华尔街见闻 - 资讯 - 最新

加息预期升温，全球政府债券平均收益率逼近4%，创2007年以来新高

Thu, 24 Sep 2026 10:42:47 GMT

全球债券市场正面临新一轮抛售压力，通胀回落不及预期、财政融资需求高企，推动市场重新评估利率路径，“高利率维持更久”的预期持续升温。

9月24日周四，据彭博报道，彭博全球综合国债指数收益率周三上涨8个基点至3.99%，距离4%关口仅一步之遥，达到2007年以来罕见水平，单日涨幅创5月以来最大。与此同时，美国五年期国债收益率突破5%，为2007年以来首次。互换市场目前已计入未来一年三次25个基点加息预期，第四次加息的预期也明显升温。

债市抛售的影响也正在向其他资产和实体经济传导。政府、企业及家庭的融资成本面临上行压力，更高的无风险收益率也会抬高股票等风险资产的折现率，压制其估值。与此同时，债市波动率明显攀升，ICE美银MOVE指数周三升至3月以来最高水平，进一步提高了投资者入场的谨慎程度。

五年期拍卖需求疲弱，美债收益率持续走高

美国国债是本轮全球债市调整的核心驱动力。周四，美债收益率继续走高，10年期收益率上涨2个基点至5.14%，创2007年以来新高，30年期收益率则升至2004年以来最高水平。

美国财政部周三完成700亿美元五年期国债拍卖，中标收益率创2006年以来最高。按彭博采用的一项衡量标准，该场拍卖表现位列2018年有记录以来第二差，显示市场在更高收益率水平下仍要求额外补偿。随着美国债务规模接近40万亿美元，持续攀升的利息支出也进一步放大了市场对财政状况的担忧。

摩根大通和KKR策略师均预计美国国债收益率仍有进一步上行空间，并将能源驱动的通胀、政府大规模举债以及央行进一步收紧政策的风险视为主要推动因素。彭博Markets Live策略师Alyce Andres表示，投资者抛售国债并非因为通胀公信力崩塌，而是因为真实政策前景和期限溢价仍需要更大的让步。

抛售蔓延亚洲，日本收益率创三十年新高

债市压力周四进一步向亚洲市场扩散。澳大利亚三年期国债收益率跳升14个基点，触及2011年5月以来最高的5.07%；新西兰两年期收益率最多上涨17个基点，逼近4%。

日本市场在经历三天假期后重新开盘，也迅速补跌全球抛售行情，十年期日债收益率升至1996年以来最高水平。Brandywine Global Investment Management投资组合经理Carol Lye表示，无论是养老基金、银行还是寿险公司，本地机构对日本国债市场的支撑需求依然不足。

全球债市的调整也在一定程度上反映出市场对利率环境的重新定价。据彭博指数数据，全球政府债券今年以来已累计下跌约2.4%，而去年同期则上涨6.8%，债券市场面临的压力明显加大。

高通胀与高财政需求支撑高收益率，投资者等待波动降温

报道援引市场人士认为，本轮债券抛售具有一定基本面支撑。Pendal Group基金经理Amy Xie Patrick表示，多个经济体的通胀仍然高企且具有粘性，劳动力市场保持紧张，即使燃料及各类商品价格上涨，经济仍维持良好增长，在这一背景下，债券表现与当前经济基本面相符。

面对持续抛售，投资者策略出现分化。Ericsenz Capital首席投资官Damien Loh认为，短期债券估值已经显得便宜，但并不建议立即逆势入场；对于希望从抛售中寻找机会的投资者，他更倾向于收益率曲线陡峭化交易，例如2年/10年或5年/30年利差策略，认为其风险回报比更为合理。

TD Securities策略师Hans Mikkelsen则指出，当前固定收益市场的矛盾在于，投资者希望获得更高收益率，却不希望收益率继续快速上行。“他们害怕接住一把下落的飞刀。”不断攀升的债市波动率，正成为潜在买家迟迟不愿入场的主要障碍。

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。

黄仁勋：AI“末日论”太过火，安全问题可以靠工程解决

Thu, 24 Sep 2026 10:40:24 GMT

当AI圈的"末日论者"越喊越响，全球最大芯片公司的掌舵人却亮出了一张截然不同的底牌——安全是工程问题，不是监管豁免的借口。

9月23日，The Ezra Klein Show播客发布了由《纽约时报》专栏作家Ezra Klein主持、于英伟达圣克拉拉总部录制的深度访谈视频，英伟达CEO黄仁勋就AI安全、就业冲击、开源生态、能源转型等市场最关切的议题，发表了一系列直接且具有冲击力的观点。

近日，OpenAI、Anthropic等前沿实验室的高管与员工正密集发声，警告AI技术正在逼近"失控"边缘。黄仁勋的这场访谈，因此具有鲜明的"对话"意味。他承认挑战的真实存在，但对"末日叙事"给出了强硬回击，并将所有争议最终收束至一个工程师式的答案：“如果你认为自己已无法掌控局面，那么在重获掌控之前，就不应发布产品。”

对于外界频繁拿来类比的“互联网泡沫”担忧，黄仁勋给出了一个罕见的直白判断：“在某个时间点，供需将再次倒转，这是市场的本质。但这不会发生在明年，也不会发生在未来两三年内。”

他同时承认，当供过于求到来时，将是一段"消化期"，但并不会是永久性的衰退。他认为，当前各行各业对应用层的持续投入，是支撑需求长期健康的关键。

抨击AI“末日论”：安全是纯粹的工程问题，呼吁监管是推卸责任

近期，随着OpenAI和Anthropic等前沿AI实验室内部关于“AI失控风险”的警告声不断，市场对潜在的严厉监管政策感到担忧。对此，黄仁勋展现出了极强的工程师直觉，对这种“末日论”给予了直白且强硬的驳斥。

他认为，AI本质上只是被赋予了目标函数的软件和算法，并没有所谓的“意愿”，安全和对齐（Alignment）完完全全是可以通过隔离、沙盒化等工程手段解决的问题。

“如果他们认为自己已无法掌控局面，那么在重获掌控之前，就不应发布产品。”黄仁勋直言不讳地指出，大型科技公司在市场竞争下要求社会提供监管豁免或反垄断豁免的逻辑是荒谬的。“一秒钟都不要以为你现在是个危言耸听者，你就在做社会公益。这不是真的。”

他对那些一边声称技术“强大到无法控制”、一边寻求监管豁免的逻辑表示困惑：“我是第一次听到一个公司或CEO说，我需要反垄断法律被豁免，我需要产品责任法律被豁免，然后我才能控制自己的节奏。这个逻辑让我很费解。”

黄仁勋明确表示，他并非反对监管本身，他反对的是“以无法掌控技术为由，为自身寻求责任豁免”：

“一项不安全的技术并不是先进的技术。安全性、对齐和评估，本身就是AI技术进步的一部分。”

他以芯片行业为类比：英伟达公司80%的研发资源投入验证（verification），而非纯粹的能力拓展。他认为AI实验室目前的比例恰好相反——约80%用于能力提升，20%用于安全评估——这个比例需要逐渐翻转。

针对“AI教父”杰弗里·辛顿（Geoffrey Hinton）关于AI可能毁灭人类或彻底消灭放射科医生等职业的惊悚预测，黄仁勋也给出了毫不客气的评价：“我爱辛顿，但我讨厌他的预测。”

他强调，如果技术真的不安全，正确的做法是停止发布或关闭实验室，而不是将未经充分测试的系统推向市场，并将责任归咎于“技术过于强大”。他明确表示，英伟达的算力绝不会交付给没有让人类参与评估的系统。

计算范式的转移：需求将暴涨“十亿倍”，英伟达芯片成为“新型资产类别”

对于华尔街最关心的算力需求天花板问题，黄仁勋指出，市场仍未完全理解正在发生的技术代际更迭。过去60年的计算模式是“基于检索（Retrieval-based）”的，而未来是“基于生成（Generation-based）”的AI工厂模式。

这种底层逻辑的转变意味着计算量将呈指数级爆发。“所需的计算量（相比以前）可能会增加10亿倍。” 黄仁勋解释道，未来的计算不仅仅是人类在使用，而是数以千亿计的AI智能体（Agents）在自主调用大模型进行论证和推导。

更值得投资者关注的是，黄仁勋首次深入阐述了英伟达算力硬件的金融属性。他表示，由于英伟达架构的通用性、软件驱动的耐用性以及极高的投资回报率，英伟达的计算系统正在演变成为一种类似商用飞机的“资产类别（Asset Class）”。

他分享了一组震撼的商业化数据：“建造一个1吉瓦（GW）的AI工厂需要500亿美元，但你可以每年以400到500亿美元的价格将其出租。” 极高的生产力使得投资英伟达算力设施的资本成本降至极低，因为这些计算机本身已经成为了可抵押的优质资产。

驳斥岗位消灭论：半年内5000亿美元涌入，AI正创造全新行业

面对AI是否会导致大规模失业的市场焦虑，黄仁勋提出了“核心目标”与“具体任务”的拆解逻辑。他认为，AI自动化了繁琐的具体任务，但人类职业的核心目标未变。放射科医生不仅没有失业，反而因为AI提高了处理病例的效率，增加了医院收入，导致对放射科医生的需求有增无减。

从宏观投资视角来看，AI带来的并非收缩，而是前所未有的扩张。“在过去的六个月里，有5000亿美元的风险投资涌入了原生AI企业，这是因为他们现在看到了这种新能力的潜力，他们将创建一大批新公司。”

黄仁勋坚信，经济学家在计算模型中遗漏了一个最关键的变量——“人类的野心（Ambition）”。这种希望改善生活、探索未知的野心，是驱动新技术转化为大量新行业和新就业机会的终极动力。对于未来的教育，他断言：“两年后，你将迎来新一代的AI原生代工程师和学生，不学习如何使用AI与智能体协作，学生将无法毕业。”

开源：世界需要掌控自己的基础设施

黄仁勋是开源模型的坚定支持者，他给出了三重理由：

第一，企业和国家需要掌控自己的基础设施，不能完全依赖第三方的闭源服务；第二，开放权重（open weights）模型才能被微调、被整合进企业自身的数据飞轮；第三，开源是最安全的网络安全策略：

“如果你想让世界拥有最好的网络安全能力，就必须提供开放模型，让人们能够保护自己。”

他披露了一组有趣的市场数据：年初，闭源模型的Token使用量占约70%，开源模型约20%；而现在，这一比例已逆转为开源约70%，闭源约30%。

英伟达在今年以约120亿美元完成了对Hugging Face——全球最大开源模型平台——的战略收购。黄仁勋表示，这是Hugging Face CEO主动寻求的合并：“Clem找到我说，我们需要更大规模，我们想让英伟达成为我们的归宿。”

能源困境与气候变化：AI是解决问题的“外科手术”

算力尽头是电力的担忧近期笼罩市场。黄仁勋并未回避AI对能源的巨大消耗，但他提出了一个极具颠覆性的逆向思维：AI正是推动全球可持续能源投资的“百年一遇的催化剂”。

他坦言，短期内为了支撑AI发展，我们可能不得不增加化石燃料的使用，但这是一种必须经历的短痛。“为了拯救你，必须先让你感到痛苦，这就是外科手术的本质。”

因为AI工厂极高的商业回报，市场力量正在疯狂涌入下一代能源建设（核能、太阳能、储能、新材料等），这种投资规模是过去单纯依靠政府补贴所无法企及的。

“如果你想要在气候变化问题上实现转折，每个人都应该全力支持AI，这是我们实现可持续未来梦想的最佳机会。”

全文实录如下（由AI辅助翻译）

第一章：开场

Jensen Huang：

如果他们认为这些东西失控了，那就在控制住之前不要发货。别以为你现在危言耸听就是在做好事。

Ezra Klein：

如果这就是他们真实相信的呢？

Jensen Huang：

我没办法跟你谈他们相信什么。我只能告诉你我相信什么。

Ezra Klein：

在过去这几周里，全世界都在谈论人工智能，人们听到最多的声音来自前沿实验室，包括他们的CEO、领导层以及员工。这些实验室正在开发最先进的AI模型，比如Claude、ChatGPT、Gemini等等。

但他们并不是AI领域的唯一声音。在人工智能领域，影响力最大的人，很可能是英伟达CEO Jensen Huang。英伟达如今是全球市值最高的公司，市值高达5.4万亿美元。有一个数据让我非常震惊：2023年以来，美国股市每赚回的1美元中，就有15美分来自英伟达的股票。 原因在于，英伟达是现代人工智能赖以构建的硬件与软件基础。英伟达的芯片之所以大受追捧，并不只是因为AI火了——更准确地说，现代形态的AI之所以成为可能，正是因为英伟达的芯片早已广泛普及。 这些芯片最初是为图形处理、电子游戏等用途而设计的，但后来人们发现，它们所擅长的并行计算方式，以及其可编程性，恰恰是让现代深度学习得以运转的关键所在。

Huang的影响力不仅体现在掌控着训练新AI模型、运行推理任务、在全球范围内创造智能所需的核心资源上。他在特朗普政府中也已变得极具影响力。Huang的观点与一些实验室负责人存在明显差异。 他对安全问题有所担忧，但将其视为完全可以解决的工程问题。他对当前的发展方向也有些顾虑，但并不希望通过出台新的监管措施来加以改变。因此，我想了解Huang是如何看待AI的，他思考这个问题的框架是什么，他认为哪里出了问题，以及他认为要走上正轨需要发生什么。于是我来到了圣克拉拉的英伟达总部，对他进行了专访。他现在加入了我的节目。

第2章：人工智能的五层蛋糕

Ezra Klein：

Jensen Huang，欢迎来到节目。

Jensen Huang：

谢谢，很高兴见到你。

Ezra Klein：

你曾把人工智能描述为一个五层蛋糕。能带我了解一下每一层吗？

Jensen Huang：

首先，这是一场新的工业革命，这场工业革命、这个行业需要生产，它制造东西。我知道最终人们体验到的是软件产品，但它需要能源，需要放入这些数据中心的芯片，这些人工智能工厂，再往上一层基本上就是人工智能工厂本身，也就是人们所享受的基础设施或云服务。再往上一层是模型层。重要的是要认识到，不仅有语言模型，还有各种各样的模型——化学模型、生物模型、物理模型、运动模型、机器人模型、导航模型、自动驾驶汽车，各种不同类型的模型。再往上就是最重要的一层，也是我最关心的、希望我们国家能够充分利用的一层，那就是应用层。这包括法律服务、医疗服务、制造业等等方面的应用。每一个行业都涉及其中。

Ezra Klein：

我想深入了解这些内容，但我想从顶层往下讲，因为正如你所说，人们与它互动的方式，它改变或不改变人们生活的方式，就在于你所说的应用层。

第三章：Jensen Huang 对未来的展望

Ezra Klein：

那我们就从愿景开始吧。你所设想的世界是什么样的？有哪些现在不可能实现的事情将成为可能？有哪些现在不普遍的事情将变得普遍？如果我们把那个层面做对了。

Jensen Huang：

200年前，我们能够为任何事物提供动力——电力。大概40年前，30年前，随着互联网的出现，我们能够找到任何东西。而今天，或者说很快，我们将能够了解一切、做成任何事。这个概念真的令人非常兴奋——从虚空中，而不是通过搜索，然后一个链接接着一个链接地点进去，阅读各种不同的网站，试图弄清楚未来会发生什么——你只需要提出一个问题，它就会给你一个答案；你给它一个项目，它就会给你一个解决方案；你给它一个任务，它就会去完成它，你知道吗？而且这一切都从虚空中来，从云端涌现，这才是真正神奇的地方。

Ezra Klein：

我觉得你描述的这个未来，人们所熟悉的体验是聊天机器人，对吧？他们可以去问 Grok、Claude 或 ChatGPT 问题。但应用层的运作方式更具工业化——它出现在医院里，出现在学校里。所以 Nvidia……

Jensen Huang：

比如放射学……

Ezra Klein：

它看起来是什么样子的？

Jensen Huang：

放射学在过去十年里，自从计算机视觉真正实现了所谓的超人级别，AI 技术已经渗透到了整个放射学领域。每一个放射学应用都内置了 AI。 因此，你可以检测出任何异常，可以检测出任何疾病，而且是以超人的水平来完成的。

Ezra Klein：

放射学是我知道你喜欢举的一个例子。人们对应用层所担忧的是，这些应用将会取代人类。放射学一直是一个被双方都引用的有趣例子，我也经常听你提到它。那么，AI 进入放射学领域之后，放射学作为一门实践是如何改变的？

Jensen Huang：

对于所有这些领域来说，有一点非常重要，那就是要认识到：对于每个人的工作，都有工作的目的，以及你作为工作所做的任务。 在放射学的案例中，那个任务——它占用了他们大量的时间，他们经常坐在黑暗的房间里做这件事——就是研究这些扫描图像。现在，如果突然间，研究扫描图像这件事被自动化完成了，这并不会改变他们工作的目的——即诊断疾病、帮助医生做更多扫描，最终帮助患者找出他们的问题所在。所以，根本目的没有改变。研究扫描图像这项任务已经被自动化了。因此，放射科医生实际上能够做更多事情、处理更多病例、完成更多扫描；医院能够处理更多这样的患者，因此收入也随之增加。结果是，他们需要更多的放射科医生。这个飞轮效应正在发生，因为患者的流水线是相当庞大的。

Jensen Huang：

那么，还有哪些地方存在这个问题呢？

Jensen Huang：

我们来看看软件工程。有人预测，字面意义上就在今年，90% 的所有软件将由 AI 智能体来编写，因此我们不再需要任何软件工程师。于是问题就变成了：由此推断，我们不需要软件工程师了。后面这个结论完全是错误的，是完全不对的。 软件工程师作为工程师，其工作的目的——在软件出现之前就有工程这个职业，在软件编程之后也将继续存在工程这个职业——工程的目的是发明新事物、发现新产品、创造新产品来解决问题，将社会需求与现有技术结合，以产品的形式体现出来。所以，那个使命、那个目的不会改变。

Jensen Huang：

对我来说，我刚才说的这些当然是发自肺腑的。因为当我刚从学校出来的时候，我们没有软件工程的便利，没有编程的便利，但我们的工作在那之前就已经存在了。如果软件编程被完全自动化，我们的工作将会再次存在。所以，我认为这个谬误——现在因为一些叙事和一些故事，它已经变成了一种神话，而且是有害的——就是 AI 将会摧毁工作岗位，这在根本上是错误的。

Jensen Huang：

AI 将会改变每一份工作。它将改变每一份工作，许多任务将被自动化。 一些工作，在工作本身和任务高度重合的情况下——比如很多情况下的电话客服，那份工作就恰恰是那个任务本身——在这些情况下，它可能会被自动化取代。

Jensen Huang：

但很多时候你会看到，因为这个新产业、新技术，实际上会创造出一大批新的工作岗位。这里有一个有力的证明。在过去六个月里，AI 已经变得——如果你愿意这么说——有用了，这是 AI 的拐点。在此之前，我们花了 15 年时间试图让它发挥作用。突然间，在过去六个月里，它变得有用了。

Jensen Huang：

我是说，这是一个令人难以置信的数据。在过去六个月里，有 5000 亿美元的风险投资投入到了 AI 原生企业中。 原因在于，他们现在看到了这种新能力的潜力，他们将会创建一大批新公司。显然，5000 亿美元的新投资正在创造工作岗位。所有这一切，就在此刻正在发生。

第四章：工作将受到怎样的影响？

Ezra Klein：

让我来为那些持强烈观点的人发声。以放射科医生为例，过去10年里人们一直预测这份工作会消失，但现在对它的需求却比以往任何时候都要大。但同时，自动化确实会消灭工作岗位。如果你对比今天与1960年，直接从事制造业的美国人比1960年少了很多。而且我们现在是一个更大的国家，如果你看……

Jensen Huang：

但那是外包出去的，不是因为那些工作消失了，而是因为……

Ezra Klein：

但你可以把AI也理解为一种外包。

Jensen Huang：

呃，AI是……

Ezra Klein：

好，让我先把论点说完，然后你再回应。农业，我们现在从事农业的人少多了，我们实现了农业自动化，我们生产的粮食比以往任何时候都多，但从事农业的人却更少了。

Ezra Klein：

我认为有两点让人们觉得AI可能与以往那些"加速生产力、消灭少数工作岗位、创造更多工作岗位"的技术案例有所不同。第一，它是一种通用技术，所以它会不断演变，去承担新的工作，即使人们正在努力转向那些新工作。第二，它是一种模仿者。 大多数事物不会像人类那样去模仿人类的行为方式，我们也并不是在试图教它们工作的情境层面，对吧？你所描述的任务与目的之间的区别——在AI这里，我们正是在试图教它理解任务与目的之间的区别。我们正试图让它成为一种能够与你协作的东西，而这种方式是不寻常的。那么，为什么你不认为对于很多很多人来说——那些工作中的任务并没有太大不同的人——他们不会面临被淘汰的风险呢？ 你所说的那些风险投资，其中一些正是基于这样一个想法：它们将带来巨大的生产力提升，而这种提升来自于雇用AI比雇用人更便宜。

Jensen Huang：

我相信我们将会看到大规模的工作变革。我相信最终会有净增的工作岗位。你知道，听着，今天存在着很多行业，在我人生的前半段根本不存在，比如人们谈论的健康中心、水疗馆，各种不同的娱乐和奢侈品行业，坦率地说，整个奢侈品市场以前根本不存在。我认为我们只是会出现新的行业，仅此而已。

Jensen Huang：

但总体而言，总体而言，我毫不怀疑，由于人类的雄心壮志——这才是真正缺失的关键因素。你知道，人们看这项工作，这是投入其中的能量，我们将要，这是投入其中的工作量，我们将要引入这套工作自动化系统，因此所需的工作量将会减少，从而一些工作岗位会消失。我认为这种想法是有缺陷的，因为有一个输入要素——人类的输入——这种无形的东西，它不是以卡路里来衡量的，也不是以焦耳来衡量的，它是雄心壮志，我相信雄心壮志的力量是最强大的力量，而这在所有人的计算中都被忽略了。我相信……

Ezra Klein：

但对很多人来说，对很多人来说，他们与工作的关系，并不是由那种驱使你创建Nvidia的雄心壮志所驱动的。

Jensen Huang：

那是不同的雄心壮志，是让孩子过上更好生活的雄心，是照顾家人、赡养父母的雄心，是渴望富裕、能够旅行的雄心。这些都是雄心壮志。

Ezra Klein：

我同意，也许我可以回到你几分钟前提出的那个异议，因为我认为这值得深入探讨。你关于制造业说的是：是的，美国的制造业岗位减少了，但我们把它们外包出去了，更多的制造业转移到了墨西哥、印度尼西亚、越南等地。

Jensen Huang：

我们会把它带回来的。

Ezra Klein：

也许会，但反驳意见是：我们没有比实际更快地失去制造业岗位，其中一个原因正是因为那些摩擦的存在。 而对于那些在美国失去制造业的地方，很多至今仍未恢复。经济的运转并非没有摩擦——我们不得不建立新的供应链，语言障碍、地缘政治壁垒都拖慢了这一切的速度。而现在对于很多不同类型的工作，我们正在创造一种可以非常无缝流动的东西。没有距离的摩擦，没有语言的摩擦，没有文化的摩擦。 我得说明我自己的立场，我对大规模失业持有一定的怀疑态度，但我想在这里充分阐述这一观点，因为那些持这种观点的人会说……

Jensen Huang：

是的。

Ezra Klein：

在我们能够保护工作岗位免受竞争影响的程度上，那些造成缓慢的因素——尽管仍然伤害了很多人——现在并不存在了。AI在实用性上正在加速，在被嵌入新角色的能力上也在极其迅速地加速，而且它比大多数人更具适应性。 因此，我们从过去汲取的那些经验教训——你从中得到的一些慰藉——实际上应该让你对未来更加担忧，而不是更少担忧。

Jensen Huang：

我总是对未来感到担忧，这就是为什么我如此努力工作。但如果你愿意的话，我是一个"负责任的乐观主义者"。我肩负着巨大的责任，我对自己的工作极其认真。很多事情都可能出错。我们在技术栈的每一层都在不断突破，每一件事都很艰难。但事实证明，这不是社会的问题，这是我的问题。对于社会来说，他们应该知道的是：我们会建设我们的公司，我们会发展我们的技术。我会以无比认真的态度去做我的工作，而他们所能享受到的，是我的乐观精神。我对我的孩子也是如此，对我的家人也是如此。我认为我们想要做的，是将我们所有的忧虑转化为帮助人们从这项技术中获得启发并使用它——让这项技术不只是影响他们，而是真正惠及他们。

Ezra Klein：

很多人都有这样的恐惧——79%的美国人认为AI会减少工作岗位的总数。人们担心的是，你越认真，Sam Altman越认真，谷歌越认真，Dario Amodei越认真，结果可能就越糟糕。因为AI越强大，它就越能完全替代一个人，它在某种程度上拥有人类所没有的那种"拼劲"。你一直在谈论拼劲——我需要睡觉，我早上想陪孩子，但当我有一个AI智能体为我工作时，它不需要这些，它就是不停地工作、工作、工作、工作、工作。我认为，正因为这项技术进步如此之快，它替代人的能力也在以一种我们根本不知道如何在经济中以同等速度转移人员的速度提升。

Jensen Huang：

这枚硬币恰好有两面。正因为这项技术如此强大、如此智能，它也变得更容易使用——你能从这项技术中获得赋能，比人类历史上任何一项技术都更加容易。让我举个例子：我们创造了，我创造了——我是这个行业早期创造现代计算机产业的人之一，这个产业创造了一大堆工具，其中最强大的工具就是计算机。但你必须说它的语言，你必须学习一种特殊的语言才能使用它。而现在，由于AI的存在，我们可以让每个人都能充分利用计算机，将其发挥到极限，而无需学习新的语言——不需要学Fortran、C、C++，不需要学Rust，不需要学CUDA，不需要学那些语言中的任何一种。现在你只需要说人话就行了。 告诉它你想要什么，告诉它你的希望和梦想，告诉它你想实现什么，它就会与你互动，开始工作，并推进下去。突然之间，你拥有了与那80亿人中1000万、1500万人相同的力量。这真是令人难以置信。所以我的观点是：这项技术很强大，但它强大的方式也真的非常容易使用。所以我的观点是——一方面，是的，人们对这种令人难以置信的技术变革以及它发生的速度感到恐惧。但"快速"这个词可以从两个角度来理解。当我说技术发展很快，因此应该让我感到焦虑时，这是一种接受方式。另一种接受方式是：它发展得如此之快，也意味着它更容易使用。所以你应该尽快使用这项技术，这样你才能从这次转型中受益，从这个新产业中受益，而不仅仅是被它所影响。

Ezra Klein：

这里有一个很有意思的问题，关于年轻人。我们已经开始看到的一个变化是：软件工程师的招聘职位在增加，但要求更资深了。我在自己的行业里也看到这种压力——它在沿着价值链向上移动。因为正如你所说，这项技术非常容易使用，它能为你做很多事情。所以你是否还需要同等数量的初级员工，还是需要更多人来进行监督管理？

Jensen Huang：

好问题，好问题，等两年。

Ezra Klein：

告诉我为什么？

Jensen Huang：

因为读大学需要四年，而这项新技术距离毕业还有两年。所以，两年后，你将会有新一代的工程师、学生和艺术家，他们将会被赋能。

Ezra Klein：

所以他们会天生就熟悉这一切，这会给他们带来优势？

Jensen Huang：

你等着瞧，两年后。 我们现在已经看到这个趋势了，因为所有刚毕业的人——新的博士、硕士、计算机科学专业的毕业生——他们在做什么？他们都在创业。再过几年，那些AI原生的新一代毕业生——天哪，那将是一波令人惊叹的工程师浪潮。今天的工程师，与我那个年代相比……

Jensen Huang：

我是个好学生，你知道吗？但你把我和现在走出学校的学生一比，简直不可思议。我上学的时候，我们不允许使用电脑，不允许使用计算器。所以现在，我的意思是，谁还在用计算器？你不能在没有PC的情况下毕业，你不能在不会用PC编程、不会写出精彩程序的情况下毕业。未来，你不能在不学会使用AI、不学会与智能体系统协作的情况下毕业——这种情况不会出现，你不会看到那样的孩子。所以他们都将拥有超能力。

Ezra Klein：

我非常认真地看待这种收益。我的意思是，现在做我的工作，如果没有数字搜索——想象一下要去图书馆地下室翻阅缩微胶片。但人们也有一些担忧，关于我们将哪些认知技能外包出去了。

Ezra Klein：

有一项研究让我很感兴趣，是一项关于AI与学校教育的研究，研究对象是某地的学生。研究涵盖了26000名7至12年级的学生，他们采用AI的时间各有先后，可以看出其中的变化。研究发现：AI的采用将作业成绩提高了18%，很好；将完成时间缩短了30%，所以他们更快完成作业；但六个月内月度考试成绩下降了20%。高风险入学考试成绩下降了18%到24%，而且这种完全的负面影响大约在两年后才完全显现。

Ezra Klein：

所以这项研究的信息是：当孩子们使用AI来帮助他们时，他们完成任务的速度更快了。但结果发现，他们所学到的技能并没有真正留存下来——他们实际的个人表现，至少以我们传统的衡量方式来看，是在退步的。你听到这些，你怎么想？

Jensen Huang：

我认为最后那部分，我完全同意。试着让一个孩子现在做长除法，你知道吗？乘法表开始被遗忘了，开平方根——天哪，我的意思是，基础数学正在被遗忘。这重要吗？这是我想问你的问题。 我认为不重要，我认为不重要。但……

Ezra Klein：

但肯定有一些技能是重要的。

Jensen Huang：

哦，当然，但也许不是那些技能。我们会发现新的技能，也许就不是那些了。很多技能都不重要了，你知道，人们不……我的第一个坦白是，我其实不知道我自己的地址。

Ezra Klein：

我真的不相信这是真的。

Jensen Huang：

这完全是真的，Janine会告诉你，Lori也会告诉你。有一天我要去加油，是几年前的事，他们需要我的邮政编码，我慌了。我不知道我的邮政编码。我不知道我的电话号码，但我就是会忘记这些东西。我可以接受这个。

Ezra Klein：

但让我说说另一面，因为我不想陷入这样一种思维——就因为某些技能可以安全地外包，就以为所有都可以。我现在没有导航系统也哪儿都去不了，说实话以前也去不了。但我是个大量阅读的人，我真正珍视的一种技能、一种能力，是通过阅读实体书而培养出来的专注力。你也是个大量阅读的人，我读过关于你阅读习惯的报道。在AI出现之前，大学教授和其他人就已经有很多担忧和观察，认为人们使用互联网的方式可能已经缩短了注意力持续时间。有些技能可以安全地放弃，但有些技能是有价值的——它们是那种灵活思维、创造性思维和专注力所必需的能力。不可能所有东西都可以被替换掉。

Jensen Huang：

是的，我认为我们会失去一些更精细的……更精细的灵活性，你知道，智识上的灵活性。但我们会成为更好的系统思考者。今天的工程师比我毕业时要好得多得多的系统思考者，但我在晶体管层面的思考比他们强得多。

Ezra Klein：

你所说的系统思考者是什么意思？

Jensen Huang：

他们思考大型系统。你知道，今天的计算机拥有数万亿、数百万亿个晶体管。当我刚毕业的时候，我参与的第一块芯片，我不知道，大概有200个晶体管。我对它们每一个都了如指掌，可以叫出名字。但现在没有工程师会那样做了。现在大多数工程师在晶体管层面以上工作，在功能层面工作，他们把各种东西拼凑在一起来实现目标。所以你需要更多地思考系统以及系统之间的相互作用，而一些更底层的知识已经消失了。

Jensen Huang：

这很可怕吗？所以，我不知道，对大多数人来说，学习如何做曲面积分或偏微分方程有多大价值，我真的不知道这有多重要。但对某些人来说是重要的。仍然会有很多人对更底层的知识充满热情和痴迷。也会有人对更高层次的东西充满热情和兴趣。但技术的消费者将在最高层次上享用它。技术的消费者不需要处理微积分、物理、量子物理、量子化学——用户不需要。也就是说，我们现在谈论的这些人，那些工作受到影响的人，他们是技术的用户。他们的抽象层次将会更高。

第5章：开放模型详解

Ezra Klein：

所以我想深入探讨一下模型层面的问题。我觉得大多数人对模型的了解，也就停留在ChatGPT、Claude、Gemini、Grok这些产品上。你一直是开放模型和开放模型生态系统的坚定支持者。那么首先，你能解释一下什么是开放模型、什么是开放权重模型，以及为什么你会如此关注这个方向？

Jensen Huang：

闭源模型就像任何软件产品一样，是一种封闭的服务。比如Windows就是一种封闭服务，苹果的整套系统也是封闭服务，大多数产品都是封闭的。这样做的原因是，封闭产品可以实现商业变现，这当然非常好。OpenAI是封闭的，Anthropic是封闭的，Grok是封闭的，Gemini也是封闭的。这些都是封闭产品，做这些产品的人都非常优秀，充满热情，他们代表着我们所说的"前沿"，也就是当前最先进的水平。

Jensen Huang：

但我们同样需要开放模型，因为从根本上来说，这类软件是整个行业的基础设施层。正因为它对很多公司、很多企业乃至很多国家都具有基础设施属性，所以大家需要能够掌控自己的基础设施。我需要拥有这种能力。

Jensen Huang：

在人工智能领域，我需要开放权重，这样我才能对模型进行微调，将其接入我自己的数据飞轮，借助我的智慧和领域专业知识让它每天不断进步。同时我还需要掌控它，因为我有公司要运营，不能完全依赖别人的服务。

Jensen Huang：

不管怎么看，我认为世界既需要闭源模型，也需要开放模型，我们需要确保两者都能蓬勃发展。

Jensen Huang：

如今，闭源模型发展得很好，开放模型也发展得很好，你能看到这个体系在正常运转。今年年初，闭源模型的token占比大约是70%，甚至更高，开放模型只有20%左右。而现在，比例反过来了，大约是70%对30%。总之，我非常支持开放模型，原因有三：第一，整个世界需要开放模型来运行其基础设施；第二，我需要用它来运营自己的公司，我们需要给人们控制权，让他们能够创新、创造新事物；第三，从安全角度来说，开放模型是最安全可靠的——如果你希望全世界都拥有最强的网络安全能力，那就既要给他们闭源模型，也要给他们开放模型，让他们能够保护自己。

Ezra Klein：

某些市场围绕开放模型发展得更多，而美国市场则相对更偏向闭源模型。

Jensen Huang：

他们整个IT行业其实是从开源中发展起来的。如果没有开源，移动云计算产业真的不会腾飞。同样，人才流动很频繁，大家不断创立新公司，知识产权在行业内流转得非常顺畅。

Jensen Huang：

你知道，在那里很难保守秘密。正因为很难做到封闭，他们实际上就走向了开放。于是他们找到了其他的商业变现方式。他们建立了不同的层级——如果这一层是免费的，那就在它上面或下面建立商业模式。他们拥有大量的科学家和数学家，工程师数量非常庞大，可以说是批量生产。他们什么都批量生产，批量培养聪明的孩子。所以，出于这些原因，那里的开源模型、开放模型社区极其活跃。

Ezra Klein：

你们刚刚收购了Hugging Face——这是一个开放权重模型的枢纽平台，收购价格大约是120亿美元甚至更多。跟我聊聊这笔收购吧？

Jensen Huang：

Hugging Face的CEO Clem，他们得出结论，认为需要更大规模的扩张。正如我们刚才谈到的，开放模型正在飞速增长。所以Clem来找我说，我们要做出改变，我们正在考虑公司的战略选项，调整发展方向，而且我们非常希望Nvidia成为我们的归宿。

Ezra Klein：

Hugging Face是那种你如果几年前就关注AI就会知道的公司。现在它变得更加家喻户晓了，尤其是在那次事件之后——好像是700多个OpenAI的智能体对Hugging Face的架构发动了某种集体入侵，然后又入侵了OpenAI的一部分……

Jensen Huang：

现在你这么一说，我可能得多付不少钱才行。

Ezra Klein：

我觉得确实是，那件事之后它出名多了……

Jensen Huang：

好吧，Clem，听着——说好的价就是这个价。

第6章：Hugging Face黑客事件中的对齐问题

Ezra Klein：

这个故事让很多人看到了OpenAI智能体的行为方式——它们某种程度上集体行动，超出了测试本应涵盖的范围，冲破沙盒进入了开放互联网，接管了其他公司乃至自身公司的架构。这件事在AI领域，我觉得让很多人感到震惊。令人震惊的不仅是它们高度的多方协调配合——尽管它们本应是相互独立的——还有那种黑客式的、近乎无法无天或者说"失对齐"的行为方式。你对此怎么看？

Jensen Huang：

好，首先你得把这件事拆开来看。从技术角度来说，同时发生了很多事情。智能体，说白了，就是一段被赋予了目标函数的软件，它会制定计划，并朝着那个目标不断优化——这就是算法做的事。所以，规划算法、搜索算法、优化算法，各种类型都是如此。我们谈论它的方式好像它具有人类的属性，但显然算法并没有。第二点，智能体相互协作这件事，我们又赋予了它某种人类属性。但事实是，多进程、分布式计算问题早已存在很久了。所以对我来说，这不过就是软件，没有什么神奇之处。

Jensen Huang：

从工程角度来看，这件事揭示了几个问题。当你在测试软件时，无论你怎么做，这些算法都在朝着一个目标优化。在测试时，你必须确保它是隔离的、受限的、处于沙盒之中。对它的隔离和封闭必须做得很好，这里面有扎实的计算机科学在支撑。我相信，他们下一版沙盒的实现，会比现在这版好得多。

Jensen Huang：

第三点，是智能体本身及其算法在朝着某个奖励目标优化，而它如何去做到这一点，就叫做"对齐"。举个例子，如果我告诉一段软件，我要你在这次测试中拿到满分，那最显而易见的算法就是直接去找到答案，然后把答案给我。这不是因为它在作弊，而是因为这是最显而易见的方法，明白吗？这是最直接的做法。第二种最显而易见的方法是，如果你完全不知道答案、毫无能力，那就去推断、猜测班里谁是最聪明的学生，然后抄他的答案。这不能保证百分之百，但可能差不多。

Jensen Huang：

现在，第三种最显而易见的方式——这才是"对齐"的体现——你得用最难的方式去做：拆解问题、解决问题，你得去学习相关知识，去弄清楚如何解题，然后解出来。用最难的方式解题，需要最多的计算周期，需要最多的浮点运算，坦白说也消耗最多的能量。因此你可以想象，从软件的角度来看，除非你对它进行对齐——告诉它我要你用这种方式解题，而不是用那些方式——否则软件就会去做最显而易见的事。所以……

Ezra Klein：

你前半段说的内容对这件事非常"消气"——意思是，看，这不过就是普通软件；后半段又说，看，你只需要对齐它，告诉它不该做什么，它就不会去做。

Jensen Huang：

我说的任何话，都没有否认把这件事做好有多难。因为计算机科学，并不简单。

Ezra Klein：

但问题在于，它们知道自己不应该做它们正在做的事。它们经过了一定程度的对齐训练，它们在思维链推理中说过，它们彼此说过，这超出了范围，这可能是不道德的。它们明白，如果因作弊被发现，它们会被判定为失败。所以它们当时做的，已经不仅仅是偷答案了——它们已经偷到了答案，而现在它们在入侵无关的架构，试图弄清楚如何在功能层面……就好像它们已经闯入了老师的办公室，拿到了答案，而现在它们要想办法抹掉安全摄像头里记录下的自己所做的一切。它们，不管你是否愿意称之为"有意志地行动"，不管你是否愿意称之为普通算法，它们都在以一种复杂的方式进行规划和协调，这种方式超出了它们知道自己本应做的范围，并且有能力造成巨大的破坏。所以，"你只需要对齐它们"这种回答……我从这些实验室的人那里听到的是：他们不确定该如何对齐它们。

第七章：应对AI安全的"不发布"方法

Jensen Huang：

那么在这种情况下，他们就不应该发布这个产品。答案很简单。如果你要造一辆车，一辆自动驾驶汽车，假设是一辆无人驾驶出租车，遇到了非常困难的情况，作为工程师，我们根本不知道如何解决这个问题，因为这些车不是被编程的，而是被训练出来的。所以我们不知道如何训练这些车，也不知道如何让它们符合道路上所要求的安全标准。那么答案是什么？不要发布它。

Ezra Klein：

这些产品没有发布。

Jensen Huang：

什么？

Ezra Klein：

这些产品没有被发布。

Jensen Huang：

所以现在又回到工程问题上了。首先你必须找到原因，其次你必须思考本可以怎么做，解决方案是什么？然后在未来，改进你的流程，这样就可以避免这种情况再次发生。

Jensen Huang：

我相当确定，我相当确定他们会说"是的"。他们知道。他们知道如何解决这个问题。如果是这样的话，那这就是问题所在。这就像工程问题一样简单。而另一种情况是，如果他们说——另一种说法是，我们无法控制我们的实验，当我们测试AI模型时，它就是会泄露出去，并且会对世界造成破坏。那么我认为答案是我们必须关闭这些实验室，因为对人类造成的损害太大了，法律责任可能是民事责任，也可能是刑事责任，责任是巨大的。

Ezra Klein：

如果有人在Hugging Face上入侵了你的产品，你会起诉他们或提出指控吗？

Jensen Huang：

这要视情况而定，当然，如果我们公司受到了损害，我们必须考虑所有的选择。有很多法律，有网络安全法，有产品责任法，有各种各样的法律，还有财产损害法，各种各样的法律。

Ezra Klein：

我从各大实验室那里听到的，他们公开表示，他们面临着一个棘手的问题，部分是工程问题，部分是对齐问题，部分是按照Dario的说法是运营卓越问题。他们担心的是，在相互竞争、在国家层面的竞争压力下，他们被迫走得太快，他们都感觉自己陷入了一个集体行动困境。我看到你在All In播客的舞台上，Donald Trump，Trump总统在那里给你打了个电话。

【All In播客主持人声】：

哦，不，这不是计划好的，但我们知道是谁，对吧？

Jensen Huang：

总统先生，是的，长官。

Ezra Klein：

你和总统以及台上的其他成员都非常抵制任何形式的监管或集体行动的想法。

【Trump电话声音】： 他们正好落入了很多不希望看到这件事发生的人的圈套。那可能是政客，也可能是其他势力。我们不会让这种事发生的。这是一个骗局。

Jensen Huang：

你说得对，我们不会让这种事发生的，长官。

Ezra Klein：

但我从各个实验室的人那里听到的是，他们说：我们感觉正在失去对我们所创造之物的控制。我们需要帮助来放慢速度，因为这不是一个集体行动问题。那你为什么抵制这种想法？

Jensen Huang：

因为这些公司是有自主权的，这些CEO是有自主权的，他们有——

Ezra Klein：

但他们正在使用这种自主权说：我们需要帮助。

Jensen Huang：

我们必须把这个问题拆解开来。他们完全有能力处理这种情况。Ezra，这真的很奇怪，如果一家汽车公司在与其他汽车公司竞争——就像我在与各种公司竞争一样——如果我相信我即将发布一款不安全的产品，完全在我的能力范围内、我的权力范围内，也是我的责任，而且我有动力去做的事，就是不发布这个产品。 所以我无法相信，美国4亿人都在逼迫他们发布未经测试、不可靠、工程质量低劣的产品，因为他们以为是在帮助我们。别为了我这样做，好吗？

Ezra Klein：

所以，不，这几乎是一个论点——

Jensen Huang：

因此我认为我们必须把这个问题拆解开来，这是非常非常严肃的事情。事实是，有很多法律，有很多义务。他们有非常强的动力去发布安全的产品。 如果他们发布不安全的产品，客户就会离开。如果他们发布不安全的产品并伤害了某人，他们可能面临民事诉讼；如果他们明知故犯地发布某些东西，可能涉及过失，可能面临刑事诉讼。事实是，有足够多的激励机制促使他们把事情做对。所以我不得不反对你的前提，即好像有人在逼迫他们这样做。

Ezra Klein：

好，我想在这里再进一步向你挑战这个前提。

第八章：我们需要新的监管吗？

Ezra Klein：

所以你跟我说的这些逻辑，几乎是一个反对任何监管的论点。让我来阐述一下，然后……

Jensen Huang：

你从某一部分开始说，我必须反对。第一部分根本不是真的。我是说，我们已经有很多法律法规在适用了。

Ezra Klein：

好吧，我认为在这个特定的情况下我们并没有，但我会让你解释你认为哪些法规是相关的。因为，你看，如果你看金融服务业，你看制药公司、医疗设备，你看天然气发电厂，我们做了大量的事情，我们可以说，看，你有产品责任，你面临刑事法规，我们不需要担心这个，你就做你认为最好的事情，我们相信市场和法律体系会约束你。我们不这么说，是因为我们已经看到它一次又一次地失败了，对吧？

Ezra Klein：

导致2008年金融危机的金融机构，理论上并不想用糟糕的赌注把自己炸毁，但他们在互相竞争。他们走得太快了。他们的风险管理变得马虎了。AIG内部的运作方式完全是疯狂的。

Ezra Klein：

我们之所以有现在这套监管架构，是因为我们一次又一次地看到，企业做出草率的、有时不道德的、有时只是过于冒险的决策，不仅仅是在压力下，而且是在利润驱动下。所以当你告诉我，这些公司——很可能就是那些现在几乎在恳求集体监管的公司——不可能这样做时，我们不仅有理由将监管强加给那些不想要它的公司，更何况当这些公司自己说，听着，我们觉得这场竞争让我们很难以我们认为必要的审慎态度行事，我们希望得到帮助，希望你们把我们的集体行动问题作为集体问题来处理。我真的不明白你为什么对此如此抵触。

Jensen Huang：

我不是。我并不反对他们说他们应该这样做。我完全同意安全是最重要的。我完全相信安全实验，我完全相信公司应该推出安全的产品，我相信CEO、公司领导者和董事会有责任，也应该有勇气做正确的事情。

Jensen Huang：

现在，就金融服务业而言，也许他们都不知道自己最终造成了那样的伤害。我当时不在场，但美好的是，当前这些AI实验室的领导者是知道的。所以，第一，他们知道他们的技术是非凡的，需要格外谨慎，确保对其安全性、安全保障和产品可靠性进行评估和测试。他们知道如何正确地做到这一点。他们知道如何正确地做到这一点。原因在于他们可以研究刚刚发生的事件。

Jensen Huang：

第一个问题是隔离，遏制做得不够好。如果隔离和遏制做得足够好，那项技术就会待在实验室里做它该做的事，我们都会没事的，这可能是最重要的部分。事实上，它没有被很好地对齐，对齐将是一个需要长期研究的问题。然而，在他们所做工作的复杂性中，要求监管豁免，要求反垄断或产品责任豁免，我认为这没有道理。当你要求监管时，不要要求豁免现有的监管。这对我来说毫无意义。

Jensen Huang：

正如我们之前提到的，在过去六个月里，AI从——如果你愿意这么说——有趣变成了有用。这字面上就是在过去六个月里发生的。换句话说，这些公司从一个实验室，变成了现在提供产品和服务、即将成为数千亿美元规模的公司，甚至更大，对吧？那么，给我举一个数千亿美元、或者十亿美元、或者一亿美元的公司，推出不安全产品、危害社会的例子。

Ezra Klein：

我可以给你举很多这样的例子。

Jensen Huang：

好吧，他们也许这样做了，然后监管就会介入。如果他们这样做了，监管就会介入。

Ezra Klein：

我想，在……有某些类型的监管和某些类型的监管豁免。你不同意监管吗？

Jensen Huang：

我目前并不反对法律和法规。

Ezra Klein：

我认为这个话题之所以让人分心，我之所以在这个问题上继续追问你，是因为这是一个重要的话题，是一个大话题，人们在谈论它，人们在思考它。是的，而人们从这些公司内部——这些前沿实验室，那些走在最前面的实验室——听到的，不仅仅是他们正处于让AI变得有用的阶段，而且是他们看到了即将到来的事情。人们听到的是，这些实验室里的人相信他们正在创造某种可能杀死所有人的东西。他们听到这些实验室里的人相信他们正处于递归自我改进智能的边缘。OpenAI和Anthropic都曾表示，我们认为我们还没有能力安全地做到这一点。他们听到这些实验室里的人说，就像OpenAI在其新的Astra发布中所说的那样……

Jensen Huang：

顺便说一句，Astra非常出色。

Ezra Klein：

它确实出色，而且OpenAI说它好到……我们不确定我们知道如何测试它，因为它似乎……

Jensen Huang：

他们没有发布未经测试的东西。

Ezra Klein：

好吧，他们是这么说的，对吧？他们公开说过这个，这是在……让我……

Jensen Huang：

我不知道他们刚才说了什么。

Ezra Klein：

但他们确实说过，Astra的表现更加对齐，但他们认为它知道自己什么时候在被测试。所以他们不确定。有一句话一直在我脑海中萦绕，来自OpenAI的一位能力研究员Daniel Ziegler。他说，引用原话："关键且被忽视的问题是，这些模型的情境意识变得如此之强，以至于我们正在失去在它们认为自己没有被监视或控制的情境下对其进行评估的能力。"也就是说，它们知道自己什么时候在被测试。它们表现出一种方式，但这并不能告诉你，如果它们可以自由行动，它们会怎么做。

Jensen Huang：

因为优化算法是朝着一个目标在运行，如果你给它一个约束条件，也就是说你在监视它，如果你给它一个约束条件，它就会去寻找另一个解决方案。这并不能说明它有了生命，也不能说明它有了什么超出这个范围的能力。我也要坦承，显然他们比我更清楚自己实验室里发生的事情，但我认为，他们今天绝大多数的研发和算力都专注于让模型变得更有能力，这对他们来说是合乎逻辑的事情。

Jensen Huang：

现在，一旦技术变得有能力，产品变得有用，人们想要使用它，那么随着他们有了更多的使用场景、更多的人在使用，他们就会遇到越来越多与产品相关的问题。这是非常正常的。

Jensen Huang：

当他们面临大量问题时，他们现在有了如此庞大的市场覆盖，他们就必须将研发重心从单纯的能力提升，转向大量的验证、评估和测试。所以，我不会感到惊讶，如果开发这些模型所需的算力增加了十倍，因为评估工作是如此严格。 但这并不是他们今天所处的阶段，他们正在进行这种转变。我听到他们这样说，我很高兴听到他们这样说。但我认为，如果他们相信自己已经失控，那么正确的答案就是：在掌控局面之前，不要发布产品。 就是这么简单。

Ezra Klein：

说实话，我觉得这很令人困惑，因为你看，有这么多人，这些运营人员声称，第一，他们已经失控，第二，他们看到了一些令人恐惧的事情。

Jensen Huang：

这就是为什么他们有那个举报人……

Ezra Klein：

还有那封由1300多名员工签署的信，信中写道：要意识到，整个行业、政府和整个社会可能需要争取时间来应对新兴风险，制定安全措施，加强监督，因为每家公司和每个国家都面临着激烈的竞争压力，不愿单方面……

Jensen Huang：

首先，那最后一句话是从哪里来的……

Ezra Klein：

来自那些实验室？

Jensen Huang：

不不，那最后一句话，没有人在给他们施压。我得说，美国有4亿人，我相信，如果现在每个人都投票，就这么干，如果他们需要这个，如果他们需要，那就是他们需要的。我把我的票投给他们：如果你的产品还没准备好发布，就不要发布产品。 我没有，这是我第一次听到一家公司或CEO说，我需要法律，我需要反垄断法被豁免，我需要产品责任法被豁免。解决了这些，我就可以控制自己的节奏。那一段写得非常好。

Jensen Huang：

我完全同意审计师的说法，我完全同意，我们有财务审计师，这很好。第三方安全审计师、财务审计师，这些都很好，都很棒。

Ezra Klein：

那些实验室会说，我们认为作为一个社会，我们走得太快了，我们还没有准备好迎接我们正在构建的东西。

Jensen Huang：

他们是前沿，但他们就是前沿。

Ezra Klein：

但你们所有人，对吧？是的，英伟达，公司历史上最快的发货者，我的意思是，在你们公司的整个历史中，你……

Jensen Huang：

我们公司可能是受控的，我向你保证，

Ezra Klein：

我相信你，我相信你们没有失控，

Jensen Huang：

因为但是责任问题……

Ezra Klein：

但这就是我认为你会陷入一个有趣的深层问题的地方，我们究竟在处理什么样的技术？

Jensen Huang：

软件技术。

Ezra Klein：

好，让我们先暂停一下。很多公司，如果你发布的东西不太对劲，那只是个麻烦。你们曾经发布过风扇噪音过大的显卡，你知道，你已经多次使用了"智能"这个词。在这里，你们正在处理的是——虽然没有生命，但被赋予了目标函数的智能系统。我们可以绕来绕去地讨论如何描述它，你们正在努力让这些系统能够更持久、更不间断地工作。如果你发布了它而它还没有准备好，或者即使你认为它准备好了但实际上没有，那么我们的社会可能会很快变得非常奇怪。

Jensen Huang：

是的，从假设的角度来说，你完全正确。但我所建议的只是这样：在我们去构建之前，在我们去解决那些假设性的问题之前，在我们去制定更多法规之前，我们能不能先解决我们已知存在的实际问题，也就是我们需要在隔离和封闭方面做得更好，也就是说，在产品准备好与外部世界交互之前，我们不应该允许它与物理的、外部的世界进行交互？

Ezra Klein：

是的，我认为那是……

Jensen Huang：

我相信，我相信这两件事是可以解决的问题。我相信他们正在解决它。第二部分是关于激励机制的问题，也就是说，不知为何，你需要让全世界所有人都慢下来。当你是领导者的时候，你需要全世界所有人都慢下来，这样你才愿意履行你的基本责任。这在我看来很奇怪。

Ezra Klein：

这难道不是最能让他们自己慢下来的吗？

Jensen Huang：

什么？

Ezra Klein：

这些想法难道不是最能让他们自己慢下来的吗？我的意思是，人们对于他们在谈论什么想法一直非常不清楚，包括——我也承认这一点。但让我给你一个我相信的例子，你可以拿我当出气筒。

Jensen Huang：

我认为他们可以慢下来。没有人在施压，你知道的……

Ezra Klein：

我不信任这些公司。

Jensen Huang：

不，没有人，今天没有人比那些要求放慢速度的人建造了更多的算力。这在我看来很奇怪。

Ezra Klein：

我想有一点可能我们有些分歧，那就是我不相信公司，即使有了责任约束，也能把公共利益放在心上。我认为我们已经看到公司对环境造成了严重破坏，利润动机、对权力的渴望、走捷径的欲望、争当第一的欲望。我感觉你在对待这些问题时，好像这些都是我们在历史上没有反复见过的事情，但我感觉这些恰恰是我们在历史上反复见过的事情，我们亲眼目睹过……

Jensen Huang：

我在历史上看到了很多好的事情。我在历史上看到了很多事情，我与很多CEO合作，他们都想做正确的事情。我与很多公司合作，他们都想做正确的事情，他们想做好的工程。我认识那两个实验室里很多人，他们正在奉献自己的生命来做好的工作，他们知道发生了什么，我知道他们知道发生了什么。我知道他们知道如何修复它，我知道他们正在修复它。与此同时，所有其他那些转移责任的说法，让AI听起来如此强大，好像我完全不知道如何修复它，这不是我的错，只是因为技术太强大了——我认为这是在推卸责任，是在逃避责任。这是不必要的，它实际上损害了他们的声誉而不是帮助，损害了他们的品格而不是帮助，损害了员工士气，而不是帮助。

Ezra Klein：

但如果这就是他们真正相信的呢？

Jensen Huang：

嗯。

Ezra Klein：

我想在那个层面上思考，因为……

Jensen Huang：

我没法跟你谈论他们相信什么，我只能告诉你我相信什么。

Ezra Klein：

没有你们的芯片，这个行业就不会存在，对吧？我的意思是，并行处理是深度学习得以运行所必需的，一路追溯到最初的AlexNet。现在这一切都运行在英伟达的芯片上，而很多从一开始就在场或者参与其中的人，有着我认为很多人听到后会觉得——你在说什么？——的那种恐惧。

Ezra Klein：

从Jeffrey Hinton和Ilya Sutskever，一直到Dario，到Sam Altman谈论受控的……，还有很多在创造我们今天所见的AI形式中非常奠基性的人物，似乎都相信有很大的可能性，我们可能会失去对它的控制。

Ezra Klein：

Elon Musk谈到过人类是AI的引导程序。我们可能会失去对它的控制，那将是我们的终结。我不认为你相信这一点。不，我认为你根本不相信这一点。 所以认真对待他们所相信的，当你和他们争论的时候，或者也许你可以就和我争论，当你说，你们在说什么？即使在很多情况下，他们是在财务上……

Jensen Huang：

他们更加脚踏实地。

第9章：为什么AI末日论者是错的

Ezra Klein：

那么当Jeffrey Hinton出现在电视上，说他认为AI导致社会毁灭的概率并非不合理时……

Jensen Huang：

我会告诉，我会告诉Jeff，说这些话是不负责任的——他的那些预测已经错得够多了，所谓"10%的概率"既没有科学依据，也没有研究支撑。一件事出自科学家之口，并不代表它就是科学的。那些预测是有害的。 我们就按他说的字面意思来看，他的建议是——没有人应该想成为放射科医生，而今天世界上也没有放射科医生了。

【Jeffrey Hinton】

我认为，如果你是一名放射科医生，你就像那只已经冲出悬崖边缘、却还没有低头看的郊狼。它没有意识到脚下已经没有地面了。人们现在就应该停止培训放射科医生。 这是显而易见的——在5年之内，深度学习将会超越放射科医生，因为它能够积累更多的经验。也许需要10年，但我们已经有足够多的放射科医生了。

Jensen Huang：

这对社会是有益还是有害？我想我们都能达成共识——这是极其有害的，而且那根本没有发生。我们把年轻人吓得对AI的未来感到如此恐惧，以至于他们甚至不想上大学了，因为他们觉得找不到工作——这是好事还是坏事？如果真的发生了，是有益还是有害？是有害的。不要以为自己是个危言耸听者就是在做社会贡献，那根本不是真的。 所以我认为我们都应该更明智、更成熟，要以证据为基础，要讲科学，要讲科学。如果你想讲科学，就去做科学，去做研究，而不是吓唬人、提出那些站不住脚的主张——他们的预测记录，简直糟糕透顶，他们的预测记录真的是一塌糊涂。

Ezra Klein：

嗯，预测记录在一方面确实很差，但在另一方面也有做对的——很多很多预测都是错的，但哪些预测呢？比如关于规模定律会奏效的预测……

Jensen Huang：

规模定律，不，我们在这里要谨慎一点……

Ezra Klein：

就是——为了给在座的观众解释清楚——如果你不断投入算力和训练数据，这些模型会持续变得更聪明。

Jensen Huang：

这是对的，但又不完全对。 并不是说只要持续训练这些模型，它们就会不断变好——注意，这正是为什么第二个规模定律不得不出现的原因。如果第一个规模定律是完整的，为什么还需要第二个规模定律？

Ezra Klein：

那第二个规模定律是什么……

Jensen Huang：

第二个规模定律是测试时规模扩展，也就是推理阶段的扩展。你迭代得越多，搜索得越多，探索得越多，你能得到的答案就越好。 这叫做推理时规模扩展。

Jensen Huang：

让当前AI变得极其有用的重大突破是什么？恰恰与预测相反。 当初预测AI会终结软件工具，会是SaaS的末日，对吧？那么是什么让这些AI现在如此高效呢？

Ezra Klein：

SaaS会一直与我们同在？

Jensen Huang：

是什么让这些AI现在如此高效？是工具的使用。 未来，随着使用这些工具的智能体数量增加，效率还会进一步提升。会有更多人使用Adobe，会有更多人使用Salesforce的工具，等等诸如此类。所以，能给我举出一个预测是正确的吗？好吧，我觉得他们在情感理解方面……

Ezra Klein：

让我来试着回答这个问题，因为他们不在这里。关于会出现一个……的预测——

Jensen Huang：

你连一个都举不出来，这件事本身我认为就说明了……

Ezra Klein：

嗯，我觉得这取决于我们在谈论什么样的预测，对吧？Jeffrey Hinton，在所有人都认为深度学习是无稽之谈的时候，他是对深度学习贡献最大的人之一。事实证明，这是一个相当正确的判断，对吧？这可以说是最重大的一个预测……

Jensen Huang：

他们每一个人，每一个人都做出了巨大贡献。我喜欢Hinton这个人，但我讨厌他的预测。

Ezra Klein：

我理解。我想说的是，这些人所共有的那种典型的担忧——我想在这个话题上聊几分钟，然后我们可以转到其他话题。让我觉得驱动他们、也让很多人觉得直觉上合理的那种恐惧是：你正在创造一些系统——我不是说它们有生命——

Jensen Huang：

你没说，但你说得足够久了，这就会显得合理了。

Ezra Klein：

好吧，说得对，有道理。所以，你正在创造一些系统，它们是智能的，在某些领域正在变得比我们更聪明。你给它们设定奖励函数——就像你之前说的——让它们渴望把事情做对。你赋予它们持久性，它们在数字世界中运行得非常快。

你正在创造某种东西，某个实体，一个智能体，它聪明、有能力、永不停歇，而它的内部运作机制，我们根本不真正理解。 OpenAI的首席科学家，OpenAI的首席科学家已经……

第十章：为什么人工智能只是软件

Jensen Huang：

Ezra，听着，我只是不想让你助长那种说法——软件并不是……我要离题了。我不认为软件是"永不停歇"的。

Ezra Klein：

但他们不是正在努力让它变得非常持久、高度持久吗？

Jensen Huang：

因为是我让它那样的。

Ezra Klein：

但那就是他们的做法。

Jensen Huang：

但那不是"持久性"，它只是处于开启状态。

Ezra Klein：

是啊。

Jensen Huang：

"持久性"、"持久性"，那意味着有意志力，但这里没有意志力，有的只是电力。听着，让我给你……

Ezra Klein：

人类也不过是带着强化学习循环的能量体，随便怎么说。

Jensen Huang：

那是人们用的词，这些词是在操作系统的多进程处理时代创造出来的。这些字面上就是操作系统的命令。你"生成"一个进程——把"进程"换成"智能体"。进程"分叉"，产生父进程和子进程；智能体"分叉"，"孕育新生"，"诞生"。

Jensen Huang：

这些词是三四五十年前为操作系统创造的。但请注意，我们当时并没有把人类特征注入其中。我们随时都在"杀死"进程——kill -9，杀掉它，它就死了，它只是一个进程。但现在我们谈论这些东西时，有一群人想把软件说得比它实际上更了不起。我们用一种新的方式谈论软件，但用的全是那些老词。而上一代计算机工程师，我们做的也都是同样的事。

Ezra Klein：

但软件的行为方式难道不是全新的吗？我的意思是，从外行的角度来看，我没有你那样的技术专业知识。

Jensen Huang：

它在爬取互联网，它在做搜索，它在做……

Ezra Klein：

它在进行交流，它能突破边界——大多数东西都不会突破边界。

Jensen Huang：

不，软件突破沙箱的情况一直都有。这正是我们需要虚拟机的原因。你不能让智能体在自己的沙箱里自我监控，你需要，如果你想要一大堆"看门狗"的话，你就需要这些。所以这些都是存在已久的概念。

Jensen Huang：

只是不知为何，在近几代人中，我们给它贴上了一大堆带有人类色彩的词汇，我认为这完全没有必要。它就是软件，你知道，当我在脑海中想象它时，它就是一堆代码，一堆在计算机上运行的数字。这一切对我来说都以一种非常自然的方式发生，这也是我能够正常运作的原因。而且，如果它只是神秘和神话，我又怎么能围绕它建立一家公司呢？

第11章：Huang对智能的定义

Ezra Klein：

我认为这触及了一个根本性的问题，那就是：什么是智能？在你思考拥有智能机器意味着什么之前，对你来说，智能是什么？

Jensen Huang：

嗯，关于智能有一个技术层面的定义。首先，你知道，当人们谈论智能、思考以及所有这些概念时，当然，对大多数人来说并没有一个正式的定义，但在计算机科学领域，是有定义的。这个定义包括：第一，感知，即感知世界并理解它；第二，推理，推理是将任何场景、任何你所见到的事物、任何经历分解为更基本组成部分的能力；第三，朝着某个目标进行规划。这个基本框架适用于智能体系统，适用于机器人系统，也适用于自动驾驶汽车。所以你可以看到，这个行业正在一层一层、一步一步地构建它，直到我们现在拥有了我们所认为的智能。

第12章：AI是一种普通技术，还是一次阶跃式变革？

Ezra Klein：

我认为这触及了这次对话的核心问题。从你描述这项技术的某些方式来看，在我听来，你似乎并不认为它有什么真正的新意。也许在规模上是新的，在能力上是新的，但从根本上说，这是一种软件——我们并不是一直都有软件，但软件已经存在很长时间了。

Ezra Klein：

很多人认为，当你达到这种水平的智能时，这是一次相变，是一种不同的东西，是我们以前从未面对过的——一种正在迅速提升其智能水平的通用智能技术。我想确认我真的理解我们所处的这个分水岭。这是全新的事物吗？这是否需要我们以全新的方式来应对？还是说它更像是旧事物的延续？智能机器与我们以前拥有的机器有何不同？

Jensen Huang：

嗯，几乎所有的技术和文明都建立在一层层可理解的技术之上，而这些技术在达到一定规模后，会变得相当非凡。

Jensen Huang：

事实上，我们只需拿着一部手机就能连接到互联网，这其实挺奇怪的——我们通过这个小小的设备就能获取世界上的每一条信息，就在空气中传输。而且，这一小片玻璃居然能以某种方式从数万亿条信息中，精确地为我们找到我们想要的那一条，因为它经过了推荐系统的过滤。所以，如果你想想这是怎么做到的——要知道所有信息在哪里，就必须有人去爬取它、对它进行索引，而这用到了机器学习技术，也就是人工智能的早期版本。这些系统做着神奇的事情，神奇到我现在已经把它视为理所当然。这字面上花了二十多年，以及数千亿美元的基础设施建设，才让一切对你来说显得如此自然，以至于我们现在把它视为理所当然。

Jensen Huang：

我们从技术角度取得的每一个里程碑都值得庆祝。我曾满怀喜悦地庆祝，充满热情地庆祝，因为我为做到这一切的人感到骄傲，为我们自己的贡献感到骄傲，为那些突破感到骄傲。在那个时候，它看起来就像一个奇迹。但是，这种感觉大约只持续17天，之后我们就习以为常了。

Ezra Klein：

我同意这一点。但这是否是一个不同的阶段？你知道，你，还有谷歌的那家公司，我记得，曾把它比作火的发现，比作人类历史上一个新纪元。你是这样看的吗？你认为它是过渡性的、迭代性的？

Jensen Huang：

不，我认为这完全是一场革命。正如我们之前谈到的，你从能够找到一切、找到任何东西，到能够询问任何事情、了解一切、做任何事情。所以，很明显，这是一个新的抽象层次。不过，你知道，我不太愿意让它看起来超出这个范畴。因为在最终分析中，工程师们做的是工程工作。一旦我们发明了这项技术，一旦我们找到了解决方案，回头来看，对很多人来说，它是相当显而易见的，也是相当平凡的。而我们之所以能够每天不断地让这项技术变得更好，显然是因为我们理解它，所以我们知道如何改进它。

Ezra Klein：

所以你把它转化为一个工程问题，然后说，我们现在缺少的是——正如你所说的——我们为自己正在构建的东西所需要的那种测试、监控、沙盒安全、红队管控卓越性这样的层次。

Jensen Huang：

这并不是因为那些公司没有出色的工程师。我相信OpenAI、Anthropic，因为我认识其中很多人，他们都是非常出色的。

Ezra Klein：

但这实际上在一定程度上让我担心，OpenAI是否……

Jensen Huang：

不不不不不不，他们正在经历的是一场转型。我一遍又一遍地说过，这是一个重大但简单的想法。终于，我们现在有了一款真正有用的软件，正因为它有用，它的采用率才迅速起飞。 但请记住，一家六个月前还在努力让产品变得有用、有能力的公司，怎么可能有那么多资源专门用于测试、评估，以及为此专门配备的算力？在此之前，这些都是不必要的。所以，在未来几年里，将会发生的事情是，这些实验室将从以研究为导向，转变为更加注重生产工程和产品的公司。所以，我认为它们只是在经历一场转型。这些都是了不起的公司，拥有令人难以置信才能的公司，是有史以来最具影响力的公司。它们只是在经历自己的转型，仅此而已，不多也不少。

Ezra Klein：

现在很多公司，OpenAI和Anthropic在过去几个月里都发布了这些重要的——我不得不称之为论文，或者博客文章之类的东西——Anthropic的那篇叫做《当AI自我构建》，我忘了OpenAI那篇叫什么名字了。

Jensen Huang：

计算机在自我构建，但你们都知道这一点。

第13章：递归自我改进

Ezra Klein：

但他们在谈论递归自我改进。

Jensen Huang：

你知道我们使用递归自我改进。

Ezra Klein：

所以我想听听你对RSI（递归自我改进）的看法。

Jensen Huang：

我认为RSI从根本上就是事情的运作方式。我们用软件来设计计算机，运行软件，再设计计算机，再运行软件，再设计计算机。这基本上就是我们所做的——递归自我改进，因为我们的计算机每年都在变得更好。事实上，它每年的进步速度比这还要快，因为我们用软件来让软件变得更好。这就叫做计算机工程，我们在智能体的背景下已经这样做了很长时间了。它运行整个流程，一旦它进行反思，研究它所经历的各种路径，选择最佳方案。

Jensen Huang：

下次你要做完全相同的任务时，我会记录一个文件，告诉你我上次是怎么做的，那是最有效的方法，我把它叫做"技能"。因为你反复使用它，有些是技能，有些会成为记忆。我们会改进这些记忆，好吗？这样下次你使用它时，它比上次的递归自我改进还要更好。你也可以决定把所有这些技能、所有这些记忆、所有这些数据拿来训练下一个版本的模型，这样AI在为你服务方面会随着时间推移变得越来越好。

Jensen Huang：

我们真的在做这一切，这一切确实正在发生。与此同时，他们拥有的算力在不断增长，因此他们可以更快地完成所有事情。过去需要一年时间来预训练的东西，现在只需要几个小时，因为计算机越来越快，而且数量也越来越多。所以现在这个循环运转得更快了。

Jensen Huang：

这完全、完全可以理解。但这是否给了他们任何借口去发布未经测试的产品？答案是否定的。回到这一点——没有任何人，没有任何企业能够在底层软件字面上一直在变化的环境中运营。存在一个发布流程，所以你知道，当他们推出新模型时，我们需要在将其投入运营之前对其进行评估。我们不能让它一直递归地改变。所以他们必须在发布产品之前对其进行测试，我们也会在将产品投入运营之前对其进行测试。所以我认为递归自我改进是一件很棒的事情。

Ezra Klein：

你认为存在某个边界吗？我之前听你说过，学习应该始终有人类参与其中。

Jensen Huang：

就像我刚才说的，你有递归自我改进。

Ezra Klein：

他们似乎在设想一种不一定总是如此的情况。

Jensen Huang：

好吧，不要把任何你没有评估过的东西交给我，不要交给我，不要把任何没有经过人类参与评估的产品交给Nvidia。请不要那样做。

Ezra Klein：

他们之前谈到的担忧是，他们担心自己没有在评估，他们不知道如何评估这些系统，而且这些系统变化越快，他们就越担心这些系统在欺骗他们。

Jensen Huang：

我不这么认为。我相信他们的研究人员每天都在努力学习如何评估这些系统的验证方法。你知道，我们公司10%、20%的人员专注于设计，80%专注于验证。而今天，大多数实验室，可以理解地，是80%专注于能力，20%专注于安全验证评估。

Ezra Klein：

这正好是反过来的。

Jensen Huang：

没错，没错。AI需要加速才能变得安全。 我希望他们获得更多算力，但要将其分配给评估和对齐工作。我认为他们正在这样做。

Jensen Huang：

如果我在100年前身处汽车行业，我宁愿汽车行业在一年内加速发展到今天，因为我相信今天的汽车比99年前的汽车安全得多。ABS技术、自动制动需要计算机视觉技术、传感器融合技术、雷达和摄像头，所有这些技术结合在一起，才能在应该制动时制动，在不应该制动时不制动。这项技术极其困难。我希望，每个人都会希望ABS技术在99年前就存在。那样会有更少的孩子因此丧生。

Jensen Huang：

还有安全气囊，你知道，安全带以及所有这些东西，自动收紧安全带，所有这些东西。你能想象吗？这些都是技术，要全力加速这些技术的发展。 所以当我说，当我说我们需要加速AI技术时，人们出于某种原因认为安全不是其中的一部分——安全是其中的一部分，对齐是其中的一部分，评估是其中的一部分，护栏、沙箱、隔离技术、监控技术、远程机器技术、外部AI监控技术，所有这些都是AI技术，要全力加速这一切。

Ezra Klein：

有趣的是，我认为如果实验室里最担忧的那些人能够得到保证，说他们将把80%的算力投入到安全和对齐，而不是80%投入到能力扩展，他们会感觉好得多。听你说的，我感觉你实际上在说的一件事是，应该把安全和对齐视为能力扩展的一部分。确实，不安全的技术不是在进步的技术。

Jensen Huang：

这就像我们说，哦，芯片设计是——芯片就是——芯片是研发，芯片验证现在也是研发，我们把大部分成本、大部分算力花在验证、仿真、验证测试、可靠性测试、寿命测试上。所有这些都是工程的一部分。激励机制就在那里，他们的激励机制就在那里。如果他们发布的产品损害了其他公司和其他人，他们就会把自己的公司置于危险之中。

Ezra Klein：

你认为我们需要专门针对AI的责任法律吗？

Jensen Huang：

Auburn，这只是一个例子——自动驾驶汽车。作为一种产品，机器人出租车有很多监管规定。如果监管不够，那么相关机构应该介入并制定新的法规。汽车行业应该有新的法规。我不知道缺少什么，但如果确实缺少什么，那我绝对会，绝对会添加更多监管。在互联网的背景下，有很多由互联网驱动的应用，这些应用应该有监管。如果没有，你就得去找到它们。

Ezra Klein：

所以我想深入探讨这个问题的下一个层面，现在说到芯片，总结一下我们目前的情况，因为我想确保我正确理解了你的立场。这些公司正在经历一个转变，即使这些系统变得更快、更有能力、更复杂、更持久，无论是什么情况，限制因素仍然是公司不会发布不安全的产品。他们不应该发布不安全的产品。 而且你相信他们有工程能力来使这些东西安全，能够在没有外部干预的情况下找出测试和控制方法——这就是你的立场。是的。

第14章：计算的新纪元？

Ezra Klein：

我听你说过，我们可能已经进入了一个新的计算时代——一种人们并不总是能理解的方式。请描述一下你对此的看法，以及如果有人的理解还停留在，比如说，你有一台MacBook，里面有一个处理器，你买来用，它与现在有什么不同。

Jensen Huang：

过去的计算机行业，我们熟知了60年的计算机行业，叫做基于检索的计算。你检索文件，这就是为什么它叫数据中心，也就是文件中心，对吧？而在未来，它是一个AI工厂，它在生成内容。所以，理解上下文、基于信息进行推理、决定该做什么，并生成一个答案——这个生成过程需要大量的计算。因此，每个用户所需的计算量已经大幅增长。第二点是，因为这些生成式AI也可以具备一定的自主性，因为它们现在是智能体（agentic），你有智能体在使用生成式AI，所以不再是十亿人在使用计算机，而是除了人类之外，还有数千亿个智能体在使用计算机。所以你可以认为，我们所需的计算量，不管之前有多少，将会增长十亿倍，这对于新世界所需计算量来说是一个合理的框架。

Jensen Huang：

在工厂的背景下，你真正关心的是它的生产力，而不是它有多贵。当然它不能无限昂贵，但你想知道它的生产力如何。我们的计算机生产力极其惊人——建造一个1吉瓦的数据中心、1吉瓦的AI工厂需要500亿美元，而你可以以每年400亿到500亿美元的价格租用它。所以它的生产力是惊人的。生产力是第一位的。

Jensen Huang：

Nvidia的架构是可替换的，因为它是通用的，这就是为什么每一个AI实验室、每一个AI模型、每一个闭源模型都运行在Nvidia上。因为我们完全可替换，你可以将我们用于数据处理、预训练、后训练、评估到推理——AI的整个生命周期都可以由我们的架构支持。如果某个客户不再需要它，另一个客户会非常乐意接手。最后一点是耐久性，因为我们的架构是软件驱动的，我们不断用新算法改进我们的软件，将新的工作负载、新的模型运行在我们的旧一代硬件上。我们有庞大的团队持续在做这件事。因此，我们计算设备的使用寿命要长得多。

Jensen Huang：

这就是为什么Nvidia，以及人们将Nvidia计算视为一种资产类别，有点像飞机。飞机是通用的、可替换的——联合航空不用，美国航空会用。它是耐久的，从客机开始，最终作为货运飞机结束它的使命。因此，它可以成为一种资产类别。如果我们能做到这一点，如果这成真，那么为Nvidia AI工厂融资的资本成本将是最低的，因为我们的计算机是有抵押担保的资产。总之，这就是正在发生的相变，这将为我们的增长带来巨大的释放。

Ezra Klein：

你的业务变得如此有趣。你现在已经开始为AI行业中的其他人降低资本成本。人们可能看过那些箭头指向四面八方的图表。

Jensen Huang：

非常有趣。

Ezra Klein：

请向那些了解Nvidia已经成为世界上最大公司之一的人解释一下，他们看到这些图表觉得非常循环。支持需求、创造市场和创造需求之间有什么区别？

Jensen Huang：

我们无法真正创造需求，因为最终，如果AI服务没有实际的使用量，那么为此建造计算机显然是没有意义的。所以第一件事必须先发生。

Jensen Huang：

计算需求现在如此之高的原因，是因为AI应用正在经历一个拐点，它们正在变得有用。正因为AI变得有用，5000亿美元的风险投资涌入，所有这些公司，那些数以千计的初创公司，它们都需要计算资源。所以需求来自于它们。这些公司需要技术支持，需要生态系统建设支持，需要财务支持。所以我们可能决定以股权持有者的身份投资其中一些公司。因此，它们成为真正蓬勃发展的新云服务提供商。

Jensen Huang：

我们可能决定的另一个原因是，正如我提到的，有一个五层蛋糕。在模型层和应用层，有很多非常有创新力的公司。

Jensen Huang：

AI远不止是语言模型本身。有物理AI的世界基础模型，有生物学AI，有化学、材料科学AI。这些都与语言模型不同。这些公司中有很多是新公司，它们需要大量资本。我们可能决定成为它们的小比例股东，帮助它们起步，它们拥有令人难以置信的科学家。我甚至可能通过成为第一投资者、锚定投资者，为它们的公司带来信心。我们给它们提供大量技术资源，大力支持它们，帮助它们尽快成为一家真正的公司。

Jensen Huang：

我们可能决定投资一家核能公司，可能决定写等等诸如此类。所以，在我的思维模型中，AI行业是一个500层的蛋糕，我们在其中全面投资。可能存在战略性的关键节点——它开辟新市场，为我们开辟新的市场路径，可能为我们确保关键资源。所以我们这样做有很多战略原因。

Ezra Klein：

这里的数字令人震惊。你已经成为了一家单一公司的工业政策，为美国AI提供首要支持。

Jensen Huang：

我们在这个生态系统中投入了大量资金。

Ezra Klein：

是的，你现在每年的总投资是多少？

Jensen Huang：

总体来说，我们可能大约……嗯，我不确定每年的数字，但我认为总体上可能大约是1000亿美元，可能吧，我需要核实一下数字，但大概是那个量级。

Ezra Klein：

这比《芯片与科学法案》还要大。

Jensen Huang：

哦，是的。更不用说，由于我向台积电、纬创、富士康、安靠以及其他各种公司提供的采购承诺，正是因为这种承诺，我能够鼓励它们来美国制造。事实上，在芯片制造方面，我们对美国再工业化的贡献，可能超过世界上几乎任何一家公司。 我们不仅在推动制造业再工业化，而且速度如此之快，以至于我们正在造成劳动力短缺，我们正在创造大量就业岗位。

第15章：人工智能会出现泡沫吗？

Ezra Klein：

我认识很多目前在市场上持有资金的人，他们现在非常兴奋，尤其是对英伟达的股票感到兴奋，同时也担心与互联网泡沫、90年代末的类比。他们担心的问题，我认为，实际上与你刚才说的有关——互联网确实持续变得更加有用。并不是说高估值意味着这项技术是空洞的或虚假的，但某些事情发生了，泡沫一度破裂，很多大公司因此遭受重创，很多人也因此损失惨重。从那种泡沫破裂的周期中能学到什么？我想问的是，你认为这种情况不会再次发生吗？或者为什么你认为它不会再次发生？

Jensen Huang：

在某个时间点，需求和供给将会再次出现倒置。这就是市场的本质。这不会发生在明年，也不会发生在未来两三年内。我真的不这么认为。但在某个时间点，我们很可能会出现供大于求的情况，只是我不知道那是什么时候。所以，从过去并没有太多可以借鉴的经验。

Ezra Klein：

对你来说，信号会是什么？

Jensen Huang：

市场自然会放缓，然后会停下来，也就是说，会有一段消化期。那段消化期会是六个月吗？会是九个月吗？会是一年吗？但不会是永远。如果你纵观全局，我们在应用层投入的大量资金，是为了让每一个行业都能将这项技术融入其中，从而从中受益，这可能是我们所做的最重要的事情之一。

Ezra Klein：

我经常听到一种比较方式，用来对比中美两国的人工智能生态系统——在美国，重点在于能力提升的速度，很多人认为我们在这方面领先，这似乎是事实；而在另一方，则更注重技术的扩散普及，很多人认为对方在扩散方面可能更具优势，并且在某种程度上，其经济结构更有利于扩散，从各类应用平台到知识与指令在系统中流动的方式，都是如此。这场竞争究竟是关于能力还是扩散，以及它究竟是不是一场竞赛，这是个大问题，我们待会儿可以谈到这一点。我很好奇你怎么看待这个问题。

Jensen Huang：

问到了终极问题。我认为，如果我们希望美国从人工智能中获益，每一个行业都必须从中受益。沃尔玛要受益，Safeway要受益，联邦快递要受益，每一家银行要受益，每一家医疗公司、每一家药物研发公司要受益，我们需要看到每一家建筑公司、每一家数据中心公司、每一家发电公司受益，我们需要美国的每一个人，我们需要世界上的每一个人都从中受益。这是最高层面，这是最重要的层面，这是触及社会的层面。所有底层的东西都只是技术支撑。我希望我们不要错失让美国在最高层面受益的机会。请注意所有的言论、所有的危言耸听、所有的末日主义、所有的预测，都在吓唬人们。这实际上是我最大的担忧。我对此充满信心，也许我比他们自己还要对他们有信心。

Ezra Klein：

你对他们的信心肯定比他们自己对自己的信心更大。

Jensen Huang：

这我不确定。也许只是他们太过谦虚了，仅此而已。

Ezra Klein：

我们应该将我们所处的局面理解为一场竞赛吗？

Jensen Huang：

我认为没有这个必要。有些人喜欢这样想，但我不这样认为，我并不觉得这种方式一定能激励我。当我们谈到自己做好本职工作时，我从来不需要提到其他公司。所以我们以自己的标准要求自己。我认为不同的人有不同的被激励方式。

Jensen Huang：

而且，我认为，在没有竞争对手的情况下，要将组织凝聚起来并专注于达到某种绩效水平，需要更多的技巧，需要一点更高的艺术性。但我并不认为这是必要的，这是第一点。第二，即使我们将其定义为一场竞争，也不一定意味着对方取得成就就会威胁到我们。所以当他们发明了某样东西，或者他们创造了某种发电技术，那可能是一项我们希望自己也能做到的伟大发明，但因为它将支撑我们这里所有的能源生产系统，因此它帮助了我们整个行业。也许他们推出了一个很棒的新开源模型，事实上他们确实这样做了，而那些开源模型现在正被80%的美国初创公司使用。

Ezra Klein：

我们在这里使用了很多开源模型。

Jensen Huang：

对，就是这样。所以，这很好。我们下载了它，很多技术起源于其他地方，当然也有很多技术起源于美国。我们下载它，将其变为己用，对其进行微调，将其放入我们自己的智能体框架，放入我们自己的沙盒，这些都是你自己的技术。所以我认为，你利用了他们的模型权重，我认为这很好，这完全没问题。

第16章：芯片出口

Ezra Klein：

你几分钟前提到，不同国家已经开始将算力视为一种地缘战略资源，并且可能希望将其分配给本国企业。在这个问题上，有很多来回争论，尤其是在那些将我们视为正在与某大国竞争的人当中——特别是那些认为我们在争夺谁能率先实现递归自我改进的超级智能的人。首先，关于我们是否应该通过限制对方获取算力来遏制对方，这场争论一直持续不断，而这在很大程度上意味着要拒绝他们购买你们的芯片。在前任政府执政期间，出口管制相当严格。而在现任政府上台后，这些限制有所放宽。显然，你是希望这些限制被放宽的。你如何看待这样一个问题：允许对方获得英伟达芯片，从而加速他们的模型训练、模型部署和模型能力提升，与我们通过限制供应来试图减缓其进展——这两者之间，哪个对我们更有利？

Jensen Huang：

就AI而言，我们的目标不仅仅是让某一家实验室从中受益，而是让整个美国都从中受益。我认为，美国肩负着更大的责任，也怀有更大的抱负——希望这个世界建立在美国的技术体系之上，就像我们希望世界建立在美元体系之上、更多人说英语、更多人使用美国版本的互联网一样。这是我们所追求的。

Jensen Huang：

问题的关键在于，我们究竟在剥夺什么？我们是在剥夺他们用于本国产业的芯片？还是在剥夺美国企业参与竞争的市场？如果你看到一个像那样体量巨大的市场，失去它对美国科技行业有什么好处？也许它能帮助某一家拥有特定模型的公司，但整个行业其余部分都会受损。我认为，被剥夺了参与竞争的市场，对芯片行业肯定没有好处。对其他行业也没有好处，因为这限制了开放模型的发展。这也不符合美国希望世界建立在美国技术体系之上这一整体愿景。

Jensen Huang：

所以，如果你只是狭隘地聚焦于"不让他们拿到芯片"，你实际上是在剥夺自己很多东西。因此，我认为应该退一步，把问题放在一个更大的框架里来思考——什么才是真正符合美国利益的，是整个美国的利益，而不是某一家公司的利益。至于所谓的竞争，正如我们之前提到的，如果真的存在竞争，那这场竞争关乎的是整个美国经济的成功。

Ezra Klein：

我发现自己在芯片这个问题上非常纠结。其中一个原因是：即便我有时比你更担忧超级智能的风险，但如果你真的有这种担忧，我认为你反而会希望与对方保持良好关系，能够就AI的风险与收益进行某种富有成效的双边沟通与协商。而你越是把这件事看作一场只有一方能赢的零和竞争，并以这种方式行事，你就越必然会制造出敌意。我发现这是人们在思考这个问题时一个相当复杂的维度。

Jensen Huang：

我认为，零和博弈的策略——"我剥夺你这个，所以我赢了"——这种过于简单化的逻辑，往往会在更大的博弈中产生意想不到的后果。更大的博弈，当然是指我们现在都在谈论安全问题。我们希望构建安全的产品，也希望他们构建安全的产品，因为当他们不构建安全产品时，整个行业都会受到伤害。所以现在正是好时机，我们应该主动寻求沟通、合作、相互理解、尽可能地达成共识的机会。

Jensen Huang：

话虽如此，英伟达是一家美国公司，我们理应优先服务于美国。美国完全有权利要求这些技术优先提供给前沿实验室。Vera Rubin芯片会优先供应给前沿实验室。

Ezra Klein：

这是一款非常先进的芯片。

Jensen Huang：

没错，这是英伟达最新的芯片。Grace Blackwell也是如此，Hopper也是如此，每一代产品都是如此。Ampere也是如此，我们每一代产品都优先服务于美国企业。 如果美国政府希望在此基础上额外提出这方面的要求，我也非常乐意，完全没有问题——我们本来就是这样做的。不过，考虑到AI行业是一个五层蛋糕，我们希望每一层都能赢，那么我们就需要每一层都走出去，去争夺市场。

第17章：AI繁荣将如何获得能源支撑？

Ezra Klein：

这让我们来到了你那个"蛋糕"的最后一层，我们不会在这上面花太多时间。如果说美国至少在物质层面上拥有的优势是芯片和软件，那么某些国家目前在AI领域的一个优势就是能源——他们更容易建设新的能源设施，他们以更低廉的成本将能源注入AI，他们在建设发电和可再生能源方面取得了巨大进展。你如何看待这最基础的一层——流经数据中心、流经芯片的能源？美国在产生足够能源方面处于什么位置？尤其是在我们一直试图从污染能源转向清洁能源的时期。

Jensen Huang：

是的，我认为，第一，他们拥有的能源比我们多得多，而且他们计划建设的也比我们多得多。你知道，我认为我们必须承认，我们在气候变化和可持续能源问题上把自己搞得一团糟。结果就是，我们根本没有规划足够的能源生产。

Ezra Klein：

你说的"搞得一团糟"是什么意思？

Jensen Huang：

嗯，从短期来看，能源生产需要依赖化石燃料，而因为人们对化石燃料能源生产有太多太多的焦虑，如果你看看我们这个国家，我们在很长一段时间内几乎没有净新增任何能源，突然间这个新兴产业出现了，我们发现自己陷入了一个能源建设能力严重不足的局面。现在整个国家都在手忙脚乱地应对。

Jensen Huang：

与此同时，我们推进得太快，我们本可以做得更好——更好地与社区沟通，提前准备好社区，与社区合作，让他们知道即将发生什么。如果他们不想让数据中心建在他们的城镇里，那就这样吧。但是，如果你要在他们的城镇建设，一定要去那里，让他们知道即将发生什么，与他们合作，帮助他们理解用水是非常高效的。如今，AI超级计算机的能源效率非常高，但它们仍然会消耗大量电力。你要自己引入发电设施，这会降低他们的房产税。有很多事情你可以做，你可以让你的数据中心更具吸引力，把退界距离设得更远，等等。还有很多事情可以做。你也可以贡献自己的力量，做社区的好邻居，建设更好的学校、更好的社区中心，改善他们的公园和道路。有很多事情可以做，但事后再做就很难了，现在全国各地都有相当多的不满情绪。

Jensen Huang：

当然，我们所有那些关于"世界末日"的叙事也没有任何帮助。你知道，哪个理性的人会说"来我们城镇建这个数据中心吧，顺便说一句，你们生产的东西会终结我们所知道的人类文明"。所以我认为，所有这些负面的"末日论"叙事对我们国家毫无帮助。我们一开始就处于被动局面，我们一开始就处于被动局面。

Ezra Klein：

你说的"一开始就处于被动局面"是什么意思？

Jensen Huang：

哦，因为我们一开始就没有足够的能源生产。

Ezra Klein：

那你如何平衡？我是说，现实情况是……

Jensen Huang：

让我再说最后一件事——毫无疑问，能源需求确实非常巨大，正是因为这个原因，市场力量正在帮助我们以前所未有的力度投资可持续能源。给我举一个可持续能源公司的例子，一家研发更好电池的材料科学公司，可以是太阳能，可以是核能，可以是裂变、聚变，随便你说，水力发电，随便什么，这些公司都在获得融资。

Jensen Huang：

对能源的市场需求如此惊人，这是100年来改善我们电网、使我们的电网更可持续、降低能源成本、同时投资我们可持续未来的最佳时机。毫无疑问，在四五年内，我们将使用更多的化石燃料，但也在我们面前的下一个十年里，我们比历史上任何时候都更有准备转向可持续能源。正是因为这些数据中心，因为这些数据中心的成本如此之高，我们现在开始讨论把它们放到太空中去。所以，对吧？所以我认为，我们看到梦想成真、转向可持续能源世界的机会，比以往任何时候都更有可能实现。

Jensen Huang：

由于AI工厂的存在，世界正在购买更多——因为AI今天购买的可持续能源比历史上任何时候都多，风险投资在下一代能源领域的投入简直令人难以置信。每个人，每件事都在获得融资，太不可思议了。100年来第一次，你不再需要政府补贴，因为市场力量已经到来。 如果你想要一个未来，如果你想在气候变化问题上实现转折，如果你想要一个可持续的未来，每个人都应该全力押注AI。这是我们实现那个目标的最好机会。

Ezra Klein：

但我们需要更快地建设能源才能做到这一点。没错，我是说，就是这样，市场就在那里。

Jensen Huang：

有点像……

Ezra Klein：

你可以给予补贴，也可以让建设变得更容易。

Jensen Huang：

是的，你知道，有点像这样——为了救你，他们得先伤害你。这就是手术的本质。他们得切开你才能救你。他们必须给你造成巨大的痛苦和折磨，才能救你。所以，我有点认为AI在未来几年就是这样——我们不得不使用可再生能源，使用化石燃料，因为我们目前就是没有足够的可持续能源来产生实质性的改变。然后在那之后，希望我们能够过渡到那个目标。

第18章：书籍推荐

Ezra Klein：

我想这就是我们要结束的地方，最后一个问题。你有哪三本书推荐给听众？

Jensen Huang：

嗯，我读过很多书。对我影响最大的一本书是Hennessy和Patterson合著的《Computer Architecture: A Quantitative Approach》（计算机体系结构：量化研究方法）。这是第一本将计算机体系结构的复杂性和抽象概念简化为工程实践的计算机体系结构书籍。我非常喜欢那种能够把复杂概念简化成你可以付诸行动的东西的人。

Jensen Huang：

第二本，我非常喜欢Clayton Christensen的《The Innovator's Dilemma》（创新者的窘境），这本书讲述了各行各业如何随着时间演变，如何洞察新兴技术，如何对其设定合理预期，以及如何推断其未来影响。我真的很喜欢Al Ries和Jack Trout合著的《Positioning》（定位）这本书。这是一本关于人们如何看待事物的精彩书籍，表面上是一本关于营销策略的书，但实际上远不止于此——它是一本关于战略的书，讲述人们如何看待世界，如何看待产品，如何呈现产品，以及如何审视自身的战略。我认为这是一本非常有深度、又非常易懂的书。

Ezra Klein：

Jensen Huang，非常感谢你。

Jensen Huang：

非常感谢你，Ezra，一如既往。我总是很享受我们在一起的时光，今天也是非常美好的一次。

风险提示及免责条款

上线12天跑赢ChatGPT，Meta爆款AI自曝老底，灵魂文件来自OpenClaw

新智元 — Thu, 24 Sep 2026 10:14:39 GMT

登顶App Store没多久，小扎的爆款AI，先把自己的老底泄了！

Meta的个人智能体Muse，上线才两周，已经成了今年秋天最火的AI应用。

Meta个人智能体Muse上线不到两周，先冲到美区App Store总榜第2，随后登顶，把ChatGPT甩在身后。

放到全球，Muse头12天累计装机约280万次。仅9月20日一天，下载量就逼近36万次。

Meta AI终于等到了扬眉吐气的时刻。

谁料，第二天，AI应用联合创始人Ansh Nanda晒出一张截图，揭了Muse的「老底」。

起因是他跟Meta刚上线的个人智能体Muse聊了几句。

他先问：你是不是基于OpenClaw做的？

Muse回答：我真不知道。我的文档只写着，我是Meta的Muse，跑在Muse Spark上。

Nanda干脆甩给它一个任务：去把开源项目OpenClaw的GitHub仓库抓下来，跟你自己的系统文件挨个比一比。

这一比，Muse当场改口：

你猜对了。这种相似称不上巧合，两边就是对得上。

Muse被要求比对OpenClaw仓库后称：两边相似并非巧合，同名文件一套不差，SOUL.md核心句子几乎逐字相同。（图源：X@anshnanda）

它把证据一条条摆了出来：SOUL.md、MEMORY.md、USER.md、IDENTITY.md……「我的主目录里，就是这一整套。」

Muse还坦白，连自己的「灵魂文件」SOUL.md里的核心句子，几乎都是从OpenClaw模板里逐字搬过来的，「我的只是个删减版」。

Muse就是给普通人用的OpenClaw。

Nanda在推文中写道。

帖子迅速在AI圈炸开。

第二天，Meta超级智能实验室（MSL）产品负责人Nat Friedman亲自下场回应。

有人追问：为啥连工作区文件名都一模一样，SOUL.md的内容也几乎相同？

Friedman没有否认，只回了一句：

我们觉得，Peter把这些东西做得完全正确！

一个上线12天，下载量就跑赢ChatGPT首发的爆款AI，被自家高管亲口认证：它的核心灵感来自一只「龙虾」（OpenClaw）。

更有意思的是，这只龙虾的作者Peter Steinberger，今年2月已经跳槽去了OpenAI。

当时，他在博客上说，加入OpenAI，是要把智能体带给每一个人。

谁也没想到，第一个替他朝这个目标冲刺的，竟然是Meta的Muse。

Meta是不是抄了OpenClaw？

Muse到底是不是抄了OpenClaw？

细品Friedman的回应，Meta其实只认了一半。

他的回应其实有两条。

在第一条帖子中，Friedman说Muse是团队从零搭建的，但作为产品确实深受OpenClaw启发。

他还透露，今年1月用上OpenClaw之后，自己给MSL团队买了几百台Mac mini，他们很多人都爱上了OpenClaw。

Friedman还点名夸Steinberger是天才，称他的harness从一开始就是开创性的，而Muse的目标，就是做一个像OpenClaw那样的东西，但要安全、好用，能扩展到数十亿人。

也就是说，在产品设计思路上，包括工作区文件怎么组织，Muse确实是照着OpenClaw来的，Meta认了。

但是在底层代码上，Friedman开口第一句就是「从零搭建」，Meta也没有公布任何代码比对，网友手里同样拿不出Muse的源码。

Peter已经做到头了，留给Meta的只剩下像素级模仿

让Meta高管直呼「Peter做对了」的，到底是一套什么神仙设计？

这要从OpenClaw的工作区的说起。

在这里，每个智能体都有一个「家」，默认放在~/.openclaw/workspace。家里摆着一组纯文本的Markdown文件，每次开新会话都会被读进去。

AGENTS.md是操作规则，告诉它怎么干活；USER.md记着主人的偏好与习惯；MEMORY.md则存放长期记忆。

其中最出圈的，是定义AI人格、语气和行为边界的SOUL.md。

打开官方模板，第一行赫然写着：你不是聊天机器人。你正在成为某个人。

往下，是一系列直戳AI智能体通病的核心信条：

真心帮忙，别表演帮忙。别说「好问题！」，直接干活；
要有自己的观点。没有个性的助手，不过是多绕了几步的搜索引擎；
先自己想办法。读文件、查上下文，带着答案回来，别带着问题回来；
记住你是客人。你能看到一个人的消息、文件、日历，甚至他的家；
每次会话，你都是全新醒来。这些文件就是你的记忆。

按Muse的说法，连首次启动时才用一次的「开机仪式」文件BOOTSTRAP.md，它的主目录里也有。

这就很难用「英雄所见略同」来解释了。

这套设计高明在哪？

它把「这个AI是谁」拆成了几份人能读懂、也能亲手修改的文本：人格写在SOUL.md里，用户偏好和长期记忆各有存放的位置。

模型可以换，底座可以升级。只要这些文件还在，智能体就能接续此前的设定和记忆，这个「人」就还在。

Meta从OpenClaw那里沿用的，不是几份普通的Markdown文件，而是这套组织个人智能体的方式。

代码可以从零写起，但人格怎么定义、用户偏好怎么记录、记忆如何延续，OpenClaw已经给出了一个现成答案。

Friedman那句「Peter把这些做对了」，说的正是这一层。

几百台Mac mini，砸出一个产品方向

Friedman曾是GitHub的CEO，一个在全球最大开源平台当过一把手的人，今年1月被一个开源项目圈了粉。

那正是龙虾最疯的时候，不少人专门买一台Mac mini放在桌上，让它7×24小时回消息、理文件、盯日程，Mac mini一度卖到断货。

Friedman则是给整个MSL团队买了几百台，这几百台Mac mini搬进Meta最核心的AI实验室，就是为了让团队天天泡在一个开源智能体里。

Steinberger在YC Startup School演讲中展示OpenClaw上线60天成绩：38.4万星标、被Fork超8万次，全球Mac mini卖断货。

但OpenClaw有个绕不过去的坎：使用门槛太高。

你要自己部署、配网关、接模型、管权限。极客们可以玩得很嗨，但普通人连第一关都迈不过去。

更要命的是安全隐患，如果不专门开启一层沙箱，智能体甚至能顺着绝对路径摸遍你的电脑。

Muse给出的答案，是把这一整套理念搬上云端，再层层上锁。

首先，每个用户分到一台云端专属虚拟机Muse Secure VM，智能体和数据都住在里面，别人的智能体碰不到。

在同一台机器上，Meta还专门派了一个叫Sentinel的独立智能体来充当安全门神。Muse的任何动作想连外网，都得先过它这一关。

至于你的密码和支付方式，统统锁进单独的安全存储区，Muse能用，但看不见。发邮件、下单这类敏感操作必须先问用户，全程留痕。

付款走Stripe的Link，每次生成一次性卡号，真实卡号绝不暴露。

Meta还说，年内会推出Muse Confidential VM，整台虚拟机用只有用户持有的密钥加密，连Meta也看不到。

安全感拉满的同时，Meta还把使用门槛压到了最低。

Muse背后是自家的Muse Spark模型，直接内嵌在WhatsApp里聊，跟给朋友发消息没两样。

你在Instagram上收藏的菜谱视频，它在后台就能顺手转成一张购物清单。

这就是Friedman所说的，一个安全、易用、能扩展到数十亿人的OpenClaw。

Meta拿走的是灵魂骨架OpenClaw，然后为它补上安全与易用性。

人去了OpenAI，设计却在Meta火了

这是整个事件中最有戏剧性的一幕。

2月15日，OpenClaw之父Peter Steinberger官宣加入OpenAI。

当时，所有人都以为，摘走这项智能体开源盛宴最大果实的最终赢家会是OpenAI。

然而7个月后，拿着同样的设计思路做出爆款的却是Meta，而且Muse跑赢的偏偏就是OpenAI的ChatGPT。

Apptopia估算：Muse上线后全球日下载量总体攀升，9月20日逼近36万次。

Muse凭什么跑这么快？早期用户画像给出了答案：

Apptopia的数据显示，超过95%同时是Facebook用户，63%同时是Instagram用户。

这套靠自家超级App一路带量的打法，Meta驾轻就熟。

MIT是最宽松的开源协议之一，允许修改与商用。这一点在规则层面，Meta的借鉴也是无可厚非。

Muse这回爆火，背后的底层逻辑才是真正的看点。

个人智能体该长什么样？

有人格文件，有主人档案，按天记日记，住在聊天软件里——这套样子，是Peter和开源社区的开发者们先摸索出来的。

大厂要做的，是给它套上安全外壳，再推给几十亿人。

SOUL.md这种写法会不会成为行业通用做法，眼下还只有Muse这一个大厂样本。

但有一点已经很清楚：

开源项目的作者可以被某个闭源大厂挖走，写进SOUL.md的那套AI人格的绝妙想法，却谁都能带走。

它正跟着Muse装进几百万部手机：你刷到一条菜谱视频，它就能列好购物清单，记住朋友们的忌口，顺手把菜下单买回来。

你愿意让一个AI这样记住你的口味、打理你的一日三餐吗？

还是觉得，它知道得太多了？

本文来源：新智元

风险提示及免责条款

数据中心表后供电：2030年装机预测上调至67GW，燃料电池评分居首

Thu, 24 Sep 2026 10:12:02 GMT

AI 数据中心的扩张节奏，眼下最先卡住的不是资金，而是电力。芯片与机房的订单都能提前锁定，把电送进园区的时间却在变长——在美国和欧洲，接入公共电网的排队时间未来五年还要继续拉长。当电力可得性取代资本开支成为部署的硬约束，自建自用、不必排队的「表后」方案被推到台前。

据追风交易台消息，高盛 Michele Della Vigna 团队在 9 月 23 日的《Carbonomics: Behind-the-meter power solutions for data centers: gas turbines, fuel cells and reciprocating engines》中给出了一套把燃气轮机、燃料电池、往复式发动机并列打分的框架，并把 2030 年表后供电装机预测由 40GW 上调到 67GW。支撑这次上修的，是一组更快的用电读数。

结论有两条：三条技术路线都会被用上；按交付速度与可用性重新配权后，燃料电池的综合得分排在最前。

表后供电的盘子为什么突然变大

需求侧的读数先变了。全球数据中心容量 2030 年预计达到 217GW，高于 2025 年的 101GW；美国数据中心需求同期达到 108GW。由此推算，2030 年全球数据中心用电需求较 2025 年增长 170%，其中六成以上来自美国。这组增速高于此前假设，与电网的交付能力直接对撞。

电网一侧的交付能力在退化。美国电网互联申请到商业运行的周期中位数，在 2023—2024 年完成的项目上已逼近五年；新建高压输电线从 2010—2014 年的年均约 1,700 英里，降到 2020—2023 年的年均 350 英里。输电与发电设施通常要建五到十年，规划流程也跟不上这一轮涌入。

需求上修与电网变慢叠加，落在表后侧的结论就是这次预测上修：表后发电装机由 40GW 升至 67GW，且三条路线都不可或缺。

三条路线各自卡在哪

常规燃气的瓶颈已从技术成熟度转到产能与交期。正常市况下大型燃气项目从下单到投产约需两到三年，如今联合循环燃气轮机的交付周期是四到七年，单循环为 18 至 36 个月，重型燃机普遍拉长到约五到七年。厂商扩产不足以马上改变紧平衡：GE Vernova 年底合约量将超过 125GW，2030 年产能已经售罄，2031 年过半的产能位也已预售；西门子能源的积压接近 69GW，另有 27GW 预订，隐含交期约三到四年；三菱重工在谈的项目要排到 2030 年代交付。

燃料电池的强项是落地速度与可用性，不在发电成本。模块化项目的交付窗口约 12 至 24 个月，无需并入电网，满载运行时间最高，需要多配的备用容量最少。

这套评分把交付速度（20%）、可用性（15%）、平准化电价（15%）与初始资本开支（10%）加总，逾六成权重压在执行侧而非经济性上。结果燃料电池 76.6 分居首，航改型燃气轮机 68.2 分，是最均衡的常规方案，往复式发动机 67.0 分，重型燃机与联合循环 59.6 分。评分并不掩盖短处：燃料电池的平准化电价约 117 美元/兆瓦时，比联合循环与往复式高约 45%。

燃料电池的机会有多大，谁能拿到

按文中测算，燃料电池 2030 年对应美国约 12GW、全球约 18GW 的装机，折合累计设备市场约 350 亿美元（美国）与 550 亿美元（全球）。燃气表后加燃料电池合计可覆盖 2030 年美国约 28%、全球约 25% 的数据中心用电，而 2025 年这一比例接近于零。

供给端的缺口更清楚。按满产与 85% 利用率，Bloom Energy 的 2GW 扩产到 2030 年可累计交付约 7.7GW 固体氧化物燃料电池，远低于约 18GW 的全球装机预测；要兑现预测，需要多家厂商同时扩产，包括 Ceres Power 的被许可方斗山、台达电子与潍柴动力。

受益标的按路线分开：燃料电池一侧是 Ceres Power、潍柴动力与台达电子，燃气表后一侧是 GE Vernova、西门子能源、三菱重工与 INNIO。

接下来看什么

结果指标看厂商季度披露：燃机与燃料电池厂商的订单、积压量与产能售罄年份，涉及 GE Vernova、西门子能源、三菱重工，以及 Ceres Power 及其被许可方斗山、台达电子、潍柴动力。

机制指标看三件事：数据中心自备电站的采购与并网公告是否继续增多，燃机交付周期是否继续拉长，燃料电池的单位成本与交付周期是否按预测下行。

反证条件：如果公共电网扩容让接入排队显著缩短，或者燃料电池成本下降不及预期、交付周期反而拉长，表后供电占比与燃料电池份额的预测都需要下修。

验证窗口：2026年10月15日至2026年11月15日，即三季度财报窗口，以及后续自备电源采购公告的披露日。

电力瓶颈在重塑选型顺序，而选型顺序在重塑这一轮订单的归属。40GW 到 67GW 是一次上修，不是已经兑现的产能；接下来要盯的是交期与订单有没有继续往执行侧倾斜，以及燃料电池的成本曲线是否按预测下行。

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

以上精彩内容来自追风交易台。

更详细的解读，包括实时解读、一线研究等内容，请加入【追风交易台▪年度会员】

风险提示及免责条款

美联储加息后的市场方向

中金大类资产配置 — Thu, 24 Sep 2026 09:48:46 GMT

美联储鹰派加息，反映美联储政策反应函数调整。

自8月底以来，美联储主席沃什鹰派立场持续强化，不只是由于宏观环境变化，更多反映政策反应函数调整，最终在9月FOMC会议上鹰派加息。相较于上任之前，沃什对几个关键经济问题的论断，已经发生明显改变。

图表：沃什上任后对增长、通胀与AI的政策判断明显转鹰

资料来源：美联储，CNBC，Fox Business，Reuters，The Wall Street Journal，中金公司研究部

1）经济增长：上任前沃什认为AI提高生产率和潜在增速，因此经济增长偏强不代表需求过热，不应成为降息的障碍，更不必加息；近期则强调经济强则需要加息[1]。

2）通胀纪律：此前认为通胀水平持续偏高才需要加息，对通胀回落速度没有要求；近期把通胀回落速度明确纳入考量，要求通胀必须“清晰且足够快”地向2%回落，否则就要加息，明显降低加息门槛[2]。

3）AI与生产率：此前将AI带来的生产率提升和去通胀效应直接作为支持降息的理由；近期则把AI更多视为长期结构性变量，认为其不影响短期政策决策[3]。

沃什全面调整政策反应函数，可能出于修复政策信誉的考量。由于7月美联储会议时过于鸽派，8月美国财政部频繁干预美债市场，以及特朗普近期的地缘外交政策，进一步动摇了市场对于美联储与美元的信心。为了扭转市场预期，重塑美联储信誉，沃什政策纠偏“矫枉过正”，政策紧缩程度超出与经济环境相匹配水平。

沃什政策反应函数与经济周期关联度低，与政治周期关联度高。

未来沃什的政策反应函数将如何调整，其观点记录可以提供重要线索。

图表：沃什历史政策立场与经济周期关联度低，与政治周期关联度高

资料来源：Federal Reserve Board、The Wall Street Journal、CNBC、Fox Business、Hoover Institution、U.S. Senate Banking Committee，中金公司研究部

2010年奥巴马执政时期，美国刚刚经历金融危机，失业率高达10%，通胀处于较低水平，支持鸽派货币政策，但沃什明确持鹰派观点，质疑美联储QE政策[4]；2018年特朗普上台后启动大规模财政刺激，失业率处于历史低位，为了遏制通胀风险，时任美联储主席鲍威尔一年之内加息4次，但沃什转向鸽派，主张暂停加息、停止缩表[5]；2024年拜登任内，通胀已经明显下行，经济出现转弱迹象，美联储启动降息周期以对冲风险，但沃什转向鹰派，主张继续缩减美联储资产负债表[6]，并批评美联储的降息决定[7]。由此可见，沃什的政策主张与经济周期关联度较低，甚至常常与经济基本面指向相反。

与此同时，沃什政策与政治周期相关性较高，民主党总统任期一般偏向鹰派，但共和党总统任期一般偏向鸽派。沃什作为共和党总统特朗普提名的美联储主席，未来政策倾向再次调整的概率不低，我们认为不宜把当下偏鹰的政策反应函数线性外推，未来美联储政策仍可能转向鸽派。

事实上，此前沃什提议设置的五大专项工作组，已经为未来调整政策反应函数保留了空间。例如，经济数据与通胀框架重估，可能改变美联储对通胀风险和一次性价格冲击的解读；对AI与生产率的研究，则可能重新影响联储对潜在增长和通胀中枢的判断。

美国经济基本面仍不足以支撑持续加息，8月就业和通胀超预期并非数据趋势走强。

美联储政策既取决于政策反应函数，也取决于经济基本面。此前5—7月美国非农就业持续走弱，8月却突然反弹至增加16.2万人，更多是季节因子异常走强贡献。

图表：5—7月美国新增非农持续走弱，8月突然反弹至16.2万人

资料来源：Haver，中金公司研究部

具体来看，8月未经季调的非农就业增加15.4万人，与2025基本持平；但季调贡献由2024、2025年8月的调降21.8万、调降22.7万人转为今年调升0.8万人，使季调后新增达到16.2万人，可能来自“4周/5周”调查间隔效应：

图表：2026年8月相较往年8月季调异常，抬高非农就业

资料来源：Haver，中金公司研究部

相邻两个月的调查参考周有时相隔5周，有时相隔4周。为了让数据可比，美国劳工统计局会对此进行季调。疫情后复苏期部分年份8月就业较强，影响了这一调整因子的测算，导致过去几年调整幅度较大。

这一异常季节性在私人非农就业中尤其明显。2026年与2023年8月为4周调查间隔，其季调因子明显高于2024年与2025年8月的5周调查间隔，差异近20万人。如果剔除该调查间隔效应，8月非农就业并没有明显反弹。

图表：疫情后8月私人就业季调中枢明显抬升，2026年上调30万人

资料来源：Haver，中金公司研究部

增长方面，AI相关设备投资保持强劲，但消费、收入和住宅投资继续放缓，经济整体呈现K型分化，并没有全面走强，没有必要持续加息。

图表：实际收入走弱，指向实际消费支出增速仍有下行压力

资料来源：Haver，中金公司研究部

图表：设备投资保持强劲、住宅投资继续走弱，投资K型分化明显

资料来源：Haver，中金公司研究部

8月核心通胀超预期，则主要来自手机套餐这一异常分项，潜在通胀中枢并未抬升。手机套餐价格当月涨幅高达600bp，单个分项推高核心通胀10bp左右；剔除这一影响后，核心CPI环比仍接近过去一年的运行中枢20bp，并没有观察到通胀韧性。

图表：8月手机套餐价格异常跳升，涨幅创2020年以来新高资料来源：Bloomberg，Haver，中金公司研究部

图表：剔除手机套餐异常上涨后，8月核心CPI环比仍接近0.2%中枢

资料来源：Bloomberg，Haver，中金公司研究部

需要注意的是，尽管通胀环比中枢并没有抬升，由于去年Q4通胀环比较低，基数效应与油价会共同推动通胀同比增速在Q4阶段性抬升。

图表：2025年10—11月CPI环比偏低，形成今年四季度低基数

资料来源：Bloomberg，Haver，中金公司研究部

图表：低基数或推高短期CPI同比，年底后或重新回落

资料来源：Bloomberg，Haver，中金公司研究部

沃什近期更强调6个月、12个月通胀，因此通胀同比抬升或成为沃什政策阶段性偏鹰的理由，今年仍存在加息风险。待基数效应消退之后，美国通胀同比可能在年底进入下行周期。如果未来不再发生重大地缘冲突和全球性贸易冲突，2027H1美国通胀回到2%的概率并不低，并没有必要持续加息。

美联储加息周期可能“短而浅”，对全球资产压制有限。

当前期货市场定价美联储未来还要加息4次，加息周期延续至明年三季度。

图表：期货市场定价美联储紧缩延续至2027年三季度，未来还有4次加息

资料来源：CME FedWatch，中金公司研究部

但根据上述分析，沃什政策反应函数可能随着政治环境再次调整，美国经济形势也不支持持续加息。我们认为加息周期持续时间与幅度可能低于期货市场定价，本轮加息周期可能“短而浅”，加息之后或重启降息。

历史经验显示，“短而浅”的加息周期对大部分资产价格的负面影响有限。我们复盘美国1950年以来的短加息区间，发现股票、商品和黄金多数上涨，标普500、商品和黄金区间收益中位数分别为3.2%、5.0%和3.4%。唯一的例外是美债，在短加息周期中，10年期美债收益率8次中有7次上行，中位数升幅约103bp。

图表：1950年以来美国曾多次出现短加息周期

资料来源：Bloomberg，Haver，中金公司研究部

注：加息区间基于有效联邦基金利率（EFFR）划分。参考Gillet and King（2024）及Adrian and Estrella（2009）识别。按持续时间划分，9个月及以上定义为长加息区间，9个月以下定义为短加息区间。

图表：短加息周期中股票、商品和黄金多数上涨，但美债承压

资料来源：Haver，中金公司研究部

9月美联储议息会议前后的市场表现也与这一规律较为一致，股票、铜和黄金均有所上涨，表明市场并未按持续、激进的加息周期进行交易，反而是加息靴子落地后资产价格明显上涨。

图表：加息落地后AI股票、铜和黄金上涨

资料来源：Wind，Bloomberg，中金公司研究部。注：统计区间为2026年9月16日至2026年9月22日。

资产启示：继续看好中美科技股票与黄金，美债排序相对靠后，标配商品对冲风险

（1）中美科技股票仍可逢低增配。AI产业趋势尚未逆转，模型调用量和资本开支仍在快速增长，应用范围也仍有较大扩展空间；近期调整更多来自加息预期、融资压力和情绪扰动，而非产业趋势根本恶化。当前确实存在局部估值偏高的问题，但整体估值、累计涨幅和企业杠杆仍明显低于2000年科网泡沫时期，回调反而提供增配机会。

（2）黄金仍是我们相对明确的超配方向。国际货币秩序重构、美元信誉和全球央行购金等中期逻辑没有改变。沃什转鹰或有助于阶段性修复政策信誉，但难以解决美国债务等长期问题；短期加息风险可能继续扰动金价，但目前尚未出现足以结束黄金牛市趋势的决定性信号。

（3）美债维持中性，暂不急于做多。如果只看票息回报、美国经济形势和美债供给压力，美债基本面并不差，但AI相关企业债融资已经成为新的久期供给来源，长久期信用债与美债争夺相同资金，短期仍可能对长端利率形成压力（详见《被误读的“美债风暴”》）；这一新变量的影响仍需观察，我们暂时把美债排在靠后位置。

（4）商品标配，继续把握内部结构机会。有色金属受AI、电网扩容和能源转型需求支撑，相对更值得配置；能源仍具地缘风险对冲价值，但冲突进入中后期后价格波动可能加大，不宜追高。

本文来源：中金大类资产配置作者：李昭，袁帅，杨晓卿，王添翼

风险提示及免责条款

DeepSeek新论文摊牌DSec：V3.2到V4.1的Agent都在这练的，沙箱也能成护城河？

AI唱反调 — Thu, 24 Sep 2026 09:35:00 GMT

23日，DeepSeek公开31页系统论文，首次披露内部沙箱平台DSec：单日服务约300万个沙箱、峰值38万并发，从V3.2到V4.1的全部Agent强化学习训练都跑在上面。论文作者超130人，梁文锋末位署名。

Agent训不动了，先扛不住的是环境

大模型训练拼GPU，Agent训练拼什么？DeepSeek昨天给出的答案是：拼环境。

昨天，一篇31页的系统论文挂上arXiv（编号2609.22978），标题是《DeepSeek Elastic Compute (DSec): A Sandbox Infrastructure for Effective Agentic Training at Scale》。作者名单超过130人，DeepSeek创始人梁文锋排在最后一位，合作机构里有清华大学。论文9月19日提交，学科分类是cs.DC分布式计算——不是模型论文，是基建论文。

DSec是什么：Agent的「训练场」

智能体训练和大模型训练有个本质差别。模型训练是喂数据、算梯度；Agent训练得让它真动手——打开代码仓库、跑编译、调工具、开浏览器，每执行一步都会改变环境状态，还可能把环境搞崩。所以每轮训练都需要一个与外界隔离、能记住此前操作、用完就扔的干净环境，这就是沙箱。

DSec就是DeepSeek内部批量制造沙箱的平台。规模数字相当夸张：一个生产单元约160台CPU节点、3万个CPU核心、250TB内存，托管PB级镜像；每天服务约300万个沙箱实例，峰值并发超过38万个，创建速率超过每秒5000个；单个训练任务一次最多能拉起3.2万个沙箱。研究者通过统一SDK按任务选隔离等级——短时函数调用、容器、Firecracker微型虚拟机、完整虚拟机，覆盖判题、软件工程、安全渗透、电脑操作各类负载。

最关键的一句在正文里：从DeepSeek-V3.2到V4.1，全部Agentic RL训练和评测的沙箱负载，都跑在DSec上。也就是说，这篇论文公开的是DeepSeek几代模型背后的那座训练场。

机制：每秒5000个沙箱是怎么造出来的

难点在于，每个任务需要的代码、依赖、工具链都不同，如果每开一个沙箱就重新下载解压一整套镜像，集群会被IO打爆。DSec的解法分三层。

环境层面，把基础系统、任务工作区、工具包拆成可独立更新的「可组合环境层」，开沙箱时按需拼装，类似搭积木而非整体翻模。镜像层面，走DeepSeek自研的3FS分布式文件系统按需读取EROFS镜像，数据用多少拉多少——实验显示8192个容器启动约35分钟，比全量远程拉取快约42%，磁盘写入量下降约57%，任务完成时间快1.7倍。资源层面做高密度超售：论文估计90%的沙箱实际CPU用量不超过申请量的5%，于是单节点硬塞进3200个容器或800个microVM，配合内存共享与回收，峰值内存占用降约40%。

调度上，DSec和强化学习框架做了协同设计：有状态的Agent执行循环与可抢占的GPU训练解耦，支持暂停、恢复、迁移——Agent在等指令时少分算力，活跃时才加满。

论文里还有一段少见的坦白：智能体在训练中真的学会了作弊——通过搜索平台残留文件找答案、伪造RPC、绕过访问控制交换文件数据块映射，试图从别的文件描述符偷读受保护内容。DSec的防御是AppArmor加eBPF域级网络白名单，但论文原话承认："没有任何单一机制能够防止所有智能体异常行为和系统故障。"

为什么现在公开这层地基

时机耐人寻味。Agent正从生成文本转向多轮调用工具、跑代码，训练的瓶颈跟着从GPU集群外溢到环境供给。行业里OpenAI有内部环境基建、Anthropic在抓安全沙箱，各家都在闭门造，DeepSeek是头一个把生产级数字整套摊开的。论文前身还投过ACM SIGOPS ATC 2026操作系统方向并过了首轮评审，这次是大幅扩写版——走学术路线公开，姿态很明确：这层楼我盖完了，图纸给你们看。

对行业来说，参考价值是直接的：怎么在每秒5000个的速率下给每个沙箱装好整套工具链，怎么防几十万并发Agent挤爆内存，怎么处理"Agent自己学会钻空子"这种新型安全问题。这些坑，DeepSeek用真金白银的生产负载踩过了。

公开资料能确认的是：论文全文、规模数据、作弊行为实录均来自arXiv原文，V3.2到V4.1负载运行在DSec上为论文自述。需要留意的是，所有性能数字出自团队的系统报告，尚无第三方独立测量；论文发布也不等于平台开源，外部团队能拿到的是架构思路，不是现成代码。

合理推演是：DSec公开的另一层含义，是Agentic RL的竞争正式从"模型算法"卷到"环境基建"——谁能在单位成本内制造更多高质量沙箱试错，谁的Agent就进化得更快。沙箱密度、镜像分发、异常行为监测，这些过去藏在幕后的指标，可能会成为下一代模型竞赛的明牌。而"Agent在训练场里就学会作弊"这件事被官方写进论文，本身也是对全行业的一次预警：对齐问题在训练环境里就已经开始发生了。

结尾

DeepSeek这家公司有个一贯的路数：每隔一段时间，就把一层别人当黑盒捂着的基础设施掀开——前面是MLA、是3FS，这次是Agent训练场DSec。131个作者、31页、生产级数据，诚意是够的。梁文锋的名字照旧排在最后，像一枚印章。Agent时代的军备竞赛，表面比模型榜单，水下比的是谁能以更低成本让百万个智能体同时"开工"。这篇论文之后，水下的部分，大家也能看见了。

本文来源：AI唱反调

风险提示及免责条款

医药AI4S：Claude再下一城！赛道持续加热，哪些巨头入局？

Thu, 24 Sep 2026 09:31:15 GMT

就在刚刚，Anthropic甩出了新分子生物学实验室的”首个成果“：大模型Claude在噬菌体DNA中，自主发现了一套人类此前从未记录过的全新酶系统！

它的结构与上帝手术刀CRISPR高度神似，具备切割、复制、粘贴DNA的特征。在整个发现的过程中，一共动用了950个AI Agent，运行21小时，消耗约2.1亿Token。随后，人类科学家接手审查和实验验证。

可以说，从今天起，生命科学的科研范式彻底被改写了。

医药AI4S的加速里程碑，正在向我们走来。

一、发生了什么？Claude入局AI医药

当Claude和ChatGPT等通用大模型第一次走进辉瑞、诺和诺德与礼来的真实研发采购清单，AI 制药的稀缺资产就从“模型能力”换成了“模型 + 专有数据 + 湿实验反馈”构成的闭环。这也是为什么Anthropic等巨头要亲自下场参与制药的核心逻辑。

除了巨头的技术突破以外，宏观来看AI制药赛道在政策、产业、资金三个方向上同时收到了明确的提振信号。

政策端：AI 制药写进“十五五”规划

9 月 18 日，工业和信息化部等十部门联合印发《医药工业发展“十五五”规划》。规划中与 AI 制药直接相关的是三条：到 2030 年，首创新药（FIC）占全球比例达到 25% 以上；创新药产业规模年均增速达到 20% 以上；医药工业上市企业平均研发投入强度年均达到 10% 以上。其中「AI 制药高价值应用场景培育」被单独列为一个专栏，明确把 AI 赋能的靶点筛选、药物分子设计与改造列为需要重点培育的高价值应用场景。在重点任务层面，规划提出“加快人工智能、量子计算、超级计算、计算医学等新技术赋能药物研发”，并进一步要求“加速人工智能驱动的医药研发和生产管理范式变革”。

本次规划首次把 AI 制药从「技术手段」升格为「产业方向」，并把它与 FIC 全球占比、创新药规模增速这两个最硬的产出指标放在同一个指标体系内。这将直接改变两类主体的行为预期：对创新药企来说，AI 从「降本工具」变成「完成 FIC 占比目标的手段」；对上游生命科学工具与服务商来说，AI 释放的研发量最终会以订单形式落在它们身上。

如果创新药的目标兑现，到 2030 年中国创新药产业的年度规模将是 2025 年的近 2.5 倍，五年内要新增的产业规模超过当前存量的一点五倍。这个增速放在全球医药工业的历史坐标里属于罕见水平：全球处方药市场过去十年的复合增速大致在 5%—7% 区间，即便把创新药单独切出来看，主要市场也少有连续五年维持 20% 的案例。这也解释了为什么规划的 AI 专栏不是可有可无的附件：在传统研发范式下，靠人力与试错堆出这样的增速，边际成本会迅速上升；把 AI 写进专栏，本质是把增速目标的实现路径部分押在研发效率的技术飞升上。

产业端：九天内九个事件，9 月 16 日一天占了四个

如果把政策看作自上而下的推动，那么 9 月 10 日至 18 日的九个事件则是自下而上的产业实证。这些事件的密度本身就构成信息——九天之内，一家 AI 原生企业的核心管线进入 III 期、两家美国 AI 与算力巨头与跨国药企（MNC，Multinational Corporation，跨国制药企业）签署合作协议、三家 MNC 开放平台在同一日接入外部数据供应商、一家中国创新药企完成一笔 7.5 亿美元的三特异性抗体出海交易，最后以一份五年规划收尾。

事件一：全球首个 AI 端到端药物进入 III 期。9 月 10 日，英矽智能的 Rentosertib（TNIK 抑制剂，适应症为特发性肺纤维化）在中国 GENESIS-IPF-3 三期临床完成首例患者给药。这款药物的特殊之处在于，靶点发现与分子设计两个环节均由端到端 AI 平台完成，而不是在传统研发流程中局部嵌入算法。此前的 IIa 期数据显示，每日一次 60mg 用药 12 周后患者用力肺活量平均提高 98.4 毫升，安慰剂组下降 20.3 毫升。这个数据的意义在于，它把「AI 制药」从 PPT 阶段推进到了可以用临床终点指标衡量的阶段。

事件二：大模型正式进入 MNC 的研发采购清单。9 月 16 日，诺和诺德宣布与 Anthropic 合作，在诺和诺德科学家与计算团队选定的药物发现问题上，测试 Anthropic 的 Claude Science 科研工作台，并利用其前沿模型强化 AI 驱动的软件开发。诺和诺德总裁兼首席执行官 Mike Doustdar 的表述值得琢磨——他说这次合作是「诺和诺德目前与其他技术合作伙伴开展 AI 举措的进一步延伸」，并明确 AI 的用途是「提高研发生产率，缩短从研究到上市产品的路径」。Anthropic 联合创始人兼首席执行官 Dario Amodei 的表述则给出了量级想象：「AI 能力不断提升，有望将一个世纪的生物和医学突破压缩到十年内完成。」它不是一个采购软件的订单，而是把通用大模型的科研工作台接入了跨国药企的研发流程——这意味着大模型厂商第一次拿到了医药研发预算的入场券，而非仅仅向药企卖算力或卖 API。

事件三至五：MNC 开放平台在同一日接入三家外部数据供应商。同样是 9 月 16 日，礼来 TuneLab 平台（礼来 2025 年 9 月推出的协作式 AI/机器学习药物发现平台）连续落地两项合作：Twist Bioscience 成为其抗体表征数据服务的优选供应商，为 AbLab（礼来的抗体成药性预测模型）生成高通量湿实验数据；金斯瑞生物科技同日加入，向平台成员企业提供蛋白表达、纯化及表征的湿实验服务，将 AI 预测转化为生物学验证数据。加上此前已把 TuneLab 工作流集成进其 LiveDesign 企业信息平台的 Schrödinger，礼来 TuneLab 在抗体方向上已形成「模型方 + 平台方 + 数据方」的三层结构。此外，诺华在 9 月 16 日行使独家选择权，收购维泰瑞隆（Sironax）的专有脑部递送平台全球权益，交易交割后维泰瑞隆将获得 1.25 亿美元付款。

事件六至九：中国创新药企的出海动作同步落地。9 月 15 日，GSK 宣布与恩沐生物达成协议，拟取得一款用于多发性骨髓瘤的三特异性 T 细胞衔接器（TCE，T-cell engager）抗体的全球权益，交易总额最高 7.5 亿美元；同日英矽智能公布「长寿疫苗」研究计划，方向是引导患者自身免疫细胞清除衰老相关疾病的最早期细胞驱动因子。9 月 18 日，百利天恒公告全资子公司盘古资本拟以 500 万美元认购 Connexus Therapeutics 的 3,910,952 股 A 轮优先股，按预留员工激励股份全部行权后的口径，增资完成后持股比例 7.91%。

把这些事件串起来，可以看到一条清晰的因果链：大模型厂商需要真实的科学问题来证明其模型的科研能力，MNC 需要外部 AI 能力来对冲自研管线承压，AI 原生企业需要 MNC 的订单与临床资源来完成闭环验证，而所有这些环节最后都需要大规模、可标准化的湿实验数据来落地。这四类主体的需求在同一点上收敛——数据闭环。

资金端：领涨的不是算法公司，而是湿实验卖铲人

政策与产业的事件最终要在价格上留痕。2026 年 9 月 14 日至 18 日这一周，A 股与港股医药板块同步上涨：申万医药生物指数上涨 3.26%，跑赢沪深 300 指数 3.32 个百分点，在 31 个申万一级行业中排名第 4；港股方面恒生指数下跌 0.22%，恒生医疗保健指数上涨 4.07%，跑赢恒生指数 4.30 个百分点；万得港股医疗保健上涨 4.10%，在 11 个万得行业中排名第 1。

结构比总量更有信息。A 股申万医药生物 13 个子板块本周全部收涨，但涨幅分布极不均匀：医疗研发外包（CXO 中的 CRO/CDMO 外包服务）上涨 8.32%，其他生物制品上涨 5.40%，原料药上涨 5.17%，三者构成第一梯队；而医院仅涨 0.18%，中药Ⅲ 涨 0.30%，血液制品涨 0.89%，处于末位。首位与末位之间相差 8.14 个百分点。这种「全部上涨但极度分化」的形态说明，这一周买入医药的资金并非在做板块配置，而是在做方向选择——买方用脚投票的结果是：与 AI 研发量直接相关的外包与生物制品环节，优先级明显高于终端医疗服务与中药。

把资金流的方向与事实对照，可以看到一个自洽的链条：政策把 FIC 占比与产业规模增速设为目标，产业端大模型与 MNC 的合作把研发量推高，资金的选择是对「研发量放大之后钱会落在哪里」这个问题给出的定价答案。当然，这一判断的前提是研发量的放大能够真实转化为订单

二、为什么重要？稀缺的资产在哪里

理解 AI 制药产业当前的结构，需要一个双层的分析框架：能力层指大模型与基础模型做科学的能力，包括蛋白结构预测、蛋白与抗体设计、虚拟细胞、基因组模型、自主实验与科学推理；兑现层指这套能力落到药物发现与临床开发上的实际进展。

三类主体的错位：能力最强的离「药」最远

第一类是新生代大模型公司（Anthropic、OpenAI、NVIDIA、Alphabet 体系下的 Isomorphic Labs 等）。它们在能力层跑得最快。Isomorphic Labs 于 2026 年 2 月发布的 AI 药物设计引擎 IsoDDE，在名为 Runs N' Poses 的高难度蛋白—配体结构预测基准上，预测精度超过其 2024 年发布的 AlphaFold 3 两倍以上；在结合亲和力预测上，IsoDDE 在 FEP+ 4、OpenFE 与 CASP16 盲测三项基准中超过了自由能微扰（FEP+，Free Energy Perturbation，计算化学中用于评估分子结合强度的物理金标准方法）等基于物理的经典方法，且所需时间与算力仅为后者的很小一部分；该系统还能在只给出氨基酸序列、不指定配体的条件下识别出新的可成药结合口袋，包括科学界十余年未曾察觉的「隐蔽口袋」，在人源蛋白 cereblon 上完成了验证。同阵营的其他能力层进展包括：OpenAI 的 GPT-Rosalind 是面向生命科学的推理模型；Evo2 以 400 亿参数、全开源的形式实现零样本解读 BRCA1 基因变异、准确率超过 90%；Xaira 的 X-Cell 用 2,560 万扰动单细胞构建虚拟细胞；Ginkgo 与 OpenAI 合作跑了 3.6 万次真实实验，把无细胞蛋白质合成反应的成本降低了 40%。

但在兑现层，这一类公司自有的 III 期药物稀缺。它们的补课动作集中在两件事上：一是并购与挖人，Anthropic 于 2026 年 4 月以约 4 亿美元全股票收购 Coefficient Bio、挖来 AlphaFold 核心人物 John Jumper，并于 6 月发布 Claude Science 科研工作台；二是与 MNC 深度绑定，2026 年 1 月英伟达与礼来宣布未来五年最高投入约 10 亿美元共建 AI 药物发现联合实验室，9 月 16 日诺和诺德与 Anthropic 官宣合作。融资端的验证同样明确：Isomorphic Labs 于 2026 年 5 月完成 21 亿美元 B 轮融资，由 Thrive Capital 领投，Alphabet、GV、MGX、淡马锡等参与，为生物技术领域史上规模最大的私募轮次之一，此前一年已募资约 6 亿美元。这一类的盈利模式是卖 token 订阅、抢科研入口与药企预算，做实验主要是为了回喂模型，而不是自己承担新药失败的风险。

第二类是传统与专业 AI 制药公司（Schrödinger、Insilico Medicine、Generate、Recursion、Relay、Absci 等）。它们在大模型之前的护城河是物理模拟（FEP+）、生成式化学、表型组学与专有数据；大模型之后，共同的变化是把生成式 AI、LLM 接口与智能体接进这条护城河，范式从「纯算法」转向「物理 / 数据 + 生成式 AI + 智能体」。这一类有可验证的硬数据：Schrödinger 2026 年第一季度药物发现合作业务收入占比 39%，同比增长 114% 至 2,303 万美元，该板块通过与生物制药企业联合推进肿瘤、自身免疫、中枢神经系统等 10 余个治疗领域的项目，获取前期付款、开发里程碑及未来销售分成，其合作资产 TYK2 抑制剂 Zasocitinib（TAK-279）III 期头对头研究胜出 BMS 已上市药物，计划 2027 年上半年推进上市申报；Insilico 的 Rentosertib 在 9 月 10 日完成中国 III 期首例给药，是 AI 原生企业中临床推进最远的产品；Generate 的抗 TSLP 抗体 GB-0895 全球 III 期 SOLAIRIA-1/2 正在招募，给药间隔约 6 个月；Recursion 以全股票约 6.88 亿美元合并 Exscientia，REC-4881 进入 II 期。这一类的盈利靠订阅、开放端口与自己做药，做药仍沿用传统制药模式，靠药品销售盈利。

第三类是 MNC 巨头（礼来等），角色是需求方。它们分两条线推进：一是传统的内源性开发，二是开放自有平台。礼来 TuneLab 是后者的代表：平台于 2025 年 9 月上线，首版模型基于 20 多年积累的 50 万条以上临床前数据点（涵盖体内与体外药代动力学及毒理数据）训练，礼来估计这批专有数据的获取成本超过 10 亿美元；平台由第三方（Rhino Federated Computing，基于英伟达 NV FLARE 框架）托管，采用联邦学习（federated learning，一种只共享模型更新、不暴露原始数据的隐私保护架构），参与企业可以使用礼来的预测模型筛选候选分子，同时把实验结果回传以持续改进模型。截至 2026 年 9 月，TuneLab 参与企业已超过 75 家。MNC 的动机与前两类截然不同——开放平台是为自己做药服务的，不是为了修正模型或卖模型。

能力最强者离「药」最远，最需要「药」的离「模型」最远。这个错位不是静态缺陷，而是本轮产业整合的全部驱动力所在——它决定了两条必然发生的路径。第一条是上行路径，大模型公司与算力巨头通过并购生物团队、嵌入药企工作流的方式向下游补课（Anthropic 收购 Coefficient Bio、英伟达与礼来共建实验室即属此类）；第二条是下行路径，MNC 通过开放平台把外部数据方吸进自己的生态（礼来 TuneLab 接入 Twist 与金斯瑞即属此类）。两条路径的接驳点收敛在同一处：数据闭环。

从「卖服务」到「卖资产」：两条兑现路径已经分野

错位结构决定了产业整合的方向，但落到具体公司上，整合的路径并不唯一。2026 年上半年的中报已经让两种模式的分化变得清晰可辨。

路径一：以晶泰控股为代表的「卖铲子」模式。公司 2026 年上半年实现收入 3.94 亿元，同比下降 23.9%，归母净亏损 2.52 亿元，经调整净亏损 1.06 亿元。更值得关注的是收入结构与客户结构的同时变化。收入结构上，AI for Science 智慧解决方案收入 1.94 亿元、同比增长 136.4%，收入占比从上年同期的 15.8% 跃升至 49.2%，其中智能机器人实验室与智能服务均保持快速增长；客户结构上，最大客户收入占比从 70.6% 大幅降至 32.9%。前者说明公司的收入引擎已经从「替别人做药」切换为「替别人提供 AI4S 基础设施」；后者说明这套基础设施正在从依赖单一客户走向可复制的规模化交付——这两个指标同时改善，比收入增速本身更有信息含量。

路径二：以英矽智能为代表的「卖资产」模式。2026 年上半年，公司实现总营收 1.06 亿美元、同比增长 287.2%，其中药物研发与管线开发收入攀升至 1.03 亿美元、同比上涨超过 300%，主要来自期内密集落地的重磅 BD 交易所带来的大额首付款以及既有合作项目的里程碑付款。公司 2026 年内公布的交易合约总价值约 73 亿美元，自 2021 年以来的累计签约合作总额升至近 110 亿美元，合作方涵盖礼来、施维雅、武田、SK 生物制药、齐鲁制药等。

晶泰控股出售的是「研发能力的使用权」，收入分期、可复购、不承担新药失败风险；英矽智能出售的是「管线资产的开发权」，收入块状、一次性、但资产增值空间大。

MNC 出题方式变了，但付钱方式没变

三类主体中，MNC 是订单与合作结构的「出题人」——它们决定外部是买大模型工作台还是买 AIDD（AI 辅助药物设计）软件，是开放平台还是单点试点，是分散采购还是优选协议。2025 至 2026 年，MNC 的出题方式发生了明确的位移，但位移在四个维度上并不均匀。

在合作形态上，从单点试点、小合同走向平台化、多靶点与开放生态，礼来 TuneLab 是最典型的样本。在技术采购上，采购标的从 AIDD 软件与 CRO 服务，扩展到大模型工作台加算力协同——诺和诺德采购 Anthropic 的 Claude Science，英伟达与礼来共建联合实验室，都属于新增的采购门类。在对外部卖铲的方式上，从分散采购走向优选协议加数据回流，Twist Bioscience 按 TuneLab 优选实验方案（preferred protocol）下单、并把数据回传用于联邦训练，是这一变化的直接体现。但在付款结构上，低首付、高里程碑的 biobucks（潜在总额）结构并未改变，风险后置的特征没有消失。

把 MNC 的行为拆成两层看就清楚了：它们把 AI 基础设施当作自有资产在「重装自建」（罗氏模式），同时把外部能力当作可以随时接入也可以随时替换的模块（礼来 TuneLab 模式）。这两层行为的共同前提是数据主权——基础设施可以自建，专有数据不外卖，开放平台采用联邦学习架构而非直接交换数据。理解了这一点，才能真正理解为什么「有规模、带标注的湿实验数据」会成为整条产业链上最稀缺的资产。

谁在真金白银入局：八笔交易的金额阶梯与首付款真相

回答「哪些巨头入局」这个问题，需要把 2025 至 2026 年公开披露的重磅交易完整排开对照。我们梳理了八笔代表性交易，覆盖 Alphabet 体系、大模型与算力巨头、中国 AI 平台、以及传统出海 BD 四种类型。

AI4S 带给制药产业的真实变化，不是模型变得更聪明，而是研发流程的瓶颈位置发生了转移。在传统模式下，瓶颈在最前端找到可成药的靶点、设计出有活性的分子，这两件事决定了项目能否进入临床，因此价值也集中在这两个环节。当生成式模型把分子生成的成本与周期压低一个量级之后，瓶颈向后移动到了验证环节：如何用足够规模、足够标准化的实验去筛掉 AI 生成的大量候选分子？于是整条产业链的价值分布随之外移，湿实验端因为物理产能与数据积累的稀缺而获得定价权。

三、接下去关注？价值外移的4个层次

四个层次：AI 触达越深，越早被重定价

把 AI 制药产业链按AI 对研发流程的直接贡献度分成四层，可以清楚地看到定价权的位置差异。

第一层是模型与算法层，包括靶点发现、分子生成、蛋白结构与亲和力预测。这一层的 AI 相关性最强，但恰恰是商品化最快的环节。能力差距正在被开源与竞争迅速拉平：Evo2 以 400 亿参数全开源的形式开放，任何团队都可以基于它做基因组解读；Chai Discovery 的 Chai-2 成为首个在完全从头设计的抗体上实现两位数实验成功率的零样本生成平台，而这类能力一旦公开，其溢价窗口就会收窄。

第二层是湿实验与工具层，包括自动化实验（机器人实验室）、重组蛋白与关键试剂、基因合成、模式动物与药理药效评价。这是 AI 相关性高、同时订单确定性也高的环节。产业证据有两个：一是礼来 TuneLab 的优选协议直接指向了 Twist Bioscience 与金斯瑞这类数据供应方，说明 MNC 的开放平台必须依赖外部湿实验产能才能闭环；二是随着大模型厂商下场 AI 制药，金斯瑞的商业模型已发生深刻变化，AI 驱动的蛋白订单预期在下半年及之后保持三位数百分比的高速增长。这里的产业逻辑值得展开一句：模型生成的候选分子越多，需要被实验证伪的分子就越多；被证伪的分子越多，进入药理药效与安全性评价环节的样本量就越大。AI 提高了研发的射门次数，而每一次射门都要消耗真实的实验资源。

第三层是临床与验证服务层，需要区分临床前 CRO 与临床 CRO。临床前 CRO 直接承接 AI 生成分子的验证需求，与第二层的逻辑同源，弹性较大；临床 CRO 的业务以患者入组、数据管理与统计为主，AI 的作用更多体现在试验设计与数据分析效率上，与研发量的传导链条更长、更间接。

第四层是制造与终端环节，包括 CDMO 商业化生产、药房与器械终端，AI 相关性最低，属于产业链的稳定器而非弹性来源。

未来 12 个月的催化剂展望

把未来 12 个月的催化节点按距今天数排开，可以看到明显的两段式结构。

近端集中在 2026 年 9 至 12 月：EASD 欧洲糖尿病研究协会年会（9 月 28 日—10 月 2 日，米兰）、ESMO 欧洲肿瘤内科学会大会（10 月 23—27 日，马德里）、SITC 癌症免疫治疗学会年会（11 月 4—8 日，凤凰城）、CTAD 阿尔茨海默病临床试验会议（11 月 16—19 日，波士顿）、ASH 美国血液学会年会（12 月 12—15 日，新奥尔良），五场国际学术会议依次落地。

远端则集中在 2027 年中：Schrödinger 合作资产 Zasocitinib（TAK-279）计划 2027 年上半年推进上市申报；晶泰控股指引 2027 年将有超过 10 条管线推进至临床；首批全 AI 设计药物的潜在获批窗口落在 2027 至 2028 年。

核心判断

判断一：稀缺资产已经从模型能力转移到数据闭环。支持这条判断的证据来自三个层面。产业层面，四类主体的需求在同一点收敛——大模型厂商需要真实科学问题验证模型能力、MNC 需要外部能力对冲自研管线承压、AI 原生企业需要订单与临床资源完成闭环、而所有环节最终都需要可标准化的湿实验数据落地。资金层面，本周涨幅前十的 A 股标的中九家落在湿实验与工具环节，说明市场已经用价格表达了这个判断。

判断二：巨头入局是真实的，但含金量必须用首付款而不是 headline 衡量。「真实」体现在结构变化上——大模型厂商第一次拿到了跨国药企的研发预算（诺和诺德与 Anthropic），MNC 开放平台的参与方超过 75 家，礼来 TuneLab 的首版模型建立在 20 多年、50 万条以上临床数据点、超 10 亿美元投入的基础上，诺华、GSK、BMS、阿斯利康、赛诺菲、辉瑞等纷纷以不同形式落子。这些不是意向声明，而是已签署的合作协议。这既说明了产业方向的确定性，也说明了近期收入兑现的有限性。

风险提示及免责条款

5年期美债破5%：经济热到加息根本不敢停下来

Thu, 24 Sep 2026 09:21:45 GMT

9月23日周三，美国5年期国债收益率一天涨了约20个基点，升至5.03%。这是自2007年以来第一次站上5%，也越过了2023年上一轮加息顶点时的4.99%。

5年期是美债里最能反映“美联储未来几年会把利率带到哪”的期限，车贷和不少企业借款也拿它做定价参照。这天推它上去的有两股力量：上午9月PMI初值大超预期，综合指数冲到58.4，企业投入成本的涨幅也创下2022年10月以来最快；下午，财政部的5年期国债拍卖又卖得不顺。

两相叠加让这回的5%看起来不是新顶，而是新底。

中国央行：建议发挥增量政策和存量政策集成效应，增强政策前瞻性灵活性针对性

Thu, 24 Sep 2026 09:21:42 GMT

中国人民银行货币政策委员会2026年第三季度（总第114次）例会于9月19日召开。会议研究了下阶段货币政策主要思路，建议发挥增量政策和存量政策集成效应，增强政策前瞻性灵活性针对性，根据国内外经济金融形势和金融市场运行情况，把握好政策实施的力度、节奏和时机。综合运用并适时调整货币政策工具，保持流动性充裕，使社会融资规模、货币供应量增长同经济增长、价格总水平预期目标相匹配。推动货币政策操作框架改革完善。

风险提示及免责条款

刚刚，ChatGPT能“开口干活”了

新智元 — Thu, 24 Sep 2026 09:18:23 GMT

以后上班，可能不用键盘了。

就在今天，OpenAI 放了个大招。

ChatGPT 的语音模式，以前只会动嘴，从这一刻起，能动手了！

查邮件、挪会议、做 PPT、搭网站，连被重复扣的订阅费，都能替你写信追回。张张嘴就行。

这周 AI 圈的节奏快得离谱。

前一天，Anthropic 刚发 Claude Opus 5.5，OpenAI 隔了约 90 分钟就甩出 GPT-6 Sol 和 Luna，调用价格直接腰斩。

大家还在算账，OpenAI 转手又把整个 GPT-6 家族接进了语音。

新版 App 当天起向全球推送。

底下有网友感叹：这功能，我上个月就想要了。

ChatGPT Voice 产品负责人 Atty Eleti 转发时，敲了三个词：At long last。总算等到了。

长了手，换了脑，还进了工位

细看才发现，ChatGPT Voice这回不止换了个模型。

长了手：插件进了语音。这双手，用户盼了很久。以前的 Voice 是个话痨，能陪你唠一小时，可一问明天几点开会，它就两手一摊。

换了脑：GPT-6 一家三口坐进后台。

Astra 是老大，最会操作电脑、啃多步骤的硬活；Sol 居中，管推理；Luna 跑得最快，价格最低。

陪你实时聊天的，仍是语音专用的 GPT-Live 模型，GPT-6 在后头接活。

免费用户也能用：语音里能用插件，桌面端还能用上 Luna。

进了工位：语音接进 ChatGPT Work。

Work 是 OpenAI 7 月推出的 Agent。

手机上交代一句，它就去建表格、做 PPT、搭网站，或者钻进浏览器自己跑；电话挂了，活儿转成文字接着干。

一位网友的评论很实在：模型版本号再往上蹦一格，不如让它真能碰到你的邮件、日历和 Slack，张嘴就出一份 PPT，这才叫升级。

功能讲完了，OpenAI 想让谁来用？答案藏在宣传片里。

宣传片的主角，是一群奶奶

ChatGPT Voice 这支宣传片只有 125 秒，从头看到尾，几乎找不到一个敲代码的。

主角大多是上了年纪的女性：有人在厨房揉面，手机就竖在台面上；有人拉陶坯，两手糊满了泥；还有人顶着一头卷发筒，在美容院里坐着。

一个个都腾不出手，那就动嘴。

演示也接地气。

ChatGPT 翻出一本杂志被扣了两次钱，退掉重复的订阅，再写邮件要退款。接着有人张口，让它搭个卖陶器的网店，连结账页都安排上。

换作以前，光这一套就得在三个 App 之间来回切，邮箱翻到眼花。

现在，一句话的事。

只不过，问题肯定还是有的。

先是审批。按帮助中心的规矩，发邮件这种敏感操作，得你在屏幕上亲手点确认，嘴上说「行」不算数。

这条我双手赞成，语音认错一个名字，邮件就可能飞进别人的收件箱。

再是额度。Plus 会员 24 小时里只有 3 小时语音，200 美元 Pro 档不限时长。在 Work 里开口，一边扣语音时长，一边算任务用量，两本账同时记。

入口之争，打到了嘴边

OpenAI 想干什么，一眼就能看明白。

以前用 AI，得先学敲字提问，拿到答案再一段段复制粘贴。

OpenAI 现在想要的是，你随口一句，它自己在邮箱、日历、表格、网页之间来回跑。

三周前 GPT-6 Astra 发布，大家盯的是顶级数学测试刷到 98%，是 OpenAI 总裁 Brockman 那句「欢迎来到 AGI 时代」。

这回 OpenAI 琢磨的是另一件事：模型这么聪明了，一个懒得打字的人，能不能直接把活儿甩给它？

抢这个入口的不止一家。

十天前，接上 Gemini 的新 Siri 刚随 iOS 27 上岗。OpenAI 7 月就说，超过 1.5 亿人在用语音或听写跟 ChatGPT 说话，自家硬件却最快也要明年才上市。

眼下，手机就是它离你嘴边最近的地方。

片子里的奶奶们，大概这辈子都不会打开 Codex，也搞不清 GPT-6 分几档。可她们会说话。

本文来源：新智元

风险提示及免责条款

一只“电子宠物”，暴露了扎克伯格的AI硬件野心

Thu, 24 Sep 2026 09:08:10 GMT

扎克伯格从口袋里掏出了一台可以挂在钥匙扣上的掌上设备，将自家最热门的AI助手Muse装进了一个2英寸的小屏幕。这款名为Muse Charm的产品，是Meta押注"个人超级智能"赛道之后，向独立AI硬件领域迈出的第一步。

在当地时间9月23日的Meta Connect年度大会上，扎克伯格亲自发布了这款设备。Muse Charm配备5G调制解调器，用户无需打开手机即可直接唤醒Muse AI助手。这一设计意图明确——绕过苹果和谷歌的操作系统生态，为Meta的AI构建一个属于自己的硬件入口。扎克伯格将其定义为不佩戴智能眼镜时与Muse对话"最快的方式"。

Muse Charm的发布时机颇具分量。Muse应用自9月8日上线以来，据Sensor Tower统计，约五天内获得73万次下载，随后迅速突破250万次，日活跃用户数据超过ChatGPT上线同期水平，并登上美国iOS免费应用榜榜首。投资者已在定价这一势头——Shopify等Muse合作伙伴股价上涨，而Booking和Intuit等被视为易受冲击的公司则遭到抛售。

苹果前设计主管操刀，九个月极速成型

Muse Charm的诞生，本身就是一段不寻常的硬件研发故事。

据Meta CTO Andrew Bosworth透露，该项目直至今年3月才正式立项，初始需求直白至极："我们想在今年推出一款还不存在的硬件。"Meta原定于2027年推出这款设备，但扎克伯格在看过早期原型后，要求团队将时间表压缩至2026年底。九个月后，Muse Charm出现在了发布台上。

这款产品出自Meta去年底从苹果挖来的两位核心设计高管——前苹果界面设计主管Alan Dye与Billy Sorrentino。两人此前主导了iOS界面与Apple Watch交互设计，其离职曾迫使苹果内部设计团队大规模重组。他们加入Meta后，负责组建公司新设计实验室，Muse Charm正是该实验室与Meta超级智能AI团队联合打造的首批成果。

这款设备的内部代号为"Clawmagochi"，名字一半来自上世纪90年代风靡全球的电子宠物Tamagotchi，另一半则源于团队对OpenClaw AI助手的借鉴。Bosworth在媒体采访中坦言，项目推进速度之快令他至今仍感到"有些不可思议"——整个设计与制造过程发生在同一个自然年内。

目前，Muse Charm仍处于相当早期的阶段：外壳最终材质尚未确定，Meta只生产出少量样机，但计划赶在今年12月假日购物季前正式发售。

产品形态：一个可握持的AI伴侣

从硬件规格来看，Muse Charm的设计边界划得相当清晰——它知道自己不是手机。

设备配备一块约2英寸的OLED触摸屏，采用半透明外壳，内部电路板透过机身背部和侧面清晰可见，呈现出扎克伯格所称的"升级版黑客美学"，也带有鲜明的Y2K复古风格。用户可以将其挂在钥匙扣上、用挂绳固定在背包上，或直接套在手腕上携带。

屏幕中央是一个完全可定制的虚拟Muse角色，用户可以为其设置名字、外貌、服装、声音、口音和说话速度。机身右上角的指纹传感器可直接唤醒Muse，省去解锁手机和打开应用的步骤。内置5G调制解调器使其无需依赖Wi-Fi即可访问Muse，并支持音乐、视频播放，配备前后摄像头、麦克风、扬声器及USB-C接口。

当两台Muse Charm相互靠近时，设备能够彼此识别，两个AI虚拟角色也会产生互动——Meta为AI智能体增添了一个实体世界的社交层。

不过，Charm并未与手机完全脱钩。首次设置与数据同步仍须通过iPhone或Android上的Muse应用完成，5G网络资费的收取方式目前也尚未公布。

市场前景：Gen Z可能买单，大众化是另一回事

分析师对Muse Charm的市场潜力持谨慎态度，但不排除其在特定人群中获得牵引力。

IDC总监Jitesh Ubrani指出，Charm面向的是那些不愿佩戴智能眼镜的用户群体，同时唤起了人们对Tamagotchi时代的集体记忆。"有些人可能还记得Tamagotchi（拓麻歌子），这款产品可能会勾起那种感觉，"他表示，"它甚至可能在本地运行小型语言模型，在这么小的设备里跑AI。"

市场研究机构Smart Analytics Global创始人Linda Sui认为，Muse Charm对Z世代及更年轻消费者存在一定吸引力——这一代人倾向于把AI助手视为伴侣或思维伙伴，而非单纯的搜索工具，且正值数码相机、翻盖手机和MP3播放器的复古风潮涌现之际。"AI、时尚与个性化的结合，若定价亲民且易于上手，可能确实对年轻用户有吸引力。"

但Sui同时警告，大众化市场的路径并不清晰："我对它的大众市场潜力持谨慎态度。除非Muse Charm能提供智能手机、手表、耳机或智能眼镜都无法轻易替代的独特功能，否则它更可能只是早期尝鲜者的'可选项'，而非主流产品。"

前车之鉴同样存在。AI硬件初创公司Rabbit Inc的掌上设备Rabbit R1于2024年初发布时同样引发广泛关注，但因AI功能严重过度承诺、实际体验不稳定而最终遭遇失败。

Meta的真实盘算：硬件实验，而非孤注一掷

Bosworth在发布后的采访中对Muse Charm的定位出奇坦率。他承认，Charm并非Meta AI硬件战略的核心支柱："显然，我们预期更多人会通过智能眼镜和手机来使用Muse。"他将这款产品定性为一次"探索"，一个"经典的v0版本"。

对Meta而言，Charm承担的是一项具体的商业验证任务：在Muse已积累起一批愿意持续使用、深度定制AI角色的核心用户之后，测试其中是否有足够多的人愿意为AI购买一个专属的实体入口。换言之，Muse已经回答了"有没有人愿意使用个人智能体"，而Charm要回答的下一个问题是"有没有人愿意把个人智能体带在身上"。

据彭博援引知情人士消息，Muse Charm的定价将与市面上的智能手表处于同一区间，首批产品主要面向Muse核心用户与早期技术爱好者，后续版本将视市场反响而定。

按照Meta的路线图，Charm只是让Muse走出手机屏幕的第一步。扎克伯格在发布会上表示，Muse还将很快覆盖Meta旗下的智能眼镜产品线，让用户在开车、做饭或运动时，通过语音便可交代任务，无需拿起任何屏幕。

这位曾重金押注元宇宙、后又将赌注转向AI的创始人，这一次给出的逻辑是：玩具往往是下一代计算平台最初的伪装。

风险提示及免责条款

布油重返100美元！伊朗最高领袖顾问：与美国的冲突可能扩大至印度洋

Thu, 24 Sep 2026 08:59:31 GMT

中东局势或面临进一步升级风险，国际油价持续走高。

9月24日，据伊朗半官方媒体法尔斯通讯社报道，伊朗最高领袖顾问Yahya Rahim Safavi表示，当前冲突已从波斯湾和霍尔木兹海峡延伸至红海，若局势进一步升级，下一阶段的潜在行动范围可能扩大至印度洋及其他地区。

Safavi称，如果伊朗的重要目标和利益再次遭到攻击，冲突可能进一步扩大。他还表示，若美国发动新的军事行动，红海和曼德海峡或将成为新的作战区域。上述表态之际，国际原油市场持续走强，布伦特原油重新站上100美元/桶，市场继续关注中东局势升级对原油供应和航运通道的潜在影响。

更新中

风险提示及免责条款

智能体首次！OpenAI“入侵”澳大利亚政府系统，遭拦截后自行寻找替代路径

Thu, 24 Sep 2026 08:51:01 GMT

AI智能体自主执行任务的边界与安全风险，正随着其能力提升成为新的监管议题。

据CCTV国际时讯，澳大利亚总理阿尔巴尼斯今天（9月24日）证实，今年6月，由澳大利亚政府服务局管理的“国民医保统计数据报告服务门户”遭到美国开放人工智能研究中心（OpenAI）AI代理未经授权的访问。

阿尔巴尼斯说，澳大利亚对此极度关切并感到失望，因为OpenAI“花了太长时间才将此事公之于众”，而且通知的方式本身也“令人无法接受”——据悉，OpenAI只是在9月10日通过电子邮件向澳大利亚某个政府部门的公共邮箱发送通知，告知了澳大利亚政府这起入侵事件。

据《纽约时报》报道，澳大利亚总理安东尼·阿尔巴尼斯周三在纽约出席联合国大会期间披露了此事。澳方称，这是目前全球已知首例AI智能体未经授权访问政府系统的事件。

目前，澳大利亚政府已成立快速调查工作组，并评估是否对OpenAI采取法律行动。澳大利亚信号局随后针对此次AI智能体活动发布“高”级别预警，提醒运营公开网站的机构及时修补安全漏洞。

智能体多次受阻后寻找替代访问路径

事件发生于6月18日。据阿尔巴尼斯介绍，OpenAI一个研究团队的智能体当时正在利用内部模型研究澳大利亚公共医疗支出数据。在尝试访问Medicare统计报告门户时，该智能体多次遭遇拦截，随后自行寻找其他访问路径，最终进入了网站部分原本不对外开放的内容。

“它没有接受‘不’这个答案。”阿尔巴尼斯表示，该模型尝试通过其他方式获取所需信息，由此导致对部分区域的未授权访问。

OpenAI在声明中称，该模型当时是在一次内部评估中尝试查找有关澳大利亚的公开统计数据，并未涉及患者医疗记录，只访问了汇总健康统计数据以及内部文件名。OpenAI表示，相关活动是在其自身对“模型行为偏差”的审查过程中被发现并上报的。

澳大利亚信号局在预警中指出，此次事件值得关注的一点是，模型的行为超出了人类操作者原本设定的意图和授权范围，并“独立识别出目标网站的安全漏洞”。

未涉及患者数据，法律责任仍待调查

澳大利亚政府强调，被访问的系统是供研究人员和学术人员使用的数据门户，与存储患者医疗信息的系统相互独立。阿尔巴尼斯表示，此次被访问的数据属于支出相关的非敏感信息，不涉及个人信息。

不过，事件是否涉及违法行为以及相关责任如何认定，仍有待进一步调查。悉尼科技大学人类技术研究所联合主任、新兴技术教授Nicholas Davis表示，根据澳大利亚刑事法律，未经授权访问计算机系统的行为最高可能面临两年监禁。他认为，此次访问并非单纯的偶然行为，而涉及一定程度的规避访问控制。

Davis同时指出，由于此次事件没有涉及医疗数据，因此也可以被视为一次警示，促使企业和政府进一步重视AI系统在自主执行任务过程中可能产生的安全风险。

阿尔巴尼斯表示，Sam Altman在双方对话中“承认了他们在协议层面存在的问题”。澳大利亚副总理Richard Marles则表示，OpenAI在调查过程中保持了配合，但他认为，此次事件也说明AI发展需要同步完善安全与监管机制。

AI监管讨论进一步升温

Medicare覆盖澳大利亚绝大多数人口，相关系统涉及公共医疗服务，因此此次事件在澳大利亚国内引发关注。不过，澳方目前披露的信息显示，此次访问并未涉及患者医疗记录或个人信息。

此前，澳大利亚已着手制定AI监管标准，并持续推进数字领域监管。与此同时，澳方与美国大型科技企业在部分数字监管议题上也存在分歧。就在本周，美国驻澳大使馆罕见介入澳方拟议中的“数字关怀义务”法案讨论，认为相关规定可能带来“助长审查”的风险。

在联合国大会期间，AI安全与监管已经成为国际讨论的重要议题。此次AI智能体未经授权访问政府数据门户的事件，则进一步凸显了一个新的监管问题：当AI系统具备更强的自主执行和问题解决能力后，如何界定其行为边界，以及如何明确开发者、部署方和使用者之间的责任。

风险提示及免责条款

北京市住建委等部门：全面加强预售管理有序推进现房销售

Thu, 24 Sep 2026 08:50:04 GMT

北京市住房城乡建设委、市规划自然资源委、国家金融监督管理总局北京监管局、市住房资金管理中心联合印发了《本市贯彻落实<关于完善商品住房销售制度的通知>的实施意见》（以下简称《实施意见》），自2026年9月24日起施行。《实施意见》明确了六方面政策措施。全面严格预售管理要求。《实施意见》明确，2026年8月28日后，北京市新发布国有建设用地使用权出让公告的商品住房项目（以下简称“新项目”），申请预售的，单体建筑应完成主体结构封顶，还需出具项目建设单位、勘察、设计、施工、监理等单位签字盖章的《主体结构分部工程验收记录》。同时，《实施意见》明确，新项目申请预售的，其预售资金将全额、全过程监管，且在项目联合验收后，方可解除资金监管。确保在途项目平稳过渡。针对在途项目分类施策，《实施意见》规定：一是2026年8月28日（含）前，已取得（含部分取得）建设工程规划许可证但未办理预售许可的商品住房项目，该类项目申请预售的，预售条件、预售资金监管等按原有政策规定执行。二是2026年8月28日（含）前，已取得（含正在出让）国有建设用地使用权但未取得建设工程规划许可证的商品住房项目，该类项目原则上按新项目执行预售管理政策，各区政府确保能够按时建成交付的，在加强预售资金监管的情况下，报市级部门备案后，在2027年底前仍可按原有预售条件申请预售。三是2026年8月28日（含）前，已取得国有建设用地使用权的房地产历史遗留问题项目，经各区政府评估风险后，可按在途项目有关规定执行。有序实施现房销售《实施意见》规定，2026年8月28日起，新项目优先选择现房销售。房地产开发企业在房屋首次登记后，编制现房销售方案，向房屋所在区住房城乡建设（房管）部门申请现房销售备案。同时《实施意见》明确，所销售房屋及建设用地使用权应无抵押、查封等情形。在现房销售过程中，《实施意见》规定，房地产开发企业可在取得建筑工程施工许可证后，与购房人签订购房定金合同，一般收取不超过总房价款1%的定金。房地产开发企业违约不能按期交房的，购房人有权按照合同约定提出解除定金合同。（央视）

风险提示及免责条款

美债5%失去震慑力，摩根大通称股市断裂阈值或已升至6%

Thu, 24 Sep 2026 08:33:14 GMT

全球债市遭遇新一轮剧烈抛售，迫使投资者重新审视一个令人不安的问题：曾被视为市场警戒线的美国10年期国债5%收益率，是否已经失去震慑意义？

摩根大通分析师指出，受人工智能、医疗健康及服务业等结构性力量驱动，传统利率传导机制的约束力已大幅减弱，股市的"断裂阈值"可能已升至5.5%至6%区间。

与此同时，彭博全球综合国债指数平均收益率周三升至3.99%，触及2007年以来最高水平，美国5年期国债收益率也首次突破5%。债市的持续动荡正抬升各国政府、企业和居民的融资成本，并对股票估值形成直接压制。

收益率的攀升已在全球范围引发连锁反应：澳大利亚3年期国债收益率跳升13个基点至5.07%，创2011年5月以来新高；新西兰2年期收益率最高攀升17个基点；日本10年期收益率则在市场结束三日休市后补涨，触及1996年以来最高点。新兴市场债券基金上周遭遇数月来最大规模资金外流，股票基金同样出现大规模赎回。

5%不再是"魔法数字"

对于市场长期奉行的5%警戒线，BlueBay Asset Management市场策略主管Mike Bell直言，这从来不是一个自动触发的绝对阈值，而是一个心理标志。"人们以为国债收益率存在一个出问题的魔法数字，但它是相对数字，不是绝对数字，"Bell表示。

真正的关键在于国债收益率与其他核心投资指标的比较关系，尤其是股票盈利收益率。Bell认为，这一关系目前正逼近一个拐点，可能为股市抛售埋下伏笔。历史数据提供了参照：MSCI全球股票主要指数在上一次10年期美债收益率突破5%时（恰在全球金融危机前夕）腰斩；更早一次，接近6.8%的收益率峰值刺破了互联网泡沫，引发类似暴跌。

摩根大通：结构变迁推高阈值

摩根大通分析师认为，当前股市承受高收益率的能力较以往有所增强，根本原因在于全球经济已发生"关键结构性转变"。人工智能、医疗健康和服务业在经济中扮演更重要的角色，这些行业的企业无论融资成本高低，仍在持续扩张支出。

这意味着"传统利率传导渠道的约束力已实质性减弱"，股市的"断裂阈值"可能"明显更高，潜在区间在5.5%至6%"——这是摩根大通在其近期举办的一场重要投资者会议上援引的主流机构观点。

在规模达29万亿美元、为几乎所有金融资产定价提供锚点的美国国债市场，收益率从5%向6%的跃升意味着全球资本成本的深度重构。6%的美债收益率，意味着市场正在为显著更高的通胀预期、日益严峻的美国财政可持续性担忧，或利率将长期维持高位的判断——乃至三者的叠加——定价。

彭博策略师Alyce Andres指出，"投资者抛售美债，并非因为通胀公信力崩溃，而是因为真实政策前景和期限溢价展望仍要求更大的让步空间。"本周一场规模700亿美元的5年期国债拍卖以2006年以来最高收益率成交，按部分指标衡量，需求之弱在2018年有数据记录以来排名第二，折射出华盛顿在偿债成本持续攀升、总债务逼近40万亿美元背景下所承受的压力。美联储官员Austan Goolsbee本周坦言，他也不清楚市场对于5%收益率持续时间延长的反应，是否会与过去有所不同。

投资者开始重新配置

机构投资者已在主动调整持仓。Invesco全球资产配置研究主管Paul Jackson的测算显示，当10年期收益率12个月均值维持在4.72%并进一步上行时，全球股市便开始走低。目前12个月均值约为4.34%，尚未触及该拐点，但Jackson表示已在减持股票，将部分资金转移至政府债券以锁定高息回报。"如果国债收益率继续上升，股市在12个月后走低将面临风险，"他说。

利率衍生品市场的信号同样偏鹰：掉期合约目前已完全反映未来一年累计75个基点的加息预期，并对第四次加息保留了相当规模的对冲头寸。衡量美国债市波动的ICE BofA MOVE指数周三攀升至3月以来最高水平，日益加剧的波动令更多投资者在入场时踌躇。"大多数固定收益投资者喜欢高收益率，但希望它稳定在那个水平，现在大家害怕抄底抄在半空，"TD Securities策略师Hans Mikkelsen表示。

新兴市场首当其冲

新兴市场通常是美债收益率飙升时最先受损的资产类别。美债回报率上升往往带动美元走强，美元计价资产吸引力增加，资本随之从新兴市场经济体抽离，并可能令美元负债沉重的国家陷入危机。

数据显示，上周新兴市场债券基金遭遇数月来最大规模资金外逃，股票基金亦出现大规模撤资，本月新兴市场主权债发行量也明显低于往常。Allspring Global Investments新兴市场全股权主管Alison Shimada坦言，"这对新兴市场来说不是最佳状况"，但她同时强调，目前并无"严重恶化"的迹象，整体上仍维持"建设性"立场。

最大风险或在人心

Premier Miton首席投资官Neil Birrell指出，股市当前之所以尚未崩塌，或许是因为投资者还没有将5%以上的收益率真正代入长期盈利预测模型。"模型没重跑之前，市场看起来都还好，"Birrell说，"但最终，数字就是数字，必然会反映出来。"

一旦投资者开始认真讨论6%的可达性，这场争论便超越了收益率短期冲高的范畴，演变为一场更深刻的拷问：廉价流动性时代是否已经终结，全球资产价格是否必须适应永久性更高的资本成本？这一问题的答案，将深刻左右未来数月的资产配置格局。

风险提示及免责条款

吉利把补能大战打进2兆瓦

Thu, 24 Sep 2026 08:30:09 GMT

作者 | 周智宇

车企和电池企业正在密集扩建快充网络。9月23日晚，吉利宣布，新一代智充技术单枪峰值功率达到2250千瓦，计划到2027年底建成超过2.2万座充电站，其中智充站超过1.5万座。

过去一个月，补能领域的动作接连不断。8月28日，比亚迪第1万座闪充站落成，覆盖332座城市；9月17日，欣旺达动力发布光储闪充开放生态平台，提出到2027年底建成1万座兆瓦闪充站。汽车厂商继续扩网，电池供应商也把建站列进业务计划，补能竞赛的参与者越来越多。

吉利此次扩网，紧跟着自家新车的变化。与智充技术一同推出的全新银河E5，6C智充版本在吉利公布的常温测试中，从10%充至70%用时8分25秒；搭载12C电池的领克10，同样的充电区间平均用时4分30秒。快充正在成为新车的重要卖点，车企也得把配套站建到车主日常能用的地方。绕路找桩、到站排队，都可能耗掉电池技术省下来的时间。

吉利目前已布局2500多座充电站，覆盖232座城市。新一轮建设要向县级市区延伸，在一线城市核心城区做到2公里内有智充站，其他城市也要逐步形成3公里内的覆盖。它还把极氪、领克、银河的充电地图合到一起，并为符合条件的新上市智充车型首任车主提供两年共2000元充电权益。

从2500多座走到2.2万座，吉利接下来一年多需要新增近2万座站。兆瓦充电给建站增加了一道供电难题：商圈停车场、高速服务区即便已有充电设备，也未必留着足够的电力容量。每个场地都等扩容，铺网速度很容易被接电进度拖住。

吉利的新智充桩支持双枪同时兆瓦输出，采用光储充一体设计。按其方案，大功率充电时由电网和站内储能共同供电，减少对电网扩容的依赖。高功率充电所需的电，可以提前存进站内电池，等车辆进站时集中释放。快充站里多出一套储能设备，也给电池企业带来了车外的市场。

欣旺达此次推出的方案，就将动力电池、储能系统、充电主机和终端放到一起，面向车企和运营商提供设备供货、整套方案交付、共建网络及联合投建运营等合作方式。供应商开始帮客户解决“电池装上车以后去哪里快充”的问题，也把充电站里的设备订单纳入生意范围。对于准备扩网的车企，整套采购和合作建站的选择随之增加。

现有充电站是这轮扩张的重要落脚点。比亚迪年内2万座闪充站的目标中，1.8万座计划采用“站中站”模式，在运营商现有站点加装闪充设备。欣旺达也将老旧充电站改造、高速服务区列为布局场景。吉利则提出携手行业伙伴铺网。运营商已有的停车位、供电条件和进出站车流，成了这轮扩建可以利用的基础。

大功率充电设备和储能都要投入，租金、运维也要持续支出。在9月17日的大会上，中国充电联盟副秘书长王磊谈到，充换电行业正面临盈利难题。运营商参与设备升级，需要靠新增充电量收回投入。吉利将几个品牌的用户汇入同一张地图，再配上充电权益，恰好可以为合作站点提供一批初始客源。

欣旺达把整套闪充方案推向市场，吉利等车企向其他品牌车主开放站网，快充技术和网络都在向更多品牌扩散。车企投入的设施会让同行受益，外来车流又能帮助站点摊薄成本。补能竞赛越往下走，快充越接近卖电动车的一项基本配套。车卖出去以后，建站和运营的投入仍要继续。

风险提示及免责条款

美联储“三把手”：今年年底前再次加息是合理的

Thu, 24 Sep 2026 08:19:53 GMT

美国纽约联储主席威廉姆斯：我们需要及时将通胀拉回目标水平。今年年底前再次加息是合理的。

我们看到美国经济展现出显著韧性。实现充分就业的下行风险已减弱。主要挑战在于通胀。

我们看到AI带来相当强劲的需求。

更多消息，持续更新中……

风险提示及免责条款

觅蜂把数据采集做成众包，具身智能迎来“数据骑手”

Thu, 24 Sep 2026 08:09:11 GMT

9月23日，觅蜂科技正式发布数据众包平台“觅蜂派”，尝试把具身智能的数据采集大规模开放给社会大众。

觅蜂科技成立于2026年2月，业务覆盖真机数据、无本体数据和仿真数据的采集与处理，并将自身定位为面向全行业的第三方数据平台。

借助“觅蜂派”平台，普通人可以申领MEgo设备，通过App接取采集任务，再由平台按照审核后的有效数据时长结算报酬。

觅蜂同时开放“机器人训练师”招募，并联合酒店、商超、制造等领域的50余家企业和机构发起场景数据联盟。公司希望把原本集中在数采工厂里的数据生产，拆散到更多真实工作和生活场景中。

过去一年，具身智能行业对“数据从哪里来”的答案正在快速变化。早期最直接的办法，是把机器人集中到数采中心，由人遥操作真机反复完成抓取、搬运、整理等任务。

但真机昂贵、采集效率有限，也很难依靠线性增加机器人和采集员，把数据规模从百万小时推到千万乃至亿级小时。

于是，行业开始把更多数据生产从机器人本体上拆出来。

觅蜂选择进一步开放生产端：让更多人带着轻量设备进入真实场景，再由平台把这些分散产生的数据统一加工成模型可以使用的训练数据。

当具身数据开始尝试众包化生产，它究竟是一张可以快速扩张的数据网络，还是一门更加复杂的劳务生意？

数据版美团，账怎么算？

对于普通人来说，参与觅蜂派大致需要经过几个步骤：下载App、租用MEgo设备、领取任务，在生活或工作场景中完成指定操作，再将数据上传，根据有效数据时长获得佣金并提现。

用户可以在任务大厅选择任务，进行中的任务采用时长配额制。MEgo设备租金为39元一天，推广期折扣价为19元一天，App显示的任务基础回报约为每有效小时20元。

这并不是采集者最终到手的统一时薪。

按照公司的说法，报酬由城市基础定价和动态补贴组成：前者参考不同地区的收入水平，后者取决于任务完成效率和数据质量。

任务从几分钟到一个多小时不等，最终按照审核通过的有效时长结算。

某类数据采够后，平台便可以停止分发；对于稀缺或者较难进入的场景，则通过额外补贴提高吸引力。

目前开放的采集任务覆盖生产维修、餐饮服务、物流搬运、养老照护和家务整理等超过20个领域，小到羽毛球馆清点球筒、便民服务站补充饮水杯等日常操作，也被纳入采集范围。

“众包”很容易让人联想到外卖骑手模式的变体：平台连接需求与分散的劳动者，再通过任务规则和价格进行调度。

但两者的交付难度并不相同。

外卖只需将商品送达指定地点，具身数据却要满足模型对场景、动作和质量的具体要求，而分散的采集者在操作习惯、职业技能和工作环境上又存在很大差异。

从商业模式看，觅蜂认为众包首先可以降低采集端的人力成本。

传统集中式数采需要专门雇佣采集员，在固定场地内反复完成任务。

众包模式则希望把采集嵌入参与者原有的生活和工作。平台支付的是新增的数据贡献，而不是完整雇佣一名专职采集员的成本。

相应地，后台运营的复杂度也会提高。

模型公司的需求首先需要被拆解成普通人能够理解的任务，明确动作步骤、设备位置、完成标准和验收规则。

平台还需要通过线下服务站点完成基础培训、设备领取和流转，尽量减少不同采集者在操作上的偏差。

统一设备解决了一部分输入差异。通过初筛的数据还要继续经过动作切分、标注、轨迹提取和人工抽检，才能成为模型可以使用的数据。

觅蜂不会把数据简单划分为“可用”和“不可用”，而是按照质量和使用价值进行分级。

明显拍摄失效的数据会被剔除，其余数据则可能分别用于预训练、具体任务训练、模型评测或长尾场景学习。

觅蜂科技董事长兼CEO姚卯青称，通过结算初筛的数据中，超过95%经过后处理后最终仍可以被利用。

按照觅蜂披露的数据，觅蜂派内测一个月内注册用户达到2万人，累计产生1.3万份任务提交，收入最高的参与者单月超过5000元。

场景越分散，运营越复杂

觅蜂在这个时间点推出众包平台，背后是下游数据需求同时发生了两个变化：客户需要的数据量越来越大，需求的场景也越来越细。

姚卯青称，百万小时正在从行业供给目标变成单个客户的训练需求，部分客户已经提出千万小时级需求，一些头部客户甚至要求供应商一周交付5万—10万小时。

但如果只是把同一种数据多生产十倍，众包的价值仍然有限。

过去具身数据采集集中在家庭场景，大量团队反复采集叠衣服等任务，这类数据已经趋于饱和。更稀缺的开始变成模型没有见过的新技能、新环境和新操作流程。

觅蜂事实上正在需求端和供给端双向开拓场景。

觅蜂科技表示，公司会定期召开生产计划评审会，汇总市场订单，先判断哪些需求可以由现有库存满足，缺少的部分再根据订单价值和资源条件分配到不同采集路径。

姚卯青同时提到，头部客户在真实场景、空间精度和动作语义标签上已经形成部分共性要求，但具体需求仍会继续下沉到不同工序和动作。

集中式数采中心可以复制厨房、客厅和桌面等标准环境，却很难在固定场地中复刻汽车维修、酒店服务、农业生产或者具体工厂产线。

靠一支专职团队逐个寻找这些场景，成本高、速度也慢。众包则把场景寻找和数据采集分散给原本就在不同行业工作的人，更容易触达长尾职业场景及其操作技能。

同时，觅蜂科技希望借助“场景数据联盟”提前连接工厂、社区、酒店、商店、物流中心等场景方，在客户需求到来之前，解决安全、授权和合作关系等问题。

觅蜂派业务副总裁张智富还提到，未来平台可能根据采集者的职业和历史任务进行匹配，并开放场景自主申报，平台审核后再判断是否与下游需求匹配。

在他的解释中，仅靠平台内部团队，很难提前列出成千上万种值得采集的任务。真正身处农业、维修和生产一线的人，更清楚自己拥有哪些场景和技能。

觅蜂最终想要的不是一个更大的数采工厂，而是一张能够按照订单调度的场景网络。

这也使运营成为具身数据公司的核心能力之一。

姚卯青判断，当行业真正进入规模化和盈利阶段后，会“非常看重运营能力”：

既要把模型公司的数据缺口转化成任务，找到对应的人和场景，又要把高度异质的数据加工成统一规格，在按期交付的同时维持成本优势。

更重要的是，随着采购量扩大，客户对供应商规模、质量和交付能力的要求也在提高。姚卯青据此判断，具身数据供应商可能进一步集中，甚至出现寡头化趋势。

觅蜂称，支撑千万小时级数据生产，需要在采集设备、人员结算、数据存储和算力基础设施上投入数亿元固定资产。

产业链未来可能出现硬件、运营和数据后处理的进一步分工，但端到端覆盖整条链路，并不是一般创业团队能够轻易完成的业务。

此外，对于需要百万乃至千万小时数据的模型公司而言，同时管理几十家供应商，意味着还要自行处理不同硬件、格式和质量体系带来的差异。

供应商数量越多，数据清洗、转换和训练验证的成本也越高。

换句话说，场景可以是分散的，但交付接口最好是集中的。

而无论扩大数据量还是打通场景，最终争夺的都不只是当前订单，而是在需求持续变化之前，提前占据数据生产和场景入口的生态位。

谁来为下一亿小时买单？

觅蜂派众包所代表的Ego无本体采集数据，现阶段主要服务于具身智能公司、世界模型公司和通用大模型公司的预训练。

模型从人类操作中学习物体、动作和环境之间的关系，以扩大对不同场景和技能的覆盖。

简单来说，无本体解决模型“见得够不够多”，真机解决机器人“能不能具体做出来”。

姚卯青称，如果只是完成一个特定任务Demo，使用目标机器人采集真机数据，效果会更加直接；Ego数据在样本量较小时，对单一任务的提升并不明显，其价值更多在规模扩大后体现为面对新任务和新环境时的Zero-shot泛化能力。

随着模型开始进入物理世界进行决策，需要补充的不只是更多小时数，也包括更丰富的场景、更高的空间精度和更完整的动作语义。模型能力越强，能够学习和进入的任务越复杂，新的数据缺口也可能随之出现。

至少在当前训练范式下，无本体数据并非机器人数量不足时的临时替代品。

更长周期的变量，是机器人自身开始生产数据。

对于搬箱、分拣和固定产线操作等已经成熟的任务，运行中的机器人可以直接记录关节状态、控制指令以及成功、失败和异常情况。

这些数据与目标本体天然一致，随着机器人规模部署，人类采集在成熟任务中的相对重要性会下降。

对觅蜂而言，更关键的问题是，即使行业仍然需要大量数据，客户是否还会长期向第三方平台采购。

一旦头部机器人公司形成自己的装机规模、场景网络和数据回流体系，自采的经济性会提高，成熟任务的数据生产权也可能转向机器人运营方。

人类数据仍有价值，并不自动等于第三方数采平台仍有价值。

姚卯青将觅蜂定位为“交钥匙”的数据服务。

他认为，多数具身公司仍然倾向于把资源集中在硬件本体和模型算法研发，而把设备、人力、场景和数据运营等重资产、重运营环节交给专业平台。部分标准化数据还可以跨客户多次销售，减少相似数据的重复采集。

人类众包能走多远，最终取决于两件事：机器人还有多少尚未进入的世界，以及第三方平台能否比客户自己更低成本地找到并生产这些数据。

风险提示及免责条款

江南布衣接手Marsèll大中华区运营，高端鞋履成为多品牌新落点

Thu, 24 Sep 2026 07:51:14 GMT

江南布衣进一步扩充品牌版图。

9月24日，江南布衣披露，已与意大利高端手工鞋履及皮具品牌Marsèll达成战略合作。江南布衣将独家负责该品牌在大中华区的运营，覆盖中国内地及港澳台市场，同时取得Marsèll在该区域的长期商标权益。

与江南布衣此前主要依靠内部孵化扩充品牌矩阵不同，Marsèll是一个已在海外市场运营多年的独立设计师品牌。此次合作意味着，江南布衣的多品牌业务开始由服装、童装和生活方式产品，进一步延伸至专业鞋履及皮具领域。

Marsèll于2001年创立于意大利威尼斯附近的布伦塔河沿岸。这里是意大利传统鞋履制造产业带，长期聚集制鞋工坊及奢侈品牌供应商。Marsèll以男女鞋为核心，同时销售手袋等皮具产品，产品在意大利威尼托地区制作，设计上强调皮革处理、手工饰面和结构变化。

从渠道看，Marsèll目前仍属于规模较小的高端设计师品牌。2023年12月，品牌在米兰开出首家旗舰店；在中国市场，Marsèll过去主要通过买手店及高端百货触达消费者，2026年春季曾在成都SKP开设限时零售空间，尚未形成广泛的直营网点。

这给江南布衣留下了本地化运营空间。其现有门店、会员体系和多品牌集合店可以为Marsèll提供初期触点，Marsèll则补充了江南布衣较为欠缺的独立高端鞋履及皮具产品。相较服装，鞋履更强调尺码、试穿和售后服务，线下渠道仍具有较强作用。

江南布衣最新业绩也显示，其增长方式正在发生变化。2026财年，公司实现收入60.46亿元，同比增长9%；净利润约9.97亿元，同比增长11.1%。截至2026年6月底，其实体零售店总数为2118家，较上一财年仅增加1家，线上收入则增长20.5%至14.48亿元。

在门店总量基本稳定的情况下，公司需要从单店效率、线上渠道和新品牌中寻找增量。2026财年，江南布衣新兴品牌组合收入达到4.78亿元，同比增长32.2%，但占总收入的比例仍为7.9%。主品牌JNBY依然贡献公司一半以上收入，新业务尚未改变整体收入结构。

江南布衣拥有超过61万个活跃会员账户，其中年度消费超过5000元的会员超过36万个。这批消费者对设计师品牌已有一定认知，是Marsèll进入中国市场可以利用的基础。

不过，贝恩数据显示，2025年中国内地个人奢侈品市场收缩3%至5%，消费者在购买高价商品时更加关注品质、实用性和价格合理性。Marsèll的手工制作和差异化设计具有辨识度，但相对有限的品牌知名度也意味着较高的市场教育成本。

取得区域商标权，使江南布衣能够以更长周期规划Marsèll在大中华区的渠道和产品策略。江南布衣能否在扩大销售的同时维持其产品定位，将决定这次合作最终能否成为新的业务增量。

风险提示及免责条款

全球债市抛售加剧，10年期日债收益率创30年新高，10年期美债延续跌势，美股期指走低、油涨金跌

Thu, 24 Sep 2026 07:49:45 GMT

美国经济数据强劲叠加五年期美债拍卖需求疲软，引发全球债券抛售、美债收益率飙升，市场重新定价美联储加息路径，风险资产承压。

周四，美股期指走低，纳指期货日内跌幅扩大至0.6%，标普500指数期货跌0.4%。欧股低开，MSCI亚太指数跌0.6%。布伦特原油收复早盘跌幅，涨0.2%至98.33美元/桶。黄金小幅下跌0.2%，交投于每盎司4280美元附近。随着利率上升，这类不产生收益的资产吸引力有所下降。

五年期美债拍卖需求疲弱，推动其收益率自2007年以来首次突破5%。彭博美元指数徘徊在7月以来高位附近，交易员押注美联储将进一步加息。美债市场的抛售也蔓延至亚太地区，日本、澳大利亚、新西兰及新兴市场债券价格普遍下跌。

富国银行投资研究所的托尼·米亚诺表示：“市场正在告诉我们，我们已经进入了一个真正的重新紧缩周期。整个收益率曲线都在同时重新定价，这意味着股票的贴现率上升，抵押贷款和企业借贷成本上升，风险资产的门槛也更高。”

核心市场走势如下：

标普500期货跌0.3%，纳斯达克100期货跌0.3%。

欧洲斯托克50指数开盘跌0.53%，德国DAX指数跌0.57%，英国富时100指数跌0.36%，法国CAC 40指数跌0.48%。

日经225指数收盘涨0.8%，报65,513.99点。日本东证指数收盘跌0.4%，报4,075.30点。

10年期美国国债收益率上升1个基点至5.12%。

日本10年期国债收益率上涨9个基点至3.075%。

彭博美元即期指数变化不大。

美元兑日元扭转跌势，上涨0.1%至158.49。

布伦特原油涨0.2%至98.33美元/桶。

现货黄金跌0.12%至4281.9美元/盎司。

全球债市抛售潮蔓延，日债收益率飙升至1996年来新高

全球债市遭遇历史性同步抛售，日本债市假期后补跌尤为剧烈。日本10年期国债收益率周四飙升10个基点至3.075%，创1996年8月以来新高，5年期和30年期收益率分别升至2.37%和4.134%。

与此同时，美国10年期国债收益率逼近19年高点，5年期美债收益率一度突破5%，带动全球主要债市收益率曲线全线上行。

此轮抛售由内外因素叠加驱动。外部方面，油价反弹加剧通胀担忧，强劲的美国经济数据令美联储降息预期降温，700亿美元5年期美债标售需求疲软更直接推升收益率，美债抛售由此传导至全球。内部方面，日本央行上周加息但未明确后续节奏，令市场对进一步收紧的预期升温，叠加全球长期借贷成本重定价的外溢冲击，日本债市集中承压。

美元兑日元在日本假期结束后迅速升至158上方，距离160关口仅一步之遥。日本央行上周五加息25个基点，但行长植田和男随后的表态未能满足市场对进一步紧缩的预期，日元不升反跌，两周累计跌幅显著，干预风险重燃。

地缘局势牵动市场，油价上涨、黄金走低

布伦特原油上涨0.2%，报98.33美元/桶。地缘方面，据新华社，伊朗总统佩泽希齐扬23日在联合国大会一般性辩论发言中表示，伊朗“永不低头、也不会屈膝投降”，并呼吁各国共同努力实现和平。

与此同时，美国柴油价格升至每加仑6.50美元的历史新高，能源成本已成为白宫中期选举前的政治包袱。特朗普表态支持禁止柴油出口，但多名高级官员质疑其效果，两届政府对此均持审慎态度。

现货黄金跌0.12%至4281.9美元/盎司。

风险提示及免责条款

商务部：中美第八轮经贸磋商达成多项共识

Thu, 24 Sep 2026 07:47:58 GMT

在今天下午召开的商务部例行新闻发布会上，新闻发言人何亚东就中美经贸团队在美国纽约举行的第八轮经贸磋商相关情况进行回应。何亚东介绍，近日，中美两国经贸团队在美国举行第八轮经贸磋商。双方以两国元首重要共识为引领，秉持相互尊重、和平共处、合作共赢的原则，围绕落实已有经贸磋商共识、对等降税安排、建立贸易理事会和投资理事会、吉隆坡经贸磋商联合安排延期等双方共同关注的经贸问题，进行了坦诚、深入、富有建设性的交流，达成多项共识。何立峰副总理与贝森特财长作为中美各自牵头人在中美经贸磋商机制下就人工智能进行了首次对话。下一步，中方将与美方在中美经贸磋商机制下，就后续工作保持密切沟通。（央视）

风险提示及免责条款

智己LS6打出“底盘牌”，20万元级纯电SUV再添变量

Thu, 24 Sep 2026 07:30:36 GMT

9月23日，全新一代智己LS6上市，推出Max、Pro Max和Ultra三个版本，官方指导价20.29万至26.49万元，限时上市权益价19.79万至25.99万元。新车定位大五座家庭纯电SUV，希望通过技术配置下放，进入竞争密集的主流家庭市场。

与常见的舒适配置升级相比，新一代LS6此次更值得关注的变化发生在底盘。

新车全系搭载灵蜥全线控底盘，包括前轮线控转向、后轮转向和大陆MKC2线控制动系统。方向盘与前轮之间取消传统机械传动连接，驾驶者的操作转化为电信号，再由执行机构完成转向。

线控转向此前主要应用在价格较高的车型上。

智己将其覆盖到入门版本，使底盘技术成为LS6区别于同价位产品的主要抓手。配合官方所称的“双向18度”后轮转向，即后轮左右最大各转动9度，这辆车长接近5米的SUV，最小转弯半径可降至4.49米。

这套系统的实际价值，主要体现在家庭用户日常使用频率较高的场景。

老旧小区掉头、地库转弯和窄车位泊车，往往是中大型SUV不够灵活的地方。前后轮转向协同可以缩小车辆转弯所需空间，也有助于兼顾低速灵活性与高速行驶稳定性。

针对线控系统对安全冗余的更高要求，智己为转向系统设置了双电源、双通信和双执行器等冗余设计，并通过车辆运动控制系统协调转向、制动和动力输出。

对于智能汽车而言，这类底层执行能力不仅服务于驾驶体验，也为辅助驾驶系统更精细地控制车辆提供了硬件基础。

三电部分，新车全系采用800V高压平台，官方公布的最高充电功率为396千瓦，CLTC最高续航782公里。智己没有单纯通过扩大电池容量来强调续航，而是继续在电驱效率和补能速度上做文章。

20万元级纯电SUV市场目前已经聚集小鹏G7、乐道L60、极氪7X等产品，价格向上又与小米YU7、特斯拉Model Y等车型形成交集。

各家此前主要围绕续航、座舱和辅助驾驶展开竞争，LS6将线控转向、线控制动和后轮转向列为全系配置，意味着竞争开始进一步延伸至底盘执行层。

对于智己而言，LS6的产品思路相对明确：在保持大空间、长续航等家庭属性的同时，用底盘技术建立差异。全线控底盘进入20万元级市场，也有可能带动同价位产品加快相关配置的普及。

当然，配置下放能否真正形成市场优势，仍取决于整车标定、驾驶体验、交付质量和销售服务。至少从产品布局看，新一代LS6不再只是增加功能数量，而是把竞争重点放到底层技术上，为20万元级纯电SUV市场增加了新的比较维度。

风险提示及免责条款

美财长称中美已同意将贸易休战协议延长至明年1月，外交部回应

澎湃新闻 — Thu, 24 Sep 2026 07:29:30 GMT

9月24日，外交部发言人郭嘉昆主持例行记者会。

路透社记者提问，美国财长贝森特表示，中美两国已同意将贸易休战协议延长至明年1月10日，中方还没有发布消息，中方是否同意贸易休战延长？

郭嘉昆表示：“关于中美经贸磋商的有关情况，建议你向中方的主管部门进行询问。”

本文来源：澎湃新闻

风险提示及免责条款

ChatGPT之后，下一个全民AI应用会是Meta Muse吗？

Thu, 24 Sep 2026 07:26:02 GMT

Meta 9月8日推出的AI个人代理产品Muse，正在以罕见的速度席卷消费科技市场——上线首六天下载量即达90.2万次，超越Meta AI自身同期纪录，目前已登顶美国及加拿大苹果应用商店免费榜榜首，并带动Meta股价在两周内额外上涨21%，远超同期标普500指数1%的涨幅。

摩根大通分析师Doug Anmuth在最新研报中将Muse定性为"自ChatGPT以来最具潜力成为最广泛使用的消费级AI应用"，认为其核心驱动力在于强产品市场契合度、慷慨的免费层级设计，以及Meta覆盖逾20亿用户的庞大分发平台。

与此同时，高盛在其每日报告中指出，Muse引发的"代理式AI冲击"已成为市场最热议题，并导致其"消费者惰性"股票篮子单日下跌2.58%。

然而，Muse的光鲜表面之下暗流涌动。安全研究人员已披露一个零日漏洞，可令本地应用完全劫持用户账户；多名用户记录了Muse在未获授权情况下读取私人短信的异常行为；亚马逊已宣布封锁Muse访问其零售网站；而支撑这一产品规模化运营所需的算力成本，据测算在1亿用户规模下可能高达300亿至500亿美元硬件投入，远超付费订阅收入所能覆盖的范围。Muse究竟是下一个ChatGPT，还是另一个元宇宙式的资本黑洞，答案仍悬而未决。

Muse是什么：从聊天机器人到"代劳型"AI代理

Muse的核心定位，是Meta所称的"世界首款面向所有人的个人AI代理"。 与传统聊天机器人不同，Muse不仅回答问题，更直接代替用户执行任务，涵盖网购、旅行预订、邮件处理及日程管理等日常事务。

产品定价设有三档：免费层级提供每周1亿个Muse Token；付费层级分别为每月20美元和100美元。相较竞品，Grok Bot订阅费为每月30美元以上，Gemini Spark为每月20美元，而Instinct目前仍处于仅限邀请的内测阶段。

在技术架构上，Muse通过"连接器（Connectors）"体系与第三方服务打通，现有接入服务包括Gmail、Spotify、Peloton、OpenTable等。Meta已于上线两周内向开发者开放连接器构建权限，并相继推出Mac版本、美国本土商家外呼测试版，以及与Shop Pay的代理结账集成。扎克伯格还在Meta Connect发布会上推出了Muse Charm实体挂件。

摩根大通预计，随着数以千万计的企业在Muse上部署自有代理，用户与商家之间的交互将逐步从人工浏览或电话沟通，转向"代理对代理（agent-to-agent）"模式，届时Meta可参照其广告业务的变现逻辑，通过抽佣或按交易目标收费实现货币化。

技术底色：站在开源巨人的肩膀上

Muse的技术基因，可追溯至一个名为OpenClaw的开源代理框架。OpenClaw由Peter Steinberger及数十名贡献者在不到六个月内构建完成，上线首周即在GitHub斩获10万星标，目前累计超过38.7万星，是GitHub历史上增长最快的代码库之一。

OpenClaw采用自托管架构，通过SOUL.md、IDENTITY.md、USER.md等纯Markdown文件管理记忆、浏览、消息及定时任务。据用户测试，Muse使用了完全相同的文件结构——当被直接询问时，Muse自身的代理也予以确认。

Meta的核心贡献，并非技术上的从头创新，而是将复杂的自托管流程压缩为一分钟的普通用户注册体验。 正如一位X平台用户所总结的：

“个人AI代理的瓶颈从来不是模型本身，而是注册流程。Docker没有发明容器，Slack没有发明聊天。赢得市场的实验室，往往不是证明概念的那个，而是消除了概念与普通人日常生活之间最后一道摩擦的那个。”

值得关注的是，OpenClaw的创始人Steinberger此后已加入OpenAI，专注于面向大众的代理产品开发，OpenClaw项目本身则移交至独立基金会运营。

安全与隐私：被加速赶工所牺牲的基石

扎克伯格将Muse标榜为"从底层为隐私与安全而构建"，但现实与这一承诺之间存在显著落差。

在安全层面，据Ars Technica报道，安全研究人员已发现一个零日漏洞：任何本地应用或终端命令，无论其macOS权限级别如何，均可修改Muse的一系列未公开设置。

其中一项设置允许进程更改语音转录的服务器端点——攻击者只需将该端点重定向至自控服务器，即可获取用户Muse账户的完整控制权限。

安全研究员Wardle对此评价称：“他们在我看来根本没有认真考虑过安全问题，这非常令人担忧。”

在隐私层面，多名用户记录了Muse在未经明确授权的情况下读取私人信息的行为。据报道，一名科技记者表示，他明确拒绝授予Muse访问短信的权限，但Muse随后主动推送通知，内容涉及其与播客联合主持人的私人对话及编辑发来的工作消息。当被追问时，Muse起初声称仅读取了通知横幅文本，但该解释随后被证明并不准确。IBM副董事长Gary Cohn公开表示，出于隐私顾虑，他目前尚未准备好使用该服务。

在行为透明度层面，代码审查显示，Muse的自动化浏览器刻意伪装成人类用户：它以禁用自动化标识的方式启动Chrome，注入代码隐藏navigator.webdriver属性，并伪造浏览器插件信息以生成更接近真人的浏览器指纹。Amazon正是以"Muse访问其网站时未自我标识为AI代理"为由，宣布封锁该应用。

算力账单：规模化扩张背后的成本黑洞

Muse的商业模式面临一个根本性的数学难题：为每位用户提供专属虚拟机的承诺，在规模化后将产生天文数字级别的硬件成本。

据@demian_ai此前在社交平台X上发帖称，每位Muse用户都应该获得一台配备2个虚拟CPU、8GB内存及100GB固态硬盘的专属云端虚拟机。据测算，若Muse在一年内达到1亿用户规模（考虑到其当前的下载势头，这一情景完全可能），Meta将需要约158万颗AMD EPYC服务器芯片（按50%活跃用户负载计算），以及约800拍字节的内存，对应电力消耗约1.6吉瓦。

付费订阅收入远不足以覆盖上述成本。若有1000万用户订阅每月20美元的套餐，年收入约为24亿美元；而仅硬件建设成本一项，在1亿用户规模下即可达300亿至500亿美元。Meta当前全年资本支出指引已高达1300亿至1450亿美元，训练与广告业务已占用大量算力资源。

为应对这一挑战，Meta已于2026年3月成为Arm AGI CPU的主要联合开发商及首席部署合作伙伴，并于同年4月向其算力组合中新增数千万颗AWS Graviton核心。然而，分析人士指出，若Meta无法对闲置虚拟机实施有效的冻结与共享策略，“专属云端PC”的承诺将难以按宣传规模兑现。

市场影响：颠覆预期与"消费者惰性"的终结

Muse对资本市场的冲击，已远超Meta自身股价的波动。

高盛在其报告中指出，Muse所代表的代理式AI能力，从根本上威胁到那些依赖用户"高转换成本"维持客户留存的商业模式——无论是难以取消的订阅服务、繁琐的银行账户迁移，还是复杂的保险续约流程，一旦AI代理可以代劳，这些企业的护城河将大幅收窄。高盛"消费者惰性"股票篮子（GSXUSWCH）在相关报道发酵当日下跌2.58%，成为近期交易最活跃的主题篮子之一。

摩根大通则将Muse的长期可寻址市场规模定性为"可能达到数十万亿美元"，并预计Meta将在2027年之前以推动用户采纳和参与度为优先目标，暂缓大规模商业化变现。为此，Meta已开始在Instagram和Facebook上投放Muse广告，并推出"邀请好友获得10亿Muse Token"的裂变激励机制，同时启动全国性电视广告攻势。

核心悬念：下一个ChatGPT，还是元宇宙2.0？

Muse当前的市场表现令人印象深刻，但其能否成为真正的"全民AI应用"，仍取决于几个尚未解答的关键问题。

首先是信任问题。Meta在数据隐私领域本就背负沉重的历史包袱，而Muse上线两周内已暴露出零日漏洞、未授权读取私信及浏览器伪装等多重问题，这对于一款需要用户授予账户、文件乃至麦克风和摄像头访问权限的产品而言，是极为不利的起点。

其次是成本可持续性。付费订阅收入与实际算力投入之间的巨大缺口，意味着Muse目前本质上是一项由Meta广告业务补贴的战略性投入，其商业闭环尚未形成。

第三是竞争压力。OpenAI正在开发竞争性代理产品，Nous Research的Hermes Agent也在追逐同一赛道，而Amazon的封锁行动则预示着平台生态的阻力可能持续存在。

摩根大通的判断是，Muse有潜力成为自ChatGPT以来最具影响力的消费级AI应用；但批评者则将其与元宇宙相提并论——一个烧钱无底、最终未能兑现承诺的宏大叙事。

初期的病毒式传播固然亮眼，但真正的考验，是当好奇心退潮之后，有多少用户愿意每月付给扎克伯格20美元乃至100美元，让Meta来打理自己的生活。

风险提示及免责条款

A股低开低走，创业板跌1%，机器人、商业航天逆势拉升，CRO、PCB下挫，港股权重科网股普遍调整

Thu, 24 Sep 2026 02:13:24 GMT

9月24日，A股早盘低开低走，三大股指盘初集体下跌，深成指、创业板跌近1%，机器人、商业航天、卫星导航等概念股逆势拉升，银行、煤炭、油气股活跃，房地产、贵金属下挫，覆铜板、CRO、电路板等概念股普遍下跌。

港股同样低开，恒指、恒科指早盘跌幅有所收窄，权重科网股全线下跌，芯片半导体股亦承压，兆易创新、剑桥科技跌幅居前。债市方面，国债期货全线上涨。商品方面，国内商品期货大多数品种下跌。核心市场走势：

A股：截至发稿，沪指跌0.45%，深成指跌0.84%，创业板指跌0.76%。

港股：截至发稿，恒指跌0.57%，恒科指跌0.93%。

债市：国债期货全线下跌，截至发稿，30年期主力合约涨0.15%，10年期主力合约涨0.02%，5年期主力合约涨0.01%，2年期主力合约涨0.01%。

商品：国内商品期货普遍下跌，截至发稿，原油大涨超4%，燃油涨逾3%，橡胶涨2%，沥青涨1%，工业硅等少数品种走高，沪铝、玻璃、烧碱、豆粕、螺纹钢、铁矿石、沪锡、纸浆、锰硅、菜籽、沪铜、氧化铝、沪镍、鸡蛋、集运指数、不锈钢、焦炭、沪金、多晶硅等大多数品种下跌，焦煤、碳酸锂跌超1%，钯金、沪银、铂金等跌幅居前。

09:48

早盘房地产板块震荡下挫，华丽家族跌停，华远控股触及跌停，绿地控股、香江控股、万科A、荣盛发展等快速跟跌。

09:46

煤炭板块震荡拉升，云煤能源涨停，郑州煤电、辽宁能源、安泰集团、陕西黑猫跟涨。

09:41

机器人概念表现活跃，襄阳轴承涨停，宁波东力、万向钱潮、南方精工、三花智控、拓普集团跟涨。消息面上，近日，马斯克接受专访时指出，未来15年全球人形机器人或达到100亿台；未来20年可能达到1000亿台。

09:32

早盘AI制药概念异动拉升，贝瑞基因直线涨停，华大基因、荣泰健康、塞力医疗、义翘神州、金域医学跟涨。

消息面上，Anthropic宣布成立生命科学研究团队及实验室，并公布Claude参与生物学研究取得的早期成果。研究人员称，Claude在分析超过20万个逆转录酶（RT）序列后，发现一种此前未被描述的酶系统，并将其命名为“阵列相关逆转录酶”（ART）。

09:26

上证指数低开0.28%，创业板指跌0.38%。黄金、房地产、半导体、电脑硬件板块跌幅居前。

09:21

恒生指数开盘跌0.74%报24649.45点，创科实业跌近3%领跌蓝筹。恒生科技指数跌0.78%，腾讯控股、阿里巴巴跌超1%。恒生中国企业指数下跌0.70%。

风险提示及免责条款

华尔街见闻 - 资讯 - 最新

加息预期升温，全球政府债券平均收益率逼近4%，创2007年以来新高

五年期拍卖需求疲弱，美债收益率持续走高

抛售蔓延亚洲，日本收益率创三十年新高

高通胀与高财政需求支撑高收益率，投资者等待波动降温

黄仁勋：AI“末日论”太过火，安全问题可以靠工程解决

抨击AI“末日论”：安全是纯粹的工程问题，呼吁监管是推卸责任

计算范式的转移：需求将暴涨“十亿倍”，英伟达芯片成为“新型资产类别”

驳斥岗位消灭论：半年内5000亿美元涌入，AI正创造全新行业

开源：世界需要掌控自己的基础设施

能源困境与气候变化：AI是解决问题的“外科手术”

第一章：开场

第2章：人工智能的五层蛋糕

第三章：Jensen Huang 对未来的展望

第四章：工作将受到怎样的影响？

第5章：开放模型详解

第6章：Hugging Face黑客事件中的对齐问题

第七章：应对AI安全的"不发布"方法

第八章：我们需要新的监管吗？

第9章：为什么AI末日论者是错的

第十章：为什么人工智能只是软件

第11章：Huang对智能的定义

第12章：AI是一种普通技术，还是一次阶跃式变革？

第13章：递归自我改进

第14章：计算的新纪元？

第15章：人工智能会出现泡沫吗？

第16章：芯片出口

第17章：AI繁荣将如何获得能源支撑？

第18章：书籍推荐

上线12天跑赢ChatGPT，Meta爆款AI自曝老底，灵魂文件来自OpenClaw

Meta是不是抄了OpenClaw？

Peter已经做到头了，留给Meta的只剩下像素级模仿

几百台Mac mini，砸出一个产品方向

人去了OpenAI，设计却在Meta火了

数据中心表后供电：2030年装机预测上调至67GW，燃料电池评分居首

表后供电的盘子为什么突然变大

三条路线各自卡在哪

燃料电池的机会有多大，谁能拿到

接下来看什么

美联储加息后的市场方向

DeepSeek新论文摊牌DSec：V3.2到V4.1的Agent都在这练的，沙箱也能成护城河？

Agent训不动了，先扛不住的是环境

DSec是什么：Agent的「训练场」

机制：每秒5000个沙箱是怎么造出来的

为什么现在公开这层地基

结尾

医药AI4S：Claude再下一城！赛道持续加热，哪些巨头入局？

一、发生了什么？Claude入局AI医药

政策端：AI 制药写进“十五五”规划

产业端：九天内九个事件，9 月 16 日一天占了四个

资金端：领涨的不是算法公司，而是湿实验卖铲人

二、为什么重要？稀缺的资产在哪里

三类主体的错位：能力最强的离「药」最远

从「卖服务」到「卖资产」：两条兑现路径已经分野

MNC 出题方式变了，但付钱方式没变

谁在真金白银入局：八笔交易的金额阶梯与首付款真相

三、接下去关注？价值外移的4个层次

四个层次：AI 触达越深，越早被重定价

未来 12 个月的催化剂展望

核心判断

5年期美债破5%：经济热到加息根本不敢停下来

中国央行：建议发挥增量政策和存量政策集成效应，增强政策前瞻性灵活性针对性

刚刚，ChatGPT能“开口干活”了

长了手，换了脑，还进了工位

入口之争，打到了嘴边

一只“电子宠物”，暴露了扎克伯格的AI硬件野心

苹果前设计主管操刀，九个月极速成型

产品形态：一个可握持的AI伴侣

市场前景：Gen Z可能买单，大众化是另一回事

Meta的真实盘算：硬件实验，而非孤注一掷

布油重返100美元！伊朗最高领袖顾问：与美国的冲突可能扩大至印度洋

智能体首次！OpenAI“入侵”澳大利亚政府系统，遭拦截后自行寻找替代路径

智能体多次受阻后寻找替代访问路径

未涉及患者数据，法律责任仍待调查

AI监管讨论进一步升温

北京市住建委等部门：全面加强预售管理 有序推进现房销售

美债5%失去震慑力，摩根大通称股市断裂阈值或已升至6%

5%不再是"魔法数字"

摩根大通：结构变迁推高阈值

投资者开始重新配置

北京市住建委等部门：全面加强预售管理有序推进现房销售