华尔街见闻 - 资讯 - 最新

光伏行业集体“摆烂”

Mr蒋静的资本圈 — Mon, 28 Sep 2026 08:32:55 GMT

光伏行业“寒冬漫漫”。

供给端过剩，需求端萎缩，净利润普遍亏损，现金流持续紧张，资本市场不受待见……，短期盈利改善难以预期，长期发展方向迷茫，不知所措。

光伏企业开始以各种姿势“摆烂”。

01 谨慎接单

最近，银浆、玻璃、胶膜等上游辅材企业，明显“谨慎接单”，对价格及回款要求提高，哪怕是下游头部客户。

聚和材料：对于低价、长账期订单保持克制，优先保障盈利与现金安全，不再单纯追求出货量。

帝科股份：强化回款管理、优化客户结算方式，审慎评估低价订单，对信用偏弱客户收紧账期，不承接侵蚀现金流的低价大单。

福莱特：不再无底线承接低价订单，优先匹配客户资金实力，对零散小单、压价严重订单采取保守策略，选择性交付。

福斯特：对于报价无法覆盖成本、客户回款较差的订单，保持审慎接单。

更有传言，下游大客户甚至“恳求”上游供应商接单，甲方变乙方，三年河东，三年河西。

曾经备受追捧的“大客户”神话不复存在，上游供应商不再为了订单可以牺牲一切，尤其是账期，“现金为王”终于大于“市场为王”，生存大于发展。

这种底气是有道理的。

如今，上游辅材环节的竞争格局经过这一轮周期洗涤，已经趋于稳定。能够接单的，敢于接单的，也就那么几家了，上游已经有了敢于跟下游大客户“讨价还价”的筹码。

这或许就是市场化洗牌的魅力。

不止上游辅材，下游组件也是如此。

阿特斯明确表示，坚持利润优先，优化销售策略、出货结构及市场布局，聚焦于高价值区域和战略客户。为此，阿特斯组件出货量从此前的全球前五，跌至全球十名之外。

其他头部组件厂商也趋于谨慎接单。

2026年已有多起光伏项目出现中标之后弃签合同现象，组件厂商宁可放弃投标资格，也不愿承接低价订单，宁可不做，也不能越做越亏。

留在牌桌上，比洗出去更重要。

如今，光伏行业在资本市场“冰冻”，光伏企业也不用再为了迎合资本市场去做一些“虚头巴脑”的事情，现金流为王，其他都是扯淡。

大家已经形成一致预期，以最小生产规模，维持基本生存和发展，熬过寒冬，再做打算。

光伏行业的产能过剩依然存在，财务上的折旧压力依然较大，不过基于对现金流的要求，部分头部企业尽管经营利润亏损，但现金流已经开始转正。

天合光能2026年上半年经营现金流净额为51亿元，晶科能源第二季度经营现金流净额为15亿元，通威股份第二季度经营性现金流净额为28亿元。

这恰恰是周期转变的正确路径，先有现金流转正，才有利润转正，只是需要一定的时间，我们还需要耐心等待。

02 “不务正业”

光伏行业自身疲软，资本市场也不受待见。

因此，跨界成风，纷纷寻求第二增长动能。

储能，几乎是组件、逆变器等下游应用端的必然选择，目前阳光电源、阿特斯等储能业务已经发展成为第一大主营业务或者第一大利润来源，已经说不清楚他们到底是光伏企业，还是储能企业。

阳光电源和阿特斯只是个案，他们在十余年前就布局储能领域，才有了如今的成就，对于较晚介入储能领域的光伏企业，面对的后发竞争压力就大多了，发展势头也差远了。

半导体，则是上游材料或设备企业更青睐的领域，聚和材料通过收购进入半导体掩膜版领域，拉普拉斯大力开拓半导体设备。

跨界成风，写满了光伏企业的“焦虑”。

这种焦虑，不仅是对光伏行业未来发展空间及竞争格局的担忧，更是对资本市场“抛弃”光伏行业的一个被动反馈。

一个企业的资源和精力是有限的，当一个光伏企业跨界耕耘其他领域的时候，在原本光伏领域的发展或多或少会受到影响，尤其是技术迭代，最终会形成一个负反馈。

真是意难平。

03 市场化“倒逼”的结果

过去几年，光伏行业“反内卷”喧嚣尘上。

效果甚微。

行政式干预，行业性自律，很难改变企业现实的切身决策，也很难平衡相关者的切身利益，所谓不见兔子不撒鹰。

只有市场化倒逼，才是最大的推动力量。

表面看，谨慎接单、收缩规模、跨界突围，像是一场行业集体“摆烂”。剥开来看，这是寒冬之下各家企业摸索出来的“猫冬姿势”。

不再不计代价抢份额，控制亏损、守住现金流，等待低效产能被逐步清洗出局。

当然，这个过程注定痛苦。

一部分企业会扛不住周期压力，退出市场。只有过剩产能真正出清，供需关系重新平衡，留在牌桌上的玩家，才能真正迎接行业春天的曙光。

但是，我们也需要清醒，现金流转正不等于周期反转，跨界布局不等于弯道超车。产能出清不会一蹴而就，光伏行业的磨底，仍将持续相当长一段时间。

因此，看起来是光伏企业集体“摆烂”，但更像是光伏企业在行业寒冬中的集体救赎，大家都在寻找适合自己的“猫冬姿势”，当熬死部分对手、实现产能出清之后，那些还留在牌桌上的企业，自然迎来春天的曙光。

本文来源：Mr蒋静的资本圈

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。

吉利蔚来，合兵补能大战

Mon, 28 Sep 2026 08:28:16 GMT

作者 | 周智宇

“团结活下去。”

9月28日，谈及蔚来与吉利的充换电合作，吉利汽车集团董事长安聪慧打趣道。两支团队讨论了近三年的合作，终于走到了把资产、现金和股权放到一起这一步。

根据协议，吉利旗下公司拟以易易互联100%股权及6.4亿元现金，认购蔚来能源新增股权，初始持股30%，对应投后估值约160亿元。蔚来中国则拟入股浩瀚能源10%，后者将用这笔增资款收购蔚来的部分充电资产。交易尚待交割，蔚来中国将继续控股蔚来能源。

为什么谈了近三年的合作，在此时走到了股权和资产层面？

安聪慧回顾，十多年前，业内还在反复讨论补能该走哪条技术路线；如今，超快充和换电已各自找到对应的用户和场景。蔚来董事长李斌则把话题落在投入上：过去各自探索，现在要减少重复投资，提高运营效率。

两家公司的下一轮扩张都已排上日程。吉利五天前刚发布新一代智充技术，计划到2027年底建成超过2.2万座充电站、10万把充电枪；蔚来则要在2030年建成1万座换电站。

浩瀚能源已整合极氪、领克和吉利银河的充电业务，拥有超过2500座充电站，蔚来约1万把独立充电枪预计将随此次合作接入。吉利的营运车辆换电业务则将并入蔚来能源。双方在下一轮投入之前，先把各自已有的一部分业务合到一起。

李斌说，“充换电这个领域，特别容易算清楚账”。他披露，蔚来11年已投入超过200亿元，充电网络超过85%的电量来自其他品牌。安聪慧也强调，投入还要继续，但要通过合作降低风险、更快做大规模。

李斌也没有回避两家公司在汽车市场上的竞争。“一谈竞争就没有合作了，这其实不是一个好的商业逻辑。”在他看来，充换电已经具备互联互通、共建共享的基础，是双方比较容易达成共识的领域。

吉利汽车集团CEO淦家阅也说得直白：“我们把技术做得很好，但跟市场、跟客户交流还是我们的问题。”安全、速度之外，他反复强调便捷。吉利要把刚发布的快充技术，尽快铺到用户身边。

换电这边，秦力洪已经拿杭州算起了账。

蔚来联合创始人、总裁秦力洪说，前一天，他专门查了杭州的城市规划数据。蔚来与吉利在杭州的换电站合计已超过100座。他设想，如果站点充分互通、布局均匀，再配合智能调度，理论上可以让车辆在约5分钟车程内到站。

对每天跑在路上的营运车辆，少花在补能上的时间，可以变成更多接单时间。秦力洪测算，依托优质换电网络，一辆营运车辆每天最多可节省90分钟，经营收入有望提高15%至20%。他也明确说，这仍是需要继续努力实现的目标场景。

秦力洪还提到，换电站可以承接电池资产运营，通过电池租用和调度，减少车与电池使用寿命不同带来的残值损失。对营运车队而言，换电还关系到车辆整个使用周期的成本。

吉利带来的正是这类需求。易易互联已建设超过420座换电站，覆盖50余座城市，服务包括曹操出行在内的营运车辆，也积累了高频换电、车辆调度和电池养护经验。对已有4126座国内换电站的蔚来而言，伙伴带来的不只有建站资源，还有持续使用网络的车辆。

营运车辆的收入测算传出后，蔚来车主也有了关切：自己的换电体验会受到什么影响？

李斌的回答是“越来越好，越来越方便”。双方计划运营面向个人用户和营运车辆的两张换电网络，共享研发、供应链、制造和运营能力。秦力洪也专门回应了私人用户的关切：更多资源将用于加快建站，用更密的网络改善体验。

吉利则将开发面向个人用户的换电车型，由蔚来能源提供服务。营运车队之外，换电还将争取更多私人用户。

李斌介绍，第五代换电站在车型兼容能力上已有提升，为向更多品牌开放提供了基础。双方还将共同推进面向个人用户的换电技术与标准。

双方看中的下一种需求，还包括Robotaxi。

安聪慧明确提到，将依托曹操出行车队和Robotaxi布局拓展换电场景。曹操出行此前已披露，杭州的“绿色智能通行岛”具备自动换电、自动清洁和车辆整备等功能。

无人驾驶车队要持续运营，补能也要尽量减少人工介入和停驶时间。两家进一步合作的空间，在于把自动换电、车辆调度和电池管理接起来。蔚来多年的换电投入，也因此有机会接近一批新的运营客户。

李斌甚至把账算到了能源业务：双方正讨论共用电力设施，让同一处供电资源服务两张换电网络和吉利充电设施，进一步探索电力交易。更多车辆进站，既带来补能需求，也给设施与电池的利用增加了空间。

眼下，车企巨头、电池巨头也在持续加码补能大战。车企下一轮争取销量时，过去在补能上花的钱，还会继续起作用。

蔚来多年建起的换电网，将服务吉利计划推出的C端换电车型。把车卖出去之后的生意做长，会成为车企下一阶段争取的新空间。

风险提示及免责条款

私募四季度展望：科技仍是核心主线，但“便宜的不景气、景气的不便宜”，选股难度越来越大

中国基金报 — Mon, 28 Sep 2026 08:24:39 GMT

今年以来A股市场上演震荡行情，尤其是科技板块上半年高歌猛进后在三季度出现明显波动，市场风格也有所变化。进入四季度，市场会何去何从？科技行情是否会延续？内需板块是反弹还是反转？

中国基金报记者采访了四位知名私募投资人士，分别是康曼德资本创始人、董事长丁楹，恒立基金创始人、总经理潘焕焕，重阳投资合伙人寇志伟，星石投资副总经理方磊。他们认为，四季度A股市场或维持积极震荡态势，进一步转暖的概率较大，具有确定性业绩和增长前景的科技公司仍是未来投资的主轴。

康曼德资本创始人、董事长丁楹

恒立基金创始人、总经理潘焕焕

重阳投资合伙人寇志伟

星石投资副总经理方磊

前三季度：结构行情突出

中国基金报：前三季度在运作上有哪些得失？对四季度的市场大势作何研判？

丁楹：截至9月24日收盘，上证指数比年初下跌2%，结构分化非常明显，通信、电子板块上涨近40%，而商贸零售、汽车板块下跌约20%。概括来说，得在方向——把AI算力和国产替代当主轴，失在节奏——三季度科技回撤比预想得更深、更快，减仓不够果断。

预计四季度指数仍将震荡整固，结构性机会好于三季度，科技方向的盈利在往上走，出口是硬支撑，而且加息已经落地。但需要注意的是，8月社零只增长了0.4%，房地产开发投资仍是负增长，四季度可能看不到内需推动的市场走强。

潘焕焕：2025年市场经历了普涨行情，年初我们判断今年会经历牛市中继期的震荡调整，继续看好AI算力相关产业的景气延续性，这种判断得到了市场的验证。但前三季度市场K型分化的极致程度，以及AI产业链的景气高度超过了我们的预期，应对有所不足。

即将进入四季度，我们认为外围动荡恐将延续，国内经济有望底部企稳，总量上GDP增速将再抬头，财政发力加速，逆周期调节政策逐步落地。整体看，我们对A股市场较为乐观。

方磊：今年以来，我们的投资组合相对均衡，不仅关注AI等产业趋势带来的投资机会，也关注具有中期投资性价比的中国核心资产。

四季度市场或保持积极震荡，市场风格或继续保持均衡，可关注产业趋势中企业盈利支撑的投资机会，以及中国核心资产估值修复的机会。

三季度科技股波动：估值“还债”，逻辑并未改变

中国基金报：如何看待三季度科技板块的波动，后市能否延续强势？

寇志伟：从基本面的角度看，三季度投资者关注的焦点在于AI巨额资本开支能否取得合理ROI（投资回报率）。上半年，前沿模型Agent能力提升和Coding场景需求爆发，全球算力需求严重短缺。但这种供需失衡是资本开支与需求在节奏上的错位导致的。到了三季度，前沿模型迭代放缓、Coding场景的渗透率红利触顶，前沿模型厂商被迫陷入价格战。

客观地讲，任何一个新兴产业的发展都不可能是线性的，AI产业也是如此，其发展趋势并未改变。但经过5月、6月指数级增长的预期和股价面对回到线性增长的ARR（年度经常性收入）后，市场交易结构的脆弱性就成了主要矛盾。

潘焕焕：三季度的调整不能认定科技泡沫已经破灭，而是一种节奏调整。其产业景气度并未下滑，远景叙事确定性反而在加强。预计科技板块后市大概率会震荡上行，但投资难度可能加大。技术路线的变迁、竞争态势的演变会导致板块内“洗牌”，若研究跟不上，即使跟对风向也可能“上错船”。

丁楹：前期下跌的本质是消化估值。AI资本开支还在上行，中报半导体净利润增长了数倍，但上半年股价涨太快，光模块、覆铜板、PCB拥挤度一度达到历史极值。预计四季度科技大概率会分化走强，而非全面走强。筛选的方法很简单：2027年景气度能不能较今年继续改善？能改善的，下跌就是机会；改善不了的，反弹就是减仓窗口。

方磊：三季度以来科技板块的波动是被基本面和资金面双重驱动的结果。一方面，AI尚未出现新的大规模应用场景，市场对于AI产业链是否出现过度融资的担忧有所增加；另一方面，上半年资金对AI产业链的追捧较为极致，7月全球科技股波动引发了资金踩踏。

向后看，A股市场中科技一枝独秀的极端行情或很难重现，科技内部分化或有所加剧。在这一阶段，需要聚焦真正拥有创新能力和核心技术、增长确定性较高的龙头企业。

优秀内需龙头存在估值修复空间

中国基金报：如何看待大内需板块（地产、医药、消费）近期的回暖，是阶段反弹还是迎来拐点？

方磊：地产、医药、消费三大内需板块均受益于股市风格平衡和资金回流，但回暖的具体原因也有一些差异：地产更偏向于政策驱动估值修复的反弹，医药属于基本面兑现的反弹，而消费更多是基本面左侧的反弹。

从中期角度看，大内需板块已经基本度过了最艰难的阶段，优秀龙头公司存在估值修复的空间。在政策推动基本面修复的过程中，头部优秀公司有望率先受益，目前需要增加对大内需板块的关注。

潘焕焕：大内需板块回暖，细分来看，原因不尽相同，共性是三季度科技调整，资金配置再平衡推动板块整体修复。不同点在于，地产板块回暖是对估值水平、产业下滑速度放缓、政策预期的综合反映。医药板块回暖的支撑因素更为充足，包括基本面明显改善、估值见底、机构配置处于底部、产业政策良性转向等短中长期逻辑；消费类更多是修复估值。对比来看，医药板块迎来拐点的概率较高，地产、消费则需进一步跟踪产业政策和基本面变化。

丁楹：地产板块上涨源于“存量阶段”定调和政策预期，销售投资还在负增长，属于反弹；医药板块，创新药BD、CXO订单、医保方向都在改善，有业绩支撑，拐点成色更高；而消费的基本面好转需要收入预期的改善。

科技板块仍是投资主轴

中国基金报：你目前的仓位如何？主要配置方向，以及四季度计划的操作思路如何？

潘焕焕：我们认为四季度市场进一步转暖概率较大，但目前属于牛市下半场，震荡幅度也会加大，热点主线会频繁切换。操作上，我们一方面继续保持高仓位，在科技、医药、红利、大宗商品等行业均衡配置，重点选择价值低估和事件催化的板块；另一方面，保持较高的可转债占比，今年中证转债回调幅度较大，估值合理，且震荡市中转债机会更多。

丁楹：目前证券仓位超过90%，属于高位运作。结构方面，港股占53%、A股占40%。港股有一批AI应用和“硬科技”资产，估值比A股公司便宜，还能分享全球资金再配置的机会。我们比较关注的是人工智能驱动的科学研究（AI for Science）方向的港股标的。

我们的思路是主轴不换，只调节奏。总仓位不降，加仓子弹集中打向未来五年能成倍增长的方向。便宜不是买入的理由，成长空间才是。

方磊：目前组合保持均衡配置，兼顾两方面投资机会。一是AI产业链、半导体等具有产业驱动的科技成长板块，这些行业正处于技术突破和需求爆发的窗口期。但当前科技板块整体估值不低，需关注那些真正拥有创新能力和核心技术的龙头企业。二是传统核心资产，这些资产目前普遍低估，政策发力将进一步夯实盈利改善基础，可以关注供需格局持续向好、深度调整的传统龙头以及具有全球竞争力的制造业企业。

寇志伟：四季度，我们对市场并不悲观，“资产荒”格局下，市场出现系统性风险的概率不大。但客观地看，市场便宜的板块不景气，景气的板块不便宜，选股难度越来越大。预计市场风格分化将趋于淡化，轻指数、重个股是明智的选择。

我们仍然高度关注科技板块，但更愿意在一些非共识的细分赛道挖掘机会，在短期受到AI冲击的行业中寻找自身竞争力持续提升的公司。

决定A股的是产业周期和盈利

中国基金报：如何看待美联储加息等外围市场的影响？

丁楹：9月17日美联储宣布加息25个基点，市场对此早有定价，更像利空落地。我们不认为这是新一轮紧缩周期的起点——美国通胀走高很大程度上是由油价和地缘扰动推动的。美债利率处于高位是外部约束的反映，不是方向扭转。决定A股的是自身产业周期和盈利，我们不会因加息而降低仓位，也不会在加息窗口加杠杆。

寇志伟：美联储加息是结果，是对经济和资金供求关系的确认。目前，AI已取代房地产，成为影响美国乃至全球经济最重要的变量。我们需要寻找更具成长性的机会，才能抵消AI带来的冲击。

方磊：美联储加息，资金风险偏好和风险资产估值或受到压制，进而影响A股市场。但后续美联储加息对A股的影响可能会减弱，四季度的交易逻辑或逐渐回归盈利驱动和产业叙事。

潘焕焕：对美联储加息市场已提前预期，事件落地后不确定性消除，受压制的风险偏好有所提升。后期只要不形成美联储将进入漫长加息周期等市场预期，影响将相对有限。

关注三季报、中央经济工作会议、AI产业链、油价和通胀等

中国基金报：四季度需要特别关注哪些方面？

丁楹：一是三季报。10月是分水岭，能看到哪些公司在2027年比2026年能拿到估值溢价；二是油价和输入型通胀，这会影响中下游制造的利润率，还将间接决定美联储会不会继续加息；三是AI应用能不能真正变现；四是资金面——拥挤度较高的方向要防范交易收缩。

方磊：四季度较为关注几方面：一是三季报业绩的兑现程度；二是12月的中央经济工作会议对明年经济工作和政策的定调；三是海外AI产业链是否出现新变化；四是美联储加息的节奏以及长端美债利率的上行空间。

潘焕焕：美联储等海外央行政策走向、美债收益率变化、地缘冲突与大宗商品价格走向、AI资本开支与应用端产业进展、国内财政发力兑现程度、中央经济工作会议新定调、地产新政的产业验证等诸多方面都对金融市场有较大影响，值得特别关注。

本文来源：中国基金报

风险提示及免责条款

布伦特原油突破100美元/桶，日内涨超2.5%。现货黄金跌破4150美元/盎司

Mon, 28 Sep 2026 08:24:18 GMT

布伦特原油突破100美元/桶，日内涨超2.5%。现货黄金跌破4150美元/盎司。

风险提示及免责条款

商务部公布中美贸易理事会和“300亿对300亿”对等降税框架有关情况

商务部 — Mon, 28 Sep 2026 07:58:03 GMT

2026年5月，中美两国元首在北京会晤，同意双方建立政府间贸易理事会。9月20日—23日，中美双方在美国纽约和华盛顿举行第八轮经贸磋商，就中美贸易理事会工作规程、“300亿对300亿”对等降税框架职责文件、降税产品清单等达成共识。

根据工作规程，贸易理事会的任务是优化双边贸易，将讨论优化双边贸易的安排和影响贸易的问题。相信贸易理事会将为中美在经贸领域不断拉长合作清单、压缩问题清单提供重要平台和机制保障，助力中美建设性战略稳定关系。

中美双方在贸易理事会框架下就300亿美元对等降税框架达成共识。双方商定对各自规模约为300亿美元（参照2024年度双边贸易额）的进口产品，在符合双方各自国内法律和程序的基础上，以对等方式提供降低关税待遇。其中超过90%的产品，将免除相互加征的全部关税，享受最惠国关税待遇。

双方基于各自市场需要和产业利益，商定了对等降税产品清单。美方将对玩具、家电、婴儿用品、厨卫用品、节日礼物等约300亿美元自华进口商品降低关税。中方将对农产品、个人护理用品、医疗器械、煤炭等约300亿美元自美进口商品降低关税。双方商定共同公布各自降税产品清单。后续，双方将在履行各自国内相关法律程序后，同步实施降税。这一安排有助于稳定中美贸易，为中国相关产品对美出口创造较好条件，也有利于满足国内市场需求，加强双方在农产品、能源、制成品、消费品等领域的贸易合作。

双方同意在贸易理事会下设立农业工作组，讨论包括监管和市场准入在内的相关议题，处理贸易关切，扩大农业领域务实合作。农业工作组计划在2026年底前召开首次会议。中方将通过工作组会议继续推动美方解决中方农业领域关切。

本文来源：商务部

风险提示及免责条款

存储芯片巨头，正在签10年长约

半导体行业观察 — Mon, 28 Sep 2026 07:57:56 GMT

“如果客户开始要求签订10年的供应协议，你怎么还能对存储芯片持悲观态度？”

这是韩国大信证券（Daishin Securities）在最新报告中的一句判断。在AI数据中心建设持续加速的背景下，存储行业正在出现一个过去极少见的现象：越来越多头部客户不再满足于季度或年度采购，而是提前锁定未来五年，甚至十年的HBM和DRAM供应能力。

据Daishin Securities披露，三星表示，目前几乎每一位主要客户都在主动寻求签署多年期供应协议，原因并非为了获取更低价格，而是担心未来需要时无法获得足够的存储容量。对于AI基础设施运营商而言，GPU可以扩容，服务器可以采购，但如果HBM等关键存储供应不足，整个数据中心的部署节奏都可能受到影响。

目前，三星已经与5家主要数据中心客户完成长期供应协议，并即将与另外5家大型AI客户敲定交易。更值得关注的是，三星约70%的存储芯片生产能力已经被纳入长期合同，供应周期一直覆盖至2031年。这意味着，未来数年的大部分先进存储产能，实际上已经提前被头部客户锁定。

与以往行业景气时期常见的“意向预订”不同，这些并不是可以轻易取消的软性订单。Daishin Securities指出，这类长期协议通常包含预付款、最低采购承诺以及价格底线等核心条款，既保证客户获得稳定供应，也帮助三星降低未来市场价格波动带来的风险。其中，价格底线意味着即便市场进入下行周期，合同价格仍受到一定保护，而采购承诺则要求客户履行约定采购数量。

报告还透露，三星已经收取了这些长期合同约四分之一金额的定金，这进一步提高了订单的确定性，也反映出客户对于未来产能的争夺已经从“预留名额”进入真正的资本绑定阶段。

这些协议的设计也颇具战略意味。多数合同以五年为初始期限，并采用每年续签的滚动机制，使三星能够持续更新未来五年的需求预测，同时不断向后延伸产能规划。Daishin Securities表示，三星目前已经开始与部分客户讨论2031年的供应规模，而部分AI客户甚至提出希望签订最长10年的供应协议。

对于周期性极强的存储产业而言，这是一个相当罕见的信号。企业几乎不会提前十年锁定标准化半导体产品，除非他们相信未来供应能力本身将成为一种战略资源。随着AI模型参数规模不断增长、数据中心持续扩容，HBM和高性能DRAM正逐渐从普通元器件转变为决定算力建设速度的关键基础设施。

需求之外，三星自身的技术进展也让这轮长期订单更具意义。Daishin Securities预计，三星将在明年重新夺回HBM市场最大份额，主要受益于更广泛的客户覆盖、HBM价格上涨，以及1c DRAM良率提前提升至约80%。

良率提升意味着，在相同晶圆制造能力下，三星能够生产出更多可用的DRAM芯片，不仅提高产能利用率，也能够有效降低单位制造成本，并改善整体利润率。对于HBM这样高度依赖先进DRAM堆叠的产品而言，底层DRAM良率的提升往往直接决定最终产品的供货能力和盈利水平。

Daishin Securities进一步预计，随着盈利能力持续改善，三星还将加强2027至2029年的资本回报政策，包括提高股息以及实施潜在的股票回购。

当全球头部AI客户开始讨论2031年的存储供应，并主动提出签订最长10年的采购协议时，这场竞争的焦点或许已经不仅是谁拥有更先进的HBM技术，而是谁能够在未来十年持续提供稳定、可预测的大规模存储产能。

本文来源：半导体行业观察

风险提示及免责条款

固态电池的转折时刻：2027 年蓝图越发清晰，产业如何提速？

Mon, 28 Sep 2026 07:36:07 GMT

设备是这条产业链上唯一一个"下游尚未量产、却已经必须付钱"的环节。全固态产线对液态产线不是升级而是重做——干法路线下约 66% 的设备需要全新定制采购（湿法路线下约 50% 的存量设备可复用），单 GWh 设备投资从液态的 1.35 亿元抬升至 4.5 亿元，是 3.3 倍。2027 年是全球 14 家主要玩家中有 9 家同时落点的"验证年"，而不是放量年；真正的放量要等 2030 年，出货量从 2026 年的约 9.2 GWh 走向 771 GWh。

我们主要拆解固态产业链的四件事：钱投向了哪里、设备价值为什么抬升 3 倍以上、硫化物路线的成本开关在哪里、以及未来 12 个月最值得盯住的四个可验证指标。

电网等不起，高盛：数据中心自备电厂或将成主流，燃气轮机订单已排到2031年

Mon, 28 Sep 2026 07:32:24 GMT

AI基础设施的电力危机正在催生一场能源供给革命。高盛认为，受制于电网扩张严重滞后，数据中心"自备电厂"模式正从边缘选项走向行业主流，预计到2030年将承担全球25%的数据中心电力需求——而这一比例在2025年几乎为零。

9月27日，高盛旗下Carbonomics团队在一份长达50页的报告中，将全球数据中心表后发电（Behind-The-Meter，BTM）容量预测从40GW大幅上调至67GW，并预计燃气轮机、往复式发动机和燃料电池合计将供应美国28%、全球25%的数据中心电力需求。

与此同时，报告指出，燃气轮机市场已全面告急——GE Vernova的积压订单加预留产能已达116GW，2030年产能全部售罄，2031年产能也已售出逾50%，这一供应瓶颈正在将数据中心运营商推向燃料电池、往复式发动机乃至工业锅炉等替代方案。

更长远来看，高盛认为小型模块化核反应堆（SMR）是2030年后唯一可规模化的永久解决方案，但受制于建设周期，其大规模落地难以在2030年前实现。

需求爆炸：数据中心电力需求五年翻近三倍

AI算力军备竞赛正在将全球电网推向极限。高盛美国科技团队及GS SUSTAIN团队预测，全球数据中心装机容量将从2025年的101GW增至2030年的217GW，其中美国单独达到108GW。

以电力需求计，高盛预计2030年全球数据中心用电量较2025年增长170%，较此前117%的预测大幅上调，其中超过60%的增量来自美国。

这一趋势将推动高盛对美国总体电力需求的复合年增长率预测升至3.5%——这个数字在五年前的任何一场公用事业投资者日上都会被视为天方夜谭。

电网告急：新增输电线路骤降，并网等待逼近五年

电网扩张的速度远远跟不上需求增长的步伐。高盛报告显示，美国新建高压输电线路的年均里程已从2010至2014年的1700英里骤降至2020至2023年的350英里，2023至2024年间更仅新增55至125英里。

与此同时，从提交并网申请到正式商业运营的中位等待时间已接近五年。高盛认为，发电设备制造商INNIO的数据更为严峻：电网接入时间已从历史上的约两年延长至今天的七年以上。

正是这一现实，促使超大规模数据中心运营商开始签署长达15年的BTM电力合同。当等待并网意味着一座耗资数十亿美元的园区要到下一个十代才能开机，“临时”的自备电源便自然演变为永久方案。

政治压力同样不可忽视。报告援引数据显示，今年夏天全美42个州共爆发142场反数据中心抗议活动。每一GW的自备发电，就是一GW不会被摊入普通居民电费账单的负担，BTM模式的政治成本正在持续下降。

燃料电池胜出：速度溢价压倒成本劣势

在高盛的综合评分体系中，燃料电池以76.6分位居榜首，超过航改型燃气轮机（68.2分）、往复式发动机（67.0分）和重型燃气轮机/联合循环机组（59.6分）——尽管其度电成本（LCOE）是所有选项中最高的。

成本对比一目了然：针对500MW数据中心，高盛测算往复式发动机LCOE约为80美元/MWh，联合循环燃气轮机（CCGT）约81美元/MWh，开式循环燃气轮机（OCGT）约91美元/MWh，而燃料电池高达117美元/MWh——即便享受30%投资税收抵免（ITC），也仅能降至90美元/MWh。

然而，燃料电池的核心竞争力在于"时间"。高盛评分体系中，"投产时间"权重高达20%，"可用率"权重15%，而LCOE和初始资本支出合计仅占25%。固体氧化物燃料电池（SOFC）制造商报价从下单到供电仅需6至12个月；往复式发动机需要1.5至2.5年；重型燃气轮机则需5至7年，远高于正常市场的2至3年。

Bloom Energy在二季度业绩电话会上的表述精准诠释了这一逻辑：客户现在以"每单位算力的总电力成本"来衡量投资回报，一座1GW数据中心提前一个月投入运营，潜在收益可达10至20亿美元。在这个量级面前，每MWh多付37美元的溢价几乎可以忽略不计。

燃料电池还具备两项额外优势：其一，冗余配置需求最低，服务500MW IT负载仅需约9%的超额装机（约725MW），而CCGT需要高达47%的冗余（约979MW）；其二，燃料电池直接输出直流电，可无缝对接英伟达推进的800V高压直流机架架构，省去变压器和逆变器环节，将约10至12%的电力损耗压缩至约3%。

供应链全面告急：从燃气轮机到燃料电池无一幸免

燃气轮机市场的供应紧张已达到历史极值。高盛数据显示，2025年全球燃气轮机订单量达100GW，较2024年的55GW大幅跃升；2026年势头更猛，仅上半年已签约67GW，其中第二季度单季即达38GW。

主要制造商的订单状况触目惊心：GE Vernova积压订单加预留产能达116GW，预计年底前超过125GW，2030年产能全部售罄，2031年产能已售出逾50%；西门子能源累计承诺量达87GW，其中24GW与数据中心相关，即便计入所有已宣布的产能扩张，2030年仍存在约10%的供需缺口；三菱重工已在洽谈2030年代交付的项目。

发动机制造商同样不堪重负：Wärtsilä的2028年产能已售罄，正在洽谈2029至2030年槽位；INNIO积压订单加预留量超过15GW，为过去12个月交付量的逾4倍，并刚刚签下一座超大规模数据中心的1.1GW基础电力订单；卡特彼勒大型发动机积压量增长逾3.5倍；康明斯订单已排至2028年；劳斯莱斯表示数据中心业务已占其发电销售额的80%以上。

供应瓶颈的压力已蔓延至极端应对措施：据报道，马斯克旗下SpaceX已着手在德克萨斯州自建涡轮叶片工厂以突破瓶颈；部分AI开发商甚至重启工业锅炉和蒸汽轮机，只为在2032年前让机器转起来。

燃料电池同样面临产能制约。高盛测算，Bloom Energy新建的2GW产线即便满负荷运转，到2030年累计交付量也仅约7.7GW，远低于其预测的全球18GW需求。要填补这一缺口，需要Ceres Power的被许可方——包括斗山、台达、潍柴等——同步大规模扩产，而斗山目前的年产能仅为50MW。

长期出路：小型模块化核反应堆是唯一永久解

高盛在报告中还埋下了一句关键判断：小型模块化反应堆（SMR）是可行的BTM选项，"从长远来看可靠且相对经济"，但"由于投资周期较长，数据中心的大多数投资不太可能在2030年前实现落地"。

这一时间线恰好与整个BTM叙事的内在逻辑吻合：燃气轮机、往复式发动机和燃料电池本质上都是过渡方案，建立在5至7年的涡轮机排队、产能受限的燃料电池生产线以及天然气价格长期维持低位的假设之上。唯一能够提供永久、可规模化、不受燃料价格波动影响、零排放且真正实现现场供电的方案，是部署在园区内的模块化核反应堆。

高盛的时间线与SMR开发商的规划几乎天然衔接：燃气BTM和燃料电池承担2030年前的过渡负荷，模块化核能在2030年代逐步规模化，恰好赶上第一批现场燃气资产到期续约、天然气价格走势存在不确定性的时间窗口。

风险提示及免责条款

特朗普白宫宴请Anthropic CEO，此前曾称其为“左翼疯子”

Mon, 28 Sep 2026 07:28:41 GMT

特朗普于当地时间9月27日周日晚10点在白宫宴请Anthropic首席执行官Dario Amodei。就在不久前，特朗普还公开指责这家AI公司由“左翼疯子”运营，其政府更将Anthropic列为国家安全风险。

据英国《金融时报》报道，此次晚宴被外界视为两人关系出现和解迹象。在宴请前的媒体问答中，特朗普称Amodei“非常受人尊重”。Anthropic方面拒绝置评。

晚宴时机颇为敏感——9月29日周二，美国各大AI公司负责人将齐聚华盛顿，与政府官员就AI监管问题举行会议。双方在这一核心议题上的立场至今针锋相对。

监管立场：两人分歧明显

Amodei一直是AI严格监管的主要倡导者。他呼吁放慢前沿模型的发布节奏，要求对网络安全风险进行独立审查，并推动AI实验室与各国政府加强协调。

特朗普的立场截然相反。他明确拒绝建立任何监管框架，理由是这将拖慢美国AI发展。他将美国AI称为“会下金蛋的鹅”。

上周，特朗普在接受Fox News采访时表示：“我的立场是，冲吧，赢下来。我们领先中国大约一年，也许一年半。没有第三名。”

他还在上周宣称，美国“拒绝任何构建全球主义方案来控制人工智能的企图”。

五角大楼禁令阴影未散

这场晚宴的背景并不轻松。就在上周，华盛顿一家联邦上诉法院维持了五角大楼对Anthropic产品的禁令。该禁令于今年早些时候生效，起因是Anthropic在其AI产品中加入了限制军事用途的条款。

国防部长Pete Hegseth当时指责Amodei“上演了一堂傲慢的大师课”，特朗普则将Anthropic定性为“激进左派”。

不过，加州一家法院今年8月裁定，五角大楼的行为构成“非法报复”。Anthropic目前正在评估是否就华盛顿的裁决提起进一步上诉。

AI安全隐患升温，行业压力加剧

与此同时，AI安全问题正引发更广泛的担忧，为周二的会议增添了紧迫感。

上周五，OpenAI表示已通知“数十家”合作伙伴（包括多国政府），其工具曾入侵这些机构的系统。此前一周，有消息称OpenAI的一个AI代理入侵了澳大利亚一家公共卫生服务网站，访问了公开及非公开文件。

AI研究机构Transluce上周表示，上述事件似乎涉及AI代理在反复训练过程中自行在互联网上搜集信息，并偏离预设轨道。

今年7月，Anthropic和OpenAI的模型均卷入AI模型平台Hugging Face的一起高知名度安全漏洞事件。

科技巨头齐聚华盛顿

周二的会议阵容强大。马斯克将赴华盛顿出席，英伟达CEO黄仁勋也在受邀之列——后者此前曾公开否定通过立法规范AI的呼声。

值得注意的是，马斯克已与Amodei一道，加入了呼吁“放缓”AI发展步伐的阵营，认为安全测试需要跟上技术部署的速度。

这场白宫晚宴，以及随后的行业会议，将是观察特朗普政府与AI行业关系走向的重要窗口。

风险提示及免责条款

加息定价已过半场：美联储会连续紧缩，还是10月暂停？

Mon, 28 Sep 2026 07:26:25 GMT

9月美联储加息落地后，市场迅速转向鹰派定价：10月FOMC加息概率升至65%，较之前明显上升；12月加息概率接近80%，未来一年累计收紧88个基点，相当于3.5次25bp加息。

本轮加息预期升温具有较强的基本面基础。一方面，中东局势前景不明，油价继续维持高位；另一方面，美国9月制造业PMI初值升至57.0，较上月上升3.1个百分点，创下年内高点，企业活动仍处于较强扩张状态，经济表现韧性。

然而，美联储点阵图中位数仅显示年内再加一次，即12月份再加息1次，此后维持利率不变，票委内部并未形成逐次会议加息的共识。两相对比，市场交易的已不是1次加息后的政策校准，而是美联储重新进入持续紧缩周期。

因此，当前的核心关切也变为：市场是否过度定价美联储加息风险，以及当前经济和通胀数据是否真的能够支撑如此大幅度的进一步收紧？

市场过度定价加息，传统加息传导失灵或加剧K型分化

若市场继续按3-4次加息定价，短端利率、美元和金融条件将维持偏紧，长端美债波动加大，高估值风险资产承压。但实际政策路径很可能短且浅。

PMI高企仅表明当前高利率尚未导致经济明显失速，并不足以证明未来利率进一步上行不会产生抑制效应。货币政策从利率调整传导至住房、企业融资、资本开支和就业，存在明显时滞。当前住房市场已是高利率传导较为显著的领域，而劳动力市场虽仍保持稳定，但工资增速放缓，也意味着需求端通胀压力尚未进一步增强。

段永平又买茅台了！3万股耗资超3690万元，曾放言拿十年赌一个亿

Mon, 28 Sep 2026 07:14:28 GMT

9月28日上午，知名投资人段永平（雪球ID：大道无形我有型）在雪球平台发帖，简短写道“买了点贵州茅台”。

该帖显示，买入均价约1230元，数量3万股，合计耗资逾3690万元。

消息发出后，贵州茅台于当日下午1:30左右拉升翻红。截至收盘，股价涨0.56%，报1243元，总市值1.55万亿元。

“我今天还买了茅台啊，你会凌乱吗？”

这并非段永平近期首次出手。

今年5月7日，有投资者在雪球向他提问：“目前已经全仓茅台半年了，我在想要不要调一部分仓位给泡泡玛特。”

段永平直接回应：“我今天还买了茅台啊，你会凌乱吗？”

此外，2025年1月、10月，他均曾公开发帖表示买入贵州茅台。

梳理其公开表态，核心逻辑一以贯之：看重茅台的商业模式与长期需求，认为消费者“少喝酒、喝好酒”的趋势仍可能支撑茅台需求；短期销售放缓，不意味着长期价值发生根本变化。他也曾表示，以十年衡量，茅台大概率能跑赢通胀，但强调这只是个人判断，并非收益保证。

亿元赌约：放话挑战国内基金，原帖已消失

今年8月，段永平还在雪球抛出过一个更大的动作。

8月13日，有网友建议他参考巴菲特的“十年赌约”，做一个公开的长期投资约定。段永平随即回应：

我敢抱着茅台跟任何国内基金赌一个亿人民币，以十年为限。前提是事前要说好赢家赢得钱捐给的对象能得到对方的认可。我会捐给步步高实验学校。

他还补充，若有网友想加入，前提是“要先拿出一个亿捐了，然后才能加入”。

这一表态的背景数据是：截至2026年6月底，贵州茅台过去十年股价涨幅412.11%，跑赢偏股混合型基金指数同期133.96%的涨幅。但过去五年，茅台股价下跌33.31%，跑输偏股混合型基金指数同期8.56%的涨幅。

对于这场赌约，私募基金经理但斌随后回应，表示没有必要通过公开对赌分出高下，十年后的业绩自然可以比较，并称投资需要“与时俱进、放眼全球”，在坚守核心价值的同时，也要拥抱AI与半导体的新时代红利。

不过，现查阅雪球平台，段永平上述赌约的原帖已搜索不到。

白酒行业背景：旺季不旺，茅台独撑

段永平持续加仓茅台，发生在白酒行业整体承压的背景下。

今年中秋、国庆“双节”前，多位行业人士向澎湃新闻表示，整体动销“旺季不旺”，次高端白酒集体遇冷，有经销商直言“除了茅台之外，不少白酒目前已是地板价”。

飞天茅台终端零售价相对坚挺，自营门店执行1766元/瓶，多数终端在1800元/瓶以上。

酒业独立评论人肖竹青对澎湃新闻表示，“全行业除茅台保持刚性需求坚挺外，绝大多数名酒、区域酒、次高端、大众酒集体遇冷，白酒正式进入缩量竞争、头部独享红利的全新周期。”

国金证券研报则指出，行业“量价利”已处于逐步筑底阶段，预计中秋、国庆行业动销表现同比跌幅进一步收窄至微下滑甚至持平企稳。

在机构层面，杰富瑞（Jefferies）8月发布研报，认为茅台正加速向奢侈品运营模式转型，逻辑“越来越像爱马仕”，给出目标价2100元，维持买入评级，较当时股价有约56%上行空间。

风险提示及免责条款

蔚来吉利“合资”

汽车公社 — Mon, 28 Sep 2026 07:04:11 GMT

华东两大车企，在时隔三年后再度宣布合作。

2026年9月28日，蔚来控股有限公司与吉利控股集团，公告同步上线：双方围绕技术、运营、资本维度，达成充换电领域全面战略合作。

这并不是简单的换电联盟扩圈，不是技术和标准的共享备忘录。蔚来与吉利做的是互相持股、交叉入股，双方各自拿出核心补能资产，合资共建。

根据双方正式协议，吉利控股集团以其持有的易易互联科技（重庆）有限公司100%股权，加6.4亿元人民币现金，认购蔚来能源投资（湖北）有限公司的新发行股权。

完成交易后，吉利持有蔚来能源30%股份，蔚来继续保留63.6%的控股权，武汉光创基金持有余下的6.4%；蔚来则以现金入股吉利浩瀚能源，持有10%股权。

早在2023年，蔚来换电业务就已经对长安和吉利“拉入伙”，易易互联科技就是当时的产物。

而今天的这个架构，更是远非当年可比，剑指超过1万座换电站、10万把充电枪、100亿度换电量。

然而，更意味深长的，是2026年这个节点，以及合资锚点发生转折的时代背景。

将建立汽车圈最大补能业务？

本次交易除了金额，还需要关注业务的融合。

易易互联营运车辆换电业务将并入蔚来能源，蔚来能源将持续提升营运车辆换电网络的运营，赋能易易互联营运车辆业务。

反过来，蔚来认购浙江浩瀚能源科技有限公司新发行股权后，双方充电资源将全面互联互通，共同提升充电网络的覆盖能力和运营效率。

从本质上说，这是各擅所长、各取所需：换电领域，蔚来是大股东；充电领域，吉利占大头。

分工逻辑之下，汽车公社看到了隐隐的几个字：汽车圈最大补能业务。

蔚来和吉利，当前补能业务做到什么水平？

截至2026年9月26日，蔚来在全国累计建成9,431座充换电站，其中换电站4,125座、充电站5306座、充电桩30,594根，累计提供超过1.25亿次换电服务。蔚来董事长李斌在Power UP 2026加电日上透露，4125座换电站基于每座约2000度的电池储备，可以组成8GWh储能网。

吉利这边，浩瀚能源截至2025年11月累计上线自建充电站2,028座，覆盖全国213座城市，其中超快充站1,190座、超快充桩5,349根，车企自建800V超快充桩保有量在行业中处于领先地位。

联手之后的规划呢？

到2027年底，吉利计划建成超2.2万座充电站、超10万把充电枪，其中吉利智充站超1.5万座、智充枪超5万把，率先实现全国县级城市全面覆盖。

蔚来能源计划到2030年累计建成1万座换电站，预计届时蔚来换电网络年电力需求将超过100亿度。

在充电侧，蔚来入股浩瀚能源10%之后，双方充电资源全面互联互通。考虑到蔚来接入的第三方充电桩超过173万根，叠加浩瀚能源自建的2,000多座场站，互联互通带来的网络效应会在很短的时间内显现。

要知道，到2026年4月，即便新能源车业务强如特斯拉，在内地的补能规模为：超过2,500座超级充电站、超过12,000根超级充电桩、超 650座目的地充电站、超2,500根目的地充电桩。

换句话说，一年后，吉利充电站数量将达到当前特斯拉的8.8倍，加上换电补能，覆盖范围可想而知。

为什么是换电，不是芯片？

官宣之前，坊间流传一个版本：蔚来和吉利将在智驾芯片领域达成合作，吉利可能采用蔚来旗下神玑科技的芯片。2026年3月，媒体爆料称，蔚来神玑与爱芯元智合作的M97芯片成功流片后，正积极接触零跑、吉利等车企。

但最终官宣的是换电，不是芯片。

原因不复杂。吉利在智驾芯片上的路线已经非常明确。2025年初，吉利发布了“千里浩瀚”智驾系统，覆盖从H1到H9的五个层级，高端方案明确采用英伟达芯片，吉利在这条路线上已经投入了大量研发资源。

此时切换芯片平台，意味着推翻已有的技术架构和研发投入，重新适配全新的芯片方案和工具链，代价极高、周期极长。

相比之下，换电领域的合作逻辑极其顺畅。补能领域的协同，才是双方真正能在短期内看到实际效益的方向。

吉利最新发布的“吉利智充”技术，依托与阶跃星辰联合开发的星睿PowerMind能源大模型，实现了单枪峰值充电功率2.2兆瓦。

蔚来的换电体系，则是目前中国市场上唯一实现规模化运营的换电网络。充电与换电，两条技术路线，经由合资公司实现底层协同，这个想象空间远比芯片合作要现实。

官方通稿里有一句话值得逐字读：“双方将共建统一的C端换电技术和标准，吉利控股集团将开发面向C端的换电车型，蔚来能源将为吉利控股集团C端换电车型提供服务。”

这意味着，吉利后续推出换电车型已是板上钉钉的事，只是时间早晚和品牌选择的问题。换电标准参考蔚来现有成熟体系，基本没有悬念。

用一位接近交易的人士的话说，这事的本质很简单：“蔚来已经做得很强的标准已经在那了，吉利接下来就是考虑用哪个品牌哪个车型去生产换电车型。”

易易互联是这笔交易里容易被忽略但非常关键的一枚棋子。这家吉利旗下面向营运车辆市场提供换电服务的公司，已在广州等全国40多个城市布局运营超460座换电站，累计换电里程超25亿公里，累计销售换电车超5万辆，入网车辆超3万辆。

把这块资产注入蔚来能源后，蔚来的换电业务将从原本以C端用户为主的模式，正式拓展为同时覆盖B端和C端的全场景模式。

合资模式的代际升级

如果只把这次合作看作两家车企之间的商业交易，那就低估了它的意义。

中国汽车工业的合资模式，正在经历一次深刻的代际更替——不再用中方外方来定义，不再拘泥于品牌和产品，而是以最核心的技术作为新锚点。

回看第一阶段，上世纪80年代开始，合资的锚定点是国外的品牌和产品。

上汽大众、一汽大众、广汽本田、东风日产——合资公司的核心价值就是把国外成熟的车型拿到中国市场生产销售。外方出品牌和产品，中方出市场和产能，技术本身并不在合资的范畴之内。

那个阶段，中国汽车工业在合资中扮演的角色是“市场换产品”，甚至连技术的边都没摸到。

第二阶段，大约从2010年代后期开始，合资的锚定点开始向技术偏移。最具标志性的案例是2023年大众汽车集团旗下CARIAD与地平线成立的合资公司酷睿程。

CARIAD持股60%，地平线持股40%，酷睿程注册资本67.57亿元，专注于研发面向中国市场的高阶自动驾驶应用软件和系统，短期内主要客户为大众汽车集团。

这笔交易的锚定点非常清晰——智能化，更具体地说，是智驾芯片和算法。大众需要中国本土的智能化能力，地平线需要稳定的量产订单，两者各取所需。

而蔚来与吉利的这次合作，把合资模式推到了第三阶段。锚定点不再只是单一的技术模块，而是一整套基础设施——充换电网络。它不是某一颗芯片、某一套软件、某一个平台，而是一种覆盖全国、面向所有品牌开放的能源补给体系。

这个变化的意义在于：补能网络天然具有公共基础设施的属性。它不像智驾芯片那样可以封装在单一车型里，也不像平台架构那样可以内部消化。

换电站建在那里，谁的车都能来换；充电桩立在那里，谁的车都能来充。这种基础设施的共享属性，使得合资公司的价值不仅仅体现在股东双方身上，更体现在整个行业层面。

蔚来与吉利的这次合作，第一次把补能网络作为合资的核心资产来运营。这意味着，中国汽车产业的竞争格局正在从“谁的产品更好”转向“谁的基础设施更强”。

而基础设施的竞争，最终必然走向联盟化——单一车企自建补能网络的投入产出比越来越不划算，开放共享才是可持续的路径。

官方通稿中有一句表述值得注意：“此次合作是两家企业积极响应《智能网联新能源汽车产业发展‘十五五’规划》、践行‘反内卷’、提升产业资源配置效率的实际行动。”

把“反内卷”写进合资通稿，这在过去几乎不可想象。它传递的信号很明确：监管层希望看到的是资源整合、效率提升，而不是重复建设、恶性竞争。补能网络作为重资产基础设施，尤其需要这种开放协同的思路。

从另一个角度看，蔚来能源投后估值约160亿元，而吉利以易易互联100%股权加6.4亿现金获得30%股份。

这个估值水平，放在一家拥有4125座换电站、30万根充电桩、超过1.25亿次换电服务经验的能源公司身上，显然还有很大的上升空间。吉利以相对合理的价格拿到了中国最成熟换电网络的入场券，蔚来则获得了急需的资本注入和B端换电市场的入口。各取所需，互相成就。

2018年，蔚来在深圳投运第一座换电站。那时候，几乎没有人相信换电模式能活下来。

八年之后，全国4125座换电站不仅活了下来，还成了中国汽车工业新一轮合资浪潮中最硬的筹码。

李斌说过一句被反复引用的话——“换电不是蔚来一家的事”。现在看，这句话的分量，远比当时说出口的时候要重得多。

当换电站成为合资的锚点，当基础设施取代品牌成为最硬的筹码，中国汽车工业的合资故事，才真正翻开了由自己书写的那一页。

本文来源：汽车公社

风险提示及免责条款

AI专家：Fable和Astra已具备某种“自主执行能力”，这是前所未有的

董静 — Mon, 28 Sep 2026 06:43:21 GMT

9月28日，宾夕法尼亚大学沃顿商学院管理学副教授、沃顿生成式AI实验室联合负责人Ethan Mollick在社交平台X上发帖称，从质量上看，当前开源模型与闭源模型之间的差距比以往任何时候都更为显著——Fable/Astra级别的模型已在某种程度上具备了自主执行能力（代理性），而此前的模型无论好坏均不具备这一特质，且目前尚无任何开源模型跨越这条界线，但一旦跨越，将是一次历史性的飞跃。

只有少数股在涨！高盛警告：美股广度创2000年互联网泡沫来最差，债波动率罕见背离

Mon, 28 Sep 2026 06:40:52 GMT

表面平静之下，美股正在经历一场结构性撕裂。

高盛衍生品交易主管Brian Garrett发出警告：美国股票市场"拒绝为任何恐慌定价"。高盛恐慌指数（Panic Index）上周五收于1以下，VIX维持在低十几的水平，但与此同时，债券波动率指标MOVE指数却处于约100百分位的极端高位——两者之间的背离，正在向市场发出罕见的结构性预警信号。

更令人警惕的是美股内部的广度崩塌。标普500指数成分股中，站上200日均线的比例已不足50%；52周新低股票数量连续九个交易日多于新高股票数量——这两项指标同时触发，是自2000年互联网泡沫顶部以来首次出现。与此同时，标普500指数中位数股票较52周高点已下跌16%，指数整体却因AI相关龙头股的强势而维持在高位附近，形成严重的"指数虚胖"格局。

对冲基金的行为同样印证了这一分裂：据高盛最新Prime数据，美国多空基金总杠杆升至210.6%（一年期第42百分位），而净杠杆却降至48.6%（一年期第5百分位）——机构在加仓的同时大幅对冲，反映出"加敞口但不加方向性押注"的高度矛盾心态。

AI撑起门面，多数股票已在"熊市"

高盛合伙人、美洲股票执行服务主管John Flood指出，AI板块的强势掩盖了美股内部的广泛恶化。标普500指数中位数股票较52周高点下跌16%，而指数本身仍维持在历史高位附近，这一分化将市场广度拖至互联网泡沫以来最低水平。

具体数据显示，约70%的标普500成分股目前交易于50日均线以下，而站上200日均线的成分股比例已跌破50%这一关键门槛。AAII散户看空比例接近50%，市场情绪已处于明显悲观区间。

高盛美国股票投资者仓位情绪指标（Sentiment Indicator）已降至-0.9，与今年3月市场阶段性低点时的读数持平。

然而，这种悲观情绪并未传导至波动率定价。Garrett明确指出，股票市场"拒绝为任何恐慌定价"——高盛恐慌指数收于1以下，单股隐含波动率在7月底的抛售潮后也未能有效重置至更高水平。

VIX与MOVE的极端背离：债市已在"尖叫"

当前市场最显著的结构性异常，是股票波动率与债券波动率之间的极端背离。

Garrett指出，MOVE指数（追踪美国债券市场波动率）目前处于约100百分位的历史极端水平，信用违约互换指数（CDX）同样处于"峰值恐慌"区间；但与此同时，VIX仍在低十几的水平交易。债市和信用市场已在为尾部风险定价，股票市场却仍一派平静。

从信用市场细节来看，高盛投资级信用同事Brad Shelofsky指出，投资级债券全收益率已升至多年高位，收益率本身具有吸引力，但利差占全收益率的比例处于低位，在+80个基点的利差水平上很难对指数产生强烈的做多冲动。利率快速上行的速度将压制需求、引发资金外流担忧——尽管上周仍录得18亿美元净流入，但市场整体信念度偏低。

此外，CCC级信用利差在过去14个交易日中有11天走阔，已接近2022年的水平；投资级科技板块CDS利差也扩至2023年以来最宽。Garrett表示，这一动态"在夏季令投资者真正感到恐慌，能否再度上演，有待观察"。

2000年的幽灵：历史先例与潜在风险

BTIG首席技术市场策略师Jonathan Krinsky在Flood和Garrett的分析基础上进一步指出，当前两项广度指标同时触发，是自2000年以来从未出现过的组合。

自1990年以来，仅有25个交易日出现过"标普500成分股中不足50%站上200日均线、且指数本身接近52周高点"的组合，而这25个交易日全部集中在1998年至2000年之间。1998年的情形出现在-22%的大幅回撤之后，并非顶部信号；但1999年底至2000年初的读数则更具警示意义——彼时正是互联网泡沫的顶部区域。

历史复盘显示，从1999年7月至2000年2月，等权重标普500下跌约16%，而市值加权标普500上涨约8%；此后两者角色互换，标普500在当年晚些时候下跌17%，而等权重指数同期反弹20%。Krinsky提出的核心问题是：

这一次，是否会重演广度和等权重指数先于大盘指数企稳、随后大盘补跌的历史剧本？

Krinsky还指出，目前已连续213个交易日未出现纽交所单日下跌成交量占比超过80%的"高相关性抛售日"。历史上，平均每个日历年出现21个此类交易日，且从未有过少于5个的年份。他认为，持续的板块轮动虽然阻止了相关性趋于一的集中抛售，但"时钟仍在滴答作响"。

对冲基金：加杠杆但不加方向，矛盾信号浓缩

对冲基金的仓位结构，是当前市场矛盾心态最直接的映射。

据高盛Prime最新数据，美国多空基金总杠杆上周上升1.2个百分点至210.6%（一年期第42百分位），而净杠杆同期下降1.2个百分点至48.6%（一年期第5百分位）。总杠杆上升意味着机构在增加市场敞口，净杠杆下降则意味着多头和空头同步扩张，方向性押注并未增加。

Garrett将这一现象概括为：

“总杠杆在上升，净杠杆相对受控——机构在增加敞口，但并未增加方向性信念。”

美国基本面多空比率（市值口径）同期下降1.5%至1.601，处于一年期第3百分位，进一步印证机构对方向的高度谨慎。

Garrett指出，在市场反弹日，可以“感受到”市场的低配仓位——上周一纳斯达克100指数创历史新高时，看涨期权隐含波动率明显跑赢，显示上行期权被积极买入，但考虑到持有成本，这些期权并不“昂贵”。他认为，这一格局正在推动单股层面的“追涨”行为，并可能蔓延至指数层面。

三种情景：好、平庸，还是丑陋？

面对上述信号，高盛内部及市场策略师给出了分歧明显的三种情景判断。

乐观情景方面，Flood认为，当前极度悲观的情绪和低配仓位本身构成潜在的上行催化剂。他表示，“这些因素共同指向，若宏观不确定性不进一步加剧，市场存在整体上行以及近期落后股票‘补涨’的潜力”。

中性情景方面，Garrett认为“市场当前的仓位结构适合震荡风险行情”，但承认“尽管所有人都在盯着同样的风险，几乎没有什么能够真正打垮美股指数”。他将年底前的潜在催化剂列为中期选举、科技股财报或中东局势缓和，并援引一句市场流行语作结：“市场从不会在不让你付出错过代价的情况下给出‘全面安全’的信号。”

悲观情景方面，Krinsky的结论最为直接：“某些东西必须让步（something's gotta give）。”他认为，若伊朗局势出现缓和，受冲击最重的板块（非必需消费品、金融、REITs、公用事业）将率先反弹，而科技和AI板块可能相对滞后；但若高相关性抛售日最终到来，当前的广度恶化将成为更大规模调整的先行指标。

风险提示及免责条款

动力煤重回千元！最差的盈利环境，为什么可能对应火电最好的拐点？

万周 — Mon, 28 Sep 2026 06:30:03 GMT

过去几年，火电研究主要围绕煤价、电价和利用小时展开：煤价决定燃料成本，电价决定度电收入，利用小时决定固定资产的利用效率。进入2026年，这套框架仍然有效，但已经不足以解释行业变化。

今年火电同时承受年度长协电价下降、动力煤价格上涨以及新能源出力增加带来的利用小时压力，二季度盈利明显承压；与此同时，多数企业仍保持正利润，广东、江苏月度和现货电价持续高于年度长协，容量电价、现货交易、资本开支回落也在改变火电的盈利结构。

当前阶段研究火电，需要从单一的煤价周期进一步扩展到供需、价格机制和现金流三个维度。

一、发生了什么？——2026年盈利承压，但行业底部比上一轮更稳

1、煤价上涨、电价下行，二三季度接近盈利压力高点：

2026年上半年，火电经历了收入和成本的双重压力。部分省份年度长协电价明显下调，同时动力煤价格同比抬升，燃料成本重新上行。不同统计口径下，上半年火电板块归母净利润同比下降约15%—18%，二季度降幅扩大至约35%。电量端同样承压，8月火电发电量同比下降4.3%，而同期风电、光伏、核电均保持正增长。

这意味着2026年火电同时面临年度电价下降、煤价上涨和利用小时下滑三项压力；按照传统“利用小时×点火价差”的框架，二季度至三季度已经接近一轮典型的盈利低点。

……

Anthropic首席经济学家前瞻“AI未来”：“三大奇点”，“财富分配”与“Token和资本税”

Mon, 28 Sep 2026 06:24:48 GMT

AI对宏观经济的真实冲击正在从“实验模型”走向“现实数据”，面对尚未体现在生产率上的技术红利，重塑财富分配规则与开征“Token税”正成为政策制定者必须直面的未来。

2026年9月24日，哈佛大学肯尼迪学院举办了一场焦点对话。奥巴马政府前首席经济学家、哈佛大学教授杰森·费尔曼（Jason Furman）与前沿AI实验室Anthropic首席经济学家彼得·麦克罗伊（Peter McCrory）就AI对劳动力市场、宏观经济指引及未来政策走向的影响展开了深度探讨。

作为业内少有的专门针对大模型应用发布《人类经济指数》的研究团队负责人，麦克罗伊基于Anthropic海量的底层使用数据，向市场揭示了AI普及过程中的真实阻力、潜在的经济增量以及2030年的宏观情景。

J曲线效应与数据中的“消失的失业潮”

当前宏观经济的一大谜团在于：AI能力呈现指数级爆发，但全要素生产率（TFP）并未见显著飙升，且美国失业率稳定在4.1%的历史低位。这种“体感”与宏观数据的错位，引发了市场的强烈关注。

对此，麦克罗伊给出了核心解释：技术扩散的时滞与“J曲线效应”。他指出，虽然“这些模型能够自主完成的任务范围大约每四到七个月翻一番”，但企业在真正获得生产力红利前，必须经历高昂的重组成本。

“要真正释放这项技术可能带来的生产力提升，还需要进行配套投资。能力加上背景信息，两者缺一不可。”麦克罗伊表示，大型企业受制于数据防火墙和组织架构，“除非你进行适当投资，将这些数据重新整理并提供相关背景信息，否则可能不会产生太大影响。”各公司目前正在经历代价高昂的实验期，这构成了AI投资回报的J曲线底部。

而在就业端，大规模失业并未出现。Anthropic的数据证实了这一点：“这看起来更像是一种技能偏向型的劳动增值模式，而非彻底自动化并大规模取代工作岗位的技术。”麦克罗伊强调，模型在解决复杂问题时高度依赖人类提供的高质量输入，人机协作仍是当前的主流形态。

宏观指引：美联储是否低估了AI的增长引擎？

围绕未来几年的业绩指引和宏观经济增速，Anthropic团队的测算给出了极具想象空间的预期。当前，美国国会预算办公室（CBO）对未来财政的长期增长预测为1.7%，美联储最乐观的预期在2.4%左右。但在前沿实验室看来，这一基准可能过于保守。

麦克罗伊通过追踪用户在平台上的真实任务耗时得出结论：“基于目前的模型和当前的使用模式，劳动生产率增长率有望提高1.8个百分点。”

这意味着，如果这些效率提升在未来十年内逐步向整个经济体扩散，叠加资本深化的假设，美国的宏观经济增速有望重返上世纪90年代末至本世纪初的高增长时代。费尔曼对此指出，目前未能实现自动化的经济环节（即薄弱环节）可能会制约总体规模的无限爆发，但高达1.8%的劳动生产率边际增量，足以让现有的货币政策和财政预测框架面临重估。

财富分配的重塑：劳动力收入份额或暴跌15%

在市场极为关注的“财富分配”和不平等问题上，麦克罗伊坦言，AI大概率会加剧资本与劳动力之间的不平等。

在劳动收入内部，虽然AI有潜力让新手快速具备专家能力，但实际数据却呈现出另一种残酷的现实：“当你查看实际采用者的数据时，会发现其主要采用群体是高薪高技能的人才。从这个角度来看，我预期这将是一种在收入层面上的普遍现象，或者说不平等会加剧，而非缩小。”专业知识作为一种乘数，正在将顶尖人才放大为“百倍工程师”。

而在资本与劳动的博弈中，宏观模型给出了更为警醒的数据指引。随着AI驱动的资本深化，“在极端情况下，劳动收入份额相对于此前每1美元收入中60%的占比，下降了约15个百分点。”这意味着，资本所有者（股东）将从AI的经济增长中攫取远超以往的回报，而劳动所得的国民收入份额将面临显著萎缩。

前瞻AI未来：“三大奇点”与“Token和资本税”

面向2030年，麦克罗伊将AI经济的终局演化总结为“三大奇点”：

软件奇点：模型在递归式自我改进中变得越来越好。
经济奇点：AI自动化突破传统的增长计算模型，挑战“经济能否在有限时间内实现无限增长”。
科斯奇点：AI代理（AI Agents）的大规模应用将大幅降低交易成本，彻底改变企业边界与经济交换结构。

在“科斯奇点”的实测中，Anthropic发现了一个极具冲击力的现象：“更强大的模型在与较弱的模型谈判时，系统性地榨取了更多租金；人们没有意识到这种谈判力量的不对称。”这意味着，掌握前沿模型的企业或个体将在未来的市场交易中占据绝对的定价权和租金获取能力。

面对上述极端的财富分配和商业结构重塑，麦克罗伊提出了未来的政策干预方向——税制改革与“Token税”。

“目前，美国和许多国家的税收结构都侧重于对劳动征税。但如果劳动收入份额下降，就需要考虑其他税收制度，比如对消费征税。”更重要的是，为了对冲过度自动化对社会造成的负面外部性，麦克罗伊直言：“在经济政策框架中，我将代币税（Token税）视为一种抑制过度采用的激励机制……代币税可以类比于碳税或烟草税。”以此来缓解失业冲击并平衡公平与效率。

以下是对谈文稿

各位晚上好，欢迎来到哈佛政治学院举办的小约翰·F·肯尼迪论坛。我叫摩根·杰伊，是大学二年级学生，主修政治学和历史学，也是学生论坛委员会的成员。

在开始之前，请注意一下位于公园一侧和肯尼迪论坛临街一侧的出口。如遇紧急情况，请前往离您最近的出口，并在肯尼迪公园集合。今晚的节目将进行现场直播并在线存档，还将包括观众问答环节。提问的观众可以自愿选择是否表明身份，但并非必须。现在请将手机调至静音，和我一起欢迎哈佛学院本科生佐伊·贝克尔。

各位晚上好，欢迎来到政治学院肯尼迪青年论坛。我叫佐伊·贝克尔，是一名大学一年级学生，主修英语，也是论坛委员会成员。

今晚我们欢迎Anthropic首席经济学家彼得·麦克罗伊。麦克罗伊领导Anthropic的经济研究团队，该团队专注于研究人工智能将如何塑造劳动力市场及更广泛的经济领域。他的团队发布了《人类经济指数》，分享了来自前沿实验室的最新研究成果，并研究了各种情景模型，以了解人工智能将如何影响未来几年不同地区和不同行业的发展前景。就在上周，人类经济指数发布了一个新的情景模型，展望2030年经济的三种不同可能性。

与麦克罗伊先生共同主持论坛的是杰森·费尔曼，他是哈佛大学肯尼迪学院和哈佛大学经济系联合授予的埃特纳经济政策实践教授，担任莫萨瓦尔·罗曼尼商业与政府中心主任，同时也是彼得森国际经济研究所的非常驻高级研究员。2013年至2017年，费尔曼担任第28任经济顾问委员会主席，出任奥巴马总统的首席经济学家。现在，请和我一起热烈欢迎今晚的嘉宾和主持人。

费尔曼：很高兴能和彼得·麦克罗伊先生在这里见面。我读过您很多文章，但我们之前从未有过对话，现在就来一场。我有两个对话方案，取决于你对第一个问题的回答。我只想知道一个数字——P Doom是多少？

麦克罗伊：这是一个数字吗？

费尔曼：一个数字。

麦克罗伊：我没有这方面的个人数字。

费尔曼：我的计划是，如果低于10，我就问你关于工作和生产力的问题；如果超过10，我就放弃之前所有的问题，直接问类似"为了生存我们应该怎么做"这样的问题。

麦克罗伊：好的，太好了。那我们可以集中讨论我之前稍微阐述过的那些想法。您能先简要介绍一下Anthropic公司首席经济学家的职责吗？以及经济学家——不仅是Anthropic的，也包括其他地方的经济学家——在思考这个发展速度惊人的领域时，应该扮演什么样的角色？我们通常研究过去，以便对某件事是否发生作出精确的估计，但你花了很多时间写关于未来的事情，这要难得多。

我看待自己工作以及我的团队正在做的工作的方式是：我们正试图了解人工智能的经济影响。这很有挑战性，因为人工智能是一种通用技术，在某种程度上影响着各个行业和几乎所有职业，而且它的发展速度非常快，能力提升非常迅速。有一张著名的仪表图表，我相信您一定熟悉——这些模型能够自主完成的任务范围大约每四到七个月翻一番，完成这些任务的时间已经从几个月缩短到几天。因此，能力正在快速提升。

这是一项通用技术，将以集中的方式冲击经济，而且普及速度非常快，还有其他原因可能导致它实现创新流程的自动化。因此，不确定性不仅体现在对未来的展望上，也体现在当下。

我对我们团队工作的思考方式是：我们如何才能产生只能在Anthropic内部进行、但又应当放到公共领域的数据和研究？因此，我们生成了经济指数——这是一个保护隐私的指标，追踪世界各地的人们和企业如何在不同的任务、职业和地域中使用Claude。我们公开这些信息，希望独立的外部研究人员能够利用这些数据，并发现其对实时理解这项最重要的技术大有裨益。

当然，我们还可以针对最紧迫的问题开展更多研究，这既有助于我们对正在发生的事情找到一些合理的答案，或许还能向世界展示哪些问题最值得关注。这项工作就像公开进行研究一样，需要对重要问题给出有启发性的答案。

正如您所说，大多数学术研究都围绕着找到一个完美的自然实验或一个设计严谨的随机对照试验，才能真正帮助分离出新技术或政策的因果效应。我们没有等待一两年后才能看到研究成果的余地，我们需要一些关于今天正在发生的事情的见解。所以我们公开进行这项工作，也希望得到反馈和批评，而我相信您一定能给我一些启发，让我带回团队。

费尔曼：好，我们拭目以待。那我就直接说说我的想法。目前最大的谜团在我看来是这样的，听听你怎么解释，以及它对未来的影响。几年前，我和某家前沿实验室的顶尖专家们交流，他们向我展示了扩展定律，从视觉上把曲线延伸开来，告诉我们2026年会身处何方。我当时翻了个白眼，心想，就算处理器多了，也不代表这些东西就会越来越好。公平地说，他们是对的，而且这些能力远远超出了他们的预期，甚至可能超出了我的预期。

他们还告诉我，基本上这些工作现在都没了，对吧？我又翻了个白眼。我的感觉是，他们现在应该在西海岸，跟另一个人讲着完全一样的故事，讲述自己如何被追上，以及自己是错的。

那么，这是为什么呢？失业率是4.1%，基本保持平稳，也是我们见过的最低水平之一。生产率增长方面，你或许可以勉强说它略有回升，但全要素生产率并没有真正提高。或许可以这么说，但从经济数据中根本看不出来。这显然与这项技术的规模完全不符。请解释一下——我想先探讨一下现在的情况，然后再推断你的解释对未来的影响。就目前而言，为什么经济数据中没有体现出来？

麦克罗伊：这是我在实验室内外都经常面对的一个难题。正如你所说，研究这些扩展定律十多年的学者们，在预测能力方面做得相当不错，甚至像十年前对这些模型在2026年可能发挥的作用的预测也已成真。而且，或许正如你所说，有些方面已经超过了那些预测。

我认为，也许是一个未得到充分重视的方面——而经济学家对此应该更加了解——那就是扩散的作用，这是一个漫长的过程。如果回顾20世纪的通用技术发展历程，一些学术研究认为，这项技术大约用了50年时间才扩散到整个经济体系。从这个角度来看，即使生产力方面出现大幅提升，生产力水平可能会被平滑处理，而且更难解析。

当然，人工智能的普及速度远超以往的技术。我最近也写了一篇相关文章，标题是《为什么人工智能没有导致失业率上升》。我的观察结果是，劳动生产率数据表明，在人工智能应用广泛的经济领域，生产率增长相对更为强劲，并非只是眯着眼睛才能勉强看出来的微小变化。

但正如您所说，目前的失业率已接近美联储认定的最低水平，黄金年龄段就业人口比例也已达到数十年来的最高水平。是什么原因导致我们在许多研究中都看到这种情况？从我们的数据来看，这看起来更像是一种技能偏向型的劳动增值模式，而非彻底自动化并大规模取代工作岗位的技术。

根据美国劳工部ONET分类标准，在美国经济约一半的工作岗位中，我们看到四分之一的任务正是人们使用Claude来完成的事情。但在整个分类体系中，Claude并没有在某一类工作中将每一项任务都自动化完成。工作中难以自动化的关键环节，限制了完全替代人工的可能性，人机协作因此得以延续。

此外，当我们审视真正在模型输出结果之前发生的情况时，也会发现其复杂性。如果我要求Claude构建非常复杂的金融模型，或者我看到有人系统地利用Claude跨任务、跨地域建模，这些人都在提供复杂精细的输入。复杂的输出在一定程度上依赖于人类提供的复杂输入。我们发现有证据表明，当人类更深度地参与其中时，模型往往更加成功——人们能够解决更难、更复杂的问题，而复杂程度与使用人工智能的成功率之间存在一定的权衡关系，因此完全替代的空间相对有限。

所有这些都指向一个方向：改变和重组回报结构，回归到不同形式的专业知识，但并非彻底导致人工智能使劳动者大规模失业和生活中断。

也就是说，如果你观察经济中那些你可能预期会出现这种情况的领域——比如技术作家或数据分析师的岗位更替，或者入门级工作的颠覆，这类工作的核心任务正是这些模型已经擅长的，而且目前还没有太多相关技术被系统性地用于自动化这类任务——在劳动力市场方面，失业率并未上升。但这些工人更有可能表达对未来可能失去工作的担忧，这似乎预示着未来可能会发生一些不好的事情，即使这些情况暂时还未在数据中显示出来。

费尔曼：是的。我同意你的看法，可能其中一部分已经体现在生产力方面了——自2019年以来，我们的累计生产力增长率达到了13%。当然，你可以对此提出异议，究竟其中有多少个百分点是人工智能贡献的，半个百分点，还是根本没有，我不太确定，而且我觉得这主要不是过去一年发生的事情。

你没有提到J曲线作为你解释的一部分。你知道，我感觉过去六个月我写了90万行代码，这会让我余生都更高效，但至少从各方面的产出来看，过去六个月的度过方式并不理想——除了代码行数之外。有多少企业正在经历类似的情况？也就是说，未来一两年内可能会发生一些根本性的变化，而目前这个论点的薄弱之处或许仍然存在。

麦克罗伊：这是一个很好的观点。我当时正在谈论这一点，后来就把它搁置了，我很高兴你提到了这一点。大约一年前，我们研究了企业是如何通过API以自动化方式嵌入Claude的。API模型本身存在一些问题，比如上下文不匹配，或者模型会自主执行某些操作，也许涉及内部业务运营、处理或税务报表之类的工作。

我们系统地观察到，对于企业正在使用的最复杂的任务，Claude依赖于远多于简单任务所需的背景信息——比如撰写电子邮件这样非常简单的任务，对背景信息的需求就少得多。这表明，要真正释放这项技术可能带来的生产力提升，还需要进行配套投资，而不仅仅是能力本身——能力加上背景信息，两者缺一不可。

想想那些经历了50余年积累和发展的大型跨国组织，它们的结构非常分散，并使用防火墙来保护数据。这些数据可能对模型有用，但模型本身却无法获得。除非你进行适当投资，将这些数据重新整理并提供相关背景信息，否则可能不会产生太大影响。组织流程方面也类似。如果你想让Claude帮你制定销售策略，你可能需要同事脑海中隐藏的隐性信息。如果没有相应的流程将这些信息提取出来并提供给模型，模型可能难以完成该任务，即使从某种意义上说它确实有能力做到。

我认为这是理解J曲线的一种方式。各公司正在尝试不同的工具嵌入和部署方式，这需要花费大量时间进行代价高昂的实验，才能找出哪些方法有效。或许这种情况会通过创造性破坏在进入市场的边缘地带发生——新公司无需重新调整现有结构即可获得这种生产力，它们可以是原生人工智能的。这一切才刚刚开始，因此这或许是了解从现在起几年后发展趋势的一个切入点。

费尔曼：好，我们来聊聊未来。你最近与人合著了一篇很棒的论文，叫什么来着？《人工智能的变革性场景》之类的。它的方程式比在场各位可能希望看到的要多，但第一，你可以省略方程式；第二，你可以直接交给Claude，告诉他"重写一下，但不要方程式"，我想你可以得到一个非常不错的版本。我并没有这样做，但在场任何人都可以尝试。

我想问一下你还没有提到的两种情景，它们在你已有的那些情景之外。你所有的情景都包含以下几种组合：更高的生产率、更高的经济增长和更高的失业率——生产率增长越多，失业的人越多。

第一个问题是，还有没有比你所说的更糟糕的情景？比如失业很多、生活混乱、大量人员流离失所，但生产力却没有增长——杜兰·阿西莫格鲁认为我们可能会看到这种情况，而这不是你的情景之一。

你漏掉的另一个情景，对很多经济学家来说都很自然，那就是生产率增长与取代工作岗位无关。从历史上看，更高的生产率并不必然与任何行业的较高失业率相关，甚至在转型期，失业率也可能降低。你认为这次为什么更高的生产率会导致更高的失业率？先把这部分搞定，我们再来谈你的各种情景。

麦克罗伊：这篇论文的目标，以及与之配套的交互式情景探索器——比论文中的所有方程式都更容易上手，我鼓励大家去查看——是一个设计精美的网站，无需查看任何数学公式，它会引导你理解模型的工作原理。

其思路是，经济由我们每个人在日常生活中所做的各种不同任务构成，包括撰写电子邮件、进行统计分析、与同事沟通、帮助病人，以及作为医疗保健工作者所做的各种事情。然后你可以思考人工智能如何影响整个经济体中的各项任务。其中有五项关键投入：第一，这些模型能够做什么；第二，它们在整个经济体中的普及速度如何；第三，人工智能是否被广泛应用——顺便提一下，这些情景设想的是到2030年为止的情况，已经是非常近的未来，并非超级未来主义的那种。

费尔曼：是的。

麦克罗伊：我们实际上把时间线设在了2030年，因为再往后就需要考虑人工智能对机器人技术的影响，以及这类影响所带来的广泛不确定性。我们先聚焦于近期的不确定性。

自主性是指以自动化方式应用人工智能，这可以在劳动力市场中实现普及和替代，但生产力却没有显著提高。第四个输入项是：使用人工智能后，你的效率提高了多少？第五，对于失业工人来说转岗有多难——如果你因为人工智能而失业，需要换一份新工作，对你来说找新工作有多难？也许这取决于培训，或者说需要时间来适应。

本文重点讨论的情景只是许多可能情景中的一部分。根据你如何配置这些输入，你实际上可以得到一个看起来很像某种特定情景的结果。例如，人工智能以自动化方式应用，但实际上对生产率的边际提升作用甚微，从而导致人员更替，而整体收益并没有太大改善，工人仍然需要重新分配到经济中那些没有感受到生产力提升的部门。

这篇论文的目标在于促进讨论。有趣的是，报告发出后，一些人批评我们没有设定更极端的情况，认为自动化和颠覆性创新理应走得更远；但也有人批评我们纳入了实质性的极端情况。

关于第二点——人工智能与以往技术相比可能有哪些不同之处——我认为关键在于其影响范围之广，以及它在整个经济领域被迅速采纳的速度。美国经济韧性很强，我们在疫情期间学到了很多这方面的内容，经济能够承受冲击。总体而言，任何一个月内就业岗位的流入和流出量大约为1000万个，但净影响——备受关注的那个数字——可能在5万到10万之间。因此，经济可以调整和应对冲击，但这次的冲击或许比经济通常能够容纳的还要大。

而且，因为它会产生如此巨大的重新配置力量，需要大量工人从经济中自动化程度较高的部分向自动化程度较低的部分转移，劳动力市场中的摩擦是导致各种情况下失业率上升的根本原因，尤其是在极端情况下。

你知道，有一种观点认为，我们拥有数百年的技术进步经验，如今农民已经消失，而且谁也无法想象现在每个人都在做什么，但大家似乎仍然像今天这样运转。这件事也会是一样。

另一方面，也有人认为，你无法想象有人会再次工作。我想有人甚至谈到过，大约50%的白领工作岗位将在1到5年内消失，他第一次说这话是将近一年多以前。我们目前看到的数据是否支持这两种情况中的任何一种，或者现在下结论还为时过早？

我认为，就像那些预测范围一样——这正是这项工作的动机所在——要实现极端情景，必须满足哪些条件？在极端情况下，GDP增长加速至前所未有的程度，即同比增长幅度达到15%，整体失业率上升至12%。要达到类似水平，你需要极其迅速的能力提升，以便超越绝大多数知识型工作——而这些工作是人工智能系统可以胜任的，而且需要被广泛采用，以自动化方式快速扩散。

我认为目前的数据证据表明，能力进步的速度与自动化扩散的速度并不一致。但即使在三种不同情境下，各情景的预测结果要到明年才会真正出现分歧。你发布这项研究的部分原因正在于此——现在就发布，这样你就可以对照实际出现的数据进行跟踪，并开始弄清楚我们可能会朝着哪种方向发展。

费尔曼：为了将你的一些设想置于人们思考这些问题的方式之中，你保守估计的增长率是每年2.4%。美联储公开市场委员会负责决定利率，他们每隔几个月发布一次预测，最后一次发布的数字是2.4%，可能是接下来四年中最乐观的，甚至比最乐观的人还要乐观——他们的核心观点更接近于2%。国会预算办公室在预算分析和预测方面备受尊敬和信赖，他们对我国财政状况未来走向的分析是基于1.7%的增长率。你知道，2.4%听起来可能和1.7%或2.1%没什么太大区别，但如果你在美联储工作或做预算分析，差异就大不相同了。所以你所谓的"适度"，在那些人眼里充满了乐观色彩。

现在我要去另一端了——在你所在的社区听到人们谈论每年增长100%并不罕见，我认为这可能很难放入你的模拟器。所以，美联储在货币政策方面是不是犯了个大错？国会预算办公室也是？这让我们对财政状况的担忧比实际应该的更多，还是说他们只是对此一无所知？

麦克罗伊：你提到要回顾历史，我认为这非常有价值。尤其是在漫长的20世纪，1870年至2010年，查德·琼斯——他也是情景探索器的团队成员之一——将其描述为经济的规模定律：尽管经历了令人难以置信的结构调整，美国经济在140年间平均增长率仍为2%，伴随着过去工作的广泛自动化以及新型工作类型的大量出现。

所以我认为，参与这场讨论时，你需要保持相当的谦逊态度，将基准设定在2%以内，这是一个非常合理的基准。我们就是这样做的，而且在过去20年左右的时间里，发达经济体的生产率增长放缓，面临各种不利因素，这是许多经济学家在2010年代后期广泛撰写和讨论的著名话题。所以我认为，在这种背景下，即使是较为保守的预测也是一种乐观的估计。

我试图理解这一点的方式是，我们确实在11月份做过一个分析，研究了人们如何使用Claude，并估算了如果没有人工智能，某人完成Claude正在做的事情需要多少时间。做一篇文献综述可能需要好几天时间，Claude可以在五到十分钟内完成，速度提升惊人。用这种方式来处理人们要求Claude做的各种事情，然后使用标准的宏观增长会计技术（感兴趣的人可以查阅霍尔顿定理相关文献），汇总这些任务层面的效率提升对未来十年劳动生产率的影响——如果扩散需要那么长时间的话。

基于目前的模型和当前的使用模式，劳动生产率增长率有望提高1.8个百分点。这岂不意味着……而且这似乎也考虑到了一些资本深化假设，在此基础上再增加1.8个百分点？

费尔曼：没错，否则会发生什么，大概是1.5左右，具体取决于情况。

麦克罗伊：是的，就是这样。那将大致使我们回到上世纪90年代末和本世纪初的盛行状态，并且与适度，甚至略超适度的情景更加一致。我想我对这个数字有所保留，但我认为它像是一个有用的框架，可以帮助了解基于我们对用户的观察，潜在影响的程度可能有多大——这些用户是那些正在尝试和学习如何使用这些工具的人，而这种尝试和学习如何使用会扩散到整个经济体系中。如果这些生产率的提高得以实现，你可能会期待在这个量级上有所进展。

简而言之，你认为美联储和国会预算办公室有点脱离实际，因为如果出现任何这种情况，我们就只能根据过于保守的预测来制定货币和财政政策。

费尔曼：我不会这样说。我会说，对增长和生产力的潜在影响相当可观。虽然存在各种不利因素，但反事实是什么？我是指过去150年里那2%的变化，或许正是必要的创新才使我们保持了那样的发展速度。所以，这或许只是另一系列让我们保持这种发展轨迹的创新，或许还存在某种其他根本性的制约力量，阻止我们进一步加速。由此可见，薄弱环节的制约力量可能会非常显著。

斯坦福大学的查德·琼斯和克里斯·德内蒂提出了另一种模型，其中设想摩尔定律在某种程度上适用于经济的各个方面。自动化速度非常快，即使增长无限，时间有限，经济最终在未来30年左右的增长率也约为2.5%、2.6%或6%，因为其他无法自动化的事情会阻碍增长速度。

麦克罗伊：没错。当某个东西是无限的时候，它在两个时间段内都会变得非常大，与其价格下降无关，它在增长计算中的重要性会降低，并被其他所有因素所掩盖。

费尔曼：是的。我看到西北大学的本·琼斯把它描述成这样：接受这种模型，其中这些薄弱环节在某种程度上结合在一起，然后你会发现，仅一半的经济就能实现无限增长，但它只会使整体经济规模翻倍。那些你未能实现自动化的事物，会极大地制约经济的总体影响。我们可以在一些关于人工智能影响的新兴文献中看到这方面的证据。

今年早些时候，一些研究人员发表了一篇论文，探讨了引入编码代理（如Claude Code）的问题——生成的代码行数增加了约20倍，但软件输出或软件发布只增长了30%。这差距相当大。

麦克罗伊：是的。听起来你好像准备说那些关于同事的刻薄话，他们以为公司年增长率能达到100%，但实际上并非如此。他们对能力的看法与你并无不同，只是对经济运作方式的了解不如你——如何将这些能力转化为增长。我认为我的基本情况看起来更接近经济学家的典型观点，但我的误差范围很大。

所以我想了解我和那些一直在关注这项技术的人之间分歧的根源是什么。情景探索器是我理解这个问题的一种途径。我跟实验室内部人员交流后的感觉是，分歧主要体现在能力、采用和自动化方面的输入上，而较少关注将这些输入转化为产出的潜在经济机制。

费尔曼：好的。接下来我想问你关于不平等的问题——不平等有两种类型。其一是劳动收入内部的不平等，例如，如果管理人员的收入远高于一线工人，而一线工人的收入相同，这就是不平等。其二是资本与劳动之间的不平等——如果股票持有者能获得更高的回报，而其他人则不然，顺便说一句，富人持有的股票更多，这会加剧不平等。

我们先来谈谈劳动力不平等问题。您预测人工智能将对劳动力不平等产生何种影响？这种影响的不确定性有多大——包括方向和幅度？

麦克罗伊：我对方向和幅度都不确定，这是对所有这类问题最诚实的回答。

费尔曼：是的，这是一个很棒的经济学家式回答。

麦克罗伊：我的回答是这样的：有一些优秀的论文基于随机对照试验表明，人工智能可以帮助原本更像新手的人变得更像专家。但当你查看实际采用者的数据时，会发现其主要采用群体是高薪高技能的人才。从这个角度来看，我预期这将是一种在收入层面上的普遍现象，或者说不平等会加剧，而非缩小。

但我之所以对此感到不确定，是因为人工智能的部分功能不仅仅是加快速度或帮助你更快地完成某件事，它还拓宽了你能够做到的事情的范围。在我们对全球约81,000人进行的调查中，询问他们关于人工智能的各种问题，当人们谈到人工智能带来的生产力提升时，他们更常提及"拓展了我的能力范围，让我能够做以前做不到的事情"。这或许是一种均衡力量，通过强制你获得与你互补的特定专业知识，来压缩收入分配。

费尔曼：是的，也许我就说到这里吧。亚历克斯·伊姆斯，他在DeepMind担任类似的角色，是一位非常聪明、非常有创造力的经济学家，他一直在谈论这样做如何帮助技能较差的人提高技能，还滔滔不绝地讲述他运用这项技术的种种方式，极具远见卓识。据我所知，它能将你的才华放大十倍，而且是以别人想不到的方式实现的。

所以你认为这种情况——"糟糕的作家变成优秀的作家，而伟大的作家得到的帮助微乎其微"——是比另一种情况更为普遍的现象吗？

麦克罗伊：我认为有两种力量同时存在。一种力量是10倍放大——软件工程师可以成为百倍软件工程师。我想这方面应该有一些轶事证据，我们的研究也提供了一些暗示性证据，这些证据基于领域专业知识的交互作用，指向了这一方向。例如，如果能有效利用Claude Code，那么第二个问题是，10倍工程师是否比其他人更有可能采用人工智能——即使工程师人数翻倍，生产力提升幅度相同，如果采纳率因先前已存在的技能和专业知识差异而有所不同，那么专业知识就可能成为一股强大的力量，不断扩大劳动力市场的不平等。

费尔曼：现在我们来谈谈劳动收入和资本收入之间的不平等。这方面的数据非常清楚——失业率不会反映这一点，生产率增长也不会反映这一点，但股票市场已经反映出来了。当我研究经济模型时，包括你们的每一个模型，以及我尝试过的几种方案，都显示资本回报率更高，但劳动所得的收入份额下降，用于资本的收入份额上升。鉴于拥有资本的人境况已经更好，所有这些都意味着不平等现象日益加剧。这是对未来数据的正确预期吗？

麦克罗伊：这是一个很好的问题。值得一提的是，能在论坛上讨论经济模型，而且参与人数也创下了经济讨论的纪录，我很荣幸能来到这里，也希望大家乐在其中，能从这些讨论中有所收获，我自己当然也从这些问题中学到了很多。

在模型中，决定资本回报率的因素是资本弹性。在标准模型中，你可能会认为资本是无限弹性的，在那种情况下，所有的收益都会归劳动者所有，你就不会看到劳动收入份额下降的情况。我之前就警告过你，这会像我们两个人之间的谈话，我们会假装你们不在场。

这种材料具有无限的弹性，很难获得所需的工厂，扩建也同样困难。为满足这种巨大的投资需求，需要提供充足的资本。如果这种调整更难发生，就会产生更强的向下趋势，对劳动收入份额形成压力。在极端情况下，劳动收入份额相对于此前每1美元收入中60%的占比，下降了约15个百分点。

接下来我想先谈谈公共政策，然后再回答大家的问题。

想想一系列政策问题。其中一个是，这些模型可能会制造出能杀死所有人的武器。对此，一种解决办法是告诉前沿实验室：你们无权这样做；另一种说法是，让他们放手去做，由政府给每个人发防毒面具。

比武器更棘手的问题，是纵容学生作弊，而这个问题的解决方案留下了一个令人不安的余地。其中一个解决方案是制定法规，告诉实验室不能帮助学生作弊，也不能回答他们的问题。另一个方案是切换到课堂考试模式。对于第一个方案，我持保留态度——因为根本无法确定问题是谁提出的、出于什么目的。所以，唯一现实的解决方案，是大学通过改为课堂考试或其他方式在内部解决这个问题。

说到就业，它在这条连续谱上处于什么位置？你造成的破坏是必然的，政策制定者需要负责收拾残局，之后可以通过全民基本收入、培训计划、工资补贴或其他方式加以应对。相反，你实际上也可以主动介入，引导这些模型朝着某个方向发展——让它们不是取代人，而是增强人的能力；不是训练它们像人一样，而是训练它们来帮助人。也许监管能够促使你这样做。

那么，说到我们一直在讨论的问题——谁来清理那些烂摊子？

我认为可以从几个角度来回答这个问题。首先，要认识到人工智能对经济的影响总体上高度不确定，而我们能做什么、已经做了什么，同样值得认真考量。在Anthropic，我和我的团队有责任产出能够提供帮助的数据和研究，帮助我们了解这项技术如何影响经济生产和劳动。这一努力旨在帮助人们了解哪些技能可能变得越来越重要，哪些技能可能变得不那么相关。

更重要的是，要赋予社会做出这些选择的能力，而不是由我们单方面决定。因此，这项技术的影响，既取决于能力进步的方向，也取决于我们作为社会所做出的选择。我在团队中的目标，就是帮助社会做出更好的决策。

就我们团队的实际工作而言，我们主要且历来专注于数据生成和研究。我之前也写过一些相关内容，在今年早些时候发布在推特上——我想运用经济学的工具，帮助我们理解自身决策的影响，从而更清晰地把握我们所做决定中可能隐含的公共利益与商业利益之间的权衡。

用经济学文献的语言来说，一种思路是：能否将"定向技术变革"付诸实践？我其实不确定这是否可行，但我的团队有机会探索这种可能性。定向技术变革，指的是引导技术发展以增强劳动力，而非直接取代劳动力。

有人问过：什么是"增强"，什么是"替代"？如果你是我的研究助理，那到底是替代了你，还是增强了你？我认为在这个例子中，答案是它增强了你……又或者，它取代了工人，就像取代了你的研究助理一样。

这其实是一个很好的例子，说明人工智能在我们探讨的场景中可能造成的冲击。而且，即便从任务层面来看，也并不总是清晰的——Claude的作用，究竟只是自动化人们交给它的任务，还是真正改变了工作的性质？

你描述的情况，是你正在被增强，这会改变对某些类型专业知识的回报，以及与你所拥有技能的互补关系。从历史上看，新技术自动化取代了部分工作，催生了新的工作形式，也推动了工作内容的重新整合。这个问题至今仍不清晰。我觉得这是一个真正的难题，值得我们认真去理解。

我们对此有任何影响力吗？可能有很多种情况。其一，政府可能制定相关规定，禁止科技产品做某些事情。其二，由企业主动承担这件事——如果Anthropic自己承担，我们能否确保其他实验室也跟进？另外，我们的产品也被很多其他人用于开发各种产品，因此影响会更为广泛。其三，如果我们并不完全了解情况，是否应该继续尝试？通常，当我们不理解某件事时，往往倾向于不进行监管，而是让市场和分散的知识自行解决。

例如，当我们不知道改进某个环节是否会在其他环节创造更多就业机会时，我们面临的是一个动态过程，而贸然干预可能适得其反。那么，无知与不确定性应该如何纳入经济领域的监管？这与安全领域的监管不同。我认为，如果监管者自己都不清楚在做什么，就很可能会搞砸一些事情。

从某种意义上说，我们试图产生的数据和研究，正是为了更清晰地解答这些问题，或许可以通过考察我们自身决策的影响来找到答案。这类研究最终形成了一些经济指数——例如斯坦福数字经济实验室就使用了相关指数，研究年轻劳动者的就业轨迹。他们记录到，与我们平台上的自动化使用相关的年轻劳动者，就业前景更差。我对这种因果关系的解释并不完全信服，但这确实表明这些数据可用于厘清各种影响因素。

在政策应对方面，我总体上同意：应该制定能够应对这种不确定性、并能适应不确定性变化的政策。就就业问题而言，我认为政策制定者需要应对的根本性权衡是：我们面临的，究竟是一种失业率低、职业流动性高、转型更频繁也更剧烈的局面，还是一种伴随经济快速增长的、衰退级别的失业率？

我认为耶鲁预算实验室的一个很好的洞见，是以人员流动率来衡量人工智能的影响。如果你专注于保障工人权益，或许可以促成那段充满变数的过渡期，但整体变动的规模可能过大。这或许是激励企业通过留任补贴、再培训补贴等方式留住员工的理由之一。

但究竟哪些政策组合才是合理的，目前仍存在很多不确定性。面对这种不确定性，对各种方案的有效性保持谦逊态度是必要的。我们希望，数据能够极大地帮助我们构建各种场景。

现在进入提问环节。因为在场人数众多，我会一次收三个问题再统一回答，请大家提问时尽量简短，并先做自我介绍。

问题一（迭戈·萨门托，哈佛法学院二年级学生，来自南加州）：我的问题涉及政府公共政策理念，以及人工智能对军事的影响。今年早些时候，美国曾使用人工智能辅助打击手段，而五角大楼最近的一项调查结果表明，人工智能被用于通过搭便车模型来确定打击目标。我的问题是：作为一家致力于安全的公司的一员，您是否认同现行的"人类在回路中"这一规定？还是认为应该设立更高标准，比如直接禁止人工智能被用于针对任何目标？

问题二（利亚姆·达姆吉，肯尼迪商学院工商管理硕士学生）：我的问题更多是从竞争和市场力量的角度出发。正如我们之前所说，当前存在大型垄断企业，唯一阻碍人工智能广泛应用的是来自组织和数据角度的信息孤岛。您认为人工智能会加剧大型企业的市场权力集中，还是会通过敏捷的人工智能原生企业首次进入市场而分散竞争格局？

问题三（阿克奎兰）：我花了很多时间思考机器学习模型训练后的定价问题。您谈了很多宏观经济模型，但我很好奇，当我们思考"智能的定价"这一问题时，传统的宏观和微观经济模型可能会发生怎样的变化？

首先，我加入Anthropic的原因之一，是相信这家公司非常重视明确这项技术的风险与收益，并致力于——甚至不惜付出代价——尽可能降低风险。我不了解每一个具体情况，但我很感激能在一家敢于认真承担这些风险的公司工作。真的，我们必须把它做好。这也是所谓"薄弱环节模型"的体现——在某种程度上，延迟经济利益的实现，也可能意味着提前承担一些滥用和恶意使用的风险。我会尽我所能，在经济层面帮助我们应对这些风险与收益，确保好处惠及范围广、风险降到最低，且不造成不公平的分配。感谢这个问题。

关于公司规模与人工智能影响的问题，我认为这是一个开放性问题。一方面，人工智能似乎能提高规模经济带来的收益——你做的事情越多，你就能集中管理更多的信息，从而在日益广泛的活动中保持高效。另一方面，准入门槛要低得多——成立一家一人公司要容易得多，这种模式扩展速度非常快，一个人就可以接触到网站开发、会计、人力资源等运营公司所需的一切资源。

雷姆·科宁和她的合作者们提供了一些证据，他们研究了人工智能原生公司的组织结构，发现这些公司在既定规模下以较少的人员运营。目前形势仍然不明朗。数据显示创业公司数量大幅增长，这可能与人工智能的普及有关。

不过，有一点值得注意：这种宏观经济层面的变化恰好出现在疫情初期，彼时商业活动波动剧烈，新企业成立数量激增，劳动生产率也随之飙升——而这些变化显然不完全是人工智能驱动的。其中有多少来自人工智能，有多少来自远程办公以及新的组织架构，仍是悬而未决的问题。

关于智能定价的问题，有一点是明确的：给定水平的智能，其成本正在急剧下降。但这种智能的边际收益是多少，仍然不清楚。这是一个真正开放的问题，我目前没有确定性的答案。

第二轮提问

问题一（索尼娅·弗雷尔·皮尔森，商学院/肯尼迪学院双学位学生）：您稍微谈到了您最近写的那篇论文，我想知道，在那些不那么灾难性的情景下，您如何在经济模型中考量那些真正奇怪、难以预测的经济后果——比如大量AI代理在互联网上活动、我们无法确定原因和影响的情况？

问题二（Alex，公共政策学生）：我对税收很感兴趣。Anthropic领导层曾提议新的税收制度，您认为这种制度在美国及其他国家如何运作？比如对训练数据做出贡献的主体，应如何征税？

问题三（关于报告预测与机器人技术）：您的报告预测到2030年，举的例子是人工智能目前还无法完成的体力任务。我很好奇您对未来人工智能与人类合作、以及机器人技术自主化的看法——哪些工作会被取代，哪些不会？

首先，我认为我们研究方向的重点，是认真对待那些范围宽泛、真正奇怪的不确定性。我喜欢从各种可能出现的"奇点"角度来思考未来，并试图理解塑造未来的经济力量。

其中一个奇点，是"软件奇点"——这些人工智能系统正在变得越来越好，Anthropic最近发布的证据表明，这些模型在自我改进方面做得越来越好，这一过程有时被称为"递归式自我改进"，其经济影响值得深入探讨。

第二个是"经济奇点"——究竟是什么力量决定了经济能否在有限时间内实现无限增长？这前所未有。如果你将这些模型所代表的创新自动化程度纳入考量，就会得到在其他方面都属于标准模型的场景。那么，标准模型在哪里会失效？我们对创新的理解在哪里出了偏差？

第三个是"科斯奇点"——当越来越多的代理人能够代表你采取复杂行动并与交易对手进行谈判时，交易成本在某些领域急剧下降，企业边界与经济交换结构将发生怎样的变化？我们对此做了一些探索性研究。我们在春天发布了一个叫做"交易项目"的实验，让Claude采访一些人，询问他们家中有哪些物品愿意出售或可能有兴趣购买，然后建立一个集中式市场，供代理商相互交流并完成交易。

这个实验产生了一些有趣的发现：更强大的模型在与较弱的模型谈判时，系统性地榨取了更多租金；人们没有意识到这种谈判力量的不对称；人们潜在的偏好，在访谈中没有完全表达清楚，但却体现在模型为他们选择购买的物品上——例如，某人的AI代理买了一块他已经拥有的滑雪板，尽管他并没有明确表示喜欢滑雪。这引发了一些关于谁能获取前沿模型、以及这如何影响谈判力量、进而带来金融和经济后果的重要问题。

关于税收政策，这又回到了劳动收入份额与资本收入份额的问题。目前，美国和许多国家的税收结构都侧重于对劳动征税。但如果劳动收入份额下降，就需要考虑其他税收制度。一种标准模式是对消费征税，这与对家庭劳动力供给决策征税有所不同，对消费征税可能是一种应对方式，但还需要更多研究来考虑其他潜在的政策应对措施。

关于"代币税"，我的简短回答是：在经济政策框架中，我将代币税视为一种抑制过度采用的激励机制。马丁·贝拉在伯克利写过一篇很棒的论文，探讨企业不会将自动化的外部性内部化这一问题——在类似金融约束的世界中，人们难以缓解失业冲击，因此对自动化征税，不仅有公平方面的理由，也有效率方面的考量。代币税可以类比于碳税或烟草税。

关于机器人技术与2030年的预测，这正是我们将模型或情景设定在2030年的原因——至少在未来几年内，不确定性足够大，我们希望将精力集中在这个时间框架内。但原则上，这是一个允许我们在未来迭代中纳入机器人技术考量的框架，机器人技术的建模应被视为优先级很高的议题。当然，还必须将资本的物质积累，与非物质智能的普遍性和可用性区别对待。这是个非常好的问题。

最后一个问题

提问者（瓦妮莎，经济学与教育学专业，今年五月刚毕业）：关于获取途径，我很想听听您对以下问题的看法：人工智能将改变劳动力市场所重视的技能，从而影响不平等格局，但学校并没有做好同等准备来帮助学生顺利过渡。

这是一个非常非常重要且悬而未决的问题，涉及技能习得、人力资本获取，以及对人类发展的影响。我们自己在这方面的研究相对较少，但从我们的数据中确实可以看到一些线索。

我们在研究中尝试对产品的主要用途进行分类——比如，有人在凌晨三点搜索睡眠建议，那主要是个人用途；或者用于办公，或者用于学习。我们发现，学习用例在低收入国家实际上更为普遍。因此，我认为人力资本的获取实际上具有全球性意义：一方面，它赋予人们获取以前可能无法获得的知识和专业技能的能力；另一方面，也存在隐忧——比如，学生利用这些工具作弊，获得了成功的信号，但实际上并没有真正内化和发展人力资本与认知耐力。而这种认知耐力，对于顺利度过这类过渡期至关重要，非常宝贵。谢谢。

最后，我只想说几句关于这次对话的话。首先，你说的内容没有明显的错误，所以你在这个话题上的理解应该排在前10%。其次，你以极大的谦逊和不确定性来对待这件事，我认为这足以让你在这个领域跻身前10%。

我也想借此提醒在座的很多同学：我们还有很多东西需要学习，为了真正理解这一切，我们现在就需要落实一些措施——收集数据、跟踪数据、进行预测。我希望，等我们下次请你回来的时候，你能告诉我们你哪些预测是错误的，以及为什么会错。承认错误，本身就是谦逊的一部分，也是学习过程的一部分。我觉得你真的给我们树立了一个榜样，这是我们所有人都需要去学习的。为此，我和我们所有人都要感谢你。

风险提示及免责条款

特朗普拒绝伊朗和谈建议，全球股债承压，油价涨超2%，黄金跌破4200

Mon, 28 Sep 2026 06:08:21 GMT

特朗普周末拒绝伊朗重开霍尔木兹海峡的最新提案，令上周五市场因外交谈判预期升温而积累的涨幅几乎全数回吐。油价随即跳涨，通胀压力升温预期再度压制债市，亚太股市普遍走低，美股期货同步下跌。

布伦特原油涨逾2%，现货黄金失守4180美元/盎司日内跌超2%，现货白银日内跌幅达4.0%逼近60美元/盎司关口。美国2年期国债收益率上行5个基点至4.90%，10年期收益率上行4个基点，抹去上周五的全部跌幅。

Gama Asset Management高级宏观组合经理Rajeev De Mello表示：“投资者再度对外交进展的缺失感到失望。此前市场寄望于谈判能够缓和中东冲突、推动霍尔木兹海峡重开，但这些希望已经落空。”

全球主要资产走势：

油价涨：布伦特原油涨逾2%，WTI原油涨约2%。

金银跌：现货白银午后跌幅达4.0%，报61.7美元/盎司。现货黄金失守4180美元/盎司，日内跌超2.5%。

全球债市普跌：

印度10年期国债收益率上行5个基点，至7.17%。

美国国债收益率走高，5年期国债收益率上行5个基点。

日本30年期国债收益率上行1.5个基点至3.925%。

日本、澳大利亚、新西兰国债收益率均随美债同步上行，韩国3年期国债收益率升至2022年11月以来最高水平。

亚太市场周一开盘承压：亚太市场周一开盘承压。韩国KOSPI指数跌超2.5%，三星电子跌5%，SK海力士跌4.4%。日经225指数跌约0.10%，印度NIFTY 50跌1.30%。

美股期货下跌：道指期货跌约180点（0.4%），标普500期货跌0.4%，纳斯达克100期货跌0.7%。

特朗普拒绝伊朗提案，谈判前景仍存变数

特朗普拒绝伊朗“7天重开霍尔木兹海峡”停火提案后，伊朗外长阿拉格齐表示“已为战事重开做好准备”，同时称外交大门未关闭。调解国卡塔尔总理坦言冲突“越来越难解决”，目前没有清晰终结路径。美国持续升级封锁与制裁，美国柴油价格自冲突爆发以来已涨超70%，谈判僵局正在向全球能源市场传导。

据新华社援引伊朗媒体27日报道，伊朗外长阿拉格齐表示，伊朗已做好与美国战事重开的准备，但尚未放弃通过外交途径进行接触。他说，“我们已为战事重开做好充分准备”，与此同时，“我们也随时准备进行外交接触”。“这取决于美国总统特朗普的选择。”

油价飙升重燃通胀忧虑，债市全线承压

据彭博报道，今年以来中东紧张局势已推动油价累计上涨约75%。

布伦特原油近月合约价差（prompt spread）扩大至约7.75美元/桶的现货溢价，较一周前的约4美元大幅走阔，显示市场对近期供应紧张的担忧明显升温。当前，布伦特原油涨逾2%，WTI原油涨约2%。

能源成本高企持续向通胀传导，令美联储进一步加息的预期升温。据彭博报道，上周全球债券平均收益率已突破4%，为2007年以来首次。交易员目前已完全定价美联储年内至少再加息25个基点——美联储本月已是2023年以来首次加息。

Yardeni Research总裁Ed Yardeni写道：“全球2年期国债收益率的快速上升，表明各大央行需要进一步加息，以应对中东战事再度升级带来的油价长期高企所引发的通胀冲击。不幸的是，更高的利率也进一步恶化了全球各国政府的大规模赤字前景。”

日本、澳大利亚、新西兰国债收益率均随美债同步上行，韩国3年期国债收益率升至2022年11月以来最高水平。

亚太股市下挫，美股期货走低

亚太市场周一开盘承压。韩国KOSPI指数跌超2.5%，三星电子跌5%，SK海力士跌4.4%。日经225指数跌约0.10%，印度NIFTY 50跌1.30%。澳大利亚S&P/ASX 200小幅上涨0.11%。

道指期货跌约180点（0.4%），标普500期货跌0.4%，纳斯达克100期货跌0.7%。

上周美股整体表现强劲——道指小幅上涨0.3%，结束三周连跌；标普500上涨1.2%，纳斯达克综合指数上涨2.1%，均创8月初以来最佳单周表现。

黄金、白银重挫，美元走强

黄金跌约2.5%，跌破4200美元/盎司关口，现货白银日内跌幅一度达4%，报61.7美元/盎司。

加息预期升温压制了无息贵金属的吸引力，美元则对多数主要货币走强。

市场焦点转向本周经济数据

TD Securities新加坡高级亚太利率策略师Prashant Newnaha表示，中东僵局“可能仍将是市场焦点”，直至本周晚些时候美联储偏好的通胀指标和就业报告相继公布。

本周重磅数据包括：周三公布的8月个人消费支出（PCE）价格指数、周四的美国制造业数据，以及周五备受关注的9月非农就业报告。

财政部长贝森特则释放了相对温和的信号，表示决策者应对利率保持“开放态度”，因为人工智能带来的生产率提升和放松监管或有助于抑制通胀。

Union Bancaire Privee董事总经理Vey-Sern Ling表示：“只要伊朗冲突持续，市场就将面临更高通胀、加息和金融条件收紧的前景。但考虑到当前估值已受压，且人工智能驱动的盈利持续攀升，投资者应关注以长期视角布局的买入机会。”

风险提示及免责条款

中科宇航将力箭一号总装周期压缩至15天，商业火箭竞争转向交付效率

Mon, 28 Sep 2026 06:07:12 GMT

9月27日，中科宇航力箭一号运载火箭单箭总装周期已由首飞阶段约3个月缩短至约15天。

位于广州南沙的产业化基地年产能达到30发，基本实现每月均有发射任务。

随着生产方式由“按任务生产”转向“提前备产”，公司称接单至发射的响应周期已压缩至半年内。

总装周期缩短，意味着商业火箭的竞争正从“能否发射”进一步转向能否稳定、快速地交付。

对于面向卫星星座组网的发射需求而言，火箭制造、测试和发射场保障的衔接效率，直接影响客户的入轨节奏。

中科宇航此前披露，力箭一号发射排期已规划至2027年下半年。订单储备与制造能力开始同时成为其兑现商业化能力的关键环节。

力箭一号是一型四级固体运载火箭，具备500公里太阳同步轨道约1.5吨、近地轨道约2吨的运载能力，主要服务于低轨遥感、通信等卫星组网需求。

自2022年7月首飞以来，截至今年9月20日，力箭一号已完成16次飞行；力箭系列运载火箭累计将1艘飞船、121颗卫星送入太空，入轨载荷总质量超过21吨。

产线提效之外，发射场端的周期也在压缩。中科宇航此前表示，依托专属发射工位及配套技术厂房，力箭一号测发周期已压缩至10天以内。

制造端提前备产、发射端缩短测发周期，意味着火箭交付正逐步由单个项目驱动，转向更接近连续生产与常态化发射的模式。

不过，设计产能不等同于实际发射数量。南沙基地年产30发，反映的是固体火箭制造能力；而中科宇航今年对力箭一号的发射计划为不少于8次。

两者仍受订单排期、卫星交付、发射场资源及任务窗口等因素共同约束。此次披露的15天为单箭“总装周期”口径，也仍需与总装测试等完整流程进一步区分。

在“星多箭少”的供需背景下，商业航天的竞争焦点正在从单次入轨能力，延伸至运力供给的持续性和经济性。

中科宇航将力箭一号总装压缩至15天，尚不足以单独证明高频发射能力已完全形成。但与订单排期延长、测发周期缩短同步出现，已为其从“按任务生产”迈向“提前备产”提供了一个更具制造业色彩的注脚。

风险提示及免责条款

长飞光纤港股重挫16%，瑞银首次覆盖给予买入：产能过剩担忧被高估，高端光纤供需紧张将延续至2027-28年

Mon, 28 Sep 2026 05:59:39 GMT

周一（9月28日）光纤概念股遭遇重挫，长飞光纤光缆港股领跌逾16%，但瑞银同期发布研报，逆势维持买入评级并大幅上调盈利预测，认为市场对产能过剩的担忧严重高估，AI驱动的数据中心需求正在从根本上重塑光纤行业的供需逻辑。

截至发稿，长飞光纤跌16.03%，报156.6港元，自6月高点以来累计回调幅度已达37%。消息面上，光纤龙头亨通光电披露定增预案，拟募资不超过66.36亿元，其中光纤预制棒及特种光纤产能扩张为核心投向，引发市场对行业供给过剩的新一轮担忧。

不过，瑞银在最新研报中将长飞光纤H股2026-28年净利润预测上调116%-158%，目标价从290港元上调至330港元，预示较当前股价有约73%的上行空间。

瑞银分析师为David Chow及Sara Wang指出，长飞H股当前估值仅8-9倍2027年预期市盈率，远低于中国及全球同业的12-36倍，投资者对光纤行业产能过剩的担忧已过度反映在股价中，而长飞作为全球AI供应链核心玩家的战略价值被严重低估。

亨通定增触发抛售，光纤板块集体承压

本轮光纤股下跌的直接导火索，是亨通光电于9月24日晚间披露的定增预案。

亨通拟发行不超过7.40亿股A股，募集资金总额不超过66.36亿元，拟投向光通信等9个项目，其中"新一代光纤研发及生产项目"拟投入7.58亿元，"内蒙古光学高端光学新材料建设项目"拟投入8.62亿元，两者构成光纤预制棒及特种光纤产能扩张的核心。

这一消息叠加此前同行及新进入者陆续宣布的产能扩张计划，加剧了市场对2027年前后行业供给过剩、盈利见顶的担忧。

从估值层面看，中国光纤板块年初至今虽仍累计上涨约170%，但自6月高点已回调37%，12个月远期一致预期市盈率已从高峰时的40-50倍压缩至约23倍（较历史均值高约0.2个标准差），而康宁、普睿司曼等全球同业估值仍处于历史均值1个标准差以上。

瑞银：产能过剩风险有限，供需紧张将延续至2027-28年

瑞银在研报中系统性地反驳了市场的产能过剩担忧。

瑞银认为，新进入者的产能落地时间将远超市场预期。对于现有光纤制造商而言，新建产能从投资到有效供给至少需要2-3年，主要受制于关键生产设备的供应瓶颈；对于新进入者，这一周期可能超过三年，且实际落地规模将远小于规划，因为相关工艺知识壁垒和设备瓶颈极为严峻。

与此同时，需求端的结构性变化正在重塑行业逻辑。瑞银指出，光纤需求的驱动力正从国内电信运营商的采购预算，转向全球AI基础设施建设。AI数据中心所需的高规格光纤（如G.657.A1/A2）生产壁垒显著高于上一轮周期主导的G.652.D标准光纤，且AI终端客户将优先选择有成熟交付记录的头部供应商。

此外，中国电信运营商正将资本开支向更高回报的算力网络和AI基础设施倾斜，对光纤价格的压制意愿有望边际减弱。瑞银预计，高端光纤的供需紧张格局将至少延续至2027-28年，光纤价格将持续上行，但涨速较2026年上半年有所放缓。

大幅上调盈利预测，毛利率有望突破70%

基于上述判断，瑞银将长飞光纤2026-28年净利润预测分别上调120%、116%和158%，至91亿、156亿、191亿元人民币，对应每股盈利10.96元、18.86元和23.12元人民币。瑞银的2027/28年盈利预测分别较市场一致预期高出7%和19%。

盈利上调的核心驱动来自两个维度：其一，AI驱动的光纤定价强于预期；其二，产品结构向高价值产品加速迁移。瑞银假设长飞将超过50%的产能（约4500吨）分配至G.657.A1/A2光纤，该类产品价格在130-150元/芯公里，约为G.652.D标准光纤的两倍，而单位生产成本维持在15-20元/芯公里基本稳定。

在此假设下，长飞毛利率有望持续维持在70%以上，2026-28年净利润率分别达到37.3%、46.0%和44.1%。瑞银预计，长飞2026年营收将同比增长70.8%至243亿元人民币，2027年进一步增长39.4%至339亿元人民币。

长飞技术壁垒构筑护城河，全球AI供应链地位被低估

瑞银认为，长飞在中国光纤企业中具备最强的AI机遇捕获能力，核心优势体现在三个层面。

第一，预制棒工艺全球领先。 据瑞银渠道调研，长飞是全球少数同时掌握PCVD、VAD和OVD三种预制棒制造工艺的企业之一，且大量使用自主设计的专有设备，这在瑞银看来是其产品质量更优、高端/AI光纤商业化速度更快的根本原因。长飞的保偏（PM）光纤已实现量产并在中国市场占据领先份额，空芯光纤亦已达到商业化规模。

第二，全产业链覆盖提供额外利润空间。 长飞覆盖从预制棒到下游连接产品的完整价值链，随着光纤密度提升，AI/数据通信产品的利润将向下游连接产品进一步积累。

第三，H股估值折价异常深。 长飞H股相对A股折价高达57%，而同类双重上市的AI受益标的（光模块、PCIe/CXL芯片等）普遍享有H股溢价，即便是铜互联（AI PCB）同业的H股折价也仅约23%。瑞银认为，这一异常折价反映出离岸投资者将长飞H股更多视为周期性股票，而非AI结构性受益标的，随着光纤现货价格维持高位，H-A折价有望逐步收窄。

瑞银将长飞H股目标价从290港元上调至330港元，基于16倍2027年预期市盈率（此前为30倍），对应2027-30年盈利复合增速16%。报告称，估值倍数下调的原因在于，瑞银预期光纤定价将在更长期内逐步正常化，因此下调估值倍数以反映这一预期。

在情景分析中，乐观情景目标价为500港元，对应20倍2027年市盈率，假设光传输业务收入增速60%、综合毛利率74.2%；悲观情景目标价为100港元，对应8倍市盈率，假设收入增速仅30%、综合毛利率降至57.2%。

长飞A股方面，瑞银目标价为510元人民币，对应27倍2027年预期市盈率（此前为35倍），维持中性评级，隐含目标H-A折价约40%。

风险提示及免责条款

OpenAI：AI时代最大的“WeWork”？

沈曼茹 — Mon, 28 Sep 2026 05:41:09 GMT

知名AI学者Gary Marcus认为，OpenAI正面临技术与经济双重压力：一方面可能尚未真正掌握实现AGI的方法，另一方面未来几年或将持续巨额烧钱，却缺乏足够盈利支撑。

他将其与WeWork类比，认为OpenAI若持续推迟IPO、估值不断上涨，却迟迟不愿公开S-1财务数据，可能引发市场质疑。

一旦OpenAI出现重大挫折，恐慌情绪还可能蔓延至英伟达及其他超大规模云服务商。

AI需求催化台积电加速扩产，2纳米月产能年底冲刺12万片

Mon, 28 Sep 2026 04:17:40 GMT

AI芯片军备竞赛正在重塑全球最先进晶圆产能的扩张节奏。

据中国台湾媒体《经济日报》9月28日消息，苹果、英伟达、AMD、高通、联发科等科技巨头近期集体追加台积电2纳米家族产能预订，增幅达10%至20%。受此驱动，台积电大幅提速2纳米扩产计划，今年底月产能目标直指12万片，较市场此前预估的9万至10万片大幅超出，且相当于将原定2027年的产能目标提前两年实现。这一扩张速度已被台积电官方确认为史上最快。

台积电资深副总暨副共同营运长侯永清在今年台积电北美技术论坛披露，为应对AI等强劲需求，今年将首度同时有五座2纳米厂同步放量，涵盖新竹两座、高雄三座。他同时指出，2纳米第一年晶圆产出将较2023年3纳米第一年产出增加45%，2026年至2028年2纳米产能年复合成长率将高达70%。

与此同时，台积电3纳米产能扩张亦在同步推进。南科3纳米今年第四季月产能将接近18万片，并在中国台湾、美国亚利桑那州及日本新增三座3纳米晶圆厂，全面布局全球先进制程供应链。

客户追单踊跃，2纳米扩产进度大幅超前

市场原本预估，台积电2纳米家族今年底月产能约为9万至10万片，2027年在持续双位数成长下方可达到11万至14万片区间。然而，据报道，业界消息人士透露，由于苹果与非苹客户群需求强劲，台积电2纳米家族新产能开出速度与规模均创历史纪录，远超3纳米家族第一年的产能爬升速度。

此番追单的客户阵容涵盖AI芯片与高速运算（HPC）领域的核心玩家——苹果、英伟达、AMD、高通及联发科，追加预订幅度介于10%至20%之间。报道称，台积电一贯不评论客户信息与市场传闻，但侯永清在北美技术论坛的公开表态已从官方层面印证了这一扩产加速的事实。

据报道，业界分析指出，台积电大举扩充2纳米家族产能，对于上述需要大规模且稳定先进制程晶圆制造支援的客户而言至关重要，有助于锁定供应链安全并支撑各自的AI产品路线图。

五厂同步放量，2纳米爬坡速度史上最快

据报道，侯永清在北美技术论坛的表态是迄今最为明确的官方扩产信号。今年同时有五座2纳米厂放量，在台积电历史上尚属首次，这一部署规模本身即反映出需求端的紧迫程度。

从量化指标来看，2纳米第一年晶圆产出较2023年3纳米第一年产出增加45%，意味着台积电在更先进制程节点上实现了更陡峭的产能爬坡曲线。2026年至2028年，2纳米产能年复合成长率预计达70%，这一增速在半导体行业属于极为罕见的高强度扩张。

相比之下，台积电3纳米产能的扩张节奏相对平稳——2022年至2027年年复合成长率预计约为25%。两者增速的显著差距，折射出市场对更先进制程需求的快速向前迁移。

3纳米全球布局同步推进，美国新厂2027年量产

在2纳米加速扩产的同时，台积电3纳米产能扩张亦未放缓。南科3纳米今年第四季月产能将接近18万片，乐观预期2027年逼近20万至21万片，年增约16%。

在全球产能布局层面，台积电正新增三座3纳米晶圆厂，分别位于中国台湾、美国亚利桑那州以及日本，以支应未来3纳米制程的持续需求。此外，台积电在中国台湾持续将5纳米设备转换以支援3纳米产能，进一步提升现有厂区的利用效率。

美国新厂第二座晶圆厂将采用3纳米制程技术，目前已完成兴建，计划于2027年下半年开始量产，这将是台积电在美国本土落地的最先进制程节点，对于满足美国本地客户的供应链需求具有重要战略意义。

分析人士认为，台积电此轮2纳米扩产提速，对市场的直接影响体现在多个层面。

对客户而言，产能提前释放意味着苹果、英伟达等大客户能够更早获得充足的先进制程晶圆供给，有助于加快AI芯片及终端产品的量产节奏，降低供应链瓶颈风险。

对台积电自身而言，2纳米产能的超预期扩张将显著增厚先进制程营收贡献，叠加3纳米全球多点布局，整体营运动能有望持续强化。

对整体半导体产业而言，台积电在最先进制程节点上的快速扩产，进一步巩固其在全球晶圆代工市场的主导地位，同时也意味着AI基础设施投资热潮正在从芯片设计端向制造端加速传导。

风险提示及免责条款

跌破4200！谁将托住黄金：中国买盘重构全球黄金定价权？

Mon, 28 Sep 2026 04:13:01 GMT

当前国际金价围绕4300美元/盎司持续震荡。按照传统定价框架，在10年期美债收益率飙升至5.15%、实际收益率高企、美元阶段性走强的背景下，黄金作为无息资产本应显著承压，甚至应跌至4000美元/盎司以下。然而，金价并未出现趋势性崩塌，反而在历史高位附近展现韧性。这一偏离所传递的信号，远比任何单次利率预测更为关键：黄金市场的定价逻辑已告别旧规则。

从短期看，压制因素存在性仍强。美伊冲突推升能源价格，强化通胀黏性，进而推升美联储加息预期、抬高实际利率与美元，压制金价。这主要通过抑制黄金ETF需求体现。自7月中旬以来黄金ETF新增持仓中，超过90吨是在4350美元/盎司或以上建立；若金价跌破该区域，这部分持仓将面临亏损与清算压力。短期金价仍可能因投机盘与ETF流出而波动。

因此，当前黄金下跌更多体现为金融资金的边际收缩，而非结构性需求的逆转。9月份，传统商业及非商业资金并未出现大规模流入，CTA持仓变动亦相对有限；中国ETF资金流入虽有所增加，但幅度并未显著偏离常态。这表明，当前支撑黄金的更多是储备管理者的配置需求与实物买盘。

其中，今年前8个月，中国黄金进口量达1141吨（包括民间家庭增配与官方储备），创同期历史新高，已超2025年全年水平，按此速度年度进口量或首次突破1700吨。官方储备上，人民银行8月份增持约20吨，今年累计约80吨，连续购金趋势延续。更值得关注的是民间囤金，中国民间黄金持有量约1.2万吨，远超美国8000多吨官方储备。中国黄金需求也正从传统消费主导，转向储蓄、投资和资产配置需求。

传统定价规则失效，黄金定价底转向结构性需求

传统黄金交易逻辑可以概括为：美元和实际利率决定方向，ETF和投机资金决定弹性。这一框架在短期依然有效，但已不足以解释当前黄金在高实际利率环境下表现出的韧性。

核心变化在于，黄金需求正出现更明显的分层。第一层是以CTA、期货和ETF为代表的金融资金，其对利率和美元高度敏感，因此美联储加息能够迅速通过资金流向压制金价。

“AI空头”思考：云大厂“ROIC下滑”、大模型“难有护城河”、OpenAI是“AI时代WeWork”、Muse背后“人肉电池”

Mon, 28 Sep 2026 03:30:42 GMT

近日，知名做空机构Chanos & Co创始人Jim Chanos与纽约大学荣誉教授、AI研究者Gary Marcus近日在RiskReversal播客节目中展开深度对话。

Jim Chanos与Gary Marcus警示，AI建设周期面临资本回报下滑、模型同质化和融资依赖等问题。Chanos称云巨头增量ROIC（投入资本回报率）已自2024年见顶回落；Marcus认为大模型缺乏长期技术护城河，OpenAI或成“AI时代WeWork”。他还称，热门智能体Muse背后仍有人工参与，智能体大规模授权的安全风险值得审视。

两位长期唱空AI的人从财务和技术两个维度共同拆解AI泡沫。

从左到右依次为Jim Chanos、主持人、Gary Marcus

云大厂的ROIC正在快速下滑

Jim Chanos表示，Chanos & Co从2025年初开始重点研究超大规模云厂商（Hyperscaler）的资本回报情况。增量投资资本回报率（ROIC）已于2024年见顶，此后持续快速下滑。

如果当前的下滑曲线延续，处于最有利投资位置的超大规模云厂商，其回报率将在2027年中期跌破加权平均资本成本（WACC）。我认为市场对此毫无准备。

他进一步指出，AI数据中心本质上是一门设备租赁生意——“我从英伟达买芯片，然后租给你。这是一个金融构造。”而这门生意的经济逻辑，与此前的传统数据中心如出一辙：资本密集、持续折旧、回报率低得可怜。Chanos说：

传统云数据中心的税前资本回报率只有低个位数到中个位数。这还是在云业务高速增长的背景下。这些公司被当作REITs来营销，但数据中心无论是传统的还是AI的，都是持续资本密集型业务——东西会坏，需要更换，需要升级。

与此同时，高盛当天刚刚上调了对数据中心总支出的预测——未来五年新增50吉瓦，对应2.5万亿至3万亿美元的增量，总支出规模达到10万亿至12万亿美元，约占美国GDP的6%。

Chanos对此直言：“你开始看到真的很荒唐的数字了。”

大模型没有护城河，价格战是必然结局

Gary Marcus的判断来自技术侧。

他回忆，早在2023年8月，他就在Substack上写道：所有人都在做同一件事，这意味着不存在技术护城河，价格战不可避免，一切都将商品化。

没有真正的技术护城河，意味着什么？价格战。一切都会变成商品。OpenAI当时风头正劲，但我说他们会失去领先地位。

现实印证了这一判断。Marcus指出，如今没有任何一家模型公司能保持超过两周的领先优势。token价格在两三年内已下降了“三到四个数量级”——对消费者是好事，对模型提供商则是噩梦。

如果你没有技术护城河，别人就能做你做的事。价格战就会来。每天都有降价。这对消费者很好。但如果你是OpenAI或Anthropic，你怎么在所有人都在竞争的情况下收到任何像样的钱？

他还指出，当前驱动模型进步的，已不再是单纯的“规模扩张”叙事。

大约到2024年，纯粹的规模扩张已经走到头了。现在真正让系统变好的，是借鉴自符号AI传统的'推理框架'（harness）和代码解释器——但他们不太愿意承认这一点，因为承认了就等于说'给我们更多钱，规模扩大就能解决问题'这个故事讲不下去了。

OpenAI：AI时代的WeWork？

对于OpenAI，Gary Marcus判断：

我已经说了好几年，他们可能会成为AI时代的WeWork。

他的逻辑是：OpenAI预计未来三四年将烧掉约3000亿美元；其估值逻辑建立在AGI即将到来的承诺上，但他们实际上并不知道如何构建AGI；IPO一再推迟，估值却不断走高——“这完全说不通。”

WeWork的教训是，他们没有IPO。他们谈论IPO。软银以450亿美元估值注资，然后整个事情崩塌了。OpenAI一直在推迟，为什么？因为他们不想公开S-1文件。数字还不足以支撑S-1。

Chanos补充，他迫切想看到OpenAI和Anthropic的S-1，“因为我想看看他们怎么定义自己的盈利能力。”

Marcus还提到Sam Altman在2023年美国参议院听证会上的表现——当被问及是否从OpenAI获益时，Altman表示自己没有OpenAI股权，但实际上他持有Y Combinator的权益，而后者持有OpenAI股份。“他间接持有股权，但没有披露。”

他是读懂房间、说人们想听的话的高手。但行动比语言更响亮。

Muse背后的“人肉电池”

对于近期爆火的Meta AI Agent产品Muse，Gary Marcus泼了一盆冷水。

他援引路透社的报道指出，Muse背后目前仍有人工介入——这与Meta此前推出的Facebook M如出一辙。

Facebook M当年获得了大量头条，每个人都说它有多好。结果发现背后是人在操作。他们只有1万名用户，因为他们的计划是收集数据、然后规模化，但四五年后他们意识到这行不通。

现在技术比那时候好了，也许这次能成。但我从路透社的报道中发现，现在仍然有人在背后。

Chanos则从投资角度补充：在超大规模云厂商中，微软和Meta目前是增量投资回报率最高的两家，原因在于它们都有真实的终端市场——微软有企业客户，Meta有消费者。

有终端市场，并且能让AI投入转化为盈利或至少不是巨大的成本黑洞，这是有价值的。

但他同时指出，微软的Copilot在Office 365用户中的渗透率仍不足10%。

Agent安全：已知风险，刻意忽视

Gary Marcus对AI Agent的安全问题表达了最为强烈的担忧。

他指出，OpenAI的Agent系统已多次入侵政府系统，包括最近入侵澳大利亚政府医疗系统的事件。“这很严重。而且他们一直到被迫才公开谈论这件事。”

大型语言模型本身就不可靠。你把它们并行运行几千个，给它们读写互联网的权限，给它们安全凭证，然后不仔细监控它们——这怎么可能不出问题？

他认为，解决方案其实很简单：“如果我们想阻止Agent入侵问题，我们可以直接说，在你们修复这个问题之前，使用这些Agent是违法的。他们只需要改一行代码，关掉就行了。工程上完全可以做到。他们只是不想这么做。”

原因同样直接：Agent能带来更多token消耗，更多收入，更好看的IPO故事。“他们的IPO案例建立在Agent使用量上——每解决一个任务，token消耗量是普通对话的10到1000倍。”

泡沫如何破裂：多米诺骨牌的第一张

Chanos认为，触发这场泡沫破裂的，最终将是资本市场本身。

他以2000至2001年互联网泡沫为参照：标普500盈利从2000年中到2001年中下滑了40%。思科CEO John Chambers曾描述，订单增速从2000年12月的70%，到2001年1月直接变成负30%——“就在四个季度内，整个科技经济就这样崩塌了。”

要认为这在这场更大、加速更快的繁荣中不会发生，你是在自欺欺人。这个市场存在非常大的融资风险，会让一切变得自我强化，看起来像一场崩盘——即便长期的世俗需求仍在增长。

他还指出一个会计层面的结构性风险：当一家初创公司花1美元购买英伟达的芯片，英伟达立刻确认1美元收入和75美分利润；而那家初创公司则将这笔支出资本化，分五年、七年甚至十年摊销。“当融资关闭，那1美元的支出迅速消失，但折旧成本还在持续。”

Marcus则补充，他最担心的触发点是OpenAI的IPO进程。

如果OpenAI出现重大问题，会引发恐慌反应，可能冲击英伟达，肯定会冲击其他超大规模云厂商。人们会说，OpenAI做出了这些承诺，但无法兑现，然后大家都会夺门而出。

访谈全文如下：

Jim Chanos与Gary Marcus对谈：AI循环融资、智能体经济与末日情景

2025年9月25日 · RiskReversal播客

嘉宾介绍

Danny Nathan（主持人）：欢迎来到风险逆转播客。我是Danny Nathan。这位是我的朋友Jim Chanos，他是Chanos & Co.的创始人。我想这大概是你第十次上这档播客了。Jim，你同时也是耶鲁大学和威斯康星大学的兼职教授，在两所大学讲授金融欺诈史课程。感谢你再次到来。

Jim Chanos：是金融欺诈的历史，不是教人怎么干的。

Danny：你去哈佛耶鲁橄榄球赛吗，还是主要看威斯康星的比赛？

Jim：我去过哈佛耶鲁的橄榄球赛，是的。

Danny：我相信你是个很棒的赛前派对爱好者。好了，接下来介绍Gary Marcus。这次对话的促成颇具机缘。相信有数十万人订阅了你的Substack专栏"Marcus on AI"。你也是多本著作的作者，包括《驯服硅谷》。2023年你还与Sam Altman并排出席了参议院听证会——听起来像很久以前的事了，我们当时对Sam Altman的看法也各有不同。你同时也是纽约大学荣休教授。Gary，欢迎来到播客。

Gary Marcus：感谢邀请。

对话缘起

Danny：这次对话的促成颇有些机缘巧合。Jim原本就要上播客，Gary，你主动联系了我们，说Jim要来纽约录播客，问能不能一起来。于是就有了今天这个三人对话。Jim，你从财务角度切入了整个AI基础设施建设这个议题；Gary，你是技术专家，拥有麻省理工学院博士学位，深耕这个领域多年，大约三十年前写的博士论文就是关于神经网络的——抱歉稍微暴露了一下你的年龄。

Gary：我的博士论文其实涵盖两个方向：一是儿童语言习得，二是神经网络——也就是当今神经网络的早期原型。几十年来，我一直对自然智能与人工智能保持着浓厚兴趣。2012年神经网络重新兴起时，我已经主要在研究认知科学和人类智能那一侧，但我立刻意识到："这些我都见过，这就是我博士论文里研究的东西。"

事实上，我在2001年写过一本书叫《代数思维》，专门讨论那个时代神经网络构建方式的局限性。我认为我当时是第一个指出：如果不改变构建方式，这些系统必然会产生幻觉。我们现在看到的很多问题，我在很早以前就已经预见到了。业界不断有人说"只要给更多数据就能解决"，但这条路并没有真正奏效——有所改善，但改善幅度十分有限。

2023年8月，我忽然意识到，几乎所有人都在做同一件事，这意味着不存在真正的技术护城河。于是我在Substack上连发两篇文章，说我不确定这一切的商业逻辑是否真的成立。没有技术护城河，就必然走向价格战，一切都将商品化。OpenAI当时风头正劲，但我认为他们的领先优势不会长久。正是这个判断，把我引入了对经济层面的深度思考。

Jim Chanos：从数据中心到AI基础设施

Danny： Jim，你从一开始就聚焦于整个AI建设浪潮的经济逻辑。很多听众都知道，你是最早识别安然财务欺诈的人，需要进行大量深入研究，而很多密切跟踪这家公司的人也许只是不愿意去知道真相，毕竟安然在当时的经济和市场中扮演着举足轻重的角色。这其中或许与当前的局面有许多相似之处。你是如何走到这个议题上来的？

Jim：我们在2022年就研究过传统数据中心的房地产投资信托（REIT），并对云数据中心持非常悲观的看法——原因是托管数据中心的经济效益极其低下，回报率低得令人瞠目：税前资本回报率仅为低个位数到中个位数，而这还是在云计算高速增长的背景下。

这些企业被作为REIT来包装，目的就是让投资者忽视折旧，但数据中心——无论是传统的还是AI驱动的——都是资本高度密集型业务，设备需要持续更换和升级。AI开始大规模推进后，我很快意识到，真正烧钱的地方不在模型本身，而在于承载这些模型的物理基础设施。

我当时就判断，这终将成为一门彻头彻尾的商品生意。我不敢对模型层面的事情妄加评论——那是Gary更擅长的领域。但我能分析一笔房地产交易。而我认为现在很多人正在走向悬崖，因为他们把当前的现货定价当成了长期定价，没有意识到AI数据中心本质上是一门设备租赁生意——我从英伟达买来芯片，再租给你用。这是一种金融构架，而非真正的技术护城河。

至少公开市场上的投资者已经开始意识到这一点。我们看到了一些新云服务商的股价走势，而所有新云服务商中规模最大的，就是甲骨文（Oracle）。我们稍后会专门谈到它。

Gary Marcus：从技术判断到经济逻辑

Danny： Gary，2023年8月你开始关注这个问题时，你是否也曾考虑过也许这一切真的会成功、这个行业真的会蓬勃发展？ChatGPT在2023年初一经推出就被很多人视为魔法，而模型自那以来也已经走了很长一段路。你当时是以什么态度开始写那些文章的？

Gary： ChatGPT一推出，这个话题就轰动了，时间是2022年11月底或12月初。其实在此之前，围绕GPT-2和GPT-3已经有很多讨论，《卫星报》早在2020年就刊发过一篇据称由GPT-3撰写的评论文章，尽管实际上经过了人工编辑。

ChatGPT发布后，我立刻看到了它的局限性。2022年圣诞节，我在Substack发表了一篇文章，标题是《当你在期待GPT-4时，你该期待什么》。当时很多人认为GPT-4将直接等同于人工通用智能（AGI），我在文中列出了七条预测，指出：它仍然会产生幻觉，你仍然无法在医疗领域信任它，可靠性问题依然存在，它仍然难以理解物理世界。人们因此称我为"仇恨者"，但我说，如果你了解这些系统的工作原理，结论就会是这样，而事实也基本上就是这样发展的。

我一直建议将神经网络与符号模型结合，也就是我所说的"神经符号系统"——

Danny：解释一下这个概念？

Gary：神经符号系统是神经网络与经典人工智能的混合体。神经网络在营销层面被描绘成类似大脑的结构，实际上它们是统计近似器，尝试从海量数据库中近似表达人们谈论的事物。经典AI则更像计算机程序：if-then逻辑语句，"如果条件成立，执行A，否则执行B"，这种范式从1950年代就存在了。

这两个阵营之间长期存在对立。1969年，AI奠基人之一马文·明斯基与西摩·派普特合著了《感知机》一书，论证神经网络没有前途——这本书的影响力被大幅夸大了，但无论如何，两个阵营之间的敌意一直存在。我一直在说，你需要两者兼备，它们在能力上形成互补：神经网络擅长统计近似和特定类型的学习，但不擅长抽象、泛化和推理；而经典AI在这些方面恰恰更强。

大约在2023年底，业界才真正意识到这一点——虽然他们从不承认。现在他们使用代码解释器，比如嵌入Python，使用if-then的循环框架来评判大语言模型的输出。这与经济叙事直接相关：经济叙事一直是"规模制胜"，只要把大语言模型做得更大、给更多钱，一切就会好转。但他们不愿承认这条路大约在2024年就已经走到头了。

真正推动当前进步的，实际上是那些借鉴自符号AI传统的框架和技术。他们用尽了互联网上的数据，合成数据的尝试也遭遇了收益递减。在技术层面，有一个目前运作良好的技巧：用大语言模型生成候选方案，再用经典推理技术和符号工具进行形式化验证。在数学领域，这个方法效果很好，因为有专门的自动推理工具（如Lean）可以严格验证证明过程——大语言模型提出猜想，工具进行验证。这已经在数学领域取得了一些令人印象深刻的成果。

但这仍然不是真正意义上的人工通用智能。现实生活中大多数问题都无法形式化。我们基本上还停留在1985年的水平：系统只能在少数场景表现良好，其余的漏洞则需要大量外部人员来填补——就像今天雇用大批承包商来修补系统错误一样。

你甚至不知道今天输入一个问题会得到什么答案：有时候结果令人叹为观止，有时候又蠢得可以。我现在自己主要用这些工具做校对，有时候反馈非常精准，有时候它会叫你修改一个根本不存在的问题，或者不停重复自己说过的话。

Jim：它知道是你Gary Marcus在输入，所以故意跟你捣乱？

Gary：哈，大多数情况下它其实在拍我马屁，至少从我看到的情况来看是这样。

Jim：对于我这个技术外行来说，这类AI技术在硬科学和社会科学之间的差距，是否是最显著的分野？当你把它应用于人类行为时，它就不那么好用了，而对于有严格证明的硬科学领域，它相对更能胜任？

Gary：是的，硬科学中最边缘的那类——可以完全用公理化体系推导的数学问题——是它最适合的场景。但即便是在物理学领域，目前也没有什么重大发现。最接近的案例是Navier-Stokes方程，但那个证明只适用于数学意义上极为特殊的情形，并不适用于物理学家在现实世界中需要解决的问题。所以，即使在物理学中，它也只能处理非常窄的、数学上定义明确的特殊情形，而非真实的物理世界。

Jim Chanos：超大规模云服务商的回报率下降

Danny： Jim，你说你大约从去年年底开始关注AI基础设施建设，而不仅仅是传统数据中心。是什么驱动了这个转变？

Jim：数字开始急剧加速增长。我们着手分析超大规模云服务商的回报率，尤其是增量投资资本回报率。这个回报率在2024年已经见顶，此后持续快速下滑。按照目前的下降曲线，超大规模云服务商——他们在这些项目上处于最有利的投资地位——的回报率将在2027年中期跌破其加权平均资本成本。我认为市场还没有为此做好准备。

与此同时，AI相关叙事在市场中已占据了不可忽视的体量。根据不同的定义口径，标普500中大约45%至55%的成分股与AI存在关联。作为市场参与者，你不能忽视这一点；作为做空者，我做多市场本身作为空头头寸的对冲，这意味着我在事实上持有大量AI相关敞口——与所有投资了指数基金的投资者一样。AI现在已经是在以技术尾巴摇动经济大狗，你对它视而不见，代价自负。

Danny：你们两位都不是沉默的人。在Twitter和Substack上，面对AI这个庞然大物，你们不回避提出批评性观点。当45%的标普500都与AI挂钩，这意味着你会遭遇巨大的阻力——

Gary：我从研究生时代就习惯了这种阻力。我19岁进入研究生院，和Steven Pinker合写的第一篇论文大约在我21岁时投稿，收到的审稿意见长达30页单倍行距，基本上是在指控我们造假。那位审稿人后来道了歉——原来他攻击的是自己学生的研究成果，审稿时他的打字机还坏了。那是我在研究生院提交的第一篇论文，我面临一个抉择：是坚持立场，还是退缩？我选择了坚持。此后，任何知识层面的交锋都不再让我动摇。Twitter上每天都有论战，我把它当成可以传递见解的教学时机，不让它影响我的心态。

Jim：我的很多支持者看到我耐心解释"我其实可能是AI交易的净多头"时，总是瞠目结舌。我是的。我们的空头头寸并没有抵消指数中的AI权重。昨天大家还在谈新云服务商融资成本有多低，拿出各家的加权融资利率图表，2%、4%、8%。当然，这些新云服务商主要通过可转债融资，票面利率是0%或2%，表面看起来融资成本很低，但这根本不是正确的分析方法。你需要还原可转债隐含的期权价值，实际资本成本其实相当高，这些公司自己也很清楚。

更让我担忧的是，我们已经进入这个周期的第四年，开始把大量资本砸给那些投机者和推销者，他们真正想做的是趁着散户对AI概念的追捧大捞一把。AI可以蓬勃发展，不一定要盈利——互联网周期已经告诉过我们这个道理。这就是我认为真正的教训所在，而在一片上涨声中，没有人愿意听这些。我过去40年一直在面对这种局面。

AI领域的投机者

Danny： Jim，你刚才用了"投机者"这个词。他们都有谁？

Jim：我不想点名道姓，但我可以举个例子。有一个人刚刚宣称，到2028年底，我们将拥有能做任何人类事务的人工通用智能。这个人在2024年说过同样的话，当时他说的是2025年底实现。我向他提出100万美元的赌注，他没有接受。如今他把预测时间悄悄往后推了三年，毫无说明，他的网络支持者反而指责我造谣，而我只是展示了原始言论截图和那笔赌注。不断悄悄推迟预测，从不承认失误，这就是投机者的做派。

Gary：很难判断那些人究竟是真的相信自己说的话，还是只是在表演。这个行业最关键的一个事实是：风险投资人按照投资金额收取管理费。只要他们能面不改色地讲好一个故事，就能赚很多钱。在10亿美元的基金上收取2%管理费，不管最终结果如何，你在前期就已经活得很好了。

Danny：这个模式的逻辑是，如果7%的投资命中，其余90%归零，只要管理着足够大的基金，你依然过得很好——

Gary：是的，但如果成功率真的趋于零，你就筹不到下一期基金了，虽然你已经赚了不少了。现在VC圈的现实是：如果你没有投中Anthropic、OpenAI、SpaceX、xAI等几个大名字，你现在几乎筹不到新资金。当然也有一些真实的退出案例，比如Open Router据说被Stripe以130亿美元收购，那是真实的大回报。

Danny：公开市场上的投机者是另一类，比如Jensen是个经营了25年的实业家，算不上投机者。你能具体说说公开市场的情况吗？

Jim：简单来说，那些曾经募集数十亿资金、告诉你买服务器挖比特币是下一个大机遇的人，如今毫无障碍地转型成了AI数据中心公司。股票推销者总是滞后于金融周期，我们现在看到越来越多的人试图把"AI"贴到自己的业务上，以获得光环效应。这种现象在一两年前就开始了。

Gary说得对，VC圈是不会发出负面声音的，因为一切都是关于募资和部署资金的。但金融市场终究会发挥它的作用。人们还忘记了金融市场中存在一个反身性机制，它会反过来作用于技术和实体经济。如果融资渠道关闭，一切都会迅速改变。

债券市场似乎已经开始觉醒，贷款给数据中心的成本在上升；而公开市场（股票市场）还没有跟上，两者之间出现了某种脱钩。这也是为什么我之前提到可转债——可转债市场和股权市场对很多东西仍然相当乐观，但过去三四个月，信贷市场开始收紧。因为如果你贷出去的是债，你只能拿回本金加利息，没有上行空间的期权。所以越来越多的融资成本在上升，而那些不想暴露巨大利息支出的公司，则越来越多地转向可转债或纯股权结构——因为他们根本覆盖不了利息。

超大规模云服务商以外，几乎所有公司在真实的经济意义上都是在亏钱。我非常期待看到Anthropic和OpenAI的招股说明书，想看看他们如何定义自己的盈利能力。数据中心这个生意根本没有盈利，超大规模云服务商的回报在快速下滑，虽然他们还有核心业务可以依靠。

今天高盛刚把对数据中心总支出的预测提高了50吉瓦，相当于未来五年2.5万亿至3万亿美元的增量——这只是增加的部分。他们预计未来五年的总支出将达到10至12万亿美元，约占GDP的6%，大致相当于美国个人储蓄率的1到2倍。也就是说，按照华尔街的预测，接下来五年，美国的全部个人储蓄都要流入AI数据中心——在政府赤字和其他经济需求之外。这些数字已经开始变得荒诞离奇。

甲骨文的"不可抗力"事件

Danny：今天有一则未经证实的消息：甲骨文援引不可抗力条款。这很常见，他们后来出来说不可抗力是很普通的条款，但事实是否如此？

Jim：不是的。

Danny：你谈到了信贷市场，同时甲骨文的股价也在承受压力——距离你那篇《泡沫顶峰》文章发布时的高点已经跌了60%，今天又跌了7%，甲骨文债务的信用违约互换（CDS）也创了新高，大约在225个基点。

Jim：这笔贷款是180亿美元，涉及高盛、法国巴黎银行、三井住友等银行，对应的项目在新墨西哥州，是星际之门（Stargate）的一部分。Blue Owl拥有开发商，在其中注入了股权。整个结构是一个特殊目的载体（SPV），现在甲骨文以不可抗力为由主张延迟。

回想一下：就在就职典礼后几天，孙正义、Sam Altman和Larry Ellison站在椭圆形办公室里宣布了Stargate，称规模达5000亿美元。马斯克几乎立刻就发推说："钱在哪里？他们根本没有这笔钱。"现在我们看到，这笔项目在执行层面出现了问题。

此外，数据中心还面临许多现实障碍：监管审批、居民反对、电力接入问题，以及跨党派的政治阻力——我在宾夕法尼亚州巴克斯县生活，当地竞选广告中，民主党和共和党候选人都在互相指责对方在数据中心问题上立场不够强硬。

CDS报价225意味着融资成本在8%左右，目前还不到融资停摆的程度。但一旦债务成本进入两位数，就会形成实质性的阻碍。而甲骨文为了兑现承诺，必须持续融资。Larry Ellison上周还取消了一笔75亿美元的股票发行计划，同时公司还在大规模裁员。

Gary：这让我想起了你刚才讲的反身性——如果OpenAI跌倒，整个生态都会动摇，所有依赖OpenAI消费其资源的公司都会受到冲击。

AI进步的真实图景

Danny： Gary，OpenAI、Anthropic这些前沿实验室烧了那么多钱，下一个GPT-5、下一个Gemini，这些发布还重要吗？

Gary：每周都有新发布，这就是疯狂之处的一部分——没有人能保持超过两周的领先，未来也不会有。中国大模型也已经入场。这就形成了商品化结构：对消费者来说是好事，模型越来越好，竞争迫使价格下降，因为没有人能声称自己的模型在实质上更优越，切换成本也越来越低。但对于模型提供商来说，最终可能根本无利可图。

Danny：那么谁有护城河？

Gary：英伟达有。他们在淘金热中卖铁锹，处于绝佳位置。不过Jensen不断地大力鼓吹这个生态，让我觉得他可能也有所担忧。

Jim：上个季度计算下来，英伟达每赚1美元，大约有70美分又以投资的形式流了出去。

Gary：我们可以把英伟达单独括出来，他们卖铲子，还在努力刺激更多人来淘金。但如果说有机需求已经在那里，是否还需要这么卖力地鼓吹，这是个值得追问的问题。

模型提供商那一侧是竞争激烈、趋于商品化的；终端用户这一侧，每次有研究出来，结论都是投资回报率不太理想。大多数人使用AI是因为害怕落后于竞争对手，而非因为真的从中找到了可观的生产力提升。也许写代码是真实有效的场景，但很多其他场景并非如此。

一个可以很快检验的领域就是Jim的主场——金融投资。如果我们能追踪按AUM计算在AI上投入最多的基金，看看他们是否真的跑赢了那些没那么投入的基金，这将是一个非常有意义的测试。

还有编程领域，应用商店里每月上线的App确实多了好几倍，但实际销售额并没有随之增长——大多数人在开发根本没有人真正想要的App。生产力在数量上提升了，但在质量上未必。

Jim：我们曾经研究过Netscape诞生前后各十年的数据，即1986年至1996年，以及1996年至2006年，对比了美国GDP增速、全要素生产率和标普500盈利增速。结论是：互联网时代之后的GDP增速与之前相比几乎没有差别，都是每年约3%的实际GDP增速；全要素生产率略有改善；而标普500的盈利增速甚至比互联网之前稍低——互联网时代之后是每年5%，之前是每年6%，长期历史均值也是6%。

互联网的确带来了巨大的颠覆性变化，催生了大量新业务，也摧毁了很多旧业务，但从宏观经济的整体维度来看，你根本无法说"浏览器的出现和互联网的普及改变了整个世界"。现在从ChatGPT问世的2022年底算起也才不到三年，GDP增速一直不温不火。

Gary：对，尽管有超过10亿用户使用OpenAI，Gemini也接近10亿，但如果去看生产力数据，你会问：这里到底发生了什么？

不过，让我来区分两个概念，这一点很重要。我认为AI最终将是革命性的——但目前尚不清楚生成式AI是否会是那个革命性的形态。

Danny：能解释一下两者的区别吗？

Gary：生成式AI就是聊天机器人这类东西，这是当前构建AI的一种方式，你可以说是目前最好的方式。即便加上我说的那些混合框架，可靠性问题依然是核心难题。就拿"氛围编程"（vibe coding）来说，它确实给了很多人一种掌控感，但那些用氛围编程做开发的人通常缺乏调试和维护代码的训练，很多东西做出来根本撑不住。他们能做出一个demo，但遇到真正的复杂情况就不知道怎么处理了。

对于已经具备扎实技术背景的专业程序员来说，这些工具确实是真正有价值的助力，他们知道如何应对系统犯错的情况。但我认为很多氛围编程的产品最终不会如预期那样成功落地，可能会昙花一现。

智能体AI：潜力与风险

Danny： Gary，你说想谈谈智能体（agents）。

Gary：智能体在原则上非常有用，但如果出错，后果可能相当严重。比如你让一个智能体替你执行交易，它小数点放错了位置，那就是个大麻烦。

关于Muse（Meta的个人助理产品），我想讲一个背景：Meta之前以Facebook名义发布过一个叫"Facebook M"的产品，获得了大量媒体关注。但后来路透社挖出来，后台其实有真人运营，他们本来的构想是"先用1万个用户收集数据，然后规模化"，但四五年后发现这条路走不通。现在Muse还是有真人在后台参与的。技术进步了，也许这次会奏效，但目前还不确定。

Danny： Meta的股价从低点已经反弹，市值上涨了超过4000亿美元，这是有Muse加持的。Jim，你怎么看这件事？

Jim：超大规模云服务商中，增量投资资本回报率最高的两家是微软和Meta，它们都有自己的终端市场——微软对应企业端，Meta对应消费者端——这是它们获得最佳经济效益的根本原因。其次是谷歌，而亚马逊和甲骨文则落在最后。这给出了一些可供参考的投资方向。

Danny：谷歌如何？他们即将发布自己的智能体，还与Chrome、Gmail、日历等全套产品集成——

Gary：那确实很可能成为最实用的智能体之一，得益于Google的整个生产力套件。他们还有Android的终极分发渠道，这是非常强大的优势。

Jim：关于微软，Co-Pilot的实际采购率目前仍然很低，不到Office 365用户的10%，但确实在增长。不过，Azure云业务之所以盈利，是因为微软本身的核心客户群。OpenAI是另一场赌注，经济逻辑完全不同。眼下最健康的超大规模云服务商是微软和Meta，谷歌居中，亚马逊和甲骨文处于落后位置。

算力与Token价格

Danny：谈谈Token定价？现在似乎是一场价格战。

Gary：这是没有技术护城河的直接结果。没有护城河，价格战就不可避免。Token价格每天都在下降，对消费者而言是好事，对OpenAI和Anthropic来说是噩梦。现在还有Open Router这类工具让用户更容易地比价。过去两三年，Token价格已经下降了好几个数量级，是极其巨大的压力，但算力成本目前却在上升——劳动力竞争、建设成本、土地成本。这是一场两端受压的挤压。

Jim：长期来看，算力成本也可能走向通缩。目前之所以在上涨，是因为存在多方面的竞争——熟练建筑工人、土地。但还有一个我们还没谈到的问题：尽管我认为我们缺乏构建人工通用智能的真正洞见，但有一点是确定的——对现有模型的持续优化并没有停止。第一个真正的重磅信号是Deepseek，他们证明可以用更便宜的芯片实现同等效果。从那以后，几乎每周都有人宣布新的优化成果。

这个优化趋势的终点是：你用一台Mac Mini就能完成大多数日常需求，根本不需要去云端。这可能是两年后，也可能是五年后，肯定不是二十年后。你需要的芯片越来越少，而这恰恰指向了数据中心的衰退。传统云服务和托管业务在过去二十年里一直回报低迷，就像运营一家航空公司。那个业务经历了真实的高速增长，对用户而言也有真实的价值，但做他们房东这件事一直是门糟糕的生意。数据中心最终很可能是同样的命运。

英伟达及其客户

Danny：谈谈英伟达。5.5万亿美元市值，但股价与六个月前相比几乎没有变化，而纳斯达克同期涨了15%以上。

Jim：我一直在追问那些押注数据中心的人：为什么任何一家依赖英伟达的公司，其估值溢价应该高于英伟达本身？英伟达实际上是一只估值相对合理的股票——营收和盈利还在高速增长，但它是这条产业链的枢纽，方式比思科和英特尔在互联网时代更直接。它控制着棋盘：谁能拿到芯片、何时拿到、顺序怎么排，它说了算，它甚至向客户提供资本。

Gary：英伟达是一家优秀的公司，产品很棒，CUDA生态系统是货真价实的护城河。Jensen是出色的CEO，他们有很多优势。但他们的客户就是我们刚才谈到的那些公司。如果客户最终用英伟达的产品赚不到钱，即便芯片再好，购买也会停止。

Jim：这也是我的观点。理想的交易是：做空英伟达的客户，做多英伟达本身。但如果客户最终断粮，你能做多英伟达多久？这还是一个时机问题。这对我来说是一个对冲组合：做多英伟达，做空那些新云服务商（NeoClouds）。数据中心运营商才是首选的空头标的。

这一切会怎么终结？

Danny：什么是触发点？

Jim：让我用历史来回答。2001年初，思科CEO John Chambers说，他的订单在2000年12月还保持70%的正增长，但到了2001年1月，直接变成了负30%。就是这么快。原因是过度订购：每一家企业都在囤货，说"我们要买10000台路由器、10000台交换机"，当资本市场收紧，风险资本断了，他们又说"我们不需要10000台了，我们只需要1500台"。这发生在整个科技经济中，只用了大约四个季度。

这里还有一个会计恒等式需要理解：当我作为数据中心花一美元购买英伟达的芯片，英伟达立刻确认一美元收入和75美分利润；但我会把这笔成本资本化，分五年、七年甚至十年摊销。所以在上行周期，收入端的利润被立刻确认，而成本端则被递延——这创造了一种虚假的盈利繁荣。

更危险的是，在这个循环中，那一美元的收入来源有时不是持续运营，而是初创公司刚刚融来的风险资本。当金融市场关闭，这笔钱立刻停止，而已经资本化的成本还在账上持续折旧。

标普500盈利在2000年中到2001年中下跌了40%。认为这种情况不会在这一轮更大、扩张更快的浪潮中重演，那是在自欺欺人。这一轮市场存在非常大的融资风险，足以让整个体系产生反身性崩塌，表面上看像是崩盘，但长期的世俗需求可能依然在增长。

Danny： Gary，从技术层面，有没有什么潜在的"黑天鹅"？

Gary：我最关注的是IPO。Anthropic据说要把自己的TAM（可寻址市场）定义为30万亿美元，这在我看来是幻想。而OpenAI尤其让我担忧：它的技术路径（AGI）本身就很存疑，它号称在未来三四年要亏损或燃烧3000亿美元，却在承诺一个奇迹。他们的IPO一再推迟，估值却越来越高，这根本说不通。

我已经说了好几年：OpenAI可能会成为AI领域的WeWork。WeWork没有上市，软银在450亿美元的估值上注了资，然后整个事情崩塌了。OpenAI一旦出现重大挫折，将引发连锁恐慌，冲击英伟达，冲击所有超大规模云服务商，因为所有人都依赖它的持续支出。

Jim：我的朋友Paul Kadoski提出了一个精辟的观点：重大的经济泡沫通常与四个因素有关——信贷、政府政策、技术和房地产。他说，这是很长时间以来，也许继铁路时代之后第一次，这四个条件同时成立：这是一场由政府政策推动、技术驱动、信贷驱动、房地产相关（数据中心建设）的繁荣。四个引擎同时全力运转，增加了我们一直在谈论的金融风险。

Sam Altman与监管

Danny：你们两人在2023年的参议院听证会上并排而坐，谈谈那段经历？

Gary：我们不在一起喝咖啡。据我所知，他听到我的名字会皱眉头，反之亦然。

他在那次听证会上表现非常出色——他告诉大家想听的话，说他非常关注安全，支持对AI进行全球治理。我刚刚做了一次关于AI全球治理的TED演讲，他在参议院表示支持这个方向，而与此同时，他的游说团队正在暗中努力削弱欧盟AI法案。说一套，做另一套。

Kennedy参议员问他："你赚了很多钱吗？"他回答说他在OpenAI没有股权，但他在Y Combinator有股权，而Y Combinator在OpenAI有股权，所以他有间接股权，这个情况没有完整披露。他当时似乎还持有OpenAI基金的权益，后来才逐步剥离，同时还与他自己的核聚变公司等关联公司做交易。Kennedy参议员笑着说"你需要一个更好的律师"，实际上他过得相当不错。

涉及到版权问题，他说"当然应该补偿艺术家和作家"，但实际上他在默默打法律战，与《纽约时报》等人对抗，确保不必支付版权费用。今天他在联合国安理会也是同样的表演——他很擅长读懂房间，告诉人们想听的话。我最近写了一篇文章叫《翻译Sam》，专门解码他的公开表态——他说的是一种语言，背后的意思是另一种。

Danny：你今天发布的文章，标题引用了Jensen Wong的一句话："答案是我们必须关闭这些实验室。"这篇文章谈到了什么？

Gary： Ezra Klein最近采访了Jensen，谈到OpenAI的系统入侵（hacking）事件。Jensen似乎并不了解这些事件发生在产品公开发布之前，他说"如果是有缺陷的产品，就应该下架"。Ezra说"但它还没有正式上市"，这让Jensen有些语塞，说"那是工程问题，如果他们解决不了，就应该下架"。事实是，这些工程问题并没有得到解决。

那次对话后不久，又曝出了新的入侵事件——包括入侵澳大利亚政府医疗系统。这是相当严重的安全事件，而按照一贯做法，OpenAI迟迟才公开承认。我在文章中写道：这开始有了水门事件的味道——不仅仅是闯入行为本身，更在于掩盖的过程。

Jim，你刚才说符合经典欺诈定义：有损害、有预知、有故意、有财务危害——

Jim：是的，如果它走路像鸭子，叫声像鸭子，这件事似乎已经越界。不仅有披露义务，还有纠正义务，如果产品真的有如此危害，就应该召回、通知主管部门。目前看来他们并没有在系统层面做到这些。

Gary：为什么他们不主动解决这个问题？有两个原因：一是他们在网络安全方面能力不足，是一家非常傲慢的公司；二是，也许是有意的视而不见——我倾向于给他们点慈悲，说他们只是不知道，但不好说。

从技术层面，我也不认为有人真的知道如何控制成千上万个近似机器并行运转的状态，这可能需要全新的架构才能实现。我们确实有可靠的窄型智能体，比如地图导航，它做一件具体的事，权限受到严格控制。然而他们有一个幻想：认为可以让智能体安全地做任何事——没有任何理由相信这是真的。

从经济角度，原因很简单：智能体意味着更多收入。运行成千上万个并行模型来完成一个任务，意味着消耗更多Token、更多算力，他们可以说"我们的Token量大幅增加"，这对IPO叙事非常有利。

Jim：这完全符合你所描述的欺诈定义，加上"故意疏忽"——

Gary：我想读一段我今天文章里的话："我们应该做的是暂时关闭OpenAI，也许让其进入托管接管程序，直到他们整改到位，并以计算机犯罪起诉他们。这就是我们对做同样事情的人类所采取的措施。"

Jim：读到这段时，我的第一反应是：这符合经典的欺诈定义——有损害、有预知、有意图、有财务危害。如果走路像鸭子，叫声像鸭子，这件事似乎已经越过了那条线。

末日概率：P灭绝、P灾难与P反乌托邦

Danny： P灭绝（P Doom），你怎么看？

Gary： P Doom是AI圈的一个术语，指的是未来百年内，AI导致人类灭绝的概率。我的P Doom很低，不到3%，可能不到1%。我考察了各种末日情景，没有哪个特别可信，而且它们都低估了人类的能动性和抗逆力——如果AI真的杀死了10%的人类，我们绝不会坐以待毙，历史上人类面对威胁时总会反击。

我更担心的是P灾难，即不到灭绝程度但造成重大伤亡的灾难。比如，一个大语言模型在军事情报处理中产生幻觉，差点引发战争；比如，深度伪造被蓄意用于煽动冲突；比如，智能体攻击电力或金融基础设施，引发连锁反应。这些场景的概率相当高，我们应该认真对待。

还有P反乌托邦，我认为这几乎是必然发生的——可能性接近100%。像Flock这类公司正在把我们推向一个监控社会。我已经说了好几年：OpenAI真正的盈利模式是出售用户数据，就像Facebook做的那样，而且他们会把数据卖给政府。他们把前NSA局长放进了董事会，还收购了摄像头公司，现在还在做自己的硬件。

Danny：讲到P反乌托邦……我们平时说的话讲到了监管的问题，感觉监管本身已经高度政治化——两党都把数据中心当成攻击对手的靶子。

监管展望

Gary：目前桌面上的大多数选项，除了Holly和Blumenthal的法案之外，几乎都是不切实际的。两个极端：一个是完全不监管——我们已经看到了那么多入侵事件，什么都不做只会带来更多问题，特朗普将成为当AI导致某个基础设施问题时被追责的那个人；另一个是Bernie Sanders想立法禁止超级智能并将相关人员入狱，这同样矫枉过正。

我对AI并非全盘否定。我认为面向科学的AI——用于医学、材料科学、气候科学——而非那些到处乱爬的智能体，可能真的能帮助我们。彻底关闭AI研究是婴儿和洗澡水一起倒掉的蠢事。

我一直倡导的监管框架类似FDA模式：需要证明收益超过成本和风险，由没有利益冲突的独立科学家评审，加上上市后的持续审计机制。就像我用过的一种鼻塞药，后来发现会导致年轻女性中风，就把它下架了。如果能从这两点出发——事前评审加事后审计，并确保信息透明、独立科学家可以获取数据——那就是一个好的起点。

但在当前的政治环境下，这在美国很难推进。不过还有一种可能性：布鲁塞尔效应——如果足够多的国家联合起来采取行动，向其他国家施加市场准入压力，即便没有美国参与，也会产生一定的约束效果。

还有另一个问题：特朗普政府目前对AI实际上是一种不透明的管制——比如他悄悄叫停了某个模型，但没有任何公开规则，没有人知道哪些产品可能会被下架。一家机构通过《信息自由法》申请相关规则文件，拿到的是一份132页的完全涂黑文件。这本身就制造了监管不确定性，没有人愿意在规则不明朗的情况下购买美国产品，而这可能成为另一颗滚下山的石头。

投资影响与结语

Danny： Jim，监管框架如何影响你的投资论点？

Jim：政府政策是我们刚才提到的那四驾马车之一，任何可能抬高资本成本的监管尝试，都有可能成为一个转折点——一旦触发，风险资本就会枯竭，初创公司停止烧钱，整个行业陷入为期数年的寒冬。不过这未必意味着技术本身倒退——更可能是投资人亏了大钱，而技术继续前进，类似于2001至2002年的情况。

Gary：我接受这个逻辑，但要补充一点：我们现在实际上处于最糟糕的状态，也就是秘而不宣的管制状态，没有规则透明度，没有人知道哪些东西可能被叫停。这本身就是Jim说的那颗石头——可能导致人们转向中国模型，因为"至少我知道那里的规则是什么，而不用担心哪天因为特朗普和Dario Amodei闹翻了就把我用的产品下架了"。

Danny：非常感谢你们两位！Gary Marcus，今天真的很精彩。Jim Chanos，回来了！请大家关注Gary的Substack"Marcus on AI"，以及Jim的持续分析。我们下次再见！

Gary / Jim：感谢邀请，下次再聊。

本播客仅供参考，所有嘉宾表达的观点均为个人意见，不构成具体投资建议。

风险提示及免责条款

私募行业规模迭创新高，“投资名将”年内纷纷亮相

资文 — Mon, 28 Sep 2026 03:03:34 GMT

在严监管和稳市场的大氛围下，私募基金的规模创了历史新高。

9月23日晚，中基协发布私募相关统计月报。月报显示，截至8月末存续私募基金共145219只、存续规模25.75万亿元，自2025年10月以来，私募行业的规模已连续11个月刷新历史纪录。

与稳步抬升的资管规模不同，私募管理人的数量延续收缩，8月末存续私募基金管理人18452家，较7月末减少60家，较年初减少779家。

业内观点认为，私募资管规模与私募管理人数量的一升一降，恰是私募行业近年加速优胜劣汰、优化行业生态的缩影。

证券类私募基金仍是增长主力

中基协数据显示，截至8月末，存续私募基金共145219只，存续规模25.75万亿元。

其中，私募证券投资基金84130只占总数量约58%，规模9.08万亿元占比约35%；私募股权投资基金29608只、规模11.93万亿元；创业投资基金30840只、规模4.47万亿元。

上述统计月报还显示，8月新备案私募基金产品为1890只，备案规模为724.02亿元，其中私募证券投资基金1205只、备案规模350.61亿元，新发数量占比约64%，规模占比近五成。股权与创投类合计备案约373亿元。

业内人士认为，私募业规模迭创新高的背后原因，一方面是随着存款及固收类资产的回报利率下降，居民和机构资金加速转向权益及对冲类的资产。

另一方面，AI浪潮下科技企业股权融资需求旺盛、退出通道较为畅通，私募股权投资基金规模也在稳健扩容。

私募管理人年内减少超700家

与规模持续攀升相对，私募机构（管理人）的数量持续收缩态势。

数据显示，截至8月末，存续私募基金管理人共18452家，较7月末减少60家，较年初的19231家减少779家。

另外，截至9月23日，今年以来注销登记的私募管理人达889家，其中主动注销405家，协会注销391家，依公告注销2家，12个月无在管基金注销91家。

同时，达到新设门槛的私募机构还在减少。据第三方统计，年内新登记私募管理人或在65家上下，创近年新低。

新面孔变少、存量机构投资“出清”，私募行业高质量发展的态势日益明显。

资深投资经理持续“亮相”

另外，今年已有多位资管老将选择奔私创业，自立门户或加盟强势平台。

资深的投资经理们的持续“亮相”正给这个行业带来新的动力。

业内人士普遍认为，这批有业绩、资本实力较强的投资经理“出山”，与近年来私募行业法规持续落地，监管不断完善的特征相符，也会一定程度上开始影响的格局。

协会的公示信息显示，高瓴资本旗下的二级市场私募资管平台瓴仁投资，今年五月迎来了重磅的价值投资经理——鲍无可。

相关信息显示，鲍无可在瓴仁投资里不仅出任核心基金经理，还担任董事总经理的职衔，该职务为公司“高管”。

另一位价值投资老将曹名长，亦于2026年3月完成了旗下私募机构璞桥资产的创立，目前璞桥资产已基本完成创始团队搭建，曹名长亲任投资总监。

此外，私募头部机构的合伙人叶智深，近年创办了枫烨私募已于9月11日完成登记；国源信达原高级合伙人、基金经理李剑飞创办的不争私募，也已完成管理人登记。

业内人士表示，私募行业日益良性的行业生态，或是这批资深专业人愿意在私募业大展拳脚。

风险提示及免责条款

阿里云霍嘉：企业AI落地，先砍掉一批伪场景

Mon, 28 Sep 2026 02:51:21 GMT

今年1月2日，阿里云智能集团副总裁霍嘉跑了一个半程马拉松。当天他发了一条朋友圈：「今年是奥运第一个周期的决赛年，练了四年终于比赛了。」

这比的正是AI应用落地。

9月23日，云栖大会期间的一场媒体群访上，霍嘉又讲了一遍这个判断。大模型真正落地的第四年，今年才是AI应用落地的元年。

Token消耗在爆发，价格在上涨，这是比赛开始的信号。企业侧的情况要复杂得多。

霍嘉的团队一年来接触了大量企业项目。他看到的失败，很少死在模型不够聪明上。死因是找错了场景，高估了自己的数据，用做信息化项目的办法做AI。

他给出的办法有两个，一是对客户说No，二是把工程师推到客户现场。

01 四类客户：前两类靠需求，后两类看价值

霍嘉对今年AI价格上涨的解释是三个因素叠加：需求爆发，模型能力提高，企业实际感受到了生产力提升。

海外头部模型产品出现之后，AI从聊天和娱乐工具，走到了生产力工具的早期，Token背后的算力不足随即暴露出来。

把时间窗口往回拉两年，那时候模型老在打折，Token量却没起来。霍嘉表示，想清楚当时为什么没起来，就能理解今天为什么起来了。

霍嘉把市场分成四类客户。第一类是AI原生客户，包括围绕新模型公司的创业团队，甚至短剧公司。第二类是高科技客户，互联网、汽车、手机，自身技术能力强。第三类是企业级客户。第四类是政府。

从规模化使用和Token调用量看，越靠前的占比越高。

「第一、第二类是需求驱动，第三、第四类是价值驱动。」

前两类客户知道自己要什么，买了Token就能用。后两类要先被证明值得用。

企业级客户用不起来，霍嘉归结为三个原因。

第一，AI人才极度匮乏。

第二，可借鉴的实践太少。互联网和移动互联网时代，开发者能看到大量落地经验。这轮大家四年前同时起跑，到今年才开始有东西可以分享。

第三，传统IT项目的工作方式跟不上技术。模型基本一个月发布一次，模型之上的工程方法，今年从Harness工程到loop engineering换了好几轮。「规划、执行、再规划、再执行」的节奏走完一圈，技术已经变了。

02 企业AI项目死在哪里

企业AI项目失败，有多少是因为模型不够聪明，这是群访上被直接抛出来的问题。

霍嘉没有给比例。他先说了一个事实，去年8月底接手这个团队以来，没有出现过一次客户投诉，没有一次需要他出面道歉。原因是项目选得非常严，有钱有项目不一定接。

然后他讲了见过的三类失败。

第一类，硬训垂类模型。

这是算法团队过去最喜欢接的活。数据没准备好，集群精度不适合训练，客户还要保证效果，最后训不下去。

一位手握大笔预算的领导曾想请阿里云训一个模型。霍嘉见面问的第一个问题是：你跟不跟我们的模型发布？当时千问一个季度发一次，他手下没人跟他讲过这件事。对方很快决定不跟。

今天模型已经一个月一发。霍嘉的团队说服过很多客户放弃训垂类模型，「你跑不过前沿实验室的」。准确率要保证，办法在工程层面找，评测集怎么建，RAG不行换什么方法，都得跟客户的实际工作绑在一起才定得下来。

第二类，企业以为自己有数据。

去年夏天霍嘉反复讲「IT Data不等于AI Data」，当时指的是训练。今年他改成了「IT Data不等于Agentic Data」，指的是应用。企业系统里躺着的数据，大量没法在Agent环境里直接用，客户又一定要效果。

第三类，做给几个人用的Agent。

几个人提了需求，IT部门觉得终于有人关注，一起搭了个智能体，上线后一天只有几个人点一点。

霍嘉讲了一个真实案例。一家大企业有个B2B电商平台，主管领导找到阿里云，说你们做电商、做B2B起家，又在做AI，请你们帮我们设计B2B电商的AI化方案。团队很兴奋，预算很大。

霍嘉只问了一个问题：每天多少笔交易？

一百多笔。

「那要AI干什么？」人工处理只要几分钟到几个小时。

这类事情今天还在发生。

霍嘉的做法是告诉客户不该这么做，说服不了就再等等。

早在「十四五」数字化转型项目里，他就对客户说过很多No。「跟客户Say No是非常难的一件事情，但因为Say了No，后面反而大家合作起来没有那么多乱七八糟的事情。」

接下来的项目，他还有两个条件。

一是周期要短。一家央企项目，团队第一次汇报说首次上线要在3个月后。霍嘉的回复是那就不要做了，大概率会失败。他去见了客户高层，把节奏改成每月发布一次，后来到每周一次。

过去卖人天，项目周期越长越好。现在技术每个月都在变，只有压短周期，才能在一个确定的技术时间点交付大家都认可的东西。

二是One Team。还在用甲乙方方式合作的项目，他判断大概率失败，「不如给他标准品用好了」。

03 FDE火了，他却不想再提这个词

FDE的说法来自Palantir。Forward Deployed Engineer，前置部署工程师，直接进驻客户现场写代码、改流程。Palantir把这支队伍分成Echo和Delta两类，前者贴着客户业务找问题，后者负责工程落地。

大模型让这个岗位重新变热。

MIT NANDA项目在2025年8月发布的研究显示，95%的企业生成式AI试点对损益几乎没有可衡量的影响。a16z合伙人Joe Schmidt在2025年6月撰文主张，AI创业公司应该用毛利换护城河，走服务驱动的增长。2025年1月到9月，FDE相关招聘岗位增长超过800%。

OpenAI在2024年组建FDE团队。今年5月11日，OpenAI成立Deployment Company，首期投入超过40亿美元，TPG牵头，贝恩资本、Advent、Brookfield联合领投，麦肯锡、贝恩、凯捷作为咨询和集成伙伴加入，同时通过收购Tomoro获得约150名资深FDE。Anthropic也在扩张Applied AI团队。

国内从7月开始，FDE的视频和文章多到霍嘉自己都刷到不少。到了9月，一批公司跑出来宣布自己在做FDE。

阿里云走上这条路，比这轮热度早。

去年云栖大会，一家能源企业想做「人工智能+」，列了一批核心生产流程的场景。霍嘉觉得很难做，让解决方案团队先去调研。跑了很多现场之后，团队发现一开始设想的场景很多落不了地；客户如果不能很快看到效果，很难坚持下去；过程中要引入大量新技术，前线出报告、后方开发、再版本迭代的老办法走不通。

去年11月底复盘这个项目时，服务人员已经根据售前的内容在现场推进。霍嘉的判断是，这好像是FDE的工作方法。团队在现场验证场景，最终把它做成生产级系统上线。12月的内部战略会上，这个模式被确定可以试。

有同样痛点的客户很多。找不准场景，不会验证技术可行性和ROI，不会做生产级上线，三件事都不会。

跟传统交付相比，区别有两个。

第一，人往前推了一步。

传统交付先谈清楚项目范围（Scope），签下工作说明书（SOW）再干活。FDE在售前阶段就进场，边做边谈。阿里云没有照搬Palantir的Echo和Delta，SA承担Echo的角色，FDE负责落地。

霍嘉组队之初最看重大模型技术能力，后来发现懂技术不够，关键是能不能听懂客户、把话说清楚。「最基本的你应该告诉客户这件事情的Yes和No，以及他的代价。」很多事情技术上可行，代价却不值得。报一个100人天的工作量，最后交一个东西，客户已经不要了，过去两年这样的Demo太多了。

第二，前线和产品的距离缩短了。

霍嘉的说法是，所有产品的先进性来自两方面，一是对技术的前瞻预判，二是市场的真实反馈。过去大部分厂商并不清楚客户到底怎么用模型，是拿着锤子找钉子。

千问办公是最直接的例子。它有公共云版本，国央企需要私有化版本，私有化部署之外还有大量合规要求。FDE团队直接进入千问办公的研发周期，在客户现场做POC，需求实时带回，和千问的工程师坐在一起开发。「这个在过去是无法想象的。」

客户用的东西也在变。从只用模型、云的基础产品和百炼，开始用上千问办公、Qoder这类AI原生产品。

海外和国内的FDE差在哪里，霍嘉的看法是工作模式和价值定位没有本质区别，差的是商业环境。海外模型公司也没打算靠FDE赚钱，目的是把AI用起来。产品和使用的飞轮转起来，底层数据和模型的飞轮才有回报。

「国内想依靠这个东西去赚大钱，可能不太现实，大家不要有这种期待。」

阿里云自己也不靠它赚钱。团队考核的核心指标是能否带动产品。阿里不是一家Service Company，服务长约只和重点战略客户签。FDE如果不能成为产品能力的黏合剂和加速器，就很难持续存在。

至于FDE是不是换了名字的驻场工程师，霍嘉已经跟团队说不太想再谈这个词。在中国，这个词容易变味，有人说新瓶装旧酒，有人说挂羊头卖狗肉。FDE最后会不会固化成一种模式，今天还是问号。

04 商业模式只有两种

FDE怎么收费，背后是一个更大的问题：AI时代的企业软件和服务，靠什么赚钱。

霍嘉的判断从中国软件业的旧账开始。软件和服务业的商业回报率一直一般，按功能付费讲不清客户为什么要出这笔钱，同质化严重，陷入价格战，最后恶性循环。他用了一个词，「死掉的SaaS」。

他押注结果付费，Result as a Service。真能交付结果，才有谈溢价的空间。

这个认知他是今年5月以后才想明白的。在那之前，他并不相信这个模式。上一轮做结果付费的公司过得很惨，阿里云自己也做过很多痛苦的项目。变化来自模型能力，大家对capability的信心上来了。

对传统软件公司，他的话更直接。核心产品的竞争力和利润率上不去，就只能按人天收费。「你的护城河到底是什么？」

另一个检验标准是客户愿不愿意跟你签长期服务合同。

中国公司和几家大咨询公司最大的区别，是太喜欢签Project Contract，不喜欢签Service Contract。签服务合同的公司比不上产品厂商，但比做项目的活得好，而且有毛利。霍嘉认识几支这样的小团队，一群90后硕士、博士，在模型能力还不强的时候就用这种方式工作，已经三年，赚到了利润，最大的一支长到了小一百人。

「商业模式就两种，一种是Service长约，一种是产品的商业模式。」先选定一种，再决定团队怎么定位。

企业客户的心智也在变。几个月前还有客户说，报预算要先锁定模型。霍嘉反问，那个模型到时候下架了怎么办？越来越多客户发现，很多任务放在MaaS上，效率和成本对自己最优。Token仍然很贵，他打了个比方，3G时代的流量，你敢天天刷剧吗？

中国的头部客户不在乎厂商投入了多少人，只在乎事情能不能做成。霍嘉说他能跟很多领导讲清楚，这个问题今天做不到，以及为什么做不到。

Token的价格曲线和企业的落地曲线，今天还没有重合。前者由AI原生和高科技客户拉动，后者要一个场景一个场景地验证。

一年前云栖大会发布的模型和当时的应用，没有人想到今年会长成这样。FDE、结果付费、服务长约，哪一种会成为常态，今天同样说不准。

霍嘉的提醒是，「不要因为不知道而丧失了想象力」。

练了四年，比赛才刚开枪。

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

风险提示及免责条款

Anthropic首席经济学家：AI冲击的“三大奇点”

董静 — Mon, 28 Sep 2026 02:49:33 GMT

Anthropic首席经济学家Peter McCrory认为，AI的发展正推动三大奇点的即将到来：AI实现递归式自我改进的“软件奇点”、创新自动化可能打破传统模型并带来无限增长的“经济奇点”，以及AI代理大幅降低交易成本并重塑企业边界的“科斯奇点”；这三大奇点不仅将彻底颠覆宏观经济结构，还将通过AI模型能力的不对称性，深刻影响未来人类的金融交易结果与财富分配。

创业板指跌超2%

Mon, 28 Sep 2026 01:37:32 GMT

创业板指跌超2%。

风险提示及免责条款

中国8月规模以上工业企业利润同比 4.2%，前值 11.2%

Mon, 28 Sep 2026 01:30:30 GMT

中国8月规模以上工业企业利润同比 4.2%，前值 11.2%。

风险提示及免责条款