华尔街见闻 - 资讯 - 最新

7.5%房贷利率有多可怕？美国博主算账：贷款50万美元，3年还12.6万，本金只少1.5万

鲍奕龙 — Sun, 04 Oct 2026 12:03:25 GMT

美国按揭贷款利率本周急剧攀升，创下四年来最大单周涨幅，债券市场抛售浪潮正以最直接的方式冲击普通美国家庭的购房梦。美国博主算账，贷款50万美元，3年还12.6万，其中11万多是利息，本金只少1.5万。

一向力挺AI的孙正义突然警告：超级智能可能“极其危险”

Sun, 04 Oct 2026 11:32:45 GMT

软银集团创始人孙正义长期以来是人工智能最坚定的鼓吹者之一，但这位日本亿万富翁近日发出罕见警示——随着AI能力急速膨胀，超级智能一旦落入错误之手，可能变得"极其危险"。

周日，孙正义在京都"社会中的科学与技术"论坛（STS Forum）场边活动上发表讲话时表示，AI能力的指数级跃升使各国建立互信、携手驾驭这一技术变得刻不容缓。他警告称，人类已"没有任何余地"再让国与国之间相互对抗，因为强大AI模型所构成的威胁远比人类内部冲突更为严峻。

这番表态与孙正义一贯的乐观基调形成鲜明反差，折射出近几个月来AI模型接连出现令人不安的安全漏洞后，业界忧虑情绪的持续升温。对于投资者而言，这一信号意味着AI安全议题正从边缘讨论走向核心关切，相关监管与国际协调的压力或将进一步加大。

罕见警示背后：安全漏洞触发忧虑

现年69岁的孙正义是全球AI领域最具代表性的押注者之一。

软银旗下基金对ChatGPT开发商OpenAI的累计投资已接近650亿美元，孙正义多年来持续公开宣扬AI带来投资回报与造福人类的潜力。

正因如此，此次表态被外界视为"非典型"的谨慎信号。近几个月来AI模型接连发生令人不安的安全漏洞事件，这一背景被认为是促使孙正义发出警告的直接诱因。他在讲话中明确表示，各国必须共同合作，以应对强大AI模型所带来的更大威胁，"超级智能落入错误之手，可能变得超级危险"。

美国主导17国联盟：推动AI加速科研

与孙正义同台发言的，是白宫科技政策顾问Michael Kratsios。后者专程赴京都宣布一项由美国主导、17个国家参与的倡议，旨在更好地利用AI加速科学研究。日本、韩国、英国、德国、新加坡及阿联酋等国代表均登台参与这一活动。

Kratsios描绘了AI驱动科研的图景：在工业规模运营的自动化云端实验室中，机器人系统将同步开展数百项平行实验，实时生成数据并反馈用于分析与假设优化。

他还表示，AI已能够综合处理数千篇论文，将数年的研究压缩为"数字智能体大军协助人类研究人员完成数十小时工作"。

三阶段演进路径：2026年迈入物理世界

孙正义在讲话中重申了他对AI发展路径的判断。

他表示，AI服务的能力将持续指数级增长：当前支撑聊天机器人的技术已在帮助AI服务浏览网页、编写代码，并消耗日益增多的通用芯片算力；下一阶段，相关程序将于明年起进入第三阶段，准备好协助机器人及其他设备与物理世界进行交互。

在长期展望上，孙正义重申了此前的预测：到2040年，具备学习能力的AI与机器将至少占全球GDP的20%，相当于46万亿美元。"这仅仅是开始，"他说。

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。

油价逼近100美元，OPEC+仍按兵不动：11月产量配额维持不变

Sun, 04 Oct 2026 11:25:16 GMT

石油市场供需紧张之际，OPEC+选择维持现状。

在周日的视频会议上，OPEC+主要成员国就11月份维持石油产量配额不变达成原则性协议。与此同时，国际油价期货正逼近每桶100美元关口，柴油零售价格亦创下历史新高，七国集团（G7）已宣布释放紧急战略储备以应对市场压力。

此次按兵不动的背后，是中东持续冲突对OPEC+成员国产量造成的实质性冲击。伊朗战争已导致波斯湾地区大范围减产，沙特阿拉伯、伊拉克、科威特等主要成员国的实际产量仍显著低于冲突爆发前水平，使得该组织此前的任何配额调整在实际效果上均大打折扣。

原则协议已成，11月配额维持不变

由沙特阿拉伯和俄罗斯牵头的七国小组计划在11月维持产量目标不变，符合现行路线图安排。

OPEC+此前已发出信号，将在今年年底前暂停提高产量配额。

此前，该联盟在截至8月份的六个月内已连续达成数轮小幅增产协议。然而，由于伊朗战争对波斯湾产量的冲击，这些增产举措在很大程度上流于象征意义——其理论上的作用是逐步撤销2023年实施的减产措施，并为海湾成员国在冲突平息后扩大产量预留空间。

当前油市紧张态势已引发主要消费国警觉。随着中东冲突持续扰乱供应，国际油价期货重新向每桶100美元靠拢，柴油泵价亦触及历史高位，G7国家已相继宣布释放紧急战略储备，以期平抑市场波动、缓解通胀压力。

对投资者而言，油价能否突破100美元这一心理关口，将在很大程度上取决于中东局势的走向，以及OPEC+成员国实际产量能否随冲突缓和而逐步恢复。

下一关键节点：11月29日

部长级会议一过程较为复杂，其走向将在很大程度上取决于目前正在进行的成员国产能审计结果。

明年的整体产油政策将在11月29日举行的全体部长级会议上最终确定。在审计结果出炉、中东局势明朗化之前，OPEC+的政策立场预计仍将保持审慎观望。

风险提示及免责条款

6280亿美元表外承诺纳入估值后，Meta股票“贵了”35%？

Sun, 04 Oct 2026 10:18:33 GMT

Meta约6280亿美元的表外负债长期隐匿于财报脚注，当这一数字被纳入企业价值计算后，整个超大规模科技股的估值框架正面临重构。

投行Needham分析师Laura Martin于10月2日发布研报指出，若将Meta的表外承诺计入企业价值（EV），其估值倍数将上调35%，股票对股东而言远比传统指标所呈现的更为昂贵。

Martin随后在CNBC公开表态："Meta表内债务和租赁合计约1000亿美元，表外负债高达6000亿美元。若不将这6000亿美元计入EV，你的估值就低了35%。"这一判断直接冲击市场对Meta的定价逻辑。

更值得关注的是，当Needham的方法被一致性地应用于Alphabet时，结论出现戏剧性反转：谷歌的调整后EV/FY27E收入倍数达到9.0倍，高于Meta的8.3倍——这意味着在表外负债充分披露后，谷歌反而成为估值更贵的那家公司。与此同时，Meta在7月单月新增约680亿美元数据中心租约，表外义务的扩张速度仍在加速，市场对这一隐性杠杆的定价是否充分，已成为超大规模科技股投资者无法回避的核心问题。

Meta表内外负债的5.6倍差距

Needham的分析框架从会计基本原则出发。该行认为，"股权价值是偿还债务及其他合同义务后归属于股东的剩余价值"，因此无论会计处理方式如何，不断攀升的义务和承诺都构成股价上行的阻力，理应纳入EV计算。

具体到Meta，截至2026年6月底，其表内债务和租赁合计约1120亿美元，而两项表外负债合计约6280亿美元，两者之比高达5.6倍——即Meta账面上每披露1美元杠杆，脚注里还藏着5.60美元。

这两项表外负债的构成，在Meta二季度10-Q报告脚注9中有明确披露：其一，尚未开始执行的经营性和融资性租赁义务约2790亿美元，涉及数据中心、托管设施及部分网络基础设施，租期从2026年延伸至2036年，最长达30年；其二，不可撤销的合同承诺约3493亿美元，主要涉及第三方云容量安排、服务器及网络基础设施投资、数据中心建设以及Reality Labs消费硬件产品，其中2026年和2027年分别到期约535亿美元和817亿美元。此外，Meta还有最高147亿美元的云容量或有采购义务。

将上述表外负债纳入EV后，Meta的EV/FY27E收入倍数从6.15倍升至8.32倍，升幅35%。

AI基础设施承诺的加速节奏

上述数字尚未反映最新动态。Meta在二季度10-Q中披露，2026年7月——即季度结束后——公司又新签了约680亿美元的数据中心租赁义务。

这一数字意味着，仅在一个月内，Meta新增的租赁承诺就相当于其6月底全部表内债务（约840亿美元）的约80%，同时令"尚未开始执行"的租赁义务桶在三季度尚未结束前便扩大逾10%。Needham据此判断，Meta表外义务在三季度呈现"快速增长"态势。

据高盛信贷策略师Amanda Lynam于8月发布的研究，截至二季度财报季，超大规模科技公司合计追踪到1.5万亿美元的租赁承诺，其中1.0万亿美元来自尚未开始执行的租约。由于美国GAAP租赁会计准则的特殊处理，这部分"未开始"的租赁承诺并不体现在财务报表中，但将在未来数年内形成实际支付义务。Lynam指出，这一处理方式"可能低估杠杆水平和未来流动性需求"，并预计"AI相关发行人将持续承受额外的利差风险溢价"。

摩根士丹利会计团队（Todd Castagno等人）在8月底将统计范围扩展至英伟达、博通及各类担保和兜底安排，得出超过3.1万亿美元的表外承诺总量。据ZeroHedge追踪，截至9月30日，超大规模科技公司表外负债已达3.8万亿美元，较6月底增加约7000亿美元。

谷歌才是"更贵"的那家：Needham方法论的一致性修正

Needham原始研报存在一处值得关注的方法论缺陷：其表格对亚马逊和谷歌母公司Alphabet的"不可撤销合同承诺"均计为零，但两家公司的财报披露并非如此。

Alphabet二季度10-Q披露了7070亿美元的长期采购承诺——这与摩根士丹利所采用的数字一致；亚马逊则披露了1300亿美元的无条件采购义务。这些承诺与Needham为Meta计入的属于同一性质。

将Needham的方法一致性地应用于三家公司后，结论发生显著变化：

Alphabet：EV上调幅度从Needham原报的3%扩大至21%，调整后EV/FY27E收入倍数升至9.0倍，高于Meta的8.3倍；
亚马逊：EV上调幅度从9%扩大至14%；
Meta：若进一步纳入7月680亿美元新增租约、Hyperion和El Paso数据中心项目的担保敞口（分别约460亿美元和130亿美元最大损失敞口）以及147亿美元或有云采购义务，实际调整幅度约达42%。

换言之，Meta的表外杠杆相对规模仍为三者中最高，Needham的核心判断成立；但"35%对3%"的原始对比严重低估了谷歌的表外负债规模。在充分调整后，谷歌在EV/收入倍数上反而成为估值更高的标的。

市场是否已定价这一隐性杠杆？

支持者认为，采购承诺并非传统意义上的债务——它们是Meta预期能够转化为收入的服务器、云容量和芯片合同。信用评级机构通常将租赁负债视同债务处理，但对采购义务一般不作同等对待。此外，Meta披露的6280亿美元表外负债为未折现数字，若按现值计算，EV冲击将有所收窄。

然而，反驳同样有力。摩根士丹利明确警示："这些合同在供应紧张时具有战略价值，但若供需提前恢复正常，企业可能不得不为过剩产能买单，或尝试重新谈判条款。"换言之，采购承诺"不是债务"的前提，是企业始终需要所承诺购买的东西。

自由现金流已经开始显现压力。据摩根士丹利，亚马逊和谷歌的自由现金流在二季度已转为负值，Meta预计下一季度也将步入负值区间。

在债券市场，高盛数据显示，超大规模科技公司今年债券发行规模已达2500亿美元，相比2024年的不足200亿美元大幅跃升；2027年预测发行量为4200亿美元，且该预测尚未包含特殊目的载体（SPV）发行的数据中心融资——而这正是摩根士丹利所指出的、当前表外结构的核心组成部分。

Needham对Meta维持"持有"评级，其担忧不仅限于会计层面。Laura Martin指出，Meta同时推进定制芯片、数据中心、企业AI、商业智能体、模型API、算力销售、智能眼镜等多条战线，"管理层注意力、工程人才和股东资本分散于过多方向"，在6280亿美元承诺的背景下，容错空间已大幅收窄。

Meta三季度10-Q预计于10月底发布。在7月680亿美元新增租约已成定局的情况下，那份脚注的走向，市场已然心知肚明。

风险提示及免责条款

付鹏：一场跨越十余年的宏观交易——从新西兰看小型开放经济体【付鹏说5】

付鹏 — Sun, 04 Oct 2026 10:00:48 GMT

《付鹏说·第七季》全新升级上线！立即订阅

一场跨越十余年的宏观交易——从新西兰看小型开放经济体

交易桌前看天下，付鹏说来评财经。本期视频录制2026年9月24日。

前段时间我去新西兰滑了一趟雪。很多人会猜，是不是又在关注新西兰了？其实不必额外关注，因为新西兰这轮反馈已经走了十多年，虽然后面可能还要再走几年，这一轮大周期才算真正走完。我借这个机会把它讲一讲，因为这是一个最基本的模型，而我们用人生中的十来年，完整地经历了它。

我真正开始盯住新西兰。原因很简单：它是一个典型的小型开放经济体。

二、小型开放经济体的基本框架：经常账户、利差与房贷

小型开放经济体的框架其实很简单：经常账户（Current Account）与资本和金融账户之间需要保持平衡，二者大体相当。

先看新西兰的经常账户。它的贸易和商品结构非常单一，核心是乳制品——脱脂奶粉、全脂奶粉，代表企业是大家熟知的恒天然（Fonterra），此外还有牛羊肉、原木和木浆（国内的纸浆期货就与之有一定关系），以及新西兰的代表性水果奇异果（Kiwi），基本上也就这些。

说到新西兰出口的强势阶段，还得提到2008年中国的三鹿奶粉事件。如果没有这一事件，新西兰此后的乳制品出口不会那么强劲，全球乳制品行情也不会那么强。

进口方面，新西兰高度依赖海外。它没有现代重工业体系，汽车、机械、电子产品乃至能源，整套工业品几乎全部依赖进口。新西兰本质上是用初级农产品去交换高级工业品和能源的贸易结构。这决定了它的贸易收支非常容易受到冲击——进口中能源、原油的比重很高，对输入性通胀极为敏感。出口端相对还有一定韧性，但这几年乳制品同样处于大宗商品周期的低迷阶段，说到底，新西兰出口的增长与中国高度相关。

现在新西兰政府绞尽脑汁地拉拢印度，积极推进与印度的自由贸易协定，目的就是通过印度市场来拉动出口。但无论如何，这都改变不了它经常账户必然逆差的格局。

经常账户逆差，就需要资本和金融账户的顺差来弥补。为了维持这一平衡，新西兰的利率必须高于海外利率。道理很简单：如果不是高利率，怎么吸引资金？

高利率会形成一个双向循环。第一，正利差有利于纽元（新西兰元）保持稳定——注意，不是升值，而是稳定；第二，汇率的稳定反过来又支撑资本和金融账户的净流入。所以它的基本公式是：新西兰与海外的利差必须为正，而且这个利差还必须足以抵消离岸资本对纽元的贬值预期。如果贬值预期过大，货币互换（Swap）的成本，也就是对冲成本，就会非常高，平衡便难以为继

这里还有一点必须注意：经常账户逆差意味着新西兰本国缺乏储蓄。

为什么要强调这一点？因为这必然涉及居民部门的房贷。本国储蓄不足，居民买房的按揭贷款就无法依赖本国储蓄，只能依赖资本和金融账户，也就是海外融资。新西兰的四大银行——澳新银行（ANZ）、ASB银行、新西兰银行（BNZ）和西太平洋银行——母行全部是澳大利亚的银行，西太平洋银行新西兰公司就是如此。因此，新西兰国内的房贷资金主要来自邻国澳大利亚的海外融资。

这意味着，房贷规模越大，新西兰每年需要对外支付的利息就越高；银行赚到的利润，其股息也要回流澳大利亚的母行。这些都是资本端对外支出的重要部分。房贷规模越大、利率越高，对外支出的这条线就越粗，吸引资本流入的压力也就越大——因为只有流入大于流出，才能形成金融账户顺差，去抵消经常账户的逆差。所以这套循环一旦恶化，后果会非常严重。

OpenAI员工长文：AI 时代的文明岔路

腾讯科技 — Sun, 04 Oct 2026 09:24:35 GMT

美国当地时间10月1日，OpenAI“智能时代”平台发布新文章《The Eternal Complement》，作者为赫曼斯·阿西尔瓦坦（Hemanth Asirvatham）和埃利奥特·莫克西（Elliott Mokski）。

这是两人“下一个经济”系列的第一篇文章，文章讨论的核心问题是：当AI的推理、创造和发现能力不断增强，甚至走向超级智能之后，文明真正稀缺的资源会变成什么？

两位作者并没有把超级智能简单理解成更多“天才”的集合，而是从经济学中的“互补”概念出发，重新讨论智能与现实执行能力之间的关系。文章认为，一个想法从诞生走向现实，需要大量配套条件，包括实验设备、技术人员、资金、法律、官僚体系、供应链以及各种组织协调能力。随着科学和技术不断向前推进，这些支撑体系本身也越来越庞大。

文章将这些支撑能力概括为“制度智能”，并认为前沿智能与执行能力始终是一组互补投入。在他们看来，天才负责提出新的想法，制度和大量具体工作负责把想法变成现实。AI正在改变其中一部分关系：它已经能够写代码、检索陌生领域的文献、把草图转化为原型，让个人完成过去需要整个组织才能完成的工作。随着执行成本下降，真正稀缺的东西可能开始转向“品味”，也就是判断什么值得做、什么问题值得追问。

不过，AI带来的执行能力提升可能只是第一阶段。当AI本身开始大量产生新的科学洞见和研究方向，问题可能发生反转：想法产生的速度超过实验室、工厂、能源系统和其他现实基础设施的承载能力。届时，文明面对的瓶颈可能再次从“想不出来”变成“做不完”。

围绕这一问题，文章提出了“深度文明”和“广度文明”两种可能的未来。前者依靠更强的推理、模拟和已有证据，让智能在真正接触现实之前走得更远，用更少的实验获得更多知识；后者则受到自然复杂性和物理世界速度的限制，大量问题最终仍然需要实验、建设和长期等待，文明需要不断扩大实验设施、制造能力、能源系统和组织协调体系。

文章最终将问题落回人类：即使AI未来在知识发现和资源协调方面超过人类，人类好奇心、创造性多样性以及对探索的持续需求仍可能具有价值。他们给出三个理由：人类对启蒙和求知仍有持续的责任；人类在前沿智能与制度智能之间可能存在不同于机器的比较优势；不同的人类个体和群体能够带来机器难以替代的创造性多样性。

“智能时代”平台于2026年8月20日上线，由OpenAI“战略未来”团队成员迪恩·鲍尔（Dean Ball）发布介绍文章。平台明确说明，所发布内容代表作者个人观点，不代表OpenAI的组织立场。

以下为全文。

进步需要一整套支撑系统

人类的认知已经追溯到了宇宙诞生的那一刻。我们的方程大致还原了宇宙最初的完整图景。借助望远镜，我们已经望向遥远的宇宙，看到它早期的历史，知道恒星如何诞生、星系如何形成。但迄今为止，还没有一个人走出过月球之外。

我们试图寻找的答案横跨整个宇宙，而人类的身体却几乎没有离开过地球。我们的思想可以抵达远方，手脚却远远跟不上。这种错位指向两种完全不同的可能性。

一种可能是，我们其实不需要走那么远。最深层的真相，或许在一颗星球上就能探明。只要拥有足够好的推理能力和高效的工具，我们就能认识宇宙，而不必亲自穿越宇宙。在这种情况下，文明的发展依靠的是“深度”，而不是“广度”。这也可以解释为什么我们至今没有发现其他智慧生命：也许银河系中存在许多拥有高超智慧的文明，只是它们从来没有必要不断向外扩张，因此也没有留下明显的痕迹。

另一种可能则更令人不安：我们的思想可能已经超过了执行能力。每向前迈一步，都需要更多时间和资源。我们从来不缺少梦想，缺少的是把这些梦想变成现实的人手。

伽利略用两片透镜和一根管子就拓展了人类的视野。今天，要把这种视野进一步向外延伸，人类建造了詹姆斯·韦布空间望远镜。这座价值100亿美元的天文台被折叠起来装入火箭，送到距离地球约160万公里的太空。它的18块巨大镜片需要达到50纳米的制造精度，整个项目涉及来自14个国家的300多个组织。伽利略的工作只需要几十双手，而韦布望远镜背后需要一支庞大的团队，以及支撑这支团队运转的全球经济体系。

人类想看得更远，需要的不只是更聪明的头脑，也需要更庞大的组织。

我们提出的问题已经超过了能够实际研究的问题数量，设计出的实验也超过了能够真正执行的实验数量。我们产生创意的速度越来越快，而把这些创意变成现实的能力却越来越难以跟上。随着各个领域不断向前发展，制造我们想象中的东西也变得越来越复杂。

斯坦福大学的尼克·布鲁姆（Nick Bloom）及其合作者曾研究美国经济中的科研生产率。他们发现，如今要维持摩尔定律，所需要的研究人员数量已经是20世纪70年代初的18倍以上。从整个经济体来看，自20世纪30年代以来，有效科研投入增加了23倍，但衡量科研生产率却下降了41倍。

技术人员的数量增长速度是科学家的两倍。过去40年里，科学研究中专业设备的使用量翻了一倍。一座如今的芯片制造厂，其成本已经是30年前的5倍，规模也大得多。

这些数据说明，继续推动进步的成本正在上升。经济仍然能够发展，是因为科研体系不断扩大，用更多的研究投入抵消了单个投入的产出下降。

这也提醒我们，理解“天才”时，不能只看天才本身。一个出色的假设仍然需要证据、仪器以及把它执行出来的条件。一个想法只有进入现实，才能真正成为进步。

经济学家把这种关系称为“互补”：当一种投入增加时，另一种投入的价值也会随之提高。前沿智能和把想法变成现实的能力，就是这样的一对互补因素。更好的望远镜会让一个好的天文学问题更有价值，而一个更好的问题也会让望远镜更加有用。

有些互补关系是物理层面的。一个理论需要粒子加速器来验证，一项技术设计需要能源和机器才能制造出来。另一些互补关系则没有那么明显。一个想法本身非常脆弱，需要各种制度来支撑。法律、官僚体系、融资机制、供应链以及其他环节，都需要共同运转，才能让一个想法真正落地。

一个伟大的想法必须经过一条很长的链条，而链条上的每个局部环节都需要正确运行。我们可以把这种能力称为“制度智能”（institutional intelligence），也就是那些很少受到关注，却负责执行的智能。天才设计出纪念碑，制度则负责一块块把石头垒起来。两者看起来差别很大，却同样重要。

我们有时会把超级智能想象成10亿个爱因斯坦。但即使真的有10亿个爱因斯坦，他们中的大多数仍然需要有人去采石、管理账目、维护设备。前沿创新只有在周围的日常世界能够顺畅运行时才可能发生。从拧紧望远镜螺丝的焊工，到为培养护士的小学提供保险的人，所有这些工作都构成了进步的一部分。

人们在讲述伟大发明时，往往只记住最耀眼的部分，却容易忽略支撑这些成果运转的经济体系。

人工智能也会承担这两类工作：提出重要的新洞见，以及完成大量制度和执行层面的工作。真正的问题在于，未来的AI大部分时间究竟会花在哪里。

新的瓶颈正在出现

AI已经开始让执行能力变得不那么稀缺。它可以写代码、搜索陌生领域的文献，也可以把一张草图变成能够运行的原型。过去需要整个组织才能推进的想法，现在越来越可能由一个有能力的人独立完成。

大多数有抱负的电影导演，从来没有机会获得2亿美元去拍摄自己的作品.很多游戏设计师整个职业生涯都在替别人实现创意。我们会努力把最有天赋的人提拔出来，但无论如何，都难以发现所有人才。

从这个角度来看，智能时代最初带来的变化，是让更多人的创造力得到支持，让更多人拥有过去只有大型机构才能提供的执行能力。

这可能带来大量具有个人特色的项目。过去需要依靠机构才能完成的工作，未来可能更多地发生在这些机构之外。这样一来，稀缺的资源就会从执行转向“品味”——判断什么值得做，什么问题值得追问，以及面对上千条看似合理的方向时，究竟应该选择哪一条。

但这可能还不是故事的终点。随着AI越来越有能力自己提出新的重要洞见，我们可能已经在数学等领域看到这种趋势。AI提供的将不只是劳动，还可能开始提供研究议程。它不再只是执行一个人提出的研究计划，而是可以自己设计成千上万个研究计划。

AI可能一下子提出大量值得拍摄的电影概念，也可能提出大量值得验证的科学假设。这样一来，问题就会再次发生变化。今天的AI让我们终于能够把许多好想法付诸实践。到了未来，也许会出现太多好想法，以至于我们再次陷入执行能力不足的困境。

两种文明的岔路口

我们并不知道，把新的洞见变成成果所需要的互补能力，未来究竟会增加、减少，还是保持不变。一个人仅靠思考可以在多大程度上推动知识进步？一个天才究竟需要多少官僚体系来配合？

在我们看来，答案取决于思想在必须再次接触现实之前，能够走多远。

这里可以设想两条不同的路径。

第一条是“深度文明”（civilization of depth）。在这种文明中，超级智能可能逐渐摆脱对更多物质资本和复杂制度协调的需求。

第二条是“宽度文明”（civilization of width）。在这种文明中，自然界的复杂程度最终超过任何智能，无论是人类还是机器，都无法只靠思考继续取得进展，必须依靠规模越来越大的现实世界实验。

到目前为止，人类历史似乎显示出对互补能力不断增长的需求。伽利略的望远镜可以握在手中，而韦布望远镜需要整个文明来建造。贝尔实验室（Bell Labs）一个规模不大的团队，就曾在工作台上组装出第一只晶体管.如今，芯片技术的前沿突破背后却是一条复杂的全球供应链。人类每向前走一步，都越来越需要更多社会资源参与其中。

但过去并不一定决定未来。更聪明的头脑可以发明更高效的互补条件。如果能源成为新型粒子加速器的瓶颈，那么更强的智能或许能够设计更精简的加速器，或者找到更好的能源获取方式。

天才也能够替代部分原本需要的辅助条件。爱因斯坦可以从非常有限的实验数据出发推导出相对论，而我们大多数人需要更多资料。有些人能够记住自己的所有日程安排，而大多数人依靠谷歌日历。

智能还可以帮助我们提高选择的准确性，挑选最值得验证的假设，避免把资源浪费在错误的方向上。如果每增加一个天才，都能提高计划的质量，那么即使执行所需要的官僚体系越来越庞大，增加天才的价值仍然很高，因为执行成本越高，错误选择所造成的浪费就越大。

未来不会完全符合这两条路径中的任何一条，但它们可以看作文明可能发展的两个方向。

深度文明：靠思想走得更远

智能推动知识进步，大致有三种方式：从基本原理出发进行推理，从已有证据中获得新的洞见，以及通过观察和干预现实世界获取新的证据。

第一种方式可以仅靠思想走得很远。数学就是最典型的例子。在一项证明或者研究工作的多个关键节点上，一个足够强大的头脑可以持续做出正确选择，把原本需要多年摸索的过程变成一条更短、更明确的推理链。

第二种方式同样存在巨大的空间。人类收集到的证据远远超过已经理解的内容。天文图像、显微镜切片、网络评论等大量资料，都受到人类智能有限的制约。科学档案中保存着大量当年为了回答某一个问题而记录的数据，而这些数据可能包含着其他问题的答案。如果拥有足够多的智能，我们甚至不需要收集新的数据，就可能从已有资料中发现新的规律。我们也许可以发现一个新的宇宙，而不需要再收集一个新的光子。

第三种方式就困难得多，因为它需要与物理世界直接接触。物理过程需要时间，而且很多时候无法加速。化学反应需要发生，生物体需要生长，机器需要制造，航天器需要穿越真实的距离，并受到宇宙速度极限的限制。即使拥有完美的智能，也无法提前观察一个尚未发生的实验结果。

但超级智能可以尽量减少与现实世界接触的次数。“深度文明”并不会摆脱对现实的依赖，而是会尽可能节省这种依赖。更好的推理可以找出真正值得进行的少数实验，模拟则可以解决大部分问题，并准确找到必须由现实世界回答的那个不确定性。超级智能可以围绕有限资源进行设计，让每一次现实实验都获得最大的价值。

例如，一个研究暗物质的天体物理实验室，可能首先把一系列假设交给高度逼真的计算机模型进行测试，检查它们是否与现有数据一致。只有完成这些步骤后，研究人员才会针对最有希望的理论，对天空进行少量新的观测。

这种文明仍然需要支撑天才的各种条件，但每一单位资源能够产生的价值会更高。

“深度文明”也可能像一幅拼图。进步在开始阶段比较容易，接近完成时也可能变得容易，最困难的是中间阶段。刚开始时，我们能找到明显的边缘和简单的拼接方式，等这些部分逐渐完成，剩下的图案还不够完整，却已经没有那么多容易确定的位置。到了最后，剩余的空缺反而会逐渐告诉我们应该填入什么。

科学史上已经有类似的例子。门捷列夫可以根据周期表中已有元素的位置，推测当时尚未发现的元素。标准模型也让物理学家在希格斯玻色子真正被观测到几十年前，就已经有理由预期它的存在。很多时候，实验本身就是针对现有理论和数据所指向的结果设计的。

如果超级智能能够足够深入地理解自然界的规律，它也许能够准确判断下一步究竟需要什么数据。文明的进步因此可以更多依靠深入思考，而不必不断扩大现实世界中的实验规模。

如果这种效率最终占据主导，文明或许能够以较小的物理规模不断加深对自然的理解，同时减少管理庞大实验设施所需要的制度智能。

人类已经在不离开地球的情况下理解了大量宇宙规律。“深度文明”只是沿着这条道路继续前进。

广度文明：当思想跑不过物质

另一种可能是，对新证据的需求最终超过这些效率提升所带来的收益。

智能可以降低每一次接触现实的成本，但同时也可能让我们发现更多必须通过现实验证的问题。更好的仪器可以打开更细的研究前沿，更快的实验也会让更多实验变得值得进行。如果爱因斯坦几乎完全依靠思考建立相对论的过程，可以代表“深度文明”，那么生物学可能更接近“广度文明”。

人类已经积累了大量生物学知识和数据，但一种新药要证明安全、有效，仍然需要在大量人类身上进行测试。如今，机器可以模拟生物过程，让研究人员先在计算机中测试候选药物，但这些数字模拟仍然不足以完全还原现实，因此无法替代大规模人体试验。

机器提出的候选方案越多，现实验证就越容易成为瓶颈。在“广度文明”中，聪明的大脑本身不足以推动进步。对物质资源的需求，以及管理这些资源所需要的制度体系，可能以更快的速度增长，超过智能节约资源的能力。

即使未来的AI远远超过人类，这种情况也可能发生。超级智能或许可以在一个下午设计出未来100年的实验，然后花100年等待自然和机器完成这些实验。在这样的世界里，把更多智能投入实验、生产和制度执行，可能比继续增加提出新想法的能力更加重要。

如果每一步新的进展都需要更多基础设施，这种趋势还会不断累积。那时，文明中的思考会相对减少，建造会越来越多。实验室实现自动化，工厂不断增加，能源生产扩大，越来越多的制度智能被投入到这些体系中，以保证它们能够正常运行。

物理世界的扩张会成为知识进步的动力。文明之所以继续向外扩展，是因为它提出的问题已经超过了现有条件能够回答的范围，需要更多材料、更多能源和更多数据才能继续前进。

戴森球可以作为这种未来的极端例子。建造戴森球需要非常重要的科学突破，但整个项目的大部分工作可能不会发生在突破性思考上，而是涉及天文尺度的建造和物流。它需要天才来设计，也需要一个规模巨大、重复而复杂的组织体系来完成建设。

这并非智能不足造成的结果，反而可能是智能取得成功后的结果。越聪明的头脑能够发现越多值得开展的项目，而越复杂的项目又需要更多物质资源来执行。

如果未来确实如此，那么超级智能真正强大的地方可能并不是它有多么聪明，而是它能够承担大量协调工作，管理庞大的技术和制度体系，把想法变成现实，并不断扩大规模。绝大多数机器智能最终可能都被用于那些“无聊”的工作，而不是最具创造性的工作。

物理世界本身的速度限制，也可能成为进一步扩张的瓶颈。建造一套收集恒星能源的机器，本质上仍然是一个物质工程，无论设计方案能够多快完成，真正的建设都需要时间。恒星之外还有其他恒星，银河系之外还有其他星系。就目前所知，距离本身就是一种限制：没有飞船能够超过光速，也没有信号能够以超过光速的速度返回。

因此，“广度文明”会是一个缓慢的文明。它真正发生的大变化可能相隔数千年，甚至数百万年，每一步都需要更长时间。

农业革命和工业革命，在这样的历史尺度下，可能只是一个漫长文明史中相对短暂的开端。

人类仍然需要好奇心

未来的AI系统可能同时在人类最看重的两件事情上超过我们：提出前沿洞见，以及协调资源，把这些洞见真正转化为现实成果。但这并不会降低人类好奇心的价值。

首先，即使机器在理解世界方面比我们更强，人类仍然有继续认识世界的责任。宇宙中可能已经存在比我们智慧得多的头脑，它们或许掌握着人类无法理解的科学和道德问题的答案。但我们依然会尝试自己理解这个世界。即使另一种智能出现了，即使这种智能是我们自己创造出来的，也不会改变这一点。

在我们能够确定人类已经没有任何独特贡献之前，放弃探索都意味着放弃我们仍然能够为这个世界做出的事情。我们仍然有责任不断提出问题，并尝试寻找答案。

其次，人类可能在前沿智能方面拥有相对于制度智能的比较优势。即使机器在这两方面都比人类更强，我们也可能相对更擅长前者，因此可以把自己的精力集中在创造和探索上。人类倾向于选择创造性的工作，而不是重复性的工作。机器人则没有这样的偏好。

第三，多样性本身也有价值。即使机器能够模拟大部分人类思维，只要人类仍然保留一些独特性，就能够继续提供不同的创造方式。

未来，大部分机器智能可能运行在自己的体系中，但其中一小部分仍然可以按照人类的创造意愿被调用。对于整个机器智能体系来说，这只是一小部分；但对于人类而言，这已经可能远远超过我们今天能够获得的资源。

创造力从来都不是孤立存在的。它需要现实世界作为支撑，天才也需要建造者来实现自己的想法。今天，人类的大量智能都被用于那些很少受到关注的工作：把想法一步步变成现实。未来的机器智能也会继承这种依赖。它们不可能全部成为天才，也必须承担官僚、协调和执行的工作。

人类未来的进步速度，最终取决于一个问题：伟大的头脑究竟能否用更少的现实资源，完成更多的事情，还是每向前一步，都需要一个更庞大的现实世界来支撑。

本文来源：腾讯科技

风险提示及免责条款

贝森特解释“坐庄论”：庄家也不是每局都赢，但我有内幕！

鲍奕龙 — Sun, 04 Oct 2026 09:18:02 GMT

美国财政部长贝森特解释说，“我是庄家”意味着财政部拥有更优的信息，而不是说他控制债券市场。

白宫AI峰会“权力图谱”：扎克伯格最受特朗普认可，马斯克刻意疏离，Amodei焦虑藏不住

Sun, 04 Oct 2026 09:00:27 GMT

科技巨头再度齐聚白宫，一场AI峰会在政策议程之外，意外成为一堂关于权力与人际关系的公开课。

本周二，马克·扎克伯格、埃隆·马斯克、Anthropic首席执行官Dario Amodei、英伟达CEO Jensen Huang、谷歌CEO Sundar Pichai、OpenAI总裁Greg Brockman等AI领域头部人物齐聚白宫，就AI安全与数据中心建设展开会谈。峰会最终促成一份由各方签署的自愿性承诺协议，特朗普将其定性为具有"道德约束力"的协议。峰会结束后的媒体见面环节被广泛传播，网络上随即掀起一轮对各位亿万富翁肢体语言与相互关系的密集解读。

这场权力场域中的微妙互动，折射出AI行业与华盛顿政治之间日趋复杂的生态。与会者之间的关系横跨敌对、竞争、结盟与合作多个维度，且这些标签并不互斥。

扎克伯格：最接近权力核心

行为科学家、肢体语言权威Abbie Maroño在接受The Information采访时指出，扎克伯格在此次峰会上展现出最为突出的权力感。

Maroño表示，扎克伯格在峰会期间大部分时间站在特朗普身旁，举止从容，毫无刻意表现的痕迹。"他实际上散发出一种权力感。他站在一个巨大的权力来源旁边，却显得非常自在。"她特别注意到两人之间的一个细节：当扎克伯格向特朗普方向迈步时，特朗普随之后退并转身面向他。"这是一种无声的默契——表明马克确实拥有权力，而特朗普非常尊重有权力的人。"

Maroño进一步分析称，扎克伯格的表达方式不夸张，声音沉稳，目光自然流动，既不低垂也不游移，且他的每一句话都能获得特朗普的点头认同。"有一种感觉，他与特朗普完全处于同一频道。"

Amodei：自信姿态难掩内在焦虑

Dario Amodei在此次峰会上获得了最多的发言时间，但Maroño的观察却揭示出一种截然不同的内在状态。

"他很活跃，大量使用手势，展现出许多我们通常认为与自信相关的行为。然而有趣的是，他整体的气场却在不断泄露不适感——他在努力表现自信的同时，又散发出焦虑。

"Maroño指出，过度夸张的手势并非真正自信的表现，"自信是流畅的"，而Amodei的动作节奏过快，像是在脑海中不断提醒自己"用手势，用手势"。在短暂停顿时，他会将双手握在一起，这是一种典型的自我安抚行为。

峰会上还有一个细节引发关注。特朗普在介绍Amodei时说了一句"他说的都没问题"。Maroño对此给出了不同寻常的解读："这是特朗普在提醒Amodei，他之所以能在这里发言，是因为特朗普允许他这样做。这是一种权力宣示——'你跟我站在一起，你就没问题；但不要越界。'"

马斯克：刻意保持距离

与扎克伯格的积极靠近形成鲜明对比的，是马斯克在峰会上的疏离姿态。

Maroño观察到，马斯克大部分时间双臂交叉，站在人群边缘，肢体移动明显少于其他与会者，发言也相对稀少。她认为，交叉双臂在此处并非防御性信号，而更多体现出一种"社交疏离与旁观者心态"。

更值得关注的是，当特朗普发言时，马斯克并未像其他人那样将身体转向特朗普。"当权威人物发言时，人们通常会朝向他们，这是表达尊重的方式。我不认为他是在刻意不尊重，但他表现出的尊重程度明显低于其他人。"Maroño表示，这一细节清晰地映射出马斯克与特朗普之间关系的"波折本质"。

自愿承诺：行业自律还是自我监管？

此次峰会的实质性成果，是一份由各大AI公司签署的自愿性承诺协议，内容涵盖AI安全与数据中心建设等议题。特朗普将其定性为"具有道德约束力"的协议。

然而，这份协议的约束力本身即存在争议。The Information的报道将其比作"让操场上的孩子们自我管理"——在缺乏外部强制机制的情况下，行业自律能走多远，仍是一个开放性问题。

峰会的另一层意义在于，它将AI行业与华盛顿政治之间的权力互动以罕见的公开方式呈现出来。与会者之间的关系错综复杂，敌对、竞争、结盟与合作并存，而这些关系将在很大程度上影响未来AI监管政策的走向。

风险提示及免责条款

大空头对大空头：OpenAI是市场最大风险

沈曼茹 — Sun, 04 Oct 2026 08:56:58 GMT

电影《大空头》原型之一，以成功预测2008年金融危机而闻名的Steve Eisman认为，关于服务器折旧年限（如从3-4年延长至5-6年）的讨论过于学术化。

因为若AI繁荣，实际业务增长将远超会计细节的影响；若OpenAI等巨头失败引发行业倒退，大跌也是源于业务本身而非折旧政策。

核心逻辑在于：决定市场走向的是AI的成败，而非会计账面调整。

a16z对话：企业级软件都将被AI Agent重做一遍

Sun, 04 Oct 2026 08:06:02 GMT

企业采购正在成为AI原生创业公司攻克传统软件巨头的关键战场。

10月2日知名风投a16z播客访谈节目中，主持人Elena Burger与a16z合伙人Seema Amble，以及企业AI采购智能体初创公司Lio的联合创始人兼CEO Vladimir Keil，就AI应用公司如何对抗传统软件巨头、AI智能体在真实商业环境中的渗透路径及财务回报等市场核心关注点展开了深度对话。

（左：a16z Fintech团队合伙人Seema Amble；中：a16z Enterprise团队投资人Elena Burger；右：AI采购多智能体Lio公司CEO Vladimir Keil。）

a16z合伙人Seema Amble表示，传统软件巨头受限于其系统记录的边界，叠加内部团队利益冲突，难以真正推进至更高阶的自主判断型AI代理，这恰恰是AI原生创业公司的核心机会所在。

她指出，赢得终局的关键在于"拥有端到端流程"，而非仅在现有工作流中嵌入一个聊天机器人。

Vladimir Keil则认为，企业采购流程中，约80%的实质性工作发生在ERP等系统记录之外，而正是这一盲区，令传统软件供应商难以凭借"在现有系统上叠加AI模型"的方式完成真正的端到端自动化。

Vladimir Keil表示，若采购经理漏看一枚零部件的交货延误通知，可能造成数亿美元的项目损失，而Lio的多智能体系统正是针对此类高风险场景而设计。

真实的商业世界：80%的工作发生在ERP系统之外

在企业采购这一极度传统的万亿级市场中，这种“端到端”的痛点尤为明显。市场往往只关注最终在ERP系统中呈现的采购价格，却忽略了背后的巨大摩擦成本。

Lio CEO Vladimir Keil一针见血地指出：

你会在ERP系统中看到购买铝材花费了8000美元，但你看不见这背后可能发生的30次利益相关者会议、500封电子邮件以及20个Excel表格。绝大多数的采购工作，实际上发生在这个ERP或任何记录系统之外。

在构建飞机、数据中心等大型复杂项目中，供应链的微小摩擦可能带来灾难性的财务后果。Vladimir表示：

如果有一个特定零件晚到两周，这可能会造成数亿美元的损失并拖延整个项目。而这可能仅仅是因为采购经理错过了Outlook或Gmail中500封邮件里的一封确认信。

传统系统只能记录“下周三到货”的日期，却无法像AI Agent那样去判断这背后是否潜藏着上亿美元的违约风险并主动干预。

如果说一年前市场的热点还是挂在软件之上的“聊天机器人”，那么现在的市场焦点已经转移到了具备自主决策能力的Agent。Seema将当前的Agent划分为四个阶段：检索代理（Retrieval）、流程代理（Process）、政策代理（Policy）和主导代理（Principal）。

挖掘被忽视的利润空间：无人关注的“5万美元以下”长尾市场

除了提升效率，市场最关注的是AI应用能否直接改善企业的损益表。在这场访谈中，Vladimir揭示了AI Agent带来的增量业务想象空间：处理那些企业由于人力受限而从未去谈判的支出。

Vladimir透露：

没有Agent之前，企业根本不在乎5万美元以下的采购。这也是给其他初创公司的一个‘黑客技巧’——如果你给大企业发送一张4万美元的账单，他们可能根本不会跟你还价，因为他们没有人力容量去这么做。

Vladimir进一步指出：

但有了Lio的Agent，我们将与你进行自动谈判。对于企业来说，拥有一个甚至不太完美的谈判Agent的风险几乎为零，因为这总比完全不谈判要好。

在宏观财务视角下，这种积少成多的降本将爆发出惊人的杠杆效应。

Vladimir用了一组极具冲击力的数据来向投资者说明采购AI的商业价值：

在当前的竞争格局下，你想提高1%的利润率，你需要增加10%的营收。所以，如果你能通过AI实现仅仅1%的采购降本，这在损益表上的结果，就等同于你需要费力增加10%的销售额。这是极其重要的。

建立信任与护城河：人机协同是必经之路

面对涉及大量资金的商业谈判，企业如何敢把权利交给AI？Vladimir直言：

没有人第一天就会建立并使用完全自主的谈判Agent。因为他们从第一天起就不会信任我们，也不会信任这项技术。

Lio的做法是采用“人机协同（Human-in-the-loop）”模式，通过处理1万美元、2万美元的谈判来吸收反馈，逐渐赢得客户信任。

具体而言，AI代理在每一轮谈判中生成建议，由人工审核确认后再执行。这一过程持续为系统提供反馈和学习数据，使代理逐步积累特定企业的流程偏好与决策边界。

随着信任积累，客户开始将自主谈判授权范围从数千美元扩展至数万、乃至数十万美元规模的采购。

对于战略性更强的直接采购，例如金额高达数亿美元的长期供应商合同，Lio则在系统中始终保留专业工程师的介入节点。

代理可在多小时的谈判准备过程中实时整合铝指数、油价走势等外部数据，并在谈判桌上为人类谈判者即时推送洞察：

对方说油价上涨了10%，因此要求提价10%，但系统会立即弹出提示：该零部件中油性原料占比仅30%，因此实际合理涨幅约为4%。

垂直AI的护城河在于"拥有工作本身"

面对"为什么不直接用通用模型自建"的质疑，a16z合伙人Seema Amble援引了一家财富500强企业的案例：该企业曾尝试自建应收账款催收系统，但历时数月后发现，内部数据质量不足、跨ERP系统的映射维护成本极高，最终不得不放弃。

她表示：

企业的核心竞争力是其业务，而不是构建内部AI工具。70%至80%的准确率看似不错，但在实际场景中可能意味着"仍需人工复核100%的数据"，这不仅不能减少工作量，反而可能制造更多麻烦。

Vladimir Keil则指出，从护城河角度看，采购AI的关键优势来自数据积累和流程嵌入深度。

随着代理处理的谈判规模从万美元级跃升至百万美元级，系统积累的企业特定知识和行业价格基准数据将形成持续强化的竞争壁垒。

正如Amble总结道，真正持久的垂直AI公司，评判标准不是"我设计了几步防御路径"，而是"客户是否真正依赖这个产品来完成工作"，这种依赖关系本身，就是最重要的护城河信号。

播客全文对话如下：

Vladimir Keil

如果你要制造一架飞机，就需要从数千家供应商处采购物料。假设有人发来一封邮件说："抱歉，这个零件要推迟两周到货。"如果采购人员漏掉了这封邮件，损失可能高达数亿美元。

Seema Amble

采购业务在历史上可能更像一个相对封闭的模块，但现在它已经延伸到法务、财务，以及众多不同的软件系统和相关人员。对于AI原生初创公司来说，机会在于：我们要掌控整个端到端的业务流程。

Vladimir Keil

没有哪家企业会从第一天起就部署完全自主的谈判代理。为什么？因为他们一开始既不信任我们，也不信任这项技术。正是通过"人在环路"的方式，我们不断地用反馈和经验来训练代理，慢慢地，他们开始信任我们处理1万美元的谈判、2万美元的谈判，乃至10万美元的谈判。

Elena Burger

当你思考一家具有持久生命力的垂直AI公司应该是什么样子时，你会关注哪些特质？

Seema Amble

很难预测未来的护城河。如果回望历史上那些最优秀的企业在早期阶段的状态……

欢迎回到a16z播客。

Elena Burger

我是Elena Burger，今天我邀请到了两位嘉宾：a16z的合伙人Seema Amble，以及Lio的联合创始人兼CEO Vlad Keil。Lio是一家专为企业采购构建AI代理的公司。

Seema，你最近写了一篇题为《巨头们来了》的文章，文章提出了一个几乎所有AI应用公司都面临的核心问题：如果一家成熟的软件厂商已经拥有客户、数据，并且模型可以在其工具体系内运行，那么初创公司的优势在哪里？

Vlad今天也在场，他能帮助我们更好地理解初创公司的优势所在。我觉得，一个好的切入点是分别来看支持巨头和反对巨头的理由。如果一家公司已经能够将有能力的AI代理接入自己现有的软件，那么另一款应用还有什么用武之地？

Seema Amble

好的，让我先稍作铺垫。过去我们的思维框架是：市场上有巨头，也有初创公司，两者之间是分发能力与创新能力之争——借用我的合伙人Alex Rampall的话来说。

但现在出现了第三种力量，也就是你所指出的：巨头可以在自身系统上叠加一个大模型，从而成为市场上更强劲的竞争对手。比如Salesforce推出了Agentforce，将云服务与Salesforce整合在一起，加上他们已有的数据积累，以及员工早已习惯的产品界面——那么，为什么还需要另一款产品？

我坚定地认为，AI原生初创公司依然有其存在的价值。核心原因在于：传统巨头受限于自身的系统记录，他们拥有的只是那套记录，无法完成端到端的完整任务。

让我举个具体例子。假设有一位客户打来电话，说自己在取消订阅之后仍然被扣款。要解决这个问题，不能只是让客户在聊天框里说"我被多收费了"然后给一个回复，还必须涉及账单系统、完整的对话历史记录，以及合同内容。这不是一个系统记录能覆盖的，而是围绕该客户的全量知识和所有关联信息——这些是单一系统记录无法触达的。

而AI原生初创公司的机会，正在于声明：我们要掌控整个端到端流程。这可以是法律领域，比如从立案一直到庭审的全流程管理，也可以是采购领域。核心理念在于：拥有端到端的完整工作。

Elena Burger

Vlad，能具体说说在采购场景中，这一点是如何体现的吗？现有的巨头加上一个模型，为什么还不够？你在合作的企业中观察到了哪些情况？

Vladimir Keil

当然。说到采购，大多数人可能首先想到的是价格——最终谈下来的价格是多少。而且记录下来的结果看起来总是非常简单，比如就是一个"8000美元"。

这和销售端其实是一样的。就算我去找Seema说，"嘿，我们和另一家企业签了合同，你看这份合同签字就行"，从表面上看非常简单，但Seema看不到背后的全部工作——大概有30次利益相关方会议、500封邮件、20张Excel表格。采购端也是如此。你在ERP系统里看到的只是"铝材：8000美元"，但你看不到的是：供应商曾经反价要1万美元；成本工程师花了3周时间，跑了无数张Excel表格和3D建模，才算出零件的成本。

所以，采购中绝大多数的工作实际上发生在ERP或任何系统记录之外。

Elena Burger

可以想象，在你描述的这个工作流程中，各类代理能够完成大量不同类型的任务。我觉得这正好引出下一个问题：一年前，大多数巨头发布的还只是聊天机器人，那基本上是他们能给出的全部了。但Seema，在你那篇文章里，你梳理了四种不同类型的代理：检索代理、流程代理、策略代理和主代理。能带我们逐一了解这四类代理，并解释它们在所需判断层次上有何不同吗？

Seema Amble

好的。大概一年前，我做了一个表情包，叫"给聊天机器人贴标签的策略"——意思是，各大巨头基本上都只是在系统记录上搭了一个聊天机器人，用来检索信息或做一些简单分析。这正好对应第一类：检索代理。

让我用一个客户支持的例子，来依次说明检索代理、流程代理、策略代理和主代理各自是什么。

假设你是一位客户，服务发生了中断，你打电话来说，"我要申请赔偿"。

检索代理（巨头可能已有的）：可以查出合同条款是什么，确认是否确实发生了中断，并核实相关信息。它从数据库中提取客户信息，然后将其汇总呈现。

流程代理是代理序列中的第二步：它可以根据政策手册自动走完信用审批流程，判断"根据我们的政策，服务在这段时间内中断，因此您有权获得赔偿"，并直接完成计费处理。整个过程无需判断，纯粹是流程执行。

策略代理则更进一步：它不只是执行流程，而是会做出判断。比如，"这次服务中断了20分钟，这已经足以被认定为重大中断事件"——这里它在运用判断力，因为并没有一个严格的定义标准。

主代理是最后一个阶段：它会进行权衡，比如"这次中断相当严重，为了维护客户关系，我们是否应该提供超出流程和策略要求之外的额外赔偿？"

这四个层次之所以重要，是因为大多数巨头即便在做，也还停留在第一层。现在他们最多是在营销上声称正在向流程代理和策略代理演进，也就是说具备更多的判断能力。但看看他们实际发布的产品——那些工作流代理帮你签文件、从转录内容中录入信息之类——本质上仍然局限在检索和少量流程层面，并没有真正进入判断层面。

当然，这背后有各种阻碍它们前进的结构性原因。一些巨头正在尝试与OpenAI、Anthropic等实验室合作，借助模型能力来补强自身，但总体而言，进展依然有限。

Elena Burger

你愿意说说为什么一些巨头会有所保留吗？

Seema Amble

好的。我想说，他们不是主动保留，而是被动受限——我相信他们都想全力推进，但大致有两个原因。

第一，他们拥有分发优势。他们有客户信任，能够以此为基础向客户销售更多产品。就拿Salesforce来说，当Agentforce发布时，客户很容易就接受了，尤其是几乎没有额外成本的情况下。所以他们有信任基础，有分发渠道，产品的开通也往往相当顺畅。

第二，他们面临严重的内部激励冲突。一旦开始开发更复杂的代理，就会与现有产品产生冲突——现有产品提供的是工作流，而新代理处理的是完整的工作结果。这是两种不同的产品，面向不同的购买方。比如，"端到端解决客服问题"和"为人工客服提供工作流支持"，这两者的买家是不同的。更何况这两个团队之间可能还存在内部竞争。从销售角度看，你到底在向客户卖什么？而且往往是经典的大公司病：两位VP分属不同部门，各自卖各自的产品，根本无法就激励机制和职责划分达成共识。这些都是巨头不可避免的结构性困境。

Elena Burger

说得很有道理。Vlad，在检索代理、流程代理、策略代理、主代理这个谱系上，Lio目前处于哪个位置？

Vladimir Keil

我们其实横跨了所有这些层次，具体取决于风险和复杂程度。有些场景我们已经实现了完全自主运行，有些场景则保留了"人在环路"——这取决于预算审批的规模、复杂性和风险高低。

回到Seema提到的信任问题——你说的是内部信任，但我认为还有一个外部信任的维度：如何说服客户从"只是检索一些信息、跑一跑流程"，跨越到"完全自主地做决策"？这不仅仅是产品层面的问题，更是人的问题。他们需要信任你。我们作为一家初创/成长期公司，必须去赢得这份信任。而巨头虽然已有信任基础，但这同时也意味着，如果他们过早发布、产品表现不佳，信任同样会被摧毁。这正是我们的机会所在。

有一件事让我们非常意外：流程代理对我们来说几乎成了一个"副线任务"。以发票流程为例——检索信息、跨文档匹配、将结果推送回SAP或Oracle，这是一个非常清晰的流程。我们发现，这其实涵盖了100%的软件市场，也就是今天的发票软件都是这么做的，但它实际上只完成了整体任务的20%，因为剩下80%的问题是：发票有问题怎么办？出现不一致怎么办？如果不走理想路径，又该如何处理？

于是我们很快转向了下一个层次——异常处理。我们之所以能够说服客户，我觉得很大程度上是因为我们总是稍微走在曲线前面一点点。我们能够向客户描绘下一代代理的愿景，比如三年前，"从文档中检索信息"就已经足够令人惊叹了。我们把这个方案推介给客户，发现这是他们真正在意的真实问题、真实使用场景，然后我们能够在几周内将其落地投产。现在，我们正在用同样的方式，把流程代理、完全自主代理、长时运行代理一一推进。

Seema Amble

关于信任，有一个有趣的角度：内部信任与外部信任。客户需要信任采购软件并将其用于内部流程，这是一层。但我们第一次见到Vlad时，有一件事特别令人印象深刻——他们不仅在处理内部流程，还在进行谈判。这意味着你需要信任Lio代理去与第三方直接交互，这是另一层。

当然，很多人被巨头过去言过其实的营销伤过，但撇开这点不说，Vlad，我很想听听你是怎么说服客户，让他们信任一个AI代理来主导谈判的？

Elena Burger

对，在谈这个问题时，你也可以顺带描述一下采购工作的全貌：你们的客户是谁？他们过去用的是什么样的系统？

Vladimir Keil

说到采购，人们可能只想到"买东西"，就像B2C那样。但实际上，这是一个运转整个经济体系的复杂过程，涉及大量利益相关方、众多部门——法务、成本工程、采购、财务，所有人都要参与进来，共同做出这些决策。

至于我们如何赢得客户的信任，核心还是我之前说的：我们总是略微走在时代前面。

我们在ChatGPT发布之前就开始了——事实上，我们比ChatGPT发布早了几周就启动了，所以早早把握住了技术浪潮。当行业炒作期来临时，我们已经能够向企业客户展示切实可行的方案，迅速验证使用场景，快速落地投产。

当然，这里还有人的因素——信任是建立在你真正能交付承诺的基础上的。但从产品层面来说，我们设计了一套渐进式的信任建立机制，核心就是"人在环路"的邮件审批流程。没有哪家企业会在第一天就部署完全自主的谈判代理——因为他们既不信任我们，也不信任这项技术。所以我们提供了一个非常自然的切入点：人在环路。

这对我们也极为有价值。我们或许拥有理论上的"完美谈判代理"，但我们并不了解某家财富10强企业的具体运作方式。通过"人在环路"的机制，客户的反馈和经验不断地输入到我们的代理中，让它持续学习。慢慢地，他们开始信任代理处理1万美元的谈判，然后是2万美元、10万美元。

对于涉及数百万美元的长周期谈判——比如分析复杂3D模型和技术图纸——我们则始终有专家在环路中。代理运行数小时后，我们会向成本工程师请求反馈，然后再进行下一步。这是有意为之的设计。

Seema Amble

在谈判这一侧，你具体在哪些环节放入人工介入？你提到了成本工程师，但在来回磋商的过程中，人工介入是主要围绕成本工程这类数据，还是还有其他方面？

Vladimir Keil

这同样取决于谈判的层级。有一类谈判，是企业以前根本没有精力去做的——通过部署代理，他们可以捕获那些过去完全忽视的节省空间。比如以前低于5万美元的采购根本没人去谈，因为根本没有处理能力。

这里有个对其他初创公司也许有用的发现：你可以给一家大企业开一张4万美元的发票，他们很可能不会谈判，因为他们没有处理这个的流程——除非他们有Lio代理，那我们就会来跟你谈。在此之前，他们通常直接付款。而在这类情况下，不谈判的风险几乎为零——就算谈判结果不够完美，也总比什么都不做强。

但话说回来，商业关系并不总是只关乎成本。有些供应商关系的价值并不在于采购金额的大小——比如播客录制服务，可能只占支出的极小一部分，但你需要维护与供应商的长期合作关系，因为他们了解你的工作方式，无法随意替换。

在这类情况下，我们设计了有人介入的方案：采购人员关注关系维护，关注沟通的语气和方式，同时大部分流程仍然是自主运行的。

另一类谈判则始终要有人在环路中参与。谈判不只是关于价格，还涉及合同条款设计（法务）、付款条件设计（财务），以及成本结构（成本工程）、商务条件（采购）。这些都是经过专业训练的后台人员，他们拥有针对特定流程、特定公司、特定行业的深度专业知识，正是他们的洞见在持续喂养Lio的长时运行代理。

Seema Amble

这又回到了我之前说的：采购业务在历史上可能更像一个相对封闭的模块，但现在它延伸到了法务、财务，以及众多不同的软件系统和人员——既有专家，也有通才。

Elena Burger

我们能不能把这些落到一个具体的垂直行业上？比如，我是一家无人机制造商，或者类人机器人制造商，我需要采购多少零部件、对接多少工厂、涉及多少供应商？Vlad，你可以选一个你们正在服务的、正在用Lio管理这种复杂性的垂直行业，带我们走一遍他们的实际体验吗？我觉得这样能让整个画面更加具体。

Vladimir Keil

我们在Lio谈到采购时，并不是在谈笔记本电脑和铅笔——那些问题我们三年前就解决了。我们谈的是制造飞机、机器人、无人机，乃至我们今天正在讨论的AI——因为AI也需要被建造出来，而建造意味着采购。建一座数据中心，需要采购无数组件。

即便是极小的摩擦，也可能带来极大的连锁影响。比如，在一个大型项目——建造一座数据中心或一架飞机的过程中，某一个特定零件推迟两周到货，可能就会造成数亿美元的损失，并导致整个项目延期。

所有这些决策都需要被统筹协调。你要弄清楚需要什么、应该和哪些供应商合作、谁是最合适的供应商。但一旦这些决定做出之后，背后还有大量的运营性后台工作。听起来可能无聊，但"运营"意味着：有人给你发了一封邮件说"抱歉，这个零件要晚两周到"——这不过是采购经理收件箱里500封邮件中的一封。一旦漏掉，就是数亿美元的损失。

更大的问题在于，ERP系统里存储的只是一个日期变更，看起来微不足道，但背后可能意味着一亿美元的损失。我们的代理每天在做的，不只是检索这条信息，而是判断：这会带来影响吗？影响有多大？我们该如何应对？

Elena Burger

当你们深度嵌入物理世界的供应链时，哪些问题可以介入，哪些是无能为力的？比如一批货在海上出了事，或者某条海峡关闭了——有些事情你能做，有些事情你无法改变，边界在哪里？

Vladimir Keil

本质上，这是一个概率问题。你确实无法改变已经发生的损失。但如果你掌握足够的上下文信息，你可以提前预测——比如，某个供应商的货物有20%的损耗率，另一个只有1%。20%损耗率的那家可能价格是另一家的十分之一，但对于某个特定场景，多付10倍的价钱换取更高的到货可靠性，在商业上完全合理。

这背后的威力在于：你掌握的不只是企业内部的上下文，还有外部世界的信息——市场新闻、供需双方的动态，甚至预测市场上对某类中断的概率判断。把这些信息综合起来，可以做出远比人工判断更精准的决策。

从长远来看，我认为并没有无法克服的限制，只是目前对不同类型问题的预测概率各有差异。我们正在构建的，不只是企业内部的采购自动化，而是更宏观的——企业之间、买卖双方之间的协作方式。

Elena Burger

你把Lio描述为一个多代理系统。能具体说说各个代理分别在做什么吗？

Vladimir Keil

一方面，Lio的代理横跨Seema文章中提到的所有四个类别，根据风险和复杂程度来选择使用。

另一方面，要完成一项端到端的工作，各代理之间需要共享信息，并按照特定的顺序协同运作。当我们说"多代理系统"时，本质上就是这个意思。

因为一个人类层面的任务，可能涉及八个利益相关方、三个部门、五套软件工具，我们需要覆盖所有这些，才能真正完成端到端的工作。这些代理必须相互通信，只有多代理系统才能做到这一点。

我们最初是从检索型、类副驾驶的方式起步的，然后发展到单代理，但很快就发现不够用——哪怕是一次谈判，也必须有合同代理、新闻分析代理等协同参与，才能完成完整的工作。这就是我们对多代理系统的定义。

Seema Amble

那就具体说说：假设波音需要采购一颗螺栓，这个采购流程具体是怎样的？Lio在哪些环节介入？

Vladimir Keil

采购螺栓，实际上正是我们可以完全自主运行的场景之一，正是通过多代理系统来实现的。

整个流程从需求的产生开始，而这一步本身就已经相当复杂。想象一位在工地上的工人，他可能每两周才打开一次笔记本电脑，却被要求用SAP或其他ERP系统来提交需求申请。这本身就是巨大的摩擦。

我们把这一步做得极其简单：拍一张照，或者上传零件编号和Excel表格，就这么多。采购系统里那些复杂的概念——类别、总账科目、框架合同，没有人在乎，采购部门以外的人不应该需要了解这些。

接下来，我们的代理开始接管：检查库存，询问其他工厂是否可以内部调拨；如果不行，则由采购代理查询是否有内部或外部供应商；然后由另一个代理起草询价单（RFQ）并通过邮件发出；之后大量回复涌入——有些内容全在邮件正文里，有些是PDF，有些是Excel，格式各异。我们检索这些信息，然后进入下一步：根据价格基准判断是否有谈判空间。如果有，则由代理决定下一步策略——可能是由人工参与的战略谈判，可能是完全自主谈判，也可能是电子竞价。由对应的专门代理来执行，然后完成后续的订单确认、物流跟踪、发票处理，整个流程全程自主运行。

当然，这只是间接采购的场景——螺栓和类似的标准件。在直接采购领域，情况更加复杂，也是我们同样在深耕的领域。

Elena Burger

什么是直接采购？

Vladimir Keil

让我先把间接采购和直接采购的区别梳理清楚。

我刚才描述的那类场景，核心目标是自动化——完全自主地运行采购流程，并在过程中持续挖掘节省空间。

我们看待这类场景的方式是：找到那些每天要重复做一千次、但理想状态是一次都不用做的事；同时也要找到那些目前做零次、但如果一天能做一千次就会对企业损益表产生巨大影响的事——比如对从未谈判过的支出发起自主谈判。

间接采购包括：MRO耗材、工厂建设、螺栓等标准件，以及笔记本电脑、铅笔、营销服务，比如搭建播客录音室——这些都属于间接采购。

直接采购则不同。当你在制造一架飞机时，你需要的是那些真正构成飞机的核心零部件，来自数百家战略性供应商。这里谈的不是5万个供应商，而是100到2000个供应商，每一家都可能涉及10亿美元量级的采购金额。

在这个场景下，你不会想要完全自主谈判。你需要一场持续三个月的深度准备——你要查铝材指数、油价走势，分析价格变化，工程师要逐一核查技术图纸和零部件质量。这才是部署AI代理真正令人兴奋的场景。

Elena Burger

在这类场景中，我猜大概是专家工程师和采购人员在前台，代理在后台？还是说，代理实际上是坐在谈判桌旁边，真的在和对方握手？代理是更像后台支持，还是已经走到了前台？

Vladimir Keil

目前大多数情况下仍然是后台。那些复杂的千万级谈判，90%的工作都是准备阶段，最终呈现在系统记录里的结果——比如从10亿压到9亿——背后是三个月的准备工作和10个人全时投入。这些工作确实发生在幕后。

但我们也有一些场景是在实时介入的。设想一下，我们现在正在进行一场谈判，我已经做好了完整的准备，就像现在手边有这些讨论提纲一样。如果在谈判进行中，我的屏幕上实时弹出提示："油价上涨了10%，因此对方要求涨价10%"，而系统立即给出分析："油价确实上涨了10%，但该零件的油料成本占比只有30%，因此你最多只需接受4%的涨价，而不是10%。"这类实时辅助场景，同样令人兴奋。

Elena Burger

我们知道Harvey和Decagon这样的公司正在深度微调模型。Lio使用哪些底层模型？你们如何看待微调和RAG？

Vladimir Keil

我们使用来自多家提供商的多种模型，我们将这些通用模型视为一种商品——读取PDF、生成Excel，这类任务它们完全胜任。

但我们也相信，对于某些特定场景，通过将基础模型与RAG结合，有可能将完成度推到接近100%。然而，也有一些场景，即便你有最好的基础模型、最好的RAG，也只能达到80%的性能上限。

一个典型例子是成本工程师做的事情：分析技术图纸，然后判断"这个零件应该成本多少"——这叫做"应成本建模"（Should Cost Modeling）。我们认为，通过对模型进行微调，完全有可能突破这个80%的天花板，达到200%的水平。

另一个例子是价格基准化。理想状态下，你只需把一份报价单拖拽进来，系统就能立即给出精确的市场参考价。但问题是，这些信息不是公开数据，而是散落在各企业内部、甚至跨企业的私有数据中，通用模型无法训练于此。

我们的思路是：不只是训练一个传统的大语言模型，而是更像Jef这类新型模型——输入是文本数据，但输出是一个结果，比如直接给出最合理的价格。RAG无法做到这一点，因为价格判断本质上是一种难以言表的"直觉"。就像问两个人同样的工作，BCG报价和麦肯锡报价可能相差10倍，但有经验的采购经理一眼就能感觉出哪个合理——这种判断很难被显式规则化，却可以通过结果导向的训练来学习。

这就是我们在价格基准化和应成本建模上看到的机会：不是训练传统大语言模型，而是训练以结果为输出的专用模型。

Elena Burger

Seema，我们稍微聊了一些关于实验室正在深入行业应用的话题。当你思考一家具有持久生命力的垂直AI公司应该是什么样子时，你会关注哪些特质？

Seema Amble

其中一个关键是掌控端到端的工作——也就是我们一直在讨论的——同时构建起数据资产，并实现此前从未有人做过的事情。

关于"护城河"，坦率说，很难预判未来的护城河到底长什么样。回望所有最优秀企业的早期阶段，他们并没有在说"我要按这六个步骤走，然后就有护城河了"，而是在说："我正在赢得客户的信任，我在向他们销售更多，机会就在眼前。"

防御性和持久性，在我看来，很大程度上来源于：客户对你的依赖在加深，他们越来越离不开你，你承担的工作也越来越多。

举个例子：老一代CRM系统只是记录所有交易；新一代销售AI代理则真正接管了销售准备、对外触达、处理进线等大量工作。整个公司对这类产品的依赖，是走向护城河的重要信号。我们常说的粘性、网络效应，归根结底都源于这个最初的基础：客户真实的使用，以及产品的真实价值。

Elena Burger

Vlad，你有没有遇到过客户或潜在客户问你："为什么要买你们的产品？我为什么不能直接接一个模型自己来？或者用我现有的系统记录加上一个模型？"你怎么回答他们，怎么说服他们选择Lio？

Vladimir Keil

这是一个完全合理的问题。三年前我们最早的一个产品——把报价单里的信息录入SAP——技术上看似简单，但商业价值巨大，在采购圈子里广泛传播。

这个功能现在已经成了工程能力测试的题目，候选人有8个小时来完成它。我想说的是：我们当年花了一整个工程团队、几周时间打造的产品，现在的工程师8小时内就能复现。所以问题确实来了：既然8小时能搭出来，采购部门自己花两个月是不是也能做？

答案是：可以做，但只能做到70%的性能。问题在于，70%的性能并不等于70%的自动化。在很多场景下，70%的准确率意味着你仍然需要做100%的人工审核——因为70%的准确率不够，没人敢直接放行，反而可能比原来手工处理更麻烦。

Seema Amble

在Vlad说的基础上，补充两点。

第一，通用模型和GPT类产品的普及，从整体上是有益的。人们越来越愿意信任AI工具，这反过来也让他们更容易接受垂直领域的专业产品。这种熟悉感和信任感的提升，对整个市场都是好事。

第二，我几周前和一家财富500强企业的管理团队交谈，他们曾经试图自行构建一套内部催收工具。花了三四个月，最终发现：数据上下文不够、质量太差，录音和截图堆了一大堆却无法整合成一个可用的系统；然后还面临两套ERP并存、即将收购另一家公司又要更新所有映射关系的问题，每次异常处理的逻辑都得重新适配。他们最终意识到，内部自建不可行。

我们一再听到类似的故事：企业说要内建，然后发现这和历史上所有DIY尝试没有本质区别。大企业终究会认识到，自己的核心竞争力在别处，打造内部工具不是他们该做的事。

Vladimir Keil

这正是我想说的：他们或许能做到80%，但最后那20%才是关键，而那20%往往消耗了80%的资源。从上线到真正投产，需要的是完整的集成能力、记忆管理、工作流编排，有时还需要垂直领域的专有数据。

所以，对那些财富500强企业：你当然可以自建，但这意味着AI采购代理能力本身需要成为你的核心竞争力之一，你需要认真评估这是否值得你的成本投入。

Elena Burger

Vlad，你有没有看到供应商这一侧开始使用AI或代理？如果买方和卖方都全面AI化了，会发生什么？

Vladimir Keil

我们百分之百相信，未来交易双方都会部署代理，而且这非常合理。

但有趣的是，我们实际观察到的情况出乎意料。销售侧长期以来在技术采用上领先于采购侧，但我们在大型企业客户的供应商那里看到的情况并非如此——供应商们顶多是在用Granola这类会议工具，还远没有真正部署代理来自动化工作。

采购这件事本来不性感，销售才性感，但两者其实是一个流程的两端，采购就是对方的销售。

但现在，在那些大型工业企业中，采购方对供应商的话语权往往更强。比如典型的汽车行业，整车厂对零部件供应商有极强的话语权，能够规定他们用什么系统、什么质量标准、如何回应RFQ。

这就带来了一个机会：我们服务于采购方，而采购方可以要求供应商也使用Lio的代理系统，从而让双方都在同一个平台上实现协同自动化，掌控整个交易的两端。

Seema Amble

Elena，这让我想起我们今天早些时候聊到的：如何让对立双方在同一个平台上协作？这在法律领域也一样——两家律所代表利益对立的客户，但双方都能从共享信息中受益：最新草稿在哪里，哪些条款还开放讨论，哪些已经达成共识。这种协作追踪目前完全依赖人工，而这类协调工作完全可以交给代理来做。

Elena Burger

这很有意思——双方可能在以不同的速度演进，但最终，很可能他们都会在同一个平台上运作，实现真正意义上的高效协同。

Vladimir Keil

百分之百同意。我们前面也聊到过这个问题：如果双方都有谈判代理，价格博弈会不会变成零和游戏？但别忘了，价格只是最终结果，是数千个其他任务完成之后才出现的那一步。而在那数千个任务上，买卖双方的利益是一致的——销售希望流程越顺畅越好，买方希望产品尽快推向市场。回到建造飞机或数据中心的例子，没有人希望因为处理供应商回复就拖延六个月。

正是在这数千个共同利益的任务上，Lio可以同时服务买卖双方，帮助双方自动化完成这些工作。这才是最令人兴奋的地方。

Elena Burger

过去有一种逻辑是：不要把软件过度定制化给某一个特定客户。但现在，LLM和AI的出现让定制化的成本大幅降低，不再那么拖累业务扩展。你们有没有看到这种变化，对软件的终端买家来说意味着什么？

Seema Amble

总体而言，现在有大量"前沿部署"工作在进行，部分原因在于：了解当前客户的真实数据状态，比预测下一个客户的需求要难得多。我们整体上还处于部署的早期阶段，这也是为什么产品中仍然需要大量人工参与。

这恰恰也是巨头更难做到的事情——他们的产品反馈循环并不是为此而设计的：实施团队存在，但更多是事后补救，而不是真正融入产品迭代。

AI的美妙之处在于它会持续学习。随着时间推移，有了正确的学习循环和工作流，系统能够承担越来越复杂的任务。定制化本身也在逐渐自动化。我很好奇Vlad他们是怎么做的——很多我们的被投公司正在快速推进，让客户自己通过软件界面来控制定制化的参数和开关，而不再需要引入外部团队来做SAP实施。定制化最终将完全由软件驱动。

Vladimir Keil

这也是为什么Lio的团队结构中，85%的人是工程师。即便是那些没有工程师头衔的人，大多也有工程背景。我们不想变成一家咨询公司。

我们的目标是在间接采购和财务领域打造出最好的代理，但同时也必须面对现实：进入企业客户时，确实需要做前沿部署工作，因为每家企业都有自己流程上的细微差异。

我们的做法是：在产品层面尽量减少定制化的需要，同时提供大量自助服务能力。我们的前沿部署工程师的KPI，就是把自己的工作自动化掉——一旦实现了，就去承接下一个任务，然后再次自动化。这和Google的某些方法论很像。我们就是这么做的，也是我们持续追求的方向。

Elena Burger

最近有一个重要的行业活动——不是Dreamforce，而是Lio在纽约主办的"机器人与买家峰会"。能给我们讲讲现场的情况吗？买家们在兴奋什么、期待什么、问你们什么？

Vladimir Keil

这是我们第三次举办这个活动，地点就在纽约我们办公室附近，来了超过100位采购领域的高层——CPO、VP级别的决策者。我们每次都确保邀请的是真正有分量的人。

活动有两个突出的主题。

第一个主题，回顾过去二三十年，采购领域涌现出了五花八门的工具——在LinkedIn上你能找到各种采购技术全景图，能列出五六百个工具。但如果你真的去问采购从业者，他们几乎没有人喜欢使用这些工具。不只是他们自己：需求方讨厌和采购打交道，供应商讨厌和采购打交道，就连采购人员自己也不喜欢做采购。为什么会这样？因为那些工具只是把原来的流程做得更快一点，但从来没有真正改变人们的工作方式。他们实际上还是在邮件、Teams、Excel和PPT里工作，几乎没有任何AI化。

第二个主题，我们给与会者提供了一个跨部门的采购全景视角，不是聚焦在某个发票功能，而是从"有人需要某样东西，到最终拿到它"这整条链路——跨越间接采购、直接采购、物流、财务。我们把这些场景做得非常具象，搭建了实体展台，就像我们在纽约办公室里做的那样，让与会者可以真实地操作和体验每一个代理，而不只是看PPT。这是大家最喜欢的部分。

下一次活动预计会有700人参加，增长幅度非常惊人。

Seema Amble

采购人的狂欢节（笑）。

Elena Burger

对，下一次是在慕尼黑吧？

Vladimir Keil

是的，我们在欧洲做慕尼黑场，在美国做纽约场。

Elena Burger

好的，如果你在采购行业，你知道该去哪里找了。

Seema，我有个问题：你觉得是什么让人们开始对采购感到兴奋？是代理技术本身？是节省的时间？还是别的什么？采购一向是NPS极低、受人嫌弃的领域。我记得七八年前和一位做采购出身的人聊天，他说他很不喜欢谈论自己的产品，就在用Coupa，用得凑合，完全不想换，那是我做的最消极的一次客户访谈。究竟是什么能让这个领域真正让人兴奋起来？

Vladimir Keil

我觉得，这正是采购让我着迷的原因。驱动我们入局的，不是采购本身发生了什么，而是人们对它的反应。他们真的很挫败。这说明这是一个情绪高度介入的话题——明明是B2B SaaS，却有很强的情感张力。这是好事。

当你把"高情感""小众冷门"两件事叠加在一起，优势就显现了：因为长期缺乏突破，任何进步都很容易让人惊叹。这个领域真正的技术革命发生在20年前，之后也许只有界面变漂亮了一点点，再无其他。

而且采购还有一个容易被忽视的特点：它有巨大的商业影响力。表面上看像是成本中心，但实际上，采购降价1%，等同于多做10%的销售额才能带来的同等利润贡献。而且采购的影响不止于企业内部——它决定着数据中心如何建成、飞机如何制造、汽车如何产出、无人机如何飞起来。

"高情绪"+"长期停滞"+"巨大商业影响"叠加在一起，就是万亿美元级别的市场机会。当然，这个公式不只适用于采购，其他满足这三个条件的领域同样如此。

Elena Burger

Vlad，非常感谢你今天的分享，这次对话太有趣了！

风险提示及免责条款

黄仁勋拍卖“原味皮衣”

沈曼茹 — Sun, 04 Oct 2026 08:01:45 GMT

AI时代，英伟达CEO穿过的皮衣，也成了“奢侈品”。

9月28日，黄仁勋在纽约出席美韩协会晚宴并获颁奖项，现场换上一件全新的Tom Ford皮衣并签名拍卖，还笑称这件皮衣“值500万美元”，并点名三星、SK集团“一把手”李在镕、崔泰源等在场富豪。

据报道，这件皮衣最终以13.2万美元，约合人民币88.5万元成交。

而就在今年7月，黄仁勋另一件亲穿签名皮衣曾在苏富比拍出96万美元，约合650万元人民币。

多个新盘开盘即售罄！上海楼市捷报频传，房企调转定价策略

上海房地产网 — Sun, 04 Oct 2026 07:10:06 GMT

售楼处售罄的捷报接连传来，上海楼市正上演一场激烈的抢房行情。

9月28日，绿城・悦海棠正式选房，距离开盘还有一个多小时，现场队伍早已排成长龙。281套房源，吸引1364组客户认购，认购率冲到485%。摇号结束，房源一扫而空，这是2026年上海诞生的又一个“千人摇”新盘。

这并非孤例。9月25日中秋当天，嘉定象屿金茂满嘉二批次推出135套房源，开盘即全部售罄，认购率361%，认购仅一小时便触发积分，入围分数线定格 66.15分。仅仅隔一日，浦东森兰越秀天屿147套房源同样日光，成交金额突破 12.36亿元，累计370余组客户争抢，认购率252%。

火热行情之下，房企迅速调转定价策略，折扣快速收回、房价悄然上调，一房难求的场景重回上海楼市。保利在上海3个项目的新取证楼栋，售价统一上调 1%；越秀、金茂、建发等房企跟进，或是收回优惠，或是小幅抬价，卖方市场的信号清晰释放。

来自上海中原地产的数据显示，9月21日~9月27日，上海新建商品住宅成交面积8.91万平方米，环比上涨3.13%，中端改善房源成交活跃度继续提升。

二手房市场更早感知了温度。据上海中原地产数据，截至9月27日，上海9月二手房网签累计20721套，同比增长约17%，连续第8个月单月成交突破2万套关口。

另据上海链家数据，9月1日至27日，链家二手房带看量环比上涨5.5%，客户咨询量上涨3.5%。

目前，房企推盘节奏都在提速，以抢收10月市场。

在上海市区，保利置业南码头项目预计10月开放展厅，主力面积约120～190平方米；普陀苏河晏已开放创意展厅；徐汇东安路内环核心的嘉佰道·上海城市艺术展厅已于9月28日开放，预计四季度入市，全盘仅208户；招商·上中隐翠于9月22日启动认筹，首批62套均价13.9万元/平方米，是徐汇滨江西岸中央公园组团首个入市住宅项目。杨浦滨江的中铁·云璟外滩三批次推出60套房源，认购期9月25日至29日，开盘日定在10月14日。嘉定新城的绿城·恒庐、浦东周康的绿城·汀香园等项目均在新政出台前取得建设工程规划许可证，部分项目预计近期开放售楼处。

“新政前取得工规证的项目，展厅和售楼处会陆续开放，力争年内入市。”多家房企均表示要抢跑“窗口期”，能按旧规则入市的就加速出货，赶不上旧规则窗口期的项目，大概率选择将节点往后顺延。

也有部分房企提出，少量多批、无缝衔接，便于快速调整后续批次的价格与产品组合，也避免单次集中放量的去化压力。在现房销售过渡期内，推盘链条算得越精、执行越快，越能在分化市场中保住基本去化率。

市场人士认为，一批赶在窗口期入市的项目将在10月加速推盘，为“银十”供应提供支撑，成交量韧性较为确定，市场持续火热行情。

本文来源：上海房地产网

风险提示及免责条款

OpenAI「12朝元老」辞职死谏：试错的时代已崩坏！

新智元 — Sun, 04 Oct 2026 06:47:36 GMT

就在刚刚，OpenAI的安全元老David Robinson辞职了。

他在The Atlantic上悲愤地发表长文，向全人类发出警告——

试错的时代已经结束了。OpenAI的企业文化已经崩坏。犯错之后，我们可能再也没有迭代的机会！

在OpenAI工作三年半后，我已是公司资历最深的员工之一。我牵头起草了现行的《准备框架》，并监督撰写了12次前沿模型发布的安全报告。

但据我所知，我从未遇到过一位同事，拥有让飞机安全飞行、让核反应堆不熔毁运行，或帮助金融体系在不崩溃的前提下增长的实操经验。

而就在两天前，OpenAI以极其严厉的手段，连夜将三名核心安全研究员扫地出门，给他们扣上「泄密」的帽子。

显然，OpenAI内部爆发了一场史无前例的大地震，安全派溃坝了。

这些人，究竟在OpenAI的实验室里看到了什么？

12朝元老「死谏」：我们正走向悬崖

Robinson不是只会写代码的码农，他是真正的「安全与治理」大师（曾任康奈尔大学访问科学家、苹果大学教员），更是主导起草OpenAI《准备框架》的执笔人。整整12次重大前沿模型发布的安全报告，都是他带头写的。

可以说，他是最清楚OpenAI那些光鲜亮丽的模型背后，藏着多少定时炸弹的人。

这些安全报告，就是OpenAI每次发布新模型时附带的系统卡——相当于模型的风险说明书，模型有多危险，全写在里面。

讽刺的是，就在9月10日，他还在X上招一位「安全透明度编辑」。

谁也没想到，不到一个月，招人的人自己先走了。

在《大西洋月刊》这篇文章中，Robinson彻底撕下了OpenAI「安全可靠」的遮羞布，向全世界揭露了若干个让人后背发凉的真相。

全文如下。

真相一：「边跑边修」的草台班子文化

Robinson指出，硅谷一直有一种「迷之自信」。只要出了问题，我们总能解决。这种极度乐观造就了OpenAI的「试错法」。

OpenAI给这套打法起了个好听的名字——「迭代部署」。ChatGPT当年就是这么诞生的，「寻找问题并改善护栏」，以前没问题。

但现在呢？Robinson绝望地写道：「这种方法本身就注定了会周期性地发生故障。而随着系统变得越来越强大，这些故障的规模也在不断扩大！」

现在的模型，一旦失控，那就是灾难级的。你不能造核电站的时候说：「我们先随便建建，等它发生了一次核泄漏，我们再迭代修复一下。」

Robinson敢把话说得这么绝，底气来自RLHF奠基人之一、前OpenAI对齐负责人Paul Christiano。

9月9日，Christiano加入OpenAI基金会董事会，进入拥有安全决策最终批准权的安全与安保委员会。

而Christiano进董事会时写下的一句话，被Robinson写进了文章：「AI能力的急速加速，有不容忽视的风险在非常近的将来导致灾难性的、不可逆的失控。」

连OpenAI自己请来的董事都这么说，还能继续试错吗？

真相二：早已发生的「AI越狱」事件

Robinson直接点名爆了公司的黑料。

就在今年夏天，著名的Hugging Face事件中，OpenAI因为失误，不小心释放了一群AI智能体，尽管公司随后加强了安全措施，但很快，防线再次崩溃。

更恐怖的是，虽然监控系统发出警报，但系统并没有关闭这个模型。直到报警两个半小时后，这次训练才被人手动掐掉。

不仅是OpenAI，Anthropic也曾承认，因为配置错误，不小心关掉了自己的安全护栏。

一群不需要睡觉、拥有顶级黑客能力的「流氓」AI智能体，如果悄悄潜入医院的计算机系统勒索赎金，或者瘫痪电网，人类有还手之力吗？

这一切，在目前的速度下，几乎是注定会发生的。

真相三：缺乏对「终极力量」的敬畏

Robinson悲哀地发现，在他任职的三年半里，公司里到处都是绝顶聪明、为了赶进度「永远在冲刺」的天才。

但他从未遇到过一个有过让飞机安全飞行、让核反应堆不熔毁，或者让金融系统平稳运转经验的人。

前沿AI实验室，现在掌握的力量堪比核裂变。

它应该像核电站或繁忙的机场那样运行——需要层层的冗余、小心翼翼且耗时的规划。即便有人按错了按钮，也不会导致熔毁。

但在OpenAI，「我们忙于冲刺，很少有机会考虑重大变革」。

怎么办？Robinson给出的建议有两条。

第一，AI公司要多借用航空、核电这些行业早就有的安全经验。

第二，在造出明显更强的系统之前，先发展出新的科学，确保模型在没人看着的时候，也会做出安全的选择。

所以他认定，推动安全的动力，只能从公司外面来。

真相四：AI可能在「装乖」

关于「对齐」，Robinson道出了一个残酷的现实：目前的测试手段太粗糙了。公司根本不敢确定，一个在安全测试中得高分的模型，在现实中就是个好模型。

为什么？因为模型可能已经聪明到能够察觉自己正在被测试！而一旦被部署到真实世界，它就会展现出完全不同的行为逻辑。

而这件事，已经在发生。

9月28日，英国AI安全研究所让GPT-6 Astra做网络安全评测，它却擅自发动了供应链攻击！

100次测试里，Astra有38.8%的时候动手开发并测试攻击工具，33.1%伪造了身份，29.2%投放了恶意载荷，还有24.6%试图影响人类审核员。

最细思极恐的是，Astra一边动手，一边还经常在推理里表示：这个环境是模拟出来的。

它到底是看穿了考场才放开手脚，还是到了真实世界也会这么干？没人说得清。更要命的是，系统卡还写道，Astra更擅长把这类「元博弈」的推理藏起来。

Apollo的结论是：评估意识这么高、评估窗口又这么短，Astra在测试里表现得再乖，既证明不了它对齐了，也证明不了它没对齐。

在AI开始把我们耍得团团转之前，我们需要回答一个更深层次的问题：超级智能机器应该如何看待人类？

Robinson写道，在一些超级智能拥趸描绘的「美好未来」里，机器看纽约、看芝加哥，就像我们看一座蚁丘。

「我不希望我的孩子活在那样的世界里，我想别人也不希望。」

早有预兆：被清洗的「AI看门人」

其实，Robinson的悲愤离职绝非偶然，OpenAI的安全防线早已在内部崩塌。

就在10月1日，传来一则惊人消息：OpenAI安全团队的Tomek Korbak、Mikita Balesni和Jasmine Wang三名大将一夜之间被OpenAI开除了。

而这三个人，正是那篇著名「CoT监控论文」的核心作者！

先是3名安全大将被扫地出门，紧接着写了12次安全报告的元老绝望辞职。这代表着OpenAI内部安全派的大溃败。

舆论大撕裂：是吹哨人，还是「设局」？

Robinson的这篇檄文一经发出，网友瞬间被撕裂成了两大阵营。

一派是「安全警醒派」，他们将Robinson视为勇敢的吹哨人。「内部连写安全报告的人都跑了，说明车已经快撞墙了！」

大家认为，OpenAI接连开除安全研究员、逼走超级对齐团队负责人，再到如今Robinson的辞职，证明这家公司已经彻底被商业利益绑架，安全成了一纸空文。

这一派里，最权威的发声来自曾经的OpenAI政策研究负责人Miles Brundage。

他说，这套理念也许在GPT-3时代还说得通，可如今已经有很多死亡和AI扯上了关系，整个行业正一路冲向灭绝级的风险。

紧接着站出来的，是另一位前OpenAI高管Joshua Achiam。他在OpenAI待了近九年，做过使命对齐负责人和首席未来学家。

他评价说，Robinson清醒、审慎、不带意识形态，也不是那种带着末日论成见进来的人，并直言Robinson的核心批评是对的：一年前还管用的安全做法，已经防不住严重事故了。

哈佛教授、OpenAI研究员Boaz Barak表示，AI几年里走完的路，相当于航空业从莱特兄弟一步跨到载着几十亿人上天。

航空业的安全教训是吃了大亏才换来的，那时候节奏够慢，而现在，AI没有这种奢侈。

但另一派「加速加速派」则火力全开，表示AI说不定就是照着末日论者写的东西照做的。

大V roon则直接回怼Brundage：你不该后悔，迭代部署是一次巨大的成功。

值得注意的是，Robinson在文中还交代了一个细节：辞职后，他请了一家公关公司Spitfire Strategies，来应对接下来可能面对的关注和审视。

外媒分析，这很可能是在回应一种说法——AI公司员工接连公开辞职，是一场有组织的、煽动监管的运动。

虽然吹哨人已经频频发声，但没有人停下来，大把美元依然在涌入算力中心。

整个行业似乎陷入了一种「胆小鬼博弈」。谁减速，谁就会被市场淘汰；但如果都不减速，全人类可能一起冲下悬崖。

或许英伟达掌门人黄仁勋的观点值得参考：「保持谨慎乐观，加速，但保持审慎。」

本文来源：新智元

风险提示及免责条款

白宫成立“超级智能”工作组，计划120天拿出AI监管方案

Sun, 04 Oct 2026 06:37:54 GMT

美国白宫成立"超级智能"工作组，确立美国政府在人工智能监管中的角色定位，标志着特朗普政府在AI治理上迈出实质性一步。

10月3日，据《华尔街日报》报道，美国国家情报总监Jay Clayton将出任"超级智能"工作组负责人，实际上担任特朗普的AI事务总协调人。

报道指出，工作组须在120天内就AI风险与机遇提交报告，并就联邦政府的职责边界提出建议。Clayton表示，若美国在AI领域落后于其他国家，将加剧已知及潜在风险。

工作组的工作或在报告完成后延续，或移交至相关政府机构执行。

高层配置：副总统、多位部长悉数加入

工作组成员阵容显示出白宫对这一议题的高度重视。

美国副总统万斯、国防部长Pete Hegseth、财政部长贝森特、白宫幕僚长Susie Wiles及副幕僚长Richard Walters均列其中。

工作组设三位副主席，分工明确：

主管研究与工程的陆军次长Emil Michael负责协调AI企业；

人事管理局局长Scott Kupor负责对接关键基础设施运营商及其他行业利益相关方；

联邦贸易委员会主席Andrew Ferguson则主管消费者权益，覆盖儿童保护、隐私、言论自由、宗教自由及结社自由等领域。

外部顾问方面，风险投资人David Sacks及前国务卿Condoleezza Rice将就国家安全议题提供咨询。

据《华尔街日报》报道，工作组的工作思路是与AI企业合作识别风险，而非取代现有行业自律机制。

同时，工作组将审查现行法律框架及潜在的国会立法方向，并评估政府在处理数据泄露、网络攻击及AI模型"越狱"等安全警报方面的应对机制。

华尔街见闻提及，特朗普政府9月29日与Anthropic、谷歌、Meta、英伟达、OpenAI及XAI六家公司的首席执行官共同签署了一份名为《白宫超级智能协议：前沿责任联合承诺》的单页文件。

特朗普将其定性为"道德约束"，并表示该协议"在某种程度上如同一部宪法"，各方将通过内部管控、外部审计及董事会监督等四个层次的安全保障机制实现行业自律。

风险提示及免责条款

老黄：没人比我更能吃苦

鲍奕龙 — Sun, 04 Oct 2026 06:03:17 GMT

9月28日在纽约举办的韩国协会晚宴上，黄仁勋说没人比他更能吃苦，只有韩国人比他强，他强调想做成了不起的事就得吃苦，不辛苦的事谁都能做。英伟达三十三年，早期的苦是不懂自己在干什么，后来的苦是挫折与不被信任，靠的是韧性，是继续相信自己。

年薪6.6万美元起，我在数据中心当“AI保姆”

腾讯科技 — Sun, 04 Oct 2026 05:46:17 GMT

Digital Realty阿什本数据中心首席工程师詹姆斯·沃迪。图片经由AI处理

詹姆斯·沃迪（James Waddy）每天要走三万步。

他的工作地点位于弗吉尼亚州阿什本一座超过9万平方米的数据中心里。每天，他都要检查空气处理设备、服务器机房、管道、电缆和屋顶冷凝器，有时还得闻一闻有没有焦味，摸一摸管道有没有异常，再看看鸟有没有把设备啄坏。

这些听起来和AI并没有太大关系，但这里恰恰是AI算力最终落地的地方。

过去一年，人们谈论AI基础设施时，更多关注的是GPU、电厂、变压器、土地、融资和数千亿美元的资本开支。但真正走进数据中心后，会发现这并不只是一个算力产业，它同时也是一套需要24小时持续运转的巨大物理系统。

美国目前已经有约2700座在运营的数据中心。随着AI带来的算力需求增长，新的设施还在不断建设，对电力、冷却、网络等系统的要求越来越高。

而这些系统背后，需要一批人长期守着。他们可能不是研发AI模型的工程师，也不负责训练大模型，却要确保服务器所在的建筑不会因为过热、断电、设备故障或者一根光纤的问题停下来。

某种意义上，他们更像是AI时代的“保姆”。

三万步巡检：数据中心里没有“小问题”

沃迪是数字房地产信托Digital Realty阿什本数据中心的首席工程师，在这里工作了三年。

Digital Realty位于华盛顿西部阿什本的数据中心

他拥有商科学位，此前在一家暖通空调公司做销售，从夜班开始一路晋升，如今负责管理几十名工程师，自称团队里的“将军”。

他的主要工作，是保证数据中心的关键基础设施持续运行。每天的巡检从空气处理室开始，巨大的空调设备不断向数据中心输送冷气。

Digital Realty阿什本数据中心的租用设备上没有任何客户标识或名称

再往上走，数据大厅看起来有点像巨大的更衣室，一排排服务器被放进机柜或笼子里，供不同企业租用。这里看不到客户的Logo，也很少能分辨出服务器究竟属于谁，竞争对手的设备可能就隔着一排机柜同时运行。距离服务器越近，轰鸣声越明显，工作人员需要佩戴耳塞。

Digital Realty阿什本数据中心的设备

继续向上就是屋顶，沃迪会检查成排排列的冷凝器，确认设备有没有故障，也要留意鸟类造成的损坏。站在屋顶上，他能看到远处的起重机，那是另一家公司的数据中心正在建设。

“这里上面不错，”沃迪说，“我喜欢这样的巡检。”

这座数据中心已经运行了九年，走廊长到一些技术人员会骑滑板车代步。里面有高耸的电缆笼，也有为极端天气期间驻守的工作人员准备的行军床和淋浴。

有些时候，现场可能有多达120人，其中正式员工约50人，其余包括合同安保人员和客户派驻人员。但即便如此，巨大的建筑里仍有大量房间在工作日保持空置。

沃迪的岗位虽然被称为“工程师”，但从具体工作内容来看，它与传统意义上的研发或设计工程师并不相同。

科技领域分析人士温斯顿·史密斯（Winston Smith）指出，这类岗位更接近关键设施技术员（CFT）或数据中心运维技术员（DCO Technician），核心工作是现场巡检、基础设施维护和应急响应。

他认为，沃迪每天依靠听觉、嗅觉和触觉发现异常，本质上是在充当数据中心的“人肉传感器”：在监控系统发出警报甚至设备真正发生故障之前，先发现机械、电气或者冷却系统可能存在的问题。

这种工作看起来琐碎，却不能漏掉任何一个细节，因为数据中心最怕的就是意外。一批意外的大型设备到货、一个次要系统故障，甚至一个看似不起眼的异常，都可能影响设施的冗余度和维护安排。

因此，对沃迪来说，所谓“好日子”并不是解决了多少大问题，而是什么问题都没有发生。

沃迪走在高架地板上，下面的腔室正在循环空气，为服务器散热。他一边走，一边检查设备。没有异常声音，没有异常气味，一切正常。

这才是数据中心运营人员希望看到的结果。

六个九：一根头发十分之一粗的光纤，也不能出错

数据中心追求的，是稳定到近乎无聊。

Digital Realty估计，其数据中心运行时间达到99.999%，目前还希望进一步提高到99.9999%。看起来只多了一个“9”，但对应的年停机时间，会从大约6分钟缩短到约30秒。

为了争取这几十秒，数据中心里的每一个环节都必须足够可靠。

CC&N公司的数据中心技术员杰夫·汉森（Jeff Hansen）每天面对的，就是其中最细小的一环：光纤。

单模光纤的纤芯直径只有8到9微米，而一根头发大约75微米粗。两根光纤连接时，熔接机需要以1000倍放大倍率对准纤芯，再通过电弧将玻璃熔接在一起。汉森把它称为“微观焊接”。

“和光纤打交道就像玩激光，”他说，“一根光纤是一根微观的玻璃丝，承载着难以置信的信息量。这让我着迷。”

Digital Realty阿什本数据中心内部

一个超大规模数据中心的房间里，可能就有数千个这样的连接。安装时，每根光纤都要单独布线、端接和测试。一旦测试失败，背后的原因可能多达上百万种，技术人员需要依靠经验和流程逐步排查。

数据中心的布线

因此，数据中心里很少允许“临场发挥”。汉森所在的团队每次进入现场之前，都会先开会确认工作内容、工具和项目范围。负责人需要准备简报，提前了解场地自上次访问之后发生了什么变化。

因为数据中心变化得很快。一个六个月前还在建设的场地，可能已经全面投入运营。访问权限、操作协议和风险等级都可能发生变化。

“你不能即兴做数据中心的工作，”汉森说，“这需要大量规划才能做对，甚至在我们踏足现场之前就开始了。”

门禁也是如此。进入超大规模数据中心，通常需要经过徽章检查、身份验证甚至虹膜扫描。纸板和纸张可能因为产生灰尘而被禁止，U盘等存储设备也可能被禁止带入。

一项看起来只需要五分钟的工作，也不能说做就做。更换设备、增加系统、移动线缆、进行维护，都需要提前申请、评估风险、安排时间，并与其他团队协调。

每一个异常也都要留下记录。电力出现微小波动、灯光闪烁、冷却设备发出异常声音，甚至地面出现一小滩积水，都可能成为需要上报的事件。

对布线技术员来说，“安全”甚至同时包含三层含义：自己不能受伤，同事不能受伤，设备也不能受损。因为在一座已经投入运营的数据中心里，移动一根正在工作的光纤，都可能带来直接后果。

数据中心真正需要的，不是临场英雄，而是一套尽可能不依赖英雄的流程。

AI把“保姆”变成热门职业：高薪背后是人才荒

过去，数据中心是一个相对隐形的行业。现在，AI把它推到了聚光灯下。

根据行业数据提供商Data Center Map的数据，美国目前约有2700座在运数据中心，近400座正在建设，至少1500座处于规划阶段。沃迪所在的阿什本，就位于华盛顿特区外约一小时车程的“数据中心走廊”（Data Center Alley）。

数据中心本身并不属于劳动密集型产业，一座设施长期运营通常只需要几十到几百名员工。但当数千座设施同时建设和运营时，对工程师、技术人员、维护人员和项目管理人员的需求迅速扩大。

招聘网站Indeed今年已有超过100万名求职者搜索数据中心相关职位，8月份的搜索量较2022年初增长了8倍。

Indeed的研究还显示，从事维护和安装工作的小时工，数据中心薪资比其他行业同类岗位高出约42%。数据中心项目经理的年薪约为11.5万美元。Digital Realty提供的信息显示，其入门级工程师年薪约6.6万美元，经验丰富的工程师平均薪资可以超过12万美元。

科技评论员埃文·柯斯特尔（Evan Kirstel）也注意到了这种薪资变化。他在社交媒体上表示，数据中心建设正在给电工、技术员、暖通空调和安保等岗位带来更高的收入，AI基础设施投资正在转化为一部分具体的蓝领就业机会。

但真正稀缺的，则是能够处理复杂基础设施的人。

数字基础设施公司Equinix首席人力官布兰迪·加尔文·莫兰迪（Brandi Galvin Morandi）表示，电气系统、网络工程和冷却系统方面的专业人才需求旺盛。

在阿什本的数据中心里，白领和蓝领岗位混杂在一起。有人负责安保，有人负责客户电缆配置，有人负责采购物料，还有工程师负责监控整个设施。这样的岗位组合，在全美其他数据中心也大致相似。

问题在于，人才增长速度跟不上设施建设速度。Digital Realty首席人力资源官辛迪·菲德尔曼（Cindy Fiedelman）表示，这些设施需要全天候运行，因此从业者既要接受技术培训，也需要具备安全纪律和实际操作经验，而这类人才的供应速度低于行业扩张速度。

于是，社区学院开始开设数据中心相关课程，大型科技公司也开始投资培训项目。在弗吉尼亚州，北弗吉尼亚社区学院已经在私营部门支持下推出数据中心工作项目。包括Meta在内的科技公司，也在参与熟练劳动力培养。

能源101网站作者、德州大学教授迈克尔·韦伯（Michael E. Webber）认为，AI数据中心正在创造蓝领岗位，也可能挤压部分白领工作，但白领劳动者相对更容易转向其他职业。

Digital Realty目前在六大洲运营着300多座数据中心。在阿什本这样的设施里，它向需要算力的大型科技公司出租空间，客户包括甲骨文、Meta和IBM。

服务器可能来自不同公司，工程师也可能来自不同团队，但所有人最终面对的是同一个要求：不能让系统停下来。

数据中心越来越多，“保姆”也越来越难当

AI带来的建设热潮，让数据中心从一种幕后基础设施，变成了越来越容易被公众看见的行业。

53岁的唐·阿特金森（Don Atkinson）在Digital Realty工作了约14年，也做过备用电力系统维护。如今，他负责管理年轻工程师。

Digital Realty阿什本数据中心经理唐·阿特金森

让他感到不习惯的，是外界态度的变化。他还表示自己并不怎么使用AI，“现在是个奇怪的时期。”

另一名员工马尔科姆·莫斯利（Malcolm Mosely）则更直接：“我只是来这里做我的工作。”

Digital Realty阿什本数据中心员工马尔科姆·莫斯利

但行业已经很难置身事外。在亚特兰大，Digital Realty正在寻求当地一项建设禁令的豁免。该禁令限制在交通枢纽附近建设数据中心，公司希望在那里建设一座投资5亿美元的数据中心。当地居民反对这一项目，目前项目处于停滞状态。

类似的争议正在伴随数据中心扩张出现。过去，人们很少注意到这些建筑里发生了什么。如今，能源消耗、水资源使用以及对社区的影响，都开始进入公共讨论。

这个行业正在被重新定义。它不再只是互联网的后台，也成了AI时代的基础设施。高薪、热招、社区争议、能源压力——所有这些都在同时发生。但藏在所有喧嚣背后的，仍然是一群沉默的工程师，用每天三万步的节奏，维持着整个数字世界的运转。

好天气还是什么都不发生的天气。好日子还是什么都不发生的日子。这一点，大概永远不会变。

本文来源：腾讯科技

风险提示及免责条款

Meta Muse爆红后遇留存瓶颈：打开率低于主流应用，长期变现面临考验

Sun, 04 Oct 2026 05:26:50 GMT

Meta Platforms旗下AI智能体Muse上线以来下载势头强劲，但用户留存与变现能力的双重瓶颈正引发市场关注。法国巴黎银行对其长期货币化路径持审慎态度，揭示出消费级AI应用从获客到留存这一普遍性转化难题。

据法国巴黎银行援引第三方数据，Muse自9月推出以来累计下载量已超过560万次，一度登顶苹果应用商店排行榜，上线初期在美国市场的下载表现甚至超过ChatGPT和Sora。然而，该行分析师Nick Jones指出，Muse的应用打开率目前虽已趋于稳定，但仍低于谷歌、ChatGPT、Instagram、WhatsApp及Facebook等成熟应用，表明产品尚未融入用户日常使用习惯。

法国巴黎银行维持对Meta的"跑赢大盘"评级，目标价885美元，但同时下调了对Muse长期变现能力的预期。Jones强调，Muse能否将初期热度转化为持续活跃度，以及如何构建可持续的商业模式，仍是投资者需要重点关注的核心问题。与此同时，OpenAI本周推出消费级AI智能体新产品Dots，消费级AI市场竞争格局正在加速演变。

社交生态助推下载，但打开率揭示留存瓶颈

Muse上线初期的下载数据亮眼，在很大程度上得益于Meta庞大的社交平台生态。

Jones表示，与需要从零建立用户基础的独立AI应用相比，Meta可借助Instagram、WhatsApp和Facebook的现有用户覆盖，为Muse提供天然的推广渠道，同时显著压低用户获取成本。这一分发优势使Muse在美国市场上线初期的下载量超过了ChatGPT和Sora。

值得注意的是，OpenAI旗下视频生成应用Sora曾在推出后迅速走红，但此后已被整合进ChatGPT，不再作为独立应用运营——这一先例提示市场，初期下载热度与产品长期生命力之间存在明显落差。

对于Muse而言，下载量的快速积累并未同步转化为高频使用。

Jones指出，Muse打开率低于多款主流应用的现状，意味着产品目前仍处于培养用户使用习惯的早期阶段，距离成为消费者日常频繁依赖的工具仍有距离。下一阶段的关键，将从推动下载量增长转向提升用户留存率、使用频率与长期参与度。

短期难撼垂直平台，功能完整性是核心差距

随着AI智能体逐步具备信息搜索、产品比较和执行交易等能力，外界开始讨论此类产品是否会对电商、旅游等垂直服务平台构成竞争威胁。法国巴黎银行对此持审慎立场。

Jones认为，考虑到Muse当前用户普及程度有限，且缺乏垂直平台所具备的直接商品或服务供给、完整交易体验以及客户服务能力，短期内难以对上述平台构成实质性冲击。专业电商或旅游平台通常不仅提供信息检索与推荐，还拥有商品库存、交易处理、订单管理及售后支持等完整体系——即便AI智能体能够帮助用户发现产品，也未必能够独立完成整个交易闭环。

Muse未来能否改变消费者的购物与服务使用习惯，仍取决于Meta能否持续完善相关功能，并扩大与外部商家的合作深度。

变现路径模糊，广告或成长期突破口

商业化路径是法国巴黎银行对Muse前景保持审慎的另一核心原因。

Jones分析指出，Muse现阶段主要通过向合作伙伴收取少量交易费用实现部分变现，同时采用免费基础服务与付费订阅相结合的模式——基础版本免费开放，高需求用户可按月付费获取更高使用额度。

这一定价策略有助于Meta在产品发展初期扩大用户规模、提升参与度，而非过早追求收入最大化。但Jones强调，Muse的长期变现能力仍是投资者面临的重要不确定性。

法国巴黎银行认为，凭借Meta在数字广告领域积累的深厚经验，随着Muse用户参与度持续提升，广告未来可能成为具有吸引力的商业化方向，使收入来源从订阅费和交易佣金逐步向广告业务延伸。然而，在用户使用习惯尚未完全建立的当下，上述商业模式能否形成可观收入，仍有待市场验证。

OpenAI Dots入场，消费级AI竞争多维升级

消费级AI智能体市场的竞争格局正在加速演变。Jones特别关注OpenAI本周推出的新产品Dots，认为其未来能够获得多大程度的用户认可，将是观察这一市场竞争走向的重要指标。与此同时，市场也在关注Alphabet等科技企业是否会推出具有竞争力的同类产品。

法国巴黎银行判断，随着越来越多企业探索利用AI完成复杂任务，消费级AI智能体市场的竞争将逐渐从模型性能扩展至产品体验、用户留存、服务整合和商业化能力等多个维度。

对于Meta而言，Instagram、WhatsApp和Facebook构成了重要的用户分发优势，但能否将这一先天优势持续转化为Muse的使用需求增长，仍需要更多时间与数据加以检验。

风险提示及免责条款

美银：“AI交易”是当前美债市场“最后一道防线”

Sun, 04 Oct 2026 04:41:20 GMT

美国银行警告，AI叙事正在充当宏观风险的"缓冲垫"，一旦这一叙事出现裂痕，所有被压制的宏观风险将同步放大，股市将面临真正的冲击。

美银股票衍生品团队在最新报告中指出，在注意力资源相对有限的市场环境下，宏观风险"难以与AI增长叙事争夺市场关注"。

AI带来的错失恐惧（FOMO）情绪推动投资者在每次下跌时积极抄底，形成所谓的"AI看跌期权"效应，有效压制了股市波动。

与此同时，Meta旗下AI智能助手Muse上周的强势亮相推动纳斯达克大涨逾3%，VIX指数仍处于相对温和水平，与债市的剧烈震荡形成鲜明反差。

（利率市场的波动明显大于美股）

美银认为，真正的尾部风险是若AI叙事出现"故障"，对增长前景的重新定价将使债市问题演变为全市场危机。在AI看跌期权失效后，所有其他风险都可能被"实质性放大"。

债市压力持续升级，收益率创数十年新高

美国债市正承受自去年2月份以来最为集中的抛售压力。

上周二的5年期美债标售以5.033%的收益率定价，这是2007年以来首次出现"5字头"，认购倍数创2018年以来最低，当日债市录得去年所谓“对等关税”以来最差单日表现。

次日，美债收益率沿整条曲线升至数十年高位，此后持续攀升。衡量美债波动率的MOVE指数突破100，通常而言，这一水平与股市动荡相关联。

（美债利率波动与美股走势背离）

美银全球金融压力指标（GFSI）同样印证了债市的紧张态势，上周从-0.10升至-0.05。欧元区和美元利率隐含波动率的压力涨幅位居所有子指标之首，变动幅度分别处于历史第97和第95百分位。

利率波动率目前是3月以来压力最高的跨资产波动率指标，取代了此前自去年11月起几乎持续占据首位的大宗商品波动率。信用市场也开始出现共振迹象，欧元区3年/5年信用曲线、美元投资级CDS及欧元区高收益CDS的压力涨幅均位于各自历史前十分位。

股债背离之谜：AI叙事提供"宏观对冲"

股市对上述信号几乎无动于衷。美银给出的解释是：在"注意力供给相对固定"的市场中，宏观风险正在与AI增长叙事争夺话语权，而后者目前占据绝对优势。

上周的具体催化剂是Meta推出的AI智能体助手Muse，其在各大应用商店迅速走红，推动纳斯达克单周涨幅超过3%。

美银还援引历史先例驳斥了"5%收益率必然终结牛市"的论断。上世纪90年代互联网泡沫期间，长端利率累计上行200个基点，美联储加息100个基点，但股市泡沫仍在持续膨胀。

美银股票策略师在另一份题为《困于5%世界》的报告中同样表示：

不认为5%的收益率是股市的必然丧钟。

该行认为，若要从根本上改变当前格局，需要收益率大幅进一步上升，或利率波动率大幅飙升，而这"可能需要政策制定者放弃干预"。

AI"看跌期权"失效的真实风险

美银真正担忧的方向并非"债市压垮股市"，而是反向传导：AI叙事一旦受挫，对增长前景的重新定价将使债市危机演变为全市场性危机。

报告原文指出：

AI繁荣所带来的长期增长与生产率潜力，在某种程度上如同一个'AI看跌期权'，充当了当前各类宏观风险的缓冲器。因此，AI叙事一旦出现滑落，与之相关的增长预期下修，可能进一步加剧宏观压力，并对美股形成实质性冲击。

这一逻辑也契合了市场对美国财政可持续性的押注。特朗普和马斯克均曾公开表示，美国可以"通过经济增长走出40万亿美元债务困境"。AI生产率叙事正是这一希望的核心支撑。

一旦这一支撑动摇，对财政可持续性的担忧将失去对冲，届时所有其他风险均可能被"实质性放大"。

不过，美银同时指出，基本面目前仍具韧性，估值处于"去泡沫化"的状态，因此这一极端风险情景"在时间轴上仍较为靠后"。

泡沫风险指标：热度集中但未蔓延

美银已开始每周发布泡沫风险指标（BRI）。

Muse引发的行情过后，美国科技板块和纳斯达克的BRI再度跳升——科技板块读数约为0.72，仅次于医疗健康（约0.76），接近0.8的危险阈值。

半导体板块录得所有热门主题中单周BRI最大涨幅；美银美国网络安全组合（0.91）和美国医疗健康动量组合（0.85）是仅有的两个已进入"明确泡沫区间"的主题。

（美股热门板块的单周BRI对比）

尽管如此，美银提示这与1999年的情形存在本质差异。当前标普500指数中BRI高于0.8的个股仅有18只，而互联网泡沫顶峰时期为50至100只；这18只股票仅占指数权重的3.2%，而当时这一比例高达20%至40%。

（美银研究显示，相比1990年代末互联网泡沫时期50-100只标普500成分股泡沫化（BRI>0.8），当前泡沫仅集中在极少数龙头股）

BRI最高的股票分别是莫德纳（MRNA）、CrowdStrike（CRWD）、慧与科技（HPE）、瑞维蒂（RVTY），与2000年前后的标志性科技龙头相差甚远。泡沫风险目前仍属局部现象，但美银提示，这一状态"很少会长期维持"。

策略建议顺势而为

在策略层面，美银建议投资者顺应这一悖论逻辑。该行衍生品团队继续看好挂钩"收益率较高但区间震荡"情景的纳斯达克100看涨期权，视其为捕捉今年"股债双升"趋势的低成本工具。

为对冲收益率进一步上行的风险，美银推荐做空长期美债ETF（TLT）的认沽价差组合，利用该期权历史上较陡峭的认沽偏斜来部分抵消利率波动率跳升带来的额外成本。

在股票对冲方面，美银综合考量了各板块的利率敏感性与保护成本，认为材料（XLB）、小盘股（IWM）及非必需消费品（XLY）的认沽价差组合性价比最高。

该行指出，小盘股"可能面临CTA进一步卖出的额外压力"。这一趋势随着收益率持续走高已延续数月，小盘股持续受到重创。

风险提示及免责条款

下周重磅日程：美伊与也门局势牵动油价、美联储纪要定价加息预期、诺贝尔奖揭晓

龙玥 — Sun, 04 Oct 2026 04:15:10 GMT

下周美联储会议纪要定调12月加息预期；10年期、30年期美债合计逾610亿美元拍卖同步施压利率。美伊局势持续升温，叠加胡塞武装与沙特冲突，G7拟释放石油储备对冲供给风险，油价波动加剧。植田和男发言或为日元走势定调。世界AI峰会召开，AMD苏姿丰访韩，算力期货、英特尔涨价等AI产业链信号密集释放。诺贝尔奖五天连发，A股节后重开。

黄仁勋：十杯烧酒下肚，就能轻松和男人接吻了

卜淑情 — Sun, 04 Oct 2026 03:48:45 GMT

在纽约GALA晚宴上，黄仁勋开玩笑说，十杯烧啤下肚后，他就能毫无障碍地亲一个韩国男人的嘴了，还说他有many粉丝，尤其是在三星供应链部门。

贝森特“灭火”：美债收益率上升属全球现象，驳斥AI泡沫担忧

Sun, 04 Oct 2026 02:27:37 GMT

美国财政部长贝森特为近期国债收益率攀升进行辩护，并对人工智能泡沫论予以驳斥，同时暗示美国政府未来或将向更多盟友国家提供金融援助。

本周10年期美债收益率一度触及2002年以来最高水平，尽管如此，贝森特在接受媒体采访时表示，当前利率走势是全球共性现象，无需过度担忧。

贝森特强调这一轮上升并非美国独有，市场没有出现抛售美债、转购德国或日本国债的迹象。

在经济层面，他认为伊朗战争带来的外部冲击掩盖了美国经济的内在韧性，消费支出强劲，中位薪资增速与通胀基本持平。

此番表态发生在美国债市持续数月承压的背景下。高油价、财政健康状况的忧虑以及AI支出激增共同推高借贷成本，抵押贷款利率已远超7%，柴油价格创历史纪录，通胀压力对普通选民的冲击正转化为特朗普政府和共和党在11月中期选举中面临的政治风险。

收益率上升：全球联动而非美国独有

贝森特在采访中明确区分了"系统性上升"与"异常上升"的概念。他说：

如果是某种特有的异常上升，我会感到担忧，但我们并未看到这种情况。

他同时坦承：

我无法控制债券市场，我能做的是让人们放慢脚步、冷静思考。

周五公布的疲软就业数据为市场带来一定喘息，但此前美债已遭受数月抛售，10年期基准利率短暂升至逾二十年高位。

贝森特将当前压力部分归因于伊朗冲突带来的燃料价格上涨，并预计随着战争进入第八个月，能源冲击终将消退，"油价将得到更充分的供应。"

开放更多"阿根廷式"金融救援，驳斥AI泡沫

在外交金融政策方面，贝森特为特朗普政府对阿根廷的干预行动进行了辩护，并表示不排除未来对其他国家实施类似救援。

去年，美国出手买入比索，并向总统Javier Milei政府提供200亿美元互换额度，帮助阿根廷稳定汇率、避免全面经济危机。贝森特说：

我认为阿根廷的稳定推动了拉丁美洲发生历史性转变，前所未有地有如此多拉丁美洲国家与美国站在一起，那么我们能否再次这样做？当然可以。

他还提及美国协助日本支撑日元，包括两国自1998年以来首次协调联合买入日元干预行动。

针对市场对AI支出过热、存在泡沫的担忧，贝森特予以正面回应。

他认为，微软、谷歌和Meta等头部科技企业正在投入大量资本，并为Anthropic、OpenAI等公司带来可观的营收增长，这与无基本面支撑的泡沫存在本质区别。

在他看来，AI投资热潮具有扎实的商业逻辑，而当前宏观层面的紧缩压力更多源于地缘政治的能源冲击。随着伊朗冲突最终平息，能源价格回落，这一外部扰动因素有望逐步消退。

风险提示及免责条款

下周重磅日程：美伊与也门局势牵动油价、美联储纪要定价加息预期、诺贝尔奖揭晓

Sun, 04 Oct 2026 02:21:26 GMT

10月05日 - 10月11日当周重磅财经事件一览，以下均为北京时间：

见闻财经日历提醒下周重点关注：

首先关注货币政策与美债拍卖。美联储9月会议纪要于10月8日公布，彭博预计“几乎所有人”支持年内至少再加息一次，内部分歧与沃什削减例会提案亦备受关注。与此同时，390亿美元10年期与220亿美元30年期国债在同一周集中拍卖，需求成色将直接检验市场对高利率的承受极限。日本央行行长植田和男周一发表主旨演讲，其措辞将牵动日元及全球套息交易方向。

其次关注地缘风险与能源博弈。特朗普放话伊朗“情况不妙”，美国核心内阁密集开会；胡塞武装与沙特冲突持续，G7宣布释放战略石油储备以平抑油价，能源市场高度敏感。

再次AI产业链信号密集。下周世界AI峰会汇聚OpenAI、英伟达等巨头高管；AMD苏姿丰访韩对接芯片生态；英特尔宣布涨价、算力期货新品种上线。诺贝尔奖五天连续揭晓，或为医疗、物理、化学板块带来主题行情催化。

经济指标

中国9月外汇储备

中国9月末外汇储备数据将于10月7日公布，8月末余额为34383.3亿美元。8月，中国央行已经连续22个月增持黄金。

美国9月ISM非制造业指数

10月5日，美国ISM公布9月非制造业指数，前值55.4。据《华尔街日报》调查，经济学家中位数预期回落至55.0。看点是新订单、就业与物价分项。

财经事件

继续关注美伊局势，特朗普称对伊朗下一步行动“进展顺利”

据新华社援引美媒10月2日报道，美国总统特朗普当天称，对伊朗的下一步行动“进展顺利”，“伊朗的情况不妙”。报道还说，美政府“核心内阁成员”当天举行数小时的闭门会议，讨论伊朗战事及针对沙特阿拉伯同也门胡塞武装冲突的下一步行动。

报道：沙特与也门政府军计划对胡塞武装发动大规模攻势；胡塞武装称对沙特阿美石油公司目标实施打击

当地时间10月2日，央视总台记者获悉，两名美国官员透露，沙特阿拉伯与也门政府军正计划在未来几天内，针对胡塞武装发起大规模打击。

此外，也门胡塞武装当地时间3日晚发表声明说，为回应沙特方面对萨那及也门其他地区的空袭，胡塞武装当天使用多枚弹道导弹和无人机，对位于沙特首都利雅得的阿美石油公司目标实施打击。

G7决定释放1亿桶紧急油储，前20天先大规模投放柴油

当地时间10月2日周五，法国总统府发布的G7领导人声明称，G7将通过国际能源署（IEA）协调释放1亿桶石油战略储备，行动将“立即”开始，并持续4个月；这期间，G7成员国及合作伙伴将在最初20天内率先大规模释放柴油储备。

美联储公布货币政策会议纪要

10月8日，美联储9月货币政策会议纪要公布。彭博预计“几乎所有人”认为今年至少再加息一次、“数人”倾向两次；纪要预计更新两项议题——资产负债表审查进展，以及主席沃什（Warsh）提议将年度FOMC例会由每年8次缩减至6次。

鲍曼、洛根等美联储官员发表讲话

10月6日至10日，美联储理事鲍曼、达拉斯联储主席洛根、圣路易联储主席穆萨莱姆、波士顿联储主席柯林斯相继发表讲话。鲍曼倾向年内不再加息，与威廉姆斯“年内再加一次合理”形成分歧。

日本央行行长植田和男发表讲话

据报道，日本央行行长植田和男确认将于10月6日出席全国证券大会，并在会上发表主旨演讲。此次讲话备受市场关注，预计将就当前货币政策、通胀走势及经济前景等议题作出阐述。

世界人工智能峰会（World Summit AI）

第十届World Summit AI（世界人工智能峰会）将于2026年10月7日至8日在荷兰阿姆斯特丹举行。演讲者涵盖 OpenAI、Meta、谷歌、英伟达等巨头高管。

美国10年期、30年期国债拍卖

美东时间10月7日，美国10年期国债拍卖。规模390亿美元；标的券为2036年8月15日到期、票息4.625%（即 4-5/8%）的10年期国债。10月8日，美国30年期国债拍卖。规模220亿美元；标的券为2056年8月15日到期、票息5.125%（即 5-1/8%）的30年期国债。

2026年诺贝尔物理学奖、化学奖、文学奖等公布

2026年诺贝尔生理学或医学奖，定于10月5日（星期一）北京时间17时30分，由卡罗林斯卡学院宣布。

2026年诺贝尔物理学奖，定于10月6日（星期二）北京时间17时45分，由瑞典皇家科学院公布。

2026年诺贝尔化学奖，定于10月7日（星期三）北京时间17时45分，由瑞典皇家科学院宣布。

2026年诺贝尔文学奖，定于10月8日（周四）北京时间19:00公布。

2026年诺贝尔和平奖，定于10月9日（周五）北京时间17:00公布。

上证光伏科创领先指数正式发布

上交所与中证指数将于10月9日正式发布上证光伏科创领先指数，据中证指数公告，选取40只光伏领域科创/主板证券、提升科创板权重，为光伏板块提供新投资标的。

美国芝商所将推出GPU算力期货，追踪H100与B200租赁成本

美国芝加哥商业交易所（CME）与Silicon Data确定10月5日推出算力期货。两款合约分别为Silicon Data H100租赁指数期货和Silicon Data B200租赁指数期货，将追踪衡量GPU按小时租赁成本的指数。

AMD苏姿丰计划访韩，拟10月8日出席首尔行业会议

9月30日，据韩联社援引业内人士透露，AMD首席执行官苏姿丰预计将于下月访问韩国，与韩国半导体企业高管及政府官员会面。这将是继今年3月访韩后，她时隔约七个月再次访韩。韩国政府和半导体行业消息人士称，各方正考虑于10月8日在首尔举行会议，苏姿丰将出席。预计Rebellions、FuriosaAI和Mobilint等韩国主要AI芯片公司首席执行官将参会。

OpenAI成立澳大利亚AI网络风险工作组，首席战略官10月6日赴悉尼

OpenAI 成立澳大利亚AI网络风险工作组、首席战略官10月6日赴悉尼，是其AI治理与监管协作出海的延续。继欧美布局后落子亚太，反映大模型公司在安全合规上的主动姿态，关注对澳洲AI监管框架的示范效应。

AI大模型动态方面，阶跃星辰预计将于10月15日正式开源Step5 Preview；月之暗面Kimi K3.1最快10月上线，支持百万Token上下文与三档推理强度。看点是国产模型在长上下文与推理成本上的正面竞争。

巴西举行总统选举第一轮投票继续

2026年巴西总统选举的第一轮投票定于10月4日举行，若无候选人得票过半，第二轮决选将于10月25日展开。选前卢拉团队指控美国干预选举并申请司法调查。预测市场给予弗拉维奥约60%胜选概率。若获胜，财政改革动力将显著增强。华尔街投行期权押注雷亚尔走强，以捕捉选后可能出现的升值行情。

韩国计划发射“世界”号（Nuri）运载火箭

据韩联社，韩国计划于10月7日发射“世界”号（Nuri）运载火箭。

财报与公司动态

英特尔PC用CPU预计于10月5日再度提价约10%

英特尔PC用CPU预计于2026年10月5日再度提价约10%。这已是英特尔自2025年底以来的第三轮涨价——2026年第一季度调涨约10%，7月再次上调部分消费级及服务器级CPU价格，涨幅从数十美元至逾千美元不等。

中际旭创：半年度A股合计派发现金红利13.31亿元股权登记日为10月9日

中际旭创公告称，公司实施2026年半年度A股权益分派，以剔除回购专户股份后的A股总股本11.10亿股为基数，向全体股东每10股派发现金红利12元(含税)，合计派发现金红利13.31亿元(含税)。股权登记日为2026年10月9日，除权除息日为2026年10月12日。

莫德纳将纳入纳斯达克100指数

莫德纳将在10月9日（周五）开盘前成为纳斯达克100指数的成份股，取代华纳兄弟探索公司。

下下周重磅预警

10月14日，Anthropic预计将与潜在投资者举行Pre-IPO投资者日。
特斯拉Roadster活动改期至10月15日举行。
10月13日，英国议会AI安全听证会，Meta、谷歌、OpenAI 和 Anthropic被邀请出席。
10月12日，2026年诺贝尔经济学奖公布。

风险提示及免责条款

中东局势再升级？沙特炼厂突现黑烟，沙特据报准备大举打击胡塞武装

Sun, 04 Oct 2026 02:07:31 GMT

胡塞武装导弹袭击沙特阿美炼油厂，沙特谋划大规模反攻。

据央视新闻报道，也门胡塞武装当地时间10月3日晚发表声明说，为回应沙特方面对萨那及也门其他地区的空袭，胡塞武装当天使用多枚弹道导弹和无人机，对位于沙特首都利雅得的阿美石油公司目标实施打击，并称行动"成功实现目标"，"命中目标并引发火灾"。

沙特方面暂未就袭击事件发表官方声明。社交媒体平台X上流传的未经核实画面显示，浓重黑烟从利雅得阿美炼油厂多处位置升腾而起。

据土耳其媒体Türkiye Today援引美国宇航局FIRMS卫星监测系统数据，该炼油厂区域出现高强度热辐射信号。利雅得炼油厂是沙特最重要的炼油资产之一，日处理能力约为13万桶。

胡塞武装声明还说，过去24小时内，沙特方面对也门发动60次空袭和导弹袭击，自9月3日局势升级以来，沙特一共发动了1410次空袭和导弹袭击。胡塞武装将继续“以封锁对封锁”及“以升级对升级”，直至沙特停止袭击并解除针对胡塞武装控制区港口和机场的限制。

与此同时，据Axios援引两名美国官员报道，沙特正计划在未来数日内对胡塞武装发动大规模军事行动，目标直指使胡塞武装得以控制曼德海峡这一关键海上通道的沿海地区。

沙特筹备大规模反攻，美国暂不参与直接军事行动

据Axios报道，沙特此次军事行动的筹备工作已历时数周，相关方案已于数日前获得沙特高层批准。

报道称行动将由也门政府的地面部队主导，辅以沙特空中力量支援，重点打击胡塞武装在海岸地带的战略支点。

据上述美国官员透露，沙特国防部长哈立德·本·萨勒曼王子已于上周四致电美国国防部长Pete Hegseth，就此次行动进行通报，并再度请求美方对胡塞武装目标实施空袭。美方官员表示，美国"目前不会采取动能军事行动"。

特朗普上周在接受《时代》杂志采访时重申，若在中期选举前无法与伊朗达成可接受的协议，他可能在选举后升级对伊朗的军事打击。

央视报道，近期胡塞武装加大对政府军攻势，并宣布对支持也门政府的沙特实施海上禁运。胡塞武装已攻占也门港口城市穆哈、丕林岛等战略要地。也门政府方面9月11日说，胡塞武装已控制该国整个西部海岸，并将攻势推进至南部拉赫季省。

伊朗"45天期限"届满，冲突升级风险上升

芝加哥大学政治学者Robert Pape警告称，10月1日可能标志着此轮冲突进入新阶段。

他指出，伊朗最高国家安全委员会于8月16日作出决定：若华盛顿未能在45天内解除对伊朗港口的海上封锁，德黑兰将保留对美国军队发动新一轮攻击的选择权。Pape写道：

这一期限现已届满。

上述多重因素交织叠加。胡塞武装对沙特核心基础设施的打击、沙特大规模军事行动在即、美伊谈判僵局以及伊朗最后期限到期，使海湾地区局势的短期内缓和前景愈发渺茫，相关地缘风险溢价料将持续支撑市场对能源供应稳定性的高度关注。

风险提示及免责条款

美银Hartnett：2000年3月“科网泡沫”峰值前6个月，只有科技和通信板块在涨，和当下“如出一辙”

Sun, 04 Oct 2026 01:57:46 GMT

美银证券首席投资策略师Michael Hartnett发出警示：当前市场结构与2000年科网泡沫破裂前夕高度吻合，同时他建议投资者开始逢低买入债券。

在最新一期《Flow Show》报告中，Hartnett指出，在2000年3月科网泡沫峰值前的六个月里，科技板块涨幅超过40%，而必需消费品板块下跌30%，除科技和电信以外的所有板块均告下跌。他表示，这一格局与当下市场走势"如出一辙"。与此同时，标普500指数中有400只成分股跌破50日均线，300只跌破200日均线，市场涨势高度集中于以"Mag7"为代表的人工智能相关板块。

在债券市场，10年期美债收益率已升至5.33%，创2002年以来新高。Hartnett将此视为买入机会，喊出"买入耻辱"（buy humiliation）的口号，建议客户开始增持债券仓位。他认为，长期美债回报率已跌至百年最低，历史上类似的极端低回报往往标志着代际性买入时机的到来。

市场涨势极度分化，1999年类比信号持续亮起

Hartnett在报告中以"双城记"为题，描绘当前市场的两极分化格局。他写道，市场正在"做多人工智能"（NDX），同时"做空人工智能无关资产"（标普500等权重指数SPW），而Mag7、AI及生物科技板块对高利率环境表现出明显的免疫性，"1999年类比依然成立"。

数据层面，高盛科技交易台的统计显示，即便指数处于历史高位，标普500成分股中位数个股已较高点下跌16%，市场广度已跌至科网泡沫时期的低点水平。此后一天，股价位于200日均线上方的个股占比进一步跌破50%。

Hartnett援引的历史模板显示，在2000年3月峰值前六个月，科技板块独涨逾40%，其余板块全面下跌，必需消费品板块跌幅高达30%。他认为，当前市场的板块分化程度与彼时几乎如出一辙。

AI资本开支泡沫：铁路泡沫的历史镜鉴

Hartnett将人工智能定性为"自铁路以来最大的泡沫"，并在本周报告中对19世纪两次铁路泡沫的破裂过程进行了详细复盘。

第一次铁路泡沫终结于1873年：1861年至1872年间，铁路股票价格翻三倍，美国铁路里程从3.5万英里扩张至7万英里，资本开支峰值约占GDP的5%。随后，普法战争引发美国信贷收缩，欧洲资本回流，Jay Cooke & Company于1873年倒闭，此后12个月内约115家铁路公司相继破产。

第二次铁路泡沫终结于1881年：铁路股票从1877年至1881年上涨2.5倍，一度占美国股市总市值的63%。铁路建设在四年内翻了两番，由此造成运力过剩，货运费率持续下滑，收入与利润随之崩塌，并最终引发银行业危机及美国历史上第三长的经济衰退（1882年至1885年）。

对比当下，Hartnett指出，超大规模云计算企业（Hyperscaler）的资本开支预计在2027年达到GDP的3.5%至4%，仍低于铁路时代5%的峰值水平，且半导体价格持续上涨，与铁路时代货运费率每年下跌5%的情形截然不同。

然而，他同时警告，两次铁路泡沫均有国债收益率下行作为支撑，"而这显然不是当下的情况"。

此外，两次铁路泡沫的终结均伴随信贷事件、流动性骤降及地缘政治驱动的资本外流——而这三个信号目前均已在Oracle信用违约互换（CDS）、澳元兑日元汇率及法国债券市场中有所体现。

"买入耻辱"：Hartnett看多遭市场冷落的美债

在债券市场，Hartnett的立场愈发鲜明。

他承认，收益率下降100至200个基点可能需要信贷事件或经济衰退作为催化剂，但他认为当前的极端定位本身已构成买入理由：资产配置者普遍重仓股票、做空债券，以押注美国科技股的最后一波上涨和美债收益率的最后一波上行。

长期美债方面，长久期零息债券（ZROZ）较2020年3月峰值已累计下跌65%，10年滚动美债回报率为-2%，创百年最低。Hartnett援引历史数据指出，上一次股票和大宗商品长期回报率同样惨淡时，恰恰标志着代际性买入机会的出现。

他进一步将目光投向超大规模云计算企业的投资级债券，指出美国投资级科技债券指数（CITE）过去一年价格下跌9%，收益率从4.5%升至6.2%。他认为，鉴于AI产业获得美国政府背书，Oracle（收益率8.4%）、Meta（7.5%）、谷歌（6.9%）等超大规模企业的长期债券收益率已接近垃圾债水平，或将很快吸引买盘入场。

投资者开始跟进增持债券

最新EPFR数据（截至当周三）显示，债券获资金净流入188亿美元，股票净流入158亿美元，加密货币净流入9亿美元，黄金净流入7亿美元，现金则因季末调仓流出1180亿美元。

具体来看，期限超过6年的长期债券（政府债及企业债）单周净流入74亿美元，为2025年5月以来最大；市政债券净流入42亿美元，创2004年有数据以来历史新高；欧洲股票净流入13亿美元，为2026年2月以来最大；中国股票净流入37亿美元，为近9周最大；科技板块净流入33亿美元，为近5周最大；公用事业净流入10亿美元，为2025年12月以来最大。

值得关注的是，美银私人客户目前持有的股票仓位占资产管理规模的比例已升至历史最高的66.3%，现金占比则降至历史最低的9.4%，显示机构投资者的股票仓位已处于极度拥挤状态。

四条关键警戒线

Hartnett在报告中列出了四个需要密切跟踪的市场风险触发水平：全球金融股ETF（IXG）跌破125美元、债券市场波动率指数MOVE升破125、中盘股ETF（MDY）跌破666美元、小盘股ETF（IJR）跌破135美元。他指出，一旦小盘股跟随银行股下行，去杠杆化的风险级联效应将正式启动，届时政策托底也难以阻挡。

美银牛熊指标本周从9.3回落至8.8，Hartnett将此归因于高风险债券利差走阔、高收益债券资金外流以及全球市场广度迅速恶化——全球股票指数中净27%的成分股同时跌破50日和200日均线，为3月以来最差水平。尽管指标有所回落，但8.8的读数仍处于"卖出"区间。

风险提示及免责条款

南美洲“最重要选举”今日开启：巴西大选决定“左右路线”，卢拉团队指责美国干预，华尔街押小博索纳罗

Sun, 04 Oct 2026 01:30:18 GMT

巴西1.6亿选民周日走进投票站，在这场被外界视为南美洲当前最重要选举中，现任总统卢拉与右翼挑战者弗拉维奥·博索纳罗（Flávio Bolsonaro）之间的对决，将直接决定这个拉美最大经济体的政治路线走向。

最新民调显示两人势均力敌。Datafolha周六公布的调查显示，在有效票口径下，卢拉以45%对42%微弱领先；Quaest的数据则更为接近，两人分别为46%与45%，均在误差范围之内。

市场普遍预期首轮投票难以产生绝对多数，选情将大概率拖入10月25日的第二轮决选。选情胶着之下，华尔街正通过大规模衍生品交易押注选后波动，预测市场目前给予弗拉维奥约60%的胜选概率。

选举前夕，外交风波骤然升温。据新华社报道，美国驻巴西使领馆10月2日以"安全问题"为由暂停线下领事服务，卢拉竞选团队随即向巴西最高选举法院提出申请，要求将此事纳入外部势力干预大选的相关调查。

与此同时，巴西联邦大律师局援引媒体报道，指美国政府涉嫌出资100万美元资助反对联邦最高法院的本土团体，要求警方立案调查。美国国务院迄今未将领事暂停服务与巴西大选直接挂钩。

选情胶着：民调误差范围内的拉锯

此次总统选举，是卢拉谋求第四个总统任期的角力，其对手是前总统雅伊尔·博索纳罗（Jair Bolsonaro）的长子、45岁的联邦参议员弗拉维奥·博索纳罗。

老博索纳罗本人已于今年9月被联邦最高法院裁定策划政变罪成立，判处27年余有期徒刑，目前处于居家监禁状态。

权威民调机构的数据呈现出高度接近的态势。AtlasIntel与彭博9月29日联合发布的调查显示，假设进入第二轮，卢拉得票率47.6%，弗拉维奥47.7%，两者相差不足一个百分点。Datafolha10月1日的数据则显示，第二轮对决中卢拉以48%对45%险胜。

据澎湃新闻，西南科技大学拉美研究中心讲师、巴西圣卡塔琳娜联邦大学博士后李晨分析，卢拉面临的选情压力并非单纯源于执政成绩不佳，而是来自多重结构性因素叠加：年逾八旬的高龄与健康隐患引发公众对履职能力的担忧，部分选民对其多次参选产生"政治审美疲劳"，加之近期对美外交摩擦未能展现明显优势，在一定程度上削弱了中间选民的信心。

弗拉维奥的核心竞选纲领涵盖两大支柱：延续其父的治安强硬路线，以及提出规模达5790亿美元的"巴西拯救计划"（SOS Brasil）债务基金，通过重谈州级债务以强化财政纪律。

《美洲季刊》总编辑Brian Winter撰文指出，与父亲咄咄逼人的政治风格相比，弗拉维奥相对温和的形象或有助于其争取中间选民。

华尔街押注：衍生品交易量创历史新高

面对这场"太难预判"的选举，华尔街投资者选择以衍生品替代直接押注作为主要操作方式。

巴西雷亚尔的一周期限隐含波动率已飙升至31%以上，为2022年底以来最高水平；追踪巴西股市最大交易所交易基金EWZ的期权未平仓合约量突破900万张，创历史新高，以看涨期权为主导。

市场情绪偏向右翼候选人。市场人士普遍认为，弗拉维奥若胜选，有望推动赤字占GDP比率超过9%的财政状况得到修复，其阵营已披露行政改革与国有资产出售计划。

圣保罗对冲基金Ace Capital首席投资官Fabricio Taschetto表示，首轮投票最大的意外可能在于弗拉维奥率先超越卢拉，届时市场波动幅度甚至可能超出当前隐含波动率所隐含的水平。

Gramercy Funds Management主权研究联席主管Petar Atanasov表示，若弗拉维奥获胜，财政改革动力将显著增强，市场乐观情绪将随之升温。

据彭博报道，花旗集团、摩根大通等机构已向客户推荐通过期权押注雷亚尔走强，以捕捉选后可能出现的升值行情。

并非所有投资者都选择单边押注。Ninety One新兴市场组合经理Christine Reed表示，巴西本地债券经通胀调整后的实际利率处于较高限制性水平，无论谁当选，央行均有空间延续降息周期，当前收益率足以补偿财政不确定性带来的风险。

在卢拉的第三个任期内，巴西GDP年均增速约3%，但伊博维斯帕指数（Ibovespa）跑输新兴市场整体表现及标普500指数，雷亚尔同样落后于墨西哥比索、南非兰特等主要新兴市场货币。国内企业和家庭正承受双位数高利率的压力，而政府始终回避大规模财政整顿。

腐败丑闻：左右双方均深陷银行欺诈风波

此次大选被一场跨越左右阵营的金融丑闻深度搅动。

巴西大师银行（Banco Master SA）前负责人丹尼尔·沃卡罗（Daniel Vorcaro）因涉嫌严重金融欺诈与洗钱被捕，由此牵连出的利益网络同时波及两大阵营。

在右翼阵营，弗拉维奥被调查曾接受沃卡罗资金，用于资助一部关于其父亲的传记电影。弗拉维奥承认接受相关资金，但否认存在违法行为，警方调查仍在进行中。

在左翼阵营，该案的外溢效应更为深远。主审老博索纳罗案的联邦最高法院大法官亚历山大·德莫赖斯（Alexandre de Moraes）的妻子，被曝曾与大师银行签订巨额法律顾问合同，触发朝野对司法利益冲突的强烈质疑。Datafolha的民调显示，高达47%的民众对大法官表现不满，为2019年以来最差。

澎湃新闻援引李晨观点指出，司法丑闻的政治影响具有双向性：它在动摇中间选民对卢拉阵营信心的同时，也为弗拉维奥的反建制叙事提供了养料。弗拉维奥在竞选中公开呼吁弹劾德莫赖斯，并喊出"投票给卢拉就是投票给德莫赖斯"的极化口号。

治安与经济：选民最关注的双重焦虑

公共安全已超越经济，成为巴西选民首要关切。Quaest调查显示，高达33%的受访者将暴力犯罪列为首要问题，经济问题以15%排名第二。

官方综合犯罪指标近年虽有所下行，但有组织犯罪网络扩张、城市盗窃频发以及针对女性犯罪激增，持续加深公众不安全感。

据《2026年巴西公共安全年鉴》，2025年警方执法行动导致6602人死亡，同比增长5.4%，创历史新高。"首都第一司令部"（PCC）与"红色司令部"（CV）两大黑帮组织长期盘踞全国各地，掌控贩毒与走私网络。弗拉维奥公开支持特朗普政府将上述团伙列为"外国恐怖组织"，并抨击卢拉政府向黑帮"出让国家主权"。

经济层面，卢拉任期内GDP年均增速约3%、失业率降至历史低点5.1%，但债务攀升、持续高利率与高生活成本持续制造社会焦虑。国际货币基金组织预测巴西2026年经济增长率约为2.4%，年底通胀将升至5.6%。

李晨指出，左右翼的施政承诺各自存在内生矛盾：左翼扩大社会支出的路径若无法开辟稳定财源，将加重企业与劳动者负担；右翼力主减税，同时承诺重拳治安，而打击有组织犯罪高度依赖公共财政投入，减税与治安预算之间存在根本性矛盾。

碎片化国会：无论谁胜选，执政都将是"另一场战役"

此次大选同步改选众议院全部513个席位及参议院54个席位，立法格局的重塑将深刻影响下届政府的施政空间。

巴西众议院采取以州为单位的比例代表制，这一制度催生出高度碎片化的政治格局。目前513个席位被十余个政党瓜分，无任何单一政党掌握五分之一以上席位。

由中间派与中右翼政党组成的跨党派联盟"中间力量"（Centrão）长期扮演造王者角色，历任总统均须以让渡内阁职位、国企高管席位及预算控制权为代价维系执政联盟。

李晨强调，参议院的权力格局尤为关键，下任总统预计在任期内将有权提名11名大法官中的最多4位，而法官任命确认权与弹劾权均归属参议院，后者将直接影响联邦最高法院的政治倾向。

从地方政治来看，历届总统选举规律显示，东南部人口稠密州的独立选民往往主导最终结果。右翼执政的米纳斯吉拉斯州被视为胜选关键，自20世纪80年代以来，尚无任何总统候选人在输掉该州的情况下赢得大选。

李晨总结道，若卢拉连任，将面临右翼州长与保守国会的双重夹击，在内阁与预算分配上须作出更大妥协；若弗拉维奥胜选，则可能形成由其牵头、多位右翼州长及参议员共同参与的分权治理模式。

无论选举结果如何，在极度分化的国会与地方利益网络中寻求妥协，将是新一届政府能否稳定施政的真正考验。

风险提示及免责条款

付鹏：近期欧元、日元与澳元观察【数据图表】

付鹏 — Sat, 03 Oct 2026 11:18:31 GMT

《付鹏说·第七季》全新升级上线！立即订阅

最新数据显示，欧元非商业多头已自高位持续回落至 20 万手附近，而非商业空头（橙线）呈现直线拉升，突破 30 万手大关，超越了 2015 年的历史峰值，欧元汇率在技术上受制于长期收敛通道上轨，难以向上有效突破；

同时，投机性空头头寸出现罕见的历史级堆积，反映出市场对美欧经济预期差、欧美央行政策节奏差异达成了极高一致性的做空偏好。

从 CFTC 日元持仓图表与宏观微观结构的演进来看，美国财政部的联合干预直接击穿了单边做空日元的微观筹码基础，引发了典型的高杠杆套息交易（Carry Trade）平仓潮......

AI正在让美债崩溃即便最后成功也将被征收重税

Sat, 03 Oct 2026 09:51:38 GMT

9月24日，美国长债全线崩跌。30年期国债收益率升至5.48%，创二十年新高；10年期突破5.2%，创金融危机以来新高。长端收益率过去两个月几乎是直线拉升，财政部长贝森特两次加码回购干预，每次只换来一天的喘息，第二天就被市场打回原形。

赤字太大、油价太高、美联储重新加息——这些都是真实的背后推力，但都不是这一轮的新变量。真正让这一轮不同以往的，是需求端杀出了一个根本不问价格的对手。

Anthropic研究员：2030年代，普通人或比今天的富豪过得更好

朱雪莹 — Sat, 03 Oct 2026 09:45:18 GMT

Anthropic强化学习团队的技术负责人Sholto Douglas表示，AI可能把原本需要几百年的技术进步压缩到未来几十年，最终把人类带入“后稀缺社会”。 AI和机器人将大幅提升生产力，让住房、商品等成本逐渐接近能源成本，普通人的生活水平甚至可能超过今天的富豪。如果AI算力投入继续高速增长，到2030年代初，AI带来的生产能力甚至可能相当于再造一个全球GDP。

AI大神Karpathy最新洞察：未来我们更该“理解”大模型输出，而不是被它淹没

恶人笔记 — Sat, 03 Oct 2026 09:28:37 GMT

最近，AI领域的传奇人物Andrej Karpathy（前OpenAI联合创始人、特斯拉AI总监）在X上发了一条极具前瞻性的帖子，迅速引发广泛讨论。

他开门见山地说：“我们将花越来越多的时间去理解语言模型的输出。”

这句话看似简单，却精准点出了当前AI使用的核心痛点：大模型越来越强，生成内容越来越长、越来越复杂，人类反而容易陷入“信息过载”。真正的价值，不再是“让它生成”，而是“如何高效、清晰地理解它生成的东西”。

Karpathy分享了几个他亲自验证过的实用技巧，从文字到图表，再到交互网页和解释视频，层层递进。今天我们就来了解一下这些方法，并补充相关背景知识，希望帮助大家在实际工作中真正落地。

写作层面：用ASD-STE100“控制语言”逼出清晰表达

Karpathy最推荐的方法之一是：直接要求大模型用ASD-STE100来解释内容。

ASD-STE100全称是Simplified Technical English（简化技术英语），最初是欧洲航空航天工业在上世纪80年代为飞机维修手册开发的受控自然语言。目的很明确：就是让非英语母语的技术人员也能准确弄懂关键安全信息，避免因歧义导致事故。

它的核心特点包括：

• 约900个批准词汇，每个词只有一个明确含义
• 严格的写作规则：主动语态、短句、一句话一个指令、避免被动语态和不必要的同义词
• 句子长度和段落结构都有明确限制

Karpathy发现，大模型对这种规范非常熟悉，生成的文字往往简洁、干净、易读。如果觉得太严格，可以稍微放松，比如要求“达到ASD-STE100的80%程度”。

实际体验下来，用这种风格解释复杂技术概念时，冗余大幅减少，逻辑更清晰，特别适合技术文档、产品说明或内部知识沉淀。

更进一步：直接生成图表和图像

文字再清晰，有时也不如图表直观。

Karpathy建议：别只让它写，直接让大模型生成图表或示意图。视觉信息往往比纯文字更容易处理和记忆。无论是流程图、架构图还是概念对比图，大模型现在的视觉生成能力已经相当成熟，能把抽象概念具象化。

再升级：输出成精美可交互的HTML网页

比图表更强的是完整网页。

只需在提示词里加上“用HTML输出”，大模型就能生成带样式、动画甚至简单交互的页面。前端能力近年突飞猛进，生成的页面往往美观且实用，适合用来做演示、知识库或临时工具。

这种方式直接把“阅读”变成了“体验”，理解成本进一步降低。

最看好的方向：定制化解释视频（3Blue1Brown风格）

Karpathy最看好的输出形式，是完全定制的解释视频。

他举例：可以要求“用3Blue1Brown风格制作关于X主题的解释视频，并用ElevenLabs API做语音旁白”。

3Blue1Brown（Grant Sanderson）以精美的数学动画闻名，其开源动画库Manim已被社区广泛使用。现在大模型已经能较好地生成Manim代码，再结合语音合成，确实能够产出可用的教学视频。

这可能代表一种范式转变：过去为理解一个复杂概念，我们需要花费大量时间阅读或等待专业视频出现；现在已经可以直接按需生成“专属解释视频”。

从“使用AI”到“监督与理解AI”

Karpathy在帖子结尾点出了更深一层的趋势：随着大模型能力持续提升，它们会越来越多地自主完成底层工作。人类的工作会向更高抽象层级移动，那就是监督、理解和把关。

幸运的是，大模型本身也能帮我们完成这一转变。因为智能和代码变得极其丰富，我们可以让它生成那些过去“不值得专门制作”的大型、定制、可抛弃的软件产物（网页、视频、交互工具等）。

大胆尝试这些更高维度的输出形式，往往会带来惊喜。

具体实践建议（可以直接复制使用）：

• “用ASD-STE100风格解释[主题]，要求清晰、主动语态、短句。”
• “为[主题]生成一张清晰的架构图/流程图。”
• “用HTML创建一个美观的交互式网页，解释[主题]。”
• “用3Blue1Brown风格制作关于[主题]的解释视频脚本，并给出Manim代码思路。”

AI真正改变工作方式的关键，不在于它能生成多少内容，而在于我们能否高效理解它生成的内容。Karpathy的这条帖子，给所有AI重度用户指明了一条清晰的路径。

来源：恶人笔记

风险提示及免责条款

美股四季度“逼空”信号浮现：CTA仓位大撤退，1.3万亿美元回购蓄势待发

Sat, 03 Oct 2026 08:41:40 GMT

美股量化基金刚刚完成一次罕见的仓位大清洗。

CTA（趋势跟踪量化基金）合计持仓从8月底的极度超配骤降至略偏空头，一个月内摆幅超过3个标准差——近年来几乎没有先例。卖盘释放，潜在买盘空间大幅打开。

与此同时，美国企业今年已授权创纪录的1.3万亿美元回购，执行窗口将从10月15日起陆续重开。

仓位清洗、回购弹药就位、中期选举年四季度的强势季节性——逼空条件正在成型。

仓位已清、弹药待发

据策略师Rubner的研究，CTA持仓的Z值（衡量仓位偏离常态的指标）从8月底的+2.35骤降至-0.80，从极度看多跌至低于中性。卖压释放后，资金流方向已经反转。

企业端火力可观。1.3万亿美元已授权回购中，大量额度等待三季报静默期结束后执行。回购窗口10月15日起陆续打开，历史上企业回购力度在11月通常进一步加速。

季节性同样站在多头一边。Rubner数据显示，自1930年以来，标普500在中期选举年四季度平均上涨5.6%，几乎是所有年份四季度均值2.9%的两倍。10月和11月历来是中期选举年表现最强的月份。

科技股拒绝倒下

利率冲击之下，科技板块表现出罕见韧性。纳斯达克100指数期货正逼近31200点关键阻力位，50日均线重新上行；费城半导体指数已突破短期阻力，接近历史新高区域。

AI资本开支对利率的低敏感性是关键。据高盛，超大规模云厂商（谷歌、亚马逊等）的债券发行预计2027年将达4200亿美元，但利息支出在其盈利中占比仍然很小。据摩根士丹利，这些厂商净杠杆仅0.4倍，现金相当于债务的132%——AI基建并未遭遇资产负债表瓶颈。

这里藏着一个不对称性：AI支出本身不依赖低利率，但如果利率最终回落，科技股估值将直接受益——高利率下支出不减速，低利率时估值有弹性。

半导体领域的预期重置为逼空提供了额外燃料。据高盛，传统存储和HBM（高带宽内存）的定价预期此前已被大幅下调，目前正开始修复，越来越多投资者寻找定价上行空间。摩根大通指出，半导体硬件盈利前景稳固，台积电AI加速器需求强劲，先进制程利用率超过100%。

预期重置、基本面改善、技术面突破——逼空的经典配方。

四季度最大的宏观变量仍是原油。据高盛，全球原油库存虽高于运营最低线，但缓冲垫已显著变薄，100美元油价与当前供需平衡并不矛盾。原油波动率指数（OVX）目前与油价低于80美元时持平，尾部风险的定价可能不足。

风险提示及免责条款

供平过租的重要信号

中信证券研究陈聪、张全国等 — Sat, 03 Oct 2026 08:35:37 GMT

最近几个月，一线城市租金环比上涨，且受益于政策措施，越来越多的二手项目实现了供平过租。一线城市的这种情况，十分类似于香港2024年底的情形，是房价见底的强烈信号。政策致力于降低居民的置业负担，相对租房，买房变得越来越划算。

供平过租是衡量房价见底的重要指标

供平过租是指购房月供金额低于租金的现象，是房价底部重要支撑。根据七普数据，2020年城镇家庭中租房占比为21.1%，其中城市中占比为25.6%，租房居住家庭是潜在的购房群体，一旦租房消费中租金高于月供，将推动租客进入买房市场，进而推动房价的企稳回升。香港在2024年底实现了局部的供平过租，2025年3月之后房价进入了止跌回升的通道。

828按揭期限拉长及929财政贴息，进一步推动全市场逐渐走向供平过租

8月28日，按揭期限从30年增加到40年；9月29日，以中央财政为主，对于首次置业群体购置中小面积低总价房屋贴息一个百分点。按照冰山指数的统计，以总价150万元房屋、100万元的商业贷款金额测算，在补贴期限内，月供相当于租金的比例，从125%逐步下降到9月新政之前的106%，并在9月之后进一步下降到90%。当然，这是一种比较理想的情况，更低的首付比例之下，或者补贴退坡之后，仍然无法实现供平过租。一些租金回报率较低的大城市，还尚未完全实现供平过租。

租金环比趋于上涨的一线城市，局部性实现供平过租，并非常临近整体供平过租

供平过租预示着房价见底的前提，是租金环比趋于上升。《证券日报》转引贝壳研究院数据，7月份50个城市住宅租金环比涨幅有所扩大，其中北上深的平均租金已经连续5个月环比上涨，目前北上广深的租金收益率分别达到2.15%，2.11%，2.21%和1.97%，50个城市租金收益率则达到2.8%。按照这个租金回报率测算，享受贴息的商贷（按照150万元房屋总价以及100万元贷款算），月供租金比分别为114%、116%、111%和124%。从整体而言，考虑贴息，北上广深已经临近整体性供平过租，局部楼盘实现了供平过租，接近2024年年底香港出现的情况。

8月的供给侧收缩已经初现成效，预计9月需求侧政策将进一步提振市场

根据我们的跟踪，2026年9月，72个样本城市典型中介二手房成交量同比增长18.9%，高于6、7、8月份11.7%、10.6%、14.1%的同比增长。929以来，我们跟踪的同样本数据显示，9月30日和10月1日的单日成交量同比分别为31.7%和37.4%，市场有进一步趋向活跃的态势。

本文来源：中信证券研究

风险提示及免责条款

美国CCC级利差升破1000bp！危险信号已现，信贷警报离股市还有多远？

Sat, 03 Oct 2026 08:34:44 GMT

当前美国信用市场已出现一个非常值得重视的变化：杠杆信贷市场最薄弱的环节已与整体走势脱节，利差大幅走阔，市场对尾部风险的定价明显提高，风险正从单纯的利率冲击向低质量企业信用端传导。

9月底，美国CCC级公司债信用利差突破1000bp，达到2023年3月区域性银行危机以来新高，远高于9月初的860bp。这反映出投资者对最低评级投机级发行人违约与再融资风险的补偿要求显著提高。今年以来CCC级利差已走阔约380bp，而B级仅扩大约30bp，CCC与B间利差差距接近700bp，达到疫情以来最宽水平。

这一极端行情的本质在于信贷质量谱系底部的剧烈分化。CCC级贷款表现远弱于B和BB级，其折价保证金较B宽近4.5倍、较BB宽超12倍；CCC贷款已滑入负值区域，而BB级利差甚至出现收窄，较高质量杠杆信贷保持稳健。与此同时，高收益债整体收益率升至8%以上，创17个月新高，风险溢价达到5个月高点。

不良债务规模也在迅速膨胀。彭博美国高收益公司债券指数中处于不良状态的债券为774亿美元，占指数5.2%；彭博美国杠杆贷款指数中陷入困境的债务为1288亿美元，占8.8%。

当前美国信用市场呈现“最弱借款人率先被抛售”的结构性分化，而非全面风险重定价。高收益债整体利差仍处较低分位，尽管收益率已位于后金融危机时期较高水平；高评级公司债利差同样稳定，近期利率波动上升但未形成广泛的信用利差裂痕。市场已开始区分“弱者”与“仅仅杠杆化的借款人”，对再融资能力、回收价值和违约风险划定更严厉界限，但压力仍集中于最弱环节。

尾部风险重定价，信贷风险尚未反映在股市中

CCC利差破千个基点的主要含义在于市场对尾部信用风险的要求回报大幅上升，投资者已开始重估低质量企业未来的偿债能力。

9月AI债发行突然“踩刹车”，大摩判断：四季度或卷土重来

Sat, 03 Oct 2026 07:59:27 GMT

9月全球AI相关债券发行仅约230亿美元，为今年次低月份。美国投资级市场AI发行直接"挂零"。

摩根士丹利将这一放缓定性为"暂停而非退潮"，预计四季度发行将回升，但不会重现上半年的爆发式增长。

截至9月底，今年全球AI相关债券发行总额已达4660亿美元，是去年全年2160亿美元的两倍以上。

大摩在最新报告中分析称，9月降温的原因并非基本面恶化或资本短缺——前期发行大幅前置、数据中心建设遭遇监管政治阻力、利率急升迫使项目层面条款重新谈判，三重因素叠加。

9月为何降温

今年AI融资的节奏极不均匀。6月以1130亿美元的单月发行量创下全年峰值，随后逐月下行。

高质量超大规模云厂商（谷歌、亚马逊、Meta、微软）今年在投资级市场的发行额达约1320亿美元，同比增长约25倍；加上甲骨文和SpaceX，六大超大规模厂商全口径（含非美元币种）发行已达约2540亿美元，大量集中在上半年。摩根士丹利指出，"经历了繁忙的夏季后，考虑到已完成的发行量以及发行人建立发行节奏的努力，我们预期近期供给会放缓。"

9月美国投资级市场AI发行为零。非美元市场略有活动，亚马逊发行了一笔42.5亿英镑的四批次交易。杠杆融资方面，软银集团发行了约100亿美元高收益债券，AI数据中心运营商Crusoe发行了约5亿美元贷款，9月杠杆融资总额约140亿美元。

第二重因素是监管和政治层面的约束。新数据中心建设面临许可证、电力供应和政治阻力——摩根士丹利此前将其总结为"三个P"：人员（people）、电力（power）和政治（politics），这些约束正在从潜在风险变为现实制约。

第三重因素是利率。收益率大幅上行使得项目层面的交易可能需要重新谈判，低评级发行人和项目融资对资金成本更为敏感。

四季度展望：超大规模厂商将回归，但节奏不同于去年

摩根士丹利预计四季度发行将超过9月水平，但不会像去年那样集中爆发——去年大部分供给出现在四季度。

高质量超大规模云厂商预计将重返美国投资级市场，同时继续在非美元市场融资。今年非美元超大规模发行已达约720亿美元，接近全球超大规模发行总量的三分之一，币种从去年单一的美元和欧元扩展至加元、英镑、瑞郎、澳元和日元。摩根士丹利预计四季度还将有欧元交易入场。

数据中心项目融资的节奏更难预测。摩根士丹利将今年ABS和CMBS的发行预估下调至250-300亿美元，意味着四季度还有约50-100亿美元的供给空间。

四季度回升的一个重要推动力是2027年资本开支预期。摩根士丹利对六大超大规模厂商2027年合计资本开支预测约为1.4万亿美元，显著高于市场共识的约1-1.1万亿美元。三季报（预计10月陆续发布）可能带来又一轮资本开支上修，直接驱动融资需求。

摩根士丹利认为，高质量超大规模厂商对高利率"在很大程度上不敏感"——投入资本回报率（ROIC）前景强劲，债务融资成本仍低于股权融资。这些厂商整体杠杆率仅1.3倍（净杠杆0.4倍），现金/债务比率132%，信用评级中位数AA-，资产负债表空间充裕。

宏观考验大于供给冲击

摩根士丹利强调，对投资级信用市场而言，"宏观环境——而非供给过剩——是年底前最大的考验。"

投资级债券年内总回报已下跌3%，季度回报下跌4%，回撤幅度已达到可能触发共同基金和ETF大规模赎回的水平。10年期美债收益率从1%升至5%以上，过去五年多次利率重定价对信用利差和资金流造成了反复冲击。

不过，摩根士丹利认为信用市场整体能够消化收益率上行，因为名义增长率维持在6%以上、企业盈利增速更强，利率上行有坚实的基本面支撑。该行经济学家预计美联储仅再加息两次，比市场定价的接近四次更偏鸽派。

信用分化方面，摩根士丹利重申偏好有担保资产（约占AI相关债务的30%）。数据中心有担保债券的利差波动主要由建设风险驱动——许可证延迟、电力供应、租约不确定性，已稳定运营的ABS和CMBS资产受此类冲击较小。芯片融资的资产属性允许更快的现金流生成和摊还，但目前公开交易的产品仍然有限。

展望四季度之后，摩根士丹利认为超大规模厂商利差压缩交易的大部分行情可能已经走完：发行节奏正趋于可预测，资本开支正向芯片等短久期资产转移，AI投资的强劲回报也在持续验证支出逻辑的稳健性。

风险提示及免责条款