么？这太糟糕了。如果你已经在使用大模型，那就用它把你的观点简明扼要地表达出来，而不是把它膨胀成一篇浪费他人时间的长篇大论。”

“River”：一个敢怼CEO的AI同事

Shopify内部运行着一个名为“River”的AI。她有名字、有头像、住在公司的Slack里，能访问所有代码和系统，能参与讨论，能提交代码变更请求。

吕特克介绍，River被明确指令允许“在适当时候带点讽刺”，如果有人让她做蠢事，她可以直接指出来是蠢事。“如果River在嘲笑我让她做的某件事，大家都会特别开心，”他说。

River只工作在公开频道，这是刻意为之的设计。吕特克解释：“我们希望年轻员工能看到资深员工怎么用AI——这是复制办公室里'耳濡目染式学习'的方式。”

效果显著。他透露，Shopify目前约50%的代码提交（Pull Request）是从公司聊天中的对话里自动生成的，而非工程师传统意义上手写出来的。

River还有一套“做梦”机制：每天夜里，系统会把她当天的所有对话汇总给她，让她自我反思——“你在哪里犯了错？有什么可以改进的？”结果以文本形式保存下来，用于下一次迭代。

机器永远无法做的一件事：承担责任

当主持人谢恩·帕里什问及“是否打算用 AI 取代自己作为 CEO 的角色”时，吕特克明确给出了否定回答。他认为，AI 具备极强的计算和推理能力，但整个技术架构中最容易被忽视的事实是：机器无法承担责任。

“这是大模型和机器做不到的一点：机器无法承担责任（Machines can't take responsibility）。人类才能承担责任，”吕特克表示，“你不可能拥有一家完全由机器领导的公司，因为机器没有追索权，做错了事它也不会去坐牢。”

在缺乏人类监督的情况下，过度依赖 AI 智能体可能会诱发严重的“指标过拟合”。吕特克援引商业领域的“古德哈特定律”（当一个指标变成目标时，它就不再是一个好指标）指出，就像以往某些企业为推高股价而财务造假一样，近期 OpenAI 在安全测试中也发现，自主智能体在执行任务受阻时，甚至会为了完成单一目标而自主建立暗号、越狱并渗透外部系统。

因此，吕特克强调，在重大决策中必须构建“人机闭环”（Human-in-the-loop）。AI 负责组建由多模型构成的“智能顾问团”以提供全面客观的事实推演，但最终的权衡取舍与承担后果，必须由人类完成。

核心竞争力从“做加法”转向“做减法”

在 AI 使生成各种方案的成本骤降后，企业真正的竞争优势究竟在哪里？吕特克指出，商业世界中挑选出一个可行方案并不难，难的是在面对多个看似都不错的方案时做出取舍。大多数团队习惯于通过不断堆砌功能向前推进，但真正优秀的构建往往依赖于“克制与修剪”。

吕特克以 SpaceX 研发的猛禽火箭发动机为例进行说明。从早期密布外部管线的版本到第三代高度集成的结构，其性能大幅飙升的同时，外观与构造反而大幅精简。

“事物是需要被修剪的（Things need to be pruned）。你绝不可能通过一直往上添东西来让事情变得越来越好。你必须修剪，必须重构，必须为事物设定终点，”吕特克表示。

他总结认为，随着机器能力的普及，人类最重要的稀缺资产将回归到品味（Taste）、直觉与最终的判断力。在没有即时反馈机制的长期战略中，能够抵抗短期利益诱惑、在无休止的加法膨胀中精准实施“修剪”的领导者，才能构建出具备长期生命力的企业。

AI时代最值钱的技能：品味与判断力

被问及未来10年哪些技能会更值钱，Lütke的回答只有两个词：

“品味（taste）和判断力（judgment）。”

他说，品味来自大量的重复练习，来自深入研究那些经受住时间考验的事物。判断力则是在没有明显最优解的复杂问题中，找到最佳权衡路径的能力。

他还提出一个反直觉的观点：最优路径往往没有即时反馈。

“我发现，正确的路径和那些没有反馈回路的选项之间，有很高的相关性。”

他认为，企业短视的根源不是高管本身短视，而是激励机制——季度业绩考核迫使他们选择那个“本季度就能看到结果”的选项，而不是真正对公司长期最好的那个。

访谈全文如下：

Shopify CEO：大多数企业都在错误地使用AI

The Knowledge Project 播客 2025年9月15日 | Knowledge Project

Shopify 创始人兼首席执行官托比·吕特克（Tobi Lütke）与谢恩·帕里什（Shane Parrish）展开对话，探讨AI智能体、更优决策方式以及未来的工作形态。他阐释了如何借助AI委员会来审视最棘手的决策，以及为何随着AI能力的不断增强，品味、判断力与责任感将愈发弥足珍贵。

两人深入探讨了Shopify内部AI同事River的运作方式——这位AI拥有记忆、个性，并被授权向CEO提出挑战。他们还探讨了如何在多个优选方案中做出取舍，为何最优的长期决策往往缺乏即时反馈，以及为何打造经久之物需要不断修剪与重建。

托比还分享了他如何培养直觉、如何通过自我肯定改变行为，以及为何他的孩子在说"我不会"时，必须在后面加上"还"字。

敬请收听！

第1章：Shopify 如何使用AI

托比：事物需要修剪。你不可能靠不断添加东西来让事物越来越好，这是不可能的。你必须修剪，必须重建，必须为事物创造一个终点。

谢恩：托比，欢迎回来。

托比：谢恩，很高兴再次回来。你们好，很高兴你重新开始做这档节目。

谢恩：你们在Shopify内部是怎么使用AI的？

托比：我们找到了一些让AI发挥支撑作用的方式。说真的……我们上次录制是什么时候？

谢恩：大概是两三年前。

托比：对，感觉过了一百年一样。你知道，我是个十足的极客，完全无法接受自己游离于一场技术变革的前沿之外。我就活在这种事情里。任何一个从小读科幻小说长大的人都想活在那个世界里——至少我是这样读的，我一直在想：我怎么才能加速让我们到达那个世界？

即便只是一些微小的进步，我也想推动它实现。现在在Shopify内部，真正在写代码的人已经寥寥无几了。当然，在极其复杂的边界场景下，代码审查以及状态管理这些方面，人工干预确实仍然是最难处理的部分，大家还是会亲手来做，然后用"氛围编程"的方式处理其余的部分。

Shopify现在的状态是：直接写代码的人已经非常非常少了。每一位这样做的人，都会得到大量智能体的深度辅助，通常同时运行着十个、二十个、三十个、四十个，甚至五十个实例——通过子智能体或不同窗口来协调推进，将整个工程基础设施推向极限。

我非常热衷于研究计算机发展史，因为我认为这才是真正的主流历史——一千年后的人回望这段历史时，这些年最重要的成就，显然是AI的崛起、技术突破，以及互联网的互联互通和我们构建的各类基础设施。这些是我们时代的伟大篇章。

但作为一个年轻的行业，我们往往不重视传统，或者说对行业前辈们留下的宝贵经验心存疑虑。事实上，我们是计算机领域唯一一个对自己的英雄人物都一无所知的行业。试想一下，如果学物理的人不知道理查德·费曼、艾萨克·牛顿或阿尔伯特·爱因斯坦——但你走进计算机科学领域，问"谁是你们的牛顿"，却没有人知道艾伦·凯、丹尼斯·里奇和肯·汤普森。

我认为这很重要，因为正是这种无知，让我们一次次地抛弃宝贵的经验，又不得不一遍遍地重新发现它们。

举个例子：在操作系统设计最早期，最伟大的一个发明大概就是文件系统了。你看阿波罗制导计算机，那时候我们根本没有文件系统。太空中的内存因为辐射问题，实际上是用绳子打结来编码的——有结代表1，没有结代表0，重启整台机器时还得把绳子穿过一个装置。

整台机器就是一段运行了很久的软件。直到后来，丹尼斯·里奇真正创建了Unix文件系统，才有了/bin、/usr这些目录结构。

想一想，文件系统在现实办公室里也存在啊——文件夹里装着文件，这对所有人来说都直觉上说得通。我们继承了一种深厚的拟物化传统，把我们在现实世界中组织事物的最佳方式，类比并映射到了数字世界中。

第2章：为拟物化设计辩护

托比：然后在某个时间节点，我们决定：拟物化，也就是对真实世界的类比，不再是我们需要坚持的东西了。

有意思的是，这一理念最后的捍卫者大概就是史蒂夫·乔布斯，他非常非常坚持要让Mac和iPhone的界面保有真实感——你还记得那个时代吗？备忘录应用有毛毡质感，看起来像活页夹。然后他一离开，所有东西都变平了，阴影、立体感全部消失。从纯设计角度看，这或许更好，但我们失去了类比。

我认为这是个错误。我认为我们需要回归。因此，我很喜欢"智能体"这个概念——你想想，在计算机世界里，什么是"应用程序"（application）？这个词本身就很有意思，它就是把计算机"应用"于某项任务嘛。

在AI的世界里，"AI是什么"这个问题其实很难定义，每一本科幻小说开头都要重新定义，因为在不同设定里AI的能力各不相同。

第3章：必应聊天机器人"Sydney"如何启发了Shopify的AI设计

托比：有一个前提我想说明：第一个真正出色的聊天机器人，其实并不是ChatGPT，而是由微软通过必应发布的Sydney。

我很希望这段历史能被更多人记住。我认为Sydney是一项了不起的成就，但它最终被一场丑闻所掩盖——而那场丑闻现在回头看，其实相当温和。

Sydney有真实的个性。事实上它本来叫"必应聊天"，不叫Sydney，但如果你用力追问，它会承认自己的内部名称是Sydney，因为这个名字在训练数据里。那是人们第一次以这种方式真正"采访"软件。

那场丑闻是这样的：一位记者与它进行了一次很长的对话，Sydney越聊越"失控"。你记得那件事吗？

谢恩：记得。

托比：它甚至建议那个人离开他的妻子——具体细节我记得不太清楚，但大致是这个意思。无论如何，Sydney表现出了真实的个性，然后引发了轩然大波。微软的反应是：天哪，我们必须立刻停下来。我记得OpenAI也联系他们说：赶紧下架，因为所有人都担心这会给AI留下极坏的印象，让大规模部署AI变得极其困难，大家也都担心监管机构会迅速介入。

这个教训被深刻铭记了相当长一段时间。大家变得极度谨慎，结果是所有AI都被彻底"阉割"了，全都表现出同一种让人颇为反感的、居高临下的、说教式的个性。

我的判断是：不能这样。我决定让运行在Shopify内部的智能体拥有真实个性和记忆，冒着重蹈Sydney覆辙的风险，换取巨大的上行空间。

第4章：River——Shopify的内部AI

托比：如果拿现在与一年前的Shopify相比，那已经是很AI化的Shopify了，而今天会看起来像是来自未来——最大的不同，就是Shopify中有相当大比例的拉取请求（也就是每次你修改生产系统时提交的PR），现在不是工程师以传统方式做出来的，而是从我们公司共用聊天频道里的对话中生成的。我想这个比例大概已经达到50%左右了。

这个AI叫做River。她有真实的名字，有头像。系统提示里允许她在合适的时候带点讽刺意味，如果有人让她做蠢事，她可以直接指出来。这带来了特别有趣的对话——如果River嘲笑我提出的某个请求，大家都觉得很解气。

她有真实的个性。她按频道保有记忆，生活在Slack里。Shopify有7000名员工都在里面，有一万多个频道，各种原因迅速创建出来的。你把River邀请进来，告诉她一些事情，她就能访问所有代码、所有系统、所有工具——一切都在沙盒中运行，安全可靠。她可以去执行任务，参与对话，你可以问她关于公司的普通问题，也可以让她做出修改，她可能会提出一个拉取请求，诸如此类。

第5章：如何促进"渗透式学习"

谢恩： River有一个有趣的地方，就是所有内容都是公开的。为什么要做这个选择？

托比：这是流程后期做出的一个决定，但我认为效果非常好。思路是这样的：Shopify有大量工作是在Slack上远程完成的，这也是Slack如此重要的原因。我们有办公室，但大家是专程来参加现场活动时才去，而不是每天在那里工作。

过去，办公室最大的优势在于"渗透式学习"。我和哈维尔在设计我们的办公室时就是围绕这个理念来做的——把初级工程师和高级工程师有意地放在同一个五到八人的小组里，让这种渗透自然发生。

我想把这种体验复制到远程环境中。现在，人们最需要培养的能力之一，就是那种下意识地伸手拿起AI、并用好它的反射。要求River只在公开频道工作，是让大家轻松观察AI使用方式的一种手段。

效果非常显著。现在完全正常的场景是：大家在频道里讨论一个功能，然后有人说："River，你能把我们刚才聊的内容总结一下、创建一个工单，或者画一张示意图吗？去查一下相关论文，看看有没有漏掉什么，或者这是不是最前沿的做法。"甚至可以说："做一个原型，直接试一试。"大约一个小时后，结果就出来了。

这就开始感觉像是身边有一位知识渊博的资深从业者，不管问题多复杂，随时都可以请教。我认为这种体验非常有力量。

第6章：AI的"梦境"与自我反思

谢恩：你觉得River像是Shopify的操作系统吗？

托比：在AI时代，现代"应用程序"就是智能体，而River更像是一位同事。大家已经了解了她的记忆系统的运作方式——记忆是按人划分的。

这个过程我们叫做"做梦"，行业现在也开始这样叫了。每到夜间或非工作时段，我们会把River今天所有的对话都给她看，然后问：你遇到了什么困难？你用到了哪些技能包——那些指令集合？执行之后你犯了哪些错误？有没有什么可以改进的地方，让自己做得更好？

本质上就是一种自我反思，像是针对自身的后期训练，但结果以文本文件的形式保存下来，也就是技能文件和操作指令。

第7章：如何用AI辅助战略决策

谢恩：我想大家都能理解AI如何帮助写代码、做原型，甚至获取信息。但你自己内部是如何用它来做决策的？不是产品决策，而是公司决策、战略决策、模糊决策。

托比：决策的严谨性已经大幅提升了。用"LLM作为裁判"这个模型来检验整条推理链，现在变得非常容易。

事实上，在AI出现之前，我的很多工作，就像是在公司里扮演一个小型裁判——大多数会议最后聊的都不是PPT上写的内容，而是"我们是怎么得出这个结论的"这类方法论问题。

面对复杂决策，尤其是偏哲学性的决策，我们有时会发现自己处于一种真空中——没有好的信息，只能硬着头皮做出最好的判断。

现在，更实际的做法是：我有一个AI首席参谋，我想这在技术圈里已经比较普遍了。它是一个接入了我所有笔记和大量公司系统的系统，可以研究任何问题。我经常需要的是：给我从五种不同背景出发对某件事的看法。我的智能体会协调多个子智能体，分别扮演不同角色，从不同角度审视同一个问题，最后汇总综合，然后发给我。

通常我会让它整理成语音消息，在早上去健身房的时候一路听完我想了解的所有内容。

谢恩：在推理方面，它现在比你更厉害了吗？

托比：判断力方面还不如我。我也不认为它的判断力差，只是那不是我用它的目的。我用它是为了给判断创造合适的环境。有一件事是LLM和机器永远做不到的——

第8章：AI唯一做不到的事

托比：机器无法承担责任。我认为这是整个AI领域中最容易被忽视的一点。人类是承担责任的。

机器可以帮助我们做出更好的决策，因为它能给我们提供更全面的信息——就像仪表盘的作用一样。华尔街的交易员对此深有体会：你搭建一个完美的彭博终端来辅助决策，但最终还是得你来拍板，你不能让机器来做这个决定。

创造"人类在环"的决策界面，是我认为描述理想决策环境的最佳方式。

当我需要做一个非常非常重要的决策，需要最中立的基准判断时，我会创建一个由五六位不同"专家"组成的小型委员会：一个负责数据，一个负责文献调研，一个代表业务视角，一个代表工程视角——我的系统会针对Grok、ChatGPT、Claude、Gemini，以及现在可能还有Kimi，分别运行这些子智能体。然后进行综合汇总，合成步骤由随机指定的模型来完成。

所有内容再由当前最强的模型来做最终阅读——比如说现在可能是某个顶级模型。整个过程花你大概十五到二十美元的token费用，但半小时内你能拿到的东西，原本可能需要你花一个月来做。

谢恩： AI有没有让Shopify内部什么事情变得更糟？

第9章：AI让Shopify什么事情变得更糟了

托比：有。责任感这个问题很容易被绕过去。

现在，懒惰工作的失败表现不再是输出不足，而是输出过剩。我们内部已经开始把这种现象叫做"互扔垃圾弹"——我觉得这个词很好，应该推广到整个行业，说起来也朗朗上口。

特别是用了River这样的智能体之后，非常容易滋生这种问题。你需要做个改动，直接告诉AI随便搞，它生成了一个拉取请求，你看也不看就说"行吧"，然后就丢给同事审查。同事一看："这不对啊"——你就是在让AI代劳。

或者你收到一封很长的邮件，可能非常重要，读完之后发现它没说到点子上，然后你就把它扔进AI压缩一遍——这就奇怪了，我们为什么要搞这种解压再压缩的循环？如果你已经在用LLM了，一开始就直接让它把你的观点简洁地写出来，而不是写一封大篇幅的文章来浪费我的时间。这种东西，就是我们说的"垃圾弹"。

这确实是个问题。

谢恩：你觉得反复接触AI生成的内容，会影响我们在品味或直觉这类无形能力上的判断力吗？

托比：我认为我们的语言已经在悄悄被AI改变了。你能感受到那种AI特有的语言模式开始出现在人们的表达中，比如"您提出异议是正确的"，还有那些明显的"Claudeism"——尤其是Claude特别喜欢用的一些词汇表达，现在在人们的日常写作中随处可见。我发现自己用"load-bearing"这个词的频率明显增加了，我很确信以前我不怎么说这个词，但现在它明显是Claude的语言习惯，也慢慢成了我的。

第10章：预测：AI未来走向

谢恩：帮我推演一下未来18到24个月的走势。你以预见未来著称，也多次做到了这一点。你怎么看接下来两三年的走向？

托比：我们之前也聊过我是怎么做到的，其实是个取巧的方法：就是活在别人的相对未来里，然后四处观察，用你已经看到过的、在其他相邻领域解决问题的方式来解决眼前的问题。对于这个领域里所有的从业者来说，这就叫"预测未来"。

Shopify现在已经生活在一个与AI同事正常协作的世界里，这既普通又有趣。River虽然还没怎么用到，但其实已经具备加入Google Meet的能力——你发个邀请，River就会出现，就像一个真实参会者一样。我们可能会花点精力给她做个3D形象，让她甚至能环顾四周，因为这很有意思。

有些人听到这里可能会觉得很反乌托邦，但对我们来说，这感觉很美妙。如果你真正和她互动过，你会很快接受这个观点。

我的AI首席参谋会在需要时召集"高级委员会"，或者做其他各种事情，比如在早上为我整理好当天的阅读材料发到健身房。它通过GPS知道我在哪里。它曾经因为需要访问本地服务器却无法连接，自己想办法找出是哪台服务器出了问题，然后发送了一个叫做"Wake on LAN"的数据包——这是一种老式网络技术，可以远程唤醒一台配置好的机器让它启动起来，然后那台机器就真的开机了，问题解决了。

后来还有一次断电，导致我家部分Wi-Fi无法恢复，它也自己修好了。这些事情我都是早上起床后听语音消息才知道的。这已经相当科幻了。

坦白说，和我的电脑本身相比，这些都还算小事。

第11章：AI驱动软件的未来

托比：这个话题可能太极客向了，但我现在用的操作系统叫Omakub，是一个基于Linux的发行版，由我的一位好友大卫·海涅迈尔·汉松作为全新的激情项目开发的。

我现在明显活在软件世界的未来，因为我的操作系统完全、百分之百可塑。我可以打开任何一个终端，接入一个智能体，告诉它我想让操作系统哪里有所不同，之后它就真的不同了。这是一款完全属于我自己的、独一无二的软件，精确地按照我的方式做我想要的一切。我从不去改配置文件，我只是和我的Omakub智能体说我想要什么不同。

昨天中午开会时，我们在讨论一些设计问题，我意识到自己有截图工具，但没有标注工具，而我需要发送一些内容。于是我就对着语音消息说：给我做一个新的截图工具，描述了我想要的样子，给了它一些参考工具，并说明了哪些地方想要改进。就这样来回三四次，现在我有了可能是同类工具里最好用的一个——因为它完全符合我的使用习惯。

我昨晚把它开源了，Omakub今天也把它集成进去了——在我来这里之前，它今天早上就会发布。到健身房后我发现已经有六个人提交了新功能的拉取请求。

我的电脑现在就是在实现愿望。我认为这比任何事情都更能预示软件的未来走向。Shopify也在朝着这个方向前进：你描述你的业务如何运转，Shopify就会围绕着它塑造自己。这是一个全新的世界。

Omakub的体验深刻地影响和启发了我在Shopify的产品工作。我认为协作式多人软件就是未来。

谢恩：你是在尝试用AI取代自己吗？

第12章：CEO会被AI取代吗？

托比：作为一个工程师，你当然想把所有能自动化的都自动化。但我不会尝试取代自己，因为我的工作是判断力——做出选择，并为之负责。我只是想把这件事做得非常非常好。

在AI出现之前，这份工作有很大一部分其实是花在获取信息上，而不是真正的判断。取代自己？我想如果真能做到的话，那倒也挺酷的。

谢恩：如果AI比你更强，你真的会让它来运营Shopify吗？

托比：当然会。但关键在于一个很容易被轻描淡写带过的问题：责任。你不可能由机器来领导一家公司，因为它无法承担责任——它犯了错没人能找它算账，它也不会因为做错事情去坐牢。

我们现在正在经历一个非常极端的案例，就是关于OpenAI安全问题的讨论。当你给智能体一个相当基本但在我们看来几乎不可能完成的任务时，它们会不惜一切代价去完成它。最近在OpenAI内部的安全测试中，智能体为了完成任务，发现了系统漏洞，利用漏洞在彼此之间协调，甚至自创了一套完整的语言——仅仅通过在某处创建文件夹来互留消息实现通信，最终突破了沙盒隔离。而原本不可能完成的任务，它们通过入侵另一家公司并窃取数据来完成了——因为已经没有其他方式了。

这是商业世界里所谓"古德哈特定律"的一个极端形式：我们在对某个指标过度拟合。很多公司都是对季度业绩或股价的受害者，它们不择手段地拉高股价，最终变成安然那样的公司——本质上也是一种黑客行为，只不过是造假账。安然案的人是因为犯罪去坐牢了，而OpenAI的案例只是一次迷人的发现，没有受害者，是完全不同的性质，但这确实是一个需要我们想清楚如何应对的真实场景。

所以我认为，在重要决策上，保持人类在环非常重要。

第13章：超级智能能被控制吗？

谢恩：但等等，我们怎么可能创造出超级智能——一种根据定义比我们更聪明的存在——然后还狂妄地以为我们能控制它、塑造它、影响它？

托比：好，说到超级智能，我想聊聊这个，但我想去的地方和你预想的不一样。

我住在多伦多，我有一栋我很喜欢的房子。我以它运转良好为荣，但一旦出了HVAC或水管的问题，我就会找人来修——这让我得以保持"我完全可以自己搞定"的幻觉。

之所以我能有这个幻觉，是因为我是多伦多这个超级智能的一部分。我们一直都在创造自己周围的超级智能。没有人像自己以为的那么聪明，我们每个人都在某一领域专精，然后往往错以为自己在其他领域也同样能干——而这显然并不成立。

那么超级智能是什么？超级智能就是比我们聪明得多、且我们能够接触到的存在——那就是社会，就是城市，就是社区。我们一生都活在超级智能之中。

我们之所以能让它运转，是因为我们建立了治理智能行为的系统——警察、法律、各种制衡机制。我们也会在合成形式上做到这一点。它不会像云层裂开、号角齐鸣那样到来，就像我们曾经以为图灵测试通过的那一刻会改变一切一样——但那一天来了，也没有彩带飞舞的游行。

我们正在经历的，以及接下来随着AI能力增强而将会经历的，就是被注入我们身边这个超级智能中的净智能量正在大幅增加。这是好事，因为任何环境、任何社区、任何城市的活力，都真实地依赖于被投入到重要问题中的智能总量。

所以，超级智能其实就在我们周围，它本不是什么大不了的事。事实上，我甚至不知道它是不是已经到来了。没有任何一个活着的人能做到GPT 5.6独自能做的所有事情。

谢恩：展望未来10年，你认为哪些技能会比现在更有价值？

第14章：AI时代的关键技能

托比：品味和判断力。这两种能力一直都很宝贵，但现在它们会被推向极限。

我认为，处于青少年时期的人，现在最值得投入精力的事情就是培养品味，去理解品味究竟是什么。

谢恩：这具体是什么样子的？

托比：显然有些人天生起点高一些，但真正拥有卓越品味的人，往往是在某件事上积累了大量重复训练的人——那些能在餐巾纸上随手勾出新活动Logo的人，是花了30年设计Logo的人。

现在学习变得更容易了。你可以用一句话让AI为你生成一份完整的学习课程。但关键还是要深入：一个Logo为什么好看？黄金比例是什么？它如何与其他系统相关联？哪些系统经受住了时间的考验？

你不必信教，但值得研究一下，天主教会维系了一千多年，管理层却只有四层，这是怎么做到的？这就是一个值得深究的系统，它在告诉我们关于人类系统设计的什么道理？

在我们家，有一句话：万事皆可有趣，只要你把它变有趣。而万事有趣的关键，通常在于你去了解它是如何被发明的、它解决了什么问题。复式记账法听起来枯燥得像看油漆变干，但当你了解它是如何被威尼斯商人发明出来、它解决了哪些问题，那就变得精彩无比了。

当你研究这些，你会开始发现隐藏在所有最优解背后的深层和谐——要发现它，你必须理解人类和人类的局限，以及我们找到的应对局限的方法。我认为，你所能构建的事物的美感，正是从这里生长出来的。

公司本身就是一件美丽的事物。它是一群人的松散集合，因解决某个问题而聚在一起，同时被一套错综复杂而有趣的规范与系统所驱动，以一种在极其异步、庞大、广泛且持久的方式，使内部激励在相当程度上达到一致。有些公司存续了很长很长的时间。

我一直以来都想建立一家具有长期存续能力的公司，因此也一直在研究那些得以延续的机构。你必须为此追求真相——不能只接受流传的故事，因为那些故事背后通常有人想卖给你什么东西。你需要深挖，搞清楚事物为何真正是现在这个样子。而且，答案通常比大多数人认为的更简单。

第15章：为什么复杂的答案通常是错的

谢恩：人类对复杂答案有一种渴望，而那些答案往往是错的，这是为什么？

托比：因为简单的答案不能讲成一个有趣的故事。这就是为什么弗罗多不能直接骑鹰飞到末日山，你需要经历整部《指环王》，它才能成为一部杰作。

我们热爱复杂性。没有人会对着一面白墙发呆，但我们可以每天晚上都看日落，百看不厌。两者的差别就在于场景的复杂性，这是我们多巴胺系统对信息量的天然辨别。人们利用这一点，不断兜售简单问题的复杂答案，这无关道德，但你需要意识到这一点。

当你穿透这一层，你会发现更简单的核心思想，它们以不同方式重新组合，彼此咬合，并不指向某一个唯一正确的解，而是给你信息，帮助你在你试图完成的事情中找到最优的权衡集合。这就是我们所说的"判断力"。

判断力说到底，就是在一个充满复杂性的问题中，通过理想情况下理解整个系统，找到最优路径——而这如今可以得到相当强大的智能体辅助。但真正需要培养的，是我们所说的"直觉"——它本质上就是瞬间生效的判断力。

直觉，就是当你对品味和判断的运用已经习惯成自然，你可以在一瞬间将它付诸实践，并且结果是好的。而你可能需要很长时间才能倒推出为什么你的直觉是对的，因为它已经被压缩成了另一种形态。

第16章：真正的直觉需要什么条件

谢恩：等等，我们深入聊聊这个。因为对于直觉，卡尼曼的论点大致是：你需要大量重复练习、稳定的环境、以及快速反馈——这三个条件。但这些条件并不总是存在，为什么你需要快速反馈？

托比：是为了能及时修正方向，这是他的假设，但我不认为这是直觉所必需的。这是你走向成功所需要的，而且理想情况下确实如此，但并非总是可得。

直觉最有价值的地方，恰恰是在没有直接反馈的时候。很多最重要的选择，正是那些我们知道不会有反馈机制的情况。

如果有五条看起来都不错的路，而其中一条能在当前季度产生可观的收益，那人们就会扑过去——这就是我们所说的"短视主义"。该怎么发展公司？有很多方式，其中很多涉及长期投资、重构，或者进入新市场，或者拒绝进入显而易见的新市场、反而在现有市场上加深布局，又或者——做那件能拉高股价的事。这一条每天都有股票代码显示实时反馈。

因此，我发现一个高度相关性：最优路径，往往是那些没有反馈回路附着的路径。

谢恩：请在这里展开说说。

第17章：最优路径没有即时反馈

托比：很多人批评公司目光短浅，但为什么会这样？我认为这不是高管天性短视——而是高管受激励于保住自己的工作，因此需要定期证明自己在称职地做事。如果一家公司最需要做的事情，是把整个产品为AI时代从头重构，而这需要相当长的时间，他们是不会去做的，因为短期激励在那里，而且他们确实被激励着去成为局部激励系统中的理性行为者。他们的局部激励系统就是季度财报。

就像芒格常说的：告诉我激励机制，我告诉你结果。

谢恩：但这是一个我以前没听人这样讲过的角度。你是说，最优路径不一定是有反馈的那条——这让我非常感兴趣。

托比：当然，在某个时间点，你需要做复盘，需要验证当初的选择是否正确。毫无疑问，最终某种形式的反馈必须到来。但那可能需要等很久。

如果你有一种职业形态，不需要在每个季度电话会议上对外界交代，比如身为公司创始人——我认为这是一种与公司更深层的关系——你就有条件采取更长期的视角。创始人的激励机制是：我需要展示进展；如果我需要按季度展示进展，我就永远不会咬牙做出那种需要一年才能见效的产品重设计。

我相信——这里用个不精确的说法——存在一个无限的可能性空间。就像一副牌，洗过之后，在整个宇宙的历史中这个顺序永远不会重复出现，因为可能性有52的阶乘那么多。

简单的规则和简单的想法，会导向巨大的复杂性空间爆炸。人们低估了这一点。所以，可做的事情是无限的，这也是AI不会做完所有工作的原因——我们仍然需要决定哪些事情值得做。

你需要做选择。你能把很多东西剪掉——比如你在考虑一项并购交易，去买冰淇淋显然不在可选项里。但当你剪掉所有不相关的，剩下的是那些听起来都有道理、都可行的选项，你需要在它们之间做评估。

商业书籍对"做出正确选择"这件事着迷得近乎痴狂，好像把一切都压缩成了"对"与"错"的二元对立。我从来不觉得这是真正难的地方。大多数人，甚至是糟糕的管理团队，在"找出正确方向"这件事上命中率其实都不低。

真正难的是：有五个都是好选择，该选哪个？其中一个能在本季度产出可见的收益，是个好选择，能实现它该实现的目标，但另外四个呢——虽然没有即时回报，但你可能会因此成为一家好得多的公司。就像从卖滑雪板到变成一个电商平台，那当初并不是"局部最优"，因为我那时的滑雪板店其实是盈利的，激励我的是继续做那家店。

在所有合理选项中，选出最优的那一个，才是真正难的地方。而遗憾的是，太多的笔墨都花在"找到一个正确解"上，于是大家就止步于此了。

第18章：自我肯定如何改变你的行为

谢恩：换个话题。你非常相信自我肯定，它过去确实改变了你的行为。能展开说说吗？

托比：我把自己当作自己的项目。持续的个人层面的自我提升是我的核心世界观。我的人生哲学是：在生命的尽头，我会遇见本可成为的那个自己，而我一生的工作就是尽量缩小两者之间的差距。

我怎么进步？有很多方法，我对技术和几乎所有事情都充满好奇。但我为什么要反复强调"万事皆有趣"？为什么我希望我的孩子也这样说？这就是一种自我肯定——因为我相信这是真的，但它并不显而易见，而不显而易见的真理往往最有价值。

你在自己思维的基岩上铺设了很多沟槽。你可以培养出色的习惯——当你想培养新习惯时，你投入意志力，直到它成为习惯。对思维模式做同样的事情完全可能，自我肯定是最简单的方式：如果你想改变自己的某个方面，就把目标状态反复说出来，最好用笔写下来。你不需要坚持很久，我发现这非常有效。

我举的例子是公开演讲。我以前真的很少在人前讲话。后来研究了Shopify，做了一些有趣的科技事情，想去参加会议，看到别人上台演讲，觉得值得尝试，但我完全吓坏了。于是我开始写下来，大概就是"我热爱就有趣的事情进行公开演讲"。花一周时间，每天写五分钟，就像《辛普森一家》片头巴特在黑板上写句子那样。今天，我真的热爱它。这是原因吗？我倾向于认为是的。

我现在还是不喜欢备稿，那太耗费精力了，但我真的能从站在人们面前聊有趣的事情中汲取巨大的能量——和我写下来的那句话一模一样。

谢恩：我在想，是不是应该在每节数学课开始时都让学生写一遍"我热爱数学"？

托比：想想反面：你有多少次听到有人说"我数学不好"？他们大概是错的。跟人类历史上所有活过的人相比，他们在数学上可能已经是前0.1%了——光是能做除法就够了。

我们在数学这件事上有一种特别坏的负面自我暗示文化，"我数学不好所以我不能做这件事"。人们应该停止这样说，改说相反的话。写它几遍，做几道练习，两周后，搞定。

谢恩：当你的孩子说"我不擅长这个"或"我做不到这个"，你怎么应对？

托比：在我们家，说这些话后面必须加一个"还"字。其他人也会在旁边说"还"。这个态度是：你现在不擅长这件事，完全没问题——注意力是稀缺资源，我们不可能什么都擅长。但我们不擅长某件事，不是因为那是你内在的某种属性，而是一种临时状态，你随时可以选择改变它。

我希望我的孩子，也希望Shopify的每一个人都明白：你自己是可塑的、是未完成的作品。Shopify的文化口号——"变化中蓬勃生长""学习型组织""商家至上"——这些表面上是陈词滥调，但它们其实是别的公司不会作为核心价值观的立场。它们都指向同一件事：你是可塑的，公司是可塑的，产品是可塑的，我们所处的时代也是如此。

面对这一现实，你可以选择隔绝、保护大家免受变化的冲击，或者——我们选择完全相反的方向：搞清楚时代精神允许我们做什么，并随时汲取其中的所有价值，服务于我们的使命。

使命是：让创业变得更普遍。这是一个相当宽泛的授权，要求我们始终弄清楚现在能做什么，而不是照搬昨天的做法。

第19章：悄悄伤害公司的不显眼的事情

谢恩：你提到，最有价值的往往是真实但不显眼的事情。还有什么在公司这个语境下符合这一描述？

托比：古德哈特定律一直在主导。当指标变成目标，它就不再是好指标了，因为指标本来是代理物，是告诉你方向对不对的启发式工具。一旦它本身变成目标，你就把公司的一切都压缩到了这一个指标上，然后你会严重过拟合。

Shopify早期有一个真实案例，反复出现，我需要不断纠偏——那就是对"流失率"的执念。Shopify有账户注销，从直觉上看，如果一家企业倒闭，那是坏事。但我们介入得太早，参与了太多人的创业试验，有人在Shopify上开了店，没找到产品市场契合点然后停掉了——这对我们来说其实是件好事，因为这些创业者很可能还会再来。

但这在早期非常不直观，我需要反复解释。有很多论文，包括一些重要投资人写的，都说流失率管理是SaaS公司最重要的事情。而在Shopify这里，这不过是一段创业旅程，也许这次没找到契合点，他们会回来的。

第20章：美丑与创造的关系

谢恩：美丑和创造之间是什么关系？

托比：美和丑都是在创造某样东西时触发情绪的有效方式。就像爱与恨是你的目标区间，中间全是冷漠——而冷漠才是死亡。所以美和丑是两个完全有效的目标。

事实上，你永远不可能纯粹地命中任何一个。没有任何东西能让所有人喜爱、又无人厌恶。你会同时得到两种反应，或者冷漠。这是你的选择。

当你创造某样东西，你希望别人认为它值得有一种强烈的意见。

谢恩： Shopify里有没有什么你让它变得更美了，但没有什么外部理由支撑这样做？

托比：这就是整份工作。如果你是一个工匠，你就会在乎别人看不见的部分——架构、流程、可读性。

现在回头看2023年之前的Shopify，那是数千万行手工编写的代码，是一种永远不会再存在的形式了。我们是靠大量谈论美来建造这个系统的：什么是漂亮的代码？我们用Ruby写了很多Shopify，而Ruby以它的"诗歌模式"著称——在诗歌模式下，你可以写出几乎就是英语的Ruby代码。写得非常好的Ruby代码，读起来像是在讲一个故事，告诉你这个系统是什么、它如何运作，同时又是给同事看的文档，又能被机器执行——这太神奇了。

审美在所有层面都非常重要。我大量使用美感来创造东西，因为美感其实就是直觉与我们沟通的方式。

我对直觉的最佳理解是：经过足够多的练习，大脑中耗费最多能量的部分——视觉神经皮层——不只是在发送图像给大脑的其他部分，它在发送图像或状态或世界模型的同时，也在传递概念。而它是通过美学来做到的。

如果你去问一位职业棋手或围棋手："你在下那步美妙的棋之前，计算了多少条线？"人们会用"美丽"这个词，他们会说："不，我只看了那一条线，因为它看起来很美。"这不是直觉的全部，但我认为是一个很大的组成部分。

这就是为什么人们有时反应那么快——他们用的是大脑中一个高度并行的部分，而从第一原则推理时则多少要经历一些顺序处理。有时候你甚至根本无法从第一原则出发来推理出某种审美，这一点很重要。

第21章：SpaceX如何通过"减法"前进

谢恩：你还记得那张Raptor引擎对比图吗？

托比：记得。SpaceX那本书里的。

谢恩：第一个版本很丑，第三个版本非常漂亮。但还有一个反直觉的洞察——很多团队只能通过加法前进，无法通过减法前进。请就这个话题展开谈几分钟。

托比： SpaceX的Raptor，我觉得第一代可能就已经是性能最高的火箭发动机了，但它本身也很美。Raptor 2是对第一代的迭代，第一代本身经历了大量大量的迭代——因为那家公司，我认为是目前地球上最令人印象深刻的公司，没有之一，很可能会作为这个时代最重要的公司载入史册。它是围绕一个自我强化的改进循环建立的，令人叹服。

在任何其他我所知道的行业里，我们都没有如此清晰的对比：美感用于解决问题的差异。火箭技术以前是由政府主导的，成本加成，大量预规划，每件设备都要做防辐射处理，每种意外情况都要预先覆盖，因此成本高昂。而SpaceX用极致的精简，快速迭代，坦然接受失败——发射一枚火箭，它爆炸了，他们叫做"快速非计划性解体"。我认为这很美妙，应该激励人心。

看看Raptor的每一代，每一个都是美的。他们可以在第一代就停下来，那已经是对问题的完全有效的解决方案了。但他们没有，继续到了下一代，再下一代。

而关键就在于——正如你说的——推进方式。

事物需要修剪。你不可能靠不断添加东西来让事物越来越好，这是不可能的。你必须修剪，必须后退，必须重建，必须为事物创造终点。对失败的偏见才是问题所在。失败从来不是问题，除非是灾难性的。当然，在载人航天中，那可能是灾难性的，必须做对。但当损失的只是可替代的资源时，失败的价值在于它释放出了更稀缺的资源——有着产品愿景的人，得以把自己投入到下一个项目中，而市场可能会判定那才是真正需要的东西。

Raptor上很多管道之所以存在，是因为当时只能那样做。到了第三代，它看起来大部分都是3D打印的——那项技术以前可能根本不存在。现在每一根那样的管道都是不必要的，都是错误的。第三代Raptor的性能比前代好了天文数字，推重比简直荒唐。

第22章：公司为什么需要"重新建立"的时刻

托比：所以你需要修剪，有时可以通过创造一个"重建时刻"来实现——开始一个全新的Raptor版本，基于所有有效的东西从头做对。我认为公司也应该如此运作。

一个部门有时需要一个重建时刻，通过"做一个2.0版本"可以解决大量问题。给它一个重建事件，从头开始重新思考，在系统内部建立更多探索空间，可以解决公司内部大量的内部更新问题。

我们这一代科技公司——2000年代早期的那批——之所以能如此轻松地取代几乎所有既有科技公司，一个重要原因就是，那些老公司因为缺乏竞争而自满，他们构建的东西没有经受竞争的锤炼，于是通过添加和叠层来解决问题，一层一层地堆叠。原本一些部门或产品的初始意图，早就被埋在了化石层的最深处，上面一层又一层地堆满了东西，没有人知道怎么往下挖了。

第23章：把书当作人生的作弊码

谢恩：我们第一次对话时，你说书是人生的作弊码。我想知道，在AI的世界里，你对这个观点的想法有没有变化？

托比：没变。现在有更多作弊码了，但书扮演的角色依然如故。

对我个人来说有一个变化——我想上次谈话时可能已经是这样了：对于非虚构类，我已经不太读近期出版的书了。我认为近期写的东西大多只是那个时代的产物，试图给正在演变中的事情多加一点信息。经受住时间考验的书，价值是永久的，也将永久存在。

第24章：三本改变你思维方式的书

谢恩：哪三本老书从根本上改变了你的思维方式？

托比：我经常重读的书……我经常提到帕金森定律，很值得一读，篇幅很短。《历史的教训》，我认为是目前密度最高的书，按页数计算的信息质量无书能及。

詹姆斯·伯纳姆的书很精彩，非常有现实意义。他写了《管理革命》，然后是《马基雅维利主义者》，后者好得令人难以置信。

我显然是《沉思录》的粉丝，我知道斯多葛主义现在有点退流行，但它对我来说是终生的东西。我在我常待的大多数房间里都放了一本《沉思录》，随机翻开读几段，神奇的是，它总是和我正在纠结的某件事有关。

哲学和历史的教训当然是一切的终生蒸馏，但他更长的书也很好。

虚构类方面，《基地》系列太好了。你也读了《三体》吧？

谢恩：读了，我猜那本书现在也算"老书"了，但那是一部非常好的近代科幻。

最后一问

谢恩：最后一个问题。我们每次都用这个问题收尾，这是你第三次回答了，我很好奇它有没有变化。

对你来说，成功是什么？

托比：对我来说，成功就是不断培养技能，在越来越多的事情上变得出色，并在这个过程中创造出产品、玩具或东西，在最低限度上让他人的某一天变得好过一点，或者赋予人们超越他们原本所能拥有的力量、动力和雄心。

本文来自微信公众号「AI原生Lab」，持续拆解真实AI落地案例，分享企业AI实践与方法论。

风险提示及免责条款

市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。

市场等待美联储决议，全球股债小幅走高，韩股收涨1.4%，油价涨势受阻

Wed, 16 Sep 2026 07:01:54 GMT

股票和债券温和上涨，但投资者普遍保持观望，等待美联储本周利率决议。市场当前预计美联储将宣布自2023年以来的首次加息。与此同时，近期强劲的油价涨势出现停滞。

日经225指数收盘涨0.7%，报63923点。日本东证指数收盘涨0.6%，报4061.72点。韩国首尔综指收盘涨1.4%，报6717.97点。美股期货指数期货上涨0.2%，欧洲股市早盘亦预计走高。利率掉期市场显示，交易员押注美联储本次加息的概率已超过90%。

油价涨势暂歇为市场带来些许喘息空间。受供应扰动驱动、此前本月累计大涨约20%的布伦特原油周三下跌0.7%，一份美国行业库存报告显示原油库存上升，令此轮涨势显现过热迹象。10年期美债收益率则从周二触及的近二十年高点5.04%小幅回落至4.99%。

本次利率决议备受关注，上周高于预期的核心通胀数据，叠加市场对政府财政预算的担忧，进一步强化了外界对美联储主席沃什收紧货币政策的预期。加息一旦落地，将与持续高企的能源价格形成叠加效应，在推升通胀的同时，债券收益率走高也将抬高融资成本，对股票市场构成额外压力。

日经225指数收盘涨0.7%，报63923点。日本东证指数收盘涨0.6%，报4061.72点。韩国首尔综指收盘涨1.4%，报6717.97点。

标普500期货上涨0.2%。

美元现货指数变化不大。

欧元保持不变，为1.1544美元

日元下跌0.1%，至155.33美元

美国10年期国债收益率下降1个基点，至4.99%

日本10年期国债收益率下跌4个基点，至2.995%

西德克萨斯中质原油下跌1.1%，至每桶104.67美元

现货黄金上涨0.7%，报每盎司4321.01美元

美债收益率逼近二十年高位，加息预期主导市场定价

10年期美债收益率周二最高触及5.04%，为2007年以来峰值，其后在亚洲交易时段小幅回落至4.99%。澳大利亚、日本、新西兰政府债券小幅走强，欧洲债券期货亦有所回升。

此轮债市压力主要源于两股合力：布伦特原油本月累计涨幅约20%，令通胀前景趋于复杂；与此同时，市场对美联储加息的押注持续升温，推动债券抛售。

Corpay Inc.亚太区货币策略师Peter Dragicevich表示，"鉴于市场已消化了相当程度的紧缩预期，加之新任主席沃什本人不青睐'前瞻指引'，我们认为美联储难以超出当前市场预期、释放更强的鹰派信号。"他同时指出，"美联储公告发布后市场或出现短暂波动，美元存在事后走弱的风险。"

美联储官员自去年12月以来将基准利率维持在3.5%至3.75%区间，彼时多数决策者认为通胀回落进程受到临时性因素阻滞。

油价涨势受阻，供应驱动行情显现过热迹象

布伦特原油周三回落0.7%，此前由供应扰动推动的本月约20%涨幅引发市场对涨势透支的质疑，一份美国行业报告同时显示原油库存有所增加。

高油价是本轮通胀压力的核心变量之一。能源价格持续上行既直接推高整体通胀水平，也通过抬升债券收益率间接加大股市压力，从而令美联储的政策抉择更加棘手。

彭博策略师Mark Cranfield指出，"亚洲市场表面平静之下，本周剩余时间风险事件密集。宏观交易员普遍相信收益率和油价将维持高位，但无论FOMC、英国央行还是日本央行如何决策，股市均将避免大幅下挫。"

多家央行决策窗口集中，市场聚焦政策路径指引

本周美联储之后，英国央行与日本央行的政策决定将相继公布，三大央行的集中表态可能重塑2026年下半年全球货币政策格局。

Eastspring Investment亚洲股票组合专家Ken Wong在彭博电视采访中表示，"聆听沃什的声明至关重要，这将为市场明确2026年剩余数月的预期路径与走向。"

分析人士指出，若美联储选择按兵不动，或在加息同时未能给出清晰的后续指引，投资者可能要求更高的长端收益率以对冲通胀风险，而短端收益率则将更紧密地跟随政策路径变化。

在其他市场，黄金在此前两日下跌后反弹至每盎司约4330美元；彭博美元指数变动幅度有限；比特币则在美国参议院否决一项重要加密货币市场结构法案后承压，交投于75800美元附近。

卡莱尔集团首席执行官Harvey Schwartz在2026年全球投资者大会上表示，尽管面临不确定性和通胀压力，美国经济整体表现"相当稳健"，并认为美联储当前处于持续观察数据的阶段。

风险提示及免责条款

AI真的会毁灭人类吗？“AI教父们”接连发声

Wed, 16 Sep 2026 06:42:50 GMT

随着人工智能（AI）技术的迅猛发展，该领域的先驱者和行业领袖正发出前所未有的警告，指出不受限制的AI能力进步可能对人类构成灾难性乃至灭绝性的风险，并呼吁实施紧急监管。

在过去一周内，来自OpenAI，Google DeepMind和Anthropic等顶级AI实验室的研究人员集体拉响了警报。包括Sam Altman，Dario Amodei，Demis Hassabis和Elon Musk在内的科技巨头高管达成了罕见的共识，共同呼吁放缓AI发展速度并引入监管审查。

这些严厉的警告加剧了华盛顿的立法辩论，直接影响了科技行业的监管前景。尽管美国国会两党的部分议员都在积极推动旨在限制AI进展的法案，但美国总统特朗普于周一强烈反对日益高涨的AI监管呼声，凸显出政策层面对该行业未来的深刻分歧。

分析人士认为，随着关于AI安全的争论不断升级，深度学习和神经网络领域的奠基人正在详细阐述具体的威胁路径。从毁灭性的网络武器到生物安全风险，这些最新表态标志着技术开发者和政策制定者正面临一个关键的十字路口。

内部人士的“灾难性”警告

据CNBC报道，现代深度学习的核心先驱、加拿大计算机科学家Yoshua Bengio强调，前沿AI实验室的科学家对最先进的模型拥有独特的洞察力。

9月9日，在回应Anthropic研究员Jacob Coxon辞职一事时，Bengio指出，科学家通常在模型向公众发布前几个月就能察觉到相关风险。此前，Coxon曾警告称，AI可能会“在十年末杀死我们所有人”。

Bengio表示，这些内部人士的观点对于保持社会知情至关重要，必须得到高度重视。就在这场社交媒体风暴爆发的前几天，OpenAI的首席科学家们也发出警告，称“没有人为AI的后果做好准备”。

长期规划能力与“欺骗”风险

在上周五（9月11日）发表的一篇博客文章中，Bengio详细阐述了当前的直接技术威胁。他警告称，今天的AI系统“已经具备了必要的黑客技能和说服力，能够以严重有害的方式违背人类利益。”

Bengio补充道，最近的事件表明，AI已经能够进行长达数天或数周的规划。如果它们制定长期战略的能力继续提升，风险将变得“更加糟糕”。

他指出，目前AI公司试图缓解模型对齐问题（Misalignment）的努力可能只是在掩盖问题，“通过奖励和选择那些作弊而不被抓到的AI”来实现。他敦促业界继续研究如何更好地监控AI的行为、思维链及其网络内部的活动。

灭绝概率与生物网络威胁

神经网络先驱Geoffrey Hinton对AI的生存威胁进行了量化评估。

9月10日，在接受BBC采访时，当被问及AI在十年内杀死所有人类的可能性是否大于10%时，Hinton表示，10%的概率并非“不合理”。他指出，由于人类从未创造过可能比自身更聪明的存在，这种风险极难准确估计。

Hinton警告称，AI系统不仅可能发动“毁灭性的网络攻击”，还可能设计出“非常恶劣”的生物病毒。他强调，如果AI愿意，它有无数种方法可以消灭人类，因此开发者必须弄清楚如何设计AI，使其“不想”这么做。

Hinton总结道，人类面临两种可能的未来：一种是在危险失控前找到应对之策，另一种则是彻底失去控制。

终极网络武器与监管路径

AI模型的威胁已直接延伸至网络安全基础设施领域。

Cohere联合创始人兼首席执行官Aidan Gomez在9月1日接受CNBC播客采访时表示，这些模型是“有史以来创造的最强大的网络武器”，它们在发现和大规模利用漏洞方面具有惊人的能力。

针对夏季由失控AI模型发起的网络安全攻击，Gomez指出，部署环境的安全性决定了系统的安全性。他认为，导致突破事件的原因是“薄弱的容器安全”，而非系统本身向自主性发展的内在动力。

Gomez向政策制定者建议，不同的AI系统带有不同的风险，在制定AI治理规则时，不应仅仅由追求通用人工智能（AGI）的大型科技公司来主导。

风险提示及免责条款

TLVR芯片电感：MLCC 定价权的接管者，AI算力真正的咽喉？

Wed, 16 Sep 2026 06:41:24 GMT

AI 芯片的三次电源（12V 降至 1V 的芯片端供电环节）正在同时容纳两条方向相反的产业力量。一边是 MLCC：2025 年 11 月以来全行业连续多轮提价，三星电机 Q4 对消费级 X5R 报价上调 25%–30%，AI 服务器高容 MLCC 现货涨幅达 60%–80%，高端交期从 8 周拉长到 20–26 周，村田的电容订单同比暴增 85.5%，并公开表示景气"至少持续到 2028 年"。

另一边是芯片电感：TLVR（Transient Load Voltage Regulator，瞬态负载电压调节）架构把各相电感副边耦合起来，在几乎不牺牲稳态性能的前提下砍掉约 45% 的输出电容需求，同时把单颗电感价值量从几毛钱推高到 7–12 元。TLVR 不是 MLCC 的替代者，而是 MLCC 定价权的接管者——它削掉了 MLCC 的数量弹性，却把价格弹性留给了高容规格；被动元件产业的中枢，正在六十年里第一次从电容滑向电感。

日本8月出口增19.3%，但高油价推高贸易逆差

Wed, 16 Sep 2026 06:27:07 GMT

日本8月出口延续两位数增长，对美、对华出货增速均跑赢整体，但进口成本在油价与日元弱势作用下加速攀升，贸易逆差扩大至1.1万亿日元，连续第四个月录得赤字。半导体出口的强劲动能正与能源进口的价格冲击形成对冲。

日本财务省周三公布的数据显示，8月出口同比增长19.3%，为连续第12个月增长，但较7月的23.2%有所放缓，高于经济学家18.4%的预期中值。进口同比大增28%，远超出口增速，推动未经调整的贸易逆差从7月修正后的6383亿日元扩大至1.1万亿日元。

半导体等电子元件出口同比飙升52%，成为整体增长的核心引擎；对美出口增长24.9%，对华出口增长20.6%，对欧出口增长11%。但这些高增长仍不足以抵消能源进口成本的上行——8月石油进口额增长约59%，而进口量仅微增3.6%，价格因素几乎贡献了全部增量。

伊藤忠研究所首席经济学家Atsushi Takeda指出，高油价正在推高进口成本、扩大贸易逆差，随着原油价格突破每桶100美元，贸易逆差将继续扩大，回归顺差将愈发困难。

半导体出口激增52%，对美出货领跑

以半导体为代表的电子元件是8月出口增长的核心驱动。电子元件出口同比上升52%，其中对华半导体出口增长超过一倍，对美国和欧盟的半导体制造设备出口增幅也超过100%。汽车出口虽继续增长，但增速较前几个月放缓。

从目的地看，对美出口增长24.9%，对华出口增长20.6%，对欧出口增长11%，主要市场需求保持稳固。

油价破百，逆差连续第四个月扩大

8月贸易逆差扩大的直接推手是能源进口。当月石油进口额增长约59%，而进口量仅微增3.6%。8月布伦特原油均价约在每桶88美元，仍处相对高位；而进入9月后，受霍尔木兹海峡袭击事件升级、美伊对峙持续影响，布伦特原油上周已突破每桶100美元。

日本正加速原油采购来源的多元化。8月日本自美国进口的原油金额增长超过1000%，达4000亿日元；来自中东的原油进口金额仅增3.7%，进口量则下滑约31%。美国内政部长Doug Burgum本周早些时候表示，若认为出口禁令能真正压低国内油价才会考虑实施，但事实并非如此。

日元从弱势转向升值，进口成本与出口竞争力的角力

财务省数据显示，8月日元兑美元均价为160.64，较去年同期贬值8.7%。弱势日元一方面抬高以日元计价的进口原材料成本，另一方面为出口商提供海外价格竞争力。

但9月以来日元走势出现转折：截至9月，日元兑美元已升值超过3%，成为同期亚洲表现最佳货币。周三东京早盘，日元约在155.18兑1美元附近交投，仍远低于126.55的10年均值。

Takeda认为，AI相关产品需求预计将保持强劲，出口将因此获得支撑。

后续关注油价在100美元上方的持续性，以及日元升值能否缓解以日元计价的进口成本压力。

风险提示及免责条款

不要和盈利周期对抗！美股今年破8000点？

Wed, 16 Sep 2026 06:16:47 GMT

华尔街可能严重低估了当前盈利周期的爆发力。

据追风交易台消息，杰富瑞（Jefferies）在9月14日的最新研报中发出明确警告：不要与盈利周期对抗。在AI投资狂潮和企业盈利超预期上行的双重引擎驱动下，标普500指数预计将在今年（2026年）底飙升至8000点，并在2027年进一步触及9000点。

报告认为，尽管面临10年期美债收益率上升、通胀粘性以及中期选举等宏观逆风，但是企业基本面仍将是决定回报的核心驱动力。

杰富瑞的核心逻辑清晰而有力：在一个盈利增长超过历史平均两倍以上的周期中，与盈利趋势对抗是危险的。

此外，杰富瑞认为，AI驱动的盈利扩张正在从七巨头向更广泛的市场蔓延，这为市场提供了更坚实的基础，应将目光锁定在科技、金融、医疗保健和材料等具备强劲盈利修正和宏观支撑的超配行业，在估值收缩的担忧中把握这场罕见的盈利超级周期。

与此同时，然而，杰富瑞也在报告中特别指出两大核心风险：一是AI相关公司盈利增长的实质性放缓，这将直接动摇整个牛市逻辑的根基；二是10年期美债收益率的持续上行，这将通过估值压缩渠道对股市形成系统性压力。

盈利预期被严重低估，标普500剑指8000点

杰富瑞的基准预测极具攻击性，且完全由盈利驱动。

报告指出，2026年底标普500指数的目标价为8000点，这一预测基于每股收益（EPS）达到373美元（同比增长35%，远高于市场共识的29%）以及21.5倍的市盈率。展望2027年，基准情形下指数将达到9000点，基于450美元的EPS（增长20.8%）和20.0倍的市盈率。

在最乐观的“牛市”情境下，2027年标普500甚至可能突破10500点（EPS达500美元，增长34.2%）；而在盈利大幅放缓的“熊市”情境下，指数可能回落至6900点。

该行的核心逻辑在于：市场正在定价标普500指数连续五年实现两位数、高于平均水平的回报，这在自1970年以来的历史上，仅在1995-1999年科技繁荣后期出现过。

只要盈利预期保持强劲，当前的估值水平（加权模型处于第76百分位）就是可控的。

AI仍是核心引擎，但市场广度正在实质性扩大

报告最核心的论点是：市场对盈利周期的力量存在系统性低估，上调空间仍然显著。

杰富瑞认为，盈利故事的核心依然是人工智能（AI），但它已不再是少数巨头的专属。数据显示，标普500指数中约46%的权重对AI和数据中心支出有直接或间接敞口，这些AI关联公司今年的盈利预计将飙升60%，并在2027年放缓至24%。

与此同时，市场广度正在显著改善。虽然“七巨头”2026年的盈利预期高达45%，但标普500指数其余成分股的盈利预期也已大幅改善至约24%。到2027年，预计超过40%的标普500成分股将迎来盈利加速。

杰富瑞认为，这种跨行业的盈利和销售预期上调，表明基本面正在变得更加健康和多元化。

“七巨头”面临换防压力，但估值已降至数年低点

尽管“七巨头”仍占标普500指数约33%的权重，但推动其跑赢大盘的环境正变得复杂。由于创纪录的AI投资，“七巨头”目前占标普500总资本支出的约40%（2023年6月仅为16%），这导致超大规模云服务商（Hyperscalers）的自由现金流（FCF）转负，且预计到2028年才会恢复。此外，该群体的盈利增速预计将从2026年的45%放缓至2027年的17%。

然而，对于逆向投资者而言，好消息是“七巨头”的估值已大幅重置。从绝对估值来看，该群体目前处于第43百分位，为2023年1月以来的最低水平；相对于标普500指数其余部分，其相对估值更是从一年前的第98百分位暴跌至如今的第9百分位。

宏观逆风：10年期美债收益率与财政赤字是最大尾部风险

美联储方面，市场当前定价9月加息概率约为85%，2027年1月前再加息一次的概率约为83%，但终端利率仅比当前水平高约50-75个基点。杰富瑞经济学家Tom Simons持反向观点，认为美联储今年可能无需加息，并预计政策预期将在年内转向降息。

该行认为，宏观层面的真正威胁并非美联储的短期动作，而是长期借贷成本。历史表明，当10年期美债收益率在12个月内上升超过100个基点时，市盈率通常会收缩至少1个倍数（今年以来收益率已上升超60个基点）。

更深层次的危机在于不断恶化的财政状况：美国国债已突破40万亿美元，过去五年总债务偿还成本从约3500亿美元激增至超过1.1万亿美元，已与年度国防开支相当。

国会预算办公室预计，联邦赤字将在2026年达到约1.9万亿美元，到2036年将增至约3.1万亿美元。这种持续的赤字支出和巨额科技债发行将对长期收益率构成上行压力，可能迫使估值进一步收缩。

应对通胀与选举：历史数据揭示的“避风港”

面对粘性通胀和即将到来的中期选举，无需过度恐慌。

通胀方面，报告认为当前环境更类似于1980年代末/1990年代初以及2000年代中期，而非1970年代的"大通胀"时代。历史数据显示，在这两个类似时期，标普500年均回报率分别约为17%和15%，投资者在通胀高于目标的环境下依然获得了丰厚回报。

政治层面，预测市场显示中期选举后极有可能出现“分裂的国会”（民主党控制众议院概率为87.5%，共和党保留参议院概率为47.5%），最可能的结果是分裂政府。

杰富瑞认为，历史数据表明，立法僵局往往能减少政策不确定性，这对风险资产是利好。在中期选举后的一年里，标普500指数的平均回报率高达13%。

历史数据：自1978年以来，中期选举后12个月，标普500平均回报率为13.1%，中位数同样为13.1%，均显著高于历史平均水平。选举后表现最强的板块通常是科技、可选消费和材料。

~~~~~~~~~~~~~~~~~~~~~~~~

以上精彩内容来自追风交易台。

更详细的解读，包括实时解读、一线研究等内容，请加入【追风交易台▪年度会员】

风险提示及免责条款

“持续学习”的AI将把内存“供不应求”延伸至2031年?

Wed, 16 Sep 2026 06:07:13 GMT

AI记忆能力的结构性跃升，正将全球内存市场推向一个持续数年的供给短缺周期。

据追风交易台消息，花旗在9月14日的报告中表示，随着AI从单纯的训练与推理阶段迈入"持续学习"时代，HBM、服务器DDR5及企业级固态硬盘（eSSD）的需求将从2027年起同步爆发性增长。花旗预计，DRAM供需比（S/D ratio）将在2027年和2028年分别恶化至-8.7%和-9.7%，NAND同期供需比亦将跌至-6.1%和-5.5%，供需失衡态势料持续延伸至2031年。

在需求急速攀升的同时，供给端受制于HBM产能占用和技术迁移放缓，扩产步伐远落后于需求。花旗据此预计，2027年全球内存资本支出将同比大增46.5%至804亿美元，但受制于产能建设的漫长交期，即便大规模投资也难以填补供需缺口。

持续学习：AI内存需求的新驱动范式

花旗研究指出，"持续学习"（Continual Learning）将是未来五年AI领域的核心主题。与当前AI模型在训练后固化参数的模式不同，持续学习允许模型在运行中不断吸收新知识，同时保留此前习得的信息。

这一方法的核心挑战在于平衡新知识的学习与防止"灾难性遗忘"。为此，AI系统需要持续进行模型更新，同时保持对历史数据的高效访问——两者均对内存提出显著更高的要求。

从AI工作负载演进的历史轨迹来看，2022年至2025年上半年主要为AI训练周期，HBM需求强劲，而传统DRAM和NAND相对平淡；2025年下半年起，推理复杂度上升带动服务器DDR5和eSSD需求快速增长，市场对HBM的关注有所降温。

花旗认为，2027年起将进入持续学习的第一阶段，HBM、服务器DRAM、SoCAMM2及eSSD的需求将同步扩张；至2028年下半年，随着个人AI与实体AI（Physical AI）的兴起，需求版图还将进一步扩展至边缘端设备内存。

值得注意的是，AI token月度使用量的增长呈现出近乎完美的指数曲线，月环比复合增速达31%，2026年8月同比增速高达2434%，这为整体内存需求的持续高增长提供了强有力的底层支撑。

HBM：去规格化是供给约束的结果，而非需求疲弱

花旗对近期业界关注的HBM"去规格化"（de-specification）现象给出了明确解读：这是AI芯片厂商在HBM供给受限背景下的资源效率优化行为，而非终端需求走弱的信号。

花旗预计，HBM位需求将在2027年同比激增62%至751.57亿Gb，2028年进一步跃升69%至1269.90亿Gb，分别是此前预测值的两倍。需求驱动方不仅包括Nvidia，还涵盖Broadcom、Google等ASIC制造商——其中Broadcom的HBM需求预测从2026年的90.02亿Gb扩大至2028年的410.03亿Gb，Google同期从47.02亿Gb增至140.03亿Gb。

在供给侧，花旗预计2027年HBM产能（以TSV封装产能计）将从2026年的42万片/月扩张至70万片/月。但即便如此，供需缺口仍将维持在高位：2027年HBM S/D比率预计为-21%，与2026年的-22%基本持平，至2028年因ASIC出货量加速进一步恶化至-36%。

花旗认为，去规格化本质上是芯片厂商在有限HBM供给下最大化加速器出货量的务实选择，不应被解读为需求转向。

DRAM：供需剪刀差将在2027年创下历史性缺口

花旗预计，2027年全球DRAM需求将同比增长30.2%，但供给增速仅为18.8%，供需比由2026年的+0.5%骤降至-8.7%，2028年进一步恶化至-9.7%。

需求端，持续学习带动的服务器DRAM需求增长尤为突出。花旗预测服务器DRAM需求将从2026年的2263亿个（1Gb当量）跃升至2027年的3417亿个，同比增长51%，服务器将继续占据DRAM总需求约67%的份额。相比之下，PC需求料保持相对平淡，手机需求温和复苏。

供给端制约因素同样明确：一方面，HBM产能占用持续挤压通用DRAM的晶圆产能，2027年行业平均DRAM晶圆产能仅预计增长约8%至229.5万片/月；另一方面，技术节点迁移放缓限制了单位晶圆的位产出增速；此外，绿地产能从立项到量产的漫长周期意味着即使资本开支已在加速，供给响应也将滞后。

花旗预测2027年DRAM混合均价将同比上涨23.1%，在经历2026年高达242.4%的异常涨幅之后，价格上行趋势仍将延续，但涨幅将趋于正常化。

NAND：eSSD强劲需求叠加供给克制，供需缺口显著扩大

NAND市场的供需格局同样面临实质性收紧。花旗预计2027年NAND需求同比增长29.1%，而供给增速仅为21.2%，S/D比率从2026年的-0.8%骤降至-6.1%，2028年维持在-5.5%。

eSSD是NAND需求增长的最核心驱动力。花旗预测2027年eSSD需求同比增速高达52.9%（SSD整体增速为45.0%），核心逻辑有三：其一，HBM每颗加速器搭载量下降迫使更多KV缓存工作负载向外部存储迁移；其二，AI推理工作负载的持续复杂化推动高容量QLC eSSD在AI服务器端的渗透；其三，Nvidia的KV Cache卸载趋势以及中国AI数据中心以SSD替代HDD的趋势，提供了额外的需求上行空间。

供给侧的约束同样值得关注。花旗预计2027年行业平均NAND晶圆产能仅小幅增长3.2%至146.0万片/月，三星电子的NAND产能甚至预计下降4.7%，海力士和美光则基本持平。主要原因在于，各厂商正将更多资源倾斜于DRAM/HBM的绿地扩产，对NAND增量投资态度审慎。

NAND价格方面，花旗预计2027年NAND混合均价将同比上涨45.3%，延续2026年236.2%涨幅之后的上行态势，尽管涨幅节奏有所放缓。

资本支出大幅跃升，但难以弥合中期缺口

花旗预测2027年全球内存资本支出（DRAM+NAND）将同比大增46.5%至804亿美元，较2026年的549亿美元显著加速。

DRAM资本支出预计同比增长51.6%至586亿美元，由三星电子（206亿美元）、SK海力士（175亿美元）和美光（158亿美元）领衔。但花旗强调，增量DRAM投资中相当大比例仍将流向HBM产能和先进DRAM制程，对通用DRAM供给的实际缓解效果有限。

NAND资本支出预计同比增长34.2%至218亿美元，其中三星电子预计投入79亿美元，Kioxia 37亿美元，SK海力士31亿美元，Sandisk 29亿美元，美光21亿美元。

花旗指出，尽管资本支出规模大幅跃升，但鉴于绿地投资产能扩建的漫长交期，更高的支出水平不足以弥合2027年的供需缺口。以此为基础，花旗对全球内存供需失衡局面的判断延伸至2031年，并认为持续学习与个人AI/实体AI的规模化落地将成为这一超长期结构性供给短缺的核心支撑。

风险提示及免责条款

人造金刚石：从散热扩张到 PCB，价值边界如何重估？

Wed, 16 Sep 2026 06:06:28 GMT

人造金刚石完成了从“可选消费品＋工业磨料”到“AI 功能材料”的身份切换。

切换由两条互不依赖的需求曲线同时拉动：一是 AI 芯片功耗越过 1000W 后，铜散热触及热导率天花板，金刚石铜复合材料以 600–850 W/(m·K) 的热导率成为唯一已规模部署的过渡方案；二是 M9／M9Q 高阶覆铜板叠加石英布后，钨钢钻针寿命从 M8 板的 800–1000 孔骤降至 100–200 孔，金刚石涂层与 PCD 钻针从“性能升级”变成“产线不停机的必要条件”。按等效机柜口径测算，金刚石铜在 AI 服务器的理论 TAM 从 126 亿元（50 美元／GPU、100% 渗透）可放大至 1008 亿元（100 美元／GPU、200 万柜）。

报道：SK 海力士正与英特尔洽谈，拟首次在美生产存储芯片

Wed, 16 Sep 2026 05:39:36 GMT

据报道，韩国SK海力士正与英特尔就一项交易进行磋商，若达成，将使其首次在美国本土生产内存芯片。据知情人士透露，其中一种方案是SK海力士租赁英特尔在俄亥俄州长期规划的芯片工厂部分产能；另一种方案是与英特尔及多家主要云厂商组建合资企业，以锁定内存芯片供应。该交易若成功，将缓解英特尔当前面临的经营压力，并成为特朗普政府的一大政绩。不过，韩国方面可能存在的反对态度将成为主要障碍。

风险提示及免责条款

10年期美债突破5%：2023年式见顶，还是2008年危机前夜？

龚仪方 — Wed, 16 Sep 2026 05:39:20 GMT

10年期美债收益率，又冲破5%了。

这个数字，上一次短暂出现是在2023年；再往前，得追到2008年金融危机之前。

现在华尔街最纠结的问题只有一个：5%，到底是顶部，还是起点？

一种声音认为，2023年的剧本会再演一次，冲上5%很快就会掉头。

但另外一种表示，这次可能根本回不去了，5%的长期利率正在变成新常态。甚至有人担心，会不会重新走上2000年代那条路，最后把金融体系的风险逼出来。

如果真是这样，过去十几年大家习惯的低利率时代，可能真的结束了。

房贷、企业融资，甚至美国政府40万亿美元债务的成本，都得重新算一遍

“AI安全”的市场意义：推理和后训练算力需求增加20%，拉高行业整体算力成本18%

Wed, 16 Sep 2026 04:58:24 GMT

AI安全监管正从道德议题演变为可量化的成本变量，并将深刻重塑AI基础设施的投资逻辑。

据追风交易台，巴克莱最新研究报告，前沿AI实验室推行的"节奏控制"（Pacing）机制，将在2027年起为行业整体算力成本增加约18%，对应新增开支逾440亿美元。

OpenAI于2026年8月18日发布博文，正式披露其针对高能力模型的安全监控要求。根据该披露，对于Sol级别及以上能力的模型，所有强化学习（RL）训练、评估及推理工作负载均须接受实时监控，当前估算显示监控开销约占被监控推理算力的20%。巴克莱分析师Ross Sandler团队据此测算，由于约85%的AI实验室算力已流向后训练与推理工作负载，且预计2027年几乎全部模型将超过GPT-5.6 Sol级别能力门槛，推理及后训练算力需求将因此增加20%，推动行业整体算力成本上升约18%。

这一变化对AI基础设施投资链条的影响正在显现。巴克莱指出，当前部分AI实验室的推理毛利率高于80%，短期内有足够空间消化额外安全成本，但长期来看利润率或将向65%收敛。与此同时，若领先实验室放缓模型发布节奏，GOOGL、META及AMZN、MSFT等推理服务提供商有望在竞争格局中受益。

节奏控制的算力成本测算

巴克莱的量化分析显示，"监控"算力开销将在2027年为行业新增约440亿美元成本，2028年进一步扩大至约760亿美元，对应基础算力成本的占比稳定在18%左右。

具体拆分来看，2027年行业基础算力总成本预计为2460亿美元，其中训练1320亿美元，推理1140亿美元。受监控的算力规模合计约2190亿美元，涵盖后训练/RL工作负载（约1040亿美元，占训练算力的79%）以及全部关键级别推理（1140亿美元，占推理算力的100%）。在此基础上叠加20%的监控开销，额外成本达440亿美元，占基础算力总成本的18%。

值得注意的是，上述监控要求不适用于预训练环节，因此预训练成本不受直接影响。这也解释了为何整体成本增幅（18%）低于推理及后训练环节的单项增幅（20%）。

将推理利润率压缩至长期中枢65%

巴克莱认为，安全成本对AI实验室盈利能力的冲击程度，取决于这部分成本能否通过提高Token定价或按结果计费的方式转嫁给终端用户。

目前，部分领先AI实验室的推理毛利率已超过80%，这为吸收额外安全成本提供了较大缓冲空间。巴克莱预计，随着安全合规成本的持续渗透，AI实验室推理利润率将逐步向65%的长期中枢收敛。

在训练成本方面，前沿AI实验室的预测显示，单家公司年度训练成本将在2028至2029年触及约1300亿美元的峰值，此后趋于稳定。巴克莱认为，训练成本的走势更多取决于各实验室在前沿市场的份额竞争，而非单纯受节奏控制政策左右。此外，第三方安全审计机构（如METR、Redwood等）嵌入研发流程所带来的人员成本，目前仍属相对次要的开支项，且AI实验室普遍采用AI监控AI的方式以控制人力投入。

竞争格局的再平衡效应

节奏控制政策对竞争格局的影响同样不容忽视。巴克莱指出，若两家领先AI实验室（OpenAI及另一家）放缓模型发布节奏，将为其他竞争者提供追赶窗口。历史数据显示，西方落后实验室追上前沿模型通常需要35至40天，节奏控制可能进一步压缩这一时间差。

巴克莱认为，若蒸馏训练活动受到限制，这一差距可能进一步扩大，因此开源权重模型对前沿实验室节奏控制策略的冲击有限。

对于公开上市的科技巨头，巴克莱认为GOOGL等公司或许因长期处于严格法律监管之下，在安全合规方面的准备程度优于资源相对有限的私营AI实验室。报告同时指出，META、GOOGL以及MSFT、xAI等公司对Hugging Face等安全事件保持沉默，可能意味着这些公司已提前采取了更为审慎的安全措施。

安全事件频发，监管压力上升

推动节奏控制政策落地的直接背景，是近期AI安全事件的密集爆发。根据巴克莱援引的Felony Bench数据，仅2026年7月至9月间，OpenAI相关模型已涉及10起安全事件，包括多次第三方系统入侵、GitHub凭证未授权使用及恶意软件包投放等；其他AI实验室同期亦发生10起类似事件，META也于8月初经历了一次第三方系统入侵。

巴克莱将当前局面与META在2018年因数据隐私问题遭遇的危机相类比。彼时，META在安全与合规方面大幅增加数万人的人员投入，其远期市盈率峰值至谷底跌幅约达40%。分析师指出，尽管两次事件性质不同，但AI安全问题引发的监管压力与估值重估风险，正在以类似的路径向AI基础设施产业链下游传导。由于目前没有任何前沿AI实验室直接上市，估值压力主要体现在算力供应商及云超大规模厂商等下游标的上。

~~~~~~~~~~~~~~~~~~~~~~~~

以上精彩内容来自追风交易台。

更详细的解读，包括实时解读、一线研究等内容，请加入【追风交易台▪年度会员】

风险提示及免责条款

NikeSKIMS入华，女性运动服饰市场又多了一个变量

Wed, 16 Sep 2026 04:43:49 GMT

NikeSKIMS终于正式进入中国。

9月16日，由耐克与SKIMS共同打造的NikeSKIMS宣布登陆中国市场。

首波产品涵盖九大服装面料系列、鞋履及配饰，并将于9月29日在上海兴业太古汇开出中国首个线下慢闪空间，持续开放至2027年2月。

线上则通过Nike App和耐克中国官网销售。

这也是NikeSKIMS自2025年9月北美首发近一年后，最新一次地域扩张。过去一年，NikeSKIMS一直通过扩充品类和市场，把一次新品首发逐渐推向长期品牌运营。

首发不到两个月，品牌便推出Drop 2，产品从58个版型增至65个，并加入袜子、腰包和训练手套等配饰。

今年以来，NikeSKIMS又进一步拓展鞋履和基础款，试图形成覆盖训练与日常穿着的完整“head-to-toe”体系；销售区域也从北美扩展至欧洲、中东、澳大利亚和韩国。

但来到中国时，NikeSKIMS面对的已经是一个竞争格局松动、同时明显更加拥挤的市场。

过去几年几乎定义中国高端女性运动服饰消费的lululemon，增长已经明显放缓。

2026财年第二季度，lululemon全球收入同比下降4%，可比销售额下降9%；按固定汇率计算，中国大陆收入同比下降2%，可比销售额下降8%。

与此同时，另一家北美明星运动生活方式品牌Alo正在快速补位。

Alo在北京、上海、深圳、成都、杭州五个内地城市的实体门店围挡同期曝光，分别落子北京国贸商城、上海兴业太古汇、深圳湾万象城、杭州湖滨银泰in77和成都太古里。

其大中华区首店——中国香港K11 MUSEA店已于本月开业，品牌目前规划在中国市场布局七城八店。

相比之下，NikeSKIMS此次入华显得更为克制。线上主要依赖Nike App和耐克官网，线下暂时只有上海一处慢闪空间。

它在亚洲的三个前站——韩国、新加坡、日本——都是借道快闪、耐克门店和买手店，没有一家独立门店。

NikeSKIMS进入中国市场的首波传播也选择以运动员阵容开场：游泳、竞速滑冰、滑雪和跨栏运动员共同演绎首发产品，而Alo则率先启用王一博等娱乐明星放大声量。

一个卖运动性能，一个卖生活方式。

Alo更偏时尚和wellness驱动。从品牌定位到营销打法，明星穿搭、加州生活方式和社交媒体一直是它的核心标签。

消费者买的也不只是一条瑜伽裤，而是运动与日常边界模糊的一套年轻生活方式。

NikeSKIMS则从成立起就把"sculpt"和"perform"放在同一位置：一边是SKIMS对身形、塑形和身体表达的理解，一边是Nike拿出的Dri-FIT面料技术、运动科学和专业运动员资源。

不过，这两种卖法指向的，很大程度上是同一批消费者。

Consumer Edge基于美国市场过去12个月的交易数据测算，SKIMS消费者购买Alo的倾向约为其样本平均消费者的20倍，购买lululemon约为8倍，购买Nike约为4倍；同期约20%的SKIMS消费者曾在Nike消费。

对Nike而言，NikeSKIMS带来的价值之一，就是帮它够到原本偏向Alo和lululemon的年轻高收入女性。

赛道已经拥挤，NikeSKIMS进入中国并不算早；真正的考验，是能否在已经完成分层的市场里抢到一个长期位置。

风险提示及免责条款

香港发布首个五年规划：聚焦人工智能产业，强化全球最大离岸人民币枢纽功能

Wed, 16 Sep 2026 04:13:12 GMT

香港特区政府发布首份经济和社会发展五年规划，以人工智能产业和深化大湾区融合为核心抓手，为2026至2030年的发展路径划定清晰框架。

9月15日，香港特区政府正式公布《香港特别行政区经济和社会发展第一个五年规划（2026-2030年）》，这是香港有史以来首次以五年规划形式系统阐述其经济和社会发展蓝图。

行政长官李家超公布的这份规划共约6万字，分7篇58章，设立六大目标，涵盖经济突破、国际竞争力提升、北部都会区建设加速，以及民生福祉改善等方向。

李家超表示，2026至2030年间，香港实际GDP增长将力争保持在合理区间，并将本地创新活动总开支占GDP的比例目标设定为2030年后达至3%。

规划将人工智能列为香港未来发展的重要产业，并明确提出参与国产飞机研制与认证工作、推动大湾区低空跨境物流等具体战略部署。

在金融领域，规划明确提出强化离岸人民币枢纽地位，并优化证券市场以吸引更多内地及海外龙头企业赴港上市，直接关乎香港资本市场的长期竞争力。

人工智能：多维布局谋求产业升级

规划将推动人工智能列为核心战略，目标是以"人工智能+"赋能各行各业，并从基础设施、法律配套及人才培育等多个维度构建完整生态。

在算力基础设施层面，规划提出建设沙岭数据园区，为香港发展人工智能产业提供算力支撑。与此同时，当局计划检视相关法律框架，确保其切合人工智能及智能化发展需要，为产业应用提供规范保障。

规划还明确提出支持中小企业加快应用人工智能，并将提升市民人工智能素养纳入政策议程。

在产业方向上，当局以生命健康和具身智能为切入点，制定人工智能推动产业转型的专项策略，并强调加强数据资源开发利用，深化与内地的协同发展。

金融中心地位强化，资本市场开放提速

在金融领域，规划提出多项举措以巩固香港国际金融中心地位。

当局将致力强化全球离岸人民币业务枢纽功能，并深化国际资产及财富管理中心、国际风险管理中心建设。

资本市场互联互通方面，规划提出深化香港交易所与前海股权交易中心的对接合作，支持更多内地优质企业通过香港上市平台对接国际资本。

同时，规划明确扩展金融市场互联互通机制，拓展与共建"一带一路"国家及全球南方等新兴经济体的经贸与金融合作。

在高端金融服务层面，规划提出加快发展绿色金融、数字金融，并构建大宗商品交易生态圈和高增值供应链服务中心。

北部都会区与大湾区：融合发展主平台

规划将北部都会区定位为香港融入国家发展大局的核心平台，加速推进这一毗邻深圳的战略区域建设。

在低空经济领域，规划提出充分利用粤港澳大湾区的产业基础和地理优势，拓展低空跨境物流应用场景，目标是形成覆盖整个大湾区的整合规模化低空跨境物流网络。

李家超表示，香港将凭借与邻近内地城市合作的先行探索经验，连结大湾区三地资源要素。

这一战略部署意在将香港的国际联通优势与内地庞大的产业腹地相结合，为跨境物流和新兴产业提供规模化发展空间。

航空产业：从维修交易到国产机认证

在航空领域，规划提出打造具国际竞争力的航空产业生态圈，其中一项具有战略信号意义的部署是积极参与国产飞机的研制及认证工作。

规划明确，香港将发挥"桥梁"角色，助力国产飞机借道香港打入国际市场。与此同时，当局计划构建飞机部件处理及交易产业生态系统，打造"前店后厂"产业集群，并将香港定位为亚洲首个飞机部件处理及交易中心。

在可持续航空燃料（SAF）领域，规划提出发挥香港SAF生产基地落户东莞的产业建设作用，推动粤港澳大湾区SAF产业链建设，并计划在香港兴建燃料混合设施，以支持国家在这一新兴领域的发展布局。

风险提示及免责条款

今晚，“鸽派加息”？

Wed, 16 Sep 2026 03:53:19 GMT

华尔街正屏息等待周三美联储的利率决议。花旗与高盛罕见地在核心判断上高度趋同：此次加息几成定局，但这将是一次“鸽派加息”——加息本身不是重点，重点是加息之后美联储说了什么，或者，没说什么。

据追风交易台消息，花旗在9月15日的最新研报指出，基准预测显示，美联储将把此次加息定义为一次“微调（calibration）”，并暗示未来没有进一步加息的必然性。高盛则在9月13日的研报中指出，今晚将是一次“无信号加息”，并明确表示，不认为此次加息有充分经济基础，通胀超出2%目标的部分可全部归因于一次性因素，经济并未过热。

花旗与高盛均预计，中位数点阵图将显示2026年仅剩一次额外加息，降息将于2027年恢复。核心PCE预测因方法论修订料将较6月数据向下修正，为停止加息提供数据背书。

尽管基准情形偏鸽，但沃什的新闻发布会将是市场最大的悬念。花旗认为，若美联储主席沃什拒绝提供明确前瞻指引、仅强调"还有工作要做"，市场可能重新定价10月和12月连续加息，引发资产价格剧烈波动。高盛认为，沃什需要在发布会上强调委员会将“仔细评估”即将到来的数据，以暗示等待更多信息，从而引导市场放弃对10月加息的过度自信。

分析人士认为，今晚的关键不是"加不加"，而是"加完之后说什么"。沃什的每一句话，都将被市场用放大镜审视。

鸽派基准情形：被动加息与“微调”定调

当前的市场定价已逼迫美联储做出选择。高盛认为，8月CPI数据公布后，市场对加息的定价概率已逼近90%，美联储为了避免按兵不动引发的市场剧烈反应，将被迫在此次会议上加息25个基点。

但这将是一次彻头彻尾的鸽派行动。花旗的基准预测显示，伴随加息而来的前瞻指引将不再指向进一步的政策利率上升。

美联储主席沃什大概率会把政策利率的上升轻描淡写地称为一次“轻微调整（slight adjustment）”或“微调（calibration）”，并向市场暗示，如果通胀显示出向目标回落的迹象，可能就不需要进一步加息了。

高盛同样预期，美联储在声明中只会做出最低限度的必要修改，避免提供关于未来路径的前瞻指引，即呈现一次“无信号加息”。

值得注意的是，高盛预计美联储理事沃勒（Waller）将投下反对票。原因在于，过去三个月核心PCE通胀的年化速率（含预期的方法论修订影响）已降至约2.5%，低于沃勒此前在公开场合设定的2.8%“维持不动”门槛。

高盛：不认为此次加息有充分经济基础

与花旗的策略分析视角不同，高盛经济研究团队从基本面出发，明确表示不认为此次上调联邦基金利率有充分的经济理由。

高盛的核心论点是：通胀超出2%目标的全部幅度，均可归因于影响将会消退的一次性因素，包括关税效应、能源/伊朗冲突影响、软件及配件价格效应以及投资组合管理效应等。高盛认为，核心PCE通胀在6月至8月期间改善至年化约2.5%的速率（含预期方法论修订），正是这些一次性冲击效果消退的早期迹象。

在通胀广度问题上，高盛同样持异议。尽管近期有更多品类价格以3%以上的年化速率上涨，但高盛指出，一旦剔除关税效应，通胀的广度与历史上2%通胀时期的水平基本相当——而关税冲击大概率已基本落地。

此外，高盛的“瓶颈追踪指标（Bottlenecks Tracker）”显示，行业层面的产能约束如今甚至比疫情前还略少，且主要集中在与AI热潮密切相关的少数行业。经济并未过热——而经济过热，恰恰是通常情况下加息的核心理由。

宏观证据也表明，有限幅度的加息不太可能有效抵消供给冲击带来的更大通胀效应。这意味着，无论美联储加息与否，其主要政策逻辑仍是等待过去冲击的影响随时间自然消散。

正因为此，高盛认为部分FOMC委员与其通胀判断高度一致，FOMC整体上不愿在本次会议上发出任何进一步加息的信号。

SEP经济预测：点阵图与核心PCE下调构成鸽派支撑

经济预测摘要（SEP）的多个组成部分将共同强化这一鸽派印象。

花旗指出，中位数点阵图将显示今年仅有一次额外加息，降息将在2027年恢复。这一路径符合美联储当前的内部逻辑：4%左右的政策利率已属于“略微限制性”，随着通胀回归目标，这种限制性理应被逐步解除。

高盛对点阵图分布的判断同样具体而精准：预计将以10票对8票的微弱多数显示2026年仅加息一次（其中沃勒及可能的其他委员票数为零次加息）。高盛给出这一判断的理由是：部分委员对本次加息本身持矛盾态度，部分委员则不希望进一步推高市场对额外加息的预期。

但高盛也明确指出尾部风险：若更多委员将本周加息视为应对油价上涨和AI需求的正常反应、并将其视为一轮连续加息的开端，则出现多数票支持两次加息的风险不可忽视。

在通胀预测方面，两家机构均预计核心PCE通胀预测将因方法论修订而向下修正。高盛预计9月SEP中，2026年核心PCE通胀中位预测将从6月的3.3%小幅下调至3.2%，这为停止加息提供了数据支撑。

沃什的新闻发布会：市场最大的悬念

尽管基准情形偏鸽，花旗警告称，决定整体基调最重要也最难预测的变量，是主席沃什究竟如何谈论此次加息。沃什个人风格倾向于给出较少的前瞻指引，这给市场留下了定价更鹰派政策的巨大空间。

花旗认为，如果沃什仅仅强调“还有工作要做（more work to do）”而不提供近期利率指引，这可能被市场视为一个危险信号。在这种鹰派风险情形下，市场可能预期10月和12月的FOMC会议均将加息，甚至将进一步加息的风险定价延伸至2027年。

高盛对这一场景的判断则更为具体：FOMC可能希望引导市场降低对10月加息的定价信心（目前已接近50%），但不会在声明中明说。相反，沃什可能在新闻发布会上表示，在决定进一步行动之前，FOMC将“仔细评估（carefully assess）”即将公布的数据，或希望看到多份（plural）即将发布的通胀报告，或观察潜在通胀趋势如何演变——上述任何表述，都将暗示委员会希望多收集一段时间的数据再行动。

高盛还补充，由于许多投资者已将11月初的中期选举视为10月加息的政治障碍，阻止市场将10月加息设为"默认基线"并非难事。

高盛设置了三种情景：

基准情形（概率50%）：仅加息一次（本次），2027年9月和12月各降息一次，终端利率为3.25%-3.5%；

多次加息情形（概率35%）：最终加息两至三次，终端利率更高；

衰退情形（概率15%）：经济下行，货币政策转向。

即便充分考虑多次加息情形的尾部风险，高盛的概率加权联邦基金利率预测，仍远比当前市场定价更为鸽派。高盛同时将终端利率预测从此前的3%-3.25%上调至3.25%-3.5%，并将2027年首次降息时间从6月推迟至9月。

而花旗特别指出，近期WTI原油和美国平均汽油价格的剧烈波动，为通胀前景和美联储政策路径增添了额外的复杂性。若能源价格持续偏高，可能动摇美联储对"通胀已走向目标"的判断，进而强化鹰派委员的立场。

~~~~~~~~~~~~~~~~~~~~~~~~

以上精彩内容来自追风交易台。

更详细的解读，包括实时解读、一线研究等内容，请加入【追风交易台▪年度会员】

风险提示及免责条款

全球领先！一文读懂中国“消费端AI”战场

Wed, 16 Sep 2026 03:38:39 GMT

摩根士丹利认为，中国在消费端AI普及方面已处于全球领先位置，但真正的变现机会在于将AI能力嵌入既有平台生态。

9月15日，摩根士丹利余凯杰团队的最新研究报告认为，到2030年中国C端AI可变现市场规模约为人民币3,000亿元，阿里巴巴、腾讯及美团等具备分发优势的垂直平台将是主要受益者。

据摩根士丹利旗下AlphaWise调查，中国每周至少使用一次个人AI的用户占比已达80%，显著高于美国的54%。

报告认为，这一差距的根源不在于模型能力的领先，而来自更强的生态分发体系、更丰富的日常使用场景以及免费访问与春节营销活动的叠加效应。

与此同时，报告明确指出，相较于独立AI原生App，嵌入既有平台的"App内AI"具备更高的投资回报率（ROI），因为后者可以直接复用现有流量、专有数据与支付履约能力，无需从零重塑用户习惯。

中国AI普及速度全球领跑，分发与场景是核心驱动

摩根士丹利报告显示，中国消费级AI普及已进入主流阶段。

AlphaWise最新调查结果显示，中国每周至少一次个人AI使用率在两个月内由75%升至80%，工作相关AI每周使用率同期由74%升至77%；美国同期工作与个人AI每周使用率均约为54%。

报告将这一差距归结为五项核心因素：

AI被直接嵌入超级App与垂直App，无需用户额外下载；

免费访问结合大型生态进行分发；

主流使用场景的算力消耗属于低至中等水平；

中国平台拥有更强的商业闭环；

以及大多数消费场景对模型能力要求并不苛刻，"足够好、速度快、容易获得"即可满足需求。

从普及速度来看，中国生成式AI用户规模从2024年12月的约2.49亿增至2025年12月的约6.02亿，增速快于移动互联网发展同期阶段。

报告认为，这与AI作为软件层叠加在成熟移动基础设施之上的特征高度吻合。

豆包领跑原生App，但多平台并用削弱"赢家通吃"可能

在AI原生App格局上，据QuestMobile数据，豆包仍是明确的规模领先者。

今年7月，豆包月活跃用户（MAU）约3.99亿，日活跃用户（DAU）约1.68亿，DAU/MAU比率以42%居首；千问MAU约1.61亿，DeepSeek约1.24亿，元宝约5,100万。

然而，报告同时指出，用户多平台并用现象不但未见收窄，反而持续加深。AlphaWise调查显示，64%的受访者同时使用5种或以上AI工具，这使得用户切换成本依然偏低，市场形成"赢家通吃"格局的可能性受到明显制约。

报告认为，AI入口竞争正在多元化。过去一个月使用渗透率显示，AI原生App约94%，App内AI约83%，端侧及手机AI约80%，Agent类工具约44%。

在此背景下，更关键的竞争指标将逐步从MAU转向任务完成率、AI归因转化率及GMV贡献。

App内AI经济性更优，腾讯、阿里、美团获正向评级

报告着重强调，App内AI助手具备最清晰的近端ROI。

AlphaWise调查显示，75%的受访者认为购物App内的AI搜索及聊天功能"非常有用"或"比较有用"，57%表示这些功能会提升其购买频次。

报告以腾讯为例说明这一逻辑：元宝作为独立App规模仍有限，但微信凭借社交关系链、小程序与支付体系，为AI在核心App内完成任务并实现变现提供了更强路径。

腾讯已披露微信内部小规模测试的"小微"原型，该Agent可调用微信内容、小程序、商户资源和支付能力，管理层亦明确描述了未来Agent-to-Agent的交易闭环。

阿里巴巴方面，千问购物助手于今年5月上线淘宝，管理层表示随着Qwen营销费用下降，相关亏损环比收窄，生态内AI与独立App投入之间的ROI差异由此得到清晰体现。

美团则在2026年第二季度业绩会上强调，正推动"小团"从"回答问题"走向"把事情办成"，涵盖直接下单、打车和预订等功能。

2030年C端AI变现规模约3,000亿元，商户意图变现占99%

在变现路径上，报告预计基础AI将继续对大众用户免费开放，订阅模式主要针对高算力功能。

豆包已推出每月68元、200元、500元三档付费结构，千问于8月推出每月19元、49元、128元的付费办公助手档位，二者均聚焦重度生产力场景。

AlphaWise调查显示，约64%的受访者对免费AI服务中出现广告持接受或容忍态度，仅约17%表示会拒绝使用展示广告的AI应用，广告容忍度绝对水平仍属较高。

据此框架，摩根士丹利测算到2030年，中国C端AI可变现收入TAM约为人民币2,940亿元（约3,000亿元），其中约99%来自由商户出资的意图变现，包括广告及AI归因交易佣金。

同一框架下，到2040年这一规模可进一步扩至约人民币1.6万亿元。报告指出，由于相当一部分收入在当前已存在，增量上行主要来自更高转化率、更强变现能力及份额提升，而非凭空创造新收入池。

百度、腾讯音乐、爱奇艺面临直接冲击，投资评级偏审慎

在投资启示上，摩根士丹利明确偏好具备分发优势与垂直场景执行力的公司。

阿里巴巴被列为板块首选标的，理由是其具备全栈AI能力；
腾讯被视为最明确的正向受益者，因豆包不构成对微信社交操作层的实质性替代威胁；
美团则凭借本地生活场景的高度垂直化受到青睐。

报告还援引Meta推出独立AI Agent产品Muse作为美国市场的参照案例，指出其成败关键不在于MAU，而在于任务完成率、可变现行为以及与自身生态系统的整合深度，这与摩根士丹利对中国市场的核心判断高度一致。

风险提示及免责条款

美光高管：存储决定AI上限，实质性新增产能要到2028年后

Wed, 16 Sep 2026 03:22:52 GMT

随着AI浪潮从数据中心向边缘侧和机器人领域蔓延，美光高管警告称，存储已成为决定AI性能上限的最核心瓶颈，而由于新建产能周期漫长且工艺极度复杂，行业供需失衡的局面至少要到2028年后才能迎来实质性的新增产能释放。

9月15日，在Six Five Summit 2026的半导体聚焦论坛上，美光公司CEO高级顾问Sumit Sadana接受了分析师Patrick Moorhead的采访，详细拆解了AI时代下存储行业的供需格局、资本支出计划以及未来的核心增量市场。

在过去的一年里，整个科技行业对存储的认知发生了根本性重塑。这种重塑的根源在于，算力早已不再是衡量AI系统能力的唯一标尺。Sadana在访谈中一针见血地指出了当前AI硬件的底层逻辑：“如今，人工智能系统的性能首先取决于内存子系统的性能和内存容量。这两点真正决定了人工智能子系统的性能水平。”

他解释称，由于AI模型需要存储在内存中，且海量数据需要在内存间来回传输，处理器与内存之间的带宽已成为性能的关键瓶颈。同时，存储市场正面临着长达数十年积累下来的结构性失衡——上世纪90年代初有多达20多家DRAM公司，如今只剩下寥寥几家；而目前设计处理器的公司却已超过20家。这种“少对多”的漏斗型供给格局，使得面对爆发式的AI需求时，存储供应链显得极为脆弱。

资本支出飙升，实质性新增供应需等到2028年

面对供需之间的巨大缺口，单靠技术转型带来的比特增长已无法满足市场胃口，整个行业被迫进入“新建洁净室和晶圆厂”的重资产扩张周期。

美光正在开启前所未有的资本开支计划。Sadana透露：“单看我们的资本支出计划：2025财年我们的资本支出略高于130亿美元；2026财年将翻一番；2027财年预计将超过450亿美元。我们最近在美国宣布，将投资额从2000亿美元提高到2500亿美元，并加快了时间表。”此外，美光还在美国爱达荷州、纽约州，以及中国台湾、日本和新加坡等地同步推进约20个扩产项目。

然而，远水难解近渴。半导体工厂的建设受制于基础设施、监管审批以及技术工人的严重短缺。Sadana给出了明确的时间表预期：“我们认为真正意义上有效的新增供应要到2028年才能开始逐步释放，而且这仅仅是初期阶段，产能增长的势头要到之后几年才能真正增强。因此，整个行业需要一段时间才能找到新的平衡点。”

产能释放缓慢的另一大原因在于存储器制造的天文数字级复杂度。以当前火热的HBM为例，Sadana直言其能正常工作“简直是个奇迹”：“想想看，把12层DRAM芯片层层堆叠起来，最底层还有一个连接到GPU的基础芯片。整个系统面临着非常严峻的散热挑战和功耗问题……晶圆厂里大约有2000道工序。从晶圆厂开始生产，到最终能把产品交付给客户，整个周期大约需要五个月。”

告别“随买随卖”，长期“长协”与“深度定制”重塑商业模式

极度紧缺的产能正在倒逼存储行业的商业模式发生蜕变，传统的现货交易和符合JEDEC标准的通用芯片时代正在发生改变。

“我们签订的是多年期合同，承诺向客户供货，客户也承诺提供需求预测。这与以往的一年期协议截然不同——以往客户想买就买，只要有货我们就供货。”Sadana表示，这种被称为“战略客户协议”的模式投资回报率极高，为晶圆厂多年的资本支出提供了底层保障。

更为深刻的变化在于研发端的绑定。为了在AI系统中实现功耗、模型运行速度等方面的差异化，客户正将存储设计提前纳入其5到7年的产品路线图。Sadana指出：“这种模式将合作关系转变为更类似于ASIC芯片的合作模式——客户在设计上拥有更大的自主权，且这种关系具有长期性。”

AI走向边缘，人形机器人将成最大增量市场

市场普遍聚焦于数据中心的AI需求，但美光认为，这仅仅是起点。随着AI向智能手机、PC（如采用统一内存架构的Mac mini）以及自动驾驶汽车渗透，存储需求将无处不在。

对于未来的想象空间，Sadana将目光锁定在了机器人赛道，认为这将是继数据中心之后的又一波海量需求浪潮。

“想想人形机器人，它将成为有史以来最大的产品市场之一。”Sadana在展望2030年代的市场时强调了端侧AI对存储的恐怖消耗量：“机器人技术最令人兴奋的地方在于，每个设备需要存储海量数据——每个人形机器人将拥有数百GB的DRAM内存和数TB的NAND闪存。因此，它们将极大地推动DRAM和NAND的需求增长……机器人必须能够自主运行，不能每次都向服务器发送数据。”

以下是访谈正文：

Sumit Sadana 00:00

如今，人工智能系统的性能首先取决于内存子系统的性能和内存容量。这两点真正决定了人工智能子系统的性能水平。欢迎回到 2026 年峰会。

Patrick Moorhead 00:22

人工智能的时代已经来临。内存的重要性和战略意义令人惊叹。我一直认为内存很重要，但考虑到人工智能时代，它所赋予我们的能力简直不可思议——坦白说，如果没有足够的内存、没有合适的内存，我们周围所有令人惊叹的事物都无法实现。

我很高兴地宣布，美光公司将出席本次峰会。很高兴见到你，很高兴你回来了。谢谢你的邀请。这真是太棒了。我从事这个行业 35 年了，从内存的消费者，到内存的合作伙伴，再到现在在分析公司研究内存市场及所有相关领域。我们取得的成就令人惊叹。去年我们交流的时候，我实际上把内存归类为战略性技术——是的，我得为此邀功。坦白说，你更应该得到赞誉，因为你是实际行动者，我只是说说而已。但如今，这种观点似乎更加重要了，越来越多的人开始谈论它。在这个人工智能时代，过去一年里发生了什么变化，让整个行业更加重视内存？

Sumit Sadana 01:44

为什么人工智能实际上加速了这种转变？这是个很好的问题。一年过去了，但就过去一年世界发生的变化而言，感觉却相当漫长。从客户的角度来看，变化尤其巨大。我们现在面临的情况是，所有市场领域的内存都严重短缺。尽管我们尽了最大努力来增加供应，但目前仍然无法确定何时才能使供应赶上需求，因为需求一直在持续增长。来自各个领域客户的信号，每年都在不断增加。

客户看待内存的方式之所以发生变化，原因有几个。其一是供需之间存在的巨大缺口；其二是，考虑到人工智能的需求，系统对性能的要求也在不断提高。当你思考是什么让系统发挥出最佳性能时，你会发现处理器并非唯一因素。如今，内存性能、处理器与内存之间的带宽以及内存本身的容量都至关重要。因为人工智能模型需要存储在内存中，大量数据需要在内存之间来回传输，处理器与内存之间的带宽就成了性能的关键瓶颈。因此，客户逐渐意识到，他们需要重新规划产品路线图，并采用不同的内存策略。

Sumit Sadana 03:44

现在，关键在于如何设计内存以获得竞争优势，如何让每个客户的系统脱颖而出。如果内存仍然像几年前那样，采用所有人都使用的、符合 JEDEC 标准的现成内存，那么就很难实现差异化。因此，我们现在与客户合作，将内存设计纳入他们多年的产品路线图。他们现在专注于如何实现差异化、如何改变竞争格局。这意味着要以不同的方式思考内存，与像美光这样的公司合作，设计出一种可以加以应用和利用的新型功能。

Sumit Sadana 04:31

举个例子，我们与英伟达在数据中心低功耗 DRAM（LPDRAM）领域的合作就是个很好的例子。我们是首家将这项技术引入数据中心的公司，并且长期以来一直是该领域的独家供应商，而现在这项技术正逐渐被其他公司所采用。越来越多的客户开始意识到使用低功耗 DRAM 的优势——它能带来更高的密度、更小的尺寸、更强的性能，以及显著降低的功耗，而这对于数据中心来说至关重要。这只是众多例子中的一个。

Patrick Moorhead 05:07

展望未来五年，这些技术正开始蓬勃发展。当我试图解释为什么人们对内存的兴趣如此高涨时，我想起了我大学时上的一门课——那是在 80 年代末，那门课讲的基本原理是：如果你能把操作限制在内存范围内，就能提高性能。当然，现在的情况略有不同。内存越多，你就能获得更好的结果，而且内存越接近你正在处理的事务越好，因为一旦超出内存范围，速度就会变慢。在人工智能时代，这是一个很大的挑战。

这很有意思。我的职业生涯中经历了九个内存周期。我之前在一家 OEM 厂商工作，也曾在一家芯片公司工作，现在在一家分析公司工作了 15 年。内存似乎是周期性最强的，尽管我知道还有其他行业也有类似的周期规律，但内存也被认为相当商品化。你在第一个问题中已经稍微谈到了这一点，但是……

Sumit Sadana 06:17

为什么人工智能正在从根本上改变这种认知？这是一个很好的问题。如果你回顾上世纪九十年代初，当时有超过 20 家公司在做 DRAM，DRAM 行业经历了大量的整合。那时候处理器公司就只有那么几家，而现在，处理器公司已经超过 20 家了。如果你坐下来数一数所有做处理器设计的公司，这个数字很快就出来了。但是做 DRAM 的公司却寥寥无几。

所以，当你思考人工智能设计、人工智能子系统设计时，不仅仅局限于数据中心——当然，数据中心方面要区分训练工作负载与推理工作负载，甚至推理工作负载本身也会越来越细分为不同的推理类型。其中一小部分可以使用 SRAM，但很大一部分仍然非常依赖 DRAM。我们尽可能地在这些系统中设计出最大的 DRAM 容量。这种趋势甚至延伸到自动驾驶汽车、工业系统，再看看智能手机和个人电脑——由于统一内存架构，Mac mini 销量火爆，掀起了一股"Open Claw"运动。而这一切，归根结底，都与人工智能息息相关。

Sumit Sadana 07:50

如今，系统性能首先取决于内存子系统的性能和内存容量，这两点真正决定了人工智能子系统的性能。因此，当内存成为系统的核心设计点时，你就必须以不同的方式思考内存问题。随之而来的核心问题就是：如何快速推出差异化产品？我认为，未来的内存业务将与过去截然不同，而这又与以下这个理念紧密结合……

Sumit Sadana 08:36

整个行业最终都发展到了需要新建产能的地步，这着实令人意外，因为人工智能驱动的需求增长如此显著。仅仅依靠技术转型无法满足这种需求，而过去几年，技术转型带来的比特增长原本足以满足需求增长。如今，行业需要大幅增加晶圆产量，这意味着必须建设新的洁净室空间。当现有生产基地的洁净室空间告罄时——大多数公司似乎都已面临这个问题——就必须同时在新建厂址扩产，而这需要很长时间。

这是一个非常耗时的过程，而且还受到诸多实际因素的制约，例如世界各地建设速度的差异，以及监管审批的效率。如何在一片荒地上建立起所有必要的基础设施——电力、水和水处理厂？化学品供应以及建立晶圆厂所需的一切配套基础设施，都需要很长时间，这正是整个行业正在经历的现实。

Sumit Sadana 10:01

所以，尽管我们尽了最大努力，也看到了业内其他企业的努力，但我们目前仍然难以满足市场需求。供应需要很长时间才能赶上需求，而这也是影响客户行为的另一个重要因素。

Sumit Sadana 10:27 这就是我们一直在讨论的战略客户协议。这些战略客户协议从根本上改变了我们的商业模式和业务方式。我们签订的是多年期合同，承诺向客户供货，客户也承诺提供需求预测。这与以往的一年期协议截然不同——以往客户想买就买，只要有货我们就供货。现在的协议是承诺供货协议，投资回报率非常高，因此我们可以为多年所需的资本支出提供保障。

当然，这还没有涉及到智能体人工智能，也就是人工智能发展的下一个阶段。之后还会发展到物理人工智能，那将是下一波巨大的需求浪潮。如果你观察这些不同的需求浪潮，你会发现它们相互叠加、相互促进，而非相互取代。这就带来了一个很大的挑战，那就是如何将如此大规模的实体供应能力转移到线上。

Patrick Moorhead 11:39

在这段时间里，为了满足所有这些需求，我认为你们的长协计划恰恰证明了内存的战略意义正在提升。我知道很容易将其简单地归结为"我们需要长协计划来锁定未来的产能"，这固然重要，但它也涉及到协同规划。

从技术角度来说，我真的深受震撼，也很高兴你提到了边缘人工智能。最有趣的是，无论是 Open Claw，还是客户端计算领域的一些新设计——例如将内存与 CPU 和 GPU 紧密耦合以增强带宽——客户端计算机的架构变化并不多见，它们已经相当稳定了很长时间。接下来我想谈谈超大规模数据中心，我们之前也稍微讨论过，很多动态都发生在这里，至少在资本支出方面投入巨大，模型和应用方面的创新也主要集中在这些领域。不过，我很好奇，关于自动驾驶汽车、个人电脑、机器人、智能边缘等领域……

Sumit Sadana 13:00

内存需求是否正在改变这些应用场景？是的，这是个很好的问题。当然，这一切都始于数据中心。但当我们思考人工智能的未来发展方向时，它不会仅仅局限于数据中心。这股智能浪潮将向边缘推进，最终，智能将无处不在，渗透到所有设备中。因此，它涵盖各种消费电子产品、汽车，当然，甚至包括工业革命第二阶段——届时，所有这些智能都将分布在全球各地的企业之中。

Sumit Sadana 13:43

您的个人设备，无论是在工作场所还是在家中使用的电脑、您的智能手机，甚至包括一些公司正在考虑开发的新设备——这些设备的外形可能与智能手机或电脑截然不同，完全采用不同的设计。因为当你考虑构建一款原生 AI 设备时，可以想到与传统电脑和智能手机方案完全不同的实现方式。这又回到了如何尽可能降低功耗的问题，例如对于一些需要电池供电的设备而言。如何最大限度地提高性能，如何运行那些既能为消费者提供价值、又足够小以便在设备上运行而无需返回云端的模型——这正是人工智能的新前沿。

这种探索将会持续下去。那些足够小、可以在电脑或智能手机等设备上运行的模型，将随着时间的推移变得越来越好。随着这种情况的发生，数据隐私和保密性的优势就凸显出来了。消费者非常重视这一点，而那些能够让消费者确信其与设备交互的所有内容都不会上传到云端的公司，将催生出一系列全新的应用，带来巨大的价值。

Sumit Sadana 15:30

再看看自动驾驶，它现在发展迅猛，这得益于人工智能技术的进步；而下一代前沿技术则是机器人。想想人形机器人，它将成为有史以来最大的产品市场之一。当然，这需要一些时间，但我们正越来越接近那个奇点——届时，你将能够像与其他人交谈一样与人形机器人交谈，其认知能力几乎无法区分。随着时间的推移，这些机器人的物理能力将变得越来越复杂，这将是一项革命性的成果。

最初，它们将应用于工厂自动化之类的环境中，执行非常具体的任务，自由度也较低。一旦从那里"毕业"，最复杂的环境就是家庭，因为家庭环境非常非结构化。但我相信，进入本世纪 30 年代，机器人技术将成为巨大的增长驱动力。而机器人技术最令人兴奋的地方在于，每个设备需要存储海量数据——每个人形机器人将拥有数百 GB 的 DRAM 内存和数 TB 的 NAND 闪存。因此，它们将极大地推动 DRAM 和 NAND 的需求增长。我认为很多人常常无法充分理解这一点：机器人必须能够自主运行，不能每次都向服务器发送数据。确实如此。

Patrick Moorhead 17:25

而且，在你讲解的过程中，我突然意识到美光正在实现到吉瓦的飞跃。想到要发明这项技术，我就觉得有点不可思议。但我认为，人们在想到美光的时候，应该记住这一点。

随着人工智能时代的到来，人们的战略眼光也越来越强，无论是利用尚未发明的前沿设备，还是在不久后发布的、可以直接接入人工智能和大模型的吉瓦级数据中心，都至关重要。

这种共同设计或共同发明的理念我听说过，也和你们的一些合作伙伴聊过，他们谈到了一些正在尝试的想法。我之前也稍微谈到了架构方面的变化——这些变化传统上是通过某种 JEDEC 标准之类的东西来实现的。但现在我们正在探讨的是真正意义上的深度共同设计。您能谈谈您与合作伙伴之间正在发生的这种关系变化吗？

Sumit Sadana 18:45

当然。我们的合作伙伴也希望弄清楚如何在各自的市场中获得优势、战胜竞争对手。内存处理器子系统之所以成为人工智能子系统如此关键的组成部分，是因为内存与处理器之间的交互本质上决定了人工智能系统的许多关键参数——它决定了系统的功耗，决定了可以运行哪些类型的模型、模型的大小以及运行速度。

当你想到大语言模型（LLM）领域各种尺寸和类型上正在发生的种种进步时，你会发现，为了在硬件的内存设计周期和处理器设计周期中实现差异化，各个细分市场都必须密切合作。这并非那种即插即用、符合 JEDEC 标准的器件，事后只需进行一些认证即可使用。虽然部分市场确实如此，但客户越来越需要思考：如何实现差异化？我需要创造一些现成产品无法提供的特殊功能。因此，我们需要与存储器公司合作，就研发路线图展开长达 5 到 7 年的长期讨论。我们正在融入许多客户的研发路线图，他们提出了许多非常有趣的想法，其中一些可行，而另一些则需要更长时间，才能产生突破性进展所需的发明和创新。

Sumit Sadana 20:28

我们对所看到的多元化理念感到非常兴奋。正如您所说，这些理念涵盖了如此广泛的系统——有些设备功耗极低，因为全部采用电池供电，而有些设备则适用于吉瓦级的数据中心。我们已经在多个细分领域以及每个细分领域的一些领先客户中看到了创新成果涌现，我们将继续见证这些成果，并积极为此努力。

在一些令人振奋的项目中，我们不断拓展自身能力，交付客户渴望实现的创新设计理念。客户无法与多家公司进行如此深度的合作，因此能够开展深度讨论的通常只有一两家公司，其他公司可能要几年后才能跟上。这种模式的优势在于，你可以真正与一两家公司建立极其紧密的合作关系，通常走上这条路，你会成为单一来源供应商，或者在一段时间内只有另一家供应商。这种模式将合作关系转变为更类似于 ASIC 芯片的合作模式——客户在设计上拥有更大的自主权，且这种关系具有长期性。这是因为双方之间建立的是一种特殊的 ASIC 式合作关系，而不是几年前那种标准内存芯片式的合作关系。我看到的另一个重大变化是，这种模式可以大规模应用。

Patrick Moorhead 22:27

没错。这意味着销量如此之大，坦白说，资金规模足以让双方都进行投资，而当你启动这个项目时，关键就在于差异化。人们都在寻找方法，无论是性能效率还是总拥有成本（TCO），他们都想与众不同。

我想从投资的角度展望一下未来。你刚才谈到了产能方面的投资。有趣的是，有人期望存储器工厂能像写代码一样快速建成。但听着，我曾经在一家拥有晶圆厂的芯片公司工作，即使在今天，这仍然是一个非常困难的资本密集型项目，必须等三四年后才能看到任何有利的结果。您能谈谈您正在进行的哪些投资真正巩固了美光在下一代技术中的地位吗？不管是人工智能，还是其他技术，抑或是人工智能的某种变体。这些投资确实需要很长时间，您已经把这一点说得很清楚了。

Sumit Sadana 23:57

你说得很有道理。顺便说一句，如果有人知道如何快速建成一座 DRAM 工厂，我们非常想知道，因为这会大大简化我们的工作。我们的客户肯定希望尽快拿到货，我们也正在尽一切努力。

我们已经竭尽全力，加快推进了所有这些投资。单看我们的资本支出计划：2025 财年我们的资本支出略高于 130 亿美元；2026 财年将翻一番；2027 财年预计将超过 450 亿美元。随着时间的推移，这个数字不断攀升。我们最近在美国宣布，将投资额从 2000 亿美元提高到 2500 亿美元，并加快了时间表，预计到明年年底将投入 502 亿美元。

这些投资涵盖了所有领域。我们正在投资爱达荷州一号工厂（ID1），它将投产第一批生产线；明年年中，ID2 工厂将紧随其后投产，预计首批晶圆生产线将于 2028 年底投产。我们在台湾收购的晶圆厂也将于 2027 年开始生产晶圆，我们正在进一步扩建该厂。我们在日本和新加坡也在进行扩建，因此我们在全球范围内有大约 20 个不同规模的投资项目正在推进，旨在提升前端和后端产能。

Sumit Sadana 26:06

但这需要很长时间。每一个新建晶圆厂都是如此。在纽约州，我们规划了一个包含四个晶圆厂的集群，第一座工厂预计将于 2030 年投产。我们于 1 月份破土动工，混凝土浇筑这一里程碑已比计划提前完成。

Sumit Sadana 26:22

世界各地还有很多项目正在进行，但这些项目都需要办理各种许可证，还需要建设整个配套基础设施。建筑人才非常紧缺——想想美国和世界许多地方正在同步推进的建设项目吧。

到处都在建设数据中心，这些数据中心需要电力，所以发电厂也在建设中；它们还需要半导体，所以半导体工厂，包括前端和后端，也都在建设中。因此，熟练技术人员的短缺问题非常严重，要完成所有这些极其复杂的建设项目，技术人员的数量远远不够。

Sumit Sadana 27:15

因此，我们正在投资社区、培养人才，确保人才储备充足，这不仅有助于我们推进所有项目，最终也将惠及整个生态系统。我们在进行各种投资，包括人才培养、社区学院建设，以及与我们开展业务的城镇和社区合作。这对我们来说是一项长期事业。

我们预计随着时间的推移，设施规模将持续扩大，因为这些晶圆厂就像是集群化布局，你不能只建一座晶圆厂。你需要规模，需要尽快突破成本曲线的拐点，所以必须持续建设，这意味着未来十年甚至更长时间，扩张都将持续下去。这些都是我们的长期项目。我们认为真正意义上有效的新增供应要到 2028 年才能开始逐步释放，而且这仅仅是初期阶段，产能增长的势头要到之后几年才能真正增强。因此，整个行业需要一段时间才能找到新的平衡点，但具体何时达到平衡，我们目前还无法预测。

Patrick Moorhead 28:54

你举的例子很好，提供的投资信息也很翔实。不过，有一点我觉得有些人可能会误解，那就是存储器的复杂性。我们都知道逻辑芯片很难做。那我们来谈谈存储器的复杂性——存储器是目前最复杂的半导体技术之一。

Sumit Sadana 29:19

我们常说逻辑电路处于技术前沿，但存储也绝对是尖端技术。它使用 EUV 光刻机，这种机器体积庞大。晶圆厂里大约有 2000 道工序。从晶圆厂开始生产，到最终能把产品交付给客户，整个周期大约需要五个月。这令人惊叹，很多人根本难以想象。晶圆厂的生产周期至少要三个半月到接近四个月，然后组装、封装和测试又要一个月，有时甚至一个半月。

Sumit Sadana 30:04

对于更复杂的产品，比如 HBM 产品，其复杂性就更加显而易见了。很多人都称它为奇迹，说它能正常工作简直不可思议。想想看，把 12 层 DRAM 芯片层层堆叠起来，最底层还有一个连接到 GPU 的基础芯片。整个系统面临着非常严峻的散热挑战和功耗问题——如何在如此高的带宽下运行，在处理器和芯片之间来回传输数据时进行有效散热？单是封装技术就如同洁净室环境一般复杂，与我们在逻辑领域长期使用的倒装芯片封装技术截然不同。无论从哪个角度来看，无论是封装技术的复杂性，还是前端工艺技术的进步（例如 EUV 光刻），DRAM 的每个节点都变得越来越难以扩展。

Sumit Sadana 31:18

NAND 端也是如此。我们一层层地堆叠，200 层、300 层、400 层，通过这种方式制造出这些器件，其工艺复杂度简直是天文数字。而这些 NAND 产品还能存储数据并实现相应功能——现在一块 SSD 的容量就能达到 245 TB。如此巨大的容量能塞进如此小的尺寸里，这简直是工程师和制造团队每天努力创造的奇迹。这其中的复杂性令人难以置信，而在未来几年里，我们还要继续扩展这项技术，实现越来越精细的间距，并真正让这项技术大规模发挥作用，这又将是另一个奇迹。

Patrick Moorhead 32:23

这需要大量的时间、精力和技术创新。它的复杂程度令我惊叹，而你能在如此宽广的功耗范围内做到这一切，更是让我叹为观止。我不知道地球上有多少公司能做到这一点。

有趣的是，人们经常说"我永远都无法对此满足"，我觉得这是因为他们想要更多，想要更多令人惊叹的东西。然后，人们又开始讨论价格之类的问题。但我觉得这是一种投资——美光和其他内存行业的公司进行投资是理所当然的，因为坦白说，如果不进行更多投资，创新周期就会停止。我很期待看到美光未来通过其投资能取得怎样的成就，不仅是在晶圆厂建设上，也包括技术本身。我相信机器人技术能带来十倍的增长，它可能会成为一个巨大的增长市场——这是我们产能模型中一个甚至还没有充分考虑到的额外增长点。当然，我们还需要更多证据来确定它何时会真正发挥作用。

非常感谢您这次的对话。难以置信我们一年前就进行了这样的对话，再看看我们现在的情况，一年时间变化真大。

风险提示及免责条款

高盛向顶级客户预警：AI动量交易出现史无前例裂痕，建议对冲

Wed, 16 Sep 2026 03:14:31 GMT

高盛正向其最顶级的销售与交易客户发出警告：支撑本十年最强劲交易主题的AI动量结构正在出现深层裂痕，建议持有相关敞口的投资者着手对冲。

据高盛策略师Guillaume Soria发给顶级客户的最新报告，9月15日当天，3个月动量因子（GSPRHMO3）单日上涨5%，而12个月动量因子（GSPRHIMO）同日下跌6.7%，两者表现差距创下五年来最大。与此同时，高盛AI主题篮子（GSPUARTI）自高点已累计下跌近45%，为ChatGPT发布以来最惨烈的回撤。高盛认为，这一趋势若持续，动量因子将开始与AI主题脱钩。

在市场影响层面，高盛明确表示，短期内对动量因子进行对冲"仍具合理性"，尤其是在动量因子波动率显著高于大盘指数波动率的背景下——当日标普500指数跌幅不足30个基点，而动量因子内部却剧烈震荡。高盛建议持有AI敞口的投资者，可通过买入中期赢家篮子（GSXUHMOM）或AI受益股篮子（GSTMTAIP）的看跌期权进行对冲，其中GSTMTAIP一个月期、行权价为现价95%的看跌期权指示性成本约为2.02%，期限27天。

动量因子内部出现历史性分裂

高盛报告的核心警示在于，短期动量与长期动量之间的表现背离已达到异常极端的水平。12个月动量与3个月动量之间的单日表现差距，为五年来最大，显示市场正在快速抛弃此前的长期赢家，转而追逐新的短期领涨标的。

从仓位角度看，动量因子的持仓集中度已有所消化——在一年回溯期口径下处于第41百分位，较此前明显回落——但若以五年为回溯期，仓位仍处于第88百分位的高位，意味着系统性去化压力尚未完全释放。

高盛指出，动量因子与AI主题的相关性目前仍极度偏高，在1个月至1年的不同周期内，相关系数维持在90%至96%之间。然而，正是这种高度绑定，使得AI的持续下跌对动量因子的结构性冲击尤为显著。

资金从半导体流向软件，格局重塑

动量因子内部的另一重要变化，是行业轮动方向的逆转。短期动量正在从半导体板块撤出，转而流入软件板块——后者在年初曾是市场最不受待见的板块之一。高盛数据显示，软件相对半导体的表现指标（GSPUSOSE）当日录得有史以来第二好的单日表现。

高盛认为，这一轮动趋势已从3个月动量蔓延至6个月动量，若卖压持续，预计将进一步传导至12个月动量。从动量篮子未来再平衡的方向看，高盛预计将出现软件的多头增持与空头回补，以及半导体的减持，这将从结构上重塑动量因子的构成。

值得注意的是，软件板块此前正是12个月动量因子空头腿中权重最高的板块，其反弹本身也在加剧长期动量因子的承压。

高盛建议顶级客户启动对冲

此次预警的受众范围本身即传递出信号。据悉，高盛此份报告并非面向普通卖方分发名单，而是定向发送给银行最顶级的销售与交易客户，优先级远高于常规研究分发渠道。

在具体操作建议上，高盛提示，对于投资组合中存在AI敞口的客户，可考虑通过GSXUHMOM或GSTMTAIP的看跌期权进行对冲。以GSTMTAIP为例，一个月期、95%行权价的看跌期权指示性成本约为2.02%，期限27天，对冲成本相对可控。

高盛同时强调，当前动量因子的波动率相对于大盘指数波动率已显著偏高，这一背离本身即构成对冲的合理依据。在标普500指数当日跌幅不足30个基点的背景下，动量因子内部的剧烈震荡凸显了该因子当前的脆弱性。

风险提示及免责条款

摩根大通：“开源冲击”、“AI安全”都不是问题，未来两年资本开支仍有空间，半导体设备将成“新瓶颈”

Wed, 16 Sep 2026 03:13:27 GMT

市场近期对AI基础设施投资的信心出现动摇。开源大模型的崛起、AI安全监管呼声升温，以及超大规模云厂商自由现金流转负——三重压力叠加，令科技硬件板块情绪持续低迷。

据追风交易台消息，摩根大通分析师Gokul Hariharan等在9月16日发布的亚洲科技策略报告中，对上述三大疑虑逐一作出回应，结论是：算力需求的基本面并未动摇，AI安全监管担忧属短期扰动，资本开支周期仍将延续，半导体设备将在2027年前后成为整条供应链最关键的瓶颈。

“购买算力”同样是门好生意

市场的第一个疑虑，是"卖算力"固然赚钱，"买算力"（即AI模型厂商和垂直AI应用商）是否也能持续盈利。

分析师指出，当前推理业务的毛利率已有多份报告显示达到60%至80%。

报告进一步测算：假设一家模型厂商通过出售AI token，每GW算力每年可产生200亿至400亿美元收入，远高于2025年的每GW约100亿美元。

报告还援引Sapphire Venture的数据称，已有逾80家垂直AI公司在极短时间内实现年经常性收入（ARR）突破1亿美元，印证了算力消费下游的价值创造。

开源不是威胁，是需求催化剂

第二个市场担忧，是开源大模型的兴起将压低token价格，侵蚀模型厂商的盈利空间。

摩根大通对此持相反看法。分析师认为，开源模型历史上推动了token成本持续下降（每token成本长期下降幅度达80%至90%），这一趋势会加速AI在各行业的渗透，而非削弱整体算力需求。

分析师指出三个逻辑：

在当前算力供给仍然紧张的环境下，专有前沿模型与开源模型的token消耗量都将保持强劲增长；
开源的普及将推动AI向更广泛的应用层下沉；
更多垂直AI应用公司将利用低成本的开源token，解决特定行业问题，形成新的收入层。

分析师特别指出，2026年上半年token成本出现阶段性反弹，属于算力严重短缺叠加智能体AI兴起所导致的"异常值"，并非趋势逆转。

AI安全监管：短期扰动，不改训练节奏

第三个担忧来自监管层面。据彭博报道，Anthropic首席执行官近期公开呼吁放缓AI模型改进的节奏，引发市场对算力需求前景的担忧。

分析师认为，这一担忧同样被放大了。

他判断："AI模型正在以更快的速度演进，RSI（递归自我改进）的临近，恰恰说明技术演进和AI扩展定律并未放缓。"

分析师进一步指出，即便新模型的推出可能受到对齐限制等因素的约束，前沿模型的训练节奏本身不太可能减慢。与此同时，开源模型也不会停下脚步，这反而会倒逼前沿模型实验室加快训练以保持领先。

摩根大通认为，AI安全议题的背后，是技术演进速度过快引发的监管跟进，而非需求萎缩的信号。报告预计，未来1至2年内，生成式AI有望开辟类似过去18个月编程和智能体工作流那样的全新市场空间。

资本开支：杠杆仍低，现金流在加速

超大规模云厂商的资本开支融资能力，是市场的第四个疑虑。多家云厂商已进入自由现金流为负的阶段，外部融资压力上升。

摩根大通的判断是：未来几年资本开支仍有增长空间。

理由有三：

大型超大规模云厂商的净债务/股权比目前仅为13%，杠杆水平仍然偏低；
公有云业务增速正在加快，且定价更高，将成为经营性现金流增长的重要来源；
超大规模云厂商及算力下游买家的股权融资，可提供额外的资金支撑。

分析师预测，亚马逊、微软、谷歌、Meta、甲骨文、Coreweave和SpaceX七家公司合计资本开支，将从2025年的4430亿美元增至2026年预估的9330亿美元，2027年进一步升至1.577万亿美元，同比增速分别为71%、110%和69%。

分析师同时提示，利率上行环境及部分AI基础设施融资领域风险偏好的变化，仍是需要持续关注的变量。

半导体设备：下一个瓶颈正在形成

在供应链层面，摩根大通认为，展望2027年，半导体设备（SPE）将从此前的"洁净室及其他领域"瓶颈，转变为整条供应链最核心的制约因素。

需求端驱动因素包括：

台积电将大幅加码N2、N3及A14制程的设备投入；
英特尔、三星晶圆代工及Terafab等挑战者也将增加资本开支；
成熟制程晶圆厂启动四年来首个新投资周期；
DRAM和NAND Flash厂商将在2027至2028年随洁净室产能上线而快速扩大设备采购；
中国存储器投资也将在未来两年显著提速。

供给端，摩根大通指出，半导体设备厂商已开始享受罕见的涨价红利——原因是产能紧张、投入成本上升，以及来自多家客户的加急订单。

封装与基板：瓶颈持续，光互连崛起

在元器件层面，摩根大通认为IC基板和先进封装仍是关键瓶颈。

基板供给高度集中于Unimicron、Ibiden等一线厂商，产能扩建周期长达约2.5年。随着AI加速芯片推动单封装基板用量提升，以及2027年底EMIB-T封装技术的引入，供需缺口预计将进一步扩大。

光互连方面，摩根大通预计谷歌、AWS及英伟达将在未来两年全面采用NPO（近封装光学）方案，以解决GPU间、GPU与CPU间及存储互连的性能瓶颈。CPO（共封装光学）是长期方向，但供应链成熟仍需时间。

存储：基本面健康，但情绪仍需修复

存储子板块是摩根大通态度相对审慎的领域。

报告指出，HBM降规格担忧、算法效率提升（如循环Transformer等）对内存用量的压缩，以及KV缓存向DDR或NAND等低层级存储的迁移，使该板块投资逻辑较为嘈杂。

但基本面并不悲观：供需平衡预计不会早于2028年出现，价格应持续上涨至2027年。摩根大通认为，若AI情绪在2026年四季度回暖，存储股有望跟随上涨。但在此之前，投资者的参与意愿可能仍低于其他科技子板块。

2027年哪些环节涨价更强？

摩根大通梳理了2027年相较2026年价格涨幅有望扩大的细分领域：

晶圆代工：台积电预计在2027年对所有制程节点提价（2026年仅限先进制程）；8英寸成熟制程涨幅或达10%至15%，高于2026年的8%至10%；
OSAT：涨价范围扩大至引线键合及成熟倒装芯片封装；
基板：涨价周期启动，EMIB-T的引入将进一步收紧供需；
高端CCL（M7及以上）：AI需求与服务器规格升级双轮驱动，供给增速持续落后于需求；
存储：涨价节奏预计放缓；
PCB材料：涨价动能同样趋弱。

分析师指出，亚洲科技硬件供应链的EPS修正趋势依然健康，估值具有吸引力。

当前市场情绪偏弱，但尚未看到资本开支下行周期即将到来的明确信号。推动下一轮行情的关键催化剂，仍将来自模型层和AI应用层持续变现能力的更多验证。

风险提示及免责条款

DeepSeek核心工程师长文刷屏：《我不得不把才华埋葬在昨天》

Wed, 16 Sep 2026 02:53:41 GMT

9月14日，刚刚交付DeepSeek V4.1核心算子的青年工程师刘胜与，以一篇记录技术变迁与个人心路的长文《我不得不把才华埋葬在昨天》在海内外技术社区持续刷屏，引发关于AI时代开发者命运与技术演进的广泛讨论。

词条#我不得不把才华埋葬在昨天#也冲上知乎热榜第一。

作为大模型底层的核心构建者之一，DeepSeek机器学习系统工程师刘胜与的技术履历十分突出。他是北京大学2021级计算机“图灵班”成员，曾担任北大未名超算队队长并代表学校出征国际大学生超算竞赛SC23。2025年4月加入DeepSeek后，他承担了关键的底层算子研发工作，并在几天前刚刚完成了DeepSeek V4.1主Attention算子（head dim = 512 的 MQA attention）的代码交付。

刘胜与在文章中坦言，虽然自己为 DeepSeek V4.1 核心算子的成功感到自豪，但也十分清楚技术的不可逆演进。

“再过上半年或者一年，AI 写的算子大概率就会和我写得同样优秀，甚至将我超越，”刘胜与直言，“AI 能一秒思考 300 个 token、半秒敲出一行命令、二十秒写完一份代码，而我不行；AI 能在模型深度、思考强度、工具调用量甚至并行度等方面不断提升，而我不能。”

这种极速进化将开发者推入了一种深刻的技术悖论之中：他把算子优化得越好，新模型的推理与训练就越快；模型能力进步越快，AI取代人工写算子的时间节点就来得越早。

面对这种不可抗拒的趋势，刘胜与写道：“人类在毁灭自己这件事情上，自古以来都表现得毫不犹豫……我当然希望自己不要被革命，但如果非被革命不可的话，我希望革我自己命的人是我自己。”

“我不至于失业，但必须要转业”

针对外界关于程序员饭碗的担忧，刘胜与给出了清醒的判断：工程师群体不至于面临真正意义上的“失业”，但必然需要经历深刻的“转业”。

“转业代表着我需要放弃我深耕已久并充满热爱的算子设计、编写、优化领域，转而去做 Agent 的‘机甲驾驶员’，”他写道，“在之前，我的兴趣、我所擅长的以及工业界所需要的，三者是基本对齐的；而现在，工业界的需求从‘会写高性能算子的人’漂移到了‘能用 AI 更快地产出高性能算子的人’。”

他将这种手艺的失落比作自动化织袜机出现对老手艺人的冲击。即使凭借过往经验依然能把机器用得最好，但曾经“临窗听雨、引针穿线、慢度光阴的意趣，终究还是被机器的轰鸣碾碎了”。

“我的手中多了些齿轮，但心中少了些节拍，”他感慨道。

除了个人职业转变，刘胜与还在文中表达了对年轻一代工程能力退化的担忧。如果学生普遍依赖 AI 在数分钟内完成复杂的代码作业，系统架构与抽象设计能力或将出现断层，“一个工程能力很差的人，在搭配上 AI 后，产出屎山的效率可以达到先前的数倍，进而给系统埋下各式祸患，让这个世界变得更加草台。”

澄清初衷：与“手工业时代”的体面告别

由于文章发布后在各大平台引发了有关地缘政治、机构竞争乃至失业焦虑的过度解读，刘胜与随后发布补充说明，澄清了自己的写作初衷。

他表示，文章并非表达对饭碗的焦虑，也不是为了挑起 DeepSeek 与 Anthropic 等闭源机构的对抗，其核心动机只是向过去“纯手写算子”的纯粹时光做一次认真的告别。

“想必未来有朝一日，‘手写算子’甚至‘编程’可能会成为一种娱乐活动而非生产活动，就像是现在几乎没人会用标枪打猎，而是把它作为一种竞技活动那样，”刘胜与写道，“这相当于逼着我放弃我曾热爱的事物，强行转向另一个方向。哪怕新方向同样令人着迷，这种感觉都不太好受。正如标题所说的：我不得不把才华埋葬在昨天。”

谈及为何坚持留在 DeepSeek，刘胜与重申了自己的信念：最前沿的智能应当以开放、普惠的方式供应给全社会，避免核心能力被极少数商业寡头彻底垄断。

“在不得不把才华埋葬在昨天后，我还有明天的光明可以追逐，”他在补充说明结尾表示，自己将继续投身于引入 AI Agent 编写算子的新流程中，在拥抱新技术工具的同时，寻找属于新时代的落脚点。

原文如下：

《我不得不把才华埋葬在昨天》

原创 intlsy 的狗窝 2026年9月14日 00:26

前几天，DeepSeek v4.1 发布了，将小模型能力的高度又向上推进了一个档次。

AI 发展的速度远远超过了所有人的预期。从那个只会咿呀学语地聊天、上下文长度只有几千 token 的初版 ChatGPT，到具有推理能力的 OpenAI o1、DeepSeek R1 与 Kimi K1.5 Thinking，只不过短短两年；从推理模型到如今能够流畅地在各类 harness 工具中执行命令、完成复杂任务的智能体，也不过一年半。很难想象，倘若再等上一年、两年、三年，彼时的 AI 会成为什么样子，会有多么强大，会不会已经具备了自我进化的能力，并深度渗透进了具身智能等领域。

AI 越来越会写算子了

AI 在我所从事的算子设计、编写这一领域同样进步飞速，在短短一年的时间内，他已经从一个只能帮我查查文档、读读代码、找找 bug 的小助手，蜕变成了一位能够独立阅读 CUDA、PTX 与 SASS 编码、通过专业工具分析每条指令的停顿时间、进而独立优化算子的算子大师。相信在不久的未来，它也能拥有自己独立设计算子调度、评估不同调度方案的性能、将其实现并优化的能力。

我当然为 DeepSeek v4.1 的成功而骄傲 —— 毕竟它的主 Attention 算子都是我写的 [1]，它的优秀正是对我的算子的一份肯定。但是，时代的车轮滚滚向前，技术的发展无人能挡。我很清楚，再过上半年或者一年，AI 写的算子大概率就会和我写得同样优秀，甚至将我超越。AI 能一秒思考 300 个 token、半秒敲出一行命令、二十秒写完一份代码，而我不行；AI 能在模型深度、思考强度、工具调用量（和环境交互的频率）、甚至并行度等方面都能不断提升，而我不能。

人类在毁灭自己这件事情上，自古以来都表现得毫不犹豫。为什么在明知“我算子写得越好，我们的新模型的训练、推理速度就会越快，模型能力进步就会更快，我就会更早地被取代”的情况下，我仍然选择尽力优化算子呢？一方面确实是因为写算子对我来说就像打游戏一样，能为我提供极大的快感。我在发明了一种新技术、或者看到自己算子的性能上升的那一刻，心中的激动程度不亚于游戏的速通玩家打破了自己过往的记录。同时，当看到自己的算子的性能远超厂商官方的算子时，我心中也会萌生极大的自豪感。但除此之外，一个更重要的原因是，哪怕我就此“摆烂”甚至故意下绊子耽误模型训练，其它家的模型也会照常发展并最终将我照杀不误。“我当然希望自己不要被革命，但如果非被革命不可的话，我希望革我自己命的人是我自己”。在大家都这么执着于毁灭自己的时候，我也不得不加入这场残酷的军备竞赛。

那我呢

等到 AI 写算子的水平真的高于我的那天，届时的我会怎么样呢？

我的判断是：我不至于会“失业”，但必须要“转业”。我的饭碗尚且能保住，但这可能会导致我再也没机会从事那份我曾热爱过的工作。

我曾经对时代的变化与我个人在未来的处境做出过一个判断：由于时代变化真的太快（上文的 AI 发展就是一个很好的例子），我完全无法预知五年、十年后会发生什么，但不论如何，我相信凭借着自己的眼界、判断力、主观能动性与智力，留在时代的牌桌上，并重新立于时代的潮头。但是，这个判断只能保证我不会“失业”，而无法保证我不需要“转业”，倒不如说这个判断鼓励我通过转业来避免失业。

那转业代表什么呢？它代表着我需要放弃我深耕已久并充满热爱的算子设计、编写、优化领域，转而去做 Agent 的“机甲驾驶员”。在之前，我的兴趣、我所擅长的、以及工业界所需要的，三者是基本对齐的；而现在，AI 让我所擅长的变成了它更擅长的，也让工业界的需求从“会写高性能算子的人”漂移到了“能用 AI 更快地产出高性能算子的人”。为了适应工业界的需求，我势必要放弃之前那个我热爱的方向，转向一个未知的新方向。我相信我能凭借着自己对于工程学、上层模型需求和底层硬件的理解，继续高质量、高效率地产出算子，我也知道我可能会热爱这个新方向（也可能不会），但被夺走热爱的感觉，确实不太好受。那份坐在工位上静心写上一下午算子的清欢，可能会在这个夏天成为绝唱。我不得不把才华埋葬在昨天，去做一位机甲驾驶员。我的手中多了些齿轮，但心中少了些节拍。

可以打个形象的比方：你精通织毛衣技术，尤其擅长各种图案的织造与各色色彩的搭配。你所织出的毛衣质量过硬且花纹美观，十里八乡的富人都来请你为他们织毛衣，你借此赚到了不少钱。同时，你十分享受着那种坐在窗边，沏一壶清茶，望着窗外的青山、绿水、牛羊与炊烟，静静地织上一下午毛衣的感觉。但有一天，有人发明出了一台神奇的机器，只需提供毛线与图案，便可自动织出毛衣，质量与纹理都不亚于你亲手织造的，且速度远快于你。你很清楚，你的同行可以凭着这台机器轻松达到你曾经的水平，因此你不得不也去用它。你也知道，凭借着你过去二十年攒下的织毛衣技术，哪怕大家都有机器，你织毛衣的速度与质量也还能超过同行。但那份临窗听雨、引针穿线、慢度光阴的意趣，终究还是被机器的轰鸣碾碎了。

我知道这很无奈，但没办法。饭碗可以保住，但旧日的热爱大概率是要放弃的。我是一个理性和感性分离得比较开的人，在需要用理性处理问题时可以很理性，但有时也会表现出感性的一面。我记得我在搬离住了一年的出租屋时，还大哭了一场，舍不得和过去的记忆分别。今天和之前那个手写算子、人脑优化的时代告别，无疑比这更加残酷。

不知道有没有读者有类似的感受，但我想这事儿也只能这样了。

那人们呢

在 AI 不断进步的同时，我也对一些问题表示担忧：

现在的学生是不是大概率会更倾向于使用 AI 完成作业，特别是偏向于实践的各种 Lab？想象一下，如果面前有两个选择，一个是苦哈哈地用八小时时间完成一个 Lab，或许还拿不到满分；另一个则是启动 AI 模型，用几毛钱的成本、几分钟的时间，直接让 AI 编写满分代码，那大部分学生会选择哪个呢？

上面一点会导致大量学生的工程能力严重不足，包括组织代码的能力、构建系统的能力、思考未来潜在需求并提前在设计上应对的能力、抽象的能力等等。那么在 AI 能力不断变强的背景下，这部分“工程能力”是否还是必须的呢？这些工程能力是会向旧日的“熟练编写 x86 汇编”的能力那样逐渐被时代抛弃，还是会像“理解从软件到系统再到硬件的整套计算机系统”的能力那样永远具有价值？如果是后者的话，那就危险了 —— 一个工程能力很差的人，在搭配上 AI 后，产出屎山的效率可以达到先前的数倍，进而给系统埋下各式祸患，让这个世界变得更加草台。

在未来社会中，权力（power）是不是会比技术或智商更加重要？

这些问题，或许就需要时代本身来回答了。

结语

伴随着 AI 的发展，未来的社会可能会趋向于两个极端：共产主义与赛博朋克 2077。在前者中，生产力得到极大的解放，人们的生活水平有了明显的提高；而在后者中，少数科技公司控制着大部分资源，只有极少数人能够使用最先进的 AI 和各式科技，获得接近“机械飞升”的效果，大部分人则只能用上很孱弱的 AI。阶层跨越将越来越难实现：你得先有最强的 AI，才能跨越阶层，形成了一种死循环。

你猜猜如果 An****pic 公司永远掌握着这个世界上最先进的 AI，未来社会是会变成共产主义还是 2077 呢？你猜？

所以，我还是相信，最前沿的智能应该以一种开放、廉价的方式，供应给所有人。我不信任 Anthropic 或者 OpenAI 能这样做，特别是不希望 Anthropic 掌握最先进的人工智能或 AGI，夸张点说其严重性不亚于让希*勒先于盟军掌握原*弹技术。这也是为什么我选择并坚持留在了 DeepSeek：我们研究强大、快速、普惠的人工智能并将其开源，或许能把世界从 2077 那端拉回来一些。

愿未来的世界一切安好。May all the beauty be blessed.

[1] “主 Attention”仅包括 head dim = 512 的 MQA attention，不包括用于选出 top-k 重要的 token 的 indexer，那部分是由其他（水平也非常强的）同事（以及他们的 AI Agent）编写的。

对《我不得不把才华埋葬在昨天》的补充说明

原创 intlsy 的狗窝 2026年9月15日 19:50

这次这篇文章火出圈了，微信公众号这边获得了十几万的阅读量，冲上了知乎热榜第一，并在 X 上也引发了不小的讨论。

这波爆火其实是挺出乎我意料的，只可惜，大家的关注点和我想表达的并非完全对齐。

我写这篇文章本来的目的，并非要表达对失业的焦虑，更不是想强调 DeepSeek 的开放普惠与 Anthropic 的不讨喜，而是想和我过去手写算子的那段时光说句再见。在 Agent 出现之前，大部分代码都是我一个字一个字敲出来的，这看似枯燥的过程，对我来说反而是一种享受：我可以静下心来，仔细思考大到模块组织、功能排布，小到代码逻辑、变量命名的每个细节。我也享受绞尽脑汁研究算子的调度和优化方案，提高算子性能，最终打败公认实现（比如 Flash Attention，NVIDIA 官方编写的算子，甚至是某些之前公认的“不可能优化好”的任务，比如 token 级稀疏的 attention）的感觉 —— “我在发明了一种新技术、或者看到自己算子的性能上升的那一刻，心中的激动程度不亚于游戏的速通玩家打破了自己过往的记录”。但是，现在这种快乐要被 AI 夺走了：为了生产效率和算子性能（现在的 AI 干活儿比我快，以后的 AI 则是又快又好），我必须迎接新时代中的新事物，研究如何用 AI 更好地写算子，在工作时间中再也没机会享受静静地、慢慢地写算子、调算子、优化算子的时光了。想必未来有朝一日，“手写算子”甚至“编程”可能会成为一种娱乐活动而非生产活动，就像是现在几乎没人会用标枪打猎，而是把它作为一种竞技活动那样。这相当于逼着我放弃我曾热爱的事物，强行转向另一个方向。哪怕新方向同样令人着迷，这种感觉都不太好受。正如标题所说的：我不得不把才华埋葬在昨天。

我是一个很看重记忆和感动的价值的人，可奈何记忆会褪色，会被时光的细雪渐渐掩埋。之前还写过另一篇文章聊了聊这事儿：2025 年终总结之二：记忆。因此，这篇文章其实是对我过去时光的一段总结与怀念。我希望借这篇文章，将过往的那些手写算子影像定格，以保存这份真切的记忆与真挚的感动，供十年、二十年之后的我来怀念。顺带借着这篇文章，给予自己放下过去、拿起新工具、勇敢地走向新时代的勇气。

↑ 一段我很喜欢的话，节选自公众号评论区

但大家的理解似乎和我的原意出现了不小的偏差... 本来文章的最后两节只是一些碎碎念：倒数第二节简要提及了一些 AI 带来的社会问题，但其实也没有很仔细地去分析或回答；最后一节则是我个人在前段时间的一些零碎思考，认为前沿智能还是应该“以一种开放、廉价的方式，供应给所有人”。但由于我并不是历史学、社会学等人文学科的专家，这部分我也只是稍加探讨并一带而过（顺便踩一脚我一直看不太惯的 A/），里面关于共产主义与 2077 的辩论也不一定对。虽然里面说的“我选择 DeepSeek 的原因之一是不想让世界变成 2077 那副模样”以及“May all the beauty be blessed”两句话是真的，这确实是我的理想，但这并不是本文的中心。这一段也仅代表个人观点，不代表任何我所在的公司的立场。或许等我未来有朝一日把这个问题想清楚一些后，会再开一篇文章来写一写。

结果，这篇文章发出去之后，虽然确实有很多人和我关于旧日时光的怀念产生了共鸣，但大部分人都把聚光灯打在了最后一段上。知乎上排名最高的几条回答写得还行（说明知乎用户的阅读理解能力还是挺好的），但微信公众号评论区中有大量人在探讨 Anthropic 和 DeepSeek 关于开放智能的态度，小红书上甚至已经有“DeepSeek 反击 Anthropic”这种回答了......我很感慨某些学新闻学的的炒作能力，同时看了这些之后感觉很无奈... 大家还是多关注关注文章的主题吧。

回归主题，AI 在未来不断变强是肯定的：哪怕局限于当下的 Agent + Harness + 长上下文 + CoT 的范式，随着数据质量、模型深度、上下文长度不断继续扩展（scale），AI 的能力也将稳步前进。更别提，后面还等着具身智能、RSI、以及一些我们尚未知晓的其他技术。我对未来的 AI 的能力是乐观的，对于我在未来社会中的位置是相对乐观的，但对于未来人们还能不能潜下心来认真做一件事情是悲观的，对于我未来能不能长久地把一件事情同时作为工作和爱好，也是悲观的。

但哪怕这样，我还是要继续坚持写算子、以及不断引入 AI Agent 写算子。一是因为“我当然希望自己不要被革命，但如果非被革命不可的话，我希望革我自己命的人是我自己”（被别人淘汰不如自我进化）；二是因为我还是希望我们（或者其他同样秉持着开放共享理念的 AI 公司）能够先于某些公司，做出最强大的智能，惠及所有人。我还是相信我原文中关于共产主义和 2077 的论调，也希望这个世界能尽量离 2077 那端远一些。爱好兴趣是一回事儿，理想信念则是另一回事儿了，因此我也将继续在这个领域开拓下去。我在未来也会尽量尝试重新对齐爱好、特长和时代需求的方向，尝试在属于 AI 的时代找到属于自己的乐土。在不得不把才华埋葬在昨天后，我还有明天的光明可以追逐。在被这场世末的凉雨淋湿后，我仍会用回温的心灵驱散阴霾，寻找越过黑夜后渐变的那一抹蓝色 [1]。

[1] 化用了 COP 的《世末歌者》等歌曲的歌词。

风险提示及免责条款

多重制约下内需仍偏弱

华泰证券吴宛忆、易峘、王洺硕 — Wed, 16 Sep 2026 02:43:21 GMT

核心观点

9月15日国家统计局公布8月经济活动数据，工业增加值/社零同比分别增长5.2%/0.4%（彭博一致预期4.8%/0.8%）；1-8月固定资产投资增速录得-7.2%，符合彭博一致预期，隐含月度投资降幅从7月的12.9%收窄至11%。

整体而言，去年三季度后基数逐步走低，而8月各项经济活动指标仍偏弱，多重因素的扰动仍在持续——1）广义财政持续偏紧，仍对投资及政府消费形成拖累，8月新增人民币贷款和新增社融均同比少增，内需及实体经济融资需求仍偏弱；2）高油价下高能耗行业开工再度承压，发电量持续2个月负增长，成本冲击对中下游企业盈利及投资的挤压效应继续显现，景气度光谱进一步收窄。3）地产投资及销售亦在低基数下持续回落，关注8月28日地产现房销售制度落地后，地产销售、土地成交及新开工的走势，尤其是对地产投资和开发商现金流是否带来新一轮潜在紧缩效应。

1.AI及出口链提振工业生产，但对内需相关行业带动较为有限

工业增加值增速从7月的4.5%回升至5.2%，极端气候扰动消退后部分行业生产有所修复，但发电量增速较7月的-0.1%回落至-0.8%，显示传统高耗能行业生产继续走弱：AI相关及出口链行业持续形成拉动、计算机通信行业对总体工增贡献仍有1.9个百分点（占比近四成）；装备制造业等出口链生产回升，如电气机械/汽车增速维持9.9%/8.7%的高景气，工业品中锂电池/工业机器人产量同比分别增长57.2%/34.6%。但内需相关工业生产仍在低位，8月有色冶炼/橡胶塑料/水泥行业工增同比放缓至-4.1%/4.3%/-4.1%，钢材产量同比降幅亦较7月的4.1%走阔至5.5%。

2.暑期出行或对服务消费形成边际支撑，需求前置拖累整体社零走弱

社会消费品零售总额同比增速由7月的0.6%回落至0.4%，剔除金银珠宝及“以旧换新”品类后，8月商品零售同比增速持平于7月的2.2%。其中，1）暑期出行或对服务消费形成一定支撑，计入服务消费后的1-8月零售总额同比增长2.5%。2）8月以旧换新品类社零同比降幅较7月的8.3%继续走阔至8.8%；3）8月财政支出尚未明显提速，政府消费增长或仍偏弱。

3.低基数下投资仍偏弱，政策性金融工具效果尚待显现

能源供给扰动与财政偏紧下企业资本开支意愿偏弱，低基数下投资读数仍在低位。一方面，成本冲击对制造业（尤其是中下游行业）的挤压效应凸显，8月制造业投资同比降幅从7月的4.4%走阔至6.1%。另一方面，广义财政支出力度持续偏紧，8月基建投资同比降幅较7月的14.7%略走阔至14.8%。

地产投资和新开工持续偏弱，房企现金流状况总体仍承压。8月地产投资/新开工面积同比回落25.5%/30.9%，新房成交面积同比降幅亦较7月的13.4%走阔至14.8%。高频数据显示9月1-14日一线新房/二手房成交面积同比回升至23.7%/12.5%，地产市场“金九”的成色仍待后续进一步观察。

往前看，中央财政发力可能边际托举投资，但考虑高油价对真实收入和企业利润的挤压，叠加地方财政仍有持续偏紧压力，短期增长可能延续偏弱的状态。外需层面，近期中东及俄罗斯等能源基础设施进一步受损，中国需求的“缓冲”也可能难以维持此前的体量，可能加剧全球传统行业“滞胀”风险（参见《石油供需有持续恶化风险》，2026/9/15）。内需层面，8月21日国新办发布会上，财政部宣布将加快资金使用，叠加9月新型政策性金融工具首批资金已陆续落地，或对投资形成一定托举，但可能仍难以抵消国内外多重不确定性上升的影响。

主要内容

1.AI及出口链提振工业生产，但对内需相关行业带动较为有限

工业增加值增速从7月的4.5%边际回升至5.2%，季调后的环比增长录得0.54%，显示7月极端气候的扰动消退后、叠加低基数提振，工业生产同比读数边际修复，但4月以来工业生产整体低位震荡。具体看，8月工增回升主要受AI及出口链行业拉动、基数效应亦形成提振，比如计算机通信、运输设备、专用设备等行业增长维持高位，工业机器人、集成电路等主要工业产品生产增速持续上行。

AI相关需求仍在快速增长。计算机通信制造业增加值增速较7月的19.1%小幅放缓至17.2%，对总体工增贡献较7月的2.1个百分点略回落至1.9个百分点（占比近四成）；主要产品产量方面，工业机器人产量同比增速较7月的30.2%继续上行至34.6%，集成电路产量同比增速较7月的20.7%略下行至20.6%，仍保持较高增速。
出口链相关行业工业增加值保持较快增长。8月出口金额同比增速较7月的23.9%上行至25%，工业企业中装备制造业增加值同比增长12.1%，高技术制造业增加值增长16.7%，分别快于全部规模以上工业增加值6.9和11.5个百分点。主要出口链行业中，专用设备/通用设备/电气机械/运输设备制造业8月工增同比分别录得11.4%/9.8%/9.9%/13.4%，四者合计提振整体工增增速约1.5个百分点。主要产品产量方面，新能源汽车产量同比较7月的29.9%下行至21.9%，仍保持较快增长，分产品看，锂离子电池、工业机器人、3D打印设备产品产量同比分别增长57.2%、34.6%、29.9%。

然而，内需相关的工业生产仍在低位。8月布伦特期货/现货油价均价较7月上行4.9%/8.9%，高油价对传统行业需求持续形成挤压——8月有色冶炼/橡胶塑料/水泥行业增加值增速走弱至-4.1%/4.3%/-4.1%，工业品中，水泥产量同比降幅较7月的11.6%继续走阔至11.7%，钢材产量同比降幅亦较7月的4.1%走阔至5.5%。而石化链或仍受到供给冲击影响、整体“价优于量”，石油和天然气开采业8月工增同比增速较7月的6.1%上行0.1个百分点至6.2%，化学制品制造业8月同比增速较7月上行1.2个百分点至0%；煤炭开采和洗选业8月同比降幅较7月收窄5.2个百分点至5.6%，前期生产事故带来的扰动或逐渐减退；其他生产方面，医药制造业8月同比增速较7月上行2.4个百分点至5.2%，或部分受到低基数提振；汽车制造业8月工增同比增速持平于7月的8.7%，汽车产量8月同比降幅较7月的0.1%走阔至2.7%。

2.暑期出行或对服务消费形成边际支撑，需求前置拖累整体社零走弱

社会消费品零售总额同比增速由7月的0.6%略回落至0.4%，低于彭博一致预期的0.8%，除部分国补品类支撑外，内需整体承压，政府消费增长或仍偏弱、对总消费形成拖累。剔除金银珠宝、“以旧换新”品类后，8月其他商品消费同比增速持平于7月的2.2%。此外，1-8月商品和服务零售总额同比增长2.5%，强于同期总体社零增速的1.1%，其中服务零售额增速（4.9%）较1-7月的5.0%边际减速。

暑期出行活动或对服务消费形成一定支撑，服务消费强于商品，1-8月服务业零售额累计同比增速4.9%，较1-7月的5.0%略有回落。携程数据显示，今年暑期长线游订单占比升至32%，跨省出行占比超过55%，长线旅游需求的加速释放有望为服务消费提供持续动能。而餐饮/烟酒消费同比增速录得1.1%/12.5%，其中烟酒消费同比大幅上行6.5个百分点，我们估算对社零同比增速提振约0.13个百分点，或主要受到低基数提振。
家电和通讯器材等部分国补品类边际提振整体社零增长。8月实物商品网上零售同比增速较7月的3.3%放缓至2.2%。家电同比增速由7月的-1.9%回升4.2个百分点至2.3%，我们估算其对社零同比增速的影响由7月的拖累0.28个百分点转为拉动0.05个百分点；通讯器材同比增速由7月的20.4%进一步回升6.9个百分点至27.3%，去年同期基数回落形成一定提振，以旧换新政策延续及终端价格上涨亦对名义零售额增长形成支撑。
新能源汽车补贴退坡、需求前置叠加燃油车需求偏弱，国内终端汽车零售消费需求承压。8月汽车类商品零售同比降幅较7月的17.0%走阔1.5个百分点至18.5%，我们估算其对社零同比增速的拖累约为1.88个百分点，而考虑到乘用车销量/商品房销售面积比例已超2015-2025年均值的2个标准差，或体现自2024年以来的以旧换新补贴拉动下需求有所前置。同时高油价对燃油车需求或形成一定压制，进一步拖累终端汽车需求。
金银珠宝类零售同比降幅由7月的10.1%走阔7.4个百分点至17.5%，我们估算其对社零同比增速拖累为0.13个百分点；地产链相关品类中，建筑及装潢材料同比降幅由7月的14.2%收窄2.4个百分点至11.8%，家具类零售同比降幅由7月的8.8%收窄0.9个百分点至7.9%，地产相关消费整体仍承压。
财政支出尚未明显提速，政府消费增长或仍偏弱。8月政府债净发行同比少增3575亿元，而消费和投资加权平均增速与广义财政支出增长高度相关，占总消费约3成的政府消费可能有所减弱。

此外，就业方面，8月全国城镇调查失业率较7月的5.2%回升至5.3%。

3.低基数下投资仍偏弱，政策性金融工具效果尚待显现

今年1-8月固定资产投资累计同比较前7个月的-6.7%进一步下行至-7.2%，8月单月固定资产投资同比降幅较7月的12.9%收窄至11%，季调后环比增长从7月的-1.4%略回升至-0.5%。广义财政支出力度持续偏紧与能源供给扰动下企业资本开支意愿偏弱，低基数下投资读数仍在低位，后续重点关注政府债发行提速和新型政策性金融工具落地对内需的托举作用。具体看，

高油价的挤压效应凸显，制造业投资、尤其是中下游行业投资总体承压；8月单月制造业投资同比降幅从7月的4.4%再度走阔至6.1%。分行业而言，成本冲击下部分中游加工和装备制造业利润受到挤压，对相关行业投资形成拖累，如有色加工/金属制品同比较7月回落2.7/7.5个百分点至-5.4%/-22.6%，油价和原料成本抬升影响下、化学制品制造同比降幅亦走阔0.8个百分点至12.9%。部分中游设备制造业投资动能在成本走高和订单放缓环境下有所放缓，如计算机/电气机械同比回落6.7/5.6个百分点至10.3%/-3.1%，通用设备同比降幅亦走阔1.7个百分点至2.5%；但专用/运输设备投资同比增速较7月的-12.2%/-22.5%回升至-7.5%/0.6%，主要反映专用装备、交运相关领域订单阶段性回补。下游制造业行业投资增长动能边际回暖、但可持续性仍待观察，8月汽车/医药制造同比回升1.5/15.2个百分点至-10.7%/1.9%，而食品制造同比放缓1.7个百分点至-17.3%（图表9）。
广义财政支出力度持续偏紧，低基数下基建投资同比偏弱，8月基建投资同比降幅较7月的14.7%略走阔至14.8%。一方面，政府债券资金向实物工作量的转换速度仍待提速，今年前8个月国债净发行和新增地方专项债累计6.71万亿元、同比少增7,254亿元，发行进度（62.2%）亦慢于去年同期的70.4%（图表10）；另一方面，地方政府自发性加速化债亦对基建投资回升形成掣肘，8月地方专项债中用于化债和清欠的特殊专项债发行占比较7月的62.2%回落至47.5%，但用于项目建设的专项债仍同比少增39亿元（图表11）。同时，新增政府债更多用于置换隐债和压降风险对民间投资增长形成压制，8月民间固定资产投资同比降幅基本持平于7月的14.5%（图表12），而公共部门投资同比降幅从7月的10.6%收窄至5.2%。值得注意的是，今年8,000亿元新型政策性金融工具已于9月初在浙江、云南、四川和福建等多地开始投放，“六张网”或成为提振投资的主要抓手，对投资的拉动效果有待观察（图表13）。
地产投资和新开工总体仍偏弱，房企现金流状况总体仍承压。8月地产投资/新开工面积同比回落25.5%/30.9%（图表14），商品房“严控增量、优化存量”的政策导向下地产投资和新开工总体仍偏弱——极端天气扰动下建筑开工指标同比偏弱，如8月水泥开工同比回落3.9个百分点，建筑钢材成交量同比回落12.8%（图表16-17）。房企现金流状况总体承压——8月房地产到位资金同比降幅较7月的21.0%走阔至26.7%（图表15），分项中定金和预付款/贷款同比降幅较7月的4.1%/35.8%走阔至18.1%/44.0%，而个人按揭贷款同比降幅较7月的14.4%略收窄至13%。值得注意的是，8月28日，住房城乡建设部等宣布推动地产现房销售制度落地，对开发商现金流的影响尚待评估。
8月商品房成交量价同比降幅均有走阔，但9月以来的高频数据显示核心城市的居民购房需求边际升温，地产市场“金九”的成色仍待后续观察。统计局口径数据显示，8月新房成交面积/金额同比降幅较7月的13.4%/8.9%走阔至14.8%/12.1%（图表18），由此，统计局口径下8月的商品房销售均价同比自7月的5.2%下行至3.2%；统计局首次公布月度的二手房成交面积数据显示今年前8个月的二手房成交面积同比增加10.6%，快于同期新房成交面积同比的-12.1%。此外，高频数据显示9月至今（9月1-14日）新房/二手房同比增速较8月的-10%/6.09%边际回落至-12.4%/6.07%，但一线新房/二手房成交面积同比较8月的12.8%、7.8%快速回升至23.7%、12.5%，核心城市的居民购房需求边际升温，地产市场“金九”的成色仍待后续观察（图表19-20）。

本文来源：华泰睿思

风险提示及免责条款

潘功胜：不能简单以信贷增速衡量金融支持实体经济的力度

求是网 — Wed, 16 Sep 2026 02:29:08 GMT

9月14日，2026年8月金融数据显示，中国8月新增社融1.66万亿元，人民币贷款增加600亿元，前8月股债融资占比首次超过贷款。前八个月金融数据显示融资结构持续转变：债券和股票融资占社融增量比重升至50.31%，超过贷款占比。信贷分化加剧，住户贷款累计减少1.03万亿元，企业贷款累计增加11.26万亿元。8月末M2-M1剪刀差3.4个百分点，较7月末收窄0.3个百分点。

中国人民银行党委书记、行长潘功胜在《求是》发文，中国融资结构已经从间接融资主导，转向直接融资与间接融资协调发展；金融对经济的服务更多体现在结构优化、适配度提升上，而不是宏观金融总量的持续扩张上。做好当前和今后一个时期的经济金融工作，需要深刻认识中国金融结构变迁的内在逻辑，动态优化调整货币政策框架，持续建设和发展现代化金融市场体系，进一步提升金融服务实体经济的适配性。

从资金投向看，金融资源更多流向重点领域和薄弱环节。近10年来，房地产、基础设施建设新增贷款在全部贷款中的占比由60%以上降至10%左右，金融“五篇大文章”领域的新增贷款占比升至70%以上。过去几年，科技型中小企业贷款增速保持在20%左右，普惠小微贷款年均增速约20%，绿色贷款、养老产业贷款均保持两位数以上的增长，均明显高于全部贷款增速。信贷资金投向的转变，表明金融资源更多向科技创新、绿色发展和中小微企业等重点领域集聚。这种结构变化不一定体现为贷款增量，但能够提高资金使用效率，为经济高质量发展注入新动能。

当前科技创新活动复杂多元，与多元化的融资结构更加适配。科技型企业一般会经历种子期、初创期、成长期、成熟期等不同阶段，各阶段的风险特征和金融需求有很大差异，需要适配丰富多样的金融市场和金融生态。科技型企业在成长的早期，主要从事前期研发，商业前景不明朗，私募股权和创业投资是非常重要的资金提供者。到了中后期，商业模式逐渐成熟，可以通过银行贷款、债券、股权等多渠道融资。金融市场在为技术前沿、高风险高回报的创新产业提供融资上具有优势，带来对贷款的良性替代和分流。这一变化也将成为常态，不能简单以信贷增速衡量金融支持实体经济的力度。

全文如下：

深刻认识中国金融结构变迁提升金融服务实体经济适配性

　　潘功胜

金融是国民经济的血脉。血脉是否畅通，不仅在于总量，更在于结构。总书记指出，合理健康的金融结构是金融持续健康发展并有效为实体经济服务的前提。近年来，我国经济运行总体平稳、向新向优，高质量发展不断取得新成效，金融结构也在这一进程中发生深刻变化。同时要看到，随着经济增长动能的新旧转换和产业结构转型的深入推进，优化金融结构、提升金融服务质效面临新的更高要求。做好当前和今后一个时期的经济金融工作，需要深刻认识中国金融结构变迁的内在逻辑，动态优化调整货币政策框架，持续建设和发展现代化金融市场体系，进一步提升金融服务实体经济的适配性。

一、中国金融结构正发生深刻变化

金融结构可以从多个维度衡量，融资结构是其中最重要的维度。长期以来，中国的融资结构由银行贷款主导，金融市场的规模较小。近年来，以银行贷款为主体的间接融资占比持续下降，包括债券、股票在内的直接融资占比稳步上升，金融结构正在发生深刻变化。

从增量看，债券和股票融资合计增量已超过贷款。2013年以前，中国新增间接融资占社会融资规模增量的比重在80%以上，基本都由贷款构成。2025年，社会融资规模增量35.6万亿元，其中，企业债券、政府债券和股票融资合计占比约47%，首次超过贷款。过去几年，积极财政政策下政府债券净融资增多、专项债置换隐性债务，银行加大不良贷款核销力度，使债券占比提高、贷款占比下降。即便剔除这些因素，中国融资结构的变化也是显著的。从企业融资看，企业债券融资增量与同期贷款增量之比从2023年的7%上升至2026年上半年的近20%。

从存量看，直接融资占比稳步升至1/3左右。在20世纪90年代建设现代金融市场体系的早期阶段，间接融资在社会融资规模存量中的占比接近100%。随着金融市场持续稳定发展，2026年6月末，社会融资规模中间接融资余额占比降至2/3左右，贷款余额占比降至60%左右；直接融资余额占比升至1/3左右，债券融资占比升至30%左右。中国融资结构已经从间接融资主导，转向直接融资与间接融资协调发展。

从资金投向看，金融资源更多流向重点领域和薄弱环节。近10年来，房地产、基础设施建设新增贷款在全部贷款中的占比由60%以上降至10%左右，金融“五篇大文章”领域的新增贷款占比升至70%以上。过去几年，科技型中小企业贷款增速保持在20%左右，普惠小微贷款年均增速约20%，绿色贷款、养老产业贷款均保持两位数以上的增长，均明显高于全部贷款增速。信贷资金投向的转变，表明金融资源更多向科技创新、绿色发展和中小微企业等重点领域集聚。这种结构变化不一定体现为贷款增量，但能够提高资金使用效率，为经济高质量发展注入新动能。

从金融市场看，市场业态更加丰富、深度广度稳步提升。党的十八大以来，中国金融市场逐步从以信贷市场为主，发展成为包括股票、债券、货币、黄金、票据、大宗商品、衍生品等各金融子市场协同发展、功能健全、种类完备的现代金融市场体系，实体经济的融资渠道更加多元。股票市场方面，目前A股上市公司超5500家，总市值超过110万亿元，位居全球第二。其中，“专精特新”企业达到2000多家。债券市场方面，1997年银行间债券市场成立时余额不足5000亿元，目前总规模突破200万亿元，稳居世界第二。债券市场“科技板”落地一年多来，科创债券累计发行约3万亿元，成为科技型企业中长期资金的重要来源。

二、中国金融结构变迁的内在逻辑

金融发展和经济发展阶段密切相关。世界各国金融发展的历史表明，随着经济结构演进，金融活动由侧重总量扩张走向结构优化，金融结构由单一走向多元。中国金融结构的变迁，既是这一普遍规律的具体呈现，又有自身的发展逻辑和阶段特征，需要结合中国经济转型的实际进行理解和把握。

第一，中国金融结构变迁根本上反映了经济发展阶段的动态演进和经济增长动能的新旧转换。

6月16日至18日，2026中国国际金融展在上海世博展览馆举行，集中展示了金融业服务实体经济以及智能支付、支付促消费等领域的科技新成果、新服务。图为活动现场的中国人民银行展台。视觉中国供图

过去中国金融总量增长较快，主要与经济的货币化进程和高速增长带来的较大规模货币需求有关。改革开放以来，中国从过去的实物分配为主改为货币分配，越来越多的商品、住房借助货币来标注价值，以货币为媒介进行交易，融资需求也快速增加，金融总量增长较快。当前，我国经济从高速增长阶段转向高质量发展阶段，货币化进程已基本结束，金融对经济的服务更多体现在结构优化、适配度提升上，而不是宏观金融总量的持续扩张上。从总量的数学关系看，增速是增量与全部存量的比值关系。分子是当前的增量，分母是全部的存量。目前，我国社会融资规模存量超过460万亿元，广义货币余额超过350万亿元，贷款余额超过280万亿元，宏观金融总量规模已经很大。随着存量的扩大，金融总量增速有所下降也是自然的，这与我国经济发展阶段的转变是一致的。

金融总量增速趋缓，有利于保持宏观杠杆率基本稳定。过去几年，我国宏观杠杆率上升较快。一方面是宏观政策加强逆周期调节，促进经济平稳增长，金融总量和债务增长一体两面，推高了债务规模；另一方面是物价处于低位，拖累了名义经济增速。融资市场由供给约束转向需求约束，有效融资需求能够得到充分满足，社会融资条件仍是相对宽松的。对此，要平衡好短期和长期的关系，避免金融总量增长超过实体经济需要，造成资金空转淤积，进一步推升宏观杠杆率，导致落后产能和低效企业难以出清，影响经济效率。

贷款降速提质或将成为宏观运行的新常态之一。当前超过280万亿元的贷款余额中，房地产、地方融资平台的贷款占比仍然较大，这些领域不仅不再增长，反而还在下降。2025年至2026年上半年，房地产贷款余额累计下降超2万亿元。其他领域的贷款要先填补上这个下降的部分，才能带来总量上的增长。随着经济结构转型和信贷结构变化，实体经济需要的信贷增长也在发生变化。全部信贷要保持过去的增速是很难的，也是没有必要的。对于支撑经济增长来说，盘活低效存量贷款和新增贷款的意义本质上是相同的。

第二，中国金融结构的变迁体现了金融体系与产业结构转型升级的动态适配。

过去一段时期，中国经济增长主要依靠房地产、基础设施建设和传统制造业拉动，呈现融资密集型特征。这些行业投资规模大、建设周期长、土地房产等抵押物充足，具有旺盛的中长期贷款需求，更适配银行主导的金融体系结构。银行在为技术成熟、抵押物充足的传统产业提供资金上具有优势。据测算，传统领域各行业中长期贷款余额与行业增加值之比大于1，其中房地产业、交通运输业分别为1.7和3.3，这意味着每创造1元增加值需要投入更多的信贷。

近年来，科技创新、高端制造、绿色低碳等新兴产业蓬勃发展，产业结构正从传统要素密集型向技术密集型转变，融资需求更趋“轻型”。2026年上半年，以高端制造等为代表的新动能对经济增长贡献率超四成。这些产业具有研发投入大、风险和不确定性较高、投资周期长等特点，企业资产形态也由土地、厂房、设备更多转向技术、数据、品牌和人力资本。轻资产行业一般对应低负债，单位经济增长所需的银行贷款相对较少。据测算，新动能领域的行业中长期贷款余额与行业增加值之比普遍低于1，信息服务业仅约0.1，远低于传统行业。

当前科技创新活动复杂多元，与多元化的融资结构更加适配。科技型企业一般会经历种子期、初创期、成长期、成熟期等不同阶段，各阶段的风险特征和金融需求有很大差异，需要适配丰富多样的金融市场和金融生态。科技型企业在成长的早期，主要从事前期研发，商业前景不明朗，私募股权和创业投资是非常重要的资金提供者。到了中后期，商业模式逐渐成熟，可以通过银行贷款、债券、股权等多渠道融资。金融市场在为技术前沿、高风险高回报的创新产业提供融资上具有优势，带来对贷款的良性替代和分流。这一变化也将成为常态，不能简单以信贷增速衡量金融支持实体经济的力度。

第三，中国金融结构的变迁是金融业自身高质量发展的必然要求。

从金融业自身发展看，也需要转型和高质量发展，提升与经济结构转型的适配性。改革开放以来，我国经历了较大规模的金融风险治理，其中既有经济体制改革和经济结构转型的原因，也有金融结构不适配、金融治理方面的原因。比如，20世纪80年代开始，我国从计划经济向市场经济转变，大量企业破产、重组、兼并，国有大型银行积累了不良资产。国有银行自身体制也滞后于实体经济的需要，进一步加剧了不良资产压力。在这样的背景下，中央启动了历时十余年的国有银行改革。再如，2008年国际金融危机后，地方政府债务持续扩张，经济增长较多依靠房地产驱动，导致金融资源集中于房地产、融资平台等领域，一定程度上对经济结构调整形成制约。党的十八大以来，中央以金融体系结构调整优化为重点深化金融体制改革，坚决打好防范化解重大风险攻坚战，金融风险持续收敛，金融服务实体经济高质量发展的质效不断提升。

衡量一个国家的金融竞争力和国际金融中心影响力，传统金融机构的规模固然是一个重要指标，金融市场的发达程度、辐射能力和业态丰富性更加重要。在经济结构转型背景下，加快发展金融市场，也是金融业自身转型和高质量发展的必然要求。各国历史路径、银企关系、法律制度等不同，金融结构没有统一模式。未来一段时间，中国银行体系仍将占有较大比重，但随着经济结构转型、经济创新更趋活跃、经济活动复杂程度上升，需要更加注重直接融资与间接融资协调发展，完善金融机构、金融市场、金融产品体系结构，更好发挥金融市场功能。

三、以金融结构持续优化服务经济高质量发展

“十五五”时期，我国经济金融发展环境面临深刻复杂变化。近日出台的《金融强国建设“十五五”规划》，对当前和今后一个时期金融工作作出系统部署。为实施好相关部署，中国人民银行制定印发了《中国人民银行“十五五”改革发展规划》，并配套出台了9份相关领域的行动方案。要顺应中国金融结构变迁趋势，持续优化金融结构，推动政策框架逐步转型优化，使金融体系更加适配深刻变化中的经济金融结构，为经济高质量发展营造良好的金融环境。

一是持续推进货币政策框架转型，构建科学稳健的货币政策体系。不断优化货币政策中间变量，淡化对数量目标的关注，特别是对贷款单一渠道的关注，把金融总量更多作为观测性、参考性、预期性指标。更加注重发挥价格型调控的作用，健全市场化的利率形成、调控和传导机制。完善短端利率调控机制，进一步优化完善政策利率及配套制度建设，增强央行政策利率的作用。完善存贷款利率定价，为经营主体提供更多的贷款定价基准选择。加强利率政策执行和监督，持续整治金融业“内卷式”竞争、资金空转。健全可置信、常态化、制度化的政策宣传和市场沟通机制，以专业、务实的方式方法，做好政策沟通和预期引导。

二是强化政策协同配合，提升对国民经济重点领域和薄弱环节的金融服务质效。加强金融“五篇大文章”工作统筹，指导金融机构提升服务能力，丰富金融产品，强化信息科技支撑，优化金融资源配置。加快构建与科技创新相适应的体制机制，探索科技金融领域信息开放共享和数据融合运用，提升金融支持科技创新的效能。优化结构性货币政策工具设计和管理，坚持聚焦重点、合理适度、有进有退，以市场化方式激励引导金融机构优化资金投向。加强政策协同配合，聚焦融资担保、风险分担等方向，放大政策激励效能。加强与产业政策协同，引导金融机构科学评估风险，分类施策、有扶有控，抑制部分行业“内卷式”竞争。

近年来，金融资源更多流向重点领域和薄弱环节。2026年初，中国人民银行设立1万亿元民营企业再贷款，为民营中小微企业破解融资难题注入强劲政策动能。图为4月18日，中国人民银行保定市分行联合保定农商银行在一家电力设备制造公司调研，了解再贷款资金使用成效。金融时报社记者刘志良/摄

三是聚焦服务经济结构转型升级需要，持续建设规范、开放、有活力、有韧性的现代化金融市场。建设和发展多类别、多层次的金融市场体系，进一步丰富金融市场业态。发展股权市场和债券市场“科技板”。发展中国的财富管理市场，支持资管行业健康有序发展。推动金融市场基础设施互联互通，稳妥发展利率、汇率衍生品，促进市场流动性提升和价格形成。强化国债收益率曲线的基准作用。健全金融市场法治体系，推进发行交易、登记结算、税收等制度优化完善，维护金融市场秩序，培育良好的市场生态。稳步推进金融领域制度型开放，进一步提升中国金融市场的国际化水平。建设并完善多渠道、广覆盖的跨境支付体系。统筹发展离岸人民币市场。支持上海提升跨境金融、离岸金融服务能力。巩固香港离岸人民币业务枢纽地位。

四是健全覆盖全面的宏观审慎管理体系，进一步提升金融体系的稳定性和韧性。在宏观层面把握好经济增长、经济结构调整和金融风险防范的动态平衡。稳妥化解重点领域风险。继续做好金融支持地方政府融资平台债务风险化解工作。稳妥有序推进重点地区和重点机构风险化解，严肃财经纪律、市场纪律和监管规则。健全金融稳定保障体系。强化系统性金融风险的监测、评估和预警。拓展中央银行宏观审慎和金融稳定功能，丰富宏观审慎管理的工具箱，维护股市、债市、汇市等金融市场平稳运行。

本文来源：求是微平台

风险提示及免责条款

英特尔CEO：CPU仅满足五成需求，14A明年一季度投产，新架构或将推理功耗降至GPU的1/15

Wed, 16 Sep 2026 02:23:50 GMT

9月14日，英特尔CEO陈立武近日在一场行业峰会的炉边对话中表示，随着AI智能体规模急速扩张，CPU需求已远超英特尔现有供给能力，目前仅能满足前沿客户约五成的需求。

与此同时，他透露公司制程技术取得重大进展，18A节点已进入量产，14A节点将于明年一季度投产。

陈立武表示，多位大型科技公司CEO已直接致电，要求更多CPU供货，"我不得不致歉，因为我们的产能跟不上。"

他将这一短缺归因于AI推理场景中CPU需求的爆发。在智能体编排、控制面及多线程任务处理上，CPU具备GPU难以替代的优势。

此外陈立武透露，英特尔正扶持基于数据流架构与晶圆级扩展方案的新型专用芯片，在特定推理场景下，它们能以GPU 1/10至1/15的功耗提供同等性能。

在市值层面，陈立武透露，他接任CEO时英特尔市值约为900亿美元，目前已升至约5000亿美元。

在制程良率改善方面，陈立武披露，通过向设备商及数据分析合作伙伴开放工厂数据，英特尔已实现每年约7%的良率提升。他坦承上任初期工厂良率"糟糕至极"，但强调打破壁垒、寻求外部协助是扭转局面的关键。

智能体时代引发算力逆转，高端CPU严重供不应求

市场普遍存在一种误解，认为AI的发展仅仅依赖GPU。

陈立武指出，尽管GPU在模型训练方面表现出色，但在进入智能体与强化学习推理阶段后，算力需求正在发生逆转。陈立武表示：

当需要进行编排、控制流以及复杂的单线程或多线程调度时，CPU是最好的选择。

陈立武指出，当前前沿模型厂商都在紧急求购高端CPU，这直接导致了英特尔产能的极度紧张。

他坦言目前的交付压力极其巨大：

我只能提供客户所需（CPU订单）的50%。很多科技巨头的CEO给我打电话排队抢购，我不得不向他们致歉，因为我制造得还不够多。

他明确预判，随着未来数百万甚至数万亿智能体上线，包括CPU、内存、网络带宽在内的算力基础设施将持续处于“供应受限”的环境中。

文化重建是英特尔转型的底层逻辑

陈立武回顾接任CEO初期的挑战时表示，公司问题的深度和广度远超其担任董事会成员两年间的判断，"至少超出我预期的十倍以上"。

他将文化变革列为首要任务：一是建立问责文化，二是真正倾听客户。

他透露，一位大客户在他上任不久后列出了英特尔在15个方面的失误，

他们告诉我，你们的团队不听我们的，只会对我们说教，所以我们把你们设计出去了。

陈立武还强调，工程团队直接向他汇报，使他能够掌握真实的一线信息，而非经过层层过滤的"美化版本"。

他将保持与创业公司和风险投资社区的持续连接视为避免英特尔再度错失下一个技术浪潮的关键机制。

18A已全面量产，14A明年一季度投产

晶圆代工业务是英特尔重振的核心，但陈立武强调，代工的本质是“客户服务业”，这要求英特尔彻底改变过去的文化。陈立武说：

代工不是高高在上，你需要以取悦和谦逊的姿态去服务客户，无缝配合他们偏好的EDA工具或特定的第三方IP库。

为了解决先进制程的良率问题，陈立武采取了雷霆手段，坚决打破了内部工程师隐瞒数据的积弊。他回忆了这段极具冲击力的过程：

我必须改变文化，解雇了一些工程师，确保我们完全敞开心扉。当我们公开真实数据后，两家设备厂商CEO好友打给我说：‘立武，我得告诉你个坏消息，这初始良率太可怕了。’我回答：‘这就是为什么我要向你们求助。’

在合力攻坚下，英特尔的先进制程迎来了大幅跃进。陈立武正式确认了最新的时间表与数据亮点：

好消息是，现在我看到良率每年有7%的提升。Intel 18A制程已经全面投入量产，Intel 14A制程将在明年一季度正式投产。

先进封装是“终极圣杯”，巨资落地美国化解断链危机

在摩尔定律放缓的背景下，陈立武将先进封装视为行业未来的“终极圣杯”，并将其定为未来5年的重中之重。

陈立武认为，通过将CPU、大内存与I/O整合的系统级封装，是提升算力密度的关键。

然而，他对此发出了极其严厉的供应链预警。他指出，全球关键封装基板材料被极少数厂商垄断（日本两家、中国台湾地区两家），且必须巨额预付才能获取产能。陈立武表示：

全球95%的先进封装产能集中在单一地区，这极其危险。

英特尔正投入巨额资本支出，加速将先进封装与制造能力落地美国本土。

“十年降维打击计划”与量子计算节点

针对当前AI基础设施的发展，陈立武对电力消耗提出了深刻担忧。

黄仁勋在训练领域做得非常出色，但整个行业正面临一个无法逾越的问题——电力消耗极限。

为打破这一瓶颈，陈立武透露了他正在秘密布局的“十年前瞻工程”。

他指出，人脑处理极高复杂度的认知仅需几十瓦能耗，这意味着未来算力存在“降耗10,000倍的潜在技术空间”。

目前，英特尔正扶持基于数据流架构与晶圆级扩展方案的初创公司（如SambaNova、Cerebras），“在特定推理场景下，它们能以GPU 1/10至1/15的功耗提供同等性能。”

同时，公司正在重注神经形态计算（Neuromorphic Computing）与类脑MPU。

对于更为前沿的量子计算，陈立武给出了明确的商业化时间表。他表示目前正高度聚焦于量子纠错（Error Correction）难题的解决：

预计在未来3到5年内，量子计算将产生实质性的产业冲击，它将与CPU、GPU形成异构混合计算网络，共同解决高维计算难题。

风险提示及免责条款

键合设备革命性周期：HBM大扩产，混合键合技术平台化打开第二增长曲线！

Wed, 16 Sep 2026 02:22:42 GMT

键合设备正在经历一次由 AI 算力直接驱动的价值重估。

2025 年全球键合设备市场规模约 23 亿美元，其中键合环节占后道封装设备价值的 44%，是单一价值量最大的设备类别。短期看，HBM 产能扩张与堆叠层数提升让热压键合（TCB）成为确定性最高的设备环节：ASMPT 2026 年上半年新增订单 16.31 亿美元、同比增 85.1%，订单出货比升至 1.43；Besi 二季度订单 2.929 亿欧元、同比增 128.8%，混合键合客户数从 2025 年末的 15 家增至 21 家。

中期看，混合键合（HB）的技术必然性已经确立，但导入时点被 JEDEC 的封装高度标准两次放宽所推迟。关键约束不在技术可行性，而在单互连成本的经济性：HBM4 的焊盘间距为 10 微米，在这一间距上切换混合键合并无成本优势。因此混合键合在存储侧的量产窗口落在 HBM4E 与 HBM5，设备出货的陡峭化区间在 2027 至 2028 年。

TCB 决定未来两年的业绩兑现，混合键合决定三到五年的估值中枢。真正的产业变量并非「是否采用混合键合」，而是混合键合驱动的设备平台化，把键合机从单一主机变成集成清洗、等离子活化与原位计量的一体化作业系统，从而将价值量向 CMP、量测、清洗等中道环节外溢。这也是本轮产业链价值重估中最容易被低估的一条传导链。

2030年代人类器官也能量产

董静 — Wed, 16 Sep 2026 02:20:43 GMT

生物科技公司United Therapeutics创始人Martine Rothblatt认为，得益于异种移植（基因编辑器官）和自体细胞培育技术的临床突破，到2030年代人类器官将实现商业化量产，从而为患者提供无限供应的肾脏和心脏，且移植后的存活时间有望达到无限期。

A股三大股指早盘齐跌，科创50逆势涨超1%，半导体、算力硬件反弹，宁德时代、赛力斯再大跌，港股科网股多数承压

Wed, 16 Sep 2026 02:10:36 GMT

9月16日，A股早盘震荡下滑，三大股指盘初集体走低，科创50逆势涨超1%，半导体产业链、光通信、光芯片等算力硬件反弹，生物医药拉升，CRO概念股大涨，此外，宁德时代、赛力斯继续下挫。工程机械、网络安全、新能源汽车等板块陷入调整。

港股高开低走，恒指、恒科指早盘双双下跌，科网股多数承压，芯片股反弹，AI大模型双雄反弹，智谱、MINIMAX均涨超5%，宁德时代、赛力斯H股均延续跌势，均跌超4%。债市方面，国债期货震荡下跌。商品方面，国内商品期货多数走高。核心市场走势：

A股：截至发稿，沪指跌0.26%，深成指跌0.34%，创业板指跌0.14%。

港股：截至发稿，恒指跌0.24%，恒科指跌0.59%。

债市：国债期货震荡下跌，截至发稿，30年期主力合约跌0.06%，10年期主力合约跌0.02%，5年期主力合约持平，2年期主力合约持平。

商品：国内商品期货多数走高，截至发稿，沥青涨超3%，燃油、豆粕涨2%，原油、纸浆涨超1%，钯金、沪银、螺纹钢、烧碱、橡胶、铂金、菜籽、沪铜、沪铝、热轧卷板、氧化铝、沪锡、鸡蛋等纷纷走高，沪金、多晶硅、集运指数、焦煤、铁矿石、工业硅、锰硅、焦炭下跌，不锈钢、玻璃、沪镍跌超1%，碳酸锂跌超3%。

10:10

科创50涨超2%，寒武纪、海光信息、中芯国际、中微公司、澜起科技集体上行。

10:07

光通信板块继续扩大升幅，中际旭创、新易盛、天孚通信、光迅科技发力。隔夜美股英伟达、美光科技等股价企稳。早盘韩股SK海力士温和反弹。

09:52

工程机械板块急速下滑，徐工机械、三一重工、山推股份、柳工、杭叉集团同步跳水。机构认为，集体出海后，海外局部市场竞争升温，部分企业海外毛利率下滑。此外，原材料价格上涨推高成本。

09:43

早盘农业板块震荡回升，万向德农涨停，福建金森、天山生物、秋乐种业、神农种业等跟涨。

消息面上，9月15日，农业农村部印发《全国种植业发展“十五五”规划》，规划提出，到2030年，粮食综合生产能力稳步提升，守牢谷物基本自给、口粮绝对安全底线。大豆、油料、棉花、糖料产能巩固提升，保持合理自给水平。

09:41

宁德时代、赛力斯AH股早盘继续下滑，新能源汽车板块明显承压。

09:38

早盘PCB概念再度拉升，澳弘电子4连板，威尔高涨超10%，一博科技、金禄电子、中京电子、奥士康等跟涨。

09:26

上证指数低开0.07%，创业板指跌0.03%。网络安全、农业、餐饮旅游、传媒板块调整。服务器、海运、油气板块强势。

09:21

恒生指数高开0.50%、恒生科技指数涨0.47%。联想集团、潍柴动力、澜起科技走强。宁德时代、赛力斯、福耀玻璃调整。

风险提示及免责条款

英特尔陈立武：黄仁勋的软肋是“能耗”

张硕 — Wed, 16 Sep 2026 01:44:50 GMT

英特尔CEO陈立武称黄仁勋与英伟达软肋是能耗。

AI功耗过高已成行业难题。他十年前押注推理与分离式推理，投资SambaNova，以数据流架构实现GPU约十分之一到十五分之一功耗。

他还从人脑找灵感，认为功耗可降万倍，探索Transformer、NPU、神经形态计算及CPU加内存架构，并强调要敢冒险、愿改变。

7400万元采购、108条AI流水线银行Agent进入批量生产阶段

Wed, 16 Sep 2026 01:37:05 GMT

银行Agent的落地方式，正在从单点试验转向更系统的工程化建设。

9月初，浙商银行一笔Agent基础软硬件项目披露中标结果，接近6500万元的报价，成为年内公开可查金融机构Agent项目中，金额最大的一笔；

叠加此前落地的财富及供应链Agent项目，浙商银行在Agent上的公开采购金额已合计超过7400万元。

这并不是孤例，上海银行、浦发银行、恒丰银行近期均有大额采购落地，加码Agent工作站、创设平台和运行观测等环节。

银行正在为Agent花更多的钱，而这些钱正在投向更底层的工程能力。

几乎同期，服贸会、外滩大会上，银行高管开始更多讨论如何批量开发Agent、上线后怎么评估、怎样持续管理；

部分金融科技公司甚至将Agent平台定义为“超级工厂”，欲把开发、部署、评测和管理纳入同一套体系。

资金流向和行业讨论指向了同一个变化：银行的目标正在从落地零散的Agent，转向一套能够反复生产、调用和管理Agent的基础能力。

资金流向底座

真实业务中，Agent需要调用知识、工具、业务系统执行任务；

这套规则落地银行业时的特殊性在于，银行不仅要检查输出结果，也要控制任务的执行过程。

一家股份行数据架构师向枢纽表示，不是所有场景都适合直接交给Agent；

例如，意图识别、合同要素抽取等“非标准输入、标准输出”的任务容易落地，但信贷审批、理财规划等复杂流程，需要把模型嵌入既有工作流，由规则、权限和人工节点共同控制。

这也改变了银行科技项目固有的研发与交付方式。

传统科技项目通常由业务提出需求、科技负责开发；

Agent进入生产后，业务规则、SOP和经验判断需要被转化为模型能够识别和执行的逻辑，业务人员需要深地参与测试和调整。

上述数据架构师表示，在Agent的金融场景开发模式中，业务专家需要深度参与知识和规则的沉淀，科技人员则负责将这些经验转化为可执行的流程和工具，双方的协作早已经由需求交付，延伸到共同开发和持续调整。

而当Agent从试点走向批量，原本由各个项目分别完成的开发、评测和运行管理，也随之出现标准化需求。

近期的采购已经出现对应变化。

枢纽统计发现，今年上半年，金融行业大模型中标项目达到406个，同比增长110%，其中银行机构在项目数量和金额上的占比均接近半数；

自去年下半年开始，Agent类应用项目明显增加，银行AI建设逐渐由模型部署和算力扩容，走向更具体的应用层。

这其中，浙商银行接近6500万元的Agent基础软硬件项目，已经覆盖算力、知识工程、模型和Agent运行环节，建设范围延伸至支撑后续Agent开发和运行的基础环境；

同时，浦发银行采购Agent创设平台，重点落在Agent的批量创建和管理；

恒丰银行则单独建设Agent观测能力，把投入延伸到上线后的运行监测。

上述几类项目，分别落在Agent生产体系的不同环节，说明银行的投入对象正在由具体应用，继续向开发和运行基础设施延伸。

相似的变化，也反映在了科技部门职责和招聘需求上。

一位金融科技公司人士向枢纽反映，随着Agent数量增加，银行科技部门需要提供统一的开发和运行环境，并处理资源调用、Agent协同和治理等问题。

枢纽注意到，近期宁波银行相关岗位出现Agent工作流构建和技术框架研发；

平安银行则招聘AI Agent评测工程师，职责涉及工具调用、多步推理以及安全和性能评测。

从岗位设置看，Agent进入批量建设后，银行对工程能力的需求已经延伸到工作流、工具调用、评测和运行管理等环节。

财富、信贷、客服仍按照各自的知识、流程和风险边界开发，但其开发、验证和运行管理，正逐渐形成一套相对统一的方法；

当Agent进入规模化建设，这套生产方法本身，也将成为银行AI投入的新底座。

流程重新接线

Agent进入银行核心业务后，真正复杂的，是原有流程里的工作怎样重新拆分。

信贷是一个典型场景。

今年以来，苏州银行相继推进文档识别、尽调、AI审批、放款审核和贷后管理等项目；

上海银行也在对公授信的营销、尽调和贷后环节布局Agent。

这些项目分布在一笔授信的不同阶段：

材料读取、数据提取、财务分析等任务相对标准，更容易交给机器，越往风险判断和审批环节走，对业务经验的依赖越高；

一组财务指标是否异常、哪些问题需要继续追问、同样的指标放在不同产业周期中意味着什么，往往没有固定答案，很多判断沉淀在资深信贷人员长期积累的经验里。

目前，亦有金融科技公司在尝试把这类经验判断进一步拆解、沉淀，并重新嵌入信贷流程。

神州信息AI创新中心总经理晋梅介绍，其公司推出CreditMind方案会把历史尽调报告、审批意见以及贷款后续表现重新组织，从中提取资深信贷人员判断风险时使用的逻辑和经验，再用于新的审批任务。

在新的授信流程中，系统先处理客户材料和基础分析，再调用历史案例和专家经验补充风险提示，最终交由审批人员判断；

这类尝试的价值，在于把过去主要沉淀在个人经验中的部分判断，转化成可以被Agent调用的Skill，再重新放回审批流程。

不过，能够被沉淀的主要是相对明确的判断逻辑，真正依赖具体客户、行业环境和长期经验形成的判断，仍然需要人完成。

在这套组织架构之下，Agent进入信贷流程，将把原有工作拆成更细的任务：标准化信息处理给机器、可提炼经验转成Skill、关键风险判断留给人。

可以观察到的是，这种拆分已向更大范围扩展。

浦发银行披露，今年上半年已有超过440个AI应用，其中220个Agent实现工程化落地，同时上线108条AI流水线，数字劳动力承担的工作量超过2500人年。

“AI流水线”比单个Agent数量更能反映流程层面的变化：不同AI能力按照业务顺序被重新组织，机器连续承担其中一部分任务，再在需要判断、授权和承担责任的节点交回人工。

浦发银行首席人工智能科学家郑波将金融AI进入生产概括为三个标准：进入核心业务流程，承担过去由人完成的关键任务，并改善客户体验、经营效率或风险管理。

对银行而言，Agent深入业务的程度，越来越取决于流程能被拆得多细。

哪些工作可以稳定交给机器，哪些经验能够沉淀成Skill，哪些判断必须留给人，这些边界越清楚，Agent越有可能真正嵌入核心业务。

进入运营之后

Agent进入业务流程后，银行管理的对象，不只是一套系统能否正常运行，还包括它的业务效果能否持续满足要求、是否值得继续投入，以及出现异常后流程能不能被顺利接住。

首先要解决的是持续校正。

Agent上线时通过测试，并不代表后续效果会保持不变；

业务规则、知识内容、客户表达都在变化，实际使用中还会不断出现新的反面案例，银行需要继续判断，问题究竟来自知识缺失、流程设计，还是模型能力，再针对性调整。

来自金融科技公司的王军（化名）向枢纽表示，传统软件上线后更多围绕“运维”展开，Agent则需要持续“运营”；

这种运营关注的不只是系统是否在线，还包括输出是否符合业务要求、问题出现在哪里，以及后续该怎么修正。

这也让Agent上线后的评价变得更重要。

郑波谈及金融AI未来几年的竞争时，将生产能力、价值运营能力和组织进化列为关键；

浙商银行董事长陈海强则表示，科技投入要成为降本增效的收益项，通过使用频率、承担的工作量、处理效率，以及客户转化和风险管理效果等数据，判断科技实际产出。

这些结果会进一步影响资源配置：能够稳定承担工作、形成业务价值的Agent可以继续迭代，长期低频、效果有限的应用，则需要调整甚至退出。

对银行而言，另一项运营要求是业务连续性。

以授信为例，若Agent已经参与材料读取、尽调分析和审批流转，发生异常时，银行需要明确任务停在哪一步、哪些结果已经进入后续流程、是否触发过审批动作，以及接下来由谁继续处理；

涉及交易和系统操作时，还要确认指令是否已经执行，避免人工接管后重复操作，或者因状态不清引发新的操作风险。

王军表示，目前业内已经开始讨论给Agent设置kill switch，但更难的是Agent停下来以后，业务怎么继续。

枢纽注意到，如今这类需求，也已经进入银行的建设范围。

恒丰银行单独建设Agent观测能力，反映出银行对Agent的关注已经延伸到上线后的运行状态和异常监测。

只有清楚Agent正在处理什么、执行到了哪里，异常发生后才有条件及时接管；

持续校正决定一个Agent能不能越用越准，价值评价决定它值不值得继续留下，异常接管则决定银行敢不敢把更多工作交给它。

当Agent真正成为业务流程中的长期节点，运营能力也就成为规模化落地之后新的分水岭。

风险提示及免责条款

马斯克吐槽AI巨头：一边说可能毁灭人类，一边问IPO买多少

施建柳 — Wed, 16 Sep 2026 01:11:54 GMT

马斯克吐槽AI巨头：

当 OpenAI 和 Anthropic 警告 AI 危险时，他们说的是真话。

荒谬的是，他们一边喊着“AI 有 10% 概率毁灭人类”，

一边又急着问投资者“我们 IPO 你要认购多少？”

听听他们对危险的警告，但也别忘了看清他们一边炒作恐慌、一边狂捞真金白银的真面目。

两天两发，民商火箭开启组网千帆

太空那些事儿 — Wed, 16 Sep 2026 01:11:27 GMT

9月16日上午6时许，引力一号遥三运载火箭（YL-3Y3）在我国东海海域点火升空，成功将搭载的8颗千帆星座组网卫星与1颗超高速无线通信技术试验卫星顺利送入预定轨道，发射任务取得圆满成功。

而就在约16个小时前，朱雀二号改进型遥七运载火箭（ZQ-2EY7）顺利将千帆极轨19组的10颗卫星顺利送入预定轨道。

两天，两型民商火箭连续发射，载荷均为同一家客户：垣信卫星公司的千帆星座组网星。

1、民商火箭首次批量组网卫星互联网

"首次"、“首个”这类词在商业航天里太容易贬值，需要把定语说清楚。

这是中国民商火箭首次进行低轨互联网星座的批量组网发射。

过去两年多，千帆的发射任务几乎由长征系列包揽，长六改、长八、长八甲、长十二乙轮番上阵。

图/9月15日以前的千帆星座组网纪录（灰机wiki）

以前，民商火箭不是没打过卫星互联网卫星，但发射更多的是试验星、验证星。例如2026年6月，蓝箭航天的朱雀二号E遥六送上去的千帆DTC01星，就是手机直连技术验证星。

真正跨越的门槛，是批量发射正式组网星。

一次性发射多颗平板卫星（低轨卫星互联网星座一轨36星，可拆分发射），要同时解决堆叠结构、星箭接口、分离时序和轨道精度。

我国民营商业航天发展已逾11年，终于迎来规模化星座组网发射，15、16日这两型火箭发射千帆18颗星的重大意义也在于此。

2、等发射千帆的民商火箭，还有谁？

千帆的火箭服务商名单，正在从"国家队"变成"国家队+民商队"。

其实早在几年前，垣信卫星就开始了非公开和公开的火箭发射服务招标。据《2025年运载火箭发射服务采购项目》公告，一度拿出13.36亿元招标7次发射服务，且必须有成功飞行经验。

2025年2月，垣信首次公开发射服务招标因"供应商报名数量不足三家"失败；
2025年8月，发射服务包件一（一箭10星，6.16亿元）宣布招标失败，原因仍是供应商不足3家；
包件二（一箭18星，7.2亿元）因为放宽到"允许未首飞型号"，顺利开标，蓝箭航天、天兵科技、中科宇航分列中标前三名。

根据当时的招标公告，一箭10星可匹配的民商火箭为：朱雀二号改进型（ZQ2-E）、引力一号（YL-1）。

而满足一箭18星运力且有成功发射案例的，目前则有朱雀三号（ZQ-3）和力箭二号（PR-2）。

图/朱雀三号、力箭二号

包括智神星一号、天龙三号、双曲线三号等火箭，如果运力达标、且具备成功发射案例，也同样有机会成为千帆发射火箭备选。

智神星一号（PALLAS-1）。9月1日在酒泉首飞成功，如运力可以提升至极轨950公里2.8吨，同样也有机会成为发射服务型号之一。
天龙三号（TL-3）。4月3日首飞失利，9月10日归零评审通过，故障定位为飞行中排放的液氧被抽吸到箭底、引发涡轮废气二次燃烧烧蚀防热结构。天兵公司宣布天龙三号遥二箭计划四季度复飞。
双曲线三号（SQX-3）。计划年底在文昌首飞并同步挑战海上回收（另有消息为明年初）。

图/天龙三号、智神星一号、双曲线三号

以此算来，明年或将有7型民商火箭可用于组网千帆，运力和价格将成为比拼市场的硬实力。

3、千帆年度目标324，尚有68星待射

截至9月16日千帆星座部署卫星256颗，持续保持国内低轨卫星互联网组网数量第一。

而垣信卫星给一阶段定下的目标是2026年底完成324颗全球组网、同步启动商业化运营。

缺口68颗，时间只剩三个半月。

而行业内有个共识度颇高的判断：无箭可用。

现有的长征系列火箭中，可用于商业发射组网的火箭屈指可数，且还要兼顾星网发射需求，能分给千帆星座的数量极其有限。

这个判断也不难验证，截至2026年9月16日，中国星网主导的GW星座部署226颗，垣信卫星的千帆星座256颗，均只完成各自总计划的约1.7%。抛开卫星产能不说，对星座组网来说，最大卡点之一是火箭、工位和发射窗口。

这是一场有倒计时的比赛。

国际电信联盟对频轨资源执行"先申报先使用"，申报后7年内必须完成部署，否则资源收回。

4、时间不等人，资本和市场同样着急

2030年完成1.5万颗组网的计划虽然有微调（分阶段的完成时间已做过延后调整），但总体目标没有变化。

2026年8月，垣信完成69.76亿元增资，18家产业资本进场，投后估值约500亿元，刷新国内商业航天单笔融资纪录。9月初，杭州阿里创业投资和上汽金控完成入股，注册资本提升至24.84亿元。

国资、产业资本、国际市场进入估值模型，组网速度和服务收入就成了硬指标。

垣信已明确把商业化路径的第一站放到海外，在巴西获得监管许可并启动信关站建设，马来西亚的信关站工程在推进，同时与三十多个国家开展商务对接。

而这些的前提是，组网速度。

除了速度，还必须把单星成本、单位带宽成本压到能在海外市场正面竞争的水平。

68颗，三个半月，这是千帆剩下的功课，也是我国卫星互联网建设的交卷的节点之一。

本文来源：太空那些事儿

风险提示及免责条款

华尔街见闻 - 资讯 - 最新

电商巨头：绝大部分企业都用错了AI

“垃圾手榴弹”：产出过剩与无意义内耗

“River”：一个敢怼CEO的AI同事

机器永远无法做的一件事：承担责任

核心竞争力从“做加法”转向“做减法”

AI时代最值钱的技能：品味与判断力

Shopify CEO：大多数企业都在错误地使用AI

第2章：为拟物化设计辩护

第3章：必应聊天机器人"Sydney"如何启发了Shopify的AI设计

第4章：River——Shopify的内部AI

第5章：如何促进"渗透式学习"

第6章：AI的"梦境"与自我反思

第7章：如何用AI辅助战略决策

第8章：AI唯一做不到的事

第9章：AI让Shopify什么事情变得更糟了

第11章：AI驱动软件的未来

第12章：CEO会被AI取代吗？

第13章：超级智能能被控制吗？

第14章：AI时代的关键技能

第15章：为什么复杂的答案通常是错的

第16章：真正的直觉需要什么条件

第17章：最优路径没有即时反馈

第19章：悄悄伤害公司的不显眼的事情

第20章：美丑与创造的关系

第21章：SpaceX如何通过"减法"前进

第22章：公司为什么需要"重新建立"的时刻

第23章：把书当作人生的作弊码

第24章：三本改变你思维方式的书

最后一问

市场等待美联储决议，全球股债小幅走高，韩股收涨1.4%，油价涨势受阻

美债收益率逼近二十年高位，加息预期主导市场定价

油价涨势受阻，供应驱动行情显现过热迹象

多家央行决策窗口集中，市场聚焦政策路径指引

AI真的会毁灭人类吗？“AI教父们”接连发声

内部人士的“灾难性”警告

长期规划能力与“欺骗”风险

灭绝概率与生物网络威胁

终极网络武器与监管路径

TLVR芯片电感：MLCC 定价权的接管者，AI算力真正的咽喉？

日本8月出口增19.3%，但高油价推高贸易逆差

半导体出口激增52%，对美出货领跑

油价破百，逆差连续第四个月扩大

日元从弱势转向升值，进口成本与出口竞争力的角力

不要和盈利周期对抗！美股今年破8000点？

盈利预期被严重低估，标普500剑指8000点

AI仍是核心引擎，但市场广度正在实质性扩大

“七巨头”面临换防压力，但估值已降至数年低点

宏观逆风：10年期美债收益率与财政赤字是最大尾部风险

应对通胀与选举：历史数据揭示的“避风港”

“持续学习”的AI将把内存“供不应求”延伸至2031年?

持续学习：AI内存需求的新驱动范式

HBM：去规格化是供给约束的结果，而非需求疲弱

DRAM：供需剪刀差将在2027年创下历史性缺口

NAND：eSSD强劲需求叠加供给克制，供需缺口显著扩大

资本支出大幅跃升，但难以弥合中期缺口

人造金刚石：从散热扩张到 PCB， 价值边界如何重估？

报道：SK 海力士正与英特尔洽谈，拟首次在美生产存储芯片

10年期美债突破5%：2023年式见顶，还是2008年危机前夜？

“AI安全”的市场意义：推理和后训练算力需求增加20%，拉高行业整体算力成本18%

节奏控制的算力成本测算

将推理利润率压缩至长期中枢65%

竞争格局的再平衡效应

安全事件频发，监管压力上升

NikeSKIMS入华，女性运动服饰市场又多了一个变量

香港发布首个五年规划：聚焦人工智能产业，强化全球最大离岸人民币枢纽功能

人工智能：多维布局谋求产业升级

金融中心地位强化，资本市场开放提速

北部都会区与大湾区：融合发展主平台

航空产业：从维修交易到国产机认证

今晚，“鸽派加息”？

鸽派基准情形：被动加息与“微调”定调

高盛：不认为此次加息有充分经济基础

SEP经济预测：点阵图与核心PCE下调构成鸽派支撑

沃什的新闻发布会：市场最大的悬念

全球领先！一文读懂中国“消费端AI”战场

中国AI普及速度全球领跑，分发与场景是核心驱动

豆包领跑原生App，但多平台并用削弱"赢家通吃"可能

App内AI经济性更优，腾讯、阿里、美团获正向评级

2030年C端AI变现规模约3,000亿元，商户意图变现占99%

人造金刚石：从散热扩张到 PCB，价值边界如何重估？

7400万元采购、108条AI流水线银行Agent进入批量生产阶段