作者: GAWE

视频标题：The Supply and Demand of AI Tokens | Dylan Patel Interview

视频作者：Invest Like The Best

编译：Peggy，BlockBeats

编者按：在 AI 模型能力持续跃迁、Claude Code、Cursor 等工具被企业大规模接入的背景下，行业讨论正在从「模型有多强」转向「模型如何进入生产」。但当 AI 编程、自动化分析和数据建模逐渐成为新的共识，一个更底层的问题开始浮现：当执行成本被快速压低，真正稀缺的究竟是人力、资本，还是对前沿模型和 token 的使用权？

左为主持人 Patrick O’Shaughnessy，右为 Dylan Patel

本文整理自 Patrick O’Shaughnessy 与 SemiAnalysis 创始人 Dylan Patel 的一场对谈。Dylan 长期关注 AI 基础设施、半导体供应链与模型经济学，在这场对话中，他从自身公司 Claude Code 支出暴涨出发，讨论了 AI 如何改变企业组织、信息服务、token 需求、算力供应链以及社会情绪。

这场对谈最值得关注的，不是某个模型又一次刷新 benchmark，而是它提供了一种理解 AI 经济的方式——把 AI 看作一种正在重新分配执行能力、组织效率和产业利润的生产系统，而不只是一次软件工具升级。

这场对谈大致可以从五个角度理解。

首先，是执行成本被打穿。 过去，想法并不稀缺，真正困难的是把想法变成产品、系统和可交付服务。现在，Claude Code 让非技术人员也能写代码、搭应用、做数据分析，原本需要一个团队长期维护的工作，开始由少数人借助模型完成。SemiAnalysis 的 Claude Code 年化支出已经达到 700 万美元，超过其薪资支出的四分之一，这说明 AI 不再只是提效工具，而正在变成企业新的生产资本。

其次，是信息服务行业最先被重写。 Dylan 所在的业务本质上是出售分析、咨询和数据集，而这正是最容易被 AI 商品化的领域。芯片逆向分析、能源电网建模、宏观经济指标搭建，过去可能需要一个团队长期投入，现在可以由少数人在几周内搭出可用产品。这意味着，AI 对信息服务公司的压力不是「是否会替代人」，而是「谁能更快重做同行的产品」。不采用 AI 的公司会被更快的公司商品化，而采用 AI 的公司也必须持续提高标准，避免被下一批更高效的竞争者反向替代。

更深一层，是 token 正在变成新的生产资料。 过去企业购买软件订阅，核心问题是工具是否好用；现在，前沿模型的访问权、rate limit、企业合同和 token 预算，开始直接决定生产能力。越强的模型并不一定意味着更高成本，因为更聪明的 token 可能用更少步骤完成更高价值的任务。真正的竞争，正在从「谁使用 AI」转向「谁能拿到最强模型，并把最昂贵的 token 用在最高价值的场景」。

这种需求还会继续传导到整条供应链。 token 使用量暴涨，最终会变成对 GPU、CPU、内存、FPGA、PCB、铜箔、半导体设备和晶圆厂资本开支的持续压力。文中提到的「牛鞭效应」正是这一逻辑：下游看似只是模型调用需求增加，传到上游却可能变成数倍放大的订单、扩产和涨价。AI 产业的利润分配因此不会只停留在模型公司和 NVIDIA，而会沿着半导体与数据中心供应链继续外溢。

最后，是 AI 的社会反弹可能提前到来。 当 AI 真正进入工作流，公众对岗位替代、能源消耗、数据中心扩张和权力集中的担忧也会同步上升。Dylan 甚至预测，三个月内可能出现针对 AI 的大规模抗议。对模型公司来说，继续强调「AI 将改变世界」未必能缓解焦虑，反而可能强化普通人对失控感的想象。AI 行业接下来需要证明的，不只是技术能力，而是它如何在当下创造具体、可感知的公共价值。

如今，AI 的核心问题，正在从「模型能做什么」转向「谁能获得模型、如何使用模型，以及谁能捕获模型创造的价值」。在这个意义上，本文讨论的对象已经不只是 Claude Code、Anthropic 或某一家 AI 公司，而是一场围绕生产力、资本开支、组织效率和社会接受度展开的结构性重排。

以下为原文内容（为便于阅读理解，原内容有所整编）：

TL; DR

·AI 的核心变量正在从「能不能做」转向「值不值得做」，执行成本骤降后，真正稀缺的是能被模型放大的高价值想法。

·Claude Code 支出占薪资成本 25% 只是开始，AI 正从软件工具变成企业新的生产资本。

·前沿模型的竞争不再只是能力竞争，而是 token 获取权竞争；谁能更早、更稳定地拿到最强模型，谁就可能形成新的商业壁垒。

·信息服务行业会最先被 AI 重构，因为数据、分析和研究的生产成本正在快速下降，慢公司会被更快的公司商品化。

·Token 需求不会因为旧模型降价而放缓，因为每一次模型变强，都会释放新的高价值用例，并把用户推向更贵的前沿模型。

·AI 带来的最大变化不是让人少工作，而是让少数人用同样时间完成数倍产出；不能创造并捕获 token 价值的人，会被锁在「永久底层」。

·算力短缺正在向整个半导体供应链扩散，从 GPU、CPU、内存到 PCB、铜箔和设备厂商，AI 需求已经变成全产业链的价格推力。

·AI 的经济价值很难被传统 GDP 捕捉，真正的问题不只是模型公司赚了多少钱，而是 token 生成的决策、效率和连锁影响究竟创造了多少「幽灵 GDP」。

访谈原文：

Claude Code 成了新劳动力

Patrick O’Shaughnessy（主持人）：

你之前跟我讲过一个很精彩的故事，是关于你们团队今年在 token 使用量上的巨大变化。你能再讲一遍吗？它让你对这个世界正在发生什么有了什么理解？

Dylan Patel（SemiAnalysis 创始人）：

去年，我们以为自己已经是 AI 的重度用户了。每个人都在用 ChatGPT，每个人都在用 Claude，我也给团队提供他们想要的各种订阅。那时候，公司在这方面的支出大概是几万美元级别。

但今年，支出开始飙升。真正的起点大概是在去年 12 月底，随着 Opus 的出现。这里面也包括 Doug，也就是我们的总裁 Douglas Lawler。他基本上是在带头推动非技术人员用 AI 写代码。可以说，他一点点把整个公司都带进去了。当然，工程师本来就在用，但从今年 1 月开始，我们的支出明显拐头向上，然后迅速爆发。

我们后来和 Anthropic 签了企业合同。上次我跟你聊的时候，我们的年化支出大概是 500 万美元；现在已经到了 700 万美元。

Patrick O’Shaughnessy：

而且那还是上周的数字。

Dylan Patel：

对，其中很大一部分就是使用量本身。真正有意思的是，以前从来没写过代码的人，现在也在用 Claude Code，而且有些人一天就能花掉几千美元。但从公司整体来看，我们现在每年在 Claude Code 上的支出已经到了 700 万美元，而我们的薪资支出大概是 2500 万美元。也就是说，Claude Code 的支出已经超过薪资支出的 25%。

如果这个趋势继续下去，到年底它甚至可能超过薪资总额的 100%。这有点吓人。幸运的是，我现在并不需要在「人」和「AI」之间二选一，因为公司增长很快。更像是：我不需要那么快招人，但可以在 AI 上花更多钱，而且它确实有效，公司也能增长得更快。

但我觉得，其他公司迟早也会开始面对这个问题：如果一个人用 Claude Code 就能完成 5 个、10 个、甚至 15 个人的工作，那接下来怎么办？第一，可能确实应该裁人；第二，目前这些使用场景又非常广泛。

举个例子，我们在俄勒冈有一个逆向工程实验室，已经建设了一年半。里面有很多高端设备，比如显微镜、扫描电子显微镜。这个实验室的核心用途是逆向分析芯片，提取芯片架构，分析其制造所使用的材料。这些也是我们出售的数据之一。

但分析这类数据过去是一个非常缓慢的过程。现在，我们团队里有一个人，只花了几千美元的 Claude token，就做出了一个应用。这个应用可以进行 GPU 加速，跑在我们放在 CoreWeave 的服务器上。我们只要发给它一张芯片图片，它就能自动在图像上标出每一种材料的位置：这里是铜，这里是钽，这里是锗，这里是钴。然后你就可以非常快速地对整个芯片堆叠结构进行有限元分析，而且是可视化的，还有完整的图形界面和仪表盘。

这个人以前在英特尔工作过，他说，在过去，这本来是一个完整团队要做和维护的事情。现在类似的事情放到整个公司来看，简直不可思议。

还有一个我觉得特别有意思的例子，是 Malcolm。他以前是一家大银行的经济学家。那家银行的经济学部门可能有 100 到 200 人。他现在做出来的东西非常惊人。

他把各种数据都接了进来，包括 FRED 数据、就业报告，以及其他来自不同 API 的数据集。我们也和一些数据供应商签了合同，拿到了 API 访问权限。然后他把所有数据拉进来，开始跑回归，分析不同经济变化对经济的通胀或通缩影响。

美国劳工统计局有一整套任务分类，大概有 2000 项任务。Malcolm 用 AI 去评估：哪些任务现在可以由 AI 完成，哪些不能，并按照一套 rubric 给它们打分。结果显示，大概有 3% 的任务现在已经可以用 AI 完成。

于是他创造了一个指标，用来衡量哪些事情可以被 AI 完成，以及当这些事情被 AI 完成时，会带来多大的通缩效应。产出可能会上升，但因为成本下降得太厉害，理论上 GDP 反而可能收缩。他把这个叫作「Phantom GDP」（幽灵 GDP）。

他基于这个概念做了一整套分析，还建立了一个全新的语言模型 benchmark，包含大约 2000 个 eval。

Patrick O’Shaughnessy：

这些都是他一个人做的？

Dylan Patel：

对，全部是他一个人做的。他跟我说：「兄弟，这在以前得是一个 200 人的经济学家团队花一年时间才能完成的事。」他现在完全沉浸在 Claude 里，说一切都变了。

Patrick O’Shaughnessy：

作为一个企业经营者，你怎么理解这件事？你们从几乎没有这项支出，变成现在它已经接近薪资支出的 25%，而且还在继续上升。到了什么节点你会觉得：等等，我是不是该踩刹车了？是不是该控制一下支出？也许我们不需要总是用今天刚发布的最前沿模型，比如 Opus 4.7，而是可以换成更便宜一点的模型？

Dylan Patel：

归根结底，我做的是信息生意。我们卖的是分析，做咨询，也创建数据集。我看不到有什么理由认为这些东西不会在相当快的速度下被完全商品化。

如果我不持续改进，我最早卖的第一个数据产品，现在已经有更多人开始做类似的事情了。我们之所以还能卖出去，是因为我们不断把它做得更好、更细。但我们在 2023 年做这件事的方式，其实和现在其他人正在做的方式已经没有特别大的区别了。如果我不继续提高标准，我就会被商品化。如果我动作不够快，我也会失去优势。

所以问题是：是的，AI 会商品化很多东西，就像它正在商品化软件一样。但那些行动足够快、能掌握客户关系、持续提供优秀服务并不断改进服务的人，不会萎缩，反而会增长得更快。那些无能、什么都不做的人会输。

所以这其实有点像一个生存问题：如果我不采用 AI，别人就会采用，然后他们会打败我。

另一个很简单的例子是能源领域。我们过去一年左右一直有几位能源分析师，试图搭建一个能源模型。这个模型非常复杂，而能源数据服务市场大概有 9 亿美元规模，所以它显然是一个我很想进入的巨大市场。但尽管我们团队已经有人做了一年，我们其实并没有真正切入能源数据服务业务。

然后，「Claude Code 精神病」来了。我们有一位负责数据中心能源与工业业务的人，叫 Jeremy。他开始使用 Claude Code 之后，情况突然变了。三周时间里，他花了很多钱，一天大概能花 6000 美元，确实非常夸张。但他抓取了美国每一座发电厂、每一条高于某个电压等级的输电线路，并从各种公开数据源里建立了整个美国电网的地图，同时还接入了很多需求侧数据。

我们把它做成了一个仪表盘，可以查看和分析美国各个微区域的电力短缺和过剩情况，以及很多细节。这个东西几周之内就搭起来了。

后来我们把它展示给一些已经购买我们数据中心数据集的客户，其中也包括能源交易员。他们看完之后说：「哇，这个做了多久？这很不错，比某某公司还好。」然后我们进一步了解，发现那个「某某公司」有 100 个人，已经在这件事上做了十年。

当然，我们现在的产品还没有他们那么完整、那么稳健，但在某些方面，它已经更好了。所以我现在是在商品化这些能源数据服务公司。但反过来，如果我不跑得更快，谁又会来商品化我？

所以，从企业主的角度看，问题不是「我是不是花了很多钱」。是的，我确实花了很多钱。但问题是，这些钱给我带来了什么？它有没有带来更多收入？如果答案是有，那这笔钱就是值得的。

Patrick O’Shaughnessy：

你会不会担心，到最后，那些控制资本、负责投资资本的人，也就是那些经常因为你们做的事情而雇佣你们的人会说：「我们自己也有分析师，而且他们也很聪明，我们干脆自己做不就好了？」如果这件事变得这么容易，那么在什么节点上，它会不会全部回流到投资机构内部？毕竟它们最有可能从这些数据和洞察中获得最大杠杆。

Dylan Patel：

首先，任何信息服务业务本质上都是这样：我从一条信息中获得的价值，显然没有客户从这条信息中获得的价值大。

如果我以 1 美元的价格把信息卖给你，你之所以愿意花这 1 美元买，是因为你知道这条信息能帮助你做出一个决策，而这个决策能让你赚到超过 1 美元。也就是说，你获得了套利机会。你从我这里赚到的钱，比我通过卖这条信息赚到的钱更多。

投资基金本身当然也有自己的信息服务能力。尤其是像 Jane Street、Citadel 这类机构，它们在数据方面非常细，非常深入。但这些机构依然会购买我们的数据，而且还在继续购买，并且和我们的合作还在增长。

我觉得这里面有某种「it factor」。我们行动更快，更灵活，团队更小，而且专注在一个非常具体的领域：AI 基础设施，以及它所引发的巨大变革，包括 AI、token 经济和相关的一整套东西。我们能更早看到方向，也能更快搭建东西。

所以，投资专业人士当然会尝试自己做一些我们做的事情。但更多时候，他们会直接购买我们的数据，然后在此基础上继续构建。对他们来说，买我们的数据再往上做，通常比自己从零开始搭建更便宜。当然，最终肯定也会有人尝试自己做。

Token 变成新的生产资料

Patrick O’Shaughnessy：

我觉得每次和你聊天，我最后都会回到同一个问题：token 的供给和需求。现在世界上最让我感兴趣的就是这个。你自己的这些经历，让你对需求侧有什么新的理解吗？当你自己非常切身地感受到这一点之后，你对 token 需求这件事的判断有变化吗？

Dylan Patel：

如果我们退一步，从宏观角度看，Anthropic 的 ARR 可能已经从 90 亿美元增长到 350 亿、400 亿美元左右。等这期节目播出的时候，也许已经到了 400 亿到 450 亿美元。

但它们的算力增长并没有达到同样的幅度。如果你算一下，并且假设它们没有减少研发算力——它们显然没有减少，因为它们还在发布新模型，比如 Metis、Opus 4、Opus 4.7——那就说明一件事：它们新增的算力，即使全部都投向推理，它们的毛利率下限也在 72% 左右。

现实中，一部分新增算力很可能也进入了研发，所以它们实际毛利率可能还高于 72%。要知道，今年年初有人泄露过它们融资文件中的一部分信息，当时显示的毛利率大概只有 30% 多。

一个业务到底怎么才能在这么短时间里把毛利率提升到这种程度？原则上，是因为需求太高了。它们可以收紧使用额度、速率限制以及各种限制。真正重要的是，你要有 Anthropic 的客户经理，要有企业合同，并且能获得你需要的 rate limit 提升。否则，token 最终一定会变得极度抢手。

谁付得起，谁就能拿到。Anthropic 面对的也是同样的问题——当然这不算问题，这只是资本主义运作方式的现实。是的，客户每年可能会向它们支付 400 亿美元的 token 费用，但这些 token 在客户那里创造的价值，远远超过 400 亿美元。

不同企业每个 token 所创造的价值不同。但随着模型越来越智能，真正重要的就变成了：谁能获得这些最智能的 token，并把它们用在最有价值的事情上。

作为一个人，你要决定的是：怎样使用这些 token，才能增长业务、创造价值。很多人都会想要 token，也会消耗 token。但那些在旧金山用 Claude 生成软件产品的普通 SaaS 创业公司，未必真的创造了巨大价值。所以迟早，它们会被 token 价格挤出去。

Patrick O’Shaughnessy：

我今天在飞来的路上就遇到了这个情况。Opus 4.7 一发布，我立刻就想用 4.7，而且是马上用。结果我被限流了，根本用不了。我甚至已经没法再想象继续用 4.6 了，虽然过去几周我一直很满意 4.6，它明明已经很强了。

你会惊讶于人们这么执着地想使用最贵、最前沿的模型吗？

Dylan Patel：

完全不惊讶。我过去一个半月里最搞笑的记忆之一，就是我和我的朋友 Leopold 一起，几乎跪在 Anthropic 联合创始人面前，求他给我们 Metis 的访问权限。

我们知道它存在，所以我们就说：「拜托，让我们用一下吧。」然后他说：「我不知道你们在说什么。」

Patrick O’Shaughnessy：

当那个价格表，或者说 eval card 出来的时候，你是什么反应？

Dylan Patel：

其实在湾区之前就有传闻，我们大概知道它应该会非常强。如果你看 benchmark，当然 benchmark 会不断变化，但 Mephisto / Metis 很可能是过去两年里模型能力最大的一次跃升。

我觉得这一点非常重要：它强到 Anthropic 甚至不想完全发布它。尽管它们已经向部分客户公布了价格，并且进行了选择性发布，比如面向网络安全相关场景。它的 token 成本可能是 5 倍甚至 10 倍，但它们仍然不想全面放出来，因为担心它对现实世界造成的影响。

所以现在放给我们的，是一个更差、更弱的版本，也就是 Opus 4.7。而且它们在模型卡里明确说了：我们实际上在网络安全能力上有意做了更差的预优化。不知道你有没有读到那部分。

所以我想说的是：无论你是谁，只要你有足够资本，你就应该去买 Anthropic 的企业订阅，按 token 付费，而不是用那些普通订阅。因为这样你就不会那么容易被限流。

然后你必须想清楚：怎样把这些 token 用在最高价值的任务上，并从中赚钱。因为从根本上说，也许一年后、两年后，很多生意本质上就是在做 token 套利。token 很强大，但关键是你要知道把它们指向哪里。

再往后三四年，模型自己可能就会知道应该如何使用 token，如何创造最大价值。

如果你回头看任何一个 benchmark，就会发现：过去达到某个能力层级需要的成本是 X，现在可能只需要原来的百分之一，甚至千分之一。比如 DeepSeek 达到 GPT-4 级别能力时，成本大概是 GPT-4 的六百分之一。此后，GPT-4 级模型的成本还在继续下降。

当然，现在已经没有人真的在乎 GPT-4 级模型了。大家想要的是前沿模型，因为前沿模型才能创造真正有经济价值的东西。不过，GPT-4 级模型仍然可以被用于一些场景，只是那些场景通常更小。

所以真正推动需求的，不是旧能力变便宜了，而是新用例不断出现。你现在用的是 Opus 4.6 或 Opus 4.7 这一层级的模型。一年后，如果我要获得今天同等质量的模型能力，我的支出可能只有 7 万美元，也许会便宜 100 倍。

但这不重要。因为到时候，我一定会使用一个更强的模型，去做更有价值的事情。

Anthropic 的 Metis 作为模型本身更贵，但它完成同一件事所消耗的 token 少得多。所以在大多数任务上，它实际上比 Opus 4.6 更便宜。

Dylan Patel：

因为它效率高得多。即使每一个 token 本身更「聪明」、更贵，它完成任务所需要的 token 数量更少。

Patrick O’Shaughnessy：

上次见你的时候，Metis 可能刚刚发布，或者说模型卡刚刚出来。你当时说，它强到让你有点害怕。你这句话是什么意思？

Dylan Patel：

Anthropic 在 2025 年的目标，甚至从 2024 年开始，就是：到 2025 年底，他们希望模型里能有一个 L4 水平的软件工程师。总体来说，他们用 Opus 4.6 基本做到了。

但他们没有说的是，如果你看 Metis，再对比 benchmark，它更像是一个 L6 工程师。L4 大概是相对初级的软件工程师，而 L6 已经是经验相当丰富的工程师了。

我记得 Anthropic 说过，这个模型在内部大概从 2 月就可用了。也就是说，两个月时间里，它们就从 L4 工程师跃升到了 L6 工程师。那接下来会发生什么？

当你思考模型进步时，会发现它其实还在加速。Anthropic 的发布节奏在压缩，OpenAI 的发布节奏也在压缩。为什么？因为通常来说，要做出更好的模型，你需要几个东西。

首先，你需要强大的算力。算力非常昂贵，而且有它自己的时间尺度。我们会跟踪这些东西，它确实在增长，但短期内基本是已经确定的。你已经签下来的算力，大体上已经定了。当然，中间会有延迟和调整，也可能想办法再多弄一点，但整体上是比较固定的。

其次，你需要非常优秀的研究人员。现在公司愿意为这些人支付数千万美元。

最后，是实现能力。历史上，实现一直非常困难。如果我有一个想法，我还得把它实现出来，而实现是很难的。但现在，想法到处都是，实现变得非常容易。它很贵，但非常容易。

所以问题变成了：一个人要如何决定该实现哪些想法？结果是，当实现变得容易太多时，你就可以实现更多想法，在这个跑步机上跑得更快。

这可以发生在 AI 模型研究里，所以模型发布节奏从过去的六个月缩短到两个月。也可以发生在其他领域。比如我想把美国每一座发电厂、每一条输电线路都建模出来，跑回归，分析微观区域的供需关系——现在我也可以做。

想法本身是便宜的。关键是，哪个想法有意义？哪个想法值得你投入资本，去购买 token，把它实现出来？因为实现能力已经在那里了。这是最关键的变化。

如果实现成本继续下降——而它确实正在下降——我们甚至还没有真正拿到 Metis。Opus 4.7 才刚刚发布几个小时，但我们团队内部已经非常兴奋了。

接下来，这会给世界带来什么？我认为它会重新排序经济运行方式。

过去，执行非常重要，因为执行很难；想法则很便宜。现在，想法不仅便宜，而且非常充足，但执行也变得非常容易。因此，真正值得做的，只剩下那些足够好的想法——它们能证明，哪怕实现已经极其便宜，你仍然值得为它花钱。

Patrick O’Shaughnessy：

所以你是真的害怕吗？还是说，它只是引入了一种很难把握的不确定性？

Dylan Patel：

不确定性肯定存在。但我确实觉得，这会带来某种恐惧。问题在于，社会要如何重组自己？

当你生活在一个「实现某件事的能力」本身已经没那么重要的世界里，什么才重要？重要的是，你能否为 AI 选择正确的想法，让它去实现；你能否把这个想法卖出去，或者把 AI 实现出来的东西卖出去；你能否为这个方向筹集资本。这些才会变得重要。

这也回到前面那个问题：永远拥有最新模型非常重要。那谁能获得最新模型？

Anthropic 有一个项目，我知道它不叫 Earwig，但我喜欢故意叫它 Earwig，来调侃 Anthropic 的人。它们只把 Metis 提供给某些公司，用于网络安全场景。我认为这种事情会持续发生：模型的部署范围会越来越窄，越来越不面向大众。

注：Earwig 本义是「蠼螋」，一种小虫子，中文里也常叫「耳夹子虫」。这里更像是一个带戏谑意味的外号：一方面 earwig 听起来像某种虫子，另一方面也有一点「偷偷钻进耳朵里」「暗中影响人」的联想。

我知道 OpenAI、Anthropic 以及其他公司都会说，他们希望让所有人都拥有强大的 AI。但 AI 非常昂贵。谁来为数万亿美元的基础设施买单？是那些有钱，并且能用 AI 构建有用东西的人。

而且，你也不希望别人蒸馏你的模型，所以你不会大范围发布它。你会把它提供给越来越少的一批客户。然后，这些客户之间也会开始争夺 token。

除非 Anthropic 大幅涨价。它们完全可以把 Opus 的价格翻倍，而我还是会继续付钱。我敢说，大多数用户也会继续付。但我认为，这甚至不能解决它们巨大的产能问题。

所以问题就变成了：这个循环会在哪里结束？当 token 使用量，以及这些 token 所带来的额外价值，越来越集中在少数公司手里，会发生什么？

我现在没有 Metis。但谁有？顶级银行有。现在它们可能只是在网络安全里使用它，但我能想象一个世界：因为我有 Anthropic 的企业合同，也因为 Anthropic 的人还算喜欢我，所以他们可能愿意给我们稍微更早一点的访问权限，或者稍微更高一点的 rate limit。我当然希望这种事发生。

然后我的竞争对手没有这些访问权限，我就可以击败他们。

也可能是另一种情况。比如 Citadel 的 Ken Griffin，他人脉极强，也非常有钱。他可能去和 OpenAI 或 Anthropic 签一个协议，说：「我每年先买 100 亿美元的 token。你们每次发布新模型，我先把前 100 亿美元的 token 买走，然后其他人再用。」

那会发生什么？他就可能在市场里碾压所有人。

这只是一个例子。它也可能发生在网络安全领域，比如 Anthropic 担心模型会让人更容易黑进系统。也可能发生在像我这样的信息服务行业里，我用它去碾压别人。

我认为这件事的影响范围非常广。我们不知道这些模型到底能做什么。Anthropic 不知道，OpenAI 不知道，没有人知道。最终还是要靠终端用户自己去发现：这些 token 到底能被用在哪里？能构建出什么？能想象出什么？

这当然会极大提高生产力，对人类来说也有非常积极的一面。但问题是，资源和使用权会如何集中？

机器人会接上下一波需求

Patrick O’Shaughnessy：

现在，机器人或者说 robotics 消耗的 token，和其他领域相比几乎可以忽略不计。你怎么看？它会不会成为第二条需求曲线？这里方圆一英里内，每天都有新的机器人创业公司出现，试图做出一些有意思的东西。

Dylan Patel：

这里有一个概念，叫「软件层面的奇点」（software-only singularity）。也就是说，世界可能先出现一个只发生在软件里的 AI 奇点。但问题是，世界的大部分仍然是物理的。你会看到，世界最终会围绕硬件组织，而不只是软件。所以我认为，所谓「软件奇点」只会是一个短暂阶段，而不是终局。因为我们最终还是会进入物理世界。

一旦软件变得非常容易，机器人真正困难的部分是什么？是编程、微控制器、执行器，以及控制所有这些东西。这些现在都非常难。

AI 模型有一个很有意思的特点：它们的学习效率其实很低。只是因为我们给了它们海量数据，它们才学会了东西，并在某些方面超过了人类。

但机器人现在的模型，比如 VLA，也就是 Vision-Language-Action，视觉-语言-动作模型，现在很热门，但我认为它可能不是最终能够继续扩展下去的东西。它们的数据效率很低，而我们也没办法足够快地扩大机器人数据规模。

未来一定会有某种方式，可以对机器人模型进行大规模预训练。就像人类在一生中不断看到各种数据一样。人类真正厉害的地方在于，我们非常「样本高效」。一个例子、两个例子，我们就能学会。

如果把这种能力应用到机器人上，情况就会完全不同。一旦出现软件层面的奇点，实现变得非常便宜，任何人都可以开始构建这些模型。接下来，人们就可以开始构建真正有用的机器人。

所以我认为，在未来 6 到 18 个月内，我们会开始看到机器人领域的真正突破。关键能力是 few-shot learning，也就是少样本学习。到那时，会有一个预训练好的机器人模型，然后你雇佣或者购买一个机器人，给它展示几个例子，它就能完成任务。

你告诉它把这两个东西叠起来，它就能做。你告诉它：「这个东西其实可以保持平衡。」它就会开始尝试并完成。相信我，我自己已经把东西打翻过很多次了。

所以我认为，机器人会出现少样本学习能力。

现在确实已经有很多公司在做机器人，有些是为了广告展示，有些是做一些很简单的任务。但接下来会变得非常细分。比如专门用来叠衣服的机器人，或者更细分一点，专门清洁黑板的机器人。它可能是一种租赁服务，也可能是一个模型包，你下载到标准机器人上，它就能执行这个任务，然后你按使用付费。

无论如何，物理商品领域都会迎来巨大的加速，也会产生通缩效应。而这最终会继续推动 token 需求疯狂增长。所以我个人不认为 token 需求会放缓。

Patrick O’Shaughnessy：

从 Metis 的结果，以及它的构建方式中，你还学到了什么关于这个世界的新东西吗？换句话说，如果把 scaling laws 的各个组成部分拆开来看，比如预训练这一块……

Dylan Patel：

它是一个比之前模型大得多的模型。10 万块 Blackwell，等价于上一代数十万块芯片。当然，TPU 和 Triton 有各自不同的发布节奏，所以不能完全一一对应。但最终来说，是的，Metis 是一个明显更大的模型。它证明 scaling laws 仍然有效。它所展示的一切都说明，趋势线还在继续：把更多算力投入模型，模型就会变得更好。

而且整个过程中，不只是「更多算力让模型变好」。与此同时，我们也在不断获得计算效率上的提升。实验室投入的所有研发算力，最终都转化成了一件事：如果我想要某个能力层级的模型，每隔六个月，或者现在每隔两个月，达到这个能力所需要的成本都会大幅下降。但如果我再把规模极大地拉上去，也仍然能得到巨大的能力跃升。

所以，是的，它证明这件事还在继续发生。Google 和 Anthropic 在训练侧并不是 GPU 的重度用户。OpenAI 接下来应该也会推出新一代模型。我觉得他们在 scaling 上采取的是一种更理性、更有原则的小步推进方式。而 Anthropic 这次则是做了一次巨大跳跃。

今年我们会看到越来越好的模型，而且发布节奏只会越来越快。

Patrick O’Shaughnessy：

我们这场对话已经聊了很久，但几乎没有怎么提 OpenAI。这在以前会是一件很奇怪的事。

Dylan Patel：

这正是有意思的地方。现在很多人会说：所以 Anthropic 已经赢了，对吧？它们 2 月就有了 Metis，但甚至没有发布，因为它们觉得没必要。它们的算力已经卖光了，收入每个月还在增加 100 亿美元。然后今天又发布了 Opus 4.7，而这一切都发生在 OpenAI 传闻中的 Spud 发布之前——《The Information》等媒体都报道过这个传闻。

所以表面上看，Anthropic 显然领先了，OpenAI 好像完了。但有意思的是，Anthropic 在算力上受限非常明显，它们能扩张的速度有限。Dario 以前还曾经得意地说，OpenAI 在算力投入上太激进了，而 Anthropic 的 scaling 更理性。但现在 Anthropic 可能会想：我们当初真应该有更多算力。

OpenAI 则完全有能力支付这些账单。事实上，它们已经融资了很多钱，用来获得更多增量算力。除此之外，它们之前还以非常激进、甚至有点「不负责任」的规模，从 Oracle、CoreWeave、SoftBank、Microsoft 等公司购买算力。现在它们也从 Amazon 那里拿到了 Trainium。

所以 OpenAI 在算力上做了一件非常疯狂的事，而且它们也知道自己还需要更多。

有意思的是，如果我们拿 Opus 4.6 来看，先暂时不考虑模型继续变强，只看这项技术的扩散。你和我可能会在模型发布第一天就立刻用上，但其他企业需要时间。人们也需要时间学习。那种「Claude 觉醒时刻」不会同时击中所有人。所以到年底，假设一个 Opus 4.6 级别的模型，整个经济体每年愿意为它花 1000 亿美元，我觉得这并不夸张。毕竟现在已经在花 400 亿美元了。

Patrick O’Shaughnessy：

这基本上只是线性外推。

Dylan Patel：

对，这是线性外推，不是指数级外推。要实现指数级增长，你需要更好的模型。但 Anthropic 不会有足够算力去满足这些需求。所以，假设 OpenAI 或 Google 很快也达到这个能力层级，谁下一个做到都可以。

Anthropic 也许能收取 70% 的毛利率，但如果 OpenAI 下一个达到同等能力，即使它只收 50% 的毛利率，它也会吃到所有这些增量需求。而且它大概率同样没有足够算力服务所有用户。所以，也许 Metis 这样一个模型，如果全世界有足够算力，可能能带来 5000 亿美元收入，甚至更夸张。市场对这些 token 的需求太强了，而算力供给又极其有限。

我们已经从 H100 价格暴涨中看到这一点了。GPU 的可用寿命也在不断延长。很明显，即使是二线实验室，它们的 token 也会卖光，更不用说一线实验室了。一线实验室会有更好的利润率，但二线实验室也会卖光，甚至三线实验室可能也接近卖光。

最强模型所能创造的经济价值，正在比基础设施向人们提供这些 token 的能力增长得更快。所以这个缺口会继续扩大。模型实验室的利润率也会继续上升，直到硬件供应链和基础设施供应链上的人反应过来：等等，为什么我不直接提高自己的利润率？

Patrick O’Shaughnessy：

所以可以说，你今天对需求侧的判断，尤其是你们 SemiAnalysis 自己的例子，是完全爆炸式的。而更广泛地说，随着人们进入你所说的「AI psychosis」状态，亲身感受到自己能做什么，感受到实现难度几乎完全消失，我自己也确实有这种体会。短短几周里，我自己的 token 支出已经彻底飙升。

这听起来是一个相当好的需求侧判断。那在需求侧，我们还有什么遗漏的吗？如果你不使用更多 token，你就永远无法摆脱「永久底层」。你能展开讲讲这句话吗？

也就是说，要么你使用更多 token，并且通过这些 token 创造出超额经济价值；但很多人现在的用法很无聊、很懒惰。他们会想：「那我以后每天只工作一小时，不工作八小时，让 AI 替我完成大部分工作。」

Dylan Patel：

那是无聊的方式。更酷的方式是：我仍然每天工作八小时，但我完成八倍的工作量，也许赚五倍的钱。也许不一定能赚到五倍，但方向应该是这样。

当然，如果你只是打一份工，这很难做到。确实有人会同时做多份工作，也有人会创办公司、开始卖东西。在所有人都使用 AI、它变成行业标配之前，你要先抓住 AI 带来的经济价值。因为它现在还没有完全成为标配。如果你不使用更多 token，不从这些 token 中创造价值，并且捕获这些价值，你就无法摆脱永久底层。

这里其实有三个不同的问题：第一，使用更多 token；第二，从这些 token 中创造价值；第三，从你用 token 创造出来的价值中捕获价值。如果你不能完成这三件事，随着模型能力继续飙升，资源又可能进一步集中，你就永远无法摆脱永久底层。

好，我们来谈供给侧。现在到底发生了什么？如果需求曲线爆炸式上升，那么为了服务所有这些 token，整个供应栈的前沿正在发生什么变化？随着需求飙升，供给侧所有东西都在涨价。无论是 NVIDIA GPU，还是其他环节，价格都在上涨。与此同时，它们的使用寿命也在延长。

H100 的价格走势就是这样。过去有人认为 GPU 的有效寿命不到五年，这完全是胡说。现在一些三四年前的 Hopper 集群，正在重新签三年或四年的合同；一些 A100 集群也在续签未来几年的合同。

所以 GPU 的有效寿命显然不是五年，甚至可能是七年或八年。我们还不知道，等 Hopper 真正走到那个阶段再看。但很明显，它不是五年。而且在续约时，价格还在上涨。

这意味着，一个集群的毛利率实际上并不是 35%，而是更高。云层的利润率正在扩张。硬件层的利润率也非常健康，NVIDIA 仍然在收取大约 75% 之类的毛利率。再往供应链下游看，内存环节的利润率显然也已经大幅上升。光模块、逻辑芯片等领域也出现了大额预付款，利润率在缓慢上升。

更重要的是，像 NVIDIA 这样造芯片的公司，正在支付巨额预付款。所以即便毛利率没有明显上升，资金成本、现金流时点，或者投资资本回报率，也在上升。

你可以在整个供应链上看到这一点。ASML 已经完全卖光了，它需要 Carl Zeiss 更快扩产。沿着供应链看，每个环节要么已经售罄，利润率上升；要么收到预付款，从而提高投资资本回报率，因为它实际需要投入的资本更低。

这是一条贯穿整个供应链的一致趋势。甚至连 PCB 都是这样。制造 PCB 需要铜箔，而铜箔也卖光了，人们开始为铜箔支付预付款。

可以说，只要这个东西还有「脉搏」，只要它处在供应链里并且已经售罄，人们就会扑上去争夺更多增量供给，并且提前争夺未来几年的供应。

算力短缺传导到全产业链

Dylan Patel：

供应链通常反应很快。但这一次有一个很独特的地方：今天的供应链比以往任何时候都更复杂，我们正在建造的东西也比以往任何时候都更复杂，所以交付周期更长。不是说其他行业没有出现过 18 个月的交付周期，而是这一次，新增供给的建设本身需要好几年。

内存就是这样。内存产能每年只能以较低的两位数百分比增长，比如 20%、30% 左右。NAND 甚至更低，DRAM 稍微高一点。即便 2025 年底需求信号已经非常强，内存公司也立刻开始反应，但真正的新增产能并不会马上到来。

在原本每年 20% 到 30% 的增长之外，它们当然可以再稍微挤一挤产能。但真正意义上的新增供给，要到 2028 年才会出现。最早也可能是 2027 年末，但大概率还是 2028 年。这是非常独特的。即使它们想以最快速度扩产，供给也不会立刻到来。

结果就是，内存价格已经涨上天了。而且我告诉你，尤其是 DRAM，价格至少还会再翻一倍、两倍，甚至三倍。

有人会说：「内存这个故事已经被讲烂了，大家都懂。」但其实不是，你们并没有真正理解。DRAM 从现在开始仍然可能再翻倍或翻两三倍，因为所需产能就是这么大。它们必须从其他地方抢产能。而在资本主义经济中，从其他地方抢产能的唯一方式，就是通过更高价格摧毁部分需求。我们不是在搞配给制度，所以最终一定会发生这种事。利润率会继续上升。

我认为逻辑芯片也存在巨大的产能问题。台积电刚刚发布财报，它们一直在上调资本开支。但建造晶圆厂终究需要相当长时间。它们正在尽一切努力，从每一座现有工厂中挤出更多产出。但台积电没有快速涨价，因为它们是「好人」。它们涨价大概只是个位数，而不是像内存厂商那样出现三位数涨幅。

所以最终你会看到这样一个市场：台积电是一家伟大的公司，但它真的会把所有价值都提取出来吗？未必。

我刚才提到过一些东西，比如 PCB 所需的铜箔、玻璃纤维、激光器。这些都是大家相对理解、但又很细分的供应链，它们现在也非常紧张。再往上游看，半导体晶圆制造设备供应链，我仍然认为它虽然已经涨了很多，但市场还是严重低估了它的重要性。

台积电今年的资本开支指引是 560 亿美元。我们从 1 月开始的预测是 574 亿美元，而且可能还会再略微上调，因为我们看到它们还有一些增加资本支出的方式。

但人们没有真正关注的是：这对明年意味着什么？对后年又意味着什么？

结果是，三年后，台积电可能会把资本开支提高到 1000 亿美元。也许两年后，也就是 2028 年，它们真的可能花 1000 亿美元做资本开支。我是认真说的，台积电 2028 年可能会花 1000 亿美元做资本开支。

很多人无法想象这个数字。但这对它的下游供应链意味着什么？对 Lam Research、Applied Materials、ASML 这样的公司意味着什么？对更下游的供应链，比如 MKS Instruments 这类公司，又意味着什么？

牛鞭效应会被进一步放大。

注：文中说的「牛鞭效应」，指的是指的是供应链里的放大效应。具体而言，AI 需求在最下游看起来只是 token 使用量暴涨，但传导到上游供应链时，会被一层层放大，最后变成更夸张的扩产、涨价和抢产能。

如果台积电真的想在 2028 年花 1000 亿美元资本开支，而我认为这确实有可能，很多人会觉得这很疯狂，但它真的可能发生。

Patrick O’Shaughnessy：

那芯片生态中的其他部分呢？GPU 一直占据绝对主导地位。但 CPU、ASIC 或其他东西，会不会作为新的机会和瓶颈出现？不只是 NVIDIA GPU 的主导地位之外，还有哪些环节值得关注？

Dylan Patel：

是的，ASIC 显然正在起飞。不过我想先从 AI 芯片本身稍微跳开，讲讲其他东西。我们做过一个关于 FPGA 的项目，结果发现，每一个下一代 AI 机架里，大概要用到 120 个 FPGA。那这会对所有 FPGA 公司意味着什么？

CPU 方面也是一样。所有这些强化学习环境，再加上你和我生成的那些「垃圾代码」——现在它们都跑在某个 Vercel 实例、某个 AWS 实例，或者我们随手启动的某个云资源上。所有这些都需要 CPU。所以 CPU 现在也完全卖光了，而且需求正在快速上升。

Patrick O’Shaughnessy：

帮大家理解一下，CPU 在整个体系里到底扮演什么角色？

Dylan Patel：

主要有两个原因解释为什么你需要大量 CPU。

第一，是强化学习。做强化学习时，CPU 非常关键。

过去，你会把整个互联网的数据扔进模型里训练，然后模型吐出一些结果。现在，你仍然会把互联网数据放进模型里，但之后你还会把模型放进一个环境中，对它说：「来，试试看。」模型会尝试很多不同的东西。最后，这个环境会评估它尝试的结果是否成功，并给它打分。这些环境可以是任何东西。它可以很简单，比如检查输出文本是不是符合正确格式，或者结构化输出是否正确。也可以非常复杂。

现在人们已经开始进入非常复杂的场景了。比如：「我想让你打开这个文件，修改它，编辑它，更新它，然后提交到某个网站。」或者：「我想让你打开西门子的物理仿真软件，编辑这个 CAD 模型。」所以，这些环境会变得越来越复杂。而这些环境运行在 CPU 上，不运行在 GPU 上，也不运行在 ASIC 上。

ASIC 或 GPU 负责运行模型本身：从环境中接收输入数据，把它送入模型，生成不同的输出路径，也就是模型认为可以解决问题的不同方式。然后，这些路径会被评估和打分。那些成功的路径会被拿来继续训练模型、更新模型，再不断迭代。所以，这是 CPU 非常有用的第一个地方。

第二个地方是部署。

当你有了这些很强的模型，并把它们部署出去时，模型会生成代码，生成各种有用的输出。但这些输出不是从 GPU 直接进入人的大脑。它们会从 GPU 或 ASIC 出来，进入某个你部署的应用，而那个应用本身通常运行在 CPU 上。

所以，这又是另一个需求非常大的领域。CPU 在很大程度上已经卖光了。

AI 价值难以被 GDP 统计

Patrick O’Shaughnessy：

在你持续评估供给和需求走向，并试图成为全世界最了解这两件事的人时，有哪些事情是你希望自己知道、但现在还不知道的？

Dylan Patel：

我觉得对我们来说，也是对所有人来说，最难理解的部分，是 tokenomics，也就是 token 的经济学。我们对运行基础设施需要多少成本、token 的成本是多少、模型成本是多少、这些实验室的利润率是多少，其实有非常好的判断。但真正难建模的是使用量和采用速度。

我们在 1 月的时候，对 2 月做过一些非常激进的预测，结果 Anthropic 轻松超过了。那我们该怎么校准这个模型？应该用什么数据源？到 2 月，我们又对 3 月做了非常激进的假设，结果它们又超过了。大家看到「新增 100 亿美元收入」这个数字时，反应都是：什么情况？它们到底怎么新增了 100 亿美元收入？谁在用这些 token？为什么用？他们到底在用这些 token 构建什么？更重要的是，他们用这些 token 构建出来的东西，究竟如何扩散到经济中？又创造了多少价值？

这并不是一个能被 GDP 统计轻易捕捉到的东西。比如，我使用 token 所创造的全部价值，最终会转化成更好的信息。然后我把这些信息卖出去，而且相较于过去别人卖信息的价格，我是以更低价格卖出的。

这些信息随后进入整个经济系统，让人们做出更好的投资决策，或者更好的竞争决策。比如他们是半导体公司、数据中心公司，或者 hyperscaler，那么这些信息的价值到底是多少？它对经济产生了什么影响？

从任何主观指标看，这显然是非常惊人的。但问题是，「幽灵 GDP」在哪里？Phantom GDP 到底是什么？我们该如何追踪真实的经济价值？

因为现有 GDP 指标并不准确。如果你问 Dylan Patel 创造了多少 GDP，那数字会非常小，和我认为自己实际创造的价值相比，根本不成比例。

所以最终的问题是：这些 token 到底创造了多少价值？不只是简单地看直接收入，而是看它们带来的连锁效应。它们做成的所有事情，后续影响到底是什么？

我觉得这才是真正的问题，也是最难衡量的挑战。我认为我们对供给侧已经有非常好的判断。对需求侧的很多信号，我们也有非常好的判断。但这些 token 究竟创造了什么价值，这件事很难量化和测量。我希望我们每三个月都能做一次这样的对话，因为变化实在太快了。

反 AI 抗议，可能在三个月内爆发

Patrick O’Shaughnessy：

那你觉得接下来会发生什么？比如三个月后，我再来旧金山和你见面，你预期会看到什么？

Dylan Patel：

大规模抗议。

Patrick O’Shaughnessy

针对 AI 的抗议？展开讲讲。

Dylan Patel

人们讨厌 AI。AI 现在甚至比 ICE、比政客还不受欢迎。我也不知道 Pew 是怎么做调查的，但显然 AI 比政客还不受欢迎。

随着 Anthropic 增加这么多收入，它会开始在下游引发商业变化。人们会越来越害怕 AI。他们会开始把越来越多自己的问题，以及很多长期存在的全球性深层问题，都归咎于 AI。

这些问题会浮出水面，然后被归因到 AI 身上。很可能会有一些政治人物，或者社交媒体上的人、影响者，开始把 AI 武器化，用来攻击别人。

你去看一些新闻文章下面的评论。Sam Altman 家里两周内两次被人扔燃烧瓶，评论区里居然有人在叫好。这只是一个开始。所以我认为，三个月内我们会看到针对 AI 的大规模抗议。

Patrick O’Shaughnessy：

那抵消这种情绪的力量是什么？AI 行业应该怎么提前应对？

Dylan Patel：

首先，Sam Altman 和 Dario 应该停止接受采访。他们太没有个人魅力了。我不知道他们到底在做什么。每一次采访都会让普通人更讨厌他们。比如 Sam Altman 上 Tucker Carlson 的节目，可能让所有共和党人都更讨厌 OpenAI。Dario 也是一样。他们真的没有什么魅力。这是第一点。

第二，他们需要开始展示 AI 能做出的积极、鼓舞人心的事情。

第三，他们需要停止不断谈论「AI 能力将如何改变整个世界」。因为人们听到这种能力，只会感到害怕。尤其是当他们和这项技术没有任何真实连接时。

Patrick O’Shaughnessy

他们不知道怎么使用它。

Dylan Patel：

而且他们和它没有连接。普通人不认识 Anthropic 的员工，也不认识 OpenAI 的员工。普通人不知道这些人是谁，不知道他们的目标是什么。他们只会把这些公司看成某种偷偷摸摸的小集团：几千个人聚在一家公司里，要改变世界、自动化所有工作、摧毁社会。很多人眼里就是这样。

再加上，这些公司还在资助和推动建设大量数据中心和发电厂，而这些东西在公众看来会污染世界。人们并不真正理解发生了什么。所以这些公司必须停止谈论那个「未来即将发生的巨大变化」，只谈现在：AI 在当下如何带来积极作用。我认为，这需要一次巨大的组织重塑和品牌重塑。

Patrick O’Shaughnessy：

我很喜欢和你做这样的对话。感谢你的时间。

Dylan Patel：

太好了，谢谢。

视频链接

2026 年 4 月 27 日，外商投资安全审查工作机制办公室（国家发展改革委）依法依规对外资收购 Manus 项目作出禁止投资决定，要求当事人撤销该收购交易。

短短几十个字，直接按下了这笔对价超 20 亿美元交易的终止键。Manus 几年来产品的打磨、法律框架的切割、融资和退出的排布和努力，全部轰然倒塌，付之东流。

这是《外商投资安全审查办法》自 21 年 1 月实施以来，首个被公开叫停的 AI 领域外资收购案。

这场交易有一个特殊之处：这场交易的双方在法律形式上均已境外化：Meta 是美国公司，Manus 已完成新加坡迁册，并在开曼设立控股架构。但中国监管机构最终仍作出了禁止投资决定。

这起案件的外溢效应，还有月之暗面、字节跳动、阶跃星辰等 AI 企业，正面临更明确的合规窗口指导。

这背后，隐藏着一个更深层的问题：传统的离岸架构玩法，正在彻底失效。创业者从 Day 0 就要想清楚自己的合规路线。

本文不讲故事，讲干货 – 监管依什么法、依什么规；洗澡式出海的红线画在哪里；从今天起，企业到底该怎么选。

一、依法依规，依的什么法，什么规？

回看 Manus 案，业内最初的讨论大多聚焦于“发生了什么” – 迁移、切割、禁令。但随着案件细节逐步浮出水面，法律界的关注点回到了一个更根本的问题上：监管凭什么能叫停这场交易？依的是什么法？依的是什么规？

答案并不在某一部法律里，而是一个三层递进的监管逻辑。三层之间形成合力，最终构成了一张无法绕开的审查逻辑。

第一层：认定「中国主体」 – 穿透式审查的底层依据

这是整个案件的法律起点：Manus 到底是哪的公司？

从法律形式上看，答案似乎很清楚 – Manus 已完成新加坡迁册，控股架构设在开曼，母公司 Butterfly Effect Pte 是地地道道的新加坡实体。这也是 Manus 团队在整个交易过程中最核心的法律论述：

“我们的主体结构已转为境外架构。”

但监管的回答是：

形式不算，实质才算。

锦天城律师事务所从法律视角系统剖析了“法律外壳境外化”为何在 Manus 案中失效。根源在于，AI 核心资产在四个维度上与中国境内法域存在无法切断的实质性关联：

• 团队维度：掌握底层核心逻辑的工程师团队，长期在境内积累研发经验，其技术能力是在中国境内完成的训练和养成；
• 算力维度：境内研发形成了技术接口和算力调度的路径依赖，核心系统的架构基因打上了中国标签；
• 算法维度：核心模型权重的研发和训练完成于境内，这是最具法律意义的“技术源头”；
• 数据维度：基于海量用户交互进行的人类反馈强化学习（RLHF）所积累的训练数据，来源高度集中于境内。

这四个维度指向同一个结论：Manus 的法律形式是新加坡的，但 Manus 作为一家公司的「技术实质」，其源头、核心、根基，全部在中国境内。根据「实质重于形式」原则，在监管视角下，这类实质关联足以构成穿透审查基础 – 这是所有后续法律行动的第一块基石。

所以虽然 2022 年肖弘在北京创立蝴蝶效应科技，2023 年搭建「开曼—香港—北京」红筹架构，2025 年迁册新加坡并完成团队切割与业务隔离。但法律认定不看“何时迁出”，而看“从何而来”。凡是源头在中国境内的技术资产，不因一纸注册变更而改变国籍。

第二层：出口限制与监管规避 – 洗澡式出海的法律定性

一旦第一层成立：Manus 被认定为“境内企业”的实质，第二层的法律逻辑便接踵而至：你将核心资产转移到境外，这本身就是出口行为。出口行为，就要受出口管制法规约束。

Manus 的三步动作，在监管眼中构成了一个完整的「规避出口管制」的拼图：

第一步，主体转移。将公司主体从中国迁至新加坡，成立境外实体 Butterfly Effect Pte，搭建开曼群岛控股架构。法律上完成了“去中国化”的第一步。

第二步，团队与资产迁移。 闪电裁撤中国区近三分之二员工（120 人中裁掉 80 人），保留 40 余名核心技术人员迁往新加坡。

第三步，数据与业务切割。 清空国内社交媒体账号、屏蔽中国 IP 访问、终止与阿里通义千问等本土合作。

在法律上，核心技术人员携带出境的技术知识、研发能力、算法经验，本身就是《禁止限制出口技术目录》可能覆盖的「技术出口」行为。同时根据《数据安全法》和《数据出境安全评估办法》，在切割之前已经完成的大量用户交互数据训练，其来源地高度集中于中国境内 – 数据基因已经写入模型，切割行为无法追溯删除。

所以监管的穿透逻辑可以概括为一句冰冷的话：

代码写在中国的土地上，数据长在中国的用户中 – 这就是“中国资产”，转移就是出口，出口就得受管。

而“洗澡式出海”的本质，是以形式合规掩盖实质违规，这是对出口管制制度的系统性规避。

第三层：主动申报机制 – 不能说「我不知道」

如果说前两层是「实质违规」，第三层则是「程序违规」- 而且是最容易被定罪的一条。

《外商投资安全审查办法》第四条明确规定，涉及重要信息技术、关键技术等领域的外商投资，当事人“应当在实施投资前主动向工作机制办公室申报”。这是强制性事前申报义务，不是“建议报”，也不是“出事了再补报”。

Manus 和 Meta 在整个交易过程中，直至完成交割，从未向中国监管机构进行过任何形式的主动申报。在长达数月的交割期内，Manus 及其资方似乎达成了一种危险的默契：只要监管不敲门，就不主动推窗。

在法律实务中，“应报未报”本身就是独立的严重违规行为。它传达的信号是：要么明知故犯，要么蓄意规避。无论哪一种，监管都不可能轻轻放过。

一位合规律师在案发后总结道：

“Manus 案暴露的最大合规缺陷，不是某一条法规适用性有争议，而是企业根本放弃了对中国监管的申报义务。在法律体系里，逃避程序本身，比实体违规更让监管无法容忍。”

事后回头看，Manus 的结局其实在第一层就已经写好了：一旦穿透式审查认定你是“实质上的中国主体”，第二层的出口管制逻辑和第三层的申报义务便自动解锁。三层法理层层递进、环环相扣，构成了一个逻辑闭环。在这个闭环里，没有任何一个环节留给「侥幸」的余地。

二、为什么是发改委？

商务部最先动手。2026 年 1 月 8 日，商务部发言人公开表态，将对该收购“与出口管制、技术进出口、对外投资等相关法律法规的一致性开展评估调查”。但到了 4 月 27 日，落锤的却是发改委。

这个部门切换里有文章。有专家认为：商务部依据的是《禁止限制出口技术目录》，其中对受管制技术的描述非常具体：专门用于汉语及少数民族语言的人工智能交互界面技术。而 Manus 在“洗澡”之后，所有服务已全部转为英文，中国用户被拒之门外。这意味着，如果单纯走出口管制这条线，可能会出现一定的争议。

这就是法规适用性的争议空间。但我们更倾向于更深一层的含义，毕竟法律适用性这种东西，排序上弱于政治考量。

发改委管的是“安全审查”，商务部管的是“技术进出口”。发改委出面，意味着这事儿已经从“生意”变成了“主权”。

换句话说，发改委作为比商务部更具综合经济管理权的宏观部门，其介入本身也释放了一记明确信号 – 这不是针对某一家公司的偶然执法，而是「打得一拳开，免得百拳来」的制度性震慑。

杀一，是为了儆百。

所有还在观望的从业者，现在都看到了红线画在哪里 – 不是在某个具体条款的模糊地带，而是在维护国家安全这个不容辩驳的最终尺度上。

三、四个高风险触发点

综合 Manus 案以及《外商投资安全审查办法》确立的“穿透式审查”原则，以下四条红线已经清晰。踩中任何一条，「洗澡式出海」这条路就不要再想了。

红线一：创始人持中国护照，未注销中国国籍

Manus 创始人肖弘为中国国籍。中国出口管制法的管辖权覆盖自然人。这意味着创始人本人也可能成为监管关注对象，相关安排不能只按公司层面理解。

更残酷的现实在太平洋对岸：在北美 VC 的地缘政治风险评估中，华人创始人的融资环境也在趋紧。a16z 等头部硅谷风投在地缘政治压力下，对持中国护照创始人的投资意愿急剧下降。

Manus 的 B 轮融资由 Benchmark 领投，但事后 Benchmark 因这笔投资遭到美国政界强烈反弹，多位共和党参议员称这笔交易是「协助中国政府」。

硅谷 Founders Fund 的投资人则直言不讳：

创始人是中国人，公司在北京，核心技术是通用 AI Agent – 这就是“原罪”。

两边都在关门。你有中国护照，美国资本不放心；你有中国技术，中国监管不放手。这个夹缝，比大多数人想象的要窄得多。

红线二：拿过国资的钱

不是只有「国家主权基金直投」才算国资。各级政府的引导基金、人民币基金 LP 中的国有成分、政策性银行贷款 – 这些都在“国资输血”的认定范围之内。还有那些办公室、算力、人才补贴这种申请的时候吐槽流程繁琐还嫌少的「仨瓜俩枣」，秋后算账的时候可都会记在小本本上。

红线三：第一行代码写在中国境内

核心代码的初始编写地、算法模型训练完成地、技术文档的存储位置 – 这些看似「纯粹技术」的事实，在法律上都构成“技术源头”的证明。Manus 的早期开发在中国境内完成，团队迁至新加坡时，携带的代码本身就已构成技术出口。而 Manus 从未就这一转移行为进行过任何技术出口申报。

红线四：用过中国数据

这是很多 AI 创业者最容易产生的幻觉：以为只要后期清空国内用户、屏蔽中国 IP，公司就干净了。

但在监管眼里，‘技术实质’不仅看代码，更看数据基因。

《数据安全法》和《数据出境安全评估办法》对涉及“重要数据”的跨境传输有明确审查要求。Manus 虽然关闭了中文服务、屏蔽了中国 IP，但早期积累的用户交互数据已经完成了模型核心训练 – 数据基因刻在了模型的权重里，不是「后期清洗」能够追回删除的。数据长在中国的用户中，模型就带上了中国标签。

四、特定行业创业者：站队，从现在开始

《安审办法》对可能影响国家安全的外商投资设置了安全审查机制，重点包括军工等国防安全领域，以及外资取得实际控制权的重要领域，如重要信息技术、关键技术、重大基础设施、重要资源等。

在当前 Manus 案之后的监管环境下，以下几点值得特别关注：

一是，“实际控制权”的判断在实务中并不只看持股比例；如果外国投资者能够对企业的经营决策、人事、财务、技术等产生重大影响（如拥有一票否决权或关键技术知情权），均属于此范畴。这样的界定就非常宽泛了，举个例子：你只拿了 5%的美元基金所对应的股权，但这 5%股权附带的一票否决权就可能被认定为”对企业的经营决策产生重大影响”，从而认定为”实际控制权”并启动审查。

二是发改委作为工作机制牵头部门，有权基于国家安全判断作出合规窗口指导。如 2026 年 4 月 24 日发改委要求部分 AI 企业拒绝美资的指导，虽未显性列入条文，但属于《安审办法》第三条、第七条授权的”安全审查日常工作和预防性管理”的范畴延伸。

三是不建议通过 VIE、代持、信托等方式规避审查。实务中，一旦被认定存在规避审查的安排，企业可能面临补正、暂停、撤回或其他合规处置风险。

结论： 过去那个「两边骑墙」的灰色路径已经被前后左右 360 度堵死。从现在开始，企业必须在 Day 0 就明确合规站位。

尤其是在 AI 赛道，只能以下两种路线二选一。

路线 A：走美资路线 – 彻底净身出户

如果你决定拿美元基金、走硅谷路线、终极目标是被收购或美股上市，那你要做的不是「洗澡」，而是换血。

一个硬标准：前述四条红线，你一条都不能踩。

具体意味着四件事：

第一，创始人解决国籍。 中国护照本身是美国 VC 眼中的合规风险标签。如果你铁了心走这条路，放弃中国国籍不是可选项，是前提。

第二，不拿国资的钱。凡是涉及政府引导基金、国有 LP、政策性贷款的资金，应在融资初期进行彻底合规穿透，必要时进行清退或回购。

第三，代码源头在境外。 这是最残酷也最核心的一条。核心算法的第一行代码必须在境外完成。境内团队只能做非核心模块或边缘业务。你需要从一开始就建立起真正有研发能力的境外技术中心 – 不是壳，是实体。

第四，数据与用户从第一天起就隔离。 从一开始就不要碰中国用户数据。不是「后期清洗」，而是「从未拥有」。

走这条路的前提是：你能承受与国内市场彻底割裂的代价。中国市场的收入、用户、品牌协同，全部放弃。你赌的是全球化回报足以覆盖这个代价。而且，即便你做到了以上全部，你还要面对一个越来越不友好的美国 – 创始人的华人身份，仍是硅谷某些力量眼中的「原罪」。

路线 B：走内资路线 – 绑定国家队

如果你不想、或不能走美资路线，那就把合规变成你的护城河。

核心逻辑：中国的土、中国的地，只能长中国的人民币。

第一，主动拥抱国资/民资。 在融资中优先接受人民币基金、政府引导基金、央企产投平台。这不是被迫选择，而是战略绑定：国资背景就是最硬的监管通行证。

第二，将合规做成先发优势。 在同行还在试图绕道时，你主动申报安全审查、主动完成数据分类分级、主动备案技术出口。监管眼中，你是“自己人”；市场眼中，你的合规投入是后来者无法短期追赶的壁垒。

第三，把资质认证做成牌照壁垒。 信创认证、数据安全能力成熟度认证、相关技术领域的「专精特新」认定 – 这些不是成本，是牌照。在监管趋紧的环境下，有牌照和没牌照，就是生与死的区别。

第四，主动申报安全审查。 根据《外商投资安全审查办法》第四条，涉及重要信息技术和关键技术的外资投资，须在实施投资前主动申报。对走国资路线的企业而言，这不是负担，而是你向监管表明立场的最佳姿态。

走这条路，你接受人民币基金的估值逻辑和退出节奏 – 快进快出的 20 亿美元闪电收购可能与你无关，但你换来的是政策预期稳定和国内市场的持续经营权。

想做大，没有第三条路了

「开曼控股+新加坡运营+境内研发+美元融资」的骑墙模式，已经被判了死刑。继续在这条路上犹豫不决，不是灵活，是危险。监管不会因为你还没想清楚，就给你豁免。

选美资，就干净地走。选内资，就彻底地绑。

这就是 Manus 案留给 AI 跨境创业者唯一的操作手册。

写在最后：蝴蝶效应，一语成谶

Manus 给自己的母公司命名为 Butterfly Effect – 蝴蝶效应。如今回看这个名字，只能感叹一语成谶。

这只蝴蝶扇动了两次翅膀，卷起两场风暴。一场是硅谷的收购邀约，一场是北京的一纸禁令。现在，监管的前后夹击之势已经成型，收购邀约变成合规泡影，这条案例将写入此后每一家跨境科技企业的融资备忘录。

回头看那条「9 个月变现退出、20 亿美元收购」的完美路径，实则从一开始就暗藏三重复合雷区：

• 技术雷区：AI 核心代码在中国境内生成的那一刻，出镜就被监管；
• 数据雷区：使用过中国的数据，就没法回溯了；
• 身份雷区：这个时代，技术有国籍，做技术的人，也有国籍。

依法依规，过去是原则，之后是铁律。

今天的重点不是给谁定罪，而是看清一个趋势：过去靠注册地、架构、主体切换来腾挪的灰色空间，正在被持续压缩。对创始人来说，出海不再是“先绕开监管，再补合规”的游戏，而是从 Day 0 就要把主体、资金、技术、数据和申报路径想清楚。

希望每一个在时代夹缝中寻找出路的创始团队，无论你选择美资的跑道全力以赴，还是选择内资的体系深耕细作，都能看清规则、站稳脚跟、走得更远。

*本文为编辑团队基于公开信息与行业观察所作的主观分析，旨在提供多维度视角以供探讨。文中任何内容均不构成法律意见或投资建议。如涉及具体法律问题或商业决策，请务必咨询持牌专业律师。

本周华尔街被讨论最多的，是 Jane Street。

3500 个员工，没有银行牌照，不收咨询费，不做投行业务。仅靠交易，2025 年全年营收 396 亿美元。超过摩根大通。超过高盛。超过华尔街历史上任何一家机构。

按照 65-70% 的利润率算，这家公司的人均利润大约 800 万到 900 万美元。在所有员工数超过 1,000 人的公司里，全球第一。隔壁的 Citadel Securities，1800 人，人均利润 360 万；Hudson River Trading 也才 660 万；连 Nvidia 这种被全世界追着喂钱的公司，人均利润也只有 290 万。

于是这周，整个推特的金融从业者都在讨论同一件事：Jane Street 是怎么把这帮人招进来的？

华尔街最难进的公司

Jane Street 这个名字在币圈并不陌生。

FTX 创始人 SBF 入行的第一份工作就是 Jane Street 实习生。SBF 的前女友 Caroline Ellison，后来那位在 Alameda 留下一地鸡毛的 CEO 同样出身于此。SBF 后来在 Michael Lewis 的书里反复提到，他在 Jane Street 学到的市场思维框架，几乎决定了他后来做 FTX 和 Alameda 的所有交易直觉。

币圈很多基金创始人和项目方在转行做加密之前，简历上都有过和 Jane Street 的交集，但绝大多数人是「面试过」，不是「拿到过 offer」。

三箭资本创始人朱苏（Zhu Su）也发推回忆：「2008 年 12 月在东京和香港面过 Jane Street。我朋友当时在他们东京办公室，东大建筑学博士转行做量化的。我面完第二轮就想通了一件事，我应该去学编程，而不是去弄 Excel。」

Monad 基金会增长负责人转推过他 MIT 大二那年被问到的一道题，说「至今记得那场面试有多疯」。Glider Finance 联创 Brian 也在追着讨论 Jane Street 同一道流传已久的密码锁题。

加密圈不少资深玩家，都和这家公司在某个时间点擦肩而过。

而 Jane Street 的公司面试难度，在整个华尔街都是数一数二的。按推友 @vivoplt 那张候选人面试难度榜的分级，Jane Street 是难度 S+ 里最顶的，和顶级 AI 实验室并列。

一位推友 Hampton 关于 2012 年那场面试的回忆。读起来有点像是黑色幽默：约在金融区富尔顿街碰头，世贸中心旁边的美国银行 ATM 旁。然后面试官带他上了 A 线地铁，往中央公园方向开。她和面试官就在地铁上下国际象棋。不过没有棋盘，全口述。抛硬币决定开局是 1.e4 还是 1.d4。如果到 59 街哥伦布圆环还没分出胜负，就开始下闪电战，一直下到中央公园。Hampton 说自己在时代广场一站就输掉了。

另一位叫 Alex Song 的投资人回忆起他在 2010 年参与的 Jane Street 面试：「我人生中最糟糕的一场面试。一个小时，对面那位兄弟跟我解释了某种纸牌游戏的规则，给我一小时找出主导获胜策略。这绝对不是 Putnam 数学竞赛之类的东西，但比 D.E. Shaw、QVT、DRW 都更糟糕。」

转发这条的另一位推友补刀：这位 Alex 后来斯坦福本科碾压、摩根斯坦利做固定收益交易、贝恩资本做固定收益投资、哈佛 MBA、顶级对冲基金、Ramp 早期金融招聘负责人这样的简历，Jane Street 没要他。

有面试者说：「这至今仍是投行里最难的面试流程，别的公司你都能准备，Jane Street 真的没法准备。」甚至有网友开玩笑：「如果奥本海默现在还活着，我也敢打赌他依然过不了 Jane Street 的第三轮面试。」

刁钻的面试题

光听故事不过瘾。下面是几道在推特上被反复讨论的题，律动小编挑了几道难度不一的，读者也可以自己试试，看能做出几个。

题目一：「估算纽约市有多少扇窗？讲清楚你的方法论。」

题目二：「你估计需要多少海军陆战队员，才能推翻中东的一个大国？」

题目三：「一个保险箱有六位数字密码。密码锁会提示我们是否已正确输入了四位数或更多位数，但只有六位全对才会真正打开。用最少的尝试次数找出密码的最优策略是什么？」

题目四：「你手上有 30 根真实意义上的绳子（不是代码里的字符串）。把所有 60 个端点两两随机系起来，预期会形成多少个环？举例：一根绳子两端系起来 = 1 个环；30 根都这样 = 30 个环。两根绳子两端互系 = 1 个大环；30 根两两互系 = 15 个环。」

题目五：「今天之后下一个最近的，所有数字都不重复的日期是哪天？格式 DD/MM/YYYY。你有多少把握？」

题目六：「最接近 1420 的平方根的整数是几？」

题目七：「我有一位亲戚是职业棒球运动员。这个事实为真的概率是多少？」

题目八：「最小的、所有位数只由 1 和 0 组成、并且能被 15 整除的正整数是多少？」

题目九：「下午 3 点 15 分时，时钟的时针和分针之间的夹角是多少度？」

题目十：「你有机会竞拍一个宝箱。宝箱的真实价值是 0 到 1000 美元之间的某个数字，你有 100% 的信心它在这个区间。如果你的报价等于或高于宝箱真实价值，你就以你的报价拿到宝箱；如果低于，你就什么都拿不到。同时，你有一个朋友愿意以宝箱真实价值的 1.5 倍把它从你手里买走。你应该报多少？」

题目十一：「我现在掷一次 20 面骰子（数字 1 到 20）。你愿意付多少钱玩一次这个游戏，你拿到的钱数等于骰子上面的数字？现在改一下规则：每一轮你可以选择「拿走当前骰子上的数字」，或者「重新掷一次」。一共 100 轮。你的最优策略是什么？这个游戏值多少？」

题目十二：「黑板上写了 100 句话。第 1 句说『这 100 句话中至多 0 句是真的』。第 2 句说『这 100 句话中至多 1 句是真的』……第 n 句说『这 100 句话中至多 n−1 句是真的』。第 100 句说『这 100 句话中至多 99 句是真的』。这 100 句话里到底有几句是真的？」

题目十三：「我抛 4 枚硬币，正面数量的期望值是多少？现在给你一次机会重新抛全部 4 枚（必须接受新结果），期望值变成多少？」

题目十四：「两支实力完全相等的球队打七场四胜制系列赛。这个系列赛打到第 7 场才决出胜负的概率是多少？」

题目十五：「假设你和某个室友合办一个聚会，邀请了另外 10 对室友。聚会过程中你向除自己以外的每一个人询问：你跟多少人握过手？已知每个人都没和自己的室友握过手；每个人给你的答案都不一样。那么你的室友握了多少次手？」

题目十六：「100 个囚犯被关在 100 间独立的牢房里。监狱里只有一间灯泡室，每次只允许一个囚犯进去，开灯或关灯。囚犯被随机叫进灯泡室，进入次数和顺序完全不可控。任何一个囚犯都可以随时宣布：我们 100 个人都已经进过这个房间了。如果对，所有人获释；如果错，所有人被处决。游戏开始前囚犯们可以商量策略，但开始后不能再交流。最优策略是什么？」

题目十七：「假设我有 10 枚硬币。其中 1 枚是公平硬币（正反面各 50%），另外 9 枚都是不均匀的，但每一枚的偏差程度未知。给你有限次数的抛掷，你怎么把那枚公平硬币找出来？」

题目十八：「1000 个忍者站成一个圆圈，每人手里一把刀。1 号杀掉 2 号，3 号杀掉 4 号，5 号杀掉 6 号，以此类推，沿着圆圈一直杀下去，直到最后只剩一个人。这个人是几号？」

如果你扛过了前面所有的电话面试，最后一关叫做 Super Day。进门时，工作人员会塞给你 100 个扑克筹码。接下来是连续 4 到 6 场、每场一小时的技术面，全部用现役交易员对阵你。每一场你都要用这些筹码下注或者做市。SBF 当年进入 Super Day 时，他就被告知过：「输光所有筹码的人，没有一个拿到过 offer。」

Jane Street 想要什么样的人

Augustin Lebron 是 Jane Street 的前交易员，曾在伦敦办公室工作多年，并管理过包括 SBF 在内的那届实习生项目。离开 Jane Street 后，他写了一本叫《The Laws of Trading》的书，他在一次访谈里说了一段非常坦诚的话：「全球每年加起来，可能也就一两千个新人能进入真正好的量化交易公司。」

「我跟很多学生聊过。如果你问他们：为什么想做这个，他们会说数学很有意思、AI 很有意思、统计很有意思。但这些技能可以用在很多别的地方，所以光这个理由其实站不住。」但 Augustin Lebron 认为真实的答案通常是两个：第一，这是高地位的事情；第二，他们其实想发财。

那 Jane Street 到底招进来的是什么样的人？

Augustin Lebron 在访谈里明确说，这些机构招人的标准是 raw talent（原始天赋），而不是 knowledge（现成知识）。也就是说他们的过去预训练过他们做这一行，比如打过扑克的人、做过体育博彩、并且真的赚到过钱的人。某种在人生中已经有过「在不确定下做决策、并且要为决策承担经济后果」经历的人。

而另一类非常典型的人是进来之后会很快出局的，哪怕这些人极其聪明、非常擅长数学、非常擅长解题，但他们就是不喜欢交易。他们更在乎解出那道数学题，而不是赚到钱。「在交易这一行里，你最终是必须赚钱的。」

一些老 Jane Streeter 也总结过几个让候选人挂掉的常见原因：过度自信；沉默思考，Jane Street 极度强调 think out loud，安静思考是大忌； 拒绝下注，给你一个机会做市但你拒绝了，这等于「你不愿意承担风险」；另外，当你陷入糟糕的仓位，面试官会故意给你极差的报价，如果你慌乱接受，你就证明了你不该被招进来。忽略问题里的隐藏信息等等。

而这些，或许就是 Jane Street 一年狂赚 400 亿美元的重要原因吧。

2026 年 4 月，香港同时在讲两个关于以太坊的故事。

在 2026 香港 Web3 嘉年华上，Vitalik Buterin 继续谈论安全、去中心化、可验证性、抗量子与长期可持续，试图回答「未来五年以太坊该成为什么样子」；而另一边，从 BitMine 到贝莱德，机构投资者和资管巨头则越来越倾向于把 ETH 看作一种能够进入资产负债表、能够产生质押收益、能够被 ETF 和传统账户体系包装的底层资产。

换句话说，当 Vitalik 还在谈「世界计算机」，机构已经把 ETH 当成「现金流资产」，但吊诡的是，两者描述的又确实是同一个 Ethereum。

这带来了一种很有意思、也很值得记录的分裂感。

Vitalik 眼中的以太坊，和机构眼中的以太坊，似乎正在变成两个不同的东西。其中一个属于协议设计、密码学、安全边界和长期主义，另一个属于资产配置、质押收益、ETF 包装和资产负债表管理。

但问题并不是谁对谁错，而是当这两种视角开始同时出现，ETH 的叙事重心是否已经悄悄发生了偏移？更进一步，对大多数既不是机构、也不写协议代码的普通以太坊用户来说，这种变化又意味着什么？

一、Vitalik 仍在回答「以太坊为何存在」

这次 Vitalik 在香港的公开表态，几乎把未来一段时期以太坊路线图里的重点方向全部重新梳理了一遍。

单独看，每个关键词都很技术，譬如扩容、账户抽象、后量子、ZK-EVM、Lean Consensus、形式化验证、状态层优化，但如果把这些内容重新放回同一个问题里，就会发现他其实在做一件非常统一的事——为以太坊设计一种即便离开任何特定团队，也能继续安全运行的长期架构。

他给以太坊定的两个核心功能很简洁：

一是公共公告板。应用把消息发布到这里，所有人都能看到消息的内容和顺序，这里的消息可以是交易，可以是哈希，可以是加密数据，也可以是更复杂的链上承诺，重要的并不是这些消息本身是什么，而是「它们被所有人同时看到，并且顺序可以被验证」这件事本身具有公共可信度（延伸阅读《从「全球计算机 / 结算层」到「公告板」：以太坊和 Vitalik 想做什么？》）；

二是共享计算。即提供一个由代码控制的共享数字对象层，代币、NFT、ENS、身份、DAO 的控制权、链上组织的规则，表面上看是不同应用，放到协议视角里，其实都是同一层抽象的不同表达：它们都需要一个开放、可验证、难以被单点篡改的规则执行环境；

围绕这两个功能，Vitalik 对以太坊的价值排序也非常清楚：自我主权、可验证性、公平参与，要排在纯粹效率之前。换句话说，速度很重要，扩容也很重要，但它们不能成为以太坊牺牲自身根基的理由，也即以太坊不是为了成为最快的链，而是为了成为最值得依赖的链。

这个排序，也决定了未来五年路线图里的每一项技术取舍。

短期看，以太坊要继续扩容，也要改善账户抽象、区块构建流程、节点同步和隐私支持。譬如继续提高 Gas limit，通过区块级访问列表实现更好的并行化验证，通过 ePBS 让验证者可以对区块做更充分的检查，同时进一步优化节点状态同步。

中期看，真正难的不是执行层扩容，而是状态层扩容，毕竟计算可以优化，可以并行，可以通过硬件和工程手段不断推进，但状态必须被存储、同步、验证，一旦处理不好，就会把普通节点和轻量验证者逐渐挤出网络。这也是 Vitalik 反复强调状态层问题的原因，如果验证门槛不断升高，以太坊就会在不知不觉中失去它最珍贵的去中心化基础。

后量子则是另一条中长期主线，Vitalik 用了一个很形象的比喻：想象一个从来没有下过雨的国家，所有房子都没有做防雨设计，第一次下雨时，可能只有 5% 的房子漏水，但居民一开始不会焦虑，因为他们根本没见过雨，直到有一天他们被告知，五年后、十年后，雨真的会来。

这时候，整个社会就必须重新学习如何修房子、学校和办公室，量子计算对以太坊来说，就像那场还没下、但必须提前准备的雨。

抗量子签名算法本身并不是全新的东西，真正困难的地方在效率，基于哈希的签名可能达到 2–3 KB，而当前常见签名只有几十字节，链上验证抗量子签名的 Gas 成本也可能远高于当前方案，如果简单粗暴地把每一笔交易全部替换成抗量子签名，以太坊的效率会被直接拖垮。

因此解决路径不是让每一笔交易单独承担沉重成本，而是把压力从「单个签名」转移到「整块打包」，这也意味着只有 ZK 工具成熟之后，抗量子迁移才真正具备可落地的工程路径。

更长期看，Vitalik 的路线图几乎是在描述一个以太坊的终局状态：Lean Consensus、ZK-EVM、形式化验证和 walkaway test。

其实把这些技术条目串起来看，Vitalik 真正想解决的是如何让以太坊的安全性，不依赖于某个特定团队、特定客户端、特定硬件假设或某一代密码学工具的持续存在，说到底就是让以太坊守住去中心化、安全、可信中立这些「别人做不好、但它必须做」的位置，效率、体验、垂直需求则交给 L2 和应用层去卷。

二、从「世界计算机」到「生息资产」，机构则在重估 ETH

与 Vitalik 的协议视角相比，机构对 ETH 的理解要直白得多。

它们未必会先讨论 Lean Consensus、状态树优化或抗量子迁移，也未必会用「公共公告板」来描述以太坊。它们关心的问题通常更直接：ETH 能否被安全持有？能否产生收益？能否进入资产负债表？能否被包装成合规产品？能否承接更大规模的资金？

BitMine 的动作，就是这套机构语言的集中体现。

截至 4 月 24 日，BitMine 持有 4,976,485 枚 ETH，约占 ETH 总供应量的 4.12%，其中共质押 347.1 万枚 ETH，占其 ETH 总持仓量的 70%。

其中肉眼可见地 Tom Lee 和 BitMine 正在加速自身持有的 ETH 的质押进度，使得手里的 ETH 不再只是一个等待价格上涨的加密资产，而是一种带有原生收益能力的链上基础资产。

这就是 ETH 与大多数加密资产最大的不同。许多资产的价值仍然高度依赖叙事、流动性和风险偏好，但 ETH 的资产属性开始变得更复杂，它有使用需求，有质押机制，有销毁机制，有链上经济活动，也有不断被传统金融产品重新包装的可能。

贝莱德的 ETHB 代表的是另一条路径。

作为 iShares 旗下的 Staked Ethereum 产品，它将 ETH 的价格敞口与质押收益分配放进传统资管框架，强调投资者可以通过传统券商账户获得 ETH 相关敞口，而不必直接管理私钥、运维节点或处理链上质押流程（延伸阅读《当华尔街的 ETH 开始「生息」：从贝莱德的 ETHB，看以太坊的资产属性转向》）。

这本质上是一次翻译，把以太坊世界里的自托管、Staking、Validator、Slashing、Gas 等专业术语的复杂度封装起来，重新翻译成了 Custody、月化 / 年化收益等更容易理解的概念，对加密原生用户来说，可能没什么感觉，但对传统资金来说，这正是它们进入新资产类别所需要的接口。

更有意思的是，以太坊基金会本身也开始更主动地使用 ETH 的生息属性。2 月 24 日，以太坊基金会宣布启动 Treasury Staking Initiative，将大约 7 万枚 ETH 用于质押，并把质押收益导回基金会金库，用于支持长期运营与生态发展，基金会同时强调，这一过程会尽量采用开源软件、降低客户端集中度，并通过多地域、多运营商配置来控制风险。

这个动作很耐人寻味，说明从 Tom Lee 的 BitMine，到贝莱德，再到 EF，都在把 ETH 放进一种新的资产框架里，于是，机构眼中的 ETH，开始呈现出一种介于「数字商品」「基础设施资产」和「生息资产」之间的混合形态。它有比特币式的稀缺资产属性，也有类似网络股的成长属性，同时还因为 PoS 机制具备某种原生收益特征。

这让 ETH 的估值框架不再只依赖「牛市来了会不会涨」，而开始进入更传统的讨论，譬如质押收益率、总供应量、销毁量、机构持仓比例、产品规模、资金净流入，以及未来链上结算需求是否持续增长。

当然，这并不意味着 ETH 已经变成一个低风险资产，它依然高度波动，依然暴露在监管、技术、市场周期和流动性风险之下，但不同的是，机构正在把这些风险放进它们熟悉的资产管理框架里重新定价，而不是简单把 ETH 当作一个高 Beta 的加密标的。

三、两种以太坊，同一套价值的两次折现

写到这里，容易产生一个错觉，以为 Vitalik 的以太坊和机构的以太坊，仿佛是两个东西：

一个是技术路线不断演化的协议，一个是财务视角下持续产生现金流的生息资产；一个属于开发者，一个属于华尔街；一个讲长期主义，一个讲资产回报。

但事实恰好相反，这两种视角并不是互相否定，其实正在相互成就。

因为说到底，机构之所以愿意大手笔买入、「囤」和质押 ETH，恰恰就在于 Vitalik 所承诺的这个以太坊中长期愿景，为 ETH 的长期资产属性提供了前提。

毕竟对持仓周期以年为单位的机构而言，真正害怕的不是短期价格波动，而是底层资产的规则本身变得不可预期，如果一个协议的签名方案可能在量子计算时代突然失效，如果一个客户端漏洞可能导致网络反复停摆，如果链的最终性和共识安全无法经受极端环境考验，如果路线图高度依赖某个团队持续在线，那么再漂亮的收益模型，都只是建在流沙上的数字游戏。

因此，Vitalik 路线图里那些让技术社区兴奋的词——抗量子、Lean Consensus、ZK-EVM、形式化验证、walkaway test——翻译成机构语言，其实可以浓缩成四个字：

长期可信。

所以「退出测试」虽然是工程语言，但它对机构的意义非常清楚，即 ETH 的稳定性不依赖某个具体团队永远在场，不依赖某一种加密学假设永远成立，不依赖某几个客户端团队永远不出问题，这才是以太坊被当作长期资产的必要条件。

当然，反过来讲，机构资金与大规模质押，也在为 Vitalik 的路线提供经济层面的支撑。

众所周知，以太坊进入 PoS 之后，安全性不再只来自密码学和客户端工程，也来自被质押的 ETH 规模、分布和惩罚机制，被质押的 ETH 越多，市值越高，攻击者要影响共识所需付出的经济成本就越大，因此 BitMine 质押的每一枚 ETH，至少在共识层面都不是一句口号，而是在实际参与以太坊安全预算的构建。

换句话说，Vitalik 在技术层面推动抗量子、Lean Consensus 和 ZK-EVM，是在抬高以太坊的技术下限；机构在经济层面大规模持有与质押 ETH，是在抬高以太坊的经济下限，两条曲线在相互推高的同时，也在一起让以太坊变得更值得依赖。

这也是为什么，「世界计算机」和「生息现金流资产」看似是两种定义，实际上并不矛盾，不同的定义，但殊途同归，那就是做大以太坊。

一个成熟的全球性基础设施，本来就需要这两种视角同时存在。

写在最后

客观而言，时至今日，以太坊早已不是一个只能被单一叙事解释的网络。

它既是 Vitalik 口中的公共公告板和世界计算机，也是机构眼中的生息资产和基础设施敞口；既是开发者不断推进的协议工程，也是资本市场正在重新定价的数字资产；既承载着自我主权、可验证性和可信中立，也开始被纳入 ETF、资产负债表和收益模型之中。

未来几年，市场未必会按照 Vitalik 的语言给 ETH 定价，但机构之所以愿意不断买入、质押、包装 ETH，恰恰是因为 Vitalik 那套关于安全、去中心化、可验证和长期稳健的坚持，正在慢慢变成一种可以被资本市场折现的「制度红利」。

这或许才是 2026 年以太坊最重要的变化。

原文作者：@Chandler_btc | Arkstream Capital

TL;DR

• 2026年Q1，加密交易所的商品类永续合约（黄金、白银、原油）周交易量从$38.1M飙升至$25B，增长65,463%。传统资产代币化将是Crypto接下来5-10年的主线，而Pre-IPO代币化，只是这股浪潮中，最新加入战场的一个品类。
• 4月，Bitget、Gate、Binance（PreStocks）三家头部交易所几乎同时上线了SpaceX相关的代币化产品。合规方式各有区别，但其本质都是，将过去仅面对超高净值客户的pre-IPO市场份额，拆成碎片卖给散户。

本文主要讲清两件事：一是传统Pre-IPO到底是什么，二是散户究竟如何参与

传统资产代币化将是Crypto接下来5-10年的主线

根据统计，2026年Q1，加密交易所的商品类永续合约（黄金、白银、原油）周交易量从$38.1M飙升至$25B，增长65,463%。Binance在1月上线TradFi Perpetual板块后，三个月累计交易量超过$153B、成交超1.14亿笔；其XAG（白银）合约日均交易量达$1.31B，全球市占率从0.2%飙升至4.9%（涨幅23.5倍）。

最亮眼的，是2月底的伊朗战争，当时美国和以色列对伊朗的打击发生在周末，传统期货、股票、外汇全部休市，全球只有加密市场仍在交易。当时Hyperliquid的原油perpetual瞬间飙升5%、Tether黄金XAUT单日交易量超$3亿、Bitwise CIO称之为”the weekend that changed finance”。

美股、贵金属、原油、外汇，这些过去只在工作日朝九晚四交易的资产，正在被代币化、上链、提供7×24小时的全球流动性。而Pre-IPO代币化，只是这股浪潮中，最新加入战场的一个品类。

Source: BitMEX Research

Pre IPO 到底是什么

Pre-IPO二级市场（老股交易）已经存在十几年，2024年全球交易量已达$160B，仅美国直接二级市场就有 $61.1B。买家主要面向的是家办、主权基金、机构投资者以及高净值个人，单笔交易在通常在10M往上，散户基本被挡在门外。

绝大多数交易通过SPV（Special Purpose Vehicle，特殊目的载体）进行：原股东把股份放进一个专门设立的壳公司，这个壳公司再把自己的份额卖给新买家。买家拿到的是SPV的份额，间接持有底层公司股份。原因是，老股交易很少让陌生人直接上cap table（公司股东名册），因为这会触发其他股东的ROFR（Right of First Refusal，优先购买权），程序麻烦且可能被原股东拦截。所以买家最终买入持有的，是SPV的LP interest 或 Unit，相当于间接持有老股的权益。

由于二级市场的交易高度集中在头部少数标的，SpaceX、OpenAI、Anthropic等美国AI/航天巨头长期占据交易量的30-40%，加上字节、Stripe、Databricks、xAI等头部独角兽，前15家就吃下了整个市场约83%的成交量。（这种集中度也是为什么哪怕Bitget/Gate这次只发SpaceX代币、单单一家就能轻易超募过亿，头部Pre-IPO的供给一直很稀缺，需求很集中。）

其中绝大多数为美国标的，因此最大的监管障碍是CFIUS（美国外国投资委员会）。它限制外国资金投美国敏感行业（AI、半导体、国防），部分国家的资金买SpaceX/Anthropic会受严格审查。所以交易前，一般卖家会规定不允许某些国家UBO购买——GP会穿透SPV查你这个买家的最终实控人是不是中国/俄罗斯/伊朗等受限制国籍。层级越深越难查，但也不是绝对稳妥，之前我们就遇到一个案例，是两层SPV里有中国UBO被查出，然后整个deal黄掉。

Sources：Caplight PitchBook, Augment

美国公司IPO后还有一条标准Lock-up Period：SEC Rule 144加承销商协议规定，早期股东和员工股份在公司IPO后6个月才能在公开市场卖出。这条规则适用于几乎所有美国公司（Facebook、Coinbase、Reddit、Cerebras都是6个月）。这就是为什么Bitget/Gate这次Pre-IPO”代币要等6个月才兑付”的原因，但不影响盘前交易。

Pre-IPO 真实交易细节分享

Ticket size门槛极高

传统Pre-IPO的ticket size基本$10M起步，$1M以下基本没人接——不是不想做，是单笔固定成本（律师费、KYC、SPV设立、渠道费）下不来。所以，交易所的这波操作，是颠覆性的尝试，打破了阶层的壁垒。过去散户（而且得是高级玩家，有美股账号等条件）只能等IPO后才可以参与交易，现在交易所虽然贵了一点，但至少让普通人拥有了参与的机会。

Broker/FA乱象

一个跨境Pre-IPO deal通常经过多层：

底层GP – Rep（卖家代表）- 一级broker – 二级broker – … – FA – 客户

每层加1-5%的fee。一个底层$500B估值的deal，传到真实买家手里可能就高于600B了。

就拿SpaceX来说，市场真实价约$1.25T估值+3-11%的access fee（不同渠道不同层级），也就是说最终价格差不多要1.375T，这还没算上Tokenization的合规费用。整体估算下来，交易所给的价格还算公道，大概率是为了拉新考虑。

而且市场上大多数Block供给都是虚假的——同一批份额被多家broker重复挂牌，真实可成交的不到10%。比如SpaceX，平台挂单$1.2T估值，但深入沟通后全是虚假挂单，即便是大平台大中介也充斥这种情况。

Sources：某老股交易平台

如果交易涉及LP Interest Swap，你还需要获得GP Consent，就是底层SPV的GP对LP份额转让的同意权。GP有权拒绝。业内的真实情况是GP不太欢迎这种转让——因为审核新LP、做合规、引入陌生人都是麻烦，所以很多情况下需要给GP塞钱办事，这就又多出一层费用。

流动性差是Pre-IPO老股最大的痛点

中途出手非常困难，要么等公司IPO（通常3-7年），而且一般IPO后还要等6个月lock-up期。要么重新找接盘方走一遍结构化流程——两三周（最快）+FA fee。

每一次转手都是一次独立的OTC交易，重做一遍律师文件、KYC/AML/UBO穿透、GP审批。这就是Pre-IPO一直被定价为”非流动性资产”的原因。

普通人如何参与这一轮的Pre-IPO

可以预判到接下来市场会出现一系列的老股代币化产品，本质都是一回事：平台在传统Pre-IPO市场购入真实老股，然后用代币壳拆成碎片卖给散户。

对于普通人来说，获得了在公司IPO之前轮次进入的机会，跟着估值一轮轮自然抬升。

头部优质标的的融资估值通常单调上行。SpaceX从2021年的$74B涨到现在的$1.4T+，OpenAI从$29B涨到$852B+，Anthropic从$4B涨到$800B+，字节从$75B涨到$600B+。每一轮新融资都在抬高估值，老股东随之水涨船高。

但要清醒一件事：这不是稳赚不赔。 历史上Stripe经历过估值从$95B腰斩到$50B的down round，TrueLayer跌过30%，Cybereason跌过90%，WeWork从$49B估值最终破产。2023年全球有128家独角兽估值下跌，42家直接跌出独角兽行列。

所以参与Pre-IPO的关键是选标的，不是博节奏，跟着公司估值的自然抬升赚长期收益——而不是上线就抢、想博一波情绪盘的短期波动。很多Crypto用户把Pre-IPO当成币圈IDO玩，是两种完全不同的逻辑。

总结一下参与逻辑：

一、是否长期看好这个标的？ SpaceX/OpenAI/Anthropic值不值IPO后的估值水平？是否愿意持有到下一轮募资或IPO之后？

二、选的这个产品安全吗？ 发行方是谁？兜底在哪里？出事了追索谁？

未来3年的RWA形态

Pre-IPO的RWA化目前还在非常早期，头部标的供给稀缺、需求高度集中、估值长期上行，接下来几个月，OpenAI、Anthropic、xAI、Stripe、ByteDance、Kimi等头部标的的代币化产品都会陆续出现。

而这只是整个Tokenization的一个小分支，目前可以清晰预见主线的四层结构为：

• 稳定币发行方：提供链上美元与结算入口
• 公链网络：承载资产发行与流转
• 交易与分发平台：CEX、DEX。另外我们认为还有一个潜力玩家，LaunchPad / IDO平台（如Buidlpad等），他们本来就具备新资产KYC、发行、认购、分发的全套能力，过去发crypto token，今天完全可以发Pre-IPO代币
• 资产发行服务商：把各类资产上链的服务公司

可以预见，Tokenization 这条主线不会只诞生一批独角兽，而是有机会孕育出新的万亿级基础设施，以及一批千亿级平台型玩家。

一切刚刚开始。

此前，OKX Wallet 发布了 OnchainOS，并持续迭代开放 Agent 能力，同时推出全新的 Agentic Wallet。随着 AI 成为新的“用户接口”，当 Agent 作为链上参与者开始自主交易、参与治理，以太坊等区块链的角色将会发生何种变化？

在 AI 与 Web3 的交汇处，一种新的交互范式正在形成。

这里是「OKX Wallet 的朋友们」系列——嘉年华篇。本系列通过与不同构建者的对话，记录他们在行业关键节点的判断与思考。本期，OKX Wallet VP Paul Wan 将对话 Vitalik，围绕 AI 与 Web3 的长期趋势与底层结构展开探讨，试图理解：在 Agent 时代，区块链将扮演怎样的角色。

AI 时代下，以太坊与区块链的角色演进

问题一：面对 Agent 时代，链上操作系统必须提供哪些原语？今天的以太坊还缺少什么？

Vitalik：

我是这样看的。以太坊主要为应用提供两大功能，其中之一是公告板，也就是任何人都可以把数据发布到链上，然后各种应用以多种不同方式来解读这些数据；另一个是链上计算和链下计算，这里面包括金融类应用、DeFi 以及各种其他应用。

在 AI 时代，从根本上来说这些用途本质上仍然一样，同样的使用场景依旧存在，这些功能仍然可以继续保持重要性。但 AI 一定会让我们与区块链以及与其他工具交互的方式发生巨大变化。

其中一个重要差别在于，在前区块链时代，用户是通过某一个界面去交互的，而那个界面对应的是一件具体的事情；而在 AI 的世界里，尤其是现在以及未来几年这种形态的 AI，你可以有一个用户侧的 AI 去调用这些不同的技能，一次性把事情组合起来，同时与许多不同的对象交互。

这也让与以太坊及其他系统交互的工作流数量大幅增加。所以在我看来，“操作系统”这个比喻从某些角度来说并不完全贴切。操作系统仍然会继续存在，但它会变得更小、更简单；同时我们会有一堆不同的工具和技能，由 AI 帮助用户去使用它们、去做事。区块链是一种自然而然的选择，它让多方协作的应用得以存在，并让不同参与者之间能够长期有效协作，且不需要事先建立信任或达成一致。

另一个关键点是经济层（Economic Layer）。如果 AI 更去中心化，就会有许多不同的 AI 实体，由不同的人构建和控制，并且彼此之间需要交互；而要让这种交互成为可能，就需要一个经济层。因为合作要么基于经济激励和规则，要么基于中心化控制，本质上就是这两种路径。

如果我们能把这个经济系统搭建起来，就更能让 AI 之间以去中心化的方式进行交互。就像一套完整的操作系统里既有运行时，也有在其之上构建的软件和基础设施一样。在以 Agent 为核心的新型经济体系中，我们需要一种机制去发现、定义并匹配合适的 Agent。同时，用户以及用户的 Agent 也可以参与进来彼此交互，并构建自己的 Skills、MCP、CLI 和策略。

问题二：在高频 Agent 交易场景下，该怎么看待 L2？

Vitalik：

L2 很重要，但我们在构建 L2 的方式上需要更有想象力。过去的做法往往是简单复制 EVM 并扩展规模，但这种方式并不理想。更好的方式是从应用需求出发，补足 L1 没有提供的能力。在理想情况下，不同功能应分布在不同层：账户可以放在 L1，而高频交易和撮合可以放在 L2。

此外，L2 也可以承担隐私功能，比如 Tornado Cash、Railgun、Privacy Pools 等，这些在某种意义上可以看作是“隐私型 L2”。未来会出现更多朝不同方向发展的 L2 方案。

人类与智能体的关系重构

问题三：当 Agent 可以自主交易、持有资产甚至参与治理时，我们应该如何重新定义用户？尤其是从链上治理的视角来看，你认为该如何为这些非人类参与者重新设计机制？

Vitalik：

我个人仍然把人视为用户，把 AI 看作是对 UI 的替代，是人与链交互的一种新方式。

可以这样理解，在 AI 出现之前，你可能需要通过 Google、Wikipedia、Stack Overflow 等多个工具获取信息，而现在可以直接向一个 AI 提问，由它完成操作并给出结果。这种变化很快也会发生在区块链交互上。

这意味着我们对基础设施属性的看法会发生变化，比如延迟。在人类交互中，低延迟通常非常重要；但对 Agent 来说，有些场景需要极低延迟，而有些场景延迟其实并不重要，比如复杂问题可以等待更长时间。

这种差异会改变我们思考接口层的方式。以钱包为例，保持不变的是 SDK，也就是 API 层（例如转账、查询、隐私操作）；但围绕它的产品形态可能会发生变化，用户甚至可能不再直接使用钱包，而是与 SDK 交互。

因此我们会看到一系列经过精心打磨的软件包，它们具备强安全性和形式化验证能力，并配有 Skills 文件，由 AI 来调用。所以我认为，在区块链和用户之间的那一层，将会发生非常大的变化。

问题四：如果一笔交易的行为者可能是人、Agent 或两者的组合，我们应该如何重新思考链上身份？是否可以构建一个同时适用于人类、Agent 以及混合场景的统一框架？

Vitalik：

链上身份成立的关键是拆解身份，只证明完成某个交互所需的必要信息。在大多数情况下，完全暴露身份并没有意义，更合理的方式是只揭示部分信息，比如通过零知识证明来证明声誉或资金来源。

同时，需要让链上行为和资产更容易被零知识证明，并让钱包更好地帮助用户管理隐私数据。不同应用应采用不同实现方式，在满足需求的同时尽可能保护用户信息。

适用于人类和 Agent 的统一框架的构建是可行的。Agent 可以自行判断任务如何分配到不同 L2 上，目前它们的推理方式与人类并无本质差异，因此市场会逐渐找到更合理的分配方式。

Agent 产品与原生标准的演化路径

问题五：什么是好的 Agent 产品体验？

Vitalik：

说到一个好的 Agent 产品，它应该是直观易用的，同时作为更大生态的一部分运作，而不是试图接管用户的全部生活。同时也必须高度重视隐私与安全，而目前很多系统在这方面仍然存在不足。

理想情况下，我们需要更多与用户利益对齐的 AI，它们不隶属于单一公司或应用，而是代表用户行事。这可以减少攻击和剥削。同时，应用需要兼容用户已有的配置，支持个性化，并能与其他工具交互，在此基础上保证安全。如果这些都能做到，就是理想状态。

问题六：Agent 时代下，钱包的发展方向是什么？

Vitalik：

AI 一方面可以用于构建以太坊本身，比如通过形式化验证来提升安全性，这在未来甚至会成为必须的能力；另一方面也可以作为 Agent 钱包，在保证隐私和安全的前提下整合各种能力。

如果这种体验依赖第三方服务器，就无法实现真正的去中心化和隐私。同时需要对 AI 行为进行限制，这也是钱包在风险控制中的职责。更重要的是，不应该把以太坊视为一个孤立系统，而应该融入一个全局 AI，在操作系统层面帮助用户完成各种任务，包括链上交互、互联网搜索和本地数据管理，从全栈视角来思考。

问题七：在 Agent 经济下，公共物品机制应该如何演进？未来 Native Agent Standard 又会是什么样？

Vitalik：

公共物品融资本质是治理问题，而治理需要定义利益相关者。每一个 Agent 背后仍然是运行它的人，因此人始终是核心。AI 和 ZK 为治理提供了新的可能性，但 AI 也降低了攻击成本，使很多机制更容易被自动化攻击，因此这是一个需要持续探索和不断迭代的方向。

而关于 Agent 的原生标准，目前还没有一个完全确定的形态，但一个重要的方向是 ZK Payments 和 ZK API。其核心目标是：无论发起什么类型的 API 请求，每一次请求本身都是私密的，并且彼此之间完全隔离。

这一点非常关键，因为在 AI 场景下，即使使用化名或匿名身份，只要这种身份是持续存在的，随着信息不断积累，最终仍然会被重新识别，从而失去隐私。因此，需要从机制上保证每一个请求之间不产生关联。

实现这一点的关键在于利用零知识证明，同时避免每一次请求都上链，否则成本和延迟都会变得不可接受。虽然部分场景下延迟可以容忍，但高成本仍然是必须解决的问题。在此基础上，还可以结合保证金机制（bonding / staking），在不破坏隐私的前提下，同时防范用户侧和应用侧的滥用。这个方向上还有很多工作正在推进。

结语

感谢 Vitalik 在本次对话中分享的思考，也为我们提供了关于 AI 与 Web3 交汇处的前瞻视角。

围绕 ERC-4337、EIP-7579、EIP-7702 等方向，OKX Wallet 一直在持续推进相关探索与创新。同时，我们也在密切关注 Vitalik 最新提出的 EIP-8141 的进展，并期待在 Agent 领域的底层基础设施上展开更深入的合作。

每个人的 Web3 时刻不尽相同，但选择留在这里的理由却往往相似。感谢每一位在嘉年华期间愿意与我们交流与分享的朋友。

嘉年华已短暂落幕，但对话不会结束。我们下一个时刻见。

编者按：美伊冲突仍在继续僵持，但如我们上周所说，传统金融市场已经开始冲高：日韩股市纷纷创下历史新高；美股市场龙头股英伟达再次站上 5 万亿美元市值上方，纳指、标普 500 等指数则保持冲高姿态。另外，美联储新任主席凯文·沃什能否顺利上任成为资本市场定价的下一个焦点事件。至于加密美股市场，在并无直接利好刺激下，本周延续普跌态势，建议仍然只做少部分龙头股抄底或短期反弹博弈。

以下为 Odaily 星球日报总结整理的上周币股市场信息，所有美股数据皆来自msx.com。

美股迎来 IPO 流动性大考，美联储新任主席政策立场备受质疑

近一周的焦点事件集中在美联储新任主席凯文·沃什的听证会以及由 SpaceX 带动的本年度关于美股 IPO 热潮影响下的市场流动性考验。

分析：SpaceX、OpenAI 与 Anthropic 上市吸金或冲击 BTC 及加密市场流动性

SpaceX 已于本月早些时候向美国 SEC 秘密递交 S-1 文件，计划以约 1.75 万亿美元估值进行 IPO，募资规模高达 750 亿美元，若按预期于 6 月上市，将超过沙特阿美 2019 年 290 亿美元募资纪录，成为史上最大规模 IPO。与此同时，OpenAI 与 Anthropic 也分别计划于今年下半年上市，三家公司预计合计吸引超过 2400 亿美元资金。

市场分析认为，这些超级 IPO 可能显著抽离风险资产流动性，而加密市场正处于同一资金池中。由于比特币、以太坊等主流加密资产近年与纳斯达克及美股风险偏好高度联动，大量资金转向认购科技巨头 IPO，可能削弱对 BTC、ETH 及山寨币的买盘支撑。分析人士指出，Coinbase 于 2021 年上市当天恰逢比特币阶段性顶部，此次 SpaceX IPO 或再次成为加密市场的重要流动性拐点。

沃什听证会高能：否认向特朗普承诺降息、怒批美联储迷失、被骂“提线木偶”

特朗普钦点的美联储主席人选沃什，在确认听证会上火力全开：拒答特朗普是否输掉大选，被沃伦怒斥“提线木偶”；反手炮轰美联储“迷失方向、搞政治”；还多次否认向总统承诺低利率。素有“美联储传声筒”之称的 Nick Timiraos 撰文称马萨诸塞州民主党参议员伊丽莎白·沃伦（Elizabeth Warren）在开场陈述中将沃什同时定性为特朗普的“提线木偶”和机会主义者，但沃伦的论点是一个连陈述可能令提名自己的总统不悦的简单事实都不敢的美联储主席，在关键时刻是不会站出来对抗那位总统的。这一主题贯穿了整场听证会，民主党人多次回到这一点上。

沃什还表示，美联储需要“根本性政策改革”，包括新的通胀框架、新的工具以及新的信息传递方式。虽然沃什回避特朗普对美联储的公开攻击，但多次向两党参议员否认特朗普曾就利率寻求任何承诺。“总统从未要求我预先决定、承诺、确定或决定任何利率决策，在我们的任何一次讨论中都没有，我也绝不会同意这样做。”

高盛：美联储换帅不会带来快速降息

高盛经济学家大卫·梅里克在给客户的一份报告中表示，凯文·沃什出任美联储主席的路径已清晰可见，但领导层的变动可能不会在未来几个月立即改变美联储的政策立场。他指出：“当联邦公开市场委员会存在分歧时，新任主席可能无法像鲍威尔那样有力地推动降息。”且不论沃什的影响力，新主席对降息的热情可能并不会比鲍威尔高多少，尤其是在中东战争不确定性仍然很高的情况下。不过，高盛仍认为年底前会有宽松政策出台，维持此前预测，即美联储将在 9 月和 12 月分别降息 25 个基点。

一周币股上市公司动态更新

BTC 财库上市公司代表性企业

Strategy 2.55 亿美元领跑但势头骤减：增持额暴降 90%，全球多家储备公司小幅跟进购买

根据 SoSoValue 数据，截至美东时间 2026 年 4 月 27 日早上八点，上周全球上市公司（不包含挖矿公司）配置比特币的单周总净买入为 2.60 亿美元，相比上周减少 89.8%。

Strategy（原 MicroStrategy) 宣布投入 2.55 亿美元（相比上周减少 90%)，以 77,906 美元的价格购买 3,273 枚比特币，总持仓达到 818,334 枚。

日本上市公司 Metaplanet 上周未购买比特币。

此外，另有 3 家公司上周购买比特币。日本时尚服装品牌 ANAP 于 4 月 21 日投入 77 万美元，以$84,239.7 的价格增持 9.1785 枚比特币， 总持仓达到 1,431.9716 枚； 英国比特币公司 The Smarter Web Company 于 4 月 24 日宣布投入 339 万美元，以$77,071 的价格购买 44 枚比特币，总持仓达到 2,750 枚；法国比特币公司于 4 月 27 日宣布投入 46 万美元，以$77,151 的价格购买 6 枚比特币，总持仓达到 2,943 枚。

Metaplanet 已发行 80 亿日元（约 5,000 万美元）的零利息债券，用于购买比特币。

截至发稿，统计中的全球上市公司（不含挖矿公司）合计持有比特币总量为 1,084,909 枚，相比上周增长 0.3%，当前市场价值约为 843.4 亿美元，占比特币流通市值的 5.4%。

Metaplanet 发行价值 80 亿日元零息债券用于增持比特币

上周，日本比特币财库公司 Metaplanet 宣布发行价值 80 亿日元的零息普通债券，用于进一步购买比特币。

DDC 年度财报：比特币持仓达 2383 枚并推出 AI 财库智能平台

美股上市公司 DDC Enterprise 上周发布 2025 财年业绩报告，全年营收达 3920 万美元，同比增长 4.6%，创历史新高；截至 2026 年 4 月 21 日持有约 2383 枚比特币，价值约 1.82 亿美元，跻身全球上市公司比特币持仓前 30。DDC 还宣布推出人工智能驱动的财库智能平台“DDC Treasury Intelligence Platform”，用于优化比特币资金管理与资本配置。

ETH 财库上市公司代表性企业

Bitmine 资产总额达 133 亿美元，持有超 507 万枚 ETH 占供应量 4.21%

截至 2026 年 4 月 26 日，Bitmine 加密货币持仓、现金及投资总额达 133 亿美元。目前持有 5,078,386 枚 ETH，价值约 120.3 亿美元，占 ETH 总供应量的 4.21%。此外，持仓还包括 200 枚比特币、2 亿美元 Beast Industries 股权、9100 万美元 Eightco Holdings 股权以及 9.4 亿美元现金。

Bitmine 目前已质押 3,701,589 枚 ETH，按 2369 美元价格计算，价值约 88 亿美元。其年化质押收益率达 3.033%，预计年收益为 3.63 亿美元。Bitmine 已于 2026 年 4 月 9 日从纽约证券交易所美国分所转至纽约证券交易所挂牌上市。

此外，上周以太坊基金会通过 OTC 方式向 Bitmine 出售了 10000 枚 ETH，均价为 2387 美元。

山寨币财库上市公司代表性企业

Eightco 披露 WLD 持有量增至超 2.83 亿枚，ETH 持仓量维持在 11068 枚

纳斯达克上市公司 Eightco Holdings（ORBS）上周发布持仓情况更新，披露持有资产总价值增至 3.36 亿美元，包括：283452700 枚 Worldcoin（WLD）、11,068 枚 ETH、对 OpenAI 的 9000 万美元投资、对 Beast Industries 的 2500 万美元投资，以及持有价值 1.18 亿美元的现金和稳定币。Eightco Holdings 表示，持有的 WLD 代币价值在公司总资产的占比为 23%，对 OpenAI 的投资占公司总资产降至 27%，对 Beast Industries 的投资占公司总资产的 7%。

AVAX One 公布 Q1 业绩：持有约 1400 万枚 AVAX，收入环比翻倍

纳斯达克上市 AVAX 财库公司 AVAX One 上周公布 2026 年一季度初步业绩，受益于 Avalanche 质押收益及比特币挖矿业务增长，季度收入环比翻倍至约 240 万美元。公司资产配置方面，现持有约 1400 万枚 AVAX，超 90% 处于质押状态。同时，AVAX One 已签署意向书，拟在加拿大阿尔伯塔省建设 10MW Tier 3 级 AI/HPC 数据中心，项目预计 2027 年一季度投运，将依托低成本天然气电力资源，以 “加密资产收益 + 算力基础设施” 推进 AI 与数字资产双轮战略。公司同步新增 220 台比特币矿机，算力提升至超 200 PH/s。

美股上市公司 Aurelion 披露持有 33318 枚 Tether Gold，其中 1 万枚已质押

纳斯达克上市公司 Aurelion 上周披露目前持有 33318 枚 Tether Gold（XAUT），按照 4 月 23 日 4719.15 美元/盎司价格计算，其持仓价值超 1.57 亿美元，此外该公司还披露已将 1 万枚 XAUT 质押，使黄金代币从单纯储备资产转变为可产生收益的抵押资产，另外 23318 枚 XAUT 处于未质押状态。

Tron Inc 上周增持 154494 枚 TRX 代币

Tron Inc 在 X 平台发文表示，公司日前以平均价格 0.3236 美元增持 154494 枚 TRX 代币，TRX 持仓至逾 6.93 亿枚。公司旨在继续增加 Tron DAT 库存，以提升长期股东价值。

整理 & 编译：深潮 TechFlow

嘉宾：Cathie Wood，ARK Invest CEO 兼 CIO

主持人：Robbie

播客源：The Rollup

原标题：Cathie Wood: The Next Bull Market Is Here

播出日期：2026 年 4 月 28 日

编辑导语

ARK Invest 创始人 Cathie Wood 近期做客了 The Rollup，访谈中她给出了明确的比特币价格预测：2030 年基准情景下 73 万美元，牛市情景下 150 万美元，当前处于筑底阶段，链上分析显示绝对底部在 5 万至 5.5 万美元区间。她同时提出一个被市场忽略的宏观判断，AI 训练成本每年下降 75%，推理成本每年下降 85%-95%，将引发一轮「好的通缩」，Trueflation（一个基于区块链的实时通胀指标）核心通胀率已降至 1.3%，美联储大概率被迫转向宽松，这将成为数字资产下一波行情的催化剂。此外，她透露 ARK 的加密研究团队已用 Claude Co-work 将季度报告制作时间压缩了 75%，并认为 Agentic AI 的支付层将不可避免地构建在区块链上。

精华语录

比特币定价与周期判断

• 「我们的基准预测是 2030 年比特币将达到 73 万美元，牛市情景下是 150 万美元。」
• 「跌 50%不算熊市，和以前跌 85%、95%比，这简直是小儿科。」
• 「我们的链上分析师 David Puell 说，绝对底部在 5 万到 5.5 万美元。但我怀疑到不了那里。」
• 「黄金和比特币的相关系数只有 0.14。在过去两轮周期里，黄金都先于比特币启动，这次也一样。」

稳定币与 DeFi 演进

• 「我和 CZ 都同意，从比特币早期到现在，最大的意外就是稳定币的崛起。」
• 「讽刺的是，CLARITY 法案的延迟反而给了 Tether 和 Circle 更多时间享受网络效应。」
• 「我们原本以为比特币会承担稳定币现在扮演的角色，尤其在新兴市场。但稳定币成了从传统金融进入 DeFi 的桥梁。」

机构采用的转折点

• 「Larry Fink 的转变太彻底了。他终于理解互联网从来没有金融层，而代币化可以补上这一层。他的转向给了整个行业许可，如果他说这很重要，我最好也去了解一下。」
• 「我们 2015 年第一次买入比特币的时候被嘲笑，很多人觉得这只是营销噱头。这种集体嘲讽反而让我更加确信我们押对了。」

宏观与通缩逻辑

• 「联邦基金利率已经降了 175 个基点，但市场叙事还在说美联储太鹰派。」
• 「AI 训练成本每年下降 75%，推理成本每年下降 85%到 95%。我们会看到一波巨大的良性通缩。」

Agentic AI 与区块链的交汇

• 「未来我们会有一堆聊天机器人替我们工作。我们得付钱给 Claude，付钱给提供数据的机器人。这一切都是机器对机器的，区块链支付系统是唯一合理的基础设施。」
• 「我们的加密团队用 Claude Co-work 做季度报告，制作时间砍掉了 75%。这些省下来的时间全部释放给了深度研究。」

ARK 五大创新平台论

Robbie：你有五个创新平台，衍生出 15 项技术，现在这些技术正在融合。在我们深入数字资产和公链领域之前，能不能先给我们一个宏观视角，你是怎么看待颠覆性创新这个议题的？

Cathie Wood：今天所有事情的种子，都是在我职业生涯早期种下的。80 年代和 90 年代，我看着这些种子被播下。但云计算直到 2006 年 AWS 上线才真正出现。那时候我试图向投资者和顾问解释什么是云计算，对他们来说这完全是天方夜谭。AI 的大突破也要等到 2012 年的深度学习，以及 2017 年的 Transformer 架构（后来催生了 ChatGPT 和自然语言编程）。

90 年代末的情况是，太多资本追逐太少的机会，时机太早。但今天情况完全反过来了，五个创新平台、15 项技术全部就绪，投资者却充满恐惧。作为基金经理，我更喜欢在这种环境下操作，而不是当年疯狂的泡沫时期。

今天的估值比泡沫时期低得多，技术已经就绪，最关键的是成本下降速度惊人，这意味着这些技术可以触达更多行业和个人。

我 2014 年创立 ARK，是因为经历了互联网泡沫破裂和 2008 年金融危机后，机构投资者变得极度规避风险。整个行业转向被动投资，这推动了 ETF 的大繁荣。即使在主动管理领域，基金经理也高度依赖基准指数来筛选标的。但我们不这么做，我们的筛选标准是原创研究。

传统金融的研究团队按行业划分，比如五个消费分析师、五个医疗分析师等。但我们认为，要正确把握创新，研究团队必须按那 15 项技术来组织，因为这些技术会横切所有行业。

Robbie：投资者为什么这么害怕？是因为他们没有理清组织架构来理解这些技术融合吗？

Cathie Wood：这种融合确实令人困惑。Tesla 就是最好的例子。大多数研究总监把 Tesla 交给了汽车分析师，但实际上至少应该交给科技分析师，更准确地说，应该交给三个人协作分析：机器人分析师、储能分析师和 AI 分析师。把它交给研究内燃机和人工驾驶汽车的专家，方向就错了，我们正在从原来的世界转向电动化和自动驾驶。

AI 发展太快，同时冲击太多行业，这本身就是一种冲击体验。研究总监们需要时间来想清楚怎么重新组织。他们需要按技术方向配置人，同时建立协作文化。在传统机构里，如果一只股票被分配给了汽车分析师，别人就不能碰。这种模式必须改变，因为技术在融合，分析师必须协作才能理解这些公司的潜力。

加密资产配置逻辑

Robbie：我们在加密行业也看到很多部落主义，数字资产的故事显然从比特币开始。你 2014 年创立 ARK 的时候，比特币还在找立脚点。你当时怎么看待比特币？那时候已经可以纳入机构配置了吗？

Cathie Wood：那时候还不行。我其实在上一家公司就开始关注和讨论比特币了，那时候纯粹出于好奇。我把最痴迷比特币的分析师带到了 ARK，他就是现在我们的首席未来学家 Brett Winton。

2014 年创立 ARK 时，我们只有四个创新平台，把 AI 和区块链合并成了一个叫「下一代互联网」的类别。这也是我们的基金 ARK 的名字由来。当时 AI 刚有了深度学习的突破，还很新，区块链让我们更兴奋但我们还不确定它是否值得独立出来。

2015 年，我们和 Art Laffer（拉弗曲线的提出者，也是货币经济学者，师从诺贝尔经济学奖得主 Robert Mundell）合作发布了第一份比特币白皮书，核心问题是：比特币能不能承担货币的三个功能，交换媒介、价值储存、记账单位？

Art 当时跟我说了一句话：「这是我自 1971 年美国关闭黄金窗口以来一直在等待的东西。」我问他这个想法有多大，他反问：「美国货币基础有多大？」当时是 4.5 万亿美元，比特币的网络价值才 60 亿美元。他说的是万亿级别。我当即进行了个人投资。

我们为客户寻找最佳敞口，需要获得纽交所和 SEC 的许可，我们最终找到了 GBTC（Grayscale Bitcoin Trust，灰度比特币信托）。比特币当时 250 美元。2015 年夏天希腊威胁退出欧盟时，我们建了第一个仓位，因为我们注意到每当出现这类地缘政治新闻，比特币就涨。它既能做风险偏好资产，也能做避险资产，在不同时期扮演不同角色。

Robbie：回看那个时代，当时的主流叙事是「机构要来买我们手里的比特币了」。现在 2026 年了，我们确实看到了 ETF、稳定币的采用、代币化资产、权限链的爆发、大机构推出实际产品，传统机构的采用和加密原生文化及基础设施的融合，这是数字资产领域最大的融合。

但一个有意思的现象是：加密原住民，那些本该最有信念的人，现在反而弥漫着一种冷漠和内部失望。而新进来的大机构和大公司反而更看好。你怎么解读这种状态？

Cathie Wood：有几件事在同时发生。2015 年我们买入比特币的时候，真的被嘲笑了。很多人觉得这是营销噱头。当这么多人嘲笑你或不屑一顾的时候，我反而更有兴趣了。

现在格局是这样的，比特币拥有全球货币系统这个赛道。DeFi 方面，Ethereum、Solana 在主导，Hyperliquid（一个去中心化永续合约交易平台）也在形成格局。

机构采用方面，我认为 Larry Fink 的转变是关键转折点。他曾经带头唱衰比特币，但他的转变极其彻底。他的转变源于一个愿景，万物代币化。他终于理解了互联网建设时没有金融层，因为当时没人想到会有电子商务和线上投资，早期只是信息交换，有人甚至以为只是赌博和非法活动。

Fink 的觉醒给了整个行业许可。以前我们要和他、Jamie Dimon（摩根大通 CEO）作战。但当 Fink 转变之后，行业的反应是，如果他说这个重要，我们也得赶紧学。而且贝莱德有 Aladdin（一个服务于资管行业的技术平台），如果 Fink 说代币化重要，那么用 Aladdin 的资管公司都得跟进。

还有一个对 DeFi 至关重要的发展，就是稳定币的演进。我昨天刚和 CZ（赵长鹏，Binance 创始人）做了一期播客。我们一致认为，从比特币早期到现在，最大的意外就是法币支撑的稳定币的崛起。这在早期的加密生态里相当离经叛道。但现在连比特币 OG 都全力支持，Tether 的 Giancarlo 和 Paolo 就是最早的一批 OG。

稳定币成了从传统金融进入 DeFi 的桥梁。我们原本以为比特币会承担这个角色，尤其在新兴市场。但即使在新兴市场，比特币社区也认为稳定币是进入加密世界的人道主义「过渡台阶」，因为大多数新兴市场居民无法承受比特币的波动，他们是靠每天的收入生活。等他们的财富增长了，自然会从稳定币转向加密生态里的更多投资品种。

还有一个大问题，稳定币会不会是赢家通吃？网络效应暗示是的。讽刺的是，CLARITY 法案的延迟反而给了 Tether 和 Circle 更多时间积累网络效应。CZ 认为会出现稳定币的大爆发，我们团队的 Lorenzo、David 和 Ray 也这么认为。但不管是否出现爆发，大家都认为最终会整合到少数几个赢家手里。

代币化为何是核心叙事

Robbie：我们在节目里一直在讨论是，代币化浪潮从非投机性资产开始，然后沿着风险曲线走到国债，现在在讨论代币化股票。你们在 Big Ideas 2026 报告里写到，全球代币化资产市场 2030 年可能超过 11 万亿美元。我的问题是，随着这些资产上链，它们最终会不会落入 DeFi 协议？你认为价值主要在哪里积累？

Cathie Wood：我们倾向于同意你们的观点。在创新领域通常会发生这样的分化：纯粹的新玩家行动更快、更灵活、更有创造力；传统玩家则拥抱新技术来降低成本、提高效率和生产力。在传统阵营中，最激进、最有远见的公司会借此整合传统市场。

最好的例子是 Walmart 和 Amazon。互联网泡沫时期大家以为传统零售会被摧毁，确实很多精品店被淘汰了，但 Walmart 用互联网建起了线上业务（收购了 Jet），反而整合了传统零售空间。Amazon 是快速增长的巨头，但两者共存。现在 Walmart 在无人机配送上反而比 Amazon 走得更激进，因为它合作的公司和监管方关系更好。Amazon 之前领先 Walmart 好几代无人机技术，但在监管方面犯了一些错误，反而被拖慢了。

加密世界同理。传统玩家在拥抱这项技术。JP Morgan（摩根大通）特别有意思，Jamie Dimon 至今在很多方面仍然是最大的比特币反对者，但他在让技术团队和客户需求去覆盖他个人的判断。

DeFi 的纯粹玩家方面，Ethereum、Solana、Hyperliquid，我们在押注它们。我们为 ETF 买入了一些 DATs（数字资产代币），包括 Bitmine Immersion 和 Solana 生态的 Soulmate。我们知道 DAT 被创建得太多了，必然会有大规模淘汰。我们每天公布交易，你能看到我们在逐步加回仓位，同时在允许的范围内转向 Ethereum 和 Solana 的纯粹敞口。有些平台提供商不允许旗舰基金持有比特币 ETF 或 Ethereum、Solana ETF，我们只能在限制范围内操作。

DeFi 会爆发式增长。Layer 1 和 Layer 2 的经济价值分配仍在博弈中，我们密切关注。但我们仍然看好「四大」，加上现在有了 WBTC 可以迁移到其他平台，比特币也算进来了。

“良性通缩”与宏观流动性现状

Robbie：人们会说，我们听到了 Cathie 说长期看多。但我们正处于地缘政治动荡中。股票昨天创了新高，比特币还在 7.5 万美元附近徘徊。Raoul Pal 发推说全球流动性在上升，你怎么看加密市场相对于股票和大宗商品的滞后？你的宏观流动性判断是什么？

Cathie Wood：我在年初写了一封信，里面有一个资产类别相关性矩阵。很多人因为我们叫比特币「数字黄金」就以为它和黄金高度相关，其实不然。从 2019 年（机构兴趣开始明显升温）到现在，黄金和比特币的相关系数只有 0.14。但如果看过去两轮周期，黄金都先于比特币启动，我们认为这次也一样。

比特币相对黄金确实有显著回调，但长期趋势线上，低点在抬高。比特币牛市仍然完好。跌 50%？和以前跌 85%或 95%相比，这是胜利。

我们相信比特币会在下一个周期创新高。很多人不信，但我们在公开记录中说得很清楚，2030 年基准情景下是 73 万美元，牛市情景下是 150 万美元。

我因为说过稳定币蚕食了比特币的部分角色而被批评。这在新兴市场确实发生了，但人们忽略了另一面，黄金在涨，说明比特币的价值储存角色同步在增强。两个效应相互对冲，实际上黄金方面的正面冲击更强。

链上分析显示，绝对底部在 5 万到 5.5 万美元。我不太认为会到那里，看看比特币和其他资产现在的表现就知道。

流动性方面，很多人只关注美联储不愿降息的新闻，但联邦基金利率已经降了 175 个基点。市场叙事说美联储太鹰派，但他们已经在宽松了。我认为通胀会大幅低于预期。

举个例子：Frito-Lay（百事旗下零食品牌）大约三个月前降价 15%，今天宣布销量远超预期。低通胀世界就是这样运作的，降价换量。技术领域更是如此，AI 训练成本每年下降 75%，AI 推理成本（比如 ChatGPT 回答一个问题的成本）每年下降 85%到 95%。我们会看到一波巨大的良性通缩，降价带来销量暴增，这也是我们预期实际 GDP 增速会加速的原因。

Trueflation（一个基于区块链、实时追踪数万种商品价格的通胀指标）的数据显示，即使算上油价波动，消费者价格通胀率为 1.8%，核心通胀率只有 1.3%。过去两三年各种通胀指标在 2%-3%区间拉锯，Trueflation 的数据表明这些都会向下。

如果通胀真的下行，美联储会宽松。还有一个原因，虽然失业率总体低，但分拆来看，入门级岗位在受冲击，企业不裁人但也不招人。16-24 岁青年失业率 8.5%（高点曾到 11%），说明劳动力市场有松弛空间，工资增速在放缓，同时生产率在加速。美联储宽松的理由是，货币需求相对供给在上升，这是实际经济增长加速的结果。美联储的职责是配合实际经济增长。

Robbie：新的美联储主席快上任了，最近有人发现他的投资组合里有加密基金。你总体看多美联储会识别出「良性通缩」并走向宽松？这对数字资产的影响有多大？四年周期还在发挥作用吗？还是说美联储的鸽派转向可能加速行情？

Cathie Wood：值得关注的是比特币 ETF 持有者的行为。在这轮下跌中，他们相当坚定。如果你是一个刚了解这个新资产类别的机构投资者，听说了四年周期，然后看到比特币跌 50%。作为传统资管，这就是严重的熊市，也就是机会。我们确实看到了逢低加仓的行为。弱手退出了，但被真正开始理解这个资产类别的机构回填了。

至于这次是不是四年周期在起作用，我不确定。因为我们经历了一次闪崩，触发了自动去杠杆（auto deleveraging）。起因是又一轮关税动荡触发了连锁反应，Binance 出现了软件故障，导致自动去杠杆。那些以为自己在两个交易所做了对冲的人发现对冲完全失效，最终损失达 280-300 亿美元。但我们认为这已经冲洗完毕。

也许机构的介入正在加速四年周期。但底线是，我们在筑底过程中，流动性改善将推动下一波大行情。

补充一个更偏经济学的角度：美国货币增速目前 4.9%，名义 GDP 约 5%，基本匹配。但贸易摩擦可能让货币流通速度放慢了，这会拖累货币增速的实际影响。未来几个月要密切关注这个变量。

AI 代理与区块链的规模化融合

Robbie：你提到机构持有者没有卖出。同时比特币区块奖励每次减半都会缩减，影响也越来越小。我们只剩几分钟了，但不能不谈的是融合。你一直在讲的核心话题。区块链、加密货币、代币化资产、DeFi 协议，它们怎么和更广泛的颠覆性技术融合？区块链和 AI、医疗健康的交叉点在哪里？早期大家对把健康记录放到链上很兴奋，但现在行业变得高度金融化了。这个方向还有可能吗？

Cathie Wood：你听说过 Agentic AI 吧。未来我们都会有一堆聊天机器人替我们工作。

我们的加密团队就是一个好例子。我们用 Claude Co-work（Anthropic 推出的桌面端 AI 协作工具）做报告。我们每季度出一份比特币报告和一份 DeFi 报告。比特币那份今天发布。我们把制作这些长报告（大量图表）的时间压缩了 75%。而且只会越来越好。这释放出来的生产力让我们可以做更深度的研究，而不是花在行政事务上。

往前走一步，我们迟早会让机器人自动去做这些报告。到那时候我们需要 Claude 付费的支付系统，给提供数据的其他公司的机器人付费。这全部是机器对机器的交易，还有什么比互联网金融系统（区块链）更合适的？去掉传统金融的中间商，才能真正释放这些生产力。

Agentic Commerce（代理商务）也一样。我讨厌购物，未来我会有一个 AI 购物代理，它了解我的风格，会由我的私人购物顾问 Lillian 来训练，但支付环节必须建立在区块链上。

医疗领域的变革也在发生。在药物发现和临床试验中，我们看到没有人参与的实验室正在出现，依靠 DeFi 和区块链技术实现点对点协作。它们叫 Self-driving Labs（自驱动实验室），这正在变成热潮。未来，Agentic AI 加上区块链支付生态系统，将成为主流。

Robbie：好的。Cathie，感谢今天花时间跟我们聊。我们在很多观点上一致，非常感谢。祝你生活愉快，继续传播创新、数字资产和融合的信念。

（香港，2026 年 4 月 28 日）专注于现实世界金融的 Layer 1 公链 Pharos Network 今日正式宣布 “Pacific Ocean” Mainnet 主网及 原生代币 $PROS 上线，正式宣告这一已累计获得 5200 万美元融资、估值接近 10 亿美元的项目全面进入生产阶段。Pharos 旨在通过合规友好的架构解决现实世界资产代币化长期面临的分发碎片化与机构级基础设施缺失等核心挑战。

此前，Pharos 的公开测试网在不到一年内处理了近 43 亿笔交易，覆盖 2 亿多个钱包地址，已充分验证了网络的早期市场需求与生产级成熟度。

截至目前，Pharos 已累计完成 5200 万美元融资，其中包括由传统科技、金融及加密领域多家机构联合领投的 4400 万美元 A 轮融资。此外，香港上市能源企业协鑫新能源（港交所代码：0451）亦进行了战略资本合作，推动公司估值接近 10 亿美元。

当前，以美国国债为代表的现实世界资产代币化进程迅速推进，但规模化部署仍面临两大障碍：一方面，资产分发渠道高度割裂，资金难以在不同平台间高效流转；另一方面，机构投资者对合规管理、交易及投资组合数据的可控性提出了更高要求，而市场长期缺乏满足此类需求的基础设施。

对此，Pharos 创建了一套合规优先、隐私友好的基础设施，使现实世界资产能够丝滑接入各类链上市场，机构与用户能够在统一框架下与代币化资产交互，并对数据共享方式保留充分的自主控制。接入后，用户可以更顺畅地在不同应用之间兑换、借贷、交易及结算现实世界资产，从而减少磨损，改善资产分发效率，实现流动性在各类金融应用间的高效运转。基于 Pharos 开发的项目可直接部署于该生态环境，即时获得共享流动性、可互操作基础设施以及合规稳定币集成等核心能力。

本次上线正值现实世界资产代币化赛道向数万亿美元规模演进的关键节点。随着机构参与度持续提升，市场对能够支撑大规模、高效率链上金融活动的基础设施需求愈发迫切。Pharos 将自身定位为“RealFi（真实世界金融）”的基础设施，致力于为现实世界金融活动在链上落地提供底层支撑。

在生态接入层面，Pharos 已集成 OKX 钱包以及自托管钱包 TopNod，使数百万存量用户无需重新注册即可便捷参与。同时，Pharos 主网将集成 USDC 与跨链传输协议 CCTP，为合规流动性流转提供可靠保障。

生态建设方面，Pharos 推出了“Native to Pharos”，一项总规模 1000 万美元的全球孵化器项目，汇聚了一批持续壮大的现实世界资产应用合作伙伴。预计主网上线之初将有超过 50 个生态 dApp 同步部署，覆盖资产发行、交易及金融服务等多元领域。

在主网上线前，Pharos 已通过其高收益 RWA 金库展现出早期资本聚合能力：首期阶段募集预质押金额超过 1500 万美元，5000 万美元总额度更在数日内即告满额。凭借这一基础，Pharos 自上线首日起便同时拥有活跃的应用生态与实质性的链上流动性。

Pharos 联合创始人兼首席执行官 Wish Wu 表示：“机构入场曾经只是一种设想，如今它已成为现实。本次主网上线，将这股势能转化为整个生态可以真正调用的能力。”

关于 Pharos Network

Pharos 是面向 RealFi（真实世界金融）的包容型金融 Layer 1 网络，致力于让真实价值与机构级资产在链上自由流通，并与去中心化资产实现深度可组合机制，共同建立面向全球用户的新一代金融基础设施。Pharos 融合了模块化架构、深度并行执行引擎与原生合规能力，为链上实时金融活动提供赋能。该项目由蚂蚁集团前核心管理层及工程师团队打造，投资方包括 Hack VC、Faction VC 及多家全球传统金融机构。

陪审团坐进加州奥克兰联邦法院 9 号法庭是昨天，九个人作为「咨询陪审团」就位，旁听一场预计持续四周的审判，最后给法官 Rogers 一份建议。今天周二，开庭陈述马上将要开始。

就在昨天陪审团遴选进行的同一天，OpenAI 公布了与微软的一份新修订协议。这份协议干掉了一件事。微软对 OpenAI 知识产权的独占授权，没了。而这，恰好是 2019 年 OpenAI 转为「限利润」结构时给自己上的最后一把锁。

马斯克到底告的是什么？

Reuters 报道和 CNBC 庭审日记在开庭前两周梳理过一份案件清单。马斯克 2024 年最初起诉时提了 26 项指控，从证券欺诈、敲诈勒索（RICO）到反垄断都齐了。今天进入庭审的，只剩两项：不当得利和违反慈善信托。

剩下的 24 项，要么被法官在动议阶段驳回，要么被马斯克自己撤掉了。开庭前几天，他主动撤回了关于「欺诈」的部分指控，让案子聚焦在最核心、也是最简单的一句话上，「OpenAI 当年向我承诺过永远是非营利」，现在它不是了。

为了这一句话，马斯克的索赔最高 1340 亿美元。按他的诉状，赔偿全部归还给 OpenAI 的非营利部分，但要求罢免奥特曼和 Brockman、撤销整套营利化转制。这就是这场官司的「真核心」。它的标的物不是股票分配。是 OpenAI 这个壳子，到底属于谁。

法官 Gonzalez Rogers 把审判分成两阶段。先打责任认定，5 月中旬之前结束。如果责任成立，再打损害赔偿。陪审团只参与第一阶段，且仅作咨询。最后判决权在法官手里。这意味着对马斯克来说，赢「叙事战」比赢「赔偿」更要紧。让陪审团相信「这家公司当年向捐助人做了承诺，然后系统性地拆除了承诺」。只要这九个人点头，剩下的拼图法官会替他拼。

OpenAI 这一方的策略几乎是镜像的。让陪审团相信，马斯克起诉的真正动机是竞争嫉妒，跟信托违反无关。OpenAI 官方账号在陪审团遴选当天先开火：「我们迫不及待要在法庭上展示我们的证据，真相和法律都站在我们这边。这场诉讼一直是一次毫无根据的、出于嫉妒的竞争打压… 我们终于有机会在加州陪审团面前让马斯克宣誓作证。」

注意「让马斯克宣誓作证」这一句。这是策略，OpenAI 真正想要的，是在 X 这个公共法庭上把马斯克塑造成「输给了 OpenAI 的 xAI 创始人」。说服法官在其次。这样陪审团里的普通加州居民会带着这个滤镜进法庭。

OpenAI 的「锁」是怎么被拆掉的？

要理解马斯克为什么这么气，得先理解 2019 年 OpenAI 给自己设的那三把锁，每一把都有清楚的设计意图。

你会发现一件事。2019 年的 OpenAI，是在向捐助人证明「即使我们要赚钱，赚的也有限度，到了某个点必须停下」。2026 年 4 月 27 日的 OpenAI，是在向投资人证明「我们没有任何刹车」。

利润上限的解释最直接。奥特曼 2025 年的员工信里写，「『限利润』结构在只有一家 AGI 公司的世界里合理，多家竞争时不再适用」。翻译成大白话：有对手了，所以我得能赚得更多。

AGI 触发条款的拆解最微妙。原本「达成 AGI 即终止微软商业授权」，意思是 AGI 是公益的、是属于人类的，OpenAI 不会把它私有化。改写后，AGI 被一个「独立专家组」托管认定，微软授权延到 2032 年，明确「覆盖 AGI 后的模型」，且微软获准独立追求 AGI。这是一个连「定义谁是 AGI」的钥匙都换了锁芯的版本。

最后一把是独占授权。它的拆解发生在马斯克的陪审团坐定那一刻。分成与「OpenAI 技术进度」彻底脱钩，意味着即便明天 OpenAI 真的对外宣布达成了 AGI，也没有任何商业条款会因此触发变更。

马斯克一方将在庭上论证这是蓄意拆除保护机制。OpenAI 一方将论证这是竞争环境下的必要调整。但有一件事是双方都不会反驳的。那张 2019 年的「自我约束清单」，今天已经一条都不剩。

「Scam Altman」，为什么那么多人讨厌奥特曼？

陪审团遴选当天的 X 上，比法庭里热闹得多。OpenAI 官方账号开火两小时后，马斯克连发七条推文反击。语速快、用词重、节奏密。典型的马斯克式连射模式。他给奥特曼起了一个绰号：Scam Altman。

他还转发了 OpenAI 前董事 Helen Toner 的一段视频片段，Toner 在这个视频播客里一字一句说道，「Sam is a liar」。

「Sam is a liar」，这句话不是马斯克先说的。OpenAI 前 CTO Mira Murati 离职时说过，Ilya Sutskever 在解雇奥特曼那场「未遂政变」里说过，Jan Leike 在带着整个超级对齐团队辞职时也公开说过。

讨厌山姆·奥特曼的人，其实有三批。理由各不相同。

第一批是旧 OpenAI 的董事会。这批人的标志性事件是 2023 年 11 月那场为期五天的解雇风波。董事会用的措辞是「在与董事会的沟通中并非始终坦诚」。

具体抓到什么？2024 年 5 月，Helen Toner 公开称董事会是从 Twitter 上知道自己公司发布了一款会重塑全球 AI 行业的产品。并称奥特曼隐瞒了自己持有 OpenAI Startup Fund 的事实，对外反复称「我对公司没有财务利益」，直到 2024 年 4 月才被迫承认。

多次在安全流程上向董事会提供不准确的信息。两位高管向董事会报告了奥特曼的「心理虐待」，并提供了「撒谎和操纵」的截图证据。在 Toner 发表了一篇 OpenAI 不喜欢的研究论文后，奥特曼还试图把她从董事会上挤掉。

第二批是旧 OpenAI 的安全派。

2024 年 5 月，OpenAI 的「超级对齐团队」几乎一夜瓦解。带头辞职的是 Jan Leike，OpenAI 最资深的 AI 安全研究员之一。他在 X 上写下的辞职信是英文 AI 圈那一年最尖锐的离职文之一，称「安全文化和流程已经让位于光鲜的产品。」

紧接着是 Ilya Sutskever，OpenAI 联合创始人、首席科学家、那场未遂政变的关键发起人之一。再后来，CTO Mira Murati（曾在奥特曼被解雇期间临时接管公司）、首席研究官 Bob McGrew、研究副总 Barret Zoph 同一周内辞职。「非贬损协议」丑闻在这之后曝出。离职员工被要求签署保密协议，否则放弃股权。

第三批是旧硅谷的契约派，这一批最难定义，也最庞大。

他们包括马斯克这种 2015 年的早期捐助人，包括 OpenAI 早期员工里那些真的相信「非营利使命」的人，包括许多在硅谷赌过早期 startup 的天使投资人，也包括相当一部分把 OpenAI 当作「人类共同财产」的中立观察者。

这批人的共同点是，他们曾经为 OpenAI 的承诺付出过非货币的代价，名声、时间、信任、社交资本。而他们最不能原谅奥特曼的事情很具体，就是每一次 OpenAI 拆掉自己的「锁」时，奥特曼都说「这是为了使命」。

利润上限取消时，他说「为了让 OpenAI 持续投入 AGI 研究」；AGI 触发条款改写时，他说「为了让 OpenAI 在 AGI 之后依然能完成使命」；微软独占取消时，他说「为了让 OpenAI 走向更广阔的合作生态」。

这也是为什么硅谷一部分人，会在这场官司里不情愿地站在马斯克这边。

在硅谷做承诺的分量，四周后揭晓

梳理到这里，你大概已经看清楚了。他们争的不是钱。

钱是 OpenAI 的事。奥特曼在 2026 年的 OpenAI，已经是一个市值估算超过 5000 亿美元的私营 AI 公司的 CEO，不缺。马斯克在 2026 年的 xAI，也已经走到 Grok 5 时代，Anthropic 是他要追的，OpenAI 是他要超的，他更不缺。

他们争的是一件几乎只有少数硅谷长期参与者才在意的事。一家以「人类共同利益」为名向社会募资、积累道德资本、招募人才、获取监管豁免的非营利机构，能不能在十年里把自己改写成一家普通的、由 CEO 和 VC 联合控股的营利公司？

这件事如果可以，那未来每一家 AI 创业公司都可以这么干。「非营利」会变成一种廉价的早期叙事工具，用来过新闻头条、过监管、过员工招聘，等到估值够大时再悄悄拆掉。

如果马斯克赢了，硅谷可能会迎来一种久违的尴尬感。原来你在 2015 年说过的话，2026 年还会被人逐字翻出来，让你在加州联邦法院里宣誓作证。如果 OpenAI 赢了，世界依然按硅谷过去十年的方式运转。早期讲故事、晚期讲规模、中间负责把故事和规模之间的契约一道一道拆掉。

四周以后会有答案。但「Scam Altman」这两个字已经被刻在了社交媒体上，无论判决怎么走，都会停留下来。奥特曼之所以让那么多人讨厌，根源在他让相信他的人觉得自己被骗了。赚多少钱是次要的。

而被骗这件事，是没法用判决撤销的。