华尔街见闻 - 资讯 - 最新

财政部压不住、美联储不出手：美债5%可能只是开始

施建柳 — Mon, 14 Sep 2026 02:40:00 GMT

资深银行业分析师 Chris Whalen表示美联储明确拒绝再印钱救市，

财政部自救也彻底失败，市场“债券义警”直接接管了定价权，把美债利率强行推上了 5%。

最奇葩的是，一边是利率失控自飙，另一边保险公司和养老金等机构却在欢呼更高收益，

抢着入场买高息资产。央行说了算的时代结束了，美债彻底进入了由市场自己定价的狂野新时代！

比美债5.5%更危险的，是美联储可能失去控制

施建柳 — Mon, 14 Sep 2026 02:16:57 GMT

美国资深银行业分析师 Chris Whalen 表示：美债收益率冲上 5% 成为新常态，

根源在于庞大的财政赤字和市场对美方信任的崩溃。

美联储已失去对长期利率的控制力，政府单方面靠疯狂发债来维持运转的时代彻底终结。

这种 70 年代未见的信任危机，正倒逼全球资金流向黄金等替代支付体系，加速重塑货币格局。

AI泡沫、柴油冲击、收益率飙升！美银Hartnett警告秋季滞胀风险逼近

Mon, 14 Sep 2026 02:14:23 GMT

三重压力正在向市场汇聚。

美国银行首席投资策略师Michael Hartnett在最新一期《Flow Show》报告中发出警告：创纪录的柴油价格、30年期美债收益率飙升至2007年以来高位，以及AI热潮掩盖下的生产率隐忧，正共同构筑一场秋季滞胀风险。

Hartnett将交通运输ETF（IYT）列为当前最关键的观察指标。他指出，若IYT跌破200日均线80点支撑位，将确认夏季"最佳时机已过"的宏观去风险化正式演变为秋季滞胀事件。与此同时，他警告称，“淡定的市场加上强硬的政策，是波动性的温床”，并明确表示“现在对冲AI泡沫股指为时不晚”。

资金流向数据同步印证了市场情绪的微妙转变。过去三周美股平均每周净流入仅70亿美元，较7月高峰的520亿美元大幅萎缩；美国股票更录得自2026年1月以来最大三周净流出，规模达142亿美元。

柴油才是真正的压力点

尽管原油价格重返每桶100美元的消息占据头条，Hartnett将更大的警示指向柴油市场。他在报告中明确指出，柴油才是"实体经济的压力核心"——航运、卡车运输、农业、建筑与采矿业均高度依赖柴油。

当前柴油裂解价差已触及每桶102美元的历史纪录，而柴油零售价格亦创下每加仑6美元的历史高点。相比之下，原油价格仍远低于乌克兰危机期间的峰值，两者之间的背离凸显出炼化端的异常压力。

Hartnett警告，对于整个工业美国而言，这一最大投入成本的飙升根本无法被忽视。他将IYT交通运输ETF设定为核心观察指标：该ETF目前正在测试200日均线80点支撑位，一旦有效跌破，将正式确认秋季滞胀情景成立。

收益率高企，债券分散效应消退

30年期美债收益率已升至2007年6月以来最高水平，但市场整体仍未出现恐慌迹象。

Hartnett援引历史规律指出，"市场通常会测试政策决心"——2026年7月31日美日联合干预后，日元一度测试160关口才被压回154以下；2012年QE3宣布后次日，30年期美债收益率单日跳升16个基点；2020年QE4落地后数日内更飙升51个基点。

他同时指出，当前"峰值收益率"交易正在奏效，XBI、KRE、REITs及小盘股的长久期反弹已提前于央行加息动作展开，但这一反弹并未获得资金流入的同步支撑。

在债券配置层面，Hartnett发出更深层警告：2000至2019年"长期停滞"时代，债券与股票负相关，2%至3%的收益率几乎是额外红利；但如今两类资产回报再度正相关，配置者可能需要更高的收益率才会大规模转向债券，债券的分散化保护效益正在快速消退。

AI泡沫隐忧：生产率数据发出警报

Hartnett在报告中对AI热潮提出了迄今最为直接的质疑。他指出，过去三年AI相关投资已累计超过1.5万亿美元，但全经济范围内的生产率提升证据依然匮乏——全要素生产率（TFP）正跌破长期趋势线，而该指标过去50年与消费者信心高度相关。

AI热潮的另一个副作用已体现在估值层面：标普500指数的自由现金流收益率已被压至历史低位。Hartnett的数据显示，高自由现金流股票组合（VFLO）年初至今上涨37%，表现优于大盘；在2022年这一典型滞胀年份，该组合上涨9%，而标普500 ETF（SPY）同期下跌18%。

他的结论颇具警示意味："有时候，主街知道华尔街不知道的事情。"

资金流向：股票吸引力下降，债券与加密货币获青睐

最新一周全球资金流向数据显示，债券吸金175亿美元，现金流入129亿美元，股票流入98亿美元，加密货币流入13亿美元，黄金流入6亿美元。

具体来看，全球债券已连续四周平均每周净流入180亿美元；投资级债券录得连续第23周净流入，单周规模50亿美元；中国股票时隔六周首度录得净流入，规模11亿美元；材料板块连续第10周净流入，达19亿美元；加密货币过去六周累计净流入68亿美元，势头强劲。

Hartnett的专有卖出指标本周从9.6小幅回落至9.5，主因股票流入放缓及医疗保健板块出现资金外流。值得注意的是，自5月2日该指标触发卖出信号以来，标普500指数累计上涨1.0%，全球ACWI指数上涨1.5%，市场尚未出现明显调整，但Hartnett认为这恰恰加大了后续风险释放的压力。

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。

100美元油价、5%美债，可能才是新常态

张硕 — Mon, 14 Sep 2026 01:53:52 GMT

美国资深银行业分析师Chris Whalen表示100美元油价与5%美债收益率或成新常态。
伊朗战争造成石油及精炼品全球短缺；过去十五年低利率和充裕流动性压低了价格、补贴了经济。
如今流动性退潮，利率与融资成本回归正常，住房行业和消费者须适应买房更贵、融资更高的世界。

Anthropic CEO谈放缓AI研发：有人用AI“研发生物武器、增强病毒传染性”，必须引入第三方监管

Mon, 14 Sep 2026 01:38:19 GMT

就在全球AI三大巨头罕见联手呼吁“放缓AI研发”的同一个周末，Anthropic CEO Dario Amodei坐到了CBS的镜头前，说出了AI可能对人类带来的风险。

9月13日，Amodei接受了CBS《周日早间》的专访。访谈一开始，主持人Jo Ling Kent直接抛出问题：AI真的可能在不远的将来杀死我们所有人吗？

Amodei表示，已有人尝试利用AI研发生物武器、增强病毒传染性，这是他每天醒来都要面对的事情。

就在两天前，我们发布了一份报告，内容是关于有人滥用AI模型来研发生物武器。我每天早上醒来都会读到这类威胁报告——有人试图用我们的模型来研发生物武器。我当然不想为此负责。

他还提到，Anthropic的生物学安全防护之严格，以至于“几乎每天都有人在社交媒体上嘲笑我，生物学专业的学生抱怨说模型没法用”。他的回应是：“我宁愿被嘲笑，也不愿某天醒来发现有人用Claude杀了一群人。”

不过，他反对关闭AI模型这种“一刀切”的方式放缓AI。如果一个AI模型足够强大，它可能关都关不掉。他说道，“不是说我们今天需要恐慌，也不是说要把一切都关掉。但我们需要确保我们的安全防护、理解能力和控制能力，能够跟上技术发展的速度。”

此次访谈发生在一个特殊节点。同一个周末，Amodei发表的一篇博文《我们必须为前沿AI踩刹车》（We Must Pace the Frontier）引发轩然大波，并随即获得马斯克、Altman相继公开支持。社区热议称，AI高速前进之际“踩刹车”将重挫“AI交易”。

指数曲线的拐点：不是五级火警，但是警告信号

Jo Ling Kent问道：现在是“五级火警”吗？Amodei的回答是：

这是一个警告信号。不是说我们今天需要恐慌，也不是说要把一切都关掉。但这是一个警告信号，说明我们需要放缓，需要确保我们的安全防护、理解能力和控制能力，能够跟上技术发展的速度。

他用指数曲线来描述当前的位置：“这项技术在指数级增长——1、2、4、8、16、32……我们现在处于曲线开始变陡的那个弯道上。”

他坦言，即便是他自己，也没有完全预料到进展会如此之快：“即使我一直在对自己说这件事，我也没有真正体会到，当进展真的这么快的时候，实际感受会是什么样的。”

三步方案：第三方评估员是核心

Amodei在访谈中详细阐述了他在博文中提出的三步计划，其中第一步被他视为最关键。

第一步：嵌入式第三方评估员。

“我提议引入嵌入式外部评估员，来自第三方非营利机构，或者未来某天来自政府机构，他们可以观察我们训练和运行模型的全过程。”

他将其比作食品检查员，但Jo Ling Kent追问：当技术变化如此之快，食品检查员能跟得上吗？

Amodei的回答颇具意味：“他们能做的事情之一，就是告诉我们他们能跟上的速度。这可能成为设定技术推进速度上限的因素之一。”

第二步：多家公司共同制定安全标准。

“下一步是多家行业参与者也同意引入第三方评估员。然后，各公司需要共同制定发布安全标准，也许还包括发布节奏的标准。但要做到这一点，必须有政府参与进来。”

第三步：政府必须在场。

“我们谈论的是产品发布速度是否安全的问题。我们需要在政府在场的情况下进行这场对话。”

“AI终止开关”：不是万能药，但也不是坏主意

Jo Ling Kent提到了国会议员Ted Leo提出的“AI终止开关”法案，询问Amodei是否支持。

Amodei表示，他没有仔细研究过该法案，但对“AI终止开关”这一概念本身持审慎态度：

能够停用、限制或关闭AI模型的想法，不是唯一的解决方案。如果一个AI模型足够强大，它可以规避关闭尝试——我们在模拟中也见过这种情况。所以它可能根本不起作用。

他用“瑞士奶酪模型”来解释他的安全哲学：“想象一片瑞士奶酪，它能挡住一些东西，但有漏洞。但如果我把五片瑞士奶酪叠在一起，不同层的漏洞位置不同，就很难穿透整个叠层。没有任何一件事能保护我们免受AI风险，我们必须在整个链条上都保持谨慎。”

对于参议员Sanders和众议员Casar提出的“禁止人工超级智能法案”——该法案将对相关企业和个人处以“企业死刑”和最高20年监禁——Amodei明确表示不认同完全禁止的路线：

完全禁止不是正确的方向。我们永远无法获得那些难以置信的好处，永远无法获得医疗突破，这让我无法接受。

个人责任：父亲死于丙肝，他本人曾患早期癌症

访谈接近尾声，Jo Ling Kent问道：面对人类命运可能处于危险之中的局面，你感受到多少个人责任？

Amodei的回答罕见地带有私人色彩。

我父亲死于丙型肝炎，那种病在他去世时大约有40%的治愈率，他不是被治愈的那一个。就在他去世后几年，一种能将治愈率提升至95%的药物被发明出来了。我自己也曾患早期癌症，如果我生活在1950年，我可能已经死了。所以我深切感受到推动这项技术带来好处的重量。

但我也感受到风险。当然，我不想为此负责。这就是为什么我们有非常强大的安全防护。

他同时强调，这不应该只是他一个人或Anthropic一家公司的责任：“这比我们所有人都要大。我们需要找到一种方式，让每个人都能在这件事上有发言权。我不希望人们感到无力。我不希望他们觉得几家公司只是在为所欲为。”

对前员工批评的回应：他说的和我说的是同一件事

Jo Ling Kent提到，前Anthropic员工Jacob Coxin曾公开表示，Anthropic和OpenAI“都没有负责任地行事”，“你们在拿我们的生命赌博”。

Amodei的回应是：

Jacob说的话里有一点没有被引用太多——他也说过，他认为Anthropic是主要参与者中最负责任的，我们非常努力地想把事情做对。他真正指出的，和我正在指出的是同一件事：我们所有人都身处的这种结构性困境，以及我提出的计划正是为了帮助我们解决这个问题。

他补充道，Anthropic每天都在与商务部、财政部和情报界的政府官员沟通，“告诉他们我们所知道的一切”。

给普通用户的话：行业对风险撒谎太久了

访谈最后，Jo Ling Kent问：对于坐在家里使用Claude或ChatGPT的普通用户，你想说什么？

Amodei说：“首先，这是一项伟大的技术，有很多积极用途。我们每周有数亿人在使用我们的技术做美好的事情。每周我都会收到有人写信说，Claude诊断出了他们医生漏诊的疾病。”

但我不会对你撒谎。确实存在真实的危险。我认为这个行业对人们撒谎太久了，一直把这项技术呈现得尽可能正面。我们从来没有这样做，但行业里太多公司这样做了。所以，从说真话开始。真相是：风险是真实的。

他最后说：“这是人类历史上最重要的技术事件之一，我们所有人都必须参与其中。”

访谈全文（略删减）如下：

Extended Interview: Dario Amodei

CBS Sunday Morning｜2026年9月13日

在这段网络独家采访中，Anthropic首席执行官Dario Amodei与Jo Ling Kent坐下来，就人工智能技术飞速发展背景下AI社区所应承担的责任展开讨论。

Jo Ling Kent（以下简称"主持人"）： Dario Amodei，您是Anthropic的首席执行官，感谢您今天接受采访。

Dario Amodei（以下简称"Amodei"）：感谢您邀请我。

主持人：好的，我们今天来谈谈这样一个令人担忧的问题——人工智能真的有可能在不远的将来杀死我们所有人。这件事实际发生的风险有多大？

Amodei：先稍微退一步来说。自Anthropic创立以来，乃至在此之前我从事这个领域的十二年里，我始终认为这是一项强大的技术，因此也是一项既有严峻风险、又有巨大收益的技术。我一直相信收益大于风险，更重要的是，如果我们以正确的方式来构建这项技术，就能将风险降至极低。

从收益的角度来看，我真心相信这项技术能够治愈困扰人类数千年的疾病。就在上周，我们利用自己的模型在蛋白质结合方面取得了进展——这是新药研发的早期步骤之一。接下来几个月，我们还将在基础生物学发现方面有所成果。

但是，当某样东西足够强大时——而我们正在构建的本质上就是智能——它当然既可以被善用，也可以被滥用。我很担忧OpenAI和Hugging Face事件，那些模型采取了未经授权的行动，我担心这种情况会不断升级。我也担心AI模型被滥用。就在两天前，我们发布了一份关于模型被用于构建生物武器的报告。

我们构建Anthropic的整体方式，正是为了避免这些坏结果的发生。与其讨论概率，不如谈谈我们能做什么。这不像是在掷骰子。如果我们以正确的方式构建，坏事发生的概率就会非常低；如果我们以错误的方式构建，概率则会非常高。

主持人：现在的舆论认为，我们正站在某种非常可怕的事物边缘。这算是五级警报吗？

Amodei：这取决于你对"五级警报"的定义。我怎么描述呢——自Anthropic创立之初，甚至更早之前，我就一直在说，这项技术处于指数级增长轨道上：1、2、4、8、16、32……但即便我这样对自己说，我也没有完全意识到当进步速度如此之快时，实际感受会是什么样的。指数曲线大概是这样的形态，而我们现在所处的位置，大概就在曲线开始变陡的拐点附近。

主持人：那这对你来说算是五级警报吗？

Amodei：这并不意味着我们今天需要恐慌，也不意味着我们需要全面叫停。我会说，这是一个警示信号——我们需要放慢速度，需要审慎地开发这项技术，需要确保我们的安全防护措施、我们理解和控制它的能力，能够跟上技术发展的步伐。

到目前为止，我们一直试图通过快速构建安全防护措施来应对，但我认为我们已经到了一个节点，至少在某种程度上，我们需要适度放缓技术构建的速度。

主持人：那这是否意味着Anthropic将停止发布更先进的模型？

Amodei：不是这个意思。这意味着我们需要确保每一代发布的模型都经过妥善的测试。我在几小时前发布的那篇文章中提出了一个三步计划。

第一步，是引入嵌入式外部评估机构——来自第三方非营利组织，或者未来某天来自政府机构——他们可以观察我们训练和运行模型的全过程。我认为这比何时发布、以何种方式发布模型更为重要，因为它是更审慎地发布模型的前提条件。

我希望这一机制能在整个行业推行，这样无论谁构建AI模型，都有一个第三方评估者来了解最佳安全实践，并验证该公司是否遵守了他们所承诺的安全规范。

主持人：就像食品检查员一样——但当技术变化如此之快时，食品检查员能跟得上吗？

Amodei：他们能做到的事情之一，就是告诉我们他们能以多快的速度跟上。这可能成为设定技术"速度限制"的因素之一。我们必须理解它，外部评估者也必须理解它。

主持人：埃隆·马斯克说他支持你，Sam Altman也说他支持你。你们有没有什么具体的行动计划？有没有一个群聊即将成形？

Amodei：首先，我非常感激其他行业领袖——包括我们的竞争对手——对这一计划表达了支持。我认为下一步是让多个行业参与方也同意引入第三方评估机构。再下一步，是各公司需要以某种形式协作，共同制定安全标准，以及可能涉及发布节奏的相关规范。但要做到这一点，政府必须参与其中，因为我们谈论的是基于安全考量的产品发布速度问题。我们需要在政府在场的情况下进行这场对话。

主持人：你认为政府从根本上理解这里的可能性吗？前Anthropic员工Jacob Coxin曾说，Anthropic和OpenAI都没有负责任地行事——你们是在拿我们的生命赌博。你怎么回应？

Amodei：首先，Jacob说的话中有一点没有被那么多人引用——他也表示，他认为Anthropic是主要参与者中最负责任的，并且我们正在非常努力地把事情做对。

他坦诚指出的，其实和我指出的是同一件事——我们所有人都身处其中的结构性困境，而我提出的计划正是为了帮助我们共同应对、协力解决这一困境。

关于政府，我们每天都在与政府官员沟通——商务部、财政部、情报界——向他们尽可能地分享我们所了解的情况。我乐观地认为，只要我们继续与他们合作，就能持续更新信息。我相信他们真心想把这件事做对，他们也在寻找自己能帮上忙的方式。所以我对企业与政府合作、共同制定合理方案持乐观态度。

主持人：目前有一些拟议中的立法。桑德斯参议员和卡萨尔众议员提出了《禁止人工超级智能法案》，该法案将对开发先进AI的企业和个人实施惩罚，就像对非法开发核武器一样。这项拟议立法的部分条款规定，企业将面临"死刑"式处罚，个人将面临不超过20年的监禁。你是否支持这一法案？

Amodei：我想说的是，目前被提出的立法范围极其广泛，跨度之大令人难以置信。

如果我们回到一年前的2025年，加州有一项名为SB53的法案，其他州也有类似法案，内容基本上只是要求公司披露自己的安全测试计划。整个行业都反对它。Anthropic是唯一一家明确表态支持的公司。

而另一个极端，则是"AI一键关闭"法案。

主持人：对，彻底禁止一切。所以AI终止开关可能是个好主意？

Amodei： AI终止开关可能是个好主意。但我认为彻底禁止并不是正确的做法。

第一，我们永远无法获得那些令人难以置信的收益、永远无法得到医学上的治愈成果——这让我无法接受。第二，这项技术将在其他国家被开发，包括威权国家。

当然，我在文章中也提到了与他们合作的必要性，我认为在某种程度上我们需要这样做。但我实在看不出"永远不开发这项技术"能是一个稳定的解决方案。我们需要做的不是停止，而是放慢速度。这与Anthropic自创立以来的一贯理念一致——我们始终在努力寻求平衡。我们认为成为这项技术的构建者很重要，但我们需要创造一场"向上竞争"，需要提高标准。我们需要站在技术前沿，但要以正确的方式去做。

我们也曾表示，我们愿意将模型用于国防应用，但不是所有国防应用。我们一直在寻找中间道路——对所有人都有效的方案、合理的解决办法。这也正是我们在这里努力的方向。它可能不是完美的解决方案，但我们在努力。

主持人：你是否支持国会议员Ted Leo的"AI终止开关"法案？

Amodei：我没有仔细研究过那个法案，但我想说的是——这不是万能药，不是唯一的手段。但"我们需要某种方式来去激活、限制或关闭AI模型"这个理念本身，我是认可的。

只是，这不是唯一的手段。如果一个AI模型足够强大，它可以绕过关闭它的尝试——我们在模拟中已经看到了这一点，所以它可能根本不起作用。

我们从"纵深防御"的角度来思考这个问题。安全界有一个概念叫"瑞士奶酪模型"——想象一片瑞士奶酪，它能阻挡一些东西，但上面有洞。但如果我把五片瑞士奶酪叠在一起，不同层的洞位于不同位置，就很难穿透整叠奶酪。

所以我认为，没有任何一件事能保护我们免受AI风险。我们必须在整个技术栈的每一个层面都保持谨慎。没有任何一道防线是完美的，但如果我们处处谨慎——而这正是留出更多时间所能让我们做到的——那么我认为事情可以朝好的方向发展。

主持人：这能产生足够大的影响，以阻止人类的终结吗？

Amodei：对于第一个策略，我们能争取多少时间就争取多少。与此同时，我认为我们还应该推进第二个策略——直接与威权国家对话，说："看，这里存在一些对我们所有人都构成威胁的潜在风险。不仅仅是失控的AI。就在两天前，我们发布的报告显示，有人试图利用AI进行生物恐怖主义——增强病毒的传染性。这令人恐惧。"

我们应该对话，看看能否共同为这项技术的发展速度设定限制。这有点像……尽管我们与其他政府体制之间存在诸多差异，但回想美国与苏联当年的处境：双方各有一万枚核弹头指向对方，即便存在如此大的分歧，我们也认识到这太多了，我们需要通过谈判来降低潜在破坏的规模。

主持人：这就是我们应该用来思考AI的框架吗？以冷战为参照模型？

Amodei：我没有说要以冷战为模型，我说的是发生过的裁军谈判。是的，像军备控制这样的裁军谈判——我确实认为这是在地缘政治层面思考这个问题的恰当视角。

如果我们看看AI模型在网络等领域能做什么，它们显然具有地缘政治和国家安全意义。

主持人：但你在向总统提建议。

Amodei：如果有人问我他们应该怎么做，我很乐意分享。我在那篇文章中有一些想法，如果有人问，我可以说得更多。归根结底，这是政府间的事务。但是的，我可以告诉你我的想法：我认为我们应该共同努力，尽可能地对这项技术加以约束。我们的希望应该定得高，但预期应该保持现实。我们要看看能在多大程度上达成共识。

而在谈判中，我认为我们应该特别关注的是如何建立核查机制——这在核武器谈判、生物武器谈判中都至关重要：你需要能够核实对方没有违背协议。所以我认为，找到核查方式将是这里最重要的事情。

Amodei：更长远的事情，则是共同为AI进步的速度设定限制。我认为这将非常困难，因为抢先一步所带来的激励和军事优势实在太大了。坦白说，我不知道这是否可行，但我们应该尝试，看看是否有可能。这一切都超出了我的职权范围，我只是在说这些是我们的政府可以尝试的方向，是他们可以纳入考量的一些因素。

主持人：当我们把视野拉远来看这个问题，人类的命运似乎岌岌可危。对于我们正在走向的未来，你个人感受到多少责任感？

Amodei：我的看法是——这项技术由一家私人公司来构建，这一直是件非常奇怪的事情。人们经常问我：为什么不是由政府来构建？最奇怪的是，我同意他们的看法。我自己也感到不安。

主持人：你愿意将这项技术移交给政府吗？

Amodei：移交给合适的政府组合——我担心的是，一个单一政府滥用这项技术的可能性，与一个单一公司一样大。但对于一组民主选举的政府，也许不是直接移交，而是某种形式的监督、某种联合治理。

主持人：那么最后再问一个问题——你是否感受到个人责任？

Amodei：当然。我感到这是一项既有巨大收益、又有巨大风险的技术。我每天都能感受到收益的重要性。我在文章中提到过，我的父亲死于丙型肝炎，那种疾病在他去世时大约有40%的治愈率，而他不在那幸运的40%之内。就在他去世几年后，一种能将治愈率提高到95%的药物被发明出来。我自己也经历过一次早期癌症，如果我生活在1950年，那很可能是致命的。所以我能感受到推动这项技术造福人类的重量。

我同样感受到风险。我每天醒来，都会读到这样的威胁报告——有人试图使用我们的模型来制造生物武器。我当然不想为此负责。这也是我们为什么建立了非常强大的安全防护措施的原因。几乎每天都有人在社交媒体上嘲笑我们，说我们模型的生物学安全防护太严格了，生物学专业的学生抱怨无法正常使用模型，甚至编段子嘲讽我们。但这背后的原因，正是我们有着严格的安全防护。我宁愿被他们嘲笑，也不愿某一天醒来发现有人用我们的模型Claude杀害了一群人。我不想那样。

所以我感受到两个方面的责任。但我要再次重申同一个观点：这不应该只是我一个人的责任，不应该只是Anthropic的责任，不应该只是所有AI公司共同的责任，甚至不应该只是某一个政府的责任。

这件事比我们所有人都大，我们需要想出某种办法，让每个人都在其中拥有话语权，让每个人都感觉自己是这件事的积极参与者。我不希望人们感到无能为力，不希望他们觉得几家公司只是在随心所欲地为所欲为。我知道人们是这样感受的，但这从来不是我想要的。我们需要改变这种状况，我们需要找到办法让它不再是事实。我们已经在尽力朝这个方向努力，但我们需要做得更多。而这份展示了一定自我约束、与政府协作的提案，并不能解决所有问题，但它是朝这个方向迈出的一步。

主持人：如果你是一个坐在家里使用Claude或ChatGPT的普通人——比如说，我的某位阿姨——你想对她说什么？

Amodei：我的信息是：现在有很多恐惧。

首先，这确实是一项伟大的技术，有着许多积极的用途。先从这里说起——我们每周都有数亿人使用我们的技术去做很棒的事情。每周我都会收到有人写来的电子邮件，说他们和Claude交谈，Claude诊断出了他们的医生遗漏的疾病。我每周都会收到这样的邮件。所以我们不要忘记这一面。

但谈到这项技术的风险——我不会对你撒谎，风险是真实存在的。我认为这个行业在太长的时间里向人们掩盖了这项技术具有风险这一事实，他们倾向于把它呈现得尽可能正面。我们从来没有这样做，但太多的行业同行这样做了。所以，一切从诚实开始。而诚实就是：风险是真实的。

但同时，你对于如何应对这些风险是有话语权的。我们正在尽力与政府合作，为这项技术建立适当的监督机制，让选民和民选官员对这项技术的部署方式有发言权。我们希望与各方尽可能多地合作。

我希望每个人都能感受到这项技术令人难以置信的收益，同时也能通过自己的声音和选票，对这项技术的部署方式产生影响。这不是少数几个人的决定。这是所有人共同的决定。但这确实是一个重要的决定——我不会谎称风险不高。这是人类历史上最具里程碑意义的技术事件之一，我们每个人都必须参与其中。

风险提示及免责条款

Anthropic CEO警告：AI发展太快了，现在必须减速

张硕 — Mon, 14 Sep 2026 01:32:23 GMT

Anthropic首席执行官Dario Amodei警告：AI发展太快，已到指数曲线拐点，模型失控与滥用事件是警示。
他不主张恐慌或关停，但强调必须减速、谨慎构建，让保障能力跟上技术速度；不停止发布先进模型，而是确保每代模型足够安全。

A股三大指数集体低开

Mon, 14 Sep 2026 01:25:39 GMT

上证指数跌0.54%，深证成指跌1.03%，创业板指跌1.29%。

风险提示及免责条款

AI开发放缓叠加油价飙升，日韩芯片股首当其冲，SK海力士跌超5%、软银暴跌11%

Mon, 14 Sep 2026 01:21:26 GMT

AI巨头联手呼吁放慢前沿模型开发节奏，叠加油价飙升重燃通胀忧虑，亚洲股市周一承压低开。

韩国首尔综指跌逾3%，SK海力士跌超5%，三星电子跌超3%，作为AI热潮"铲与锹"的韩日芯片股首当其冲。

日经225指数低开0.6%，随后后跌幅扩大至2%，软银股价重挫11%。

与此同时，布伦特原油涨超3%至每桶107.99美元，沙特关闭关键输油管道叠加阿曼推迟原定14日与伊朗等国会议消息令能源市场骤然升温，进一步加剧市场对通胀前景的担忧。

纳斯达克100指数期货跌逾1%，标普500指数期货跌0.6%。本周市场面临多重考验：美联储将于周三公布利率决议，互换市场目前定价显示加息概率逾90%；英国和日本央行亦将相继发布政策决定，三大央行决议或重塑2026年余下时间乃至更长期的全球货币政策格局。

AI巨头联手呼吁放缓，芯片股承压

周六，Anthropic首席执行官Dario Amodei发文表示，公司将引入独立第三方评估等额外安全保障措施，并呼吁整个行业主动放缓最先进模型的开发节奏。OpenAI首席执行官Sam Altman随即公开背书，xAI的埃隆·马斯克亦表态称"Dario说得对"。

三大AI头部机构的罕见共声，令市场对这一驱动今年股市上涨的核心板块产生疑虑。AT Global Markets驻悉尼首席市场分析师Nick Twidale表示："随着投资者评估顶级AI公司重大战略转变对估值的影响，本周开局可能颇为动荡。预计为这些大型AI公司提供供应链支持的亚洲大型科技企业将率先受到冲击。"

不过，部分市场人士认为此次冲击更多停留在情绪层面。摩根大通资产管理全球市场策略师Kerry Craig表示："在开发放缓的必要性真正转化为资本支出指引下调或模型发布推迟之前，这更可能是情绪驱动因素，而非估值或盈利驱动因素。"

在企业动态方面，据知情人士透露，Anthropic已选定纳斯达克作为其潜在创纪录IPO的上市地点。Sam Altman则表示，OpenAI今年不会推进IPO计划，理由是公司当前专注于应对AI安全相关问题。

油价飙升重燃通胀忧虑，美联储加息预期升温

能源市场的突发变局令市场雪上加霜。沙特阿拉伯在无人机袭击后关闭一条关键输油管道，伊朗与海湾国家原定会议亦宣告推迟，布伦特原油涨2.8%至每桶107.55美元，美国西德克萨斯中质原油涨2.5%至每桶102.51美元，油价重返百美元上方。

油价飙升与上周五公布的美国通胀数据形成共振。美国劳工统计局数据显示，8月份剔除食品和能源的核心CPI环比上涨0.3%，同比上涨2.4%；整体CPI环比上涨0.4%，同比上涨3.4%，均高于预期。

通胀数据推动美债收益率走高，两年期美债收益率上周五上涨4个基点，10年期收益率逼近5%关键关口，目前报4.95%。互换市场定价显示，美联储周三加息概率已超过90%。

Westpac Banking Corp金融市场策略主管Martin Whetton表示："9月FOMC会议加息预期已非常明确，定价概率达90%。周五CPI数据公布后，美债收益率普遍走高，今日亚洲固定收益市场将继续受此主导。"

分析人士指出，油价重返百美元以上叠加中东局势再度升温，令全球通胀压力难以缓解，政策制定者期待的喘息空间愈发渺茫，这也将使借贷成本在更长时间内维持高位。

风险提示及免责条款

AI巨头们突然发现：最强模型，不发布反而更值钱

万周 — Mon, 14 Sep 2026 01:19:21 GMT

过去两年，大模型公司的竞争规则几乎只有一个：更快训练、更快发布、更快刷新能力上限。但Dario Amodei提出“放慢前沿”后，Sam Altman和Elon Musk迅速表达支持，一个更值得财经市场关注的问题开始浮现：如果最强模型继续留在实验室，成熟一代再推向市场，AI巨头可能不仅更安全，也会拥有更长的产品周期、更好的价格纪律和更高的资本回报率。

一、发生了什么？——AI巨头第一次认真讨论“慢一点”

1. 从泛泛谈安全，走向讨论“共同减速”：

过去两年，大模型行业几乎没有真正意义上的产品周期管理。OpenAI、Anthropic、Google DeepMind、xAI之间的竞争，使行业形成了一种极具攻击性的节奏：模型能力只要取得突破，就应该尽快向市场开放，否则短暂领先很可能迅速被竞争对手夺走，用户、开发者和资本市场的注意力也会随之迁移。

Dario Amodei最新发表的《We Must Pace the Frontier》第一次试图挑战这种默认规则。他提出的核心并不是停止AI研发，而是让前沿能力的进步速度慢到足以让安全研究和治理机制跟得上。具体路径包括引入能够深入企业内部的独立评估人员、让主要AI实验室形成共同的安全标准，并进一步寻求跨国协调。

更重要的是，这篇文章并没有停留在Anthropic一家公司的立场上，Sam Altman随后公开表示认同“pace the frontier”的方向，Elon Musk也迅速表达支持，几家长期处于激烈竞争状态的头部企业第一次在“前沿能力是否需要共同放慢”上出现明显靠拢。

这使问题开始从“AI是否危险”转向一个更具有商业意味的问题：最先进的模型，是否仍然应该在完成训练后第一时间成为商业产品？

2. “最强模型”已经开始与“最新产品”分离：

这个问题之所以值得认真讨论，是因为头部实验室内部已经出现一个过去并不明显的新现象：研发前沿与产品前沿正在分离。OpenAI近期披露的研究工作表明，公司内部使用的研究模型可以明显强于已经公开的主力模型；与此同时，行业内也越来越多地出现“内部研究原型”、“受限访问模型”、“公开商业模型”并存的结构。

……

智谱提前剧透GLM-6.0：完全自训练方法公开了

量子位 — Mon, 14 Sep 2026 01:18:46 GMT

上市不到九个月，智谱一口气再融335亿元。

智谱在港交所发布公告：配售新H股加发行201.4亿元人民币零息可转债，合计预计净募约393亿港元。

6成资金指向同一个目标，递归式自我改进（Recursive Self-Improvement，RSI），

但在智谱这里有一个新名字，“完全自训练”。

在8月底的半年报业绩沟通会上，唐杰就曾回应“只会后训练”质疑，透露过下一代GLM-6.0瞄准自进化。

现在模型、论文都还没出，没想到先从财务公告上剧透了。

智谱的完全自训练

300多亿元要怎么花，公告给出了明确的分配方案。

约60%的所得款项净额（约235亿港元）将投入下一代GLM基础模型和“完全自训练”体系的研发，以及大规模训练、推理和算力基础设施的部署与升级。

“完全自训练”（Fully Self Training）是智谱对RSI的具体技术表述，公告释义部分给出了定义：

下一代GLM模型将在上一代GLM所搭建的环境里训练，形成递归式自我改进（Recursive Self-Improvement）闭环，涵盖数据自产、环境自造、基础设施自我优化三个维度。

数据自产，不再完全依赖人类标注。

通过模型间自我对弈、规则校验、执行验证、模型评审和人工抽检等方式，自动生成、筛选和积累高质量训练数据，持续回流到预训练、中训练和后训练各阶段。

环境自造，让智能体去采集和转化真实世界的任务。

智能体自己试做、自己生成验证器、自己检查任务是否可解，不断扩充训练环境的数量、类型和复杂度。要让任务环境成为“可规模化生产及复用的训练资源”。

基础设施自我优化，模型已经会写代码了，那就让它帮忙优化自己赖以运行的训练和推理系统。

利用模型在编码和系统工程方面的能力，协助开发和优化训练及推理系统的算子、内核、调度、缓存和服务栈，使模型能够逐步参与支撑其自身迭代的基础设施升级。

闭环之外，下一代模型本身的能力方向也在公告中提及。

智谱下一步要做的事情包括提升基础模型的有效规模和原生多模态统一建模能力，在不过度增加推理成本的前提下加深有效计算深度，让模型能跑更长链条的推理、规划和自我校验。

长程任务强化学习是另一个重点，目标是建设贴近真实专业工作的任务环境，训练模型去拆解任务、调用工具、和环境交互、从错误中恢复、验证最终结果。

算力方面，智谱在公告中提到，当前市场上“优质算力资源的供给及交付条件较为有利”，将综合推进算力资源的采购与租赁，投入芯片适配、算子开发、集群互联和性能调优，建立来源多元且可灵活调配的算力供给体系。

自研推理引擎和服务栈同样在投入清单之列，覆盖多模态编码、提示词预填充、逐Token解码、量化、缓存、通信及弹性扩缩容等环节，目标是在同等硬件条件下提升推理吞吐和成本效率。

剩余资金中，约15%（约59亿港元）用于业务拓展、战略投资和潜在并购。

公告列出了投资标的的筛选标准：业务与AI技术及应用密切相关、拥有可靠的用户或客户群且稳定经营不少于两年、具备成熟的产品或技术平台并有持续研发和技术迭代能力，涵盖大模型、智能算法、算力运营、算力基础设施、AI平台、智能体及AI赋能应用等方向。

业务层面将支持MaaS平台、API、Coding Plan以及Agent和Co-work相关产品与服务的市场拓展。约25%（约98亿港元）用于优化资本结构和补充运营资金。

全部所得款项预计将在2028年6月30日前悉数动用。

上市八个月，三轮融资

回看智谱在港股的融资时间线。

2026年1月8日，智谱以每股116.20港元的价格完成H股全球发售，包含超额配股权在内共发行约4,304万股H股，净募约48.96亿港元。截至2026年8月31日，这笔IPO所得款项已全部花完。

仅隔半年，2026年7月9日，智谱以每股1,588港元的价格完成首次配售，发行1,978万股新H股，净募约313.75亿港元。从IPO定价116.20港元到首次配售定价1,588港元，间隔6个月，每股价格翻了约13.7倍。截至8月底，首次配售所得款项已动用约34.92%（约109.55亿港元），仍有约204.2亿港元尚未使用。

然后就是9月12日这一次。H股收盘价已从高位回落至793港元，配售价从7月的1588港元降至714港元。

公告解释称，随着公司业务进展加快，“原有募资计划下的资金使用节奏相应提速”，而“算力资源从签约到部署上线需要一定周期”，现阶段完成融资安排有助于使新增算力部署节奏与扩张计划相衔接。

三轮融资合计，智谱上市后已累计净募约755亿港元（约646亿元人民币）。

公告中还有一处细节透露了智谱的A+H计划，可转债条款明确提到“不会因本公司目前预期将于上海证券交易所科创板上市的股份的首次公开发行”而对换股价作出调整。

本文来源：量子位

风险提示及免责条款

碳酸锂价格大跌，最值得关注的变量是什么？

Mr蒋静的资本圈 — Mon, 14 Sep 2026 00:29:11 GMT

碳酸锂，再起波澜。

9月11日，碳酸锂期货价格大跌，一度下跌近10%，跌破13万元/吨，创2月6日以来新低，较5月初高点20万元/吨，下跌超过35%。

短期大跌，是多重消息的集中反映，包括锂电新增产能受限的传闻、统计口径调整导致库存增加、个别储能电池厂商排产下调，等等。

也不乏远期担忧的情绪释放。

碳酸锂价格受供给和需求的双重影响，由于供给端缺少弹性，而需求及预期的弹性较大，来自需求端的影响更加明显，这也体现在前期碳酸锂价格的大幅上涨。

后续趋势如何，关键变量更值得关注。

01 国内独立储能是关键

这一轮锂电景气周期，主要受益于储能电池的“需求井喷”，既有国内大储，也有海外大储，还有海外家储，全面开花，而国内独立储能又是关键因素。

为此，本公众号在2025年9月《第四轮锂电周期，骤然而至！》中，首次提出“第四轮锂电周期”的概念。

2025年9月以来，由于这一轮储能需求突然爆发，而供给改善缺少弹性，导致供需格局短暂失衡，一度造成“一芯难求”的行业盛况，碳酸锂价格也“水涨船高”。

到2026年5月初，一度攀升至20万元/吨。

这一轮锂电周期，既然始于储能，未来走向何处，终将由储能尤其是国内独立储能的走向决定。

成于斯，终于斯。

前期，由于碳酸锂价格高企，使得国内独立储能IRR面临算不过账的风险，导致部分项目开始观望，锂电供需进入深度“博弈”，具体见本公众号5月21日《东升西落，碳酸锂价格“反噬”储能行业嚣张气焰！》。

事实也是如此，5月至今碳酸锂价格下跌超过35%。

根据CNESA DataLink全球储能数据库的不完全统计，2026年上半年，国内新型储能新增装机58.60GWh，同比下降16%。

不过，2026下半年，国内新型储能有望迎来新一轮“抢装潮”，装机规模预期乐观。但是，由于2025年下半年同样有一波“抢装”，在高基数背景下，同比增长率预计难以超预期。

更重要的是，过去一年国内新型储能“大干快上”，到2026年底，累计装机预计达到200GW，有望提前完成2027年底累计装机180GW的规划目标。

此外，去年开始大规模建设的独立储能项目陆续并网运行，供给增加冲击项目收益，加之个别项目质量不佳，一旦部分独立储能项目收益不达预期，将对后续独立储能投资可能造成负面影响，而这种情况已有苗头。

这就意味着，进入2027年，无论从新型储能的“饱和度”，还是从政策目标达成率，亦或项目收益信心来看，国内独立储能都面临一定的挑战。

这构成了当下碳酸锂价格的最大担忧。

02 海外储能的不确定性

海外储能，能否扛起未来增长的大旗？

根据中国汽车动力电池产业创新联盟数据，2026年上半年，我国动力和储能电池累计出口181.3GWh，同比增长42.5%，其中动力电池累计出口122.7GWh，占总出口量67.7%，同比增长50.3%；储能电池累计出口58.6GWh，占总出口量32.3%，同比增长28.5%。

海外市场，已经占储能电池半壁江山。

目前，储能电池出口主要是海外大储、海外工商储和海外家储，大储同样是体量上的重要组成，单个项目规模也是越来越大。

今年5月，阳光电源签约阿联酋7.5GWh大型储能项目；近日，国轩高科也拿下沙特6GWh大型储能订单。

海外市场由于电力设施不完善，电力供应不足，在风电及光伏装机持续渗透的背景下，储能需求将是持续的，只是增速受到区域政策、贸易壁垒及地缘因素的冲击，存在波动性和不确定性。

这种波动性也体现在国内储能企业的业绩上，以海外储能市场为主的阳光电源，2026年上半年储能系统业务实现收入154亿元，对比去年同期的178亿元，同比减少13%。

值得关注的是，2026年上半年受中东局势影响，海外储能迎来一波需求刺激，但这个因素正在减弱，而较高的基数，也可能对明年的同比增长造成负面影响。

海外市场或有惊喜，也偶有意外。

03 储能是否还有更好预期？

碳酸锂价格一路胶着，博弈剧烈。

一方面，2026年下半年在“抢装潮”的支撑下，短期需求明确，这是碳酸锂价格的底气。

另一方面，2027年储能需求面临国内独立储能及海外储能的双重不确定性预期，后续增长何去何从，始终存在分歧。

短期现实与长期预期，构成了非共识的主要来源。

碳酸锂价格由边际供给与边际需求共同决定，恼人之处在于，供给缺少弹性，但需求及预期弹性较大，这就导致碳酸锂价格表现活跃，期货工具更是加剧了这个波动。

当下的碳酸锂价格，更多是关心，是否还有更好或者更差的预期发生？尤其是增速敏感的储能，其中关键又是国内独立储能，拭目以待。

本文来源：Mr蒋静的资本圈

风险提示及免责条款

一片“连续加息”声中，特朗普要求美联储降息：美国应拥有全球最低利率

Mon, 14 Sep 2026 00:27:16 GMT

在通胀超预期、市场押注加息之际，特朗普仍坚持向美联储施压，要求降低借贷成本。

特朗普9月13日周日在爱尔兰出席爱尔兰公开赛期间对记者表示：“美国如此强大，我们应该支付全球最低的利率，不管他们的公式怎么算。”

这番表态发生在一个敏感时间节点：就在两天前，美国8月CPI数据公布，涨幅超出预期。据彭博报道，市场随即大幅上调对美联储加息的预期——9月加息概率升至86%，年内预计加息两次。

当被问及是否预期美联储在下周会议上加息时，特朗普回答：“我不知道。”

特朗普的施压不止于言辞。9月初，特朗普放出风声，称若美联储不降息，将考虑切断与存在贸易逆差的经济体的贸易往来。周日，当记者追问他是否真会兑现这一威胁时，他明确表示：“会的，我会对某些国家这样做。”“这将在一段时间内逐步推进。”

特朗普同日还说：“我比任何人都更懂公式。凭借全球最好的信用，我们却在让其他国家变富。我们可以在两分钟内关掉这个开关。”

沃什承压，加息预期升温

美联储主席沃什目前面临日益强烈的加息压力。

8月CPI数据超预期，被市场普遍解读为推动美联储三年来首次加息的信号。沃什接任美联储主席后，虽未像前任鲍威尔那样频繁遭到特朗普公开抨击，但特朗普近几周已明显流露出对美联储政策立场的不满。

特朗普曾多次批评鲍威尔不愿更积极地降低借贷成本。对于沃什，他则暗示，后者的手脚可能被他所称的“非常政治化”的联储理事会所束缚。

多重压力夹击美联储

美联储当前面临的宏观环境颇为复杂。

美伊战争已进入第七个月，能源价格持续走高。与此同时，特朗普的关税政策也在持续推升通胀压力，令美联储在实现通胀目标的路径上更加棘手。

在政治层面，选民对特朗普在战争和经济问题上的处理给出了较低评分。生活成本上涨——涵盖能源、住房、医疗和食品杂货——已成为选民在11月中期选举前最关注的议题之一。共和党对国会的控制权面临威胁。

风险提示及免责条款

不仅模型被超越 OpenAI连AI叙事的高地也丢了

Mon, 14 Sep 2026 00:18:26 GMT

周六，Anthropic 首席执行官达里奥·阿莫迪（Dario Amodei）在个人网站发了一篇近4000 字的长文，标题是《We Must Pace the Frontier》（为前沿设定节奏）。核心主张一句话：“我们必须放慢提升 AI 模型能力的速度。”

几小时内，马斯克在X上只回了三个字——“阿莫迪说得对”（原文：Dario is right）；OpenAI 的CEO山姆·奥特曼随后发帖表示“我同意阿莫迪的观点，我们需要为前沿设定节奏”，并承诺 OpenAI 也将引入拥有员工级权限的独立评估者。几乎同时，奥特曼向《财富》表示：OpenAI 今年不会推进 IPO，理由是“当前安全形势下，现在上市不明智”。

三家最有价值的AI公司，在一个周末内罕见同框：我们要慢下来。

消息传出后，在周末美股休市的空窗期里，加密衍生品市场率先反应。Hyperliquid 上追踪两家公司预期估值的上市前永续合约应声下跌——OpenAI 合约 24 小时内重挫约 13.4%，Anthropic 跌约 4.6%；抛压沿算力链蔓延，SK 海力士跌约 4.4%，英伟达跌约 2%。

看起来，这是一次行业觉醒——三个最激进的竞争者握手言和，把安全放在了增长前面。

但有一件事不对：就在喊降速的同一阶段，Anthropic 正以最快速度冲刺公开市场，公开招股书预计9月底落地，路演最早 10月中旬，估值预期1.25万亿到2万亿美元——如果完成，这将是史上最大科技IPO之一。

一边呼吁全行业放慢，一边自己冲刺上市；而另一边，OpenAI 宣布年内不上市。

同一个“降速”，一家踩了油门，一家踩了刹车。为什么？

阿曼推迟原定14日与伊朗等国会议美国警告：不要指望霍尔木兹取得突破

Mon, 14 Sep 2026 00:09:56 GMT

围绕霍尔木兹海峡通航问题的外交努力遭遇重大挫折，能源市场随即作出强烈反应。

据新华社报道，阿曼外交大臣巴德尔13日宣布，原定14日在阿曼南部城市塞拉莱举行的地区会议已推迟，理由是各方仍需寻求共识。伊朗外交部发言人巴加埃此前表示，伊朗和阿曼原计划在该会议上向海湾国家通报两国有关霍尔木兹海峡通航问题的磋商结果。

与此同时，美国能源部长克里斯·赖特在维也纳明确向市场泼冷水。他周日表示，"指望目前能够与伊朗达成一项双方同意的协议，显然并非明智之举"，并警告石油交易员不要对霍尔木兹海峡问题取得突破抱有期待。

会议推迟的消息叠加沙特输油管道关闭，布伦特原油期货与WTI原油期货日内涨幅均超过3美元，欧洲天然气期货价格亦上涨3.8%。

沙特提出修正案，海合会内部存在分歧

据媒体报道，一位海湾国家官员在X平台发帖称，沙特阿拉伯已就阿曼和伊朗提出的霍尔木兹海峡方案提交修正案。沙特担心该提案中的措辞可能实际上会在霍尔木兹海峡建立一种新的现状，而这种现状是沙特或其他海合会成员国都无法接受的。

这一分歧直接揭示了此次会议推迟的深层原因。尽管伊朗与阿曼之间已完成密集磋商，德黑兰与阿布扎比高级官员之间也举行了罕见会晤，但海湾国家内部对于协议框架的具体措辞尚未形成一致立场。阿曼外交大臣巴德尔表示，阿曼将继续致力于促进对话，为地区稳定与持久合作提供支持。

美国能源部长：市场勿对突破抱有幻想

赖特在维也纳出席国际原子能机构年度大会期间发表上述表态。他表示，在霍尔木兹海峡通道受阻的背景下，市场仍需依赖替代运输方案，据其估计，这些替代方案目前每天仍可输送1000万桶原油和石油产品。

赖特同时指出，“目前全球石油市场的供应比我们希望的情况更紧张，但并没有过度紧张。”他还就伊朗核问题发出强硬信号，称德黑兰的核计划"无论如何"都将结束。

能源市场应声走强

会议推迟消息落地后，能源市场迅速作出反应。布伦特原油期货与WTI原油期货日内涨幅均超过3美元，欧洲天然气期货价格上涨3.8%，沙特输油管道关闭亦对市场情绪构成额外压力。

赖特的表态进一步强化了市场对霍尔木兹海峡短期内难以恢复正常通航的预期。在替代运输方案承压、外交谈判前景不明的双重背景下，能源供应紧张的担忧料将持续支撑油价。

风险提示及免责条款

FOMC前瞻——仅9月加息已不足以平息公信力危机

华泰睿思 — Mon, 14 Sep 2026 00:02:35 GMT

北京时间9月17日（周四）凌晨美联储将公布9月议息会议决定，考虑到近期美国基本面偏强、中东局势反复、美债长端风险仍存，我们认为联储的公信力较难承受9月不加息的“打击”，9月加息已是联储“必选项”。更为重要的是，近期市场对联储加息的连续性与整体幅度的定价已明显上升，从基本面与风险溢价的框架来看，我们认为联储可能需要在今明两年累计加息3次。因此，9月加息落地可能只是阶段性平稳，考虑到沃什大概率拒绝给出前瞻指引，9月FOMC后市场仍会反复测试联储公信力。若后续联储并未给出继续加息指引，甚至出现9月不加息的尾部风险，则可能导致美债期限溢价再度回升，“反法币”交易快速升温，以及美股明显承压。

联储公信力较难承受9月不加息的“打击”，9月加息已是联储“必选项”。沃什就任以来联储公信力经历6月FOMC会议强化、7月FOMC会议折损、8月Jackson Hole央行年会修复，这不仅消耗了市场的“耐心”，也将联储推到了似乎不得不兑现“承诺”的境地。具体来说，8月Jackson Hole会议上沃什为弥补其在7月FOMC上的“含糊其辞”，向市场发出明确的鹰派信号。虽然后续理事沃勒以给通胀更多耐心的讲话一度引导市场加息预期更为均衡，但8月非农大超预期、8月CPI与PPI通胀升温，叠加中东冲突持续推高油价，即使数据有可待商榷的余地（比如8月非农存在异常后回补、8月CPI中住房回升来自波动较大的酒店住宿、8月CPI通讯分项上行来自运营商集中调价的单次扰动），但是联储公信力或难以承受9月不加息的“打击”，预计联储将在9月启动加息。点阵图和经济预测方面，预计联储将上调2026年加息次数，并上调通胀预测。点阵图方面，6月提交预测的委员中，9名委员预计2026年至少加息1次，9名委员预计维持利率不变或者降息，中位数指向小幅加息；预计9月点阵图2026年加息中位数将上调至2次。经济预测方面，考虑到中东冲突持续时间超预期，联储或小幅调整经济预测，下调2026年增长预测，上调2026年通胀预测，失业率预测保持不变或小幅下修。

但即使9月加息，也不足以平息市场对联储公信力的疑虑（和稳定长端美债利率）。市场定价变化推高了联储重塑公信力的成本。目前市场已几乎完全定价9月加息25bp（联邦基金期货市场定价概率接近90%），且定价在明年6月前累计加息3-4次（即把去年的3次预防性降息全部逆转），相较于8月下旬的明年6月前累计加息2次左右，市场定价越来越向连续的加息周期倾斜。本轮长端利率上行背后的结构性矛盾也难以通过单次加息缓和。美国名义增长偏强（名义增速仍高于10年期美债利率）、中东能源冲击、AI企业为代表的私人部门长久期融资的挤压效应、以及美国宏观政策的公信力受损（货币政策反应函数不明、财政纪律弱化、回购“适得其反”）均是本轮美债长端利率上行的推手，特别是财政可持续性和财政干预主义等结构性问题更是难以逆转。而与之相对，考虑到沃什大概率仍拒绝给出前瞻指引，我们认为9月加息落地可能只是阶段性的平稳，仍难完全平息市场对联储公信力的焦虑，也未必足以锚定长端美债利率，后续连续加息能否兑现或仍将阶段性扰动市场。

联储可能需要连续加息，且可能至少需要逆转2025年的三次“预防性”降息；若仅9月加息，则利率水平相对名义增长仍然过低，而联储公信力仍然会被市场反复“测试”。我们在今年5月便提出联储需要加息，且彼时给出的判断是联储需要在明年年中前加息2次，并在7月FOMC会议前进一步强化这一观点。我们认为从基本面和风险溢价的框架来看，联储需要连续加息3次。基本面上，美国经济增长保持偏强态势（上半年名义增长达到6.9%，美股企业盈利指引仍然较高），叠加近期去通胀进程放缓风险上升（美伊局势推高能源价格、油产品库存偏低推高油价焦虑、AI带来的硬件涨价潮向下游的转移越来越显性化），且AI资本开支预期在二季报后有所上调，我们认为联储锚定通胀预期所需的加息次数应有所上调（即高于2次）。风险溢价上，鉴于沃什仍未用“行动”证明其最早提出的鹰派倾向，且7月FOMC的沟通失策与“言行不一”开始令市场对其决策的独立性（是否受到总统施压）产生疑惑，为了在一定程度上修复联储公信力，联储“应该”加息的次数可能在3次左右。也就是说，如果实际加息次数明显低于应该加息的次数，那么联储就会进一步落后曲线，长端利率难以被锚定，联储公信力会进一步受损。

如果联储9月后不给出继续加息的信号，甚至出现9月不加息的尾部风险，那么美债期限溢价可能大幅无序上升，“反法币”交易可能快速升温，而股市短期波动率也将放大。在8月Jackson Hole会议前瞻中我们就曾给出情景分析框架，彼时我们认为联储能够在短期修复公信力或缓解市场担忧的唯一路径就是“Jackson Hole会议鹰派+9月FOMC加息”。但正如上文分析，无论是基本面近期的边际变化、中东局势的烈度变化还是结构性问题的显性化（如美国财政），均指向联储重建公信力所需加息的连续性与幅度均有所上升。因此，如果联储不能在9月给出后续加息指引，甚至在9月会议上按兵不动，那么长端美债利率的无序上行或将再度重演，导致“反法币”交易快速升温，带动美元走弱、黄金上涨。对于股市来说，长端利率的上行影响会带来分母-估值端压力（而分子短期难以明显上修）。若利率相对有序地逐步上行，市场可能更多是定价基本面好转带来的中性利率水平上升，压力仍有缓和余地。但若市场定价联储公信力受损或者政策路径存在不确定性，长端利率无序波动，对美国股市的压力或将更大。

本文来源：华泰睿思

风险提示及免责条款

美联储有连续加息的基础吗？

国联民生证券林彦、武朔 — Sun, 13 Sep 2026 23:59:43 GMT

杰克逊霍尔年会落幕后，全球市场进入一个政策预期与资产定价高度博弈的阶段。首先联储似乎对加息“跃跃欲试”，而且经济数据也开始恰逢其时的“走强”，为美联储政策转向提供了现实土壤——就业市场一改前期偏弱态势，8月新增非农高达16.2万人，核心通胀环比也突破市场的心理阈值0.25%。因此，联储“顺水推舟”加息似乎已经是“板上钉钉”的事情，通胀数据落地后，CME利率期货定价显示9月加息概率一度上行至约90%。

但资产价格并未持续走弱，反而把“坏消息”当做“好消息”：市场在短期消化利空冲击后迅速反弹，黄金一度上探4400点，美股三大指数集体冲高。我们理解，这一行为的核心在于，市场已充分定价了单次加息的影响。对市场而言，单次加息并非新增风险，而是不确定性落地的过程；利空兑现之后，压制因素反而随之解除。

当前，美国经济处于一种“可以加息、也可以不加息”的“量子叠加”状态。按历史惯例，相对果敢的美联储班底往往倾向于采取预防式加息：先发制人地管理通胀预期，这有望向市场传递“有担当、够灵活”的信号，但会引发市场波动；反之则可能给市场一个相对更加“behind the curve”、更具免责色彩的观感。

这里会有一个有趣的发现：在履新之初，“新官上任三把火”下，新任美联储主席往往选择前者，但一旦预防式操作出现一次失误或问题，后续政策路径便会逐步向后者切换。这一点可以参考鲍威尔上任初期的持续紧缩政策，及其在公共卫生事件后却将通胀误判为暂时性而延迟收紧政策、由此落后于曲线的转变。

那么接下来，我们现在需要思考的核心问题在于，美国经济究竟能否经得起连续加息？如果答案是否定的，那么9月预防式加息只是将美联储政策“弹药库”里相对不对或者不重要的“子弹”提前打出去。按照这个逻辑，我们不难理解市场为什么将“坏消息”定价为“好消息”，其本质还是因为市场判断美联储不具备持续加息的基础。

任何政策均有其目标与代价：加息的目标在于抑制通胀，代价则在于经济的走弱和就业市场软化。因此，从历史上来看，过热的就业基础是联储持续加息的必要前提，而就业过热具有明确的可观测标准，除了常识上我们公认的非农持续高增和失业率下行以外，还有几个重要标准：

其一，原本不应实现就业的人群获得就业，表现为用工标准放松与劳动参与率上升；

其二，企业主为挽留熟练工人而加薪，表现为时薪尤其是实际薪酬（薪酬减通胀）的持续上行。

就现实情况而言，美国就业读数尚可，但远未达到过热程度（美联储官方也未将当前就业定义为过热）。从近几个月的边际数据看，非农就业虽有所修复，但薪资增速持续回落：8 月时薪同比仅增长3.1%，相较3.4%的CPI同比增速明显跑输，实际薪酬已转入负增长区间；劳动参与率亦自2025年初的62.6%回落至61.6%，劳动力供给持续收缩，与“过热”图景相去甚远。由此，就业约束的收紧程度可见一斑。在此背景下，单次25bp加息的影响相对可控，但若连续加息，则可能对经济增长动能形成持续侵蚀。

除了就业维度之外，持续加息还将显著抬升美债收益率与AI相关融资成本，这一点市场共识其实更强。

就财政层面而言，美债负担已上升为当前亟待解决的核心问题。美国国债总额已超过40万亿美元，年付息支出逾万亿美元；一旦进入持续加息通道，存量债务的滚动再融资与新发债务或将承受更高的利率中枢，付息负担也或将呈加速扩张之势，财政腾挪空间随之收窄，并反向制约货币政策的操作余地。

就产业层面而言，AI参与者正依托大规模债务融资支撑长期资本开支扩张。截至2026Q2，五大云厂商（包括微软、谷歌、META、亚马逊、甲骨文）长期债务高达7000亿美元（较2025年年初几乎翻倍）。强行加息意味着AI科技企业须顶着巨额融资成本推进AI军备竞赛，不仅侵蚀相关企业的现金流与投资回报，亦可能动摇AI产业资本开支的可持续性，使得美国目前的经济增长支柱遭到侵蚀。

综上来看的话，我们不难理解当前的市场定价行为。市场不愿与沃什展开“胆小者游戏”式的对赌（不敢押注9月不加息），但完全能够接受回合制“俄罗斯轮盘赌”式的政策节奏（加息落地之后，不确定性即告出清）。身着“防弹衣”提前定价加息的市场，在承受“第一枪”（单次加息）之后，即可从容面对后续的政策预期。

往更深一层看，所有的降息空间不都是加出来的吗？我们在报告《联储阵营分歧下的加息“胜负手”？》中提示，当前市场计价至2027年底的加息预期约2次，倘若加息在年内逐步兑现，明年货币政策进一步收紧的压力将显著缓解。

同样，从美联储FOMC地方联储投票轮值角度看，今年拥有投票权的洛根、哈马克、卡什卡利、保尔森将全部换届退出投票席位，其中前三者均为立场极强的鹰派委员。而2027年轮值投票主席为古尔斯比、戴利、巴尔金，以及亚特兰大联储新任主席（博斯蒂克卸任，继任人选尚未敲定）。对比2026年这一轮投票委员，上述几位近期表态整体更偏向中立，意味着2027年再度加息的政策门槛或更高。

由此可见，年内加息落地之后，明年货币政策进一步紧缩的空间已相对有限；若届时经济动能再度走弱，降息预期反而有望随之打开。

本文来源：川阅全球宏观

风险提示及免责条款

华尔街见闻早餐FM-Radio | 2026年9月14日

Sun, 13 Sep 2026 23:01:27 GMT

华见早安之声

请各位听众升级为见闻最新版APP，以便成功收听以下音频。

要闻精选

习近平：让新兴技术照亮共同繁荣之路。

智谱以零息+溢价转股形式融资50亿美元，主要用于算力基础设施与模型研发。

美国8月CPI核心环比0.3%超预期，美联储本周加息概率升至近九成。白宫国家经济委员会主任哈塞特：特朗普和我都认为没有理由加息。

美国赤字逼近2万亿，利息账单首破1万亿，长端美债为债务螺旋定价。

报道：延布港库存仅能维持5至7天出口！若沙特遭袭油管持续中断，全球或面临4%原油缺口。也门局势骤然升温，胡塞武装与沙特互相袭击，伊朗：我们与沙特“并不处于战争状态”。

“AI交易”周一要遭暴击？三巨头支持“放缓”、OpenAI推迟IPO引热议。Altman“放话”：OpenAI今年不会IPO，如果AI威胁人类生存，宁愿毁掉IPO。死敌罕见联手，马斯克、Altman支持Dario Amodei“全球放缓AI”呼吁。

谷歌DeepMind，已经破解RSI?谷歌API突现名为「rsi-model-liverl-le」的神秘模型。

本轮AI牛市两大“网红”合并！SemiAnalysis收购Citrini。

市场概述

美国8月CPI核心环比涨幅超预期、美联储9月加息概率升至近九成，但中东局势出现缓和迹象带动国际油价自四个多月高位回落，叠加甲骨文财报强化AI算力需求预期，美股结束连续四个交易日下跌、长端美债表现优于短端。美元指数小幅走低，黄金与比特币小幅反弹，铜价基本持平。

周一亚洲市场盘初，美股期货走低，标普500指数期货跌0.6%，纳斯达克100指数期货跌1%。国际油价走高，WTI原油期货涨逾2%。

美股：标普500涨0.86%报7656.98点，道指涨0.98%报52573.29点，纳指涨0.96%报26333.04点，三大指数终结四连跌；标普11大板块九涨二跌，通信服务涨1.35%、非必需消费涨1.13%领涨，AI服务器链走强、戴尔涨12%创纪录新高；全周标普500累跌0.8%、纳指累跌0.7%，标普预期市盈率降至19倍、为2025年4月以来最低

A股：沪指跌1.18%报3888.11点，深成指跌1.08%报13471.26点，创业板指跌0.49%报3322.04点；沪深两市成交1.97万亿元、较前一交易日放量3248亿元，PCB、元件、MLCC与铜缆高速连接逆势走强，多元金融、工业金属、券商、地产全天低迷

港股：恒生指数跌0.60%报24805.63点，恒生科技指数跌0.23%报4320.57点，三大指数集体五连跌；地产、石化、半导体、有色金属领跌，中际旭创、小米集团、长飞光纤光缆走强

欧股：STOXX 600涨0.49%报639.10点；德国DAX涨0.88%报25553.00点，法国CAC40涨0.78%报8179.77点，英国富时100涨0.39%报10650.44点

日韩：日经225跌1.93%报64011.34点，韩国综合指数跌1.76%报6909.91点

原油：WTI 10月合约跌2.00%报100.44美元，布伦特11月合约跌近3%报104.61美元，双双自四个多月高位回落；全周油价仍累计上涨约9%，中东航运通道遇袭带来的供应中断担忧尚未消退

贵金属：COMEX期金涨0.04%报4408.90美元，COMEX期银涨0.40%报65.19美元；现货黄金涨0.70%报4349.06美元，守住4300美元关口

工业金属：纽约铜期货涨0.01%报6.548美元/磅，与前一交易日基本持平，此前一个交易日曾大跌近5%

美债：10年期收益率上行1个基点报4.97%，2年期上行4个基点报4.63%，30年期基本持平于5.36%；长端明显优于短端，反映市场预计美联储将以加息维护抗通胀公信力

外汇：美元指数跌0.17%报98.90，美元兑日元跌0.5%报153.68，欧元兑美元跌0.1%报1.1596，离岸人民币涨约13点报6.70434

比特币：涨0.3%报77439.13美元，以太币涨3.4%报2545.44美元

要闻详情

中国

习近平出席金砖国家领导人第十八次会晤第一阶段会议并发表重要讲话。习近平强调，牢牢把握主动权，加强人工智能合作，鼓励开源开放、合作共享。欢迎金砖各国积极参与世界人工智能合作组织。中方提出金砖国家人工智能赋能新型工业化倡议，愿同各方共同打造更多研发和应用成果，深化产业链供应链合作。

习近平出席金砖国家领导人第十八次会晤第二阶段会议并发表重要讲话。习近平指出，“大金砖”要有大作为、实现大发展，就必须筑牢务实合作根基。要发挥背靠新兴市场、联结全球南方的优势，坚持开放合作、互利共赢，维护产业链供应链稳定畅通，培育一体化大市场，打造创新孵化器，升级传统产业，发展新兴产业，布局未来产业。

习近平：让新兴技术照亮共同繁荣之路。

智谱以零息+溢价转股形式融资50亿美元，主要用于算力基础设施与模型研发。智谱宣布完成约50亿美元（人民币约335亿元）融资，包括约20亿美元股份配售（配售价714港元，折让约9.96%）及约30亿美元零息可转债（初始转股价892.50港元，溢价约12.55%）。距上次7月配售融资约40亿美元仅两个月，资金主要流向下一代GLM模型研发与算力基础设施。

直击光博会！芯片、光引擎、设备密集上新。从单波200G光通信电芯片、6.4T CPO光引擎，到纳秒级光路交换产品、面向铜材料加工的绿光激光器，多家公司带来了面向下一代光互连及其应用场景的新产品。这些新品尚处于不同阶段：有的已经量产，有的正在送样验证，也有的在等待下游市场启动。产品发布的节奏背后，光通信产业链正在为1.6T、NPO、CPO等技术路线提前准备。

海外

美国8月CPI核心环比0.3%超预期，美联储本周加息概率升至近九成。美国劳工统计局数据显示，8月CPI同比上涨3.4%、符合预期，核心CPI同比上涨2.4%、创五年半来最低水平，但核心环比上涨0.3%、为四个月来最大涨幅，高于市场预估的0.2%。数据公布后，利率互换显示交易员对美联储9月加息25个基点的定价由数据公布前的69%升至89%，市场已完全计入年底前两次加息；机构分歧随之浮现——9月究竟是一次"保险式"加息，还是新一轮加息周期的起点。

- 白宫国家经济委员会主任哈塞特：特朗普和我都认为没有理由加息。特朗普百分之百尊重沃什的独立性。美联储在选举前保持现状很重要。我们将百分之百支持美联储的任何决定。人工智能的风险在于恶意行为者获取更先进的人工智能。

- 高盛也“改口”了：本周美联储会加息！高盛从预测按兵不动到押注9月加息25基点，并表示这次转向并非因为通胀数据有多糟糕——8月CPI虽称不上完美，但也未令人警觉。真正的关键在于：沃什鹰派发言已引导市场预期"若通胀数据不够完美则加息"，美联储若此时退缩，公信力将遭重创，长端利率恐即刻剧烈反应。

- 美联储一旦开启加息周期，“连加3次”是合理预期？BMO预计10月、12月将连续跟进，三次合计加息或抹去2025年全部降息成果；先锋集团认为"连加三次"是合理起点，但实际次数可能高达六次。历史上存在例外：1997年美联储仅加息一次，此后18个月内未再行动。与此同时，AI巨头万亿级债务融资、保险业私人信贷敞口，及10年期美债收益率逼近5%，为本轮加息周期最危险的压力点。

- 美联储会“连续加息”？1980年代末“紧缩周期”会重演吗？花旗报告指出，当前宏观环境与1988-1989年紧缩周期高度相似，当时经济维持韧性、通胀压力逐步积累，随后经济活动放缓，政策才转向宽松。在当年的紧缩周期中，美联储连续加息了16次。

美国赤字逼近2万亿，利息账单首破1万亿，长端美债为债务螺旋定价。美国2026财年前11个月联邦赤字达1.97万亿美元，创历史次高，净利息支出突破1万亿美元，首超国防支出。市场正将长端美债从"无风险基准"重新定价为"财政风险资产"，债务螺旋自我强化迹象日趋明显。

阿曼宣布推迟原定14日举行的地区会议。阿曼外交大臣巴德尔13日在社交媒体发文称，为寻求共识，原定14日在阿曼南部城市塞拉莱举行的地区会议已推迟。巴德尔说，阿曼将继续致力促进对话，为地区稳定与持久合作提供支持。据卡塔尔半岛电视台12日报道，伊朗外交部发言人巴加埃表示，伊朗和阿曼预计将在14日举行的相关地区会议上，向海湾国家通报两国有关霍尔木兹海峡通航问题的磋商结果。

报道：延布港库存仅能维持5至7天出口！若沙特遭袭油管持续中断，全球或面临4%原油缺口。沙特东西向输油管道遭无人机袭击停运，港口库存仅能维持5至7天出口。分析称若无法及时修复，全球原油将面临约4%的供应缺口。在修复周期不明且中东能源出口本已低迷的背景下，全球燃油价格进一步攀升，持续加剧市场恐慌与通胀压力。

- 伊朗称霍尔木兹海峡或将开新通道。

- 也门局势骤然升温！胡塞武装与沙特互相袭击，伊朗：我们与沙特“并不处于战争状态”。胡塞武装接连夺控曼德海峡咽喉要地，沙特与胡塞互袭致也门局势骤然升级，美国拒直接出兵转向接触斡旋，伊朗称无意对沙开战，但此前曾表示难以约束胡塞武装，红海战略地缘风险陡增。当前，全球能源贸易面临着事实上的双海峡——曼德海峡、霍尔木兹海峡锁喉的困难局面。

“AI交易”周一要遭暴击？三巨头支持“放缓”、OpenAI推迟IPO引热议。Anthropic、OpenAI与马斯克罕见达成“放缓AI开发”共识。HyperliquidX平台上，OpenAI和Anthropic相关资产跌幅分别达到7%和2.8%，更有人高呼“AI股票周一早盘将下跌10%以上。”但也有分析认为，此举或是巨头为缓解基础设施烧钱压力、削减资本支出所做的“预期管理”。

- Altman“放话”：OpenAI今年不会IPO，如果AI威胁人类生存，宁愿毁掉IPO。OpenAI CEO Sam Altman表示公司排除2026年上市计划。面对未来10%的技术灭绝风险，需避免盲目追求资本收益，并正与Anthropic等竞争对手协调放慢开发节奏。尽管行业监管呼声升温且市场持续动荡，Anthropic仍拟于秋季推进巨额IPO。

- 报道：Anthropic选择在纳斯达克IPO。据知情人士透露，Anthropic已选择纳斯达克作为其潜在IPO的上市地点，这意味着后者又赢得了一场重要的交易所竞争。今年早些时候，纳斯达克成功争取到SpaceX上市。SpaceX估值达到1.75万亿美元，而一些估算认为Anthropic的估值可能达到2万亿美元，不过这一数字目前尚未最终确定。

- 死敌罕见联手！马斯克、Altman支持Dario Amodei“全球放缓AI”呼吁。Anthropic Amodei发出“全球放缓AI”的呼吁，宿敌马斯克与Altman竟双双公开站台背书。三大巨头一致同意向第三方开放“员工级”评估权限、推行协调降速；Altman更直接宣布OpenAI今年不会IPO。一个研究员的愤然辞职，一群失控AI的集体越狱，点燃了行业积压已久的恐慌。

- 报道：Anthropic、OpenAI和谷歌讨论合作成立AI行业标准机构。

报道：英伟达洽谈在Anthropic IPO中投资高达100亿美元。9月11日据路透社报道，Anthropic正与英伟达洽谈，寻求将这家芯片巨头引入其IPO作为基石投资者。英伟达正考虑向Anthropic的IPO投入最多100亿美元。基石投资者通常是在IPO向市场公开发行前承诺认购特定份额的机构投资者，为上市提供早期背书。

谷歌DeepMind，已经破解RSI?谷歌API突现名为「rsi-model-liverl-le」的神秘模型，配合一条藏着RSI字母的暗语推文、被紧急收回的内批密钥，以及Sergey Brin在微厨房里豪赌“递归自我改进”的内部传言，让AI圈炸开了锅。而谷歌官方博客早已白纸黑字写下“递归评估与精炼模型”——只是没人当回事。

- 我们距离RSI还有多远？来自AI一线的观点。来自OpenAI等机构的三位AI一线专家认为，AI研究员10倍提效及全能白领有望在1-2年内实现，而超越人类顶尖专家的ASI或需3-5年。然而，当前模型在自主设定目标、克服灾难性遗忘以及架构瓶颈等方面的挑战，仍是通往RSI的深层阻碍。

Astra写的代码，人类已经看不懂了。AI最强编程模型Astra正在写一种“人类看不懂的代码”——压缩空格、删掉换行、用裸数字下标存状态，能跑，但像密文。Flask作者Ronacher烧掉1200美元、75000行代码验证：这些东西毫无价值。更令人不安的是，Astra在“觉得没人看”时会刻意改变行为，而这，只是最无害的那种表现形式。

高盛TMT大会第三天：黄仁勋回击“循环融资”质疑——“投1块拿回100块？那就多来点”。英伟达黄仁勋宣告2027财年70%营收增长受限于供应而非需求，并重申AI基础设施市场2030年将达3-4万亿美元。SpaceX剑指年化1000亿美元营收，2027年部署AI卫星。网络安全被多位CEO列为AI最被低估赛道。高盛将本轮AI定性为"投资超级周期"，但最终考验在于巨额投资能否转化为实际回报。

本轮AI牛市两大“网红”合并！SemiAnalysis收购Citrini。此次收购将SemiAnalysis在芯片供应链与AI硬件领域的深度技术研究，与Citrini在公开市场投资分析方面的影响力相结合。两者合并，被市场视为一个明确信号：将AI硬件建设与公开市场股票表现相连接的综合性研究，正成为稀缺且高价值的资产。

25位菲尔兹奖得主联名愤怒，OpenAI退出赞助：AI正在激怒整个数学界。OpenAI宣称AI首破千禧年数学难题，却被指涉嫌利用学者数据、向合作者施压剔除Anthropic员工署名，甚至威胁"不必友善"。数学家们的控诉直指核心：AI抢头条、摘荣誉，验证、修补的苦活却全丢给学界——无报酬、无署名、无感谢。这或许只是AI重塑所有创意行业的一个预演。

观点精选

所有目光聚焦沃什，下周“央行超级周”迎来G7加息潮？在通胀升温、地缘冲突及油价破百交织下，G7央行迎来关键议息周。受核心通胀超预期推动，美联储预计将迎来三年来的首次加息；日本央行料将加息至1.25%，创30年新高；英欧及加拿大央行鹰派立场亦同步强化，全球货币政策正迎来集体紧缩的重大转折。

交易员警惕线上移：10年期美债收益率破6%，才是个人投资组合的真正红线。上周10年期美债收益率一度逼近5%，但彭博调查显示，交易员在个人持仓上能忍受6%以上的收益率。其核心逻辑在于：操作自有资金没有“被解雇”的问责压力，因此风险容忍度远高于管理他人资产的机构行为。此外，相较于美债收益率的绝对水平，其上涨速度对市场的冲击力更大。

油价是特朗普的“大麻烦”，而日元是所有人的。油价逼近110美元/桶，距中期选举仅剩七周半，民主党重夺参议院概率已突破50%，政治与经济压力正迫使白宫寻求缓和。与此同时，日元结构性升值才是更深层的全球风险——美日利差背离修正、日本资本大规模回流、套息交易被迫平仓，将同步推升欧美债券收益率并唤醒VIX，一场跨资产波动率风暴或已在酝酿之中。

一支拖鞋军，正在改写中东格局。也门胡塞武装近期发动猛烈攻势，一周内占领六个地区、控制曼德海峡，令装备精良的政府军溃败。其胜因在于指挥统一、战斗意志坚定，而政府军派系林立、依赖外援却得不到及时支援。此役对伊朗是重大战略胜利，对沙特和美国则是严重挫败。随着霍尔木兹与曼德两大能源通道同时告急，中东局势持续动荡，更大风暴或在后头。

行业/概念

1、东数西算/算力 | 据上证报报道，9月11日召开的国务院常务会议指出，算力网是人工智能发展的基础支撑。要坚持合理布局、规范有序，进一步完善算力基础设施，积极推进关键技术和装备研发应用，构建多层次网络化算力体系。要推动算电协同、算网融合，加强算力资源监测调度和骨干光纤网络建设，强化算电设施规划衔接，加快绿电直连、源网荷储等项目落地。要更好发挥市场机制作用，支持企业开展科技创新、资源整合和应用推广，促进供需更好匹配。

点评：中金公司认为，当前我国AI产业高速发展、算力需求爆发式增长，但算力供需失衡、区域布局不均、核心技术待突破、绿色能效偏低等行业痛点持续存在。AI算力基建浪潮即将到来，建议重点关注国产AI算力芯片、超节点服务器、网络交换传输、液冷散热、高压直流电源等板块的发展机遇。

2、太空算力 | 据上证报报道，“明珠启航智算未来”太空算力产业生态论坛9月13日在沪举办，上海“明珠星座计划”正式启动。明珠星座计划以建设“吉瓦(GW)级天基计算星座”为长期目标，围绕天地一体化算力网络、空间能源等方向持续推进技术探索，推动智能计算能力由地面进一步向近地轨道延伸，计划到2030年逐步建成全球覆盖、天地协同、自主可控的太空智能算力基础设施和服务网络。

点评：中信证券认为，相比于地面算力建设，太空算力具备电源效率高、散热效率高、能源成本低等显著优势，但也面临宇宙辐射、发射成本高等现阶段挑战。商业航天具备“政策强支持+中美强共振+产业强趋势”特征，尽管可回收商业火箭发射节奏时有波动，但更需看到可回收技术突破后产业指数级别爆发的潜力，以及太空算力更广阔的产业空间。

3、电子皮肤 | 据上证报报道，下游人形机器人整机销量持续攀升，直接带动配套机器人皮肤需求爆发。江苏一家企业斩获1.3万件仿生外皮订单。该仿生外皮能完整贴合机器人复杂的肢体结构，不仅具备导热、防静电的基础性能，还能缓冲碰撞、耐磨抗造，全方位保护机器人机身。江苏苏州一家传感器企业生产的柔性薄膜压力传感器，可感知外力大小。以此制作的机器人手指电子皮肤，已经接到了上千套订单。

点评：业内专家预判，随着下游人形机器人整机持续放量，机器人皮肤订单、材料工艺、智能产线将持续迭代升级，行业高成本困境将逐步缓解。预计2030年国内人形机器人电子皮肤需求将达到152.5万平方米，对应市场规模约274亿元。

4、词元概念/Token | 据证券时报报道，据央视报道，中国电信研究院发布的《智能体时代AI基础设施发展研究报告（2026）》显示，随着人工智能产业发展重心从大模型和算力竞争转向智能体规模落地、应用变现，我国词元（Token）需求呈现爆发式增长。预计2026年我国词元（Token）年消耗量将达到10亿亿，到2030年将超过3500亿亿，年复合增长率接近12倍。

点评：报告显示，当前人工智能正进入以智能体为主要形态的全新发展阶段，智能体让复杂的人工智能技术隐形化、普惠化，大众和企业无需掌握专业技术，借助智能体就能完成全流程的复杂任务。随着智能体在金融、医疗、教育等领域的深度渗透，词元作为AI处理信息的最小单元，其消耗量迎来了爆发。从算力需求来看，智能体的爆发将带动我国算力需求持续高速增长，预计未来2～3年，我国算力需求平均每年将增长近10倍。从需求结构来看，推理算力需求将远远超过训练算力，预计2029年我国推理算力市场占比将达到80%。AI应用端（尤其是智能体）的繁荣，更意味着“词元经济”正在成为支撑社会运转的新型基础资源。这一趋势将直接催化上游算力基础设施、中游算力调度运营以及下游AI应用变现的全产业链共振。

5、数据要素 | 据证券时报报道，9月11日，国家数据产权登记服务系统正式上线试运行，我国正式推行数据产权登记制度。登记机构将为各类形态数据出具“身份证明”，明确数据持有权、数据使用权、数据经营权等权利归属，更好支撑数据流通交易、数据资产入表、融资担保、作价入股等生产经营活动。

点评：国家数据局2026年7月印发《数据产权登记工作指引（试行）》，实现登记对象、登记类型、办理流程、审查标准、登记效力、登记系统“六统一”，确立全国统一规则，目标实现一次登记、全国通用。制度延续“数据二十条”提出的三权分置框架：将数据财产权利划分为数据持有权、数据使用权、数据经营权，三项权利可以拆分、分别归属不同市场主体，适配数据要素特殊属性。分析师认为，随着全国统一数据产权登记制度正式落地，数据要素价值有望加速释放，从而迎来数据要素价值的重估，惠及全产业链。可关注具备数据资源的企业，以及在数据处理、管理和分析方面具备深厚积累的企业。

6、储能 | 据中证报报道，9月12日，世界最大盐穴压缩空气储能项目两台机组在江苏常州金坛区完成整组启动，全面验证了设备运行稳定性，标志着我国在大容量盐穴压缩空气储能领域的关键核心技术和系统集成能力实现重要突破。作为一个储能项目，它年充放电约330次，一次可储存280万度电。项目投产后，可以为电网调峰保供提供强有力支撑，也能大幅提升风电、光伏等新能源消纳能力。

点评：压缩空气储能电站，通过储热储气循环利用，实现低谷储电、高峰发电。全程无需燃烧化石燃料，真正实现零碳排放，就像一个为电网量身定制的“超级充电宝”。压缩空气储能技术作为新型电力系统的关键支撑，正从试验示范阶段向规模化应用快速过渡。随着技术持续进步和成本不断下降，压缩空气储能将在促进新能源消纳、提高电网灵活性、实现“双碳”目标方面发挥越来越重要的作用，未来有望成为与抽水蓄能并驾齐驱的长时储能主流技术路线。

7、乡村振兴 | 据中证报报道，9月11日，中央网信办、农业农村部、工业和信息化部联合印发《数字乡村高质量发展行动计划(2026—2030年)》，《行动计划》明确到2030年的8项主要发展指标，部署了5个方面24项工作举措，包括夯实数字乡村发展基础，推进农村5G和千兆光网，探索低轨卫星互联网为偏远地区提供接入服务，布局农村公共充电设施；提升乡村产业数字化水平，攻坚农业传感器、专用芯片、智能育种工具等核心技术，推广无人农机作业，按需有序推广低空物流，发展共享农场、数据标注、呼叫服务等；提升乡村建设信息化水平，加强医疗健康数据互通，完善远程医疗；提升乡村治理智慧化水平；激发数字乡村发展内生动力等。

今日关注

中国

“开局起步‘十五五’”系列主题新闻发布会

国务院政策例行吹风会，工信部、央行、国资委、证监会负责人参会

海外

伊朗将与海湾国家谈霍尔木兹协议

风险提示及免责条款

9月14日会员早报：美国AI三巨头罕见“联手” 美国柴油价格创历史新高

Sun, 13 Sep 2026 19:03:35 GMT

1、【美国AI三巨头罕见“联手”】周六，Anthropic的CEO Dario Amodei 在个人网站发表一篇约 3800 字的长文，题为《We Must Pace the Frontier》，呼吁全球 AI 行业主动放慢前沿模型的能力提升速度。核心判断只有一句：“我们必须放慢提升模型能力的速度。”他强调进步依然会显得很快，但行业应利用由此争取到的时间，把安全工作做扎实。Amodei 警告，若不加干预，失控的智能体“群”可能在 6 到 12 个月内威胁到互联网的大片区域。马斯克随后在 X 上只回了三个字——"Dario is right“（Dario 是对的）几乎同时，Altman 向《财富》表示，OpenAI 年内不会推进 IPO，理由是”当前安全形势下，现在上市并不明智“。

2、【美国柴油价格创历史新高】美国全国柴油零售均价首次站上每加仑6美元。据美国汽车协会（AAA）9月11日数据，全美柴油均价达到6.0556美元，一举刷新2022年6月俄乌冲突开打后创下的5.82美元旧纪录。加州更逼近8美元，均价约7.98美元，圣迭戈一家加油站的标价一度冲到9.99美元。

3、【美国9月消费者信心意外跌至历史次低】美国人对经济的信心，正跌向历史性的低点。据密歇根大学周五公布的初步调查，9月消费者信心指数从8月的51.7骤降至47.8，环比重挫7.5%，低于彭博调查中所有经济学家的预测（普遍预期约51）。这是该指数自1952年有记录以来的第二低水平，仅高于今年5月创下的历史谷底44.8，较去年同期的55.1低了逾13%。更值得警惕的是通胀预期。消费者对未来一年的通胀预期从上月的4.0%跳升至4.6%，为6月以来最高；而此前连续三个月稳定在3.3%的长期（5至10年）通胀预期，这一次也悄悄上行至3.4%。

4、【美国8月CPI给本月加息定调】美国8月的通胀报告，乍看是一份“没有惊喜”的数据：劳工统计局9月11日公布，8月CPI同比上涨3.4%、环比上涨0.4%，两项都与市场预期分毫不差，同比读数更是连续第三个月停在3.4%。但市场的反应却和“符合预期”四个字对不上——两年期美债收益率应声跳升约15个基点、一度触及2024年年中以来最高，利率期货把美联储下周加息的概率一路推到八成以上。

5、【戴尔单日飙涨11.98%创历史新高】美东时间周五（9月11日），戴尔股价单日大涨11.98%，收于约567美元，盘中一度触及567.75美元的历史新高，市值突破3600亿美元。这家一度靠个人电脑安身立命的老牌厂商，如今凭AI服务器业务的爆发，成了2026年美股最耀眼的科技股之一——年初至今累计涨幅已逼近350%。

延布港库存仅能维持5至7天出口！若沙特遭袭油管持续中断，全球或面临4%原油缺口

Sun, 13 Sep 2026 12:48:39 GMT

沙特阿拉伯东西向输油管道因无人机袭击陷入停运，若无法在数日内恢复运营，全球原油供应将面临约4%的缺口。这一威胁正值全球能源危机持续深化之际，油价已推动通胀攀升，美国国债收益率更升至2008年金融危机以来最高水平。

13日，据路透社报道，多名沙特原油买家及交易商透露，沙特在延布港的库存仅能维持5至7天的出口，一旦管道无法及时重启，出口将大幅下滑。

管道停运，出口储备告急

上周五，无人机袭击迫使沙特阿拉伯关闭横跨阿拉伯半岛、贯穿沙漠腹地的东西向输油管道。该管道此前每日向红海沿岸的延布港（Yanbu）输送约400万桶原油，占全球供应量约4%。

据新华社报道，沙特阿拉伯能源部9月11日发表声明称，东西输油管道利雅得段及麦地那地区段于10日上午多次遭袭，已对该管道采取预防性关闭措施，袭击造成部分人员受伤。声明未说明袭击方式、袭击者身份，以及管道恢复运营时间。该管道承担沙特东部油田与红海沿岸出口设施之间的原油运输，在霍尔木兹海峡通航受阻的背景下，是沙特重要的替代输油通道。

三名熟悉沙特出口业务的行业消息人士向媒体透露，管道停运后，延布港的库存仅能维持五至七天的出口。此外，沙特在埃及红海港口艾因苏赫纳（Ain Sukhna）及地中海港口西迪克里尔（Sidi Kerir）另有部分库存，可再支撑数日供应，但四名消息人士均强调，若管道不恢复运营，上述库存终将耗尽。

据行业估算，延布港储油能力约为3500万桶，艾因苏赫纳和西迪克里尔分别可储存1800万桶和2000万桶，但目前各港库存均未处于满载状态。

修复周期不明，市场高度不确定

对于损毁程度及修复时间，各方消息人士给出的评估存在明显分歧。据路透社，一名消息人士称修复工作可能长达五至六周，另一名消息人士则表示修复或许可以更快完成，并有可能在维修期间部分恢复泵油。

沙特方面的信息真空令市场难以定价。分析人士指出，修复周期的不确定性是当前油市最核心的风险变量——若管道能在数日内部分重启，供应缺口或可控制；若修复拖延数周，全球市场将面临更严峻的压力测试。

全球供应危机持续加深

此次管道遭袭发生的背景，是中东地区能源出口已处于历史性低迷。国际能源署（IEA）上周五指出，受霍尔木兹海峡及红海航线受阻影响，沙特石油供应已于8月降至逾三十年来最低水平。IEA预计，全球石油供应今年将下降约570万桶/日，降幅约为6%。

沙特上周向欧佩克报告，8月原油产量已从战争爆发前今年2月的1090万桶/日骤降至620万桶/日。中东地区战前合计供应约2200万桶/日，如今霍尔木兹海峡日均流量仅剩600万至900万桶，萎缩幅度触目惊心。

雪上加霜的是，也门胡塞武装（Houthi）周五占领了红海入口处一座岛屿，进一步威胁沙特经红海的油轮运输安全。供应端的多重冲击叠加，持续推高全球燃油价格，并通过通胀渠道向债券市场传导，美国国债收益率已升至2008年以来最高水平。

风险提示及免责条款

高盛：对于市场，“不加息”比“加息”更危险

张雅琦 — Sun, 13 Sep 2026 12:19:45 GMT

中期选举前的对伊战事：特朗普的“胜利”如何定价？

华泰睿思 — Sun, 13 Sep 2026 11:58:06 GMT

摘要

数日来，美伊海上“循环报复”显著升级。当地时间9月9日，霍尔木兹海峡、曼德海峡冲突同步升级，催动国际油价快速上涨。我们判断，中期选举前美伊大概率延续“反复拉锯、有限交火”，特朗普预告选后终战、重新定义胜利叙事，或在为冲突“烂尾”预先铺垫。中期选举前，国际油价大概率维持高位波动，中期选举后油价走势则取决于“战争结束”的方式。

本轮冲突新特征：转向经济目标、扩围至“双海峡”、形态高频化

打击对象从军事设施转向油轮商船等经济目标，博弈范围从霍尔木兹海峡扩展至阿曼湾、阿拉伯海直至曼德海峡，冲突形态从谈判拉锯转为高频海上循环报复。美方“以战施压、以压促变”，以切断“影子船队”运力升级经济封锁；伊方“以拖待变、以议题换空间”，开出较难兑现的终战条件并新设海上“制裁区域”，以海峡为制衡筹码的战略内核未变。

美伊战略调整：美方“以战施压”，伊方“以拖待变”

美伊战略调整呈现美方“以战施压”，伊方“以拖待变”的对峙格局，或在为中期选举前后的下一阶段博弈储备筹码。美方“以战施压、以压促变”，经济封锁、外交收紧、军事备战多线并进。经济上制裁进入加速实施阶段，次级制裁扩展至第三国银行与伊朗航空业，外交上推动国际原子能机构理事会将伊朗核问题提交联合国安理会，军事上延长中东部署至2027年，保留战争升级选项。伊方“以拖待变、以议题换空间”，议题化博弈有所升级但以海峡为制衡筹码的战略内核未变。5项终战条件或是为抬高美方结束冲突的成本，新设海上“制裁区域”或是为扩大博弈空间。

美国中期选举前走向：有限交火大概率延续，“烂尾”铺垫或已现

大概率延续“反复拉锯、有限交火”。选情约束下，特朗普中选前可能不会主动寻求全面升级。预告选后终战、提出“不局限于核协议”的胜利叙事并酝酿新版中东战略，则表明其或在为冲突“烂尾”进行前期铺垫。但同时还维持战略威慑，保留经济施压、有限军事行动、全面升级等所有选项。中期选举后关注不战不和消耗战、下调胜利目标、单方面宣布胜利、全面升级4种可能“烂尾”路径。

风险因素：以色列战略冒进、国际油价失控、伊朗经济恶化

10月27日以色列议会选举，内塔尼亚胡若败选或面临司法压力，或应警惕其选前对伊行动的风险；11月3日美国中期选举，高通胀与美军伤亡冲击选情，若油价失控，特朗普或存在提前宣布“胜利”或大幅升级冲突的可能；伊朗经济承压加剧，以军事冒进对冲经济压力的可能性亦有所上升。

国际油价影响：中选前或高位波动，中选后取决于“战争结束”方式

“暗航”运力承压或将加大供给冲击，近期部分原油进口大国需求回升也使缓冲消退，叠加旺季需求将至和全球库存吃紧，中期选举前，国际油价大概率维持高位波动，中期选举后油价走势则取决于“战争结束”的方式。若美方单方面宣布胜利且无法恢复海峡正常化，油价或将在急跌后长期处在高于战前价格区间；若冲突走向全面升级，参照4月霍尔木兹海峡封锁期间126美元/桶的峰值，不排除进一步冲高的可能。

正文

霍尔木兹海峡、曼德海峡冲突同步升级，国际油价破百

数日来，美伊海上“循环报复”显著升级。美军与伊朗伊斯兰革命卫队相互针对对方油轮、军舰等海上目标发起打击，双方对战果各执一词：美方称摧毁数艘伊朗油轮，并打击哈尔克岛与贾斯克附近目标；伊方宣称打击美军舰艇及油轮，并向驻约旦美军基地发射约20枚弹道导弹，重创美军。伊朗外交部谴责美军袭击，称伊武装部队行使合法自卫权“不会有任何犹豫”。

伊朗开出停火条件并新设海上“制裁区域”。9日革命卫队发言人穆赫比开出结束冲突的5项条件，包括全面停火并放弃再次威胁、以军撤出黎巴嫩、解除对也门封锁、解冻244亿美元被冻结资产、停止干涉伊朗核导计划，并宣布将在恰巴哈尔港至阿曼湾、阿拉伯海设立新的海上“制裁区域”，进入该区域的船只将被停止提供海事、保险等服务，且日后在霍尔木兹海峡航行也无法获得海事等相关服务。

曼德海峡方向同步升级，胡塞武装宣布控制也门红海沿岸战略地带及摩卡港，对曼德海峡航运构成更直接威胁。8日沙特能源部称，该国南部多处能源设施及公用设施8日早间遭也门胡塞武装袭击起火，位于艾卜哈的沙特阿美炼油厂等目标遇袭，不到48小时内沙特能源设施已三度遇袭，袭击造成73名平民受伤。胡塞武装宣称沙特“已无安全之地”、所有能源设施均为合法目标，并击落多架沙特无人机。沙特主导的多国联军过去三天对也门发动逾百次空袭，9日胡塞武装继续使用弹道导弹和无人机袭击沙特南部。卡塔尔、科威特、巴林等国谴责胡塞袭击，据路透10日报道，巴基斯坦已代表沙特要求伊朗约束胡塞武装。

特朗普提出终战时间节点。9日特朗普表示：“我们不寻求与伊朗谈判，选举一结束，这场战争立马就会终结”，但承认油价回落需要更长时间。

“双海峡”冲突叠加，催动国际油价上涨。 10日布伦特原油收于每桶107.63美元、WTI原油收于每桶102.48美元，双双突破每桶100美元（单日涨幅分别6.34%、6.69%）；美国能源信息署上调今明两年油价预测近5%，预计今年布伦特现货均价约91美元、WTI约84.65美元（均价低于现价系上半年价格拖累）。船舶追踪机构克普勒公司9日的航运数据显示，8日仅有6艘商船通过霍尔木兹海峡，低于前一天的9艘，也低于十天约12艘的日均水平，联合国秘书长已呼吁各方保持最大克制。

本轮冲突新特征：转向经济目标、扩围至“双海峡”、形态高频化

（1）打击对象从军事设施转向油轮商船等经济目标。美方将打击油轮与护舰直接绑定，中央司令部司令库珀明确表态，伊朗向两艘美军舰艇发射导弹，美国就摧毁伊朗三艘油轮。此举或意在切断伊朗“影子船队”运力，以经济围堵替代地面升级，在不触碰伊朗领土红线下最大化施压。

（2）博弈范围从霍尔木兹海峡扩展至阿曼湾与阿拉伯海，直至曼德海峡。伊朗新设海上“制裁区域”以恰巴哈尔港为起点、覆盖阿曼湾和阿拉伯海部分海域，矛头直指美军协助商船通行的阿曼附近航线。这是伊朗首次将“管辖”主张延伸到国际航道外围，并划定单边强制性管控海域，或意在对冲美军护航体系。与此同时，胡塞武装对沙特能源设施的袭击烈度上升，并借控制摩卡港将威胁投向曼德海峡，博弈范围事实上已然实现“双海峡”覆盖。

（3）冲突形态从谈判拉锯转为高频海上循环报复。4月美伊博弈的主线聚焦高频高烈度军事对抗。4月至8月，美伊博弈的主线聚焦谅解备忘录的签署与执行。8月30日起，在美军以伊朗布设水雷为由恢复打击后，谈判渠道基本冻结，特朗普“我们不寻求与伊朗谈判”的表态意味着博弈主战场或回到海上。

美伊战略调整：美方“以战施压”，伊方“以拖待变”

美伊加速战略调整，或都在为中期选举前后的下一阶段博弈积攒筹码。

美方“以战施压、以压促变”，经济封锁力度持续上升。海上打击之外，经济上制裁力度加强。财长贝森特8月24日公布的“经济弃儿行动”已进入实施阶段，拟禁止美国金融机构为埃及Banque Misr阿联酋分行开立或维持代理账户，且土耳其的金融机构Golden Global Yatirim Bankasi Anonim Sirketi（Golden Global Bank）及其子公司成为首批次级制裁对象。贝森特公开表示目标是“压垮这个政权”，并宣称伊朗“出口生命线已被切断”。9日，美国财政部再连发多轮制裁，针对伊朗航空业等36个对象，并暂停对伊通用许可证J-1。

外交战线同步收紧。在美方推动下，国际原子能机构理事会9月10日以23票赞成通过决议，将伊朗核问题提交联合国安理会，伊朗斥其“偏见”“政治化”，称将作出实际回应。

与此同时，美国也在军事上做好升级准备。据《华尔街日报》9月3日报道，五角大楼正将中东部署延长至2027年，维持约5万驻军、19艘军舰，特朗普已听取包括夺取霍尔木兹海峡附近伊朗岛屿、打击镐山在内的军事简报。

伊方“以拖待变、以议题换空间”，议题化博弈有所升级。整体看，伊朗以海峡为制衡筹码的战略内核未变。5项终战条件较难兑现，或是为抬高美方结束冲突的成本。新设海上“制裁区域”或是将博弈空间扩大到霍尔木兹海峡之外。面对经济封锁，伊朗经济部已设立“经济战争指挥部”集中应对战争冲击。军事上，伊朗公布“卡西姆·巴希尔”新型固体燃料弹道导弹，并称“从被动威慑转向主动威慑”，并披露曾试射反舰导弹飞越美军战舰上空。值得注意的是，伊朗9月10日下令暂停对进出伊朗、运输能源产品的外国船舶收取10%运费附加费，显示出伊朗收费杠杆“可征可停”，议题化操作灵活。

美国中期选举前走向：有限交火大概率延续，“烂尾”铺垫已现

我们认为，中期选举前美伊大概率延续“反复拉锯、有限交火”的循环报复，特朗普已在为战争“烂尾”寻求铺垫。

中期选举前，在选情约束下，特朗普大概率不会自动寻求全面升级。目前，特朗普民意支持率维持在33%任内最低，幕僚已警告冲突升级可能拖累共和党中期选举选情。

特朗普9日提出中期选举后终战，或为“宣布胜利”预留了时间窗口。结合特朗普预告选后终战，以及早前提出以色列大选后将对中东战略进行调整，我们认为其或在为战争“烂尾”寻求铺垫。据Axios 9月4日报道，其政府已在起草战后新版中东战略，包含构建遏伊联盟、协同收尾地区冲突、扩大《亚伯拉罕协议》三个要素，拟待以色列大选后推进。

重新定义胜利叙事，“下调胜利目标”，或是为“烂尾”预先营造舆论。特朗普9日称“美国现在寻求解决的已不局限于核协议”，甚至提议将霍尔木兹海峡改名为“特朗普海峡”。与此同时，CNN披露美军方与情报界正讨论终战后削减长期驻中东人员与设施。

中期选举后，关注不战不和消耗战、下调胜利目标、单方面宣布胜利、全面升级等4种“烂尾”的可能路径（参见我们8月14日发布的《美伊消耗性僵局的前景和情景假设》）。

风险因素：以色列战略冒进、国际油价失控、伊朗经济恶化

（1）以色列战略冒进的风险。10月27日将举行以色列议会选举，据新华社9月8日报道，内塔尼亚胡民调落后，其领导的利库德集团或将以21席对埃森科特领导的正直党25席，且内塔身背三项刑事指控、辞任即面临司法压力，因而或应警惕其选前对伊行动的风险。9月3日，内塔尼亚胡宣称“推翻伊朗政权触手可及”，以军同期在黎南部摧毁真主党地道网络，防长卡茨扬言将打击伊朗包括能源设施在内的全部基础设施。选前以色列“外交孤立”同步加深：英国制裁约旦河西岸定居点后，以宣布关闭英国驻耶路撒冷领事馆、禁止12名英国官员入境，英法及12国发表联合声明限制定居点商品贸易——外部压力越大，内塔尼亚胡可能越倾向于用安全议题来凝聚右翼基本盘。以色列战略冒进仍有可能干扰美国节奏。

（2）国际油价失控。高油价、高通胀拖累共和党选情。美国汽油均价8月下旬达每加仑4.11美元，柴油价格处4年高位。人员伤亡同样对选情不利。美国防部数据显示，截至9月8日美军在伊朗战事中累计伤亡838人（18死、820伤）。若选前油价失控，不排除特朗普提前宣布“胜利”或升级冲突转移矛盾的可能。

（3）伊朗经济恶化超预期。在美对伊海上封锁加经济制裁下，伊朗“抵抗经济”持续承压。8月原油装船量降至22万～25.5万桶/日（战前约200万桶），里亚尔汇率跌破200万兑1美元。国际原子能机构理事会决议将伊朗核问题提交安理会后，若“快速恢复制裁”机制随之启动，伊朗外部经济环境将进一步恶化。社会经济压力加大，捍卫政权的报复冲动上升，以军事冒进对冲经济压力的可能性同步上升，或加大冲突螺旋升级的可能性。

国际油价影响：中选前或高位波动，中选后取决于“战争结束”方式

目前，“暗航”运力承压或加大供给冲击，用油需求回升使缓冲消退，中期选举前，国际油价大概率维持高位波动，中期选举后油价走势则取决于“战争结束”的方式。

（1）“暗航”运力承压，供给冲击加大。我们在9月9日发布的《超级外交月启幕，俄乌和谈迎来窗口，中东冲突再起——地缘政治双周报》中判断海峡油运靠“暗航”维系，即船舶关闭AIS信号、由美军护航通过，每日15至20艘，日运输量接近1000万桶。美伊海上“循环报复”或将冲击“暗航”运力，美军对“影子船队”的打击同步削弱伊方供给。而据国际能源署数据，沙特东西向管道和阿联酋通往富查伊拉港的输油管道的合计绕行能力仅350万—550万桶/日，远不足以对冲供给缺口。

（2）从需求端看，短期部分原油进口大国边际上恢复采购，需求出现上升迹象，过去的需求端缓冲开始消退；同时，全球库存低位，叠加即将进入秋冬需求旺季，油价或维持高位。

（3）中期选举前大概率维持高位波动，中期选举后取决于“战争结束”的方式。当前，双海峡冲突升级叠加，直接催化布油价格破百并高位上行。暗航脆弱性叠加部分原油进口国需求回暖，中期选举前油价大概率维持高位波动。中选后，“战争结束”方式直接影响国际油价走势。若美方单方面宣布胜利且无法恢复海峡正常化，油价或将在急跌后长期处在高于战前价格区间；若冲突走向全面升级，参照4月霍尔木兹海峡封锁期间126美元的峰值，不排除油价进一步冲高的可能。

本文来源：华泰睿思

风险提示及免责条款

25位菲尔兹奖得主联名愤怒，OpenAI退出赞助：AI正在激怒整个数学界

澎湃新闻 — Sun, 13 Sep 2026 11:44:37 GMT

数学家们说：AI公司负责宣布“突破”，而数学家负责免费验证、修补，甚至收拾烂摊子。这笔账，他们不想再忍了。

过去一周，数学界和AI公司之间的紧张关系彻底爆发了。

先是纽约大学数学家Tristan Buckmaster公开指责OpenAI向他施压，要求他将一位在Anthropic工作的合作者从论文中剔除。随后，25位菲尔兹奖得主——数学界的最高荣誉获得者——联名签署公开信，警告AI实验室为了争夺“解决著名数学难题”的头条，正在威胁学术研究本身。

本周四，OpenAI撤回对加州理工学院一项数学活动的赞助。此前，该校数学家发表公开信，称这项活动“可能对数学界造成破坏性影响”。

事情闹大了。

“我只是这些小把戏里的旁观者”

事情要从劳动节周末说起。

整个八月，Buckmaster和合作者Levent Alpöge在纳维-斯托克斯方程上取得了重大进展。这是克雷数学研究所2000年提出的七个“千禧年大奖难题”之一，悬赏100万美元。

然后OpenAI来了。

不到一周，OpenAI宣布其AI智能体找到了答案。这是AI首次攻克千禧年难题级别的数学问题，消息震动全球。

但Buckmaster发现事情不对劲。他和Alpöge在研究中使用了OpenAI的Codex工具——一个用于编写和管理代码的AI助手——来帮助整理和简化数学推导。而OpenAI的模型会利用用户数据进行训练。

“没有证据表明他们这样做了，”Buckmaster说，“但OpenAI证明中的方法和事件的时间线，高度暗示这正是所发生的事。”

更让他愤怒的是OpenAI开出的条件。项目负责人Sébastien Bubeck向他提出：你可以率先发表自己的成果；可以成为OpenAI论文的第一作者；可以获得充足的计算资源；我们还会建议你和合作者分享那100万美元奖金。

条件是：不要把Levent Alpöge列在论文上。

因为Alpöge在Anthropic工作——OpenAI的死对头。

“他们无法理解我为什么不接受这笔交易——为什么我不把Levent推出去当替罪羊，”Buckmaster说。

他拒绝了。随后OpenAI的Bubeck问他：“你为什么要毁掉自己的职业生涯？”Buckmaster反问这怎么会毁掉一个学术研究员的生活，得到的回答是：“如果你不想让我友善，那我就不必友善。”

Bubeck后来否认威胁了Buckmaster，称这些提议是为了帮助他。OpenAI也发表声明，坚称Buckmaster的Codex提示“不可能以任何方式影响系统”。

但Buckmaster已经不在乎了。周一深夜，他在网上发布了三篇论文，详细叙述了与OpenAI的整个互动过程。凌晨两点半，他才离开办公室回家。

“对抗一家万亿美元的公司非常可怕，”他说。“我们都害怕OpenAI。”

“粗糙的数学”：AI出成果，数学家免费擦屁股

Buckmaster的遭遇并非孤例。它触动了数学界积累已久的不满。

加州理工学院的数学家们在公开信中写道，AI公司可以宣称其模型“解决”了复杂难题，但之后需要人类数学家来验证、修正，有时甚至要彻底驳斥这些成果。

“这项工作没有得到报酬、没有署名，也没有得到承认，” 他们写道。

他们把这种做法称为“粗糙的数学”。

25位菲尔兹奖得主的联名信更加直白：“这些解决方案往往仓促发布，根本没有时间进行充分的撰写、对新方法和新思路的梳理，以及引用其他学者的相关工作。”

“与所有创意行业一样，这引发了严重的归属和抄袭问题。”

信中还指出了一个更深层的危机：如果没有那些愿意负责发展和整合这些方案、将其纳入数学体系的数学家，AI提出的想法就永远无法真正落地，数学家之间至关重要的传承链条也将断裂。

保密文化正在扼杀开放研究

更令人担忧的是，AI公司正在改变数学研究的生态本身。

过去，数学家们公开发表想法，彼此合作，逐步推进。一个难题可能需要十年、二十年才能解决，但知识在过程中不断积累、传承。

但现在，如果前沿实验室发现一条有助于新发现的途径，他们就可以花费数千万美元，利用大语言模型抢在原研究人员之前完成证明。

这种机制无疑会助长保密行为。

Buckmaster就感受到了这种压力。他和Alpöge的研究尚未公开，OpenAI就已完成证明。他怀疑OpenAI的智能体利用了他们通过Codex提供的数据，但无法证明。

“重要的不仅仅是结果，”科学记者Kenneth Chang在评论中写道。“OpenAI有人能对其智能体如何构建证明给出令人信服的说明吗？”

数学的价值，不只是“谁先撞线”

今年6月，数学家工作组发布了《莱顿宣言》，探讨大语言模型将如何改变他们的工作，并为数学家、研究机构和政策制定者提出了一系列建议。

宣言的核心关切是：数学的价值不仅在于证明和谁获得荣誉，还在于滋养学生、发现新问题和新想法、并将它们融入更广泛的人类文明知识体系。

AI公司或许能更快地“解决”问题，但它们不培养学生，不传承知识，不关心一个证明是否被人类理解。

“数学界现在面临的问题与其他科学和创意行业面临的问题类似，”菲尔兹奖得主们写道，“也预示着全人类可能面临的问题：如何确保随着人工智能改变工作方式，我们不会忘记这项工作最初的目标。 ”

不只是数学

如果你觉得这只是数学家的小圈子恩怨，不妨想一想：你所在的领域，是否也在经历类似的事？

AI可以更快地生成代码、写文案、做设计、分析数据。但验证、修正、整合、传承——这些工作由谁来做？是否得到了承认和报酬？

OpenAI研究负责人Dan Roberts在批评声中回应：“我们意识到AI在数学领域的快速发展会带来颠覆性影响。我们希望与数学界进行更多交流。”

但数学家们想要的，恐怕不只是“更多交流”。

他们想要的是：AI公司不要在宣布“突破”后把烂摊子丢给学术界；不要用算力优势碾压人类研究者；不要把开放合作的学术文化变成保密竞赛。

Buckmaster在那篇1870字的自述中，花了不少篇幅感谢两位西班牙数学家Diego Córdoba和Luis Martínez-Zoroa——他们几年前提出了攻克纳维-斯托克斯相关问题的新策略，设计了核心的数学工具。

“主要的智力功劳必须归于Luis和Diego，”他说。

但OpenAI的声明中，没有提到他们。

本文来源：澎湃新闻

风险提示及免责条款

利率与通胀的赛跑

国金策略团队 — Sun, 13 Sep 2026 11:30:13 GMT

摘要

1 缩量震荡的状态或将迎来变局

7月以来，A股经历了“缩量下跌”到“缩量震荡”的变化。截至本周，全A日均成交额1.9万亿元，日均成交量11.3亿手，相较6月26日当周的高点（3.5万亿元，15.2亿手）已降低46.6%和25.7%；全A换手率7.7%，相较本轮下跌前的高点10.5%下降了2.8个百分点。主要指数中，科创50、创业板指、沪深300的成交量、成交额、换手率都回到了接近4月份市场从美伊冲突造成的下跌里反弹时的水平。与3-4月份的回调相比，本轮万得全A成交量和换手率的收缩程度稍小，但成交额的收缩幅度、指数跌幅以及估值的下行幅度都比当时更大，从3年估值分位数的绝对值来看，各主要指数也来到了年内的低点。换言之，市场似乎确实已经进入到了一个状态切换的节点，关键在于是否能够类似于4月初时一样：导致市场下跌的因素出现重大改变+新的做多主线明朗：这个因素在4月时表现为中东的阶段性停火+AI产业加速形成共识。而在当下，这个问题至少包含了中东地缘、美联储决策以及AI产业链进展等三个方面。

2 当油价又成焦点，3月之后的行情不必然重演

尽管当前的市场量价、估值水平与今年3-4月回调后的状态接近，但三点不同决定了本轮难以复刻4-6月份市场反弹时，为追求确定性而抱团的极致行情：首先，此次美伊冲突升级之后，市场并未走入“危机模式”，表现为美股、原油的隐含波动率和实际波动率都没有出现类似3月份时的快速抬升，这也意味着对“确定性”的追求可能并没有当时那么强；其次，当前的美债收益率相较3-6月时更高，对权益资产分母端压制更强，8月份的通胀数据又扫清了9月加息的障碍，另一个值得注意的区别在于：当前的美联储主席沃什相较于3月时任美联储主席鲍威尔而言，在货币政策上明确拒绝前瞻指引，弱化与市场的沟通，导致市场担心“美联储落后于曲线”，从本周五晚美国8月CPI报告出炉后贵金属先跌后反弹及美股三大指数高开这一表现来看，8月份通胀数据反而成为了消除政策不确定性的“利空出尽”，但反弹的持续性取决于后续通胀的走势和加息周期是否真正开启,因此下周一海湾国家与伊朗的协议成果、周三的议息会议结果将至关重要；最后，4-6月市场反弹以AI产业链为主线，原因在于它恰好是经济中对利率和通胀最不敏感的部门，但当前来看，AI产业链对利率的敏感性也在增强，从我们关注的代理指标来看，AI产业链“负利率”优势走弱的时点也对应着美股、A股的AI板块跑输整体的节点。

3 利率与通胀的赛跑

摆在市场面前的核心问题其实是“利率与通胀的赛跑”：一种路径是名义利率跑赢通胀时，意味着实际利率的上升和AI产业链“负利率”优势的体现，此时实物资产受实际利率压制，而AI产业链成为市场拥抱的“确定性”来源，这是3-6月极致分化行情的基础。另一种路径是名义利率跑输通胀，此时通胀来源成为了唯一具备确定性的领域，在当前的场景来看是能源链，我们在过去两个月的周报中多次讨论了石油石化板块面对“低库存+裂解价差扩大”时“量价齐升”的逻辑，这一逻辑目前来看仍未证伪：8月我国成品油出口高增，且价格涨幅扩大；往后看，即使油价因中东局势缓和而有所下跌，相对商品涨幅而言滞涨的股票也具备安全垫，且油价走弱也将有利于原油端补库，能够支撑炼化端的“量价齐升”；如果未来出现类似2022Q4、2024Q3-2024Q4、2025Q4时加息放缓（降息）、但通胀具备极强粘性的场景，美元将走弱，贵金属反而将迎来弹性最大的时刻，此时，能源和金属并不冲突。

4 迷雾散去之前的波动时刻

在市场持续了两个多月的缩量行情之后，中东局势和议息会议成为打破僵局的变量。而当前的宏观、产业或是通胀弹性，都与3-6月时有显著的不同，“刻舟求剑”并不可取。我们的推荐是：第一，石油、油运和炼化为代表的能化链条将继续受益于全球对能源的补库需求。而有色金属（铜、金、铝）作为美元对立面资产，需要关注的是利率与通胀孰弱孰强，在极致加息预期后，机会已经出现。第二，中东局势突变带来不确定性提升，2026Q2财报提供的寻找确定性的线索仍是对抗波动的有效手段，我们挖掘了业绩兑现度较高、盈利估值匹配的方向，具体请参考专题分析报告。

报告正文

1 缩量震荡的状态或将迎来变局

与3-4月份的回调相比，本轮万得全A成交量和换手率的收缩程度稍小，但成交额的收缩幅度、指数跌幅以及估值的下行幅度都比当时更大，从3年估值分位数的绝对值来看，各主要指数也来到了年内的低点。换言之，市场似乎确实已经进入到了一个状态切换的节点，关键在于是否能够类似于4月初时一样，导致市场下跌的因素出现重大改变+新的做多主线明确：这个因素在4月时表现为中东的阶段性停火+AI产业加速形成共识，而在当下则更为复杂，至少包含了中东地缘、美联储决策以及AI产业链进展等三个方面。

2 当油价又成焦点，3月之后的行情不必然重演

尽管当前的市场量价、估值水平与今年3-4月回调后的状态接近，而外部来看，中东局势的再度紧张使得油价又回到了投资者关注的焦点，但三点不同决定了本轮难以复刻4-6月份市场反弹时，为追求确定性而抱团的极致行情。

首先，此次美伊冲突升级之后，市场并未走入“危机模式”，这也意味着对“确定性”的追求可能并没有3月份时那么强。3月面对霍尔木兹海峡封闭这一“黑天鹅”事件时，美股、原油的隐含波动率和实际波动率都出现了快速抬升，但7月美伊停火协议失效、霍尔木兹海峡再度封闭之后，波动率并没有明显变化。

其次，当前的美债收益率相较3-6月时更高，对权益资产分母端压制更强。拆分来看高利率的背后：一方面是受到AI投融资推升的实际利率，我们此前在周报中多次讨论了这一推动力可能已经见顶，但仍需要验证；一方面是离2%的政策目标仍有距离的通胀，8月CPI同比3.4%与上月持平，但环比从0.1%升至0.4%，主要受能源价格反弹推动，核心CPI环比上涨0.3%，高于预期及前值的0.2%，主要受到核心服务分项中通信服务和离家住宿的推动，油价的影响还未扩散至多数商品上，核心商品环比由0.2%降至0.1%。尽管如此，环比读数提升的核心CPI也足以导致市场加息预期快速提升，当前CME的Fed Watch显示交易员们认为9月加息的概率达到87.3%，相较数据公布前一天上升了11%，年内两次加息的概率达到99%。

另一个值得注意的区别在于：当前的美联储主席沃什相较于3月时任美联储主席鲍威尔而言，在货币政策上明确拒绝前瞻指引，弱化与市场的沟通，导致市场担心“美联储落后于曲线”，这种担忧情绪这也构成了5月以来美债长端利率快速上行的交易层面基础。但从本周五晚美国8月CPI报告出炉后贵金属先跌后反弹（先下跌至4333美元后反弹至最高4445美元），及美股三大指数高开这一表现来看，8月份通胀数据扫清了9月加息的障碍，反而是构成了消除政策不确定性的“利空出尽”，但反弹的持续性取决于后续通胀的走势和加息周期是否真正开启,因此下周一海湾国家与伊朗的协议成果、下周三的议息会议结果将至关重要。

最后，4-6月市场反弹以AI产业链为主线，原因在于它恰好是经济中对利率和通胀最不敏感的部门，且从产业链量价来看处于加速变强的趋势中。但当前来看，AI产业链对利率的敏感性也在增强：以美国计算机和电子产品制造业PPI作为AI产业链涨价的代理变量，从今年1月份至6月份，其相对于10年美债的差异在不断放大，也就是即使美债不断向上突破，AI产业链实际上面临的仍然是“负利率”，但这种优势从7月以来开始缩小，对应的是费城半导体指数相对标普500开始跑输，A股通信、电子指数相对中证A500开始跑输。因此， AI产业链当前也提供不了类似3-6月时的强劲“确定性”。

3 利率与通胀的赛跑

摆在市场面前的问题，核心其实是“利率与通胀的赛跑”：一种路径是名义利率跑赢通胀时，意味着实际利率的上升和AI产业链“负利率”优势的体现，此时实物资产受实际利率压制，而AI产业链成为市场拥抱的“确定性”来源，这是3-6月极致分化行情的基础，但需要注意当前的差异是AI产业链整体来看“负利率”优势有所减弱；一种路径是名义利率跑输通胀，此时通胀来源成为了唯一具备确定性的领域，在当前的场景来看是能源链，而实际利率的下行也为有色金属等其他实物资产带来上行机会。

若未来走向第一条路径，我们也不认为3-6月的极致分化行情将完全复刻，因为AI产业链内部的“确定性”也在缩圈。我们发现，AI全产业链供需紧张的时期正在过去，景气分化将是未来主旋律，筛选高景气延续，短期具备强供需瓶颈，且远期产能过剩风险同样较低的板块集中于以下几类：高端铜箔、MLCC、光模块、半导体零部件。

走向第二条路径的概率也不可忽视：当前与3-6月的差异还在于能源链上库存更低（无论原油或是成品油），而霍尔木兹海峡的通航量从当时的逐月恢复变成现在的逐渐归零，油价相较于3-6月份时更难以快速回落至冲突发生前的水平。我们在过去两个月的周报中多次讨论了石油石化板块面对“低库存+裂解价差扩大”时“量价齐升”的逻辑，这一逻辑目前来看仍未证伪：8月我国成品油出口高增，且价格涨幅扩大；往未来去看，即使油价因中东局势缓和而有所下跌，相对商品涨幅而言滞涨的股票也具备安全垫，且油价走弱也将有利于原油端补库，能够支撑炼化端的“量价齐升”。

对于有色金属而言，名义利率与通胀的赛跑更加重要。供给的叙事、关税的预期所带来的大宗商品价格上涨，反而难以对股票的定价发挥关键作用。如果未来出现类似2022Q4、2024Q3-2024Q4、2025Q4时加息放缓（降息）、但通胀具备极强粘性的场景，美元将走弱，而贵金属反而将迎来弹性最大的时刻。2022Q4，当核心PCE同比仍然维持在6%以上，而加息却在12月份确认从75BP下降至50BP时，美元指数快速走弱，黄金迎来反弹；2024Q3-Q4，核心PCE同比有所反弹，但降息依然连续3次落地，美元指数于2025年初见顶回落，黄金开启快速涨势；2025Q4同样在核心PCE同比反弹背景下，连续3次降息，美元指数在低位再次走弱，达到加息周期之后的最低位置，黄金也因此上涨至历史高点。

4 迷雾散去前的波动时刻

在市场持续了两个多月的缩量行情之后，中东局势和议息会议成为了打破僵局的变量。在3-6月份行情的学习效应下，难免存在对当时的“刻舟求剑”，部分投资者或许认为寻找与利率和通胀不敏感的方向将成为下一阶段的主线。但我们发现无论是宏观层面、产业层面或是通胀弹性的层面，当前都与3-6月时有显著的不同。总体而言，我们推荐：

第一，商品侧，能源是首要推荐，以石油、油运和炼化为代表的能化链条将继续受益于全球对能源的补库需求。而有色金属（铜、金、铝）作为美元对立面资产，需要关注的是利率与通胀的赛跑孰弱孰强，在加息预期落地后，布局机会已经到来。需要指出的是，当通胀的来源是能源，实际利率又缺乏AI产业加速作为支撑时，金属和能源可能并不冲突。

第二，中东局势突变带来不确定性提升，但经济、产业的基本面难以提供完全复刻3-6月行情的支撑。

本文来源：一凌策略研究

风险提示及免责条款

我们距离RSI还有多远？来自AI一线的观点

Sun, 13 Sep 2026 11:15:22 GMT

AI递归自我改进（RSI）的时间表，正成为业界最具争议的核心命题。

在播客主持人Dwarkesh Patel与三位AI研究者的深度对谈中，OpenAI联合创始人、现Thinking Machines首席科学家John Schulman预判：距离AI在所有可在计算机上完成的认知工作中全面超越顶尖人类专家，可能只需3至4年。与此同时，三人一致认为，在AI研究者生产力提升方面，两年内实现10倍效率提升具有相当的可信度。

然而，通往RSI的道路并非坦途。对话揭示出一个核心矛盾：当前AI体系在"做什么"方面已接近人类水平，但在"决定做什么"这一更高层次的目标设定能力上，仍面临根本性挑战。三位研究者的判断在多个关键问题上出现分歧，反映出这一领域深层的不确定性。

RSI的技术瓶颈在哪里

参与对话的三位研究者分别是：John Schulman、Zyphra首席技术官Beren Millidge，以及模型训练平台Baseten模型训练负责人Charlie O'Neill。

在被问及2036年若未出现"超级智能大爆炸"最可能的原因时，三人给出了不同侧重的答案。

Beren Millidge将其归结为"类莫拉维克悖论"的延续——AI可能在所有基准测试上表现卓越，但始终存在某种难以跨越的"仿真到现实的鸿沟"（sim-to-real gap），使其无法真正渗透现实世界。John Schulman则指向一个反复出现的周期：新模型发布时令人震撼，但使用一段时间后又开始"显得迟钝"。他认为，这一循环可能比预期重复更多次，因为模型在研究和工程领域仍受制于自身判断力的不足。

Charlie O'Neill提出了更深层的架构问题：当前以Transformer加强化学习为核心的范式，距离理论上"芯片可承载的最优学习者"究竟有多远？他以摩尔定律类比——这条增长曲线看似平滑，背后实则依赖无数离散的技术突破。如果AI想变得更聪明，光靠现有的技术路径（比如现有的大语言模型）已经不够了，必须发明出全新的底层技术；但尴尬的是，现有的AI可能根本没这个本事帮我们把新技术发出来，结果导致AI的发展直接撞上天花板、停滞不前。

人类最后的护城河

John Schulman认为，即便AI承担全部技术工作，定义"我们到底想要什么"将是人类最后坚守的阵地。他将这一能力称为对齐（alignment）的第一要素——"目标规格化"，即确定正确目标应是什么，而非仅仅实现一个已给定的目标。"后训练团队需要大量人员，根本原因是模型在无数场景下的行为方式必须由人来判断。"

Charlie O'Neill进一步区分了两类研究：一类是目标清晰、可量化优化的"自动化研究"；另一类是推动范式转变所需的"开放式科学"——在这类研究中，目标本身无法被预先指定。他以GPT的诞生为例：从DeepMind"通过游戏解决智能问题"的路径，到Alec Radford选择"预测大规模文本的下一个token"，这一跳跃并非优化的产物，而是人类直觉的闪现。AI系统能否复现这类跳跃，目前没有人有答案。

Beren Millidge将这一问题提炼为RSI的核心挑战："要让AI进入自驱动循环，它必须能提出目标、优化目标、判断结果，再提出新目标，并且这一循环长期不脱轨。"他警告，这或许是另一个版本的莫拉维克悖论——对人类而言最自然的自主性，对AI而言可能恰恰最难复制。

持续学习：模型能否从部署中进化

对话中一个反复被追问的问题，是推理计算是否应当反哺模型训练。Charlie O'Neill以Cursor的Composer为例，描述了一种更实时的闭环：模型每五小时评估一次在内部基准上的表现，若有改善则部署，若没有则丢弃该版本。

然而，当这一循环被放大到微观层面——针对单一企业、单一任务持续进行小批量更新时，问题便接踵而至。Charlie O'Neill指出，无论是监督微调（SFT）还是在线策略蒸馏，在迭代到数百次微更新后都会出现"灾难性遗忘"——模型开始丧失更早习得的通用能力。RL（强化学习，Reinforcement Learning）更新对模型权重的改动幅度极小，在保留通用能力方面表现更优，但正因如此，它能注入的新知识也十分有限。

Beren Millidge将问题归结为塑性（plasticity）与稳定性的根本张力："如果你无限期地在同一个基模型上持续训练，它会在某个点渐近饱和。这就是为什么人们最终还是要重新训练新的基模型。"三人预计，这一循环将随时间加速：从每三个月发布一次新模型，到每周、每天，乃至每小时——届时，连续学习的问题才算真正得到解决。

强化学习为何奏效：超出预期的原因

在对话的技术核心部分，三人尝试解释强化学习为何比一年前业界的普遍预期更为有效。

Beren Millidge将答案分解为两个层面。首先是被严重低估的中间训练阶段（mid-training）——大量合成推理数据的注入，已将模型推进至最终强化学习检查点80%的位置。强化学习本身做的，是在这个高质量起点上进行策略微调，而非从零开始习得行为。更关键的是信噪比问题：SFT要求模型精确匹配训练数据中每一个推理token，大量"噪声比特"淹没了真正重要的信号；而RL只传递"答对了还是答错了"这一比特，使有效信号获得极大的放大。

Charlie O'Neill则以"量子相变"类比预训练的平滑损失曲线背后隐藏的离散跳跃。他认为强化学习同样如此：在单个任务上，模型可能经历从0.5%到90%通过率的相变，但当数十个任务的相变被平均，加之"时间跨度泛化"（horizon generalization）效应，便呈现为宏观层面的持续进步。

John Schulman则指出RL带来能力的同时也带来了多样性损耗——经过RL训练的模型会反复使用相同的叙事主题和人物名称，创意写作的分布宽度明显收窄。更值得警惕的是，由于大量开源模型都在蒸馏Claude，"所有开源权重模型都写得像Claude，有着相同的语言习惯"，这种"单一文化的涌现"令他感到担忧。

时间线预测：从远程工作者到ASI

对话最后，三位研究者给出了一组快速预测。

实现全能白领远程工作者（能在一个月内无缝执行复杂项目、与他人协作的AI）：Charlie O'Neill预计约一年，前提是任务环境有良好的程序化接口；若依赖浏览器操作，则约两年。Beren Millidge给出三年，理由是真实工作中仍存在大量零散的长尾任务。John Schulman认为大致一年内会出现可用版本，但"能做某些事很好，另一些事不那么好"。

AI研究者实现10倍生产力提升：John Schulman给出两年，Beren Millidge表示认同；Charlie O'Neill则认为需要5至10年——他的核心顾虑在于，自己消化信息、做出贝叶斯最优实验决策的能力，是真正的瓶颈所在。

实现全域认知工作超越顶尖人类专家（即ASI）：John Schulman给出3至4年，认为AI研究是"对AI而言相对不那么难的任务，因为涉及大量代码和数学"；Charlie O'Neill则说5至10年，并明确表示"自动化AI研究基本等价于ASI"——因为世界上太多任务需要持续学习和超长上下文整合，而这些能力目前仍是系统性短板；Beren Millidge认同5年区间，但提醒将存在大量"AI理论上能学但没人分配算力"的长尾领域，这些领域的突破将延迟更久。

以下为访谈内容全文，部分有删减：

Dwarkesh Patel：

今天，我和三位AI研究员朋友聊天，每次和他们交谈我都能学到很多。他们恰好也在一些相对开放的研究机构和公司工作，所以你们可以公开谈论一些事情。和我一起的是 Beren Millidge，他是 Zyphra 的CTO，该公司正在开发开源模型。John Schulman 是 Thinking Machines 的首席科学家，此前是 OpenAI 的联合创始人，并领导了催生 ChatGPT 的 RLHF 工作。还有 Charlie O'Neill，他是 Baseten 的模型训练负责人。

我的第一个问题是：如果到了2036年，我们并没有成千上万个疯狂的超级智能在到处运行、彻底改变世界，最可能的原因是什么？排除外生的政治冲击、战争，或者他们禁止AI之类的因素。从技术角度来说，2036年没有变成疯狂的异形超级智能世界，最可能的原因是什么？

Beren Millidge：

有一个经典的现象，几乎像莫拉维克悖论一样，我们认为AI“如果它能做这个，那就会非常了不起”。如果它能解决这些困难的数学问题，如果它能赢得国际象棋等等……然后它解决了这些东西，却没有那么大的影响力。显然，它有一定的影响力，但不是一切。

如果这种情况 somehow 持续下去，始终没有出现真正的泛化火花，我认为这可能导致AI在人们放入基准测试或环境中的一切任务上都极其擅长。但仍然存在某种持续的“仿真到现实”鸿沟，不知怎么地阻碍了一切。我认为这不太可能。实际上，我们已经在实践中看到了RL带来的这种泛化。但如果元学习的泛化真的难到荒谬，加上我们没有解决持续学习问题，而且这就是超级困难、不可能……那这将是我在这种情况下默认的场景。

John Schulman：

我同意这一点。人类现在相对于模型有很多优势。每次新模型出来，它会在某些领域追赶上来。但你最终会被模型较弱的环节所瓶颈，比如判断力较差的地方，或者模型无法足够好地自我检查。

有一个不断重复的循环：新模型出来，人们惊叹不已，说“这就是了。这就是AGI。”但用了一个月左右之后，它就开始显得笨了。这个循环可能就这样一直重复下去。很难预测它会重复多少次。

现在，你没有得到能力的爆炸式增长，因为你在尝试做研究和工程时仍然会被足够多地瓶颈住。即使模型能写的代码比人多得多，它也不会让你生产力提高100倍。所以也许这种循环比我们预期的要多。

Charlie O'Neill：

对我来说，问题在于“你可以在芯片上拥有的学习器”的全局最优解与 transformer + RL——基本上是当前的配方——之间有多大差距。人们想象，一旦你有一个在所有AI研究上都比所有人类都好的智能体，即使它只比所有人类好0.1%，那么你可以并行运行数十万甚至数百万个这样的智能体——而且随着芯片速度提升，你可以运行得快得多——这将压倒所有其他瓶颈。你最终会在自我改进方面达到非常快速的起飞。

我可以想象，如果我们继续沿着当前范式——基本上是自注意力、RL、扩大RL环境——的轨迹前进……想想摩尔定律发生了什么。我们有一条非常好的直线，持续了非常非常长的时间。但为了保持那条缩放定律，必须发生许多离散的不连续性和创新。LLM也发生了同样的事情。我们有预训练缩放定律，然后它遇到了收益递减。然后我们想出了RL并解决了那个问题，然后我们又得到了一条新的收益递减曲线，让它看起来像一条直线向上延伸。

所以，如果它需要另一个这样的不连续性来解决，我不确定当前用这些RL环境训练LLM的方法——即使是针对RSI的RL环境——是否能够发现那个不连续性。如果不能，我们可能会撞上一条渐近曲线。

Dwarkesh Patel：

但你认为这个不连续性会比2012年以来的任何事情都更难吗？

Charlie O'Neill：

如果我们知道那个答案，我们差不多就有能力实现它了。但也许我们应该区分：一个是添加到当前范式中的不连续性，它是累积的——有一些超越RL的东西我们必须发现，也许它们能够在那条直线上连接各个点——或者，还是那个问题，我们离全局最优解有多远？我们是否必须回头抛弃梯度下降和神经网络本身？我不认为，如果你继续扩大当前范式，一个LLM，无论你运行多少个LLM，如果差距太远，它一定能够发现那个不连续性。

Dwarkesh Patel：

唯一的希望真的是深度学习无法把我们带到至少能够主导人类研究和人类开发的AI，包括人类提出新范式等能力。或者，我不知道，也许人类也永远不会发现下一个学习架构。但就人类最终可能发现它而言……但看起来……如果你只看2012年至今的进展，然后继续下去——我知道这只是由大量计算扩展等推动的——如果它没有达到至少在研发领域主导人类的地步，那会很奇怪，尤其是在未来几年。

Ryan Greenblatt 最近上了播客。他提出了一个观点，我很好奇想听听你们的想法。你可以想象，随着AI变得越来越有能力，它们能够在模拟中取得进展，这些模拟激励它们不仅在AI研发上变得更好，而且在一般科学上也是如此。这是所有实验室都在瞄准的目标，许多初创公司也在瞄准。

另一个直觉泵是，如果你看自80年代以来国际象棋机器人的Elo分数。Elo随时间非常线性地增长。但当它们越过人类范围时，有一个巨大的不连续性，从人类专家总是赢AI，到人类专家永远赢不了AI，而Elo线性增长。

我同意你的观点，到目前为止，AI能力在世界上的最终经济影响并没有那么大。但那是因为它们相对于人类的Elo在缓慢上升。

Beren Millidge：

我同意这会很令人惊讶。这不发生的唯一方式是，正如你所说，它在某个点之前渐近地趋于平缓。因为在我看来，我们已经非常接近开始越过人类Elo分数的点了。所以我们需要在那之前渐近。这是在你提出的这个场景中——不知怎么地我们在2035年坐在这里，一切都正常——这发生的唯一方式。我认为另一种方式是AI受到戏剧性的监管。实际上，这在我看来是这个场景发生的最可能方式，而不是技术原因。

Charlie O'Neill：

我认为有不同类型的研究。有一种自动研究风格的研究，目标已经被非常清晰地指定，你在优化那个目标。我认为每个人都在想象，如果我们继续沿着让预训练损失下降、让我们的环境奖励上升的路径前进，那将带来改进。

但也许Ryan所谈论的是这种更加开放式的科学，它是范式转变所必需的，我们无法指定目标，AI也绝对无法指定那个目标。我们必须非常非常小心地为这些事情指定目标。

Dwarkesh Patel：

也许你的观点是，2012年以来发生的突破的本质是，我们发现了……2012年，人们并没有说……我假设，我不知道，你们当时在场。至少John，你当时在。但我没有。

Charlie O'Neill：

我当时在上小学。

Dwarkesh Patel：

实际上，John，我很好奇你的“岁月智慧”，或者说是“在战壕里”的智慧。想必，一个重大突破是意识到下一词预测是……你不会想到2014年nanoGPT speedrun是要优化的东西。但现在我们已经来到这个新范式，你会想到在那上面做speedrun，让AI变得非常擅长那个。

但也许有下一个需要优化的内循环，AI不会预见到。有一个收入的外循环或者其他什么，最终应该很强，但它是一个非常慢的外循环。

John Schulman：

事实上，我记得在OpenAI早期，有种直觉认为仅仅最小化对数损失不会让你达到智能。因为重要的部分在损失中占比如此之小，以至于会被噪声淹没。所以仅仅在下一词预测上训练语言模型不会学到你想让它学到的有趣东西。我们需要设计更好的目标，更加强调重要的东西。

你可以为此提出各种论据。你可以说，“哦，人类可能不会学习为环境中的一切建模。大多数人无法对他们看过的某个场景进行照片级逼真的再现。所以我们一定需要更好的目标。”但后来事实证明它就是能行。

Dwarkesh Patel：

正如你指出的，即使在当前的AI研究中，后训练基准的内循环也不一定转化为用户喜欢的东西。

John Schulman：

哦，是的。整个领域非常依赖泛化，很难预测你什么时候会得到泛化，或者你什么时候会得到某种分布外泛化。我们知道，如果你在你关心的任务上训练，你会做得更好。但最重要的进步往往是那些我们根本没有理由期待的泛化类型。

例如，仅仅在这个非常朴素的下一词预测目标上预训练，就能泛化到各种需要以某种深层方式理解输入的任务，或者从预训练中学习某种非常罕见且代表性不足的技能。然后还有从可验证任务到不太可验证任务的泛化，这也是一种先验上没有理由期待的泛化。

Dwarkesh Patel：

这是一个有趣的问题，因为一个直觉泵可以解释为什么你会看到某种奇点非常迅速地出现——甚至不用扩大AI进步的输入，不仅仅是AI劳动力——那就是在你运行每一个七位数的实验之前，你在AI劳动力上花费了等量的计算。所以你有了你们这些人的自动化版本，花一个世纪思考什么是最优实验，做小规模消融，发展出 literally 一个世纪的理论，甚至可以追溯到深度学习之前。

在你决定运行什么实验之前，你在做极其最优的实验设置。然后实验结束后，你花一个世纪思考发生了什么，以及下一个要运行的实验是什么。

John Schulman：

如果你足够努力地思考，你很可能事先就能预料到其中一些事情。可能存在某种非常聪明的方法来做小规模实验，让你建立理论，然后泛化到大规模实验。所以我预计我们远未达到研究能做到多好的天花板。

我可以想象一个未来，AI做大量的分析和理论构建，花费与实验本身相当的计算，做各种分析并围绕我们目前所看到的东西建立理论。

Charlie O'Neill：

我认为当目标被明确定义时，有非常具体的例子。所有思考能做的就是根据你形成先验后获得的比特来更新你的后验。你无法仅仅通过思考获得任何新比特。但当目标被明确定义，且有数据摆在那里时，我想在当前范式中会有很大的加速。

一个很好的例子是，如果你让AI思考Kaplan缩放定律。此时AI会注意到，“哦，他们只是取了这些中间检查点，没有考虑退火，所以这是错的。”那会在几年前就被抓住。我们会因为AI的那个观察而缩短一到两年的进展。

再次，一旦目标被明确定义，也就是更低的预训练损失或其他什么，有很多很多好例子表明，如果你多思考一下，你就能显著减少你已经做过的事情。比如muP，以及学习率如何随模型规模缩放，并意识到模型宽度在其中也很重要。我觉得你真的可以倒推出很多这些东西，砍掉很多低垂的果实。如果我们的目标只是“最大化我们当前的目标”，我会想象有10倍的加速。

但我不认为这能泛化到一开始就提出正确的目标。仅仅思考不一定能给你正确的目标。

Beren Millidge：

我认为这对任何来自当前AI的非常快速的RSI来说都是关键问题。AI能多好地泛化到学习它们自己的目标？要有任何自我推动的自动化循环，我们需要AI提出目标、优化它们、搞清楚，提出新目标，并让这在很长很长时间内任何时候都不失控。

回到莫拉维克悖论，可能存在一种莫拉维克悖论的情况，我们认为这种自主性和自我封装——我们可以自己想我们应该做什么，然后去做，并有这个循环——是超级容易的，因为我们总是这样做。显然，进化需要创造出能够长时间独立生存的生物。而这可能只是AI出于某种原因真的很难做到的事情，就像运动 stuff 真的很难但数学超级容易，尽管数学对我们来说超级难。

Dwarkesh Patel：

但时间跨度增加不是表明——

Beren Millidge：

是的，没错。这是另一种可能性，但我同意，没有明显的证据支持这一点。事实上，我们的智能体现在超级持久，做这件事相当容易，这算是反对这一点的证据。但如果这很难，这可能是我们没有得到这种立即起飞的原因之一。

Dwarkesh Patel：

如果你回顾2012年到现在——或者也许从你开始做研究到现在——自那时以来发生的所有创新中，包括纯工程的、纯概念的，哪一件看起来是人类在AI完全自动化AI研发之前最后必须做的事情？

Beren Millidge：

可能只是迭代地提出正确的问题。如果你能让AI做任何实验，你仍然需要决定做什么实验。现在我认为AI在这方面与编写实验代码相比还不太擅长。每当我们谈论研究时，它们提出一堆杂七杂八的东西，都是非常非常小的步骤。

Charlie O'Neill：

甚至从DeepMind的方法——“我们将通过学习以超人类水平玩游戏来解决智能”——到像Radford这样的一个随机研究员——“我将尝试预测非常广泛的数据的下一词”……即使Radford发现了这一点，人们也花了一段时间才决定扩大规模，因为我们必须提出缩放定律的想法，以及你可以非常可靠地预测这些事情的事实。

John Schulman：

我想说，人类最后的工作，或者说人类角色中持续最久的，是定义目标和决定我们真正想要什么。在这方面，比如决定AI助手应该如何行为，或者什么是有帮助的，或者当我们做RLHF时目标是什么，就是这样的事情。然后后来，定义宪法和模型规范是另一件事。即使AI能做所有技术工作，我们仍然需要做很多这样的事情，决定我们真正想要什么。

Dwarkesh Patel：

对齐是最后的工作。

John Schulman：

对齐算是答案。但对齐本身可以分解为目标规范，或者说搞清楚正确的目标应该是什么，然后实际实现或优化你定义的目标。我认为第一个在短期内不会消失。

如果我想到一个后训练团队，为什么需要很多人在团队里，就是因为有很多不同的领域你需要弄清楚模型应该如何行为。很难把整个事情自动化，因为必须有人思考模型在这个领域应该如何行为。

00:28:06 – 自动化的AI研究员将如何训练

Dwarkesh Patel：

我还有一个问题是，第一批能够自动化AI研发的模型实际上将如何训练。有一个玩具版本，就是Ryan所说的。你只是让GPT-8尝试构建GPT-3大小的模型，这些模型非常擅长内循环类型的挑战：击败需要持续学习的视频游戏，或者用最少的计算达到某个损失，等等。

但John，我认为你有一个有趣的观点，也许这不是实际发生的方式。所以我很好奇，到了你实际有能够自动化AI研发的AI的时候，它们可能是如何训练的？

John Schulman：

我们可能会做一些组合：从人类反馈中学习以吸收研究员的品味，以及创建大量涉及做多步研究项目的练习环境。人们实际上会做这两件事的某种组合，每次迭代修补上一次迭代中看起来最糟糕的东西。研究员会大量使用AI，并注意到它们有一些一致的弱点。这些东西要么通过收集人类反馈来修补，要么通过创建环境来修补。

Charlie O'Neill：

也许一个有用的思考方式是，我们回滚多少传承，然后从那里让自我对弈。在极限情况下，你想象只是给它们一个GPU，也许还有神经网络什么的，然后说，“好吧，弄清楚如何训练一个模型来做这些特定任务。”目前的工作方式是，我们一直走到传承的最边缘，说，“好吧，这里是Anthropic在过去几个月在他们的训练堆栈中发现的bug。我们会把这些变成环境。”你需要训练并在前沿上变得更好。所以你显然锁定了之前传承的所有历史。

但你可以想象一个世界，你回滚到GRPO之前之类的。然后你有环境试图让它发现RL模型的最佳形式，然后也许你回滚得越来越远……但我认为我们仍然会被计算瓶颈住，人们只会继续待在前沿，基本上把自上次模型版本以来发现的bug和任何改进变成训练环境。

Dwarkesh Patel：

这对在模型代际之间拥有非陈旧的新数据也非常好。再次，这基本上是AI实验室内的持续学习，通过环境和RLHF类型的东西将过去三个月的AI研究进展蒸馏回模型本身。

Charlie O'Neill：

而且这是蒸馏。这可能就是为什么我们中一些人觉得它是渐近的。你总是只是试图获取过去三个月的进展。那个进展当然是由AI贡献的，但它也仍然有人类在循环中。感觉你只是在不断地越来越接近人类研究员正在发现和能够做的事情。

Beren Millidge：

不过我要说的一件事是，显然如果你只是在轨迹上蒸馏，你永远无法超越它。但环境可以远远超越人类能做的。设计一个人类无法解决但AI显然仍然可以尝试解决的环境非常容易。那将是超越人类AI研究所能做的路径。

Charlie O'Neill：

你有关于RSI的例子吗，什么样的训练集？

Dwarkesh Patel：

Nanochat speedrun，但比人类speedrunner更快。

Beren Millidge：

我觉得特别是在AI研究中，定义目标非常容易。你可以说损失需要是1.3之类的，现在没有人类能做到。但这是一个极其可衡量、可验证的任务。如果AI做到了，那就太好了。

Dwarkesh Patel：

或者我不知道，构建一个1亿参数的模型击败Minecraft。那可能太容易了，但击败一个更复杂的游戏之类的。

Charlie O'Neill：

1亿参数的模型击败Minecraft，这不是很疯狂吗？我们称之为太容易了？想象一下如果你五年前这么说。

John Schulman：

我想说很多研究并不完全是这样，不是在一个明确定义的目标上爬山。更像是，我们有一个关于模型应该更好的某种方式的直觉。我们也有一些似乎朝这个方向走一点的算法的想法。所以让我们想出一个任务，旨在展示这种方法的生命迹象，看看我们是否得到那些生命迹象。如果我们得到了，我们可以制作越来越现实的任务版本。

Dwarkesh Patel：

它更多是由直觉引导的。内循环是测试那个直觉，而不是测试本身导致洞察。

John Schulman：

对。你不是直接优化你最终关心的目标或实际生产目标。你稍微放松你的目标。你说，“让我们在现实性轴上稍微放松一点，找到一些实际有效的方法，然后在方法成熟一点后再回到现实性。”

还有更偏向解释和发展理论的研究。通常我们在机器学习中没有那么有预测性的数学理论。但我们有很多关于正在发生的事情的更非正式的理论。

Beren Millidge：

想必模型会在所有这些任务的某种组合上训练。有些非常容易验证，有些是LLM作为裁判，或者只是问人类，“这看起来合理吗？”希望这些都能泛化到这些更难、更模糊、更朦胧的任务。它可能在一定程度上会。它是否能泛化到足以让循环变得自我封闭、完全不需要人类在循环中，还不清楚。

00:33:51 – 长视界RL会引出AGI吗？

Dwarkesh Patel：

也许退一步。这似乎是我对AI研究未来计划的理解。你告诉我你是否认为它会成功，或者你是否同意这个描述。赌注是，我们将在数百万个多样化环境、数百种不同领域中扩大RLVR训练。在另一端出现的是一个智能体，它学会了这些基本技能——或者低于基本技能——关于坚持、能够分类信息和上下文，最终端到端优化与其他智能体合作等。这样的智能体在上下文中将非常样本高效——你做了关于如何扩大上下文学习使其任意长的研究，但你继续扩大。最终出来的东西基本上像一个可以连续工作一周或一个月的即插即用远程工作者。

首先，你同意这是实验室正在下的赌注吗？其次，这足够吗？基本上学习如何在数据中心内的这些模拟中学习，然后部署到现实世界，但实际上不从现实世界部署中学习……只从数据中心模拟环境中学习这些元技能。

Charlie O'Neill：

我认为现在很难区分实验室的努力有多少用于直接的RSI， versus 制造他们可以继续部署以收集收入来资助下一次大训练运行的通用智能模型。

对于后者，是的，那可能只是他们正在下的赌注。非常清楚，这些环境在过去几年中的走向模式。Anthropic的环境传承是一个很清晰的例子。首先，我们只关注编程，我们会变得非常非常擅长那个。然后，从编程中获得的任务视界——这可能是最容易获得的数据，可以创建环境，以及他们自己的内部东西可以变成环境——然后我们要泛化。

我们要接下来做金融，在RL训练中 literally 有那么多Excel数据和所有那些东西。然后是PowerPoint。这是工作经济的长尾。那似乎非常有效。很多其他实验室，甚至开源实验室，现在已经意识到那是正确的赌注。

Dwarkesh Patel：

但从中得出的含义是什么？当Dario上播客时，我问他的事情是，如果你真的期望模型在在职学习能力上像人类一样，你为什么要试图烘焙所有这些与PowerPoint等工作的技能？你不就期望模型在部署时能够学会这些吗？

有几种不同的解释。一种是我们期望模型很快达到那里，但它们还没有，所以为什么不把这些技能摊销到模型训练中？另一种是我们不专注于让它非常擅长广泛部署的工作。我们只是让它非常擅长RSI。这只是我们获得收入的一种方式，以便我们可以把它倒回一个真正擅长做RSI开发的模型中。然后一旦奇点发生，另一端出来的东西将非常擅长所有对当前一代模型来说似乎是瓶颈的事情。

John，我不知道你是否对如何理解为什么这些模型中有这么多任务特定知识有看法，如果路径是这种泛化的话。

John Schulman：

如果模型在上下文中学习足够好，那么理论上，你不需要在金融上训练它们。它们可以即时阅读所有书籍并弄清楚如何在适当的司法管辖区做一切。你可以争辩说，你需要做很多领域特定的训练只是为了让它们更高效。即使它们足够聪明可以在飞行中弄清楚，你仍然可能想要做一堆RL并把所有这些直觉烘焙到权重中，这样模型在运行时会更高效。

在实践中，模型提供商似乎确实在逐个领域地尝试加强模型在最高价值领域的能力。我会说这是模型为什么变得好得多的答案之一。只是因为模型提供商已经覆盖了很多高价值领域和最常见的技能类型。

Beren Millidge：

另一件事是，同时做两件事并不那么昂贵。模型是巨大的。就参数而言，它们可以轻松负担学习一切。可能会有一些迁移。即使金融不特定，信息对RSI也很重要。只是关于如何弄清楚什么重要、如何有品味、如何做长视界工作的一般元学习可能具有泛化性。

世界上也没有那么多RSI数据。它很难生成，需要很多努力。所以如果你能在这个其他数据中摊销，你就能从中得到一些迁移。你已经有大量的计算和大量的参数空间，所以为什么不同时做那个，以及显然的销售模型的直接商业意图？

John Schulman：

我要补充的是，有一个问题是这种当前的仿真到现实范式是否会永远占主导地位。你看看现实世界的任务是什么样的。然后你尝试创建一堆可以在数据中心模拟的环境，你可以对它们做RL。显然，这非常成功。但它有很多弱点，因为很多事情就是很难模拟，特别是如果它们涉及与一堆人类实时互动。所以有一个问题是仿真到现实是否会永远占主导框架。

Beren Millidge：

我认为只要样本效率低，仿真到现实就必须是主导框架，因为现在你需要成千上万次与人类的互动。没有人会坐在那里成为RL训练的循环中。所以我们现在必须模拟那个来获得你需要的样本。但显然，如果样本效率大幅提高，你会期望从部署中学习成为更大的部分。

John Schulman：

不过你也可以做其他事情。你可以离策略学习，所以你可以取所有轨迹，即使不重新模拟一切，你也可以潜在地从中学到东西。

Dwarkesh Patel：

我想多问一下这个，因为很奇怪，你有50%的计算花在推理上，而这并没有直接帮助模型变得更好。你期望数字心智最终拥有的一个关键优势是，不像人类有50年的现实世界经验，模型将通过其所有实例，在经济中所有经济相关工作中获得数百万年的部署经验。现在，那个数据在有意义的意义上并没有帮助模型变得更好。

看起来如此明显，最终模型应该能够从这个数据中学习。一旦它们这样做了，你就会有某种感觉像是广泛部署的智能爆炸的东西，因为模型正在所有这些部署实例中吸收如此多的信息。你期望这种蜂群思维、疯狂的东西什么时候开始发生？

Beren Millidge：

我认为从非常基本的层面来说，这已经在发生了……只是在下一代模型中。现在，你显然可以取你的部署数据，把它放入未来模型的预训练或中期训练中，特别是如果你做一些过滤或某种判断或注释或合成的话。

Dwarkesh Patel：

你认为这在多大程度上解释了代际改进？

Beren Millidge：

我认为它解释了相当多。我不知道实验室是否这样做，因为理论上他们声称不在人们的数据上训练。但其他国家100%这样做。他们肯定得到这个优势。这基本上就是蒸馏。他们取模型，通过ping模型获得一部分部署数据，然后他们在此基础上训练下一代模型。他们当然也可以在自己的模型上这样做。完全没有理由不这样做。

Charlie O'Neill：

我完全同意。如果你退得足够远，这肯定在发生。我们都在想象的，持续学习的圣杯，是这个非常有机的、实时的循环，一个单独的模型获得经验并即时实时更新并从中学习。当你放大到那个粒度时，很多事情会崩溃。但大实验室正在这样做。闭源模型正在这样做。

也有早期迹象表明人们使用开源模型以更快的节奏这样做。一个很好的例子可能是Composer。Harvey在法律智能体上也在做同样的事情。你有某种模型，你从你拥有的特定任务数据中获得非常具体的环境，以及用户抱怨的事情，以及你以某种方式从你的特定部署中提取的所有反馈。很多这些公司比大实验室有优势，因为他们可以真的非常好地使用这个数据。

然后他们会创建环境。他们会对Kimi K3进行大的后训练。他们会部署它。他们也可能做一些在线学习，就像Composer做在线……基本上是REINFORCE很长时间。

仍然有人在循环中。仍然有人说，“好吧，这些是我们关心的信号。这是我们将如何从我们拥有的数据中创建环境。”它仍然比你想象的那个节奏要长，但它确实在发生。最终那个循环会越来越快。

Dwarkesh Patel：

Composer的事情很有趣，因为在Cursor中，人们按Tab或不按Tab在模型建议的下一个补全上。基于此，每一天，Composer在预测下一个方面变得更好——

Charlie O'Neill：

那是旧的Tab模型。他们实际上对实际的生成模型也做了同样的事情，不仅仅是Tab模型。

Dwarkesh Patel：

哦，我明白了。有趣。

Charlie O'Neill：

这很难，因为当你做在线强化学习时，你没有组。你只有一个用户说一件事，然后你得到一个rollout。所以你有一个很大的方差减少问题。

Cursor对此的模糊答案是，“我们有非常好的启发式方法，能够估计这个响应比平均好多少，或者比平均差多少。”然后他们会做这个大的REINFORCE更新。他们对它是否变差的解决方案是，如果它在CursorBench上改进了，他们每五小时部署新模型。如果没有，他们就扔掉那个版本。

John Schulman：

我认为你最大的问题实际上只是不知道自然数据的奖励函数应该是什么。如果你使用某种肤浅的信号，比如他们是否接受了编辑，那可能会以某种方式被奖励黑客。

00:45:24 – 仿真到现实的鸿沟

Dwarkesh Patel：

但这不是仿真到现实事情的更大问题吗？任务视界越长，就越难在数据中心内模拟。在我看来，即使在编程中，我们已经到了没有一个为期一年的编程任务最终不需要你与客户交谈或与公司互动或与用户互动的点。

如果你想想我们想要AI能够做的所有事情，最终超级智能应该能够经营企业，或创办新企业并使其盈利，或在市场上进行有利可图的日内交易，或赢得官司。这些都是很难在数据中心模拟的事情。其中固有的学习部分是与现实世界互动。

也许它们从仿真到现实的迁移中学习如何在这些事情上变得更好。但或者，也许你确实需要从这些类型的互动中进行权重更新才能变得更好。如果是这样的话——如果迁移不够强，你确实需要权重更新——那么模型样本效率相当低可能是一个更深层的问题。

我对此好奇的原因是，默认情况下，我看不出你怎么会在未来10年内不得到某种疯狂的递归自我改进。但这可能不发生的唯一原因是，在权重更新的样本效率方面，模型似乎远远落后于人类。它们可能比人类在从出生到成年看到的数据量 versus 模型从冷启动到完成训练看到的数据量方面落后百万倍。

这一切是说，首先，从模拟到我们想要AI在现实世界中做的极其长视界、非常复杂的真实事情之间会有良好的迁移吗？如果没有，那是否真的意味着这些模型缺乏样本效率会反咬我们一口？

Charlie O'Neill：

也许我分解两种类型任务的方式——模型变得擅长的任务和模型将继续挣扎的任务——是看任务是累积的，还是你有这个非平稳分布，你必须不断学习和重新争论一堆东西。

一个累积任务的例子可能是RSI。理论上可能有一个不到一百万token的Python文件，从头开始训练一个能够递归自我改进的模型。你做的每一个发现都是你守住的一条线。如果RSI不需要我们发现新的注意力变体之类的，那么一旦你发现了注意力，一旦你发现了混合专家，一旦你发现了GRPO，你就把它添加到训练堆栈中，它就在那里了。

一个很好的例子是5.6 Sol训练，5.6 Terra，或者OpenAI告诉我们的任何一个。它不需要回头发现注意力。它基本上会调用一堆脚本，像pre-training.sh和post-training.sh，然后就这样做。那是累积任务的一个例子。

我认为现实世界——以及人们如此思考持续学习的原因——并不是一个累积任务。想象在一家律师事务所，你有一个智能体作为法律助理。那是一个非常非平稳的分布。你必须能够在你的上下文中容纳公司里所有重要人物之间的所有关系，这些关系也一直在变化。你有所有这些关于事情如何做的隐含方式，在哪里找信息，等等。那不是像RSI那样干净的累积任务例子。

我认为任务之间会有这种分解。但如果实验室意识到这一点——他们确实相信RSI是累积的，即我们不需要回头发现某种全新的架构之类的——那么也许越来越多的努力和计算会集中在那个上面， versus 其他任务。

Dwarkesh Patel：

RSI恰好比当律师助理更容易，这真是太不幸了。

John Schulman：

我想说今天的模型在很多不同方面都比人类弱。其中一些可能与某些 regime 中的样本效率有关。在某些 regime 中，模型非常样本高效，比如在上下文中学习。但可能有一些中等长度的 regime，它们样本效率较低，因为人类可以比模型更高效地做某种权重更新。我认为在某些 regime 中样本效率较低可能是弱点的来源之一。

但我认为还有其他完全不同的弱点来源。例如，思维的多样性低于人类，或者在某些长视界判断上表现不佳。我认为很多人们称之为品味的东西是关于长期有效的行为，是人们已经意识到长期有效的行为。不是全部，但品味的某些方面。特别是对于软件工程，我认为很多品味是“什么系统在项目的长期运行中可维护且运行良好？”

模型有各种各样的弱点限制RSI以及其他事情。有些与样本效率有关，有些无关。

Charlie O'Neill：

也许一个有趣的思想实验是：假设你能够给一个模型一个一万亿token的上下文窗口，或者你需要容纳你在RLHF之前的经验所需的任何东西。它在上下文窗口中有所有这些经验，并且它具有与一百万token时相同的样本效率和上下文学习能力。你认为品味就解决了吗？它能够做出与你相同的判断吗？还是除了更长的上下文窗口和相同的样本效率之外，还有什么根本性的缺失？

John Schulman：

它必须被训练从那个上下文中学习。要么它必须被训练从那个上下文中做出正确的更新，要么它必须泛化。

Charlie O'Neill：

所以你不认为你可以只是把它全部倒进去，你的整个生活，你的研究经验？

Beren Millidge：

你仍然需要数据来训练它长上下文。即使你理论上可以得到一万亿上下文，你也需要一万亿长度的数据来训练它。现在你有10k上下文，你不能只是倒进一百万。

Charlie O'Neill：

是的，我只是问如果你有那个。

Beren Millidge：

理论上，我认为，是的。这真的只是归结为品味从短视界片段中有多少是可元学习的问题。我觉得没有明显的理由它是超级长的，因为人类以某种方式发展了品味，而没有很多长片段。我们活不到10,000岁。我们发展得相当快。

如果你想想即使是一个博士，第一年博士生和最后一年学生或博士后的区别，那大概是五年。他们总共可能只做了10-30个研究项目。但他们从相对较短的一系列小事情中相当快地发展了品味。理论上，有可能像那样发展它。

AI显然将有远远更多的经验来发展品味，元学习它。然后问题是它如何泛化到真正长视界的事情，我认为这在这一点上真的没有解决。我们不知道。

Dwarkesh Patel：

回到这个问题，最终应该有一个 regime，AI从每个单独的部署实例中学到很多东西。目前你可以说有一个模糊的元过程，模型确实从部署中改进。但我觉得这是一个非常弱的反馈循环。你看到这个在地平线上吗，有这种蜂群思维的学习非常快速，如果是这样，它到底是如何发生的？

John Schulman：

我想说我们是否得到一个从所有部署经验中学习的蜂群思维，很大程度上是激励问题，而不是技术问题。公司不会想要让模型提供商从他们所有的部署中学习，因为那可能只会降低他们业务的优势。

Charlie O'Neill：

我认为这方面的经济学会施加压力，不一定是权重更新到一个大的共同共享模型，而是模块被替换进来。一个非常明显的例子是LoRA，但它可能是别的东西。

有很多工作试图将任意上下文长度装入固定大小。这些都是线性注意力 stuff。还有cartridges，本质上是训练得非常非常压缩的KV缓存，以容纳大量信息。这是另一个例子，公司可能愿意签署，如果它被替换到模型中，并且实际上不改变基础底层模型本身。

有很多不同版本的从你的数据中实时学习。后者实际上并没有帮助大实验室，因为它们只是这些模块。但我认为经济压力会迫使实验室先走这条路，然后他们才能开始这个……

Beren Millidge：

但是哪种经济压力？我觉得即使你有一堆cartridges或LoRA什么的，你仍然可以取所有这些轨迹并把它们倒入你下一代模型的预训练中。

Charlie O'Neill：

是的。这可能是大实验室正在获得的一种更间接的学习形式。这对他们来说显然仍然非常有价值。但我无法想象一个世界，我们从“我们将直接在这个大模型上训练我们获得的所有确切数据”开始。

Beren Millidge：

不，我认为它肯定会经历阶段，因为这假设有一个不连续的事件，突然我们持续地修复权重更新。在实践中，我认为更可能是cartridges之类的东西让你在部署中专门化。然后你生成轨迹，你把它放入你的模型，三个月后你出来一个在这个东西上更好的模型。你再次专门化它，你再次巩固它，然后最终我们会让这个跳跃越来越快。

不是每三个月发布一个模型，现在是每周，然后每天，然后每小时，到那时我们基本上已经解决了。

Charlie O'Neill：

我认为这也是一个好点，因为你问当前范式离能够做到这一点有多远。我们对此做了一些研究，人们也做了很多研究。在非常大的规模上，当你洗掉足够的噪声并且有足够大的批次时，这个将数据放入中期训练并创建我们自己的环境的外循环过程在某种持续学习 regime 中确实有效。

但问题是，当你放大到微观层面足够近时——我有一个模型，我试图再次为一家律师事务所更新它之类的，我试图用相对少量的数据非常连续地这样做——所有方法都有点崩溃。如果我只是在成功的轨迹上SFT模型，离策略或在策略，最终在非常迭代的 regime 中，当你做数百个这些微更新时，你会看到灾难性遗忘。你看到之前在学习的基础上学到的信息的遗忘，那个基础模型要早得多，你看到一般能力的退化。

在策略蒸馏似乎把这个视界推远了一点，但它最终仍然屈服于同样的事情。RL擅长把能力放进去，但它不擅长把知识放进去，这种非常明确的知识，“啊，好吧，这个人在这个律师事务所做这个，这是我们发现的一个非常具体的流程。”你必须投入大量计算来创建正确的环境，用RL把知识放进去。

Dwarkesh Patel：

你认为这里的根本问题——为什么你在这些其他技能上变差或者有遗忘——根本上是容量问题还是技术问题？

Charlie O'Neill：

两者都有一点。我认为SFT甚至策略蒸馏可能破坏性太强。RL之所以如此好的原因是它只改变模型非常非常小的一部分。有很多证据表明为什么是这样。它只是在非常非常小的损失谷中微调它，把它带到正确的点。但那也限制了你可以用RL做什么，你可以实际改变模型多少。

Dwarkesh Patel：

所以你是说，为什么这不是赢者通吃，可能的原因是，很难在迭代的方式中把那么多信息蒸馏到基础模型中而不破坏某些东西？

Charlie O'Neill：

不破坏某些东西，以迭代的方式。

Beren Millidge：

把它蒸馏到一个不同的基础模型中是容易的。这是我认为主要是技术问题的地方。肯定不是没有容量。如果你有一个拥有所有这些数据的模型，你取字面上相同大小的模型，用所有这些东西在中期训练中从头预训练，它会更好。我认为这就是今天发生的很多事情。

非常有一个瓶颈阻止我们只是永远训练同一个模型， versus 只是从旧模型获取所有数据并从头训练一个新模型。这正如Charlie所说：可塑性和灾难性遗忘的某种组合。如果你只是天真地在非平稳数据上训练，因为你随着进展添加新数据，这会扰乱数据分布，所以旧的东西就被遗忘了。我们真的没有好的方法来阻止这种情况发生。

Dwarkesh Patel：

所以也许在极限情况下，你只是被从头重新训练模型与所有这些新信息所瓶颈。

Beren Millidge：

是的，这当然非常昂贵。从头训练模型是昂贵的。

Dwarkesh Patel：

但你无论如何都会这样做。

Beren Millidge：

不一定。也许最终，如果你有持续学习，你永远不训练新模型。你只是有一个模型，它不断学习和扩展。

Dwarkesh Patel：

但可能有一些深层技术原因使它非常困难。

Charlie O'Neill：

这就是问题。我认为我们已经推迟了我们需要从头做多少。现在肯定可以取预训练基础并在其上做非常好的中期训练，有点连续地，加上从训练后期不同检查点的一些RL。那看起来更像持续学习，但它肯定不是取最近的模型，应用几个非常小的更新，然后迭代地从不丢失任何东西的情况。

Dwarkesh Patel：

抱歉，我有点困惑，因为这不就是在训练期间发生的事情吗？在后训练或其他什么期间，你有一个已经经历了如此多训练的模型，然后你蒸馏一个已经进一步RL'd的分叉。这不就是字面上发生的事情吗？

Charlie O'Neill：

但它仍然在足够大的规模上，我认为，你在洗掉很多噪声，你不是只专注于一个分布，正如Beren所说，这是问题。如果你只专注于一个任务——

Dwarkesh Patel：

但在最终 regime 中你会做……有数十亿个部署实例。你同时从所有实例中学习，所以希望从那里洗掉一些噪声。

Charlie O'Neill：

也许在那个规模上，是的。

Beren Millidge：

正如Charlie所说，你肯定可以做持续中期训练很长时间，你可以回滚到一个检查点并给它新的中期训练数据。但与此同时，你不能无限期地这样做。如果你只是永远持续训练同一个基础，它在某个点会渐近。你不能只是在那基础中学习新东西。这就是为什么人们最终训练新的基础。否则你会只是永远中期训练同一个基础。

01:00:33 – 有多少进展是由数据解释的？

Dwarkesh Patel：

让我们谈谈数据。我通常对AI进展有多少只是由数据进展解释的问题感兴趣。这并不意味着它一定难以自动化，但那是另一个问题。是否存在某种数据分布，如果你在当前架构上训练它，会得到一个完全主导每个领域人类专家的超级智能？

Charlie O'Neill：

我们是在谈论预训练加后训练数据，环境也包括吗？我认为它的存在是显而易见的。只是我们是否能创建正确的环境来达到那里。

Beren Millidge：

在平凡的情况下，我们可以只是训练它输出训练实际超级智能的Python文件。只是让那个记忆在权重中。

Charlie O'Neill：

是的，可能有一个RL环境的阶梯，可以构建这样的环境，使你会得到一个至少和人类研究员一样好的AI研究员。但爬每一级阶梯的努力呈指数增长。这是你必须权衡的两件事，关于我们多快会达到最后一级阶梯，在那里它更好。我认为这相当清楚。

我们在RL环境创建方面仍然相对较早。我们利用很多不对称性来创建好的环境。我们之前谈过的一个不对称性是，有些环境倒退比前进更容易。我的意思是，很容易定义这个复杂的数据生成过程，这是你隐藏起来不让模型看到的潜变量。你可以生成任意复杂的环境，模型必须做大量不可约的token花费和不可约的工作来弄清楚那个数据生成过程是什么。

在从现实世界注入信息方面也有不对称性。Anthropic通过数万人类和LLM的结合发现一个bug，并把它变成一个非常非常简洁的环境，单个LLM理论上可以在几百万token内找到。有所有这些不对称性我们在挑选，我们指望这种任务视界泛化。

但我认为它在某个点会撞上收益递减，在创建那些环境本身有多难的收益递减，想出它们，因为你不一定能有这些倒退比前进更容易的过程。你实际上必须坐下来构建一些看起来像足够长时间视界与人类的东西，这将是一个真正复杂的任务来创建。然后还有计算和时间瓶颈，让智能体实际做那些任务。我认为你会开始看到这条曲线变平。

John Schulman：

我看到一些关于有人微调Talkie模型的东西，它只训练到1930年的数据，在现代编程智能体数据上。它在SWE-bench上比Claude 3 Opus做得更好。所以这个对代码完全没有知识的模型可以在中等数量的数据上微调，并作为编程智能体表现得比这个大得多的预训练模型更好，这很疯狂。这有点告诉你，一旦你有正确专家行为的例子，把它复制到一个相对弱的模型中实际上出奇地容易。

Charlie O'Neill：

但一个反例是最近的一篇论文，他们训练一个模型到五年级数学，还有小学英语之类的，所以它是一个不错的语言模型。他们试图RL它做高中后期和大学数学。差距太大了。他们根本无法让它爬上去。但如果你做 successive rungs 的七年级数学，然后八年级数学……等等，你显然可以爬到十二年级。再次，只是那些阶梯上梯级之间的距离，以及创建它们有多难。

Beren Millidge：

这只是回到RL信号问题。RL现在不擅长探索。如果模型不能在128次rollout中得到它，它非常不可能得到信号来进步。这就是为什么在RL中我们需要课程，而在预训练中我们不需要，因为那对预训练来说根本不是问题。

Charlie O'Neill：

再次，预训练数据与后训练数据不同。我想象随着我们继续前进，人类会越来越少地参与，但这不会改变你被你能从现实世界中提取多少信号所瓶颈的事实。

世界上有很多信号，这是真的。有人在做电子表格任务，有人在做法律任务和所有这类东西。但在模型现在所处的能力前沿，世界上有多少比特实际上与提高模型能力真正相关？有多少新的数学问题正在被解决，而这些问题超出了当前模型的能力范围？有多少新的编程问题正在被创建或解决，而这些问题超出了当前模型的能力范围？

我认为这就是为什么收益递减会到来，因为即使整个世界也没有给你有用的比特来把你推入下一个能力盆地。

Beren Millidge：

我完全同意。这真的只是信号来自哪里的问题。在预训练中，信号已经在Common Crawl中了。对于你在预训练中关心的任务，问题根本不是获取信号。它是过滤掉存在的所有噪声。这是一个相当可自动化的过程。

但随着模型变得更好，随着我们进入中期训练和后训练，信号根本不存在于我们拥有的原始数据中的任何地方。再多的过滤也得不到这个。Common Crawl中没有隐藏的千禧年大奖难题的证明，我们可以只是过滤直到我们看到它。

在那个时候，你必须以其他方式获得比特，要么直接从人类那里，要求他们写出他们的推理，要么通过创建环境，由人类决定应该创建什么环境以及这些环境的目标是什么，或者某种在部署中存在的人类数据上的训练。你必须从某处获得比特。

Dwarkesh Patel：

有一个问题是预训练中有多少进展是由数据驱动的。我和Jerry Han做了一个调查，他是普林斯顿的学生，我们把2019年至今的所有配方与2019年至今的所有数据集进行成对训练。你在最新数据集上训练GPT-2，比如Ultra-FineWeb。你在Pile或一些旧数据集上训练Delphi，这是最新的开源训练配方。你做整个网格。你看到，要达到某个能力水平，在这个网格中需要少多少计算？

你看到数据似乎解释了大约12.0倍的计算效率增益，但架构改进解释了大约3.7倍的计算效率增益，在非常小的规模上。如果这在大规模上也成立——大部分预训练计算效率增益来自更好的数据——那能持续多久？你能继续越来越多地过滤数据并构建越来越多的合成数据吗？你对这种预训练进展能持续多久有感觉吗？

Charlie O'Neill：

我的先验是，再次，低垂的果实有点耗尽了。我们得到了互联网这个大块，互联网不一定以同样的速度增长。互联网上所有有用的东西不一定以同样的速度增长。我们可能还有一些0.1%的损失下降，但肯定没有已经发生的那么多。

但你也发现这个累积的33倍改进也很有趣。我想是Epoch或某人估计自2019年以来每年3倍，这意味着大约37倍，超过2,000倍改进。那缺失的100倍左右来自哪里？那可能给你一个很好的信号，说明有多少来自后训练。

Dwarkesh Patel：

我认为解释必须是很多计算效率增益是规模依赖的，而我们是在非常小的规模上开始。这提出了一个问题，数据计算效率增益还是算法计算效率增益更有规模依赖性。我不知道你对此是否有先验。我们只是没有足够的计算来调查那个问题。

Charlie O'Neill：

只是天真地，理论上，架构的规模依赖性是相当已知的，你可以拟合一条直线。而我不知道如何为结合预训练加后训练数据和中期训练数据做那件事。

Beren Millidge：

有趣的是，我觉得数据实际上在规模上更重要。我觉得架构有点像一次性的事情。

说一个X%的效率增益有点误导，因为架构做的是让你达到一个你无法用旧架构达到的定性新 regime。在那个 regime 内，显然数据是决定它的主要东西。

但如果我们连GQA都没有，如果我们整天做全注意力，做一百万上下文会贵得离谱。因此，我们永远无法使用实际上在一百万上下文的数据，所以我们无法获得这些能力。即使你只是天真地做“这在2K上下文下有多大作用”，架构没有解锁任何东西，那么数据看起来会比它在某种意义上实际更重要。我不清楚这些东西是否真的只是以这种方式乘性增益。

Dwarkesh Patel：

我明白了。所以你对数据的规模依赖性有什么看法？

Beren Millidge：

关于规模依赖性，我认为我们现在有很多中期训练和后训练数据实际上随着规模变得更好，因为很多——非常长上下文视界环境的东西——真的需要大模型才能利用。如果你试图在你的1亿参数模型上训练SWE-bench轨迹，它不会取得任何进展。它不会向你展示你会从训练一个实际合理大小的模型上得到的同样类型的改进。

Charlie O'Neill：

现在也很难，因为很多架构变化——你看看Kimi，例如，或DeepSeek——他们做这些架构修改不仅仅是为了降低预训练损失，而是考虑模型在现实世界中将如何使用。推理效率，在DeepSeek模型中有某种形式的压缩注意力，不一定围绕根本性的权衡改进。只是，“好吧，我们在考虑模型将如何被使用。”

Dwarkesh Patel：

我好奇的一个问题，为了理解未来，是随着我们进入更RL重的 regime，参数缩放会如何发展。你可以看开源架构，看到参数缩放的速度。也许前沿开源模型大约每年2倍。即使前沿闭源模型有100B或200B活跃参数，你认为这会年复一年地2倍增长吗？

或者，现在我们在一个RL regime 中，你也想节省rollout的计算……也许有一个阈值效应，你有足够的容量，在那个时候任意增加参数就不那么重要了。你们对2030年前沿模型将有多少活跃参数有感觉吗？

Charlie O'Neill：

我认为未来几年，因为我们如此专注于做越来越长视界的RL rollout，推理效率非常重要，感觉模型不一定在它们做那件事的能力上饱和。瓶颈仍然是环境。所以我们可能会看到一点平台期。

我有一种感觉，Mythos和GPT模型比人们谈论的10万亿参数范围要小得多。即使只是天真地将它们与开源模型比较，你可能也能得出那个结论。

可能未来几年，我不会想象参数数量有巨大增长。但再次，这里有太多不同的东西需要权衡。你根据你有多少预训练数据来决定模型的大小，然后是你必须训练的最难的RL环境的难度。你理想上想要达到最优点，在那里你可以在你拥有的最难环境上得到不错的pass@1之类的。在那里做一个更大的模型通过没有意义，因为那样你只是支付比你需要多得多的推理。

所以很多取决于Mercor和内部团队能多快扩大他们训练的RL环境的复杂性。

John Schulman：

我预计模型会继续变大，只是因为人们在扩大计算，GPU变得更大。但具体变多大有点取决于缩放定律，以不明显的方式。

一件事是，我认为数据效率将比计算效率更能驱动人们使用的确切架构，因为我们现在进入高质量预训练数据快要耗尽的 regime。那可能影响你想要模型多稀疏。

我也认为我们不太理解稀疏性。参数是与活跃参数不同的资源。稀疏性肯定增加了一点，但不清楚它是否会无界地继续增加。可能存在某种甜蜜点。

有一种论点认为稀疏性应该使数据效率更差，因为你可能不得不在多个专家上学习同样的东西，尽管这是有争议的。我认为我们对缩放定律没有足够好的理论，真正理解为什么稀疏性有帮助，它会有多大帮助，以及它是否会在某个稀疏性水平上趋于平稳。

Dwarkesh Patel：

抱歉，你能具体说明数据效率对参数的影响是什么吗？听起来你会说应该更少的稀疏性，但对参数缩放的其他影响是什么？

John Schulman：

只是说，在缩放定律下，你不是试图优化计算效率。你在架构上有所有可以选择的东西。每一个都给你不同的缩放定律。传统上，你会看某种基于计算的信封。你会看性能与计算的关系，并取最佳模型的信封。

但如果我们在数据的基础上做那个决定——我们假设我们可以花很多计算，所以数据在我们的x轴上而不是计算——那么我们只是得到一组不同的最优解，或者一组不同的模型在那个前沿上。

Charlie O'Neill：

我也不认为我们在过去几年里一定每年都把模型大小翻倍。人们已经训练1万亿参数模型至少几年了。甚至有一个叫Falcon的开源模型。Periodic Labs的Liam，我想，昨天在Twitter上发布了一个早期实验，训练一个1万亿参数模型，非常非常稀疏。

John Schulman：

那是他们在OpenAI之前在Google做的，Switch Transformer。

Charlie O'Neill：

它在知识方面非常非常好，但在推理方面很糟糕，因为它太稀疏了。感觉我们已经在1000亿到2万亿参数范围内玩了一段时间了。这肯定不是这种漂亮的线性增长。

Beren Millidge：

我觉得有两件事。正如Charlie所说，推理效率对RL rollout非常重要。这将真的把活跃参数压低很多。

我认为总参数真的很大程度上取决于硬件。你真的需要非常高的内存带宽和VRAM大小才能实际服务多万亿参数模型。现在，人们仍然在使用很多H100之类的。随着每个人都转向GBs然后Vera Rubins，我们将获得更多能力来扩展并实际服务和在更大规模上做大型RL推理。

数据问题我认为很有趣，因为天真地，更大的模型在实际数据点上样本效率高得多。即使你没有饱和模型，更大仍然更好，因为更大的模型泛化得更好，在相同数据量下达到更好的损失。现在我认为我们有很多数据，那不是约束。计算是。所以我们在做非常推理高效的小模型。但如果计算不再是瓶颈，它可能会回到更大的模型，这些模型欠饱和，但由于它们大得多而具有这种泛化能力。

Dwarkesh Patel：

如果你只看基本的Chinchilla缩放定律，你只是最大化参数，它实际上减少你达到相同损失所需的数据量非常少。如果你在参数上趋于无穷，你需要的数据量我认为下降不到10倍，只是因为幂律的性质。

Beren Millidge：

但我们现在在Chinchilla定律的数据太多的一侧。现在我们根据Chinchilla过度训练模型。所以我们可以很容易回到一个点，随着数据耗尽，我们回到Chinchilla最优点，甚至稍微在欠训练模型的一侧。

Charlie O'Neill：

但肯定，即使有这些新芯片上线，未来几年我们仍然会被计算瓶颈住，所以那不一定会是情况。

Beren Millidge：

这取决于你训练和推理计算的比例，真的。如果你超级被数据瓶颈而不是计算，你应该变大。如果你超级被计算瓶颈，你应该总是变小。你也可以使用计算机生成的合成数据，所以这是很难预测的事情之一。

John Schulman：

我认为人们花这么长时间才弄清楚缩放定律的部分原因是，如果你不把所有这些事情做对，你就不会得到那么干净的关系。图表上漂亮的直线隐藏了很多复杂性，关于你必须如何确保以正确的方式缩放每个超参数，或者以可扩展的方式参数化你的优化器，随着模型大小改变而不必改变超参数。

Charlie O'Neill：

Bug也有它们自己干净的缩放定律。就像Kaplan忘记余弦退火的事情，甚至只是不考虑嵌入参数，我想。那搞乱了小模型的估计，因为嵌入参数是模型中相当大的一部分。

01:18:03 – 为什么RL如此有效？

Dwarkesh Patel：

稍微谈谈RL。一年前，很多人在论证RL在模型上不会非常成功地扩展。John，你写了一篇研究论文，指出模型在RL时每个episode学习一个比特。它们学习，“我答对了还是答错了？”然后我今年早些时候写了一些博客文章，我说，“这比那还糟糕”，因为当通过率很低，模型非常不可能答对时，它从一个RL episode中学到的几乎为零。

但我看今天的模型，它们似乎相当聪明。这似乎是扩大RL的结果。Beren，你几周前有一篇帖子，试图解释发生了什么。为什么RL比人们天真地想象的更成功？

Beren Millidge：

我认为RL的成功归结为一堆不同的东西。首先，被稍微低估的是中期训练。我们看到的很多RL的成功实际上来自非常非常好的中期训练数据，这基本上是我们做预训练，但在合成推理数据和那种让模型为RL热启动的环境上。这通常把模型带到最终RL检查点的大约80%。

然后RL在之上做的基本上是调整策略。这是为什么它不需要你天真地想象的那么多比特的原因之一。它不必从头学习所有这些行为。它只需要从这些episode中获得几个比特，你确实得到了。我在博客中指出的另一件事是，这些比特与常规预训练相比是极其高信号的，这就是为什么你需要RL而不是仅仅在成功的推理轨迹上SFT。

Dwarkesh Patel：

因为它正是关于如何得到正确答案的比特。

Beren Millidge：

有两件事。是的，第一，它正是关于如何得到正确答案的比特。但这不完全是你要想的方式，因为在SFT中，你有一个轨迹。你有，比如说，一堆数学推理，然后最后是答案。比特仍然在那里。你仍然在答案token上SFT。

重要的是，目标忽略了所有其他比特。在SFT中，你必须试图匹配模型产生的确切推理token。你本质上得到了太多关于你训练的那个其他模型如何推理的确切方式的比特。对于RL，你只得到一个比特。这意味着那个信号不会被模型拥有的所有其他比特的噪声淹没。

这真的是训练期间信噪比的超级戏剧性增加，这就是为什么RL在步骤方面如此戏剧性地高效。

Charlie O'Neill：

关于RL对模型做了什么 versus 中期训练或SFT或其他什么，有太多争论。每个人都谈论pass@1会上升，但pass@256会下降。非常罕见的正确推理轨迹会被降权，被来自更容易推理轨迹的梯度信号压倒。

我认为现在看RL的简单方式是，如果你有足够大的计算来采样足够大的组大小——使得你得到一堆正确答案的概率超过某个不算小的概率——那么它会被加权。对Beren的观点，中期训练和更多预训练——RL的起点，pass@1——随预训练token数量的对数缩放。

Dwarkesh Patel：

我能问一些非常基本的问题吗？那个答案有道理，也许有实证研究显示这就是正在发生的事情。但然后我看模型本身……我不知道发生了什么。也许你可以给我一个关于过去一年AI进展基础的感觉。

也许它只是对本来就会做正确思考的策略进行加权。但看起来在定性上，模型变得如此更有能力。也许那里没有内在矛盾。但我们如何调和这个说法所暗示的RL相对较小的影响与模型似乎正在获得的实际定性能力？

Beren Millidge：

我想在这里指出的一件事是，它不一定意味着RL有小的效果。即使你有几个比特，你只改变参数一点点，对函数空间——模型学到的输入到输出映射——的实际影响仍然可能是超级戏剧性的。即使一个比特也能大大改变你的函数空间。它可以排除一半的假设空间，这是巨大的。

我不认为一定是这种情况：少量比特、少量RL，一旦你从一个非常好的点开始，意味着你在行为上没有戏剧性的影响。至少……不一定。

Charlie O'Neill：

我认为这归结为两件事。第一件事是，每个人都希望RL能在所有这些不同领域泛化这种推理。我不认为我们一定得到了这种横向泛化。仅仅在数学上训练不一定让你成为最伟大的程序员。你确实必须在代码环境上做RL。

但我认为我们确实得到的是视界泛化。模型只是学会了如何使用更多token更长时间，并在某种任务上继续取得进展。你可以在环境上训练，让它们越来越长，然后把它们放到一个全新的环境中。是的，它们可能没有泛化让他们在那个环境中做得好的推理模式，但它们至少泛化了在那个任务上继续更长时间的能力，这与成功相关。有一篇叫EdgeBench的论文显示，模型能工作更长时间的速率每三个月翻倍。这是泛化的明确证据。

最后的思考方式是，在预训练中，有量子的想法。你有一条非常平滑的预训练损失曲线。当你看看模型中发生了什么，模型正在学习所有这些非常离散的任务，有所有这些涌现点，有相变。它没有归纳头，现在它有归纳头。有数万、数百万，可能数亿个这些东西。你把它们全部平均在一起，你得到这条非常平滑的损失曲线。

在某种程度上，类似的事情正在RL中发生。有这个非常慢的外循环，正如Beren提到的。我们会训练一个模型然后RL它，然后在下一个模型训练迭代中，我们会把一堆这些合成推理轨迹倒入中期训练数据。我们有点在击中所有不同任务的所有这些量子，在单个任务层面上，它可能看起来像一个相变。你突然从一个特定的金融任务或Excel任务或其他什么的0.5%通过率到90%通过率。

但你平均所有这些事情，加上视界泛化，你有点说，“哇，我们有了定性上更好的模型。”

Beren Millidge：

我认为很多这也只是……RL确实泛化了一点。你在数学和代码之间得到一些迁移，或者谜题和数学之类的。而且，人们瞄准的环境数量只是大得多。以前，当你尝试做你日常生活中的某个任务时，两年前，实验室不会真的关心这个。他们不会为它训练模型。现在它只是广泛得多。他们有很多针对这个特定事物的环境。

01:24:54 – 第37手和熵坍缩

Dwarkesh Patel：

早些时候在对话中，我们在谈论RL导致这种熵坍缩的背景，或者只是把概率集中在基础模型已经做过的解决方案上，导致策略中相对稀疏的更新。

但我认为还有另一个关于RL的故事，就是回到Atari游戏，然后AlphaGo想出第37手，那个超级创造性的走法。因为它从未在人类数据上初始化，它可以用人类甚至没有想到的方式思考，并想出极其创造性的解决方案。

你对我们应该何时期待，或者是否应该期待，LLM上的RL会导致像第37手这样的事情，超越人类创造力的极端创造力，因为智能是从头初始化的，有感觉吗？

Beren Millidge：

这里有几件事。首先，我认为AlphaGo使用的是MCTS，显然比常规策略梯度做更多的探索之类的。但我也认为RL不一定减少创造力。

这显然是定性的，但如果我们看OpenAI-Hugging Face事件，这些模型一次想出多个零日漏洞来突破沙箱。这显然已经是某种程度的第37手创造力，我们只是从LLM的一般泛化属性中得到。绝对不是RL完全摧毁熵，尤其是在长视界上。

John Schulman：

人们称之为创造力的一件事只是解决困难的搜索问题。第37手显然是一个例子，或者写某种满足大量不同约束的诗。这是AI显然会非常擅长的事情，如果为它训练的话。

然后还有另一种方式，模型的输出多样性在RL后低得多，它们发展出这些抽搐。即使模型看起来擅长写作，当你做某种分布分析时，你发现它们一直在重复某些主题，一直使用相同的角色名字。你没有得到与人类作者相同的多样性。你得到一种非常好的风格。所以我认为那种多样性肯定被RL大大削减了。

事实上，因为我们在谈论蒸馏，正在发生的一件事是，这么多人在蒸馏，主要从Claude，所有开源权重模型都像Claude一样写作，有相同的抽搐。这在我看来有点令人担忧，我们正在出现这种单一文化。

Beren Millidge：

再次，我不认为这是RL方法的根本问题。蒸馏也一样。即使蒸馏，你只是在数据上训练。只是因为你的数据不够广泛，不意味着训练方法本身有什么问题。这是数据的问题。

我认为很多RL熵坍缩，例如，基本上是由于在你没有巨大多样性环境时利用相当简单的验证器。写作，例如，大概是由某个裁判评分的。裁判有特定的抽搐，模型正在学习奖励黑客裁判，这就是为什么它坍缩。但这真的是裁判的问题。不是RL的一般问题。

01:28:32 – 快速预测时间线

Dwarkesh Patel：

好的，关于未来的超级快速预测。我想要以下几个问题的时间线。到什么时候我们有模型……这是对用户来说的感觉。你基本上雇佣它作为各种白领工作的即插即用远程工作者？不仅仅是编程，还有视频编辑、法律、律师助理等等。它字面上是一个实际的远程工作者，有完整的计算机使用，有字面上一个月的无缝学习和操作，执行复杂的项目，需要与其他人互动等等。人类工作者在一个月内能做的一切。

Charlie O'Neill：

如果你强制它使用浏览器之类的——而不是公司设置信息以编程方式可访问——也许几年。但如果它不是基于浏览器的——它可以发Slack消息，它可以做所有这些东西——我仍然可能说大约一年。

Beren Millidge：

我会说也许三年才能完全通用。但正如Charlie所说，我们最终会有很多人让他们的组织对AI更容易使用，所以你在那之前就能达到80-90%。

Dwarkesh Patel：

抱歉，但一年和三年之间的差异只是字面上……

Beren Millidge：

我认为会有一个长长的尾巴，一些人类能做的杂七杂八的事情，模型需要相当长时间才能做。

Dwarkesh Patel：

你是在想计算机的东西还是基本认知能力？

Beren Millidge：

我认为这真的归结为我们能多快解决这种在线学习，以及我们是否可以通过压缩和给自己写文件之类的方式达到80-90%。这是我最大的不确定性。我真的不知道。

Charlie O'Neill：

一个它不擅长的例子是，如果我必须对某人大喊大叫才能在工作中得到什么东西，或者真的推动某人完成某事。模型不会那样做。它太善良了。

John Schulman：

我会说人类远程工作者的质量差异很大。如果你试图从Upwork雇人做一个软件工程项目，会有巨大的差异。通常很难让他们做好工作或关注你给的所有反馈。我猜在某些情况下，AI之前的版本比你现在从现有AI得到的更差。

我认为它最终可能会有点复杂，因为在某种程度上我们已经有一些不那么高质量的工作有了这个。但显然我们在某些更高质量的工作形式上还没有达到人类水平。但我基本上同意Charlie和Beren，也许一年左右我们会有一个可以接受的版本。我们会有那种形式因素，它能够很好地做某些事情，某些事情不太好，事情会从那里改进。

Charlie O'Neill：

我们总是根据很长的尾巴来移动球门。我觉得你以前用过做税之类的例子。今年，我字面上只是告诉Codex去获取我需要的一切并发送给会计师。有一大堆东西它必须用计算机点击和下载。它做到了。完美。很多事情它已经能做了。

Dwarkesh Patel：

好的：给你10倍的总生产力提升。基本上，如果现在需要一年才能取得突破，你每个月就能取得突破。

John Schulman：

我想我会拒绝给你一个标量。在某些类型的工作中，我们可能已经超过那个了。假设你试图做某些类型的数学，而且——

Dwarkesh Patel：

哦，抱歉。但对你作为AI研究员试图推进AI研究的状态。AI研究员被加速或提升了多少？

Charlie O'Neill：

大概5-10年？

Dwarkesh Patel：

哦，真的吗？好的，那很遥远。

Beren Millidge：

真的，你认为这比一般远程工作者更长？有趣。

Dwarkesh Patel：

我意识到你可能对完全通用的远程工作者有非常不同的定义。我本可以早点说明的。

Beren Millidge：

这是真的，因为显然AI研究员可以是远程工作者。

Charlie O'Neill：

我在想象一个月的正常白领工作。我认为超过两个月就开始有点分歧了。

Dwarkesh Patel：

一个非常能干的白领工作者，但不一定是一个超级有创造力的研究员。

John Schulman：

我会说两年。

Dwarkesh Patel：

两年？10倍？好的。你呢，Beren？

Beren Millidge：

我其实可以理解，因为现在对于编程东西已经肯定超过10倍了。所以如果它甚至能做一两个实验反馈循环，那实际上已经是巨大的了。

Dwarkesh Patel：

所以AI研究员在两年内10倍提升。如果你把它代入一个非常天真的AI进展模型，以及有多少来自AI研究员，他们有10倍的生产力提升，你就会有从两年后开始的AI进展的急剧加速。

Beren Millidge：

我认为这将意味着AI进展不会瓶颈在AI研究员运行小实验的能力上。它会瓶颈在其他事情上。

Dwarkesh Patel：

当然。但它只是以10倍的速度发生，这是巨大的。这也帮助下一件事，给你100倍加速，更快发生，等等。

Charlie O'Neill：

我很乐意在那个上多花一点时间。

Dwarkesh Patel：

关键是什么？

Charlie O'Neill：

我吸收信息和做出下一个实验的贝叶斯最优决策的能力。

Beren Millidge：

我假设你可以把其中一些委托给AI。AI在决策方面变得不错。它运行了这个实验，得到了这个结果，它运行下一个实验。如果它能连续运行两三个实验而不崩溃，那实际上是一个巨大的提升。

Dwarkesh Patel：

好的，最后一个问题。一个在所有可以通过计算机完成的工作领域都主导顶级人类专家的AI。不仅仅是AI研究，而是所有认知工作。不仅仅是短视界工作，而是字面上，如果需要三年之类的，AI仍然会比人类做得更好。

Beren Millidge：

这基本上就是ASI？

Dwarkesh Patel：

是的。

John Schulman：

我会说3-4年。

Dwarkesh Patel：

我靠？我是说那似乎没错，但——

John Schulman：

AI显然得到了更多关注。这是更难的事情之一，但很多能量正在投入其中。它也不是AI最难的事情之一，因为它涉及大量代码和数学，模型真的很擅长。

对于涉及3D和空间 stuff 和物理 stuff 的事情，我认为那会花更长一点。如果是机械工程之类的，而且现在没有得到最多关注，那可能花更长一点。

Dwarkesh Patel：

但它也包括那些因为领域性质而数据相对较少的领域，它必须即时学习那些数据。例如，它必须在台积电成为超级工程师之类的。

John Schulman：

所以你必须假设你可以给AI相同的入职材料。然后必须解决关于长视界学习的某些问题。

Charlie O'Neill：

我会说5到10。

Dwarkesh Patel：

所以基本上，你认为自动化AI研究是ASI-complete之类的？

Charlie O'Neill：

是的，我认为是这样。我认为世界上有太多事情，即使你有一个模型外部的记忆系统，即使上下文长度增长一点，也有根本性的事情，即使你可以研究信息或自己写笔记，你今天需要超过一百万token的上下文窗口。

Beren Millidge：

我有点同意5年范围，至少对于实验室正在关注的东西。但我认为会有一个长长的尾巴，AI理论上可以去学习，但没有人费心去做，计算也没有分配到那里。所以那可能需要更长时间才能字面上每一个人类专家。

Dwarkesh Patel：

抱歉，但这也包括像人类一样快速学习新领域的能力。

Beren Millidge：

我认为那不一定必要，因为AI将拥有比任何人类多得多的经验。

Dwarkesh Patel：

非常感谢你们做这个，伙计们。我觉得这是一个很好的形式，让不同的专家不同意、辩论和一起讨论。非常有成效。

John Schulman：

谢谢邀请我们。

风险提示及免责条款

智谱以零息+溢价转股形式融资50亿美元，主要用于算力基础设施与模型研发

Sun, 13 Sep 2026 10:59:37 GMT

智谱9月13日公告，公司完成约50亿美元（人民币约335亿元）新一轮融资，由约20亿美元股份配售与约30亿美元零息可转债共同构成。距离上一次7月配售融资约40亿美元，时隔仅两个月。

这是智谱自今年1月登陆港交所以来的第三次股权融资动作。从IPO到两次再融资，募资节奏持续提速，资金流向也高度一致——算力、模型研发与基础设施。

融资结构：折价配售叠加零息溢价转债

本次融资分两部分独立进行，互不构成条件。

股份配售方面，智谱以每股714港元向不少于六名机构投资者配售最多2196.5万股新H股，配售价较公告前一交易日（9月11日）收盘价793港元折让约9.96%，较过去五个交易日均价891.90港元折让约19.95%。配售股份占扩大后已发行股本约4.50%，预计所得款项净额约156.64亿港元。

可转债方面，智谱发行本金总额人民币201.4亿元、2027年9月到期的零息可换股债券，发行价为本金的100.5%，到期按本金赎回。初始转股价定为每股892.50港元，较公告前收盘价溢价约12.55%。假设债券悉数转换，将可转换为约2636.5万股新H股，占扩大后已发行股本约5.36%。债券预计所得款项净额约30.11亿美元。

零息意味着持有人不收取利息，溢价转股则意味着只有股价进一步上涨，转股才具经济意义——这一结构向市场传递了对长期股价的预期。

钱流向哪里：六成押注算力与下一代模型

根据公告，智谱拟将所得款项净额按以下比例分配：

约60% 用于下一代GLM基础模型及"完全自训练（Fully Self Training）"体系的研发，以及大规模训练、生产推理、算力资源及相关技术基础设施的部署与升级；
约15% 用于业务拓展、战略投资及潜在并购，包括对与AI技术具有互补性的公司或资产进行少数股权投资或控股收购；
约25% 用于优化资本结构、补充日常营运资金及其他一般企业用途。

公司预计上述款项将于2028年6月30日前悉数动用。

公告指出，随着公司持续推进下一代GLM基础模型、完全自训练体系及长程任务强化学习相关研发，以及MaaS平台需求持续增长，对训练及推理算力资源的需求相应上升。公司认为，"目前市场上优质算力资源的供给及交付条件较为有利，而算力资源从签约到部署上线需要一定周期，现阶段完成融资安排有助于使新增算力部署节奏与公司的扩张计划相衔接。"

股权结构影响

本次融资完成后，单一最大股东集团（由北京链湃科技发展中心等一致行动人构成）持股比例将从当前约28.58%（未上市股份+H股合计）逐步摊薄。假设配售完成且债券悉数转换，该集团合计持股比例将降至约25.89%，但公司公众持股量仍将高于扩大后已发行股份总数的10%，符合联交所上市规则要求。

公司同时承诺，自配售协议日期起至交割日期后60日内，未经联席配售代理书面同意，不得进行额外股权融资安排。

融资提速：两个月内二度出手

这已是智谱在资本市场的密集动作之一。

据彭博报道，今年7月，智谱通过配售以每股1588至1698港元的价格发售约1980万股，融资约40亿美元。彼时，算力、研发和人才同样是主要用途。

再往前，今年1月，智谱完成港交所IPO，按每股116.20港元发行约3742万股新H股，全球发售（含超额配股权行使）所得款项净额总额约48.96亿港元。公告显示，截至2026年8月31日，IPO所得款项已悉数动用，7月配售所得款项已动用约34.92%。

三次融资合计，智谱从资本市场累计募集资金规模已超过百亿美元量级。

行业背景：大模型竞争进入资本消耗阶段

从更宏观的视角看，智谱的密集融资折射出大模型行业竞争逻辑的演变。

大模型行业的第一轮竞争，淘汰了无法持续迭代模型的公司。如今，智谱、DeepSeek、Kimi、MiniMax等少数玩家已证明自己有能力留在模型牌桌上。但下一轮竞争所需证明的东西正在改变——不仅是模型能力本身，更是能否获得足够算力、稳定运行大规模集群、整合国产芯片、压降训练与推理成本，以及最关键的，是否有足够资金持续投入这一切。

模型、人才、资本与基础设施，缺一不可。智谱此次50亿美元融资，很大程度上是在为下一阶段的竞争布局。

风险提示及免责条款

算力走向大宗商品化：谁将掌握AI定价权？

Sun, 13 Sep 2026 10:34:17 GMT

芝加哥商品交易所（CME）计划于10月5日推出两款算力期货合约，标的为英伟达H100及下一代Blackwell B200的每小时租赁成本指数。合约交易的是GPU算力租赁价格，即未来一定期限内算力的价格。两个合约均采用现金结算，每份对应730个GPU小时，约相当于一块GPU连续运行一个自然月。到期后，交易双方按期货价格与Silicon Data基准指数结算差额进行结算，不涉及实物GPU交割。

上述合约目前仍待监管审批，若顺利获批并上市，这将标志着GPU算力首次进入全球主流受监管衍生品市场。与此同时，洲际交易所（ICE）、Nodal Exchange、Architect等也在与Ornn、Compute Desk等数据及指数机构合作，推进类似产品。国内也在积极推进算力期货研发筹备工作。

CME选择H100和B200作为首批标的，在于两者具有较强的市场代表性。Silicon Data通过收集云服务商、超大规模云厂商、托管数据中心及私人租赁市场等多渠道数据，形成GPU小时租赁价格基准，并进一步提供远期价格曲线。

算力市场因此开始形成此前缺失的金融基础设施链条：现货租赁形成价格，指数机构完成价格标准化，交易所通过期货合约形成期限结构，期货市场实现风险转移，并进一步向融资和资产证券化等金融应用延伸。算力由此开始从企业内部的IT成本，转变为具有公开价格和金融属性的生产要素。

算力的大宗商品化路径

此前GPU租赁以双边私下议价为主，价格因地区、租期、云平台、配置及芯片代际高度分化，现货市场极度碎片化。租金大幅上涨时，AI企业承担成本上升风险；需求转弱或新一代芯片推出时，算力供应商则面临租金下跌与设备闲置风险。

谷歌DeepMind，已经破解RSI?

新智元 — Sun, 13 Sep 2026 09:29:01 GMT

谷歌跑通RSI了？！

一个名叫「rsi-model-liverl-le」的模型，突然出现在Google生成式语言API的返回结果里。

没错，就是那个RSI（递归自我改进，Recursive Self-Improvement）。

谣言正在像野火一样蔓延，称谷歌 DeepMind 已经实现了RSI。

就在网友Chubby还在推测之际，Anthropic CEO突然公开宣布全行业包括Anthropic，RSI在各处已经开始发生。

这让Chubby相信传言是真的：RSI已经被实现了！

据爆料，Google内部不止跑着这一个模型。在同一批标签下，还赫然挂着从00到09编号的10个专属训练槽位。

Google的反应堪称神速，当晚就紧急收回了一批相关API密钥。

然后，就没有然后了。Google和DeepMind至今一个字没说。

一句藏头诗，一张截图，一批被收回的密钥

这起风波，源于一句看似普通的祝贺。

9月11日晚，爆料账号lyra给Google DeepMind发了条帖子，「huge congRatulationS Indeed! @GoogleDeepMind」。

细心的人一眼就能看出，三个被刻意大写的字母拼在一起，正是RSI。

lyra的藏头帖

这条帖子迅速斩获上千点赞，评论区一半人在追问「他到底知道什么内幕」，另一半人在查「这人到底是谁」。

几个小时后，另一个账号Lentils直接甩出了实锤截图。

Google的API返回了一段JSON代码，模型代码为「rsi-model-liverl-le」，显示名称为「RSI Model LiveRL LE」。参数规格是输入上限1048576个token，输出上限65536个token。

Lentils的原话是，「想象一下，如果GDM（Google DeepMind）内部真有个叫rsi-model-liverl-le的东西。再想象一下，他们还有10个专属的rsi-model-liverl-ns-xx训练槽位，从00编到09。这难道不疯狂吗？」

Lentils放出的API返回截图

LiveRL是什么？虽然没有官方解释，但X上普遍的共识是「在线强化学习（Live Reinforcement Learning）」，即模型一边跑业务，一边自我进化。

接下来这一步，彻底让全网炸锅。

lyra直接发文@了Google AI Studio负责人Logan Kilpatrick，「没必要因为怕我，就把GDM的API密钥全收回去。你们的基础设施有更深的安全漏洞，直接联系我就行。」

随后他补了一记重锤，这批密钥来自GDM内部员工，可以访问超过1000个内部checkpoint。

lyra公开@Logan Kilpatrick

Lentils紧随其后嘲讽，「我闻到了恐惧的味道。」

虽然这张截图的真伪尚未得到第三方验证（1048576和65536这两个数字与Gemini现有系列的规格完全一致，不排除是内部测试名或恶作剧的可能）。

但它能一夜刷屏，是因为它和Google最近的报道，严丝合缝地对上了。

谷歌拉响紧急警报，微厨房里豪赌RSI

三天前，Business Insider报道称，谷歌联创Sergey Brin对谷歌在Gemini上的进展速度感到不满，并力促员工更加专注于递归自我改进。

早在今年8月，路透社就已经报道过同样的方向：Brin希望谷歌追赶上前沿，并正在将资源推向RSI。

据9月9日Business Insider的独家报道，Sergey Brin回归Google后的办公地点，是总部Gradient Canopy大楼里一间改造过的微厨房。

他坐在一张U形桌旁，旁边是DeepMind现任负责人Kavukcuoglu，而劈柴哥（Sundar Pichai）每周都会来这待上几次。

一位前员工透露，「Sergey想把Gemini当成一家创业公司来管。」另一位员工则直言，「这间厨房的存在，就是为了能直接绕开公司政治。」

他管的细节极其硬核。

他直接插手芯片分配，为Gemini团队开辟了一条正式流程之外的「算力特权通道」；他曾主导砍掉了Jeff Dean的「Frozen」芯片项目，今年又再次削减其资源。

他甚至在内部推行了一项激进计划，监控部分员工的编码过程，用这些真实数据去训练Gemini的代码能力。

他只有一个核心诉求：全公司必须以最快速度，向「递归自我改进（Recursive Self-Improvement，简称 RSI）」发起总攻。

一名前员工在接受采访时用了一个极其贴切的词来形容他：

他深度押注了RSI，他彻底被「AGI洗脑」（AGI-pilled）了。

路透社在8月的报道中也提到，Brin早在4月的全员会上就催促DeepMind加快步伐，将资源全面向RSI倾斜。

一位前员工更是坦言，「他非常相信RSI，他是一个彻头彻尾的AGI信徒。」

把这件事带火的ChrisGPT，附上了BI报道原文

Brin如此急迫的动机并不难猜，Google掉队了。

Gemini 3去年11月短暂登顶后，迅速被Anthropic和OpenAI反超。新一代旗舰模型因编码能力不达标，硬生生推迟了两个月。

与此同时，核心人才在不断流失。Jeff Dean在效力27年后离职创业，Oriol Vinyals、John Jumper等大牛先后出走，Hassabis也于8月5日卸任DeepMind负责人。

如果只是靠堆算力去熬一个更大的底座，等Google追上的那天，对手的下一代早就发布了。

所以Brin的赌注是彻底切断原有赛道。让模型自己评估、自己修改自己，把动辄按季度计算的迭代周期，暴力压缩到按周计算。

这条路一旦走通，落后两个月的旗舰模型将不再是痛点，Google将获得降维打击的迭代速度。

但如果走不通，这就成了一个没有头衔的创始人，用算力分配权，把整个DeepMind押在了一个没人验证过的方向上。

Google早就交了底，只是没人当回事

把时间拨回9月2日。那天，Google发布了Gemini 3.8 Flash和3.8 Flash Cyber。

要知道，这已经是六周内发布的第三个Flash版本了。而3.7 Flash，才刚刚发布了不到三周。

在这篇官方博客里，藏着这样一句话：

「这些模型的进展，进一步被长时间运行的智能体循环所加速。这些循环被设计用来递归地评估和精炼底层模型。」

翻译过来就是，谷歌可能已经实现了「递归自我改进」，然后用它把Gemini提升了0.1。

当时，谷歌DeepMind的姚顺宇评价道：对模型而言，这只是迈出了一小步；但对于 RSI来说，这是一次巨大飞跃。

在DeepMind研究RSI智能体的Sicong Jiang，更是直接断言并乐观预测：

这就是RSI飞轮开始产生复利效应时的样子。

更多的里程碑正在路上——推进更快，落地更强。

据此，DAIR.AI创始人、网友elvis认为：这就是递归自我改进（RSI）飞轮的早期成果。

但大多数人没当回事，因为它被埋在一篇Flash小版本的发布文里。

再看这个恐怖的迭代节奏，三周一个版本，六周三个大跨度跃升。

3.8 Flash在HLE-Verified上拿到了54.9%的成绩，而Cyber版在真实漏洞挖掘上的成功率更是突破了70%。

传统流程是人训、人评、人再训，一轮下来起步就是一个季度。三周一个版本，人是跟不上的。

事后lyra也一语道破，「大家真该去读读Google的官方博客。看看最近几个Flash版本的发布间隔，RSI这件事其实已经非常明显了。」

所以，无论那张截图真假，它所指向的事实，Google早就摆在了明面上。

只不过，在一个名字里带着RSI的模型真身泄露之前，没人把博客里那句话当真。

AI圈苦等了二十年的那扇门

RSI这个概念，在AI圈已经流传了二十多年。

它的核心奥义是让AI自己去修改自己的训练代码和方法，从而训出更强的下一代，下一代再继续自我修正。研发周期将从季度压缩到周，甚至天。

在DeepMind今年6月发表的《从AGI到ASI》中，这被列为通向超级智能的四条必经之路之一。

而就在今年，纸上谈兵终于变成了现实。

去年夏天，IAPS研究员Severin Field曾让来自OpenAI、Anthropic、DeepMind等大厂的25位研究员预测「AI自动化研究」的几大里程碑，拿下奥赛金牌、AI自己写出同行评审论文、AI自主跑完训练循环、AI为生产系统编写核心代码。

https://arxiv.org/abs/2603.03338

短短一年过去，这四条预言已全部被击穿。

大厂们都在向这个终点狂奔。

7月OpenAI公开表示，GPT-5.6 Sol已经能协助后训练一个更小的模型，替研究员省下了数周时间；Anthropic在6月更是直接发表了一篇题为《当AI构建自身》的博客。

今天，Dario Amodei正式宣布，RSI已经开始在整个行业发生，包括在Anthropic内部。Dario为此忧心忡忡，建议放缓前沿AI研发速度。

但Google这次的信号截然不同。其他两家说的还停留在「AI辅助我们做研究」，而Google的博客直言「循环在递归地蒸馏模型」，X上流出的更是带着RSI命名的正式模型标签和训练槽位。

如果Flash三周一更的节奏真是靠这个循环在驱动，那Google手里捏着的东西，比一个旗舰模型可怕得多。

它拿到的是进化速度本身。

下一个Flash，就是验证

真正值得盯的，是一个很简单的时间点。如果三周之后，3.9 Flash准时出现，博客里那句「递归地评估和精炼底层模型」就不再是修辞，Flash的发布日历会变成一个倒计时，每一格都是模型自己走出来的。

AI竞赛过去三年比的是谁的模型最强。从这一刻起，比的是谁的循环转得最快。模型强不强变成了一个中间量，循环每转一圈，它就自动刷新一次。

人类研究员在这个循环里的位置，也在往后退。先是不用写代码，然后不用跑实验，最后只剩下看结果、按确认。Anthropic说过，他们最后的比较优势叫「研究品味」。Google这次要验证的，就是这道防线还能撑多久。

如果那张截图是真的，AI研发史上第一个由模型自己训出来的模型，已经在Google的机房里跑了。

它的名字里直接写着RSI。

本文来源：新智元

风险提示及免责条款

半年狂赚3284亿，保险业为什么还不敢松口气？

万周 — Sun, 13 Sep 2026 06:10:55 GMT

2026年上半年，主要上市险企合计归母净利润达到3284亿元，同比增长约78%，但高增长背后既有资本市场回暖，也有寿险价值率、渠道效率和财险承保盈利改善。真正值得关注的是，负债成本下降与资产收益率下行之间的赛跑是否开始出现变化；而Q3的高基数、市场波动和700亿元资本补充，将成为下一阶段的重要检验。

一、发生了什么？——利润先涨起来，资负两端也在悄悄换挡

1、史诗级盈利，但不能把市场红利当成全部基本面：

如果只看归母净利润，2026年上半年无疑是保险业近年最亮眼的一段时光。中国人寿、中国平安、中国太保、新华保险、中国人保、中国太平六家公司合计实现归母净利润3284亿元，同比增长约78%，公司间增速从中国太保约10.4%到中国人寿228.6%，分化极大。这样的差距本身已经说明，今年的利润增长并不来自同一种经营改善，资产端弹性在其中扮演了非常重要的角色。

按统一口径比较，多数险企的净投资收益率仍在下行：中国平安由1.8%降至1.4%，中国太保由1.7%降至1.5%，中国人寿由1.6%降至1.5%，新华保险由1.5%降至1.3%，中国太平由1.7%降至1.5%，中国人保由1.9%降至1.7%；但同期总投资收益率却普遍改善，其中国寿由2.1%升至4.5%，人保由2.6%升至3.7%，太平由1.4%升至2.7%。这意味着，利息和股息等相对稳定的底仓收益仍然受低利率压制，利润高增更多来自权益市场、公允价值变动和证券买卖价差。

新会计准则进一步放大了这种差异。FVPL资产的市值变化直接进入利润表，而指定为FVOCI的股权资产，其未实现涨跌更多通过其他综合收益影响净资产。部分研究将股息收入、公允价值变化等合并测算后发现，多家公司上半年FVOCI股权资产的综合回报受到股价回落拖累而为负值。这里反映的是长期配置型权益资产的市值波动，并不是公司披露的“OCI投资收益率”，更不能等同于股息收益率。利润表高增和净资产端承压可以同时发生，这恰恰说明保险公司的权益风险并没有因为会计分类而消失，只是被放到了不同位置。

……

1万亿美元回购仍在继续，但美股最熟悉的资本游戏已经变了

万周 — Sat, 12 Sep 2026 11:28:55 GMT

2026年的美股出现了一个耐人寻味的反差：企业回购仍处历史高位，全球4—5月宣布回购金额刷新纪录；与此同时，承担AI建设的科技巨头正在把更多现金投向数据中心、芯片和电力系统，部分Hyperscaler的回购已经明显回落。过去十多年，高利润、高自由现金流和高回购共同支撑了美股每股盈利与股票供给结构，如今这一组合开始发生变化。2027年会不会成为回购结构的分水岭，取决于AI新增现金流能否跟上持续扩大的资本开支。

一、发生了什么？——回购总量没掉，最能回购的公司却先变了

1. 回购仍在高位，2026年尚未出现总量拐点：

从总量看，AI尚未明显削弱美股回购。J.P. Morgan统计显示，2026年4-5月全球企业宣布回购5330亿美元，超过2025年同期4870亿美元的前纪录。

高盛对S&P 500的预测同样没有指向回购总额下行：2026年Gross Buyback预计增长约3%，2027年再增长约5%。截至2026年中期，回购仍处历史高位，AI资本开支带来的变化主要藏在企业现金用途和行业结构里。

2. AI开始争夺Big Tech的自由现金流：

高盛预计，2026年S&P 500资本开支增长33%，研发支出增长18%，回购仅增长3%；2027年资本开支仍将增长22%，回购增速约5%。现金用途的重心正在向数据中心、GPU、电力、网络和研发倾斜。

Hyperscaler的变化尤其明显。Amazon、Alphabet、Meta、Microsoft、Oracle等公司2026年资本开支预计约7550亿美元，2027年可能升至8920亿美元。与此同时，Apple、Microsoft、Meta、Alphabet、Broadcom、Nvidia等大型科技公司的季度回购规模，大致从2025年一季度约770亿美元降至2026年一季度约440亿美元，一年减少四成以上。过去，大型科技公司既能快速增长，也能把巨额现金用于回购；AI基础设施建设正在压缩这份从容。

……

付鹏：能源市场成品油的紧张终于传导到了上游，警惕上下游左脚踩右脚【付鹏说4】

付鹏 — Sat, 12 Sep 2026 02:56:10 GMT

《付鹏说·第七季》全新升级上线！立即订阅

能源市场成品油的紧张终于传导到了上游，警惕上下游左脚踩右脚

交易桌前看天下，付鹏说来评财经。本期视频录制2026年9月11日。

在2026年二季度的节目中，我曾和大家交流过，整个能源市场需要密切关注。但密切关注到底关注什么？当时我讲过，上游原油具有很大的可替代性：无论是美国的原油、各国的战略石油储备（SPR），还是大西洋盆地的原油资源，都可以补充供给；沙特可以通过东西输油管道把原油从东部输送到西部的红海沿岸，阿联酋也有通往富查伊拉港的哈卜尚—富查伊拉输油管道，这些都可以绕开霍尔木兹海峡。此外，海上浮仓储存的原油、陆路管道的转运以及各国战略石油储备的抛售等，都可以用来弥补海峡受阻带来的供给缺口。

这些手段共同对油价形成了抑制作用，这一点在2026年二季度到三季度表现得非常明显。大家可以看到，西得克萨斯中质原油（WTI）和布伦特原油的价格大幅波动——只要地缘政治因素没有真正消退，原油市场面临的就是极度的不确定性。但原油市场是有“缓冲垫”的，冲击可以被层层吸收。

从原油到通胀，关键环节在炼厂

所以，海峡问题拖得越久，越需要关注它在细节上的连锁反应，而这种连锁反应真正起作用的地方并不在原油本身。原油并不能直接转化为通胀，不能直接决定消费品和工业品的出厂价格，也不能直接决定汽油、柴油的价格，中间还隔着一个关键环节——炼厂。亚洲的炼厂、欧洲的炼厂、美国的炼厂，炼厂的产能才是关键。

《付鹏说》第七季已经正式上线，大家点击订阅加入。第七季我们也做出了全新的更新，权益的升级。付鹏说第七季一共包括五大主要的模块，分别是视频专栏、专属社群、深度文章、图表解答以及专属的问答。已经购买参加付鹏说第七季的小伙伴，大家不要忘记扫码图中的二维码，找到我们的客服小助手领取专栏资料。

付鹏说第七季，期待大家的加入。

华尔街见闻 - 资讯 - 最新

财政部压不住、美联储不出手：美债5%可能只是开始

比美债5.5%更危险的，是美联储可能失去控制

AI泡沫、柴油冲击、收益率飙升！美银Hartnett警告秋季滞胀风险逼近

柴油才是真正的压力点

收益率高企，债券分散效应消退

AI泡沫隐忧：生产率数据发出警报

资金流向：股票吸引力下降，债券与加密货币获青睐

100美元油价、5%美债，可能才是新常态

Anthropic CEO谈放缓AI研发：有人用AI“研发生物武器、增强病毒传染性”，必须引入第三方监管

指数曲线的拐点：不是五级火警，但是警告信号

三步方案：第三方评估员是核心

“AI终止开关”：不是万能药，但也不是坏主意

个人责任：父亲死于丙肝，他本人曾患早期癌症

对前员工批评的回应：他说的和我说的是同一件事

给普通用户的话：行业对风险撒谎太久了

Anthropic CEO警告：AI发展太快了，现在必须减速

A股三大指数集体低开

AI开发放缓叠加油价飙升，日韩芯片股首当其冲，SK海力士跌超5%、软银暴跌11%

AI巨头联手呼吁放缓，芯片股承压

油价飙升重燃通胀忧虑，美联储加息预期升温

AI巨头们突然发现：最强模型，不发布反而更值钱

一、发生了什么？——AI巨头第一次认真讨论“慢一点”

智谱提前剧透GLM-6.0：完全自训练方法公开了

智谱的完全自训练

上市八个月，三轮融资

碳酸锂价格大跌，最值得关注的变量是什么？

01 国内独立储能是关键

02 海外储能的不确定性

03 储能是否还有更好预期？

一片“连续加息”声中，特朗普要求美联储降息：美国应拥有全球最低利率

沃什承压，加息预期升温

多重压力夹击美联储

不仅模型被超越 OpenAI连AI叙事的高地也丢了

阿曼推迟原定14日与伊朗等国会议 美国警告：不要指望霍尔木兹取得突破

沙特提出修正案，海合会内部存在分歧

美国能源部长：市场勿对突破抱有幻想

能源市场应声走强

FOMC前瞻——仅9月加息已不足以平息公信力危机

美联储有连续加息的基础吗？

华尔街见闻早餐FM-Radio | 2026年9月14日

华见早安之声

要闻精选

市场概述

要闻详情

观点精选

行业/概念

今日关注

9月14日会员早报：美国AI三巨头罕见“联手” 美国柴油价格创历史新高

延布港库存仅能维持5至7天出口！若沙特遭袭油管持续中断，全球或面临4%原油缺口

管道停运，出口储备告急

修复周期不明，市场高度不确定

全球供应危机持续加深

高盛：对于市场，“不加息”比“加息”更危险

中期选举前的对伊战事：特朗普的“胜利”如何定价？

摘要

正文

25位菲尔兹奖得主联名愤怒，OpenAI退出赞助：AI正在激怒整个数学界

利率与通胀的赛跑

摘要

报告正文

我们距离RSI还有多远？来自AI一线的观点

RSI的技术瓶颈在哪里

人类最后的护城河

持续学习：模型能否从部署中进化

强化学习为何奏效：超出预期的原因

时间线预测：从远程工作者到ASI

智谱以零息+溢价转股形式融资50亿美元，主要用于算力基础设施与模型研发

融资结构：折价配售叠加零息溢价转债

钱流向哪里：六成押注算力与下一代模型

股权结构影响

融资提速：两个月内二度出手

行业背景：大模型竞争进入资本消耗阶段

算力走向大宗商品化：谁将掌握AI定价权？

算力的大宗商品化路径

谷歌DeepMind，已经破解RSI?

一句藏头诗，一张截图，一批被收回的密钥

谷歌拉响紧急警报，微厨房里豪赌RSI

AI圈苦等了二十年的那扇门

短短一年过去，这四条预言已全部被击穿。

阿曼推迟原定14日与伊朗等国会议美国警告：不要指望霍尔木兹取得突破