华尔街见闻 - 资讯 - 最新

近四年来首次加息！印度央行上调基准利率至5.5%，立场转为“有序收紧”

Wed, 07 Oct 2026 11:15:55 GMT

印度储备银行（RBI）周三将基准回购利率上调25个基点至5.5%，这是近四年来的首次加息，标志着印度货币政策周期的重要转向。

货币政策委员会（MPC）在宣布加息的同时，将政策立场由"中性"调整为"有序收紧"。RBI行长Sanjay Malhotra在会议结束后宣布了上述决定。此次政策转向符合市场此前的普遍预期。

此次加息将印度基准利率从5.25%推升至5.5%，RBI将决策依据归结为通胀压力持续上升以及经济保持强劲增长。对于投资者而言，政策立场的同步转变意味着本轮加息周期可能尚未结束。

加息背景：通胀与增长双重驱动

RBI本轮加息决定由通胀忧虑与经济动能共同支撑。委员会六名成员一致同意上调利率，并将政策立场切换至"有序收紧"，释放出未来可能继续收紧的信号。

此次加息距上一次利率调整已近四年。RBI此前于2025年12月将回购利率从6.25%降至5.25%，此后保持不变，直至此次转向。

历史坐标：利率仍处于相对低位

尽管政策方向发生转变，5.5%的利率水平在历史上仍属温和。据路透回顾RBI自2000年6月以来的利率历史，印度政策利率曾在2000年8月触及16%的极值，远高于当前水平。

那一极端利率并非单纯因为通胀，而是源于多重外部压力的叠加：国际油价急剧攀升、卢比承压贬值以及外国机构投资者（FII）大规模净流出。彼时，布伦特原油均价在2000年9月升至每桶32.97美元，卢比对美元贬值5.3%，FII在2000年5月至8月间录得净流出5.05亿美元。RBI当时综合运用汇市干预、流动性管理和加息等多种工具应对压力，16%的高利率并未持续太久，随即在当年8月降至15%，9月进一步降至13.5%。

此后，印度利率经历了多轮完整的紧缩与宽松周期。2008年全球金融危机前，利率一度升至9%，危机后迅速回落至4.75%。新冠疫情期间，利率于2020年5月降至4%的历史最低点；随后通胀反弹驱动利率升至2023年2月的6.5%，再经两次降息回到此次加息前的5.25%。

政策转向：宽松周期或已终结

从近期路径来看，RBI在2025年经历了两轮降息后，此番迅速转向加息通道，反映出通胀形势在过去数月内出现了显著变化。

政策立场由"中性"调整为"有序收紧"，在措辞上为未来进一步加息预留了空间。这一表述意味着委员会将根据数据变化灵活调整节奏，而非承诺固定的加息路径。对于债券和货币市场投资者而言，此次会议传递的信号是：此前的宽松周期已经结束。

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。

暂不救市，欧央行：解决财政困境非我职责，法国需自救

Wed, 07 Oct 2026 11:01:32 GMT

法国债市的压力正在从财政失衡，演变为一场央行、政府与总统候选人同时卷入的政治博弈。

10月7日，据彭博报道，欧洲央行管委会成员、法兰西银行行长Emmanuel Moulin明确表示，法国债市形势“严峻而复杂”，但尚未满足欧央行介入条件。“欧央行不是为了处理各国的财政问题而存在的”，法国必须通过预算和财政调整自行解决问题。

法国国债近期遭遇抛售，10年期国债与德国国债利差一度扩大至约160个基点，创2011—2012年欧债危机以来新高。尽管随着部分投资者入场，该利差周二回落至约127个基点，但市场对法国财政可持续性的担忧并未消退。而总统大选临近，又让市场开始提前定价下一届政府的财政路线。

极右翼候选人勒庞主张大幅削减支出、压低赤字，同时希望欧央行帮助缓解融资压力；极左翼候选人让-吕克·梅朗雄则提出冻结或注销部分法国国债。两套路线方向迥异，却共同指向法国当前的债务与财政约束，也意味着大选结果可能进一步改变市场对法国财政政策的预期。

欧央行划定红线：财政问题不在救助范围之内

Moulin的核心判断是，法国当前面临的是财政问题，而非央行可以直接解决的流动性问题。

他表示，法国需要通过预算法案恢复财政可信度，并推动赤字降至GDP的5%以下，而不是寄希望于欧央行通过债券购买压低融资成本。“局势是严峻的，”Moulin说，“但我们可以通过投票通过预算、承诺赤字不超过5%来采取行动。”

这一立场与勒庞的诉求形成直接冲突。勒庞此前呼吁欧央行采取行动，为法国等欧元区国家释放更多财政空间，用于国防和技术投资；她在最新财政方案中也表示，在法国重新掌控公共财政后，需要与欧央行讨论如何降低借贷成本。

但欧央行的政策工具并非无条件的财政救助。法国政府预计今年财政赤字将达到GDP的5.4%，2027年预算草案则试图将赤字降至5%；与此同时，政府已提出约540亿欧元的财政调整方案，但能否获得议会支持仍存在不确定性。

因此，债市真正关注的并不只是法国能否获得央行支持，而是政府能否证明自己有能力控制赤字、稳定债务。Moulin的表态实际上划定了政策边界：财政失衡需要首先通过财政政策解决，央行不会替政府承担财政整顿责任。

勒庞“影子预算”：大幅削支能否换回市场信任？

在债市压力升温之际，勒庞试图通过一份更激进的财政方案证明，若她执政，将把降低赤字和债务作为优先事项。

10月6日，勒庞公布最新财政路线，提出到2032年相较2026年实现1400亿欧元净节支，并计划将财政赤字在2030年降至GDP的3%以下、2032年进一步降至2.5%，同时将公共债务率降至112%左右。相比此前提出的1250亿欧元节支目标，这一方案进一步加大了财政调整力度。

节支主要来自压缩地方政府和政府机构支出、削减部分对外援助、降低法国对欧盟预算的净缴款、打击税务欺诈，以及通过移民政策减少公共支出等。同时，方案还包括至少300亿欧元减税，以及针对高净值人群、企业和股票回购等领域的增税措施。

但这套方案能否兑现仍存在争议。法国政府已公开质疑其节支测算，市场则更关注如此大规模的财政调整能否获得议会支持，以及部分节支项目能否真正转化为财政改善。

勒庞表示，随着利率上升，法国必须加快财政调整；只有恢复财政自主，才能缓解融资压力。她同时主张，在法国重新控制公共财政后，与欧央行讨论降低债务融资成本。

换言之，勒庞的路线是先通过财政紧缩恢复市场信任，再寻求降低融资成本；而Moulin的表态意味着，法国不能把希望寄托在欧央行兜底上。

梅朗雄与央行的“正面交锋”

如果说勒庞试图通过削减支出来缓解债务压力，梅朗雄则提出了另一条路径。梅朗雄此前提出冻结或注销法国由法兰西银行和欧洲央行持有的部分国债，希望直接降低政府债务负担。但这一方案遭到了货币当局的明确反对。

9月11日，法兰西银行行长Emmanuel Moulin将债务注销方案形容为“非法、危险且无用”，认为这一做法违反欧盟条约，可能推高通胀和利率，也无法解决法国持续产生财政赤字的根本问题。欧洲央行行长拉加德此前也表示，注销法国由欧洲央行持有的债务将违反欧盟条约。

随后，围绕法兰西银行持债规模下降的争议进一步升温。9月12日，法兰西银行专门发表声明，澄清其所持法国国债规模下降并非主动抛售，而是此前购买的债券到期后不再再投资。截至2026年6月底，法兰西银行在相关资产购买计划下持有的法国公共债务规模为4880亿欧元，较2025年底的5460亿欧元下降，全部由债券到期所致。

争议在10月6日进一步升级。梅朗雄公开批评Moulin，甚至称其有关法国财政状况的警告构成“叛国行为”，并表示如果左翼联盟在2027年执政，将追究其责任。Moulin此前已明确表示不会因政治压力辞职或改变立场。

至此，这场争论已经超出具体债务政策本身，进一步触及央行独立性、欧盟财政规则以及货币政策框架。

马克龙十年经济遗产：改革成果与财政压力并存

法国当前的债务压力并非短期形成，而是长期财政赤字、危机期间大规模支出以及近年来财政整顿受阻共同积累的结果。

马克龙2017年上台后推动供给侧改革，带动就业和投资改善，但法国长期存在的高公共支出和结构性赤字问题并未根本扭转。此后，黄背心运动、疫情和能源危机又进一步推高财政支出，法国公共债务从2019年的约98% GDP升至2026年6月的119%，达到约3.596万亿欧元。

与此同时，政治碎片化进一步增加了财政整顿难度。2024年提前议会选举后，两任总理相继离任，财政改革屡受阻碍。当前政府计划通过约540亿欧元的财政调整，将2026年预计5.4%的赤字率降至2027年的5%，但预算能否获得议会支持仍存不确定性。

债市压力也随之上升：法国10年期国债收益率一度接近5%，与德国国债的利差一度扩大至约160个基点，创2011—2012年欧债危机以来新高。与此同时，法国政府计划2027年发行约3400亿欧元中长期国债，融资压力仍然较大。

高债务和高赤字推高融资成本，融资成本又反过来加大财政压力，而政治碎片化则进一步削弱了市场对财政整顿持续推进的信心。欧央行明确不为财政问题兜底后，法国最终仍需依靠自身的财政调整稳定债市。

风险提示及免责条款

为何美债收益率、纳指同步新高？广发刘晨明：产业周期大幅降速才是科技股牛熊“分水岭”

Wed, 07 Oct 2026 10:59:46 GMT

国庆假期期间，美债收益率与纳斯达克指数同步创出新高：10年期美债收益率升至5.3%以上，创2002年以来新高，英伟达、台积电等科技龙头股价也持续走强。利率上行通常意味着估值承压，但这一轮科技行情却呈现出明显的“利率脱敏”，背后的关键在于产业周期仍处于高景气阶段。

广发证券刘晨明团队报告指出，当前全球半导体周期大概率仍处于“加速上行”或“高速震荡”阶段，而不是即将进入大幅降速期。对于科技股而言，利率变化更多影响短期估值，真正决定中期行情方向的仍是产业景气度。

历史数据也印证了这一点。过去三十余年，道琼斯工业指数与10年期美债收益率的相关系数为-0.41，而费城半导体指数仅为-0.13；相比之下，费城半导体指数与全球半导体销售额同比增速的相关系数达到0.40，道琼斯工业指数仅为0.20。这意味着，相较于利率变化，半导体股价与产业景气度的联动更为紧密。

更值得注意的是，历史上费城半导体指数见顶通常晚于全球半导体销售额增速见顶。换言之，科技行情并不惧怕产业增速从高位正常回落，真正的牛熊“分水岭”是产业周期是否出现大幅降速。

只要AI驱动的半导体需求和盈利增长仍能维持，产业周期就有望继续支撑科技股表现，利率上行更多只是阶段性扰动。

利率不是关键变量，产业周期才是

报告指出，历史上费城半导体指数的见顶时间，多数滞后于全球半导体销售额增速高点，平均滞后约6至10个月。这意味着，即使产业增速从“加速上行”转为“高速震荡”，股价也未必立即见顶；真正需要警惕的是产业周期进入大幅降速阶段。

从历史周期看，全球半导体周期平均持续42个月，其中上行23个月、下行19个月。本轮周期低点始于2023年4月，若以2025年三季度作为AI驱动的新一轮半导体销售周期起点，按照历史规律，上行阶段有望延续至2027年三季度附近。

增速端同样尚未出现明显失速信号。英伟达管理层在8月最新财报中给出2027年自然年70%的营收增长指引，并表示如果供应链瓶颈得到缓解，明年的增长实际上可能“指向翻倍”。在广发证券看来，这意味着半导体产业β仍有望维持在较高水平。

“大幅降速”才是科技行情的牛熊分水岭

市场对于科技产业增速回落并非完全没有容忍度。历史景气投资经验显示，对于上一年度增速超过50%的公司，通常要等到当年增速降幅超过30%，市场表现才会明显恶化；对于上一年度增速超过80%的公司，则往往要等到增速降幅超过50%，才容易出现明显的估值杀跌。

因此，产业增速从高位回落本身并不足以构成牛熊切换信号。只要增长仍处于较高水平，或者仅从“加速上行”切换至“高速震荡”，科技股仍可能维持强势。真正决定行情是否发生趋势性逆转的，是产业周期是否从高位震荡进一步转向大幅降速。

这也意味着，当前美债收益率创新高却没有压制纳指，并非市场忽视利率风险，而是AI驱动的产业增长仍足以支撑科技股盈利预期。只要产业周期没有明显失速，估值端的利率压力就可能被盈利增长部分抵消。

四季度AI催化密集，科技α仍有挖掘空间

报告认为，10月至12月初，AI产业链将进入“技术路线更新—业绩兑现验证—商业化定价重估”的密集催化期。

10月12日至15日的OCP全球峰会、11月30日至12月3日的英伟达GTC华盛顿大会，将成为观察定制芯片、光互连、机柜级系统以及供电散热等技术路线的重要窗口；10月底至11月初四大云厂商财报，以及随后英伟达、戴尔等公司的财报，则将进一步验证“云端投入—硬件订单—收入利润”的传导链条。Oracle AI World、Microsoft Ignite等会议，也将提供观察企业级Agent和AI商业化进展的重要窗口。

在广发证券看来，当前全球科技产业β仍处于相对平稳的高位，四季度AI技术、业绩和商业化催化有望继续强化需求预期。在产业周期尚未出现大幅降速的情况下，科技行情的β基础仍在，A股科技板块也仍有进一步挖掘α的空间。

风险提示及免责条款

中欧经贸，需要寻找更大的共识

玉渊谭天 — Wed, 07 Oct 2026 10:25:03 GMT

10月5日，法国和德国向欧委会提交非正式文件，要求欧盟强化贸易防御措施，增加多项保护主义新工具。

这套工具主要指向几个方向：限制他国商品和企业进入欧洲市场、降低所谓的供应链依赖，并提前为他国可能采取的反制做好准备。

同时，按照目前的设想，欧盟可以调查别国的整体政策。只要欧盟认为其破坏了欧盟所谓的“公平市场条件”，必要时就可以采取措施。

对此，中方的态度很清楚。如欧方执意出台相关歧视性措施，中方必将坚决予以回应，捍卫中国产业合法权益。

01 欧方需要回答几个问题

针对法德推动欧盟制定新型贸易限制工具的动向，中方可以在世贸组织框架下，同可能受到影响的第三方协调立场，共同研究应对措施。

目前，中方可以使用的工具，包括反歧视调查、产业链供应链安全调查、境外补贴影响调查等。

商务部国际贸易经济合作研究院的周密告诉谭主，这些调查可以评估境外相关政策是否影响中国企业、是否形成不公平竞争，从而维护中国企业的正当权益，减少不公平政策及其外溢效应对中国产业造成的影响。

根据相关披露，很快，欧委会贸易和经济安全委员谢夫乔维奇将访问北京。

在这一节点试图推出新的限制工具，首先就削弱了中欧双方的磋商氛围。加之，新工具可为欧方随时追加限制预留空间，一旦持续推进，不但会进一步压缩通过对话解决问题的空间，还会破坏双方已经取得的谈判成果。

要知道，今年6月，中欧已经建立贸易投资磋商机制，下设贸易和投资平衡、出口管制、知识产权、世贸组织改革四个工作板块。

因此，欧方来谈首先需要回答：新的限制工具，究竟能解决哪一项正在谈的问题？

双方的关切，本都可以摆在桌面上。

一个是贸易和投资平衡。

欧方希望中国进一步开放市场、扩大欧洲商品和服务进口。

但欧方要知道，一边要求中国多买欧洲产品，一边试图从各方面限制中国，贸易很难实现平衡。

二是市场准入和企业投资。

中方始终支持中国企业到欧洲投资，也欢迎欧洲企业加大对华投资。

但欧盟正在依据《外国补贴条例》调查中国风电、安检设备等企业，还在不断加强外商投资审查，限制中国企业和产品参与其医疗器械公共采购，禁止对使用中国逆变器的项目提供资金支持。这些做法只会增加不确定性。

市场准入应当是双向的。

中国企业到欧洲投资以后，能否获得稳定、透明、非歧视性的待遇，需要欧方作出明确回答。

三是关键物项和知识产权。

中欧正在谈贸易如何平衡、市场如何相互开放、供应链如何保持稳定。但法德提出的新工具，解决的却是欧盟如何更快、更容易地采取限制措施。

这样的做法，无助于解决这些本在推进中的问题。

因此，欧方还需要回答第二个问题——所谓的贸易工具，适用边界在哪里？

正常的回应与所谓“经济胁迫”的边界。

法德提出的新工具，可能允许欧盟迅速追加报复。

这就容易出现一个问题，欧盟可以先采取措施，别人一回应，欧盟又把这种回应当作继续加码的理由。

对此，受影响国家仍可以在世贸组织框架下，依据本国法律采取相应措施。欧盟每增加一轮限制，也要承担更高的贸易和产业成本。

降低依赖与制造歧视的边界。

法德要求建立新的“多元化工具”。这项工具将考察欧盟从某个国家、某家企业进口商品的集中度，以及相关企业在全球市场的份额。

这听起来是在降低风险。

但如果最终按照企业国籍设置采购比例、投资门槛或者市场份额限制，企业面对的风险反而会增加。

一家企业到欧洲投资，最基本的问题是能不能进入市场？规则会不会突然改变？今天受到欢迎，明天会不会又因为国籍或者市场份额受到限制？

欧方要求中方提供稳定供应，也应当为中国企业提供稳定、开放、非歧视的市场环境。

稳定，应当是相互的。

欧盟自行判断与世贸组织规则的边界。

法德设想的新工具，可以调查一个国家的整体政策。

调查范围可以从一个生产环节扩大到整个行业，也可以从产业补贴扩大到汇率政策。

文件说，要覆盖“所有市场扭曲”。

“所有”两个字，范围很大。

如何定义“所有市场扭曲”？需要什么证据？企业又如何申辩和申请复核？

法德还提出采用“反向合格多数表决制”。欧委会提出行动后，只要没有足够多的成员国联合反对，措施就可以继续推进。

也就是说，启动工具可能变得更容易。

欧盟既负责判断什么是“不公平”，又负责决定采取什么措施，还可以降低内部表决门槛。

这样的工具如何符合世贸组织规则，欧方需要给出明确答案。

02 欧方可以怎么来谈？

中欧之间的很多问题相互关联。

经常参加中欧对话的复旦大学中欧关系研究中心副主任严少华告诉谭主：

只围绕汽车、化工等行业逐项处理，很难打破僵局。双方应当着眼长远和全局，探讨一项具有全局意义的安排，把贸易、投资、服务和技术等议题放进同一套框架。这个框架需要基于中国竞争力提升这一新的经济现实，划定双方都能接受的边界，包括协调绿色技术标准，并保障对等的市场准入等。欧方也应当同中方共同探讨平衡贸易的中长期路线图，而不是单方面设定期限。

现有磋商至少可以处理四类问题：

通过联合监测机制，共同核对插混汽车、化工等行业的贸易流量；

通过价格承诺等方式处理电动汽车争端，避免将摩擦扩大；

鼓励中国企业在欧洲投资，同时确保中资企业获得稳定、非歧视性的政策环境；

就关键物项建立更稳定的供应预期，同时解决中国企业在欧洲面临的市场准入限制。

如果在双方友好磋商期间，欧方随时准备加码，这不叫相向而行。

新工具可以抬高国际商品进入欧洲市场的成本，却不能降低欧洲企业的能源成本；可以限制国际企业在欧洲发展，却不能替欧洲完成产业升级。

毕竟，贸易不平衡是长期形成的结构性问题，依靠短期限制措施很难解决。双方都需要保持战略耐心。

本文来源：玉渊谭天

风险提示及免责条款

股价承压之际，英特尔确认推进马斯克“Terafab”芯片计划

Wed, 07 Oct 2026 09:51:45 GMT

股价承压之际，英特尔CEO陈立武最新表态有望缓解市场对英特尔在Terafab中合作地位的担忧。

10月7日，据彭博报道，陈立武在东京接受采访时表示，英特尔将继续参与Terafab。英特尔今年4月已签约成为该项目的开发合作伙伴，而此次表态也意味着，尽管近期项目合作出现新的变数，英特尔目前并未退出。

这一变数来自台积电。本周早些时候，马斯克透露正与台积电讨论Terafab的潜在合作。此前，马斯克曾排除台积电参与Terafab运营的可能性，如今重新展开合作讨论，引发市场对台积电潜在介入后英特尔项目角色是否受到影响的担忧。消息传出后，英特尔股价一度下跌3.9%。

Terafab是马斯克进军尖端芯片制造领域的一项计划，对英特尔而言，也是参与新一轮半导体产能扩张的重要合作项目。当前，随着各国政府和企业加快AI部署，芯片及相关零部件需求持续增长，全球半导体产业正加速扩充产能，供应链多个环节面临供给压力。

彭博此前报道称，马斯克已要求供应商以“光速”推进Terafab计划。目前，从滚珠轴承、芯片制造设备，到工业化学品和导轨等产品，多类工厂均处于满负荷状态，促使企业加快建设新的生产线。

风险提示及免责条款

2026年诺贝尔化学奖揭晓

Wed, 07 Oct 2026 09:49:00 GMT

Kagan、Kenso Soai获得诺贝尔化学奖。

风险提示及免责条款

从对冲力量到风险源：IMF首次将AI繁荣与石油、债务并列为“风险组合”

Wed, 07 Oct 2026 09:33:53 GMT

国际货币基金组织（IMF）正在改写对AI繁荣的定性。在下周主办全球经济首脑会议前夕，IMF将“失衡的AI繁荣”与旷日持久的能源冲击、创纪录的债务堆积并列，称全球正面临三者共同构成的“风险组合”，并呼吁各国政府紧急行动。

这是IMF行长Kristalina Georgieva的最新表态，其最大增量在于AI资本开支热潮首次被摆到与石油危机、主权债务同等的位置。此前IMF在报告中认为，人工智能及数据中心投资能在一定程度上对冲中东战争带来的能源短缺冲击；如今，这一“对冲力量”被重新定性为风险源之一。

对投资者而言，AI主题的政策环境正在发生变化。当IMF开始把“失衡的AI繁荣”视为宏观不稳定的来源、而非单纯的生产率故事时，各国政府“紧急行动”的呼吁意味着针对AI基础设施投资、能源供给与财政纪律的政策应对可能提上议程。

IMF警告的核心，是三大风险叠加传导可能放大冲击：能源冲击推高通胀与利率，利率上行又加重逼近警戒线的债务负担。而全球公共债务预计2029年突破GDP的100%、较此前预期提前两年，令这一链条更加紧绷。

AI：从对冲力量到风险源

在此次表态中，AI的角色发生关键变化。IMF此前曾指出，人工智能及数据中心投资抵消了部分能源短缺冲击；如今Georgieva的措辞是“失衡的AI繁荣”，将其与能源冲击、债务堆积并列，纳入全球面临的“风险组合”。

这意味着AI资本开支热潮首次从“增长引擎”一侧，被拉入“风险源”的讨论。IMF的担忧并非指向AI技术本身，而是其热潮在宏观层面的外溢——它与能源需求、债务融资的相互作用，可能放大单一冲击的破坏力。

债务：2029年突破GDP，较此前预期提前两年

债务是“风险组合”中数据最明确的一环。Georgieva此前在纽约出席经济论坛时表示，受美国等政府借贷快速攀升驱动，全球公共债务将于2029年超过全球GDP的100%，较此前预期提前两年。

她直言各国在财政整顿上“行动远远不够”，并已就美国财政问题与财政部长贝森特（Scott Bessent）进行专项讨论，双方均认同美国当前债务结构不可持续。

增长与通胀双向承压

压力信号已在更宏观的层面显现。IMF年内两度下调全球经济增长预测，最新预期2026年增速降至3.0%；经合组织（OECD）成员国整体通胀率近期升至两年高位。

能源价格高企与通胀黏性叠加，强化了市场对全球央行同步收紧的预期。在这一背景下，IMF将AI繁荣、能源冲击与债务堆积并列为“风险组合”，并选择在下周全球经济首脑会议前发出警告，凸显政策协调的紧迫性。

风险提示及免责条款

谷歌高管：Agent如何重塑AI基建

张硕 — Wed, 07 Oct 2026 09:29:07 GMT

谷歌AI基础设施首席技术专家Amin Vahdat表示长时程智能体是今年AI工作负载的最大变化之一。

打破人类与LLM秒级交互，毫秒级连续请求，推理解析更多在CPU，并不断抓取DRAM、SSD等上下文，催生海量编排。

加速器、CPU、网络、存储需求齐涨，数据中心设计面临混放或分楼权衡。他的工作难但有趣。

全球长端利率冲向新高：美债5.3%之后，美股还能撑多久？

Wed, 07 Oct 2026 09:17:03 GMT

随着全球长端利率持续飙升、债市抛售压力不断加剧，市场愈发担忧债市动荡将通过估值压缩、波动率抬升与流动性收紧等渠道向股市传导。

美国10年期美债收益率一度升至5.3%以上，30年期逼近5.70%，正迈向6%；两者均创2002年以来新高。英国30年期收益率自1998年以来首次触及6%；法国10年期OAT接近5%，法德利差扩至150bp以上，为2011年欧债危机以来最高水平。

全球长端利率普涨，主要由实际利率、期限溢价、财政供给、能源价格和资本需求合力驱动。而美国10年期收益率已明显偏离基本面合理价值且仍偏上行，这使美债相对于股票的估值吸引力正在快速增强。

目前美债波动率指标MOVE升至约108，而美股VIX仅约16，二者比值处于2000年以来91%分位，显示利率市场的剧烈震荡尚未有效传导至股票波动率。现阶段美股仍旧坚挺，纳斯达克100指数近期再破历史新高，标普500距8月高点不足2%，AI科技仍是主要驱动。

但等权标普500正面临连续7周下跌，小盘指数罗素2000较8月14日高点下跌8.5%，接近回调区间；KBW银行指数较8月中旬高点下跌超12%，公用事业板块自2月高点下跌约17%，未盈利科技企业和高杠杆企业在Q3下跌约11%。

这表明，长债利率高企已开始冲击美股中对利率敏感的板块。股市表面繁荣之下暗流涌动，风险传导效应正在累积。尽管9月份美国新增非农远低于预期，美联储加息概率骤降，但长端上行更多来自于实际利率与期限溢价。在较高的中性利率、财政供给以及通胀风险共同作用下，10年期美债收益率上行压力仍大，5%并非本轮长端利率的终点。

表面繁荣下的暗流涌动，风险正向股市传导

新债王：美联储的“水床难题”，美国赤字和通胀“按下葫芦起了瓢”

Wed, 07 Oct 2026 09:16:49 GMT

美国财政赤字与通胀正将美联储逼入一个无解的困局。

DoubleLine Capital创始人、CEO兼CIO Jeffrey Gundlach警告，无论美联储选择加息还是降息，都将付出沉重代价——这是一场"水床游戏"：压下通胀，利息支出问题就会鼓起来；放任通胀，债务压力又将进一步失控。

在近期接受UBS的Solita Marcelli专访时，Gundlach表达了对美国长期国债、股票估值和美元的全面谨慎立场。他认为，10年期美国国债收益率向6%靠拢的路径阻力最小，30年期甚至需要达到6%至6.5%才值得买入；标普500的席勒CAPE比率高达42，历史数据显示此后十年实际回报率基本为负；而一旦衰退来临，美元将面临至少20%的大幅贬值。

Gundlach的判断对固定收益和多资产投资者具有直接影响：他已将市值加权股票敞口降至零，转向等权重配置以规避AI相关标的的高估值；在固定收益端采用杠铃策略，同时增配实物资产至组合的20%，并看好新兴市场本币债和黄金。

债券供给压顶，信用市场开始分层

Gundlach将近期全球利率上行定性为一场系统性走势。他指出，除瑞士外，所有主要发达市场收益率均在上行，就连曾被认为"永远不会涨"的日本10年期国债收益率也已突破3%。

驱动这一走势的核心因素是债券供给的急剧扩张。美国预算赤字持续扩大，未来数月的发行规模估计在9000亿至1.4万亿美元之间，叠加AI相关领域的大规模融资需求，正在对投资者吸纳能力形成明显压制。

Gundlach注意到，信用市场已出现初步分层迹象。在投资级市场，非AI类债券利差仍处于约70余个基点的历史窄位，而AI类债券在过去八至十二个月间已走阔约60个基点。高收益市场的分化更为显著：非AI高收益债券利差变化有限，而AI类高收益债券利差已走阔逾150个基点，交易表现类似深度垃圾级。他以甲骨文债券为例，指出其实际交易利差远宽于其BB或BB-的官方评级。

Gundlach认为，这种分化更多折射出市场对相关评级可信度的质疑——部分非传统评级机构相对于其规模评出了数量不成比例的债券。与此同时，AI类发行人还将持续增加供给，与财政部的国债发行形成叠加压力。

估值高企，长端国债缺乏吸引力

在利率上行背景下，股票估值面临的压力同样不容忽视。Gundlach援引数据指出，截至7月底，标普500的席勒CAPE比率为42.04，是历史最高水平之一。根据历史记录，当CAPE比率高于35、尤其是处于42附近时，标普500此后十年的实际回报率基本均为负值，最好的情况也接近-5%至-6%。

在利率判断上，Gundlach认为10年期美国国债收益率目前的合理锚定区间，取决于所使用的模型。若采用名义GDP作为基准——七年均值约为6.1%——则10年期收益率理论上可达6%；若采用名义GDP与德国10年期收益率的混合模型，则目前约4.9%的水平已基本合理，现有水平略高约25个基点。

在此基础上，他明确表示不会买入长期国债，除非10年期收益率达到6%、30年期达到6%至6.5%。"最小阻力路径显然是向上，"他说，尤其是在大宗商品价格持续走强、通胀难以回落至2%的背景下。他还指出，TIPS与名义债的隐含通胀预期或许低估了实际压力——密歇根大学、谘商会等消费者信心调查均显示通胀预期正在上移，而Costco近期将自有品牌机油价格翻倍并实施配给，在他看来是消费者提前购买、预期涨价的典型信号。

杠铃策略应对不确定性，新兴市场本币债成为少数亮点

面对上述环境，Gundlach将资产配置划分为股票、常规固定收益、实物资产和干粉四个维度，整体立场偏防御。

在固定收益端，他采用杠铃策略：一端是包含政府担保证券、证券化产品和MBS的"纯安全"资产，另一端则是精选的高质量浮动利率工具。他特别看好2020年前发行的非政府担保MBS——由于彼时购房对应的房价至少已上涨50%，底层贷款违约风险极低，同时可在五年期国债约5%的基础上获得约120至130个基点的利差，合计收益率约6.25%至6.30%，Gundlach将其定性为"无风险利差"。AAA级CLO因同样具备顶层信用保护，且在利率上行预期下受到浮动利率属性加持，亦是他的持仓方向，但因凸性欠佳而未大量配置。

新兴市场本币债是他点名的少数正回报品种。他指出，这是传统固定收益中年初至今表现最好的细分市场，且一旦美元走软，还能额外获得汇率收益。

实物资产方面，Gundlach将组合中20%配置于此，其中10%投向商品基金，并认为黄金近期走弱后已进入适合长期积累的时机。在他看来，商品综合体才是年初至今表现最好的传统资产类别，跑赢了所有股票市场和美国各类债券。

美元结构性走弱，衰退或成导火索

在美元前景上，Gundlach持明确的结构性看空立场。他的核心逻辑是：美国财政赤字目前已接近GDP的6%至7%，经济名义上表现尚可时赤字已在扩大；一旦衰退到来，赤字可能飙升至GDP的12%，约合3.6万亿美元，超过当前税收收入的一半。届时，美联储将面临要么大规模印钞、要么债务重组的极端选择，两者对美元均构成严重压力。

他引用2025年"缩减恐慌"事件作为这一判断的重要佐证。过去标普500每次跌超10%，美元几乎无例外地上涨8%至10%；但最近一次标普500下跌约18%时，美元却同步下跌了8%至10%——这与美元的传统避险属性完全背道而驰。Gundlach认为，这标志着2020年后利率从长期下行切换至长期上行的新体制下，许多旧有规律已经失效。"一旦衰退到来，我认为DXY至少会下跌20%，"他说。在此情景下，新兴市场本币债、非美资产、黄金和广义大宗商品均有望受益。

"水床困局"：美联储无法同时解决通胀与利息支出

Gundlach将美联储当前处境总结为一道无解题。他认为，美联储实际上已在事实上拥有了两个新的"双使命"：抑制通胀和控制利息支出——而这两个目标天然相互冲突。加息可以压制通胀，但会推高利息支出；降息可以缓解债务压力，但会重燃通胀。"就像水床，"他说，"压下一处，另一处就会鼓起来，你只是在把问题推来推去。"

他对AI资本开支驱动的增长同样持怀疑态度，认为这一周期不可持续。当AI热情从狂热转向质疑，资本开支大幅下降将成为下一轮衰退的主要诱因，而衰退将使上述财政困局全面爆发。他将这一时刻称为"非常非常沉重的清算时刻"。

对于美联储，Gundlach建议按兵不动或许是当前的次优选择——"至少他们知道自己站在哪"——但这并不意味着问题会消失，只是在拖延无法回避的抉择。

以下为访谈全文：

主持人（Dan Cassidy，UBS）：
大家好，我是 Dan Cassidy，欢迎回到 UBS Market Moves 播客频道。今天我们将带来一年一度的“返校季市场展望”对谈，嘉宾是 DoubleLine Capital 的 Jeffrey Gundlach。今天由 UBS 的 Solita Marcelli 主持本场对话，她是 UBS 全球投资管理负责人。Solita，交给你了。

主持人（Solita Marcelli，UBS 全球投资管理负责人）：
早上好，Dan。非常感谢，大家好。我很高兴今天与 Jeffrey Gundlach 同台。他是 DoubleLine 的创始人、CEO 兼 CIO。考虑到他多年来一直是行业最具影响力的思想领袖之一，尤其在固定收益领域，我想 Jeffrey 不需要太多介绍。Jeffrey，感谢你的加入。我认为这场对话的时机特别好，因为利率、通胀、美联储等方面都出现了最新进展。那我们就直接开始吧。

先从本周热点话题谈起：昨天利率的剧烈波动。10 年期国债收益率上升了近 17 个基点，达到 2007 年以来的最高水平。

市场波动与债务

Solita：
5 年期收益率首次突破 5%，也是 2007 年以来首次；30 年期则接近 2004 年的高点。虽然我们收到了 PMI 走强这样的新数据，但整体感觉固定收益市场内嵌了更多不确定性。你如何刻画最近这轮走势？

Jeffrey Gundlach：
首先，这是一轮全球性走势。除瑞士外，所有发达市场利率都在上升。甚至在日本，收益率我想也已经升破 3%。人们曾以为日本收益率永远不会上升，因为它被如此小心地控制着，但日元的走弱导致政策出现了某种程度的转变。

推动这一切的因素之一，就是债券供给。目前发行规模巨大，因为预算赤字不断扩大，而且看不到尽头。比如现在我们要在格陵兰再建两个军事基地，我不知道要花多少钱，但我记得我们从阿富汗撤军时放弃的那个巴格拉姆基地，造价大约是 3000 亿美元。这件事正在发生，此外还有 AI 及 AI 相关领域的大量发债。未来几个月的发行规模，我看到过不同估计，大约是 9000 亿到 1.4 万亿美元。

这确实在压制投资者的需求。我们第一次开始看到一些初步迹象——我不敢说这些迹象非常有说服力——信用开始出现分层。特别是，如果你拿 AI 类发行人与公司债市场其他所有发行人比较，会看到完全不同的面貌。

在投资级市场，非 AI 投资级债券的利差基本处于最窄水平，相对国债利差在 70 多个基点；但 AI 类债券在过去大约八个月到一年里已经走阔了约 60 个基点。从信用分析角度看，这也许构成、也许不构成信用问题。我认为这更多是因为投资者怀疑部分 AI 相关债券所获得的评级。注意，当 SpaceX 发债时，人们多少有些惊讶：IPO 之后不久它就借了大约 850 亿美元，而且拿到了 BBB- 评级——众所周知，这是投资级的最低档。只要保有投资级评级，保险公司就会给予优惠的资本待遇。而市场几乎立刻拒绝了这个 BBB- 评级，这些债券的交易表现就像单 B 级信用。

再看高收益类别，AI 债券的走阔幅度大得多。非 AI 高收益债券利差也走阔了一点，但幅度不大，大致仍处于过去一年所处的区间。但 AI 债券截至上周已经走阔了 150 个基点——我最近一直在出差，没拿到最新报价——但 150 个基点，意味着它们交易起来就像深度垃圾级的品种。比如甲骨文债券，我记得评级是 BB 或 BB-，实际交易利差比评级宽出几百个基点。

我认为这更多是因为这些评级正受到质疑。这些评级来自一些非传统评级机构，其中一些机构相对于其人员规模评了多得离谱的债券。所以市场知道这些评级可能有水分。但除此之外，市场还假设——我认为这个假设是准确的——这类名字还会有更多发行，而这又与财政部发债叠加在一起。

我不认为 Scott Bessent 宣布“扭转操作”（Operation Twist）的日子是巧合——就在官方债务钟上的国债总额突破 40 万亿美元的第二天。今年早些时候我接受一位播客主采访时聊到 4 美元汽油，以及那是个心理价位。过去六个月左右的事实证明这似乎是对的：当油价低于 4 美元时，人们似乎并不太在意；而现在全国均价大约在 4.40 美元，加州可能已经是 7 美元了。我几周没去过加州了。看看价格会走到哪一步会很有意思。

所以现在市场上存在大量不安。汽油的 4 美元关口确实意义重大；国债的 40 万亿关口——六个月前我在这个播客上说过，我们年底会达到 40 万亿，这可能被证明是个心理价位——现在看来确实如此。突然间，“我们突破 40 万亿”成了大新闻。现在债务上限定在 41.1 万亿，而我们又得围绕债务上限再做点什么——又一场斗争，这对市场没有好处。

我们目前正处于一个季节性阶段，出于某种未知原因，9 月和 10 月似乎季节性偏弱。这个 9 月确实非常糟糕——还剩几个交易日，但 10 年期国债和长债收益率在过去一个月里上升了约 45 个基点。于是我们看到彭博综合类指数（Agg）的债券回报从还算可以、接近零、也许负 0.5% 左右，跌到投资级债券约 -3.5%。这毫不意外地给股票估值带来压力。

标普 500 的席勒 CAPE 比率——截至 7 月 31 日，我拿到的最新数据——为 42.04，是有史以来最高之一。

估值与利率

Jeffrey：
而在利率上升的环境下，这么高的 CAPE 比率越来越难维持。回顾很长历史时期，当 CAPE 比率处于这一水平——事实上只要高于 35——标普 500 的后续 10 年期实际回报率基本从未为正，一直是负的。而围绕我们现在的 42 附近，有几个数据点：在录得 42 左右 CAPE 比率之后，标普 500 的 10 年期远期实际回报率大约在 -6%，最好的一个数据点也是 -5% 左右。这就是我们身处的环境。

至少债券不再像五年前那样荒谬地高估——那时实际利率是深度负值。现在债券收益率 5% 的情况下，实际利率至少是正的。但历史上，当人们质疑债务管理方式时——比如 80 年代和 90 年代初——投资者通常要求至少 200 个基点的实际回报率。而现在通胀率——市面上有很多不同口径的序列，我们就取 3% 吧，我认为真实通胀可能比这个数字还略高一点。这意味着 10 年期国债要 5%。而我们现在就是，5.14%。

但如果赤字继续困扰人们对金融市场定价的判断，我的观点是：要让我对 30 年期国债感兴趣，我至少要 250 个基点、甚至 300 个基点的实际回报率。如果通胀率是 3%，那就意味着 30 年期国债要 6%。如果在几年前跟人说这个，他们会觉得绝不可能。但现在我们已经在 5.44%，是约 20 年来的最高水平。所以最小阻力路径显然是向上，尤其是大宗商品综合体还在继续繁荣。

年初至今表现第一的资产类别——如果只用传统指数衡量——是彭博大宗商品指数，它跑赢了所有股票市场，跑赢了所有美国债券板块。所以大宗商品市场确实在繁荣。这对商品投资者是好事，但对黄金持有者就不那么友好了，因为黄金在去年大涨到今年第一季度后陷入了停滞。而油价就是不肯下跌。我们总在期待某种神奇的事情发生：战争结束、油价下跌——也许会吧。但我们已经把美国战略石油储备消耗掉了很大一块，而且没法再大幅消耗，因为不能把储备里的油全部抽干，降到一定水平以下油会变质。所以你们必须回补战略储备。

不只是美国。看全球石油储备，按桶数计处于几十年来的最低水平；再对比几十年间不断增长的人口，以及随人口增长而增长的石油用量——这是一个非常低的储备水平。所以尽管如果战争传来好消息，油价也许会回落，但我不认为会跌到 50 或 60 美元。我认为政府会想开始回补石油储备。我不知道具体数字，我不是政策制定者，但我猜大概在 70 美元附近。油价也许会跌，但不会跌回战前水平。而且我们还没有看到这些高企油价的全面冲击半径真正展开，而它将在未来几周和几个月内展开。化肥价格很可能上涨，航运费率在飙升，某些航运走廊的涨幅达到 400%。

所以，我看不到通胀降到 2% 的现实依据。上周美联储新闻发布会前的活动中我就指出了这一点：点阵图和经济预测摘要（SEP）显示，委员会预测今年年底 PCE 为 3.7%，这是委员会的中位数预测；而到 2027 年底，他们说是 2.3%——这是 1.4 个百分点的降幅，我不知道这个降幅的逻辑是什么。它不会凭空发生，通胀也不会在商品价格综合体处于当前水平时凭空下降。所以要降到 2.3%，我认为你得加息。

当然，现在债市经历了 9 月的这波大幅波动后——还记得 1 月份时，债市预期今年美联储会降息两次。我在美联储发布会后说过：“如果你押注这个，你押错了马，因为 2026 年不会有降息。”而现在，我们看到的是今年加息两次——我总是顺口说“降息”，其实是加息——10 月一次，也许 12 月一次。有人看不起 10 月加息的想法，因为临近中期选举，但我认为这个论点很荒谬。现在已经有提前投票了，人们正在投票。我知道这在政治上可能不好看，但我不认为这是真正影响选举的因素。所以美联储可能会再加息一两次。2 年期国债在 4.9%，这暗示联邦基金利率应该大约在 4.5% 左右，而实际只到区间上限的 4%。

于是我开始思考：基于过去一些有用的指标，10 年期国债收益率应该在哪里？我说的“过去”是指过去 40 年，回溯到 1986 年。很奇怪，过去我们常以美国名义 GDP 作为 10 年期国债收益率的起点。现在 10 年期收益率在 5.15%。目前名义 GDP——我们用的是七年均值——是 6.1%；而这个季度的 GDPNow 实际增速看起来是 5 字头。所以 6% 对美国 10 年期来说并非不合理。

十年前我们还建立了一个模型，纳入这样一个事实：当其他 19 万亿美元的债券收益率被操纵到负值水平时，美国利率是正的。我们开始把美国名义 GDP 与德国 10 年期国债取平均。用这个模型测算，10 年期国债现在应该在 4.9%。所以在 GDP 模型下，10 年期目前略显偏高，但高得不多，也许 25 个基点左右；而纯用名义 GDP 则可能达到 6%。

我不会买长期国债，除非收益率到 6% 左右，30 年期甚至可能要到 6.5%。我们看到，美联储进入更紧的模式后，收益率曲线大幅趋平。2 年/30 年期利差一度在 130 个基点，现在大约 55 个基点，趋平幅度很大，这让长端更缺乏吸引力。

这就是我对当前状况的基本判断。自 7 月底、实际上是 8 月中旬以来，我们对所有市场都持防御姿态，主要原因是估值——我前面谈到 CAPE 比率；在这次债券收益率上行之前，估值看起来就相当没有吸引力。另外正如我前面提到的，季节性因素就是不好。9 月、10 月出现负回报并不奇怪。我就讲到这里，看你想往哪里带。

组合策略

Solita：
非常感谢，Jeffrey。你触及了很多内容。把它们串起来说：当前固定收益里最好的机会在哪里？我们知道你对长端谨慎、喜欢短端。但看整个固定收益宇宙——证券化信用、新兴市场等等——你认为最好的机会在哪里？

Jeffrey：
我把资产配置分成四块：股票；常规固定收益，即以彭博指数为导向的那类思考；实物资产；最后是“干粉”（dry powder，即现金类备用弹药）。

股票方面，我真正想做的就是避开估值过高的震中。大约两周前起，我把市值加权敞口降到零。不再把 40% 到 50% 集中押在 AI 及 AI 相关标的上——那正是估值过高的推手——而是转向等权重，这样几乎不持有 AI 及 AI 相关标的。所以在这个类别上我并不保守。

固定收益方面，我采用杠铃策略，这有点不寻常——这是我职业生涯中第一次真正使用这个策略：一端是真正安全、不含公司债的部分，只有政府证券、证券化产品和抵押贷款支持证券（MBS）。目前什么是无风险的？是五年或更早发行的、非政府担保的 MBS，因为虽然房价现在正在温和下跌，但这些池子底层抵押贷款对应的房价至少上涨了 50%。假设有人以 100 万买房、贷款 80 万，现在房子值约 150 万，贷款价值比（LTV）接近 200%。没有人会违约——房价 180、按揭 80，只有蠢到家的人才会违约。所以你能拿到利差，行情好的时候大约 130 个基点，利差特别窄时大约 120、115。但我相信这是国债之上真正无风险的利差。五年期国债区域是 5%，所以你能拿到大约 6.25%、6.30%，而我认为这是无风险资产。这是我们的重要持仓之一。

另一个无风险资产是 AAA 级 CLO——我们没有大量持有，原因主要是凸性不好。最近人们开始考虑美联储加息，AAA CLO 变流行并不奇怪，因为大家想要资本结构顶层的浮动利率资产。AAA CLO 若真出现亏损，那麻烦就大了——这不是严谨的分析，但我确实认为 AAA CLO 不会亏损，全球金融危机期间它们也没有。在那边你能拿到大约 100、110 个基点的利差。同样，我认为这些都属于无风险利差。

还有一个是新兴市场本币债，这也是我很久没有做的品种。它有个双重好处：它实际上是传统债券板块中年初至今表现最好的，涨幅不大，大约 4%，9 月这波调整后大概只剩 1% 到 1.5%。但如果美元走软，你还能获得汇率收益。无论如何，你有一个正回报——而债券市场上几乎没有什么是正回报的。正如我所说，大部分品种跌了 3.5%，有些跌了 4.5%。所以你必须采取防守。

实物资产占组合的 20%。我认为其中 10% 应该放在商品基金里。金价最近走弱后，我认为现在是时候为长期积累目的增持黄金了。我们在寻找能对冲更高利率的品种。

六年来我一直坚持一个判断：2020 年是利率的周期性底部。现在利率已经上行 500 个基点，这个说法不再有争议。但我认为人们犯的根本性错误来自他们的经验，尤其是对入行 20 到 25 年的人来说，他们真以为现在的利率很高。人们把这说成买国债拿 5% 的“绝佳买入机会”，当然这比 3% 好得多，通胀率虽然不在 2%，但至少比较稳定，直到明年二季度同比高基数效应退去之前，通胀大概不会真正开始回落。但 5% 的利率真的不算高。

我认为人们被过去——2020 年之前大约 20 年——利率为零的岁月给惯坏了，以为利率为零、长债低于 2% 是什么自然常态，其实不是。我认为真正让投资者困惑的，是私募信用、私募股权领域的人一直说：“等利率降下来，我们就能退出，就不用一直做延期和接续基金了。客户想要回钱，而我们无法清算，有数万亿美元被困在私人公司里。”但利率不会像那样下降。那是异常状态。我认为 5% 的利率基于名义 GDP、基于名义 GDP 与德国 10 年期收益率模型，完全合理，而 GDP 看起来还在上行——甚至可能是靠补库存推动的，这让我担心通胀重新点燃。我小时候记得，包括我家人在内，人们一旦感觉价格要涨，就会提前购买。上周就有一个很好的例子——只是一个例子，但很有意思：Costco 把 Kirkland 自有品牌机油价格上调了大约 100%，直接翻倍，同时告诉顾客要配给供应，每月只能买一定数量。我认为 Costco 的算盘——我认为他们这么做很聪明——是：当你把某个东西价格翻倍，人们会想：“我老听说金价要涨到 100 美元，他们已经把机油翻倍了，说不定还会再翻一倍。”于是人们开始囤积、提前购买。

我注意到最近 GDPNow 上修中，消费支出和库存回补都在增加，暗示消费者可能在预期价格上涨而提前购买，零售商也可能在囤积库存，心想“现在买进，年底转手说不定能卖更高价”。所以我不认同那种“这都是实际利率的问题、通胀预期并没有真正变化”的说法——当然，拿 TIPS 与名义债比较你可以得出那个结论，但我不买账。看消费者信心指数——密歇根大学、谘商会等等——我认为我们开始看到通胀预期上移了。

所以这是一个：今年股票做得不错、商品做得非常好的时期，而债券完全没有任何好表现，除了新兴市场本币债。我仍然站在“长端利率最小阻力路径向上”这一边，直到扭转操作真正发力——而这还没发生。60 亿美元的回购量，相当于一天的赤字规模，什么都不是。当然，他们确实有能力控制利率：40 年代到 50 年代中期我们看到过，日本几十年里我们看到过——后来他们费了那么大力气维持收益率，最终也做不到了，现在也加入了利率更高的行列。所以我在信用上仍保守，在久期上仍保守。

Solita：
谢谢 Jeffrey。你提到了新兴市场本币债，我们也聊了很多关于赤字和高利率的内容。那么当前的财政赤字和高利率环境对美元意味着什么？

美元与财政政策

Jeffrey：
我认为美元的问题是：当——不是如果，而是当——美国陷入衰退时，美元将出现严重走弱。我认为它完全不会成为避险资产。过去四年左右金价的大幅上涨已经说明了这一点。我认为美元会因赤字问题而下跌。赤字已经在每年 2 万亿美元左右运行。还剩一个月的财政数据要公布，所以可能变化，但 2026 财年（本月底结束）的赤字占 GDP 比重将是五年来最高的，而这个季度 GDPNow 的名义或实际增速在 5% 左右。也就是说，经济名义上 supposedly 表现很好的时候，赤字却在扩大。而一旦形势逆转，赤字将大幅增加。我们现在大约占 GDP 的 6%；如果把所有战争开支和官方赤字未计入的救灾支出都算进来，更接近 7%。衰退一旦到来，很可能冲到 GDP 的 12%——当然那会是骇人的赤字，大约 3.6 万亿美元，超过当前税收收入的一半。

所以针对这个财政问题，我们必须采取某种行动，尤其是在下一轮衰退来临时。其实我们现在、在衰退到来之前就该做，但遗憾的是政治不是这样运作的。下一轮衰退中，我认为美元会下跌。DXY 指数一直稳得离谱，简直像被操纵了——它 heavily 受欧元影响——年初至今低点在 98 附近，而今天接近高点，大约 101.5，但波动区间还不到 4%。所以当 DXY 在下一轮衰退中开始下跌时，我认为至少跌 20%。美元大幅走软意味着新兴市场本币债可能表现好，任何非美元投资可能表现好，黄金和广义大宗商品也可能表现好。

我认为对我美元结构性看空的最大印证出现在去年“缩减恐慌”（taper tantrum）时：标普 500 陷入调整——那是 2020 年以来第 13 次调整，定义为跌幅超过 10%。在前 12 次调整中，每次标普跌 10% 以上，美元每次都上涨，DXY 每次都涨约 8% 到 10%。但最近一次调整——2025 年的缩减恐慌——标普跌了约 18%，美元却跌了约 8% 到 10%。与美元在标普 500 这类资产风险规避时期的典型表现完全相反。

这印证了我的观点：当我们从 1980 年到 2020 年持续 40 年的长期利率下行体制，突然切换到长期利率上行体制——这就是我所说的当下——一切都变了。有一个例证很有说服力：持续最久、最具经济学驱动、最学究气的分析者之一，是 Hoisington 的 Lacy Hunt。他们值得称道地在收益率还是两位数、甚至 35 到 40 年前的中双位数时就转为看多国债，并一直看多到今年年初——他们确实赖着不走了。2021 年进入 2022 年大熊市时他们坚决看多国债，整个熊市期间一直看多。但几十年来看多债券之后，他们在 2026 年第一季度或第二季度初第一次转为看空债券。

我认为这非常说明问题：他建立了一套用了 40 年的框架，这框架 35 到 40 年一直有效，他继续沿用，但当他把它套用到 2021 年之后、当然 2020 年之后的债券市场时，彻底失效了。值得再次称道的是，他认定这个框架不再有效了。这个框架在长期牛市中是有用的、有益的，但现在照镜子看到的是：不再是长期牛市，而是长期熊市。这就是他得出的结论。当然，他这个看空判断也赚了一些钱，但如果 2020、2021 年就想明白，会赚得多得多。

我认为我们身处“规则倒转之地”，人们最需要考虑的一点就是：旧规则将越来越不适用。想想我们和加拿大曾经是多么好的朋友——那么大的贸易伙伴，文化理念相近，政府形式差别不大。我小时候过境根本不用出示证件，说“我要去多伦多”就完事了。现在他们在谈成为欧盟的联系成员国，还把我们定性为某种“经济敌人”。你还需要看到什么，才能明白这套框架的根基正在改变？所有这些都在我的思考之中。

所以我认为压垮骆驼的最后一根稻草是衰退到来、赤字升到 3 万亿甚至 4 万亿美元这种不可想象的数字时。你要么印钱——对利率和通胀都没好处——要么重组债务：调低票面利率、展期或其他极端激进、注定会遭遇强烈反对的措施。所以你应该思考的是这些。

我指出过，美联储面临真正的两难：如果抗击通胀、加息，就会恶化利息支出问题，这是个大问题；但如果不加息，也有问题——那就是通胀问题。你有通胀问题，但如果你对抗通胀问题，你就有债务利息支出问题。两个选择都很糟糕。也许美联储想按兵不动，因为至少他们知道自己站在哪。但这就是美联储的两难：加息是问题，降息也是问题。

我一直说美联储有两个使命：充分就业和稳定的 2% 通胀。我说他们现在仍有两个使命，但显然就业已经不是他们关注的使命了。Kevin Warsh——不对，我是说当前的美联储主席——发表的言论里也许只有 5% 谈到就业率，只说一句“就业稳定强劲、处于平衡、完全没有问题”。所以至少在我看来，那不是他们聚焦的使命。我认为他们现在的双使命是利息支出和通胀率。

美联储使命与展望

Jeffrey：
不幸的是，这两者将永远处于张力之中。Jay Powell 过去总说就业和通胀的双使命目前是相容的；到去年，他最后一年，两者开始更有冲突，他开始谈论双使命之间的张力，但失业率停止上升、回落到 4.1% 后，这个矛盾缓和了。但现在双使命永远处于张力之中，因为它是通胀和利息支出，你无法同时解决两者。你压下一个，就像水床：压下一处，另一处就会鼓起来，你只是在把问题推来推去。这是个困难局面，但这是我们自作自受。

我连续 20 年一直在抨击这个被无视的赤字和利息支出问题。人们问我该怎么办，我说：让 Elon Musk 发明一台时光机，我们回到 20 年前，开始做一个财政负责任的国家。当然不可能，我在开玩笑。但确实有人问过我：如果你掌权，你会怎么做？我会说：告诉国会，你必须削减 1 万亿美元开支，必须在 2027 财年年底前找到削减 1 万亿美元开支的办法。这就是我会如何着手解决这个问题。这在经济上不会好看，但不幸的是，采取伤害较小措施的机会窗口已经过去了。

Solita：
Jeffrey，你提到了衰退的影响，但你并不认为衰退很快会来吧？

Jeffrey：
我认为当 AI 行业收缩时——我觉得我们已经过了 AI 峰值——衰退就会来。我大概从六七月份开始有这种感觉，当时叙事从“AI 是人类历史上最好的东西，我们都能退休去塔希提过奢华生活，AI 会为我们做一切”，突然变成“不过你会先失业，AI 会杀死工作”。这还不够吓人，所以从几周前开始，叙事又变成“AI 可能会在这个十年结束前杀死我们所有人”。这可是我见过的最恐怖的吓人攻势。我认为这是为了制造某种政府干预，围绕现有 AI 公司筑起护城河。但政府干预帮不上忙。

所以当 AI 狂热转变为 AI 怀疑——我认为正在进行中——我们会看到资本开支大幅下降。我不知道什么时候发生，是未来六个月还是十八个月，我不知道，没人知道。所以衰退大概率会在未来几年内到来。我认为 AI 的当前形态无论如何都不可持续。我们的经济完全由 AI 资本开支驱动，整个经济就靠这个，这是一个前所未有的大规模资本开支周期。基于这个周期，标普 500 的盈利预期在上调，今年预测涨幅我甚至不知道现在是多少，30% 还是 36%。而人们还在外推，认为盈利增长会持续，虽然没那么高、但仍异常高。我会大力做空这个想法，因为这类事物看起来都势不可挡，直到突然不是了。

这跟 2000 年的动态不同——至少当时一些公司在赚钱，但现在很多公司在流血。所以有些相似性。衰退的诱因就是这个。当它发生时，正如我所说，我们运行政府的方式将迎来一个非常非常沉重的“清算时刻”。

Solita：
好的，非常感谢 Jeffrey。你留给我们很多值得咀嚼的东西。听你分享总是令人愉快。从利率到通胀、美联储、全球市场、地缘政治、组合构建、股票——今天的视角覆盖非常全面。真的非常感谢。

Jeffrey：
谢谢邀请。我很享受做这个节目，感觉我们已经合作了好几年。非常感谢我们两个机构之间的合作，非常愉快、非常令人满足。感谢邀请。最后，大家为比尔队加油吧——比尔队 2 胜 0 负，接下来三场比赛我会到现场看，会非常激动。祝大家年底一切顺利，祝大家好运。

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？

Wed, 07 Oct 2026 09:07:26 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。

特朗普：对伊朗的军事行动 “必须收尾了”

新华社 — Wed, 07 Oct 2026 08:50:56 GMT

据美媒报道，美国总统特朗普6日在马里兰州斯帕罗斯角发表讲话时称，对伊朗的军事行动“必须收尾了”。

特朗普说，美国对伊朗的军事行动“做得很棒”，对伊行动“必须收尾了，唯一要考虑的问题是以哪种方式收尾，是以柔和的方式或是强硬的方式”。

自2月28日美以对伊朗发起军事打击以来，美国对伊朗实施空袭、海上封锁、经济施压等，目前冲突仍在持续。

文章来源：新华社

风险提示及免责条款

华为余承东：芯片基本摆脱对美依赖，整机利润率正在急剧下降，未来不得不涨价

Wed, 07 Oct 2026 08:02:46 GMT

华为正加速构建从芯片到操作系统的自主技术体系，但内存成本暴涨正在侵蚀利润，余承东直言，华为未来不得不涨价。

10月5日，华为发布9月29日国际媒体圆桌会议摘要。华为常务董事、产品投资评审委员会主任、终端BG董事长余承东会上表示，自2019年以来，华为持续推进芯片、操作系统和基础软件自主研发，并与国内供应链合作制造先进芯片。2023年，华为重新开始在国内生产智能手机所使用的芯片。余承东表示，如今，依靠芯片、HarmonyOS以及中国本土供应链、材料和工艺节点，华为已经基本摆脱对美国技术的依赖。

在芯片方面，华为最新发布的Mate 90系列搭载麒麟9050 Pro，整机性能较上一代提升31%；HarmonyOS 6和HarmonyOS 7目前已运行在超过9000万台设备上，预计年底突破1亿台。与此同时，华为正在继续扩大LogicFolding芯片的应用，并逐步推进HarmonyOS全球化。

不过，技术自主能力提升并未消除成本压力。余承东表示，内存价格大幅上涨已使每部手机新增成本超过200美元，华为此前通过自行吸收部分成本、放缓涨价来减轻消费者压力，但整体利润率已经“急剧下降”。他直言，未来华为也“不得不提价”。

从芯片到鸿蒙，华为持续扩张自主技术与生态版图

最新发布的Mate 90系列搭载麒麟9050 Pro。余承东表示，该芯片的基带、ISP、移动安全处理器、CPU、GPU以及采用达芬奇架构的NPU均由华为自主设计。与此同时，华为通过系统级优化进一步提升芯片能效和整机性能。

华为也在将LogicFolding技术应用于更多手机。该技术基于“韬定律”，通过垂直堆叠逻辑层、加强层间高密度互连重构电路布局，从而缩短关键路径、降低延迟，目前已应用于麒麟9050 Pro。余承东表示，未来将有更多华为手机采用搭载LogicFolding技术的芯片。

在软件生态方面，HarmonyOS已成为华为自主技术体系的重要组成部分。余承东表示，目前运行HarmonyOS 6和HarmonyOS 7的设备已超过9000万台，预计今年年底突破1亿台。鸿蒙生态的应用和服务数量已超过45万个，全球注册开发者达到1100万人，应用创新合作伙伴超过2.3万家。

余承东坦言，构建一个全新的操作系统生态“极其困难”。经过多年投入，华为已逐步建立起自己的应用和开发者生态。

对于海外市场，华为目前仍采取循序渐进的策略。余承东表示，公司正在考虑逐步将HarmonyOS推向全球，但目前仍处于初步计划阶段，未来将“慢慢推进、一步一步”。

内存涨价令单机成本增加超200美元，华为利润率大幅下滑

真正让华为面临压力的，是内存成本大涨。余承东表示，内存价格大幅上涨后，每部手机新增成本超过200美元。由于华为手机采用的内存规格较高，受到的成本冲击也更明显。

面对成本上涨，华为此前选择自行吸收部分成本，没有快速将压力完全转嫁给消费者，并以较慢速度提高售价。但余承东坦言，这已经导致华为整体利润率“急剧下降”。

“未来我们也不得不提价。”余承东表示，如果持续亏损，业务将无法维持，公司首先需要“生存下去”。

他认为，手机价格普遍上涨后，低端市场将承受更大压力，厂商会进一步向中端和高端市场集中。对于华为而言，高端市场本身就是其优势所在。

风险提示及免责条款

十年后的超算长什么样子？

张雅琦 — Wed, 07 Oct 2026 07:54:27 GMT

谷歌AI基础设施负责人Amin Vahdat表示，十年后超算的形态无人能精确预测，但集成度将大幅提升：机架更紧密、集中制造、单机架或达兆瓦级，只需接入水、电、光纤即可运行。

ASIC、存储和光模块等组件的“尾部风险”：美国缺电，装上机架却通不了电

Wed, 07 Oct 2026 07:14:05 GMT

美国AI基础设施的瓶颈，正从“缺芯片”转向“缺电”，而电力不足首先威胁的可能不是英伟达，而是ASIC、存储、光模块和电源管理等供应链尾部。

摩根士丹利最新报告称，美国数据中心2026年至2028年预计面临约34%的净电力缺口，相当于32GW。报告认为，英伟达和博通的2027年业绩预测暂不受实质影响，但电力短缺可能导致芯片无法按计划部署，进而给下游组件带来订单推迟、取消和库存调整风险。

核心区别在于，英伟达GPU单位电力产出更高，且头部芯片厂商对最终部署地点具有较高可见性；相比之下，ASIC对电力资源更敏感，而存储、光学和电源管理等产品更容易受到客户备货和项目延期的影响。

据华尔街见闻此前文章，甲骨文威斯康星州1.3GW的“Project Lighthouse”正是这一风险的现实映射：输电审批重启后，项目全功率供电最早可能推迟至2028年10月，悲观情景甚至延至2029年春季。AI服务器即使已经装上机架，没有电，也无法转化为实际算力和收入。

英伟达和博通：需求可见性更高，ASIC承压更大

摩根士丹利认为，英伟达和博通的管理层已经将土地、电力和机房（LPS）约束纳入指引，同时两家公司对芯片最终部署地点具有较高可见性，全球化布局也降低了对美国单一市场的依赖。

产品效率同样重要。英伟达GPU每吉瓦能够产生更多token，在电力有限的情况下更具部署优势。相比之下，ASIC单位电力产出较低，需要争夺更多LPS资源，因此更容易受到电力瓶颈影响。

英伟达CEO黄仁勋和博通CEO Hock Tan近期均强调，电力资源已经成为AI基础设施部署中比芯片和存储更难协调的约束。

存储、光模块和电源管理：订单风险向尾部集中

报告认为，存储、光学元件、电源管理和模拟芯片更容易受到项目延期的冲击。这些品类此前受益于AI基础设施扩张和供需偏紧，一旦终端项目推迟，客户可能先消化库存，再削减后续订单。

ASIC同样面临部署效率问题。电力紧张时，客户会更加重视单位电力对应的算力产出，低效率的ASIC项目因此更容易被推迟。

博通的指引变化也显示出市场预期正在收敛：公司3月预计FY27 AI营收将远超1000亿美元，9月最新指引为1150亿美元，绝对规模仍高，但进一步上修的空间已经受到限制。

自备电和海外扩张：仍难填平电力缺口

报告预计，2026年至2028年表后燃气轮机和发动机新增容量基准情景约19GW，Bloom Energy燃料电池预计贡献约6GW，核电和加密矿场改造也可提供补充，但整体仍不足以消化缺口。

海外扩张同样只能缓解部分压力。摩根士丹利已将美国占全球算力的份额预测从60%下调至55%，但欧洲审批缓慢、中东地缘政治风险等因素限制了需求转移。

与此同时，美国还面临熟练技工短缺和地方阻力。CSIS估计，到2030年美国需要新增超过14万名熟练技工，现有劳动力每年仅能支撑约10至20GW天然气新增装机。

对AI产业而言，芯片能否生产出来已经不是唯一约束，能否获得足够电力并真正投入运行，正在成为决定订单兑现速度和供应链盈利的下一道门槛。

风险提示及免责条款

Claude拿下概率论「圣杯」，AI跨过菲尔兹奖终点线

新智元 — Wed, 07 Oct 2026 06:46:49 GMT

2026年8月30日，概率论大师、2022年菲尔兹奖得主Hugo Duminil-Copin略带忧伤地写道：

在我们这个领域，最著名的那个猜想倒在推土机（AI）的轰鸣之下，恐怕只是个时间问题了。

他谈论的是数学界半个多世纪的概率论「圣杯级」难题——渗流理论中的连续相变猜想。

为了这道题，这位菲尔兹奖得主倾注了数年心血，屡败屡战。

但让所有人都未曾料到的是：现实的剧情，比预言还要魔幻。

几乎就在他的文章发出的同时，同行们突然在 GitHub 上发现了Anthropic工程师刚提交的代码仓库

没有新闻发布会，没有轰轰烈烈的全网宣传，连官方博客都没有发一篇。

那里面躺着的，是一份由大语言模型Claude自动生成、并经过数学形式化证明语言 Lean 严格验证的完整代码——那道菲尔兹奖得主数年未能攻克的渗流猜想，已经被 AI 证明了。

消息传出，全球数学界瞬间炸开了锅。

德国布伦瑞克工业大学数学家Benedikt Jahnel在采访时直言：

如果有人类证明了这个猜想，他大概率能拿菲尔兹奖。但现在，是 AI 跨过了终点线。

AI 已经把机器证明扔在了桌上。

数学家Gil Kalai直言：「如果得到验证，这将是一项非凡的突破。」

困扰人类近70年的「概率论圣杯」，究竟是什么？

渗流理论中的连续相变猜想，被称为概率论「圣杯」。

1957年，数学家Simon Broadbent和John Hammersley在思考一个极其接地气、却异常深奥的物理现象：液体究竟是如何穿过一块多孔海绵的？

你可以把这想象成冲泡咖啡，或者石油在地壳缝隙中的渗透：

假设有一张巨大的空间网格，每一个交叉点之间都连接着细小的管道。每一根管道都有一定的概率p是畅通的，也有1-p 的概率是堵塞的。

如果p非常小，比如只有 0.1，那么管道大部分被堵死，水滴渗进去没多远就会停下，永远不可能穿透整块海绵；如果p非常大，比如达到 0.9，管道四通八达，水流就会势如破竹，在无限延伸的网络中形成贯通的汪洋。

在数学上，从「局部水滴」跃迁到「无限连通网络」的那个神奇分界线，被称为临界概率。

这是一种相变,好比水在标准大气压下降到0摄氏度时会结冰。

在临界点以下，形成无限大连通水流的概率是绝对的 0；在临界点以上，则大于 0。

那么，一个令所有概率学家魂牵梦萦的「世纪之问」诞生了：

在恰好等于临界点的那一刹那，系统内部到底能不能形成一个无限大的连通网络？换句话说，到底等不等于 0？

如果=0，意味着这种相变是极其平滑、连续的，就像晨雾渐渐化作细雨；如果它大于0，则意味着系统会在临界点瞬间突变，凭空炸出一个贯通宇宙的无限水流。

这个看似简单的猜想，就是概率论中的「圣杯」——=0 猜想。

为了解开这个谜题，半个多世纪里，数学家前仆后继。

1980年，数学家Harry Kesten证明了在二维方格网络中临界概率恰好是 1/2，且 =0。

这直接奠定了他在数学史上的宗师地位。

在超高维度（11维及以上）里，每个节点拥有海量的邻居，数学家可以利用统计平均和「均场论」等工具把问题强行化简。

早在多年前，学者们就证明了在 11 维及以上的空间中，相变同样是连续的。

然而，真正的噩梦留在了中间——3维到10维的空间网格。

这里既没有二维平面的特殊几何对称性，又无法套用高维度的统计平滑工具，维度与维度之间的拓扑纠缠极其复杂混沌。

三维是我们生活的现实宇宙，四维是相对论的时空，而这些最核心的维度，却成了人类数学家数十年来无法逾越的「叹息之墙」。

几十年来，无数顶尖学者耗尽青春，最终只能在草稿纸上留下一声叹息。

诗意的漫游者，遭遇冷酷的推土机

菲尔兹奖得主Hugo Duminil-Copin，就是这些「撞墙者」中最著名的一位。

2022年，Duminil-Copin凭借在统计物理相变领域的颠覆性工作斩获数学界最高荣誉菲尔兹奖，而他的学术生涯，几乎是与渗流理论的纠缠史。

他太爱这个猜想了，爱到近乎迷恋。

在8月30日那篇博客中，Duminil-Copin用极其优美的散文笔触写道：

一个数学问题绝不仅仅是一个等待被证明的定理。它不仅是一座黑夜里的灯塔，更是一个灵魂的导师。

解开它或许不会立刻开辟出一个崭新的数学领域，但它自身所具备的深邃与优美，足以让一代代人为之神魂颠倒。

Duminil-Copin动情地分享道，尽管自己多次试图攻克 3 到 10 维的连续相变问题均以失败告终，但在漫长的挣扎与攀登中，那些看似荒废的失败草稿，却孕育出了数十个意想不到的灵感火花。

他日后斩获菲尔兹奖的诸多工作，竟然全是这道主线任务失败后结出的「副产物」。

在人类数学家的传统叙事里，过程远比结果神圣。攀登顶峰的路上，有悬崖勒马的顿悟，有山穷水尽的绝望，有夜以继日的审美沉淀。这种与未知的搏斗，被视为人类理智尊严的最高象征。

然而，Anthropic的入局，彻底撕碎了这种浪漫滤镜。

提交证明的Justin Leder，不是数学系泰斗，甚至在渗流理论界毫无知名度。他所依托的，是Anthropic内部尚未公开发布的超前代 Claude 模型。

AI既不体会迷茫，也不懂得什么叫审美。

面对这道困扰人类70年的天堑，AI就像一台推土机，用严密到近乎窒息的符号逻辑和形式化语言，一路平推了过去。

在受媒体采访时，数学家Benedikt Jahnel坦言：

这一结果带给我极其复杂的复杂感情。

一方面，猜想终于被证明了，作为数学家他感到由衷的高兴；但另一方面，心中却弥漫着一种巨大的失落与幻灭，因为是AI踢出了最后的临门一脚。

人类苦苦守候了半个多世纪的殿堂大门，被AI用一把万能钥匙，随手拧开了。

AI究竟如何破局？绝非简单「暴力算力」

很多人下意识会认为：AI是不是靠着海量算力瞎猫碰死耗子，用暴力穷举把所有可能性试出来的？

答案是：绝非如此。如果只是穷举，算到宇宙毁灭也证明不了一个无限维度的连续性猜想。

这次AI展现出的，是一种近乎恐怖的高维逻辑收敛与跨领域推理能力。

这扇紧闭的大门之所以能被撬开，其实离不开人类学者在前期铺下的最后一块砖。

时间回到2024年，以色列魏茨曼科学研究所的Gady Kozma与佐治亚理工学院的Shahaf Nitzan发表了一篇极具开创性的论文。

两位数学家证明，只要能证明一个特定的、形式相对简洁的代数不等式成立，那么 3 到 10 维的猜想就自动成立！

这篇论文瞬间让学界看到了胜利的曙光。

终点线已经被拉近到了眼前，只差跨出这最后一步——求证那个该死的不等式。

然而，这最后一步却成了天堑。

数学家尝试构建辅助函数、寻找上下界，但这个不等式就像一条滑溜的泥鳅，总是在推导的关键节点产生奇异性崩溃。

Anthropic的模型，正是在这里完成了致命一击。

它没有另起炉灶，而是极其敏锐地抓住了Gady Kozma和Shahaf Nitzan在2024年搭建的跳板。

大模型在Lean证明助手的严苛约束下，调用了人类已知的大量分析工具与不等式技巧，以一种人类数学家从未设想过的精巧路径，在形式化代码的底层构筑起了一套长达数千行的推理闭环，硬生生把这个不等式给「摁死」了。

宾夕法尼亚大学的数学家Ahmed Bou-Rabee宣布Anthropic证明了这一菲尔茨奖级猜想。

更让Ahmed Bou-Rabee感到震撼的是后续的演进速度。

Ahmed Bou-Rabee借助大模型的辅助，仅仅花了一天时间，就对Anthropic的证明代码进行了泛化和修改。

「AI让我做到了我以前连想都不敢想的事，」Ahmed Bou-Rabee感慨道，「有些研究项目我苦苦做了整整八年，几乎毫无进展，但在AI的协助下，我现在距离彻底解决只有一步之遥。」

但与此同时，原作者Kozma教授却显得格外克制甚至冷淡。

面对各方的追问，他在平静地表示：

对于他们的宣称，我暂时不予置评。

我们还在等待Anthropic发布一个「人类能看懂的版本」，并解释他们到底是怎么做到的。

终局与黎明：当人类不再主导真理

当蒸汽机被发明时，车夫认为驾驶的艺术终结了；当照相机诞生时，写实派画家曾哀叹艺术已死；当深蓝击败卡斯帕罗夫、AlphaGo横扫柯洁时，全世界都在为围棋哭泣。

但围棋死了吗？没有。

人类棋手虽然再也无法战胜AI，但他们借由AI的视角，看到了千百年来从未想象过的全新定式，棋盘的维度被无限拓宽了。

数学也是一样。正如Duminil-Copin在反思中所共同意识到的：证明定理，从来不是数学的全部。

在人类的数学史中，猜想的魅力往往不在于「证明结果」本身，而在于攻克猜想时所孕育的整套工具革命——

为了证明费马大定理，人类开创了代数几何的壮丽宏图；为了试图证明黎曼猜想，解析数论的大厦被拔地而起。

Duminil-Copin自己数年攻坚渗流理论失败，但正如他所说：「那些失败的尝试催生了几十个全新的想法，我把它们用在其他领域，带来了许多我从未想象过的重大发现。」

未来的数学家，或许不再需要把主要精力消耗在长达几十年的繁复代数推导上。挑选最具价值的探索航线、指挥成千上万个推理智能体向未知发起冲锋、并向人类世界阐释那些被机器带回来的智慧碎片，或将成为新一代学者的崭新使命。

爱因斯坦曾经说过：

人类所能经历的最美妙、最深刻的情感，就是对神秘的感知。它是所有真正艺术与科学的源泉。

从1957年那块关于海绵吸水的简单猜想，到2026年被AI在GitHub上一剑封喉，人类用70年的时间证明了自己的伟大，也见证了智慧形态的交接。

参考资料：

https://www.quantamagazine.org/updates/transformation/

https://www.scientificamerican.com/article/ai-solves-a-holy-grail-problem-from-probability-theory/

https://proofsandprompts.com/2026/08/30/care-for-a-little-more-ai/

https://github.com/anthropics/formal-math/tree/795efb86f191735c5481675763537cfb4ff37e55/percolation

本文来源：新智元 (ID:gh_108f2a2a27f4)，作者：ASI启示录

风险提示及免责条款

比起核电站，美国人为什么更反感数据中心？

正解局 — Wed, 07 Oct 2026 06:44:25 GMT

AI、数据中心，这些看起来是完完全全的高科技。

但美国，好像刮起一股“逆流”。

比如，今年，美国加州洛杉矶县的蒙特利公园市，原本计划搞一座峰值用电约50兆瓦的超大数据中心。

但这个“高科技项目”，却被当地居民硬生生拦了下来。

而且，当地选民以88.34%的赞成率，让蒙特利公园市成了“全美首个由市民投票禁建数据中心的城市”。

不光现在不搞，以后永远也不搞数据中心。

面对AI时代的突飞猛进，一个自诩全球AI霸主的国家，民众为什么这么反感对数据中心？

美国不让建数据中心了？

在如今的国际格局下，谁拥有大规模、低成本的算力集群，谁就掌握了下一轮科技红利的入场券。

到具体城市，在AI时代，数据中心是最重要的基础设施之一。

一个城市建设了大型数据中心，拉动的可能就是从芯片到电网、再到AI应用的一整条产业链。

所以，数据中心的布局不仅关乎地方经济，更是一个国家技术主权与能源战略能力的体现。

因此很多地区，都将建设数据中心作为城建重要指标。

但在美国，普通人对数据中心有着普遍的抵制情绪，蒙特利公园市绝不是孤例。

甚至，它都不是最激烈的那个。

比如密苏里州的费斯特斯市，一个60亿美元的数据中心项目，就因选民的抵制而未能落地，期间还有4名支持该项目的议员，直接就被罢免了。

在弗吉尼亚州的威廉王子县，黑石集团原计划建设一个千亿级数据中心园区，却因当地居民与民间组织长达三年的诉讼组合拳，给硬生生拖黄了。

在这些极端的案例背后，数据揭示出美国民众普遍的反对情绪。

2026年5月，盖洛普发布的民调数据显示：71%的美国人反对在本地建设AI数据中心，其中48%为“强烈反对”。

作为对比，连向来争议巨大的核电站，反对率也才53%。

也就是说，在很多美国人的眼里，AI数据中心已经比核反应堆还招人嫌了。

在今年前3个月内，全美至少有75个数据中心项目、总值约1300亿美元的投资，被叫停、延迟或取消。

到了夏天，短短一个多月内，美国就有三个州接连亮红灯，力度层层加码：

7月14日，纽约州，暂停一年为50兆瓦以上的大型数据中心发放环保审批。
8月3日，得州，冻结并网流程中新增数据中心的推进，要求先审计每个项目的实控人、资金来源和用电用水计划，再决定是否放行。
8月18日，宾州，要求数据中心开发商必须自备电力、自付电费、并且拿到地方社区的同意，任何一项不达标，都得不到许可。

原本作为前沿科技底层基建的数据中心，仿佛一夜间成了洪水猛兽、疾病四害，被人人喊打了。

美国居民究竟为何抵制数据中心？

搞这么多声势浩大的抗议活动，图什么呢？

这其实是非常“柴米油盐”的一个事。

第一，是电。

数据中心是“电老虎”，会直接推高本地用电需求。

所以，如果接下这些数据中心，当地电网公司就要升级变电站、铺设新线路。

而在美国这个电力市场化的国家，需求增加了，新建基建的成本就会直接转嫁到电价上。

自2021年以来，美国电价已经整体上涨了约40%。

时间久了，普通人都能预测：

数据中心落成=电涨价。

这种推测还得到了美国能源部的证实：2023年的数据中心用电，约占全美电力消费的4.4%。到2028年，这个比例可能升至6.7%到12%。

试想啊，美国的一家人，原本一年电费大约是1500美元，结果数据中心一来，差不多翻倍了。

比如在得州，因为电网独立，又有天然气加持，电价一直比较低，就成了许多企业建设数据中心的热门地区。

因此，今年在得州电力可靠性委员会（ERCOT）的并网队列里，申请建设数据中心的需求已经堆到了约474吉瓦，为得州历史峰值电力负荷的5倍多。

这些建设需求中，有相当一部分都是在试着“占座”，而并非做好了决策，一定要落户得州。

所以得州政府也只能把门槛一抬再抬，否则光是电力基建，一时半会也落地不了，电价蹿升更是难以压制。

第二，是水。

一个不冷不热的知识是，数据中心的运转过程中，需要大量水来冷却设备。

比如，一座大型数据中心，按500万加仑上限折算，约合每日1.89万吨水，相当于一个中小城镇一天的用水量。

更重要的是，许多数据中心为了保证电力供应，都会配套电厂，那就要选择土地便宜人口少的地方，而这些很多也有用水紧缺问题，数据中心一建成，当地的水分配压力就更大了。

比如佐治亚州的牛顿县，居民们就被告知，未来两年水费预计上涨33%。

涨价的很大一部分原因，就是因为附近建设数据中心，用水量巨大。

数据中心一落地，无论电费还是水费都要涨。

可居民凭什么替科技巨头的水电买单呢？

第三，是噪音。

为了保证成千上万台GPU的全速运转，数据中心大多配有强悍的散热系统，工业散热风扇24小时低频轰鸣，能在周边形成持续的噪音污染。

因此有研究显示，数据中心周边3公里内的住宅，都可能面临贬值风险。

前面我们聊到蒙特利公园市的50兆瓦超大数据中心项目，原本就距离居民区只有约150米远，当地居民如果不联手抵制，可能就要长期忍受噪音污染了。

也就是说，数据中心不仅会与居民争土地，甚至会打扰周边几公里居民的正常生活。

密歇根州乡村居民举行集会，抗议计划在密歇根州东南部农田兴建的价值70亿美元的“星际之门”数据中心

居住楼盘的开发商也不傻。

只要居民抵制不到位，新楼不落地就是了。

但这显然会造成多方利益亏损——居民没有新房住，市政缺少新项目，地方财政少收一笔钱。

除了对数据中心提出“送客”，好像也没更好的办法了。

第四，是就业。

开发商的嘴，骗人的鬼。

这事在AI数据中心领域也是一样的。

面对民众对数据中心项目的抗议，开发商们最常用的说辞是：我们能解决就业。

但弗吉尼亚州立法审计与审查委员会曾在2024年官方报告中给出数字：

一座典型的25万平方英尺数据中心，长期全职岗位大约只有50人，其中近一半还是外包人员；真正人多的时候是建设期，约有1500名工人在现场工作12到18个月。

到最后，居民看到的结果很可能是：一个数据中心落地，开发商雇佣了少量外来技工，却为本地留下暴涨的电费、水费和噪音。

无法落地的真正原因

但，这些只是表象，更深一层藏在美国国家运行的底层逻辑里。

拿美国电力系统来说明。

美国确实是个骨灰级发达经济体，但电力系统，真的是碎得离谱。

美国本土不像许多国家那样，有一个统一的超级电网，而是由三大异步电网拼接而成：东部互联电网、西部互联电网，以及得州孤岛电网。

美国本土的电网系统主要划分为三大区域：东部联合电网、西部联合电网以及独立的得州电网

这三大电网之间几乎不互通，各自独立运行。

因为想建一条跨州高压输电线路，需要层层审批，涉及每个过境州。

一系列流程要经过公共事业委员会、各相关部门、环保团体、土地所有者……

在这个框架下，各州乐于各自为政，只要在自己辖区内，税收、就业、监管都好控制，可以稳定获利，省时间、麻烦少、回报高。

而这也就造成美国7家独立运营商垂直垄断、3000家电力公司不断竞争的局面。

书不同文，车不同轨，这天下还怎么统一。

可美国电网的破碎，不是一天形成的，想改变也没那么容易。

早在1935年，大萧条时期的美国就出台了《公用事业控股公司法》，联邦管理跨州电能批发，各州负责零售与服务。

但电网这东西，谁管配电和定价，谁就是老大。

有了合法零售权的各州，就埋头搞自己家的电，对统一电网这事更不上心了。

跨州线路从规划到建成，平均需要十年以上，就更别提使用什么远程输电、高压输电的共济模式。

数据中心要建设，公民权益也要维护，能获取商业收益的一方必须做出让步。

今年2月，特朗普在国情咨文中首次提出“电价保护承诺”（Ratepayer Protection Pledge），提倡数据中心新增的电力输送基础设施升级成本，由企业自身承担，而不是美国消费者。

对此，科技巨头们仿佛都已经死心了，纷纷决定自己搞电。

谷歌以约47.5亿美元收购可再生能源公司Intersect Power，不只是买它的发电能力，更是买它的电网接入权和土地储备。

微软重启三里岛核电站，其中一座反应堆经改造后将专门为微软数据中心供电。

Meta签署了2600多兆瓦的核电采购协议，足够为一个中等规模城市供电。

亚马逊则与电力公司Talen Energy签署长期购电协议，锁定最高1920兆瓦的核电供应。

而这些，只是AI厂商搞电的一部分。

这就意味着，在未来，AI厂商们可能同时是大型电力公司。

向上游整合电力，成本当然是极高的。

但上游基础设施跟不上，就影响下游应用爆发，时间不等人。

时间，其实就是美国政策与AI厂商矛盾的“风暴眼”。

因为美国各州也想布局AI产业，但补齐电力需要时间，数据中心如果着急落地，就得与当地同舟共济，一起想办法。

说到底，美国AI产业的发展、数据中心建设，一直都不是技术能不能领先的问题，也不只是产业能否协同的问题。

这是美国的“阿喀琉斯之踵”：自下而上难以实现有力统合。

本文来源：正解局

风险提示及免责条款

勒庞力推1400亿欧元减支与宪法公投，Citadel高管警告：法国已无犯错空间

Wed, 07 Oct 2026 06:24:34 GMT

法国财政困境正逼近关键节点：在大选临近、政治不确定性升温之际，市场对该国财政政策的容错空间正在快速收窄。

10月7日周三，据路透社报道，城堡投资（Citadel）固定收益与宏观经济研究主管Angel Ubide表示，法国财政政策已经没有太多犯错空间。他认为，法国目前尚不构成欧洲系统性风险，但由于经济体量庞大，一旦法国出现系统性问题，最终可能演变为整个欧洲的问题。与此同时，当前的市场压力也可能倒逼法国政界加快推进财政整顿。

周二，法国极右翼领导人勒庞提出更激进的财政方案，承诺若当选，将在五年任期内削减1400亿欧元开支，并计划通过全民公投将削减赤字目标写入宪法。不过，经济学家仍对这一计划的可执行性存疑。多家权威民调显示，勒庞在法国总统选举首轮投票意向中持续领先。

市场已经率先反映出对法国财政的担忧：上周法国10年期国债收益率一度突破5%，创24年新高；欧元兑美元跌破1.12，触及17个月低点，并同时对英镑、瑞郎和日元走弱。欧洲央行官员和法国财政部长目前均排除了直接入市干预的必要性。

市场警示：法国财政已无“犯错空间”

法国国债近期遭遇持续抛售，法德10年期国债利差不断扩大，投资者对法国公共财政可持续性的担忧进一步推高融资成本。

Ubide指出，当前债市压力本身就是向法国政界发出的明确信号：财政政策已经没有太多犯错空间。他认为，市场压力虽然会加剧短期波动，但也可能促使法国政治人物更加重视财政整顿。

对于法国而言，真正的挑战不仅在于总统能否提出财政改革方案，更在于改革能否获得议会支持。Ubide强调，法国需要的不只是一个愿意推动财政整顿的总统，还需要议会选举产生能够支持削减开支的多数派。

如果缺乏足够的议会支持，即使总统希望压缩财政支出，也很难将计划转化为实际政策。这意味着，随着大选临近，法国财政政策的可信度将越来越取决于未来政府能否建立稳定的政治支持基础。

目前，欧洲央行政策制定者仍认为没有必要直接干预法国债市。法国财政部长也排除了央行入市的必要性。在这种情况下，市场能否重新获得信心，最终仍取决于法国自身能否拿出可信的财政整顿方案。

政治动荡：勒庞押注大规模减支

财政压力与法国国内政治环境的剧烈变化正好叠加。学生抗议、物价上涨以及居民购买力下降持续影响选民情绪，主流政党的支持率受到挤压，极右翼和极左翼力量进一步壮大。

法国极右翼领导人勒庞周二开始强化自身的财政政策立场，试图向选民和金融市场证明其具备控制赤字的意愿。她承诺，如果当选总统，将在五年任期内实现1400亿欧元的财政节省，并计划通过全民公投，将削减财政赤字的目标写入宪法。

但经济学家对这一计划能否真正落地仍持怀疑态度。争议不仅在于1400亿欧元的减支规模是否现实，也在于勒庞此前提出的部分工人提前退休政策是否会继续执行。若福利承诺与大规模财政削减同时存在，实际的财政腾挪空间仍有待验证。

风险提示及免责条款

美国严重不良贷款规模已升至2020年以来最高水平

Wed, 07 Oct 2026 05:53:52 GMT

美国杠杆贷款市场的信用压力持续升温，严重不良贷款规模扩大，科技行业尤其是软件领域承压最重，企业再融资压力与违约风险正在进一步积聚。

摩根大通策略师周二在报告中指出，交易价格低于面值60%的“严重折价”贷款规模已从一年前的400亿美元增至650亿美元，创2020年3月以来新高。与此同时，交易价格低于或等于面值80%的困境贷款总额已升至1398亿美元，较12个月前增长近90%，仅比2020年5月创下的历史峰值低40亿美元。

从发行人数量来看，目前交易价格低于面值80%的杠杆贷款发行人约有141家，较一年前增加35家。其中，软件提供商CDK Global、QLIK Technologies和Quest Software是规模最大的不良贷款贡献方。

科技行业承压最重，软件再融资压力加剧

科技行业是严重不良贷款最集中的领域，占比达39%，涉及规模544亿美元。软件公司尤其面临较大的再融资压力，未来有逾1000亿美元债务到期；与此同时，人工智能技术快速发展，也加剧了市场对传统软件服务模式受到冲击的担忧，进一步压低相关债务价格。

信用压力已经反映在贷款回报上。CCC级贷款年初至今回报率为负1.97%，是垃圾级贷款各评级类别中唯一录得负回报的层级，其余评级类别均实现正回报。

摩根大通指出，全球债券收益率持续攀升以及美联储转向紧缩立场，推高了高杠杆企业的偿债和再融资成本；与此同时，大量债券和贷款集中到期，也进一步加大企业的资金压力。

债务成本攀升，信用压力向高收益债市场扩散

高风险债务的压力正在进一步传导至高收益债券市场。CCC级债券息差已突破1000个基点，升至2023年地区银行危机以来最高水平；收益率升至15.58%，创2022年11月以来最高水平。

摩根大通预计，2026年高收益债券违约率将从当前预测的2.25%升至2.75%，杠杆贷款违约率则将升至4.50%。

值得注意的是，今年以来因违约而受到影响的高收益债券规模已超过贷款规模，这是2020年以来首次出现这一情况，表明信用风险正在从杠杆贷款市场向高收益债市场扩散。

风险提示及免责条款

日本实际工资八连涨背后：补贴减税托底，破产潮与加息预期令央行两难

Wed, 07 Oct 2026 05:44:32 GMT

日本8月实际工资连续第八个月上涨，创下近十年最长连涨纪录，工资-物价良性循环似乎正在成形。但拆解数据背后的支撑因素——政府补贴压低的通胀读数与即将落地的食品减税——这轮复苏的成色远比表面复杂。

日本厚生劳动省周三公布，8月实际现金收入（剔除租金后的通胀调整值）同比增长1.5%，符合经济学家预期；基础工资增长3.8%，名义工资同样增长3.8%、连续第七个月保持在3%以上，为1992年以来最长纪录。但这轮上涨有相当部分靠高市早苗政府的公用事业补贴与食品减税撑起，而非纯市场机制驱动。

与此同时，劳动力短缺导致的破产在2026财年上半年达240件、创历史新高；隔夜指数互换显示，市场定价日本央行年底前再加息的概率为76%。工资上涨、破产潮与加息预期三者并存，将央行推入两难。

政府计划自明年4月起将食品销售税从8%大幅下调至1%、为期两年。若落地，短期托底消费但进一步模糊通胀读数，可能干扰货币政策节奏；工资-物价良性循环是否真正确立，要等补贴与减税效应消退后才能见分晓。

八连涨的成色：补贴与减税托底读数

高市早苗的公用事业补贴将8月整体CPI同比涨幅压制在1.9%，使日本在七国集团中录得最低通胀率。首相在周一的施政演说中强调，价格纾困措施帮助日本实现了G7中最快的实际工资增速。换言之，当前实际工资的“八连涨”有相当部分是财政转移支付对家庭购买力的直接注入，而非企业生产率驱动的内生增长。

剔除奖金、加班费和抽样偏差的更稳定口径显示，全职员工工资增速为2.8%。这一数字低于3.8%的基础工资涨幅，揭示出工资改善的结构性局限。

食品减税：短期提振与长期财政代价

政府正在推进的食品销售税下调计划，将税率从8%降至1%、为期两年、自明年4月起实施，已成为当前临时国会辩论的焦点。该计划的最终形态将直接影响高市早苗的财政管理策略及其公众支持率的稳固程度。

从短期看，减税将直接降低家庭必需支出、进一步支撑实际购买力，并可能在生效初期压低CPI读数，使实际工资数据继续“好看”。但从财政角度，销售税是日本少数稳定的收入来源之一，将食品税率降至接近零的水平，意味着未来两年财政缺口将进一步扩大。在公共债务负担已居发达国家之首的背景下，这一举措的长期财政风险不容忽视。

破产潮与76%加息预期：央行陷入两难

工资上涨的另一面，是中小企业承受前所未有的成本压力。Tokyo Shoko Research周一发布的报告显示，2026财年上半年因劳动力短缺导致的破产案件达240件、创历史新高，其中半数以上归因于人员成本上升，凸显小企业的财务压力。

与之形成反差的是，企业盈利整体强劲。财务省数据显示，截至6月的季度全行业经常利润创历史新高，受AI相关需求与日元走弱提振；日本央行最新短观调查显示，大型制造商信心处于八年多来最高水平。日本最大工会联合会通常最早在本月公布下一财年加薪目标，其成员在今年谈判中已连续第三年实现超5%的加薪。

工资持续上涨是日本央行加息的重要铺垫。上月央行在三个月内第二次上调基准利率，并强调通胀超出2%目标的风险、暗示需要进一步收紧。多数经济学家预计央行将在10月30日会议按兵不动，但隔夜指数互换显示，截至周三东京早盘，市场定价年底前再加息的概率为76%。

后续需关注最大工会联合会的加薪目标、10月30日央行决议，以及明年4月食品减税的落地效果。私人消费仍脆弱，家庭支出截至7月已连续八个月下滑。

风险提示及免责条款

Dalio：美国债务危机或三年内爆发

李佳 — Wed, 07 Oct 2026 05:42:42 GMT

Ray Dalio预测美国三年内或爆发债务危机，市场繁荣对债务融资的依赖加深，融资从股权转向债务，或冲击资产价格和利率。

谷歌AI基建主管谈：Agent重塑基建、光网络突破、终极物理瓶颈和未来10年的算力形态

Wed, 07 Oct 2026 03:55:05 GMT

人类历史上规模最大的资本开支建设正在展开。从衡量系统真实性能的"goodput"指标，到光路交换网络、轨道数据中心，再到十年后的算力形态，谷歌AI基础设施负责人Amin Vahdat在近期一次深度对谈中，系统梳理了这场建设背后的技术逻辑与战略取舍。

谷歌今年资本开支预计超过2000亿美元，大部分用于数据中心建设。Vahdat在接受Sequoia Capital合伙人Sonia Huang访谈时表示，长程智能体（long-horizon agent）的崛起正在从根本上改变数据中心的设计逻辑，不仅推高了对加速器的需求，也让CPU、网络与存储的需求同步"暴涨"。他同时透露，谷歌必须大约每六个月将服务侧token生成能力翻一倍，而这一增长的主要来源并非硬件本身，而是软件与模型优化的持续叠加。

对投资者而言，Vahdat的判断具有直接参考价值：电力是AI基础设施扩张的最根本瓶颈，而非芯片或制造产能；软件优化对容量提升的贡献"很可能不少于硬件"；TPU路线图上，推理与训练芯片已于今年首次分拆为独立产品线，折射出推理市场的快速膨胀。

不是FLOPS，是Goodput：真实故障条件下的问责逻辑

Vahdat将FLOPS定性为"虚荣指标"，认为它只反映单颗芯片的理论上限，而实际工作负载性能取决于数千乃至数万颗加速器、CPU、网络和存储如何协同运作。

"在10万加速器规模上，总会有东西在坏，一直如此，"他说。一旦同步工作负载中任何一个组件失败，整个系统可能需要回滚至上一个检查点重新计算，这部分"无效工功"正是goodput与throughput之间的差值所在。他将其类比为在纸上解题：每次因错误回到第一步，过程本身虽然消耗了计算资源，但并不算作有效交付。

故障原因则呈现出典型的长尾分布。Vahdat坦言，"如果存在某个最常见故障原因，我们早就把它找出来修掉了"，问题来源涵盖网络互连、硬件本身、编译器缺陷、运行时错误乃至操作系统问题，每引入一代新产品都会带来新的故障模式。

Agent时代重塑数据中心架构：CPU与存储需求同步爆发

Vahdat将长程智能体的兴起视为过去一年内影响数据中心设计的最大结构性变量。

在传统人机交互模式下，用户读取模型响应、思考、再次输入，中间存在数秒乃至数十秒的"人类节拍"，这天然限制了请求频率。而在智能体场景中，模型无需等待人类，响应延迟可从秒级压缩至毫秒级，请求密度呈数量级提升。

同时，智能体在推理和编排环节大量依赖CPU：解析上一步响应、判断下一步行动、从本地DRAM、远端内存、SSD或HDD中抓取上下文——这些操作均运行于CPU而非加速器之上。"加速计算需求在上升，但CPU、网络、存储等传统数据中心组件的需求也在暴涨，"Vahdat说。

这直接引发了数据中心布局的两难：若在GPU/TPU机架旁配置大量CPU机架，将破坏针对加速器的专用化设计；若将两类机架分置于不同建筑，则楼间网络将引入数百微秒的排队延迟，并显著拉升可靠性与成本压力。

TPU首度拆分推理与训练：芯片专用化的边界在哪里

谷歌今年发布的TPU第8代首次分拆为两颗独立芯片：8i用于推理，8t用于训练。Vahdat将这一决策定性为对推理市场规模预判的直接结果。

在此前的单芯片策略下，一颗芯片需同时兼顾推理与训练，两类工作负载均无法得到极致优化。随着推理在总算力需求中的占比预计升至50%乃至更高，专门化的边际收益开始超过专用化带来的灵活性损失。

不过，Vahdat强调，这次拆分设置了一个关键安全阀：8i和8t均保留了执行对方工作负载的能力，只是非专长方向性能有所折损。"如果8i完全不能做训练，我们就必须提前精准预测六年生命周期内两类负载各自的需求量，"他解释道，这将带来难以承受的预测风险。

在更宏观的专用化哲学上，Vahdat描述了一条从通用GPU到Transformer原语固化，乃至"将特定模型架构烧入硅片"的连续谱系，并表示已有公司开始探索最后一步。谷歌目前的判断是：Transformer所依赖的矩阵乘法、softmax等线性代数原语已基本固化于硬件，进一步专用化到具体模型层是"非常非常有趣的方向"，但尚未落地。

光路交换：从MEMS反射镜到毫秒级故障切换

谷歌约15年前率先将波分复用（WDM）引入数据中心，随后叠加了光路交换（optical circuit switching）技术——后者在纯光域内完成数据路由，绕过了传统电分组交换逐包查表的电域处理环节。

Vahdat介绍，谷歌最初采用MEMS微机电开关，通过在三维空间内精确控制微型反射镜的角度，将任意输入光纤端口的光信号导向指定输出端口，实现可编程的光域路由。这一技术最初服务于两个目标：在高频通信的计算集群与存储集群之间建立光域捷径；以及在无需人工移动光纤的前提下，通过软件控制器动态重构网络拓扑以实现扩缩容。

在TPU集群中，光路交换还具备关键的容错价值：当某个TPU机架发生故障时，系统可在毫秒级内将光路重新指向备用机架，无需任何物理操作，直接压缩goodput损失。

Vahdat透露，轨道数据中心场景下，组件间将真正转向自由空间激光通信——这也是他在地面场景中回避该方案的原因（衰减损耗与大规模三维对准难度过高），但在太空环境中上述限制大幅弱化。

电力是根本瓶颈：与公用事业共同规划多年，吉瓦级需求重塑供电模式

被问及AI基础设施扩张的最大约束，Vahdat的回答直接而明确："电力是我们面临的最fundamental约束。其他所有问题我们似乎都知道如何在一段时间内解决；电力则是长期binding问题。"

谷歌的首选模式是与公用事业并网，而非自建独立电源。原因在于统计复用效应：若完全自给，达到99.99%以上可靠性意味着需建设两倍装机容量；而通过与公用事业的长期协同，在更大基数上平滑需求波动，双方均可降低冗余成本。谷歌承诺自行承担因其接入所需新增的输电线路和变电站建设费用，以避免将成本转嫁至其他用户。

但供需错配现实存在。Vahdat举例：若某年需要1吉瓦，而公用事业当年只能提供700兆瓦，谷歌可能临时自建太阳能+储能以填补缺口，并在最热月份将本地发电回馈电网。

关于单体数据中心的最优规模，他坦承这是"大量争论的来源"，且高度依赖选址：训练集群偏向吉瓦级集中部署以最小化网络延迟；而服务集群需分布全球贴近用户，单体规模更小，且因需混合配置存储与计算，专用化程度相应降低。

DeepMind协同设计：在芯片"飞行途中"拦截架构

Vahdat将与DeepMind的协作描述为"深度合作伙伴关系"，并以"在芯片架构飞行途中做修改"来形容其紧密程度。

谷歌同时推进五至六代TPU：已量产、调试上线、即将tape-out、设计中、概念阶段，构成一条横跨数年的并行流水线。不同阶段对应不同深度的协同窗口：对已量产芯片，重点在于共同最大化goodput；对即将tape-out的芯片，若DeepMind提出能带来重大收益的模型优化，双方可以紧急评估是否值得推迟tape-out以纳入硬件修改——"叫停一次tape-out是大事，但如果机会足够大，我们绝对会一起努力"；对设计阶段的芯片，则进行三至四年维度的模型架构趋势共预测，依托仿真基础设施评估不同硬件架构对未来工作负载的适配度。

Vahdat还披露，谷歌目前已在使用Gemini为未来版本的Gemini设计硬件，形成模型辅助芯片设计的自我强化闭环。他和DeepMind的Koray及Demis"每周都会多次交流"。

2036年的超级计算机：单机架多兆瓦，或直接发射入轨

对于十年后算力形态的预判，Vahdat给出了两条并行路径。

在地面形态上，他预计集成度将大幅提升，机架将从外部可见的繁复光纤束演变为"只有一小束光纤从机架里出来"的高度集成单元。单个机架功耗可能达到数兆瓦量级，进场安装仅需接入电、水、光纤三路即可运行——制造与部署将更趋向模块化工厂预制。

在轨道路径上，谷歌已将轨道数据中心列为正式在推进的moonshot项目，核心逻辑在于能源优势：太空中无大气衰减使可用功率天然高出约40%；太阳同步轨道可实现98%至100%的日照覆盖，而地面设施通常仅为28%至35%，叠加后的能量密度优势可达3至4倍，且无碳排放。

主要挑战在于冷却（太空散热反而更难）、可靠性维修（硬件损坏后维修难度远高于地面）以及组件间通信（将被迫采用自由空间激光而非光纤）。Vahdat表示，这些问题"没有根本性showstopper"，并开玩笑称2036年或许真能"把机架发射升空，由空间站机械臂接住，插进正确模块"。

以下为访谈全文：

主持人（索尼娅·黄，Sequoia Capital）：
欢迎 Amin Vahdat 来到节目。非常感谢你今天加入我们。我也很期待今天的对谈。今天的主题让我非常兴奋，因为我们正处在大规模资本开支建设的历史中心。

阿敏·瓦赫达（Google AI 基础设施负责人/首席技术官）：
能来这里我也很兴奋。今天的话题非常激动人心。

主持人：
你正处在这场人类历史上最大规模的资本开支建设之中。仅 Google 一家，今年预计资本开支就将超过 2000 亿美元，其中大部分用于建设数据中心。而你正是这一切的核心人物：去年年底你被任命为 Google AI 基础设施负责人，正在牵头人类历史上资本密集度最高的建设之一之一。所以我非常期待今天和你一起深入聊这件事。

阿敏：
这确实是行业层面、也包括 Google 在内都非常重大的一年。老实说，我认为我们以前从未见过类似情况；当然，在 Google 没有，我甚至觉得在人类历史上也没有，无论从建设规模还是转型速度来看，都令人难以置信。

主持人：
在深入之前，先给观众快速普及一下：什么是 AI 数据中心？它和非 AI 数据中心有什么不同？

是什么让数据中心成为“AI 数据中心”

阿敏：
这是个很好的问题。AI 数据中心和非 AI 数据中心其实有很多相似之处，并不是截然不同。它们都由混凝土构成，都有一个围合空间；都有电气场、机械场、冷却系统；有成排的电力分配；还有大量网络基础设施，也就是把大量计算设备彼此连接起来；数据中心里也有相当多存储基础设施。

我认为 AI 基础设施最大的区别在于“专门化”。过去建设数据中心时，本质上是在做一个 20、25、30 年期的建筑投资。我们会考虑这座建筑在 20、25、30 年里如何演进。里面可能放服务器，可能放网络、存储，也可能放一些加速器，比如 GPU、TPU 或其他芯片；但规划周期是 25 到 30 年。硬件寿命可能是六年，所以我们必须为许多代硬件做规划。

而 AI 数据中心往往更像是“为特定目的而建造”。换句话说，我们经常把建筑和将要放进其中的硬件做共同设计。比如，我们可能决定不在某栋楼里放太多存储。为什么？因为一个存储机架可能有 10、20、30、40 千瓦功耗；而把它放在 TPU 机架或 GPU 机架旁边，那些机架今天轻松达到数百千瓦，未来几年甚至可能更高。设计一栋楼时，如果要在一排里放 30 个存储机架，和只放一两个 AI 机架，是非常不同的设计。你可以从尺寸、功率，以及功率如何在建筑内分配等角度去理解这种差异。

网络也是同理。存储机架所需的网络带宽很小，尤其是机械硬盘存储，相比 AI 机架更是如此。如果你想让数据中心在 30 年周期内完全可互换、完全通用，你很可能会把它建得过大、过度设计。AI 数据中心很可能更加专用的，与硬件共同设计，甚至精细到冷却和配电等环节。也就是说，会有更多共同优化。

主持人：
你们交付了一个很大的 Vera Rubin 集群给我的一家被投公司 Ineffable Intelligence，我看到了它出货时的照片。那真是一个杰作。那简直就是纪念碑，展示了人类能做出什么样的工程。

阿敏：
确实。那只是几个机架，但机架之间的布线、光纤分配真的非常美。美不美见仁见智，但对我、对你，以及不少听众来说，它确实是一件工程之美。我们把这张照片放到社交媒体上，人们非常喜欢 Ineffable Intelligence 正在做的事；那是一个非常出色的团队，也获得了很多关注。不过实际上，大家最喜欢的是光纤照片，尤其是光纤那种分形般的结构。那篇帖子成了我们有史以来最受欢迎的帖子之一。所以我们确实很兴奋。

主持人：
我看到照片时浑身起鸡皮疙瘩。

不是 FLOPS，而是 Goodput：当系统每小时都会出故障时，如何问责

主持人：
在这场大规模建设中，你们如何衡量自己、如何问责？我们在节目开始前聊到，FLOPS 更像是一个虚荣指标，你更偏好另一个指标。能展开讲讲吗？

阿敏：
无论 FLOPS，还是你偏好的其他芯片中心指标，本质上都是“理论值”。也就是说，在某种条件下，对于某颗芯片，这是它能交付的最大 FLOPS。但我们最终真正关心的是：某个工作负载实际交付的性能如何。工作负载的性能很少由单颗芯片决定。它可能取决于 FLOPS、HBM、SRAM 容量等，这些因素都非常重要；但它也可能取决于 2、4、8、16、1000、10000 甚至更多颗芯片如何组合在一起。这里不仅包括加速器，无论 TPU 还是 GPU，还包括给它们喂数据的 CPU，以及把所有设备连接起来的网络。

所以问题是：你运行的工作负载是什么？这个工作负载的性能是多少？一个有意义的度量是 FLOPS 利用率：对于某个特定工作负载，如果你理论上具备某个teraflop/petaflop 能力，你实际交付了其中的多少比例？

这就是 goodput 的一种度量。什么是 goodput？大家熟知 throughput，即“吞吐”。那是理论上可能的吞吐。但现在要考虑其他因素。一个是工作负载本身固有的 slowdown；另一个非常关键的因素是可靠性。

从问责方式上说，如果有一个芯片在同步工作负载中失败，而这些工作负载——无论训练、服务还是 agentic 工作负载——往往都是同步的，也就是说许多组件同时协同工作。假设有 1000、10000、100000 个组件同时工作，并且需要在微秒或毫秒级粒度上协调。只要其中一个失败，就可能让整套系统停下来，因为每个组件都依赖其他组件完成自己的那部分工作，才能共同回答一个很难的问题。

其中一个组件停了，我们现在必须弄清楚发生了什么、哪一个停了。我们在之前某个时间点保存的 checkpoint 是什么？如何恢复这个 checkpoint？如何重启？最坏情况下，我们可能不得不从头开始，那就非常糟糕。某些情况下确实可能发生，尤其在推理侧更常见。重点是：如果失败后你必须回头重做大量计算，如果必须暂停并等待排查故障，这些“工作”都不算真正帮助你得到答案。

就像你在纸上解题：第一步、第二步、第三步、第四步。如果你因为犯错必须回到第一步，你当然仍在“做功”，那是 throughput；但真正重要的是 goodput，也就是你交付答案所花费的总时间。如果有故障、有故障恢复、有任何打断工作的因素，这些都会计入问题之中。

所以我们问责自己的方式是：交付的 goodput，而不是理论 benchmark 吞吐，也不是理论上的“ goodness”。对于一个真实工作负载，在真实故障条件下，实际发生了什么？不幸的是，在 10 万加速器规模下，我要说的是：在那个规模上，总是有东西在坏。一直如此。而且每一颗这样的芯片，都是自然界的奇迹，处于制造能力最前沿。现在这些芯片还不只是一颗芯片，而是由两个、四个、八个甚至更多 chiplet 组成的封装，再加上旁边的 HBM、网络连接，也许还有共封装光学。无可指摘，但确实有很多东西可能失败。而一旦你有 10 万颗这样的设备，总会有东西失败。你必须为此做好准备：近乎实时地检测，近乎实时地恢复。遥测问题非常庞大，就像持续不断地在干草堆里找针；当然是在秒和分钟级别持续在线，而对某些任务，甚至是小时、天、周级别持续在线。

我们问责自己的标准，就是数据中心里真正重要的工作负载交付了多少 goodput。

主持人：
goodput 是 Google 内部术语，还是行业术语？

阿敏：
这是 Google 术语，但我看到行业里越来越多的人也开始采用它。

主持人：
帮我校准一下：在 10 万加速器规模，故障频率大概是多少？每天一次？每小时一次？

阿敏：
在这个规模上，肯定是每天多次，取决于具体配置，甚至可能每小时多次。总会有东西失败。

主持人：
最常见故障原因是什么？

阿敏：
问题就在这里。这确实是个很好的问题。如果存在某个“最常见故障原因”，我们早就把它找出来并修掉了。实际情况是一条不断发现新问题的长尾曲线。每当引入新产品，总会有新问题击中我们。坦率说，很多情况下正因为它处于最前沿，故障可能来自网络相关，可能来自我们如何以超高速度把这些设备连接在一起，也可能来自硬件本身。这些我们会逐项解决。但很多 issue 也可能是软件问题。这也是我们问责自己的另一部分。芯片也许具备某个 FLOPS 能力，但如果有编译器 bug、运行时 bug、模型问题、操作系统问题，那都没关系——它照样会影响系统性能。你可能拥有完全可靠、完美的硬件，但仍会被软件问题拖垮。

每六个月让 token 产能翻倍，以及增益究竟来自哪里

主持人：
从加速器公司——Nvidia 或 TPU 团队——那里，是否存在一个标准参考栈：只要围绕他们的加速器构建这个最优系统，你就没问题？还是说，你们在半导体公司提供的方案之上，还必须自己做很多数据中心设计？

阿敏：
确实存在参考栈。我想说，Nvidia 是一家非常出色的全系统公司；它显然是半导体公司，但又不只是半导体公司。他们提供非常强的参考栈。但据我们观察，大多数客户会利用这个参考栈，同时许多客户也会做专门化。也就是说，他们会发现：对于自己的特定用例，存在一个自然出现的优化机会，或者有某些不同需求必须处理，于是他们会去做。TPU 这边也类似。我们也有参考栈，大多数人会利用它，但很多人也会进一步专门化。

主持人：
明白了。再谈整体容量：你告诉团队，Google 必须大约每六个月把服务能力翻一倍，对吗？

阿敏：
需要澄清一下。这里说的是“有效可用容量”。最终我们看的是服务视角下的 token 生成能力。容量是软件和硬件的结合。硬件可能有某种所谓“固有”FLOPS 水平。我说的并不是必须每六个月把 FLOPS 数量翻倍；那只是路径之一。你确实必须每六个月让硬件生成 token 的能力翻倍。而其中来自软件的部分，很可能不少于来自硬件的部分。也就是说，收益可能来自模型优化，也可能来自运行时优化。实际上，更可能是数十、数百项单独优化不断落地，一次又一次叠加，才让这一切成为可能。但容量提升的速度确实令人难以置信。

主持人：
过去几年里，我们已经看到了几年数据中心建设、模型进步和软件进步。以“每瓦智能”来衡量容量增长，经验上分解一下：多少来自硅片本身，多少来自模型，多少来自其他软件，以及其他大的组成部分？

阿敏：
这个问题很好。我没有精确分解数据，但根据我们的经验，大部分收益来自模型侧改进，也就是模型软件系统层面的 intelligence per watt。顺便说，“每瓦智能”是个非常棒指标。我们更准确的说法是“每瓦 goodput”。之后可以再说为什么分母必须是瓦。Goodput 本质上可以是“每瓦交付智能”的度量；goodput 本身是工作负载特定指标。但我认为，大部分增益往往来自模型侧软件系统，其次也来自软件系统其他部分。为什么？因为它们能确保你已有的硬件被有效利用。

硬件本身也确实惊人。换句话说，我们正生活在一个年化 2 倍甚至更高性能改进完全可能的时代。硬件确实能够支撑这一点。如果你想要一个比喻，它像一个“免费乘数”——不是完全免费，但其他所有上层都可以指望它：这是一个逐年把所有人抬升的乘数。

TPU 的赌注：从 2013 年的逆势判断，到首次拆分为 8i 与 8t

主持人：
我想聊聊 TPU 项目和协同设计。Google 十多年前就开始做定制芯片，这在当时是个逆势判断。TPU 项目是如何演变的？

阿敏：
变化相当大。项目始于 2013 年，当时确实非常逆势。很难把你重新放回 2013 年的语境：当时的传统智慧是，所有最聪明、最有经验的人都会说，你不该为单一工作负载构建定制加速器。为什么？因为摩尔定律还在，每 18 或 24 个月性能翻倍还在；你可以利用标准编程模型，你的 C++、Java、Python 等等都能用。这有点像芯片领域的“苦涩教训”：专门化永远不会赢。

但在这个特定案例里，我们有一个应用，或者说少数几个应用，会从专门化中极大受益，而要支持它们需要难以想象的海量通用 CPU。所以 2013 年它确实是一个赌注，甚至公司内部也有相当多的人不确定它能否成功。结果证明这是一个巨大成功的赌注。

第一代芯片完全围绕推理。第二代芯片则是：实际上我们可以把同样思路扩展成训练芯片。从那以后，越来越多用例开始使用 TPU。大约第二代芯片推出前后，Transformer 被发明了，那是一个重大时刻，也完全改变了 TPU 项目的方向。我们还发现推荐系统在 TPU 上运行得非常好，于是广告和相关用例也加入了进来。所以这种变化和演进，本质上是范围和影响力的扩展：它从一个极具影响力的一两个推理服务用例开始，主要是语言翻译和语音识别；然后扩展到训练，再到 Transformer、推荐系统；随着生成式 AI 时刻到来，又继续泛化到越来越大、越来越可扩展的系统。

主持人：
你提到 Transformer 的出现是一个重要时刻。我很好奇，TPU 是一种特定架构，但并不是专门针对 Transformer 的。你如何在“芯片对负载该有多专门”这条细线上把握平衡？

阿敏：
这是个很好的问题，核心在于芯片对特定工作负载的适用性。每一代我们都在思考：是否要进一步专门化？比如说大约两年多以前，我们面对的问题是：到 2026 年，我们应该做两颗芯片还是一颗？我们可以做一颗芯片，同时较好地完成推理和训练；也可以做两颗芯片：一颗进一步专门化于推理，另一颗进一步专门化于训练。这个分析和这项工作最终促成今年发布两颗芯片：8i 用于推理，8t 用于训练。

最终我们意识到，几年前情况未必如此，但到 2026 年，我们看到推理和服务真正起飞了。于是一颗在服务上明显更快的芯片开始变得非常有意义。我们曾估计，推理在其生命周期内可能占市场的 30%、40%、50%、60%。相比之下，如果我们预计推理只占市场的 2% 或 5%，即使专门化芯片快 2 倍，也可能没有意义；因为你反而会偏向一颗通用芯片——它虽然没有完全优化，但具备统一性等优势。

所以这确实是一个计算问题：你是否要进一步专门化？这个工作负载有多大？未来两三年、三四年它预计会有多大？这个工作负载是否能支撑硬件层面的持续增长？正如前面所说，机会在于：你对某个工作负载专门化程度越高，灵活性越低，但硬件会越快、越省电。所以这是一门艺术，也是对设计目标的预判：这个工作负载有多持久？如果它一两个月、三个月后就消失了，即使这三个月很大，你 interception 的窗口也非常窄。它必须足够持久，而且你必须能准确预判专门化能带来多少收益。

主持人：
粗略权衡似乎是：支持一个新项目有很高的固定成本。

阿敏：
是的。你必须认为，对这个特定项目会有足够需求来证明成本合理。举个例子，对于 8i 和 8t 两颗芯片，两者其实都能做另一种工作负载，这一点也很关键。假如 8i 只能做推理，完全不能做训练，也就是训练性能为零；反过来，假如 8t 训练极强但推理性能为零，那也会是关键限制。为什么？因为我们就必须提前预测，在这颗硬件约六年生命周期里，各自到底需要多少。现在这样比较好：两颗芯片都更擅长自己的专门负载；但如果某个地方有剩余容量，两者也都能承担对方的工作。取决于专门化程度，你可能会把自己搞得过于专门，从而失去灵活性、可互换性。

主持人：
既然粗略权衡的一端是项目规模，那我问个挑衅点的问题：现代 AI 市场这么多东西都基于 Transformer，为什么不干脆把 Transformer 架构“烧”进芯片里？

阿敏：
Transformer 确实是基础，但下一层问题是：Transformer 本质上围绕向量、矩阵乘法运算，以及 softmax。也就是一系列线性代数原语。我们这些以及其他厂商大致已把这些原语固化进硬件。大家当然都基于 Transformer，但模型架构还有一层：你有多少层？如何在层内前进？如何跨层前进？每个维度上应用什么形状的矩阵和向量？你可以进一步专门化，不只是专门化到 Transformer，而是专门化到你的模型。这是下一层专门化。我知道有一些公司在思考这个方向，我也认为这是一个非常非常有趣的方向。

主持人：
那么现在，你的客户会把 TPU 和 GPU 看作大致可互换的等价物吗？还是说某些问题更适合其中一种？

阿敏：
肯定存在某些问题更适合其中一种。GPU 比 TPU 更通用，这一点很清楚。Google 和 Google Cloud 有非常出色的产品，我们销售大量 GPU，内部也使用 GPU。但真正要看的是你问题的具体情况。我们的客户会在两者重叠的范围内，评估自己的工作负载和可选方案。我们在 Google 喜欢做的是给客户选择权：为他们的需求提供正确解决方案，并尽可能提供最能满足他们需求的方案。

协同设计的支持与反对理由

主持人：
从芯片到网络再到软件，协同设计的理由是什么？反对理由又是什么？

阿敏：
协同设计有巨大的优化机会。可以想象，如果你有一个端到端栈，想自由选择任意组件——比如你跨多个云运行，或跨许多硬件、许多软件运行——你可以设计抽象层，声明：我能运行在任何硬件上，运行在任何软件上，运行在任何网络拓扑上，你给我多少网络我都没问题，我的系统会完全自适应。这样你就获得很强能力：新容量一夜之间出现，你就能跑起来，因为系统就是按这种方式设计的，可以立刻利用任何资源。你没有硬编码，也没有对任何特定基础设施做专门化。

缺点是，如果你完全通用，你很可能会把大量性能留在桌上。如果你对任何人的硬件、软件、网络、存储、计算等栈都完全灵活，那么每一层之间都会出现很大的“阻抗失配”，如果你追求完全通用性的话。每层之间可能有 10%、20%、甚至 2 倍差距。你开始把这些优化机会逐级相乘，最后会剩下一个很大的端到端机会——无论你称之为每瓦智能，还是每瓦 goodput——都可以利用，甚至一路下探到配电、电力可用性、软件优化等等。

支持协同设计的一方是：你可以随时随地运行，没有锁定。反对的一方是：你会把显著、甚至很可能是显著数量的性能留在桌上。

主持人：
我的理解是，如果看 OpenAI 和 Anthropic：OpenAI 主要构建在相对同构的计算栈上，而 Anthropic 构建在相对更异构的计算栈上。这是否部分解释了协同设计，也成为传闻中两家模型架构非常不同的原因之一？

阿敏：
我不能、也不想推测 OpenAI 和 Anthropic 在做什么。这是一种可能性。但在不知道他们具体做法的情况下，我会想象，他们最终采用不同架构可能有许多原因。

与 DeepMind 并肩作战：在芯片飞行途中“拦截”架构

主持人：
那 Google 呢？我很好奇你的团队与 DeepMind 的工作关系是什么样的：在模型开发的哪个阶段，谁会进入同一个房间？你们如何在协同设计上共同决策？

阿敏：
这是我在 Google 工作最有趣、也最让人欣慰的部分之一：有机会与 DeepMind 团队真正肩并肩地协同设计硬件和模型。还有第三个元素：我们还会把这种协同延伸到消费者服务和云。这个先放一边，之后可以回来谈。就 DeepMind 而言，这真的是深度合作伙伴关系。

举过去的例子：他们提出模型优化，可能是针对 Transformer，或针对某个特定数学运算；而那时我们有一颗芯片正在进行中，还没完成。他们可能会说：“天呐，如果硬件支持这个，我们的端到端训练或服务可能显著更快、更高效。现在要改变我们正在执行中的硬件定义，需要付出什么？”这会促使双方工程师和研究员密集地聚到同一个房间，待几天、一周、两周，讨论：“好，我们可以做到。”更常见的情况是，“我们没法完全做到你想要的，但可以做成另一个版本。”然后也许你也能把模型架构往另一个方向改一点，从而得到你想要的 98%、我们目标的 90%，然后我们再回头去调整硬件。或者说：“你知道吗，我们会把 tape-out 推迟一两周，因为这个收益级别完全值得。”

类似地，当我们规划路线图时，任何时间点上都有许多代芯片在并行推进：一代是已经量产的芯片；一代是正在努力投入量产的芯片，已经从制造商回来，我们在调试、让它工作；一代是处于实现阶段、即将 tape-out 并交给制造商的芯片；一代处于设计阶段；还有一代处于概念阶段。所以从量产到还在脑海里，真的是一条五六个阶段、跨越许多年的流水线。

与 DeepMind 的合作，对已经量产的芯片非常重要，因为我们可以共同最大化“交付智能”或“每瓦交付 goodput”。我们确切知道模型里发生了什么，也知道硬件里发生了什么，以及两者之间的一切。我们也可以深度合作那些即将 tape-out 的芯片。为什么？因为我们可以拦截，并字面意义上在芯片架构“飞行途中”做修改。这如果跨公司边界会很难，甚至不可能；不是说不可能，但难得多。假如离芯片完成只有几周或几个月，再说“天哪，让我们肩并肩坐到同一个房间，看看是否该打乱项目”，这是可能的，但更难。这是我对跨公司边界的判断。

对于那些还在设计阶段的芯片，我们可以一起评估许多架构。我们会问 DeepMind 同事：你们认为两三年后的模型架构会往哪里走？这是我们能做的一组方案，这是模型架构可能演进的一组方向。我们其实有深入且重大的仿真基础设施，可以预测工作负载将如何映射到不同硬件架构上。深度而快速的迭代。团队并不是分开工作的，很多时候就在同一栋楼、同一个房间里，日常深度互动。我和 Koray、Demis 等人每周都会多次交流。所以这确实是工作里非常有趣的一面。

主持人：
太棒了。最终他们的模型也会帮助芯片设计。

阿敏：
我们也在用 Gemini 为未来版本的 Gemini 设计硬件。

主持人：
这真的很酷。之后我想再回头聊合作本身。我猜这里仍存在一个阻抗失配：硬件周期显然比 DeepMind 软件侧面对的周期慢，而你们的规划周期肯定也更靠前。那么你们实际还有多少调整空间？

阿敏：
这是个好问题。毫无疑问，我们会提前两三年、四年、五年规划硬件。刚才聊到我们已经宣布的 TPU 第 8 代，但你可以想象第 9、10 代，也许还有别的，已经处于概念、执行或其他阶段。它们可能还有好几年才出来。而如果你默认在做模型架构工作，通常不会提前好几年思考。

但这也恰恰是公司一起成长起来的伟大之处。Google Research、DeepMind、Transformer 的发明，所有这些也都发生在这些相互重叠的房间里。也就是说，有一整代研究员已经习惯了能够影响硬件，也知道硬件按多年周期运转。他们也知道：如果只是一个能给即将 tape-out 的芯片带来 1% 或 0.5% 收益的小改动，他们大概不会来找我们，因为他们足够了解：这不像软件，你不能提交一个 change list，两周后就上生产。实际上，叫停一次 tape-out 是大事。但他们也知道，如果真有一个非常大的机会，我们绝对会一起努力，看能否把它放进去。所以收益来源是乘性的。硬件会抬升所有船只，对吧？

DeepMind 团队有相当一部分人——我们对此非常感激，那是个令人惊叹的团队——会认真思考如何影响路线图，因为那是一个流水线。你两年前的想法，现在已经在生产里，并帮助 Google 所有工作负载跑得更快，那是一种很好的感觉。

主持人：
完全同意。不过，预测五年后最常见的工作负载、以及会出现什么算法突破，这看起来几乎不可能。

阿敏：
听起来确实不可能。我明白为什么你会觉得不可能。但令人震撼的是——我们其实正在非常详细地写这件事，而且写起来很有意思——TPU 架构在中等细节层面上，自 TPU v1 以来并没有真正改变。不是说在最高层面上没变，而是在中等细节层面上。你可以把它类比为 CPU 的指令集架构：你有 load、store、add、subtract、branch。这么多年软件在上面做了什么？TPU 也一样。我们有一些基本指令和基本原语。当然我们扩展过它，不是说指令集完全没变；但那些原语，比如专门化的数值格式、非常大的矩阵乘法单元、一个管理向量操作和 scatter/gather 操作的 sparse core 等，真正定义它的就是五六件事。还有一个实际是 load remote/store remote：我们可以通过 ICI 网络读写远端内存。这些基础一直在，并且已经扩展到许多代模型、许多代甚至深度神经网络算法和模型结构。

长程智能体改变数据中心形态

主持人：
说到工作负载变化，过去一年左右最大的变化之一——我认为其实是从今年日历年年初开始——是长程智能体（long-horizon agent）的崛起。我猜这种工作负载和过去几年那种快速轮转的 LLM 对话形状很不一样。这对数据中心需求意味着什么？

阿敏：
我认为有两个巨大方面。第一，它不再是“人——加速——交互”的模式。换句话说，当你在网页浏览器或手机上输入 prompt 时，当然，响应你的 prompt 会发生大量计算；但当响应返回后，你必须读它、思考它，然后也许才有 follow-up。这中间通常是多秒级的交互时间。现在，在长程智能体中，没有人在环路里，自然不会限速模型收到请求的速度。过去以秒计、也许几十秒计的交互时间，现在可能进入毫秒级：我一拿到响应，就可以解析它、对它做一点推理，并判断下一个请求是什么。

第二个大变化是：所有这些推理和解析大概率发生在 CPU 上。而这个 CPU 接下来必须思考：为了生成下一个 prompt，我还需要收集哪些其他状态？换句话说，我从这个响应中学到了东西，我要采取下一步；但我其实需要去抓取一些上下文，可能来自本地 DRAM，可能来自另一台 CPU 上别人的 DRAM，可能在 SSD 上，也可能在别处的 HDD 上。所以现在还需要进行大量编排。

因此，设计正在发生相当显著的变化：加速计算需求在上升，但 CPU、网络、存储等传统数据中心 CPU 等需求也在暴涨。

主持人：
这意味着你们要在 GPU 机架旁放更多 CPU 吗？是 GPU/TPU 机架吗？

阿敏：
这是关键问题。回到优化和专门化的问题：如果我们开始在 GPU 和 TPU 旁边放很多 CPU 机架——这确实是个问题——那就意味着我们无法完全按 TPU 机架相对于 CPU 机架的密度和网络需求来做专门化。TPU 机架密度会高于 CPU 机架，可能也需要比 CPU 机架更多网络。换句话说，我们的建筑设计会发生变化。

另一个选择是保持均匀性：把 TPU 或 GPU 全放在一栋楼里，隔壁楼放 CPU；也许顺便说，硬盘必须放在另一栋楼，因为硬盘又有另一套要求。现在你需要在这些楼之间建立相当可观水平的网络。一旦离开一栋楼，网络复杂性会从可靠性、成本角度显著上升；延迟大概仍可接受，但现在组件之间可能出现数百微秒，甚至更多排队延迟。所以考虑因素会以非常有趣的方式变化。

主持人：
你的工作很难。

阿敏：
很难，但也很有趣。

光路交换与网络现状

主持人：
网络侧发生了什么？我听说 Google 一直站在最新网络技术前沿，包括光网络。能讲讲光网络现状吗？

阿敏：
大约十五六年前，Google 就是最早把波分复用（WDM）引入数据中心的厂商之一。我们可以在单根光纤中放入多个信号，并把它用于机架之间的所有通信。同时，我们还引入了一项与波分复用一起使用的技术，叫光路交换（optical circuit switching）。本质上，光路交换与传统电分组交换相反：它完全在光域内传输和移动数据。

可以这样理解底层技术。在分组交换机里，你会拿到一个带头部的分组，在电域里查看它，根据头部判断它要去哪里；头部可能有 IP 地址，于是你查表：对于这个目的地，该从哪个端口转发？基本上每秒有数十亿、甚至数万亿个分组以超高速通过并被转发。而光路交换说的是：我不在电域里触碰这些比特。我要做的是，对一个输入端口，决定把光送到哪个输出端口。实现方式有多种，我们最初用的是 MEMS 开关：微机电马达在三维空间里控制反射镜。于是我们可编程地控制一个可能有 128 个端口、256 个端口或类似数量的盒子，把进入每根光纤的每个输入端口映射到某个输出端口，然后改变反射镜角度，让光真的照射到这些镜子上，并反射到正确的输出端口。

最初我们做这个有两个原因。第一，是在机架组之间创造局部性。假设我有一个计算集群和一个存储集群，共同支持——打个比方——搜索。我们知道这两个集群会频繁通信，于是配置反射镜，在两者之间 purely optically 创建捷径，连接两个机架集群。第二，我们希望能在不实际移动任何光纤的情况下扩展和收缩网络。这里不展开细节，我可以在白板上画出来。光路交换允许你重构网络 spine，从而扩展或收缩它，而不需要人类做任何事，只需要一个控制器来管理。

快进到 TPU。TPU 有 Taurus 拓扑，把所有 TPU 直接连在一起。前面我聊过吞吐和 goodput。我们能做的一件事是：如果一个 TPU 机架故障，可以用另一个 TPU 机架替换它，而无需移动任何光纤。这里也得挥挥手或画白板；但本质上，我们可以说始终保持有一个备用机架，当一个机架故障时，把光重新指向新机架，这可以在毫秒级完成。

主持人：
那为什么还要光纤？为什么不直接全用自由空间光？

阿敏：
问得好。衰减损耗和带宽会急剧下降。而且在一个非常大的建筑范围内，不靠光纤把所有东西在三维中连接起来，要对准所有光路会非常困难，甚至可能不可能。我们讨论过，也确实有过一些非常有趣的讨论。但是的，主要还是通过光纤；当光进入光路交换后，本质上光会直接照射到这些微小芯片上。这是网络的一个大方向。但还有很多可说，网络在数据中心里的能力和需求 frankly 都在爆发。

主持人：
太酷了。我们完全可以就这个话题单独聊一整期。

阿敏：
是的，非常酷。回到 Ineffable 那张照片，抓住大家眼球的正是那些线缆。而最终其中一些线缆会接入我们数据中心里的光路交换。

电力是约束条件：公用事业、吉瓦，以及数据中心规模

主持人：
明白了。我想转向电力。你一直在讲每瓦 goodput、其他各种“每瓦”指标，这让我觉得“每瓦”意味着电力在某种意义上是约束条件、稀缺条件或昂贵条件。

阿敏：
我经常被问：我们面临的最大约束是什么？现实是，并不存在单一的“最大约束”。所有约束都是约束，都超级难，而且会不断变化。但如果必须从根本上回答，我会说电力是我们面临的最 fundamental 约束。其他所有问题似乎我们都知道如何在一段时间内解决；电力则是长期 binding 问题。当然，核能或许会带来丰富清洁能源，到时能解决很多问题；当它何时、以多大规模发生，仍然未知。

主持人：
实践上这是怎么运作的？你要新建一个数据中心，需要 1 吉瓦电力。我想象你不能直接打电话给 PG&E 说：“嘿，请送 1 吉瓦电过来。”配电实际上是什么样？你是否必须一路垂直整合，甚至自己造涡轮机？你们如何解决电力瓶颈？

阿敏：
这又是一个大问题、重要问题。我们在 Google 的首选模式始终是接入公用事业、接入电网。所以确实相当于给你数据中心所在地的“最喜欢的公用事业公司”打电话——当然，要非常礼貌——而且当然要提前很多年通知。换句话说，如果谈的是吉瓦规模，你不能说“我明天就要 1 吉瓦，什么时候开始计费？”这是我们一起多年共同规划的事情。对我们而言，我们也非常重视一点：与这些公用事业合作时，要把基础设施成本覆盖掉。这个话题可以聊很久。由于计费机制，理论上公用事业为我们建设容量，可能会导致其他人费率上升；我们确保的是，比如需要建设/升级的输电线、额外公用事业变电站等，这些费用由我们支付。

所以这是一个长期规划过程。绝对可能出现这种情况：假设我们在一个我随手编的年份 2028 年需要 1 吉瓦，而公用事业能在 2029 年给我们 1 吉瓦，2028 年只能给我们比如 700 兆瓦。这时我们可能就面临如何覆盖那 300 兆瓦的问题。一个答案是等；另一个答案是，研究如何自己产生其中一部分电力，也许是太阳能，也许配电池作为备份，也许来自其他来源。然后我们再次与公用事业合作。也可能是组合方案：我们在本地保留一定的发电能力，即使公用事业后来完全上线，比如达到吉瓦级，我们实际上还能把电回馈电网。也就是说，在他们需要时回馈电网。比如一年中最热的两周，住宅需求巨大；如果我们有本地发电，就可以把电回馈电网。

所以这确实是与公用事业多年合作的过程。为什么你更倾向这样做，而不是自己垂直整合？

主持人：
正是。

阿敏：
主要原因是灵活性和双方 uplift。可以这样看：统计复用，或者大数定律。如果我们需要 1 吉瓦电力，并且希望以 99.99% 以上可靠性获得，可能意味着必须建 2 吉瓦电力。在那个水平——99.99 或 99.999——你必须有 1+1 冗余，这会很贵。而且还要确保它 ideally 是清洁能源，最好就在数据中心旁边，这也很有挑战。现在如果我们与数据中心合作——也许我们自带一部分，可以在他们需要较少时给电网，也可以取用他们的电——通过在大得多的基数上做统计复用，实际上所有人都是赢家：我们赢，电网赢，居民也赢。我们偏好这种方式。极少数情况下我们也会 behind the meter 做，但即便那样，也是在假设我们会与公用事业合作、比如一年后并网的前提下做。所以这对我们是 uplift，对电网也是 uplift。

主持人：
有道理。你如何决定把一个数据中心建多大？

阿敏：
这是一门艺术，也是大量争论的来源。记得十多年、十五年前，Google 内部甚至有场大辩论：要不要把所有东西放进一个数据中心？那时那会是 1 吉瓦，在如今看来算“简单年代”的笑了。

其中一个明显担忧是单点故障。如果你从 30 年视角看，这是巨大担忧。另一方面，如果谈今天的训练工作负载，越大越好；从网络角度看，你确实希望事物尽可能集中在更小距离内。但接着又有两个问题：单点故障，以及电力可用性。吉瓦在 10 或 15 年前很大，但还能想象；而现在，要把 Google 的全部需求建在一个地方，在这个国家或世界上任何地方都不可能。那最优尺寸是多少？我们确实有模型、仿真器等。但这也取决于地点：有些地方我们会在网络边缘，或位于一个国家里，可能只有几十兆瓦；我们甚至与 ISP 合作，可能是在伊拉克。好吧，这不是训练集群。训练集群可能更接近吉瓦级。其他站点可能是几百兆瓦，等等。

训练与服务集群、七岁高龄的 TPU，以及开放标准

主持人：
很有意思。我想理解你如何做组合生命周期管理。我猜最大的最新集群用于训练最新前沿模型，然后回收旧设备跑推理。这个框架对吗？你们是否也建设推理专用集群？这一切如何运作？

阿敏：
你的框架非常合理，也确实有意义。但我会说，推理需求大到我们不能只依赖那些不再被训练完全占用的旧训练集群来作为推理基础。再想想，我们可能会在某一年把训练集群集中到少数几个大站点；让它们之间的网络距离保持很小有好处。所以无论它们位于世界何处，在特定年份里，它们可能位于同一大陆，甚至同一大陆的同一区域。于是其他大陆可能就没有足够服务能力。这时我们就必须去建设专门的推理集群，分布到世界各地。所以你的直觉很准，但不完全。确实必须是：这里是训练集群；是的，几年后它们大概率会用于服务；但我们同时也必须建设服务集群。

主持人：
你的服务集群和训练集群不同吗？更小吗？每兆瓦更便宜吗？

阿敏：
不一定更便宜，因为服务更需要把计算、网络和存储放在一起，于是又回到无法完全专门化的问题。训练时可以做大密度、均匀部署等；而服务需要存储、计算和加速器混合。此外，服务还有一个很有意思的方面——可以以后再展开——就是你其实不希望在同一个地方放太多服务负载；你希望从全球各地为用户服务工作负载提供服务。但现在我们拥有单个模型 endpoint，实际上可能是模型的不同变体，于是还必须把这些模型分布到全球，同时考虑 locality。所以服务集群会更小， infant 侧可能垂直整合程度也更低。

主持人：
非常有意思。如果你五年前建了一个数据中心，当时最先进的加速器跟今天相比完全不同，效率低得多。你们真的会回去更换旧数据中心里的芯片吗？我知道这关系到一个持续争论：芯片实际有效寿命到底是多少？

阿敏：
是的。我之前公开说过这句话，而且我有点惊讶它引起这么大反响：我们七八年前的 TPU 仍然保持 100% 利用率。我的本意并不是要发表什么重大声明，但显然它成了有意义的声明。我们较老的 TPU——以及 GPU——但我们的老 TPU 确实仍在被高度使用。最终我们还是会替换它们。问题是：一旦折旧寿命大约六年结束，并且考虑到新一代的能效等，替换升级确实有意义。并不是说我“更换芯片”，而真的是更换系统。换句话说，我们按 pod 思考。比如一个 TPU 8 pod 可能是 9600 颗芯片，约 140 多、152 个机架等。于是我们会说，要把这个 pod 拉出来，换成 TPU 12 或 13 或 14 pod。新 pod 占地未必和旧 pod 空缺完美匹配，所以我们必须考虑这一点，研究如何改造。我们无法提前规划这个，因为我们不知道那么多代 TPU 会是什么样。所以这又是一门艺术，并且要实际做很多艰苦工作，弄清楚如何分解旧系统，然后尽快用新 TPU 替换。

主持人：
你公开写过关于开放标准的文章。能讲讲吗？

阿敏：
我们前面谈过互操作问题。对我们来说，虽然支持垂直整合，也允许你尽情榨取性能，但非常重要的一点是：不强制锁定，不强制端到端的“围墙花园”。举个例子，在 Google，我们开发了一个模型开发框架叫 JAX。我们很喜欢它，认为它非常好，内部大量使用；而我们很多客户喜欢 PyTorch。一种做法是我们说：“嘿，如果你想在 TPU 上跑，就必须用 JAX，因为它最好。”我这是半开玩笑；也许它确实最好，但这不是唯一选择，不能因为它“很好”就只给这个选择。另一种做法是：如果你喜欢 JAX，我们也喜欢 JAX，你可以用；如果你喜欢 PyTorch，我们有 Torch TPU，你未修改的模型等也可以跑。

历史上我们见过很多这样的例子。我用过 IP 的例子：为什么互联网协议赢了？其实在 70 年代和 80 年代初，IP 有很多竞争协议。IP 赢是因为它是开放标准，是沙漏形结构中的“细腰”：任何软件都可以跑在它上面，任何硬件都可以跑在它下面。开放、可互操作；任何带来 IP 的设备都能插进路由器端口，立刻成为互联网一部分。它很美，也让互联网得以在全世界爆炸式增长、扩展。所以我们真的相信这些开放标准，相信插件式接入点。如果你想接入高度专门化的东西，也可以；如果你认为有更好的东西接入我们的框架，你绝对可以。但我们希望真正支持开放标准，理想情况下还有围绕它的开源。这次建设太大、太重要了，不能成为任何一家厂商的封闭专有栈。我们真的相信这一点，必须是选择。这也是为什么，比如我们完全支持并拥有 TPU、GPU、其他加速器等等。

主持人：
AI 如何改变你团队的日常工作？它在哪个层面对你们职能改变最大？

阿敏：
最容易的回答是软件工程侧。这一点外部已经有很多记录。我认为 Google 以及我的团队都在非常有效地用它提升软件开发能力，也 frankly 用于测试发布，甚至帮助设计等。但在硬件侧，也许外部报道较少，也发生了显著变化。换句话说，我的硬件工程师——我今天早些时候刚看了数据——使用 AI 的程度和软件工程师一样多。你可以看 token 数，这不是最好的指标，但仍然是个指标。硬件工程师使用 AI 的量已经和软件工程师相当。生产率也上升了。从设计启动到 tape-out 的时间在缩短；bringup 时间也在缩短。另一个生产率显著上升的地方，也许是较意想不到的变化：数据中心设计方式也显著改变了。也就是我们如何做数据中心设计、如何评估——你刚才提到，我们是建 1 吉瓦单体楼，还是 100 兆瓦园区、200 兆瓦园区？过去这会是非常细致、非常电子表格驱动、由人驱动流程；现在仍在某种程度上如此，但已经有大量 AI 参与，真正精简了规划和开发流程。

主持人：
有意思。是推理模型吗？

阿敏：
还不能完全说是推理模型。它没有取代人类判断，但确实让把必要信息汇集到一处、 basically 把正确信息放到做决策的人面前，变得容易得多。

轨道数据中心与 2036 年的超级计算机

主持人：
最后我用两个有点“放飞”但好玩的问题收尾。第一个：轨道数据中心。我看到 Google 对此相当认真。你想让我评论一下。人们认真计算轨道计算这件事本身，是否意味着地球上存在严肃的约束条件？你怎么看轨道数据中心？

阿敏：
这是一个令人兴奋的方向。我们确实在推进，并且毫不调侃地把它称为一个 moonshot，是我们非常乐意投资的大项目之一。回到对话前面你正确提出的部分：从根本约束看，能源和能源生产是关键挑战。根本上说，在太空中，由于没有大气衰减等因素，可用功率大约多 40%。也就是说，仅仅日照容量就是 1.4 倍。这是其一。但在太阳同步轨道上，你的太阳能电池可获得 98% 到 100% 的日照覆盖，而陆地上可能只有 28%、30%，也许 35%。也就是说，能量极其充沛： obviously，你拿到 1.4 倍，再乘上每天日照小时数的 3 到 4 倍，并大体把电池从等式中移除，现在就有可能得到真正可观的东西。当然，它无碳，有很多好处，也有很多挑战。

挑战确实很多。比如冷却：你可能天真地以为太空中冷却更容易，实际上更难。可靠性：我们刚聊过这些设备有时会坏。维修在太空中变得更难——不是不可能，但更难。你刚才关于自由空间光学的 pre question 现在会成真：我们大概不会在这些组件之间拉光纤，所以真的会是自由空间光，激光指向接收器并实时校准。这里没有什么“根本性 showstopper”。

主持人：
最后一个问题。我脑子里一直装着你们为 Ineffable 建的超级计算机画面。所以问题是：十年后，最前沿的超级计算机会是什么样子？

阿敏：
天哪。十年正好处于那个边界上。我要非常诚恳地说：可能有些人已经在想 2036 年的计算机会是什么样。我们可能也有少数人想得那么远。但那里的不确定性锥实在太宽了。看趋势的话，集成度将会非常惊人。我们看到了为 Ineffable 组装的 VR200 机架里漂亮的光纤。我的猜测是，它会更加集成，光纤更少。我不会说 2036 年没有光纤，但我认为从机架视角看，机架会显得更紧密集成，可能只有一小束光纤从机架里出来。然后从模块化制造角度看，2036 年的这些机架很可能会集中制造。无论里面是 72、144、288，还是——既然聊到 Ineffable 案例，可能是 576、1152 个，随便选一个 GPU 的倍数；TPU 也一样——GPU/TPU 都深度集成进机架。一个机架会是多兆瓦吗？我们不知道具体如何，但 2036 年我们可以想象：单个机架可能达到数兆瓦。这时你引入水、引入电、引入光纤，把这个机架推进来，插上这三样东西，就出发去跑了。

主持人：
所以到 2036 年，它不会是一个漂浮在太空中的大异形球体？

阿敏：
我不会说 2036 年不可能把它直接发射到太空，然后由空间站机械臂接住，插进正确模块。也许 2036 年就会那样。

主持人：
想想就开心。我非常享受这场对话。这是历史上最 intense、规模最大的资本开支建设，但我也认为这是一场技术革命，而且是一件美的事物。你对技术之美、约束条件以及如何平衡这一切有非常深刻的把握。Google 交给你很好。谢谢你抽时间分享你们正在做的事。

阿敏：
非常开心。非常感谢。这是一场很棒的对话。我们有机会亲历这一切，并且有机会定义它。谢谢你。

风险提示及免责条款

每家AI大模型公司都会变成生物科技公司

张硕 — Wed, 07 Oct 2026 03:12:05 GMT

神经科学家Andrew Huberman表示Meta、OpenAI、Anthropic、Neuralink等AI公司终将变生物科技公司，因为它们真正感兴趣的是大脑。

它们共同的目标是非侵入式读写大脑，精准刺激或抑制脑区，调节分级神经信号。

真正AI竞赛是用AI动态调控神经活动，尽管这听起来像科幻，但关键问题只是：它离现实还有多远。

“AI硬件第一股”IPO搁浅了

Wed, 07 Oct 2026 02:57:14 GMT

智能戒指制造商Oura上市受挫，揭示出一个投资市场的老命题：叫自己"平台"，不等于被市场当平台估值。

Oura上月底试图赴美上市，却因无法在预期价格区间找到足够买家而被迫搁置计划。公司将此归咎于市场动荡，但主要股指彼时仍接近历史高位。据《华尔街日报》报道，此次IPO折戟的深层矛盾在于：Oura将自身定位为价值最高150亿美元的科技数据平台，而潜在投资者眼中看到的，不过是一款精致的健康消费品。

这一定位落差直接影响估值逻辑，并引发投资者对"单品公司"商业模式可持续性的根本性质疑。对于持有Oura Pre-IPO股份的礼来（Eli Lilly）等战略投资者而言，公司能否证明其数据对医疗付款方的价值，将成为下一阶段的关键看点。

单品公司的上市魔咒

此前，Peloton、Fitbit、Casper Sleep、GoPro——这些品牌都曾迅速积累市场热度，随后撞上同一堵墙：收入增长依赖持续卖出新产品，而非依靠既有用户基础自然扩张。

佛罗里达大学研究IPO的教授Jay Ritter追踪了2005年至2024年间上市的13家单品消费公司，结果触目惊心：上市五年后，这些公司股价平均较发行价下跌约32%，而同期大盘上涨49%；同一样本中逾1200家其他IPO公司的股价则平均上涨68%。

唯一跑赢大盘的例外是Roku——它将流媒体播放器转型为广告平台，并于今年6月以250亿美元被Fox Corp.收购。这个案例揭示了单品公司突破天花板的核心路径：产品本身必须演化为平台、订阅或由消费者以外的第三方付费的服务。

健康科技分析师及顾问Stephanie Davis将消费者的行为特征总结为"极快采纳，极快抛弃"。这一判断，精准描述了单品消费公司面临的结构性脆弱。

平台叙事与营收现实的落差

Oura在招股说明书中将自己定义为"健康智能平台"，声称已积累超过400亿小时的生物特征追踪数据，并寄望于在此基础上叠加软件与AI能力，向药企、雇主或保险公司出售数据服务。

然而，目前的财务数据与这一愿景之间仍存在明显差距。其截至2025年6月30日的九个月数据显示，硬件销售（即智能戒指）占总营收约80%，会员订阅收入仅占20%。整体毛利率约为55%，远低于数字健康软件公司的典型水平。

尽管如此，Oura要求的估值倍数约为过去12个月营收的10倍。相比之下，Fitbit被谷歌收购时的成交价不足其营收的2倍。

专注医疗领域的对冲基金Rock2 Capital首席投资官Robin Boldt表示：

"以硬件为核心的业务天然对应更低的营收乘数。能够维持乃至加速订阅业务增长，才能让公众市场投资者更为放心。"

留客难题与营销依赖

Oura目前拥有逾500万付费会员，每月收费约6美元，公司称年度留存率达85%。但真正意义上的平台，依赖的是用户的深度锁定——开发者靠App Store谋生，司机和餐厅依赖Uber存活。而一旦用户离开Oura，他们损失的不过是睡眠历史记录。

这种相对低度的用户依赖，使Oura不得不持续在营销上大量投入——约占营收的五分之一——以每年不断开拓新买家。这一成本结构与真正平台型公司的轻资产扩张模式背道而驰。

三条出路：多元化、平台化与被收购

业内人士认为，单品公司的长期生存大致有三条路径。

第一条是产品多元化。Garmin曾以车载GPS为核心，智能手机的普及几乎摧毁了这条业务线，但它通过向健身手表、户外装备及航空海事电子设备扩张而成功转型。

第二条是平台化。Roku以极薄的硬件利润率销售播放器，转而靠广告收入和订阅分成盈利。

对于Oura及Whoop等健康可穿戴初创公司而言，第三条路或许最具潜力——让第三方付款。ResMed的呼吸机和Dexcom的血糖监测仪之所以能规模化普及，是因为保险公司覆盖了这部分费用；Hinge Health提供的线上物理治疗服务，则主要由雇主和健康计划埋单。

Oura已与若干医疗机构建立合作，例如其体温数据已接入生育应用Natural Cycles。但若要吸引付款方真正买单，仅证明戒指能准确测量健康指标还不够——它需要证明佩戴戒指能切实改善用户健康结果。

被收购可能是对股东而言最直接的获利路径。礼来在Oura上市前已参与投资并表达了进一步增持的意向。考虑到礼来旗下Zepbound和Mounjaro等药物的用药管理需求，获取患者睡眠质量、运动状况等实时健康数据对其具有潜在战略价值。

Oura无需成为下一个苹果，甚至不必成为下一个Garmin。它真正需要向市场证明的，是自己收集的数据对消费者之外的人同样有价值——而不只是一家卖高价戒指的公司。

风险提示及免责条款

负极技术革命：从石墨二维到碳巢三维，储能行业如何颠覆？

Wed, 07 Oct 2026 02:35:59 GMT

石墨以层间嵌锂的「二维」方式统治负极三十余年，把电芯能量密度锁在 400Wh/kg 以内；以 CNTp-3D 集流体为代表的「三维碳骨架」路线，则在一张超薄铜网上生长出孔隙率超过 90% 的碳巢，让金属锂、钠在骨架内部原位沉积，出厂时干脆取消负极活性材料。

这场革命的方向没有疑问。2026 年全球无负极专利族已达 533 个、近三年申请量增长 261%，LG 新能源、宁德时代、松下、QuantumScape 同场竞技。但它被三件事决定：卡点是电解质而不是集流体，门槛是循环寿命而不是能量密度，胜负手是碳骨架的规模化降本曲线。CNTp 干粉价格需从当前 1,500 元/公斤降至约 540 元/公斤，三维方案才能在每平方米成本上与传统石墨方案打平。在此之前，无负极电池的战场只能停留在军工与特种装备；而储能这个 2026 年唯一的加速变量，将被循环寿命挡在门外至少三年。

美股三季报下周拉开帷幕：标普500每股收益预计增长27%，英伟达和美光两家公司将贡献1/3

Wed, 07 Oct 2026 02:34:15 GMT

美股三季报季将于下周全面拉开帷幕。尽管标普500指数盈利增速可能创下2021年以来最高水平，但增长高度集中于少数科技和能源巨头，中小盘及多数行业的盈利动能却在减弱，指数与个股表现之间的分化进一步加剧。

据高盛最新预测，标普500指数三季度每股收益同比增速有望达到27%，为2021年以来最高。不过，这一增速高度依赖少数公司：存储芯片制造商美光和英伟达两家公司预计合计贡献指数盈利增长的约三分之一，而标普500成分股中位数公司的每股收益增速仅为9%，较二季度的14%进一步回落。

盈利集中与市场广度收窄正在成为投行关注的核心风险。高盛指出，市场广度已降至互联网泡沫以来最低水平——标普500指数距离历史高点仅差2%，但中位数股票较各自高点的平均跌幅已达17%。

摩根士丹利策略师Mike Wilson认为，指数接近历史高位与大量个股陷入熊市级回撤之间的背离“终将以某种方式收敛”，而债券市场波动率可能成为最终的“裁判”。

盈利增长越来越依赖少数股票

高盛最新报告数据显示，美光预计将贡献标普500三季度盈利增长的19%，英伟达贡献15%，两家公司合计贡献的增量，约等于其余490只成分股贡献的总和。

紧随其后的贡献者包括Meta、Alphabet和博通，分别贡献7%、6%和5%；埃克森美孚、雪佛龙和Marathon Petroleum则受益于霍尔木兹海峡局势推高油价，波音也位列前十。前十大贡献者预计合计占三季度盈利增长的68%，远高于一季度的47%和二季度的48%。

从主题来看，AI基础设施是盈利增长最主要的来源。高盛预计，“AI基础设施（不含超大规模云厂商）”将贡献三季度盈利增长的54%，超大规模云厂商再贡献19%，两者合计承担约四分之三的标普500盈利增长。

行业分化同样明显。受霍尔木兹海峡局势及油价上涨影响，能源板块三季度每股收益预计增长109%；信息技术板块预计增长64%，两者合计贡献约80%的季度盈利增长。相比之下，可选消费板块盈利预计基本零增长，必选消费板块则预计出现负增长。

高盛同时指出，分析师预计几乎所有板块的盈利增速都将环比放缓，信息技术和通信服务是仅有的两个例外。三季度开始以来，标普500中位数公司的利润率预期已被下调11个基点，且除信息技术外，各行业均出现下调。

美光率先交卷，高增长之外市场更关注持续性

美光已于9月30日率先公布财报，业绩表现强劲：调整后每股收益为33.42美元，高于市场预期的31.83美元；调整后营收从上年同期的112亿美元增至542亿美元；毛利率达到87%，远高于去年同期的45.7%。公司给出的下一季度营收指引区间为600亿至630亿美元，也明显高于市场一致预期的567.7亿美元。

但业绩大超预期并未带来股价的同步大涨，原因在于市场此前已经计入了更高的增长预期。摩根士丹利分析师Joe Moore在财报发布前指出，围绕美光的市场讨论“已从‘能好到什么程度’明显转向‘这种势头能维持多久’”。

今年以来，美光股价已累计上涨超231%，成为费城半导体指数表现最佳的个股之一。随着业绩和股价大幅上涨，市场关注点已从短期业绩是否超预期，转向AI存储需求和高盈利水平能否持续。

超大规模云厂商加码资本开支，市场预期或仍偏低

支撑AI相关公司盈利增长的核心，是超大规模云厂商持续加码资本开支。市场预计，这些公司三季度资本开支同比增长116%，高于二季度的87%。高盛预计，2027年资本开支增速将超过50%，总规模也将超过目前约1.1万亿美元的市场共识预期。

历史经验显示，市场对超大规模云厂商资本开支的预测持续落后于实际增速：2024年初市场预计全年增长19%，最终实际增长54%；2025年初预计增长22%，实际增长73%；今年初预计增长36%，目前实际增速已接近96%。高盛因此认为，市场对2027年37%的资本开支增速预期同样可能偏低。

云业务收入的加速也在为这轮资本开支提供支撑。亚马逊、谷歌、微软和甲骨文等超大规模云厂商的云收入增速二季度加快至48%，高盛预计三季度将进一步升至55%。其中，亚马逊、谷歌和微软三家的云业务合同积压总额已接近1.7万亿美元。

不过，AI资本开支的快速扩张也伴随着更高的融资需求，其中相当一部分正在通过债务融资。此外，今年上半年还有两项会计因素推高了企业盈利：大型科技公司所持私有AI公司股权按市值计价产生的收益，以及美国财政部退还的关税。

高盛估算，大型科技公司二季度因私有AI公司股权重估产生的收益约为1500亿美元，相当于标普500每股收益的12%；美国财政部三季度退还的约690亿美元关税，则相当于全美企业税前利润的约6%。高盛已在季度同比比较中剔除前者，并不预计三季度会再次出现同等规模的收益。

指数接近历史高位，市场宽度持续收窄

盈利集中之外，市场表现同样呈现出罕见的高集中度。标普500前十大成分股目前占据约40%的指数市值和37%的预期盈利。高盛数据显示，标普500成分股之间的平均已实现相关系数已降至0.06，为该行十年数据中的最低水平，意味着指数整体表现越来越依赖少数AI和能源龙头。

美银美林策略师Michael Hartnett也指出，目前约400只标普500成分股跌破50日均线，约300只跌破200日均线。他计算的“AI Big 10”——Mag 7加上博通、AMD和美光——市值集中度已达到42%，超过“漂亮五十”时代的40%、TMT泡沫时期的41%和1920年代的36%。在可比历史案例中，仅日本市场的44%和1881年美国铁路股的63%高于这一水平。

不过，投行对三季度整体业绩仍保持相对乐观。摩根大通市场情报部门在三季报前瞻报告中将市场评级调整为“战术性看多”，认为在二季度盈利增长达到52%之后，市场对三季度约29%的盈利增速预期可能仍偏保守，并预计11个行业均实现营收和盈利增长。

FactSet数据显示，若预期兑现，标普500将连续第三个季度实现营收同比增长超过10%、盈利增长超过25%，利润率也将达到历史第二高水平。

高盛目前预计，标普500指数2026年每股收益将达到375美元，同比增长36%；2027年进一步升至415美元，并给出年末8000点、未来12个月8700点的目标位。

作为标普500第一大权重股、同时也是三季度盈利增长第二大贡献者，英伟达将于11月第三周公布财报。在当前盈利高度集中的市场环境下，其业绩及对未来AI资本开支和需求的指引，可能成为判断这轮美股盈利行情能否继续向前推进的关键节点。

风险提示及免责条款

当40万亿险资遇上低利率，A股的定价规则开始变了

万周 — Wed, 07 Oct 2026 02:25:39 GMT

低利率正在迫使保险资金重新定义股票在资产负债表中的角色。2026年保险资金运用规模突破40万亿元，股票配置比例继续抬升，但更值得关注的是结构变化：银行、电力、煤炭等稳定现金流资产持续获增配，电子、通信、新能源等成长方向也进入配置池。

红利开始承担部分稳定收益功能，成长负责补足长期回报，险资正在改变的不只是资金流向，也可能是A股对“好资产”的定价标准。

一、发生了什么？——险资已经从“加股票”走到了“重构股票”

1. 40万亿资金遇上“新钱收益率”下降：

保险资金眼下最现实的矛盾，并不是缺钱，而是钱越来越多之后，能够承接这些资金的高质量、高收益资产越来越少。2026年二季度末，保险公司资金运用余额达到40.82万亿元，较年初增长6.1%，仅半年就增加2.34万亿元。其中，人身险资金36.87万亿元，占行业九成以上；债券余额19.91万亿元，占比50.5%，仍是绝对基本盘，但银行存款占比已降至7.7%，以非标为主的其他投资占比也降至17.9%，均处于近四年低位。

更值得重视的是收益率落差。按中泰证券模型，2026年8月险资模拟“新钱收益率”约2.57%，而模拟净投资收益率仍有3.19%。每当一批历史高收益资产到期，再投资都会继续压低组合回报。险资提高权益配置，与其说是风险偏好上升，不如说是资产端收益来源被迫重新排序。

2. 为什么险资越来越值得研究？

2026年二季度末，保险行业股票余额达到4.10万亿元，基金余额2.29万亿元；主要上市险企股票占比达到13.0%、基金占比6.2%，二级权益配置已处历史高位。同期险资出现在610只A股前十大流通股东名单中，合计持股市值约7972亿元。

体量之外，更重要的是资金久期。寿险、养老和长期保障负债决定了险资很难只围绕季度排名交易。一旦某类资产进入长期配置框架，影响的往往不只是短期行情，还可能逐步影响估值中枢。2026年年初获批的2220亿元长期股票投资改革试点基金已经全部进入运作，也说明这种长期定价力量仍在扩容。

……

中国央行连续第23个月增持黄金

Wed, 07 Oct 2026 02:10:18 GMT

中国9月末黄金储备为7747万盎司，环比增加74万盎司，8月末黄金储备为7673万盎司。中国央行已连续第23个月增持黄金。

中国9月外汇储备34002.5亿美元，前值34383.3亿美元。

更多消息，持续更新中……

风险提示及免责条款

港股低开，生物医药股开盘走低，药明生物跌超3%

Wed, 07 Oct 2026 01:24:48 GMT

香港恒生指数低开0.45%，恒生科技指数低开0.33%。生物医药股开盘走低，药明生物跌超3%，百济神州、信达生物跌超2%。比亚迪电子、阿里巴巴、京东健康跌超1%。

更新中

风险提示及免责条款