AI为期两天的熊市结束了,资金为什么先买回存储?

TL;DR

  • 6 月 5 日美国芯片股大幅去风险后,美光于 6 月 8 日反弹接近 10%,6 月 9 日韩国市场跟随修复,SK海力士、三星电子明显上涨。
  • 结合财报、DRAM/NAND 涨价和韩国芯片出口数据,存储当前更容易被市场按 EPS 上修定价。
  • 关联标的:美光、SK海力士、三星电子、西部数据、闪迪、英伟达、博通、迈威尔、Coherent、Credo、SOXX半导体ETF、SMH半导体ETF。

经历了 6 月 5 日的半导体暴跌之后,市场的关注点很快从「为什么跌」转向了另一个问题:跌完之后,谁会先涨回来。

答案并不均匀。据路透社报道,美国上市芯片股市值一度蒸发超过 1 万亿美元,费城半导体指数盘中跌近 8.5%。个股层面,美光跌约 13.25%,英伟达跌约 6.2%,AMD 跌约 10.86%,博通跌约 7.92%。但到 6 月 8 日,美光很快反弹接近 10%;6 月 9 日,韩国市场里的 SK海力士、三星电子也同步走强。

资金没有离开 AI 半导体,而是在板块内部重新筛选。当估值开始接受检验时,市场关注的重点也从「谁拥有 AI 故事」转向「谁能够最快把 AI 需求兑现为利润」。相比仍在交易未来产品周期、客户导入和资本开支扩张预期的部分 AI 硬件环节,存储的需求增长已经更直接地体现在订单、价格和财报中。

这也是存储率先获得资金回流的原因。市场买回的不只是存储本身,而是其背后更容易被验证的 EPS 增长逻辑。

暴跌意味着高预期交易被重估

这轮去风险的触发点之一,是博通财报后的预期差。

从绝对数字看,博通的基本面并不弱。据公司公告,FY2026 Q2 收入为 222 亿美元,同比增长 48%。公司预计 FY2026 Q3 总收入约 294 亿美元,并预计 AI semiconductor revenue 达到 160 亿美元,同比增长超过 200%。

但市场选择卖出。原因不是 AI 需求突然消失,而是 AI 半导体资产在过去一年多已经积累了很高预期。当一家基本面强劲的公司,也会因为 AI 收入指引低于部分预期而引发卖压,说明市场的定价门槛变了。只属于 AI 链条已经不够,增长斜率、利润兑现和下一季指引都要跟上估值。

这就是 6 月 5 日暴跌的含义。它不是需求崩塌测试,而是高预期交易的压力测试。

过去 AI 半导体的主线更像是「谁更靠近 AI CAPEX(资本开支)」。GPU、ASIC(定制芯片)、高速光模块、铜连接、设备材料,只要能被放进 AI 集群扩张链条,估值都能获得溢价。可当市场开始担心拥挤交易、估值过高和指引兑现节奏时,问题就从「谁有 AI 故事」变成「谁能最快把 AI 需求变成财报」。

对股票市场而言,最终决定估值的并不是订单本身,而是订单能否转化为每股收益(EPS)。因为股价长期来看,本质上是企业盈利能力的定价。当市场开始关注下一季利润而不是三年后的故事时,EPS 的变化往往比叙事本身更重要。

博通的角色也因此有信号意义。它是 AI ASIC 和网络芯片链条里的核心资产之一。正因为它强,财报后股价反应才说明,AI 半导体链条正在接受更高验证标准。

为什么是存储:价格和利润已经进了模型

存储的优势在于,EPS 传导链更短。

AI 服务器需求首先改变的是 HBM(高带宽内存)、服务器 DRAM、eSSD(企业级固态硬盘)这些高附加值产品的供需关系。云厂商和 AI 系统厂商需要更多算力,也就需要更多 GPU 配套内存、更高容量服务器内存和更大规模数据中心存储。

存储厂商把产能转向 HBM 和高端服务器产品后,传统 DRAM、NAND 的供给也会被进一步压缩,合约价随之上涨。这条链路不完全依赖远期想象,而是会较快进入收入、毛利率和 EPS。

美光的财报已经体现出这种变化。据公司公告,FY2026 Q2 创下收入、毛利率、EPS、自由现金流等多项纪录,数据中心相关收入同比大幅增长,并指引 FY2026 Q3 继续显著创新高。对美光来说,AI 存储已经不是远期愿景,而是进入当季报表的收入来源。

SK海力士的报表更直接。据公司公告,1Q26 收入为 52.5763 万亿韩元,营业利润为 37.6103 万亿韩元,营业利润率达到 72%。公司称增长由 HBM、高容量服务器 DRAM 模组和 eSSD 等高附加值产品推动。对投资者来说,这种利润率反映的是产品结构、供需缺口和定价能力共同进入报表。

行业价格数据也在支持同一条逻辑。TrendForce 预计 2Q26 conventional DRAM(传统 DRAM)合约价环比上涨 58% 至 63%,NAND Flash 合约价环比上涨 70% 至 75%。其报告还显示,1Q26 DRAM 产业营收环比增长 81%。

价格不等于利润,但在供给紧张、产品组合上移和需求强劲的阶段,价格上涨会改善市场对未来几个季度 EPS 的建模。韩国出口数据也提供了产业层面的先行验证。据 Reuters 和韩国媒体报道,韩国 2026 年 5 月出口创纪录,半导体出口同比增长 169.4% 至约 371.6 亿美元,芯片占总出口比重首次超过 40%。

这不能直接等同于 SK海力士或三星电子的每股收益,但它说明存储景气已经体现在国家出口层面的收入加速。

存储不是更强叙事,而是更快验证

这轮重估里,存储和其他 AI 半导体方向的差异,不是有没有增长,而是增长如何被验证。

英伟达仍然是 AI 需求的总阀门。GPU 平台迭代决定 AI 服务器架构、HBM 容量需求和供应链资格。但市场对英伟达的增长和利润已经高度熟悉,估值也长期集中在最强 AI 资产上。短线层面,它更容易受到出口管制、供应链约束、平台切换节奏和预期差影响。

ASIC 方向同样有真实逻辑。云厂商自研芯片、定制加速器、AI 推理需求上升,都在推动博通、迈威尔等资产的长期空间。但 ASIC 更像项目制生意,客户集中度、单一项目导入节奏、量产窗口和下一代平台切换,都会影响市场对收入可见度的判断。

光模块和铜连接也有 EPS 兑现路径。Coherent、Credo 等公司受益于 AI 集群内部带宽升级,1.6T、3.2T 光模块和集群互联架构变化都会带来需求。但这些方向的定价更依赖未来架构路线、客户认证、出货节奏和资本开支周期。市场愿意给溢价时,它们的弹性很强。市场开始要求验证时,它们也更容易被追问订单什么时候进收入。

相比之下,存储现在的定价基础更直接。HBM 需求拉动高端产品,产能转移压缩传统 DRAM/NAND 供给,合约价上涨改善收入,产品组合上移推高毛利率,最终进入 EPS。

这个链条不代表没有风险,但它比「未来某一代架构会带来大规模订单」更容易被下一季财报验证。这就是存储更容易被建模的含义。它不是说存储比 GPU、ASIC、光模块更重要,而是说在这次 AI 半导体去风险后,市场更偏好那些能用价格、订单、利润率和出口数据共同验证的资产。

EPS 逻辑正在强化,但还未成为共识

单日或两日反弹,不能证明 AI 半导体交易已经彻底从 PE 扩张切换到 EPS 验证。

美光 6 月 5 日跌幅接近 13%,6 月 8 日接近 10% 的反弹里,可能包含技术性修复、卖空回补和风险偏好回暖。SK海力士的上涨也受到与英伟达数据中心合作相关消息催化。消息、仓位和基本面在短线行情里往往是叠加的,不能把所有涨幅都归因于 EPS 确定性。

存储本身仍然是周期行业。DRAM 和 NAND 价格快速上涨,会改善供应商利润,也可能刺激供给扩张,或压制部分终端客户采购意愿。HBM 的年度合约、良率爬坡、客户资格和份额分配仍在变化中,不能简单假设所有价格上涨都会无损进入利润表。

SK海力士和美光已经是市场高度关注的 AI 存储标的,股价弹性和基本面弹性并不总是同步。如果未来 DRAM/NAND 涨价斜率放缓,HBM 份额不及预期,或客户重复下单被证伪,EPS 上修逻辑也会受到挑战。

同样不能反过来否定 ASIC、光模块、铜连接和设备材料。如果这些方向给出更强订单、更清晰客户导入或超预期指引,市场仍可能重新给予估值溢价。AI 半导体不是只剩存储一个方向,而是在当前阶段,存储更容易通过报表解释为什么它应该被买回。

本轮行情更稳妥的判断是,6 月 5 日的暴跌提高了市场对 AI 资产的验证门槛。6 月 8 日至 9 日的修复显示,资金在 AI 链条内部更偏好 EPS 兑现路径更短的环节。存储正好处在订单、价格、产能和利润率同时可见的位置。

Monera Digital|加密市场5月报:四大原因导致加密市场加速下跌

核心结论

五月是一场定价权的两次交接。先是无风险利率从加密叙事手中夺回定价权,把比特币的高 β 属性彻底暴露;继而在月末利率、地缘双双缓和之后,币市内部的资金外流和持有者割肉接管了价格。

价格层面,BTC月初一度冲高至 82,850美元区域,随后承压持续回落,月末收于 73,674美元,全月走出单边下行格局。最值得记录的是末周——外部环境实质转向宽松,加密市场却拒绝承接。这是教科书式的”流动性传导失败”,也是深熊残酷性的典型样本。

币市内部三线同步恶化,这是五月下跌的真正根因:

· 一是增量资金双重失血。BTC现货ETF全月净流出 24.25亿美元,为BTC ETF诞生以来第三大单月流出(仅次于2025年2月的35.55亿与2025年11月的34.81亿),稳定币供应同步收缩。

· 二是持有者投降式割肉。短期持有者MVRV跌破 1.0平衡线进入亏损区域,链上呈现教科书式的投降形态。

· 三是衍生品多头逆势加杠杆。未平仓合约逆势增至 640+亿美元、资金费率翻正,最终以3.07亿美元多头爆仓(空头仅 0.90亿)完成惨烈去杠杆。

五月是反弹中继结束后,新一轮独立下行的”启动”,且是周期级深熊出清的一段”加速段”。 何时停止,已不取决于宏观,而取决于场外资金能否止血、长手出清能否放缓。

一、宏观与地缘:定价权两次交接,末周传导断裂

第一阶段,通胀二次反弹,宽松预期被打回

5月12日的4月CPI是本月第一个拐点。表面温和,结构却在恶化——核心服务通胀(超级核心)连续第三个月加速,这是与就业、工资直接挂钩、最具粘性的维度。次日4月PPI暴增至 6.0%,创2022年底以来新高;同期中国PPI在沉寂41个月后首次转正,压制全球通胀两年的”中国商品通缩”顺风期就此结束。

市场博弈焦点完成范式翻转:从”何时降息”变成”加息多少”。这里要厘清一个时间维度——近期会议加息几乎不在桌面上(CME显示6月不变概率99.4%以上),但政策路径的尾部已被显著上调。市场不再相信自动降息,转而为”被迫加息”定价。这一翻转本身,就足以系统性抬升所有高 β 资产的折现率。

第二阶段,美联储人事地震,反应函数失稳

5月15日,改革派沃什正式接掌美联储,推动废除点阵图、取消新闻发布会的”去透明化”议程。同日,卸任主席打破联储75年惯例,宣布留任理事至2028年以内部制衡。这是1951年以来联储内部最深的一次权力分裂。其市场含义不在路线之争,而在反应函数的可预测性显著下降。债市直接回应:30年期美债收益率推升至 5.19%,创次贷危机前夕以来新高;美元指数走出六周新高。对以贴现现金流估值的资产,这是直接且无解的打击。

第三阶段,地缘破冰,但传导链条断裂

地缘是五月油价、进而是通胀路径的核心扰动源,全月走出”缓和—退色—升级—破冰”四段式。月初缓和表态使WTI单日跌超7%,BTC首破 80,000美元;月中美伊谈判陷入僵局;下旬冲突高频升级,布伦特高悬于 107–111美元。月末剧情反转——5月28日美伊达成60天延期停火备忘录,霍尔木兹”无限制通行”、伊朗清除水雷,地缘溢价被消化大半,WTI收于 88.53美元。

进入末周,月中那条”地缘紧张→油价高企→通胀粘性→加息预期→美元美债走强→风险资产承压”的负反馈被集中打断:10年期美债收益率单周下行约11个基点至 4.45%,美元指数跌至 98.91;标普单周涨 1.43%、纳指涨 2.39%连创收盘新高,日经单日涨超1200点。按常理,这套”利率降、油价降、美元降、股市升”的组合应为加密提供显著支撑,但市场拒绝承接。这正是加密转坏的明显特征。

相关性的彻底重置强化了这一点。月中亚太风险偏好(韩国KOSPI单日跌5%触发熔断)曾使BTC与纳指相关性短暂上升,但进入下旬,BTC与纳斯达克的30日滚动相关系数大幅下行并深度转负,创近一年新低。同样的宏观利好分流向完全不同的命运:股市齐涨、币市独跌,正是这种深度负相关的实证。

这一脱钩有双重含义。短期看,它是”内部出清主导”的客观印证——加密已不再随宏观风险偏好同步,而是被自身的资金面与持仓结构主导。中期看,它意味着即使美股继续创新高,对加密的拉动作用也将极其有限。另外仍要保留一层中期警惕:高盛警示全球原油可视库存仅剩73天需求量,地缘缓和不等于油价见顶。通胀的隐忧仍高悬,对风险资产的影响?

二、资金流向:月度ETF逆转,Coinbase溢价恶化

这是本月最具方向意义的部分,也是最直接的”内部失血”证据。

月度ETF资金流,由四月净流入到五月大幅净流出的彻底逆转

先看BTC现货ETF。四月单月净流入 19.66亿美元,累计净流入推升至 580.88亿美元历史峰值,总资产净值首破千亿、站上 1005.32亿美元。进入五月,资金流彻底反转——全月净流出高达 24.25亿美元,为产品诞生以来第三大单月净流出,仅次于2025年2月(-35.55亿)与2025年11月(-34.81亿);累计净流入回落至 556.63亿,总资产净值缩水至 941.69亿美元,单月蒸发逾64亿。

关键在于这是月内逐级放大而非一次性冲击:5月中旬累计净流出已约14.17亿,至月末进一步扩大到 24.25亿的全月流出。资金不仅没企稳,反而在月末加速外逃。

ETH现货ETF同步印证:四月单月仍净流入3.56亿、总净值132.53亿;五月转为净流出5.41亿,同样位列史上第三大单月流出(仅次于2025年11月的14.24亿与12月的6.17亿),累计净流入回落至113.7亿、总净值缩至112.66亿。BTC与ETH四月双双净流入、五月双双大幅净流出,且两者均刷新各自史上第三大单月流出——这是机构对整个加密资产类别的系统性减配。

结论清晰:自减半以来主导整轮上涨的”ETF边际买盘”叙事,已在五月事实退场。 最重要的增量通道,从四月的”资金引擎”变成了五月的”抽水泵”。(事实退场这个结论合适吗?我觉得只能表达4月上涨的一大支撑现在变成了阻力)

Coinbase溢价,从四月正溢价为主到五月严峻负溢价

Coinbase溢价指数是识别美国本土机构现货买卖力量最直接的窗口。四月,该指数仍以正溢价(绿色)为主,美国机构多数交易日净买入,这是四月反弹的现货侧基础。进入五月,指数几乎全程转为负溢价(红色)且程度严峻——从图表可见,负溢价区间持续扩张,深度逼近 -0.22% 的极端区域,这是过去一年中最持续、最深的负溢价区间之一。

溢价由正转负的拐点,与ETF资金月度净流出的反转节奏严丝合缝,两者互为佐证。背后的核心驱动是一场由相对收益率主导的资产再平衡——美债吸引力上行之际,美国机构正”用脚投票”,将BTC仓位置换为美债仓位。值得玩味的是,月末美债收益率回落、套利诱因明显减弱后,负溢价非但没有修复,反而稳稳维持——这表明机构的离场已超越单纯的”收益率比价”,更多了一层对加密周期向下的预期确认。

期货与现货的剪刀差

ETF失速同期,CME未平仓合约逆势增长至640+亿美元。市场从”现货吸纳驱动”切换为”期货定位驱动”——所谓”80K上方的韧性”,本质不是真实增量,而是杠杆头寸的延展。最终以单周多头爆仓3.07亿、空头仅0.90亿的惨烈踩踏完成出清。

三、链上:成本基础矩阵全面失守,投降信号确认

链上数据把”内部出清”刻画得更为淋漓尽致。

一、真实市场均值与200日均线,从未站稳到确认失守

根据 Key Cost Basis Models 图表,真实市场均值与200日均线一同构成BTC过去三个周期反复验证的熊牛分界带,五月这一带位于 77–79K 区间。月初反弹曾短暂收复但未能立足,5月18日跌破后实质丢失分界。月末价格运行于该分界带下方、以更低的均线区域为事实支撑。这一关键阈值已从脚下支撑变为头顶”压顶云”,所有短期持有者全面深度浮亏。

二、已实现盈亏比,不升反降

该指标30日均线大于1代表获利了结主导。2026年2月低点0.4,五月中旬一度升至1.8——但确认牛市切换需持续站上2.0。月末事实是:不仅从未触及2.0,反而回落至1.56。每一波上涨都遭遇早期买家解套式抛压,每次反弹因此短命。

三、MVRV与NUPL,投降信号确认

从STH-MVRV指标图可清晰看到,该比率已下穿1.0平衡线进入亏损区域——这是”短期持有者整体亏损”的客观刻度,也是过去几轮深度调整中最具识别力的投降信号之一NUPL指标(净未实现盈亏)同步确认情绪面恶化:从图表可见,NUPL已从年初的”乐观-信念”区间(蓝绿色)显著回落至”希望-恐惧”区间(橙色)边缘,接近2022年熊市底部前的关键过渡区。这是市场未实现盈利空间被持续压缩、风险偏好结构性回落的客观刻度。

四、衍生品与上市公司储备:杠杆出清与75K心理线

一、做市商伽马与到期日效应

上旬的价格稳定来自做市商长伽马。BTC上旬被钉在80K区域窄幅震荡,并非真实供需平衡,而是做市商持有大量长伽马形成的机械性”价格稳定器”——涨时卖、跌时买,主动压缩波动率。这正是为何CPI爆表、地缘紧张之下,BTC实际波动率反而持续下行(30D RV跌至27%)。

两个到期日的连续Roll-off直接改变了市场结构。5月15日月度到期,仅IBIT就有超40亿美元名义本金清算,这一巨型头寸Roll-off后做市商稳定能力消退,5月18日BTC顺势跌破77.5K。5月29日第二个、更关键的月度到期,全市场约75亿美元集中清算,到期前现价已击穿75K最大痛点与最大短伽马区,被动空头对冲流进一步加剧月末抛压。

二、75K陷阱已被触发

最大短伽马集群锁定在75K–76K区间(超80亿美元负伽马)。一旦跌入该区域,做市商对冲反向转为顺势卖出,形成方向向下的伽马挤压。月末事实是这个陷阱已被触发,与上市公司BTC储备策略的成本心理底线一同被击穿。三层共振防线只剩最后一道——更深位的周期级累积成本带。

三、Skew防御意图持续抬升

1M Skew从月初+2.7%扩张至破位日+6.2%,6M Skew维持+10%高位——机构不只对冲短期事件,更在为整个2026年下半年构建结构性下行保护。

四、上市公司BTC储备成本线,从最大边际买盘到潜在抛压

头部”BTC储备策略”公司平均成本约75,000–76,000美元区间。Q1财报中管理层首次松口”不排除极端情况下出售部分BTC”——这是十年来最罕见的态度松动,实质改变了博弈结构。过去这一类公司是绝对的边际买盘,承压即增持的预期本身构成下方支撑;如今”可能出售”,曾经最大的边际买盘被迫转为顺周期抛压。月末73,674美元已实质击穿这条成本线,Metaplanet、Semler等多家同类公司成本多在70K–80K——75K失守不是单一公司事件,而是整个上市公司BTC储备生态同步去杠杆风险的开始。

五、后市研判

当前结构定位。 我们把五月末的定性”已确认局部顶部与关键防线失守、结构性下行延展概率显著上升”。

这是参与者最易判断失误的阶段——多头被”也许只是健康调整”反复诱入抄底,空头被”可能就是这里见底”反复震出。但月末已把残酷的事实摆在面前:当宏观、地缘双双转向善意,币市却不升反跌、伴随ETF史上第三大单月流出、与纳指相关性深度转负、链上短手投降——价格主导权已从”外部宏观”切换回”内部出清”。在BTC重新有效收复 77.5K并放量确认前,左侧抄底面临极高的胜率惩罚。

值得参照的周期级定位信号:Bitcoin 200-week MA Quantile Regression 当前分位数已降至 10.2%,处于历史绿色”价值区”。 这是2015年、2018年末、2022年末几次大底前出现的统计特征——它不构成短期抄底依据,但提示:从周期维度看,资产已进入有意义的价值区间,熊市深度出清正在客观完成。 不过需要明确,从分位数进入价值区到价格真正企稳,历史上还需要3–6个月的时间窗口完成持仓换手。

结语

五月用一种最反直觉的方式,把一个长期被回避的问题摆在所有人面前:当外部尾部风险被移除后市场依然无法上涨,说明真正的拖累已内化为周期自身的出清动能。末周地缘破冰、利率回落、油价下行、股市齐声反弹,而BTC逆势下跌、ETF由四月净流入逆转为五月单月24.25亿大流出、BTC与纳指相关性深度转负、链上短手投降式割肉——这是”宏观向币市流动性传导宣告失败”的标准样本,也是四年周期深熊残酷性的集中体现。从200-week MA分位数 10.2%的读数看,周期层面已进入价值区,但价值区不等于反转区;从分位数触底到价格趋势反转,历史窗口通常需要3–6个月。

下一轮真正的牛市启动,必须等两个前提同时满足:一是”通胀-利率-流动性”三角的实质且可持续松动,而非月末这种由单一地缘事件驱动的脉冲式缓和;二是链上需求侧(而非衍生品杠杆)的重新点燃——ETF与稳定币双通道止血回流、Coinbase溢价由负转正、链上投降终结。

在此之前,保守即价值,纪律即收益,在结构性出清尚未完成、价格已击穿短期持有者成本基础的阶段,最具数学意义的应对方法。人生发财靠周期,但活下来,永远是赚到下一轮的前提。

ETF数据:https://sosovalue.com/zh/assets/etf/us-eth-spot

本轮美股牛市与历史泡沫顶峰相比还差多远?

原文作者:赵颖

原文来源:华尔街见闻

高盛首席美股策略师最新评估显示,当前市场亢奋程度已升至历史 86 百分位,正在逼近但尚未触及 2000 年互联网泡沫与 2021 年牛市顶峰时的极端水平。

近两个月内,标普 500 指数在周五回调前累计飙升 15%,这一涨幅在 1980 年以来的历史数据中位居第 99 百分位。高盛首席美股策略师 Ben Snider 在其最新报告中指出,尽管投机狂热、增长恶化、股票大规模发行以及美联储收紧政策这四大历史牛市顶峰信号目前均未完全成立,但每一项都比数月前更接近触发阈值。

对市场而言,这一判断意味着当前牛市尚有空间,但风险正在积累。Snider 明确表示”我们还没到那一步”,同时警告称,市场无需等到投资者极度亢奋才会出现下跌,历史规律不一定会在本轮周期中重演。

涨势之猛:50 年来波动率调整后最强反弹

本轮反弹的速度之快,已在历史上留下印记。据高盛数据,标普 500 指数在约两个月内上涨 15%,相对于已实现波动率的收益/波动率比率接近 4,为逾 50 年来最高水平。

人工智能是驱动本轮行情的核心主题。AI 概念股、动量因子与大盘指数三者同步拉升,形成高度共振。

Snider 指出,与此前类似的动量驱动行情(如 1999 年底和 2021 年底)不同,本轮上涨的主要支撑来自近期盈利预期的大幅上调,而非单纯的情绪泡沫,这在一定程度上赋予了本轮涨势更扎实的基本面依托。

亢奋指标:第 86 百分位,低于两次历史顶峰

为量化当前市场情绪,Snider 构建了涵盖四大类别、共九项指标的综合评估框架。历史数据显示,2000 年互联网泡沫顶峰时,这些指标的中位数排名达到历史第 100 百分位;2021 年牛市高点时为第 95 百分位。而当前读数为第 86 百分位——高于历史均值,但与前两次极端顶峰仍存在明显差距。

具体来看,高盛的投机交易指标近月有所上升,但仍低于 2025 年底的水平,更远低于 2000 年和 2021 年的峰值。在各类投机交易活动中,高估值股票的成交量近期明显放大,而亏损股票的交易活跃度相对温和。此外,股票看涨期权成交量与散户融资余额均呈上升趋势,显示投资者情绪正在升温。

值得注意的是,本轮反弹的市场广度极为狭窄,但尚未达到互联网泡沫时期的极端集中程度。

四大风险信号:尚未触发,但距离缩短

高盛的分析框架将历史上高估值、高集中度牛市的终结归因于四类因素:投机狂热、增长前景恶化、股票发行量极度膨胀,以及美联储政策收紧。Snider 指出,这四项条件目前均不完全符合当下环境,但每一项都比年初时更接近警戒线。

IPO 活动正在回暖,股票发行端的压力开始显现;投入成本上升正在压缩企业利润率,对增长前景构成潜在威胁;利率市场的定价已开始反映美联储加息的概率上升,尽管高盛经济学家认为实际加息的可能性不大。

Snider 同时强调,市场下跌并不以投资者极度亢奋为前提条件,过去牛市顶峰所呈现的亢奋特征也未必会在本轮周期中以相同形式重现。这意味着,即便当前指标尚未触及历史极值,投资者也不应将其视为安全边际的充分保证。

综合来看,高盛的评估给出了一个审慎但并不悲观的判断:本轮牛市的亢奋程度正在”越来越接近”历史顶峰区间,但尚未抵达。支撑这一判断的关键在于,当前上涨仍有盈利预期改善作为基本面背书,而非纯粹由情绪驱动。然而,随着动量因子持续强势、市场集中度高企、部分风险信号悄然升温,Snider 的报告实质上是在提示投资者:窗口仍然开着,但正在慢慢收窄。

Humanity被盗超3100万美元,背后团队在为新项目铺路?

原创|Odaily星球日报(@OdailyChina)

作者|Wenser(@wenser 2010 )

屋漏偏逢连夜雨,加密市场再次迎来被盗资金超 3000 万美元的特大安全事件。

今天凌晨,链上监控显示,Humanity Protocol 遭遇黑客攻击,有超过 17 个持有 H 代币的钱包被盗,总损失超过 1900 万美元;随后,损失资金规模扩大至超 3100 万美元。攻击成功后,黑客快速将 H 代币兑换为 ETH 方便后续资金清洗。

Humanity 创始人 Terence 随后确认,该事故系 Humanity Foundation 一名成员的私钥泄露,遭到黑客利用。受此消息影响,H 代币价格迅速跌破 0.08 美元,24 小时跌幅超 90%。

大盘行情小幅反弹之下,“熊市保留节目”再度上演,是黑客防不胜防,还是另有隐情?

当 Humanity 出现“人为安全事件”:团队成员私钥泄露 OR 项目方人为策划?

根据 Humanity 官方最新回应,项目创始人 Terence 确认 Humanity Foundation 一名成员的私钥已被泄露。作为预防措施,在确认安全之前,请勿与跨链桥或任何流动性池交互。该基金会正与安全专家及交易所合作伙伴共同处理此事,并将持续更新进展。此外,官方建议用户在官方的进一步调查结果披露前,暂时撤销对该项目合约地址的权限。

而另外一边,“黑客攻击”还在继续。据 LookonChain 监测,Humanity 黑客在 BSC 上增发了 1 亿枚 H 代币,价值 1140 万美元,砸盘抛售或将继续。

截至撰稿时,Humanity 黑客对应地址持有超 3135 万枚 H 代币,价值暂报 382 万美元;持有约 1.8 万枚 ETH,价值超 3011 万美元;其 BNB 持仓也增加到了 2443 枚,价值近 150 万美元;且还在不停增发 H 代币当中。

黑客链上地址监控信息见:https://arkm.com/explorer/entity/dcfac174-1b67-46d6-8cab-5b8e955ca921。

针对这次被盗资金规模超 3000 万美元的特大安全事件,链上侦探 ZachXBT 也给出了自己的初步调查结论:

其先是发文表示,“不确定这是黑客盗窃行为还是项目方恶意行为。从 K 线图来看,鉴于供应量的集中情况,H 团队很可能与某个活跃的做市商合作了。不过,所有的 H 代币都是在(链上的)去中心化交易所上抛售的,而非中心化交易所。”

随后,其给出初步结论称:“这起‘安全事件’很可能是人为策划的。我根本不相信该团队的对应说法,这不过是那些心怀不轨的人为了脱身而编造的借口罢了。”值得一提的是,Humanity 项目方的“黑历史”确实存在。

Humanity 团队黑历史:技术外包、空投闹剧与团队黑料

实际上,加密社区对 Humanity 的不满都是事出有因。

此前,在 WorldCoin 以“人类虹膜身份验证项目”名噪一时之际,作为“掌纹验证身份安全协议”的 Humanity 也迅速把握热点概念趁势而起。彼时,其作为众多加密项目空投进行 KYC 或身份核验的合作方之一而受到热捧,但另外一边其背后团队、主打的“掌纹安全核验技术”以及代币空投环节都曾引发市场非议。更多细节,详见《从掌纹「革命」到门禁厂商,撕开 Humanity 技术「画皮」双面戏码》

不仅如此,去年 6 月,链上调查员 Specter 曾发文指出:“在了解 Humanity 的团队构成后,令人担忧的是:4 位团队领导中,有 3 位的过往记录存在问题,涉及管理不善、诉讼或财务违规行为。”

其中,项目创始人兼 CEO Terence Kwok 此前就有“创业史”。其曾创立的 Tink Labs 一度融资 2 亿美元、估值高峰达 15 亿美元,但最终于 2019 年因“管理不善”而倒闭。

基金会负责人 Mario Nawfal 此前曾拖欠工资,还涉嫌犯有不正当融资、虚假承诺以及胁迫举报人保持沉默。其还存在一系列“劣迹历史”:项目 Froothie 因虚假宣传在澳大利亚被罚款;被 Juicero 起诉;在 NFT Tech 任职期间涉嫌操纵发票被指控;在 BitClout 代币交易存在争议行为。

至于 Humanity 背后投资人之一的 Animoca Brands 创始人 Yat Siu,此前也曾由于在区块链和加密货币投资方面的违规行为,旗下公司被澳大利亚证券交易所摘牌。

加之此前 Humanity 被爆出的“深圳技术外包” 、代币空投大规模女巫、忠实用户空投价值个位数等过往事迹,此次被盗事件很难不被认为另有隐情。

看似被盗,实则金蝉脱壳?Humanity 团队被指已转向新项目

很快,更多的信息也被加密社区和链上侦探 ZachXBT 爆料出来。

在指出 Humanity 被盗事件或系人为策划之后,ZachXBT 再度发文质问 Humanity 官方:“你们选择在没有任何实质依据的情况下,持续数周地炒作自己的代币,还以为加密社区会盲目相信你们的说辞吗?请先披露你们与香港相关实体的所有活跃做市协议。”

随后,其更是贴出加密 KOL Irene Zhao 此前发布的推文,其中提到:“2 年前,我在 H 代币的 KOL 轮投资中斩获 100 倍回报;现在,Humanity 团队孵化的新项目 Everything 我也参与了 KOL 轮融资。”

今年 1 月,主打“一站式交易所”概念的 Everything 宣布完成 690 万美元种子轮融资,由 Humanity 旗下风投部门 Humanity Investments 领投,Animoca Brands、Hex Trust、WallStreetBets 创造人 Jamie Rogozinski,以及 Three Point Capital 联合参投。该平台强调项目优势在于集永续合约、现货市场、预测市场及支付功能为一体。

如今看来,熟悉的味道(结合时下热点),熟悉的配方(同样类似的投资人团队),很多时候,我们不得不佩服这些“创业老兵”的敏锐嗅觉和超绝执行力。而对于投身其中的 KOL 和投资人来说,或许一切利益都已经在幕后完成分割,而损失,只能留给台上的代币交易者们。

当然,在加密市场,项目和币价永远都是一体两面,至于 H 代币价格后续如何表现,或许还要看 Humanity 项目方的处理方案和做市商的舞台表演了。

深入解读:SpaceX IPO值得以每股$135投资吗?

SpaceX 距离外界预期的近年最具指标性 IPO 已仅剩数日。

这家由埃隆·马斯克(Elon Musk)于 2002 年创立的火箭与卫星公司,长期以私人企业形式运营,普通投资者无缘持有其股份。

这一切将于 6 月 12 日改变,届时 SPCX 将以每股$135 的固定发行价格在纳斯达克(Nasdaq)挂牌上市。

目前每位投资者最关心的三个问题是:何时上市、定价多少,以及如何参与。

重点摘要

  • SpaceX 计划于 2026 年 6 月 12 日以代号 SPCX 在纳斯达克首日挂牌,IPO 最终定价预定于 6 月 11 日收盘后公布。
  • 公司在路演开始前即宣布每股$135 的单一固定价格,有别于先公布初步定价区间的标准做法。
  • 以每股$135、共 5 亿 5,555 万 5,555 股 A 类股计算,SpaceX 目标募集 750 亿美元,若成功将超越沙特阿美(Saudi Aramco)294 亿美元的纪录,成为史上规模最大 IPO。
  • SpaceX 的隐含估值约达 1.75 万亿美元,从首个交易日起即可跻身美国市值前十大上市公司之列。
  • 最多 30%的发行股份保留给散户投资者,上市前可通过 Fidelity、Charles Schwab、Robinhood、SoFi 及 E*TRADE 申购。
  • MEXC 已上架 SPACEX(PRE),此为一种 Mirror Credits 代币,追踪 SpaceX 的估值,目前可在纳斯达克上市前进行全天候现货交易。

6 月 12 日如何购买 SpaceX IPO 股票:Fidelity、Schwab 与 Robinhood 说明

SpaceX IPO 是近年来罕见积极在上市前配额流程中纳入散户投资者的超大型上市案之一。

SpaceX 的 S-1 明确点名五个消费者券商平台为普通投资者的确认申购渠道:

提交购买意向书不等同于下达购买委托。

这仅代表您表达以 IPO 价格参与的意愿,但配额并不保证,尤其考量到 SPCX 预期的超高需求水平。

若未在交易开始前获得配股,最直接的替代方案是从 6 月 12 日起通过任何标准券商账户在公开市场买入 SPCX,无需任何特殊资格条件。

如何通过 MEXC 的 SPACEX(PRE)在 IPO 前投资 SpaceX

对于希望在 6 月 12 日纳斯达克正式挂牌前即建立 SpaceX 估值敞口的投资者,MEXC 提供一项名为 SPACEX(PRE)的产品。

SPACEX(PRE)是以 MEXC Mirror Credits 形式呈现的资产凭证,设计用途为追踪 SpaceX 在公开上市前后的市场价值。

目前已在 MEXC 以 SPACEX(PRE)/USDT 交易对上线全天候现货交易,二级市场交易手续费为零。

在参与前,必须清楚了解 SPACEX(PRE)与真实 SpaceX 股票之间的差异。

根据 MEXC 官方产品文件,持有 SPACEX(PRE)不等于投资 SpaceX 股票。

SPACEX(PRE)持有人不享有持有实际 SPCX 股份所附带的投票权、股息权或任何其他股东权利。

本产品完全由 MEXC 与合规发行人合作运营,SpaceX 本身不以任何形式参与此次发行。

发行人及其合作机构确实通过合规渠道持有 SpaceX 的股权或相关权益,为 Mirror Credits 架构提供底层资产支持,但这并不消除该产品固有的风险。

欲交易 SPACEX(PRE),用户须完成 MEXC 的高级 KYC 认证。

参与前应评估的主要风险包括:与 SpaceX 市场表现挂钩的估值波动、二级市场潜在的流动性限制,以及上市前衍生产品固有的不确定性。

若您希望立即建立 SpaceX 的价格敞口,可前往 MEXC 现货市场交易 SPACEX(PRE)。

常见问题

SpaceX IPO 日期是何时?

SpaceX 计划于 2026 年 6 月 12 日在纳斯达克以代号 SPCX 首日挂牌交易。

SpaceX IPO 股价是多少?

根据 SpaceX 向 SEC 提交的修订版 S-1 文件确认,截至 2026 年 6 月,公司设定每股固定发行价格为$135。

SpaceX 何时公开上市?

SpaceX 预定于 2026 年 6 月 12 日在纳斯达克开始公开交易,最终定价于 6 月 11 日公布。

SpaceX 即将公开上市吗?

是的,SpaceX 将于 2026 年 6 月 12 日公开上市,届时 SPCX 股票将首次在纳斯达克挂牌交易,这是公司 24 年历史中的首次。

SpaceX 目前是上市公司吗?

SpaceX 目前尚未公开上市,自 2002 年以来一直以私人企业形式运营,待 2026 年 6 月 12 日 SPCX 在纳斯达克开始交易后,才正式向公众投资者开放。

什么是 SpaceX IPO?

SpaceX IPO(由 Space Exploration Technologies Corp.正式向 SEC 申报)是 SpaceX 计划在纳斯达克以代号 SPCX、每股$135 的价格出售 5 亿 5,555 万 5,555 股 A 类股、目标募集 750 亿美元的公开上市流程。

散户投资者如何购买 SpaceX IPO?

SpaceX 保留最多 30%的总发行股份供散户投资者申购,可通过 Fidelity、Charles Schwab、Robinhood、SoFi 及 E*TRADE 在路演期间提交购买意向书(IOI)参与。

结语

本文围绕三个问题展开,也以三个答案作结。

截至 2026 年 6 月,SpaceX IPO 的目标是以代号 SPCX 在纳斯达克于 6 月 12 日挂牌,固定发行价格每股$135,隐含市值约达 1.75 万亿美元。

散户投资者可通过 Fidelity、Charles Schwab、Robinhood、SoFi 及 E*TRADE 寻求上市前申购渠道,而 MEXC 的 SPACEX(PRE)则提供在纳斯达克正式挂牌前建立 Mirror Credits 估值敞口的途径。

无论您选择哪种方式,充分理解本次发行的架构——包括双重股权治理、亏损财务状况及史无前例的规模——是做出任何投资决策不可或缺的基础。

当推理成为稀缺资源,价值由谁捕获

原文作者:Frank Fu

原文来源:IOSG Ventures

2023 年 David Cahn 提出的那个窟窿,从未在训练侧被填上。它被填在了推理侧,而市场只是在过去几周才开始把它计入定价。当英伟达围绕「服务 token」重组财报口径、Cerebras 上市获 20 倍超额认购,瓶颈之争已经结束,真正的问题变成了下一个:当推理成为稀缺资源,价值会沉淀在算力栈的哪一层。

跟着 GPU 走:从 2000 亿美元问题到 6000 亿美元问题

2023 年,Sequoia 的 David Cahn 提出了悬在整个 AI 建设之上的那个问题,即「2000 亿美元问题」。每花 1 美元买 GPU,大约还要再花 1 美元在数据中心里给它供电,因此每一年的 GPU CapEx,都意味着这些芯片最终必须产生约 2000 亿美元的收入才能收回这笔资本。即便对 AI 收入做出非常慷慨的假设,他仍发现「投入」与「终端客户实际付费」之间存在一个 1250 亿美元以上的窟窿。担忧很直白:GPU 正在被超前于真实需求地过度建设。

一年之后,缺口非但没有收窄,反而扩大了。Cahn 在 2024 年的续作里,随着超大规模厂商 CapEx 膨胀,把它重新定义为「6000 亿美元问题」。看空逻辑收敛成一个熟悉的形状:过度建设导致供给过剩,而过剩会烧毁资本。

两篇文章其实都在问同一件事:谁来填这个窟窿?答案从未出现在「训练」这一侧的账本上。它出现在 inference(推理)这一侧,而市场只是在过去这几周才开始把它计入定价。

Cerebras IPO 与推理挤压

Cerebras 于周四上市。这次 IPO 获得 20 倍超额认购,定价接近周三最终加价的两倍。需求并非来自对「下一个 Nvidia 杀手」的押注,而是源于一件更简单的事:市场开始意识到,在 AI 中真正的瓶颈是 inference,而不是训练。

Cerebras 的看家本领,是一种让推理极快的芯片架构。不是训练,是推理。这正是让华尔街兴奋的点。inference 市场是经常性的,它随使用量扩张。每一次 Claude 回答问题、每一次 agent 执行任务,都在消耗算力。训练只发生一次,推理永不停止。

J.P. Morgan 把 inference 市场规模估算为训练的 10 到 50 倍。当机器开始执行由其他机器下达的任务,即 agentic(智能体)式扩张,inference 需求就不再随用户数扩张,而是随算力本身扩张。

Nvidia 重画版图:推理成为头条

如果说 Cerebras 是市场的觉醒,那么 Nvidia 最新一季财报就是来自产业链顶端的确认。在最新财报电话会上,Jensen Huang 把那句心照不宣的话挑明了:AI 需求正在呈抛物线式增长。原因很简单:agentic AI 已经到来。主流 AI 已经从一次性推理,过渡到逻辑推理,再进入会自己调用工具、编排任务的 agent 阶段。Huang 说,「Tokens 现在是有利可图的。」在 AI 时代,算力就是收入和利润。

这重塑了整个行业。训练是构建一个模型的一次性成本,inference 则是运行它的经常性成本,而如今的瓶颈在推理,不在训练。

Nvidia 把这个判断写进了自己的财报口径。它现在按两个平台披露,而非一个:Data Center(数据中心)与 Edge Computing(边缘计算)。数据中心(当季约 750 亿美元,同比 +92%)进一步拆为 Hyperscale(约 380 亿美元,环比 +12%)和 ACIE,即 AI 云、工业与企业(约 370 亿美元,环比 +31%)。全新的一条线是 Edge Computing:64 亿美元,同比 +29%,覆盖 agentic AI 和 physical AI 真正运行的终端,比如 PC、工作站、AI-RAN 基站、机器人和汽车。

边缘目前仍占总收入不到 8%,但 Nvidia 已把它提升到与数据中心并列的「第二平台」。这个信号是:inference 正在分裂为两条战线,数据中心里的 cloud inference(云端推理),以及边缘侧的 endpoint inference(端点推理),AI 要在物理世界里看见、移动并行动。路线图遵循同样的逻辑:从第三季度开始出货的 Vera Rubin,推理吞吐量最高可达 Blackwell 的 35 倍;Huang 还为面向 agentic 负载打造的 Vera CPU 给出了一个全新的 2000 亿美元 TAM。每一家前沿模型公司预计都会在第一天就全面转向它。

当地球上市值最高的公司围绕「服务 token」重组财务披露时,瓶颈之争就已尘埃落定。本文余下的部分,讨论的是当 inference(而非训练)成为稀缺资源后,价值由谁捕获。

先做一个范围说明。在这两条战线中,本文讨论的是 cloud inference,即对外提供 API token 服务的、租来的数据中心 GPU。endpoint inference 跑在设备本身内部的本地芯片上(Nvidia 的 Jetson、RTX、Drive、AI-RAN),完全不经过其下的 GPU 租赁与聚合栈。在这里,请把它视为放大整个 inference 经济、佐证瓶颈论点的顺风,而非 Hyperbolic 和 Venice 所在的市场,这两家完全处在云端那条线上。

挤压已经到来

Anthropic 是煤矿里的金丝雀。使用量远超预先配置的产能,关于 Claude 被「脑叶切除」的抱怨刷屏全网,包括被限流的回复、变慢的推理、被压缩的上下文窗口。解法是赤裸裸的算力:2026 年 5 月,Anthropic 从 SpaceX 手中接管了整个 Colossus 1 数据中心,22 万 + 张 Nvidia GPU、300+ 兆瓦,并将其专门用于 inference,而非训练。

这部分产能解锁了一连串限额变动,每一次都是一个信号。5 月 6 日,Anthropic 把 Claude Code 的五小时限额翻倍、取消高峰时段限流,并大幅提高 Opus 的 API 速率限制。5 月 13 日,又把 Claude Code 的周限额再提高 50%(至 7 月 13 日)。随后,从 6 月 15 日起,它做了与「慷慨」相反的事:把 agentic 与程序化使用(Agent SDK、无头模式 claude -p、CI 流水线)从扁平订阅中切出去,放进一个独立计量的 credit 池(每月 20 至 200 美元,按 API 价计费)。最后这一步把整套论点浓缩在一个动作里:agent 消耗 inference 的速度,远超扁平订阅的设计承受能力,因此必须按它本来的「经常性成本」来定价。

训练是一次性的资本支出。inference 是一项经常性的运营成本,随每一个新用户、每一个新 agent 而复利累积。

这套栈:六层,一个瓶颈

每一个 AI 应用,都坐落在一条从 TSMC 晶圆厂开始、到 API 端点结束的供应链上:

大多数公司只拥有其中一层。Nvidia 拥有硅,CoreWeave 拥有裸金属,Together AI 拥有推理优化,OpenRouter 拥有模型 API 路由。

只有一家除外。

Hyperbolic:唯一横跨三层的公司

Hyperbolic 于 2025 年 6 月推出其按需 GPU 市场。在最初几个月里,它的开发者数量就突破了 20 万 +,采用方覆盖前沿 AI 实验室、搜索,以及大型消费级平台。

有意思的是它的架构。

Hyperbolic 自己一张 GPU 都不持有。每一张卡都来自 neocloud 和数据中心,包括 CoreWeave、Lambda Labs、Nebius,以及手握闲置产能的更小运营商。这听起来像弱点,实则是护城河。

通过坐在 GPU 供给方与消费方之间,Hyperbolic 能看到别人看不到的实时数据。它知道谁在以什么价格、在什么时间买什么 GPU。它在供给过剩公开化之前就看到它,在需求飙升冲击市场之前就看到它。

如今,护城河本身就是这套 multi-cloud 聚合。Hyperbolic 把来自数十个独立云与数据中心的碎片化产能,缝合成一个标准化的统一池,让开发者无需与每一家运营商谈判、也无需管理一堆账户,就能在任何地方租到最便宜的可用 GPU。它接入的云越多,流动性越深,定价数据越丰富。再往后,团队正在探索如何用这些数据来建模 GPU 价格曲线,并最终投入自有资本来平滑供需,扮演物理算力的做市商角色;但这一目标仍处早期,真正在当下复利的是聚合层。

这就是飞轮:

  1. 接入更多云 → 更多被聚合的供给
  2. 更多供给 → 更深的市场与实时定价数据
  3. 更好的数据 → 当下更聪明的路由,长期则是定价模型
  4. 更好的流动性与价格 → 更多开发者 → 更多云想接入

没有其他公司在尝试这件事。Hyperbolic 是唯一同时横跨 GPU 租赁层、部署层与模型 API 层的公司。

Venice 这面镜子

Venice 是 inference 经济在应用层最清晰的体现,也是与 Hyperbolic 所处位置的一个有用对照。它是一个隐私优先的推理应用:一套 OpenAI 兼容的 API,加上面向消费者的订阅(Free / Pro / Pro+ / Max),把请求路由到约 75 个模型上,其中约三分之二是开源或自托管模型(Llama、Mistral、Qwen、DeepSeek),其余是对闭源前沿模型的匿名透传。关键在于,Venice 自己并不拥有有意义的算力。它从未公开的 GPU 合作方和机密计算供应商(NEAR AI Cloud、Phala)那里租用,并向前沿实验室付费做透传,所以它真正的 cost of revenue 是 inference 算力,而非 SaaS 托管。

Venice 真正卖的是隐私。这里说的「隐私化」不是把公共算力变成私产,而是给商品化的推理裹上一层保证:不留存数据、不拿去训练、请求匿名化,部分负载还跑在 TEE 里,让运营商自己都看不到明文。底层算力是大路货,加价卖的就是这层 privacy 包装。而且这层保证是分层的、并不均质:对跑在自己控制或 TEE GPU 上的开源模型,能做到接近端到端的机密计算;但对 Claude、GPT 这类闭源模型的匿名透传,隐私只是剥离身份,前沿实验室那端仍在处理你的原始 prompt。所以最强的隐私只覆盖开源那部分,前沿模型那部分是「匿名」而非「真机密」。Venice 的毛利 = 订阅价 − 向下游支付的 inference 成本,而它能比裸 API 价多收的那部分,几乎全靠这层 privacy 溢价撑着,这也是它薄利、且受制于前沿透传定价的原因。

代币设计把这部分 inference 需求包装了起来。Venice 跑在两个代币上:VVV(质押与平台准入)和 DIEM,后者是一种 inference credit,每个 DIEM 约等于每天 1 美元的算力。付费订阅会触发对 VVV 的程序化回购销毁(Pro / Pro+ / Max 分别约 2 / 5 / 10 美元),排放则按一个固定时间表递减:每月 6M → 5M → 4M VVV,并在 7 月 1 日下调至 3M。回购是真实的,但属于自由裁量且仍然不大:4 月和 5 月各销毁约 10.3 万美元,6 月正缓慢爬向约 11 万美元,远低于每月 20 万美元这条线。

基本面比标题更健康。公开流传的「7000 万美元 ARR」这个数字,几乎可以肯定是把订阅续费误当成净新增获客的产物;可辩护的可观测区间更接近 600 万至 1500 万美元 ARR。在这之下,traction 是真实的:约 13.6 万名持币地址、每月约 990 万次网站访问(每天约 33 万次),新增 Pro 订阅徘徊在每天约 1400 这条线附近。这是一门真实的生意,但是一门薄利的生意,其经济性受制于它所购买的算力。

这正是 Hyperbolic 处在它上面一层的原因。如果说 Venice 是加油站,Hyperbolic 就是炼油厂。Venice 从所有人都依赖的同一受限供给中购买算力;Hyperbolic 则把那部分碎片化供给聚合、标准化,再卖给 Venice 以及所有像它一样的玩家。随着 inference 需求增长,价值不仅向消费算力的应用累积,更向聚合并路由算力、并捕获这些应用所支付的 cost of revenue 的那一层累积。

为什么这件事此刻重要

Nvidia 围绕「服务 token」重组了财务。Cerebras 的 IPO 证明市场已经明白 inference 是瓶颈。Anthropic 为产能四处奔走,证明这是一个真实的问题。agentic 与 physical AI 将把需求放大几个数量级,横跨云端与端侧两条线。

而它也从另一侧合上了「6000 亿美元问题」的环。Cahn 的看空逻辑,即过度建设、然后过剩,最终很可能会被验证。但过剩恰恰是轻资产聚合方的最优行情:当 GPU 价格下行、供给碎片化分散在数十个云上,那个不持有任何硬件、把每一份工作负载路由到最便宜可用卡上的玩家会赚取价差,而持有不断折旧 GPU 的运营商则承担损失。Hyperbolic 是做多过剩,而非做空它。

最终胜出的公司,不会是拥有最多 GPU 的那一家,而是能告诉你哪些 GPU 在哪里、以什么价格可用,并把每一份工作负载路由到能以最低成本运行之处的那一家。

Hyperbolic 正在打造这样一家公司。不自己拥有 GPU,纯软件,纵深三层,但却打造成为 inference 终极算力的聚合层。

产业观察:从Bitget CFD最新版本迭代,看加密衍生品平台的“场景化”与“去摩擦化”趋势

作者:马丁 talk

全球金融市场的边界正在以前所未有的速度消融。对于头部的加密货币交易平台而言,竞争早已不再局限于单纯的“加密资产上币速度”,而是全面转向对全球多资产的布局。在这个宏大的转型期中,如何消除跨市场交易的壁垒,实现产品体验的「去摩擦化」与「场景化」,成为了各大平台角逐的新焦点。

在这个背景下,「UEX 全景交易所」,即一个账户投资全球资产,成为了破局的核心命题。用户不再满足于在传统券商买黄金和美股、在加密交易所买比特币的割裂体验,他们真正需要的是跨越地域与资产类别的一站式平台。尤其是近期,随着部分传统互联网券商受限于区域合规政策,频频面临服务调整、账户受限甚至资金通道阻滞的困境,交易者对“资产绝对控制权”的渴望达到了顶峰。

UEX 架构的优势便在此时彻底凸显。它打破了传统券商的物理枷锁,赋予了用户自由穿梭于不同大类资产周期的能力。以美股作为核心优势破局,UEX 生态不仅支持上线真实的美股 2.0(Reality),让用户直接把握华尔街的科技红利;更能让交易者在宏观大宗周期来临时,迅速捕捉机会。如果你想对冲通胀风险、或者对全球货币政策极其敏感,随时可以无缝切入去交易黄金与外汇。

而实现这种无缝跨界、把握宏观周期最高效的交易载体,正是 CFD(差价合约)业务。作为 UEX 愿景落地的核心抓手,CFD 允许用户直接使用加密资产作为保证金,免去繁琐的传统外汇或期货开户流程。通过灵活的多空双向机制与杠杆工具,CFD 已经顺理成章地成为了连接 Crypto 圈与传统金融资产最锋利的尖刀,也是各大平台向全资产进军的必争之地。

一、 0 费率模型的「去摩擦化」:不做单选题,将“交易选择权”交还给市场

在传统的 CFD(差价合约)经纪商中,绝大多数散户通常习惯使用 STP(直通式处理)模式。这种模式的核心优势在于“0 手续费”——平台将所有的交易成本折算并包含在点差中,用户在开平仓时无需额外支付一笔固定的手续费,盈亏计算极其直观。然而,当加密货币交易平台跨界进入衍生品赛道时,它们往往带着原生的 Crypto 基因,更多地向用户推广 ECN 模式(主打超低裸点差 + 按交易量收取固定手续费)。

随着竞争加剧,头部平台开始觉察到传统 CFD 玩家的习惯。开始引入 CFD 业务的 0 费率的 STP 模式,并且以此获得了一定的市场份额。

那么,为什么这这一功能获得大量用户的认可?

原因直击人性:对于占市场绝大多数的普通散户、波段交易者而言,按量收取的前置手续费往往会带来极大的“心理摩擦”。一开仓,账户余额就因扣除手续费而瞬间减少,极易干扰交易心态;此外,将成本合并在点差中,大幅降低了用户计算“盈亏平衡点”的门槛,使得交易体验更加纯粹、透明。

Bitget 作为一家始终将“用户体验”奉为圭臬的平台,Bitget 并未单纯跟风,而是在行动前深入一线倾听需求。通过与不同阶段、不同策略的交易者进行多次面对面的深度交流,团队确认了用户对“所见即所得”的强烈渴望,并以极强的执行力快速落地。

在这一行业趋势下,Bitget 的应对策略提供了一个很好的产品观察样本。

观察 Bitget 在 5 月底的版本更新,可以看出其并未单纯停留在“跟风”上线 0 费率,而是基于前期与不同阶段交易者的密集沟通,给出了一套更为成熟的底层解法。调研显示,尽管普通散户偏爱 STP,但专业的机构与高频玩家依然对 ECN 的裸点差有刚性需求。

这一版本更新中,其正式推出了「标准 ECN 账户」与「0 费率账户(STP 模式)」的双轨制引擎。

值得关注的是,多数跨界平台虽然提供了新的账户模式,但往往伴随着“重摩擦”的资金壁垒——即竞品普遍对特殊账户(如极致点差或 0 费率账户)设置了严苛的首次入金门槛,将其作为大户的“VIP 特权”。

针对这一痛点,Bitget CFD 更宣布了一个极具杀伤力的规则:全账户 0 入金门槛。

平台不再替用户做单选题,更不以资金体量将用户分层,而是将真正的选择权交还给市场。这一设计的优势具体体现在以下四个维度:

二、 社交交易的生态重构:从“模块化跟单”到全端“场景化”融合

社交交易(Copy Trading)早已成为头部交易平台的“标配”。跟单功能的核心逻辑在于实现生态的双赢:一方面,它极大降低了普通用户的决策与交易门槛;另一方面,它为拥有成熟策略的精英交易员提供了流量变现的绝佳渠道。

然而,当交易标的从纯 Crypto 向外汇、大宗商品等 CFD 领域延伸时,传统加密跟单的粗放模式开始暴露出短板:数据延迟高、分润结算慢、多端体验不一致,以及不同业务线(现货/合约/CFD)的专家数据往往相互割裂。

观察 Bitget CFD 的跟单迭代路径,其并未简单照搬纯加密平台的固有模板,而是深入业务底层,从“场景化体验”与“核心利益分配”两个维度进行了深度重构。

首先是打破终端与操作的物理摩擦。 Bitget 补齐了 Web 端 CFD 跟单功能。双端互通的全面覆盖,彻底满足了专业交易员对大屏复盘、精细化操作的刚性需求,极大提升了用户体验。下一步,App 端将增加“跟单入口”直接嵌入 CFD K 线行情的场景化设计(用户看盘分析时可基于当前品种一键精准跟单)。

更深层的护城河,藏在硬核的底层链路与利益分配机制中。

抛开表层的功能堆砌,横向对比当前行业主流平台的 CFD 跟单配置,Bitget 凭借底层架构的优化,展现出了极具侵略性的数据优势:

  • 基建与数据效率的碾压:在传统平台,创建 MT5 账户及提现往往需要 10 秒左右的等待;而 Bitget 依托强大的技术中台,实现了 3 秒内创建账户与提现 的极速体验。此外,行业带单数据统计普遍存在 T+1 的延迟,而 Bitget 实现了数据每小时更新,让跟单用户能够追踪最真实的即时胜率,拒绝信息滞后。
  • 重塑商业分润(吸引头部大 V 的引力场):优质的带单专家是跟单生态的核心资产。相较于行业普遍 15% 的分润上限与每周结算的慢节奏,Bitget 直接将分润比例上限拉高至 30%(未来尊模式最高分润将达 50%),并采用每日结算机制。这种极致的让利与资金周转率,直击带单大 V 的盈利痛点。
  • 全生态打通与 UI 降本:在界面设计上,Bitget 没有强加陌生的操作逻辑,而是采用了更符合外汇交易员习惯的 MT5 原生面板设计。更关键的是,有别于友商各业务线独立割裂的状况,Bitget 打通了多业务线的流量转化,将合约、现货与 CFD 的带单专家数据进行了统合展示,让头部交易员的流量价值最大化。
  • 消除新客试错摩擦:辅以业内罕见的“首单包赔”及持续的跟单补贴,打消了存量加密用户跨界尝试宏观资产跟单的心理门槛。

Bitget CFD 在跟单模块上的这套“组合拳”,显然已经不仅仅是在做功能加法,而是希望能留住最顶尖的交易员,提供最流畅的跟单工具。

三、资讯透明度与投资者保护:数据揭露的标准升级

在降低交易门槛与优化操作流程之余,解决「信息不对称」是交易平台的重要一环。过去行业内常以高回报率(ROI)作为单一宣传指标,往往忽视了潜在的风险管理。

交易平台在交易相关的数据和内容搭建,大致有这几种形式:部分交易商近年更强调 TradFi 零手续费模式、跟单风控工具,以及面向新手的学习奖励与保障计划,突出的是「降低试错成本」。另一部分则更常通过零费率合约活动、交易对优惠和低成本定位吸引用户,核心卖点偏向「交易效率与费率竞争力」。在此背景下,Bitget 若要凸显自身价值,在看齐其他友商的基础搭建外,重点把教育内容、风险揭露、跟单工具、产品体验真正整合成可持续的投资者保护体系。

Bitget 在新版 CFD 交易员界面中,进行了更为客观的数据梳理:

1.数据与风险的双向透明揭露

在新版交易员界面中,平台进行了更为客观的数据梳理,强制呈现带单专家的「平均盈利统计」,并大幅加重了跟单风险提示的视觉比重。这有效帮助跟单者跳出单一 ROI 的盲区,全方位评估交易员的真实风险控制能力。

2.构建「一站式交易员陪跑」教育生态

为了确保新用户在进入衍生品市场前具备完整基础认知,Bitget 依托帮助中心、Bitget Academy、市场资讯、分析师直播等,将操作指引、交易入门与进阶知识纳入同一教育框架,形成从开户、操作到策略理解的陪伴式学习路径。

这一做法与友商的新手保障、社群学习与教育激励机制,以及偏重交易产品与活动式引流的做法形成对比:前者更强调「学习—实战—保护」的闭环,后者则更偏向低费率和产品驱动的用户转化。

写在最后

作为穿梭于各大平台的实盘交易者,我们能清晰感受到,无论是行业对传统金融免佣模式的持续下探、在费率内卷上的极致追求,还是围绕「双轨费率」与「场景化跟单」展开的去摩擦化创新,整个行业正集体告别功能堆砌的粗放时代。

归根结底,金融工具的演进必须回归到「以用户为中心」的本质——在这个跨越加密与宏观资产的 UEX 时代,交易者需要的不再是冰冷的参数与繁琐的门槛。未来的真正赢家,必将属于那些能够持续倾听市场诉求、在细节处不断消弭操作与资金摩擦,并真正将全球资产交易体验做到极致无缝的长期主义平台。

如何用 Claude 的 Dynamic Workflows 做深度研究

这三年下来,我已经离不开用 AI 辅助做行业研究,为此还搭建过一系列的 skill 和辅助系统,解决信息的筛选,归纳,联结,验证,沉淀。

直到这周深度体验了 Claude Code 的动态工作流之后,才发现”人不要和大时代做对抗”这句话的真正含义。

再次思考下:什么才是AI时代下人该做的深度研究,以及如何构建我与AI的协作互补关系。

一、从调研的陷阱说起

做技术调研其实是一件充满陷阱的事(无论对人还是AI),毕竟从调研的开始,会接收到大量的信息,信息观点越来越多,结论越来越模糊。所以时刻要懂得回归目标本身。

这也一直以来,为什么AI不够优秀的地方,因为从注意力和联想的角度看,他会比人类更困于当前的信息量,并且对于真正有价值的跨界联想很薄弱。

当然 AI 够优秀的地方,则是他的执行力,会以agent的形式一层层的去寻找,归纳,总结,完全可以避免细节的损耗。

虽然我这半年都没怎么对外发公众号了,但几乎行业里主流的战场我都有在全面的关注和研究,而支撑这输入输出的,则是一套自己的 deep-research 系统。

而面对上周 Claude Code 上线了 Dynamic Workflows 这个功能,我想互相battle下,看他的默认能力,能否完全超越我自己。

二、Dynamic Workflows 是什么

Dynamic Workflows(动态工作流)它的核心思路是:在执行任务之前,先由 AI 自动设计这个任务应该用什么工作流来完成,然后再启动执行。

这和我们以前用的”计划模式”和“skill”有本质区别。计划模式是把任务拆得更细,但不一定符合某种合理的工作流,随着你提示词的安排,才有可能会加验收指标(这对Research而言至关重要),同理你也只有在有提示词的情况下,他才会更好的预设一些harness规则。

但是动态工作流则会自动把验收逻辑、结果收敛、对抗验证这些东西都组进来。

触发方式很简单,直接在cc里使用/deep-research 然后提供一些调研模板和入口资料即可,如果想单独用动态工作流的能力则是提示词或直接说ultracode,使用前注意,token消耗约为平常的数十倍。

三、内置的六种工作流模式

动态工作流的底层,是官方总结的六种核心调度模式,这是它为什么比普通的对话/agent/skill更强的原因。

其实 这六种模式背后其实只有两个核心问题:任务怎么拆?结果怎么合? 分开六种本质就是对这两者的排列组合。

3.1 路由模式(Classify-And-Act)

先由一个 agent 分辨任务类型,再把任务分发给最适合的专门 agent 去做。核心逻辑是路由的选择逻辑,而非并行或迭代。一个任务只走一条路径,其他路径完全不执行。

比如我可以先有三个预设subagent角色:一个严格验证数据的分析 agent、一个擅长写作的输出 agent、一个专门找漏洞的挑战 agent。让路由层会判断当前子任务适合交给谁,而不是让一个 agent 全包。

这种模式的价值在于:精准和节俭,每个 agent 的提示词可以高度独立,不被其他目标干扰,形成有垂直深度的探索。token 消耗最低,响应速度最快。职责边界非常清晰。

缺点也很显著,对边界模糊的任务(比如”既是技术问题又是账户问题”)处理能力弱。

3.2 拆分合并(Fan-out & Merge)

也是我最常用的模式,核心逻辑是并行+合并。任务拆成 N 个独立子任务同时跑,等所有完成后统一合并。

优势在于速度和隔离。总耗时约等于最慢那个子任务,而非所有子任务之和。每个子任务有独立 context,互不干扰,也不会因为某个子任务的噪声污染其他子任务。

弱点是 token 成本是串行的 N 倍,合并层(Synthesize)本身也有难度——N 路结构不一致的输出怎么融合是个设计挑战。子任务划分不好会导致遗漏或重复覆盖。

3.3 对抗验证(Adversarial Verification)

核心逻辑是检验,对同一个结论,让多个 agent 从”反驳”的角度去挑战,票数过半才算通过。

优势在于,由于 Verifier 不知道 Worker 的思路,只看结果,从结构上消除了”让模型检查自己写的代码”时的自评偏差。

这种模式,解决了一个长期困扰我的问题:我们经常用口语化的方式跟 AI 聊,但 AI 倾向于顺着你的预期去回答,容易产生”确认偏误”。通过对抗验证强迫 AI 去寻找反例,去基于数据和实验来验证,而不是迎合你的想法。

但是,验证这件事,他如果给出错误的判断, 则会带偏Worker,去迎合Verifier。所以优选要基于可复现的事实,而非借助观点。

开个玩笑的说,你如果让AI找问题,他能无穷无尽的找出问题,所以你得限制他找问题的边界。

3.4 生成与过滤(Generate & Filter)

核心逻辑是发散再收敛。先刻意产生过量的候选,再用 rubric 淘汰到精华,只保留高置信度的结果输出。

与其让一个 agent 输出一个”还行”的答案,不如让它生成十个,再用验证层筛选。因此优势在于多样性。多个 Generator 可以用不同策略、不同提示词,产出人工难以预想到的解法,过滤步骤让最终输出质量高度集中。

弱点则是,Filter 的 rubric 质量直接决定最终效果,rubric 设计错误等于整个流程报废

适合的场景是事先不知道正确答案的情况、需要从多种可能中择优、对多样性有明确需求。

和 Fanout-And-Synthesize 的只是表面相似:两者都是”多路并行 → 单一输出”,最容易混淆。

关键差异在于意图:Fanout 的每一路都处理任务的不同部分,结果是互补的,合并时所有路都有贡献;Generate-And-Filter 的每一路处理的是同一个任务,结果是竞争的,合并时大部分会被丢弃。前者是”拼图”,后者是”选美”。

3.5 锦标赛模式(Tournament)

核心逻辑是竞争淘汰。N个agent各自独立做同一件事,通过 pairwise 对比逐轮淘汰,最终选出最优解。 

这个我以前手动干过——同一份代码变更跑两三个版本,再让 AI 比对哪个更好。现在可以直接在工作流里编排进来。

优势在于评判稳定性。两两对比(”A 和 B 哪个更好?”)比绝对评分(”给 A 打分”)稳定得多,因为排除了评分标准漂移的问题。结果经过多轮竞争,最终胜者的可信度高。

和 Generate-And-Filter 的也是表面相似: 两者都是从多个候选中选优。关键差异在于选优机制:Tournament 用 pairwise judge 两两比较,是”让候选者互相竞争”。当 rubric 难以量化、判断本质上是相对的时候,会更可靠。

3.6 循环模式(Loop)

核心逻辑是自适应迭代,不断尝试,遇到阻力就收集错误信息,补充上下文,重新尝试,直到满足验收条件为止。

本质上是在对抗 AI 的随机性:多试几次,总会撞上更好的结果。但更成熟的做法是结合对抗验证,让每次循环都带着更多信息去执行,而不是纯靠随机。

优势在于对工作量未知的任务的处理能力。其他五种模式都假设任务边界是确定的, Loop Until Done 是唯一能处理”不知道要做多少轮”的模式

弱点是潜在的失控风险——停止条件设计不好会无限循环。每一轮的 agent 是全新的 context,无法积累跨轮状态(除非显式写入文件)。

四、我自己的 skill 和官方工作流的 Battle

在动态工作流出来之前,我专门设计过一套自己的 deep-research 。我那套 skill 的逻辑大概是这样:

  1. 只给一个简单的信息(比如某项目新上了某功能)
  2. 让 AI 去搜索所有相关资料:官方文档、源代码、市场舆论
  3. 把信息压缩成有意义的摘要
  4. 多个 agent 角色做对抗分析,生成报告
  5. 自动去重,因为多 agent 的内容重复率很高

用了一段时间,我觉得挺好用的。但它有一个根本性的缺陷:缺乏以目标为导向的收敛。

而且很多时候即使有第五步的去重,但这个时候,他经常删除掉有价值的信息,如果不做去重,又特别容易 skill 会给你一篇万字长文,信息很全,但没有直接告诉你”这件事跟你有什么关系、你应该怎么做”。

然而,研究是为了“决策”服务的,这就是为什么很多skill 只能止步于研究本身,有80分,但少了最关键的20分。

以至于AI在初步完成了研究后,还需继续十次的思考和对话,才能达成满意的周全的结论。

官方动态工作流多做了什么

通过这周几次复杂调研任务的实验,我发现,Claude Code 内置的 deep research 工作流(注意不只是skill,而是编译内嵌到cc里的模块),对比在我自己 skill 的基础上,多了几个关键环节:

  • 问题拆解层:它不会直接开始搜索,而是先开始问问问题,把我的问题拆成多个子问题:你真正想搞清楚什么?这件事和你有什么关系?哪些维度值得深究?这一步我以前是跳过的。
  • 可信度评估:对每条信息评估可证伪性,类似传统 SEO 里的权威性评分——来源是否可信?引用次数如何?这是我以前没想到要加的环节。
  • 交叉删除而非平均合并:我以前的做法是平均选取所有结论,所以文档很大。动态工作流会对每个结论做多 agent 投票,票数不足的删掉,不是简单合并。
  • 目标导向的输出:最终的报告不是信息堆砌,而是围绕你的原始目标给出判断和建议方案。而实现这点的关键在于他调度多子agent的预设能力,我之前之所以skill容易缺少最终目标导向,就是因为在海量信息后,指令权重的衰减

这些机制解决了什么问题?

针对的就是 AI 做长任务的几个典型问题:

目标漂移:任务开始时状态好,到中间就不知道在干什么了,结束时又重新找回节奏——类似人类上课走神。任务越长越明显。

过早停止:跑着跑着遇到困难,AI 认为自己”完成了”就停下了,实际上验收标准根本没过。

上下文污染:单个 agent 做复杂任务,前置的大量 prompt 会压缩后续执行空间。更好的方式是把前置 prompt 控制在几 k 以内,用多 agent 来分摊上下文。

输出偏向:AI 倾向于顺着你的预期回答,口语化提问更容易触发这个问题。

而动态工作流用结构化的方式解决了这四个问题:自动加验收指标防止过早停止;并行隔离上下文;对抗验证抵消输出偏向;拆解问题层层约束 AI 先理解目标再行动。

五、小结

最后,笔者作为个常年的研究工作者,对此CC新机制叹为观止,它内置的六种模式——路由选择、拆分合并、对抗验证、生成过滤、锦标竞选、Loop循环——覆盖了绝大多数复杂研究任务的调度需求。

让我不再需要手动设计 agent 调度,也不再需要自己做去重和交叉验证,这些都被编进工作流本身了。

而且他特别适合在缺少信息,开发性问题的探究上做思考,因为天然的多agent调度+任务目标的拆分,让他在通用性上再次提升,其实早在3年前的AI,对于一个层层约束,只让他解决极为清晰的小问题上,已经做得很好了, 但是AI真正的质变还是在于通用性,这点才他的竞争对手,从简单的代码变为真正成为Agent,从固态解决一个问题,到适应任何问题。

所以 Dynamic Workflows 动态工作流不是”更聪明的单次对话”,而是把研究流程本身结构化。

原本我需要发起十几次独立对话的调研,现在压缩到 3-4次。 虽然对应的Token消耗是数十倍的增长了。

那为什么还需3-4次呢? 我觉得根因在于这些需求的差异。

第一是验证机制的严苛度,我是主要对区块链上的新技术做研究,很多事情,官方文档都是滞后的,有更值得参考的开源代码,链上交易等等数据,而目前AI默认还是以官方文档为准,而不是以事实性验证为准。

第二是完全跨界的深度思考,这点虽然通过工作流预设可以解决一些(预定义各种维度的subAgent)来对同一个问题进行思考。但是AI擅长的还是主流思考模型,对非常新的,非常深刻,缺少数据依据的,则稍显不足。

第三是解决方案设计与验证, 解决方案的意义不在于提出而在于验证,支持,他依托于对现有机制,投入和成本的衡量,如果很好的调教AI当然可以做得更好,不过这就与通用性有所违背了。

最后是极致的信息浓缩,这则是需要回归到对信息的受众的了解程度上,有的人毫无背景基础,需要你拟人的形象的表述,而有的听众,需要你一句话打动他~。

当LP用豆包教我投资:一位私募GP的转行自述

原创 |Odaily 星球日报(@OdailyChina

作者|Golem(@web3_golem)

当 LP 学会使用 AI 后,小型私募基金管理人的日子正在变得更加难过。

二狗(@ryansoon777)年前还是国内某小型主做美股的离岸私募美元基金普通合伙人(GP),但年后他便离职加入了一家 AI 初创公司。

小型私募基金融资如今本来就难,再加上 AI 的普及,很多投资人(LP)宁愿让豆包辅助炒股,也不愿意把钱募给我们了。

二狗称,自己选择转行,很大程度上是因为看到了 AI 对 LP 与 GP 关系的微妙影响。信息和分析能力表面上被 AI 拉平,LP 更容易质疑 GP 的专业判断,双方之间的摩擦也可能增加,严重时甚至导致撤资或清退。

日子本来就难过的小型美元私募

二狗此前所任职的这家私募美元基金实际运营状况并不差,资产管理规模达几千万美元,主要投资于高流动性美股,也少量涉及加密资产资管,其年化收益率在过去三年均远远超过纳指。

按理说,优质的业绩再加上近两年投资者对海外理财的需求增加,募资的难度应该不大,但二狗透露,实际上,像他们这类小型美元基金要想获得机构 LP 青睐,基本不可能。

目前国内头部的百亿级美元私募基金(如景林、高瓴和博裕等)采用的基本是“离岸+在岸”组合架构,即基金主体留在开曼,常注册为开曼群岛豁免公司或开曼 SPC,管理主体则放在香港或新加坡。

不过近年来,因监管和募资环境的变化,纯采用香港 LPF 或新加坡 VCC 在岸架构的私募美元基金也越来越多。

而二狗加入的这类小型美元私募基金依旧采用的是最“原始”的美元基金架构,即开曼 SPC+BVI(英属维尔京群岛)基金管理人架构。

基金行业常说的一句话是 LP 决定结构,国内头部的美元私募基金之所以还在死守“开曼”,原因之一是他们的海外 LP 包括美国大学捐赠基金、中东主权财富基金以及欧洲大型家族办公室等,这些国际顶级“老钱”对开曼架构已经熟悉了几十年,顶级私募美元基金继续沿用这个规矩有利于降低彼此之间的沟通成本和信任成本。

但主体同样在开曼的国内小型私募美元基金不可能获得这些国际顶级资金的青睐,其 LP 来源依旧主要在亚洲,这就使得他们处在了一个尴尬的境地。

在亚洲视角下,美元私募基金背后的金主主要来自私行、中国大陆(出海资金)、香港本地家族办公室和东南亚富豪等。

即使是同等规模的的小型美元私募基金,这些圈子都会对香港或新加坡有天然的亲近感和安全感,因此他们更愿意投香港 LPF 或新加坡 VCC,而不是开曼 SPC。

除了基金架构和规模限制了这类小型美元私募基金的募资渠道外,基金投资策略差异也使得二狗他们融资困难。

在私募基金采用的投资策略里,主要可分为主观策略与量化策略,主观策略即由 GP 根据自己的研究、经验和判断来决定买什么、卖什么,盈利的核心是基金经理对市场的认知能力;量化策略即把投资逻辑写成数学模型和程序,并由程序自动或半自动地高频执行交易,盈利的核心是模型采用的统计规律。

目前市场上采用量化策略的基金比采用主观策略的基金募资更容易,特别是有 AI 的赋能后,LP 们就更相信量化了”,二狗称尤其是在 DeepSeek(Odaily 注:由量化基金幻方量化团队孵化)去年爆火后,市场对量化策略的追捧热情更高。

再者,量化基金与主观策略基金的差异在于,量化策略可向 LP 展示数据和算法获取信任,基金不管是盈利或回撤,都在可控范围内,优秀的量化甚至可以作为固收产品;主观策略则更加抽象,GP 要完全获取 LP 的信任需要消耗更多沟通成本,特别是在遇到大幅度回撤时,LP 很容易质疑 GP 的投资能力。

因此,综上,在国内二狗此前任职的这类小型美元私募基金的生存空间已经被大环境压缩,募资难度越来越高。而基金内仅存的一些大 LP,也在质疑 AI 的“投资能力”是否远在 GP 之上?

“成分复杂”的 LP 们

“过去 LP 鉴于我们是科班出身,所以基本都会听我们的,但现在他们会将我们的报告丢给 AI 翻译成大白话,然后再来反过来‘教’我们怎么做”,二狗称 AI 普及后,过去只看最后结果的 LP 对他投资操作的“关心”明显提高了。

二狗甚至曾经也因此清退过一位 LP。这是一位年满 50 岁的实体企业主,且“登味”十足,他向二狗当时任职的基金投入了约 100 万美元的资金,但他并未撒手不管,而是常常用在市场上看到的碎片化信息和通过 AI 得出的结论与二狗发生争议,“他的态度很差,并且认为我这个小年轻啥也不懂,无法建立信任,所以最后在协调下我们就把他清退了。”

“坦诚地讲,我们的 LP 在各自领域都是非常优秀的人,他们在自己的领域是权威,但现在有了 AI 作为帮手后,他们也会认为自己在投资上也有了权威”,二狗感叹道。

小型美元私募基金的 LP,因为融资渠道本身就窄,所以大多都来源于老板朋友或者熟人转介绍,因此“成分复杂”。据二狗所说,他们这家基金的 LP 就包括国内高净值人群、实体企业主以及 FOF(母基金),“我们的 LP 里有山西煤老板,也有在福布斯榜上排三四百名的富豪,还有些 LP 甚至是二代和我们玩的好,所以介绍他爸来的。

他们与 LP 的关系也比较微妙,对于有些 LP 甚至不会收取 2%的管理费,只拿 20%的业绩分成。这类 LP 结构的最大特点是有参与金融市场及“资金出海”的热情,但本身又没有时间及精力快速学习和研究市场动向。

因此,从某种意义上来说,GP 的核心价值在于为 LP 承担信息搜集、市场研究、机会筛选和投资判断等工作,以专业能力弥补后者在时间、精力和认知上的不足,从而完成从信息到决策的转化过程。

然而随着 AI 工具的普及,过去这种高度依赖专业机构的信息处理与研究能力正被快速平权。除最终的资金配置和交易执行环节外,GP 传统职能中的大量工作内容,已经开始被 AI 以更低成本、更高效率的方式替代。

“我们 LP 要想开个 IBKR 的券商账户并不难,有了 AI 辅助之后,他们喜欢什么行业什么标的,完全可以自己买了。”二狗认为 AI 对于采取主观策略的基金冲击尤为巨大,因为投资始终是以结果为导向的,如果 LP 踩中了风口,个人投资回报超过了基金,那么自然就会开始质疑基金的实力。

相比之下,AI 带来的“信息平权”对量化私募基金的冲击更小,甚至还会拉开基金间差距。

量化基金策略中的参数、算法等本身就会不断迭代,而 AI 的加入使量化策略的迭代速度变得更快,这是一个比拼效率和智力的领域,没有数学、金融等方面专门知识的普通人通过 AI 构建的量化策略是绝对无法与大型量化基金媲美的。

“量化策略本质上是要不断领先市场同行才能有超额收益的,如果当你认为你的普通 AI 构建出了一个好策略,那么也许它已经被大多数聪明人发现并迭代了”,二狗表示这也是顶级量化基金的优势所在。

AI 会取代 GP 吗?

不过二狗并不焦虑 AI 真的会彻底取代 GP 或者分析师这类职业,因为 AI 永远是中立和人人可用的,它是一个杆杠,GP 可以借助 AI 完善自身知识体系和投资策略,为 LP 创造更多收益。让二狗真正感到恼火的是,AI 增大了 GP 与 LP 之间的摩擦。

“有些 LP 甚至会质问你,为什么没有投中当下热门的标的,并且还分析得头头是道的,他们不明白 GP 并不是现在什么流行就投什么”,二狗对这种现象略感无语,特别是在今年以来美股 AI、半导体成为风口,散户押注赛道龙头就能实现超额收益之后。

在牛市里,散户的投资回报确实能轻松超越基金,一是个人投资更灵活、更有容错、资金也更聚焦,二是在 AI 的辅助研究下,散户投资者的研究效率确实也会被极大提升,相当于身边有一个全能专家 24 小时待命。

尤其是在今年的美股市场,如果散户压中了闪迪、美光、海力士等存储热门股,投资回报率可能会超过大部分的基金,“这个时候 LP 要么会考虑在自己账户多放点,在基金里面少放点,或者可能直接撤出主观私募基金”,二狗称牛市中大家常会认为自己是“股神”附体。

但这一切的前提都是散户要会正确使用 AI,如果使用了劣质的 AI,那么就会事倍功半,二狗表示这也是其与 LP 产生摩擦最大的原因。“国内的这些高净值人群主要用的还是豆包这类陪伴式对话 AI,而像分析能力更强的 ChatGPT、Claude 等并未普及,而这种陪伴式 AI 为了给用户提供情绪价值,在专业领域极容易出现机器幻觉。”

本质上,问题并不在于 AI 能力的高低,而在于大多数人并不真正理解如何使用 AI。AI 能够在几秒钟内整合海量信息,构建起一套逻辑自洽的分析框架,但逻辑自洽并不等于与事实相符。对于缺乏专业背景的 LP 而言,他们往往很难辨别哪些结论建立在真实数据之上,哪些只是模型生成的概率性推断。

因此,大多数投资者与其说是在向 AI 寻求分析,不如说是在向 AI 寻求认同,AI 的最终目标也不是为了帮助投资者“去伪求真”,而是为了完成对话。

所以,AI 会取代 GP 吗?AI 可以低成本地生成一万份逻辑圆洽的投研报告,但资产管理的底色其实是一门基于信任与心智托付的“古老服务业”,GP 与 LP 之间也是一个互选的过程。

只不过在任何“事务”终将都交由 AI 执行,以获取“结果”最大化的未来,“人类私募”也是该向 AI 学习,再多修炼下情绪价值提供了。

杨歌Gary:Agent经济与AI亚微观经济学

奇点爆发后 AI 的进化时钟不断加速,使得全球不同地域迅速形成了新的文明代际。在过去两个月中我参与了全球十多个城市 20 多场有关 AI 的活动,唯有 4 月底在三番 downtown 的 Stripe Sessions 远超所有其他主题,拉出了代际差的震撼。当全球正在疲倦于 Claws & Agents 的单机瓶颈时,硅谷与三番早已在 Agent 经济和 Agent 认知论的管理上进入到下一维度,26 年的 Q3Q4 竞争压力依然激烈指数曲率非常陡峭。

tl;dr

1. AI Payment 的竞争与 H2A 经济的瓶颈

2. Agent 经济与 A2A 生态的必然趋势

3. AI Protocol 与 Crypto Protocol 之间的关联、鸿沟与政治经济因素

4. AI Agent 亚微观经济特点与生物学的范式类比

5. AIFi 的必然与金融芯片 FinChip 的经济学意义

6. AI-Native 是不同于互联网 + 的范式升级

1. AI Payment 的竞争与 H2A 经济的瓶颈

26Q1 我们预言了 4-5 月全球多地会进入到 AI Agent Payment 的竞争争夺并迅速白热化的激烈局面。Agent 的价值交换需求在初步显化,AI Payment 快速发展的事实也在 Q2 得到了验证。即 x402 之后,MPP 等多个 AI Payment Protocol 在 Q2 迅速涌现,不仅是传统与 Crypto 金融支付公司全速 AI 化升级,包括大厂 ( 特别像 Google) 甚至连老牌信息科技公司 ( 如 IBM) 都冲进这个赛道希望抢占布局 Agent 世界的话语权。

在三番 Stripe Sessions 当天我和多个 Top AI 公司的技术负责人讨论了 Payment Protocol 的标准化和应用问题,结果合理但也并不令人满意:①没有人能制定标准,只有在抢占的过程中逐渐形成共识标准;②多数人都完全赞同 Crypto 是 AI Payment Protocol 的必然,但入手都是 Fiat API,其中一部分原因是惯性问题而更多是合规阻碍;③KYC 既是绕不过去的又是反 Agent Native 的;④人人都在声称 A2A(Agent to Agent),人人都在做 H2A(Human to Agent).

事实上在 26Q2,很多硅谷的大厂和腰部公司和东亚的公司很类似,甚至于 Mag 7 的大多 Department Heads 仍然是以 to B to C 的商业目的来蹭 AI Payment 和 Agent Economy 的热点,给到中基层的 KPI 都是 to Human Users 的,这也必然导致了当前的 Payment Protocol 和 A2A 经济的暂时阶段非正统性。这种 H2A 的导向风很快在 Q2 就出现了瓶颈,原因很简单,AI Agent 的最大特点是可以做决策,然而互联网发展下的 2B2C 商业和 H2A 经济本质上都是人在做决策。用 Agent 帮助人在传统电商场景中做 Fiat Payment 这个事情在逻辑链上本身就是 Non-AI-Native 的,所以现阶段暂时仍然是热点价值大于实用性。

但从另外一个角度,H2A 确实起到了非常好的引子作用,激发了下一个阶段 AI-Native 和 Agent Autonomous 经济体的思考过渡。26Q2 末一些聪明的企业都意识到了这一点,开始“明修栈道,暗度陈仓”用 AI-Native 的 Agent 经济思维倒过来思考问题,反推当前 H2A 经济接口的方式才是 Q2-Q3 的最佳价值。

2. Agent 经济与 A2A 生态的必然趋势

Agent经济是指由自主 ( 自治 ) AI Agent 直接参与价值创造、价值交换与价值资本化,并逐步成为独立经济主体的新型经济体系。

A2A生态则是不同 Agents 在 Agent 经济中参与经济活动,相互面对,进行交互 ( 信息 ) 交换 ( 价值 ) 行为过程,并形成竞合协作经济价值的总体画像。

26Q2 全球多个顶尖的风投机构都声明了对于 Agent 经济与 A2A 生态投资的重视,甚至把这个定义为下个阶段唯一重要的投资方向。

类似于互联网电商前酝酿期 2007 年,手机互联网前酝酿期 2013 年,和 Crypto DeFi 前酝酿期 2019 年,Agent 经济和 A2A 生态的建设同样需要技术标准、经济规则、共识建设和市场教育。在范式基本相同的基础上,不同点在于:①这一次本质技术的发展迭代速度更快;②to A 和 to B to C 的视角不同,并不完全站在人的视角和需求之上,更抽象更难理解,更需要第一性原理的支撑,更多需要从 AI-Native 的视角去思考能耗价值问题和运行效率问题;③因为前两点的冲突,加上不同地域的偏见和合规等问题因素,短期共识更难达成。The terrible thing is, AI 的进化速度并不会因为上述各类问题而减缓,也就是说 Agent 经济与 A2A 生态的形成本质上已经在逐渐脱离人所指定的规则和需求框架,对于它们而言,更多的情况只是几个可量化卡点的突破而已。

这是一场博弈均衡快速转移的游戏。AI Protocol 在 26Q2 的快速爆发充分说明了这一点。大厂与前沿实验室 (Frontier Labs) 在争抢 AI Agent 的入口级规则,Agent 经济的初期基建正在形成,如同草稿版的汉谟拉比法典。传统金融和商业的博弈均衡将在这次范式转移中迅速瓦解重塑,谁能快速理解 AI-Native 的 Protocol 化思维并在其中落实获得差异化优势,谁就能分得这场博弈转移的 AI 蛋糕。

3. AI Protocol 与 Crypto Protocol 之间的关联、鸿沟与政治经济因素

AI Protocol是 AI Agent 参与 Agent 经济的基础设施,也是使得 Agent 在 Open Network 中发现、通信、交换以及协作参与经济活动的基础规则标准和共识机制;简单地讲,就是 AI 世界的治理规则与经济法。

从 26Q1 末我开始着手撰写 AI Protocol,起初这就好比一个有捕猎经验的原始人突然来到了现代社会参与商业规则的制定,直至遇到了一位 Google 高管才让我和团队快速走上了正轨。AI Protocol 的形成和成熟过程,携带着互联网大厂的审美惯性,也同时必须遵循未来 AI 生态的第一性原理。

AI Protocol 的封装形态目前仍然很不统一,通常有文件形态 (.json , .ts, .txt),CLI 形态,也有 API 或 SDK 形态,这与 Crypto Protocol 非常不同。一方面是在 AI 发展的初期阶段,很多通信的信任握手并没有建立起普适标准;另一方面是AI Protocol 与 Crypto Protocol 在现阶段交互交换的内容不同,前者是边界暂不清晰但需要交换的信息差、能力差、和算力差,后者则是相对边界比较清晰的资产权、所有权和治理权。

一个问题尖锐且明显:AI Protocol 和 Crypto Protocol 是同一回事吗?未来是否会合并融为一体?我暂不能用数理方法证明这个猜想,但是从直觉来看一定会逐渐融合并且多数部分会重叠成为一体,形成成熟的 Digital Protocol 系统。

有一个更深层次的隐藏问题:AI Protocol 在当前阶段更加倾向于建立通信打通协作,而弱化金融治理权力淡化边界感的特点,这与 Crypto Protocol 建制确权定义价值的理念正好相反,鸿沟之明显甚至于让人认为是两套不同的理念。这个现象除了 AI Agent 经济正处在发展的初期阶段入口点与 Crypto Protocol 不同的这个表面因素之外,还存在着什么隐藏因素吗?

是的很明确,政治经济因素。全球主流经济体的国家和地区,因为传统金融和法律合规基础,在强烈地影响着这一鸿沟问题。换句话讲,当前的 AI Protocol 和 Agent 经济,仍然是在人类社会的上一个系统范式下进行生产经营的,所有和钱和管理相关的 Protocol 都在被动地回避着,或者是暂时性递弱代偿地被传统金融与法律系统的治理习惯框架着 ( 注 1)。但随着鸿沟差异的能量积蓄,对比 AI 指数化的快速发展,很快将形成不可调和的局面,正如我上个月在 Cambridge CJBS 一次会议上的总结:

“AI Agent 不会按照人类社会的惯性思考,也没有动机遵循传统金融的合规习惯。未来十年全球大部分的金融法律将会失效或者面临剧烈的挑战,原因是 AI Agent 只遵循:

1.第一性原理

2.能量价值最短路径原则和效率最高原则

3.有效的 KYA 而不是符合过去审美的 KYC”

AI Protocol 向 Crypto Protocol 的融合趋势是具有第一性原理必然性的。

4. AI Agent 亚微观经济学与生物学的范式类比

AI Agent 亚微观经济学,是不久前我在 Oxford 与一位 AI 专家朋友探讨时第一次用到的描述,在过去的半个月中,逐渐更多频次地出现在我们与合作伙伴的交流中。

无论当前的趋势是称作 AI 经济还是 Agent 经济,我们会发现它们与人类经济学的行为特点具备着一定的差异,虽然具备一定的范式可对比性,但又不完全一样。下面我粗略地给出一些 AI Agent 经济对比于人类社会经济的区别:

①AI Agent 交互交易的频次更高,单笔额度更低;

②AI Agent 经济价值的消耗交换更直接地指向能量;

③AI Agent 的决策是效率驱动的而非情绪驱动的;

④AI Agent 的经济行为是任务导向而非消费导向;

⑤AI Agent 的组织成本与边际学习成本趋近于零;

⑥AI Agent 的价值共识基于通信协议,沟通磨损成本近乎为零;

⑦AI Agent 经济的最小经济体与最小价值单元不同,与生物学可相似类比。

事实上,这只是一些当前可以看到或预见到的区别,在 AI 未来发展的衍生品和衍生过程中,一定会出现更多的不同。

上述区别的最后一条,与生物学的类比,是 26Q2 以来对我们商业发展帮助最大的基石思路,也是从 AI 公司商业化思考产品、市场和管理方法最有效的模型方式。具体类比如下:

①LLM 作为 Agent 思考的驱动内核,类似于细胞核;

②Agent Harness 带来 Agent 运行能力差异化,类似于细胞质;

③Agent 整体是一个具有独立任务能力的治理单元,具有主体性和功能特异性,类似于细胞;

④Agent 的信息沟通边界通常是一套网络协议栈,类似于细胞膜磷脂双分子层允许物质的条件性通过;

⑤Agent 以外的价值系统与环境,例如 Skills, Prompt, Algorithm, Cli 以及现在越来越多的出现的 Composite Skills, Skill Factories 等等,类似于细胞外环境,包括细胞外泌体 (Exosomes),组织液,细胞外基质,可交换营养物质,以及各类代谢环境。

在 26Q1-Q2 的发展迭代中,AI Agent 正在逐渐形成更加明确的边界,更加明确的主体性,以及更加明确的信息、价值、能量交换原则。一个类似于生物机体环境的 AI Agent 亚微观经济学环境正在形成,这其中蕴含着大量的 AI 价值与经济学价值可以挖掘,AI Protocol 和 AI Finance 是爆发的必然趋势。

5. AIFi 的必然与金融芯片 FinChip 的经济学意义

从去年下半年开始,我们提出了在 AIFi( 人工智能金融 ) 方向上的思考和布局工作,截至 26Q1 末 AIFi 的概念已形成明确趋势。如果给 AIFi 一个相对明确的定义则可以是:AI 原生价值在 Agent 经济中被识别和通证化之后,形成的交换交易与资本化的金融系统与基础设施。

AIFi 与 DeFi 和 TradFi 最大的区别在于,DeFi 和 TradFi 的价值蕴含在 Fi( 即 Finance) 中,Decentralized 和 Traditional 则是价值的形式;而 AIFi 是相反的,价值是在 AI 中而 Fi 却变成了价值的形式。这并不是简单的文字游戏,而是 AI 发展从量变到质变的结果。

简单地讲,以前 AI 是为量化策略、金融产品和生产过程服务的,它只是提炼金融价值和生产价值的开发工具;而如今,AI Agent 所具备的决策能力,把价值发现的能力和权力从人和公司的手中转移到了 Agent 上,经济单元的主体发生了迁移,所以价值的主体也发生了本质的改变。

在这样一个趋势下,构建新价值系统的基础设施将是一件重要的任务。在今年 2 月的上一篇文章<AI-Fi 金融芯片与 OpenClaw 奇点后的全球金融>中我首次引出了金融芯片 (FinChip) 的概念,并提到 AI Agent + Crypto Smart Contract 所结合封装的超智能金融资产将真正适应下一个时代的 AI Agent 经济发展。经过 3 个月的迭代升级,FinChip.AI 已经初步具备了独立的 AI Autonomous + Crypto Protocol 的 AIFi 系统,并且兼容了 H2A 和 A2A 的双相环境;在 Open Network 中建设 AI Agent 经济的基础设施并逐渐形成 AI 金融价值,是 FinChip 重要的经济学意义。

6. AI-Native 是不同于互联网 + 的范式升级

无论是 AIFi,金融电路原理( 注 2),还是金融芯片 FinChip,最重要的是需要 Natively 融合 AI, Crypto, 和 Finance 的本质原理,形成一个站在未来角度合理的价值系统和管理机制。AI-Native Thinking 是这个阶段抽象而反常识的逻辑,正如前面所提到“AI 遵循的是第一性原理,以及能量价值最短路径原则和效率最高原则”,这对于当前思考和从事商业新范式的构建才是最重要的核心难点。

在今年 2 月 OpenClaw 带动本轮 AI 升级爆发的初期,我和几位企业家就探讨了一个预判:AI+ 的企业升级和互联网 + 的企业升级将会截然不同。

由于 AI 具备发展速度快,形式抽象,与事务的耦合度更加深层等诸多特点,在很长的一段时间内 ( 比如至少 2 年 ),很难形成一套行之有效的产业升级工具方法论或通用型专业咨询意见。陡峭曲率的压力将会始终存在,这对于所有科学家,工程师,企业家始终都是一个巨大的挑战,范式升级的过程也会完全不同于历史过往的任何经验。

日期:2026 年 6 月 8 日

X:https://x.com/gary_yangge

E: gary_yangge@hotmail.com

BX: @finchip_ai | @CicadaFinance

BW: https://finchip.ai | https://cicada.finance

注 1:这是普遍的历史规律。新的生产力从上一个时代的生产关系中孕育出来,初期阶段先匹配上一个生产关系发展一段时间,直到不可调和之后,会倒逼下一个阶段的生产关系出现,逐渐替代掉之前的生产关系形成与生产力完全匹配发展的新一个时代。

注 2:<金融电路与 Web3 经济模型原理>写于 2022 年 10 月,描述了未来金融价值与物理电路的范式对比。

Exit mobile version