华尔街见闻 - 资讯 - 最新

8月经济：托底的兑现度

国联民生宏观陶川、钟渝梅、孙海若 — Tue, 15 Sep 2026 08:11:40 GMT

伴随7月基本面数据的阶段性回落，8月步入了宏观政策的密集部署期。客观而言，政策传导至数据体现并非一蹴而就，9月才是政策效能真正的“实物验证期”。从实际呈现来看，8月部分宏观指标放缓的斜率已开始改善，企稳的能见度逐步显现。这印证了近期落地的政策已初步发挥了缓冲效用，在底部为基本面构筑了初步的“支点”。

这种“斜率修复而总量承压”的格局，本质上是政策传导时滞的客观映射。正如我们在《财政发力：解构传导时差》中所提示的，从资金下达到最终转化为实物工作量，客观上存在刚性时滞。受此制约，基本面的企稳难以一蹴而就，财政传导的有效性将在9月迎来真正的考验；若届时兑现度依然欠佳，四季度出台新一轮增量政策的窗口或将随之打开。

具体来看，工业：生产边际提速，高技术制造构筑核心支撑。8月工业增加值环比升至0.54%（前值0.11%），同比升至5.2%（前值4.5%），整体生产动能呈现出明确的修复态势。结构上看，高技术制造业成为绝对主力（同比高达16.7%）。背后既得益于出口拉动，更映射出经济向“新质”跃迁的中长期产业逻辑。

制造业：政策节奏影响下边际承压，科技制造独具韧性。8月制造业投资增速降至-6.1%（前值-4.4%），预计主要受制于政策落地节奏滞后影响（如政策性金融工具9月方才官宣）。不过也不乏结构性亮点：在全球AI资本开支持续扩张与“新质生产力”加速培育的共振下，电子设备投资增速“一枝独秀”（8月高达10.3%）。

基建：实物端初见企稳迹象，资金端静待进一步发力。8月基建投资增速降幅收窄至-7.2%（前值-11.5%），其中水利环境、公用事业板块投资增速率先改善，侧面反映出“六张网”建设正逐步启动。然而，鉴于8月财政存款水平保持中性、新增专项债发行进度整体偏滞后，宏观政策大幅托底的资金支撑尚未完全落地。后续随着财政加码并打通向下的传导堵点，基建仍有相对充足的改善动能。

消费：延续“服务稳、商品弱”的结构，增速回落斜率边际放缓。8月社零同比增长0.4%，服务消费保持韧性，暑期出行形成主要支撑。“以旧换新”品类降幅收窄，汽车（同比-18.5%）仍是主要拖累。“金观平”最新发文指明“投资于人”的促消费导向，政策正由短期补贴向稳就业、强保障、稳预期延伸。

地产：调整仍在延续，但投资端下行斜率趋缓。8·28新规侧重开发融资模式的长期重构，通过保交付、稳预期推动行业转型。短期看，新规提高了房企的资金要求，或对拿地和新开工形成一定约束；配套融资支持则有助于保障存量项目续建和交付。即将到来的“金九银十”将是观察房企现金流及投资变化的重要窗口。

本文来源：国联民生宏观陶川、钟渝梅、孙海若

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。

10年期美债收益率破5%之际，日债收益率也失守3%，全球债市压力骤增！

Tue, 15 Sep 2026 07:41:11 GMT

全球债券市场正遭受数十年来最严峻的考验。10年期美国国债收益率突破5%，创2007年以来新高，与此同时日本国债收益率也升破3%关口，触及30年来最高水平。能源价格飙升、通胀持续高企与主权债务规模不断膨胀，三重压力叠加，令全球债市的抛售动能进一步加剧。

周二亚洲交易时段，10年期美债收益率一度攀升至5.02%，连续第二日触及2007年以来高位。与此同时，日本10年期基准国债收益率升至3.03%，为30年来最高。本周美联储与日本央行均面临利率决策窗口——市场普遍预期美联储将加息，而日本央行亦被预期上调利率至31年来最高水平。市场情绪脆弱，任何政策信号的偏差都可能引发新一轮冲击。

多重因素驱动收益率上行

本轮全球债市抛售并非单一因素所致。收益率持续攀升的直接导火索，是中东局势紧张引发的油价上涨——布伦特原油价格亚洲盘中上涨1.6%至每桶107.3美元。与此同时，企业为支撑人工智能支出大规模发债，既令市场债券供给泛滥，也持续向本已具韧性的美国经济输送刺激。

从更深层的结构性因素来看，各国政府的债务发行规模持续扩大，既需再融资到期债券，又要为财政赤字提供资金。而各主要央行已退出量化宽松时代的国债购买计划，传统买家需求降温，市场更依赖对价格更为敏感的边际投资者来消化供给。

新加坡银行首席经济学家Mansoor Mohi-uddin表示："全球政府债券收益率正在上升，中东石油冲击、持续通胀以及央行恢复加息，都在打压需求。"

日债承压，财政隐忧难消

日本债市所承受的压力同样不容忽视。据路透报道，日本政府计划于本周二正式批准消费税减免方案纲要，将食品类消费税从8%下调至1%，为期两年，相关措施将从2027年4月起实施。这一政策将造成约5万亿日元的税收缺口，且方案并未说明具体融资来源，令市场对日本财政可持续性的担忧持续发酵。

此外，据彭博报道，日本当局正在考虑将中期防务支出目标设定为GDP的3.5%，以与北约盟国看齐。西太平洋银行（Westpac Banking Corp）认为，日本潜在的额外国防支出将进一步加重全球债市压力。

三菱UFJ摩根士丹利证券高级债券策略师Keisuke Tsuruta表示，在年底预算草案获内阁批准之前，市场将持续承受不确定性。"目前很难预判明年债券发行总规模，市场将维持紧张情绪。"

5%并非终点，6%已进入视野

5%是市场密切关注的整数关口，往往成为触发投资者和政策制定者行动的关键节点。10年期美债收益率此前曾于2023年10月23日及本周一短暂突破该水平，但均未以高于5%的价格收盘——最近一次收盘超过5%发生在2007年。

这一水平对更广泛资产市场的含义不容小觑。收益率升至5%意味着投资者可锁定未来十年5%的年化无风险回报，这可能分流原本流向股市的资金。Hilbert Group高级投资组合经理Jesse Marre表示："一旦突破5%，风险资产就开始令人担忧了。"

ING Groep NV美洲地区研究主管Padhraic Garvey则提出了更为严峻的情景："情况会变得更糟吗？会的。10年期收益率一旦有效突破5%，将把6%推入市场视野。而从5%到6%的这段旅程，对更广泛市场而言，将远比此前难以消化。"

美联储决策是近期关键变量

市场目前最关注的，是美联储本周的利率决定。

BMO Capital Markets策略师Vail Hartman表示，若美联储按兵不动，其抗通胀公信力将受损；但即便加息，若美联储主席沃什在新闻发布会或点阵图中释放鸽派信号，同样可能倒逼债券投资者要求更高收益率以对冲通胀风险。

西太平洋银行金融市场策略主管Martin Whetton表示："美联储加息叠加油价持续走高将再度推升美国收益率，周一盘中试探5%的情形应被视为常态，而非例外。"

瑞银集团美国利率策略主管Phoebe White则指出，长端收益率下行空间有限。她表示，实体经济尚未出现明显疲软迹象，美债市场供需动态与2007年相比已大相径庭，"外国官方投资者等机构对美国国债的结构性需求已实质性减弱"。

风险提示及免责条款

AI交易失速！高盛警告动量交易出现5年来最大分化，资金从芯片转向软件

Tue, 15 Sep 2026 07:35:25 GMT

人工智能相关交易正面临本轮牛市以来最严峻的结构性考验。高盛警示称，动量因子内部正在出现前所未有的分裂——短期动量与长期动量的表现背离扩大至五年来最大，而AI板块自ChatGPT发布以来的最大回撤，也正在重塑动量交易的底层逻辑。

高盛策略师Guillaume Soria在9月15日的最新客户报告中指出，当日3个月动量指数（GSPRHMO3）上涨5%，而12个月动量指数（GSPRHIMO）下跌6.7%，单日表现差距创五年之最。与此同时，追踪AI相关股票的高盛指数（GSPUARTI）较高点已累计下跌近45%，创ChatGPT问世以来最大跌幅。

高盛明确建议，对于持有AI敞口的投资组合，可通过买入中期赢家篮子（GSXUHMOM）或AI受益股篮子（GSTMTAIP）的看跌期权进行对冲。AI交易与动量策略之间高度重合的风险，正成为其重点关注的对冲对象。

动量因子内部裂变：短期与长期表现背离创五年极值

动量交易的内部结构正在快速变化。高盛数据显示，3个月动量与12个月动量之间的单日表现差距已扩大至五年来最大，显示资金正在明显偏离此前占据主导地位的“旧动量领导者”。

从仓位来看，动量因子的整体敞口也有所下降。以一年维度衡量，当前仓位处于第41百分位，较此前明显回落；但拉长至五年维度，仓位仍处于第88百分位的高位，意味着系统性去杠杆尚未充分释放。

与此同时，动量因子的波动率明显高于大盘。以当日表现来看，标普500指数跌幅不足30个基点，动量因子内部却出现剧烈分化。这种低相关、强波动的状态，也使短期对冲动量因子的成本效益更具吸引力。

资金从半导体流向软件：年初“最受嫌弃”板块强势逆袭

动量交易的行业构成也在发生明显轮动。高盛报告显示，短期动量资金正从半导体流向软件，而软件恰恰是年初市场最不受青睐的板块之一。

这一变化已经反映在相对表现上：高盛追踪的软件对半导体相对表现指数（GSPUSOSE）当日录得历史第二大单日涨幅。高盛认为，如果这一趋势延续，资金流向可能逐步传导至6个月乃至12个月动量篮子，推动未来动量篮子再平衡，表现为买入软件——包括多头增持与空头回补——同时卖出半导体。

值得注意的是，软件此前长期位于12个月动量指数空头端的最大权重位置。软件快速反弹不仅意味着行业风格切换，也会进一步加剧短期与长期动量之间的分化。

AI与动量的高度相关性面临瓦解风险

尽管AI板块与动量因子目前仍保持极高相关性，1个月至1年期相关系数维持在90%至96%，但高盛警告，这种长期高度绑定的关系正面临松动。

高盛认为，AI板块持续走弱将对动量因子的构成产生深远影响。随着软件逐渐取代半导体，成为短期动量的重要驱动力，动量与AI之间此前高度一致的走势也可能逐步脱钩。

目前，美国市场动量敞口最高的主题仍集中在AI相关领域。但如果软件相对半导体的轮动持续，动量篮子的行业构成将进一步调整。对于投资者而言，这意味着过去将AI作为动量敞口代理的策略需要重新评估，动量交易正在进入一个新的风险与收益阶段。

风险提示及免责条款

《求是》杂志发表习近平总书记重要文章《在加强基础研究座谈会上的讲话》

新华社 — Tue, 15 Sep 2026 07:05:51 GMT

据新华社，9月16日出版的第18期《求是》杂志将发表中共中央总书记、国家主席、中央军委主席习近平的重要文章《在加强基础研究座谈会上的讲话》。

文章强调，基础研究是整个科学体系的源头，是所有技术问题的总机关，是全球科技竞争的前沿阵地。衡量一个国家的科技实力，一个重要标准就是看基础研究水平。要成为世界科技强国，基础研究必须搞上去。党的十八大以来，党中央高度重视基础研究，通过优化科研布局、加大投入保障、创新体制机制等，推动我国基础研究水平显著提升。同时要看到，与世界科技强国相比，我们的基础研究仍然存在差距。要增强危机感和紧迫感，以更大力度、更实举措加强基础研究，提升我国原始创新能力，进一步打牢科技强国建设根基，加快实现高水平科技自立自强。

文章指出，要优化基础研究系统布局。进入大科学时代，基础研究组织化程度越来越高，需要我们加强统筹谋划和顶层设计，加快形成战略性、前瞻性、体系化布局。要把准目标方向，坚持“四个面向”战略导向，从国家急迫需要和长远需求出发，进一步明确基础研究的主攻方向和重点领域。强化力量协同，发挥新型举国体制优势，强化国家实验室、国家科研机构、高水平研究型大学等引领作用，鼓励和规范发展新型研发机构，推动企业主导的产学研深度融合，打通基础研究、应用开发、成果转化的创新链条。健全学科布局，完善学科设置调整机制，加强基础学科建设，促进应用学科与基础学科协调发展，鼓励多学科交叉融合和跨学科研究。

文章指出，要壮大基础研究人才队伍。基础研究归根结底靠高水平人才。要一体推进教育科技人才发展，全方位做好培养、引进、使用工作，努力使基础研究人才数量充足、素质优良、结构合理。着力提高自主培养质量，遵循人才成长规律，全面提高教育质量，源源不断培养基础研究后备力量，优化科教协同育人机制，注重在科研一线发现和培养高水平人才。大力扶持青年人才，坚持任务牵引、以老带新，为青年科技人员的成长成才铺路搭桥。积极营造良好氛围，不断改善基础研究人员的工作和生活条件，大力弘扬科学家精神，激发青少年的好奇心、想象力和探求欲，让投身基础研究成为更多青少年的人生追求。

文章指出，要加强对基础研究的支持保障。勇于破除思想障碍和制度藩篱，为基础研究提供长期稳定的投入保障和政策支持。要加大经费投入，逐步提高基础研究经费占比，进一步拓宽筹资渠道，形成基础研究多元化投入格局，提高科学基金资助效能。优化研究条件，体系化布局建设重大科技基础设施，加强国家科学数据中心建设，加紧建设世界一流科技期刊，重视人工智能赋能基础研究，建设智能化科研平台系统。深化科技体制改革，健全符合基础研究特点的分类评价体系，完善基础研究激励机制，改革科研管理方式。净化科研生态，营造开放包容、宽容失败的创新环境，加强科研诚信建设，坚决惩治科研腐败。

文章指出，要拓展基础研究国际合作。主动融入全球创新网络，在开放合作中提升原始创新能力。深化政府和民间基础研究国际交流合作，联合各国开展气候变化、能源环境、生命健康等重大科学问题攻关，加大国家科技计划对外开放力度，牵头发起和加入国际大科学计划、大科学工程，积极参与全球科技治理。

文章强调，加强基础研究，需要全党全社会共同努力。各级党委和政府要加大政策支持力度、做好服务保障，推动党中央决策部署落到实处。

本文来源：新华社

风险提示及免责条款

飞书：2026 年上半年ARR增速达到去年同期的2.5倍

Tue, 15 Sep 2026 06:36:08 GMT

9月15日，在2026飞书未来无限大会暨豆包工作开工大会上，飞书CEO谢欣透露， 2026年上半年，飞书年度经常性收入（ARR）增速达到去年同期的2.5倍，创成立以来新高。其中，超九成新增客户同步采购了飞书AI产品。同时，飞书的中小企业客户总量也在过去一年增长了70%。

风险提示及免责条款

全球债市遭遇"完美风暴"！10年期美债收益率破5%创2007年来新高，日韩股市集体下跌，布油价再涨近2%

Tue, 15 Sep 2026 05:59:47 GMT

美国10年期国债收益率突破5%关口，创下近二十年来最高水平，全球债市正面临油价飙升、政府债务扩张与人工智能融资热潮三重压力的集中冲击。这一里程碑式的突破，不仅令亚洲股债市场同步走低，更将市场目光聚焦于美联储周三的利率决议——这或将成为决定债市走向的关键节点。

美国10年期国债收益率周二最高上涨4个基点至5.02%，超越2023年高点，为2007年以来首次触及这一水平。此轮上涨的直接导火索是全球油价走高——布伦特原油上涨1.6%至约每桶107.30美元，沙特一条关键输油管道在遭受袭击后仍处于停运状态，中东供应风险持续升温。

与此同时，日本30年期国债收益率上升5.5个基点至4.12%，澳大利亚10年期国债收益率大幅攀升9个基点至5.42%，全球债市抛售浪潮已无明显边界。债市动荡迅速向其他资产类别蔓延。亚洲股市整体下跌0.6%，日本Topix指数跌0.7%，韩国KOSPI指数盘中一度跌超1.5%，澳大利亚ASX 200指数跌1%；美股期货同步走软，标普500期货跌0.3%。

除债市压力外，人工智能监管争议也在同步扰动市场情绪。全球股市周一已因领先AI企业发出警告而普遍回落——多家AI开发商呼吁放缓技术推进节奏，以防止AI失控并造成灾难性危害。美国总统特朗普随即公开抨击Anthropic首席执行官的这一立场，进一步激化了围绕AI监管的政策分歧。

Berenberg策略师Chris Armstrong表示，“市场本已相当紧张，若主要参与者开始表示需要踩刹车，这只会加剧不确定性。”

全球主要市场走势：

股市： 标普500期货跌0.3%；日本Topix跌0.7%；澳大利亚ASX 200跌1%；欧洲斯托克50期货基本持平。

债市：美国10年期国债收益率上涨3个基点至5.02%；日本10年期国债收益率上涨2.5个基点至3.020%；日本30年期国债收益率上涨5.5个基点至4.12%；澳大利亚10年期国债收益率上涨9个基点至5.42%。

大宗商品：西德克萨斯中质原油上涨1.8%至每桶103.17美元；布伦特原油上涨1.6%至约每桶107.30美元；现货黄金基本持平，报每盎司约4300美元。

外汇：彭博美元即期指数上涨0.1%；欧元跌0.1%至1.1536美元；日元跌0.3%至154.75兑1美元；澳元跌0.3%至0.7121美元。

加密货币：比特币跌1.9%至77,584.98美元；以太坊跌3.1%至2,491.97美元。

三重压力驱动债市抛售

此轮全球债市抛售并非单一因素所致，而是多重结构性压力叠加的结果。

据彭博报道，自今年2月底美国对伊朗采取军事行动以来，中东油气供应持续受到扰乱，全球债券收益率随之持续走高。油价上涨直接强化了通胀预期，令债券持有者要求更高的收益率补偿。

与此同时，企业为资助人工智能支出而大规模举债，既向市场注入了大量债务供给，也进一步刺激了本已强劲的美国经济，形成"供给增加、需求受压"的双重不利格局。

各国政府债务发行规模持续扩大——既用于为到期债券再融资，也用于弥补财政赤字——而各大央行已退出量化宽松购债计划，传统买家需求降温，市场对价格敏感型投资者的依赖程度显著上升。

瑞银集团美国利率策略主管Phoebe White表示，

“考虑到实体经济并未出现疲软迹象，且美债市场的供需动态与2007年相比已大相径庭，长端收益率的下行空间相当有限。外国官方投资者等传统买家对美债的结构性需求已明显减弱。”

值得注意的是，分析人士指出，美国10年期债券收益率突破5%，正在动摇股市的估值逻辑。

摩根大通私人银行全球投资策略主管Grace Peters表示，“如果债券收益率升至5%乃至5.25%，我认为届时股市将出现明显消化不良。5%这个数字在心理层面具有重要影响。”

彭博市场策略师Mark Cranfield指出，原油与黄金之间不断扩大的背离，意味着宏观交易员可能需要在更长时间内应对跨资产类别相关性失效的局面。"他们正在失去对某种能够压制油价、恢复市场风险偏好的'断路器'的信心。"

美联储决议成市场焦点

周三的美联储利率决议是当前市场最大的不确定性来源。交易员目前定价显示，加息概率已超过90%。

BMO资本市场策略师Vail Hartman表示，“本周若美联储维持利率不变，将极难避免其抗通胀公信力受损。市场不仅对意外按兵不动高度敏感，对于那种通过点阵图或新闻发布会传递出更为耐心信号的‘鸽派加息’同样脆弱。”

Pictet财富管理高级经济学家Xiao Cui在研报中指出，美联储主席沃什在杰克逊霍尔会议上已为加息降低了门槛，若本次不加息，将损害机构公信力并进一步推高长端收益率。

“因此，我们预计Warsh在新闻发布会上将释放鹰派信号——目的不是超越市场对加息路径的预期，而是强化美联储维护价格稳定的承诺，并为长端收益率提供锚定。”

CreditSights投资级与宏观策略主管Zach Griffiths表示，“目前有大量深层因素支撑利率持续上行，这是阻力最小的方向。”他预计10年期收益率可能进一步升向5.5%。

风险提示及免责条款

美联储本周加息概率92%、10年期美债收益率破5%，为何没能压垮黄金？

Tue, 15 Sep 2026 05:43:34 GMT

美联储加息预期飙升、美债收益率突破5%心理关口，黄金却未被压垮——这背后是地缘风险驱动的通胀对冲需求与利率压力之间的角力，折射出当前宏观环境的深层矛盾。

中东局势急剧恶化成为这轮行情的核心推手。据新华社报道，也门胡塞武装对沙特发动新一轮袭击，沙特随即关闭东西输油管道，这条管道日均输送量涉及全球约4%的石油供应。油价随之攀升至每桶107美元附近，布伦特原油报每桶106.96美元。能源冲击强化了市场对通胀持续的担忧，CME FedWatch工具显示美联储本周加息25个基点的概率已升至约92%至93%。10年期美债收益率周一盘中一度触及5%，为2023年10月以来首次。

然而，黄金并未在上述利空组合拳下崩溃。现货黄金在4300美元附近窄幅震荡，较8月底逾4600美元/盎司的高点下跌逾3%，但仍牢守4000美元一线支撑。加息预期推高无风险利率、美元走强以及油价上涨共同构成短线压力，但地缘政治风险带来的避险需求和长期结构性买盘形成了有效对冲，令金价在关键位置维持韧性。

供给冲击叠加加息预期，黄金承压但未溃

黄金周一跌逾1%至五周低点后，周二小幅回稳。现货黄金报4298.86美元/盎司。

从逻辑链条看，油价上涨→通胀预期升温→美联储加息确定性增强→美债收益率走高→美元走强，每一环都构成黄金的利空因素。黄金不产生利息，在利率上行周期中，相对于生息资产的吸引力天然下降。

但这一逻辑在当前的中东冲突背景下遭遇了强力对冲。沙特东西管道遭袭后，沙特方面尚未说明管道何时恢复运营，也未明确能否通过霍尔木兹海峡增加出货量来弥补缺口。供给前景的持续不确定性，维持了市场对通胀风险和地缘动荡的高度警惕，令黄金的避险属性得到支撑。

美债破5%：加息信号还是财政忧虑的共鸣？

10年期美债收益率突破5%，并非单一因素所致，而是多重力量共振的结果。

通胀压力是直接触发点。8月美国CPI同比上涨3.4%，核心CPI同比涨2.4%但环比加速至0.3%，非农就业新增16.2万人，失业率维持4.1%。这一"通胀未灭、就业韧性"的组合，令市场对美联储在9月FOMC会议上加息几无异议。据路透调查，接受调查的经济学家还预期年内将至少再加息一次。

与此同时，财政因素也在持续推升长端收益率。公开数据显示，本财年前11个月美国净利息支出历史上首次突破1万亿美元，联邦债务总额突破40万亿美元。此外，与AI基础设施建设相关的企业债发行规模急剧扩张，据高盛数据，Alphabet、亚马逊等超大规模云计算服务商今年已发行约1940亿美元债券，预计全年发行规模可能达2500亿美元左右。

PGIM Credit联合首席投资官Greg Peters对此直言："我一直在问自己，究竟什么能成为压低收益率的催化剂？除了传统的经济衰退，实在很难找到其他因素。让收益率维持在高位乃至继续上行的条件已经完全具备。"CreditSights投资级与宏观策略主管Zach Griffiths则表示，10年期美债收益率有可能进一步冲向5.5%。

市场在押注什么：一次加息，还是"更高更久"？

此次FOMC会议中真正牵动市场神经的，不是加息本身，而是会后点阵图与发布会所传递的政策路径信号。

据摩根士丹利的预测，美联储预计将在9月和12月各加息25个基点，理由是能源价格的二次效应、AI投资驱动的强劲需求、中性利率可能暂时偏高，以及维护货币政策信誉的考量。

在美债收益率方面，南非标准银行G10策略主管Steven Barrow将10年期美债收益率年末预测上调至5.2%，并预计该收益率将在2027年第一季度进一步升至5.3%。"让我坚信收益率将突破5%的一个因素是，我们在通胀数据并未明显超出预期的背景下，收益率便已升至接近5%的水平，"Barrow表示。他同时预计，美联储在9月和12月各加息一次后，将维持利率稳定至2027年底。

道明证券策略师Gennadiy Goldberg为首的团队则认为，鉴于市场已大幅计入加息预期，收益率不会因加息本身而明显失控上行，但除非经济出现恶化迹象，长债收益率在2027年总体上应维持在较高水平。

OCBC外汇分析师Christopher Wong指出，高油价、高美债收益率和避险情绪减弱共同推升了美元，但随着加息已被充分定价，美元进一步上涨需要美联储明确保留继续收紧的选项。

长期支撑犹存，机构上调黄金目标价

尽管短线压力不可忽视，机构投资者对黄金的长期展望并未逆转。

OCBC已上调贵金属价格预测，理由是价格起点更高、投资参与度改善以及结构性需求持续支撑。OCBC财富顾问部门主管Chez Anbu表示，黄金8月的强劲反弹逆转了此前偏弱的走势，宏观背景趋于改善。该行现预测黄金至2026年12月将达到每盎司4600美元，白银目标价为69.70美元/盎司。

从价格结构看，黄金在此前调整期间确立的约4000美元/盎司支撑位依然完好，9月虽跌逾3%，但仍远高于该底部区域。

对于黄金持有者而言，当前局面的核心逻辑是：加息推高了持有黄金的机会成本，但同样的加息动因——能源冲击引发的通胀担忧与地缘政治不确定性——也正在支撑金价。只要中东局势未见明显缓和，这一内在张力将持续存在，黄金的避险溢价也不会轻易消散。

风险提示及免责条款

特朗普：谁赢下AI，谁就赢下世界

张硕 — Tue, 15 Sep 2026 05:33:43 GMT

特朗普现场致电黄仁勋表示AI末日论全是骗局，数据中心是未来20年石油，比互联网更大。他强调机器人不会接管世界，但美国要谨慎推进，不能叫停行业。“谁赢AI谁赢世界”，赢得AI竞赛，就能让数据中心带动衰败社区变富，确保每个行业、每家公司、每个州、每个人都赢。

SEMICON TW2026：AI基建产业链的瓶颈与焦虑，在哪里？

Tue, 15 Sep 2026 03:48:44 GMT

2026 年9月初的 SEMICON Taiwan，是 AI 基建叙事的一次静默切换。

过去三年，行业讨论的是"还能建多大"；这一次，台积电、英伟达、微软、谷歌、SK 海力士、思科、康宁、ASML 在同一个会场里反复讲的，是在电力与资本的约束下，如何把同样的投入换成更多产出。计量单位从 FLOPS 换成了 GW；优化目标从"每美元性能"换成了"每瓦交付的价值"；台积电的设备采购需求指数在半年内从 1.0x 拉到 1.9x，而资本开支只涨了约 15%。

AI 基建的瓶颈并不在钱，而在四道物理硬墙——先进封装、高阶载板、存储带宽、电力与散热。其中最具增量信息的一条，是高阶载板与基板材料正在成为继存储之后的第二个供应链瓶颈。ABF 载板供给缺口超过 30%，头部厂商订单排到 2027 年二季度，而受约三年扩产周期制约，规模增量要到 2028–2029 年才能释放。定价权正在从"算得出"的一端，迁移到"造得出来"的一端。这不是情绪，是稀缺性的重新定价。

高盛对冲基金主管：“零日期权”压制美股波动，科技和能源仍是最佳选择

Tue, 15 Sep 2026 03:34:29 GMT

美股正处于一场多空拉锯之中，而一股来自期权市场的隐性力量正将标普500指数的日内波动锁定在异常狭窄的区间内。

高盛对冲基金业务主管Tony Pasquariello在最新市场宏观报告中警告称，"当前的交易并不容易"。他指出，股市一方面受到油价上涨和利率走高的压制，另一方面又获得企业盈利增长的支撑，整体陷入僵局。与此同时，高盛经济学家David Mericle已将9月美联储议息会议加息25个基点纳入预测，尽管他本人认为当前经济形势并不构成加息的强有力理由。

在市场结构层面，高盛衍生品策略师Brian Garrett指出，以"零日到期期权"（0-DTE）为代表的波动率收割策略规模庞大，在缺乏日内催化剂的情况下，这类策略会将市场强制压缩在更窄的波动区间内。尽管宏观不确定性高企，Pasquariello仍维持对能源和科技板块的双重看多立场，并将美国财政可持续性列为美股最大的长期风险。

零日期权制造“27天紧身衣”

令Pasquariello感到意外的是，过去27个交易日内，标普500指数的日内交易区间始终低于1%——这是新冠疫情暴发以来持续时间最长的低波动纪录。

对此，Brian Garrett给出了结构性解释："这反映了当前的市场结构。交易量偏低、重要消息相对匮乏，使得期权市场在日内交易中扮演了更重要的角色。0-DTE的'收益'策略在标普期权市场规模巨大，这类策略从早上9点30分开市便开始运作，在缺乏日内催化剂的情况下，会将市场强制压入更窄的波动区间。"

Pasquariello将这一现象概括为：零日期权可以在一定程度上"拴住"日内波动区间，但这种压制并非无限期有效。一旦重大催化剂出现，被压缩的波动能量将集中释放。

美联储加息预期升温，但经济基本面存疑

在宏观层面，高盛首席经济学家David Mericle已将9月美联储会议加息25个基点纳入预测基准情景，但他同时明确表示，这一加息决定缺乏强有力的经济依据。

Mericle认为，通胀超出2%目标的部分可归因于一次性因素，其影响预计将逐步消退；过去三个月核心PCE通胀率降至约2.5%的水平，是上述判断的早期信号。他还指出，通胀看似广泛蔓延，主要源于关税效应，而非经济过热，通胀预期目前也未面临脱锚的迫切风险。

高盛美国投资组合策略团队负责人Ben Snider则梳理了过去七轮加息周期中美股的历史表现：加息启动后的前三个月，标普500平均下跌2%；但此后12个月平均反弹9%。唯一的重大例外是2022年的大幅调整。Snider的研究还显示，在加息初期表现最佳的两个板块正是科技和能源。

科技与能源：高盛不愿放弃的核心配对

Pasquariello在报告中强调，2026年是极为特殊的一年，每周都像是一场独立的冒险，动量因子经历了一系列剧烈波动。但在这一切之中，做多能源（年内涨幅+44%）与做多科技（年内涨幅+23%）的组合持续创造回报。

在科技前景方面，高盛另一位分析师Rich Privorotsky援引业界一线人士的判断称："那些处于技术最前沿的人告诉你，技术进步的速度快得令人震惊，以至于他们需要主动放慢节奏。这本身就是对这项技术的巨大背书。安全和对齐问题确实存在，解决好这些问题至关重要——'这东西真的有效'的信息，已经内嵌在这一警告之中。"

Pasquariello表示，考虑到当前宏观动态，他不倾向于放弃能源加科技、以及全球利率多头与股票多头这两组配对策略。

仓位偏防御，市场情绪降至年内低点

从持仓数据来看，高盛主经纪商账簿显示，当前净敞口处于过去一年的第26百分位，上周宏观产品的净卖出规模更是创下"解放日"以来最大单周降幅。

高盛美国投资组合策略的情绪指标目前读数为-0.5个标准差，为今年3月以来最低，处于过去十年的第26百分位。

Pasquariello表示，他理解主动管理型投资者为何选择在季节性表现历来较弱的时期削减风险敞口，也清楚系统性基金在价格下行时可能被迫进一步减仓。但他仍预期市场将在9月和10月完成必要的调整，并为年末两个月的行情奠定良好的技术面基础。

财政可持续性是美股最大长期风险

Pasquariello在报告中将美国财政可持续性列为美股最大的长期风险，并直言这一问题最终可能导致大幅加税或利率长期高企，两种结果对股票投资者而言均非利好。

他同时注意到，彭博大宗商品指数（BCOM）尽管面临季节性不利因素，近期已强势突破2022年高点，这一信号值得关注。

在Pasquariello看来，当前市场是一条"蓄势待发、仓位偏轻的走势，正走向一个被市场用一个月时间拒绝定价的催化剂周"。零日期权可以暂时压制日内波动，但这种压制终有极限。

风险提示及免责条款

融资结构正在重塑

招商证券张静静团队 — Tue, 15 Sep 2026 03:24:04 GMT

事件

央行更新8月金融数据：

1）社融新增1.66万亿，增速7.2%（前值7.4%）

2）人民币贷款新增600亿，增速4.9%（前值5.1%）

3）M2同比增长7.5%（前值7.7%），M1-M2增速差-3.4%（前值-3.7%）。

核心观点

信贷边际回正，但仍显著弱于季节性，居民、企业同步偏弱

8月单月新增人民币贷款约600亿元，同比少增约5300亿元，明显低于往年同期。7月信贷净减少后，8月虽然转正，但回升幅度有限；历史上8月通常是信贷投放相对稳定的月份，2026年新增规模明显低于2019年以来同期水平。结合贷款余额增速进一步回落至4.9%，说明当前信贷供给并不紧，核心约束仍在实体部门加杠杆意愿或者有效融资需求。

1）居民端：8月居民贷款继续净减少2029亿元，同比少增2332亿元，短贷、中长贷均弱。其中，居民中长期贷款减少822亿元，同比少增1022亿元；居民短期贷款减少1219亿元，同比少增1324亿元。从累计来看，1-8月居民贷款累计净减少1.03万亿元，而去年同期净增加7110亿元，同比少增约1.74万亿元；其中居民中长期贷款累计仅增加188亿元，较去年同期的1.08万亿元少增约1.06万亿元，按揭需求仍处低位。居民短期贷款累计减少1.05万亿元，也反映消费信贷需求偏弱。从8月单月看，住户贷款合计已连续两个月为负，且中长期贷款从7月的-1202亿元改善至-822亿元，但仍未转正。按揭作为居民中长期贷款的重要组成，其持续负增长表明成交端的边际变化尚未形成稳定信贷需求；短贷连续偏弱则与耐用品消费、消费贷使用意愿不足相呼应。地产销售修复仍较集中，叠加收入和就业预期偏谨慎，居民主动扩表意愿尚未明显改善。

2）企业端：中长期贷款环比由负转正，但同比仍少增。8月企（事）业单位贷款新增2600亿元，同比少增3300亿元。结构上，票据融资新增1000亿元，同比多增469亿元；短期贷款减少1600亿元，同比少增2300亿元；中长期贷款新增3200亿元，较7月的-2300亿元明显改善，但同比仍少增1500亿元。从累计来看，1-8月企业贷款累计新增11.26万亿元，同比少增9600亿元；其中中长期贷款累计新增5.64万亿元，同比少增1.74万亿元，仍是企业信贷少增的主要拖累；票据融资累计新增1.29万亿元，同比多增4122亿元。企业中长期贷款边际转正，或说明部分项目融资开始落地，但持续性仍需观察。更值得关注的是，中长期贷款虽然月度回正，但新增3200亿元仍低于去年同期4700亿元，说明政策项目融资尚处恢复初期；此外，企业短贷再次转负，而票据保持正增长，结构仍带有一定票据补量特征。若后续财政资金和政策性金融工具形成实物工作量，企业中长期贷款能否连续改善将是判断信用周期拐点的关键。

社融同比明显少增，政府债高基数回落，企业直接融资仍是亮点

8月社融新增1.66万亿元，同比少增9041亿元，社融存量增速由7.4%回落至7.2%。结构上，人民币贷款和政府债是同比少增的主要来源，而企业债券、股票融资继续形成支撑。具体而言，8月政府债券新增1.01万亿元，同比少增3544亿元；社融口径人民币贷款新增591亿元，同比少增5662亿元；未贴现银行承兑汇票新增383亿元，同比少增1590亿元；委托贷款新增227亿元，同比多增392亿元；信托贷款减少233亿元，同比少增583亿元。企业债券融资新增2687亿元，同比多增1349亿元，股票融资新增638亿元，同比多增182亿元。从同比贡献看，人民币贷款和政府债合计少增约9206亿元，几乎解释了社融同比少增的全部，而企业债与股票合计多增约1531亿元，对冲了一部分拖累。这意味着8月社融回落更多来自贷款和政府债高基数，而非所有融资渠道同步走弱。政府债单月仍超过1万亿元，绝对规模并不低，但去年同期发行更快导致同比转负；企业直接融资保持高增，则表明大型优质企业融资仍更多向债券市场迁移。累计来看，1-8月社融增量23.91万亿元，同比少增2.64万亿元；其中人民币贷款10.23万亿元，同比少增2.70万亿元，政府债8.77万亿元，同比少增1.50万亿元，而企业债券和股票融资合计3.26万亿元，同比多增约1.43万亿元。若将政府债、企业债和股票融资合计，1-8月债券和股票融资占社融增量约50.3%，继续超过贷款占比，融资结构向直接融资迁移的趋势进一步强化。

M1 & M2

M1增速小幅回升0.1pct至4.1%；M2增速回落0.2pct至7.5%，M1-M2增速差由-3.7%收窄至-3.4%。8月新增人民币存款1.20万亿元，同比少增8600亿元，存款派生仍偏弱。

1）居民存款：8月居民存款新增400亿元，同比少增700亿元，增量较小。与居民贷款继续净减少相结合，居民资产负债表仍表现为谨慎扩表。由于8月住户贷款尤其是中长期贷款仍为负，存款增长偏弱并未伴随信用扩张，居民部门资金活化程度仍需继续观察。从累计看，前8个月住户存款增加6.99万亿元，而住户贷款净减少1.03万亿元，存贷方向继续背离，反映居民仍偏向增加安全资产、降低负债敞口。

2）企业存款：8月企业存款新增2800亿元，同比少增约200亿元，较7月减少1.63万亿元的季节性低点明显回升；与此同时，企业中长期贷款也由负转正，企业信贷需求较7月边际改善。但从1-8月企业中长期信贷仍同比少增1.74万亿元来看，资金改善尚未转化为强劲资本开支，企业扩表意愿整体仍偏谨慎。

3）财政与非银存款：8月财政存款新增1100亿元，同比少增800亿元，较7月缴税大月的9785亿元明显回落，财政资金沉淀的季节性压力减轻；非银存款新增5600亿元，同比少增6200亿元，是8月存款同比少增的主要来源。M1小幅回升、M2继续放缓，说明企业交易性资金活化出现边际改善，但广义货币扩张仍受信贷派生偏弱和非银存款高基数回落制约。

总结

整体来看，8月金融数据呈现“总量继续放缓、结构持续重塑”的特征。社融、贷款增速均较7月进一步回落，居民与企业信贷同比表现仍偏弱，反映实体部门主动扩表意愿尚未明显修复。

与此同时，政府债券、企业债券和股票融资对社融的支撑作用进一步增强，直接融资的重要性持续提升。当前融资结构的变化既受到有效信贷需求偏弱等周期性因素影响，也具有一定的阶段性和长期性特征。从国际经验看，随着利率市场化不断深化、资本市场逐步成熟以及经济发展水平提升，融资体系往往会由较为依赖银行信贷，逐步向银行贷款、债券和股权融资更加多元、均衡的格局演进，直接融资占比也通常随之提高。

因此，当前信贷增速中枢下移，除反映传统融资需求偏弱外，也可能包含融资方式逐步转换的因素。往后看，衡量金融对实体经济的支持力度，需要更多从广义社会融资和融资结构变化的角度观察，债券和股权融资在金融体系中的重要性有望进一步上升。

本文来源：招商宏观静思录

风险提示及免责条款

知名PE合伙人斯坦福授课：AI 时代的钱到底流向了哪里？

Tue, 15 Sep 2026 03:19:15 GMT

资深科技投资人、Altimeter Capital合伙人Apoorv Agrawal在斯坦福大学的最新授课中，深度拆解了当前3000亿美元AI生态的“倒三角”利益分配格局，并直言AI应用要想突破当前的盈利瓶颈，进军广告领域将是今年的重大事件。

近期，在斯坦福大学的一场公开课程中，Altimeter Capital合伙人、斯坦福大学兼职讲师Apoorv Agrawal围绕“AI时代的钱到底流向了哪里”这一市场核心关切，进行了深度拆解。

随着全球科技巨头在AI基础设施上投入天文数字的资本支出（Capex），市场对AI商业化前景的审视正变得愈发严苛。Agrawal指出，这是一个规模巨大的超级周期，正如英伟达CEO黄仁勋所言，当前的数据中心建设是一个包含能源、芯片、电力互连和应用的“五层蛋糕”。

但对于投资者和从业者而言，最核心的拷问在于：“我们在资本支出方面投入了巨资，在建设数据中心方面投入了巨资。那么问题来了：你构建的这些模型，它们真的能创造经济价值吗？”

3000亿美元的“倒三角”：75%的收入流向了半导体

回顾过去25年的互联网、移动互联网和云计算革命，其商业变现模式通常呈金字塔状——底层基础设施利润相对微薄，而顶层的应用端攫取了最丰厚的利润。然而，当前的AI生态呈现出截然相反的形态。

Agrawal在授课中直言，生成式AI生态系统与过去的云计算生态截然不同，它呈现出一个“倒三角形”。对于这一现象的底层逻辑，他引用了硅谷知名投资人马克·安德森的观点进行对比：“正如马克·安德森所说，软件吞噬世界，是因为我可以开发软件并将其分发给数百万人，而运行这些软件的边际成本接近于零，软件企业的毛利率高达80%甚至90%。但人工智能的经济模式并非如此。”

这种差异的根源在于算力成本。“人工智能应用的增量用户并不是免费的，因为你需要消耗大量的GPU资源，拥有人工智能用户的成本要高得多。”Agrawal指出，在过去两年AI行业新增的约3000亿美元收入中，“约75%都直接流向了半导体行业；应用业务虽然增长了十倍以上，但仍然没有产生太大的影响。”

在整个技术栈中，半导体层是目前最赚钱的部分。Agrawal给出了极具冲击力的利润率对比：“数据中心业务的毛利率约为75%，上下浮动几个百分点。而应用层的毛利率，我估计在0%到30%之间……差距相当大，原因就在于半导体层有一位玩家（英伟达）几乎独占鳌头。”

打破“均衡态”的催化剂：巨头自研ASIC与资本支出拐点

针对这种由英伟达主导、底层拿走绝大部分利润的“倒三角”格局会维持多久，市场分歧巨大。Agrawal给出了自己的预判：“我猜它在云端保持当前状态的时间可能会比我预期的要长，大约是十年。我感觉这种情况可能会持续更久，因为要达到稳定均衡状态实在太难了。”

不过，他也为投资者指出了观察这一格局可能被打破的两个核心催化剂：

第一是云巨头（超大规模数据中心运营商）在自研芯片上的突破。“如果某个超大规模数据中心运营商的ASIC项目取得突破——无论是谷歌的TPU、Meta的MTIA，还是亚马逊、微软的项目——都可能成为突破口。如果出现突破性进展，我怀疑这将是该层级最大的重新定价。”

第二是巨头资本支出指引的变化。“另一个催化剂是超大规模数据中心运营商的资本支出指引。我建议在座各位都去听听财报电话会议……如果他们停止对资本支出做出大幅预期，可能意味着当前的均衡状态行不通了。”

此外，算力需求结构的切换也值得高度关注。当前英伟达售出的GPU中约有60%用于训练，40%用于推理。Agrawal认为，“随着时间推移，推理任务的份额会逐渐增加”，但推理任务的工作负载极不稳定，这不仅将考验硬件的利用率，也将重塑中介层（推理中间层）的竞争格局。

AI变现的终极猜想：“我们必须进军广告领域”

在应用端，以ChatGPT为代表的消费级AI正面临海量用户与低效变现的矛盾。Agrawal分享了一组核心数据：ChatGPT拥有约10亿用户（相当于Facebook早期的量级），但“约95%的用户都是免费用户”。

对比当前互联网巨头的单用户收益（ARPU），AI应用的差距显而易见：“Alphabet拥有约40亿用户，每用户每年盈利约100美元；Meta拥有约35亿用户，每用户每年盈利约70美元。而领先的人工智能提供商ChatGPT，每用户每年约带来10美元的收益。”

在排除了纯靠知识型工作订阅模式能撑起万亿估值的可能性后，Agrawal抛出了他对AI商业化模式的终极预判：“第二个问题是：我们如何将每用户每年10美元的收益提升到100美元？我不确定单靠广告和订阅是否可行。答案是，我们得进军广告领域。”

他认为，AI大模型在广告投放上具备得天独厚的优势：“ChatGPT或Claude能够投放的广告具有很多优势：更优惠的价格，因为他们能理解你的意图；非常好的归因分析；更高的信任度。”

尽管市场对“在私人AI对话中插入广告”持悲观或怀疑态度，但Agrawal将其类比为十年前市场看空Facebook移动端广告的论调。“我认为这将是今年另一个重大新闻，这绝对会是一件大事……我乐观地认为我们会找到答案，这将是对现有经济模式的一次重大突破。”

以下是文字稿

Apoorv Agrawal 00:09

好了，各位，这节课我们会轻松愉快地进行。我叫 Apurv，接下来的九周左右，我将担任你们的讲师。

今天我们要学习的内容如下：我会先简单介绍一下自己，说说我为什么会做这件事，以及一些课程安排。还有小测验——没错，我就是那个会出小测验的人，第一天我们就要进行小测验。接下来，我们将探讨大家一直在思考的一个关键问题：人工智能领域究竟哪里赚钱？

你们当中有些人认识我，也知道我的职业生涯是从印度开始的。后来我搬到了新加坡，在这里认识了一些朋友。大约十三四年前，我和 Sonil 以及其他几位同事在 Palantir 开始了职业生涯，加入过各种各样的工程团队，在政府大楼里编写了大量的 Spark 程序。后来我厌倦了这些，便回到斯坦福大学读研究生。现在，我在 Altimeter 担任领导职务。Altimeter 是一家投资公司，专注于一种相当集中的投资方式，设有上市公司和私营公司两个业务部门。六个月前，我获得了人生中最重要的一次晋升。

Apoorv Agrawal 01:26

我现在荣升为父亲。正如人们所说，这将是我最大的一笔投资。有人说这是最有把握获得负内部收益率的投资，但我认为它是最有把握获得正内部收益率的投资——当然，这并非财务上的考量。我就住在街对面，有问题尽管问，希望能在这里为大家提供帮助。

我还有一位很棒的助教 Chloe Fang 一起指导。如果有比较难的问题，可以向她请教，好好利用这个机会。

Apoorv Agrawal 02:06

我们为大家安排了一场精彩的课程。这门课每周不超过三个小时，包括课堂阅读，以及你花在和 ChatGPT 讨论作业上的所有时间——大概一个小时的课堂时间，一到两个小时的阅读时间。

课程形式很简单：从下节课开始，每节课都会邀请嘉宾演讲。根据查塔姆研究所的规定，很多嘉宾会分享一些内容，甚至可能有点过度分享，所以请不要录音。课后我们会和一些嘉宾一起吃饭（自愿参加），欢迎大家加入，Chloe 会负责安排相关事宜。

评分很简单：50% 是出勤率，50% 是课程结束时布置的作业。这门课是对话式的，积极提问、积极参与，你参与得越多，收获就越多。说实话，对我来说最大的好处就是能从你们身上学到很多东西。

Apoorv Agrawal 03:15

这是未来九周的课程安排，演讲嘉宾阵容强大，一位比一位更令人印象深刻。过去几个月，我一直在忙着制定这份日程表，Chloe 对此非常了解。请务必准时参加。这些演讲嘉宾都是杰出的领导者，运营着涵盖半导体、基础设施和能源等各个领域的卓越企业。在基础设施和模型方面，我们邀请了来自 OpenAI 和 Anthropic 的专家，以及众多应用程序和智能体方面的专家。请尽情提问，把最棘手的问题留给演讲嘉宾解答，他们一定非常乐意回答。

那么，你为什么要参加这门课程？你能从中获得什么？说实话，我每年都会回学校一次，和大家分享行业里正在发生的一切。

Apoorv Agrawal 04:21

我意识到这是一个规模巨大的超级周期。我们 Altimeter 公司深知这一点，也坚信这一点，所有的关注点都围绕着它展开。但我没有找到一门能够深入探讨这个周期的课程，而这正是我本科或研究生时期所希望拥有的。

Apoorv Agrawal 04:39

五年后，所有人都会问你："嘿，你预见到这一切了吗？你见证了 ChatGPT 的诞生，见证了这个领域的形成。"你肯定希望自己能回答"是"。你们当中一半人会创办一家人工智能公司，另一半人会为其投资。因此，至少你们应该知道该如何支配即将筹集的 A 轮融资，应该对哪些事情不该做心中有数，或者至少对正在考虑创办、投资或加入的这个行业，应该问哪些问题？在这个周期阶段，支配这个行业的底层逻辑是什么？

Apoorv Agrawal 05:25

我认为这将是迄今为止规模最大的一次超级周期，很高兴各位能来和我们一起学习。

我会花些时间讲解这张幻灯片，因为这是关键所在。你们当中有多少人以前见过类似的内容？谢谢读过相关资料的同学，我们也为那些更喜欢听觉学习的人准备了笔记。

我们先来谈谈这张图表。这里所反映的，实际上可能是目前生成式人工智能领域最大的问题。如果你听过任何一家超大规模数据中心运营商，甚至是英伟达和其他公司的财报电话会议，就会发现，我们在资本支出方面投入了巨资，在建设数据中心方面投入了巨资。正如 Jensen 所说，这是一个五层蛋糕：能源、芯片、电力互连、内存等等，所有这些都是为了给你提供一个可以按小时或按代币租用的数据中心，用来训练和运行模型。

那么问题来了：你构建的这些模型，它们真的能创造经济价值吗？这基本上就是这张图表右侧所要呈现的内容。

为了类比我所见证的几次最大的技术革命——25 年前的互联网、20 年前的移动技术，以及大约 10 年前的云计算——你会发现，互联网、移动技术和云计算呈现出相同的模式。但云计算生态系统与人工智能生态系统截然不同。大家对这种差异的原因有什么猜测吗？为什么它们的形状不像金字塔，而更像倒三角形？

学生发言：也许是因为人工智能领域现在还处于早期阶段。

Apoorv Agrawal：是的，确实还处于早期阶段，这个猜测不错。还有其他想法吗？

学生发言：也许是因为英伟达拥有垄断地位，所以他们可以随意定价。

Apoorv Agrawal：下周我们邀请英伟达的人来的时候，你能再问这个问题吗？你说得很有道理，他们的确占据了绝对优势。我们在阅读材料中有一张图表，显示了 AMD 目前在所有计算领域的市场份额，而且英伟达非常领先。

学生发言：是不是因为云计算能够利用硬件来生成可以开发的产品，而人工智能还没有真正形成这种模式？

Apoorv Agrawal：正如马克·安德森所说，软件吞噬世界，是因为我可以开发软件并将其分发给数百万人，而运行这些软件的边际成本接近于零，软件企业的毛利率高达 80% 甚至 90%。但人工智能的经济模式并非如此。拥有大量用户使用 Cursor 或其他工具，你肯定听说过很多大型企业即使年收入数十亿美元也仍然无法盈利的故事。人工智能应用的增量用户并不是免费的，因为你需要消耗大量的 GPU 资源，拥有人工智能用户的成本要高得多。

你们刚才提到的所有角度，从早期阶段、英伟达的主导地位，到推理运行方式物理特性的截然不同，都与我们目前的处境非常吻合。

我还可以补充一点，在阅读材料中我也提到过：我们分析了互联网、移动和云计算的发展历程，以及这些领域格局的转变用了多少年时间。举一个例子，AWS 成立于 2004 年，2010 年迎来了第一个客户 Netflix，亚马逊在 2012 年全面转向 AWS，从破土动工到完成首个资本支出周期，一共用了八年时间。我不知道你们当中是否有人 20 年前就关注过亚马逊的财报，但当时最大的争论是：亚马逊会不会破产？值得庆幸的是，至少目前为止还没有人濒临破产。但这仍然是一个庞大的数字，我们稍后会再回到这张幻灯片。

这正是我们将要探讨的课程核心主题。我们将邀请名单上各公司的代表发言，围绕核心主题展开讨论：

英伟达：你们是行业主导力量吗？能保持多久？最担心哪些 ASIC 芯片的竞争？业务面临哪些价格压缩问题？
Anthropic 和 OpenAI：重点讨论盈利能力。两家公司都拥有数十亿用户，且几乎百分之百依赖云服务。这部分用户群体是否盈利？广告收入是否会超过订阅收入？
推理中间层：这是整个生态系统竞争最激烈的部分，既有横向竞争，也有超大规模云服务商想要在这一层占据主导。目前最大的问题是：你究竟是一个功能还是一个平台？我们看到很多基础设施领域的新兴企业想法不错，但如果你问自己"为什么它不是 AWS 的一部分"，可能会发现它或许应该成为 AWS 的一部分。

说话的人 2 12:22

在开始测验之前，大家有什么问题吗？我很好奇，右边那个三角形代表的应用领域比较小，那么像 Salesforce 这类现有平台，以及它们的收入，你们会如何把它们纳入分析？

Apoorv Agrawal 12:43

这是一个很好的问题。Salesforce、Palantir，还有一系列我们称之为"传统经济企业"的公司，正在进行自我革新，推出独特的产品线，比如 Salesforce Einstein、Palantir IP 等。答案是肯定的，它们应该被纳入分析。

在计算中，我解决这个问题的方法是获取模型收入。如果你在使用 Salesforce，你可能正在运行某个大型模型或进行推理，他们的支出是通过底层架构在应用层捕获的，很难从公开披露的信息中单独提取出来。但总体来说，它占据了右侧底部的大部分空间，同时也会占用顶部团队未来盈利所需的良好产能，而这正是我们目前在图表中看不到的。

Apoorv Agrawal 13:51

或许我们可以换个方式来问：半导体层建设是否存在时间错配？通常半导体的建设周期是五到六年，而应用收入却是针对当下的。这也正是这个彩色三角形下半部分呈现周期性的原因——资本支出周期会经历不同的阶段，可以把它想象成铺设铁路。

我们在图表中展示了移动超级周期的情况，当时非常相似：第一阶段，许多资本支出密集型企业的市值都被推高了。

学生 14:45

所以我怀疑我们现在还处于早期阶段。我很想知道你对谷歌的看法——我看到你在那层小图中把谷歌标记为谷歌云，但谷歌也有自己的 TPU 模型，在 GPU 之后它们非常受欢迎。你如何看待它们在这个三角形中的定位？

Apoorv Agrawal 15:07

像谷歌这样的大型企业集团理应被划分成不同的业务部门。我把 TPU 业务部门归入半导体部门，GCP 部门属于基础设施层，而 Gemini 部门则属于应用层。稍后我们会用一张图表讨论这个问题。

Gemini 实际上是目前使用最广泛的消费者应用之一，排名第二。而最大的问题是，这其中有多少是谷歌的分发优势带来的，又有多少是应用本身凭借卓越性能所致？

学生 15:50

目前还没有定论。请问一个关于预测的问题：现在这个图表看起来像个三角形，如果预测成功，它或许会变成倒三角形；但如果预测失败呢？

Apoorv Agrawal 16:16

我会换个方式来问你的问题：这个行业的稳定均衡状态是什么？

我认为人工智能不太可能只是昙花一现或以失败告终。我一直在思考这张图表中的稳定均衡状态——我之前在推特上和一位很聪明的人就此展开了一番辩论，深入探讨了"什么是稳定均衡"这个问题。

Apoorv Agrawal 16:49

我猜它在云端保持当前状态的时间可能会比我预期的要长，大约是十年。我感觉这种情况可能会持续更久，因为要达到稳定均衡状态实在太难了。

Apoorv Agrawal 17:10

底层架构确实如此，但肯定会有一两个突破口。举个例子，如果某个超大规模数据中心运营商的 ASIC 项目取得突破——无论是谷歌的 TPU、Meta 的 MTIA，还是亚马逊、OpenAI、微软以及其他实验室的项目——都可能成为突破口。

Apoorv Agrawal 17:32

如果出现突破性进展，我怀疑这将是该层级最大的重新定价。另一个催化剂是超大规模数据中心运营商的资本支出指引。我建议在座各位都去听听财报电话会议，每年四次，上市公司 CEO 会告诉你他们最关心的问题。如果他们停止对资本支出做出大幅预期，可能意味着当前的均衡状态行不通了。

学生 18:22

这里面是否也存在训练与推理之间的比重变化因素？我的感觉是，只有当推理的影响力远大于训练时，这种做法才行得通。我很想听听你对这种转变何时发生的判断，因为一旦训练的边际收益下降，资金自然会从训练转向推理。

Apoorv Agrawal 18:42

这是个很好的问题，也是英伟达财报电话会议上最受关注的信息之一——英伟达 GPU 在推理任务中所占的份额。我上次查到的数据大约是 40%，这意味着售出的 GPU 中大约 40% 用于推理，其余 60% 用于训练。我估计随着时间推移，推理任务的份额会逐渐增加。

但我无法告诉你具体时间，因为目前全球的训练任务仍然非常繁重。训练任务的工作负载模式非常可预测，在短时间内保持高利用率；而推理任务的工作负载模式则非常不稳定，通常集中在人类工作期间，直到智能体接管任务之前。也许到那时，推理任务会全天候运行，更难预测。

关于整个技术栈中最赚钱的部分，答案是半导体层，其利润率遥遥领先——数据中心业务的毛利率约为 75%，上下浮动几个百分点。而应用层的毛利率，我估计在 0% 到 30% 之间，具体取决于你问谁。差距相当大，原因就在于半导体层有一位玩家几乎独占鳌头。如果从盈利的角度来看，这种集中度更高。这个"三角关系"更加集中，稍后我会详细解释。

学生 21:07

我们已经经历了云计算领域的投资周期，这绝对是其中一个因素。如果像谷歌、亚马逊这样的基础设施公司都有自己的芯片，以各种方式自研，那 OpenAI 也在寻找这类资产，这些都来自哪里？

Apoorv Agrawal 21:27

对于初创公司来说，整个生态系统中大约有 3000 亿美元的收入可以争夺。正如 Jensen 在财报电话会议上透露的，其中大约一半来自大型超大规模云服务提供商，所以他们很可能是你的主要客户。

如果你今天创办一家软件公司，客户群结构会非常单一，只有极少数的大额订单，这与构建消费业务或企业软件业务的结构截然不同。此外可能还有一些其他企业客户，但我认为他们最终都会选择云服务提供商。如果你想创办一家芯片公司，首先应该考虑的是：你要先把产品卖给这五家超大规模云服务商中的哪一家？

学生 22:30

最后一个问题：每个层级最终只会涌现出少数几家赢家，这需要好几年时间才能见分晓。我感觉过去并没有出现过完全垂直整合的企业。谷歌算一个，我认为它在右侧的层面上是完全垂直整合的，但我很好奇这种权力转移会带来什么影响。

Apoorv Agrawal 22:53

互联网超级周期最大的赢家可能是谷歌，市值约为 3 万亿美元，在搜索领域占据了近 99% 的市场份额。谷歌是一家高度垂直整合的公司，从文件服务器到搜索、广告，再到用户体验，无所不包。

移动领域的赢家是苹果，市值大约 2.5 万亿美元。

Apoorv Agrawal 23:19

接下来，假设 Meta 是社交领域最大的赢家，它们的整合程度并不高，市值现在大概 2 万亿美元左右。也许它们因为没有完全下沉到服务器端而损失了 1 万亿美元的估值空间。

Apoorv Agrawal 23:36

云计算领域则既同质化又异构化，目前还没有哪家公司独占鳌头。AWS、GCP 和 Azure 三大巨头虽然占据主导地位，但彼此之间并没有完全整合。英伟达一直在这方面努力——你是否听说过 NVX Cloud？这是他们为构建云生态系统而推出的云服务，他们显然在尝试一系列垂直领域的应用。所以你说的或许有道理。

好了，各位，我知道现在是周四晚上五点，我不想做那种扫兴的人，所以我就直接进入正题。

Apoorv Agrawal 24:17

我准备了一个小测验，马上开始。我会给你们一些关于我们即将讨论的公司的信息，并为获胜者准备了奖品，得分取决于答对与速度两方面。最快的方法是快速推理后作答，当然你们也可以借助 AI 工具，但请给人类玩家 5 秒钟时间先用"模拟方式"作答。

Apoorv Agrawal 25:25

准备好迎接下一个挑战。

Apoorv Agrawal 25:32

在场的软件工程师可能拥有不公平的优势。

Apoorv Agrawal 25:52

接下来我用大约十分钟，来探讨一下我对当前形势以及价值为何以这种方式积累的一些假设。我觉得时间不多了，想准时结束，但有任何问题请随时打断我。

我在下一张图表中用略微不同的方式描绘了它，做了和两年前相同的练习。两年前的情况是：左边的生态系统显然小得多，大约只有现在的五分之一。令人惊讶的是，它的形状并没有发生太大变化。尽管增长迅猛，过去两年新增了大约 3500 亿美元的收入，其中约 75% 都直接流向了半导体行业；应用业务虽然增长了十倍以上，但仍然没有产生太大的影响。

所以我就想，好，让我们把每笔销售额都拆开来看，看看哪些公司贡献了哪些部分。正如你们所知，这 3000 亿美元的收入大部分都流向了英伟达。而应用业务的收入，实际上由两家公司贡献了大约 90%。有人想猜猜是哪两家吗？

Apoorv Agrawal 27:39

基础设施领域是竞争最为激烈的领域——不仅有横向的竞争，还有跨领域的竞争，同时也是新公司层出不穷、收购频繁的领域。它是目前竞争最激烈但也最不稳定的部分。

Apoorv Agrawal 28:12

这张图表在过去两年里几乎没有变化，它需要多久才能真正形成云软件的雏形？是五年、十年、十五年，还是永远不会？也许它就一直这样下去。我们相信它终会到来，只是速度太慢了。

Apoorv Agrawal 28:37

在思考人工智能的未来时，我们关注的第二件事是消费级人工智能的盈利模式（目前除了编程领域之外，消费级人工智能可以说是最大的人工智能市场）。ChatGPT 的使用率很高，但大部分都是免费的，约 95% 的用户都是免费用户。DeepMind 的创始人 Demis 也宣布，他们不打算采用广告订阅这种盈利模式。

我们一直在思考，这些企业究竟能发展到多大规模？盈利模式是什么？订阅模式会更大还是广告模式会更大？为此我研究了人工智能领域之外最大的消费级产品。

Apoorv Agrawal 29:36

有一类产品的用户规模已经达到了 30 亿，这些产品几乎成了人们生活中不可或缺的一部分，比如 WhatsApp 和 Chrome。

还有一类用户规模在 15 亿到 20 亿之间的社交产品，类似于 Instagram、TikTok 和 Facebook。

它们并非强制性的，但却展现出极佳的网络效应——如果我的朋友 Chloe 使用了其中一款应用，我更有可能也会加入。

第三类是主流消费品，既非强制性的，社交性也不算特别强，我会称之为小众产品：如果你想购物，你会去亚马逊；如果你想听音乐，你会去 Spotify；如果你想参与辩论或看猫咪视频，你会去 Twitter。

大家猜猜 ChatGPT 和 Gemini 更接近哪一类呢？

学生发言：我觉得它的规模会和 YouTube、WhatsApp 差不多，因为它会成为人们日常生活中不可或缺的工具，人们会把它当作日常生活的一部分来使用。

好，我来告诉你们答案。现在差不多是 Facebook 级别的量级，大概 9 亿左右。没错。

Apoorv Agrawal 31:27

如果把它们放在一起比较，结果是这样的：ChatGPT 刚刚在小众领域占据主导地位，而 Gemini 还没有。它正在向社交领域发展。就我个人而言，作为 OpenAI 的投资者，我非常希望……

我希望它能朝着核心实用性发展。但我们一直在问自己一个最大的问题：每个人都在做的知识工作，也就是知识本身——ChatGPT 并不是一个让你和别人聊天的地方，也不是一个让你收发邮件或获得多巴胺刺激的地方，它是一个你需要主动参与、主动提问的地方。而世界上主动提问技术问题的人数，并不代表所有网民的人数。

地球上大约有 80 亿人口，其中 40 亿人上网。消费者应用的大致经济效益是这样的：Alphabet 拥有约 40 亿用户，每用户每年盈利约 100 美元；Meta 拥有约 35 亿用户，每用户每年盈利约 70 美元。

领先的人工智能提供商 ChatGPT 拥有约 10 亿用户，每用户每年约带来 10 美元的收益。所以问题是：我们如何将用户数量从 10 亿提升到 40 亿？知识型工作或许是答案，但我认为我们需要超越知识型工作本身。第二个问题是：我们如何将每用户每年 10 美元的收益提升到 100 美元？我不确定单靠广告和订阅是否可行。

答案是，我们得进军广告领域。而且 ChatGPT 或 Claude 能够投放的广告具有很多优势：更优惠的价格，因为他们能理解你的意图；非常好的归因分析；更高的信任度。我认为这将是今年另一个重大新闻，这绝对会是一件大事。

真正透彻理解广告模式至关重要。十年前 Facebook 上市时，有很多做空 Facebook 的报告，因为人们说："这些广告在电脑上效果不错，但在手机上肯定不行，因为手机空间不够。"令人惊讶的是，我们最终还是在手机上找到了空间。

现在的情况也一样——"我正在进行这场非常私人的对话，我不想被广告打断"，这就是看空的论据。我无法预测最终结果，但我乐观地认为我们会找到答案，这将是对现有经济模式的一次重大突破。我们会在今年晚些时候的某个演讲环节深入探讨这个问题。

谢谢大家。

风险提示及免责条款

关掉“古法研究型”后，他用AI Agent做了一家“AI时代对冲基金”

AI原生Lab — Tue, 15 Sep 2026 03:16:09 GMT

“Houston，把Desmond周末跑出来的策略图调出来。”

Brian Kelly对着电脑说了一句话，几张图表随即出现在屏幕上。

放在过去，这道指令至少要穿过几张办公桌：量化研究员整理测试结果，分析师画图，再把材料送到基金经理面前。如今，周末加班的Desmond是Agent，负责上传下达的Houston也是。

Kelly是对冲基金Bracket22的创始人。公司里还有Steffi和Doocy，一个看技术信号，一个专门攻击投资逻辑。四个名字组成了一支投研团队，唯一的人类是Kelly。

这不是他的第一家基金。

2025年初，Kelly关掉了此前经营的加密货币对冲基金。那家公司只有七八名员工，却要覆盖多个国家和时区。工资、奖金、医疗保险、办公室租金加在一起，按Kelly自己的估算，每年相关成本约为500万美元。

几个月后，他开始密集试用AI。重新搭建Bracket22时，Kelly没有把旧团队招回来，而是把一家基金拆开，再用Agent逐个装回去。

严格来说，Bracket22不是替外部LP管理资金的传统对冲基金。它只交易Kelly自己的钱，覆盖加密货币、股票和大宗商品。

但这也让它成了一场足够纯粹的实验：如果没有客户、同事和办公室，一家投资机构还剩下什么？

用Agent替代每个岗位

很多公司引入AI，是给原有团队增加一个助手。Kelly反过来做：先把团队拆成岗位，再给每个岗位安排一个Agent。

Desmond负责量化策略，Steffi负责技术分析。研究完成后，Doocy登场。它扮演红队，不负责把材料写得更漂亮，只负责找漏洞，试着把整套投资逻辑推翻。Houston站在更上层，调用其他Agent，收集结果，再把不同意见送到Kelly面前。

这张组织图里，研究、反驳、协调和决策被刻意分开。Kelly还让专业Agent彼此隔离，希望它们先各自得出判断，不要互相带节奏。最后，他再用自己的经验拍板。

Kelly复制的并不只是几个岗位。他还搭了一套“企业大脑”，把研究资料、历史交易和邮件做成相互连接的节点。在他的比喻里，这些节点像神经元：看到一个新信号时，系统可以找到过去相似的研究；复盘一笔交易时，也能沿着记录返回当初的判断。

这是投研机构里最难被看见的一笔资产。

传统基金的记忆散落在硬盘、邮箱、会议纪要和员工脑子里。人一离职，许多没有写进报告的上下文也跟着消失。Kelly想把这部分经验从人身上搬下来，放进Agent可以持续调用的系统里。只要记录不断增加，这家只有一个人的公司，也能拥有机构记忆。

当然，把Agent隔开，并不等于得到真正独立的意见。如果它们使用相似的模型和数据，就可能从不同岗位出发，走进同一个盲区。Doocy可以模拟投委会上的反方，却不会像真正的合伙人那样，为一句反对意见承担后果。

所以，Kelly始终保留自己的判断来进行最终决策。

成本从500万美元压缩到4万美元

最先发生变化的是成本。

在接受CNBC的采访中，Kelly自称Bracket22全部Agent和算力一年的支出约为3万至4万美元。与他给出的旧基金500万美元成本相比，新成本只相当于原来的0.6%至0.8%，降幅超过99%。

被省掉的也不只是七八份工资。

加密货币市场全年无休。过去，为了让基金24小时运转，Kelly要在不同时区布置员工，还要承担福利、办公空间、奖金和管理成本。

现在，Agent不用交接班，也不会在凌晨三点关机。Desmond可以整个周末测试策略，等Kelly上班，再由Houston把结果调出来。

Kelly估计，自己的生产率至少提高了10倍。他甚至设想，一家100人的机构有了AI，可能获得过去1000人的产出，研究覆盖面正在与员工数量脱钩。

过去，一家基金想多看一种资产、多跑一组策略，通常要继续招分析师和工程师。现在，它可以先增加Agent。原本需要提前承担的人力固定成本，开始变成随使用量变化的模型和算力费用。

这会先改变小型资管和自营交易公司的门槛。一个有策略、有资本的基金经理，不再需要先凑齐完整班底，就能获得过去只有机构才负担得起的研究覆盖。

与此同时，金融AI公司的生意也会变化：客户要的不只是一个会总结研报的聊天框，而是一整套数字化班底——有人找信号，有人唱反调，有人调度，还有一个记得住过去所有交易的“大脑”。

基金开始有了一点软件公司的样子：系统搭好之后，新增能力不必再按人头付费。

但省钱不等于创造Alpha

成本省下来了，那投资收益如何？最关键的数字，Kelly没有给，这也是这个案例最具争议的地方。

对基金来说，图表、报告和24小时在线都只是中间产品，最后交出来的只能是收益。Bracket22披露了人员、成本和生产率，却没有披露收益率、最大回撤、夏普比率、胜率，也没有给出相对基准的表现。

因此，人们可以确认Kelly把一家交易公司做得更便宜了，却无法确认这些Agent比从前的团队更会赚钱。

这是投资行业里经常被混淆的两张成绩单。一张记录“做了多少工作”：读了多少研报、覆盖多少市场、测试多少策略；另一张记录“工作产生了什么结果”：在承担同样风险后，究竟多赚了多少钱。

AI很容易把第一张成绩单写得漂亮。第二张要难得多。

成本下降当然有价值。如果投资表现不变，每年少掉数百万美元的运营费用，本身就会改善Kelly的净收益；一些过去不值得测试的小策略，也可能因为试错成本下降而重新进入视野。但省钱不等于创造Alpha，研究数量增加也不等于有效信号增加。

相反，策略跑得太多，还可能更容易在历史数据里撞见偶然规律。当越来越多机构使用相近的模型、数据和框架，Agent也可能让相似策略更快地挤进同一笔交易。人类时代需要几周形成的拥挤，机器或许几小时就能完成。

所以，Bracket22已经通过了运营测试，还没有通过投资测试。Kelly复制了生产投资判断的流水线，能否复制Alpha，要等市场交卷。

大机构能否复制？

很难。

Kelly可以把公司压缩到一个人，首先因为他交易的是自己的钱。没有外部LP，他不用向客户解释某次回撤是不是模型造成的，也不用说服别人把资金交给一个叫Houston的Agent。

自有资本给了Bracket22极大的试错空间。

一旦换成客户资金，问题就变了。一笔交易不仅要方向正确，还要留下谁批准、依据是什么、出了问题由谁承担的记录。受托责任、合规审查、权限隔离和审计要求，并不会因为研究员变成Agent而消失。Agent可以生成意见，却不能替机构签下责任。

目前华尔街大机构的AI探索基本上都是人机合作的：摩根士丹利把部分工作分流给AI；高盛把Devin、Claude等系统放进人与AI共同工作的团队；BNY甚至让“数字员工”拥有登录账号、邮箱和权限，却仍为它们安排人类经理。

大机构的谨慎不完全是因为动作慢。它们要保留的不只是人，还有一条出了问题能够追责、出现分歧能够制衡的链条。对一人公司来说，组织冗余是一笔成本；对管理客户资金的机构来说，冗余有时就是保险。

人才梯队也是同一道题。初级分析师今天是一项费用，几年后可能成为能够识别异常、质疑模型的人。如果拆报表、做假设、写第一版研究都交给Agent，年轻员工从哪里经历错误，又从哪里形成判断？高盛内部有人担心，过度依赖AI会削弱年轻银行家的推理能力。省掉今天的训练成本，可能也会透支明天的高级人才。

所以Bracket22的例子更像一次极限测试，它展示了一种新的基金运作方式：投研机构可以像软件一样被组装，专业分工可以由Agent复制，组织规模不再决定研究覆盖面。

同时它也把基金经理的角色推到更集中的位置——机器负责扩张认知带宽，人要为目标和收益负责。

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

AI巨头喊放慢，是在跟美国政府讨价还价

无情的发图机 — Tue, 15 Sep 2026 03:05:33 GMT

硅谷知名投资人David Sacks在采访中谈到，当前前沿AI市场已形成Anthropic与OpenAI的“双寡头”格局，两家公司在市场份额、收入增长和模型能力上都领先。

他认为，AI企业应主动将产品安全、可靠性和可预测性放在首位，这是企业基本责任，不应以此向政府索要反垄断或责任豁免。

他还质疑“只有政府介入才能确保AI安全”的说法，认为这更像是企业借安全之名与政府讨价还价。

“新美联储通讯社”：沃什加息“没有退路”，特朗普“信任”面临考验

Tue, 15 Sep 2026 03:02:42 GMT

特朗普去年力压美联储降息，如今他亲手选定的主席却被市场逼到加息门口。

9月14日，“新美联储通讯社”Nick Timiraos在《华尔街日报》发文，美联储主席凯文·沃什即将面临的一个关键抉择：在通胀持续顽固、能源价格走高的背景下，是否在本周的议息会议上宣布加息。

Timiraos认为，沃什在过去几个月的一系列表态，已经让自己几乎没有“按兵不动”的空间。8月CPI数据超预期，彻底封死了最后一条退路。与此同时，白宫的态度暧昧——口头上说“100%尊重独立性”，却又暗示对加息“不会太高兴”。

距美国中期选举仅剩七周，若沃什选择加息将直接考验特朗普口中对他长达数月的“信任”。但若不加息，沃什的公信力又将如何自处？此前，沃什用“少说话、避免挑衅”的战术维持了白宫与美联储的平衡，而这次会议后沉默将不再是护盾。

沃什如何把自己逼到墙角？

沃什5月接任美联储主席后，6月的首次新闻发布会上释放了强硬的抗通胀信号，市场随即预期他将采取更积极的行动。然而，在随后的议息会议上，他选择维持利率不变，却没有给出令人信服的解释——为什么强硬表态之后，政策却原地踏步？

结果是，他讲话期间长端利率不降反升。Nick Timiraos在文章中写道，这是“投资者不确定他的强硬言辞是否会转化为实际政策”的信号。

8月，沃什在一次主旨演讲中试图修正这一印象。他表示，“几乎没有证据显示借贷条件正在抑制经济”，而且夏季较好的通胀数据并未让他相信潜在趋势已经改善。这番话，实际上是在为加息铺路。

但真正“关上最后一扇门”的，是9月的CPI数据。Nick Timiraos写道，“8月消费者价格关键指标涨幅超预期，打破了此前两个月的改善势头”，而这两个月的改善原本是美联储自身预测的初步验证。数据公布后，市场对本周加息的押注概率迅速升至约90%。

更关键的是，数据落在美联储会前“静默期”内，没有任何官员能够出来“降温”。9月17日的议息会议即将到来，沃什的选择空间却越来越窄。

白宫的“100%支持”里藏着什么？

就在本周会议前夕，白宫国家经济委员会主任凯文·哈塞特（Kevin Hassett）周日在电视上公开表态，称通胀正在改善，美联储没有必要加息。他同时强调，特朗普“100%尊重凯文·沃什的独立性”，并将“100%支持”美联储的任何决定。

这番话听起来很体面，但哈塞特随即补了一句：特朗普对加息“不会太高兴”。

他还提出，美联储在选举临近时调整利率，会“损害其远离政治的声誉”。这句话的逻辑，Nick Timiraos在文章中做了一个反向解读：如果白宫公开要求降息，而美联储在市场普遍预期加息的情况下选择按兵不动，同样会让外界怀疑沃什是在迎合任命他的总统。

换句话说，无论沃什怎么选，都有人会质疑他的动机。这正是美联储独立性问题的核心困境。

特朗普与美联储：从“战争”到“停战”

去年，特朗普对美联储发动了“数十年来最持续的公开施压”。他长期攻击前主席鲍威尔，甚至威胁要对其提起欺诈诉讼。他将经济顾问斯蒂芬·米兰（Stephen Miran）安插进美联储董事会，后者在出席的六次会议上全部投票支持宽松政策。特朗普还试图罢免美联储理事丽莎·库克（Lisa Cook）——这是总统试图解雇美联储理事的首次尝试，最终因最高法院介入而未能成功，但案件至今仍悬而未决。

沃什的到来，暂时终结了这场“战争”。特朗普反复表示“信任沃什会做正确的事”，这一表述让沃什得以避开鲍威尔所遭受的那种公开攻击。

但Nick Timiraos指出，这种“停战”是有条件的。在选举前七周加息，将直接检验特朗普的“信任”能维持多久。

值得注意的是，沃什本人去年曾公开批评美联储降息太慢。当被问及这一立场是否受到可能提名他的总统影响时，他在CNBC上回应说：“鸟儿换羽毛是有时机的，要顺应时势。这与这位总统毫无关系。”

沃什的立场：独立，还是孤立？

面对外界的种种猜测，沃什本人的公开表态始终强调独立性。

"他们选了一个独立的人来做一份独立的工作，这正是我计划去做的，"沃什今年夏天在国会听证时如此表示。

Nick Timiraos在文章中还透露了一个细节：与沃什交流过的人士表示，沃什认为鲍威尔时代的美联储因为说了一些“不必要的对抗性言论”而让局面更糟——比如公开描述关税如何推高价格，或者公开捍卫美联储独立性。沃什的策略是“少说话，避免挑衅”。

这种低调风格，在某种程度上维持了与白宫的和平。但如果本周真的宣布加息，沉默将不再是护盾。

经济学家们怎么看？

围绕这次加息，经济学界并非铁板一块。

前国会预算局局长、共和党经济学家道格拉斯·霍尔茨-伊金（Douglas Holtz-Eakin）的判断颇为直接。他表示，7月之前他认为沃什没有必要在中期选举前冒险与白宫交恶。但7月以来，沃什的表态加上能源冲击和AI繁荣塑造的经济形势，已经让他“无处可站”。

“他的手被逼着出牌了，”霍尔茨-伊金说，“凯文·沃什是个出色的政治家，他得想办法处理好这件事。”

他还预判了后续的可能走向：特朗普和沃什可以默契地让特朗普公开抨击沃什，而沃什默默承受；或者特朗普干脆转移话题，装作什么都没发生。“特朗普会转移话题，而不是正面对抗，因为他不能承认自己犯了错误，”霍尔茨-伊金说。

然而，美国企业研究所（AEI）的保守派经济学家迈克尔·斯特雷恩（Michael Strain）持不同看法。他认为，7月就应该加息，但既然当时没动，现在在选举前几周出手，时机并不合适。

“美联储不幸的现实是，它无法忽视特朗普总统对这一重要机构极度敌视这一事实，”斯特雷恩说。他认为，投资者消化“再次按兵不动”的速度，会比美联储从与特朗普的冲突中恢复的速度快得多。

未来走向：停战之后

美联储的独立性原则，在政治压力面前究竟有多大的韧性？

文章指出，在选举前后调整利率并非没有先例——美联储曾在1988年政治大会前、1994年、2004年、2018年以及拜登任内的2022年均有过类似操作。从历史来看，货币政策与选举周期的交叉并不罕见。

但当下的特殊性在于，特朗普对美联储的敌意已有充分记录，而沃什的每一步棋都在被放大解读。

霍尔茨-伊金的判断或许最为务实：无论结果如何，沃什都需要展示出他是在根据经济数据而非政治压力做决策。

风险提示及免责条款

Anthropic又发文：AI时代的经济会是什么样子？

Tue, 15 Sep 2026 03:01:16 GMT

AI究竟会带来前所未有的经济增长，还是引发大规模的失业潮？是两者皆非，还是会走向某种我们尚未预见的未来？

Anthropic经济学团队近日发布了一套经济情景模型，试图量化AI对就业、增长与薪资的潜在影响，并以交互工具的形式向公众开放，让每个人都能根据自己对AI能力的判断，预览对应的经济图景。

该模型围绕三种情景展开：从温和渐进的"适度情景"，到经济增速翻倍的"实质性变革情景"，再到年均GDP增速高达15%、但大量知识工作岗位消失的"极端情景"。

研究发现，在多数情景下，失业率和工资波动仍处于历史正常区间；但在极端情景中，知识工作者面临薪资下滑甚至长期失业，资本在经济成果中的占比也将显著上升。

Anthropic表示，这一模型及更广泛的研究将用于指导其资助的劳动力市场研究，并为相关政策建议提供依据，目标是确保AI带来的经济收益能够在全社会广泛共享。

该模型当前版本为v1.0，发布于2026年9月，研究者承认模型存在若干局限，并表示将持续迭代更新。

重新定义经济：一切工作皆是“任务包”

要理解AI如何影响经济，首先要打破我们对“工作”的固有认知。在Anthropic的模型中，经济中的所有工作都不是单一的，而是由一系列**“任务包”**组成的。

以一名护士的一天为例：她的工作包括巡视病房、抽血、对患者进行分诊、记录生命体征、订购病房耗材等等。随着AI的介入，这个“任务包”会发生怎样的变化？

有些任务只有人类能做：比如给病人洗澡，AI无能为力。

有些任务会被AI增强： AI可以帮助护士更快更好地起草出院指南、远程监控患者、规划排班。

有些任务将被彻底自动化：比如记录生命体征或订购耗材，AI可以完全代劳。

还会涌现全新的任务：历史表明新技术总会创造新工作，比如护士未来可能需要审查AI的分诊结果，或评估AI提出的护理计划。

结果是什么？随着AI融入工作，护士的生产力大幅提升，她可以花更多时间与患者沟通。当这种“任务层面的重塑”每天在全国各行各业发生数百万次时，就构成了未来价值超30万亿美元的庞大经济体。

GDP、劳动力市场以及工人的薪资份额，都将取决于AI增强或自动化任务的速度与广度。

预演未来：我们可能会面临的三种剧本

未来的经济走向取决于AI能力的进化速度以及各行业的采用情况。Anthropic在报告中重点勾勒了三种截然不同的宏观情景。

第一种是温和情景，渐进的收益。

在这个剧本里，AI的经济影响力类似于互联网的普及。它确实推动了实际的经济增长，但增长率保持在新技术带来的历史正常范围内，一切都在渐进式发生。在宏观经济数据中，你甚至很难立刻察觉到AI的剧烈冲击。

第二种重大情景是脑力劳动的革命。

到2030年，AI将有能力完成一半的知识型工作（其中大部分是自主完成），但并不会被全面采用。此时，经济增长率达到正常水平的两倍。值得注意的是：知识工作者的工资将停滞不前，而其他类型的工人将获得收益。

Anthropic在8月份对超1万名美国人进行的调查显示，大多数普通人的预期与这一情景最为吻合，即到2030年GDP将比没有AI时高出10%，整体失业率升至5%左右。

第三则是极端情景下，出现深刻的经济重塑。

在这一情景下，AI在绝大多数知识工作任务上的生产力超越人类，几乎自主完成所有工作，且基本不为人类创造新的知识型任务。这通常需要AI具备“递归自我改进”能力并被迅速采用。

结果是震撼的：年度GDP增长率将高达15%，经济规模每4.5年翻一番。作为一个社会，我们将前所未有地富裕；但代价是，从事知识工作的工人急剧减少，失业率飙升至超越典型经济衰退期的水平。

关于2030年的四个残酷真相

基于上述模型，Anthropic得出了四个值得每一位职场人深思的关键发现。

发现一：经济蛋糕变大，但可能伴随历史性失业。

在所有情景下，AI都会推动GDP增长，社会整体财富大幅增加。但在极端情景下，由于AI实现递归自我改进和快速普及，失业率可能会飙升至历史最高水平。

发现二：痛苦的职业大洗牌。

在重大和极端情景中，脑力劳动者（知识工作者）将面临严重的自动化替代。从个体层面来看，程序员和呼叫中心客服可能不得不转行去做受AI影响较小的电工或护士。

但跨行就业极其困难：工人可能不愿意改变、需要学习新技能，且新工作并不好找。这种洗牌要求的转换越多，就会有越多人陷入漫长的失业期。

发现三：工资出现两极分化，知识工作者面临降薪。

模型显示，虽然全社会平均工资会上升，但这主要集中在非知识型工作领域。由于对人类脑力劳动的需求减少，知识工作者的工资将面临下行压力。

相反，AI提高了脑力劳动的效率，例如更快地产出物理基础设施的设计和许可，会导致建筑等体力劳动需求大增，推高蓝领工资。

在重大情景中，知识工作者的工资基本持平；而在极端情景中，到2030年，知识工作者的工资将下降10%以上。

发现四：资本吃饱，劳动力分配缩水。

今天，经济每产出1美元，大约60美分归劳动力，40美分归资本。但随着AI接管更多任务，资本用于创造财富的技术和资源将变得更有价值、需求更高，从而推高其价格。

研究发现，在重大和极端情景中，劳动份额将明显下降，资本份额上升。在极端情景下，尽管经济体量急剧膨胀，但到2030年，劳动力的总收入几乎没有变化。

绝大多数知识工作者将面临降薪或失业，工人阶层只能分得更大蛋糕中更小的一块。

写在最后：未来并非命中注定

面对这样一份略显残酷的预测，Anthropic表示2030年的经济面貌并非不可改变的宿命。它取决于AI究竟能做什么，企业和工人如何应用它，以及最关键的，这项技术的财务收益将如何被分配。

Anthropic团队也坦言，作为1.0版本的经济模型，它极大地简化了复杂的现实，例如没有考虑政策反应、经济周期或超级机器人的出现等。

但这个探索器的核心价值在于警醒：在极端的AI繁荣下，我们面临的主要挑战不再是如何实现经济增长，而是如何确保红利被广泛共享，而不是让成本不平等地压在部分群体，尤其是知识工作者身上。

AI时代的列车已经启动，我们不仅需要关注它跑得有多快，更需要关注车上的每个人是否都能拥有自己的座位。

风险提示及免责条款

现房时代楼市纪实

财经杂志 — Tue, 15 Sep 2026 02:45:33 GMT

房地产“828新政”出台后第一周，市场给出相对积极的回应。

根据58安居客研究院的统计，9月前七天，13个重点一二线城市新房交易规模总体高于去年同期。其中，4个一线城市的成交量全部同比上涨，二线城市中，南京、武汉、宁波等地的新房交易均录得正增长。二手房交易总体也呈向好趋势。在该机构统计的12个城市中，9月前七天的二手房交易规模均同比上涨。

新政发布后，土拍市场出现分化情况——上海和北京的高价地块拍卖时门可罗雀，参拍企业数量及竞拍热度均较前期有所回落，房企竞拍趋于理性；但在9月10日深圳一处地块经250轮竞价，最终被中海地产溢价125%拿下，住宅楼面价突破10万元。

8月28日晚，住房城乡建设部、自然资源部、金融监管总局、中国人民银行、证监会五部门集中发布与房地产相关的八份文件，覆盖拿地、融资、建设、销售、按揭和交付等房地产市场全链条。中国房地产市场维持多年的预售制、“30年”房贷上限等政策，在一个晚上被改写，房地产市场的运行规则被系统重塑。

过去30多年来，房地产市场以预售制为核心，奉行“高负债、高杠杆、高周转”模式。但在行业深度调整期，销售回款放缓，预售资金被挪用、项目停工和延期交付等问题逐一出现。

住房城乡建设部、自然资源部、金融监管总局在8月28日答记者问时称，近日，恒大地产的破产清算及许家印案的公开宣判，是房地产开发经营“三高”模式弊端暴露的有力证明。改变“三高”模式，迫切需要改革商品住房销售制度、加强预售资金监管，引导房地产开发企业根据自身实力合理确定开发经营规模、强化风险意识。

一系列新政正是在此背景下密集出台，试图勾勒出“房地产高质量发展”新模式的理想图景：

购房者告别期房风险，实现“所见即所得”；房企告别集团杠杆扩张，转向产品力竞争与代建、运营等多元化业务；银行告别集团制授信，转向项目制放贷与REITs等融资工具；政府降低卖地依赖，转向城市更新、保障房建设与存量盘活。

新政通过压缩加杠杆套利的空间、拉长资金周期，加速行业企稳。虽然在短期内，它难以直接修复房价、去库存，但长期来看，在新政的影响下，房地产行业将回归理性，其对经济的贡献将从开发建设转向居住服务、资产管理和存量运营。

需要注意的是，制度的切换不会自动消化旧问题。土地成本高企、地价与房价倒挂、终端需求不足依然存在，且从政策出台到细则落地仍有一段空窗期。无论房企、银行还是地方政府，都需要经历一场转型的阵痛。

售楼处新规则

“我们现在都是实景，所见即所得。错过这波，还想买新房就要再等两年。”

8月28日新政出台后的首个周末，《财经》走访北京大兴区、亦庄、朝阳区的多个现房、准现房楼盘发现，这已成为销售们不约而同的开场白。

新政意外使这批楼盘成了“受益者”。它们已开盘至少一年，快的已经交付，慢的主体结构也已封顶，且目前仍有部分货值在售。对比其他仅有图纸、现场尘土飞扬的楼盘，他们是购房者眼下为数不多能够“眼见为实”的选项。

“828新政”后的周末，北京亦庄招商序项目售楼处，多组客户正在看房。摄影/王文彤

招商序位于北京亦庄核心地区，紧邻亦庄龙湖天街和北京二中，单价在6.6万元/平方米左右。该项目于2025年5月开盘，将于2027年年中交房，外立面已经封顶，会所也修建完毕，处于准现房状态，可供购房者参观。售楼处内，不少客户围在沙盘前听讲解，或坐在洽谈室、休息区计算价格。

这可能是中国进入现房销售制时代后，未来售楼处的标配。不过对于目前已有的预售项目，828新政也明确提出，“老项目老办法，新项目新办法”。

以住房项目是否取得建设工程规划许可证为标准，已取得的，可以按照原有政策规定执行，未取得的优先采用现房销售。而且，“优先”不等于“必须”，新项目既可以现房销售，也可以预售。此外，新政还在现售制项目中推行定金制和定金监管。

招商序这个楼盘很快释放出涨价信息。该项目的销售刘楠告诉《财经》，他刚接到领导通知，主力户型127平方米将在9月6日涨价2%。

在1公里外定位更高端的招商玺项目，销售人员也表示即将涨价。该楼盘已于近期开始交付，销售在带看过程中反复强调，现房项目稀缺性更强，价格也理应更高。

包含上海、广州、深圳等城市在内的多个期房项目同样释放出涨价信号。

比如，9月8日，保利发展上海宣布，旗下保利·都汇和煦、保利·珺园、保利·虹桥和著｜璟岸三个期房项目，新取证楼栋售价全线统一上调1%。

开发商之所以迅速涨价，与“828新政”中规定的“主办银行制”和资金封闭管理制度有关。

通过这两项制度，按揭放款从封顶后移至竣工备案后，开发贷也与项目开发周期更匹配：预售项目不超过五年、现房项目不超过七年。此外，首次还本也原则上延至竣工备案后。这从资金流入与流出两端同时拉长了开发商的资金占用周期，实质上切断了“以预售款滚动开发”的高周转路径。

刘楠表示，该项目开盘初期一度降价以加快去化，但新政出台后，公司为拉长销售周期、弥补未来拿地至开盘之间的空窗期损失，决定通过提价控制流速。据其测算，一套房价格上调2个百分点，意味着多出十余万元的利润空间。

招商玺销售也算了一笔账：新政后开发商从拿地到竣工备案需两年到三年，期间无法通过预售回款。根据他的经验，国央企融资成本在5%到6%，民企则在8%左右，两年就是16%的成本。他认为，这些成本最终会体现为房价上涨。

但这种热度并非普遍现象。多位新房中介承认，目前市场分化严重，位置好、产品力强的项目更能打，大部分的项目去化表现一般。

与开发商的积极推盘形成对比的，是购房者的犹豫态度。

一位招商序客户认为，目前的新房项目都已经入市几年，可选择的空间不多，不如再等两年。她与男友已经看房一年多，购房款早已准备好，但是迟迟不能下定决心。

购房者们考虑的另一个重点是，是否延长房贷期限。

“828新政”将个人住房贷款的最高年限由30年延至40年。

以贷款本金100万元、房贷利率3.1%（7月个人住房新发放贷款加权平均利率约为3.1%）、等额本息还款方式测算，将贷款期限延长至40年后，每月月供将减少约632元，但利息总额将增加约20万元。

多位售楼处销售都表示，目前已经有客户来询问能否延期，但他们还在等待银行的具体细则。

《财经》以购房者身份咨询了多家银行发现，不同银行对借款人的年龄要求有差异。比如，交通银行要求，35岁以下的借款人可以申请40年期房贷，如果房龄较老，贷款期限还会有所压缩；招商银行、工商银行、中信银行的年龄门槛则是40岁。

这意味着，40岁以下的购房者才是这一政策的主要针对人群，而这部分人群恰恰是购房时更为审慎的群体。

“我感觉很不划算，”一位近期购置婚房的客户表示，“一个月只是少了600多元，少吃几顿饭就补回来了，但我要多还那么多钱。”

售楼处里的涨价焦虑、购房者的复杂心态，是828新政的市场投影。

一位银行信贷审批人员认为，现在客户在买房时不愿意拉满杠杆，再加上有公积金抵扣，新政摊薄的月供显得微不足道。

上海易居房地产研究院副院长严跃进对《财经》表示，这一政策适合当前收入水平承压，但未来职业发展及收入增长空间较大的购房者，可以作为应对前期还款压力的工具。根据他观察，在实际操作中，绝大多数购房者并不会真正还满40年，多数购房者会在15年左右选择提前还贷或通过二手房交易置换。

不过据《钱江晚报》报道，杭州贝壳签约中心工作人员透露，新政出台后的第10天，杭州贝壳平台已出现一例贷款40年的二手房交易案例。

在销售端、信贷端以外，资本端的工具箱也已摊开。新政推出多种融资渠道，包括股权、债券、并购、REITs等全链条工具箱，覆盖融资、并购、盘活、退出全流程。

从地方试点到中央定调

“828新政”并非横空出世。从地方试点到国家定调，这场变革经历了漫长的铺垫。

20世纪80年代，商品房预售制度（俗称“卖楼花”）被从香港引入内地。1994年，《城市房地产管理法》和《城市商品房预售管理办法》正式确立预售的法律地位，至今已超过30年。1998年房改后，预售成为商品房销售的主流模式。

这一制度允许房企在项目建设完成前预先销售商品房，购房者根据规划设计、合同约定等作出购房决策，并在合同约定时点收房。

预售制加快了房企的资金回笼速度和开发节奏，成为推动房地产行业高速发展的动力之一。

但在缺乏严格监管的情况下，开发商挪用预售款的现象屡见不鲜。一旦房企资金出现问题，购房者便面临“钱房两空”的风险。房地产行业进入深度调整期后，多地项目出现资金缺口，导致烂尾或延迟交付。

行业风险倒逼改革。2020年3月，海南省明确新出让土地实行现房销售制度，成为全国首个全面推行现房销售的省份。其核心在于“新旧有别”，已出让土地仍可按预售制度执行，新出让土地则必须现售，这一原则为后续全国推广提供了重要参照。

2023年开始，现售制的试点速度明显加快。

在当年1月召开的全国住房城乡建设工作会议上，住建部提出，有条件的地区可以进行现房销售。

此后两年间，政策扩散呈现加速态势，湖南、广东、安徽、四川等多地明确表示推进现房销售试点。

具体路径上，各城市因地制宜。有些城市在单个土地出让环节直接设置现售条件；有些行政区，如雄安新区，直接宣布取消预售、实行现售，并同步进行不动产登记改革；亦有个别地方鼓励在房地产融资协调机制“白名单”项目中择优，引导推行现房销售试点。

多数地方采取“谨慎尝试”，“渐进式推进+配套政策支持”成为常用模式，配套支持政策包含延长土地出让金缴纳期限、对购房者进行契税补贴、提高公积金贷款额度等。

自2026年起，现售制从地方试点上升为国家层面的制度安排。

年初印发的“十五五”规划纲要明确提出，完善商品房开发、融资、销售等基础制度，“有力有序推进现房销售”。

一二线城市加快跟进。7月29日，广州南沙挂牌首宗“现房销售承诺制”地块，要求竞得人承诺执行现房销售，地方政府给予土地出让金分期缴纳支持。

一个月后，住建部、自然资源部、金融监管总局、央行、证监会的联合发文一锤定音。

根据亿翰智库数据，截至2026年6月，全国已有广州、苏州、烟台等超20个城市出台相关配套政策，从土地出让、公积金贷款、购房补贴等多个维度支持和鼓励现房销售，现房销售占比已从2019年的15%提升至2025年的超过35%。

从城市能级来看，已全面推行现房销售的城市主要为现房库存去化压力较大的三四线城市，一二线城市尚在探索阶段，多通过在少数核心地块进行现房销售试点的方式推进。

对“现房时代”的到来，行业里早有预期，只是在等靴子落地。

在越秀地产2025年中期业绩发布会上，董事长林昭远表示，在房地产发展新模式下，行业最终会走向现房销售模式。这可能会降低开发商买地意愿，或阶段性对土地出让产生一定影响。

华润置地总裁徐荣在2026年8月31日的业绩会上表示，政策不搞“一刀切”，给予行业缓冲窗口期，对于坚持稳健财务纪律、量入为出的长期主义房企，将有更大竞争优势。

伴随着销售端的制度变革，为化解现售制引发的连锁冲击，信贷制度也在同步改革。

首先是个人住房贷款期限延长。

1997年，《个人住房担保贷款管理试行办法》中规定，房贷期限不得超过20年；两年后，《中国人民银行关于调整个人住房贷款期限和利率的通知》明确，房贷期限由20年延长到30年。

此后20余年，“30年”上限未作调整。直至此次“828新政”，将个人住房贷款的上限调整至40年。

其次是在银行端建立“主办银行制”。

一家头部股份制银行上海分行对公负责人钱进对《财经》解释，“主办银行制”是指一个项目指定一家主办银行，由该银行牵头组建银团，或单独对项目进行资金监管，为房企提供开发贷款等融资服务。

“简单来说，项目赚了你升职，项目赔了你要挨处分。”他说。

这一制度源于2024年已运行的房地产融资协调机制，即市场熟知的“白名单”制度。

“白名单”制度在2024年由住建部、金融监管总局联合推出，目的是精准支持房地产项目的合理融资需求，助力保交房。同时，各家银行也都推出了自己的“白名单”房企和项目，优先给予资金支持。

钱进告诉《财经》，为了确保资金安全，“白名单”项目普遍采用严格的封闭管理，即项目资金单独建账、独立运作，防止被挪用。为分散风险，上海规定单个监管账户仅对应2万平方米销售面积的资金。

从规模增长看，截至2025年底，“白名单”项目审批通过贷款金额已突破7.5万亿元。

但各地的“白名单”尝试存在标准不一、各自为政的问题，导致优质项目被劣质房企拖累，后者却能多头授信无序扩张。

因此，“828新政”从全国层面明确“主办银行制”度，意在把开发项目的资金监管从“应急纾困”变为“制度重构”。

招联首席经济学家董希淼对《财经》表示，这轮调整可以概括为三个方面：对象上，从“看企业”转向“盯项目”；机制上，推行“主办银行制”和资金封闭运行；目标上，从短期应急转向制度重构。

“828新政”出台后，新白名单的范围放开，但逻辑变了。一位国有大型商业银行高级经济师告诉《财经》，过去白名单看的是房企主体资质，而新白名单看的是项目本身，比如是否四证齐全、资本金实缴到位、能提供匹配抵押物、单独建账封闭管理、有建设交付计划。

这意味着，新政对不同性质的房企一视同仁，但项目本身的合规硬门槛实际抬高了。

“828系列新政”为何在此时落地？

主要原因是房地产市场的供需关系发生变化，箭在弦上。

据新华社报道，8月28日，住房城乡建设部、自然资源部、金融监管总局在回答记者提问时称，经过近30年的快速发展，当前二手房交易总量已经全面超过新房，房地产市场进入存量提质、结构优化的高质量发展时期。

从销售端和开发端的变化到“保交楼”进展都可以印证这一官方判断。

首先，销售结构的反转与房价的持续分化，宣告存量时代到来。

销售面积方面，根据国家统计局数据，2026年1月-7月，新建商品房销售面积达4.5亿平方米，同比下降11.8%；全国二手房交易网签面积达4.82亿平方米，同比增长10.2%，已超过新建商品房销售面积。

房价方面，根据中指研究院数据，2026年上半年，百城新房价格累计上涨0.59%，二手房价格则累计下跌2.9%；进入7月，分化仍在继续，新房价格在部分核心城市改善楼盘入市带动下环比上涨0.26%，同比上涨2.09%，二手房价格却持续走低，环比下跌0.44%，同比下跌7.37%。

其次，开发投资的持续萎缩，迫使行业从增量开发转向存量优化。

根据国家统计局数据，2025年全国房地产开发投资金额为8.28万亿元，同比下降17.2%，投资端连续四年负增长。进入2026年，1月-7月，全国房地产开发投资额为4.30万亿元，同比下降19.2%。

再次，“保交楼”攻坚战的成效，为新政出台扫清了风险障碍。

国家重点列管的396万套保交房核心任务已累计交付391.8万套，整体交付率达99%；全国因暴雷停工导致的“已售难交付”住房，也已累计实现约750万套落地交付，存量烂尾风险得到实质性化解。

在这样的背景下，房地产的开发、销售、融资端都需要一次彻底的转变。

不过，从国家定调到地方落地，仍有一个时间差。钱进透露，其所在银行总行层面的细则可能要等到9月中旬才能落地。从政策发布到银行、房企、购房者真正感受到变化，还有一个传导过程。

房企商业逻辑重构

“828新政”对现房销售制度有了实质性推进，下一步将直接影响房企的拿地、建造和销售策略。

“新政”优先鼓励开发商推行现房销售，并规定在取得建筑工程施工许可证后，开发商可以与购房人签订合同，收取少量定金。不过项目是否实行现房制视具体情况而定，不搞“一刀切”。

过去，不少城市允许房企在地下室和基础工程基本完成、主体结构完成三分之一、二分之一或三分之二等不同节点取得预售证，因此房企可以更早收到购房者首付款。“新政”同时提高了预售门槛，将预售底线拉高到主体结构封顶。

此外，个人住房按揭打到开发商账户的时间也延迟到竣工备案后，此前各城市原则上主体建筑封顶后即可打款。

对开发商来说，政策实施后，最直接的影响是峰值资金占用的数额增加。在项目建造过程中，土地款、建安款、营销费等支出持续发生，但首付款和按揭资金都要更晚进入项目。房企需要用自有资金和开发贷覆盖过去由预售资金承担的一部分建设投入。

其次是资金占用时间拉长。尽管各地尚未出台具体实施细则，但业内普遍认为，新的预售制度下，项目从拿地到实现全款回笼的周期普遍拉长至一两年，现房销售可能拉长至两三年。

长江证券在2025年6月10日发布现房销售专题报告，以一个“高能级城市典型项目”为模型测算：从预售改为现房销售后，累计现金流回正时间由20个月延长至34个月，也就是推迟14个月；净利率由11.4%降至8.6%，IRR（内部收益率）由17.3%降至6.4%。

针对这一数据，一位地方民企投拓部门负责人王楠对《财经》表示，由于各地细则并未出台，各城市在金融、税收、土地等方面的配套性改革措施尚不明确，盈利模型还很难计算。但他表示，很多项目整盘测算利润也就五六个点，达不到长江证券测算的超过10%的净利率。

“新政”也同时给了房企一些缓冲时间。首先是开发贷期限被拉长。新规要求开发贷覆盖从开工到竣工备案全过程，预售项目贷款期限最长可以达到五年，现房销售项目最长七年。

同时，政策要求各地同步优化土地供应、土地出让方案和融资安排，通过开发贷、股权、债券等方式满足合理融资需求。

“新政”出台逾一周时间，房企已经开始相应动作。

其一是销售端加快清库存。一家头部房企的区域高管张成对《财经》表示，“828新政”发布后，总部要求各区域加快手里存货的销售速度。广州头部房企的一位高管也透露，公司正在为已经取得建设工程规划许可证（下称“工规证”）的项目紧急申请预售许可证。

其根本目的是加快现金回笼：存量旧项目仍沿用原有规则，可实现较早回款，总部也需要降低库存规模，为未来销售价格和土地价格的不确定性预留安全缓冲。

9月是房地产销售的“金九银十”开端。58安居客研究院的统计显示，9月1日至9月7日，一线城市新房成交套数同比平均增幅约为42%，但统计没有提到均价是否发生变化。

其二是拿地端更加聚焦优质地块，出手更为谨慎。

新政发布后，一线城市接连迎来第一轮土拍，上海和北京的高价地块均出现“推介时熙熙攘攘，拍卖时门可罗雀”的现象，参与竞拍的房企数量与此前期待严重不符。

中指研究院广州分院研究主管陈雪强表示，在“828新政”的影响下，参拍企业数量及竞拍热度均较前期有所回落，房企竞拍趋于理性。

但与此同时，9月10日深圳一处地块竞争激烈，共吸引七家国央企背景房企报名，经250轮竞价，最终被中海地产溢价125%拿下，住宅楼面价突破10万元。

深圳该地块优势在于稀缺性，片区内新房供给长期吃紧。此外地块规模小，有利于控制施工节奏，且无人才房、保障房配建硬性要求。

普睿数智董事长丁祖昱近期撰文提及，新政之下，房企拿地节奏将进一步放缓，但整体投资聚焦一二线高能级城市的策略没有变。

张成判断，未来更多全国性房企都会变成区域性公司，收缩拿地体量。他认为，仅靠地产主业造血，缺少第二增长曲线的企业，即便是头部房企，近两年也难有竞得优质地块的机会。

截至目前，福建省泉州市、福建省厦门市、浙江省丽水市已在最新挂牌出让的土地公告中，明确将“现房销售”纳入地块出让条件。

不过严跃进指出，从目前的实际操作层面看，现房销售仅针对个别优质地块，因此对供求关系影响总体有限。

拿地的大方向基本确定，当下房企最为关注的配套措施。

“目前，期房销售有一套完整的政策体系去支撑，要实现现房销售也需要很多配套措施，如金融及开发贷政策等。”越秀地产董事长林昭远在2025年中期业绩发布会上表示。

开发商目前最关注的是土地款的缴纳情况。王楠称，如果土地款项能够分批缴纳，例如部分土地款能够在竣工后缴纳，与按揭贷款发放一致，对于开发商的现金流将有很大助益。而目前的规则是缴清土地款项，开发商才能拿到施工证。

这一设想已有地方实践案例。就在8月28日，广州首宗“现房销售承诺制”地块成功出让，作为配套支持，政府允许土地出让金分期缴纳，签约30天内支付不低于50%，余款可在两年内缴清，可缓解企业前期土地款支付压力。

土地之外，王楠表示，开发商也很关注开发贷的情况，希望贷款利率进一步降低。

这一设想或许并不容易实现。前述国有大行高级经济师认为，目前新政未对开发贷利率设置统一数值或硬性下限。后续利率是否能下调，取决于银行的资金成本、风险定价与市场竞争。若优质项目稀缺、资产荒加剧，利率或许会下行。

新政发布后，整个房地产市场仍面临诸多不确定性，但对房企来说，目前确定的变化有三点。

一是要改变地块价格的判断方式。一位地方国有企业的总经理助理对《财经》表示，新政真正考验的是房企对中长期市场的预判能力。开发商将重构现金流测算模型，对未来销售定价做出更严密的计算，确保项目两年后仍处在合理价格区间；同时审慎评估项目去化周期，保障资金顺利回笼。

二是对项目质量提出更高要求。普睿数智地产研究认为，新政进一步将房企的核心能力从“融资与周转能力”转向“产品力与运营能力”，这与存量时代的行业转型方向完全一致。

一家房企上海某项目负责人表示，房企的项目策划逻辑将进一步改变，刚需项目走预售制，平衡资金；改善项目则更倾向于现房销售，提前落地实景，获取溢价。

“项目整体设计能力、工程质量建设能力要再上一个台阶。立面、景观、公区成为硬性投入，客户愿意为交付确定性买单，行业正式进入产品力竞争时代。”他说。

该项目负责人表示，在上海，其供职房企一个新盘的装修标准，从1000元/平方米的装修标准，涨到3000元-4000元/平方米；从临时做一个展示的模型盒子，到提前筹备两三个，甚至七八个展示区。展示区包括地下的会所、泳池、健身房，为老年人休闲的地方、小孩的滑梯泡泡球，也有针对年轻人的书吧等休闲业态。

此外，未来开发商的产品户型、风格设计可能会趋于保守。一位前房企营销人士告诉《财经》，期房制度下，开发商可以根据客户的反馈对户型进行微调，但现售制下这种机会不会再有。

三是改变地产销售模式。预售制时，开盘、园林呈现、会所开放都是房企营销的重要节点，但现售制下，这些节点都会被推迟。

“未来两年房企销售团队大概率会缩减，因为进入项目真空期，不会有源源不断的新项目等待被销售。”张成表示，“房企或许更多倚仗经纪人公司帮助卖房，自己不养销售团队，跟美国模式类似。越是熟悉某一区域、能打动区域内购房者的经纪团队，在未来越是抢手。”

截至发稿，保利地产、绿城中国、越秀地产、龙湖地产等多家国央企、民企房地产公司都没有接受《财经》采访。

银行分量变重

新政改变了开发贷在地产开发中的角色。

在此前的房地产市场高峰期，开发贷主要用于衔接前融（指项目开发前的融资）和预售款。开发商通常先从集团资金池调集资金支付地价，土地证尚未到手时便启用前融置换土地款。

待项目满足“四三二”要求（“四证”齐全、自有资金达30%、具备二级资质）后，开发商再申请开发贷置换早期前融。

彼时，大多数项目从拿地到开盘仅需六个至十个月，取得预售证后短期内即可回笼首付款和按揭贷款，这些资金将用于偿还开发贷、支付工程款，剩余资金继续滚动投入新项目。

新政后，由于现售制下销售回款放缓叠加资金严格监管，项目在开发过程中对销售回款的依赖性降低，开发贷将承担更多建设功能。

银行在房地产开发中的角色也面临重置。

钱进对《财经》表示，主办银行不仅要牵头房地产项目融资，更要负责房地产开发资金的归集和使用监管，成为房地产开发全生命周期的资金结算枢纽。

对商业银行来说，得主办银行资质就是得房地产项目结算性资金，锁定了一个项目未来几年的全部存款和结算业务，综合收益远高于单纯的利息差。不过，因购房贷款发放时点延后，银行的新房按揭规模可能面临阶段性压力。

他提到，目前行里给出了两条建议，一是要全力争取项目“主办银行”地位，全面掌握开发贷、资金监管主动权，重点甄别项目资质，并加强与上市房企开发项目合作。

二是要优先合作新上市现房销售项目，积极布局上市房企再融资和募集资金监管业务。

但银行的真实反应却极为谨慎。多位银行业专家都指出，银行的实际放贷意愿仍取决于分行对具体项目现金流的判断，会出现明显分化。

天府立言金融研究院院长曾刚对《财经》分析，政策支持能缓解合规和问责顾虑，却无法消除房价下行、去化周期延长、抵押物缩水及资本占用较高等商业风险。大型银行可能基于政策导向加快对白名单、核心城市及国企项目的投放；中小银行则更关注房企的区域集中度和自身资本承受能力。

他认为，银行未必直接提高名义利率，却可能通过提高资本金比例、压低抵押率、追加股东担保、设置销售回款触发条款等方式重新定价风险。

钱进称，目前该行依旧只向白名单企业的外环内项目放贷，暂未放开范围。据其透露，该行的白名单企业包括头部国央企和具有央企背景的大型混合所有制企业。

导致银行犹豫的核心原因是开发贷的风险权重依旧很高。

首席经济学家论坛国际金融研究院院长连平对《财经》指出，房地产开发贷的风险权重为150%，而一般公司类贷款仅为100%。风险权重越高，占用的风险资本越多，银行投放越谨慎。

数据印证了这种谨慎。央行此前公布的数据显示，2026年二季度，开发贷余额降至12.65万亿元，同比下降8.5%；开发贷在商业银行贷款中的比重也在持续下降。连平认为，这是因为银行对弱二线城市、三四线城市的项目不看好，很少再投放开发贷。

抵押率也在收缩。连平表示，以往房地产企业抵押融资时，抵押率通常在60%到70%，但现在降到了60%以下，远离核心都市圈的三四线城市房产或土地的抵押率还会更低。

现售制下，开发贷的逾期风险亦引发关注。

过去，开发商通常在销售（网签）或销售回款进度达到70%时结清开发贷本息，在市场火热时，房企还款日通常早于贷款到期日。

但上述国有大行经济师认为，一旦实行现售制，销售情况、施工和入市周期都会影响房企偿还开发贷的节奏，可能导致房企逾期。

不过，钱进认为，上海核心区域项目去化周期一般不超过三年，远低于新政为预售、现售项目分别设定的五年和七年开发贷期限，逾期风险不大。

“过去房企有钱就会提前还贷，新政之后可能会卡点还款。”他说。

风险约束之外，基层银行执行能力能否跟上制度设计的步伐，是另一重考验。

董希淼认为，基层银行在执行中面临多重现实阻力：以往基层机构更依赖抵押物和企业主体信用评估，如今则必须建立项目级别的现金流预测能力，开发贷期限拉长后，银行的资金成本、期限结构匹配和风险拨备要求会上升。

此外，银团贷款模式下，主办行牵头协调、成员信息共享等管理成本也会增加。因此，监管科技的框架虽已较为完善，但基层行在专业能力、系统建设和内部协同方面仍需大幅提升，否则可能影响封闭运行的实效。

系统与数据是另一道坎。

连平分析，当前银行信息化建设参差不齐，跨部门、跨机构之间仍存在信息孤岛，难以穿透交易背景；权责界定、考核标准、尽职免责等内部政策，与实际执行之间也存在错位。

更现实的是，住建、税务、司法和银行数据尚未充分互通，工程进度缺乏统一口径，现场核验成本较高。曾刚提醒，在这样的情况下，客户经理既承担投放任务又承担终身问责，容易形成不敢贷或依赖形式材料的倾向。

结合国际经验，连平提炼出四条可资借鉴的经验：一是信贷评审独立，且按照单个项目评估；二是资金全封闭管理，确保专款专用；三是提高资本金门槛，并加大政策性金融支持力度；四是对房企贷款保持较高的风险权重，以审慎姿态管控风险。

曾刚指出，对中国而言，更可取的方向是强化保障房与租赁住房融资、发展长期固定利率产品，建立规范的抵押贷款转让市场，同时保留贷款价值比、偿债收入比和逆周期资本约束。

市场新均衡

2026年上半年，二手房仍在寻底，但下行趋势放缓；新房则受重点城市改善盘入市托底，走出独立行情。

国家统计局没有公布上半年的整体数据。但根据中指研究院数据，前六个月，百城二手住宅价格累计下跌2.9%，核心城市中，上海连续四个月环比上涨，深圳则6月转涨；同期，百城新房价格累计上涨0.59%。

进入7月，分化仍在继续：百城二手住宅价格环比再跌0.44%，同比下跌7.37%；新房价格则在部分核心城市改善楼盘入市带动下环比上涨0.26%，同比上涨2.09%。

新政后，房价普涨的可能性不大。

主要原因在于，新政的核心目的不是推动房价上涨，而是重塑房地产市场的游戏规则。本次新政针对的更多的是增量市场而非存量市场，也没有改变市场的供需关系。由于当前市场整体库存规模仍较大，尽管新政后新项目入市节奏有所放缓，但现有供应仍较为充足，因此房价大幅上涨可能性不大。

从土地供应来看，新政后，土地市场不会走向“地荒”，而是“总量退坡、结构调整”。

一方面，土地供应收缩已经持续多年。财政部数据显示，全国土地出让金已从2021年峰值的8.71万亿元降至2025年的4.15万亿元，降幅52.35%；2026年上半年进一步降至9778亿元，同比下滑31.5%。

另一方面，土地供给结构也在持续变化，更聚焦核心城市。

根据中指研究院数据，2026年1月-7月，全国住宅土地出让金中排名前20的城市占比超过60%，一线、二线、三线城市住宅用地平均溢价率分别为21%、9%、3%，而全国住宅用地流拍地块则有86%集中在三四线城市。

普睿数智地产研究研报认为，头部企业在新政落地后短期内拿地会更趋审慎，可能压低土地供应规模；但从拿地到形成可售供应通常有两到三年传导期，期间供求关系会重新寻找平衡，未必走向供不应求。

从新房和二手房供应来看，一方面，在“控增量、去库存、以产定销”的行业策略下，新房供给本就在主动收缩。

根据国家统计局数据，2026年1月-7月，全国住宅新开工面积为1.95亿平方米，同比下降24.6%。普睿数智监测数据显示，2023年以来全国重点城市新建商品住宅供求比（新增供应面积/成交面积）持续下行且整体小于1，到今年上半年供求比创下0.7的新低，这意味着房企普遍在减少新房供应。

另一方面，二手房已经承担起重要供应角色，成为新房供应之外最重要的供给补充。

国家统计局数据显示，2026年上半年，二手房在交易总量中占比超过50%。另据普睿数智监测显示，全国重点20城二手与新房成交规模之比由2023年的基本相当，升至2026年上半年稳定站上2.3倍，其中上海高达4.9倍、北京3.6倍，苏州、合肥、成都等二线城市达到3倍。

需要注意的是，新房与二手房不是完全割裂的独立市场，二者形成置换驱动的正向循环，同时存在供给替代的分流效应。

华创证券研报分析，上半年80城新房月均供应面积距2020年高点已经下滑78%至913万平方米，但并未扭转房价下行趋势，“说明持续收缩的供给叠加二手房交易，仍能够满足居民需求。”

供需关系只是影响房价的其中一环。

华创证券在同一份研报中指出，新房供给减少可能改善板块的供需关系，减小边际冲击，但并不必然带来房价上涨，居民收入预期、居民持房成本/收益等因素影响更大。

换言之，现房目前尚未形成明显的“确定性溢价”。据国家统计局数据，2019年以来现房销售价格整体低于期房价格，且从2020年起差距扩大，且当前现房占比提升在很大程度上以“被动转现房”的滞销尾盘为主。

克而瑞研究中心称，随着新政推进，“主动现房”的比例将逐步提升，价格体系也将随之重构，期房和现房可能会形成“现房价+期房折价”的新格局。

不过，新政虽然对房价的影响整体有限，但将引导房企回归产品力与质量竞争，也将促使房地产市场回归理性。

中信银行（国际）首席经济师丁孟对《财经》表示，长期来看，新政通过降低住房开发市场过高的杠杆率、限制过度供给，能够促使房地产市场企稳，客观上也更有利于维护宏观经济和金融市场稳定。

为达成这一目标，政策工具箱需要在存量与增量两端持续加码。

58安居客研究院院长张波对《财经》表示，存量市场的关键，是让沉睡房源重新进入循环。一方面，可提速收购存量房源用作保障房，并打通“收购、改造、REITs退出”闭环，缓解保租房职住分离；另一方面，应把以旧换新真正落地，用好契税补贴、个税优惠和带押过户等政策，疏通“卖旧买新”的改善链条。同时，需要加快城市更新资金拨付，存量资产证券化也可进一步推进，争取更多租赁住房REITs优化试点。

增量市场的重点，则是给“好房子”建立正向激励。他表示，可推动“好房子”评价与土地出让、信贷支持和价格备案挂钩，让企业有动力做品质。此外，现房销售制能否平稳落地，取决于配套细则是否同步，包括土地款分期、开发贷期限足额使用等安排，可参照部分城市和区域的既有试点推进。

严跃进补充道，增量政策还应关注公积金制度跨区域互通。这有助于释放合理的跨城住房需求、提升市场活跃度。近期南京允许外地无公积金账户的购房者使用公积金贷款买房，就是很好的示范。

房地产市场正在经历一场从“速度”到“质量”的深层转换。这场变革不会在一夜之间完成，从政策框架到细则落地，从企业适应到市场出清，都需要时间。但方向已然清晰，房地产行业正在褪去过度金融化的外衣，回归居住本质。

本文来源：财经杂志

风险提示及免责条款

9 月加息在弦上，美元会开启新一轮涨势吗？

早安汇市 — Tue, 15 Sep 2026 02:19:05 GMT

上周的通胀数据公布后，市场对于9月加息定价进一步夯实，华尔街各家机构也纷纷撕报告改口预计9月加息。周一开盘后美元指数延续上涨态势，在当前市场定价已经比较充分的情况下，此次加息落地后，美元是否还能开启新一轮涨势？

加息预期充分定价，9 月加息已是 “箭在弦上”

从当前利率期货市场的定价来看，9月美联储加息25bp的概率已接近90%，几乎成为市场共识。市场定价在9月加息落地后，本轮加息周期至少还会有接近3次的加息，达到4.56%左右的终端利率。

“买预期、卖事实”，美元能否持续上涨？

1. 核心在于点阵图释放的后续加息信号

当前市场对于加息已经定价的比较充分了。加息落地本身，能够带来的增量多头信息十分有限。美元的反应将取决于点阵图，以及沃什主席新闻发布会的措辞基调。想要美元指数有效突破并且站稳100，美联储必须通过点阵图释放持续加息周期的信号，而不是 “加一次就结束” 的单次加息。

2. 财政赤字隐忧升温，这是美元的结构性弱点

美国财政状况的持续恶化正成为成为美债利率与美元走势分化的核心原因。当前美国联邦财政赤字逼近2万亿美元，国债利息支出首次突破1万亿美元大关，长端美债已经开始为债务螺旋风险定价。

贝森特这边在努力救火，通过各类操作稳定国债市场；但川普却还在不断添柴：上周提出了扩张性财政提案，若共和党参众两院继续掌控国会，拟向所有美国成年人发放5000美元补贴。预估成本超1.2万亿美元，约占GDP的4%，进一步放大财政赤字风险与国债供给压力。

3. 财政部托底长债，贝森特的"看跌期权"

面对长端美债的上行压力，美国财政部已经出手释放维稳信号，相当于为市场提供了一个“看跌期权”托底。9月9日，美国财政部宣布回购60亿美元10年期与20年期美债，规模不及市场预期的80-100亿美元。但若美联储继续加息，10年期美债收益率继续上行突破5%，美国财政部大概率会继续加码回购操作，抑制长债收益率的过快上涨。

9月FOMC对美元有不对称风险

鸽派情形：若9月不加息（小概率事件）或者9月鸽派加息（点阵图中值在4.125%及以下，即未来加息次数小于2次），则可能再度引发市场对美联储独立性与公信力的质疑，美元指数下跌幅度会比较大。

鹰派情形：若9月加息，并且点阵图释放出连续加息信号（点阵图中值在4.375%以上，即未来加息3次及以上），则美元指数可能会测试100的阻力位关口。技术面上，美元指数在98.5关口形成W底，上方阻力在颈线99.8。

对于人民币来说，目前10年期中美利差已达到历史极值，利差方面并不利于人民币持续升值，但高额贸易顺差持续支持企业结汇，预计在双向的因素下，USDCNY可能会在6.70关口附近震荡盘整一阵子。

本文来源：早安汇市

风险提示及免责条款

万字详解GPT-6 Astra，Sebastian Raschka带你读懂循环Transformer与隐藏的思维链

机器之心 — Tue, 15 Sep 2026 02:17:10 GMT

过去两周里，「循环深度」这个词变成了 AI 安全讨论的焦点。

起因是 OpenAI 新旗舰模型 GPT-6 Astra 发布前两天，The Information 援引内部消息称，Astra 用上了一种叫 recurrent depth（循环深度）、也就是 looped transformer（循环 Transformer）的设计，而这种设计「会让模型的部分乃至全部推理过程变得不可见」

模型正式上线后，争议进一步升温，OpenAI 首席科学家 Jakub Pachocki 亲自出面澄清，说他想避免「一场由混乱的报道引发的、奔向不可监控性的竞赛」，并强调包括 Astra 在内的当前前沿模型，其计算图深度与 GPT-4 的差距仍在两倍以内。

在一片语焉不详的转述中，著名技术博主、《Build a Large Language Model (From Scratch)》的作者 Sebastian Raschka 写了一篇长文，把技术细节摊开讲了一遍。

他先给出自己使用 Astra 的观察，包括它在 3D 渲染和图形任务上不成比例的领先、通过 Codex/ChatGPT 应用直接操作本地软件的能力，以及 OpenAI 采购数万台 Mac 作为强化学习环境背后的训练逻辑。随后他从 2018 年的 Universal Transformer 讲起，一路梳理到今年的开放权重模型 Nanbeige4.2-3B、字节跳动的 Ouro 和谷歌的 Mixture-of-Recursions……

而对于最受关注的那个问题，他给出了否定回答。在他看来，循环 Transformer 并不是思维链变短、变得难以监控的原因，更合理的解释是能力更强的模型犯错更少、回溯更少，因此不需要那么长的草稿纸——GPT-5.6 家族里 Luna 比 Sol 多用 80% 的 token 才达到相近性能，没有人因此说 Sol 的可解释性更差。Astra 系统卡确实承认推理轨迹的可监控性出现了退步，但没有证据表明可以把这笔账记在循环架构头上。文章最后还介绍了几项新研究。

以下是博客全文：

博客地址：https://magazine.sebastianraschka.com/p/gpt-6-astra-looped-transformers-and

过去几周发生了很多事。我相信眼下大家最关心的，还是 OpenAI 的 GPT-6 Astra。尤其是它的性能表现、其中的循环 Transformer / 循环深度设计，以及那个说 Astra 在「隐藏」自己推理轨迹（也就是思维链）的传言。

所以在这篇文章里，我想先谈谈对 Astra 的一些初步印象，以及我对这一切走向的看法。然后，我会详细讲清楚什么是「循环 Transformer」，以及它和隐藏思维链究竟有没有关系（或者说，到底有没有关系）。

最后，在讲完循环 Transformer 的基础之后，我想介绍几篇近期论文带来的新洞见。

1. GPT-6 Astra 使用印象

先说第一件事。在进入架构传言和相关研究文献之前，我先简单总结一下我对 GPT-6 Astra 的一些观察和零散发现。

上周，OpenAI 大张旗鼓地发布了新模型 GPT-6 Astra。过去几天我一直在用它。这是一个极其出色的模型，很可能是截至本文写作时我用过的最好的模型。但它究竟改进了什么？又是怎么做到的？

1.1 Astra 的基准测试表现

Astra 是我目前用过的最好的模型。而且相对于其他模型，它在 3D 渲染和动画任务上好得不成比例。我的意思是，虽然它几乎在所有类别上都甩开了前代 GPT-5.6（写作、数学、编程等等），但在图形类演示上的领先尤其明显。

这一点在基准测试里也有体现。比如下图所示，GPT-6 Astra 在数学和编程上确实很强。

图 1：三个常见编程基准和一个高难度数学基准的结果选摘。更多基准结果见 Astra；发布博客：https://openai.com/index/gpt-6-astra/

其中一个亮点（图中未展示）是，Astra 在 ARC-AGI-3 基准上拿到了 99.9%，而 GPT-5.6 Sol 只有 7.8%。这项基准衡量的是逻辑谜题求解与泛化能力的混合表现。不过，数学、编程和计算机操作类基准更值得关注，因为它们更接近真实使用场景。

回到前图右下角的 Artificial Analysis Coding Agent Index v1.4，它把多项智能体编程任务混合在一起。在这项指标上，GPT-6 Astra 明显处在前沿，但并没有大幅甩开对手。下面这张更综合的 Artificial Analysis Intelligence Index 也反映了同样的情况，它混合的是多种类型的任务，而不只是编程任务。

图 2：Artificial Analysis Intelligence Index，来自 https://artificialanalysis.ai

Artificial Analysis 这套基准的一大优势在于它是独立的，因此相比模型开发方自评的基准，可能更值得信任。

具体的测试框架（harness）取决于基准本身。例如 GDPval-AA 和 AA-Briefcase 对所有参与对比的 LLM 都统一使用他们自己开源的极简框架 Stirrup。而在上图这版 Intelligence Index v4.2 中，Terminal-Bench v2.1 用的是 Terminus 2，τ³-Banking 用的是 τ-Bench 框架。单独的 Coding Agent Index 则还会对比不同的编程智能体框架。

对于使用统一框架的评测来说，这样的比较更接近同一标准下的对照。但与此同时，模型在训练时通常都是围绕某一个主力框架来开发的，对其他框架的微调相对较少。而且，这个主力框架往往本身就是为了契合并放大该模型的长处而设计的。

所以，某些智能体评测可能低估了 Astra 在自家主力框架下的实际表现。至于这对它的 Intelligence Index 得分影响有多大，需要在相同任务上跨框架对比 Astra 才能知道。

顺带说一句：一位同事最近向我建议（Claude Code 负责人也有类似推荐），把你现有的一部分 AGENTS.md 内容和 SKILL.md 文件删掉或归档，也许并不是坏事。因为新一代 LLM 在理解提示词、解决手头问题上已经更高效了。额外的手把手指导反而可能不必要地束缚新模型，导致更差的方案。

当然，我不是说以后再也别用 SKILL.md 文件了。对某些工作流来说，它们能提升复用时的效率，因为模型不必再重新摸索一遍。我想说的是，有些工作流根本不需要描述；而且那些「旧」描述可能已经不再是最优解，LLM 自己或许能想出更好的方案。所以，也许是时候更新或者重新生成这些指令文件了。

1.2 计算机操作能力

GPT-6 Astra 在图像和渲染任务上似乎格外强。当这类任务涉及与图形用户界面交互时，它们同时也展示出了计算机操作（computer use）能力，也就是模型通过 Codex/ChatGPT 应用来操作你本地电脑上的软件。

计算机操作正是这个模型相比其他模型真正出彩的地方。而且任何和图形相关的东西，在社交平台上都很容易做出有趣又直观的演示。网上这类令人印象深刻的例子非常多，从用 Blender 建模渲染纽约市，到虚拟看房导览。

举个例子。下面是一组对比：我让 GPT-6 Astra Medium 和 High 在浏览器版的 MS Paint 里，用我电脑上的鼠标重画一张我的照片（没用 Extra High 和 Max，因为我不想把 token 全耗光 :)）。

这不仅体现了模型的绘画能力，更重要的是体现了它使用你电脑上工具的能力（这里是画图程序，你可以看到模型通过鼠标指针在操作界面）。

这并不是第一个在框架内具备通用计算机操作能力的模型。比如从今年早些时候起，我就成功用 GPT 模型完成过一些 UI 任务，例如 Excel 里的报销相关工作等等。不过，计算机操作仍是一项相对较新的能力，它由框架提供支持，用起来通常感觉还不够成熟。这也说得通：LLM 本质上是文本模型，所以最容易摘的果子自然是写作、编程以及调用 API 和 CLI。

与此同时，还有很多工具和软件（暂时）没有提供 CLI。与其等着谁来设计这个接口，不如直接提升模型使用图形界面的能力（而且如前所述，这本来也能做出漂亮又惊艳的演示）。这在某种程度上类似于当下人形机器人的发展。诚然，在流水线这类已有专用机器的场景里，人形机器人并不是效率最高的选择。但它们胜在通用。

因此我预计，接下来几个月甚至几年，也会是计算机操作能力在 LLM 和智能体框架这两个层面持续打磨的时期。也就是说，除了当前已有的能力、以及在数学和编程上的继续拓展之外，模型的训练会越来越多地把计算机操作考虑进去。这也会让 LLM 对科技圈之外的日常电脑任务更加友好。

1.3 计算机操作能力是怎么训练的

计算机操作这一趋势，也与近期的报道相吻合：OpenAI 采购了数万台 Mac Mini 和 Mac Studio 用于强化学习。这里的 Mac 并不是真的拿来训练模型（那还是用 GPU 更合适），而是在模型训练期间提供 macOS 环境，让模型学会使用这套操作系统以及其中的工具。

那么，在这些 Mac 上的计算机操作训练具体是怎么运作的？简单说，这些 Mac（准确地说是它们的 macOS 系统）充当模型在训练过程中可以交互的环境。

基本流程如下：

给模型一个任务作为提示，例如「打开 xyz 应用并完成 abc」。
向它提供 macOS 界面的截图（这通常由框架完成）。
LLM 随后预测鼠标/键盘动作，比如点击、按键、滚动等等。
在 Mac 上执行这些动作（同样由框架完成）。
执行完上一步的动作后，把更新后环境的新截图喂给模型。
重复第 2 到第 5 步，直到任务成功或失败。
把成功/失败信号和验证器（或者说打分器）作为训练反馈，包括在后训练阶段做强化学习；这类似于常规的可验证奖励强化学习（RLVR）。

图 3：计算机操作训练流程概览。

再强调一次，这里的 Mac 主要是环境，而不是训练期间运行或更新模型的机器。模型很可能跑在英伟达 GPU 上，通过 API 与这些 Mac 通信。顺带一提，英伟达 CEO 提到，GPT-6 Astra 是在约 10 万块 Grace Blackwell GPU 上训练的。

1.4 GPT-6 Astra 仍然是一个推理模型

上一节讲的对计算机操作训练的侧重，并不意味着训练流程发生了根本性的范式转变。GPT-6 Astra（以及可预见的未来里几乎所有 LLM）仍然是推理模型。也就是说，这类 LLM 用可验证奖励强化学习（RLVR）来训练，并会生成中间的推理轨迹，也就是思维链。

不过关于 GPT-6 Astra 作为推理模型的部分，尤其是隐藏思维链的问题，我会在本文稍后再展开。

2. 循环 Transformer

话说回来，在模型正式发布前大约两天，新闻媒体 The Information 发表了一篇报道称，根据内部消息，Astra 用上了一种叫「循环深度」（recurrent depth）或者「循环 Transformer」（looped transformers）的概念。

图 4：来自 The Information 的引述（来源：https://www.theinformation.com/articles/secret-technique-behind-openais-astra-model-sparks-security-concerns）

在接下来的几个小节里，我会先解释什么是循环 Transformer，关于隐藏思维链的说法留到本文后面再谈。

（循环 Transformer 这部分讲解可能显得有点长，但我真心认为，它有助于建立对这项技术的基础理解。有了这层理解，我们才能判断「它会遮蔽推理轨迹或思维链」这个说法到底站不站得住脚。）

2.1 复用 Transformer 块

那么，什么是循环 Transformer？

循环 Transformer 本质上是一种架构上的微调，核心思路是让中间表示多次通过同一批 Transformer 块，而不是只过一次。相比单纯堆更多的块，这里的「诀窍」在于：在这些遍历过程中，权重是保持不变的。

定义与术语

本文中我会使用以下几个术语：

Transformer 块（transformer block）是包含注意力、前馈模块、归一化和捷径连接的一个单元。论文里常把这些块称为「Transformer 层」。
栈（stack）指一串 Transformer 块组成的序列。
一次块应用（block application）指让输入过一遍某个 Transformer 块。

循环 Transformer 并不新鲜，其基本思路早在 2018 年的 Universal Transformers 论文中就出现过。不过在讨论 Universal Transformer 之前，我们先从一个更简单的例子说起：Nanbeige4.2-3B。这是 7 月发布的一个开放权重 LLM，今年夏天早些时候我在 Substack Notes 和我的 LLM 架构画廊里都介绍过。

下图展示的 Nanbeige 架构，基本上看起来就是个常规 Transformer。但请注意，它多了一条橙色箭头，绕回到 Transformer 栈的开头。

图 5：Nanbeige4.2-3B 把同一组 22 个 Transformer 块应用了两次。橙色箭头标出了中间表示被送回栈中的位置。

我们自下而上走一遍。首先，和其他任何基于 Transformer 的 LLM 一样，输入文本先被 token 化，再转换成嵌入向量。这些向量随后通过 22 个 Transformer 块，而每个块都有自己的一套权重。

循环 Transformer 的特点在于：第一遍走完之后，隐藏状态会被送回这同样的 22 个块再过一遍。于是块 1 被再次应用，接着是块 2，一直到块 22。

如果把这个计算过程展开，就相当于 44 次块应用。但与拥有 44 个独立块的常规 Transformer 不同，第二轮这 22 次块应用复用的是第一轮的权重。比如第 23 次块应用用的是块 1 的权重，第 24 次用的是块 2 的权重，依此类推。

图 6：Nanbeige4.2-3B 展开后，相当于让输入两次通过同样的 22 个 Transformer 块，共计 44 次块应用。

所以整个思路就是：把有效深度从 22 次块应用提升到 44 次，而不必新增一套 Transformer 权重。

顺带一问：为什么是 2 轮，而不是 3 轮、4 轮或者更多？Nanbeige 论文里细节不多，但他们表示这基本上就是效率最高的配置。把循环次数从 2 增加到 3 确实能提升建模性能，但额外的计算开销并不划算。

2.2 循环的成本

那么，我们为什么要做这种循环？说到底，它是「靠堆更多 Transformer 块把模型做大」之外的另一种选择。

举例来说，一个把 22 个 Transformer 块用两次的模型，其 Transformer 块的参数量大约只有拥有 44 个常规块的模型的一半。

这样一来，存储权重所需的内存就减少了。补充一句：嵌入层和输出层通常很大，在总参数中占相当比例，但它们不在这项比较范围内。（以 Nanbeige 4.2 3B 为例，嵌入层和输出层约占 3B 总参数的 25%；如果让这两层共享权重，这个比例可以降到 12.5%。

图 7：传统方案与循环方案所需参数量的并排对比。

当然，在循环中复用同样的块仍然是要算的。更准确地说，前向传播时中间输入要走完 44 次块应用。而在训练时，梯度要反向流经共享栈的这两轮重复。所以相比只用一次这 22 个块，这会带来大量额外工作。实际上，其开销和拥有 44 个独立块差不多，区别只在于优化器要更新的独立参数更少，反向传播依然要走完全部 44 次块应用。

还有 KV 缓存的问题。无论是常规 Transformer 还是循环 Transformer，KV 缓存都会存下先前 token 的注意力键和值，供后续每一步 token 生成时复用。

尽管循环 Transformer 里存在权重共享，但第二遍进入某个块的中间状态是不一样的。因此在 KV 缓存中，这两轮 Transformer 栈产生的键和值也不同（和不做循环时一样）。所以，KV 缓存这边也省不下什么。

说得更具体些。以第 1 次和第 23 次块应用为例，在循环 Transformer 里它们用的都是块 1，但每一次应用仍然需要各自的 KV 缓存条目。既然两轮都得单独保留缓存，那么这个被重复使用的 22 块栈，其 KV 缓存需求就和一个拥有 44 个独立块的常规 Transformer 一样。

有意思的是，Nanbeige 的研究者在论文中提到，他们试过在两轮之间共享 KV 缓存。这当然把 KV 缓存的体积减半了，但模型表现不如使用独立缓存的版本，也就是他们最终发布的那一版。

在继续看其他循环 Transformer 设计之前，先把 Nanbeige 这部分补完。他们的技术报告还讨论了另外两个选择或者说权衡。

从头训练循环架构，效果好于把已经预训练好的 Transformer 通过 upcycling 改造过来。
如上一节所述，两轮是他们更偏好的权衡点。更多轮次带来的额外收益很小，却会拖慢训练，也让优化变得更不稳定。

所以，循环轮数是我们必须做的另一个架构选择。如前所述，Nanbeige 把它固定成了 2。但我们也可以让它随 token 而变，接下来就会看到这种做法。

2.3 Universal Transformer 与灵活的循环次数

现在回到 Universal Transformers。在 Nanbeige 中，我们把一个含 22 个 Transformer 块的栈应用两次。而在 2018 年的 Universal Transformer 论文中，被反复应用的是同一个 Transformer 块，而不是一整个栈。不过主要思路是相似的。

另外，步数可以是固定的，但论文也探索了自适应停止（adaptive halting）。比如某个位置上的 token 可能只走一到两轮循环，另一个 token 可能走三到四轮，依此类推。这让模型可以灵活地把算力分配给那些真正能从额外计算中受益的 token。

那么循环次数是怎么定下来的？这里模型用了一个小的、经过训练的函数，在每一步为每个位置输出一个所谓的停止概率。它把这些概率在连续的循环上累加，一旦某个位置的累加值超过阈值，就停止循环。此外还设有一个最大循环次数，以防万一，用来限制计算量。

图 8：Universal Transformer 中的自适应停止机制。

另一个循环 Transformer 的例子是字节跳动的 Ouro。比如 Ouro-Thinking 2.6B 把同一组 48 个 Transformer 块应用了四次。这就是 192 次块应用，而只需存储 48 个独立块的权重。基本上，这比 Nanbeige 更激进。此外，一个学习得到的退出门（exit gate）会给不同的退出点分配概率，再用累计概率的阈值来决定由哪一轮提供输出。所以它也借用了 Universal Transformer 的自适应停止思路，而 Nanbeige 没有用这一套。（不过这里有个实际的注意点：官方发布的 Hugging Face 实现会先算完所有配置好的轮次，再选择输出。所以循环次数看起来实际上被硬编码成了 4。）

2.4 用路由决定循环次数

另一种思路是 Mixture-of-Recursions，这是 2025 年的一篇论文，本质上是前面讲的 Universal Transformer 的进阶版。与 Universal Transformer 类似，单个 token 会一次或多次通过 Transformer 块，如下图所示。但它的创新在于：循环次数是如何按 token 逐个决定的。

在下面这张出自论文的图中，被循环（重复）的那个栈被称为递归块（recursion block）。它包含若干 Transformer 块，并夹在独立的首尾两个 Transformer 块之间，图中标为 Layer 0 和 Layer L-1。

图 9：Mixture-of-Recursions 在不同的 token 位置上，把共享栈应用不同的次数。高亮文字展示了 1 次、2 次或 3 次遍历的例子。图改编自 Mixture-of-Recursions 论文。

模型怎么决定一个 token 该过几次递归块？在前面讨论的 Universal Transformer 里，靠的是每一步学习得到的停止概率。而 Mixture-of-Recursions 这里用的是一个小型的、可学习的路由器。这与混合专家模型中的路由思路类似，只不过这里的路由决策决定的是共享栈要应用多少次。

路由器作用在 token 的隐藏表示上，而隐藏表示里也包含了上下文信息。所以我们不该把它理解成「某个特定 token 每次出现都被分配相同的遍历次数」，也就是说，上图里的「People」并不总是走 3 次循环。这个决定会随着该词出现的位置以及前文内容而变化。

那么路由具体是怎么运作的？论文探索了两种做法，如下图所示。

图 10：选择递归深度的两种方式。左边由路由器在每一步选出哪些 token 继续参与；右边由单个路由器在一开始就分配好遍历次数。图出自 Mixture-of-Recursions 论文。

在专家选择路由（expert-choice routing，上图左侧子图）中，每个递归步骤自行选择要处理哪些 token，退出的 token 不再参与后续步骤。在token 选择路由（token-choice routing，右侧）中，路由器在一开始就做出一次决定，把每个 token 分配到走一次、两次或三次的路径上。

两种情况下，Transformer 权重都会在各轮遍历之间复用，和 Nanbeige 等做法类似。额外的灵活性来自于可以决定每个 token 获得多少计算量。模型和它的路由器是一起训练的，因此模型能在训练中学会应对这些不同的路径。

2.5 效果究竟如何？

下面这张出自 Mixture-of-Recursions 论文的图，对比了常规 Transformer（Vanilla）、固定递归次数的 Transformer（Recursive）和 Mixture-of-Recursions（MoR）在不同模型规模和算力预算（x 轴）下的表现。

图 11：四种模型规模、三种训练算力预算下的验证损失。图出自 Mixture-of-Recursions 论文。

在最小的模型规模上，常规 Transformer 表现最好。到了更大的模型上，Mixture-of-Recursions 追了上来，而且往往表现更好，在训练预算较小时尤其明显。而在最大的预算下，几条曲线非常接近。所以，优势取决于模型规模，也取决于我们在训练上花了多少算力。

另一个细节是：训练算力相同，并不意味着训练 token 数相同。通过跳过部分计算，Mixture-of-Recursions 能在同样的预算内处理更多 token。

我觉得这是个很有意思的例子，因为它说明在循环 Transformer 这个思路内部还有若干选择：每个位置循环多少次，以及这个次数由什么来决定。

简而言之，如果模型足够大，使用循环 Transformer 能在固定算力预算下提升模型质量。（这也说明了做大规模实验的重要性；比如只看 135M 参数的小模型，我们会得出完全相反的结论。）

3. 插叙：循环神经网络（RNN）

顺带一提，如果你有深度学习背景，甚至了解 1990 年代的人工神经网络，那么这种循环、或者说「循环深度」的思路，你应该会觉得有几分眼熟。还记得循环神经网络（RNN）吗？RNN 的整个思路就是复用上一次迭代的层，也就是权重。

图 12：RNN 示意图，出自我 2022 年的《Machine Learning with PyTorch and Scikit-Learn》一书

主要区别在于，RNN 是跨时间步复用权重。也就是说，隐藏状态从一个 token 传递到下一个 token。而在循环 Transformer 中，一个 token 的循环发生在架构的深度方向上。

换句话说，在常规 RNN 中，每一步接收的是输入序列的下一个元素和上一步的隐藏状态。所以当 RNN 处理一段文本时，它一次读一个词或一个 token，并把前面词的信息通过隐藏状态往前带。

而在循环 Transformer 中，某个 token 的中间表示会多次通过 Transformer 栈。模型仍然靠注意力在 token 之间传递信息。

如果这个类比让你有点晕，也不必太在意。也许更简单的理解方式是：把循环 Transformer 看成对 Transformer 块的复用，类似于把模型做大，只不过权重是共享的。

图 13：RNN 与循环 Transformer 中「循环」的并排对比。

4. Astra 到底用没用循环 Transformer？

在讨论循环 Transformer 机制是否像前面 The Information 那段引述所暗示的那样遮蔽了推理轨迹之前，先问一个更基本的问题：GPT-6 Astra 究竟有没有用循环 Transformer 这套东西？

图 14：来自 The Information 的引述，来源：https://www.theinformation.com/articles/secret-technique-behind-openais-astra-model-sparks-security-concerns

我们必须记住，这目前仍然只是传言或独家爆料，没有官方确认。如果模型是开放权重的，我们当然可以自己去核实，但眼下只能依赖未经证实的报道。

不过我认为，GPT-6 Astra 很可能确实用了循环 Transformer 的相关设计。第一，有上面提到的报道。第二，这项技术在过去的研究中已经显示出潜力（如前所述），那为什么不用呢？第三，OpenAI 的首席科学家说过下面这段话。

[……] 我们当前前沿模型（包括 Astra）的计算图深度，与 GPT-4 的差距在两倍以内。[……]

但这并没有明确证实循环 Transformer 架构的存在，它也可能只是意味着他们用了两倍数量的常规 Transformer 块。

在我看来，Astra 的成功（也就是良好的建模性能）主要恐怕还是来自其他原因，即更好的训练配方和训练数据。

循环 Transformer 这个改动或许有些帮助，但我认为 The Information 高估了它的贡献。

5. 隐藏思维链

接下来，终于要面对那头房间里的大象了：循环 Transformer 会遮蔽推理轨迹吗？

首先，OpenAI 从一开始，至少从 OpenAI o1 起，就一直对用户隐藏大部分推理轨迹。所以对终端用户来说，这里不该有太大差别。

因此，可解释性方面的担忧主要是针对模型开发者的。

无论如何，我不认为循环 Transformer 是隐藏或遮蔽思维链的主要推手。为了说清楚我的理由（无意双关），我们先退一步，讲讲推理模型是怎么工作的。

5.1 简述推理

推理模型通常会在给出最终答案之前生成一些中间步骤。这些步骤使用的是普通的文本 token（在某些用户界面中可以选择对用户隐藏），被称为推理轨迹或者思维链。

举个例子，假设我们要找两个数，和为 10、积为 21。在下图中，模型一开始试了 5 和 5。虽然和对了，但乘积是 25，不是 21。接着它试了 3 和 7，再把这两个条件重新检验一遍。

图 15：一段示意性的 LLM 回答，标注出了中间步骤、回溯和最终答案。

这张图展示了推理模型是如何「推理」的，包括回溯。也就是说，模型发现了错误，回到先前的某个选择，然后换一种思路继续。

注意，模型仍然是一次生成一个 token，并把提示词和先前的 token 作为上下文。所以这些中间步骤起到的是草稿纸的作用，在给出最终答案之前增加了计算量。

如上例所示，最终答案可能比它之前的推理轨迹短得多。（OpenAI 倾向于对用户隐藏大部分推理轨迹。）

想更深入地理解和开发推理模型，推荐我的书《Build a Reasoning Model From Scratch》。

图 16：我的《Build a Reasoning Model From Scratch》一书讲解了推理模型的基础原理。

5.2 token 用量与更短的思维链

推理轨迹中多出来的 token 会带来更多计算。而循环 Transformer 同样会增加计算，因为 token 要通过更多的 Transformer 块。于是有人可能会说：既然带循环的模型在内部消耗了更多计算，那它就不需要那么多外部的思考 token 了。

下面选取了部分 GPT-6 的基准结果，x 轴是输出 token 数。

图 17：选自 https://openai.com/index/gpt-6-astra/ 的部分 GPT-6 Astra 基准结果。

可以看到，在各个 effort 档位上，GPT-6 Astra 整体上并不一定比前代 GPT-5.6 Sol 用更少的 token。不过，在准确率固定的条件下，GPT-6 Astra 确实比 GPT-5.6 Sol 用得更少。

这对可解释性构成担忧吗？未必。token 用得更少，可能只是说明模型能力更强、犯错更少、回溯更少等等。也就是说，它可能只是更多地在第一次尝试时就做对了。在我看来，这并不会立刻引发可解释性方面的担忧。

我的意思是，以前的模型也是如此。我不觉得会有谁强烈担心 GPT-5.6 Sol 的可解释性比更小的 GPT-5.6 Luna 差很多，而如下图所示，Luna 在达到相同任务表现时要用掉多得多的 token。

图 18：Luna 和 Sol 在相近任务表现下的 token 用量。数据来自 Artificial Intelligence Index v4.3。

事实上我们可以看到，在建模性能相近的情况下，Luna 比 Sol 多用了 80% 的 token。难道这就意味着 Sol 的可解释性差那么多吗？

更合理的解释是：能力更强的模型（更大、训练更充分、消耗更多算力）能更高效地解决问题，而这里的「高效」指的就是 token 更少

还需要记住的一点是，推理轨迹并不保证如实描述模型内部发生的一切。在我看来，唯一站得住脚的担忧是：循环 Transformer 会不会比常规 Transformer 更频繁地用「假的」推理轨迹刻意误导用户。但我认为，目前没有任何有力证据表明这种情况正在发生。

另外，Astra 的系统卡确实提到，有证据显示其推理轨迹的可监控性有所下降，相对 Sol 出现了一定程度的退步。这主要与轨迹更短、信息量更少有关。但这同样无法证明循环就是根本原因。它也可能只是因为整体长度变短了，就像上面 Luna 与 Sol 的例子一样。

在我分享了自己关于循环 Transformer 与隐藏推理链的看法几小时之后，OpenAI 首席科学家 Jakub Pachocki 也发布了如下澄清：

我想避免因为混乱的报道而引发一场奔向「不可监控」的竞赛。我们当前前沿模型（包括 Astra）的计算图深度，与 GPT-4 的差距在两倍以内。自最早的推理模型起，OpenAI 就一直在努力保留并利用思维链监控。我们非常重视这项技术，因为它能让我们看到模型的对齐是如何从训练分布中泛化出去的。我确实认为它很脆弱，而且不幸的是正朝着不好的方向发展，原因与架构变化无关，我很快会专门撰文说明。但我们有办法强化它，这也是我们当前研究计划的一个核心目标。

这里说的「混乱的报道」，多半指的就是前面提到的 The Information 那段话。言下之意是，循环这件事与思维链的变化没有任何关系。

6. 循环 Transformer 相关研究

最后，我想分享几篇与循环 Transformer 架构相关、且前面尚未讨论过的有趣论文。

6.1 潜在推理

与 Universal Transformer 相关的，是 2025 年的论文《Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach》，它研究的是模型如何在推理时使用额外的循环。为此，他们在 8000 亿 token 上训练了一个规模不大、但也不算特别小的 35 亿参数模型。

它不像 Universal Transformer 那样反复复用同一个块，而是像 Nanbeige 那样重复一整个栈；但与 Nanbeige 不同的是，它把这个由 4 个块组成的共享栈，夹在 2 个起始块和 2 个末尾块之间。

与 Nanbeige 的另一处不同在于：在每一轮循环开始时，共享栈除了接收上一轮的隐藏状态，还会接收起始块的输出。两者会被拼接起来，经过一个可学习的线性投影，再进入这 4 个共享块。你可以把它理解为：让这个栈在每一遍都能拿到同样的初始输入表示。整体结构总结在下图中。

简而言之，这是循环 Transformer 的又一个有趣变体。

图 19：Geiping 等人论文中潜在推理模型的概念性总结。

一个有意思的细节是，研究者在训练过程中会改变循环次数。这让模型做好准备，以便在推理时适应不同的计算量。

具体来说，训练时的循环次数是随机采样的。而在推理时，则由运行模型的人选定一个固定预算，比如 8 次、32 次或 64 次循环。此外，他们还为每个 token 设计了基于下一 token 概率分布的自适应停止机制。如果连续两轮之间的 KL 散度低于某个阈值，也就是两个分布过于相似，循环就会停止。

总体收益取决于任务。在他们的评测中，HellaSwag 的表现在大约 8 轮之后基本趋于平缓，而 GSM8K 和 HumanEval 则能从更多轮次中获益。

不过，虽然论文标题里提到了「潜在推理」，模型仍然可以生成文本形式的思维链。循环只是在输出每个 token 之前给它更多计算。

6.2 知识检索 vs 推理

「存储信息」和「用信息解决问题」之间有一个很有用的区分。比如 2025 年 6 月的论文《Beyond Parameters: Exploring Virtual Logic Depth for Scaling Laws》，就通过分别测量 LLM 的记忆能力和推理能力来研究这一点。

首先，在记忆实验中，当参数量固定时，循环几乎不改变模型存储的信息量。而增加不同参数的数量，确实会提升这一容量。由此可以得出结论：循环并不会增加知识，也不会让模型检索到更多知识。这也说得通。一旦信息已经存下来了，检索本身是相对简单的任务。而且，循环本身是一种计算机制，而非「存储」机制。

其次，在另外的推理实验中，复用这些块能在不增加参数的情况下提升多步数学题的表现。这就有意思了。这里可以得出的结论是：即便模型没有更多空间来存储信息，额外的计算也能帮它解决问题。但话说回来，更大的模型同样能提升推理能力，只不过它也增加了参数。

图 20：在这项记忆测试中，容量随参数量增长，但增加块的应用次数几乎不改变容量。图片出自 Zhu 等人的论文，并加了标注。

6.3 在算力预算对齐条件下的循环

刚刚发布的 2026 年 9 月论文《SMELT: Scaling Laws for Compute-Matched MoE Looped Transformers》，重新回到了 2.2 节的成本比较问题。如果我们在每 token 计算量、非嵌入总参数量和 KV 缓存需求都大致相同的条件下，去比较循环 Transformer 和常规 Transformer，会发生什么？

研究者采用混合专家架构，把中间那一半的 Transformer 块应用两次。这做法有点像 Nanbeige，只不过用上了 Latent Reasoning 那种「夹心」结构

不过，为了抵消额外块应用带来的计算开销，他们收窄了隐藏维度。而这又会让参数量变小，于是他们再增加专家数量，把总参数量补回来。他们还调整了注意力头的配置，以保持 KV 缓存规模可比。

图 21：SMELT 概览，取自 SMELT 论文 3.2 节给出的示例。

实验规模最高做到了 540 亿非嵌入参数等等。随后，研究者根据拟合出的扩展曲线估计：在所研究的算力区间内，SMELT 达到同样的验证损失所需的训练算力大约少 6.8% 到 18%。

所以，这就回答了「循环 Transformer 在计算上值不值」这个问题：值！在相同算力预算下，它们能给我们一个稍好一些的模型。

6.4 全带宽 Transformer

最后，同样非常新的 2026 年 8 月论文《Full-bandwidth transformer》研究的是跨 token 位置的循环。在每一个解码步骤，它通过一个可学习的门控，把上一个 token 的最终隐藏状态与新采样出的 token 的嵌入结合起来。这个结果会成为下一次前向传播的输入。

于是，下一个 token 的计算从栈的最底部就能拿到上一个 token 的最终表示，这在某种程度上与 Latent Reasoning 相似。

在使用 1B 基座模型时，他们发现这种潜在反馈方法在 MATH500 上会输出更短的推理轨迹，同时保持甚至提升了准确率。不过，经过指令微调之后，这种缩短效应就消失了。

图 22：潜在反馈缩短了基座模型的推理轨迹，但这一效应在指令微调后消失。改编自 Wang 等人论文图 6，CC BY 4.0。定义和注意事项为作者补充。

总之，这一点很有意思，因为它直接呼应了前面关于「循环是否会带来更短推理轨迹」的讨论。当然，结果同时取决于反馈机制和模型的训练方式。另外，该实验也没有确定这些更短的轨迹是否忠实度更低。

此外，这项研究的一大局限在于：他们没有测试用常规方式增大模型（也就是堆更多 Transformer 块而不是循环）是否会对推理轨迹长度产生类似的影响。

结语

总结一下。我们可以说，OpenAI 的 GPT-6 Astra 确实是个非常强的模型，而且它在计算机操作方面迈出了特别大的一步。我相信在接下来的几个月里，计算机操作会成为开源和闭源框架的下一个重点方向。在计算机操作这件事上，我认为开源尤其重要，毕竟「能力越大，责任越大」，在把主力电脑的访问权限交出去之前，能先审计一下这个框架是件好事。

此外，GPT-6 Astra 很可能用了某种循环 Transformer 的变体。循环 Transformer 就是能在固定算力预算下带来更好的建模性能。

还有，更好的建模性能可能会伴随着更短的推理链。但这并不是什么新趋势。在同一模型家族里不同规模的模型之间（比如 GPT-5.6 Luna 与 Sol），我们一直都能看到这一点。

在我看来，更短的推理轨迹是更「聪明」、能力更强的模型带来的副产品。这类模型犯错更少，而且能在架构内部调动更多计算，而不是把推理轨迹当草稿纸用。某种意义上，人也是如此。在大学的现场数学考试中，一个聪明且准备充分的学生，大概率更少用到草稿纸，也更少需要回头重来。

本文来源：机器之心

风险提示及免责条款

中国1-8月份城镇固定资产投资下降7.2%，信息服务业增长22.7%

Tue, 15 Sep 2026 02:16:40 GMT

1-8月，我国高技术产业投资稳步提升，知识产权产品投资快速增长。

9月15日国家统计局发布数据，1-8月份，全国固定资产投资（不含农户）293092亿元，同比下降7.2%（按可比口径计算，详见附注7）。其中，知识产权产品投资同比增长9.2%。

分领域看，基础设施投资同比下降4.0%，制造业投资下降2.3%，房地产开发投资下降19.9%。

高技术产业投资同比增长5.2%，其中信息服务业，航空、航天器及设备制造业，电子及通信设备制造业投资分别增长22.7%、14.9%、6.9%。

分产业看，第一产业投资5832亿元，同比下降2.4%；第二产业投资113094亿元，下降2.9%；第三产业投资174166亿元，下降9.9%。

工业投资同比下降2.9%。其中，采矿业投资增长3.4%，制造业投资下降2.3%，电力、热力、燃气及水生产和供应业投资下降6.9%。

基础设施投资（口径详见附注1）同比下降4.0%。其中，信息传输业投资增长28.4%，航空运输业投资增长16.7%，水上运输业投资增长14.7%。

分地区看，东部地区投资同比下降9.4%，中部地区投资下降8.7%，西部地区投资下降8.8%，东北地区投资下降25.5%。

分登记注册统计类别看，内资企业固定资产投资同比下降7.1%，港澳台投资企业固定资产投资下降6.9%，外商投资企业固定资产投资下降4.3%。

1—8月份，民间固定资产投资同比下降10.1%。从环比看，8月份固定资产投资（不含农户）下降0.5%。

风险提示及免责条款

大模型到底“暂缓开发”还是“研发复利”，RSI还能成为下一个超级叙事？

万周 — Tue, 15 Sep 2026 02:16:03 GMT

过去的大模型竞争主要比拼算力、数据和模型能力，如今一个更深的变化正在发生：AI开始进入代码、实验、训练优化乃至芯片设计流程。严格意义上的RSI尚未实现，但“AI参与研发下一代AI”的闭环已经开始出现。真正值得关注的，也许已经不是AGI何时到来，而是AI进步的速度是否开始由AI自己推动。

一、发生了什么？——AI开始进入“制造AI”的流水线

1、RSI并不是“AI有了自我意识”：

RSI是Recursive Self-Improvement的缩写，通常可以翻译成“递归式自我改进”。这个概念听起来有些科幻，但它讨论的并不是AI突然拥有自我意识，而是一个非常具体的工程问题：当前这一代AI，能不能参与研发下一代AI，而能力更强的下一代AI，又能不能进一步提高AI研发效率。

过去开发一代前沿模型，研究人员需要阅读论文、寻找方向、写训练代码、设计实验、运行测试、分析失败，再决定下一轮怎么调整；如今这些环节中的一部分，已经逐步转移给AI来承担。不过，AI帮程序员写几段代码还不能叫RSI。严格意义上的RSI要求形成一条跨代反馈链：AI₀参与开发AI₁，AI₁不仅能力更强，而且也更擅长开发AI，于是AI₁能够更快地帮助开发AI₂，而AI₂又进一步提高下一轮研发效率。

真正持续变强的，不只是模型本身，还有“开发AI的能力”本身。这也解释了它和AGI最大的区别。AGI讨论的是AI最终能有多强，像不像一个全能的数字工作者；RSI讨论的则是AI变强的速度，会不会开始由上一代AI自己推动。

2、AI已经从“研发助手”走进真实实验流程：

过去两年，前沿模型在AI公司的内部角色发生了明显变化。它们不再只是回答研究员的问题，而是已经可以修改真实代码库、自动Debug、运行实验、分析日志，甚至在目标清晰、评价标准明确的条件下，连续完成“提出方案—修改代码—运行实验—比较结果—继续优化”这一整套动作。这类能力之所以重要，不在于它替研究员省下了多少机械劳动，而在于AI第一次开始具备“持续推进研发任务”的雏形。

Google DeepMind的AlphaEvolve能够大量生成候选算法，通过自动评测判断哪些方案更优，再把更好的方案送入下一轮搜索，已经被用于数据中心调度、芯片设计和AI训练优化。Anthropic和OpenAI披露的内部实践也说明，AI已经进入研究调试、训练系统优化和部分开放式实验环节。

当然，这距离完整RSI仍有明显距离，因为“研究什么”“为什么值得研究”“一个小模型上的结果能不能推广到前沿模型”这类最困难的判断，仍然高度依赖人类研究员。今天的AI更像一名执行能力越来越强的研究工程师，而不是一个能够完全独立选题、承担结果责任的首席科学家。

……

老黄忍不住了：末日论都是胡扯，数字全是编的

张硕 — Tue, 15 Sep 2026 02:10:12 GMT

英伟达CEO黄仁勋表示安全重要，但与领导力不是二选一。

吹哨应重视，可“10%灭绝”“文明死亡”等数字是编的，极不负责。
AI接管放射学、90%代码生成、白领失业、就业末日等预测全错。必须追责记录这些胡扯，否则不利美国赢得AI竞赛。

A股三大股指早盘震荡上涨，半导体产业链爆发，玻璃纤维、电子布大涨，恒科指涨近1%，科网股集体反弹

Tue, 15 Sep 2026 02:09:55 GMT

9月15日，A股早盘震荡走低，三大股指盘初小幅回升，纷纷收窄跌幅，深成指率先翻红，覆铜板、六氟化钨、电子布、玻璃纤维、电路板HBM、玻璃基板等概念股集体拉升，餐饮旅游、零售、农业等板块陷入调整，海运、化工板块走强。

港股分化，恒指、恒科指盘初涨跌不一，恒指承压，恒科指小幅上涨，权重科网股、芯片半导体集体反弹。债市方面，国债期货纷纷走高。商品方面，国内商品期期货多数下跌。核心市场走势：

A股：截至发稿，沪指跌0.07%，深成指涨0.26%，创业板指涨0.17%。

港股：截至发稿，恒指跌0.34%，恒科指涨0.72%。

债市：国债期货全线反弹，截至发稿，30年期主力合约%，10年期主力合约%，5年期主力合约%，2年期主力合约%。

商品：国内商品期货多数下跌，截至发稿，原油继续大涨超6%，沥青涨超2%，燃油、焦煤涨1%，氧化铝、螺纹钢、沪锡等少数品种走高，不锈钢、热轧卷板、锰硅、豆粕、铁矿石、工业硅、多晶硅等纷纷下跌，烧碱、钯金、鸡蛋、沪镍、集运指数、沪铜、沪金、纸浆、沪银、铂金、橡胶、菜籽等品种跌超1%，玻璃、沪锡、碳酸锂跌幅超过2%。

09:58

玻纤概念快速拉升，宏和科技涨停，国际复材、中国巨石、长海股份、中材科技跟涨。

电子布板块发力，中国巨石、宏和科技、国际复材、中材科技集体上行，生益科技高举高打。消息面上，9月初电子纱/布开启新一轮提价。

09:39

PCB概念反复活跃，超声电子7天5板，此前华正新材7天3板，澳弘电子触及涨停，方邦股份、南亚新材、兴森科技、满坤科技跟涨。

MLCC概念震荡拉升，双星新材3连板，火炬电子、三环集团、斯迪克跟涨。消息面上，全球MLCC龙头村田制作所日前释放出明确的扩产信号。据日经新闻报道，村田计划将多层陶瓷电容器产能，在2027财年（2027年4月至2028年3月）较当前水平提升两成。

09:35

农业板块再度调整，新农开发二连跌停，国投丰乐、神农种业、宏辉果蔬、雪榕生物、康农种业跟跌。

早盘旅游板块震荡下挫，天目湖跌停，桂林旅游触及跌停，云南旅游、张家界、曲江文旅、西域旅游等快速跟跌。

汽车整车板块反复活跃，安凯汽车2连板，众泰汽车、山子高科逼近涨停，海马汽车、东风股份、中通客车跟涨。消息面上，广汽集团公告，筹划发行股份购买一汽股份持有的某整车合资公司部分股权。

09:31

有色·钨概念表现活跃，翔鹭钨业涨停，章源钨业、中钨高新、厦门钨业跟涨。消息面上，目前，鹿特丹市场上作为钨产业链核心中间产品的仲钨酸铵(APT)价格已在短短18个月内翻了九倍。

09:30

早盘网络安全概念继续大幅高开，中新赛克开盘一字涨停，走出4连板，启明信息竞价涨停，天融信、永信至诚、中孚信息、浩瀚深度高开超5%。

消息面上，英伟达、Palantir和Booz Allen Hamilton正要求OpenAI、Anthropic提供新的安全保障，并减少或停止使用两家公司最先进的AI模型。

09:26

上证指数低开0.14%，创业板指跌0.14%。传媒、汽车、油气、网络安全、大数据板块活跃。光通信板块调整。

09:21

恒生指数高开0.07%，恒生科技指数涨0.47%。广汽集团、兆易创新、中际旭创、联想集团、美团走强。

风险提示及免责条款

1—8月份，全国房地产开发投资47979亿元，同比下降19.9%

Tue, 15 Sep 2026 02:03:38 GMT

房地产开发投资完成情况

1—8月份，全国房地产开发投资47979亿元，同比下降19.9%（按可比口径计算，详见附注5）；其中，住宅投资37017亿元，下降19.7%。

1—8月份，房地产开发企业房屋施工面积560770万平方米，同比下降12.8%。其中，住宅施工面积389347万平方米，下降13.2%。房屋新开工面积29894万平方米，下降24.8%。其中，住宅新开工面积21840万平方米，下降25.4%。房屋竣工面积21097万平方米，下降23.7%。其中，住宅竣工面积14798万平方米，下降25.4%。

商品房销售和待售情况

1—8月份，新建商品房销售面积49880万平方米，同比下降12.1%；其中住宅销售面积下降13.0%。新建商品房销售额47470亿元，下降13.0%；其中住宅销售额下降13.1%。根据住房城乡建设部数据，1—8月份，二手房交易网签面积（见附注6）54923万平方米，同比增长10.6%。

8月末，新建商品房待售面积75349万平方米，同比下降1.1%。其中，待售3年以下面积54819万平方米，下降4.2%。

房地产开发企业到位资金情况

1—8月份，房地产开发企业到位资金50893亿元，同比下降21.0%。其中，国内贷款6880亿元，下降33.3%；自筹资金18432亿元，下降20.0%；定金及预收款16037亿元，下降14.8%；个人按揭贷款6846亿元，下降22.4%。

风险提示及免责条款

中国8月社会消费品零售总额同比 0.4%，前值 0.6%

Tue, 15 Sep 2026 02:00:40 GMT

中国8月社会消费品零售总额同比 0.4%，前值 0.6%。

风险提示及免责条款

中国8月规模以上工业增加值同比5.2%，预估为4.8%，前值为4.5%

Tue, 15 Sep 2026 02:00:21 GMT

中国8月规模以上工业增加值同比5.2%，预估为4.8%，前值为4.5%。

风险提示及免责条款

8月70城房价：一线城市商品住宅销售价格环比上涨，二三线城市环比降幅总体收窄

Tue, 15 Sep 2026 01:30:42 GMT

国家统计局城市司高级统计师杨彩芳解读2026年8月份商品住宅销售价格变动情况统计数据

　　2026年8月份，70个大中城市中，一线城市商品住宅销售价格环比上涨，二三线城市环比降幅总体收窄，一二三线城市同比降幅继续收窄。

　　一、一线城市商品住宅销售价格环比上涨，二三线城市环比降幅总体收窄

　　8月份，一线城市新建商品住宅销售价格环比由上月持平转为上涨0.1%。其中，上海、广州和深圳分别上涨0.4%、0.1%和0.2%，北京下降0.2%。二线城市新建商品住宅销售价格环比下降0.1%，降幅与上月相同。三线城市新建商品住宅销售价格环比下降0.2%，降幅比上月收窄0.1个百分点。70个大中城市中，新建商品住宅销售价格环比上涨或持平城市有21个，比上月减少2个。

　　8月份，一线城市二手住宅销售价格环比上涨0.1%，涨幅比上月回落0.1个百分点。其中，上海和深圳分别上涨0.3%和0.1%，广州持平，北京下降0.1%。二线城市二手住宅销售价格环比下降0.3%，降幅与上月相同。三线城市二手住宅销售价格环比下降0.3%，降幅比上月收窄0.1个百分点。70个大中城市中，二手住宅销售价格环比上涨或持平城市有8个，与上月相同。

　　二、一二三线城市商品住宅销售价格同比降幅继续收窄

　　8月份，一线城市新建商品住宅销售价格同比下降0.9%，降幅比上月收窄0.2个百分点。其中，北京、广州和深圳分别下降2.3%、1.9%和2.3%，上海上涨3.0%。二、三线城市新建商品住宅销售价格同比分别下降2.7%和4.1%，降幅均收窄0.1个百分点。

　　8月份，一线城市二手住宅销售价格同比下降2.7%，降幅比上月收窄1.0个百分点。其中，北京、上海、广州和深圳分别下降3.5%、0.8%、3.8%和2.7%。二、三线城市二手住宅销售价格同比分别下降4.9%和5.6%，降幅均收窄0.2个百分点。

风险提示及免责条款

行业高管：“石油危机”已经来临！伊朗战争看不到结束的希望，局势有失控风险

Tue, 15 Sep 2026 01:14:34 GMT

美国石油业高管警告，随着商业库存持续消耗、战略储备空间趋于耗尽，能源市场的缓冲机制已基本失效，而伊朗战争久拖不决，局势存在失控风险。

9月11日，雪佛龙首席执行官Mike Wirth在德克萨斯州奥斯汀举办的一场能源会议上表示，维系市场稳定的各类机制已基本发挥殆尽。Wirth说：

所有这些机制帮助缓解了价格和供应风险，但它们现在已基本用尽，我们系统中的缓冲空间与冲突开始时相比已大幅减少。

他补充称，油价走势难以预判，但当前局面下价格快速回落的前景令人难以乐观。Wirth表示：

我希望能告诉你，我看到了某些局势缓和的理由，但现在确实很难看到这种可能。

全球商业燃油库存已连续超过六个月持续下滑，战略原油储备进一步动用的空间也所剩无几。沙特阿拉伯一条绕过霍尔木兹海峡的关键输油管道上周遭到袭击，据分析师估计，每日约250万桶原油因此被截留于已然紧绷的全球市场之外。

美国原油价格在过去三周内飙升19%，目前交投于每桶102美元附近；柴油零售价攀升至每加仑6.23美元的历史纪录，汽油价格也从今夏短暂跌破4美元后反弹至4.32美元。

特朗普政府坚称市场扰动属于暂时性现象。美国内政部长Doug Burgum周一在休斯顿G-20活动上表示，当前油价上涨是"暂时性干扰"，并驳斥了外界关于美国正考虑禁止成品油出口的猜测。

然而，这一表态与石油业高管的判断形成明显落差，后者对局势走向日益感到忧虑。

战争僵局令能源市场难觅出路

资深能源顾问指出，在伊朗战争看不到任何解决迹象的情况下，局势存在失控风险。

Quantum Capital Group创始人兼首席执行官Wil VanLoh在奥斯汀会议上表示，谈判优势通常归于有时间、有耐心的一方。他指出，伊朗"愿意承受痛苦，其人民已经承受了数十年的苦难"，暗示德黑兰在持久战中具有天然心理优势。

投资机构Pickering Energy Partners创始人Dan Pickering则表示，特朗普此前曾表示战争将持续至11月中期选举，但投资者普遍认为冲突将延续更长时间。Dan Pickering称：

那是一个信号，说明这场战争将会拖下去。

特朗普已承诺对伊朗施加经济压力，并排除地面部队介入的可能性。与此同时，伊朗持续袭击途经霍尔木兹海峡的油轮，即便特朗普政府此前曾宣称已秘密护送多艘船只安全通过该水道。

白宫坚持"暂时论"，拒绝出口禁令

面对市场和业界的焦虑情绪，特朗普政府坚持认为局势可控。

Burgum在休斯顿活动上表示，前任总统拜登"追求的是一种能源削减政策并关闭炼油厂"，若非政府换届，当前高油价将成为常态；而目前的价格上涨只是暂时现象，"如果你要写油价，请务必加上'暂时'这个词"。

他同时明确排除了禁止柴油等成品油出口的可能性，称此举不会有效压低国内价格。Burgum表示：

我们会做任何有助于压低国内价格的事，但我们也会保持理性，而不是凭借某种想法认为，停止出口就能神奇地解决问题。

而当前危机中，柴油市场面临尤为严峻的压力。

据《华尔街日报》此前报道，ExxonMobil、雪佛龙和ConocoPhillips三家美国最大石油公司的首席执行官，早在今年3月就曾向包括Burgum和能源部长Chris Wright在内的特朗普政府官员发出警告，称霍尔木兹海峡长期关闭可能导致柴油等成品油出现严重短缺。

Pickering指出，中东冲突与俄罗斯局势导致炼油产能受损，叠加农业收割季即将到来，农用重型机械对柴油需求庞大，供需缺口恐将进一步扩大。他说：

柴油没有简单的解决方案。

白宫表示，正通过两条路径积极应对：推动委内瑞拉增产，以及提升美国本土炼油产能。一名美国高级官员表示，政府对目前两方面的进展均感到满意。

风险提示及免责条款