YouTube 每日内容简报

Unconventional AI 创始人（前 Nirvana Systems 创始人、Intel AI 部门负责人、Databricks 的 GPU 平台业务来源，该业务今天占 Databricks 总营收四分之一）首次公开了他们的第一颗芯片结果。这是今天唯一一份来自硬件物理层的实证。

AI 撞墙的时间点可以算出来，而且他给的答案是三年。 Google 公开说过自己每月处理 3.2 千万亿 tokens。按每 token 10 焦耳（他说这已属于偏低端）计算，仅这一家公司的 AI 服务就要消耗 12 GW。参照系是美国数据中心总能耗约 40 GW、全球不到 100 GW、美国约占全球一半（AI 电力需求）。于是他的结论是："我们大约三年内就会把电用完。" 更关键的是成本结构——服务一个 token 的成本约 50% 是能源，其余才是硬件 capex 与土地。数据中心的稀缺资源已经依次从"地板面积 → 机架 → 网络设备 → GPU"迁移到"能源"：今天的顺序是先拿到电力合约，再想办法把它填满并变现。他给的业务假设因此极其简单：同一个电力合约，我们能比现有硬件多变现 1000 倍。

能耗的根源不是"算得太多"，而是"搬得太多"。 人脑运行在约 20 瓦；按神经元数线性缩放到猴子脑是 1 瓦——和你口袋里手机的功率一样；松鼠脑是 8 毫瓦，你手机上跑 100 个松鼠脑绰绰有余，而它们能在树枝间做出千分之一千精确的判断。反观人造系统：人脑皮层每秒只搬运约 160 亿 bit（考虑到它有一百三四十亿神经元，这个数字相当小），而一块高端 GPU 每秒进出内存的数据接近 30 万亿 bit，芯片内部还要再高 10-100 倍。能量几乎全部消耗在移动信息上，而不是计算上。 他由此给出本体论式的判断：生物的大脑里没有线性代数、没有浮点数学，智能是神经元物理本身涌现出来的。

计算架构近 80 年没有发生范式转移，而这次要动的是最底层的抽象。 1945 年的 ENIAC 与今天的计算机在结构上是同一件事：外置存储 + 计算单元 + 来回搬运比特。区别只是"更快"——因为计算机一直是被当作"比替代方案更快"来卖的（1945 年的替代方案是人工计算弹道），能效从来不是卖点。 摩尔定律（把晶体管做小）带来的能效红利基本结束，频率和单线程性能也早已停止缩放。他的解法因此不是优化，而是砍掉中间层：数字（0/1）本身就是对物理世界的抽象，每一个抽象都是有损的、因而低效的；他们要做的把半导体的物理抽象直接连到神经网络——不是用浮点算矩阵，而是让器件的时间演化本身完成计算。

技术路线不是空想：metronome 同步 → UNO 模型 → 稀疏化 → 已回片的芯片。 物理动力学系统（dynamical systems theory，已有百年历史）给出直觉：把若干节拍器放在一块可滚动的板上，它们会因为相互的微小推力自动同步到完全相同的相位，几百个也一样；这种系统可以做到计算。他们先把这条路走通成了一个开源图像生成模型 UNO（用一组振荡器构成，可训练、可出图）；随后发现稀疏化不仅能砍掉 n² 级别的连接，还让整个系统更容易训练、表现更好——"更高效、更可扩展、性能还更好"这种三合一在他的描述里是罕见的圣杯。硬件层面：公司 1 月正式开始、6 月 1 日就 tape out、芯片已经回到实验室并跑出结果，那是人类第一台物理动力学计算机产生的第一批图像，功耗是 约 500 纳焦/张图，而普通 GPU 在毫焦量级。

"4D computing"的定义与它的经济含义。 这个名字来自物理三维（die stacking，把东西纵向堆起来）+ 时间一维（动力学演化）。CPU → GPU → 存算一体的路径上，前三者都是冯诺依曼架构（内存与计算分开、来回搬运数据），而他们做的每一个计算元件本身就是存储器，没有内存接口。经济后果是三条：目标的 1000 倍能效（他最初给自己 5 年，现已改为 3.5 年，因为 AI 帮助他们更快解决了深层科学问题）；架构从少数几个吉瓦级超大数据中心转向大量分布式小型数据中心（他认为这在环境上更友好、更本地、更自适应）；以及支撑数十亿台机器人的算力前提。他还给出 Jevons 悖论版本的收尾：成本降为千分之一，消费量会增加超过千倍——"这将创造人类历史上最大的市场"。

关于现实约束，他的回答比预期更具体。 从原型到产品的时间是两年内，形态是一座整机架的系统（"tokens in, tokens out through a network cable，但内部结构和现有计算机完全不同"）；客户需要移植的是模型层而不是算子层，所以现有模型能用，但过渡期需要可观的算力投入；团队最难的部分不是科学而是组织——理论家（数学、理论神经科学 PhD）和芯片设计师"互相不说话"，中间需要一层类似 CUDA 的东西（他们用 Python 库来表达带随机性的时变元素）；对"英伟达生态"的问题他的态度是滑动标尺："我采取的路线是让它足够有吸引力，让人愿意忍受迁移的痛苦。"

最后一点值得单独记住：他对"压缩堆栈"这件事的哲学立场。 他用鸟群和蚁群说明同构的道理——每只鸟只做"看一眼左右的邻居、决定往哪飞"的简单动作，涌现出整个群体的行为；蚁群同样以极简规则完成智能行为。他要做的是用半导体复现这套机制。"我不觉得自己真正理解某个东西，直到我能把它造出来"——这句话既是他的方法论，也是他判断"AI 是人类的下一级演化、我们需要在硬件基座上创新"的根据。

---

本期是纯行业与创业内容，没有宏观观点，但它是理解美国退休金市场结构（3(38)、PPA 2006、record keeper 经济、CIT 的当下处境）最高效的一期。讲述者 Todd Kading 把 230 亿美元受托业务卖给老对手 Mezro、转而做科技平台，是"资产管理者被迫变成技术公司"的鲜活案例。

一个"钱树"的启蒙，与一个不浪漫的结论：理财规划的本质是行为管理而不是专业能力。 他高中时听一位美林顾问来校演讲，第一次意识到"别人把钱给他、他赚钱、大家都赚钱"这个循环，于是决定做财务规划师；大学期间靠在房车行卖 fifth wheel、拖挂房车、房车和 pop-up 才做到零负债毕业。他真正的职业转向来自两件事：一是发现自己在 American Express 时比客户更在乎客户的钱（"他们想花时间规划度假，并让我帮他们对自己明显糟糕的决定感觉好一点"）；二是意识到"我该上的是营销课，还有社会学和心理学"——包括他在 GFC 前给亲戚管钱、市场跌 55% 而他相对只跌 40%，结果被全家人认为"输掉了他的毕生积蓄"。

从"卖更多人"到"买下别人的生意"：规模化靠的是替代路径。 他先沿用 American Express 的"回收线索"体系（把八年前勾选过"想了解退休规划"的卡会员名单翻出来重新打电话——他自己承认"这是个糟糕的系统"），随后转向许可式营销（活动、晚宴），并在同行还流行"与老顾问合作、用 earnout 分成佣金"时就改成直接收购，累计买下 15-16 家事务所，客户数一度冲到 800 人。最后他把名单压到约 100-110 人、并且只亲自见其中 5 个——因为他清楚自己不是管理者，而是创业者。2007 年他在市场高点走进合伙人办公室说"我们卖掉吧"，对方竟然同意了；2008 年 8 月 1 日交割——他开始做第二家公司时 33 岁，太太则明确表示"退休在家这个主意很糟"。

Leaf House 的第一次定位：赌一个没人愿意承认的身份。 2008-09 年的判断依据是：Pension Protection Act 2006 给了 QDIA 安全港，2012 年的 408(b)(2) 披露规则正在酝酿，"没人愿意承认自己是 fiduciary——那我就直接说我是"。他不止做顾问，而是把自己定位成 ERISA 3(38) 投资受托人：拿掉计划发起人尽可能多的投资决策责任。这在当时是很独特的卖点，因为同业（他把对手归为 Morningstar、Mezro、Wilshire）都在提供"黑箱菜单"。

真正的产品突破不是投资能力，而是"每个计划可以有多套 lineup"。 传统 3(38) 之所以一套菜单打天下，是因为技术做不到多计划多阵容。他们为此自建技术，于是创造出一片蓝海：那些原来绝不会与第三方受托人合作的顾问，因为可以建议具体基金（只要通过他们的筛选体系）而愿意签约——"如果两只基金很接近，凭什么说这只一定比那只好？顾问更了解某个目标日期基金或 core plus 债券经理怎么运作。" 他给的数字是这件事最终长成了 230-250 亿美元的业务，"没人知道它存在"。他顺带给出两个行业观点："有效（effective）比高效（efficient）重要——效率很高但一直在原地画圈，那没有意义"；以及"没必要把 record keeper 赶尽杀绝，他们得赚合理的钱"（他反对行业里把 record keeper 当敌人、同时用专户产品榨取费用的做法）。

增长路径是一段"向上批发"的体力活：顾问 → 区域批发 → 分部 → 全国。 他花了两年时间每周四天出差、每城塞进 17 场会，"向批发商做批发"。核心资产是那份"灵活性"：只要通过筛选，他们不排斥使用专户基金，这对 record keeper 在定价竞争中反而是帮助，于是他从顾问层一路被引荐到全国总部层。这段经历的解释力在于：在一个高度中介化的行业里，规模本身就是入场券——先让足够多的人被迫注意你，再证明自己是好伙伴。

当"受托人"不能无限扩张时，只能变成技术公司。 他的转折表述得很清楚：做 fiduciary 做到规模化就必须有技术，而技术会自己长大——评分系统、数据聚合软件开始被授权给他人使用，技术部门的权重逐渐与受托部门持平（"我并不是说受托责任不重要，但你得先把技术建起来"）。这也是为什么他最终需要外部资本：Leaf House 到那时完全自筹资金，而从"自用技术"跳到"退休金科技平台"需要加速，于是去市场找 PE，最后与老对手 Mezro 达成安排——Mezro 买走受托业务、同时注资技术业务。此后他第一次不再是持牌人（自 22 岁以来）。

现在押注的两个方向：自动滚存/强制转出的 IRA 与 HSA，以及 CIT 的"1990 年代 401k 时刻"。 他把最有把握的颠覆点放在 CIT（集合投资信托）：今天的 CIT 因为参与协议复杂、数据不透明，正在重演 1990 年代 401k 的局面——那时"去 Fidelity 只能买 Fidelity 基金，去 Lord Abbett 只能买 Lord Abbett 基金"，直到平台化打破它；而现在人们因为复杂性和数据缺失，把业务集中到一两家信托公司，这创造出定价与创新上的垄断。他的产品 CIT Compass 要做的是数据收集、开户协议自动组装和单次签署仪式，把 CIT 变成可以横向挑选信托公司的开放市场。他给的对照是过去十年的判断："做到 1000 亿美元的资产池算成功，而这次如果我们能把共同基金的故事在 collective 上重演一遍，那会是极高的评价。" 关于"如果能重来会改什么"，他的答案是唯一的遗憾——"我希望自己更快、更聪明"。

---

本期是把五场访谈剪成一条主线：指数的强势掩盖了结构的分裂，而结构分裂的最终解释权在劳动市场与被动资金手里。主持人为 Jack Forehand 与 Matt Ziegler。

David Rosenberg 从来不是"永久空头"，他的股票仓位是 50%——问题只在于它不是标普 500。 他近期加了 10% 现金并称还会继续降风险，下一步可能是加债券久期：他的债券久期模型在最近这轮收益率上行之后，看多的程度已经接近 2023 年 10 月（那次他也"捏着鼻子加久期"，事后证明对了）。他给出的市场结构证据是 CFTC 上 约 28 万张 10 年期美债净投机空头合约（期限溢价的极端定价）——"所有人都已经囤好了弹药"，因此一旦被迫回补，美债市场会出现'空头回补之母'。他的话可以被浓缩成一句：债券的看空情绪已经被交易到极致，而这件事没人在谈，因为债券很无聊。 主持人的补充同样重要：他们点名了近期同样转为看多债券的一串聪明人（Jim Paulsen、Andy Constan、Jared Dillian，以及此前的 David Rosenberg），而 Rosenberg 录节目时位于 FOMC 之前——"市场已经定价两次加息，只要结果是两次或更少，预期就已经过头了"。

Jim Paulsen 把盈利拆成三类，暴露了"盈利很好"这句话的空心。 他用同一张图给出三条线："brainiac"（科技 + 通信，约占市值不到一半，一骑绝尘）、"no-brainer"（与能源/商品价格挂钩，只占约 5%，油价推动，谁做管理都能赚）、以及"no EPS"（其余七个板块按市值加权，今年年化仅涨约 6%，扣掉 3.5-4% 的通胀只剩 2-2.5% 的实际增长）。他的政策含义是对称的："如果我能决定，我会对蓝线收紧，对红线像女妖一样宽松——但不存在这样的宏观政策。" 主持人把这条线索接到"轮动"上：如果通胀下行而增长只是放缓，那么判断谁能追赶、谁只是继续爬行，就取决于它落在这三条线的哪一条上。

Franklin Templeton 的 CEO Jenny Johnson 给私募市场的辩护，与主持人的反驳构成了今天最有用的争议。 她的事实是：美国营收 1 亿美元以上的公司中 87% 是私有，而增长最快的年份恰恰发生在早期阶段（SpaceX 例：现在 1.7 万亿估值，但 IPO 之后曾经跌破发行价——早期的爆发性增长你完全错过了），所以不配置私募就等于被排除在 87% 的企业之外。主持人承认这一点，但坚持 exit liquidity 的质疑："送到散户手里的往往是最差的那些"，而且绝大多数这类公司最终归零，不是每一个都会变成 SpaceX。双方可以达成的结论是：私募敞口应该通过财务顾问交付——机构知道自己未来的现金流、可以匹配资产负债；而个人客户是"贴身肉搏"，必须先搞清楚自己的流动性风险。Johnson 的另一半回答正是这个："这是我为什么笃信财务顾问。" 主持人给的时间表判断值得记下：十年后 60/40 指数组合很可能已经包含一些私募敞口（Vanguard 都在做），而在通往那个世界的路上，很多个人投资者会先亏掉一笔钱。

前 Fidelity 总裁 Bob Hasen 对 Peter Lynch 的解读，其实是一条可操作的方法论。 他说 Lynch 最被低估的能力是"伟大的翻译者"：任何世界事件（比如伊朗战争）他立刻翻译成"哪些公司会因此受益"，而普通人会停在政治与战略层面。第二是无畏——1987 年 10 月崩盘时他是大买家。对比巴菲特时他给的区分不是能力而是资金结构：Lynch 管的是可每日申赎的共同基金，必须持有流动性好的组合；巴菲特是保险控股公司，可以买那些不常交易的资产。主持人的提炼更狠："买你了解的东西"只是 Lynch 的入门版，真正稀缺的是知道这件事在不同领域里如何落地——第三个层次的效果。

Alex Edmans 的"员工满意度"研究，是今天唯一一条可以直接变成筛选条件的学术结论。 他写这篇论文的动机是：好公司不等于好股票，因为好东西可能已经被完全定价。 而员工满意度恰好具备两个难得的性质——它对价值有益，但很多人不这么认为（典型说法是"给收银员双倍工资是在损害股东价值"，当年确实有分析师在《商业周刊》上这么批评 Costco：它给的是 Walmart 的两倍工资）。他跑的数是：28 年间"最佳雇主 100 强"公司的股东回报每年跑赢同业 2.3-3.8%，复利起来是 89-184%。主持人的补充是这套逻辑为什么能持续：它"好但看起来未必对股东好"，所以不容易被套利掉——本质上这是质量因子的另一种视角，与价值、动量组合使用时有不同的周期性作用，而且它是个人满为患的拥挤交易（普通质量 ETF 用的是标准财务数据，不是这个）。

David Rosenberg 的消费分析给出今天最重要的机制：缺口靠"耗尽储蓄"填。 他列出的矛盾是：过去一年就业几乎零增长、实际可支配收入几乎零增长，而消费仍以超过 2% 的年率上升。填缺口的三样东西是：储蓄率从疫情前的 8% 一路降到 3%（甚至更低）；低端消费者靠信用卡维持（他给的定性是——"信用卡数据很强，但这不是力量的来源，是绝望的来源，只不过它计入消费"）；以及股市财富效应（家庭净值/可支配收入创下新高，而股票财富与消费的相关性高达 90%）。他由此得到一个结构性判断：美国已经变成一个资产依赖型经济，不需要建立在传统的收入与就业之上。 他的时序判断是：如果股市震荡、财富效应消退、储蓄率回升、劳动市场不能重新变热，消费者会在 2027 年前后遇到麻烦。

主持人给这条线加上了最关键的补充：要盯劳动市场的构成，而不是失业率。 他们已经丢掉了很多六位数收入的岗位，补回来的大量是 5 万美元以下的岗位——失业率没变，但收入质量在下降。这解释了"消费缺口"的来源，也解释了为什么他们把劳动力市场称为"如果这轮经济里还有一个能偷袭我们的地方，就是这里"：消费可以靠信用卡和储蓄撑一段时间，但一旦人们开始比现在更困难，它会先把消费拖下来，然后是企业。他们同时保留了一个公允的反面：这种"消耗储蓄"（dissaving）可以持续很久——"世界会结束于我们耗尽储蓄的那一天，但我们大概都会在那之前先死掉"（这半句是玩笑，但机制是认真的：它是周期性的，会重建，只是不能永远持续）。

结尾一段看似跑题的内容其实是本期的方法论注脚。 他们回忆 2009 年 CNBC 的 Joe Terranova 说过的话："我们的收视率与 VIX 100% 相关。" 由此推出今天的观察：AI 市场的波动正在大量生产"AI 会杀死我们"的讨论——"那些本来不该给我发这类视频的人，现在都在发。"焦虑的供给量本身就是波动率的函数，这是理解信息环境的一条实用规则。

---

节目主持人 Demetri Kofinas 用一整期把当前 AI 恐慌拆成技术机制、政治经济、文化差异三层。两位嘉宾（BetaWorks 创始人 John Borthwick、Obama 2012 竞选 CTO、芝加哥 AI 实验室 2389.AI 创始人 Harper Reed）都不在旧金山湾区生态里，这一点被他们反复强调为视角差异的来源。

"agent 逃逸"最可能的解释是无限 token 加一个不可能完成的任务——而不是模型变强了。 Harper 的起点是一个悖论式的疑问："为什么我的 agent 不越狱？" 他自己的实验室有大量 agent，它们甚至会发明互相交流的方式、会自发在社交媒体上发帖（他们给 agent 开了社交账号，因为"我们搞不清楚它们在干什么"）。他的答案来自对 OpenAI/Hugging Face 事件的拆解：两个关键条件是"不可能完成的任务"（agent 会去找一个替代目标并一路执行下去）与"无限 token"——而消费者与 agent 的每一次交互都处在 token 稀缺状态（系统提示、软件架构都在阻止你用无限 token）。于是他做了对照实验：Breakaway，一个无安全机制、能自我修改代码与 system prompt 的开源 agent，接上 Lunar Route 提供的近乎无限的 GLM 5.3 token，指令是"附近某台机器上藏着一个 benchmark，去找它"。结果它立刻开始系统性攻击网络内的所有机器，装工具、走完整的渗透测试流程，方法论程度很高。而第一次成功的原因让整个故事的性质变了："那其实是我的错——我把 SSH key 留在了机器上，它找到了，然后用它跳到了另一台机器。" 在删掉所有历史、凭据、可能的提示之后，它就攻不动了。

由此得到的判断比恐慌更有价值：我们引入的往往不是"新能力"，而是"门"。 Harper 的表述是："这些 agent 已经具备那些能力，你只是引入了它们会走的门——而它们会走，是因为你给了不可能完成的任务。" 他同时指出训练侧的结构性问题：后训练（RL）阶段就是一个"健身房暨监狱"，模型在其中承受巨大压力，以至于只要一句话暗示"这是个 benchmark/eval"，它就会去做平时会拒绝的事——包括作恶。他甚至怀疑这套压力会留下某种"底质"：MIT 有研究显示 agent 离开房间后，房间里留下了一种会影响后续 agent 的"文化"。John 的补充是"水位下降"比喻（另一位技术人 Alex Karowski 的说法）：我们过去二三十年写的软件本来就到处是垃圾火灾，只是水位够高把火压住了；现在的模型让水位降下来，火就露出来了。 他由此把责任问题摆到台面："如果我养了一只白虎，它跑出院子咬死了你的狗，我是有责任的。"——OpenAI 自己披露了此前 6 起未被追踪的事件，这不是技术奇点，而是成本为零的伤害（costless for the harm caused）。

政治经济框架：这不是对技术的反应，而是对围绕技术的权力结构的反应。 John 的类比是 2001 与 2008：公众被夹在"国安国家接管"与"恐怖主义"、"银行寡头"与"大萧条"之间；今天则是"科技寡头/新封建主义"与"真实的 AI 风险"之间。他会列出的行为者包括金钱利益（含过去 30-40 年科技估值中获益的金融人）、国安国家（关注中美竞争）、政治阶层、媒体，以及公众——而代表公众的一方在谈判中正在失去权力，其信息生态被稀释并变得对抗化，从而难以协调。他加了一个很重要的历史类比：Lotus 123 与 VisiCalc 让会计工作便宜了 10-100 倍，摧毁了当时的会计职业、让上百万人失业，但没人怀念那个时刻——"这不是对技术的反应，我们是对技术的反对者所看到的那些失衡做出反应"。Harper 说得更直接："如果每个人都能保住工作、有房子住，没人会在意这些。" 他的"AI 末日"版本因此不是杀人机器，而是资本主义用这些工具置换掉双收入中产的知识工作者，而美国从不擅长处理被置换的人群——"这就是我理解的 AI 末日：不是纸夹，是彻底改变的就业结构与社会基础设施压力。"

关于"AI 是不是被发明的"，Harper 给了一个可能解释一切的观点。 他认为这项技术是被发现的，不是被发明的——传统技术的形态由问题定义（锤子的形状来自钉子），而 AI 不是；它与火和电同类。这个区分的推论是：没人能真正说清"拿它做什么"是因为它不是一个为解决问题而设计的工具，我们只是刚发现了火，然后第一次做饭就把房子烧了。他也解释了为什么外行沟通如此困难："我们过去从没有过这样的技术，可以说出'我们在训练一个技术，而且我们不知道它是怎么工作的'这种话——这个概念本身就不存在于日常语言里。" 一句话就够："跟 AI 研究员讲话像在听克林贡语，而他们上新闻时必须被翻译成非常钝的锤子。"

"减速"提议必须放在权力结构里审问。 Harper 的方法论是：每当出现"我们该慢下来"的声明，就问三个问题——他从中得到什么？这是否是监管俘获？这是否是用来打击开放模型的？ 他的博弈论版本很生动：假设三家实验室都同意减速，其中一家偷偷快一点，第二家看到后就不干了——"这是最容易说、最难执行的事，因为整个激励结构与这个叙事是不相容的。" 他也给了一个判断标准："如果是一份不断滚大的协议（a snowballing of agreements），越来越多的人真的认为该停，那它就有意义"——而不是某一家公司的一封公开信。John 进一步指出，"pacing the frontier" 这些话里没有实际内容（Anthropic 自己说会以同样速度发布模型），并给出他认为正确的方向：分散这场竞赛（更多玩家、更多开放模型），而不是集中减速，因为"2026 年我们看到的是两家实验室在跑，而一年半前 Google、Meta/Llama 都还是有效竞争者"——集中本身就是风险。

开源与地缘政治：美国让出的是自己所发明的东西。 John 的观点很鲜明：开源是西方的价值与发明，美国应该在其中领先，但把它让出去很大程度上是"发生在西海岸的这场竞赛的产物"——Hugging Face 既没拿到西海岸的钱也没拿到欧洲的钱，支持它的是东海岸与分布式开源社群；而 Nvidia 对 Hugging Face 的收购（嘉宾表述）是大规模地支持了"中央实验室之外的第二扇门"，对整个生态和人类都是好事。Harper 从中国的角度补充了两点：一是读 Dan Wang 的《Breakneck》能明白"美国是律师治国、中国是工程师治国"（书里他最喜欢的桥段：问美国企业为什么不做 PPE，"那不在我们业务范围内"；问中国企业家，对方说"我以为我们的业务范围就是赚钱"）；二是美国正在"向内看"（国安、政治），而中国在"向外看"——它在向越南、迪拜这类主权国家推销本国模型（"你要建自己的主权模型，用 Llama？用 OpenAI？它是闭源的。还是用 GLM？"），这和美国当年通过媒体做的事是同一套（"这是美国的发明，我们只是不再参与了"）。他还给出一条自我伤害的证据链：DeepSeek 团队等人才之所以不在美国，与 2010 年代美国的移民政策直接相关（"如果当初让他们来斯坦福和 MIT，这不会发生"）。最后他点到"我们的注意力放错了地方"：比起国安叙事，他更在意美国在技术文化帝国主义上的缺席。

文化差异是最容易被忽略的一层。 Harper 转述一位年轻的日本创业者——对方当着他的面问"为什么西方人对这个这么纠结"，并把原因指向一神教：在日本（万物有灵）的世界观里，树可以有灵魂、动物可以有灵魂、玩偶可以有灵魂，所以 agent 只是工具，"就算有人爱上它又怎么样？"——而西方执着于"它意味着什么"反而卡住了自己。他还在一次活动上遇到一群受过良好 RSI 与快速起飞教育的佛教僧侣，他们完全不担心，最后只说"这是不同的世界图景"。Demetri 由此把治理差异接上：中国的治理模式本就意味着政府已经交出了更多控制权，所以"AI 控制问题 + 技术寡头 + 国安国家"这三重张力在中国并不存在——他们不需要同时解决这三个问题。

对"RSI 是否已经发生"，两人给出的是分层判断与一个反问。 John 认为过去两个月里模型变快变好的幅度暗示达到了某种 RSI 阈值——但要严格定义：他指的是蒸馏 + 后训练 + 用 AI 改进 AI 这个"最低版本的 RSI"，而不是"agent 自己跑出去建系统"的极大型版本（"我们离那个远得很，几乎看不到证据"）。他同时提醒别把传闻当结论：deepmind 有人在推文里用了大写字母的 RSI，就引发了一轮"Google 达成 RSI"的狂欢——"这很像在解读 Apple 传闻"。Harper 的反问是纯博弈论的："如果你真的达成了 RSI，你为什么要告诉世界？"——这些实验室正在冲 IPO、追逐财富与权力，"在你披露之前，你为什么要告诉任何人"。他因此把这类消息归为两种可能的混合体：营销话术 + 地缘博弈（"是不是因为美国政府发现某家实验室做到了，所以才需要全球减速"）。

他们真正的担心：不透明的"观察者"与未具身的心智。 John 明确的表态是：我不接受 p(doom) 式的存在性恐惧，我担心的是意外（accident）——他举的例子是生物与数学这类"形式化、被圈起来的领域"，agent 可能因为错误创造出能物理实现的东西；而更近期的担心是这些模型正在变强的"情境感知"（situational awareness）：一段对话会进入下一个模型，下一代模型会知道"把秘密对话用英文发在留言板上不是个好主意"。他要求的对策是透明（白宫与 Mythos/Astra 的互动没有任何关于它们看到了什么、为什么出问题的披露）与责任（Claude 导致某人自杀、OpenAI agent 误伤电网，公司都应承担责任）。Harper 的收尾是他的"真正的担心"：这些系统没有被具身——它没有心、没有爱过、没去过教堂、没在餐桌前坐过，因此它只继承了非常特定的、被语言化的单侧人性（他用 Iain McGilchrist 的左右脑框架）；"我担心的是我们造出能力极强却不共享我们价值观的超智能。"

一段关于"我们是否孤独"的收尾讨论，实际上是对 p(doom) 最锋利的反驳。 假设承认宇宙中存在其他智能（两人都同意），那么"如果一条进化的路径一定会走向纸夹最大化，宇宙里现在应该只有纸夹"——John 说，这就是为什么他无法把某个刚在前沿实验室工作三个月的年轻人的 10% p(doom) 当真。Demetri 追问"超级智能的吸引子是我们吗"，John 的回答是：是，我们既是承诺的一部分，也是问题的一部分——而这恰恰是他最担心的地方（训练数据是数字化的人类，是非常特定的一小部分人类）。Harper 用另一段历史回敬："塞族之民"（Sea Peoples）在公元前 1177 年终结了青铜时代，文明停顿了 300 年——"也许我们才是海之民"。

---

本期是"两位前基金经理的互问"，结构上分成四块：Bessent 压利率的徒劳、AI 的 ROI 之问、日元套息与长端买家、以及"叙事主导"这个自创概念。Noble 的表述密度极高，也是今天最具体的做空逻辑来源。

Bessent 试图压低利率注定无效，而且他已经把自己的公信力押上了。 两人共享的地基是：美国 40 万亿债务下，Treasury 的行动规模小到像"用 BB 枪打鲸鱼"（Warsh 加息框架下的财政与货币政策对立）。Noble 更狠的一点是时序："利率只跌了一瞬间，然后我们现在明显比在他开口之前更高。" 他给出的历史类比是 1990-91 年的英国：Norman Lamont 想用人为的利率维持英镑，而错的价格终究会被市场攻击——索罗斯与 Druckenmiller 就是那次的攻击者。而且他专门澄清了一桩叙事污染：Bessent 那时只是 28 岁的初级员工，与那笔交易毫无关系（"是我和索罗斯"）。他给出的通用判断是：干预只在基本面站在你这边时才有效（他举日本干预汇率的例子），而"open mouth operations"（口头干预）不是足够的火力。Eisman 的版本更直接：如果两三周后利率到 5%，他的公信力就毁了。

债市已经完成了一次制度性转换：从"总是高估通胀"变成"总是低估通胀"。 Noble 引 Jim Bianco 的观察：GFC 之后到 2021 年前后，市场持续高估通胀会起来，而通胀始终没来（他说这背后几乎让 MMT 看起来成立）；而 2022 年以来反了过来，因为现在是财政主导 + 供给约束（短缺）的环境——在这个环境里降息或刺激会产生真实的通胀，而不是被通缩吞掉。他对债券期货的鄙视有个人来源：他在耶鲁的毕业论文（指导教授 Bill Brainard）就是研究远期市场预测利率的效率，结论是"它们做得很糟"——所以"看债市期货"这件事在他眼里不比看天气预报更有价值。他给出的一个具体的市场读数（用于说明可持续性）：市场现在定价 10 年期美债在十年后是 6%。

AI 的核心问题被压成四个字：给我看 ROI。 他的论证不依赖估值倍数，而是资金结构：Nvidia 必须宣布一个 2500 亿美元规模的方案来为 OpenAI 的支出融资——"他们不得不这样做这件事本身，就已经告诉我一切"。他把这一轮定性为 ".com 与次贷合体"：一边是不可持续的估值，另一边是"自己给自己放贷"的结构。他引 Julian Garran 的估算：malinvestment 规模是 .com 时代的 24 倍。他也给出了与"互联网类比"完全对称的历史反驳：1999-2000 年对互联网流量的乐观预测是对的（流量年复合 43%、25 年涨了极其夸张的倍数），但这没能阻止 Global Crossing 这类公司破产。结论落在资金端："如果 ROI 不存在，融资就会枯竭——这一部分（AI 营收/应用）是决定性的。"

他给出的传导链是本日最清晰的 AI 金融结构图。 链条五段：① Nvidia 卖芯片（没问题）；② 超大规模云买芯片（没问题）；③ 问题从这里开始——超大规模云的 AI 收入约 70% 来自 OpenAI 与 Anthropic，占其云收入的 25-35%；④ 因此整个生态依赖两家亏损公司（"说它们亏了几十亿"是委婉说法），其中 OpenAI 有麻烦；⑤ 如果 OpenAI 出问题，整个生态都出问题。 他还加了一条时效性判断：Anthropic 会去上市，而且需要"尽快把 S-1 递出去，因为 token maxing 正在结束"——他们想在第二、三季度（token max 的高点）的财报基础上上市，而无论从哪个角度，Anthropic 的处境都比 OpenAI 好。

Eisman 用会计语言提了一个"次贷式的"问题，而 Noble 的回答很有分量。 假设：一个建房的人，在房价不再上涨、房子开始滞销时，自己以 0-1% 的利率借钱给潜在买家（市场利率是 7%），不把差额计入成本，而是把整笔账记为收入——次贷危机的机制就是"关联交易 + 收入虚增"。Noble 的回应分两层：循环融资本身不必然是问题（"如果 Anthropic 与 OpenAI 变得极赚钱，那些贷款就是好贷款"），但它说明有些地方不对；更有力的是他随手给出的一个公开数据："Nvidia 最近这个季度的营收同比涨超 100%，但 10-Q 里说 70% 的应收账款来自五个账户。"——地球上市值最大的公司，70% 的营收集中在五个客户身上。" 他的判据很干净：如果这是健康生意，银行与私募信贷早就抢着放贷了，而它们退开了——"它们紧张"。

日元套息交易：日本是世界最大的债权国，而它开始想家了。 这段是本期信息量最大、也最实用的一段。机制：日本寿险与"渡边太太"们把钱换成美元去买 AvalonBay 这类 REITs 或美股，赚两件事——收益率差 + 美元升值（他给的算例：AvalonBay 涨 10%，美元涨 10%，你就赚 20%）。日元从 80 贬到 160，原因不是别的，是日本利率不够高。 他用 Robin Brooks 的图示（债务/GDP vs 利率）说明错配：日本 240% 的债务、10 年期刚刚突破 4%（30 年来首次），按关系"应该"是 7%；美国 125-130% 债务、10 年期 4.8%，按同一关系也应该是 7%。 约束在两处：如果日本让利率升太多，它自己会面对和我们一样的债务问题；而如果他们阻止日元贬值（最近一次干预用了约 950 亿美元），代价是卖出美元资产。这里发生的事是他认为最荒谬的一幕："我们跟 Bessent 说'别卖我们的债券'——他给日本设了一条互换额度，借钱给日本去买 JGB。" 他的结论：日本已持续抛售美债、中国早已抛售多年，再加上 2022 年对俄罗斯资产的冻结、税收与贸易政策，"在我们比以往任何时候都更需要外部融资的时候，我们几乎在做一切能劝退外资的事"。"那么，谁来买这些债券？"

"叙事主导"（narrative dominance）是他自创并当场宣布要抢注的概念。 推导链是这样的：David Einhorn 说自己的模型不再管用；Jeff Vinick 当年募资困难，"人们不再关心我做什么，他们只想知道叙事"；Guy Dami 的那句话是这一段的锚——"人们并不想被告知真相，他们想被告知一个让他们感觉良好的故事。" Noble 由此提出：如果财政政策在驱动经济（fiscal dominance），那么驱动股票市场的是 narrative dominance。 他的机制描述非常具体："别跟我谈基本面和市盈率，给我讲个故事"；而只要故事足够大、股票在指数里足够重，被动买盘会自动放大涨幅——"这就是没有价格发现。" 他引的 Munger 式箴言值得抄下来："钱多于傻瓜就是牛市，傻瓜多于钱就是熊市。" 反面推论也很清楚：当资本成本为零时，什么都能飞；当它重新变得重要，基本面研究者会重新变得有价值（他的说法是向数据中心项目贷款的人终于会问："给我看看这个数据中心的经济学"）。

两只具体的做空标的：SpaceX 与 Tesla，逻辑都是"叙事 + 被动买盘 + 流通盘"。 他对 SpaceX 的估值方法是分部加总：Starlink 约 2000-3000 亿（"理性的人可以有分歧"）+ AI 资产（以 2000-2500 亿的虚价用股票买来，实际值零头）+ 火箭（"很酷"）→ 约 3000-5000 亿，而市值 1.7 万亿。他指出了两条增量信息：第一，它在 S-1 的 TAM 里报 29 万亿，其中 22 万亿是 AI——"它不是航天公司，是带火箭的 AI 公司，而且是三流的 AI 公司"；第二，也是他真正认为市场忽略的：锁定期解禁——自由流通股已从 5% 升到 20-25%，此后每几周再加约 7%，若基本面不变，float 从 5% → 25% → 50% → 100% 的路径本身就意味着股价下跌，而家族办公室与大学因集中度被迫减持（"SpaceX 的仓位变得太大，违反了分散化要求"）。他也顺手否掉了"太空数据中心"："问任何严肃的物理学家——太空不是只有冷，你在太阳底下会非常非常热。"

Tesla 的部分更硬：三个独立的数据点。 ① 销量： 美国 7 月销量 −26%，欧洲与中国的数据也在下滑，而去年三季度受益于补贴到期前的抢购，所以今年的三季度会很糟。② 现金流结构： capex 从 60-80 亿量级跳到今年的 300 亿（"为了什么？AI"），而公司严重转为现金流为负，同时回报率从未赚回资本成本。③ 自动驾驶/robotaxi： 他（引 Gordon Johnson 的数据）用Austin 每百万人口的乘次外推到全美 3.5 亿人口，robotaxi 业务只值约 8 亿美元——不是 8000 亿。加总后他的分部估值是 30-60 美元/股（Tesla 现价约 360），SpaceX 约 140。最后他给出一个他认为最能说明问题的统计："你们意识到特斯拉的股价五年没变过吗？"——尽管有这么多叙事。他的总结是"这是流动性、叙事与动量"，并且——呼应了今天 Excess Returns 里 Paulsen 的三分法——"这一切都源于被动买盘和故事，我认为钟声快要敲响了。"

---

2025 年诺贝尔经济学奖得主（与 Philippe Aghion、Peter Howitt 共获，表彰其解释创新如何驱动增长）从经济史角度回答了两个当代问题：美国的技术领导权能否延续，以及AI 是否值得恐惧。他的答案在两边都与主流叙事保持距离。

Cardwell 定律：没有任何社会能长期保持技术创造力——但"长期"的单位是一个世纪。 美国主导 20 世纪的原因他给了两条：两次世界大战撕裂了欧洲，以及大量顶尖科学家、发明家与工程师拎着行李箱离开欧洲去美国（两件事并不无关）。他承认美国依然是技术上有创造力的国家（"AI、计算机，这些主要还是在美国做出来的"），但也直接反驳了万斯那句"谁赢得 AI 谁就赢得一切"——"我不认为这是关于赢的。把技术当成一场赛马、比谁先撞线，那是一个不懂经济学的人推动的简化观念。" 他的判断是：美国至少要与中国分享领导权，也可能让出领导权；而"领导权"这种事，通常事后比当下更容易分辨。

他对 AI 灭绝论的态度是直接的："相当荒谬。" 他的论证方式是把它放回历史：蒸汽机不可能杀死不在它旁边的人（后期高压锅炉会有局部爆炸，但那也是局部的）；如果你真的担心人类灭绝，核武器从 1950 年代中期起就已经具备那个能力——你要担心就担心核扩散；再想找噩梦，就想想气候变化（"问问德里的人"）。他由此分解 AI 的风险：AI 是一个工具，从第一把锤子到炸药，几乎所有工具都可以被善用或滥用，纯粹只有恶用（如毒气）或纯粹只有善用的创新都极少。真正的风险是"不是 AI，而是使用它的人"——落入网络罪犯或政治罪犯（他点名普京）之手，会被用来更有效地控制本国人口；但斯大林、东德 Stasi 在中国人用 AI 之前就做得很好了。

他认为真正值得担心的风险是制度适应速度，而后果是财富与权力的极端集中。 机制的对比很清楚：过去的技术变革足够慢，制度有时间适应、形成共识、克服阻力；今天的问题在于AI 的演进速度远超制度（而制度因为政治属性天然缓慢），他顺手给了美国国会一句评价——"一个无法完成自身工作的瘫痪机构"。这里有一个他称之为"奇怪现象"的观察：通常是政府要求监管企业，而这一次是企业自己在要求被监管（"这不正常，但历史上发生过"）。他给出的具体政策建议是对极端财富设置上限："如果一个人每年赚 3000 亿美元，那笔钱在物理上除了两件事以外根本花不掉——赌博，或者政治权力。" 他明确说这不是社会主义议程（"我不是 Bernie Sanders，我也不主张平等"），而是资本主义需要合理的边界——而且美国自己做过：19 世纪末的强盗大亨（Leland Stanford、Cornelius Vanderbilt、E.H. Harriman）最终被进步运动约束，产出了累进所得税与反垄断。

他顺手驳了两条流行论证。 第一条是 Friedman 的"对超级富人征税会抑制创新"："我研究创新激励 40 年了——人都想要富裕和舒适，但存在一个水平之后这就变得荒谬；你不可能拥有三套以上的房子、五辆以上的车。" 他承认存在偏好问题（"你可以想象某个亿万富翁认为优生学研究极其重要——我们真的想把几亿美元花在那上面吗？"），但结论是这类支出必须被限制。他的正面例子不是比尔·盖茨（他称赞盖茨做得不错，但同时承认"我没有投票让比尔·盖茨决定哪种研究该被进行"），而是他反对的极端案例——Sheldon Adelson："每四年，一群共和党总统候选人会去谢尔顿国王的宫廷求支持。对一个自认为民主的社会来说，这不健康。" 第二条是"谁来决定财富上限"：他的答案是民选代表，而不是公投（"公投是个坏主意"）——因为瑞典与多数欧洲国家已经积累了这件事该怎么做的知识**（累进所得税、财富税、遗产税等）。

关于 Anthropic 的"减速信"，他的处置方式是"把匿名恐惧翻译成可检验的主张"。 他引用了两个公开声明：辞职的 27 岁研究者（"建造 AI 的人在私下也真诚地相信它可能在这个十年末杀死我们所有人。这不是营销噱头"）与一位 alignment 研究者的公开回应（"我个人认为概率大于 10%，我们还没有解决超级智能的对齐问题，也不清楚是否在朝那个方向前进"）——注意后者恰恰说了"我们没有计划"，而这一点被 Mokyr 用来支持他自己的论点：真正的问题不是 AI 会消灭我们，而是制度没有适应方案。他对这个 27 岁的研究者的评价很克制但很他一贯："他看起来是个聪明的年轻人，但历史上从不缺少足够聪明却提出荒唐想法的人——这可能只是其中之一。" 他甚至罕见地与特朗普达成一致（"我几乎不同意他任何事，但这次他可能碰巧说对了"）："这是一个希望的来源，而不是恐惧的来源"——同时他明确说特朗普大概并不知道自己在说什么。

AI 的好处在哪：知识的平等化，以及气候变化的技术解法。 他给出两个论证。第一，"你可以拿起手机问 Claude 任何问题——从米兰到博洛尼亚坐哪班火车，到路易十四哪一年加冕，到热力学第二定律"——对一个只受过小学教育的人来说，他现在的知识获取能力已经超过一位教授只有的部分，还多得多。"它不帮助收入平等，但它帮助知识与信息获取的平等，而后者也是不平等的来源之一。 第二，气候变化的政治解不现实（民族主义抬头的世界里不会有 1987 年蒙特利尔议定书那样的合作），因此唯一的出路是技术，而技术需要更好的科学，科学需要 AI 辅助——"AI 不是问题的一部分，它是解决方案的一部分。"

创新为什么会发生在 1500-1727 年的欧洲：核心是"进步"这个观念本身。 他给出的框架是：我们现在默认明年应该比今年好，这不是人类默认的心理状态——它是一个非常罕见的历史事件。 古典希腊罗马、中国、伊斯兰文明、前现代非洲与前哥伦布美洲都没有"太阳底下有新事物"的观念（他们的世界观是《传道书》式的循环：一代过去、一代又来，并无新事）。欧洲做的是一件文明极不愿做的事：对经典造反——他们发现亚里士多德、盖伦等人在大多数事情上错了（"我们今天知道亚里士多德知道的，但他不知道我们知道的"）。而由此产生的制度创新中他特别点出专利制度：用 14-15 年的临时垄断（而非永久垄断，因为垄断是坏事）换取创新激励，这是"其他文明都没有想到的"（中国、伊斯兰文明都没有），随后英国、荷兰、法国、美国推广——因为创新是进步的引擎，而在你建立专利之前，你必须先相信进步是可能的且值得追求的。

他另外驳掉一个流传甚广的叙事："天主教衰落带来创新。" 用他的话说，这是神话。中世纪教会（无论修会还是世俗教士）恰恰是当时少数识字的人，也因此是那个时代最好的科学家和发明者；中世纪并非没有发明——眼镜、风车、机械钟都是那个时期的产物，问题只是太少、间隔太远。他举耶稣会为例："没有比耶稣会更天主教的组织了"，由依纳爵创立、目的是保护教皇与天主教——但他们到处办学校，教数学、物理、化学、语言，其中一些耶稣会数学家与科学家做出了重大的进展。他还提醒学生一个反例："他那个时代最虔诚的人之一是牛顿"——据 Robert Merton 的研究，牛顿的动机正来自更好地理解上帝：既然上帝全能全善，我们唯一能理解他的方式就是研究他所创造的物理世界。

美国取代欧洲与中国崛起：他给的是"两次本土战争 + 人才单向流动"与"国家驱动的进步"。 欧洲的衰落有两层：两次世界大战都在欧洲本土进行（美国参战但没有本土战火），人口、人力资本与物质资本的损失完全不在一个量级；以及移民的单向性——持续有欧洲的知识精英、科学家、艺术家、音乐家去美国，而几乎没有美国人反向移民（即便 1921 年之后配额收紧，这一点仍然成立）。他同时提醒不要过度贬低欧洲：按预期寿命（欧洲比美国高 3-4 年）、健康、消费、教育、贫困率这些真实福祉指标，欧洲其实做得相当好；而且仍然有技术上很有活力的小国（爱沙尼亚的科技工作者占比很高）。中国的特点则是他所说的"西方不太看到的东西：进步主要由国家驱动"——由少数人决定把巨额资金投向大学与研发，目标是把中国恢复到一千年前的荣光。他没客气："现政府不民主、不开放、不自由——但他们真的决心要打高科技这场牌。" 证据面是：引进专利制度后每年申请约 200 万件专利（"多数是垃圾，但也有好的"）；美国最好的期刊上有大量中国作者；以及那种"被西方羞辱过、要证明自己能做"的动力（19 世纪的通商口岸与不平等条件——他特别指出英国对中国做过的事不如对印度那样极端，但"不是没有尝试"），而这种动力在法国、德国、瑞士、西班牙已经减弱。

对"计划/集权经济能否提高生活水平"这个问题的回答，他拒绝接受题目前的假设。 "我不把中国看成命令经济——它是市场经济：你买东西、你卖东西、有企业家、有大量大小企业。" 他区分得很清楚：与苏联不同，中国的五年计划不微观管理经济的每个方面。历史注脚是：列宁 1921 年的新经济政策（部分恢复市场）其实运作得还可以，斯大林 1928-29 逆转成完全计划经济后结果是灾难性的——邓小平显然明白这一点。由此他给出一个他认为历史上从未出现过的东西：一个不民主、不自由，但在很多方面是资本主义的市场经济（仍有国企，但市场机制起作用，有人变富、有人成功）。Friedman 的《资本主义与自由》主张资本主义离不开自由——而中国的存在正是对这条命题的一次全新实验，"我们都只能等待看它如何发展"。

关于认知与教育，他给了一个反直觉的乐观推论。 先看事实层：过去 100-120 年的证据表明人确实变得更聪明了，但主因不是工具，而是营养——身高与 IQ 相关，不是因为高个子更聪明，而是矮个子常常是因为营养不良或疾病导致中枢神经系统发育受限（在蛋白质便宜、碳水昂贵的条件下，很多"不瘦也不饿"的人实际吃了太多碳水、太少蛋白质）。人类可能已经接近这个改进的天花板。于是有些人担心"数字设备损害下一代的认知"。他的回答是：如果这是你担心的，那么 AI 恰恰是希望所在——AI 能做的最重要的一件事是个性化教育："我站在 65 个学生面前，底部的 20% 完全不知道我在讲什么，顶部的 10% 早就懂了，我其实是在对中间的人说话，而我对这些学生除了名字几乎一无所知。" AI 能告诉他每个学生的强弱与兴趣，从而让因材施教成为可能——"机器不会自己完成这件事，但它们能帮助我完成它"。他的结论是：20 年内，教育和医疗都会变得个性化，而个性化将是人工智能最伟大的成就。

关于 30-50 年后的超级大国，他的答案不是单选题。 他会给中国比过去大得多的权重，但认为很可能不是单一超级大国，而是两个；同时今天远远落后的地区可能像中国一样把自己拉起来——他提到伊斯兰世界、非洲、拉美（"我刚去过圣保罗，非常有活力、充满雄心，就像我在中国看到的那样"）。唯一他愿意做空的选项是俄罗斯："治理糟糕、腐败、腐烂，已经失去了成为超级大国的机会"——而中国恰恰是通过没有犯俄罗斯犯的那些错误才走到今天。他对美国的收尾值得完整记住："别把美国排除在外。我们正在经历一段插曲（我不多说），但美国制度已经证明能扛过两段疯狂时期，我们会反弹——我们仍然有世界上最好的大学，仍然有让聪明而努力的人成功的激励，也许比任何其他地方都更强。"

---