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。

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。

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~。

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。

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。

原文作者：David

导读：

J.P. Morgan 财富管理部门在 6 月 1 日发了一份 2026 年中展望报告，相当于年过一半，告诉自己的高净值客户下半年怎么投。

在霍尔木兹海峡封锁推高油价、通胀重新抬头、AI 叙事从狂热转向怀疑的背景下，这份报告的底色总体上看是谨慎乐观的，只不过要更换具体的投资配置。

J.P. Morgan 认为目前全球的三大风险（碎片化、通胀、AI 的颠覆性）被市场过度悲观定价，当前的震荡恰恰是入场窗口。

总体判断是：

继续押注 AI 超级周期和美股，用实物资产和另类策略对冲通胀，减少现金持有，关注新兴市场。

如果你持有美股科技仓位、或者在考虑下半年加仓还是减仓，这份报告的框架和数据值得一看；我们对原报告做了精编和解读，按投资相关性重新排列了优先级。

六个关键结论：

① AI 超级周期没有结束，市场过度悲观。

五大 Hyperscaler（微软、Meta、Oracle、谷歌、亚马逊）2026 年资本开支预期超$6500 亿，比上一轮财报季又上调了$1300 亿。AI 相关投资在 2025 年给美国实际 GDP 增长贡献了 25 个基点。台湾 GDP 增速超 7%，创 2010 年以来最快，半导体出口是主要推力。JPM 认为市场在定价「AI 见顶」，但数据不支持这个叙事。

② 但 Hyperscaler 的财务特征正在变。

自由现金流从 2024 年的$2400 亿降到 2026 年底预计的$730 亿。微软的 Forward P/E 从 AI 时代高点 35 倍跌到 22.5 倍。这些公司正在从「轻资产高回报」变成「重资产高投入」，市场还在消化这个转变。

③ SaaS 正在经历水面下的屠杀。

S&P 软件指数（IGV）里大约一半成分股从历史高点跌了 50%以上。JPM 跟踪的「AI 脆弱标的」篮子今年跌了近 20%。私募信贷市场里 21%的敞口是软件公司，加上科技和商业服务升到 40%。AI 对订阅制软件商业模式的冲击已经在发生。

④ 通胀的底部比疫情前高了，现金在慢性失血。

美国核心 PCE 在能源冲击之前就已经粘在 3%。2020 年代以来消费物价累计涨了 25%，核心固收只赚了 6%。JPM 的客户有近 20%的资产在现金和短期债券上。报告的意思很明确：你以为在避险，其实在亏钱。

⑤ 霍尔木兹海峡封锁是二战以来最大石油供应冲击，但 JPM 认为应该趁跌买入。

油价几乎翻倍，美股经历了约 10%的回调，S&P 500 的 P/E 一度跌破 20 倍。JPM 的历史数据显示，VIX 突破 30 之后买入，6 个月内正收益的概率是 70%到 83%，平均回报 12.4%。

⑥ 新兴市场可能是下半年的机会。

EM 企业盈利预期增长 46%，P/E 只有 11.8 倍。台湾和韩国是 AI 硬件供应链的核心节点。拉美坐拥全球 40%以上的铜和近 60%的锂储量。中国股票对亚洲其他市场的折价到了 20 年来最深，JP 的态度在「谨慎变暖」。

关于 AI ：市场定价“见顶了”，JP Morgan 认为还早

JPM 开篇就说，华尔街对 AI 超级周期的叙事「已经太悲观了」。

支撑这个判断的核心数据：

微软、Meta、Oracle、谷歌、亚马逊这五家云计算巨头，2026 年资本开支预期合计超$6500 亿，GPU（训练 AI 模型的核心芯片）的云端租赁价格自去年 10 月涨了 40%，供给仍然跟不上需求。Nvidia 的股价相对过去十年平均市盈率折价 40%，市场在按「芯片销售见顶」定价，但云业务收入还在加速。

同时这五家公司的财务特征在变。自由现金流从 2024 年的$2400 亿降到 2026 年底预计的$730 亿，微软的市盈率从 AI 时代高点 35 倍跌到 22.5 倍。过去十年吸引投资者的轻资产模型正在被重资本投入改写。JPM 认为现阶段应该看收入增速而不是现金流，但这也意味着一旦需求放缓，这些投入会反过来变成拖累。

其他几个关于 AI 的判断，算是大趋势下的局部风险提示：

传统软件公司是 AI 的第一批真正受害者。 美股软件板块指数里约一半成分股从高点跌了 50%以上，经营利润率中位数只有 4%。冲击的逻辑很简单，SaaS（订阅制软件）按人头收费，AI 减少人头。这已经传导到借贷市场，美国直接贷款市场约 21%的钱借给了软件公司，公开交易的科技类贷款基金价格跌到接近上轮周期低点。JPM 的压力测试显示极端情况下含杠杆损失可能到 4%，但暂不构成系统性风险。

SpaceX、Anthropic、OpenAI 可能今年扎堆上市，历史上这不是好兆头。 过去 25 次最大规模 IPO 之后，新股中位数第一年跑输大盘 30 个百分点，18 只里有 12 只第一年下跌。出现超大 IPO 的年份，大盘中位数年回报只有 3%，远低于长期平均的 10%。JPM 没说一定见顶，但明确把 SpaceX 的上市反应当作周期温度计在看。

关于通胀：通胀回不到 2%，你的现金和债券都在亏钱

通胀这部分的重点不在于霍尔木兹海峡推高了油价，而在于油价被推高之前，美国的通胀就没有回到正常水平。

2026 年 1 月核心 PCE 同比 3.1%，餐饮、个人护理这些本地服务品类涨得尤其扎实。然后油价翻了一倍。美联储的模型显示油价每涨$10 一桶，通胀抬高约 0.3 个百分点，这次涨了$40。

JPM 认为 1970 年代全面重演的概率不大。劳动力市场没有出现工资-物价螺旋，主动离职率在下降，住房通胀从 2024 年底的 5%降到了 3%出头，中国的产能过剩也在压低全球商品价格。但通胀的底部比疫情前高了一截，大概率在 3%左右晃。

JPM 给出的应对建议是，增加实物资产配置。

2020 年以来美国物价累计涨了 25%，债券只赚了 6%，现金更少。你以为钱放着没动，其实每年都在缩水。JPM 自己的客户里，近 20%的资产还在现金和短期债券上。

所以，它的建议是把一部分钱挪到跟通胀挂钩的资产里去：

1. 大宗商品、基础设施、房地产这些会跟着物价涨的东西，建议合计配到组合的 5%左右。
2. 黄金单独建议 3%到 6%。
3. 另外就是对冲基金，2022 年股票和债券一起跌的时候，做宏观策略的对冲基金赚了 9%。但 JPM 也承认，自家 94%的私人银行客户根本没买过对冲基金，86%没买过基础设施类的产品。

一句话总结这部分：

通胀可能不会失控，但也不会回到 2%。如果你的组合还是传统的六四股债配比加一堆现金，JPM 认为你在为一个已经不存在的世界做准备。

关于地缘：中国股市可能迎来结构性重估

这部分覆盖的内容最杂，从中东冲突到中美博弈到欧洲困境。我们只挑跟投资决策直接相关的讲。

1.霍尔木兹海峡封锁是今年上半年最大的市场冲击。 每天大约 2000 万桶石油经过这条通道，占全球石油消费的五分之一。美以联合打击伊朗之后，油价几天内翻了近一倍，欧洲天然气价格两天涨了近 100%。卡塔尔能源 CEO 说 15%的 LNG（液化天然气）产能可能离线长达五年。卡塔尔还供应全球约 30%的氦气，这东西是芯片制造必需的，韩国已经警告可能出现芯片工厂停工。

JPM 认为冲突正在走向降级，但物理设施的损坏和能源的风险溢价不会很快消失。

所以，他们给投资者的建议是：趁回调加仓美股。

上半年美股跌了约 10%，S&P 500 市盈率一度跌破 20 倍。历史上 VIX（恐慌指数）突破 30 之后买入，6 个月正收益概率 70%到 83%，平均赚 12.4%。

2.中美正在各自建生态，市场可能加速分成两个阵营。 美国在限制对华芯片出口，拉着荷兰和日本一起卡半导体设备。中国在向非美国市场扩大出口，一带一路 2025 年投资额创历史新高，对巴西一年投了$530 亿，跟拉美的贸易总额已经超过美国。JPM 的判断是，未来的投资回报可能越来越取决于你持有的资产属于哪个阵营，而不只是公司本身的增长。

但碎片化也在创造机会，尤其是新兴市场。

JPM 列了几个方向：

1. 拉美坐拥全球 40%以上的铜和近 60%的锂，镍、稀土、农业资源也丰富。外国直接投资过去二十年翻了一倍，中央银行控制通胀的能力比发达国家还强，政治上正在转向更务实的亲商政府。
2. 中东海湾国家在用石油收入建 AI 数据中心，沙特跟黑石合作了$30 亿的数据中心项目，成本比美国低 30%。
3. 东亚（中国台湾、韩国）掌握 AI 硬件供应链的关键节点，如果 AI 资本开支继续加速，这些经济体的出口和定价权会继续增强。
4. 中国股票对亚洲其他市场的折价到了 20 年最深，80%的中国消费者对 AI 产品感到兴奋（美国是 38%），电力成本大约是美国的一半。JPM 的态度是「在谨慎变暖」，如果政策面出现更明确的亲商信号，中国股市可能迎来结构性重估。

对比来看，欧洲是 JPM 态度最保守的市场。 电价是美国的两到四倍，研发支出占 GDP 只有 2.2%（美国 3.6%、韩国 5.2%），风投规模是美国的十分之一。

能源冲击又逼着欧洲央行可能重新加息。JPM 在欧洲只建议买国防和基础设施相关的标的，回避汽车和消费。

JPM 在押什么，不押什么

把 60 页报告压到一句话：震荡是入场机会，但入场的姿势要变。

你应该押注的：

• AI 基础设施链条（芯片、光模块、电力）、新兴市场股票和债券、实物资产（大宗商品、基础设施、黄金）、国防相关标的、中国 AI 概念（谨慎加仓）。

你不应该押的：

• 现金、传统订阅制软件公司、欧洲汽车和消费、以及纯靠股债六四配比的投资模式扛今年下半年。

附研报原链接：

https://www.jpmorgan.com/content/dam/jpmorgan/documents/wealth-management/mid-year-outlook-2026.pdf

本文由 Tiger Research 撰写。尽管加密货币市场处于低迷期，但代币化股票市场却持续增长。它分为完全抵押的现货期货和永续期货，其中永续期货最受关注，并涌现出一系列新的策略。

要点总结

• 在股票市场屡创新高的同时，加密货币的市值和交易量却双双下滑。随着两者走势分化，代币化的股票市场通过构建永续期货未平仓合约而实现增长。
• 市场分为完全抵押的现货期货和永续期货。永续期货之所以引人注目，是因为它们可以 24 小时不间断地交易本国交易所无法获得的股票，而且还能利用杠杆。
• 当常规交易时段结束后，价格走势将成为第二天现货开盘价的领先指标，不仅可以预测价格走势的方向，还可以预测价格波动的幅度。
• 两笔零售交易，一笔 delta 中性交易，通过现货交易赚取溢价作为资金，以及利用价格缺口进行跨交易所套利。
• 同样的结构也适用于做市商、区域预言机、代币发行和基差对冲基金等业务。虽然规模较小，但随着机构投资者的加入，投资和业务方面都蕴藏着机遇。

1.股票市场正在吸收加密货币流动性

2026 年第一季度，加密货币总市值下降了 20.4%，中心化交易所现货交易量下降了 39.1%。比特币自 2025 年 10 月创下历史新高以来一直在下跌。

股市走势则截然相反。标普 500 指数轻松突破年度目标，韩国综合股价指数（KOSPI）也受益于半导体行业的上涨行情，今年翻了一番。与此同时，加密货币总市值大幅下跌，而大多数国家的股市却创下历史新高。这两条道路从未如此泾渭分明。

2. 抵押品分割市场，资金流向犯罪分子

代币化股票市场按抵押结构分为两部分。

全额抵押现货交易以 1:1 的比例存入真实股票，然后发行代币。投资者持有股票本身或其合法债权。发行细节因平台而异，但始终存在底层资产。

永续期货的运作方式不同。它不持有任何实际股票。交易者缴纳保证金并开立一份追踪价格的合约，因此不存在可主张的标的资产。保证金通常以稳定币支付，越来越多的平台现在也接受其他资产，例如以太坊 (ETH)。

永久合约之所以引人注目，是因为它们保留了现货交易的优势，提供全天候交易本地交易所无法交易的股票，并提供更高的杠杆。Kraken xStocks 上一些全额抵押的现货产品提供高达 3 倍的保证金，而永久合约的杠杆则高达 20 倍，具体取决于产品。由于无需托管标的资产，且价格仅通过预言机数据源追踪，因此上市速度快，可交易的股票代码范围广。

与传统市场相比，它仍然规模较小。美国股票市场日均成交额约为 1.1 万亿美元。股票期权未平仓合约（即当前有效合约的总额）为 22.5 亿美元。由于衡量指标不同，直接比较比较起来比较困难，但显然该市场仍处于早期阶段。

方向很明确。未平仓合约（OI）每个季度都在增长，监管机构也开始将其视为一个市场。美国证券交易委员会（SEC）已将此类合约列为一种创新型金融产品，美国商品期货交易委员会（CFTC）也正在公开审查其在美国的机构化运作。该合约最初游离于监管之外，但如今正加速进入监管体系。

3. 24 小时市场与实体市场

Tiger Research 追踪了这一变化，并提供了一个工具，可以实时比较韩国股票在海外永续合约市场的价格与韩国交易所（KRX）现货价格。该工具汇总了支持三星电子、SK 海力士和现代汽车等股票的永续合约交易所的价格，采用成交量加权平均法，并将其与每只股票的韩国国内现货价格并列显示。

目前的数据显示出三种模式。

3.1. 隔夜犯罪分子动向预测下一次开庭

韩国股市夜间休市。美国股市波动，英伟达报告显示汇率也随之波动，但韩国股市直到次日早晨才会恢复交易。不法分子则在夜间进行交易。

这就引出了一个问题。现货交易关闭后，犯罪分子参考的价格是多少？

答案是他们并不遵循既定的市场价格。交易时段内，犯罪分子会从机构数据中提取现货价格。交易时段结束后，犯罪分子自身的交易直接决定价格。他们并非复制已结束的现货市场价格，而是根据隔夜新闻和宏观经济变量，发现新的价格。

数据证实了这一点。在股价收盘后上涨的当日，三星电子和 SK 海力士的股价在下一个交易日开盘上涨的概率分别为 82%和 95%。当股价收盘后下跌时，三星电子和 SK 海力士的股价在下一个交易日开盘下跌的概率分别为 96%和 78%。两者的走势一致性约为 85%，相关系数在 0.85 至 0.89 之间。

涨幅也与股价走势相符。隔夜股价上涨 3%带动开盘价上涨约 3%。三星电子股价涨幅与实际开盘缺口之间的回归系数为 0.93，SK 海力士为 1.00，这几乎可以预示涨势的幅度。

周末走势更为锐利。从周五收盘到周一开盘，三星电子的预测股价走势与周一实际开盘价的吻合率达到 93%，SK 海力士的这一比例为 87%，因为预测股价走势会先吸收两天的全球市场波动因素。

通过观察隔夜的期货价格，可以提前了解早盘开盘价的走势。

3.2. 现货溢价的 Delta 中性交易

永久合约没有到期日。为了防止价格偏离参考价格过远，多头和空头会定期交换费用，称为资金费率。

例如，当价格高于参考价时，获利的多头需要向亏损的空头支付溢价。溢价越高，支付的溢价也越高。当一方获利超过参考价时，需要支付相应的费用。为了避免这部分费用，交易者会调整策略，最终价格会回落到参考价附近。

数据显示，韩国股票期货交易价格高于现货价格，三星电子的日内平均溢价为 0.15%，SK 海力士为 0.23%。卖出期货意味着在每个交易周期中都能获得这部分溢价作为资金。

策略如下：日内买入 KRX 现货，同时卖出等量的期权合约。如果股票上涨，现货收益增加，期权合约亏损；如果股票下跌，则相反。两者相互抵消，因此无论股票走势如何，最终结果都接近于零。作为回报，资金来自卖出的期权合约。该头寸仅靠期权费获利，无需押注方向。这种消除方向风险的方式就是 delta 中性交易。

溢价不会持续太久。现货缺口平均在 40 分钟左右就会收窄一半。它适用于溢价扩大的高波动阶段，但需要持续监控。

3.3. 利用跨交易所价格缺口进行套利

同一时间，即使是同一股票，不同交易所的永久合约价格也存在差异。2026 年 6 月的数据显示，币安的三星电子永久合约价格平均比 Hyperliquid 高出 0.93%。SK 海力士的合约价格则高出 1.03%，最高甚至达到 2.3%。

持仓不能在不同交易所之间转移。交易者需要同时在两个交易所建立反向头寸。在价格较高的交易所做空，在价格较低的交易所做多，这样方向性的损益就能相互抵消。随着两个价格趋于一致，最初的价差就转化为利润。在价格较高的交易所，做空头寸还能获得资金，从而增加收益。

后入交易所往往维持较高的价格，因为套利资金流入较少。随着更多交易所的推出，这种价格差距在初期阶段会反复出现。在夜间和周末，现货交易关闭，各交易所自行确定价格，价格差距会进一步扩大。

4. 市场变化与新兴机遇

这个市场的一大难点在于其分散性，这既是风险也是机遇。由于同名币种分散在韩国现有交易所以及 Hyperliquid、币安和 Lighter 等平台上，流动性被分割。价格在不同交易平台间存在差异，难以确定哪个币种才是真正的交易，而价格差异又为混淆视听和操纵提供了空间。在流动性不足的情况下叠加杠杆，可能导致连锁清算。这既是机遇，也是风险。

以上列出的开口是用于零售的。同样的结构也为其他商业用途提供了机会。

• 做市商：同一股票在不同交易所的交易价差在 0.15%到 0.75%之间，且夜间价差会进一步扩大。在套利资金匮乏的早盘市场，价差会持续偏大。由于流动性不足，且多家交易所管理着分散的流动性，做市需求预计将持续增长。
• 区域性预言机：犯罪分子在现货交易关闭期间发现价格，其准确性取决于预言机。目前，专门为韩国、日本和台湾等亚洲时区资产提供准确价格的预言机仍处于开发阶段。
• 代币化发行：目前上市的韩国公司仅限于三星电子、SK 海力士和现代汽车。市场需要一个中介机构来上市和管理 KOSPI 200 指数成分股以及亚洲主要公司。
• 基差对冲基金：投资者每小时将高于现货价格的溢价转化为资金。专门收集各交易所基差和资金缺口的基金，其资金周转速度比传统的基差交易更快，尽管市场规模仍然太小，无法完全消化。

与传统市场相比，非法交易市场规模较小，但其重要性不容忽视。它率先发现价格，24 小时不间断交易，并且正在迅速走向机构化。无论在投资还是商业方面，都蕴藏着巨大的机遇。

原文标题：What’s That Smell in San Francisco?

原文作者：Spencer Yen

原文编译：Peggy，BlockBeats

编者按：旧金山正在重新成为技术革命与金融泡沫的交汇点。AI 公司、研究实验室、风险资本、户外广告和小道消息网络，共同塑造出一种高度亢奋的城市气氛：有人被估值和股权包推着向前，有人沉浸在 AGI 的末日想象里，也有人把数学竞赛天才视为下一代超额回报的入口。

作者从《大空头》里「我闻到了钱的味道」切入，记录自己从纽约搬到旧金山后的观察：这座城市的技术密度、财富创造和信息不对称是真实的，焦虑、攀比和 Big Bubble Behavior 也同样真实。当 AI 成为旧金山唯一的地位游戏，创新、投机、信仰和恐惧开始混在一起，构成这一轮 AI 热潮最直观的现场样本。

这篇文章的有趣之处，不在于急着判断泡沫何时破裂，而在于呈现泡沫如何发生：人们如何说话、比较、投资、焦虑，又如何在「未来即将到来」的叙事里寻找自己的位置。音乐还在响，派对还没结束，但作者最后提醒自己，也提醒所有身处其中的人：可以跳舞，但不要喝醉。

以下为原文：

我最喜欢的电影场景之一，是《大空头》里的积木塔（Jenga）那一幕：瑞恩·高斯林饰演的角色向史蒂夫·卡瑞尔的对冲基金团队推销做空美国房地产市场的交易。

在那间会议室里，他带着一种自信到欠揍的混蛋气场，身边有三个道具：他的跟班 Chris、他的量化 Jiang，以及印着抵押贷款债券评级的 Jenga 积木。开场白也非常精彩：你闻到了吗？那是什么味道？什么味儿？香水味？不是。机会？不。是钱。我闻到了钱的味道。

几个月前，我从纽约搬到旧金山，加入了朋友的创业公司。搬来之前，大家都告诉我：「你必须去旧金山」，说那里才是一切发生的地方。所以这段时间，我一直在面对一个问题：旧金山真的有那么重要吗？我以前待在纽约，真的错过了什么吗？

到目前为止，我的答案是：如果你想待在这场巨大技术革命和泡沫的中心，那么这里确实是该来的地方。这里的密度是真实存在的，小道消息网络是真实存在的，也正因如此，信息不对称也是真实存在的。

这段时间在旧金山，我积累了一些观察和想法。以下是我在旧金山「闻到」的东西：

1、人们都在发抖

2、这里只有一个地位游戏

3、一座总在喊「狼来了」的城市

4、对数学天才的迷恋

让我很震撼的是，在同一座城市里，人的体验反差可以如此之大——走在某些街道上，你会不幸地觉得自己简直置身地狱；换一条街，又能望见海湾、远处的柏树和漂亮的景色。这里最有科技感、最像未来的时刻，大概是看着各种自动驾驶汽车在城市街道上游荡。我每次看到那种新的、友好的浅蓝色 Waymo 小车，都会忍不住笑一下。又或者，你会感觉自己正在被 Ava 这个 AI BDR（AI 商务开发代表）监视。我讨厌那条广告。但不得不说，他们用「怒气诱饵」成功让我现在还在提它。每天早上，我一出公寓门，看到的就是这个怪物：

为什么大家去涂鸦 friend.com，却不去涂鸦这种垃圾广告？另外，如果你住附近，我们可以一起去吃冰淇淋！

旧金山的人们都在发抖

几周前，我和朋友 Jared（@imjaredz）一起玩。他住在纽约，但最近加入了 Cognition。我们在 Cognition 办公室吃了午饭、喝了咖啡。氛围不错，咖啡很好，楼顶也很棒。我问他，觉得旧金山的 vibe 怎么样。

「你有没有注意到，旧金山的人都在发抖？」我笑了，心想：什么？发抖？然后我才意识到，自己早上喝了冷萃，摄入了 300mg 咖啡因，此刻也有点抖。「对，就是字面意义上的发抖。我不是反对大家把 ADD 倾向拉满，但你下次跟人 coffee chat 的时候可以留意一下——看看他们是不是在发抖。」

泡沫和繁荣期都会带来一种躁动的能量，好像现在不「make it」，就再也没有机会了。我也不能免俗——Jared 提醒我之后，我发现自己有时候好像也在发抖。那种「拼命卷，逃离永久底层」的梗已经被讲烂了，但每个梗之所以能流行，多少都因为它捕捉到了时代情绪。如果夜生活是一座城市的心跳，也是定义其文化的温度计，那么当一家「狗狗创业公司」的 24 小时咖啡馆成了事实上的夜间卷王圣地，这说明了什么？

发抖，是技术革命和金融泡沫过程的一部分。接下来我这一次在写作中用了 AI，如果你因此想杀了我，我先道歉。但我当时在 Google Carlota Perez，想找回一些引文，结果我很喜欢 Gemini 对「狂热阶段」（Frenzy Phase）的总结：

狂热阶段：安装期的顶点，市场心理在这一阶段抛弃基本面。金融参与者不再追求分红，而是转向资本利得，导致「纸面经济」与「实体经济」脱钩。

来源：https://stratechery.com/2021/the-death-and-birth-of-technological-revolutions/

我的一个朋友发明了一个词，叫「Big Bubble Behavior」（大泡沫行为）。这是一个很漂亮的说法，我过去两周一直用它来标记所有符合狂热阶段特征的事情。市场亢奋有时会让人做出非理性的事。发抖就是 Big Bubble Behavior。我这辈子见过两次一盘盘的龙虾尾：第一次是在 2021 年迈阿密某座 Venetian Island 豪宅里的加密派对上，第二次是在 2026 年的 ClawCon 上。

Big Bubble Behavior

旧金山这里只有一个地位游戏

David Foster Wallace，《This is Water》：https://fs.blog/david-foster-wallace-this-is-water/

在旧金山，这个水就是 AI。户外广告无处不在——广告牌、公交车、公交站、共享单车，甚至连蓝天都像被它占领了。

我对旧金山的问题在于：这里占主导地位的地位游戏只有一个——科技。你去吃晚饭，或者在公园里闲逛，听到的都是同一批词。你还会看到各种「alpha farming」（挖掘信息优势）的行为，因为那些小道消息网络确实存在。而且我甚至没法生气，因为我自己也是那种人。别恨玩家，要恨就恨这个游戏。

问题在于，当一座城市只有一个占主导的地位游戏时，你就太容易拿自己和别人比较了。

我们越来越多地用一些虚荣指标来衡量和比较彼此，比如融了多少钱，或者你的公司已经到了字母表里的哪一轮。我真希望有人能融到 Series Z，因为那会直接证明私人市场已经荒谬到什么程度了。你会听到各种八卦：哪个热门创业公司正在被金融玩家追着投，估值又到了什么火热水平。然后你就会忍不住开始做那种令人作呕的、Blind 风格的反向数学计算：某某人的股权包现在到底值多少钱。

我跟一个朋友说，你如果看到 Blind 上那种反向算薪酬、优化 offer 的数学，会尴尬到脚趾抓地。Blind 是那个匿名大厂社交网络，最有名的梗大概是：「我陷入人生危机，我老婆可能要离开我，但你觉得我应该接 Meta 的 L6，还是 Google 的 L9？TC：96.9 万美元。」那么我们为什么现在也在这里做同样的事？出去摸摸草吧。或者，这只是我用来安慰自己的 cope。

在纽约，至少同时存在 7 种地位游戏。金融、大律所、音乐、时尚、名人圈、老钱家族办公室、新闻、体育、娱乐。因为范围太广，有些游戏遥远到几乎无法企及，反而让人觉得聊起来、学起来很有意思。它分散了所有野心家的注意力。

我很享受向法学院朋友打听哪些顶级律所最有声望，也很享受理解每家之间的微妙差异；我很享受学习时尚和奢侈品世界，以及要在那个行业活下来需要什么；我也很享受了解量化精英们优渥的生活，以及他们对 garden leave（离职后的带薪竞业隔离期）的安排。

旧金山正在创造前所未有的财富，这带来了一种奇怪的能量。一个做研究的朋友提到，他们身边的人已经在研究买地，并把资产分散到稀缺资源里。这里有一种感觉：你要么是拥有实验室股权的人，要么不是。还有个笑话说，旧金山人不知道怎么花钱；这种奇怪的能量，来自于大量新财富被创造出来，但人们不知道该拿它怎么办。第一次暴富吗？让有经验的富小孩教教你怎么享受生活吧。

《Super Rich Kids》——Frank Ocean：https://www.youtube.com/watch?v=0XCQNpjWmRE

一座总在喊「狼来了」的城市

我对旧金山的第一感受，是一种末日论情绪。也许实验室里的研究员们真的看到了某种「第二次降临」，如果是这样，他们呼吁放慢速度、强调安全性当然是有道理的。但我没有办法真正知道。我唯一知道的是，末日论让我个人感觉如何——不太好！

我已经经历过不少虚无主义式的对话，氛围大致是：「如果 Mythos 能一次性把这一切干掉，或者把一切都击穿，那我们现在还在这里做软件，到底是在干什么？」以及「AI 会毁掉我们的生活吗？」还有「AI 会造成巨大的不平等，并给社会带来很多痛苦」。

我这里的一句话看法是：人类总会找到别的事情可做，工作会迁移到更高层次的抽象上，新的东西会变得有价值。

我们很不擅长预测未来社会会是什么样。我觉得我大学时读过的那些反资本主义者，愤怒的方向其实错了——想象一下，如果他们看到人类竟然能从 AI 生成的水果垃圾视频，或者意大利脑腐里的「Tung Tung Tung Sahur」中获得快乐，会是什么反应。

「问题不在于 AI 让内容变蠢，[吸鼻子]，而在于我们享受这种蠢，把它当成一种神圣的垃圾，一种数字恋物对象，[吸鼻子]，不是吗？」

来自我的朋友 Samir。他的简历是：不是研究员，但他有一个「鱼哥」。

还有谁也有自己的「某某哥」吗？请告诉我。

一位在实验室工作的朋友指出，同一家公司里的 GTM（市场/销售/增长）团队和研究团队，眼下其实有着完全不同的生活体验。那种末日论，会被另一种东西平衡掉：「来跟 GTM 团队一起玩，喝杯啤酒，摸摸草。」模型创造者的悲观，和最接近技术落地的人群的乐观，两者之间确实有值得琢磨的地方。是时候 Forward Deployed 了！

现实有着惊人数量的细节：https://johnsalvatier.org/blog/2017/reality-has-a-surprising-amount-of-detail

六年前，我还在大学时，曾写过 AI 如何重塑社会结构这个话题，标题是《Polanyi and the Second Great Transformation》（不需要 Pangram AI 检测，2023 年前的 Medium 就像人类写作的有机牧场）。

我来解释一下这个引用：Karl Polanyi 是一位奥匈帝国出身的经济社会学家，他的代表作是《大转型》（The Great Transformation）。这本书写于 1944 年，批判了 19 世纪英国现代市场资本主义的兴起。所以，「第一次大转型」指的是向资本主义的转变，而我 21 岁时自以为聪明，把 AI 称作「第二次」大转型……你懂的。

Polanyi 最著名的概念是「双重运动」（The Double Movement），它描述了一种历史上的推拉现象：一方面，自由市场不断扩张；另一方面，社会会产生反作用力，试图通过规制来保护自身。第一重运动，是资本主义精英试图扩张自由市场，并将社会商品化；放到今天，就是将智能商品化。第二重反向运动，则是人们对市场驱动的破坏作出反应，并试图保护社会；放到今天，就是反 AI、反数据中心的言论。

这是我 21 岁时那种天真的大学生写法：

Polanyi 解释说，用于生产的机器发展，导致了劳动（人）和土地（自然）的「虚构商品化」。尽管第四次工业革命已经发生在一个市场体系之中，但机械心智的到来带来了一种不同的威胁：接管工作。随着计算机能够以更高效率完成更多「人类」认知任务，许多普通人可能会失去工作。

Polanyi 写道：「没有什么能把英格兰普通民众从工业革命的冲击中拯救出来。对自发进步的盲目信仰，已经占据了人们的头脑……」

https://medium.com/@spenceryen/polanyi-and-the-second-great-transformation-6d6364b5d3c6

所以现在想想，也许那些一直喊「狼来了」的人确实有道理。对自发进步的盲目信仰，未必会有好结果。Polanyi 对市场资本主义的批判在于：在人类历史上的大部分时间里，经济活动都从属于社会、文化和宗教制度。但后来，市场资本主义把这个关系倒了过来，让社会从属于经济。

我们该如何确保，社会不会从属于一个由数据中心里的天才们组成的国家？正如 Ben Thompson 在他关于 Anthropic 的 Mythos 那篇文章中准确指出的，《狼来了》这个故事的笑点在于：最后狼真的来了。

但我内心那个资本主义者会怎么想？那就投资社会、文化和宗教制度吧！如果你有什么好的交易想法，欢迎把你的招股书私信给我。

对数学天才的迷恋

《大空头》那场 Jenga 积木戏里，我另一个最喜欢的梗，是瑞恩·高斯林指着他身边那个中国人说：「那是我的 quant（量化专家）。」这种氛围，和最近这批被投资人追逐的热门创始人有一种诡异的相似之处——他们往往都是小时候就在数学竞赛里杀出来的天才小孩。

还是瑞恩·高斯林，回应史蒂夫·卡瑞尔的质疑：

「你的意思是，只要违约率到 8%，这些债券就会崩，而现在已经到 4% 了？如果它们涨到 8%，那就是世界末日？」「对，没错。」「为什么没人谈这个？你对这个数学模型完全确定吗？」「看看他。那是我的量化。」「你的什么？」「我的 quan-ti-ta-tive，我的数学专家。看看他。你没注意到他有什么不同吗？看看他的脸。」「这话挺种族主义的。」「看看他的眼睛。我给你个提示，他叫 Yang！他在中国拿过全国数学竞赛冠军，连英语都不会说！所以对，我非常确定这个数学模型。」

在某些投资人眼里，判断一家基金 DPI（Distributed to Paid-In Capital，已分配收益与实缴资本之比，常用于衡量基金实际回报）的关键预测指标，似乎来自创始人的童年——要么他小时候是数学竞赛天才，要么他有某种童年创伤。我在湾区长大，对自己数学能力的认知很早就遭到重创，因为我身边那些天才同学都混迹于数学竞赛圈。现在，他们基本都成了量化交易员，或者进了大模型实验室做研究员。

我对七年级时的一幕记忆特别清楚：我和我爸在家里的电视上翻体育频道，结果我在 ESPN2 上看到了我的初中同学……他参加的是 Mathcounts 数学竞赛。那一刻我就知道，自己这条路已经结束了。我常开玩笑说，当我从九年级开始玩那套「卷大学申请」的游戏时，我就知道自己不可能和那些 Intel STS、RSI、AIME、USACO 小孩竞争，所以我必须找到一套属于自己的游戏规则。

我非常钦佩很多这样的杰出 CEO、创始人和研究员，而且我个人在财务上也确实押注了其中某一位。但让我觉得好笑的是，如今围绕「培养最聪明的数学竞赛小孩，并把他们当作超额回报门票」这件事，已经形成了一个完整资产类别和投资人叙事。仔细想想，这和球探寻找下一个 Wemby（文班亚马）也没什么本质区别。不过，我也愿意相信 Jalen Brunson 的故事——努力、坚持和心气，也能赢。

Hyperliquid。

像 1999 年那样狂欢

https://x.com/elonmusk/status/1656326406618619910

一位很有智慧的投资人曾给过我两条建议：

第一，你一生会经历三次泡沫。

第一次经历泡沫时，你会完全沉浸在狂喜里。你没有经验，参加派对，被狂热气氛裹挟进去。

第二次经历泡沫时，你还记得第一次发生过什么，所以能带着一些胜利离场，但还是难免会被卷进去一点。

第三次泡沫，才是你创造代际财富的机会——你已经从前两次中积累了足够经验，知道如何管理风险、情绪和退出时机。

第二条建议是：音乐响起时，就去跳舞，但别喝醉。

现在音乐声已经震耳欲聋，甚至可能快把音响震坏了。但更大的备用音响正在被制造出来，这场派对显然还没有结束。

这是给我自己，也给所有需要听到这句话的人提个醒：记得摸摸草，自己做饭，不要让 Big Bubble Behavior 扭曲你的判断。借用我朋友 Samir 的智慧之言：我们改天尽快一起烧烤吧。你有认识卖鱼的人吗？

来自 Peter Thiel《从 0 到 1》

原文链接

AI 最残酷的地方，不是它不给穷人答案。

恰恰相反，它给每个人答案。

它给学生论文框架，给职员邮件模板，给创业者商业计划，给普通人法律解释、投资建议、职业规划。答案第一次如此廉价、如此充足、如此像真的。

但问题也在这里：当答案人人可得，真正稀缺的就不再是答案，而是判断答案的能力。

新的信息穷人，不是被挡在 AI 之外的人，而是已经拿到答案，却没有能力判断答案、也没有条件把答案带入真实机会的人。

一、AI 时代的信息差

互联网时代的信息穷人，是那些被排斥在网络之外的人。解决方案看起来清晰：接通网线，普及设备，提高识字率。搜索引擎时代稍微复杂，你需要学会提炼关键词、筛选来源、判断可信度，最好还懂一点英文。但门槛是可见的，也是可量化的。

AI 时代的信息差，结构完全不同。

大型语言模型不是搜索引擎，它直接替你生成结论。你不需要再去”找”答案——答案会被组织成流畅的段落、清晰的步骤、自信的语气，主动送到眼前。从表面上看，门槛大幅降低了。但这里藏着一个冷酷的结构：当答案变得廉价，错误也同样变得廉价；而辨别”这个答案是否可信”的能力，反而比以往任何时候都更稀缺、更值钱。

历史上每一次通用技术的扩散，都遵循同一个逻辑：新技术先奖励那些已经拥有互补资本的人。印刷术让识字者先受益；电脑让懂办公软件、懂编程的人先受益；互联网让英语能力强、检索技能熟练的人先受益。AI 的互补资本包括教育背景、专业知识、批判性思维、组织授权、付费能力，以及最难被量化的那一样——判断力。

新技术很少先奖励最需要它的人。它通常先奖励最能利用它的人。

二、先分开的，是通向 AI 的路

不平等的第一道裂缝，在你打开应用之前就已划好。

2026 年 4 月，AI 研究机构 Epoch AI 与民调公司 Ipsos 发布了一项针对约 5000 名美国成年人的问卷调查。三轮问卷问的是一个看似普通的问题：过去一周，你使用过哪些 AI 服务？但答案呈现出来的，并不是简单的产品偏好，而是一张收入、入口和分发交织在一起的地图。

Claude 的周活跃用户中，约 80% 来自年收入 10 万美元以上的家庭；Meta AI 用户中，这一比例只有 37%。反过来，Meta AI 用户中约 32% 来自年收入 5 万美元以下的家庭，而 Claude 用户中，这一比例仅为 7%。

这些数字之所以重要，不是因为它们证明了“有钱人用高级 AI，穷人用免费 AI”。那是最浅的一层读法。更值得追问的是：不同的人，为什么会在日常生活中遇见不同的 AI？

一个人让 AI 给冰箱里的剩菜配一份晚餐，替照片调亮背景，把一条短信改得更得体。另一个人让 AI 整理客户访谈、比较供应商报价、挑出报告里的薄弱假设。两者都在调用同一种技术。但一种调用止于便利，另一种调用进入了收入、职位和谈判权的循环。

差异并不只在用户身上，也在入口身上。Claude 的使用路径需要主动搜索、比较产品、理解能力差异、选择付费，再将工具嵌入工作流——每一步都在筛人。Meta AI 的路径则几乎相反：它被内置在社交平台里，免费、低摩擦，用户往往在刷动态、发消息或看照片的间隙被动遇见。

这不是一个关于品味的市场，而是一个关于分发的市场。用户看似在选择工具，工具的价格和入口也在选择用户。

来源：epoch.ai

三、然后分开的，是使用 AI 的场景

即便你找到了一个好的 AI 工具，第二道分流在公司里等着你。

在普通办公室里，AI 的到来很少以“裁员通知”的形式出现。它先接管会议纪要、邮件草稿、表格整理、客户分类和汇报初稿。对管理者而言，这些自动化释放出时间，让他们去做判断；而对新人和基层员工来说，这些自动化拿走的，恰恰是他们证明自己、练习判断、进入更高层级工作的入口。

数据比这个场景更冷：Financial Times 与研究机构联合开展的英美劳动力 AI 追踪调查（2026 年 2—3 月，覆盖英美逾四千名受访者）显示，最高薪资档的劳动者中有 63% 在普通工作日使用 AI，而最低两档的比例分别只有 17% 和 16%。这不是一条缓和的坡，这是一道悬崖。

更关键的发现在于驱动因素。这份职场调查的回归分析揭示，薪资对 AI 使用率的影响，在控制其他变量后几乎消失——真正在起作用的是四个因素：年龄、资历、行业，以及培训。其中培训的效应最大：一家提供了正式 AI 培训的公司，员工的日均 AI 使用率比未培训的同类公司高出 37 个百分点。即便只是非正式指导，也有 24 个百分点的提升。

然而现实是：截至 2026 年初，只有 14% 的员工表示曾接受过雇主提供的正式 AI 培训，三分之二的人完全没有接受过任何形式的培训。

AI 培训不是技术问题，是分配问题。谁被选中接受培训，谁就被允许进入生产力增长的轨道；谁没有，工具就只是屏幕上一个没有被授权打开的图标。

AI 在消费端是一个应用，在职场端是一种权限。而权限，从来不是平均分配的。

来源：Focaldata

四、最后分开的，是判断 AI 的能力

这是最隐蔽的一道分流，也是最根本的一道。

设想一个应届毕业生刚刚进入一家咨询公司。他用 AI 生成了一份行业分析报告的初稿，结构完整，数据充足，语气自信。他的上司——一个在这个行业做了十年的人——扫了一眼，指出其中两个数据引用的原始来源存在方法论缺陷，第三个结论的因果关系推导有问题。上司不是因为比他更努力，而是因为他拥有那层底座——知道哪里容易出错，知道哪种流畅是真的流畅，哪种流畅是机器在填空。

这正是职场调查数据里那个反直觉发现的真实含义：AI 在工作中的最重度使用者，不是最年轻的员工，而是已经在当前岗位工作了 2 到 10 年的人。AI 使用率与资历的关系，在控制年龄之后依然显著。这不是因为年轻人不想用，而是因为 AI 的价值，高度依赖于使用者本身已有的判断能力。

经验是 AI 最重要的互补资本，而经验不能被订阅。

AI 降低了”听起来懂”的成本，却没有同等降低”真正懂”的成本。甚至有一个更危险的后果：越是缺乏底座的使用者，越容易对 AI 的输出照单全收；而越是照单全收，判断力就越难生长。代理人替你判断的时候，你在消费智能，不是在积累它。

诺贝尔经济学奖得主、MIT 教授 Daron Acemoglu 对此毫不客气：使用 AI 工具需要一定程度的教育、抽象思维、量化能力和对技术的熟悉度。”AI 要增加不平等，这几乎是确定的，”他说。

新的信息穷人就在这里浮出形状：他们不是没有 AI 的人，而是有 AI、有入口、有答案，却缺乏判断答案的训练；有工具、有场景，却没有把工具产出变成机会的权限；每天消费智能，却从未积累过智能。

五、平权效应的边界

但 AI 与不平等的关系，并不只有扩大差距这一面。

多项实验研究发现，在可控条件下，AI 往往对低技能者的提升幅度更大——对呼叫中心员工、初级写作者、入门级咨询顾问都是如此。这不难理解：顶尖专家从 AI 那里获得的边际增益有限；一个从未能负担专业服务的人，第一次用 AI 读懂一份合同，这本身就是一次质的跃迁。

但这里有一个关键区别需要指出：实验研究测量的是”使用之后的提升”，而现实数据测量的是”谁实际在使用”、”谁被允许使用”、”谁使用之后能把结果变成机会”。两组数据都没有说谎，它们测量的是完全不同的事情。

一项技术可以在实验室里缩小差距，同时在现实世界里扩大差距——如果采用本身是不平等的，如果场景本身是不平等的，如果判断力本身是不平等的。

AI 拥有平权的技术特性，却运行在不平等的社会结构里。这两点同时为真，才是问题的真实形状。

六、技术会普及，红利不会同时到达

每一代人都倾向于相信，自己这个时代的通用技术会打破旧的秩序。

印刷术出现之后，识字者先受益了几个世纪。电脑普及之初，它放大的是那些已经会用办公软件和写代码的人的能力。互联网的早期红利，流向了懂英语、会检索、有时间和动机去套利的人。在每一次技术浪潮中，”这次不同了”的声音都很响亮，而结构性的分流往往需要几十年才慢慢变得可见。

AI 的分流速度可能更快，分叉可能更深。因为它影响的不是某一类任务，而是几乎所有依赖判断和语言的工作。而这恰恰是最难被标准化、最难被重新分配的那类能力。

有人认为差距最终会收窄。经济史学家、牛津互联网研究院教授 Carl Benedikt Frey 持这种看法，他的依据是历史：电脑普及带来的不平等，在几十年后随着使用门槛下降而逐渐消解。这个类比不是没有道理。

问题在于，即便接受这个乐观的历史类比，Frey 自己也承认了关键的限定条件：”这取决于差距需要多长时间才能闭合。如果是十年或二十年，那就更令人担忧。”

十年或二十年，不是一个可以轻松等待的时间尺度——对于那些在这段时间里需要找工作、谈薪资、积累经验的人而言，尤其如此。

结语

这是一个奇特的历史时刻：我们第一次拥有了一种技术，它能让所有人都感觉自己正在变得更聪明。

这种感觉，往往就是终点。

问题是，在一个真正由判断力决定输赢的时代，把感觉当终点，可能是最昂贵的一种错误。