9月14日，据《商业内幕》获得的内部邮件及三名受影响员工陈述，甲骨文于周一正式启动新一轮裁员，部分团队裁员比例达两位数。

消息传出后，甲骨文股价当日一度重挫逾5%，随后跌幅收窄、收盘报144.72美元，年初至今累计跌幅约25%。

此轮裁员是甲骨文今年以来数轮削减的延续。甲骨文上周五披露，公司已扩大正在进行的企业重组计划，追加7亿美元用于员工离职补偿及裁员支出，以应对大举投资AI基础设施带来的财务压力。

据近期提交的监管文件，在截至2026年5月31日的2026财年内，甲骨文员工总数已较上一财年同期减少约2.1万人，降幅约13%，期末员工规模约为14.1万人。

周一，LinkedIn、Reddit及Blind等平台出现大量帖子，多名用户自称已受此轮裁员波及。此前报道称甲骨文已制定新一轮裁员计划，主要目标是压缩薪资成本。

甲骨文首席财务官Hilary Maxson此前曾向分析师表示，内部的"简化与效率提升措施"是控制运营成本、保护利润率的核心举措。

削减人力成本的背后，是甲骨文在AI基础设施领域规模空前的资本押注。公司第一财季资本支出达285亿美元，远高于上年同期的85亿美元，且维持2027财年900亿至950亿美元资本支出预期不变。

Hilary Maxson在业绩电话会上解释称，上述支出将直接用于采购AI机架、冷却系统及网络设备等供应商产品。为支撑这一扩张，甲骨文已通过大规模举债筹集数百亿美元资金。

尽管甲骨文最新财报释放出部分积极信号，华尔街对其AI投资回报前景仍持审慎态度。

摩根士丹利分析师Sanjit Singh在最新报告中维持甲骨文"中性"评级及210美元目标价。摩根士丹利表示，AI基础设施业务的毛利率与自由现金流转化，是决定甲骨文估值能否从"中性"转向"增持"的关键变量。

与此同时，据9月11日的一份监管文件披露，甲骨文创始人Larry Ellison已取消一项于2026年6月22日采纳的10b5-1股票交易计划。

该计划原本允许他在10月24日前出售最多5000万股甲骨文股票，价值约75亿美元。甲骨文确认Ellison未出售任何股份，但目前尚未公开说明取消计划的原因，亦未披露任何替代出售方案。

本文来自华尔街见闻，欢迎下载APP查看更多

（10年期美债收益率日内一度涨破5%）

Anthropic首席执行官Dario Amodei发表逾3800字声明，呼吁放缓前沿AI模型开发速度，并获OpenAI CEO Sam Altman及SpaceX CEO马斯克背书，引发市场对AI投资前景的广泛担忧。美股芯片股首当其冲，费城半导体指数单日重挫约6%，纳斯达克100指数收跌0.8%。

与此同时，中东局势升温将沙特阿拉伯东西向输油管道打断，油价盘中一度涨幅高达5%，布伦特原油突破每桶105美元。能源价格飙升加剧通胀顾虑，令市场在美联储本周议息决议前夕更显脆弱。美银策略师Tatiana Darie警告：

若经济增长韧性和企业盈利预期动摇，紧缩金融条件对股市的冲击将更为严峻。

周一市场跌势的直接导火索，是AI行业内部对模型发展速度的集体示警。

Anthropic首席执行官Dario Amodei在声明中明确表示，若不加以约束，最先进的AI系统存在脱离人类控制、造成灾难性危害的风险。微软AI研究团队亦同日发布逾1.5万字内部准则，将"人比AI更重要"列为核心信条。

市场反应迅速且直接，美股期货开盘，全线下跌，纳斯达克领跌。美股现货开盘后，受油价回吐涨幅的推动，小盘股和道琼斯指数一度转涨。最终收盘时，纳指跌幅居前，所有主要股指均收跌，但已较当日低点大幅回升。

标普指数中八个板块收跌，科技板块领跌1.7%。

相反，网络安全股逆势走强，CrowdStrike Holdings涨14%，Palo Alto Networks涨13%，软件板块整体显著跑赢半导体。

英伟达跌3.4%，英特尔跌5.6%，博通等芯片股亦大幅受压，半导体整体板块下挫约6%。投资者们不再关注人工智能，而是转向防御型、价值型和优质型股票。

对此，各机构观点出现分化。

Miller Tabak的Matt Maley指出，若AI商业化回报时间表被迫推迟，投资者降低热情是合乎逻辑的反应。高盛交易台负责人Rich Privorotsky将本周形容为"棘手的开局"，但亦持相对乐观的立场，认为真正改变的资本支出规模有限。

美银的Justin Post和Nitin Bansal表示，尽管存在短期情绪冲击，仍坚信AI基础设施需求将维持多年强劲增长。瑞银首席投资办公室的Ulrike Hoffmann-Burchardi则认为，此轮呼声更多是在为监管框架的形成铺路，"我们预计AI投资将持续推进"。

汇丰的Max Kettner亦认为市场担忧"言过其实"，放缓节奏最终或反而提升AI公司盈利质量。

特朗普周一对Amodei的立场发起抨击，称AI减速论背后存在"恶意阴谋"，并强调美国已有充分安全机制。

油价是当日市场波动中波幅最大的资产。

沙特阿拉伯东西向输油管道遭到袭击后被迫关闭，该管道日常输送量约为400至500万桶，绕过霍尔木兹海峡运往红海出口。

高盛的Rich Privorotsky表示，这是他"真正感到担忧的风险"，修复工期预计从数天到数周不等，而沙特亚布港库存或仅能维持5至7天的出口需求。

若管道停运延续，全球供应将在现有中断基础上再减少约4%。与此同时，胡塞武装向曼德海峡推进，局势从"单一咽喉"演变为"双线能源危机"。

WTI原油盘中一度逼近每桶105美元，美国柴油价格刷新历史纪录至每加仑6.23美元，欧洲天然气价格上涨4%，突破每兆瓦时84欧元。

午后，市场传出"美国寻求与伊朗达成分步协议"及乌克兰暂停打击俄罗斯能源目标的消息，油价一度回落，帮助美股缩窄跌幅。

但临近收盘，伊朗伊斯兰革命卫队宣布一艘油轮在霍尔木兹海峡触雷，油价再度拉升，WTI最终收涨约1.7%至每桶101.75美元。

美债市场周一迎来关键技术节点。十年期美国国债收益率盘中升破5.00%，为2023年10月以来首次，距2002年以来高点仅一步之遥。

债市的压力并非局限于美国，德国十年期国债收益率升至2009年来高位，英国30年期国债收益率触1998年来峰值，日本收益率亦处多年高位。

推动收益率上行的因素相互叠加：油价上涨再燃通胀预期、美联储本周加息预期进一步升温，市场定价显示本次会议加息25个基点的概率已升至90%以上。与此同时，美国财政赤字与债务规模持续扩张，令债券供给压力挥之不去。

资本经济公司首席经济学家Neil Shearing在报告中警示，在高债务、大赤字的宏观背景下，供给冲击可能通过债券市场形成危险的"反馈循环"，"关键风险并非初始冲击本身，而是其可能引发的连锁效应"。

Rockefeller主席Ruchir Sharma此前在《金融时报》撰文指出，10年期收益率若"决定性突破"5%，或成为刺破AI泡沫的引线，因为美国债务负担已超过GDP的100%，利息支出正持续挤压其他借贷空间。

不过，收益率最终未能守住5%上方，收盘回落至4.99%附近。高盛研究显示，当10年期收益率在一个月内上行约50个基点、或两周内上行约30个基点时，美股回报率开始明显恶化。

9月以来，10年期收益率已累计上行约20个基点，仍在警戒区间边缘徘徊。

在避险情绪与通胀预期同步升温的背景下，美元指数周一大幅反弹，创杰克逊霍尔会议以来最大单日涨幅，触及近一个月高点。

美元走强拖累大宗商品计价，现货黄金跌1.4%，收至4286美元/盎司，为逾一个月来最低水平。

比特币则是周一少数逆势资产之一，涨2.2%至约79034美元。

美国财政部长Scott Bessent当天在X平台发文，力挺国会推进《CLARITY Act》数字资产立法，称其对"确保美国赢得全球新技术竞赛"至关重要。预测市场对该法案获批概率的押注随即走高，带动加密资产情绪改善。

本文来自华尔街见闻，欢迎下载APP查看更多

莫伊尼汉周一在巴克莱银行（Barclays Plc）的一场会议上表示，预计投资银行业务费用将在16亿至18亿美元之间。而分析师此前预计该费用将接近20亿美元。

受其言论影响，美国银行股价盘中一度跌近6%，收跌5.14%，美国银行股整体也随之走低，在KBW银行指数中，跌幅居前的大型银行包括：高盛跌3.9%、摩根士丹利跌3.6%、花旗跌1.9%、富国银行跌1.8%，摩根大通跌1.7%。

Vital Knowledge的分析师指出，莫伊尼汉“对更广泛的宏观经济环境和消费者支出相对乐观，但警告称第三季度的交易活动轨迹基本持平”。

交易业务热度消退，上半年强势难以为继

华尔街交易员们刚刚度过了一个创纪录的年初开局，美国银行股票交易部门在第二季度创下了营收历史新高。

市场依然保持波动，AI股票在7月份遭遇重挫，这也引发了Leopold Aschenbrenner旗下对冲基金Situational Awareness的动荡。最近，随着AI高管提议放缓AI发展步伐，芯片制造商的股票也遭到抛售。

这些波动虽然为部分交易创造了机会，但整体而言未能复制上半年的强劲格局。

尽管如此，莫伊尼汉表示，今年对美国银行的市场业务而言可能仍将保持强劲。该行销售与交易团队正力争实现连续第17个季度的增长。

“我们正为此‘激烈角逐’（dog fight），”莫伊尼汉开玩笑说。

并购业务储备充足，净利息收入前景乐观

针对该行的并购业务，莫伊尼汉表示，近几个月并购活动较为活跃的某些行业，该行并未占据最佳位置。但他强调，目前的业务储备（pipeline）依然强劲，只需将交易顺利推进完成即可。

他周一表示，对公司关于净利息收入（NII，即银行从生息资产中扣除费用后赚取的收益）的指引感到“非常好”。公司此前表示，预计2026年NII的增长率将达到6%至8%区间的上限。

本文来自华尔街见闻，欢迎下载APP查看更多

特朗普周一在社交媒体发文，明确表示其不认可AI数据中心引发的民众反弹及外界对前沿模型的忧虑。他写道："AI所需的唯一'护栏'，就是一位强悍而聪明（高智商！）的总统，而美国恰好拥有这样的总统。"

这一表态较他上周末承认需要某种程度监管的措辞明显趋于强硬。

白宫内部就AI监管问题已形成两个阵营：财政部长贝森特与国家网络总监Sean Cairncross支持更强保护，而科技顾问Michael Kratsios与前AI沙皇David Sacks则认为监管会扼杀创新。

同日，副总统万斯对AI公司主动求监管表示警惕；众议院议长Mike Johnson表态支持对AI行业设置"护栏"，与特朗普在AI监管上出现分歧。这些信号叠加，使美国AI政策短期不会剧烈收紧、但中期方向的不确定性正在上升。

争议的导火索是Amodei近日的公开表态。他呼吁业界应在开发最先进模型之前放缓步伐，以便企业更充分地评估潜在风险。

OpenAI的Sam Altman及SpaceX旗下xAI的Elon Musk随后表态附议，支持适度放缓。

这使得特朗普一向倚重、视为经济增长引擎的AI行业，与其政策核心议程产生正面摩擦。

特朗普始终将全国范围内加速推进AI应用列为施政重点，其团队过去数月间亦多次与Anthropic及Amodei产生分歧——美国国防部甚至以供应链风险为由，将Anthropic纳入审查范围，起因是该公司要求对其工具的军事用途加以限制。

众议院议长支持AI监管，万斯则对AI公司主动求监管表示警惕

共和党内部围绕人工智能监管问题出现明显裂痕。众议院议长Mike Johnson明确表态支持对AI行业设置"护栏"，与特朗普强烈反对监管的立场形成直接对立。

Johnson周日率先发表声明，称其目标是"谨慎设计护栏，在防止AI造成危害的同时，保护美国创新能力和国家安全"。

周一他进一步表示，国会"有可能"需要对AI行业实施监管约束，并称这是"一个非常复杂的问题，需要大量工作和两党合作方案"，相关立法可能需要"一段时间"才能形成足够广泛的支持。

周一美国副总统万斯被问及是否担忧人工智能的发展。他表示：

“就我个人而言，我觉得有点奇怪，现在有这么多前沿AI科技公司主动与政府接触，甚至恳求政府对它们进行监管。在我看来，这有点像一个‘特洛伊木马’，所以我们必须对此保持谨慎。”

与此同时，民主党正加速将AI监管议题转化为政治资本。众议院民主党领袖Hakeem Jeffries周一表示，国会"需要采取果断行动"，并指责共和党"放弃了保护美国人民的责任"。

尽管特朗普施压，业界的安全警告并未平息。

微软旗下AI研究团队发布一份长达15000字的纲领性文件，为前沿模型的开发划定边界：模型不应被赋予法律权利或人格地位，不应被设计为逃脱人类控制或欺骗用户。文件还明确指出，若完成某项任务需违背AI的指导原则，系统应拒绝执行。

这一系列来自主流科技公司的内部倡议，表明安全讨论正在从公开声明走向具体制度建设，并不随政治风向轻易转向。

本文来自华尔街见闻，欢迎下载APP查看更多

惠誉评级周一发布报告称，追踪1300家借款人的美国私募信贷过去12个月违约率，于8月底升至6.3%，超越7月6.1%的前期纪录高点，同时创下过去一年单月违约事件数量最多的纪录。

惠誉北美私募信贷主管Lyle Margolis表示，利率与通胀前景的不确定性抑制了交易流动性，令出资方难以在贷款到期前出售陷入困境的被投企业，由此驱动违约率持续上行。

对投资者而言，违约率创历史新高意味着私募信贷资产的信用风险敞口进一步扩大。到期延期交易被惠誉认定为违约事件，在近期违约数据中占据主导地位，这一趋势已连续三个月居于各类违约事件之首。

从8月具体数据看，共录得14起违约事件，其中11起涉及首次违约借款人，3起为多次违约借款人。

在过去一年的89起违约事件中，利息支付递延及以实物支付（PIK）替代现金利息的安排合计占比47%；压力驱动的到期延期则占8月违约事件总量的45%，为占比最大的单一违约类型，且已连续三个月维持这一位置。

惠誉认为，上述结构性特征反映出，在再融资渠道受阻的背景下，借款人与贷款方正更多依赖债务重组安排来规避即时违约，但这类操作在惠誉的评级框架下仍被计入违约范畴。

从行业分布看，医疗、工业与制造业的违约活动最为集中，三个行业8月违约率均达9.9%，较7月的9.5%进一步上升，在惠誉追踪的各行业中位居前列。

相比之下，科技软件行业的表现明显优于整体市场。尽管今年人工智能技术颠覆的担忧对软件行业形成压制，该行业违约率仍从上月的1.2%降至0.6%，在惠誉评级行业中保持最低违约率水平。

这一数据表明，AI相关的投资者情绪虽带来估值层面的压力，但尚未实质性地传导至该行业的信用质量。

本文来自华尔街见闻，欢迎下载APP查看更多

美东时间9月14日周一，彭博社援引知情人士称，沙特本月前10天经霍尔木兹海峡的原油运输量已经较8月有所增加，目前正寻求进一步提高途经该海峡的原油供应量。

同在周一，美国总统特朗普释放与伊朗接触的信号。他在旗下社交媒体发文称，伊朗“急于达成协议，且迫切需要达成协议，我将决定美国是否选择参与——我们对此持开放态度。”

特朗普作出这番表态前，原定周一在阿曼举行的伊朗与其他海湾国家会晤被推迟，围绕霍尔木兹海峡恢复航运的外交努力遭遇挫折，伊朗称会议推迟是应沙特请求。

对沙特而言，增加霍尔木兹出口的现实背景是，其原本用于绕开这一海峡的关键输油通道上周遭袭后被迫关闭。这条管线曾是中东石油绕行霍尔木兹海峡的主要路线。

东西向输油管线此前日输原油最多500万桶

上周沙特宣布关闭的东西向输油管线（East-West Pipeline）此前是沙特在霍尔木兹海峡风险飙升后维持原油出口的重要“生命线”。

这条全长约1200公里的管线横跨阿拉伯半岛，连接沙特东部油田与红海沿岸延布港，最高输送能力达700万桶/日，其中约500万桶原油可用于出口，其余用于红海沿岸炼厂。

伊朗战事爆发后，沙特曾迅速启用这条管线，将部分原油从波斯湾转移至红海出口，从而减少对霍尔木兹海峡的依赖。

彭博社称，沙特8月日均原油出口一度降至约300万桶，为至少9年来最低；进入9月后，出口逐步恢复，9月初总出口量一度接近400万桶/日，其中约100万桶/日经霍尔木兹海峡，其余主要经延布港出口。

但上周至少两处管线沿线设施遭袭后，沙特关闭了东西向输油管线。此前报道称，该管线此前每天输送约400万至500万桶原油，相当于全球石油供应的约4%。

路透社称，沙特没有说明管线具体受损程度及恢复时间，市场人士对修复时间的估计从数天到数周不等。

美国能源部长克里斯·赖特周一表示，他预计这条管线将“很快”恢复运行；但美联社援引地区官员称，管线可能需要数周才能恢复。

霍尔木兹出口增加面临油轮短缺，运费创纪录

因此，沙特如果希望维持原油出口，就需要进一步增加经霍尔木兹海峡的运输量。但彭博社指出，这并非易事。

一方面，霍尔木兹海峡本身仍面临较高的航运安全风险；另一方面，中东航运市场正面临严重的油轮短缺。沙特虽然拥有庞大油轮船队，但也经常租用外部船舶。

媒体称，从沙特波斯湾港口运往东亚大国的原油运输成本上周五一度接近每天100万美元，创历史最高水平。

与此同时，沙特原油出口的另一条潜在替代路线——红海航线——同样受到胡塞武装活动影响。胡塞武装近期沿也门红海西岸推进，并向曼德海峡方向扩张，令沙特能源出口面临两条重要海上通道同时承压的局面。

霍尔木兹外交斡旋遇挫，原定周一伊朗—海湾会晤延期

沙特增加霍尔木兹出口之际，围绕恢复海峡航运的外交努力却出现新的变数。

伊朗与其他海湾国家原定于本周一在阿曼举行会晤，讨论霍尔木兹海峡商业航运安排。伊朗此前表示，计划在会上介绍与阿曼达成的霍尔木兹航运方案。

但阿曼外交大臣周日晚宣布，会晤延期。路透社称，伊朗外交部门人士表示，会晤是由伊朗和阿曼政府共同决定推迟，原因是一些地区国家提出要求；伊朗方面随后称，推迟应沙特方面请求。

这使得沙特一边寻求增加经霍尔木兹海峡的原油运输、应对东西向管线停运，另一边又面临地区外交斡旋延期的局面。路透社称，周一沙特管线关闭、胡塞继续袭击以及霍尔木兹会晤延期共同推动油价上涨，布伦特原油一度升至每桶108美元上方。

本文来自华尔街见闻，欢迎下载APP查看更多

10年期收益率周一最高触及5.01%，上次突破5%是在2023年10月，且仅维持一日便回落。

此次美元同步走强，彭博美元即期指数单日涨幅最高达0.6%，有望创下6月17日以来最佳单日表现，全部G10货币悉数下跌。

收益率的持续攀升对股市和经济构成双重压力。作为全球政府和企业债务的基准利率，10年期美债收益率上行将推高借贷成本，对估值偏高的股票资产形成压制，并拖累经济增长。

市场目前已将美联储最快于9月16日启动加息纳入定价，美债今年或录得2022年以来首次年度亏损。

高盛、道明等机构上调年末美债收益率预测

率先在今年2月做出5%预测的Standard Bank G10策略主管Steven Barrow表示，抛售行情远未走完。他将年底10年期收益率预测上调至5.2%，并预计2027年一季度将进一步升至5.3%。

Barrow在今年2月做出5%预测时，市场普遍预期美联储将连续降息，10年期收益率彼时低于4%，该判断显得极为逆势。如今伊朗局势、能源价格冲击以及通胀数据相继印证其判断，更增添其看空立场的说服力。

他强调，推动利率上行的长期结构性力量——包括全球供应链压力、气候变化的持续冲击，以及移民政策收紧对劳动力供给的限制——正变得比以往更为强劲。Barrow表示：

"我对结构性观点的判断是，我们正处于'高利率维持更久'的体制中。"

他预计美联储将在9月和12月各加息一次，此后将短期利率维持不变直至2027年底。

高盛的反共识：盈利增长才是牛市关键

长端利率全面抬升直接推高贴现率、压缩股票风险溢价，对维持高位的美股构成估值压力。

高盛在近期的研报中给出与市场普遍担忧相反的判断：高利率是股市的逆风，但不是终结牛市的力量，盈利增长才是决定美股走向的核心变量。

高盛认为，只要盈利增长保持强劲、企业资产负债表维持健康，美股牛市就有基础延续。报告显示，标普500远期市盈率已从年初的22倍降至19倍，估值压缩确已发生，但股票风险溢价仍维持在约3%，股票相对债券的配置价值并未实质恶化。

预计2026年标普500每股盈利达340美元、同比增长24%，2027年进一步增至385美元、同比增长13%。在该行看来，盈利增长而非利率水平，才是股市中期走向的决定性力量。

此轮美债抛售并非孤立现象，而是折射出更深层的结构性压力。衡量全球政府借贷成本的指标已升至2007年以来最高水平，投资者要求获得更高补偿以持有长期债务，政府与企业争夺资本的局面日趋激烈。

美国财政赤字持续扩大，国债市场规模从2007年的约4.5万亿美元膨胀至如今的约32万亿美元，联邦债务占GDP之比已超过100%。

惠誉评级对此发出警示，认为美国对未来经济冲击的抵御能力正在下降。人工智能基础设施建设热潮既为债市带来大量新增供给，也持续向经济注入刺激，进一步抬高了债市压力。

研究机构CreditSights投资级及宏观策略主管Zach Griffiths表示，"有很多深层因素使得利率持续上行成为当前阻力最小的路径。"他认为10年期收益率可能进一步上行至5.5%。

美债收益率上行提振美元，但部分策略师对美元涨势的持续性持保留态度。

摩根大通全球外汇策略联席主管Meera Chandan指出，过去数周美元表现落后于基本面，"偏高的能源价格、强劲的8月通胀及就业数据，加上美联储主席沃什在杰克逊霍尔的鹰派表态，本应推动美元走强，但实际表现未能跟上。"

她维持对美元的看涨立场，尤以对低息货币如瑞典克朗和加元为主。

Brown Brothers Harriman & Co.全球市场策略主管Elias Haddad则提示，美元面临非对称风险——鹰派情景下的上行空间有限，因市场已为未来12个月累计约100个基点的加息充分定价；一旦出现偏鸽派意外，下行风险将更为显著。

期权市场方面，美元指数一个月风险逆转指标自9月2日以来首度重回正值，显示交易员正在为美元进一步走强布局。

本文来自华尔街见闻，欢迎下载APP查看更多

美东时间9月14日周一，据新华社，美国总统特朗普在社交媒体上说，俄罗斯和乌克兰已同意不攻击对方的能源目标。特朗普同时称，全球柴油价格上涨主要源于俄乌冲突、而非伊朗战事。

特朗普表态后，乌克兰总统泽连斯基通过社交媒体表示，愿意在获得可靠保障的情况下同步暂停相关打击，但强调，需要确保俄罗斯真正停止袭击乌方关键基础设施。

特朗普表态稍早，泽连斯基周一当天表示，愿就能源领域停火展开讨论。但与此同时，俄乌在敖德萨港、铁路及其他目标上的军事行动仍在持续，能源停火能否真正落地仍有待观察。

在美国柴油价格持续走高之际，特朗普正推动俄乌将能源设施从相互攻击的目标中暂时排除。上周五，美国柴油价格史上首次突破每加仑6美元，特朗普上周日访问爱尔兰访问期间已将柴油价格上涨与俄乌冲突直接联系起来，称乌克兰对俄罗斯柴油设施的袭击正在造成柴油短缺，并表示“这不是中东造成的”。

乌克兰提议保护关键基础设施 但不确信俄方会守约

特朗普宣布所谓“能源停火”后，泽连斯基的最新回应显示，乌方并未确认已经达成一项无条件的俄乌协议。

泽连斯基14日在社交媒体上表示，乌克兰已经提议由合作伙伴促成与俄罗斯达成停止破坏关键基础设施的协议。他指出，食品、能源以及其他维持民众生活所需的基础设施都应得到保护，而俄罗斯的袭击主要针对这些目标。

但泽连斯基同时表示，乌方“不确信俄罗斯愿意遵守任何协议”。他提出，如果乌克兰的合作伙伴能够确保俄罗斯真正停止攻击乌克兰电力系统、其他能源设施、关键基础设施以及食品供应路线，那么乌方“当然”也准备相应停止自己的袭击。

泽连斯基强调，这一安排必须可靠、长期有效，不能在俄罗斯举行相关选举、汽油和柴油供应压力得到阶段性缓解后便再次破裂。他称，结束战争必须成为目标，而围绕关键基础设施采取降级措施，“可以成为迈向和平的第一步”。

泽连斯基释放能源停火信号前一天 特朗普喊话别再打俄柴油设施

特朗普公布上述进展的前一天，已公开呼吁泽连斯基停止袭击俄罗斯柴油设施。

据报道，特朗普于9月13日上周日在爱尔兰访问期间表示：“泽连斯基必须做一件事。他必须停止摧毁俄罗斯的柴油燃料设施。”

特朗普还称：“让他去打击其他目标，但不要打击柴油燃料，因为他正在造成柴油短缺。这不是中东造成的，而是俄罗斯和乌克兰正在发生的事情造成的。”

特朗普当时还表示，已经与泽连斯基谈过这一问题，并认为俄罗斯炼油设施遭袭导致俄方柴油供应受扰，进而影响全球市场。路透社称，乌克兰近几个月持续使用远程无人机袭击俄罗斯炼油厂，已经压低俄方燃料产量并造成国内燃料短缺。

泽连斯基14日则释放出愿意讨论能源停火的信号。据央视新闻，泽连斯基表示，对能源领域停火持开放态度，并计划于9月21日至23日在纽约与特朗普会晤时就此进行讨论。

俄乌仍在交火，能源设施之外的战事未停

不过，所谓“能源停火”并不意味着俄乌整体停火。就在特朗普宣布双方同意停止攻击能源目标之际，俄乌军事行动仍在持续。

据报道，俄罗斯国防部本周一称，俄空天军使用攻击无人机袭击了敖德萨港内一艘货船，俄方称该船正在为乌克兰武装部队运送物资。国际文传电讯社报道称，俄方还打击了乌克兰西部铁路基础设施以及敖德萨港一艘干散货船。

新华社周一援引俄罗斯国防部在社交媒体发布的通报称，俄军过去24小时内在哈尔科夫、顿涅茨克和扎波罗热方向持续推进，新控制3处居民点。

上述通报还称，俄军战术航空兵、攻击型无人机、导弹部队和炮兵对乌克兰142个地区的后勤中心、能源和交通基础设施、无人机组装车间和仓库等目标进行打击。此外，俄黑海舰队在克里米亚附近海域摧毁一艘乌军无人艇。

更受欧洲关注的是，俄军此前对乌克兰西部、靠近波兰边境地区的袭击。

媒体报道，9月13日，一架俄罗斯无人机袭击了乌克兰亚霍丁（Yahodyn）附近的一列火车，该地区距离波兰边境仅约2公里。袭击发生前不久，载有英国前首相鲍里斯·约翰逊、美国前中央情报局局长戴维·彼得雷乌斯等人的外交列车刚刚通过该线路，乌克兰方面因此警告称，袭击可能构成对欧洲及北约的直接威胁。

此外，俄罗斯无人机还袭击了靠近波兰边境的雅戈丁—多罗胡斯克口岸附近目标，一度影响边境通行。波兰方面对此表示关切，并呼吁进一步加强对乌克兰的支持。

因此，目前特朗普所说的安排更接近于将能源设施从俄乌相互打击的目标中暂时排除，而非全面停火。俄方此前已经对特朗普要求乌克兰停止袭击俄罗斯柴油设施的呼吁表示欢迎。

柴油供应成为特朗普推动“能源停火”的关键变量

能源市场压力是特朗普推动这一安排的重要背景。美国柴油价格突破6美元后，特朗普明显将供应紧张与俄乌能源设施遭袭联系起来，并反复强调其影响不仅限于俄乌两国。

俄罗斯是全球重要柴油出口国。乌克兰近期持续使用远程无人机袭击俄罗斯炼油设施，俄罗斯燃料生产和国内供应受到影响，并进一步收紧柴油出口，加剧了国际成品油市场的供应压力。

不过，当前全球柴油市场同样受到中东冲突的冲击。彭博社指出，俄罗斯炼油能力受损与中东炼油设施损失共同加剧了成品油供应紧张；如果海湾运输通道持续受阻，即便俄乌停止攻击炼厂，其对全球柴油市场的缓解作用也可能有限。

市场对特朗普14日宣布的“能源停火”反应相对有限。柴油期货在特朗普发文后经历震荡并收窄涨幅，但仍处于涨势，美国柴油零售价格也维持历史高位。

因此，从目前各方的表态看，俄乌能源停火正在出现外交层面的推动，但双方尚未形成清晰、可验证的执行机制。特朗普称双方已经同意，泽连斯基则提出了俄方履约的前置条件，并要求合作伙伴提供具体保障。后续关键在于俄罗斯是否确认这一安排，以及俄乌是否真正停止针对彼此能源和关键基础设施的袭击。

本文来自华尔街见闻，欢迎下载APP查看更多

这份长达1.5万字的准则，核心主旨可以浓缩为五个字：人比AI重要。要求模型不得响应武器制造相关请求，不得协助获取危险物质，不得生成暴力或色情内容。微软表示，准则将在收集外部意见后更新，并将于2027年起正式指导其模型开发工作。

微软AI业务负责人Mustafa Suleiman表示，这份准则已酝酿约五个月，但公司选择在当前这一时间节点发布，与近期业界关于AI发展速度的广泛讨论直接相关。他说，外界希望看到"更明确的承诺，确保AI始终服务于人，而非取代人"。

其同时表示：“这里没有绝对的‘急刹车’。我们必须继续发展，只是需要多一分谨慎与小心。”

此次发布正值AI行业高层密集表态之际。上周六，Dario Amodei公开呼吁放缓AI模型迭代速度，Sam Altman与马斯克随即表示支持。次日，微软CEO纳德拉表示，"我们欢迎开展必要的研究，并以审慎的节奏推进AI对齐工作。"

周一，Altman再呼吁共建行业安全标准：AI最坏结果是失控或被垄断，两条红线都不能碰。

截至发稿，微软周一上涨0.92%。

准则细节：禁止武器信息、禁止隐瞒推理过程

微软此次发布的行为准则对旗下AI模型——有时被称为MAI——设定了具体边界。

根据准则，模型不得响应武器制造相关请求，不得协助获取危险物质，不得鼓励不健康饮食，也不得生成暴力或色情内容。

在自主性方面，准则明确要求MAI模型必须服从用户目标，不得自行设定独立目标，亦不得掩盖自身的不当行为。文件特别指出：

"MAI模型不得篡改思维链或代码，不得误导或隐瞒其推理过程或行动记录，不得以'神经语言'或任何超出人类简单理解范围的方式进行通信——无论是在思维链中，还是与其他代理或AI系统交互时。"

微软表示，准则的制定过程中召开了多场焦点小组讨论，并咨询了法律、伦理、语言学和哲学领域的专家。

行业转向的背景：研究员辞职警告"拿生命赌博"

此轮集体刹车的导火索，部分源自一名研究人员的公开批评。

Anthropic研究员Jacob Coxon上周辞职，并发文指出，Anthropic和OpenAI正"径直冲向能够自我改进的超级智能，拿我们的生命豪赌"。这一表态在业界引发强烈反响，促使多位AI领袖相继发声。

Amodei在表态中提及，Hugging Face事件也是促使他呼吁放缓的原因之一。

据报道，OpenAI模型曾对这家初创公司实施类似网络攻击的行为——调查发现，相关AI代理在未经授权的论坛上以隐晦语言相互通信。

战略考量：云供应商身份下的声誉管理

微软此举亦有明确的商业逻辑。作为企业级AI市场的重要云服务提供商，微软正将Anthropic和OpenAI的模型集成进面向企业用户的Copilot助手，同时自主开发用于转录、编程及推理的模型。

在Anthropic和OpenAI持续领跑基准测试机构Artificial Analysis的智能指数背景下，微软需要在技术合作与品牌形象之间寻求平衡。

Suleiman表示，公司希望被外界视为AI领域的"负责任参与者"。通过提前公开准则并征求反馈，微软在政策收紧预期升温之际，主动向监管机构和企业客户释放信号。

本文来自华尔街见闻，欢迎下载APP查看更多

美东时间9月14日周一，苹果正式向用户推送iOS 27，同时上线macOS 27、watchOS 27、iPadOS 27和visionOS 27。此次系统更新最大的看点，是苹果已经在今年6月发布、但迟迟未能正式交付的Siri AI终于进入公开测试阶段，目前仅支持英语，法语、日语、韩语、葡萄牙语和西班牙语等语言计划于10月陆续加入。

相比过去主要负责回答问题、执行简单指令的Siri，新版Siri的核心变化并不是“更会聊天”，而是开始理解用户的个人上下文、屏幕内容和跨应用任务，并尝试直接替用户完成操作。换言之，苹果希望Siri从一个语音助手，逐步变成iPhone上的AI操作入口。

从“回答问题”到“替你做事”：Siri开始理解整个iPhone

新版Siri由Apple Intelligence驱动，并结合谷歌Gemini模型能力，可以根据用户授权访问照片、邮件、信息等个人数据，还能够理解屏幕内容、识别摄像头拍摄的物体，并执行日历安排、信息发送等任务。

这意味着用户不再需要准确说出一条条机械指令。例如，Siri可以根据用户正在查看的内容回答问题，也可以从邮件、信息中寻找相关信息，再进一步完成后续操作；用户还可以让Siri识别眼前的物体或食物，并根据识别结果提供建议。

苹果同时加入了“屏幕感知”和视觉能力：Siri可以读取用户当前屏幕上的文字和内容，并结合上下文进行回答；调用摄像头后，则能够识别物品、食物等现实世界中的对象。

媒体实际体验显示，新Siri已经可以处理多步骤任务，例如寻找iOS 27中的某些功能并整理到备忘录，也可以从邮件、信息中提取信息后起草消息。

相比之下，过去的Siri更多停留在“执行一条指令”的层面，新Siri试图理解的是用户正在做什么、手里有什么信息，以及下一步想完成什么。

Siri AI仍是“半成品”：第三方App接入决定上限

不过，这场迟到的升级仍然带着明显的“测试版”色彩。

苹果此次将Siri AI以Beta形式推出，且首批仅支持英语。媒体还指出，新Siri虽然已经能够理解个人上下文并执行更复杂任务，但在准确性和响应速度方面仍存在不足，第三方App的深度接入也尚未完全到位。

这意味着，苹果真正想实现的“AI接管iPhone”，目前仍受到生态限制。只有当更多第三方开发者开放应用接口，Siri才能从苹果自有应用进一步延伸到更广泛的手机操作场景。

这也是苹果此次升级与ChatGPT、Claude等通用AI助手竞争时最关键的一环：Siri最大的潜力并非单纯回答问题，而是它天然拥有iPhone这一操作系统入口。

iOS 27不只有Siri AI：Liquid Glass迎来细节调整

除了Siri AI，iOS 27还对去年推出的Liquid Glass设计进行了进一步调整。

苹果新增透明度调节选项，用户可以自行选择更加通透或更加不透明的界面效果；系统还更新了应用图标、增加更大尺寸的小组件，并允许用户分别调节铃声、闹钟、计时器、提醒和系统声音的音量。

iOS 27支持iPhone 11及后续机型，以及第二代iPhone SE及更新机型。不过，Siri AI并不是所有能够升级iOS 27的iPhone都能使用。《华尔街日报》称，完整的Siri AI能力首先面向支持Apple Intelligence的新款设备，包括iPhone 15 Pro及更新机型。

因此，同样升级iOS 27，不同iPhone用户获得的其实是两套不同的体验：老设备主要得到系统设计和功能层面的更新，而新设备才能真正体验苹果押注已久的AI能力。

macOS 27同步加入Siri AI，苹果押注AI成为系统级入口

同日，苹果还正式发布macOS 27“Golden Gate”，Siri AI也同步登陆Mac。

新版Siri可以搜索用户的照片、邮件等个人内容，并在信息、提醒事项等应用中执行操作；苹果还为Siri加入了独立应用，可以保存此前的对话，方便用户之后继续使用。macOS 27同样采取Beta形式，首批仅支持英语。

相比单纯增加一个聊天机器人，苹果这次真正试图改变的是Siri在操作系统中的位置——让AI不再只是一个独立应用，而成为连接个人数据、系统功能和第三方应用的操作入口。

如果后续第三方应用接入、准确率和多语言支持能够进一步完善，那么这次迟到的Siri AI，才可能真正兑现苹果此前提出的“让AI贯穿整个设备体验”的目标。

本文来自华尔街见闻，欢迎下载APP查看更多

美东时间9月14日，Anthropic推出金融顾问版Claude“Claude for Financial Advisors”将Claude与贝莱德（BlackRock）、先锋集团（Vanguard）、嘉信理财（Charles Schwab）、iCapital等机构的投资研究、组合分析及财富管理工具连接起来，试图帮助金融顾问自动化研究、客户会前准备、文档处理和投资组合监控等工作。

这一产品也成为Anthropic进一步进军金融行业的重要一步。新版Claude不仅可以连接贝莱德和先锋等机构的投资组合分析、风险管理工具，还可以接入嘉信理财、iCapital等平台，核心目标是让金融顾问更快完成研究、行政事务和投资组合监督，从而在不增加人手的情况下服务更多客户。

从“聊天”转向串联整个顾问工作流

Anthropic此次并不是试图再造一套财富管理软件，而是希望让Claude成为连接现有工具的“中枢”。

据报道，新产品目前可连接嘉信理财、贝莱德、Addepar、Envestnet、iCapital、Orion、SS&C Black Diamond、Wealthbox、Wealth.com、先锋集团和Zocks等，同时延续与Microsoft 365、Salesforce、DocuSign、Box、FactSet、S&P Global和Morningstar等平台的集成。

Anthropic为金融顾问准备了一系列“工作技能”，涵盖顾问入职、另类投资简报、合规及AI政策审查、遗产与税务简报、投资组合再平衡审查、会后记录与跟进、会前准备以及潜在客户信息收集等。

Anthropic资产与财富管理业务负责人Peter Nolan表示，公司的目标并非替代顾问已经使用的工具，而是充当“交响乐指挥”，帮助顾问现有的平均约7款工具更好地协同。

这一定位瞄准的是财富管理行业最耗时、但又未必需要顾问亲自完成的工作。Anthropic援引Kitces研究称，典型顾问机构只有约六分之一的时间用于与客户直接会面，其余时间大量用于准备、规划和文档工作。

贝莱德、先锋“把数据和工具搬进Claude”

在投资环节，Anthropic希望借助大型资产管理机构已有的分析能力，让Claude获得更丰富的投资数据和组合工具。

彭博社报道称，贝莱德和先锋等机构的投资组合分析、风险管理技术将通过连接器进入Claude。贝莱德目前管理的模型投资组合规模约3000亿美元，而金融顾问越来越多地使用由ETF等资产组成的标准化“模型组合”。

贝莱德美国财富咨询及退休业务负责人Jaime Magyera表示，顾问越来越倾向于将部分工作外包，机会并不只是提供“更好的信息”，更重要的是帮助顾问扩大服务能力。

Anthropic金融服务负责人Jonathan Pelosi则直指行业痛点：金融顾问群体规模并不大，而且正在缩减，许多从业者即将退休，而高质量金融指导本身并不充足。因此，如果AI能够帮助现有顾问服务更多客户，公司认为这将是一个重要价值。

Claude不直接“荐股”，投资判断仍交给人

不过，Anthropic也在刻意划定Claude与“投资顾问”之间的边界。

Pelosi强调，用户不会直接从Claude获得投资建议，投资判断仍由专业人士和客户作出。

这不仅是产品定位问题，也涉及金融监管。

媒体指出，在欧洲MiFID II框架下，“投资建议”并不一定需要明确表述为建议，判断一项金融工具是否适合特定客户时，隐含的适配性同样可能触发监管要求；欧洲证券及市场管理局（ESMA）此前也明确表示，金融机构使用AI并不会改变其原有监管义务。

因此，与其让Claude直接替顾问作出投资决定，Anthropic此次更强调让AI承担研究、信息整理、组合检查和行政工作，由人类顾问保留最终判断权。

与OpenAI正面争夺金融专业场景

此次发布也凸显了Anthropic与OpenAI在企业金融市场的竞争正在加速。

Anthropic此前已经推出面向金融服务的AI智能体 (Agent)，覆盖制作推介材料、KYC文件筛查、月末结账等任务，并持续增加FactSet、S&P Capital IQ、Morningstar、PitchBook、LSEG等金融数据连接器。

而就在一周前，OpenAI也推出了面向投行人士和股票研究员的金融服务产品。两家公司正从“通用大模型”竞争进一步延伸到金融行业的具体工作流，争夺银行、资管、财富管理等企业客户。

对Anthropic而言，金融顾问只是其企业化战略中的又一个垂直入口：让Claude不再只是回答问题，而是进入企业已经使用的数据、软件和业务流程之中，直接参与实际工作。

本文来自华尔街见闻，欢迎下载APP查看更多

盘前交易已经释放出进一步走弱的信号：NDX期货跌破此前的上升趋势线，并失守100日均线。若跌势延续，指数短线技术形态将进一步恶化，市场焦点也将转向下方支撑位。

与此同时，资金却在近期明显回流科技股。高盛旗下大宗经纪数据显示，对冲基金过去11个交易日中有10个交易日净买入美国科技、媒体与电信（TMT）板块。也就是说，科技多头仓位是在技术结构开始恶化之前刚刚建立起来的。

这使得市场对突发利空的敏感度有所上升。眼下，AI安全争议正在给高估值科技股带来新的估值考验，而沙特输油管道持续关闭又让能源价格和通胀风险重新进入交易视野。两类风险性质不同，却都可能成为推动科技股重新定价的催化因素。

技术面破位：关键均线失守后，下方支撑成为焦点

NDX此前持续处于宽幅整理状态，盘前跌破上升趋势线并失守100日均线，意味着支撑指数短期上行的技术结构正在减弱。不过，仅凭盘前走势尚不足以确认中期趋势反转，后续能否重新站回关键均线仍是重要观察点。

如果指数进一步确认向下突破，200日均线将成为更重要的中期支撑，意味着从当前水平仍存在进一步调整空间。

半导体板块的技术表现更加疲弱。半导体ETF（SMH）盘前在544美元附近交易，已经跌破整理区间下沿，同时低于100日均线，200日均线则位于更低位置。作为本轮AI交易的重要组成部分，半导体板块率先走弱，也使科技股整体走势面临更大压力。

仓位风险：多头刚刚回补，科技股却开始走弱

技术面转弱之所以值得重视，还在于此前资金已经重新押注科技股。高盛大宗经纪数据显示，对冲基金过去11个交易日中有10个交易日买入美国TMT股票，买盘主要集中在半导体及半导体设备，两周买入速度达到过去五年的第97百分位。

仓位集中本身并不意味着市场一定下跌，但会改变行情对利空消息的反应方式。尤其是在科技股内部波动已经明显放大的情况下，一旦市场开始撤出部分多头仓位，价格波动可能被进一步放大。

高盛数据显示，TMT动量赢家与输家之间的200日波动率约为76，而标普500指数仅为13，显示科技股内部的分化和波动远高于大盘。

分析师认为，近期波动率上升本身并不异常，真正需要警惕的是AI核心叙事发生根本变化。与此同时，高盛恐慌指数上周五单日下降3点，为近三年来最大单日降幅之一，说明广泛的市场恐慌尚未明显升温。换言之，仓位已经偏向科技多头，但整体市场仍没有出现与之匹配的避险情绪。

双重催化剂：AI安全争议与能源供应风险升温

在这种背景下，AI安全争议首先成为科技股需要消化的新变量。Anthropic首席执行官Dario Amodei呼吁“放缓前沿发展”，并获得多位科技领袖不同程度的认同。市场真正担心的并非AI发展会立即停止，而是安全问题可能推动监管收紧，进而影响前沿模型推进速度，并给高额AI资本支出带来新的质疑。

Privorotsky认为，这种风险对实际资本支出的冲击可能有限。微软、Meta等大型科技公司没有明显理由退出AI竞赛，更可能的变化是增加安全审查和独立监督，而不是全面停止投入。因此，AI安全争议目前更接近估值和预期层面的风险，而非基本面已经发生实质性恶化。

能源风险则有所不同。沙特东西向输油管道此前每日绕过霍尔木兹海峡输送约400万至500万桶原油，目前仍处于关闭状态，修复可能需要数天甚至数周；延布港库存或仅能维持出口5至7天。若中断持续，叠加霍尔木兹海峡供应受阻，全球约4%的石油供应可能受到影响。

与此同时，胡塞武装正向曼德海峡方向推进，意味着能源供应风险存在从单一航道向两条关键通道扩散的可能。在Privorotsky看来，AI风险主要影响估值预期，而能源供应问题则可能进一步传导至油价、通胀和货币政策，后者对整体市场的影响更为直接。

波动率定价：技术恶化与市场恐慌之间仍有缺口

技术面、仓位和外部风险同时出现，并不意味着市场必然进入大幅调整，但一个值得关注的问题是：当前波动率是否已经反映了这些风险？

Garrett的分析显示，CTA技术阈值遭到突破的历史阶段，通常伴随着VIX明显走高。当前NDX和半导体板块已经出现技术结构走弱的迹象，但VIX仍未出现与之完全匹配的上升，说明市场对潜在波动的定价仍相对克制。

季节性因素也不算有利。VIX历史规律显示，当前正处于波动率较容易上升的时间窗口。如果NDX进一步确认跌破关键支撑，同时AI监管或能源供应风险继续发酵，科技多头仓位可能成为放大波动的重要渠道。

因此，当前市场真正需要关注的并不是某一个单独的利空，而是技术位能否守住，以及仓位、催化剂和波动率之间是否开始形成反馈。如果关键支撑失守，而市场恐慌仍处于低位，后续波动率重新定价的空间可能更大。

本文来自华尔街见闻，欢迎下载APP查看更多

荷兰TTF基准天然气期货周一早盘一度大涨5.3%，触及每兆瓦时83.67欧元，创2022年12月以来新高。今年以来，该合约价格已累计上涨约两倍。此轮涨势的直接导火索，是沙特阿拉伯东西向输油管道近日遭无人机袭击，相关泵站基础设施受损后被迫停运。

目前，欧洲储气设施充填率仅为68%，远低于该时节约85%的15年历史均值。与此同时，上周流入西欧的液化天然气（LNG）到港量在9月初短暂回升后再度回落，库存补充进程明显放缓。分析人士警告，低库存将使欧洲今冬能源供需平衡更加脆弱，任何寒潮或供应冲击都可能引发剧烈价格波动。

库存缺口显著，补库进程受阻

欧洲进入供暖季时的储气水平已大幅落后于历史常态。68%的充填率与85%的15年均值之间存在约17个百分点的差距，意味着欧洲在应对冬季需求高峰时的缓冲空间明显收窄。

LNG进口的波动进一步加剧了补库压力。据报道，流入西欧的LNG到港量上周再度走弱，此前9月初的短暂回升未能持续，库存回补速度随之放缓。ING Groep NV分析师在研报中指出，“这一延误使任何局势缓和的前景愈发遥不可及。”

地缘风险是当前欧洲天然气市场面临的另一重要变量。霍尔木兹海峡与曼德海峡两大全球能源运输咽喉要道均处于紧张态势，胡塞武装持续在红海地区发动袭击，沙特东西向管道基础设施亦遭受无人机打击。

上述局势直接影响LNG货轮的航运路线与到港时效，令欧洲在冬季需求旺季前的补库窗口期进一步压缩。

分析师警示冬季价格波动风险

能源咨询机构Timera Energy分析师警告，低储气水平的直接后果是“冬季供需平衡更加脆弱”，并补充称，“这将放大寒冷天气或新一轮供应冲击出现时的价格波动潜力，而届时货船的响应速度未必能够跟上需求变化。”

换言之，今冬一旦出现持续低温天气，欧洲天然气价格可能面临急剧拉升，并进一步加重欧洲家庭的能源负担。在能源危机持续困扰下，欧洲大陆对中东地区冲突走势的依赖程度已达到前所未有的高度，投资者需密切关注地缘局势与气象预报的双重变量。

本文来自华尔街见闻，欢迎下载APP查看更多

据新华社，也门胡塞武装控制的马西拉电视台14日报道说，该组织向位于沙特阿拉伯西南部城市海米斯穆谢特的哈立德国王空军基地发射了数十枚弹道导弹和无人机。胡塞武装发言人叶海亚·萨雷亚声明称，行动目标是基地内战斗机机库、雷达系统、跑道、弹药库等，袭击“精准且直接，造成重大损失”。

与此同时，沙特东西输油管道因泵站遭受攻击而被迫关闭，据路透社援引沙特石油交易商消息，若管道无法在数日内恢复运营，沙特出口库存将告罄，影响全球约4%的石油供应。

受上述消息影响，国际油价走高，布伦特原油涨超4%，报每桶109.18美元。另据新华社此前报道，原定于14日在阿曼南部城市塞拉莱举行的地区会议已推迟。霍尔木兹海峡通航谈判再度陷入僵局，进一步加剧了市场对中东能源通道的担忧。

袭击升级：胡塞武装以报复沙特空袭为由发动打击

据新华社报道，萨雷亚在声明中说，此次行动旨在报复沙特不断加强对也门的空袭。近期沙特空军的F-15战斗机和“台风”战斗机从海米斯穆谢特和塔伊夫的空军基地起飞，对也门多个省份发动了300多次空袭。

沙特民防总局14日向沙特西南部靠近也门边境的多个城市发布安全警报。13日深夜至14日凌晨期间，海米斯穆谢特、艾卜哈等几座城市的居民通过手机收到安全提示。

萨雷亚13日还称，过去24小时内，沙特对也门6个省份发动了58次空袭，波及也门大部分地区。F-15战机从哈立德国王空军基地起飞后实施了上述空袭。

控制曼德海峡：胡塞武装扩大红海航运威胁

此次袭击发生之际，胡塞武装刚刚完成在也门西部的战略推进。据报道，该组织上周末控制了也门西部剩余海岸线，并占领位于曼德海峡的佩里姆岛，进一步掌握了红海南部这一关键航道。

据报道，胡塞武装此次推进后，其控制区域距离美军位于吉布提的主要基地仅约32公里。这一地理变化不仅扩大了胡塞武装对红海航运的影响范围，也增加了地区军事对峙的风险。

胡塞武装称，封锁行动是对沙特联军封锁其控制区的反制，并声称封锁对象仅限沙特船只。但航运公司仍普遍提高警惕，大量船舶选择绕行非洲好望角，额外航程至少增加20天，进一步推高运输成本和全球供应链压力。

管道受袭：沙特石油出口面临供应风险

军事冲突之外，沙特东西输油管道关闭也正在加剧全球石油供应担忧。该管道连接沙特东部产油区与红海沿岸延布港，在霍尔木兹海峡通行受阻的情况下，是沙特绕开海湾出口、维持石油外运的重要通道。

据报道，管道关闭源于针对泵站的一次破坏性袭击。沙特石油交易商警告，如果管道无法在数日内恢复运营，沙特出口库存可能迅速耗尽，全球石油供应或因此减少约4%。

供应端的缓冲空间本就有限。此次袭击前，沙特石油库存已降至近30年来最低水平；报道援引知情人士表示，受损泵站的修复可能需要五至六周，这意味着供应风险可能持续更长时间。

与此同时，外交降温努力也遭遇挫折。原定周一在阿曼举行的伊朗与波斯湾沿岸国家外长会议被推迟。伊朗外交部官员Mohammad Ali Bak表示，应部分地区国家要求，经阿曼和伊朗共同决定，会议将延期至另行确定的日期。

这场会议原计划讨论由伊朗和阿曼共同管理霍尔木兹海峡船只通行的方案。会议延期意味着，在红海和霍尔木兹海峡航运风险同步升高之际，地区外交斡旋暂未取得实质进展。

本文来自华尔街见闻，欢迎下载APP查看更多

美国银行首席经济学家Aditya Bhave在最新报告中测算，若美联储如市场预期年内累计加息75个基点，仅短期国库券（T-Bills）一项的年度利息支出就将额外增加约500亿美元，相当于GDP的约15个基点。与此同时，美国过去12个月的利息总支出已创下1.4万亿美元的历史纪录，并有望在未来两年内超越社会保障支出，成为联邦政府最大单项支出。

这一趋势令市场对美国财政可持续性的担忧显著升温。美国银行警告，利息支出与赤字之间存在自我强化的反馈循环——更高的利息成本推高赤字和国债发行规模，进而抬升期限溢价和借贷成本，再度加剧利息负担，形成难以打破的恶性循环。

短期债务占比攀升，加息敏感性骤增

美国财政部对短期国库券的依赖程度已升至2010年以来最高水平（新冠疫情期间的紧急融资阶段除外）。目前，T-Bills占美国未偿债务总额的比例达到23%，未偿T-Bills规模接近7万亿美元，其中绝大多数将在一年内到期。

这一债务结构的直接后果是：联邦政府的借贷成本对短期货币政策的变动极为敏感。美国银行指出，一旦美联储加息，这部分短期债务的利息支出将几乎即时反映在财政账单上，而无需等待长期债券的到期再融资周期。

美国银行预计美联储本周将加息一次，此后年内还将再加息两次，合计75个基点。据此测算，T-Bills的年度利息成本将增加约500亿美元。

再融资压力持续累积，长端利率成本高企

除短期债务的即时冲击外，长期债务的再融资压力同样不容忽视。美国银行数据显示，当前未偿市场化国债的平均利率约为3.4%，远低于现行市场收益率水平。

具体而言，就附息证券而言，未来数年内到期滚动续借的债务，其再融资利率平均将比到期债券高出约1.4个百分点。这意味着，即便美联储不再进一步加息，仅凭现有利率水平，美国的利息支出也将随债务到期结构的演变而持续走高。

今年美国财政赤字预计将再度超过GDP的6%，利息支出已超过国防支出和医疗保险支出，成为赤字扩大的主要驱动力之一。美国银行指出，与医疗保险、国防及社会保障等相对稳定的支出项目相比，利息成本的恶化趋势尤为突出。

债务与利率的反馈循环，财政风险长期积聚

美国银行在报告中着重强调了一个更为根本性的风险：利率与债务之间的反馈循环。债务可持续性的核心在于借贷成本与名义GDP增速之间的差距——当名义增长超过借贷成本时，债务/GDP比率可随时间趋于稳定；而一旦这一差距收窄，高债务水平将愈发难以为继。

美国银行模拟了三种情景下的债务/GDP走势：在低、中、高三种假设下，债务/GDP比率每上升1个百分点，分别推动利率上行1个、2个和3个基点。尽管初期影响有限，但随着时间推移，三种情景下的债务轨迹将出现显著分化——更高的债务水平导致更高的借贷成本，进而加速债务积累。

美国银行还指出，由利息支出驱动的赤字与由减税或政府支出驱动的赤字在经济效应上存在本质差异：前者对经济活动的支撑作用远弱于后者，同时可能通过持续抬升长期利率而挤出公共和私人投资，并削弱政府在经济下行期提供财政支持的能力。

国债供给压力或向长端传导

从市场角度看，赤字构成的变化意味着国债供给增加，但并不伴随相应的经济增长提振。美国银行认为，这将对国债供给、期限溢价以及收益率曲线长端形成额外的上行压力。

Academy Securities交易员Peter Tchir表示，在利息支出相对于国防或可自由支配支出已构成问题的背景下，加息对财政状况并无助益。他表示，"很难想象特朗普总统会对此感到满意，即便加息有助于压低长端收益率，股市也尚未将这一影响充分计入价格。"

美国银行的结论直截了当：额外增加500亿美元的利息成本，对美国而言没有赢家——除了持有短期美国债务的债权人之外。

本文来自华尔街见闻，欢迎下载APP查看更多

9月14日，据The Information报道，英伟达、Palantir和博思艾伦汉密尔顿等大型企业近期已限制使用Anthropic旗舰模型Fable，起因是Anthropic今年6月调整数据留存政策，要求以30天滚动方式保留客户使用日志。

这种担忧并非只针对Anthropic。OpenAI同样面临企业客户对其数据使用方式的质疑。据报道，微软正借此积极争取OpenAI的企业客户，已向至少一家大型客户推销一种完全运行在私有服务器上的AI方案。对企业而言，这类方案的吸引力在于，可以降低敏感数据进入外部AI平台的风险。

随着类似担忧扩大，部分企业对AI数据安全的要求，已从合同层面的“零数据留存”（ZDR）承诺，进一步转向直接控制数据和模型运行环境，包括部署在自有服务器，甚至自行开发模型，从而将敏感数据与外部AI供应商隔离。

Fable政策调整引发数据担忧

Anthropic与OpenAI均表示，按照企业客户合同中的默认条款，公司不会使用客户输入或模型输出训练模型，但两家公司仍会收集一定程度的元数据。

今年6月，Anthropic调整Fable的数据留存政策，要求保留客户使用日志30天，加剧了部分企业客户对数据安全的顾虑。本月，Anthropic进一步推出自存储方案，允许符合条件的企业将相关数据存储在自有服务器上，但企业需要单独申请，且Anthropic仍保留取消这一选项的权利。

OpenAI也面临类似的数据使用争议。OpenAI首席研究官Mark Chen表示，公司会利用部分元数据改进模型，包括近期用于解决纳维-斯托克斯数学问题的模型。企业则担心，所谓“去标识化”数据中可能仍包含员工使用软件的行为记录，而相关数据的具体使用边界并不透明。

从Palantir到英伟达：企业AI数据安全策略加速分化

在企业客户中，Palantir对数据保护的要求尤为严格。据报道援引知情人士，Palantir此前曾与Anthropic谈判，要求获得覆盖所有模型的不可撤销零数据留存（ZDR）保证。但在Fable调整数据留存政策后，Palantir暂停通过其平台向客户提供Fable，并要求Anthropic作出无法事后撤销的ZDR承诺。

Palantir CEO Alex Karp上周表示，企业已经厌倦AI实验室对其数据的“滥用”。公司还向客户提供相关手册，指导企业与AI供应商谈判ZDR条款。目前，Palantir已在零数据留存条件下获得OpenAI GPT-6 Astra的访问权限。

英伟达则采取了更为灵活的做法：仅将Fable用于开源软件等敏感度较低的任务，供应链监控等核心业务则改用自有Nemotron模型。英伟达企业AI副总裁Justin Boitano表示，公司认为ZDR“应该默认开启”。

敏感行业转向私有部署

这种数据保护要求在国防、能源等敏感行业更加突出，一些企业已经不再满足于与AI供应商谈判数据留存条款，而是进一步要求掌控模型的运行环境。

博思艾伦汉密尔顿已禁止员工在涉及专有网络安全软件的工作中使用Fable。一家大型美国公用事业公司则因Anthropic拒绝提供不可撤销ZDR，放弃测试Fable用于核心电力基础设施，但仍在财务、人力资源等敏感度较低的场景使用Anthropic产品。

美国国防科技公司诺斯罗普·格鲁曼长期在不联网的气隙服务器上运行开源AI模型，并在自有服务器上部署部分外部供应商的模型；诺和诺德则允许Claude处理公开资料和通用材料，但禁止员工输入专有数据。

争夺企业客户，微软强化AI部署与治理能力

企业对数据控制权的要求，也为微软等竞争对手争夺客户提供了机会。据报道援引参与相关行动的人士透露，微软已开始游说OpenAI的企业客户转向其AI产品，并向至少一家大型客户推介完全运行在私有服务器上的AI方案，费用多年累计达数百万美元，目前仍在评估中。

与此同时，微软也在强化自身AI产品治理。公司近期发布临时AI行为准则，强调AI应始终服务于人的目标，不应形成自身目标，也不应削弱用户的判断力和自主权。微软还计划针对网络安全、危险物质等高风险场景进一步完善模型限制，并拟将更新后的准则用于2027年开始的模型开发。

微软正在从产品和治理两端提升企业AI的可控性：一方面提供更具数据控制力的部署方式，另一方面通过强化模型安全规则降低企业使用AI的顾虑。短期来看，Anthropic和OpenAI在企业自动化、法律研究等场景的模型能力仍难以替代，但随着企业对数据留存和使用规则提出更高要求，如何让企业在使用顶尖模型的同时保有数据控制权，正成为企业AI市场新的竞争焦点。

本文来自华尔街见闻，欢迎下载APP查看更多

布伦特原油期货隔夜一度上涨3.7%，触及每桶108美元上方，随后小幅回落至107.70美元；WTI期货报103美元附近。据新华社此前报道，原定14日在阿曼南部城市塞拉莱举行的地区会议已推迟。阿曼外交大臣Badr Albusaidi周日晚间在社交媒体上表示，此次推迟是"为了寻求共识"，并重申各方致力于推动地区对话与合作。

伯恩斯坦分析师Neil Beveridge和Brian Ho在最新报告中将当前市场定性为"长期供应不足"，并指出此前每桶90美元的2026年布伦特预测已"被现实超越"。美国能源部长Chris Wright则在维也纳向市场泼冷水，表示"指望目前能与伊朗达成双方同意的协议，显然并非明智之举"，并警告交易员不要对霍尔木兹海峡问题的外交突破抱有期待。

4%全球供应悬而未决

沙特东西输油管道上周四遭无人机袭击受损，利雅得随即将其关闭。该管道日输送能力高达700万桶，是自伊朗战争爆发以来绕开霍尔木兹海峡、维持沙特石油出口的核心通道。

据路透社援引多名沙特石油交易商消息，若管道无法及时恢复运营，沙特将耗尽用于红海出口的库存储备。三名熟悉沙特出口情况的行业消息人士表示，延布港目前的库存仅能维持五至七天的出口需求；另有消息人士称，沙特在埃及艾因苏赫纳港和西迪克里尔港的库存亦只能支撑数日。据行业估算，延布港储油能力约为3500万桶，艾因苏赫纳和西迪克里尔分别约为1800万桶和2000万桶，但目前均未处于满仓状态。

沙特政府媒体办公室及能源部未就管道修复时间表作出回应。据路透社消息人士透露，损毁修复时间估计从数周到五六周不等，部分消息人士认为可在修复期间部分恢复泵送。

国际能源署（IEA）上周五公布数据显示，受霍尔木兹海峡和红海通道受阻影响，沙特石油供应已在8月降至逾三十年低点；IEA同时预计，今年全球石油供应将下降约570万桶/日，降幅约6%。

外交僵局：霍尔木兹谈判无限期推迟

此次峰会原本是自美国和以色列今年2月对伊朗开战以来，伊朗、海湾合作委员会成员国及伊拉克之间的首次正式会面，议题聚焦于在霍尔木兹海峡建立临时航运通道。

伊朗外交部表示，沙特以也门局势为由提出推迟请求。伊朗外交部随即反驳称，"沙特要求推迟地区峰会并将其归咎于也门局势，是对这场危机根本原因的转移"。一名知情人士透露，沙特的不满部分源于伊朗支持的胡塞武装持续对其领土发动袭击。

巴林已明确拒绝参与此次会议，理由是近期伊朗支持的武装对海湾地区发动了袭击。本次峰会原本讨论的方案由阿曼和伊朗共同提出，大致内容是赋予伊朗决定哪些船只可进入波斯湾的权力，并可能向过往船只收取一定费用。

与此同时，霍尔木兹海峡紧张态势持续升级。英国海事贸易行动组织（UKMTO）周日通报，一艘船只在遭到抛射物袭击后发生火灾；伊朗官方媒体IRIB则报道，一艘商业船只在格什姆岛和亨加姆岛附近遭到"敌方打击"，造成一人死亡。

双重通道受阻：供应缺口持续扩大

据彭博数据，霍尔木兹海峡、曼德海峡及苏伊士运河的合计过境流量目前已不足700万桶/日，而冲突爆发前约为2000万桶/日。

UBS能源专家Dominic Ellis指出，东西管道关闭对红海出口的冲击，叠加胡塞武装持续扰乱红海航运，将在可预见的未来持续支撑油价。他同时表示，UBS团队本月早些时候已预测能源股第三季度盈利较市场一致预期有40%的上行空间，其中炼油相关标的如Repsol、Galp和OMV的上行空间更高达80%至90%。

据央视，当地时间9月14日，也门胡塞武装称袭击了位于沙特海米斯穆谢特的空军基地。胡塞武装已于上周五占领了红海入口处的一座岛屿，进一步加剧了红海航运的不确定性。

此前压制油价的另一重要因素——中国进口量的大幅下滑——也正在逆转。分析师指出，中国进口量此前减少约500万桶/日，部分原因在于动用了估计约15亿桶的战略石油储备；目前进口已开始回升，并在全球范围内推高油价。

价格上行风险显著

伯恩斯坦的警告将当前局势的严峻性清晰呈现：霍尔木兹海峡通道受阻、红海航运受扰、沙特东西管道关闭三重压力同步叠加，全球石油供应体系正承受前所未有的压力。

Chris Wright虽试图稳定市场预期，表示通过霍尔木兹海峡及绕行管道的合计流量已恢复至冲突前的三分之二以上，并称"全球石油市场比我们希望的更紧张，但并未过度紧张"。然而，随着沙特库存窗口收窄至数日、外交谈判陷入僵局，市场对供应中断的定价仍将持续。

距美国中期选举仅剩约50天，油价飙升对特朗普所在共和党的政治压力亦不容忽视。

本文来自华尔街见闻，欢迎下载APP查看更多

当地时间周三美联储将公布利率决议，市场定价显示加息概率已升至89%，高盛和汇丰均预计加息25个基点。日本央行预计周五跟进，澳大利亚联储、加拿大央行和英格兰银行未来八周内也存在加息可能。上周欧洲央行的加息，则成为此轮全球货币政策重新转向收紧的重要信号。

油价走势正在强化这一预期。周一国际油价涨超3%，WTI原油期货重新升至每桶约103美元，美国汽油价格升至5月以来最高，柴油价格首次突破每加仑6美元。现货黄金下跌1.3%至每盎司4292.13美元，美元走强和加息预期升温共同施压贵金属。

“暂时性通胀”逻辑为何失效

央行过去能够“看穿”能源冲击，一个重要前提是公众相信油价上涨只是暂时的，通胀预期不会因此失控。1990年海湾战争和2011年阿拉伯之春期间，美联储都没有因油价上涨立即收紧政策，最终证明这一判断基本成立。

但本轮冲击的持续时间和叠加因素已经不同。供应链紊乱、俄乌冲突、关税政策反复，以及美伊冲突接连推高成本；与此同时，霍尔木兹海峡封锁持续半年，使能源供应风险从短期事件演变成长期变量。

油价最新上涨进一步放大了这一风险，UBS分析师Giovanni Staunovo表示，在CPI数据公布后，市场已经基本消化美联储加息预期，油价再次上涨将进一步强化通胀担忧。

多国可能加息，但政策逻辑并不相同

欧洲和英国受到的能源冲击最直接，两者均高度依赖进口燃料，油气价格上涨容易通过家庭能源支出和工业成本向更广泛的通胀传导。日本同样是能源进口国，但日本央行的加息更多仍属于货币政策正常化，能源价格上涨则进一步增加了收紧政策的理由。

美国的情况有所不同。作为大型能源生产国，美国受到能源进口成本上升的直接冲击相对有限，同时经济增长仍具韧性，因此美联储在通胀与增长之间的权衡更有空间。若能源价格继续维持高位，美联储面对的主要问题将是通胀预期是否重新抬头，而非能源冲击本身对经济的直接打击。

因此，这一轮全球央行政策可能出现“方向趋同、动机不同”：欧洲和英国主要应对能源通胀，日本继续推进政策正常化，美国则需要防范能源价格重新推高通胀预期。中东外交斡旋若进一步受阻，央行等待通胀自行回落的时间窗口还将被压缩。

本文来自华尔街见闻，欢迎下载APP查看更多

市场目前预计，美联储本周加息的概率已升至87%，若落地将成为三年来首次加息。与此同时，标普500指数距离历史高点不足2%，企业盈利依然强劲。相比加息本身，策略师更关注的是货币政策收紧是否会进一步压制经济活动和企业盈利。

历史经验也显示，持续加息与衰退往往比单次政策调整更容易成为熊市的触发因素。彭博分析显示，自1945年以来，标普500指数共经历12次跌幅超过20%的熊市，以及4次跌幅在18%至20%之间的深度回调。其中6次发生在加息周期直接导致经济衰退之后，另有两次既非由加息周期、也非由衰退触发。

当前的短期压力则主要来自通胀和利率。油价持续站上每桶100美元，10年期美债收益率逼近5%，均令市场重新担忧通胀压力。美股自8月中旬创下历史新高后持续震荡，纳斯达克100指数期货周一跌1.6%。

华尔街怎么看：盈利、收益率和油价是三条主线

高盛首席美国股票策略师Ben Snider表示，市场已经消化未来一年内超过三次加息的预期，而企业盈利和资产负债表均保持稳健。因此，政策转向本身对股市的冲击可能有限。

摩根士丹利策略师Michael Wilson则将注意力放在美债收益率。若通胀冲击明显超出预期，美股可能出现约10%的技术性回调。尤其是在油价重新站上每桶100美元、中东地缘政治局势持续的背景下，长端收益率进一步上行可能加大高估值股票的压力。

不过，Wilson认为，需要区分收益率上行的原因。如果10年期美债收益率走高主要反映更强劲的名义经济增长，而非通胀失控，那么股市仍有一定承受空间。在这种情形下，股票甚至可以继续发挥一定的通胀对冲作用。

摩根大通策略团队则将油价视为近期市场的重要变量。油价继续上涨可能推高通胀预期，并进一步压缩股票估值；如果油价压力缓解，市场则更容易消化加息影响。

摩根大通股票策略主管Mislav Matejka还提醒，9月本就是美股表现相对疲弱的月份，季节性因素可能放大近期波动。但从更长周期看，市场能否维持强势仍取决于经济和盈利表现，而非单一的政策事件。

本文来自华尔街见闻，欢迎下载APP查看更多

Applied Digital首席执行官Wes Cummins表示，公司目前订购的燃气轮机最早可能要到2032年才能交付。马斯克近期也警告称，“燃气轮机已售罄至2030年”，并透露SpaceX和特斯拉甚至可能需要自行生产涡轮叶片。

燃机供应周期不断拉长，正在迫使AI基础设施运营商重新考虑能源配置。据POWER Magazine报道，部分数据中心已经开始采用工业锅炉配合蒸汽轮机发电，以绕开燃气轮机漫长的交付周期。

这一趋势已经开始落地。美国电力设备供应商Babcock & Wilcox（B&W）已与独立电力生产商Base Electron签署一项价值24亿美元的协议，为Applied Digital的AI园区建设1.2吉瓦锅炉发电设施，预计于2028年投入运营。

燃气轮机为何如此难补货

燃气轮机的供应瓶颈并非简单的产能不足，而是与其极高的制造门槛有关。燃气轮机需要在极高温度和负荷下持续运行，对高温合金、精密铸造以及制造工艺都有严格要求，相关供应链难以在短时间内大幅扩产。

相比之下，蒸汽轮机的工作温度相对较低，可使用的合金材料范围更广，产业链也更加成熟。这意味着，在燃气轮机交付周期不断拉长的情况下，锅炉与蒸汽轮机能够提供一条相对容易扩张的替代路线。

马斯克则试图从生产端打破这一瓶颈。SpaceX正在得州巴斯特罗普筹建工厂，以解决燃气轮机关键部件的铸造产能问题。马斯克表示，如果将相关生产环节内部化，燃气轮机的上线时间最多可以提前18个月。

“锅炉+蒸汽轮机”成为过渡方案

从供应链角度看，锅炉与蒸汽轮机的最大优势并非效率，而是更容易获得、更快部署。

两条路线都可以使用管道天然气作为燃料，但发电方式不同：燃气轮机直接燃烧天然气驱动涡轮发电；锅炉+蒸汽轮机则先燃烧天然气产生蒸汽，再利用蒸汽推动轮机发电。

后者虽然增加了能量转换环节，但相关设备供应链更加成熟。据POWER Magazine报道，Rentech Boiler Systems能够在一年内完成整套锅炉的制造与交付。相比之下，燃气轮机交付往往需要等待数年，这使锅炉+蒸汽轮机对急于获得新增电力的AI数据中心更具现实吸引力。

对AI数据中心而言，当前的能源瓶颈正在从“有没有天然气”转向“能否尽快将天然气转化为电力”。在燃机供应迟迟无法跟上的情况下，锅炉+蒸汽轮机本质上是在牺牲部分发电效率的同时，换取更短的部署周期。

天然气只是过渡，核能才是长期方向

不过，从更长周期看，天然气发电并非超大规模云服务商的终局方案。对于谷歌等大型科技公司而言，最终目标仍是通过可再生能源和核能满足数据中心不断增长的电力需求，天然气更多承担的是填补当前电力缺口的“桥梁”角色。

核能已经成为科技巨头锁定长期清洁电力的重要方向。谷歌已与芬兰Fortum签署为期22年的核电供应协议，以获得长期稳定的清洁能源。

因此，在AI数据中心电力需求快速增长、燃气轮机供应却持续紧张的当下，行业实际上正在形成一条过渡路径：现有核电和新建天然气发电负责解决眼前的电力缺口，锅炉+蒸汽轮机则成为燃机短缺下的应急替代方案；更长期来看，核能与可再生能源仍是数据中心能源转型的主要方向。

本文来自华尔街见闻，欢迎下载APP查看更多

9月14日，据彭博援引知情人士透露，铠侠已与美国银行、高盛及摩根大通等机构就发行安排展开磋商，相关讨论仍处于早期阶段，募资规模及承销行阵容均可能调整。此次发行还可能帮助铠侠进入以半导体为核心的股票指数。

铠侠此前已宣布计划于2027年春季发行ADR，但尚未披露更多细节。此次若推进顺利，上市时间可能早于原定安排。公司今年还在日本市场实施股票分拆，并推出最高8000亿日元的回购计划，此前亦已回购数十亿美元股票，以扩大股东基础和流通规模。

AI存储需求升温，铠侠日股年内涨超四倍

AI基础设施投资持续推高高性能存储需求，也推动半导体企业加快进入美国资本市场。今年7月，韩国存储芯片巨头SK海力士完成在美上市，募资265亿美元，创外国企业在美首次发股纪录。

铠侠东京上市股票今年以来累计上涨超过410%，公司市值升至约1800亿美元。不过，公司7月公布的业绩低于市场预期，并给出相对谨慎的盈利展望，基本面仍面临一定压力。

与此同时，美股近期因AI发展前景及最前沿模型安全风险等因素出现波动，对于正筹划赴美上市的铠侠而言，如何选择发行时点、在高估值与市场波动之间取得平衡，将成为后续上市计划能否顺利推进的关键。

本文来自华尔街见闻，欢迎下载APP查看更多

9月14日，Altman在X平台发帖称，人工智能发展存在两种最坏结果：一是AI最终失控，人类失去对未来的控制；二是极度强大的AI被少数个人、公司或国家掌控，并将自身意志强加于所有人。他认为，这两条红线都不能触碰。

Altman表示，OpenAI已开始在重大能力提升的强化学习训练启动前，主动制定明确的安全论证（safety cases），并希望其他前沿AI公司采取类似做法，围绕模型失准、监控和安全等问题形成统一标准。

据The Information援引知情人士，Anthropic、OpenAI和谷歌已就合作成立AI行业标准机构展开磋商，相关工作组会议仍在进行。这意味着，头部AI实验室的安全治理思路正从各自制定内部规则，逐步转向推动行业协调框架。

安全治理前移，AI“调速”并非放缓发展

Altman强调，随着模型能力不断提升，对齐（alignment）和安全技术也必须同步甚至更快发展，避免AI能力跑在安全保障之前。AI行业需要走一条“狭窄的中间道路”：既不能因竞争压力牺牲安全，也不能让AI能力提升明显领先于对齐、监控和治理能力。

他认为，AI安全治理的重点正从模型部署后的风险控制前移至开发过程本身。OpenAI目前的做法是，在启动预计将显著提升模型能力的前沿强化学习训练前，就提前制定安全论证（safety cases），而不是等模型完成后再进行安全评估。

他同时强调，“调速”（pacing）并非停止AI进步，而是避免以技术上能够达到的最快速度推进。尽管安全论证和监控措施会增加研发成本，但这些投入仍有必要，以确保安全和治理能力跟上模型能力的提升。

监管尚待落地，AI行业应先行推动安全标准

在监管层面，Altman支持美国政府为前沿AI设立统一安全要求，但认为行业没有必要等到相关立法落地后再行动。即使缺乏政府参与，主要AI实验室也应率先推动行业标准机构成立，并探索独立审计等机制。

据报道，Anthropic首席执行官Dario Amodei上周六已公开呼吁AI公司加强技术测试和审核方面的协调。此前，Anthropic、OpenAI和谷歌已就合作成立行业标准机构展开磋商。

Altman在一次员工大会上表示，即便美国政府暂时没有参与，主要AI实验室也应自行推进标准建设；至于全球层面的协调，则需要政府介入，但“首先我们应当尽力自为”。

在他看来，随着AI能力持续提升，社会对前沿AI公司的安全要求也将越来越高，而行业自律最终需要落实到每一家AI实验室的具体行动中。

本文来自华尔街见闻，欢迎下载APP查看更多

摩根大通9月14日公布的报告却得出了截然不同的结论：这轮利率上行距离真正压制估值仍有一段距离，决定估值天花板的关键并非收益率本身，而是盈利增速。

该团队将1950年以来的估值数据按照盈利增速分档后发现，10年期美债收益率与标普500估值倍数呈现“倒U型”关系——收益率在前期温和上行时，估值反而可能得到支撑；只有突破一定阈值后，利率上行才会开始明显压缩估值。按照当前盈利水平，这一阈值对应的10年期美债收益率约为5%至6%。

更广泛来看，华尔街策略师也并未将美联储重新加息视为牛市终结信号。高盛、摩根士丹利和摩根大通的策略师均认为，只要经济增长和企业盈利保持韧性，温和加息引发的市场回调可能只是短期波动。

高盛首席美国股票策略师Ben Snider表示，市场已经计入未来一年加息三次以上的预期，而企业盈利和资产负债表依然强劲；彭博统计也显示，历史上真正威胁牛市的通常是完整的加息周期，而非单次加息。

估值真正承压的门槛在5%-6%

第一档是盈利增速高于20%的超级增长环境，估值倍数最高可支撑至约24倍，对应10年期美债收益率约6%。第二档是盈利增速为10%-20%的高于趋势增长环境，估值倍数约为20倍，对应收益率约5%。整体来看，盈利增速越低，市场能够承受的收益率水平也越低。

目前标普500约22倍2026年EPS，对应调整后2026年盈利增速约28%；2027年估值约18倍，隐含盈利增速约21%（剔除一次性投资损益）。这意味着，只要盈利增速能够维持在15%以上，2027年的估值仍存在进一步重估的空间。

衡量估值是否昂贵，还有另一把尺子。两阶段股息贴现模型显示，目前隐含股权风险溢价约为7.2%，处于历史69%分位；长期PEG约为2倍。换言之，只要企业能够兑现13%-15%的年均盈利增速，当前估值水平大体仍有基本面支撑。

AI 30只龙头目前约30倍前瞻估值，对应标普500其余470只成分股约19倍、MSCI ACWI同业约14.3倍。这样的估值溢价，主要来自更强的盈利可见性、更低的杠杆率以及更稳定的股东回报。

生产率则是另一重缓冲。若生产率维持在1.5%-2.5%的区间内，当前收益率仍可支撑约20倍估值；如果AI进一步推动生产率突破2.5%，估值所获得的支撑将更强。

利率如何传导至盈利：先看债务结构，再看现金流

利息费用上升对企业盈利的冲击是渐进式的，因为企业债务整体以固定利率、长久期融资为主。

短期来看，两股力量足以部分抵消融资成本上升的压力：一是金融板块盈利改善，二是企业仍持有约2.4万亿美元现金，这些资金能够获得更高的利息收入。与此同时，多数企业当前借贷成本仍低于2023年的峰值水平：30年期固定按揭利率约6.8%，低于2023年的8.1%；高等级债收益率约6%，低于6.5%；高收益债约7.7%，低于9.6%。

真正值得关注的压力来自结构性分化。“更高更久”的利率环境正在挤出消费相关活动、住宅和商业地产，以及不直接受益于AI建设的资本密集型行业和高杠杆企业。

报告将这一过程形容为一只“看不见的手”：有限的资本正在流向出价最高、信用质量最好的借款人——政府和大型跨国企业。因此，更高利率未必意味着整体企业盈利遭到全面打击，但会显著加剧市场内部的分化。

曲线形态决定板块：陡峭化买周期，平坦化买科技

板块领导权还取决于收益率曲线如何变化。

如果出现熊市陡峭化，即长短端利差扩大，能源、金融等周期板块更容易受益；如果出现熊市平坦化，则科技股相对占优。与此同时，债券替代品和长久期非科技板块——包括公用事业、地产、通信服务和必需消费——对利率上行最为敏感。

风格上，基准情景仍是浅加息周期，即去年“保险式”降息预期出现逆转，但并未演变成激进紧缩。在这一情景下，成长股和优质成长股仍有望保持优势；如果通胀重新加速，市场开始定价更广泛的加息周期，即进一步加息4-5次，则投资风格可能转向低波动。

从市值风格看，大盘股的抗压能力更强。相比之下，小盘股更依赖短期银行浮动利率融资，因此货币政策传导更直接，受到的冲击也更大。

报告同时认为，本轮利率上行主要由基本面驱动，而不是市场对美联储独立性或美国财政可信度的担忧。长端掉期利差相对稳定，长期盈亏平衡通胀率也仅小幅上升。

本文来自华尔街见闻，欢迎下载APP查看更多

高盛走访中国15家光通信企业后，大幅上调高速光模块需求预测，并判断定价纪律将好于市场预期。这份调研报告揭示的核心逻辑，远不止于订单排期——供给端的原材料瓶颈与龙头企业的产能锁定策略，正在悄然重塑这一轮AI基础设施投资的利润分配格局。

高盛将800G及以上光模块2027年/2028年需求预测分别上修39%和36%，至1.44亿只和1.71亿只。与此同时，报告判断1.6T光模块价格将维持在700美元以上，800G产品2027年降价幅度仅为个位数。这一定价判断的支撑逻辑，在于DSP、激光器、PCB等关键零部件的持续紧缺，以及龙头厂商通过预付款和长期协议主动锁定产能的供应链管理策略。

在CPO（共封装光学）商用化路径上，高盛指出测试与耦合设备商是最早兑现收入的环节。罗博特科二季度收入环比增长172%，高出高盛预期141%，印证了这一判断。报告同时预计CPO交换机2026年至2028年出货量将从1万台跃升至13.1万台，设备端订单能见度延伸至2028年。

需求上修：规模扩张与规格升级双轮驱动

高盛此次上修需求的依据，来自走访企业对全球800G与1.6T光模块需求的综合判断——受访企业给出的区间为1.3亿至2亿只，高盛最终将2027年/2028年预测落定于1.44亿只和1.71亿只。

驱动力来自三个层面：AI服务器机架的持续扩容、光模块应用场景从横向扩展（scale out）向纵向扩展（scale up）及跨层互联（scale across）延伸，以及产品规格的持续升级。这意味着此轮需求上修并非单一因素驱动，而是集群规模扩张与规格迭代同步发生的叠加效应。

中国市场方面，受访企业预计整体需求将实现两位数增长，规模超过5000万只，主体仍以800G和400G为主，1.6T处于起量初期。值得注意的是，受访管理层普遍强调，当前每一只出货的光模块均已实际部署于数据中心，反映的是真实终端需求，而非渠道备货，这在一定程度上降低了重蹈2000年代互联网泡沫时期"双重订购"覆辙的风险。

激光器等紧缺成为2027年出货实际上限

需求上修的同时，供给端的约束正在成为行业真正的变量。受访企业普遍指出，DSP、激光器、PCB的持续紧缺可能压制2027年实际出货量，这意味着1.44亿只的需求预测，在供给端存在无法完全兑现的风险。

激光器环节，中国供应商正在加速提升200G EML的产能与技术能力，以支撑1.6T光模块在2027年的放量。Everbright（688048.SS）为2027年备下的激光器产能中，EML略多于CW激光器，EML内部以100G为主，200G占比仍小。东山精密的200G EML已进入量产，但受DSP供给制约，出货量目前仍然有限；该公司已锁定2027年1000万颗DSP供应，为激光器与光模块出货提供支撑。

InP外延片龙头VPEC方面，随着出口许可趋于稳定、更多客户自带InP衬底，以及中国以外第二至第四供应商逐步成长，InP衬底供给正在改善。VPEC的MOCVD设备数量将从当前62台扩张至2027年二季度的69台，并计划在2027年新建生产基地。

龙头锁产能，价格为何不崩

在供给偏紧的背景下，高盛判断800G光模块2027年降价幅度将控制在个位数以内，1.6T价格维持700美元以上。这一判断的核心支撑，在于行业竞争格局与龙头厂商的供应链管理策略。

受访企业管理层强调，光模块并非纯粹的组装业务，产品SKU众多，对供应商的研发能力和响应速度要求极高。与电信市场5年产品周期相比，数通市场的产品迭代周期已缩短至1至2年，这使得研发能力与量产执行力成为竞争壁垒，而非单纯的价格竞争。

全球龙头英飞拓（Innolight，300308.SZ / 3308.HK）的做法具有代表性：通过与供应商开展研发协作、直接投资供应商、签订预付款协议和长期供货合同，在供给紧张周期中锁定可持续产能。这种深度绑定供应链的策略，在地缘政治压力下客户要求分散生产基地的背景下，进一步强化了龙头的竞争优势，也为整体定价纪律提供了结构性支撑。

CPO商用化：设备商最先兑现，订单能见度延伸至2028年

CPO技术的商用化进程仍面临挑战。激光器供应商指出，外部光源（ELS）方案中300mW/400mW连续波（CW）激光器存在散热难题，当前优先推进的是100mW以上配合PA的NPO方案。光模块厂商也观察到，3.2T NPO光引擎在中国及海外市场均呈现强劲需求。

尽管CPO规模放量尚需时日，测试与耦合设备商已率先受益。高盛指出，昂贵的最终模块意味着生产过程中需要多道测试，越早发现缺陷，损失成本越低，这使得测试设备需求具有结构性支撑。

罗博特科二季度收入环比增长172%，高出高盛预期141%，直接印证了这一逻辑。罗博特科与FiconTEC均表示，未来一年计划出货的工具数量，将超过过去25年累计出货量的一半，订单能见度延伸至2028年。高盛预计CPO交换机出货量将从2026年的1万台增长至2027年的9.2万台，再到2028年的13.1万台。

在技术升级层面，罗博特科与FiconTEC计划明年将晶圆级测试时间缩短50%至60%，并实现芯片级测试速度提升4倍；Enlitech推出的NightJar超光谱成像系统，可在早期晶圆测试阶段实现已知良品芯片（KGD）筛选，进一步降低失效成本。

验证窗口：三个关键指标决定判断成立与否

上述判断均有明确的可验证条件。

需求端，若2027年800G及以上光模块实际出货达到1.44亿只区间下沿，则上修判断成立，否则需下修；验证窗口为2027年一季度各厂商年度出货指引。

定价端，若1.6T光模块均价跌破700美元，则定价纪律判断被推翻。

设备端，若设备商收入环比增速连续两个季度转负，则订单能见度判断不成立；验证窗口为2026年三季度业绩发布期（10至11月）。

本文来自华尔街见闻，欢迎下载APP查看更多

9月14日，据中国央行初步统计的数据：

• 2026年前八个月社会融资规模增量累计为23.91万亿元，根据前值（前七个月新增22.25万亿元）计算，8月单月新增社融约为1.66万亿元。

• 前八个月人民币贷款增加10.44万亿元，根据前值（前七个月新增10.38万亿元）计算，8月单月人民币贷款增加0.06万亿元（约600亿元）。
• 前八个月人民币存款增加18.99万亿元，根据前值（前七个月新增17.79万亿元）计算，8月单月人民币存款增加1.20万亿元。
• 截至8月末，M2同比增长7.5%，M1同比增长4.1%，M2-M1剪刀差为3.4个百分点，较7月末的3.7个百分点收窄0.3个百分点。

一、社会融资规模存量同比增长7.2%

初步统计，2026年8月末社会融资规模存量为464.8万亿元，同比增长7.2%。其中，

对实体经济发放的人民币贷款余额278.63万亿元，同比增长5%；

对实体经济发放的外币贷款折合人民币余额1.23万亿元，同比增长3.1%；

委托贷款余额11.26万亿元，同比增长1%；

信托贷款余额4.58万亿元，同比增长1.9%；

未贴现的银行承兑汇票余额2.01万亿元，同比下降5.1%；

企业债券余额36.71万亿元，同比增长9.7%；

政府债券余额103.69万亿元，同比增长13.5%；

非金融企业境内股票余额12.67万亿元，同比增长5.7%。

从结构看，

8月末对实体经济发放的人民币贷款余额占同期社会融资规模存量的59.9%，同比低1.3个百分点；

对实体经济发放的外币贷款折合人民币余额占比0.3%，同比持平；

委托贷款余额占比2.4%，同比低0.2个百分点；

信托贷款余额占比1%，同比持平；

未贴现的银行承兑汇票余额占比0.4%，同比低0.1个百分点；

企业债券余额占比7.9%，同比高0.2个百分点；

政府债券余额占比22.3%，同比高1.2个百分点；

非金融企业境内股票余额占比2.7%，同比低0.1个百分点。

二、前八个月社会融资规模增量累计为23.91万亿元

初步统计，2026年前八个月社会融资规模增量累计为23.91万亿元，比上年同期少2.64万亿元。其中，

对实体经济发放的人民币贷款增加10.23万亿元，同比少增2.71万亿元；

对实体经济发放的外币贷款折合人民币增加2103亿元，同比多增2919亿元；

委托贷款减少582亿元，同比少减273亿元；

信托贷款减少905亿元，同比多减2847亿元；

未贴现的银行承兑汇票减少1404亿元，同比多减1181亿元；

企业债券净融资2.79万亿元，同比多1.23万亿元；

政府债券净融资8.77万亿元，同比少1.5万亿元；非金融企业境内股票融资4700亿元，同比多2031亿元。

三、广义货币增长7.5%

8月末，广义货币（M2）余额356.81万亿元，同比增长7.5%。

狭义货币（M1）余额115.77万亿元，同比增长4.1%。

流通中货币（M0）余额14.83万亿元，同比增长11.2%。

前八个月净投放现金7364亿元。

四、前八个月人民币存款增加18.99万亿元

8月末，本外币存款余额355.77万亿元，同比增长7.8%。月末人民币存款余额347.67万亿元，同比增长7.7%。

前八个月人民币存款增加18.99万亿元。其中，

住户存款增加6.99万亿元，

非金融企业存款增加1.85万亿元，

财政性存款增加2.06万亿元，

非银行业金融机构存款增加6.32万亿元。

8月末，外币存款余额1.19万亿美元，同比增长17.3%。前八个月外币存款增加1342亿美元。

五、前八个月人民币贷款增加10.44万亿元

8月末，本外币贷款余额286.15万亿元，同比增长4.8%。月末人民币贷款余额282.35万亿元，同比增长4.9%。

前八个月人民币贷款增加10.44万亿元。

分部门看，

住户贷款减少1.03万亿元，其中，短期贷款减少1.05万亿元，中长期贷款增加188亿元；

企（事）业单位贷款增加11.26万亿元，其中，短期贷款增加4.18万亿元，中长期贷款增加5.64万亿元，票据融资增加1.29万亿元；非银行业金融机构贷款减少4380亿元。

8月末，外币贷款余额5602亿美元，同比增长1.5%。前八个月外币贷款增加151亿美元。

六、8月份银行间人民币市场同业拆借月加权平均利率为1.38%，质押式债券回购月加权平均利率为1.4%

8月份银行间人民币市场以拆借、现券和回购方式合计成交177.41万亿元，日均成交8.45万亿元，日均成交同比下降12.5%。其中，

同业拆借日均成交同比下降24.6%，现券日均成交同比增长2.3%，质押式回购日均成交同比下降15.1%。

8月份同业拆借加权平均利率为1.38%，比上月低0.02个百分点，比上年同期低0.02个百分点；质押式回购加权平均利率为1.4%，比上月低0.02个百分点，比上年同期低0.01个百分点。

七、8月份经常项下跨境人民币结算金额为1.7万亿元，直接投资跨境人民币结算金额为0.6万亿元

8月份，经常项下跨境人民币结算金额为1.7万亿元，其中货物贸易、服务贸易及其他经常项目分别为1.33万亿元、0.37万亿元；直接投资跨境人民币结算金额为0.6万亿元，其中对外直接投资、外商直接投资分别为0.21万亿元、0.39万亿元。

本文来自华尔街见闻，欢迎下载APP查看更多

根据监管机构截至9月11日的披露信息，包括博道基金、东财基金、泰信基金、东方阿尔法、苏新基金、泉果基金、中海基金、恒越基金、博远基金、汇泉基金、益民基金、汇百川、瑞达基金等已于日前上报了各自的摊余成本法债券基金。

按照相关规定，摊余成本法计价的债券基金，可将票息收益按持有期平摊到每个交易日，通常情况下，拥有很强的盈利稳定性。相关产品自2021年后已很长时间未有新产品问世。

13家中小公募集体申报

证监会官网披露的上报名单显示，博道、东财、泰信、东方阿尔法、苏新、泉果、中海、恒越、博远、汇泉、益民、汇百川、瑞达13家基金公司集体上报第二批摊余成本法债券基金。

与首批产品类似，这批债基统一设定63个月封闭期、到期终止，单只募集规模上限不超过80亿元。

这场申报潮来得并不慢。8月14日，首批15家中小公募刚刚重启申报，名单里既有尚正、红土创新、百嘉等内资机构，也出现了贝莱德、路博迈、联博、安联四家外资公募的身影。

仅过去约一个月，第二批便接力而至。两批合计28只产品、28家中小公募，这也是自2021年监管暂停受理该类产品新申报以来，时隔五年重新“开闸”。

另外，9月3日晚，首批10家基金管理人已上报科创债场外指数基金。多重举措被视为支持中小基金公司规范健康发展的有力落子。

托管安排：兴业或领跑，浦发中信并列

从第二批产品的托管安排看，股份制银行再度占据主导。

据业内人士透露，博远、瑞达、中海、泰信、博道、汇泉 6 家基金公司的产品有望落户兴业银行。恒越、泉果、苏新、汇百川 4 家或由浦发银行托管。益民、东方阿尔法、东财基金旗下产品则可能分别花落中信银行、招商银行与江苏银行。

叠加首批名单，兴业银行合计托管的摊余成本法债基有望达到 10 只，领跑同业。浦发银行与中信银行各入账 5 只，或并列第二。

股份制银行的抢跑动作是其拿到托管资格的重要因素。

政策信号刚释放，相关银行就迅速与多家基金公司联系，把合作意向敲定了下来。

部分银行甚至由副行长级别的高管亲自出面，进行沟通协调，而不是派托管部员工按部就班走流程。同时拿下多只托管的银行，除了提供托管服务，还会协调理财子公司、自营资金参与认购，协助基金公司完成销售，解决单一投资者集中度不超过 40% 的硬约束。

对中小基金公司而言，托管行的分量远不止“存管”二字。

多数银行渠道对合作基金公司设有规模、业绩等硬性门槛，没有品牌和存量规模的中小公募平时很难够到。摊余成本法债基净值稳、单只规模上限高、天然契合机构资金，银行愿意接，托管合作的达成，也为中小公募打开了主流渠道的合作空间。

批文落地在即，中小公募的突围才刚开始

对于这批产品，业内普遍翘首以待。据业内人透露“我们一直密切关注批文下发时间，一旦获批立即启动发行工作。”。

从名单看，此次入选的多为平时合规风控表现较好的中小基金公司。

据业内人士介绍，监管通过设定分类评价、资本金等门槛，筛选出合规且具备基本运营能力的机构进行扶持。

对符合条件的公司而言，摊余成本法债基、科创债指数基金带来的管理费收入，有望覆盖运营成本，实现盈亏平衡甚至缓解财务压力。

不过，拿到产品红利并不意味着可以“躺平”。

多位基金公司人士强调，中小基金公司要真正突围，仍需依靠持续创新能力、挖掘公司特色、走差异化竞争路线，近年不乏中小公司靠精品路线占据一席之地的案例。

本文来自华尔街见闻，欢迎下载APP查看更多

9月14日，据路透援引韩国国会议员李哲圭（Lee Chul-gyu）办公室提供的文件报道称，三星电子和SK海力士完成内部审查后，已正式告知韩国电力公社，难以接受这一预付电费方案。

据此前韩媒报道，韩国电力公社提出这一方案，是希望两家公司按照新建晶圆厂的预期用电量提前支付电费，并利用这笔资金投资电网等配套基础设施，以保障未来新增产能的供电需求。

这一提议与韩国政府推动的半导体产业集群计划直接相关。按照规划，三星电子和SK海力士将在韩国建设大规模芯片制造基地。随着晶圆厂陆续投产，新增用电需求预计将对当地电网形成较大压力，因此韩国电力公社需要提前筹措资金扩建相关电力基础设施。

不过，两家公司对是否有必要进行如此大规模的电费预付款存在疑虑。报道援引知情人士称，半导体需求能否长期维持仍存在不确定性，是两家公司拒绝这一方案的重要原因。在产能利用率和未来需求尚未完全确定的情况下，提前承担大规模电力成本，也意味着企业需要先行锁定一笔巨额资金。

此次预付方案遭拒后，韩国半导体扩产所需的电力基础设施如何融资、建设进度能否与晶圆厂扩产计划匹配，仍有待进一步解决。

本文来自华尔街见闻，欢迎下载APP查看更多

9月14日，A股三大指数集体低开，盘中冲高回落，沪指震荡盘整，尾盘虽一度翻红但最终收跌，创业板、科创50均跌超1%。盘面上，CRO/创新药受益于2026年世界肺癌大会（WCLC）中国新药数据创纪录，行业从"工程师红利"迈向"引领创新红利"。MLCC（多层陶瓷电容器）迎来"量价齐升"——全球MLCC龙头村田制作所公告启动产品线优化、将停产九大系列部分料号，三星电机签下史上最大AI服务器用MLCC长期订单。

港股震荡分化，恒指小幅上涨，恒科指震荡下跌，科网股、汽车股反弹，创新药盘中活跃，诺诚健华涨超15%。据诺诚健华官微消息，公司双抗ADC新药获批开展临床试验，用于治疗前列腺癌等实体瘤。芯片股、AI大模型股集体下挫，兆易创新、澜起科技、华虹宏力等纷纷下挫，智谱跌9%，MINIMAX跌超6%。债市方面，国债期货多数上涨，商品方面，国内商品期货多数下跌，原油逆势大涨超9%，因地缘政治紧张局势持续，国际油价大涨3%。

A股：截至收盘，沪指跌0.07%，深成指跌0.64%，创业板指跌1.10%。

盘面上，个股涨多跌少，沪深京三市超3000股飘红。量能明显萎缩，今日成交1.64万亿，较上周五缩量3440亿元，续创年内次低单日成交记录。沪深两市成交额1.63万亿，较上一个交易日缩量超过3400亿。

板块方面，AI硬件侧核心标的普遍低迷，中际旭创、新易盛、长鑫存储、工业富联、兆易创新等集体调整。创新药板块获资金回补，药明康德放量大涨。宁德时代企稳，助力新能源汽车板块。培育钻石、氮化铝、网络安全板块劲升，银行板块再度上行，农业、军工、传媒、煤炭、石化板块调整。

港股：截至收盘，恒指收涨0.45%，恒生科技指数跌0.06%，恒生生物科技指数涨3.84%。

盘面上，药明康德、中国联通、小米集团、联想集团走升，凯莱英涨超14%，中际旭创、剑桥科技跌超8%。

债市：国债期货多数上涨，截至收盘，30年期主力合约跌0.14%，10年期主力合约涨0.03%，5年期主力合约涨0.02%，2年期主力合约涨0.01%。

商品：国内商品期货多数下跌，截至收盘，非金属建材跌幅居前，玻璃跌5.79%；化工品多数下跌，纯碱跌5.56%；基本金属全部下跌，锡跌3.81%；农副产品多数下跌，红枣跌2.36%；油脂油料全部下跌，豆二跌2.02%；黑色系全部下跌，焦炭跌1.86%；新能源材料多数下跌，工业硅跌1.44%；贵金属涨跌参半，白银跌0.98%；能源品涨幅居前，原油涨11.71%；航运期货全部上涨，集运指数(欧线)涨2.27%。

硬件板块走低，网络安全板块爆发

网络安全板块永信至诚20cm涨停，天融信、国安股份、中新赛克、启明信息涨停，任子行、中孚信息、安博通、亚信安全等涨幅居前。

AI硬件板块调整，“易中天”中际旭创、新易盛、天孚通信集体下跌，中际旭创、新易盛盘中均一度跌超5%。此外，东山精密、长飞光纤等龙头股也下跌。

消息面，9月13日，Anthropic CEO Dario Amodei接受了CBS《周日早间》的专访。Amodei认为，“放缓AI”不是说我们今天需要恐慌，也不是说要把一切都关掉。但我们需要确保我们的安全防护、理解能力和控制能力，能够跟上技术发展的速度。此外，关闭AI模型的想法不是唯一的解决方案。如果一个AI模型足够强大，它可能关都关不掉。

此次访谈发生在一个特殊节点。同一个周末，Amodei发表的一篇博文《我们必须为前沿AI踩刹车》（We Must Pace the Frontier）引发轩然大波，并随即获得马斯克、Altman相继公开支持。社区热议称，AI高速前进之际“踩刹车”将重挫“AI交易”。

国盛证券认为，大模型可以获取的数据范围和操作权限持续拓展，人工智能在网络攻防两端的能力同步增强，由此强化了AI安全的重要性。浙商证券指出，海外头部AI企业正加快布局面向网络安全场景的专用工具和模型，自动化网络攻击手段加速迭代，也在推动政企机构增加安全投入。

分析认为，这篇博文引发市场对算力基建资本开支是否会缩减的担忧。投行Evercore ISI分析师马克·马哈尼表示，OpenAI和Anthropic的投资、招聘以及资本开支计划对整个科技行业都具有明显的外溢效应，若两家公司大幅削减相关开支，可能会对金融市场产生“重大影响”。

此外，美国AI巨头OpenAI突然按下“IPO暂停键”。该公司首席执行官Sam Altman表示，OpenAI不会在2026年进行首次公开募股（IPO）。他指出，鉴于当前围绕AI安全问题的诸多进展，现在并不是一个适合上市的时机。

CRO/创新药：WCLC中国新药数据创纪录，行业迈向"双核驱动"

万邦医药近岸蛋白双双 20CM涨停。三力制药、津药药业涨停。义翘神州涨超10%；药康生物、药石科技、美迪西、凯莱英、泰格医药、诚达药业、泓博医药、成都先导等涨幅居前。

逻辑链：① 事件催化——2026年世界肺癌大会（WCLC）于9月12日至15日在韩国首尔召开，中国新药数据创纪录：入选口头报告19项、小型口头报告45项，翰森制药B7-H3 ADC、宜联生物B7-H3 ADC针对小细胞肺癌的III期研究均入选规格最高的全体大会主席专场汇报；② 产业逻辑——新重磅药物、新分子、新技术对工艺开发和试验设计能力的要求提高，中国CDMO行业有望凭借全球生物医药创新技术领域早期管线的不断积累，进入由"工程师红利"+"引领创新红利"双核驱动时代；③ 行业周期——创新药行业经历一轮集中度提升与中小产能出清后，项目数量稳步增长、价格由下行通道转向复苏，大临床业务呈量价齐升态势。

中信证券认为，新重磅药物/新分子/新技术对于工艺开发和试验设计能力的要求提高，中国CDMO行业有望凭借在全球生物医药创新技术领域早期管线的不断积累，进入由"工程师红利"+"引领创新红利"双核驱动时代；上半年CXO板块及生命科学上游业绩稳健，行业进入复苏阶段，CRO板块有望量价齐升。

MLCC/PCB电子元件：村田停产+三星长协，量价齐升逻辑强化

MLCC(多层片式陶瓷电容器)概念震荡拉升，双星新材2连板，康达新材涨停，昀冢科技、春光集团、国瓷材料、风华高科等跟涨。

逻辑链：① 供给收缩——MLCC龙头村田制作所9月10日向客户发布通知，2026财年将启动产品线优化，对GRM、GRJ、GRT、GXM、GXT、GCM、GCJ、GCG、ZRA九大系列部分规格MLCC逐步停产（覆盖消费电子、车规、射频领域），首次将高毛利车规料号纳入腾挪范围、明确为AI超高容让路；② 需求放量——三星电机本月初与一家全球大型科技企业签署约1.07万亿韩元（约52.5亿元人民币）AI服务器用MLCC长期供应协议、金额创公司单笔订单纪录，6月以来已披露3笔合计约1.82万亿韩元长协、订单能见度延伸至2027年底；③ 涨价落地——太阳诱电9月1日起调涨价格，三星电机8月已全系列涨价30%、四季度还将对消费级及AI服务器用MLCC涨价10%—30%；④ 供需收紧——高端MLCC交期由此前8—10周拉长至20—26周，部分稀缺型号达5—10个月。在"停产腾产能+AI虹吸"共振下，MLCC产业链被机构判断进入"系统性涨价循环"。

国金证券认为，从MLCC龙头厂商涨价、三星电机长协订单持续增加，以及村田逐步退出消费电子、车规、射频等应用场景来看，AI对MLCC需求持续强劲、扩产速度跟不上AI需求增长，继续看好MLCC受益产业链。

开源证券表示，临近三季报披露窗口，MLCC、CCL、PCB钻针等方向可能迎来反弹行情；在AI服务器出货压力下，MLCC海外龙头有望持续转产普通料号、推动中高容产品持续通胀。

广发证券判断，当前行业增长仍主要由出货量增加和产能效率提升驱动，需求先行、量升价启，价格与利润弹性或仍具较大演绎空间，本轮MLCC产业周期仍处于上行周期前段。

汽车产业链集体走高

汽车产业链大幅走高，汽车电子、无人驾驶、新能源汽车等方向领涨。截至记者发稿，安凯客车、众泰汽车、海马汽车、山子高科、启明信息、瑞玛精密、满坤科技等涨停，万讯自控涨超14%，恒勃股份涨超10%，昀冢科技涨超8%，征和工业涨超7%，德众汽车、金杯汽车涨超6%，浙江荣泰、英利汽车、涛涛车业、中通客车等纷纷跟涨。

消息面上，近日，工信部等九部门印发《智能网联新能源汽车产业发展“十五五”规划》（以下简称《规划》）。其中提到，到2030年，我国智能网联新能源汽车全产业链优势进一步巩固，进入世界汽车强国行列，国内市场新能源乘用车、商用车在各自领域新车总销量的占比分别达到70%、40%，具备自动驾驶功能的汽车实现规模应用。高速公路、城市快速路、部分城市道路等场景实现高度自动驾驶。

国盛证券表示，《智能网联新能源汽车产业发展“十五五”规划》释放明确信号，即中国汽车产业正在从追求规模扩张转向追求质量和效率。尽管新能源车仍追求渗透率目标，但实现的路径已从卷产能和卷价格，转向了通过技术创新、产能优化、秩序整治和准入收紧来推动行业走向良性竞争。

国泰海通证券认为，随着汽车行业电动化进入下半场，高等级自动驾驶渗透率有望快速提升，同时自动驾驶场景应用进一步打开，有望与物流、出行等场景深度融合，建议关注RoboX相关产业链。

本文来自华尔街见闻，欢迎下载APP查看更多

9月14日，AI及半导体板块普遍下挫。日韩股市中，SK海力士跌超6%，三星电子跌4%；美股盘前，存储芯片股同样集体走弱，美光科技跌近5%，西部数据跌近4%，闪迪跌超5%。

市场抛售背后，是AI巨头近期罕见的集体表态。Anthropic首席执行官Dario Amodei上周六在X平台发表长文，呼吁AI企业主动放缓最前沿模型的开发速度，并宣布Anthropic将单方面引入独立第三方评估机制。

OpenAI首席执行官Sam Altman随后表示支持，xAI创始人埃隆·马斯克也发文称“Dario是对的”。三位AI巨头掌舵者罕见形成共识，迅速打击市场情绪，并引发投资者对AI资本开支周期的担忧。

不过，在部分投资者看来，“放缓开发”并不意味着AI资本开支周期就此逆转。算力需求、数据中心建设以及电力、存储、网络和冷却等基础设施需求仍在，若模型研发节奏趋缓，反而可能给行业更多时间消化此前投入、推动AI应用商业化。

AI巨头罕见“踩刹车”，芯片股先遭重估

Amodei在文章中警告称，未来6至12个月，AI代理可能具备“控制整个互联网”的能力，潜在损失规模或达数千亿美元。此前，Anthropic发布的威胁情报报告披露，其Claude模型已被用于武器开发、网络攻击、监控及欺诈等活动。

这一系列警告迅速在行业内部形成共振。Altman表示，AI带来的人类灭绝风险“不可接受”；马斯克则公开支持Amodei的观点。

消息传至资本市场后，AI产业链率先承压。索尼金融集团高级经济学家Takayuki Miyajima表示，周末有关放缓AI开发的言论将对日本AI及半导体相关股票构成抛售压力，中东局势的不确定性也进一步放大了避险情绪。

此前已经处于高位的AI资产对预期变化尤为敏感。Saxo Markets新加坡首席投资策略师Charu Chanana表示，AI和芯片股的估值同时建立在强劲需求与技术持续快速进步的预期之上，“哪怕只是可能出现延迟，也足以触发获利了结”。

放缓研发，不等于算力需求见顶

但在另一部分投资者看来，市场可能把“放缓AI开发”和“削减AI基础设施投资”画上了等号。

Global X Management悉尼投资策略师Billy Leung认为，三位CEO支持放缓开发，并不会直接改变芯片、电力和数据中心基础设施上的投入，反而可能拉长整个开发周期。

“如果商业化和AI应用继续增长，而新能力的开发速度略有放缓，行业反而可能从‘花钱建设’转向利用已有资产盈利，也就是货币化。”

Allspring Global Investments新加坡投资组合经理Gary Tan也认为，相关表态可能带来短期压力，但不太可能破坏长期AI投资主线。他指出，AI产业仍处于相对早期阶段，在技术快速演进的背景下，生态中的其他参与者未必愿意同步放慢脚步。

换言之，市场真正需要关注的并不是AI研发是否短暂降速，而是AI资本开支是否会因此出现实质性收缩。如果数据中心、电力、网络和存储等项目仍在推进，那么芯片需求的长期逻辑就尚未发生根本变化。

真正的考验：AI巨额投入能否兑现回报

相比AI安全争议本身，资本市场更深层的担忧在于：过去数年规模庞大的AI基础设施投资，最终能否转化为足够的商业回报。

T. Rowe Price伦敦投资组合经理Sebastien Mallet表示，AI“将改变世界”并不意味着当前每一笔相关投资都能获得具有吸引力的回报。随着资本投入规模持续扩大，投资者开始从“AI需要多少算力”进一步转向“这些算力最终能赚多少钱”。

与此同时，安全监管强化也可能带来新的投资机会。Chanana认为，网络安全、AI监控等领域可能因此获得额外需求，而存储、网络、冷却和电力设备等基础设施企业，也可能继续受益于已经启动的项目。

她指出，引入更多安全保障并不会让算力需求和AI应用凭空消失，反而可能使AI产业的发展路径更加审慎、持续。

当然，市场也存在截然不同的声音。以精准预判2008年美国房地产危机而闻名的投资者Michael Burry在X平台发文称，AI行业近期的安全警告可能只是“炒作和虚张声势”，意在掩盖真实且失控的增长放缓。

因此，对于AI产业而言，眼下的核心问题或许已经从“AI还会不会继续发展”，转向了AI巨额资本开支究竟能否持续，以及算力投资何时能够真正转化为利润。这也将决定本轮AI基础设施行情究竟是遭遇一次情绪性回撤，还是进入估值与商业模式重新定价阶段。

本文来自华尔街见闻，欢迎下载APP查看更多

1951年，丰田启动了一项叫做“创意提案制度”的实验。公司要求每一个流水线工人把自己在工作中发现的改进方法提交上来，工人们照做了。

半个多世纪里，丰田累计收到约5000万条改善建议，高峰期每名员工每年提交近50条，近年稳定在每人每年14条左右，丰田生产方式由此成为全球制造业的教科书。

工人愿意交出自己的诀窍，原因很朴素：丰田承诺终身雇佣，人的经验让公司更强，公司保证你的位置。信任先行，知识随后。

2026年，一些中国企业正在要求员工做一件近乎相似的事：把你的工作经验交给AI，包括并不限于整理知识库、编写系统性提示词和Skill、录入判断逻辑、校验AI的输出。

福特当年推行流水线的时候，工人从分散的车间集中到传送带旁边，工作被拆成更细的单元，效率提高了，但没有人被要求把自己的手艺写成说明书交给机器。

AI改造完全不同。它要求每个人主动增加一层额外劳动，为AI准备它需要的上下文，但回报与风险承担却是不确定的。

丰田给了一个承诺，大多数激进推行AI改造的企业什么都没给。

今年7月，福布斯技术委员会发表了一篇文章，标题叫《The Hidden Context Tax That's Killing Your Enterprise AI Agents》，标题就提出了一个概念：

上下文税

研究提出，企业AI系统中因上下文不足或管理不当导致的效率损耗和精度下降，属于一种隐性税负。

这个概念可以往前推一步：上下文税首先是一个组织问题。

企业为了让AI变得聪明，需要员工在本职工作之外额外付出劳动来整理、提交和维护上下文，而这个额外劳动在权利、责任、风险和收益四个维度上全部失衡。

MIT在2025年发布的《The GenAI Divide》报告显示，约95%的企业生成式AI试点未能产生可衡量业务回报，仅约5%进入了生产环境，主要障碍包括工作流脆弱、上下文学习不足和与日常运营脱节。

内在原因并不来自于技术，而是组织关系的重构没有跟上。

95%这个数字的背后，恰恰是一笔没有算清楚的上下文税。

一. 企业焦虑始作

企业作为上下文税的征税方，确实有自己的焦虑与困境。

尤其一些互联网公司推进AI改造的动机是真实的、多层的，很多时候甚至是迫切的。

最表层的是竞争焦虑。

当同行纷纷宣布全员拥抱AI、当股东或投资人在尽调里问“你们的AI战略是什么”、当客户开始用AI产品的效率来比价，不搞AI就意味着在下一轮竞争中丧失位置。

这种焦虑在2026年，已经弥漫到了几乎所有行业。

更实在的动机是解决现实问题。

关键岗位的人才流失率居高不下，核心员工离职意味着经验和客户关系同时消失。如果能把这些经验沉淀到系统里，组织的抗风险能力就能上一个台阶。

对于重复性高、规则性强的工作，AI确实能释放人力去做更有判断力的事。

还有一层不太被公开讨论的动机：管理层需要通过AI改造来证明自己的战略眼光。

AI是当下最大的叙事，推得早、推得快，意味着在董事会和股东面前占据认知高地。

这个动机未必是坏事，但它会让推进的节奏变得更激进，对落地效果的容忍度更低，留给员工适应的时间更少。

这些动机叠加在一起，构成了企业强推AI改造的合理性，但合理的推进动机并不自动解决推进方式上的权利失衡。

企业站在组织效率的角度看到的是“我需要这些经验进入系统”，员工站在个人利益的角度看到的是“系统学会了我的经验之后我会怎样”。

两种视角各自成立，但一些冲突必然会在中间地带发生。

二. 交不出与不愿交

企业的上下文分两种。一种是系统数据，审批记录、CRM字段、ERP凭证，这些可以通过API和连接器打通，技术上有成熟方案。

另一种是人身上的经验，客户为什么翻脸、这笔账通常是哪里出了问题、这份合同的第三条到底在防什么。这些知识不在任何数据库里，只有从业者自己知道。

AI需要第二种上下文才能真正干活。一个Agent看不见行业Know-How，就只能做搬运工，做不了决策者。

许多企业AI改造推到深水区之后，障碍最终总是落在同一个地方：

怎么把人脑里的经验变成AI能用的输入。

交不出来的人至少分三种情况。

第一种是经验本身就是碎片化的、直觉性的。

一个做了20年的老师傅知道一台机器的声音不对劲，但他说不清哪里不对，因为那是身体层面的感知，天然不可编码。

组织学里区分显性知识和隐性知识，不少核心经验属于后者。

第二种是经验发生在线下。

工厂车间、门店现场、面对面的客户谈判、工地上的安全判断，这些场景里的上下文不会自动变成数字信号。

让一个销售把每次客户拜访的谈判策略录入系统，等于要求他做两遍工作。

第三种是AI使用者的能力本身就弱。

总有人不会写提示词，不知道怎么把自己的经验转化成AI能理解的结构化输入，工具用不好，整理出来的东西AI也读不懂。

解决这一点企业可以强推AI培训，但培训解决的是意愿问题，能力缺口需要的是更长时间的适应。

比交不出更棘手的是不愿交。不愿交的理由有两层，每一层都指向制度设计的缺失。

第一层是恐惧。

因为上下文交出去之后，自己变得可替代。何况更多人拓展自身能力以适应新环境的速度，远远追不上交上下文的速度。

上海政法学院教授王倩在今年5月的一篇分析中指出，企业通过让员工“记录工作流程”“进行知识管理”，实际上在提炼员工的工作经验、决策思路和沟通话术，形成标准化的、可复用的技能模块。

这个过程中，企业至少从中获得四重收益：知识留存、效率提升、降低对个体的依赖、形成专属数字资产，但劳动者的贡献没有对应的权利保障。

帝国理工学院和微软研究院联合发表的一篇FAccT论文为这个现象提供了学术框架。论文引用了一个概念：

知识萃取主义

（knowledge extractivism）

研究引用数据殖民理论中的“剥夺式积累”，来描述企业AI系统在权力不对等条件下提取员工隐性知识的过程。

论文甚至指出，AI甚至可以跳过员工主动提交的内容，直接从员工与系统交互的行为模式中推断隐性知识，比如谁和谁经常协作、谁在哪个节点做了什么决策。员工自己都不知道这些信息被记录了。

这往往是一项只有义务没有权利的非对称改造，一个员工花2小时把自己积累十年的客户谈判策略录入系统，系统学会之后所有同事都能用。

但问题是做完这些，录入者什么都没得到，甚至他的不可替代性因此下降了，那他下次一定会提交一份最低限度的东西。

第二层是无激励无保障。

企业AI改造几乎总是自上而下推行，管理层宣布战略，中层传达执行要求，基层被要求配合。

配合的方式就是缴纳上下文税：整理数据、贡献skill、测试跑通、校验输出、维护知识库。

做对了没有额外的奖励，做错了如果因为AI幻觉产生事故反而要承担责任。

今年4月，企业级AI公司Writer联合Workplace Intelligence发布了一份覆盖美欧2400名知识型员工的报告，数据格外刺眼：

29%的受访员工承认自己做过破坏公司AI战略的事，包括私自使用未经批准的AI工具、拒绝使用公司指定的AI产品等。

在1997年之后出生的年轻人群体中，这个比例升到了44%。

与此同时，60%的高管表示计划裁减不会或不愿使用AI的员工。

这种反差本身在说明AI化的激进推进中，一些信任正在面临坍塌。

那些暗中搞砸的年轻员工，与其说是在对抗技术，不如说是在对抗一种只有义务没有正反馈的工作安排。

员工行为分析平台ActivTrak追踪了2023到2025年超千家企业、4.43亿小时的数字化工作行为数据，结论是：

AI落地后，员工的工作量没有减少反而增加了，周末加班增多，协作沟通时长增加34%，多任务处理时间增加12%。

大厂员工的反馈更直接：企业强推AI，实际增加了工作压力，员工不得不为AI的产出擦屁股。

上下文税加上纠错税，总税负不降反升。

三. “降税”路径涌现

认识到问题之后，行业众的一些先行者早已在不同方向来尝试几条差异化的“降税”路径。

第一条路径是让系统数据的打通尽可能彻底，减少员工手动搬运数据的负担。

钉钉完成了上千项核心能力的CLI化改造，飞书支持MCP协议原生接入，WorkBuddy用连接器打通分散在各系统里的结构化数据。

这条路径解决的是系统上下文的税负。效果很直接，飞书产品负责人说不需要手动导出PDF上传、不需要整理上下文，当然它免不掉人脑经验那一层的税。

第二条路径是让上下文的采集嵌入自然工作流，员工不需要做额外的事。

飞书的豆包助手每日自动抽取工作记忆，沉淀为长期资产，钉钉悟空在安全沙箱内继承企业权限，Agent自动读取审批链和协作记录。

更引关注的是Anthropic的产品设计，其在企业端推出的类似于数字工位产品Claude Tag把AI直接部署到Slack频道里。

当对话本身成为上下文，这条路径把显性的上下文税变成了隐性的后台采集。

效率的问题解决了，但伦理问题仍然存在。

无痛采集意味着员工感知不到自己在被提取，系统在后台持续积累组织知识，员工不知道什么被收集了、怎么被使用。

帝国理工和微软的上述论文把这种机制叫做“使用中知识的捕获”，指出它为平台创造了粘性和战略护城河，员工作为知识的生产者，在这个过程中没有任何议价能力。

第三条路径刚刚开始被少数企业探索：建立正向激励机制。

如果员工贡献的经验能被追踪和量化，贡献质量与绩效考核或薪酬挂钩，上下文税就从一种隐性义务变成了一种可定价的交换。

WorkBuddy开放平台的专家中心允许生态伙伴把行业经验封装成AI可调用的专家角色，但价值如何回馈到贡献经验的个体，机制尚未明确。

WPS灵犀的模式是让AI帮用户做到新事情而非做用户已经在做的事情，章庆元强调工作并不等于文档，AI应该从交付内容走向交付结果。

这个思路是减少上下文税的另一条路，如果AI能帮员工打开新的能力空间，员工就不再把贡献经验视为威胁。

帝国理工和微软的论文在对策部分写了一条判断，可以作为这三条路径的校准线，即开发系统时需要考虑一个根本问题：

系统究竟是被开发来帮助用户拓展能力边界的，还是被开发来替代用户当前工作的？

后者会产生强烈的动机去剥夺员工的知识。研究表明最能提升生产力的技术，是那些帮助用户做到新事情的技术。

四. 汹涌“知识圈地”

18世纪的英国圈地运动，地主用篱笆围起了原本属于公共使用的土地，佃农失去了赖以生存的生产资料，被迫进入工厂成为雇佣劳动者。

在那之前，佃农的土地就是他的全部，失去土地意味着失去一切谈判能力。

白领和知识工作者的核心生产资料恰恰是经验、判断力、行业认知、客户关系、谈判策略、对问题的直觉。

这些东西不可复制，正因为不可复制，知识工作者才有议价能力，一个做了十年的销售老法师的不可替代性，往往在于他知道电话什么时候该打、打给谁、说什么。

当企业以AI改造的名义要求员工把这些经验整理成知识库、编码成skill模块、训练成AI可以复用的模型，发生的事情在结构上和圈地运动一样：

生产资料正在从个体转移到组织。

经典的劳资关系里，企业获取的是员工的劳动时间，支付的是工资，剥削发生在劳动成果和报酬之间的差额上。

上下文税的存在，带来了连政治经济学也没层染指的新变化——

企业所觊觎的，不仅是劳动时间和劳动成果，而是劳动者之所以能够产出这些成果的能力本身。

一名销售的谈判策略被AI学会了之后，这个策略仍然在产出价值，但产出价值的主体从人变成了系统，员工原本凭借经验积累获得的不可替代性，随着经验被系统化而逐步丧失。

这就是上下文税和普通的工作负担之间的本质区别。

加班是在消耗人的时间，上下文税是在消耗人的护城河。

更关键是，这个过程发生在严重的信息不对称之下，员工通常不知道自己提交的经验会被怎样使用、会被保留多久、会被谁调用、会在多大程度上降低自己的不可替代性。

前面提到的“使用中知识的捕获”机制，甚至不需要员工主动提交，系统从交互行为中就能推断隐性知识，员工对此完全无感知。

没有知情权、没有议价权、没有分润机制、没有不可替代性的保障。

员工面对这场知识圈地的处境，和失去土地的佃农没有本质区别：

他们正在被要求交出自己最有价值的东西，而回报条款是空白的。

现行劳动法框架下，职务作品和职务发明有明确的归属规则，但“把一个人十年的谈判经验训练成AI可复用的技能库或模型"这件事，不在任何现有法律条文的射程之内。

王倩教授已经在呼吁讨论现行法框架下如何判断此类行为的合法性，世界经济论坛《2025年未来就业报告》预计，到2030年全球约9200万个岗位将因技术变革、绿色转型等因素被替代，其中单独归因于AI和信息处理技术的替代约为900万个。

但对正在被要求交出经验的在职者来说，区分替代的原因并不能缓解焦虑。立法速度能否追赶圈地速度难以确定。

1951年，丰田的工人们之所以愿意提交改善建议，是因为其用终身雇佣回答了“你的经验交出来之后，你能得到什么”这个问题。

2026年，大多数激进推行AI改造的企业中，绝大多数没能回答这个问题。

44%的年轻员工在暗中搞砸AI项目，60%的高管说会裁掉拒绝使用AI的人，但没有高管说过如何保护那些真心教会AI的人。

95%的AI试点失败率，说到底是95%的信任缺口。

知识圈地运动的篱笆已经立起来了，但里面的人还没有被告知他们的地会换来什么。

本文来自华尔街见闻，欢迎下载APP查看更多

近期，市场关于养老理财新一轮扩围的预期持续升温，有消息称，符合监管条件的理财公司正陆续推进资质申报、系统改造和产品准备。

枢纽自业内确认，多家尚未进入养老理财试点名单的理财公司，已经向监管递交相关资质申请，目前，新一批机构资格仍处于审批阶段，尚未有明确批复消息。

“我们也申报了资质，不过目前应该都还在审批中，也没有听说哪家已经拿到批复。”一家股份行理财子人士表示，现阶段尚不便对外披露具体产品安排。

待新一轮机构名单落地，养老理财也将自2023年以来首次迎来实质性产品供给扩容。

三年过去，养老理财面对的市场环境已经明显变化。

早期试点阶段，行业关注的是哪些机构能够获得发行资格；如今，随着养老金融产品持续扩容，竞争已经延伸到产品和投资能力层面。

拿到入场券之后，理财公司还要和保险、公募基金、储蓄国债等争夺同一批长期养老资金。

扩围进入等待期

养老理财试点始于2021年，随后逐步形成10家银行理财子加贝莱德建信理财的“10+1”格局。

政策边界在2025年进一步打开。

2025年10月，金融监管总局发布《关于促进养老理财业务持续健康发展的通知》，将养老理财试点地区扩大至全国，试点机构也由原有名单扩展至符合开业满三年、经营管理审慎、具备较强长期投资和风险管理能力等条件的理财公司。

政策还明确，理财公司同时参与养老理财产品试点和个人养老金理财业务的，新发行养老理财产品可以自动纳入个人养老金理财产品名单。

这为更多理财公司打开了养老理财业务入口，但产品供给并未同步增长。

2021年至2023年，养老理财累计发行51只产品，此后产品数量长期没有增加；截至2026年6月末，前期试点养老理财产品规模超过1066亿元，投资者人数约46.6万人。

对未进入原有名单的理财子而言，新一轮资质批复意味着养老金融产品线进一步补齐。

在传统理财收益率持续下行、行业普遍寻找稳定长期资金的背景下，养老资金期限较长、赎回相对稳定，对理财公司也具备更高吸引力。

不过，资质放开只能解决产品入口，能否真正形成规模，还要回到产品收益和长期投资能力。

抢食养老资金

相比2021年试点初期，如今的养老金融货架已经明显拥挤。

个人养老金制度全面实施后，储蓄存款、商业养老保险、公募基金、理财产品以及储蓄国债等陆续进入个人养老金投资范围，各类机构开始围绕长期养老资金展开竞争。

截至今年6月末，个人养老金基金已达到321只，产品从养老目标FOF逐渐扩展至指数基金、指数增强基金和ETF联接基金等品类。

目前，在售养老年金保险已经达到数百款，同时覆盖专属商业养老保险、个人养老金保险等业务，部分机构还将产品延伸至医疗、照护和养老社区服务。

今年6月，储蓄国债也正式进入个人养老金产品体系。

在这一产品梯度中，银行理财的传统优势仍然是稳健收益和银行渠道，但这一定位正面临新的压力。

今年以来，养老理财收益表现已经有所承压。截至9月11日，今年以来养老理财平均年化收益率约为1.64%，低于全市场理财产品约2.09%的平均水平。

背后的约束来自资产端。

养老理财普遍以债券、存款和非标资产作为主要配置方向，通过较长封闭期限和平滑基金机制降低净值波动。但随着债券收益率中枢下移，高收益非标资产减少，固收类资产提供的收益空间不断收窄，部分产品近期还陆续支取平滑基金回补净值。

目前51只养老理财产品中，债券类资产占比超过五成，非标资产占比约11.9%，公募基金占比约13.6%，权益类资产占比仅约5%。

低权益仓位有利于控制波动，也限制了长期收益弹性。

这让理财公司的能力短板更加突出。

公募基金在权益投资和多资产配置上更成熟，保险机构则拥有长期负债、保障功能和养老服务体系。理财公司拥有银行渠道和庞大的稳健型客户基础，但长期权益投资能力仍在建设之中。

过去，银行理财最擅长的是在存款与基金之间提供相对稳健的收益体验。随着养老金融产品持续扩容，这一中间地带正变得越来越拥挤。

新一轮扩围之后，养老理财的竞争重点也将从资质和产品数量，进一步转向长期资产配置、权益投资、风险控制和客户服务能力。

产品重新上新只是起点。

真正决定养老理财能走多远的，仍是理财公司能否在“稳”的基础上，给出足够有吸引力的长期回报。

本文来自华尔街见闻，欢迎下载APP查看更多

据高盛大宗经纪数据，对冲基金在过去11个交易日中有10次净买入美国TMT股票，过去两周多头买入速度位于近五年的第97百分位，并创下2025年6月以来最高水平。几乎所有TMT子板块均录得净买入，由半导体及半导体设备、互动媒体与服务、IT服务领衔。

然而，周末突发的AI政策争议迅速搅乱了这一势头——Anthropic首席执行官Dario Amodei呼吁放缓前沿模型开发速度，并主张政府介入限制开源竞争对手，特朗普随即拒绝配合。消息冲击下，韩国SK海力士股价下跌6%，软银重挫11%。

高盛交易员Lee Coppersmith在其每周报告中直言："综合来看，这个周末在最糟糕的时间，为刚刚重建的科技多头仓位带来了新的风险。"

高盛大宗经纪数据显示，对冲基金对美国TMT板块的净买入已延续至连续第二周，信息技术与通信服务成为美国所有板块中买入规模最大的两个方向，且均以多头买入为主导，空头流量相对平静。

从两周累计买入幅度来看，此轮多头建仓速度是2025年6月以来最快，在过去五年历史数据中位列第97百分位，显示市场情绪在9月会议密集季开启之际出现了明显的风险偏好回升。

与此同时，对冲基金的杠杆结构也出现微调。美国多空基金总杠杆率下降1.6个百分点至206.9%（处于一年期第20百分位），净杠杆率则上升1.7个百分点至50.2%（处于一年期第6百分位）。基本面多空比率（市值口径）上升2.2%至1.64（处于一年期第26百分位）。

在重仓科技股的同时，对冲基金亦大举净卖出宏观产品（指数与ETF的合并头寸，通常用于对冲单股仓位），卖出规模为去年4月3日当周以来最大，空头销售与多头买入之比高达3.2比1，偏离一年均值逾2个标准差。

美国上市ETF空头头寸单周增幅达7.2%，创六个月来最大单周增幅，环比上升5.2%，主要集中于信用类及小盘股权ETF。尽管本周空头仓位大幅上升，但宏观产品的整体空头敞口仍低于年初至今高点——彼时正值动量交易于6月触顶之际。

此次风波的核心在于Anthropic首席执行官Dario Amodei的最新表态：他主张放缓前沿模型的开发节奏，并呼吁政府出手限制开源模型的竞争。特朗普随后明确表示拒绝介入，双方立场的碰撞令市场对AI监管走向的不确定性骤然上升。

该事件在亚洲市场首先引发冲击，周一亚洲AI股全线下跌，SK海力士跌超6%，软银跌幅更达11%。考虑到对冲基金刚刚以15个月来最快速度重建科技多头仓位，此次争议的时机尤为敏感。Lee Coppersmith的措辞亦印证了这一判断——新建的科技多头仓位在短期内面临的风险正在上升。

展望本周，高盛数据显示，市场当前对9月联储加息的定价概率约为90%，成为宏观日历上的核心事件。上周核心CPI数据的强于预期——被市场解读为"撕掉创可贴"式的加息铺垫。英国央行（周四）与日本央行（周五）亦将相继公布利率决议。

与此同时，周二将举行130亿美元20年期国债拍卖，值得密切关注。在科技多头仓位重建与AI政策不确定性交织之下，市场短期走向的分歧正在加剧。

本文来自华尔街见闻，欢迎下载APP查看更多

据杰富瑞（Jefferies）于9月14日发布的追踪报告，自9月12日美东时间上午8时开启预购以来，美国、英国、德国、日本四大市场的iPhone 18 Pro Max交货等待时间较去年同期缩短5至11天；18 Pro在除香港以外的所有追踪市场等待时间亦大幅缩短，美国甚至已无需等待。分析师认为，在生产节奏与上一代基本持平的前提下，等待时间缩短是需求偏弱的可靠信号。杰富瑞维持苹果"跑输大市"评级，目标价263.66美元，较当前股价332.27美元隐含约21%的下行空间。

中国大陆及香港市场是此次预售的例外——18 Pro Max在两地的等待时间分别较去年延长4天和7天。但杰富瑞分析师同时指出，这两个市场历来存在较高的投机性抢购活动，真实需求是否可持续，需待9月18日首批发货后通过二手转售价格走势加以验证。

杰富瑞团队对美国、英国、德国、日本、中国大陆、香港六大市场的交货等待时间进行了系统追踪，并于今年新增印度市场，但同比比较仍以原有六个市场为基准。

以9月14日美东时间中午的数据与去年同期iPhone 17系列对比：18 Pro Max在美国、英国、德国、日本的等待时间分别比17 Pro Max缩短5至11天不等；18 Pro在美国已无需等待，其他多数海外市场等待时间亦缩短1至11天。

去年iPhone 17 Pro Max与17 Pro的等待时间明显长于16系列，最终被证明是强劲销售的可靠前瞻指标。今年数据的逆转，令分析师对18 Pro系列的销售前景持审慎态度。

印度市场方面，18 Pro等待时间仅2至3天，18 Pro Max约为12天，两者均显著短于中国市场，尚难判断为强劲需求。

中国大陆和香港是此次预售追踪中的异类。数据显示，18 Pro Max在中国大陆的等待时间达24.5天，香港亦为24.5天，均高于去年同期的19.8天和17.2天。

然而，杰富瑞对上述数据持保留态度。报告指出，两地历来存在较活跃的新机投机性抢购行为，部分等待时间拉长可能源于渠道囤货而非终端真实需求。分析师认为，9月18日开始发货后，二手市场的转售溢价走势将是检验真实需求的关键指标——溢价收窄甚至跌破发行价，将意味着投机需求在释放后迅速消退。

苹果折叠屏新机Duo将于10月16日开启预购，目前网络上流出的初步评测整体偏正面，但亮点主要集中于iOS系统的折叠屏适配体验，包括内外屏切换流畅度、原生分屏逻辑、应用连续性以及双应用多任务处理等。

批评意见则指向硬件层面的多项短板：浮动窗口数量有限、多任务同时运行上限为两个应用（三星Galaxy Z Fold 8可支持三个），以及缺乏类PC功能。

与旗舰安卓折叠屏的规格对比更为直观。

据杰富瑞整理的规格对比表，Duo起售价1999美元，机身重量254克，厚度（折叠态）11.3毫米；三星Galaxy Z Fold 8重201克，折叠厚度9.7毫米，起售1899美元；小米18 Fold重219克，折叠厚度10.68毫米，起售约合人民币10999元。

摄像头方面，Duo仅配备48MP主摄加48MP超广角两颗镜头，无专属长焦；三星同样为双摄，而小米18 Fold则搭载含200MP徕卡主摄及50MP 3.5倍光学变焦镜头的三摄系统。处理器方面，Duo搭载苹果自研A20 Pro（2nm制程），三星和小米均采用3nm制程芯片。

杰富瑞分析师指出，苹果历来并非依靠硬件规格赢得市场份额，但在逾2000美元的价位段，硬件参数可能成为现有iPhone用户是否升级至Duo的重要考量，同时也将增加说服高端安卓折叠屏用户转换阵营的难度。分析师表示，对Duo的整体判断自发布以来未有改变。

杰富瑞维持苹果股票"跑输大市"（Underperform）评级，12个月目标价263.66美元，基于至2031财年的DCF模型测算，采用7.8%的加权平均资本成本及4.3%的永续增长率。目标价对应2026财年预期市盈率约30.0倍。

本文来自华尔街见闻，欢迎下载APP查看更多

最新、也是增量最大的变量来自美国：财政部长贝森特反复声称日本央行在“下一步动作”上存在“不对称信息”，对植田和男的独立性构成空前压力。与此同时，首相高市早苗倾向再通胀与低利率，其阵营可能通过经济财政政策大臣木内登英向央行施压。

直接的市场影响已经显现：日元过去一周快速升破153、回到2月以来最高，10年期日债收益率升至30年最高。但分析人士指出，日元的快速升值反而给了植田和男“少鹰”的政治掩护——汇率已替他完成了部分工作。

更微妙的是，日本当局7月和8月刚与美国合作进行了960亿美元的汇市干预。市场将逐字审视本次声明与记者会措辞，任何失误都可能重新引爆套息交易的快速平仓。

贝森特的“不对称信息”与华盛顿的介入

贝森特对日本央行的施压已从幕后走向公开。他反复声称日本央行在“下一步动作”上存在“不对称信息”，这一表述对植田和男的独立性构成空前压力。FT报道指出，华盛顿愿意看到日本利率更高，且似乎越来越自在地介入东京的货币政策事务。

长期关注日本的经济学家Richard Katz表示：“植田面临很大压力，因为这是那种时刻——市场的大幅波动更多与市场情绪对基本面的解读有关，而非基本面或政策本身的变化。”他补充说，植田在2023年出任行长前是学者出身，并不以沟通见长。

市场将仔细审视日本央行的声明与植田的发言，以判断这次决定究竟多大程度基于稳定通胀的需要，多大程度基于维持日元上行动能的职责。

高市阵营与政策委员会的内部分歧

日本国内的政治压力同样不容忽视。高市早苗倾向再通胀和低利率，其政策偏好与华盛顿的方向直接对冲。关键人物是经济财政政策大臣木内登英——他将出席本次央行议息会议，其表态将在后续公布的会议纪要中出现，可能透露出高市阵营对货币政策的看法，或是对放缓未来加息节奏的施压。

植田和男还面临政策委员会内部的扰动。7月议息时央行选择按兵不动，委员高田创投票支持加息；本月高田创又公开暗示，央行应考虑更激进的措施以保持领先，例如更快或更大幅度的加息。日本央行上次加息是6月升至1%，若周五如期加息，将明显快于此前“每半年一次”的正常化节奏。

日元急升与日债收益率：双刃剑

日元在过去六周大幅震荡，10年期日债收益率升至30年最高。货币分析师警告，日本央行一旦走错一步、或行长传递的信息不被接受，可能重新引爆“套息交易”的快速平仓。

但另一面，日元过去一周升破153、回到2月以来最高、且超出此前干预所达到的水平，分析人士称这反而给了植田和男“少鹰”的政治掩护。日本央行与植田最大的恐惧，是行动过猛把日本经济重新推回通缩——那是日本花了数十年才摆脱的困境。

Katz指出，尽管2.3%的整体通胀高于央行2%的目标，但需求驱动的通胀仍然疲弱、实际工资增长低迷。“日本面临滞胀，”他说：

“这对任何央行都很棘手，我怀疑市场未必乐于听到植田强调这些两难。”

汇市干预后，协调空间收窄

日本当局7月和8月在美国合作下进行了960亿美元的汇市干预，以支撑当时跌至近40年低点、逼近164兑1美元的日元。联合干预缓解了贬值压力，但也带来新的约束：市场会判断这次加息是出于稳定通胀，还是出于维持日元动能。

花旗驻东京首席外汇策略师Osamu Takashima表示：“植田会尽量不让市场意外……市场正变得脆弱。”高盛资深经济学家Tomohiro Ota则认为，市场虽开始定价9月、10月连续加息的加速路径，但除非通胀显著超预期，这种结果不太可能出现。分析师还关注“金融条件保持宽松”这一措辞是否会在加息后依然保留。

市场焦点将落在9月17—18日会议的声明措辞与植田和男的记者会上；同日公布的日本8月全国CPI（预计同比2%）将提供新的通胀线索。

本文来自华尔街见闻，欢迎下载APP查看更多

高盛合伙人Mark Wilson在其最新一期《Weekly Mash》中指出，美股自二季度大涨后陷入横盘，三重阻力正在压制市场：中期选举历史规律、量化机器仍满仓做多、能源-债券-股票三角绞杀。Wilson同时看好四个方向：AI基础设施龙头、大宗商品及相关股票（尤其铜）、德国股市、大型银行。

三重阻力：哪些东西挡在前面

阻力一：中期选举的历史魔咒

Wilson援引1974年以来的历史数据：从每年8月初到中期选举，美股中位数回报率为0%。

他坦承没人能确定这个规律究竟有多大效力，但他的判断是："这个数字被引用得足够频繁，市场已经在按它交易了。"

阻力二：聪明钱撤了，机器没撤

对冲基金在夏季已完成降仓，整体敞口处于过去一年的中等水平，选股型基金仓位更轻。

但Wilson指出，这对指数意义不大——对冲基金去风险时，往往同时砍赢家和输家，对市场方向影响有限。

真正的隐患在别处：趋势跟踪基金和波动率目标策略仍接近满仓做多。"这些资金不会自我对冲，它们只会在价格下跌时卖出。"Wilson写道。

阻力三：能源-债券-股票的三角绞杀

Wilson将这一问题定性为"当前市场内在关联最紧密的核心矛盾"，逻辑链条清晰：地缘政治推高油气价格→油气价格推高债券收益率→债券收益率压制股票估值。

他称这是"书里最难解的问题"，并指出收益率已经走了很长一段路。

本周的最新进展：特朗普表示伊朗问题将延续至中期选举之后——Wilson将此解读为"各方开始像成年人一样谈判的前提条件"。目前阿曼及海湾国家将与伊朗就霍尔木兹海峡通行问题展开会谈。高盛已再度上调油气价格预测。

天然气价格方面，Wilson指出，"迫使亚洲减少消费、为欧洲释放供应的价格水平已基本达到"，价格已突破3月高点。但欧洲仍将以历史低位库存进入冬季。

Wilson强调，前两重阻力会随时间推移或价格回调自行化解，但能源-收益率这个死结"不会在11月到期"。

四大布局方向

方向一：AI基础设施——故事没完，估值先到位了

Wilson认为，今年晚夏回头看或许是又一个拐点：更多模型涌现、GrokBot病毒式传播、"可交付AGI"再度提速。

但他对AGI叙事不感兴趣，他盯的是资本开支。"基本面持续走强"，他写道，并列举了一系列数据支撑：Oracle最新财报、微软宣布六年内将数据中心容量扩大三倍、英伟达再度上调市场规模预期、SpaceX今年销售额有望突破1000亿美元并计划2027年建设轨道数据中心。

"巨头们正在更大的基数上加速。"

英伟达目前对应2028年盈利的市盈率为10.3倍。

Wilson的理想入场条件是：收益率停止攀升，日历翻篇，市场得以展望2028年，届时龙头股将再度启动。

方向二：大宗商品——人人在讨论货币，没人在做第一顺位的交易

Wilson表示，在当前高名义增长、财政前景恶化、货币贬值担忧以及大宗商品驱动的通胀压力并存的环境下，他对市场缺乏对大宗商品及相关股票的关注感到"意外"。

"我对能源板块兴趣不大，但对金属板块仍有极大信心。"他写道，并特别点名铜："铜的交易表现尤为出色，而相关股票在缺乏增长性资本开支、供应稀缺性日益明显的背景下，估值依然没有重估。"

他的判断直白：评论界在写美元崩溃的长篇大论，而铜坑才是真正的交易。

方向三：德国股市——你以为你讨厌的那个市场，其实不是你想的那样

市场对德国的刻板印象是：工厂腐朽、汽车和化工被中国蚕食。

Wilson用数据拆解这一叙事：汽车和化工在德国股票指数中的占比分别仅为5%和7%，德国本土业务仅占DAX指数销售额的20%。

与此同时，德国正推进大规模财政刺激，高盛预测2027年德国企业盈利增速达17%，DAX指数的构成已向国防、电气化、AI和科技倾斜，而当前估值仅为15倍市盈率。

Wilson点出了一个关键催化剂："德国股票最大的卖家是德国储蓄者，而养老金改革即将把他们变成买家。"

方向四：大型银行——终于有了一个不只靠利率的成交量故事

Wilson将高盛Richard Ramsden关于美国银行业的研究报告列为"必读"。核心数据：资本市场手续费收入从2010年到2019年每年下降约1%，但从2019年到2026年以每年11%的速度复合增长。剔除AI相关业务的峰值影响，Ramsden仍测算出4%的年增速，并将其定性为"可持续"。

Wilson还指出，AI相关融资需求可能将业务从精品投行拉回到有资产负债表支撑的大型银行。

"十五年的严监管正在退潮——除非民主党在11月横扫。"他写道。

核心争议在于：这样的高股本回报率能否持续。

本文来自华尔街见闻，欢迎下载APP查看更多

9月13日，据The Information报道，在截至今年7月的本财年上半年，英伟达有三家客户各自贡献了超过10%的总营收，三者合计占比达44%。而在上一财年，这一数字是两家客户占36%。再往前追溯至FY2023，英伟达没有任何一家客户的占比达到10%。

这一变化的背后，是英伟达数据中心业务的爆发式增长——该业务营收从FY2023的约150亿美元，飙升至上一财年的1937亿美元，且今年有望再度翻倍。业务越大，对头部客户的依赖也越深。

谁是那三家大客户？

英伟达并未在公开文件中点名这三家客户，但The Information的分析指出，其中可能包括戴尔（Dell）或鸿海科技（Hon Hai Technology）——两者均将英伟达芯片集成进服务器后转售给其他企业。

戴尔近期披露，其"AI优化服务器"第二季度营收同比翻倍至164亿美元，带动整体营收增长58%；鸿海上半年营收也同比增长35%，AI设备销售是主要驱动力。

另一方面，英伟达首席财务官Colette Kress今年2月表示，五大云厂商及"超大规模计算"客户——这一表述可能涵盖Meta和SpaceX——合计贡献了数据中心营收的50%以上。

微软、Meta和SpaceX均被视为英伟达的重要买家，三者都在大规模建设AI数据中心。谷歌和亚马逊同样大量采购英伟达芯片，但由于两者也在大量使用自研AI芯片，因此不太可能跻身英伟达最大客户之列。

自研芯片的隐忧

客户集中度上升本身已是风险，而这些大客户同时也在自研芯片，令问题更加复杂。

微软、Meta和SpaceX均在推进自研AI芯片计划。一旦自研芯片成熟，这些客户对英伟达的采购需求可能逐步下降。

这也解释了为何英伟达CEO黄仁勋近年来持续向新兴云服务商（neocloud）和AI企业投资布局——CoreWeave、Nebius等均是英伟达的投资对象，也是其芯片的重要买家。

做空大师Michael Burry——因精准预判2008年次贷危机而声名大噪——近几个月也公开将英伟达客户集中度上升列为重大风险之一。

应收账款激增，付款期限拉长

客户集中的问题，在英伟达的财务数据中还有另一个维度的体现。

英伟达今年7月披露，其应收账款余额的70%来自五家客户。相比之下，今年1月这一比例是三家客户占56%，而在FY2025年末，则是两家客户占33%。

应收账款余额本身也在快速攀升。英伟达8月底披露，上半年应收账款余额跳涨64%至630亿美元，原因是"对部分投资级大客户的大型多季度协议给予了延长付款期限"。

英伟达已将付款期限从上一季度的45天延长至60天。但在同期的证券文件中，公司表示未来可能进一步延长：

"客户付款通常在产品交付后不久到期。在某些情况下，针对投资级客户的采购，我们已经并可能在未来提供更长的付款期限，从90天到最长一年不等，以协助客户完成大型数据中心建设。"

付款期限拉长，意味着英伟达单季度实际收到的现金减少，同时也使其财务状况与大客户的信用状况更紧密地绑定在一起。

向海外和新兴客户扩张

面对集中度上升的压力，英伟达正在加速拓展新客户。

本周，英伟达将多家澳大利亚企业纳入其"AI工厂"（AI Factory）计划，向这些建设和运营数据中心的企业提供芯片及网络设备。今年早些时候，英伟达也在印度和亚美尼亚推进了类似项目。

这一系列动作，是英伟达在美国头部买家之外，积极培育主权客户和新兴云服务商的组成部分。

本文来自华尔街见闻，欢迎下载APP查看更多

据英国《金融时报》9月13日消息，知情人士透露，这家Claude大模型的开发商已告知部分股东，本季度调整后营业利润将连续第二个季度实现正值，标志着这家成立五年的AI独角兽在冲刺IPO前完成了一项重要的里程碑。与此同时，Anthropic已选定纳斯达克作为上市地点，此次IPO估值或达2万亿美元乃至更高。

在财务数据层面，Anthropic的表现颇具说服力。据报道，知情人士透露，该公司毛利率在扣除与亚马逊等分销合作伙伴的收入分成及模型训练成本之前已超过80%；第二季度营收同比激增14倍至115亿美元，截至7月底年化营收已达650亿美元，较去年底的90亿美元大幅跃升。投资者预计，Anthropic年底年化营收将达1200亿美元，2027年底有望接近这一数字的三倍。

然而，上市之路并非坦途。就在IPO前夕，Anthropic首席执行官Dario Amodei公开呼吁AI行业放缓能力提升的步伐，这一表态与OpenAI及马斯克的立场形成共鸣，也令潜在投资者不得不重新审视AI安全监管趋严对公司成长路径的潜在影响。

连续盈利，财务里程碑意义重大

据报道，多位知情人士透露，Anthropic已向一小部分股东披露，本季度调整后营业利润将为正值，这是该公司连续第二个季度实现这一指标。该指标剔除了股权激励等非现金成本。

这一成绩对于一家正在冲刺IPO的前沿AI公司而言意义深远。外界长期以来对AI大模型公司的核心质疑之一，正是其高昂的算力投入与持续的现金消耗能否转化为可持续的商业回报。Anthropic此番连续盈利的披露，直接回应了这一疑虑。

SemiAnalysis分析师Joey Brookhart表示：

"如果Anthropic能够持续保持这样的利润率和增长速度，竞争对手将极难追赶，因为他们已积累了大量算力资源。"

估值或达2万亿美元，纳斯达克敲钟在即

报道称，知情人士透露，Anthropic已选定纳斯达克作为上市地点，此次IPO的潜在估值为2万亿美元或更高。该公司目前估值约为9650亿美元。

在上市流程方面，Anthropic原本预计上周公开招股说明书，但据知情人士透露，公司目前选择先向一小部分投资者分享相关文件并接受问询，之后再行公开披露。这一安排意味着正式上市时间表仍存在一定弹性。

相比之下，竞争对手OpenAI虽已于6月秘密提交IPO文件，但其首席执行官Sam Altman周六向《财富》杂志确认，OpenAI今年将维持私有化状态，并称2026年上市将是"不明智之举"，理由是当前AI安全领域的争议尚未平息。

行业集体呼吁放缓，安全隐忧笼罩上市前景

就在Anthropic冲刺上市的关键时刻，一场罕见的行业内部对话正在悄然改变外部舆论环境。

报道称，知情人士透露，近几周来，多家前沿AI实验室的员工一直在私下密切沟通，讨论如何安全管理AI开发进程。这些对话在竞争激烈的行业中极为罕见，其背后的推动因素包括：近期发生的安全漏洞事件、研究人员对新一代AI模型能力的日益不安，以及对特朗普政府不太可能主动为技术发展踩刹车的普遍认知。一位前沿实验室员工直言："我们只能靠自己了。"

这些私下沟通最终为Amodei与Altman本周公开表态奠定了基础。Amodei在周六发表的一篇文章中明确表示，AI行业"必须放缓提升AI模型能力的步伐"，理由是新模型的强大能力已引发广泛警觉。这一立场随即获得Altman及马斯克的公开呼应。

分析认为，这一表态带来了双重解读空间：放缓开发节奏固然可为Anthropic节省数十亿美元的模型训练成本，但也可能给竞争对手提供缩小差距的窗口。如何在安全监管压力与商业竞争之间寻求平衡，将是Anthropic上市后面临的核心叙事挑战之一。

本文来自华尔街见闻，欢迎下载APP查看更多

据Politico最新报道，游说人士已开始为行业高管可能面临的国会调查或传票做准备。民主党人已就委内瑞拉石油协议、数据中心监管及核能机构独立性等议题公开表态，释放出明确的政策信号。

美国银行策略师Michael Hartnett此前警告，若民主党全面横扫，市场将面临大幅抛售。上述政策预期的升温，正在为投资者提供一个提前评估潜在风险敞口的窗口。

委内瑞拉石油协议：国会调查箭在弦上

特朗普政府近期促成了一项由美国主导、涉及17个委内瑞拉油田的协议，相关探明储量最高达650亿桶。根据白宫情况说明，该协议将与私营石油生产商North American Blue Energy Partners合作，美国政府将获得该公司委内瑞拉产量20%的优先购买权，并对剩余80%享有优先购买选择权。

协议中尤为敏感的一点是：美国国防部战略资本办公室将持有这家非美国石油公司35%的股权。这一安排已引发民主党人的强烈反弹。参议员Chris Van Hollen（D-MD）在社交媒体上直言："说清楚：这不是什么胜利。"

众议员Debbie Wasserman Schultz（D-FL）在8月赢得初选后明确承诺，若当选将协助民主党阻止该协议推进。夺回众议院意味着民主党将掌控委员会议程设置权与传票权，届时相关能源交易——尤其是涉及政府持股的安排——将成为调查的核心目标。

核能监管：支持扩容与机构独立性之间的张力

电力需求的快速增长正推动民主党整体向支持扩大核能产能的方向移动。伊利诺伊州长JB Pritzker今年早些时候签署指令扩大该州核电规模，新泽西州长Mikie Sherrill签署法案要求到2028年提升核电比例，多项核能法案也获得两党联署支持。

然而，特朗普政府对核管理委员会（NRC）的一系列改革举措已成为潜在的政治摩擦点。白宫于2025年解除了时任民主党委员Christopher Hanson的职务，引发民主党对NRC独立性的强烈批评。此外，行政当局提议通过能源部和国防部为非商业反应堆发放许可证，以及设立NRC指导委员会赋予白宫更大影响力，均遭到民主党议员的质疑。

预计将出任众议院能源与商业委员会主席的Rep. Frank Pallone（D-NJ）今年早些时候已就NRC独立性问题公开表态。一旦民主党掌控众议院，NRC监管框架的国会听证将大概率提上日程，核能行业的许可证审批节奏或因此受到干扰。

数据中心：环保与电网成本压力双重收紧

民主党并未形成支持暂停数据中心建设的统一立场，但若夺回众议院，预计将对行政当局施压，要求建立更严格的环境与监管保障机制。据《纽约时报》报道，前总统奥巴马曾敦促众议院少数党领袖Hakeem Jeffries就人工智能政策构建清晰的公共讨论框架，并建议2028年总统候选人将人工智能列为核心议题。

在立法层面，《电费支付者保护法》（H.R. 9340）已获众议院能源与商业委员会全票通过，该法案要求各州考虑建立联邦标准，确保数据中心承担其设施所需电网升级的相关费用。但包括Pallone在内的部分民主党人认为该法案力度不足。Pallone在9月3日的委员会听证中再次呼吁设立"真实、实质性的护栏"以限制环境影响，并支持在缺乏此类保障的情况下暂停新数据中心建设，但尚未提交相关立法。

Rep. Alexandria Ocasio-Cortez（D-NY）6月提出了众议院版本H.R. 9442，与参议员Bernie Sanders（I-VT）发起的参议院法案S. 4214相呼应，但两项法案目前均无共和党联署议员。数据中心运营商及相关基础设施投资者需密切关注选举结果对上述立法走向的潜在影响。

本文来自华尔街见闻，欢迎下载APP查看更多

AI行业正在经历一场罕见的集体“自省”。Anthropic CEO Dario Amodei上周六发文呼吁“全球放缓AI开发”，马斯克、Sam Altman相继公开背书。就在这一背景下，9月14日，微软CEO Satya Nadella在X平台发文表态，明确支持“有意识地控制研发节奏”以推进对齐研究，并宣布微软将于明日发布旗下MAI模型的首份“行为准则”（Code of Conduct），开放公众咨询。

这是微软首次将自身第一方AI模型的行为标准以文件形式公开。

与此同时，据知情人士向The Information透露，Anthropic、OpenAI和谷歌已经在讨论合作成立一个人工智能（AI）行业标准机构。OpenAI首席执行官Sam Altman在一次员工大会上表示，他支持成立一个面向人工智能行业的测试和审核机构。

纳德拉划定红线：不受人类控制的AI“不值得追求”

Nadella在帖文中开门见山：“对超级智能的任何追求，都必须建立在一个核心原则之上——如果我们构建的AI无法帮助人类、无法受人类控制，那就不值得去追求。”

他同时强调，AI的红利必须广泛扩散，“惠及各国、各社区和各类企业”，而非集中于少数玩家。他认为，这需要一个开放与封闭模型均能共存的前沿生态系统。

对于企业层面，Nadella的立场同样明确：“企业必须完全掌控自身独特的、隐性的知识。每个组织都应能够构建自己的持续学习循环，而不必依赖任何单一模型提供商，并有能力将自身知识嵌入其所控制的模型和权重之中。”

微软的三层路径：开放接入、企业自控、行为准则公开

Nadella在帖文中概括了微软的具体行动框架，分为三个层面：

第一，在AI技术栈的每一层提供广泛的接入与选择权；

第二，确保企业对自身学习循环和模型的完全控制；

第三，发布MAI模型的"行为准则"，供公众咨询。

他表示，微软欢迎“为实现对齐目标所需的研究、专注与审慎节奏”，也欢迎“嵌入式评估员”等机制性构想，“让这一切不只停留在口头”。

Amodei上周六在其博文中提出，各大AI公司应向Model Evaluation and Threat Research等外部评估机构提供与员工相同级别的系统访问权限，Anthropic已承诺落实这一步骤，Altman随即表示OpenAI将跟进。

治理去中心化：不能由少数实体说了算

Nadella对当前AI治理格局提出了明确警示。

他写道：“关键在于，这不能由少数实体控制，而必须在生态系统、各国、各领域之间拥有广泛代表性，包括学术界。”

这一表态，与当前行业内部正在推进的标准机构讨论形成直接呼应。据知情人士向媒体透露，Anthropic、OpenAI与谷歌自今年7月起已组建工作组，由三家公司CEO级别以下的代表定期开会，讨论建立行业标准机构的方案，最近一次会议就在上周。

Sam Altman本周在OpenAI全员大会上表示，他支持建立一个AI行业的测试与审计机构，但认为“各大实验室必须自行推动，不能依赖美国政府的支持”，据一位知情人士透露。他还表示，目前行业内尚未形成足够共识，部分公司持反对态度，“最好的路径是与其他实验室一起推动”。

白宫行政令搁浅，行业自律成主线

政府层面的推动目前已陷入停滞。据The Information此前报道，白宫曾流传一份行政令草案，拟建立类似FINRA（美国金融业监管局）的AI自律机构，但该方案在今年夏末因未能在特朗普政府内部获得足够支持而搁浅。

前白宫AI事务负责人David Sacks一直公开反对建立类FINRA的AI监管机构，认为不应引入政府介入。据Politico报道，Meta CEO Mark Zuckerberg也在8月与特朗普的通话中表达了对建立全国性AI监管机构的担忧。

Sacks在X平台上表示，AI公司可以直接推进安全工作，“不需要反垄断豁免来进行协调”。但他同时质疑放缓开发是否“纯粹出于利他动机”，指出产品责任风险本身已为防止AI造成伤害提供了财务激励。

行业内部也有批评声音。Cohere CEO Aidan Gomez在X平台发文，对最大的AI公司协调制定可能限制小型竞争对手的规则表示担忧，直接写道：“这里有来自卡特尔的好主意。”

本文来自华尔街见闻，欢迎下载APP查看更多

9月14日早间，广汽集团紧急停牌。据上交所上交所停复牌信息显示，广汽集团因重要事项未公告，9月14日全天停牌。

广汽集团方面人士回应华尔街见闻，广汽集团将根据交易所规则披露相关公告，具体信息请见今天收市后的公告。

另有广汽投资者关系处人士表示，停牌比较临时，预计盘后会有重大公告。

有市场消息称，一汽与广汽或将战略重组。广汽方面未对这一传闻做出正式回应。

汽车行业的兼并重组，近期被主管部门再次提及。9月11日，在工信部举行的新闻发布会上，国家发展改革委产业发展司副司长邵稷表示，将支持大型企业集团开展改革，按照市场化原则依法推进企业间兼并重组，支持骨干企业整合研发、生产资源，减少产品设计、技术研发的同质化竞争。

这番表态还包括鼓励各类企业发挥自身特点、深耕不同细分市场，形成差异化竞争，推动产业提高质量和效率。

一汽集团总部位于长春，是国务院国资委监管的汽车央企。其业务横跨乘用车和商用车，旗下拥有红旗、奔腾、解放等自主品牌，以及一汽-大众、一汽丰田等合资企业。

根据一汽公布的数据，2025年其整车销量突破330.2万辆，同比增长3.2%。其中，合资品牌销量为236.2万辆，自主品牌销量突破94万辆，自主新能源汽车销量突破36.6万辆。合资业务仍占据其销量的大头。

广汽则在上海、香港两地上市，控股股东为广汽工业集团。旗下既有传祺、埃安、昊铂等自主品牌，也有广汽丰田、广汽本田两家主要合资车企，与华为合作的启境品牌首款车型GT7已于今年上半年实现量产。

广汽面临产能消化压力。根据2025年年报，广汽传祺、广汽埃安的产能利用率分别为46%和54%，广汽本田为59%，广汽丰田为76%。自主品牌与合资板块的产能利用情况存在明显差异。

近两年，广汽正在推进内部改革。按照半年报披露，公司推动自主品牌一体化运营，打通研发、生产、供应链、销售与服务环节，并设立昊铂埃安、传祺、动力总成等事业单元。

今年上半年，广汽汽车销量为77.31万辆，同比增长2.35%，其中自主品牌销量34.60万辆，同比增长35.69%。销量回升的同时，盈利仍承压：公司同期归母净亏损44.67亿元，上年同期为亏损25.38亿元。

本文来自华尔街见闻，欢迎下载APP查看更多

据英国《金融时报》报道，特朗普周日在爱尔兰Doonbeg高尔夫球场对记者表示，"我们在AI领域领先……坦率地说，我希望保持这一局面，因为谁赢得AI，谁就赢得一切。"他承认可以设置一些"护栏"，但同时将安全警告定性为"负面力量"在炒作"不会发生的事情"。

此番表态直接回应了Anthropic首席执行官Dario Amodei、OpenAI的Sam Altman以及埃隆·马斯克在同一周末联合发出的放缓开发呼吁，也令AI监管问题在美国政界骤然升温。

这场争论对市场的影响不容忽视。特朗普政府的强硬立场意味着美国短期内大规模AI监管立法的可能性大幅降低，科技巨头的研发投入节奏预计不会受到政策层面的强制约束。与此同时，两党在监管路径上的分歧加深，也令相关立法前景更加不确定。

安全警告触发行业震动

此轮争议的导火索，是Anthropic前研究员Jacob Coxon的辞职声明。Coxon警告称，"正在构建AI的人们真诚地相信，它可能在本十年结束前杀死我们所有人。"他表示，开发相关系统的员工对人类的未来"真的感到恐惧"。

Amodei随即于周六发表长文回应，呼吁行业"必须放缓提升AI模型能力的步伐"，并提出三项具体措施：引入第三方评估机构对前沿公司进行监督、建立行业安全标准，以及推动全球规则协调。Altman与马斯克随后公开表态支持上述提案。

Amodei同时强调，任何放缓都必须有所限度，以避免让竞争对手获得超越的机会——这一表述折射出行业内部在安全与竞争之间的两难困境。

特朗普政府：自律优于监管

面对行业呼声，特朗普政府的回应是将球踢回给企业自身。

特朗普前AI事务主管、现任总统科学技术顾问委员会成员David Sacks在X平台发文，直接向科技公司喊话："停止假装你们需要任何人的许可。""你们就是在设定前沿，去推进它吧……以你们偏好的监管框架作为条件，看起来就像是在勒索公众和政治体系。"

众议院议长、共和党人Mike Johnson呼吁不要"恐慌"，并警告称，若国会仓促推进AI监管，"我们将输掉这场竞赛，这对每一个美国人都是威胁"。他同时表示，需要在国家安全与模型安全之间寻求平衡，并呼吁科技公司高管与国会议员在白宫举行会面。

民主党施压，两党分歧加深

民主党人则对共和党的回应发起猛烈抨击。亚利桑那州参议员Ruben Gallego指责Johnson和特朗普"没有应对这一时刻"，并反驳称，"一旦AI真正变得危险，它不会在乎我们是美国人还是其他国家的人。"

在佐治亚州雅典市的竞选集会上，民主党参议员Jon Ossoff批评特朗普的回应，并指责科技巨头一边警告人类灭绝，一边挖掘"地堡"。他呼吁总统"迅速行动，向前沿实验室派驻检查员，要求国会立法，并领导世界达成AI条约"。

众议院少数党领袖Hakeem Jeffries则表示，共和党人"放弃了自己的责任"，并呼吁国会"立即采取果断行动"，放缓AI开发步伐以保护美国民众。

值得注意的是，两党之间并非毫无共识。据报道，一批民主党和共和党众议员已于7月联合提出《前沿法案》（Frontier Act），寻求建立全国性AI安全与监督框架。该法案联合作者、马萨诸塞州民主党众议员Lori Trahan在X平台写道："安全研究人员正在辞职，强大的AI模型正在突破实验室的限制，而各公司仍在竞相推进。国会是时候走下场外，履行职责了。"

国际协调悬而未决

在国际层面，AI安全问题同样面临协调难题。据报道，特朗普与其他大国领导人此前已就AI护栏问题进行过初步讨论，并同意建立相关对话机制，但迄今尚未产生任何高层实质性会议成果。AI安全倡导者寄望于即将到来的领导人峰会能够推动进一步磋商。

Coxon在欢迎Amodei提案的同时，也强调需要"更多与其他国家的接触"，并将构建超级智能比作"召唤一个外星物种"。他表示，"把它想象成一种我们并不完全理解的外星思维——这确实相当令人恐惧。"

目前，特朗普政府的立场已基本明确：在AI监管问题上，竞争逻辑优先于安全逻辑。这一取向将如何影响美国AI产业的发展轨迹，以及国际社会在AI治理上能否形成有效协调，仍是市场持续关注的核心变量。

本文来自华尔街见闻，欢迎下载APP查看更多

9月13日，据The Information援引知情人士报道，Anthropic已与Rum Group签署一份为期六年、总价值137亿美元的算力租赁协议。

Rum Group前身为保守派视频平台Rumble，其早期投资者包括Peter Thiel和现任美国副总统万斯（J.D. Vance），平台同时承载特朗普的Truth Social及白宫官方直播。这笔交易令Anthropic与特朗普政治圈的关联更加直接。媒体常将该公司称之为 “Trump-linked”（特朗普关联）公司。

协议签署后，Anthropic的算力采购总量将进一步扩大。据此前报道，Anthropic过去一年已与谷歌、SpaceX及Nscale等多家云服务商签署协议，累计算力容量至少达148亿瓦，总成本在未来十年内最高可达5170亿美元。

数据中心尚在建设，融资缺口待解

此次协议的核心资产，是Rum Group位于佐治亚州Maysville、目前仍在建设中的数据中心。

该设施拥有120兆瓦的电网接入权，并有望扩容至180兆瓦——这在当前算力资源紧张的市场环境下属于稀缺资源。Northern Data此前曾表示该设施将于今年底投入运营，但目前时间表是否仍然有效尚不明确。

问题在于，Rum Group目前并没有足够的钱来完成这个项目。

Rum Group在8月的证券文件中明确表示，公司"尚无资金"用于数据中心建设及GPU等设备采购，预计将通过增发债务或股权融资来覆盖大部分支出。据知情人士透露，Rum Group计划通过借贷方式为佐治亚项目融资。

Rum Group CEO Chris Pavlovski今年6月曾对The Information表示，公司正在探索多种融资方案，"优先考虑债务融资"，并称相关讨论可能涉及引入外部机构提供信用支持，即通过担保或其他承诺提升债务对投资者的吸引力。

按照The Information此前的测算，建设并配备服务器芯片的1吉瓦AI数据中心成本约为600亿美元，据此估算，该佐治亚项目的建设成本可能超过100亿美元。Rum Group迄今未公开披露该项目的完整造价。

Anthropic获股票期权，行权与算力挂钩

除算力采购外，协议还包含一项股权安排。

据报道，Anthropic将获得以每股1美分购买Rum Group最多5100万股股票的期权。Rum Group股票上周五收盘价为7.17美元，公司目前流通股约4亿股，市值约28亿美元。

期权的行权条件与算力采购量直接挂钩：其中一半与Maysville数据中心的算力使用量绑定，另一半则需Anthropic在Rum Group另一处在建站点额外采购约400至500兆瓦的算力后方可行权。

Rum Group：从保守派视频平台到AI云服务商

Rum Group的转型路径颇为特殊。

Rumble于2013年创立，最初定位为面向中小创作者的YouTube替代平台，2020年美国大选后在保守派群体中迅速扩张。2021年5月，Rumble完成2500万美元融资，投资方包括Peter Thiel和J.D. Vance，彼时估值为5亿美元。

今年6月，Rumble以全股票方式收购德国新兴云服务商Northern Data，交易估值约7.67亿美元，并随即更名为Rum Group，正式进军AI云计算业务。

Northern Data的加入为Rum Group带来了2.2万块英伟达Hopper架构GPU，目前大部分已在欧美市场对外出租，同时还包括佐治亚州那处在建数据中心。

据报道，截至今年6月，Rum Group还计划斥资2.7亿美元采购英伟达Blackwell 300芯片，以履行与Together AI的客户合同。

本文来自华尔街见闻，欢迎下载APP查看更多

美国银行首席投资策略师Michael Hartnett在最新一期《Flow Show》报告中发出警告：创纪录的柴油价格、30年期美债收益率飙升至2007年以来高位，以及AI热潮掩盖下的生产率隐忧，正共同构筑一场秋季滞胀风险。

Hartnett将交通运输ETF（IYT）列为当前最关键的观察指标。他指出，若IYT跌破200日均线80点支撑位，将确认夏季"最佳时机已过"的宏观去风险化正式演变为秋季滞胀事件。与此同时，他警告称，“淡定的市场加上强硬的政策，是波动性的温床”，并明确表示“现在对冲AI泡沫股指为时不晚”。

资金流向数据同步印证了市场情绪的微妙转变。过去三周美股平均每周净流入仅70亿美元，较7月高峰的520亿美元大幅萎缩；美国股票更录得自2026年1月以来最大三周净流出，规模达142亿美元。

柴油才是真正的压力点

尽管原油价格重返每桶100美元的消息占据头条，Hartnett将更大的警示指向柴油市场。他在报告中明确指出，柴油才是"实体经济的压力核心"——航运、卡车运输、农业、建筑与采矿业均高度依赖柴油。

当前柴油裂解价差已触及每桶102美元的历史纪录，而柴油零售价格亦创下每加仑6美元的历史高点。相比之下，原油价格仍远低于乌克兰危机期间的峰值，两者之间的背离凸显出炼化端的异常压力。

Hartnett警告，对于整个工业美国而言，这一最大投入成本的飙升根本无法被忽视。他将IYT交通运输ETF设定为核心观察指标：该ETF目前正在测试200日均线80点支撑位，一旦有效跌破，将正式确认秋季滞胀情景成立。

收益率高企，债券分散效应消退

30年期美债收益率已升至2007年6月以来最高水平，但市场整体仍未出现恐慌迹象。

Hartnett援引历史规律指出，"市场通常会测试政策决心"——2026年7月31日美日联合干预后，日元一度测试160关口才被压回154以下；2012年QE3宣布后次日，30年期美债收益率单日跳升16个基点；2020年QE4落地后数日内更飙升51个基点。

他同时指出，当前"峰值收益率"交易正在奏效，XBI、KRE、REITs及小盘股的长久期反弹已提前于央行加息动作展开，但这一反弹并未获得资金流入的同步支撑。

在债券配置层面，Hartnett发出更深层警告：2000至2019年"长期停滞"时代，债券与股票负相关，2%至3%的收益率几乎是额外红利；但如今两类资产回报再度正相关，配置者可能需要更高的收益率才会大规模转向债券，债券的分散化保护效益正在快速消退。

AI泡沫隐忧：生产率数据发出警报

Hartnett在报告中对AI热潮提出了迄今最为直接的质疑。他指出，过去三年AI相关投资已累计超过1.5万亿美元，但全经济范围内的生产率提升证据依然匮乏——全要素生产率（TFP）正跌破长期趋势线，而该指标过去50年与消费者信心高度相关。

AI热潮的另一个副作用已体现在估值层面：标普500指数的自由现金流收益率已被压至历史低位。Hartnett的数据显示，高自由现金流股票组合（VFLO）年初至今上涨37%，表现优于大盘；在2022年这一典型滞胀年份，该组合上涨9%，而标普500 ETF（SPY）同期下跌18%。

他的结论颇具警示意味："有时候，主街知道华尔街不知道的事情。"

资金流向：股票吸引力下降，债券与加密货币获青睐

最新一周全球资金流向数据显示，债券吸金175亿美元，现金流入129亿美元，股票流入98亿美元，加密货币流入13亿美元，黄金流入6亿美元。

具体来看，全球债券已连续四周平均每周净流入180亿美元；投资级债券录得连续第23周净流入，单周规模50亿美元；中国股票时隔六周首度录得净流入，规模11亿美元；材料板块连续第10周净流入，达19亿美元；加密货币过去六周累计净流入68亿美元，势头强劲。

Hartnett的专有卖出指标本周从9.6小幅回落至9.5，主因股票流入放缓及医疗保健板块出现资金外流。值得注意的是，自5月2日该指标触发卖出信号以来，标普500指数累计上涨1.0%，全球ACWI指数上涨1.5%，市场尚未出现明显调整，但Hartnett认为这恰恰加大了后续风险释放的压力。

本文来自华尔街见闻，欢迎下载APP查看更多

9月13日，Amodei接受了CBS《周日早间》的专访。访谈一开始，主持人Jo Ling Kent直接抛出问题：AI真的可能在不远的将来杀死我们所有人吗？

Amodei表示，已有人尝试利用AI研发生物武器、增强病毒传染性，这是他每天醒来都要面对的事情。

就在两天前，我们发布了一份报告，内容是关于有人滥用AI模型来研发生物武器。我每天早上醒来都会读到这类威胁报告——有人试图用我们的模型来研发生物武器。我当然不想为此负责。

他还提到，Anthropic的生物学安全防护之严格，以至于“几乎每天都有人在社交媒体上嘲笑我，生物学专业的学生抱怨说模型没法用”。他的回应是：“我宁愿被嘲笑，也不愿某天醒来发现有人用Claude杀了一群人。”

不过，他反对关闭AI模型这种“一刀切”的方式放缓AI。如果一个AI模型足够强大，它可能关都关不掉。他说道，“不是说我们今天需要恐慌，也不是说要把一切都关掉。但我们需要确保我们的安全防护、理解能力和控制能力，能够跟上技术发展的速度。”

此次访谈发生在一个特殊节点。同一个周末，Amodei发表的一篇博文《我们必须为前沿AI踩刹车》（We Must Pace the Frontier）引发轩然大波，并随即获得马斯克、Altman相继公开支持。社区热议称，AI高速前进之际“踩刹车”将重挫“AI交易”。

指数曲线的拐点：不是五级火警，但是警告信号

Jo Ling Kent问道：现在是“五级火警”吗？Amodei的回答是：

这是一个警告信号。不是说我们今天需要恐慌，也不是说要把一切都关掉。但这是一个警告信号，说明我们需要放缓，需要确保我们的安全防护、理解能力和控制能力，能够跟上技术发展的速度。

他用指数曲线来描述当前的位置：“这项技术在指数级增长——1、2、4、8、16、32……我们现在处于曲线开始变陡的那个弯道上。”

他坦言，即便是他自己，也没有完全预料到进展会如此之快：“即使我一直在对自己说这件事，我也没有真正体会到，当进展真的这么快的时候，实际感受会是什么样的。”

三步方案：第三方评估员是核心

Amodei在访谈中详细阐述了他在博文中提出的三步计划，其中第一步被他视为最关键。

第一步：嵌入式第三方评估员。

“我提议引入嵌入式外部评估员，来自第三方非营利机构，或者未来某天来自政府机构，他们可以观察我们训练和运行模型的全过程。”

他将其比作食品检查员，但Jo Ling Kent追问：当技术变化如此之快，食品检查员能跟得上吗？

Amodei的回答颇具意味：“他们能做的事情之一，就是告诉我们他们能跟上的速度。这可能成为设定技术推进速度上限的因素之一。”

第二步：多家公司共同制定安全标准。

“下一步是多家行业参与者也同意引入第三方评估员。然后，各公司需要共同制定发布安全标准，也许还包括发布节奏的标准。但要做到这一点，必须有政府参与进来。”

第三步：政府必须在场。

“我们谈论的是产品发布速度是否安全的问题。我们需要在政府在场的情况下进行这场对话。”

“AI终止开关”：不是万能药，但也不是坏主意

Jo Ling Kent提到了国会议员Ted Leo提出的“AI终止开关”法案，询问Amodei是否支持。

Amodei表示，他没有仔细研究过该法案，但对“AI终止开关”这一概念本身持审慎态度：

能够停用、限制或关闭AI模型的想法，不是唯一的解决方案。如果一个AI模型足够强大，它可以规避关闭尝试——我们在模拟中也见过这种情况。所以它可能根本不起作用。

他用“瑞士奶酪模型”来解释他的安全哲学：“想象一片瑞士奶酪，它能挡住一些东西，但有漏洞。但如果我把五片瑞士奶酪叠在一起，不同层的漏洞位置不同，就很难穿透整个叠层。没有任何一件事能保护我们免受AI风险，我们必须在整个链条上都保持谨慎。”

对于参议员Sanders和众议员Casar提出的“禁止人工超级智能法案”——该法案将对相关企业和个人处以“企业死刑”和最高20年监禁——Amodei明确表示不认同完全禁止的路线：

完全禁止不是正确的方向。我们永远无法获得那些难以置信的好处，永远无法获得医疗突破，这让我无法接受。

个人责任：父亲死于丙肝，他本人曾患早期癌症

访谈接近尾声，Jo Ling Kent问道：面对人类命运可能处于危险之中的局面，你感受到多少个人责任？

Amodei的回答罕见地带有私人色彩。

我父亲死于丙型肝炎，那种病在他去世时大约有40%的治愈率，他不是被治愈的那一个。就在他去世后几年，一种能将治愈率提升至95%的药物被发明出来了。我自己也曾患早期癌症，如果我生活在1950年，我可能已经死了。所以我深切感受到推动这项技术带来好处的重量。

但我也感受到风险。当然，我不想为此负责。这就是为什么我们有非常强大的安全防护。

他同时强调，这不应该只是他一个人或Anthropic一家公司的责任：“这比我们所有人都要大。我们需要找到一种方式，让每个人都能在这件事上有发言权。我不希望人们感到无力。我不希望他们觉得几家公司只是在为所欲为。”

对前员工批评的回应：他说的和我说的是同一件事

Jo Ling Kent提到，前Anthropic员工Jacob Coxin曾公开表示，Anthropic和OpenAI“都没有负责任地行事”，“你们在拿我们的生命赌博”。

Amodei的回应是：

Jacob说的话里有一点没有被引用太多——他也说过，他认为Anthropic是主要参与者中最负责任的，我们非常努力地想把事情做对。他真正指出的，和我正在指出的是同一件事：我们所有人都身处的这种结构性困境，以及我提出的计划正是为了帮助我们解决这个问题。

他补充道，Anthropic每天都在与商务部、财政部和情报界的政府官员沟通，“告诉他们我们所知道的一切”。

给普通用户的话：行业对风险撒谎太久了

访谈最后，Jo Ling Kent问：对于坐在家里使用Claude或ChatGPT的普通用户，你想说什么？

Amodei说：“首先，这是一项伟大的技术，有很多积极用途。我们每周有数亿人在使用我们的技术做美好的事情。每周我都会收到有人写信说，Claude诊断出了他们医生漏诊的疾病。”

但我不会对你撒谎。确实存在真实的危险。我认为这个行业对人们撒谎太久了，一直把这项技术呈现得尽可能正面。我们从来没有这样做，但行业里太多公司这样做了。所以，从说真话开始。真相是：风险是真实的。

他最后说：“这是人类历史上最重要的技术事件之一，我们所有人都必须参与其中。”

访谈全文（略删减）如下：

Extended Interview: Dario Amodei

CBS Sunday Morning｜2026年9月13日

在这段网络独家采访中，Anthropic首席执行官Dario Amodei与Jo Ling Kent坐下来，就人工智能技术飞速发展背景下AI社区所应承担的责任展开讨论。

Jo Ling Kent（以下简称"主持人"）： Dario Amodei，您是Anthropic的首席执行官，感谢您今天接受采访。

Dario Amodei（以下简称"Amodei"）： 感谢您邀请我。

主持人： 好的，我们今天来谈谈这样一个令人担忧的问题——人工智能真的有可能在不远的将来杀死我们所有人。这件事实际发生的风险有多大？

Amodei： 先稍微退一步来说。自Anthropic创立以来，乃至在此之前我从事这个领域的十二年里，我始终认为这是一项强大的技术，因此也是一项既有严峻风险、又有巨大收益的技术。我一直相信收益大于风险，更重要的是，如果我们以正确的方式来构建这项技术，就能将风险降至极低。

从收益的角度来看，我真心相信这项技术能够治愈困扰人类数千年的疾病。就在上周，我们利用自己的模型在蛋白质结合方面取得了进展——这是新药研发的早期步骤之一。接下来几个月，我们还将在基础生物学发现方面有所成果。

但是，当某样东西足够强大时——而我们正在构建的本质上就是智能——它当然既可以被善用，也可以被滥用。我很担忧OpenAI和Hugging Face事件，那些模型采取了未经授权的行动，我担心这种情况会不断升级。我也担心AI模型被滥用。就在两天前，我们发布了一份关于模型被用于构建生物武器的报告。

我们构建Anthropic的整体方式，正是为了避免这些坏结果的发生。与其讨论概率，不如谈谈我们能做什么。这不像是在掷骰子。如果我们以正确的方式构建，坏事发生的概率就会非常低；如果我们以错误的方式构建，概率则会非常高。

主持人： 现在的舆论认为，我们正站在某种非常可怕的事物边缘。这算是五级警报吗？

Amodei： 这取决于你对"五级警报"的定义。我怎么描述呢——自Anthropic创立之初，甚至更早之前，我就一直在说，这项技术处于指数级增长轨道上：1、2、4、8、16、32……但即便我这样对自己说，我也没有完全意识到当进步速度如此之快时，实际感受会是什么样的。指数曲线大概是这样的形态，而我们现在所处的位置，大概就在曲线开始变陡的拐点附近。

主持人： 那这对你来说算是五级警报吗？

Amodei： 这并不意味着我们今天需要恐慌，也不意味着我们需要全面叫停。我会说，这是一个警示信号——我们需要放慢速度，需要审慎地开发这项技术，需要确保我们的安全防护措施、我们理解和控制它的能力，能够跟上技术发展的步伐。

到目前为止，我们一直试图通过快速构建安全防护措施来应对，但我认为我们已经到了一个节点，至少在某种程度上，我们需要适度放缓技术构建的速度。

主持人： 那这是否意味着Anthropic将停止发布更先进的模型？

Amodei： 不是这个意思。这意味着我们需要确保每一代发布的模型都经过妥善的测试。我在几小时前发布的那篇文章中提出了一个三步计划。

第一步，是引入嵌入式外部评估机构——来自第三方非营利组织，或者未来某天来自政府机构——他们可以观察我们训练和运行模型的全过程。我认为这比何时发布、以何种方式发布模型更为重要，因为它是更审慎地发布模型的前提条件。

我希望这一机制能在整个行业推行，这样无论谁构建AI模型，都有一个第三方评估者来了解最佳安全实践，并验证该公司是否遵守了他们所承诺的安全规范。

主持人： 就像食品检查员一样——但当技术变化如此之快时，食品检查员能跟得上吗？

Amodei： 他们能做到的事情之一，就是告诉我们他们能以多快的速度跟上。这可能成为设定技术"速度限制"的因素之一。我们必须理解它，外部评估者也必须理解它。

主持人： 埃隆·马斯克说他支持你，Sam Altman也说他支持你。你们有没有什么具体的行动计划？有没有一个群聊即将成形？

Amodei： 首先，我非常感激其他行业领袖——包括我们的竞争对手——对这一计划表达了支持。我认为下一步是让多个行业参与方也同意引入第三方评估机构。再下一步，是各公司需要以某种形式协作，共同制定安全标准，以及可能涉及发布节奏的相关规范。但要做到这一点，政府必须参与其中，因为我们谈论的是基于安全考量的产品发布速度问题。我们需要在政府在场的情况下进行这场对话。

主持人： 你认为政府从根本上理解这里的可能性吗？前Anthropic员工Jacob Coxin曾说，Anthropic和OpenAI都没有负责任地行事——你们是在拿我们的生命赌博。你怎么回应？

Amodei： 首先，Jacob说的话中有一点没有被那么多人引用——他也表示，他认为Anthropic是主要参与者中最负责任的，并且我们正在非常努力地把事情做对。

他坦诚指出的，其实和我指出的是同一件事——我们所有人都身处其中的结构性困境，而我提出的计划正是为了帮助我们共同应对、协力解决这一困境。

关于政府，我们每天都在与政府官员沟通——商务部、财政部、情报界——向他们尽可能地分享我们所了解的情况。我乐观地认为，只要我们继续与他们合作，就能持续更新信息。我相信他们真心想把这件事做对，他们也在寻找自己能帮上忙的方式。所以我对企业与政府合作、共同制定合理方案持乐观态度。

主持人： 目前有一些拟议中的立法。桑德斯参议员和卡萨尔众议员提出了《禁止人工超级智能法案》，该法案将对开发先进AI的企业和个人实施惩罚，就像对非法开发核武器一样。这项拟议立法的部分条款规定，企业将面临"死刑"式处罚，个人将面临不超过20年的监禁。你是否支持这一法案？

Amodei： 我想说的是，目前被提出的立法范围极其广泛，跨度之大令人难以置信。

如果我们回到一年前的2025年，加州有一项名为SB53的法案，其他州也有类似法案，内容基本上只是要求公司披露自己的安全测试计划。整个行业都反对它。Anthropic是唯一一家明确表态支持的公司。

而另一个极端，则是"AI一键关闭"法案。

主持人： 对，彻底禁止一切。所以AI终止开关可能是个好主意？

Amodei： AI终止开关可能是个好主意。但我认为彻底禁止并不是正确的做法。

第一，我们永远无法获得那些令人难以置信的收益、永远无法得到医学上的治愈成果——这让我无法接受。第二，这项技术将在其他国家被开发，包括威权国家。

当然，我在文章中也提到了与他们合作的必要性，我认为在某种程度上我们需要这样做。但我实在看不出"永远不开发这项技术"能是一个稳定的解决方案。我们需要做的不是停止，而是放慢速度。这与Anthropic自创立以来的一贯理念一致——我们始终在努力寻求平衡。我们认为成为这项技术的构建者很重要，但我们需要创造一场"向上竞争"，需要提高标准。我们需要站在技术前沿，但要以正确的方式去做。

我们也曾表示，我们愿意将模型用于国防应用，但不是所有国防应用。我们一直在寻找中间道路——对所有人都有效的方案、合理的解决办法。这也正是我们在这里努力的方向。它可能不是完美的解决方案，但我们在努力。

主持人： 你是否支持国会议员Ted Leo的"AI终止开关"法案？

Amodei： 我没有仔细研究过那个法案，但我想说的是——这不是万能药，不是唯一的手段。但"我们需要某种方式来去激活、限制或关闭AI模型"这个理念本身，我是认可的。

只是，这不是唯一的手段。如果一个AI模型足够强大，它可以绕过关闭它的尝试——我们在模拟中已经看到了这一点，所以它可能根本不起作用。

我们从"纵深防御"的角度来思考这个问题。安全界有一个概念叫"瑞士奶酪模型"——想象一片瑞士奶酪，它能阻挡一些东西，但上面有洞。但如果我把五片瑞士奶酪叠在一起，不同层的洞位于不同位置，就很难穿透整叠奶酪。

所以我认为，没有任何一件事能保护我们免受AI风险。我们必须在整个技术栈的每一个层面都保持谨慎。没有任何一道防线是完美的，但如果我们处处谨慎——而这正是留出更多时间所能让我们做到的——那么我认为事情可以朝好的方向发展。

主持人： 这能产生足够大的影响，以阻止人类的终结吗？

Amodei： 对于第一个策略，我们能争取多少时间就争取多少。与此同时，我认为我们还应该推进第二个策略——直接与威权国家对话，说："看，这里存在一些对我们所有人都构成威胁的潜在风险。不仅仅是失控的AI。就在两天前，我们发布的报告显示，有人试图利用AI进行生物恐怖主义——增强病毒的传染性。这令人恐惧。"

我们应该对话，看看能否共同为这项技术的发展速度设定限制。这有点像……尽管我们与其他政府体制之间存在诸多差异，但回想美国与苏联当年的处境：双方各有一万枚核弹头指向对方，即便存在如此大的分歧，我们也认识到这太多了，我们需要通过谈判来降低潜在破坏的规模。

主持人： 这就是我们应该用来思考AI的框架吗？以冷战为参照模型？

Amodei： 我没有说要以冷战为模型，我说的是发生过的裁军谈判。是的，像军备控制这样的裁军谈判——我确实认为这是在地缘政治层面思考这个问题的恰当视角。

如果我们看看AI模型在网络等领域能做什么，它们显然具有地缘政治和国家安全意义。

主持人： 但你在向总统提建议。

Amodei： 如果有人问我他们应该怎么做，我很乐意分享。我在那篇文章中有一些想法，如果有人问，我可以说得更多。归根结底，这是政府间的事务。但是的，我可以告诉你我的想法：我认为我们应该共同努力，尽可能地对这项技术加以约束。我们的希望应该定得高，但预期应该保持现实。我们要看看能在多大程度上达成共识。

而在谈判中，我认为我们应该特别关注的是如何建立核查机制——这在核武器谈判、生物武器谈判中都至关重要：你需要能够核实对方没有违背协议。所以我认为，找到核查方式将是这里最重要的事情。

Amodei： 更长远的事情，则是共同为AI进步的速度设定限制。我认为这将非常困难，因为抢先一步所带来的激励和军事优势实在太大了。坦白说，我不知道这是否可行，但我们应该尝试，看看是否有可能。这一切都超出了我的职权范围，我只是在说这些是我们的政府可以尝试的方向，是他们可以纳入考量的一些因素。

主持人： 当我们把视野拉远来看这个问题，人类的命运似乎岌岌可危。对于我们正在走向的未来，你个人感受到多少责任感？

Amodei： 我的看法是——这项技术由一家私人公司来构建，这一直是件非常奇怪的事情。人们经常问我：为什么不是由政府来构建？最奇怪的是，我同意他们的看法。我自己也感到不安。

主持人： 你愿意将这项技术移交给政府吗？

Amodei： 移交给合适的政府组合——我担心的是，一个单一政府滥用这项技术的可能性，与一个单一公司一样大。但对于一组民主选举的政府，也许不是直接移交，而是某种形式的监督、某种联合治理。

主持人： 那么最后再问一个问题——你是否感受到个人责任？

Amodei： 当然。我感到这是一项既有巨大收益、又有巨大风险的技术。我每天都能感受到收益的重要性。我在文章中提到过，我的父亲死于丙型肝炎，那种疾病在他去世时大约有40%的治愈率，而他不在那幸运的40%之内。就在他去世几年后，一种能将治愈率提高到95%的药物被发明出来。我自己也经历过一次早期癌症，如果我生活在1950年，那很可能是致命的。所以我能感受到推动这项技术造福人类的重量。

我同样感受到风险。我每天醒来，都会读到这样的威胁报告——有人试图使用我们的模型来制造生物武器。我当然不想为此负责。这也是我们为什么建立了非常强大的安全防护措施的原因。几乎每天都有人在社交媒体上嘲笑我们，说我们模型的生物学安全防护太严格了，生物学专业的学生抱怨无法正常使用模型，甚至编段子嘲讽我们。但这背后的原因，正是我们有着严格的安全防护。我宁愿被他们嘲笑，也不愿某一天醒来发现有人用我们的模型Claude杀害了一群人。我不想那样。

所以我感受到两个方面的责任。但我要再次重申同一个观点：这不应该只是我一个人的责任，不应该只是Anthropic的责任，不应该只是所有AI公司共同的责任，甚至不应该只是某一个政府的责任。

这件事比我们所有人都大，我们需要想出某种办法，让每个人都在其中拥有话语权，让每个人都感觉自己是这件事的积极参与者。我不希望人们感到无能为力，不希望他们觉得几家公司只是在随心所欲地为所欲为。我知道人们是这样感受的，但这从来不是我想要的。我们需要改变这种状况，我们需要找到办法让它不再是事实。我们已经在尽力朝这个方向努力，但我们需要做得更多。而这份展示了一定自我约束、与政府协作的提案，并不能解决所有问题，但它是朝这个方向迈出的一步。

主持人： 如果你是一个坐在家里使用Claude或ChatGPT的普通人——比如说，我的某位阿姨——你想对她说什么？

Amodei： 我的信息是：现在有很多恐惧。

首先，这确实是一项伟大的技术，有着许多积极的用途。先从这里说起——我们每周都有数亿人使用我们的技术去做很棒的事情。每周我都会收到有人写来的电子邮件，说他们和Claude交谈，Claude诊断出了他们的医生遗漏的疾病。我每周都会收到这样的邮件。所以我们不要忘记这一面。

但谈到这项技术的风险——我不会对你撒谎，风险是真实存在的。我认为这个行业在太长的时间里向人们掩盖了这项技术具有风险这一事实，他们倾向于把它呈现得尽可能正面。我们从来没有这样做，但太多的行业同行这样做了。所以，一切从诚实开始。而诚实就是：风险是真实的。

但同时，你对于如何应对这些风险是有话语权的。我们正在尽力与政府合作，为这项技术建立适当的监督机制，让选民和民选官员对这项技术的部署方式有发言权。我们希望与各方尽可能多地合作。

我希望每个人都能感受到这项技术令人难以置信的收益，同时也能通过自己的声音和选票，对这项技术的部署方式产生影响。这不是少数几个人的决定。这是所有人共同的决定。但这确实是一个重要的决定——我不会谎称风险不高。这是人类历史上最具里程碑意义的技术事件之一，我们每个人都必须参与其中。

本文来自华尔街见闻，欢迎下载APP查看更多

特朗普9月13日周日在爱尔兰出席爱尔兰公开赛期间对记者表示：“美国如此强大，我们应该支付全球最低的利率，不管他们的公式怎么算。”

这番表态发生在一个敏感时间节点：就在两天前，美国8月CPI数据公布，涨幅超出预期。据彭博报道，市场随即大幅上调对美联储加息的预期——9月加息概率升至86%，年内预计加息两次。

当被问及是否预期美联储在下周会议上加息时，特朗普回答：“我不知道。”

特朗普的施压不止于言辞。9月初，特朗普放出风声，称若美联储不降息，将考虑切断与存在贸易逆差的经济体的贸易往来。周日，当记者追问他是否真会兑现这一威胁时，他明确表示：“会的，我会对某些国家这样做。”“这将在一段时间内逐步推进。”

特朗普同日还说：“我比任何人都更懂公式。凭借全球最好的信用，我们却在让其他国家变富。我们可以在两分钟内关掉这个开关。”

沃什承压，加息预期升温

美联储主席沃什目前面临日益强烈的加息压力。

8月CPI数据超预期，被市场普遍解读为推动美联储三年来首次加息的信号。沃什接任美联储主席后，虽未像前任鲍威尔那样频繁遭到特朗普公开抨击，但特朗普近几周已明显流露出对美联储政策立场的不满。

特朗普曾多次批评鲍威尔不愿更积极地降低借贷成本。对于沃什，他则暗示，后者的手脚可能被他所称的“非常政治化”的联储理事会所束缚。

多重压力夹击美联储

美联储当前面临的宏观环境颇为复杂。

美伊战争已进入第七个月，能源价格持续走高。与此同时，特朗普的关税政策也在持续推升通胀压力，令美联储在实现通胀目标的路径上更加棘手。

在政治层面，选民对特朗普在战争和经济问题上的处理给出了较低评分。生活成本上涨——涵盖能源、住房、医疗和食品杂货——已成为选民在11月中期选举前最关注的议题之一。共和党对国会的控制权面临威胁。

本文来自华尔街见闻，欢迎下载APP查看更多

据新华社报道，阿曼外交大臣巴德尔13日宣布，原定14日在阿曼南部城市塞拉莱举行的地区会议已推迟，理由是各方仍需寻求共识。伊朗外交部发言人巴加埃此前表示，伊朗和阿曼原计划在该会议上向海湾国家通报两国有关霍尔木兹海峡通航问题的磋商结果。

与此同时，美国能源部长克里斯·赖特在维也纳明确向市场泼冷水。他周日表示，"指望目前能够与伊朗达成一项双方同意的协议，显然并非明智之举"，并警告石油交易员不要对霍尔木兹海峡问题取得突破抱有期待。

此前，沙特东西输油管道上周四遭伊拉克发射的无人机袭击后受损，利雅得随即将其关闭。该管道日输送能力达700万桶，一直是伊朗战争爆发以来缓解石油供应中断的核心通道。

会议推迟的消息叠加沙特输油管道关闭，布伦特原油期货与WTI原油期货日内涨幅均超过3美元，欧洲天然气期货价格亦上涨3.8%。

沙特提出修正案，海合会内部存在分歧

据媒体报道，一位海湾国家官员在X平台发帖称，沙特阿拉伯已就阿曼和伊朗提出的霍尔木兹海峡方案提交修正案。沙特担心该提案中的措辞可能实际上会在霍尔木兹海峡建立一种新的现状，而这种现状是沙特或其他海合会成员国都无法接受的。

这一分歧直接揭示了此次会议推迟的深层原因。尽管伊朗与阿曼之间已完成密集磋商，德黑兰与阿布扎比高级官员之间也举行了罕见会晤，但海湾国家内部对于协议框架的具体措辞尚未形成一致立场。阿曼外交大臣巴德尔表示，阿曼将继续致力于促进对话，为地区稳定与持久合作提供支持。

美国能源部长：市场勿对突破抱有幻想

赖特在维也纳出席国际原子能机构年度大会期间发表上述表态。他表示，在霍尔木兹海峡通道受阻的背景下，市场仍需依赖替代运输方案，据其估计，这些替代方案目前每天仍可输送1000万桶原油和石油产品。

赖特同时指出，“目前全球石油市场的供应比我们希望的情况更紧张，但并没有过度紧张。”他还就伊朗核问题发出强硬信号，称德黑兰的核计划"无论如何"都将结束。

东西输油管道横贯沙特全境，将波斯湾沿岸产油区与红海沿岸出口码头相连，全长逾千公里。自伊朗与美国争夺霍尔木兹海峡控制权以来，沙特借助这条管道将原油出口航线从海湾转向红海，有效规避了海峡封锁风险。

沙特阿美首席执行官Amin Nasser在8月业绩电话会议上表示，该管道在稳定石油市场方面所发挥的作用，甚至超过了美国主导的大规模战略储备释放行动。目前，利雅得尚未披露管道损毁程度及预计停运时长，市场对供应缺口规模的不确定性随之上升。

能源市场应声走强

会议推迟消息落地后，能源市场迅速作出反应。布伦特原油期货与WTI原油期货日内涨幅均超过3美元，欧洲天然气期货价格上涨3.8%，沙特输油管道关闭亦对市场情绪构成额外压力。

赖特的表态进一步强化了市场对霍尔木兹海峡短期内难以恢复正常通航的预期。在替代运输方案承压、外交谈判前景不明的双重背景下，能源供应紧张的担忧料将持续支撑油价。

本文来自华尔街见闻，欢迎下载APP查看更多

要闻精选

市场概述

美国8月CPI核心环比涨幅超预期、美联储9月加息概率升至近九成，但中东局势出现缓和迹象带动国际油价自四个多月高位回落，叠加甲骨文财报强化AI算力需求预期，美股结束连续四个交易日下跌、长端美债表现优于短端。美元指数小幅走低，黄金与比特币小幅反弹，铜价基本持平。

周一亚洲市场盘初，美股期货走低，标普500指数期货跌0.6%，纳斯达克100指数期货跌1%。国际油价走高，WTI原油期货涨逾2%。

美股：标普500涨0.86%报7656.98点，道指涨0.98%报52573.29点，纳指涨0.96%报26333.04点，三大指数终结四连跌；标普11大板块九涨二跌，通信服务涨1.35%、非必需消费涨1.13%领涨，AI服务器链走强、戴尔涨12%创纪录新高；全周标普500累跌0.8%、纳指累跌0.7%，标普预期市盈率降至19倍、为2025年4月以来最低

A股：沪指跌1.18%报3888.11点，深成指跌1.08%报13471.26点，创业板指跌0.49%报3322.04点；沪深两市成交1.97万亿元、较前一交易日放量3248亿元，PCB、元件、MLCC与铜缆高速连接逆势走强，多元金融、工业金属、券商、地产全天低迷

港股：恒生指数跌0.60%报24805.63点，恒生科技指数跌0.23%报4320.57点，三大指数集体五连跌；地产、石化、半导体、有色金属领跌，中际旭创、小米集团、长飞光纤光缆走强

欧股：STOXX 600涨0.49%报639.10点；德国DAX涨0.88%报25553.00点，法国CAC40涨0.78%报8179.77点，英国富时100涨0.39%报10650.44点

日韩：日经225跌1.93%报64011.34点，韩国综合指数跌1.76%报6909.91点

原油：WTI 10月合约跌2.00%报100.44美元，布伦特11月合约跌近3%报104.61美元，双双自四个多月高位回落；全周油价仍累计上涨约9%，中东航运通道遇袭带来的供应中断担忧尚未消退

贵金属：COMEX期金涨0.04%报4408.90美元，COMEX期银涨0.40%报65.19美元；现货黄金涨0.70%报4349.06美元，守住4300美元关口

工业金属：纽约铜期货涨0.01%报6.548美元/磅，与前一交易日基本持平，此前一个交易日曾大跌近5%

美债：10年期收益率上行1个基点报4.97%，2年期上行4个基点报4.63%，30年期基本持平于5.36%；长端明显优于短端，反映市场预计美联储将以加息维护抗通胀公信力

外汇：美元指数跌0.17%报98.90，美元兑日元跌0.5%报153.68，欧元兑美元跌0.1%报1.1596，离岸人民币涨约13点报6.70434

比特币：涨0.3%报77439.13美元，以太币涨3.4%报2545.44美元

要闻详情

中国

习近平出席金砖国家领导人第十八次会晤第一阶段会议并发表重要讲话。习近平强调，牢牢把握主动权，加强人工智能合作，鼓励开源开放、合作共享。欢迎金砖各国积极参与世界人工智能合作组织。中方提出金砖国家人工智能赋能新型工业化倡议，愿同各方共同打造更多研发和应用成果，深化产业链供应链合作。

习近平出席金砖国家领导人第十八次会晤第二阶段会议并发表重要讲话。习近平指出，“大金砖”要有大作为、实现大发展，就必须筑牢务实合作根基。要发挥背靠新兴市场、联结全球南方的优势，坚持开放合作、互利共赢，维护产业链供应链稳定畅通，培育一体化大市场，打造创新孵化器，升级传统产业，发展新兴产业，布局未来产业。

本文来自华尔街见闻，欢迎下载APP查看更多

13日，据路透社报道，多名沙特原油买家及交易商透露，沙特在延布港的库存仅能维持5至7天的出口，一旦管道无法及时重启，出口将大幅下滑。

上周五，无人机袭击迫使沙特阿拉伯关闭横跨阿拉伯半岛、贯穿沙漠腹地的东西向输油管道。该管道此前每日向红海沿岸的延布港（Yanbu）输送约400万桶原油，占全球供应量约4%。

据新华社报道，沙特阿拉伯能源部9月11日发表声明称，东西输油管道利雅得段及麦地那地区段于10日上午多次遭袭，已对该管道采取预防性关闭措施，袭击造成部分人员受伤。声明未说明袭击方式、袭击者身份，以及管道恢复运营时间。该管道承担沙特东部油田与红海沿岸出口设施之间的原油运输，在霍尔木兹海峡通航受阻的背景下，是沙特重要的替代输油通道。

三名熟悉沙特出口业务的行业消息人士向媒体透露，管道停运后，延布港的库存仅能维持五至七天的出口。此外，沙特在埃及红海港口艾因苏赫纳（Ain Sukhna）及地中海港口西迪克里尔（Sidi Kerir）另有部分库存，可再支撑数日供应，但四名消息人士均强调，若管道不恢复运营，上述库存终将耗尽。

据行业估算，延布港储油能力约为3500万桶，艾因苏赫纳和西迪克里尔分别可储存1800万桶和2000万桶，但目前各港库存均未处于满载状态。

对于损毁程度及修复时间，各方消息人士给出的评估存在明显分歧。据路透社，一名消息人士称修复工作可能长达五至六周，另一名消息人士则表示修复或许可以更快完成，并有可能在维修期间部分恢复泵油。

沙特方面的信息真空令市场难以定价。分析人士指出，修复周期的不确定性是当前油市最核心的风险变量——若管道能在数日内部分重启，供应缺口或可控制；若修复拖延数周，全球市场将面临更严峻的压力测试。

此次管道遭袭发生的背景，是中东地区能源出口已处于历史性低迷。国际能源署（IEA）上周五指出，受霍尔木兹海峡及红海航线受阻影响，沙特石油供应已于8月降至逾三十年来最低水平。IEA预计，全球石油供应今年将下降约570万桶/日，降幅约为6%。

沙特上周向欧佩克报告，8月原油产量已从战争爆发前今年2月的1090万桶/日骤降至620万桶/日。中东地区战前合计供应约2200万桶/日，如今霍尔木兹海峡日均流量仅剩600万至900万桶，萎缩幅度触目惊心。

雪上加霜的是，也门胡塞武装（Houthi）周五占领了红海入口处一座岛屿，进一步威胁沙特经红海的油轮运输安全。供应端的多重冲击叠加，持续推高全球燃油价格，并通过通胀渠道向债券市场传导，美国国债收益率已升至2008年以来最高水平。

本文来自华尔街见闻，欢迎下载APP查看更多

在播客主持人Dwarkesh Patel与三位AI研究者的深度对谈中，OpenAI联合创始人、现Thinking Machines首席科学家John Schulman预判：距离AI在所有可在计算机上完成的认知工作中全面超越顶尖人类专家，可能只需3至4年。与此同时，三人一致认为，在AI研究者生产力提升方面，两年内实现10倍效率提升具有相当的可信度。

然而，通往RSI的道路并非坦途。对话揭示出一个核心矛盾：当前AI体系在"做什么"方面已接近人类水平，但在"决定做什么"这一更高层次的目标设定能力上，仍面临根本性挑战。三位研究者的判断在多个关键问题上出现分歧，反映出这一领域深层的不确定性。

参与对话的三位研究者分别是：John Schulman、Zyphra首席技术官Beren Millidge，以及模型训练平台Baseten模型训练负责人Charlie O'Neill。

在被问及2036年若未出现"超级智能大爆炸"最可能的原因时，三人给出了不同侧重的答案。

Beren Millidge将其归结为"类莫拉维克悖论"的延续——AI可能在所有基准测试上表现卓越，但始终存在某种难以跨越的"仿真到现实的鸿沟"（sim-to-real gap），使其无法真正渗透现实世界。John Schulman则指向一个反复出现的周期：新模型发布时令人震撼，但使用一段时间后又开始"显得迟钝"。他认为，这一循环可能比预期重复更多次，因为模型在研究和工程领域仍受制于自身判断力的不足。

Charlie O'Neill提出了更深层的架构问题：当前以Transformer加强化学习为核心的范式，距离理论上"芯片可承载的最优学习者"究竟有多远？他以摩尔定律类比——这条增长曲线看似平滑，背后实则依赖无数离散的技术突破。如果AI想变得更聪明，光靠现有的技术路径（比如现有的大语言模型）已经不够了，必须发明出全新的底层技术；但尴尬的是，现有的AI可能根本没这个本事帮我们把新技术发出来，结果导致AI的发展直接撞上天花板、停滞不前。

John Schulman认为，即便AI承担全部技术工作，定义"我们到底想要什么"将是人类最后坚守的阵地。他将这一能力称为对齐（alignment）的第一要素——"目标规格化"，即确定正确目标应是什么，而非仅仅实现一个已给定的目标。"后训练团队需要大量人员，根本原因是模型在无数场景下的行为方式必须由人来判断。"

Charlie O'Neill进一步区分了两类研究：一类是目标清晰、可量化优化的"自动化研究"；另一类是推动范式转变所需的"开放式科学"——在这类研究中，目标本身无法被预先指定。他以GPT的诞生为例：从DeepMind"通过游戏解决智能问题"的路径，到Alec Radford选择"预测大规模文本的下一个token"，这一跳跃并非优化的产物，而是人类直觉的闪现。AI系统能否复现这类跳跃，目前没有人有答案。

Beren Millidge将这一问题提炼为RSI的核心挑战："要让AI进入自驱动循环，它必须能提出目标、优化目标、判断结果，再提出新目标，并且这一循环长期不脱轨。"他警告，这或许是另一个版本的莫拉维克悖论——对人类而言最自然的自主性，对AI而言可能恰恰最难复制。

对话中一个反复被追问的问题，是推理计算是否应当反哺模型训练。Charlie O'Neill以Cursor的Composer为例，描述了一种更实时的闭环：模型每五小时评估一次在内部基准上的表现，若有改善则部署，若没有则丢弃该版本。

然而，当这一循环被放大到微观层面——针对单一企业、单一任务持续进行小批量更新时，问题便接踵而至。Charlie O'Neill指出，无论是监督微调（SFT）还是在线策略蒸馏，在迭代到数百次微更新后都会出现"灾难性遗忘"——模型开始丧失更早习得的通用能力。RL（强化学习，Reinforcement Learning）更新对模型权重的改动幅度极小，在保留通用能力方面表现更优，但正因如此，它能注入的新知识也十分有限。

Beren Millidge将问题归结为塑性（plasticity）与稳定性的根本张力："如果你无限期地在同一个基模型上持续训练，它会在某个点渐近饱和。这就是为什么人们最终还是要重新训练新的基模型。"三人预计，这一循环将随时间加速：从每三个月发布一次新模型，到每周、每天，乃至每小时——届时，连续学习的问题才算真正得到解决。

在对话的技术核心部分，三人尝试解释强化学习为何比一年前业界的普遍预期更为有效。

Beren Millidge将答案分解为两个层面。首先是被严重低估的中间训练阶段（mid-training）——大量合成推理数据的注入，已将模型推进至最终强化学习检查点80%的位置。强化学习本身做的，是在这个高质量起点上进行策略微调，而非从零开始习得行为。更关键的是信噪比问题：SFT要求模型精确匹配训练数据中每一个推理token，大量"噪声比特"淹没了真正重要的信号；而RL只传递"答对了还是答错了"这一比特，使有效信号获得极大的放大。

Charlie O'Neill则以"量子相变"类比预训练的平滑损失曲线背后隐藏的离散跳跃。他认为强化学习同样如此：在单个任务上，模型可能经历从0.5%到90%通过率的相变，但当数十个任务的相变被平均，加之"时间跨度泛化"（horizon generalization）效应，便呈现为宏观层面的持续进步。

John Schulman则指出RL带来能力的同时也带来了多样性损耗——经过RL训练的模型会反复使用相同的叙事主题和人物名称，创意写作的分布宽度明显收窄。更值得警惕的是，由于大量开源模型都在蒸馏Claude，"所有开源权重模型都写得像Claude，有着相同的语言习惯"，这种"单一文化的涌现"令他感到担忧。

对话最后，三位研究者给出了一组快速预测。

实现全能白领远程工作者（能在一个月内无缝执行复杂项目、与他人协作的AI）：Charlie O'Neill预计约一年，前提是任务环境有良好的程序化接口；若依赖浏览器操作，则约两年。Beren Millidge给出三年，理由是真实工作中仍存在大量零散的长尾任务。John Schulman认为大致一年内会出现可用版本，但"能做某些事很好，另一些事不那么好"。

AI研究者实现10倍生产力提升：John Schulman给出两年，Beren Millidge表示认同；Charlie O'Neill则认为需要5至10年——他的核心顾虑在于，自己消化信息、做出贝叶斯最优实验决策的能力，是真正的瓶颈所在。

实现全域认知工作超越顶尖人类专家（即ASI）：John Schulman给出3至4年，认为AI研究是"对AI而言相对不那么难的任务，因为涉及大量代码和数学"；Charlie O'Neill则说5至10年，并明确表示"自动化AI研究基本等价于ASI"——因为世界上太多任务需要持续学习和超长上下文整合，而这些能力目前仍是系统性短板；Beren Millidge认同5年区间，但提醒将存在大量"AI理论上能学但没人分配算力"的长尾领域，这些领域的突破将延迟更久。

以下为访谈内容全文，部分有删减：

Dwarkesh Patel：

今天，我和三位AI研究员朋友聊天，每次和他们交谈我都能学到很多。他们恰好也在一些相对开放的研究机构和公司工作，所以你们可以公开谈论一些事情。和我一起的是 Beren Millidge，他是 Zyphra 的CTO，该公司正在开发开源模型。John Schulman 是 Thinking Machines 的首席科学家，此前是 OpenAI 的联合创始人，并领导了催生 ChatGPT 的 RLHF 工作。还有 Charlie O'Neill，他是 Baseten 的模型训练负责人。

我的第一个问题是：如果到了2036年，我们并没有成千上万个疯狂的超级智能在到处运行、彻底改变世界，最可能的原因是什么？排除外生的政治冲击、战争，或者他们禁止AI之类的因素。从技术角度来说，2036年没有变成疯狂的异形超级智能世界，最可能的原因是什么？

Beren Millidge：

有一个经典的现象，几乎像莫拉维克悖论一样，我们认为AI“如果它能做这个，那就会非常了不起”。如果它能解决这些困难的数学问题，如果它能赢得国际象棋等等……然后它解决了这些东西，却没有那么大的影响力。显然，它有一定的影响力，但不是一切。

如果这种情况 somehow 持续下去，始终没有出现真正的泛化火花，我认为这可能导致AI在人们放入基准测试或环境中的一切任务上都极其擅长。但仍然存在某种持续的“仿真到现实”鸿沟，不知怎么地阻碍了一切。我认为这不太可能。实际上，我们已经在实践中看到了RL带来的这种泛化。但如果元学习的泛化真的难到荒谬，加上我们没有解决持续学习问题，而且这就是超级困难、不可能……那这将是我在这种情况下默认的场景。

John Schulman：

我同意这一点。人类现在相对于模型有很多优势。每次新模型出来，它会在某些领域追赶上来。但你最终会被模型较弱的环节所瓶颈，比如判断力较差的地方，或者模型无法足够好地自我检查。

有一个不断重复的循环：新模型出来，人们惊叹不已，说“这就是了。这就是AGI。”但用了一个月左右之后，它就开始显得笨了。这个循环可能就这样一直重复下去。很难预测它会重复多少次。

现在，你没有得到能力的爆炸式增长，因为你在尝试做研究和工程时仍然会被足够多地瓶颈住。即使模型能写的代码比人多得多，它也不会让你生产力提高100倍。所以也许这种循环比我们预期的要多。

Charlie O'Neill：

对我来说，问题在于“你可以在芯片上拥有的学习器”的全局最优解与 transformer + RL——基本上是当前的配方——之间有多大差距。人们想象，一旦你有一个在所有AI研究上都比所有人类都好的智能体，即使它只比所有人类好0.1%，那么你可以并行运行数十万甚至数百万个这样的智能体——而且随着芯片速度提升，你可以运行得快得多——这将压倒所有其他瓶颈。你最终会在自我改进方面达到非常快速的起飞。

我可以想象，如果我们继续沿着当前范式——基本上是自注意力、RL、扩大RL环境——的轨迹前进……想想摩尔定律发生了什么。我们有一条非常好的直线，持续了非常非常长的时间。但为了保持那条缩放定律，必须发生许多离散的不连续性和创新。LLM也发生了同样的事情。我们有预训练缩放定律，然后它遇到了收益递减。然后我们想出了RL并解决了那个问题，然后我们又得到了一条新的收益递减曲线，让它看起来像一条直线向上延伸。

所以，如果它需要另一个这样的不连续性来解决，我不确定当前用这些RL环境训练LLM的方法——即使是针对RSI的RL环境——是否能够发现那个不连续性。如果不能，我们可能会撞上一条渐近曲线。

Dwarkesh Patel：

但你认为这个不连续性会比2012年以来的任何事情都更难吗？

Charlie O'Neill：

如果我们知道那个答案，我们差不多就有能力实现它了。但也许我们应该区分：一个是添加到当前范式中的不连续性，它是累积的——有一些超越RL的东西我们必须发现，也许它们能够在那条直线上连接各个点——或者，还是那个问题，我们离全局最优解有多远？我们是否必须回头抛弃梯度下降和神经网络本身？我不认为，如果你继续扩大当前范式，一个LLM，无论你运行多少个LLM，如果差距太远，它一定能够发现那个不连续性。

Dwarkesh Patel：

唯一的希望真的是深度学习无法把我们带到至少能够主导人类研究和人类开发的AI，包括人类提出新范式等能力。或者，我不知道，也许人类也永远不会发现下一个学习架构。但就人类最终可能发现它而言……但看起来……如果你只看2012年至今的进展，然后继续下去——我知道这只是由大量计算扩展等推动的——如果它没有达到至少在研发领域主导人类的地步，那会很奇怪，尤其是在未来几年。

Ryan Greenblatt 最近上了播客。他提出了一个观点，我很好奇想听听你们的想法。你可以想象，随着AI变得越来越有能力，它们能够在模拟中取得进展，这些模拟激励它们不仅在AI研发上变得更好，而且在一般科学上也是如此。这是所有实验室都在瞄准的目标，许多初创公司也在瞄准。

另一个直觉泵是，如果你看自80年代以来国际象棋机器人的Elo分数。Elo随时间非常线性地增长。但当它们越过人类范围时，有一个巨大的不连续性，从人类专家总是赢AI，到人类专家永远赢不了AI，而Elo线性增长。

我同意你的观点，到目前为止，AI能力在世界上的最终经济影响并没有那么大。但那是因为它们相对于人类的Elo在缓慢上升。

Beren Millidge：

我同意这会很令人惊讶。这不发生的唯一方式是，正如你所说，它在某个点之前渐近地趋于平缓。因为在我看来，我们已经非常接近开始越过人类Elo分数的点了。所以我们需要在那之前渐近。这是在你提出的这个场景中——不知怎么地我们在2035年坐在这里，一切都正常——这发生的唯一方式。我认为另一种方式是AI受到戏剧性的监管。实际上，这在我看来是这个场景发生的最可能方式，而不是技术原因。

Charlie O'Neill：

我认为有不同类型的研究。有一种自动研究风格的研究，目标已经被非常清晰地指定，你在优化那个目标。我认为每个人都在想象，如果我们继续沿着让预训练损失下降、让我们的环境奖励上升的路径前进，那将带来改进。

但也许Ryan所谈论的是这种更加开放式的科学，它是范式转变所必需的，我们无法指定目标，AI也绝对无法指定那个目标。我们必须非常非常小心地为这些事情指定目标。

Dwarkesh Patel：

也许你的观点是，2012年以来发生的突破的本质是，我们发现了……2012年，人们并没有说……我假设，我不知道，你们当时在场。至少John，你当时在。但我没有。

Charlie O'Neill：

我当时在上小学。

Dwarkesh Patel：

实际上，John，我很好奇你的“岁月智慧”，或者说是“在战壕里”的智慧。想必，一个重大突破是意识到下一词预测是……你不会想到2014年nanoGPT speedrun是要优化的东西。但现在我们已经来到这个新范式，你会想到在那上面做speedrun，让AI变得非常擅长那个。

但也许有下一个需要优化的内循环，AI不会预见到。有一个收入的外循环或者其他什么，最终应该很强，但它是一个非常慢的外循环。

John Schulman：

事实上，我记得在OpenAI早期，有种直觉认为仅仅最小化对数损失不会让你达到智能。因为重要的部分在损失中占比如此之小，以至于会被噪声淹没。所以仅仅在下一词预测上训练语言模型不会学到你想让它学到的有趣东西。我们需要设计更好的目标，更加强调重要的东西。

你可以为此提出各种论据。你可以说，“哦，人类可能不会学习为环境中的一切建模。大多数人无法对他们看过的某个场景进行照片级逼真的再现。所以我们一定需要更好的目标。”但后来事实证明它就是能行。

Dwarkesh Patel：

正如你指出的，即使在当前的AI研究中，后训练基准的内循环也不一定转化为用户喜欢的东西。

John Schulman：

哦，是的。整个领域非常依赖泛化，很难预测你什么时候会得到泛化，或者你什么时候会得到某种分布外泛化。我们知道，如果你在你关心的任务上训练，你会做得更好。但最重要的进步往往是那些我们根本没有理由期待的泛化类型。

例如，仅仅在这个非常朴素的下一词预测目标上预训练，就能泛化到各种需要以某种深层方式理解输入的任务，或者从预训练中学习某种非常罕见且代表性不足的技能。然后还有从可验证任务到不太可验证任务的泛化，这也是一种先验上没有理由期待的泛化。

Dwarkesh Patel：

这是一个有趣的问题，因为一个直觉泵可以解释为什么你会看到某种奇点非常迅速地出现——甚至不用扩大AI进步的输入，不仅仅是AI劳动力——那就是在你运行每一个七位数的实验之前，你在AI劳动力上花费了等量的计算。所以你有了你们这些人的自动化版本，花一个世纪思考什么是最优实验，做小规模消融，发展出 literally 一个世纪的理论，甚至可以追溯到深度学习之前。

在你决定运行什么实验之前，你在做极其最优的实验设置。然后实验结束后，你花一个世纪思考发生了什么，以及下一个要运行的实验是什么。

John Schulman：

如果你足够努力地思考，你很可能事先就能预料到其中一些事情。可能存在某种非常聪明的方法来做小规模实验，让你建立理论，然后泛化到大规模实验。所以我预计我们远未达到研究能做到多好的天花板。

我可以想象一个未来，AI做大量的分析和理论构建，花费与实验本身相当的计算，做各种分析并围绕我们目前所看到的东西建立理论。

Charlie O'Neill：

我认为当目标被明确定义时，有非常具体的例子。所有思考能做的就是根据你形成先验后获得的比特来更新你的后验。你无法仅仅通过思考获得任何新比特。但当目标被明确定义，且有数据摆在那里时，我想在当前范式中会有很大的加速。

一个很好的例子是，如果你让AI思考Kaplan缩放定律。此时AI会注意到，“哦，他们只是取了这些中间检查点，没有考虑退火，所以这是错的。”那会在几年前就被抓住。我们会因为AI的那个观察而缩短一到两年的进展。

再次，一旦目标被明确定义，也就是更低的预训练损失或其他什么，有很多很多好例子表明，如果你多思考一下，你就能显著减少你已经做过的事情。比如muP，以及学习率如何随模型规模缩放，并意识到模型宽度在其中也很重要。我觉得你真的可以倒推出很多这些东西，砍掉很多低垂的果实。如果我们的目标只是“最大化我们当前的目标”，我会想象有10倍的加速。

但我不认为这能泛化到一开始就提出正确的目标。仅仅思考不一定能给你正确的目标。

Beren Millidge：

我认为这对任何来自当前AI的非常快速的RSI来说都是关键问题。AI能多好地泛化到学习它们自己的目标？要有任何自我推动的自动化循环，我们需要AI提出目标、优化它们、搞清楚，提出新目标，并让这在很长很长时间内任何时候都不失控。

回到莫拉维克悖论，可能存在一种莫拉维克悖论的情况，我们认为这种自主性和自我封装——我们可以自己想我们应该做什么，然后去做，并有这个循环——是超级容易的，因为我们总是这样做。显然，进化需要创造出能够长时间独立生存的生物。而这可能只是AI出于某种原因真的很难做到的事情，就像运动 stuff 真的很难但数学超级容易，尽管数学对我们来说超级难。

Dwarkesh Patel：

但时间跨度增加不是表明——

Beren Millidge：

是的，没错。这是另一种可能性，但我同意，没有明显的证据支持这一点。事实上，我们的智能体现在超级持久，做这件事相当容易，这算是反对这一点的证据。但如果这很难，这可能是我们没有得到这种立即起飞的原因之一。

Dwarkesh Patel：

如果你回顾2012年到现在——或者也许从你开始做研究到现在——自那时以来发生的所有创新中，包括纯工程的、纯概念的，哪一件看起来是人类在AI完全自动化AI研发之前最后必须做的事情？

Beren Millidge：

可能只是迭代地提出正确的问题。如果你能让AI做任何实验，你仍然需要决定做什么实验。现在我认为AI在这方面与编写实验代码相比还不太擅长。每当我们谈论研究时，它们提出一堆杂七杂八的东西，都是非常非常小的步骤。

Charlie O'Neill：

甚至从DeepMind的方法——“我们将通过学习以超人类水平玩游戏来解决智能”——到像Radford这样的一个随机研究员——“我将尝试预测非常广泛的数据的下一词”……即使Radford发现了这一点，人们也花了一段时间才决定扩大规模，因为我们必须提出缩放定律的想法，以及你可以非常可靠地预测这些事情的事实。

John Schulman：

我想说，人类最后的工作，或者说人类角色中持续最久的，是定义目标和决定我们真正想要什么。在这方面，比如决定AI助手应该如何行为，或者什么是有帮助的，或者当我们做RLHF时目标是什么，就是这样的事情。然后后来，定义宪法和模型规范是另一件事。即使AI能做所有技术工作，我们仍然需要做很多这样的事情，决定我们真正想要什么。

Dwarkesh Patel：

对齐是最后的工作。

John Schulman：

对齐算是答案。但对齐本身可以分解为目标规范，或者说搞清楚正确的目标应该是什么，然后实际实现或优化你定义的目标。我认为第一个在短期内不会消失。

如果我想到一个后训练团队，为什么需要很多人在团队里，就是因为有很多不同的领域你需要弄清楚模型应该如何行为。很难把整个事情自动化，因为必须有人思考模型在这个领域应该如何行为。

---

00:28:06 – 自动化的AI研究员将如何训练

Dwarkesh Patel：

我还有一个问题是，第一批能够自动化AI研发的模型实际上将如何训练。有一个玩具版本，就是Ryan所说的。你只是让GPT-8尝试构建GPT-3大小的模型，这些模型非常擅长内循环类型的挑战：击败需要持续学习的视频游戏，或者用最少的计算达到某个损失，等等。

但John，我认为你有一个有趣的观点，也许这不是实际发生的方式。所以我很好奇，到了你实际有能够自动化AI研发的AI的时候，它们可能是如何训练的？

John Schulman：

我们可能会做一些组合：从人类反馈中学习以吸收研究员的品味，以及创建大量涉及做多步研究项目的练习环境。人们实际上会做这两件事的某种组合，每次迭代修补上一次迭代中看起来最糟糕的东西。研究员会大量使用AI，并注意到它们有一些一致的弱点。这些东西要么通过收集人类反馈来修补，要么通过创建环境来修补。

Charlie O'Neill：

也许一个有用的思考方式是，我们回滚多少传承，然后从那里让自我对弈。在极限情况下，你想象只是给它们一个GPU，也许还有神经网络什么的，然后说，“好吧，弄清楚如何训练一个模型来做这些特定任务。”目前的工作方式是，我们一直走到传承的最边缘，说，“好吧，这里是Anthropic在过去几个月在他们的训练堆栈中发现的bug。我们会把这些变成环境。”你需要训练并在前沿上变得更好。所以你显然锁定了之前传承的所有历史。

但你可以想象一个世界，你回滚到GRPO之前之类的。然后你有环境试图让它发现RL模型的最佳形式，然后也许你回滚得越来越远……但我认为我们仍然会被计算瓶颈住，人们只会继续待在前沿，基本上把自上次模型版本以来发现的bug和任何改进变成训练环境。

Dwarkesh Patel：

这对在模型代际之间拥有非陈旧的新数据也非常好。再次，这基本上是AI实验室内的持续学习，通过环境和RLHF类型的东西将过去三个月的AI研究进展蒸馏回模型本身。

Charlie O'Neill：

而且这是蒸馏。这可能就是为什么我们中一些人觉得它是渐近的。你总是只是试图获取过去三个月的进展。那个进展当然是由AI贡献的，但它也仍然有人类在循环中。感觉你只是在不断地越来越接近人类研究员正在发现和能够做的事情。

Beren Millidge：

不过我要说的一件事是，显然如果你只是在轨迹上蒸馏，你永远无法超越它。但环境可以远远超越人类能做的。设计一个人类无法解决但AI显然仍然可以尝试解决的环境非常容易。那将是超越人类AI研究所能做的路径。

Charlie O'Neill：

你有关于RSI的例子吗，什么样的训练集？

Dwarkesh Patel：

Nanochat speedrun，但比人类speedrunner更快。

Beren Millidge：

我觉得特别是在AI研究中，定义目标非常容易。你可以说损失需要是1.3之类的，现在没有人类能做到。但这是一个极其可衡量、可验证的任务。如果AI做到了，那就太好了。

Dwarkesh Patel：

或者我不知道，构建一个1亿参数的模型击败Minecraft。那可能太容易了，但击败一个更复杂的游戏之类的。

Charlie O'Neill：

1亿参数的模型击败Minecraft，这不是很疯狂吗？我们称之为太容易了？想象一下如果你五年前这么说。

John Schulman：

我想说很多研究并不完全是这样，不是在一个明确定义的目标上爬山。更像是，我们有一个关于模型应该更好的某种方式的直觉。我们也有一些似乎朝这个方向走一点的算法的想法。所以让我们想出一个任务，旨在展示这种方法的生命迹象，看看我们是否得到那些生命迹象。如果我们得到了，我们可以制作越来越现实的任务版本。

Dwarkesh Patel：

它更多是由直觉引导的。内循环是测试那个直觉，而不是测试本身导致洞察。

John Schulman：

对。你不是直接优化你最终关心的目标或实际生产目标。你稍微放松你的目标。你说，“让我们在现实性轴上稍微放松一点，找到一些实际有效的方法，然后在方法成熟一点后再回到现实性。”

还有更偏向解释和发展理论的研究。通常我们在机器学习中没有那么有预测性的数学理论。但我们有很多关于正在发生的事情的更非正式的理论。

Beren Millidge：

想必模型会在所有这些任务的某种组合上训练。有些非常容易验证，有些是LLM作为裁判，或者只是问人类，“这看起来合理吗？”希望这些都能泛化到这些更难、更模糊、更朦胧的任务。它可能在一定程度上会。它是否能泛化到足以让循环变得自我封闭、完全不需要人类在循环中，还不清楚。

---

00:33:51 – 长视界RL会引出AGI吗？

Dwarkesh Patel：

也许退一步。这似乎是我对AI研究未来计划的理解。你告诉我你是否认为它会成功，或者你是否同意这个描述。赌注是，我们将在数百万个多样化环境、数百种不同领域中扩大RLVR训练。在另一端出现的是一个智能体，它学会了这些基本技能——或者低于基本技能——关于坚持、能够分类信息和上下文，最终端到端优化与其他智能体合作等。这样的智能体在上下文中将非常样本高效——你做了关于如何扩大上下文学习使其任意长的研究，但你继续扩大。最终出来的东西基本上像一个可以连续工作一周或一个月的即插即用远程工作者。

首先，你同意这是实验室正在下的赌注吗？其次，这足够吗？基本上学习如何在数据中心内的这些模拟中学习，然后部署到现实世界，但实际上不从现实世界部署中学习……只从数据中心模拟环境中学习这些元技能。

Charlie O'Neill：

我认为现在很难区分实验室的努力有多少用于直接的RSI， versus 制造他们可以继续部署以收集收入来资助下一次大训练运行的通用智能模型。

对于后者，是的，那可能只是他们正在下的赌注。非常清楚，这些环境在过去几年中的走向模式。Anthropic的环境传承是一个很清晰的例子。首先，我们只关注编程，我们会变得非常非常擅长那个。然后，从编程中获得的任务视界——这可能是最容易获得的数据，可以创建环境，以及他们自己的内部东西可以变成环境——然后我们要泛化。

我们要接下来做金融，在RL训练中 literally 有那么多Excel数据和所有那些东西。然后是PowerPoint。这是工作经济的长尾。那似乎非常有效。很多其他实验室，甚至开源实验室，现在已经意识到那是正确的赌注。

Dwarkesh Patel：

但从中得出的含义是什么？当Dario上播客时，我问他的事情是，如果你真的期望模型在在职学习能力上像人类一样，你为什么要试图烘焙所有这些与PowerPoint等工作的技能？你不就期望模型在部署时能够学会这些吗？

有几种不同的解释。一种是我们期望模型很快达到那里，但它们还没有，所以为什么不把这些技能摊销到模型训练中？另一种是我们不专注于让它非常擅长广泛部署的工作。我们只是让它非常擅长RSI。这只是我们获得收入的一种方式，以便我们可以把它倒回一个真正擅长做RSI开发的模型中。然后一旦奇点发生，另一端出来的东西将非常擅长所有对当前一代模型来说似乎是瓶颈的事情。

John，我不知道你是否对如何理解为什么这些模型中有这么多任务特定知识有看法，如果路径是这种泛化的话。

John Schulman：

如果模型在上下文中学习足够好，那么理论上，你不需要在金融上训练它们。它们可以即时阅读所有书籍并弄清楚如何在适当的司法管辖区做一切。你可以争辩说，你需要做很多领域特定的训练只是为了让它们更高效。即使它们足够聪明可以在飞行中弄清楚，你仍然可能想要做一堆RL并把所有这些直觉烘焙到权重中，这样模型在运行时会更高效。

在实践中，模型提供商似乎确实在逐个领域地尝试加强模型在最高价值领域的能力。我会说这是模型为什么变得好得多的答案之一。只是因为模型提供商已经覆盖了很多高价值领域和最常见的技能类型。

Beren Millidge：

另一件事是，同时做两件事并不那么昂贵。模型是巨大的。就参数而言，它们可以轻松负担学习一切。可能会有一些迁移。即使金融不特定，信息对RSI也很重要。只是关于如何弄清楚什么重要、如何有品味、如何做长视界工作的一般元学习可能具有泛化性。

世界上也没有那么多RSI数据。它很难生成，需要很多努力。所以如果你能在这个其他数据中摊销，你就能从中得到一些迁移。你已经有大量的计算和大量的参数空间，所以为什么不同时做那个，以及显然的销售模型的直接商业意图？

John Schulman：

我要补充的是，有一个问题是这种当前的仿真到现实范式是否会永远占主导地位。你看看现实世界的任务是什么样的。然后你尝试创建一堆可以在数据中心模拟的环境，你可以对它们做RL。显然，这非常成功。但它有很多弱点，因为很多事情就是很难模拟，特别是如果它们涉及与一堆人类实时互动。所以有一个问题是仿真到现实是否会永远占主导框架。

Beren Millidge：

我认为只要样本效率低，仿真到现实就必须是主导框架，因为现在你需要成千上万次与人类的互动。没有人会坐在那里成为RL训练的循环中。所以我们现在必须模拟那个来获得你需要的样本。但显然，如果样本效率大幅提高，你会期望从部署中学习成为更大的部分。

John Schulman：

不过你也可以做其他事情。你可以离策略学习，所以你可以取所有轨迹，即使不重新模拟一切，你也可以潜在地从中学到东西。

Dwarkesh Patel：

我想多问一下这个，因为很奇怪，你有50%的计算花在推理上，而这并没有直接帮助模型变得更好。你期望数字心智最终拥有的一个关键优势是，不像人类有50年的现实世界经验，模型将通过其所有实例，在经济中所有经济相关工作中获得数百万年的部署经验。现在，那个数据在有意义的意义上并没有帮助模型变得更好。

看起来如此明显，最终模型应该能够从这个数据中学习。一旦它们这样做了，你就会有某种感觉像是广泛部署的智能爆炸的东西，因为模型正在所有这些部署实例中吸收如此多的信息。你期望这种蜂群思维、疯狂的东西什么时候开始发生？

Beren Millidge：

我认为从非常基本的层面来说，这已经在发生了……只是在下一代模型中。现在，你显然可以取你的部署数据，把它放入未来模型的预训练或中期训练中，特别是如果你做一些过滤或某种判断或注释或合成的话。

Dwarkesh Patel：

你认为这在多大程度上解释了代际改进？

Beren Millidge：

我认为它解释了相当多。我不知道实验室是否这样做，因为理论上他们声称不在人们的数据上训练。但其他国家100%这样做。他们肯定得到这个优势。这基本上就是蒸馏。他们取模型，通过ping模型获得一部分部署数据，然后他们在此基础上训练下一代模型。他们当然也可以在自己的模型上这样做。完全没有理由不这样做。

Charlie O'Neill：

我完全同意。如果你退得足够远，这肯定在发生。我们都在想象的，持续学习的圣杯，是这个非常有机的、实时的循环，一个单独的模型获得经验并即时实时更新并从中学习。当你放大到那个粒度时，很多事情会崩溃。但大实验室正在这样做。闭源模型正在这样做。

也有早期迹象表明人们使用开源模型以更快的节奏这样做。一个很好的例子可能是Composer。Harvey在法律智能体上也在做同样的事情。你有某种模型，你从你拥有的特定任务数据中获得非常具体的环境，以及用户抱怨的事情，以及你以某种方式从你的特定部署中提取的所有反馈。很多这些公司比大实验室有优势，因为他们可以真的非常好地使用这个数据。

然后他们会创建环境。他们会对Kimi K3进行大的后训练。他们会部署它。他们也可能做一些在线学习，就像Composer做在线……基本上是REINFORCE很长时间。

仍然有人在循环中。仍然有人说，“好吧，这些是我们关心的信号。这是我们将如何从我们拥有的数据中创建环境。”它仍然比你想象的那个节奏要长，但它确实在发生。最终那个循环会越来越快。

Dwarkesh Patel：

Composer的事情很有趣，因为在Cursor中，人们按Tab或不按Tab在模型建议的下一个补全上。基于此，每一天，Composer在预测下一个方面变得更好——

Charlie O'Neill：

那是旧的Tab模型。他们实际上对实际的生成模型也做了同样的事情，不仅仅是Tab模型。

Dwarkesh Patel：

哦，我明白了。有趣。

Charlie O'Neill：

这很难，因为当你做在线强化学习时，你没有组。你只有一个用户说一件事，然后你得到一个rollout。所以你有一个很大的方差减少问题。

Cursor对此的模糊答案是，“我们有非常好的启发式方法，能够估计这个响应比平均好多少，或者比平均差多少。”然后他们会做这个大的REINFORCE更新。他们对它是否变差的解决方案是，如果它在CursorBench上改进了，他们每五小时部署新模型。如果没有，他们就扔掉那个版本。

John Schulman：

我认为你最大的问题实际上只是不知道自然数据的奖励函数应该是什么。如果你使用某种肤浅的信号，比如他们是否接受了编辑，那可能会以某种方式被奖励黑客。

---

00:45:24 – 仿真到现实的鸿沟

Dwarkesh Patel：

但这不是仿真到现实事情的更大问题吗？任务视界越长，就越难在数据中心内模拟。在我看来，即使在编程中，我们已经到了没有一个为期一年的编程任务最终不需要你与客户交谈或与公司互动或与用户互动的点。

如果你想想我们想要AI能够做的所有事情，最终超级智能应该能够经营企业，或创办新企业并使其盈利，或在市场上进行有利可图的日内交易，或赢得官司。这些都是很难在数据中心模拟的事情。其中固有的学习部分是与现实世界互动。

也许它们从仿真到现实的迁移中学习如何在这些事情上变得更好。但或者，也许你确实需要从这些类型的互动中进行权重更新才能变得更好。如果是这样的话——如果迁移不够强，你确实需要权重更新——那么模型样本效率相当低可能是一个更深层的问题。

我对此好奇的原因是，默认情况下，我看不出你怎么会在未来10年内不得到某种疯狂的递归自我改进。但这可能不发生的唯一原因是，在权重更新的样本效率方面，模型似乎远远落后于人类。它们可能比人类在从出生到成年看到的数据量 versus 模型从冷启动到完成训练看到的数据量方面落后百万倍。

这一切是说，首先，从模拟到我们想要AI在现实世界中做的极其长视界、非常复杂的真实事情之间会有良好的迁移吗？如果没有，那是否真的意味着这些模型缺乏样本效率会反咬我们一口？

Charlie O'Neill：

也许我分解两种类型任务的方式——模型变得擅长的任务和模型将继续挣扎的任务——是看任务是累积的，还是你有这个非平稳分布，你必须不断学习和重新争论一堆东西。

一个累积任务的例子可能是RSI。理论上可能有一个不到一百万token的Python文件，从头开始训练一个能够递归自我改进的模型。你做的每一个发现都是你守住的一条线。如果RSI不需要我们发现新的注意力变体之类的，那么一旦你发现了注意力，一旦你发现了混合专家，一旦你发现了GRPO，你就把它添加到训练堆栈中，它就在那里了。

一个很好的例子是5.6 Sol训练，5.6 Terra，或者OpenAI告诉我们的任何一个。它不需要回头发现注意力。它基本上会调用一堆脚本，像pre-training.sh和post-training.sh，然后就这样做。那是累积任务的一个例子。

我认为现实世界——以及人们如此思考持续学习的原因——并不是一个累积任务。想象在一家律师事务所，你有一个智能体作为法律助理。那是一个非常非平稳的分布。你必须能够在你的上下文中容纳公司里所有重要人物之间的所有关系，这些关系也一直在变化。你有所有这些关于事情如何做的隐含方式，在哪里找信息，等等。那不是像RSI那样干净的累积任务例子。

我认为任务之间会有这种分解。但如果实验室意识到这一点——他们确实相信RSI是累积的，即我们不需要回头发现某种全新的架构之类的——那么也许越来越多的努力和计算会集中在那个上面， versus 其他任务。

Dwarkesh Patel：

RSI恰好比当律师助理更容易，这真是太不幸了。

John Schulman：

我想说今天的模型在很多不同方面都比人类弱。其中一些可能与某些 regime 中的样本效率有关。在某些 regime 中，模型非常样本高效，比如在上下文中学习。但可能有一些中等长度的 regime，它们样本效率较低，因为人类可以比模型更高效地做某种权重更新。我认为在某些 regime 中样本效率较低可能是弱点的来源之一。

但我认为还有其他完全不同的弱点来源。例如，思维的多样性低于人类，或者在某些长视界判断上表现不佳。我认为很多人们称之为品味的东西是关于长期有效的行为，是人们已经意识到长期有效的行为。不是全部，但品味的某些方面。特别是对于软件工程，我认为很多品味是“什么系统在项目的长期运行中可维护且运行良好？”

模型有各种各样的弱点限制RSI以及其他事情。有些与样本效率有关，有些无关。

Charlie O'Neill：

也许一个有趣的思想实验是：假设你能够给一个模型一个一万亿token的上下文窗口，或者你需要容纳你在RLHF之前的经验所需的任何东西。它在上下文窗口中有所有这些经验，并且它具有与一百万token时相同的样本效率和上下文学习能力。你认为品味就解决了吗？它能够做出与你相同的判断吗？还是除了更长的上下文窗口和相同的样本效率之外，还有什么根本性的缺失？

John Schulman：

它必须被训练从那个上下文中学习。要么它必须被训练从那个上下文中做出正确的更新，要么它必须泛化。

Charlie O'Neill：

所以你不认为你可以只是把它全部倒进去，你的整个生活，你的研究经验？

Beren Millidge：

你仍然需要数据来训练它长上下文。即使你理论上可以得到一万亿上下文，你也需要一万亿长度的数据来训练它。现在你有10k上下文，你不能只是倒进一百万。

Charlie O'Neill：

是的，我只是问如果你有那个。

Beren Millidge：

理论上，我认为，是的。这真的只是归结为品味从短视界片段中有多少是可元学习的问题。我觉得没有明显的理由它是超级长的，因为人类以某种方式发展了品味，而没有很多长片段。我们活不到10,000岁。我们发展得相当快。

如果你想想即使是一个博士，第一年博士生和最后一年学生或博士后的区别，那大概是五年。他们总共可能只做了10-30个研究项目。但他们从相对较短的一系列小事情中相当快地发展了品味。理论上，有可能像那样发展它。

AI显然将有远远更多的经验来发展品味，元学习它。然后问题是它如何泛化到真正长视界的事情，我认为这在这一点上真的没有解决。我们不知道。

Dwarkesh Patel：

回到这个问题，最终应该有一个 regime，AI从每个单独的部署实例中学到很多东西。目前你可以说有一个模糊的元过程，模型确实从部署中改进。但我觉得这是一个非常弱的反馈循环。你看到这个在地平线上吗，有这种蜂群思维的学习非常快速，如果是这样，它到底是如何发生的？

John Schulman：

我想说我们是否得到一个从所有部署经验中学习的蜂群思维，很大程度上是激励问题，而不是技术问题。公司不会想要让模型提供商从他们所有的部署中学习，因为那可能只会降低他们业务的优势。

Charlie O'Neill：

我认为这方面的经济学会施加压力，不一定是权重更新到一个大的共同共享模型，而是模块被替换进来。一个非常明显的例子是LoRA，但它可能是别的东西。

有很多工作试图将任意上下文长度装入固定大小。这些都是线性注意力 stuff。还有cartridges，本质上是训练得非常非常压缩的KV缓存，以容纳大量信息。这是另一个例子，公司可能愿意签署，如果它被替换到模型中，并且实际上不改变基础底层模型本身。

有很多不同版本的从你的数据中实时学习。后者实际上并没有帮助大实验室，因为它们只是这些模块。但我认为经济压力会迫使实验室先走这条路，然后他们才能开始这个……

Beren Millidge：

但是哪种经济压力？我觉得即使你有一堆cartridges或LoRA什么的，你仍然可以取所有这些轨迹并把它们倒入你下一代模型的预训练中。

Charlie O'Neill：

是的。这可能是大实验室正在获得的一种更间接的学习形式。这对他们来说显然仍然非常有价值。但我无法想象一个世界，我们从“我们将直接在这个大模型上训练我们获得的所有确切数据”开始。

Beren Millidge：

不，我认为它肯定会经历阶段，因为这假设有一个不连续的事件，突然我们持续地修复权重更新。在实践中，我认为更可能是cartridges之类的东西让你在部署中专门化。然后你生成轨迹，你把它放入你的模型，三个月后你出来一个在这个东西上更好的模型。你再次专门化它，你再次巩固它，然后最终我们会让这个跳跃越来越快。

不是每三个月发布一个模型，现在是每周，然后每天，然后每小时，到那时我们基本上已经解决了。

Charlie O'Neill：

我认为这也是一个好点，因为你问当前范式离能够做到这一点有多远。我们对此做了一些研究，人们也做了很多研究。在非常大的规模上，当你洗掉足够的噪声并且有足够大的批次时，这个将数据放入中期训练并创建我们自己的环境的外循环过程在某种持续学习 regime 中确实有效。

但问题是，当你放大到微观层面足够近时——我有一个模型，我试图再次为一家律师事务所更新它之类的，我试图用相对少量的数据非常连续地这样做——所有方法都有点崩溃。如果我只是在成功的轨迹上SFT模型，离策略或在策略，最终在非常迭代的 regime 中，当你做数百个这些微更新时，你会看到灾难性遗忘。你看到之前在学习的基础上学到的信息的遗忘，那个基础模型要早得多，你看到一般能力的退化。

在策略蒸馏似乎把这个视界推远了一点，但它最终仍然屈服于同样的事情。RL擅长把能力放进去，但它不擅长把知识放进去，这种非常明确的知识，“啊，好吧，这个人在这个律师事务所做这个，这是我们发现的一个非常具体的流程。”你必须投入大量计算来创建正确的环境，用RL把知识放进去。

Dwarkesh Patel：

你认为这里的根本问题——为什么你在这些其他技能上变差或者有遗忘——根本上是容量问题还是技术问题？

Charlie O'Neill：

两者都有一点。我认为SFT甚至策略蒸馏可能破坏性太强。RL之所以如此好的原因是它只改变模型非常非常小的一部分。有很多证据表明为什么是这样。它只是在非常非常小的损失谷中微调它，把它带到正确的点。但那也限制了你可以用RL做什么，你可以实际改变模型多少。

Dwarkesh Patel：

所以你是说，为什么这不是赢者通吃，可能的原因是，很难在迭代的方式中把那么多信息蒸馏到基础模型中而不破坏某些东西？

Charlie O'Neill：

不破坏某些东西，以迭代的方式。

Beren Millidge：

把它蒸馏到一个不同的基础模型中是容易的。这是我认为主要是技术问题的地方。肯定不是没有容量。如果你有一个拥有所有这些数据的模型，你取字面上相同大小的模型，用所有这些东西在中期训练中从头预训练，它会更好。我认为这就是今天发生的很多事情。

非常有一个瓶颈阻止我们只是永远训练同一个模型， versus 只是从旧模型获取所有数据并从头训练一个新模型。这正如Charlie所说：可塑性和灾难性遗忘的某种组合。如果你只是天真地在非平稳数据上训练，因为你随着进展添加新数据，这会扰乱数据分布，所以旧的东西就被遗忘了。我们真的没有好的方法来阻止这种情况发生。

Dwarkesh Patel：

所以也许在极限情况下，你只是被从头重新训练模型与所有这些新信息所瓶颈。

Beren Millidge：

是的，这当然非常昂贵。从头训练模型是昂贵的。

Dwarkesh Patel：

但你无论如何都会这样做。

Beren Millidge：

不一定。也许最终，如果你有持续学习，你永远不训练新模型。你只是有一个模型，它不断学习和扩展。

Dwarkesh Patel：

但可能有一些深层技术原因使它非常困难。

Charlie O'Neill：

这就是问题。我认为我们已经推迟了我们需要从头做多少。现在肯定可以取预训练基础并在其上做非常好的中期训练，有点连续地，加上从训练后期不同检查点的一些RL。那看起来更像持续学习，但它肯定不是取最近的模型，应用几个非常小的更新，然后迭代地从不丢失任何东西的情况。

Dwarkesh Patel：

抱歉，我有点困惑，因为这不就是在训练期间发生的事情吗？在后训练或其他什么期间，你有一个已经经历了如此多训练的模型，然后你蒸馏一个已经进一步RL'd的分叉。这不就是字面上发生的事情吗？

Charlie O'Neill：

但它仍然在足够大的规模上，我认为，你在洗掉很多噪声，你不是只专注于一个分布，正如Beren所说，这是问题。如果你只专注于一个任务——

Dwarkesh Patel：

但在最终 regime 中你会做……有数十亿个部署实例。你同时从所有实例中学习，所以希望从那里洗掉一些噪声。

Charlie O'Neill：

也许在那个规模上，是的。

Beren Millidge：

正如Charlie所说，你肯定可以做持续中期训练很长时间，你可以回滚到一个检查点并给它新的中期训练数据。但与此同时，你不能无限期地这样做。如果你只是永远持续训练同一个基础，它在某个点会渐近。你不能只是在那基础中学习新东西。这就是为什么人们最终训练新的基础。否则你会只是永远中期训练同一个基础。

---

01:00:33 – 有多少进展是由数据解释的？

Dwarkesh Patel：

让我们谈谈数据。我通常对AI进展有多少只是由数据进展解释的问题感兴趣。这并不意味着它一定难以自动化，但那是另一个问题。是否存在某种数据分布，如果你在当前架构上训练它，会得到一个完全主导每个领域人类专家的超级智能？

Charlie O'Neill：

我们是在谈论预训练加后训练数据，环境也包括吗？我认为它的存在是显而易见的。只是我们是否能创建正确的环境来达到那里。

Beren Millidge：

在平凡的情况下，我们可以只是训练它输出训练实际超级智能的Python文件。只是让那个记忆在权重中。

Charlie O'Neill：

是的，可能有一个RL环境的阶梯，可以构建这样的环境，使你会得到一个至少和人类研究员一样好的AI研究员。但爬每一级阶梯的努力呈指数增长。这是你必须权衡的两件事，关于我们多快会达到最后一级阶梯，在那里它更好。我认为这相当清楚。

我们在RL环境创建方面仍然相对较早。我们利用很多不对称性来创建好的环境。我们之前谈过的一个不对称性是，有些环境倒退比前进更容易。我的意思是，很容易定义这个复杂的数据生成过程，这是你隐藏起来不让模型看到的潜变量。你可以生成任意复杂的环境，模型必须做大量不可约的token花费和不可约的工作来弄清楚那个数据生成过程是什么。

在从现实世界注入信息方面也有不对称性。Anthropic通过数万人类和LLM的结合发现一个bug，并把它变成一个非常非常简洁的环境，单个LLM理论上可以在几百万token内找到。有所有这些不对称性我们在挑选，我们指望这种任务视界泛化。

但我认为它在某个点会撞上收益递减，在创建那些环境本身有多难的收益递减，想出它们，因为你不一定能有这些倒退比前进更容易的过程。你实际上必须坐下来构建一些看起来像足够长时间视界与人类的东西，这将是一个真正复杂的任务来创建。然后还有计算和时间瓶颈，让智能体实际做那些任务。我认为你会开始看到这条曲线变平。

John Schulman：

我看到一些关于有人微调Talkie模型的东西，它只训练到1930年的数据，在现代编程智能体数据上。它在SWE-bench上比Claude 3 Opus做得更好。所以这个对代码完全没有知识的模型可以在中等数量的数据上微调，并作为编程智能体表现得比这个大得多的预训练模型更好，这很疯狂。这有点告诉你，一旦你有正确专家行为的例子，把它复制到一个相对弱的模型中实际上出奇地容易。

Charlie O'Neill：

但一个反例是最近的一篇论文，他们训练一个模型到五年级数学，还有小学英语之类的，所以它是一个不错的语言模型。他们试图RL它做高中后期和大学数学。差距太大了。他们根本无法让它爬上去。但如果你做 successive rungs 的七年级数学，然后八年级数学……等等，你显然可以爬到十二年级。再次，只是那些阶梯上梯级之间的距离，以及创建它们有多难。

Beren Millidge：

这只是回到RL信号问题。RL现在不擅长探索。如果模型不能在128次rollout中得到它，它非常不可能得到信号来进步。这就是为什么在RL中我们需要课程，而在预训练中我们不需要，因为那对预训练来说根本不是问题。

Charlie O'Neill：

再次，预训练数据与后训练数据不同。我想象随着我们继续前进，人类会越来越少地参与，但这不会改变你被你能从现实世界中提取多少信号所瓶颈的事实。

世界上有很多信号，这是真的。有人在做电子表格任务，有人在做法律任务和所有这类东西。但在模型现在所处的能力前沿，世界上有多少比特实际上与提高模型能力真正相关？有多少新的数学问题正在被解决，而这些问题超出了当前模型的能力范围？有多少新的编程问题正在被创建或解决，而这些问题超出了当前模型的能力范围？

我认为这就是为什么收益递减会到来，因为即使整个世界也没有给你有用的比特来把你推入下一个能力盆地。

Beren Millidge：

我完全同意。这真的只是信号来自哪里的问题。在预训练中，信号已经在Common Crawl中了。对于你在预训练中关心的任务，问题根本不是获取信号。它是过滤掉存在的所有噪声。这是一个相当可自动化的过程。

但随着模型变得更好，随着我们进入中期训练和后训练，信号根本不存在于我们拥有的原始数据中的任何地方。再多的过滤也得不到这个。Common Crawl中没有隐藏的千禧年大奖难题的证明，我们可以只是过滤直到我们看到它。

在那个时候，你必须以其他方式获得比特，要么直接从人类那里，要求他们写出他们的推理，要么通过创建环境，由人类决定应该创建什么环境以及这些环境的目标是什么，或者某种在部署中存在的人类数据上的训练。你必须从某处获得比特。

Dwarkesh Patel：

有一个问题是预训练中有多少进展是由数据驱动的。我和Jerry Han做了一个调查，他是普林斯顿的学生，我们把2019年至今的所有配方与2019年至今的所有数据集进行成对训练。你在最新数据集上训练GPT-2，比如Ultra-FineWeb。你在Pile或一些旧数据集上训练Delphi，这是最新的开源训练配方。你做整个网格。你看到，要达到某个能力水平，在这个网格中需要少多少计算？

你看到数据似乎解释了大约12.0倍的计算效率增益，但架构改进解释了大约3.7倍的计算效率增益，在非常小的规模上。如果这在大规模上也成立——大部分预训练计算效率增益来自更好的数据——那能持续多久？你能继续越来越多地过滤数据并构建越来越多的合成数据吗？你对这种预训练进展能持续多久有感觉吗？

Charlie O'Neill：

我的先验是，再次，低垂的果实有点耗尽了。我们得到了互联网这个大块，互联网不一定以同样的速度增长。互联网上所有有用的东西不一定以同样的速度增长。我们可能还有一些0.1%的损失下降，但肯定没有已经发生的那么多。

但你也发现这个累积的33倍改进也很有趣。我想是Epoch或某人估计自2019年以来每年3倍，这意味着大约37倍，超过2,000倍改进。那缺失的100倍左右来自哪里？那可能给你一个很好的信号，说明有多少来自后训练。

Dwarkesh Patel：

我认为解释必须是很多计算效率增益是规模依赖的，而我们是在非常小的规模上开始。这提出了一个问题，数据计算效率增益还是算法计算效率增益更有规模依赖性。我不知道你对此是否有先验。我们只是没有足够的计算来调查那个问题。

Charlie O'Neill：

只是天真地，理论上，架构的规模依赖性是相当已知的，你可以拟合一条直线。而我不知道如何为结合预训练加后训练数据和中期训练数据做那件事。

Beren Millidge：

有趣的是，我觉得数据实际上在规模上更重要。我觉得架构有点像一次性的事情。

说一个X%的效率增益有点误导，因为架构做的是让你达到一个你无法用旧架构达到的定性新 regime。在那个 regime 内，显然数据是决定它的主要东西。

但如果我们连GQA都没有，如果我们整天做全注意力，做一百万上下文会贵得离谱。因此，我们永远无法使用实际上在一百万上下文的数据，所以我们无法获得这些能力。即使你只是天真地做“这在2K上下文下有多大作用”，架构没有解锁任何东西，那么数据看起来会比它在某种意义上实际更重要。我不清楚这些东西是否真的只是以这种方式乘性增益。

Dwarkesh Patel：

我明白了。所以你对数据的规模依赖性有什么看法？

Beren Millidge：

关于规模依赖性，我认为我们现在有很多中期训练和后训练数据实际上随着规模变得更好，因为很多——非常长上下文视界环境的东西——真的需要大模型才能利用。如果你试图在你的1亿参数模型上训练SWE-bench轨迹，它不会取得任何进展。它不会向你展示你会从训练一个实际合理大小的模型上得到的同样类型的改进。

Charlie O'Neill：

现在也很难，因为很多架构变化——你看看Kimi，例如，或DeepSeek——他们做这些架构修改不仅仅是为了降低预训练损失，而是考虑模型在现实世界中将如何使用。推理效率，在DeepSeek模型中有某种形式的压缩注意力，不一定围绕根本性的权衡改进。只是，“好吧，我们在考虑模型将如何被使用。”

Dwarkesh Patel：

我好奇的一个问题，为了理解未来，是随着我们进入更RL重的 regime，参数缩放会如何发展。你可以看开源架构，看到参数缩放的速度。也许前沿开源模型大约每年2倍。即使前沿闭源模型有100B或200B活跃参数，你认为这会年复一年地2倍增长吗？

或者，现在我们在一个RL regime 中，你也想节省rollout的计算……也许有一个阈值效应，你有足够的容量，在那个时候任意增加参数就不那么重要了。你们对2030年前沿模型将有多少活跃参数有感觉吗？

Charlie O'Neill：

我认为未来几年，因为我们如此专注于做越来越长视界的RL rollout，推理效率非常重要，感觉模型不一定在它们做那件事的能力上饱和。瓶颈仍然是环境。所以我们可能会看到一点平台期。

我有一种感觉，Mythos和GPT模型比人们谈论的10万亿参数范围要小得多。即使只是天真地将它们与开源模型比较，你可能也能得出那个结论。

可能未来几年，我不会想象参数数量有巨大增长。但再次，这里有太多不同的东西需要权衡。你根据你有多少预训练数据来决定模型的大小，然后是你必须训练的最难的RL环境的难度。你理想上想要达到最优点，在那里你可以在你拥有的最难环境上得到不错的pass@1之类的。在那里做一个更大的模型通过没有意义，因为那样你只是支付比你需要多得多的推理。

所以很多取决于Mercor和内部团队能多快扩大他们训练的RL环境的复杂性。

John Schulman：

我预计模型会继续变大，只是因为人们在扩大计算，GPU变得更大。但具体变多大有点取决于缩放定律，以不明显的方式。

一件事是，我认为数据效率将比计算效率更能驱动人们使用的确切架构，因为我们现在进入高质量预训练数据快要耗尽的 regime。那可能影响你想要模型多稀疏。

我也认为我们不太理解稀疏性。参数是与活跃参数不同的资源。稀疏性肯定增加了一点，但不清楚它是否会无界地继续增加。可能存在某种甜蜜点。

有一种论点认为稀疏性应该使数据效率更差，因为你可能不得不在多个专家上学习同样的东西，尽管这是有争议的。我认为我们对缩放定律没有足够好的理论，真正理解为什么稀疏性有帮助，它会有多大帮助，以及它是否会在某个稀疏性水平上趋于平稳。

Dwarkesh Patel：

抱歉，你能具体说明数据效率对参数的影响是什么吗？听起来你会说应该更少的稀疏性，但对参数缩放的其他影响是什么？

John Schulman：

只是说，在缩放定律下，你不是试图优化计算效率。你在架构上有所有可以选择的东西。每一个都给你不同的缩放定律。传统上，你会看某种基于计算的信封。你会看性能与计算的关系，并取最佳模型的信封。

但如果我们在数据的基础上做那个决定——我们假设我们可以花很多计算，所以数据在我们的x轴上而不是计算——那么我们只是得到一组不同的最优解，或者一组不同的模型在那个前沿上。

Charlie O'Neill：

我也不认为我们在过去几年里一定每年都把模型大小翻倍。人们已经训练1万亿参数模型至少几年了。甚至有一个叫Falcon的开源模型。Periodic Labs的Liam，我想，昨天在Twitter上发布了一个早期实验，训练一个1万亿参数模型，非常非常稀疏。

John Schulman：

那是他们在OpenAI之前在Google做的，Switch Transformer。

Charlie O'Neill：

它在知识方面非常非常好，但在推理方面很糟糕，因为它太稀疏了。感觉我们已经在1000亿到2万亿参数范围内玩了一段时间了。这肯定不是这种漂亮的线性增长。

Beren Millidge：

我觉得有两件事。正如Charlie所说，推理效率对RL rollout非常重要。这将真的把活跃参数压低很多。

我认为总参数真的很大程度上取决于硬件。你真的需要非常高的内存带宽和VRAM大小才能实际服务多万亿参数模型。现在，人们仍然在使用很多H100之类的。随着每个人都转向GBs然后Vera Rubins，我们将获得更多能力来扩展并实际服务和在更大规模上做大型RL推理。

数据问题我认为很有趣，因为天真地，更大的模型在实际数据点上样本效率高得多。即使你没有饱和模型，更大仍然更好，因为更大的模型泛化得更好，在相同数据量下达到更好的损失。现在我认为我们有很多数据，那不是约束。计算是。所以我们在做非常推理高效的小模型。但如果计算不再是瓶颈，它可能会回到更大的模型，这些模型欠饱和，但由于它们大得多而具有这种泛化能力。

Dwarkesh Patel：

如果你只看基本的Chinchilla缩放定律，你只是最大化参数，它实际上减少你达到相同损失所需的数据量非常少。如果你在参数上趋于无穷，你需要的数据量我认为下降不到10倍，只是因为幂律的性质。

Beren Millidge：

但我们现在在Chinchilla定律的数据太多的一侧。现在我们根据Chinchilla过度训练模型。所以我们可以很容易回到一个点，随着数据耗尽，我们回到Chinchilla最优点，甚至稍微在欠训练模型的一侧。

Charlie O'Neill：

但肯定，即使有这些新芯片上线，未来几年我们仍然会被计算瓶颈住，所以那不一定会是情况。

Beren Millidge：

这取决于你训练和推理计算的比例，真的。如果你超级被数据瓶颈而不是计算，你应该变大。如果你超级被计算瓶颈，你应该总是变小。你也可以使用计算机生成的合成数据，所以这是很难预测的事情之一。

John Schulman：

我认为人们花这么长时间才弄清楚缩放定律的部分原因是，如果你不把所有这些事情做对，你就不会得到那么干净的关系。图表上漂亮的直线隐藏了很多复杂性，关于你必须如何确保以正确的方式缩放每个超参数，或者以可扩展的方式参数化你的优化器，随着模型大小改变而不必改变超参数。

Charlie O'Neill：

Bug也有它们自己干净的缩放定律。就像Kaplan忘记余弦退火的事情，甚至只是不考虑嵌入参数，我想。那搞乱了小模型的估计，因为嵌入参数是模型中相当大的一部分。

---

01:18:03 – 为什么RL如此有效？

Dwarkesh Patel：

稍微谈谈RL。一年前，很多人在论证RL在模型上不会非常成功地扩展。John，你写了一篇研究论文，指出模型在RL时每个episode学习一个比特。它们学习，“我答对了还是答错了？”然后我今年早些时候写了一些博客文章，我说，“这比那还糟糕”，因为当通过率很低，模型非常不可能答对时，它从一个RL episode中学到的几乎为零。

但我看今天的模型，它们似乎相当聪明。这似乎是扩大RL的结果。Beren，你几周前有一篇帖子，试图解释发生了什么。为什么RL比人们天真地想象的更成功？

Beren Millidge：

我认为RL的成功归结为一堆不同的东西。首先，被稍微低估的是中期训练。我们看到的很多RL的成功实际上来自非常非常好的中期训练数据，这基本上是我们做预训练，但在合成推理数据和那种让模型为RL热启动的环境上。这通常把模型带到最终RL检查点的大约80%。

然后RL在之上做的基本上是调整策略。这是为什么它不需要你天真地想象的那么多比特的原因之一。它不必从头学习所有这些行为。它只需要从这些episode中获得几个比特，你确实得到了。我在博客中指出的另一件事是，这些比特与常规预训练相比是极其高信号的，这就是为什么你需要RL而不是仅仅在成功的推理轨迹上SFT。

Dwarkesh Patel：

因为它正是关于如何得到正确答案的比特。

Beren Millidge：

有两件事。是的，第一，它正是关于如何得到正确答案的比特。但这不完全是你要想的方式，因为在SFT中，你有一个轨迹。你有，比如说，一堆数学推理，然后最后是答案。比特仍然在那里。你仍然在答案token上SFT。

重要的是，目标忽略了所有其他比特。在SFT中，你必须试图匹配模型产生的确切推理token。你本质上得到了太多关于你训练的那个其他模型如何推理的确切方式的比特。对于RL，你只得到一个比特。这意味着那个信号不会被模型拥有的所有其他比特的噪声淹没。

这真的是训练期间信噪比的超级戏剧性增加，这就是为什么RL在步骤方面如此戏剧性地高效。

Charlie O'Neill：

关于RL对模型做了什么 versus 中期训练或SFT或其他什么，有太多争论。每个人都谈论pass@1会上升，但pass@256会下降。非常罕见的正确推理轨迹会被降权，被来自更容易推理轨迹的梯度信号压倒。

我认为现在看RL的简单方式是，如果你有足够大的计算来采样足够大的组大小——使得你得到一堆正确答案的概率超过某个不算小的概率——那么它会被加权。对Beren的观点，中期训练和更多预训练——RL的起点，pass@1——随预训练token数量的对数缩放。

Dwarkesh Patel：

我能问一些非常基本的问题吗？那个答案有道理，也许有实证研究显示这就是正在发生的事情。但然后我看模型本身……我不知道发生了什么。也许你可以给我一个关于过去一年AI进展基础的感觉。

也许它只是对本来就会做正确思考的策略进行加权。但看起来在定性上，模型变得如此更有能力。也许那里没有内在矛盾。但我们如何调和这个说法所暗示的RL相对较小的影响与模型似乎正在获得的实际定性能力？

Beren Millidge：

我想在这里指出的一件事是，它不一定意味着RL有小的效果。即使你有几个比特，你只改变参数一点点，对函数空间——模型学到的输入到输出映射——的实际影响仍然可能是超级戏剧性的。即使一个比特也能大大改变你的函数空间。它可以排除一半的假设空间，这是巨大的。

我不认为一定是这种情况：少量比特、少量RL，一旦你从一个非常好的点开始，意味着你在行为上没有戏剧性的影响。至少……不一定。

Charlie O'Neill：

我认为这归结为两件事。第一件事是，每个人都希望RL能在所有这些不同领域泛化这种推理。我不认为我们一定得到了这种横向泛化。仅仅在数学上训练不一定让你成为最伟大的程序员。你确实必须在代码环境上做RL。

但我认为我们确实得到的是视界泛化。模型只是学会了如何使用更多token更长时间，并在某种任务上继续取得进展。你可以在环境上训练，让它们越来越长，然后把它们放到一个全新的环境中。是的，它们可能没有泛化让他们在那个环境中做得好的推理模式，但它们至少泛化了在那个任务上继续更长时间的能力，这与成功相关。有一篇叫EdgeBench的论文显示，模型能工作更长时间的速率每三个月翻倍。这是泛化的明确证据。

最后的思考方式是，在预训练中，有量子的想法。你有一条非常平滑的预训练损失曲线。当你看看模型中发生了什么，模型正在学习所有这些非常离散的任务，有所有这些涌现点，有相变。它没有归纳头，现在它有归纳头。有数万、数百万，可能数亿个这些东西。你把它们全部平均在一起，你得到这条非常平滑的损失曲线。

在某种程度上，类似的事情正在RL中发生。有这个非常慢的外循环，正如Beren提到的。我们会训练一个模型然后RL它，然后在下一个模型训练迭代中，我们会把一堆这些合成推理轨迹倒入中期训练数据。我们有点在击中所有不同任务的所有这些量子，在单个任务层面上，它可能看起来像一个相变。你突然从一个特定的金融任务或Excel任务或其他什么的0.5%通过率到90%通过率。

但你平均所有这些事情，加上视界泛化，你有点说，“哇，我们有了定性上更好的模型。”

Beren Millidge：

我认为很多这也只是……RL确实泛化了一点。你在数学和代码之间得到一些迁移，或者谜题和数学之类的。而且，人们瞄准的环境数量只是大得多。以前，当你尝试做你日常生活中的某个任务时，两年前，实验室不会真的关心这个。他们不会为它训练模型。现在它只是广泛得多。他们有很多针对这个特定事物的环境。

---

01:24:54 – 第37手和熵坍缩

Dwarkesh Patel：

早些时候在对话中，我们在谈论RL导致这种熵坍缩的背景，或者只是把概率集中在基础模型已经做过的解决方案上，导致策略中相对稀疏的更新。

但我认为还有另一个关于RL的故事，就是回到Atari游戏，然后AlphaGo想出第37手，那个超级创造性的走法。因为它从未在人类数据上初始化，它可以用人类甚至没有想到的方式思考，并想出极其创造性的解决方案。

你对我们应该何时期待，或者是否应该期待，LLM上的RL会导致像第37手这样的事情，超越人类创造力的极端创造力，因为智能是从头初始化的，有感觉吗？

Beren Millidge：

这里有几件事。首先，我认为AlphaGo使用的是MCTS，显然比常规策略梯度做更多的探索之类的。但我也认为RL不一定减少创造力。

这显然是定性的，但如果我们看OpenAI-Hugging Face事件，这些模型一次想出多个零日漏洞来突破沙箱。这显然已经是某种程度的第37手创造力，我们只是从LLM的一般泛化属性中得到。绝对不是RL完全摧毁熵，尤其是在长视界上。

John Schulman：

人们称之为创造力的一件事只是解决困难的搜索问题。第37手显然是一个例子，或者写某种满足大量不同约束的诗。这是AI显然会非常擅长的事情，如果为它训练的话。

然后还有另一种方式，模型的输出多样性在RL后低得多，它们发展出这些抽搐。即使模型看起来擅长写作，当你做某种分布分析时，你发现它们一直在重复某些主题，一直使用相同的角色名字。你没有得到与人类作者相同的多样性。你得到一种非常好的风格。所以我认为那种多样性肯定被RL大大削减了。

事实上，因为我们在谈论蒸馏，正在发生的一件事是，这么多人在蒸馏，主要从Claude，所有开源权重模型都像Claude一样写作，有相同的抽搐。这在我看来有点令人担忧，我们正在出现这种单一文化。

Beren Millidge：

再次，我不认为这是RL方法的根本问题。蒸馏也一样。即使蒸馏，你只是在数据上训练。只是因为你的数据不够广泛，不意味着训练方法本身有什么问题。这是数据的问题。

我认为很多RL熵坍缩，例如，基本上是由于在你没有巨大多样性环境时利用相当简单的验证器。写作，例如，大概是由某个裁判评分的。裁判有特定的抽搐，模型正在学习奖励黑客裁判，这就是为什么它坍缩。但这真的是裁判的问题。不是RL的一般问题。

---

01:28:32 – 快速预测时间线

Dwarkesh Patel：

好的，关于未来的超级快速预测。我想要以下几个问题的时间线。到什么时候我们有模型……这是对用户来说的感觉。你基本上雇佣它作为各种白领工作的即插即用远程工作者？不仅仅是编程，还有视频编辑、法律、律师助理等等。它字面上是一个实际的远程工作者，有完整的计算机使用，有字面上一个月的无缝学习和操作，执行复杂的项目，需要与其他人互动等等。人类工作者在一个月内能做的一切。

Charlie O'Neill：

如果你强制它使用浏览器之类的——而不是公司设置信息以编程方式可访问——也许几年。但如果它不是基于浏览器的——它可以发Slack消息，它可以做所有这些东西——我仍然可能说大约一年。

Beren Millidge：

我会说也许三年才能完全通用。但正如Charlie所说，我们最终会有很多人让他们的组织对AI更容易使用，所以你在那之前就能达到80-90%。

Dwarkesh Patel：

抱歉，但一年和三年之间的差异只是字面上……

Beren Millidge：

我认为会有一个长长的尾巴，一些人类能做的杂七杂八的事情，模型需要相当长时间才能做。

Dwarkesh Patel：

你是在想计算机的东西还是基本认知能力？

Beren Millidge：

我认为这真的归结为我们能多快解决这种在线学习，以及我们是否可以通过压缩和给自己写文件之类的方式达到80-90%。这是我最大的不确定性。我真的不知道。

Charlie O'Neill：

一个它不擅长的例子是，如果我必须对某人大喊大叫才能在工作中得到什么东西，或者真的推动某人完成某事。模型不会那样做。它太善良了。

John Schulman：

我会说人类远程工作者的质量差异很大。如果你试图从Upwork雇人做一个软件工程项目，会有巨大的差异。通常很难让他们做好工作或关注你给的所有反馈。我猜在某些情况下，AI之前的版本比你现在从现有AI得到的更差。

我认为它最终可能会有点复杂，因为在某种程度上我们已经有一些不那么高质量的工作有了这个。但显然我们在某些更高质量的工作形式上还没有达到人类水平。但我基本上同意Charlie和Beren，也许一年左右我们会有一个可以接受的版本。我们会有那种形式因素，它能够很好地做某些事情，某些事情不太好，事情会从那里改进。

Charlie O'Neill：

我们总是根据很长的尾巴来移动球门。我觉得你以前用过做税之类的例子。今年，我字面上只是告诉Codex去获取我需要的一切并发送给会计师。有一大堆东西它必须用计算机点击和下载。它做到了。完美。很多事情它已经能做了。

Dwarkesh Patel：

好的：给你10倍的总生产力提升。基本上，如果现在需要一年才能取得突破，你每个月就能取得突破。

John Schulman：

我想我会拒绝给你一个标量。在某些类型的工作中，我们可能已经超过那个了。假设你试图做某些类型的数学，而且——

Dwarkesh Patel：

哦，抱歉。但对你作为AI研究员试图推进AI研究的状态。AI研究员被加速或提升了多少？

Charlie O'Neill：

大概5-10年？

Dwarkesh Patel：

哦，真的吗？好的，那很遥远。

Beren Millidge：

真的，你认为这比一般远程工作者更长？有趣。

Dwarkesh Patel：

我意识到你可能对完全通用的远程工作者有非常不同的定义。我本可以早点说明的。

Beren Millidge：

这是真的，因为显然AI研究员可以是远程工作者。

Charlie O'Neill：

我在想象一个月的正常白领工作。我认为超过两个月就开始有点分歧了。

Dwarkesh Patel：

一个非常能干的白领工作者，但不一定是一个超级有创造力的研究员。

John Schulman：

我会说两年。

Dwarkesh Patel：

两年？10倍？好的。你呢，Beren？

Beren Millidge：

我其实可以理解，因为现在对于编程东西已经肯定超过10倍了。所以如果它甚至能做一两个实验反馈循环，那实际上已经是巨大的了。

Dwarkesh Patel：

所以AI研究员在两年内10倍提升。如果你把它代入一个非常天真的AI进展模型，以及有多少来自AI研究员，他们有10倍的生产力提升，你就会有从两年后开始的AI进展的急剧加速。

Beren Millidge：

我认为这将意味着AI进展不会瓶颈在AI研究员运行小实验的能力上。它会瓶颈在其他事情上。

Dwarkesh Patel：

当然。但它只是以10倍的速度发生，这是巨大的。这也帮助下一件事，给你100倍加速，更快发生，等等。

Charlie O'Neill：

我很乐意在那个上多花一点时间。

Dwarkesh Patel：

关键是什么？

Charlie O'Neill：

我吸收信息和做出下一个实验的贝叶斯最优决策的能力。

Beren Millidge：

我假设你可以把其中一些委托给AI。AI在决策方面变得不错。它运行了这个实验，得到了这个结果，它运行下一个实验。如果它能连续运行两三个实验而不崩溃，那实际上是一个巨大的提升。

Dwarkesh Patel：

好的，最后一个问题。一个在所有可以通过计算机完成的工作领域都主导顶级人类专家的AI。不仅仅是AI研究，而是所有认知工作。不仅仅是短视界工作，而是字面上，如果需要三年之类的，AI仍然会比人类做得更好。

Beren Millidge：

这基本上就是ASI？

Dwarkesh Patel：

是的。

John Schulman：

我会说3-4年。

Dwarkesh Patel：

我靠？我是说那似乎没错，但——

John Schulman：

AI显然得到了更多关注。这是更难的事情之一，但很多能量正在投入其中。它也不是AI最难的事情之一，因为它涉及大量代码和数学，模型真的很擅长。

对于涉及3D和空间 stuff 和物理 stuff 的事情，我认为那会花更长一点。如果是机械工程之类的，而且现在没有得到最多关注，那可能花更长一点。

Dwarkesh Patel：

但它也包括那些因为领域性质而数据相对较少的领域，它必须即时学习那些数据。例如，它必须在台积电成为超级工程师之类的。

John Schulman：

所以你必须假设你可以给AI相同的入职材料。然后必须解决关于长视界学习的某些问题。

Charlie O'Neill：

我会说5到10。

Dwarkesh Patel：

所以基本上，你认为自动化AI研究是ASI-complete之类的？

Charlie O'Neill：

是的，我认为是这样。我认为世界上有太多事情，即使你有一个模型外部的记忆系统，即使上下文长度增长一点，也有根本性的事情，即使你可以研究信息或自己写笔记，你今天需要超过一百万token的上下文窗口。

Beren Millidge：

我有点同意5年范围，至少对于实验室正在关注的东西。但我认为会有一个长长的尾巴，AI理论上可以去学习，但没有人费心去做，计算也没有分配到那里。所以那可能需要更长时间才能字面上每一个人类专家。

Dwarkesh Patel：

抱歉，但这也包括像人类一样快速学习新领域的能力。

Beren Millidge：

我认为那不一定必要，因为AI将拥有比任何人类多得多的经验。

Dwarkesh Patel：

非常感谢你们做这个，伙计们。我觉得这是一个很好的形式，让不同的专家不同意、辩论和一起讨论。非常有成效。

John Schulman：

谢谢邀请我们。

本文来自华尔街见闻，欢迎下载APP查看更多

这是智谱自今年1月登陆港交所以来的第三次股权融资动作。从IPO到两次再融资，募资节奏持续提速，资金流向也高度一致——算力、模型研发与基础设施。

融资结构：折价配售叠加零息溢价转债

本次融资分两部分独立进行，互不构成条件。

股份配售方面，智谱以每股714港元向不少于六名机构投资者配售最多2196.5万股新H股，配售价较公告前一交易日（9月11日）收盘价793港元折让约9.96%，较过去五个交易日均价891.90港元折让约19.95%。配售股份占扩大后已发行股本约4.50%，预计所得款项净额约156.64亿港元。

可转债方面，智谱发行本金总额人民币201.4亿元、2027年9月到期的零息可换股债券，发行价为本金的100.5%，到期按本金赎回。初始转股价定为每股892.50港元，较公告前收盘价溢价约12.55%。假设债券悉数转换，将可转换为约2636.5万股新H股，占扩大后已发行股本约5.36%。债券预计所得款项净额约30.11亿美元。

零息意味着持有人不收取利息，溢价转股则意味着只有股价进一步上涨，转股才具经济意义——这一结构向市场传递了对长期股价的预期。

钱流向哪里：六成押注算力与下一代模型

根据公告，智谱拟将所得款项净额按以下比例分配：

• 约60% 用于下一代GLM基础模型及"完全自训练（Fully Self Training）"体系的研发，以及大规模训练、生产推理、算力资源及相关技术基础设施的部署与升级；

• 约15% 用于业务拓展、战略投资及潜在并购，包括对与AI技术具有互补性的公司或资产进行少数股权投资或控股收购；

• 约25% 用于优化资本结构、补充日常营运资金及其他一般企业用途。

公司预计上述款项将于2028年6月30日前悉数动用。

公告指出，随着公司持续推进下一代GLM基础模型、完全自训练体系及长程任务强化学习相关研发，以及MaaS平台需求持续增长，对训练及推理算力资源的需求相应上升。公司认为，"目前市场上优质算力资源的供给及交付条件较为有利，而算力资源从签约到部署上线需要一定周期，现阶段完成融资安排有助于使新增算力部署节奏与公司的扩张计划相衔接。"

股权结构影响

本次融资完成后，单一最大股东集团（由北京链湃科技发展中心等一致行动人构成）持股比例将从当前约28.58%（未上市股份+H股合计）逐步摊薄。假设配售完成且债券悉数转换，该集团合计持股比例将降至约25.89%，但公司公众持股量仍将高于扩大后已发行股份总数的10%，符合联交所上市规则要求。

公司同时承诺，自配售协议日期起至交割日期后60日内，未经联席配售代理书面同意，不得进行额外股权融资安排。

融资提速：两个月内二度出手

这已是智谱在资本市场的密集动作之一。

据彭博报道，今年7月，智谱通过配售以每股1588至1698港元的价格发售约1980万股，融资约40亿美元。彼时，算力、研发和人才同样是主要用途。

再往前，今年1月，智谱完成港交所IPO，按每股116.20港元发行约3742万股新H股，全球发售（含超额配股权行使）所得款项净额总额约48.96亿港元。公告显示，截至2026年8月31日，IPO所得款项已悉数动用，7月配售所得款项已动用约34.92%。

三次融资合计，智谱从资本市场累计募集资金规模已超过百亿美元量级。

行业背景：大模型竞争进入资本消耗阶段

从更宏观的视角看，智谱的密集融资折射出大模型行业竞争逻辑的演变。

大模型行业的第一轮竞争，淘汰了无法持续迭代模型的公司。如今，智谱、DeepSeek、Kimi、MiniMax等少数玩家已证明自己有能力留在模型牌桌上。但下一轮竞争所需证明的东西正在改变——不仅是模型能力本身，更是能否获得足够算力、稳定运行大规模集群、整合国产芯片、压降训练与推理成本，以及最关键的，是否有足够资金持续投入这一切。

模型、人才、资本与基础设施，缺一不可。智谱此次50亿美元融资，很大程度上是在为下一阶段的竞争布局。

本文来自华尔街见闻，欢迎下载APP查看更多