Techub News - 香港 Web3 媒体

一句话的影响价值有多大？ 在大多数AI产品里，答案取决于你说了什么、对谁说的。但在Livo里，一句话影响的可能不只是某个具体的Agent，而是整个世界——人与自己的关系、人与人的关系、人与世界的关系，都可能因为这一句话产生改变。 这正是Livo试图回答的问题。过去三年，生成式AI把内容的生产成本压到接近于零。文字、图片、视频，一切曾经需要人类投入大量时间的东西，现在几秒钟就能生成。随着行业的发展，相关应用层出不穷，“与虚拟人格对话”变成了千万级用户的日常习惯。 但一个断层始终存在：AI生成的是内容，是角色，不是一个持续存在、会自己运转的世界。你关闭App，那个角色就冻结了；你不再说话，故事就停了。所谓“互动”，本质上仍然是你推一下，它动一下。 Livo想做的，是让这句话的“影响半径”从一次对话扩展到一个世界。快看漫画在2026年9月将它推入内测，名字来自Living（活着）、World（世界）与Orbit（闭环）——它想做的，是一个角色拥有独立人格、记忆与行为逻辑，能够在用户不在场时继续“过日子”的“仿生世界”。 这个世界独立存在，却又因“我（用户）”的行为选择产生了些许不同。在这个被创造出的世界中，“我（用户）”不是全知全能的“上帝”，也不是只能按照既定剧情路线前进的“旁观者”，而是真正具有主观能动性的“参与者”。 带着这个期待，我进入了Livo。 初体验：“穿越”有了读心术 第一次打开Livo，让我想起了一部知名的影视作品——《西部世界》。 《西部世界》里有“西部世界”、“罗马世界”、“中世纪世界”供游客选择，Livo里也有“蒂利亚之冬”、“DOLO最后的夏天”、“崩溃世纪Love 90s”和“拯救废稿世界”供用户选择。每个世界对应一条故事线，角色之间有关系网络，有各自的时间线。无论用户喜欢恋爱体验、奇幻冒险还是阵营对抗，在这里都能找到符合自己口味的选择。 不同于一般的“AI角色聊天”、“AI情感陪伴”APP，Livo从一开始就不是一个对话窗口，而是一个可以选择进入的“世界”。 初入Livo的体验很像“穿越”：精致的开场视频交代了世界观背景，接着我被“放置”到一个具体场景中。我需要主动找话题跟角色对话，甚至跟路过的NPC搭话。在这里没有任务列表，没有“点击继续”的按钮，如果我不开口，时间就在那里流逝。 但最大的不同很快显现了。在和重要角色“罗兰”的对话过程中，我可以选择系统提供的内容选项，也可以自己发挥。对于他说的每一句话，我不仅能看到这句话本身，还能看到他为什么说这句话——他的状态栏里写着“当前情绪：愉悦”。角色不是在对我的输入做“条件反射”，他在调用自己的记忆和当前状态来回应我。 另一个值得玩味的点是，我可以主动选择推进主线剧情“注定命运”，也可以在不同的场景中“闲逛”，与路过的NPC“闲聊”，触发支线剧情“潜在命运”。 比如在既定的沟通中，罗兰应该慢慢“套出”我的身份信息。可我没有选择系统给出的建议回复，而是直截了当地回复：“你对我很好奇，甚至故意找机会接近我，为了什么呢？” 罗兰也给出了很有意思的反馈：“你一句话，就把我最擅长的把戏掀了个底朝天。习惯了掌控节奏，却没想到会被你看穿……”这句话揭开了一个他的“秘密”——我由此知晓，自己是罗兰此次登上和平号列车最核心的任务之一，而罗兰在此之前从未接触过“万晁女孩”等新信息。 这让我意识到一件事：在Livo里，沟通的主动权不是用户的“天然权力”。在大多数聊天产品里，我随时可以发一条消息，角色必须回应。但在Livo中，角色是否愿意跟我深入聊某件事，取决于我们之前建立的关系，取决于他此刻的状态，取决于这个世界里正在发生的事。对话是“世界产生关系后的必然产物”，不是“用户行使的权利”。 Livo的第一眼体验，不像任何一个现有的AI产品类别。它不是聊天工具的升级版，不是互动小说的AI化，也不是AI版RPG。它更接近一个带地图、有时间线、有角色关系网络的微型世界模拟器。 有因必有果，你的反馈就是“我” 作为一个对话过不下百个Agent的“老用户”，我对AI角色的耐心已经所剩无几。 从最开始的疯狂投入，到后来发现所有角色都在用同一套模板拉扯，再到最后只看人设、立绘和配音——缺少“灵魂”的Agent越来越难打动我。市面上很多“AI角色聊天类应用”的问题很一致：角色靠“堆量”取胜，推送新奇人设吸引你点进去，但聊不了几句就OOC了，互动体验的情绪阈值被提高后，疲劳感来得飞快。 Livo给我的感受完全不同。核心差异在于：角色不是为我而存在的。 一般情况下，关闭App，甚至退出和TA的聊天框后，这个角色就冻结了。但在Livo里，在我和其他人沟通的时候、在我自己探索新场景的时候，罗兰有自己的日程。他上午在台灯下撰写《荆棘花信》的新章节，下午去阅览室看书。我没有参与这些事，但我却能看到它们发生了。他的人生有“主线”，而我只是进入了他的世界，不是他围绕我运转。 这种能力并不是主要角色的特权，就连戏份少得可怜的NPC同样拥有自己的生活。 Livo的底层逻辑是“世界状态持续演化”——用户不在的时候，角色之间的关系在变，事件在发生，因果在累积。这听起来像是一句产品文案，但实际体验中有一个瞬间让我真正理解了它的含义。 一次任务，我和NPC咖啡店老板与面包店老板产生了交集。因为我送给列车员一个暖手袋的小事件，三者产生了很奇妙的化学反应。在我无意间再次打开这个场景的对话框时，我发现他们三个人正在探讨我什么时候会再来，要给我一直温着暖手袋从而回报我的善意，要请我再喝一杯新创的咖啡，品尝一下可口的小面包…… 坦言之，看到这些内容我是震惊的。他们只是我这段体验中很边缘化的角色，甚至都不是主角，但依然做着自己的事情，甚至会因我而产生争吵。宛如他们并不是NPC，而是一个个切切实实活在那个世界中的人。 这就是“因果”在Livo里的样子。我对列车员说的话、做的事，影响了他自己的行为模式，进而影响咖啡店老板与面包店老板对我的态度。这不是预设的剧情分支，而是几个独立Agent之间的信息流动产生的连锁反应。在轮次对话产品里，这种多角色因果链不可能出现。你生成的是“回应”，Livo试图生成的是“轨迹”。 更让我意外的是，Livo里一个叫“照见我”的模块。与任轻义交流，随着角色逐渐认识你，系统会生成属于我自己的“照见我”。这里记录的是我留下了怎样的痕迹，角色如何理解我，以及这个世界正在如何“看见我”。 换句话说，Livo里的“我”不是用户自己定义的人设，而是这个世界对我的行为的反馈与沉淀。我在任轻义面前的样子、在罗兰面前的样子、在咖啡店老板面前的样子，被分别记录、分别理解，最终汇聚成一个被世界“看见”的“我”。这让我意识到，Livo试图做的不仅是让角色“活着”，更是让用户在被世界看见的过程中，重新认识自己。 这可能才是“有因必有果”的真正含义——你的每一个行为都会进入这个世界的因果链条，而这个世界最终会把这些因果，以“你是什么样的人”的形式，还给你。 一个“活着的世界”究竟靠什么成立？ 这次我不仅体验了APP的完整功能，还拿到了新Demo的内测权限，在Demo上直观看到了这个世界运行的底层代码。 比如因为“窗外暴雪”的因，散廷·姚产生了“推开小型放映厅门时肩头还落着雪，他抖落雪的动作比胶片转动声音轻”的“果”；又比如在没有我的地方，施塔恩与罗兰开始了关于等待的相互试探…… 从公开信息来看，Livo的技术架构为双层结构，由「创作者灵魂注⼊⼊⼝层」与「三⼤引擎」共同构成，此为Livo区别于⼀般AI⻆⾊/聊天机器⼈产品的底层差异。 入口层将创作者以文学语言撰写的素材，结构化为可供引擎运行的数据。具体来看，在个体侧，人物小传被抽离为「六层人格」档案，包括自我意识、底层需求、信念、思维、立场和情绪；在世界侧，世界观骨架被抽离为「六层世界结构」，包括本源、动力、信念、秩序、律法和气象。 有了入口层的这串“基础代码”，「三⼤引擎」就可以开始协同工作。World Agent，负责管理日程、事件、天气、运势等影响整体状态的因素。Soul Agent负责用户与角色之间的交互。「深度被感受」引擎，通过五步链路保证情感回应的真实性。此时每个角色本身都是一个独立Agent，拥有不同的人设、世界观和状态，调用各自的Sub-agent和MCP服务。底层是Memory和“因果编剧”——前者负责长期信息的保存和召回，后者负责维持长时间运行后的故事因果不崩。 这个架构试图解决的核心问题不是“技术单点突破”，而是“长时段运行后的一致性”。 那些投入了大量的经济成本与时间成本才“调教”好的Agent突然OOC，忘记了我们的过往，忘记了我们之前一起经历的种种，产生出一些不符合角色的行为，对于我们这些老用户而言是致命性的打击。 但Livo走了一条完全不同的路——它不追求物理引擎级别的真实感，它追求叙事因果层面的可信度。“活着的世界”靠的不是更多的角色、更长的剧情、更漂亮的画面，而是三样东西：长期记忆的叙事性、多Agent的自主交互、用户行为的因果进入。 记忆层面，Livo的设计逻辑不是“记住用户说过的话”，而是角色拥有自己的经历。“经历过的事”和“知道的事实”是两回事，这个区分决定了角色是在“回忆”还是在“检索”。 多角色自主性层面，任轻义和罗兰之间的关系张力不是我能直接控制的。他们之间的互动有自己的逻辑，我感受到的是一个本来就在运转的关系网络，而不是一个为我搭建的舞台。 技术路线上，Livo的团队借鉴了斯坦福AI小镇的思路，但明确表示不会照搬任何现有方案。这个产品需要的基础设施，市面上还没有现成的。让子弹再飞一会儿，是合理的态度。 尾声 客观来说，Livo目前还不是一个完美的“活世界”。 角色的“涌现”深度有限，长时间交互后人格偶尔会漂移；有时候剧情已经结束了，角色应该离开了，对话框却还停留在那里，引导我继续沟通交流；“照见”等模块的体验还不完整；故事剧情是单向发展的，不能像聊天Agent那样撤回自己说的话，也不能像影游那样回溯到某个节点…… 这些问题的本质其实是同一个：一个持续运转的世界，意味着任何一次交互都会永久改变世界状态。自由度和容错性之间，Livo选择了前者。这个选择有代价，但方向是对的。 所以比起这些体验上的小问题，我更关心的是另一个问题：第十小时、第一百小时之后，这个世界是否还值得回去。 这个问题，其实不只是Livo的问题。每个时代都有属于自己的娱乐方式。电力与光影技术让电影出现，电子技术与广播电视网让电视剧热播，个人电脑与互联网让互动叙事游戏广受欢迎，生成式AI与多智能体架构也让Livo出现。 它们看似是不同年代的产品，背后却是同一条线索：媒介技术的每一次跃迁，都在重新定义“人如何进入一个故事”。电影让人坐在黑暗里观看，电视剧让人在客厅里陪伴，互动叙事游戏让人在选项里参与，而Livo试图让人“活”在一个会自己运转的世界中。从“看”到“陪”，从“选”到“在”——每一次跃迁，都是“进入”的深度在加深。 而在这个方向上，快看还有一个被低估的优势。十二年的漫画经验，意味着它对“角色怎么让人在乎”有肌肉记忆。在一个比拼“世界感”的赛道上，这种能力比想象中更重要——因为一个世界之所以值得回去，不是因为技术多先进，而是因为里面有人让你惦记。 从“生成内容”到“生成持续存在”，这可能是AI内容产品的下一个分水岭。Livo还不是那个分水岭本身，但它是目前更接近让人感觉到“世界在活着”的产品。它验证了“世界可以自己往前走”这件事不是空想，但距离“一个真正活着的世界”还有大量未解决的问题。 它值得被看到，不是因为它已经做成了什么，而是因为它指向的方向——让故事不再停在“然后呢”，让它真的有一个“然后”。 图片来源｜企业供图

「AI4S也有Coding的万亿未来。」 文｜胡香赟 编辑｜海若镜 今年5月，28岁的张载熙结束普林斯顿的博后研究，回到国内。在他面前，有几扇门同时打开：美国高校教职、AI大厂首席科学家和千万年薪。最终，他选择进入香港科技大学担任助理教授，并挺进了创业窄门，创立AI for Science公司科理新序（Scinetics）。 暗涌Waves独家获悉，科理新序近日完成近5000万元人民币融资。本轮融资由英诺科创基金领投，沂景资本、小苗朗程、麟阁创投跟投。 这或许是他既往人生中，为数不多的岔路口。从中科大少年班、直博，到哈佛医学院联合培养，随后进入普林斯顿王梦迪团队做博后。研究AI4S的青年PI，是当下创投市场最喜欢的创业者画像之一。 但创业的决策过程，他也曾纠结。 进入大厂，意味着更充足的算力、数据和人才配置；成为高校PI并创业，要比较独立地找人、找钱、找资源，技术和商业都有不确定性。 最终让张载熙下定决心做出选择的是“工作自主性”，他想主导自己的研究方向，而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。 创业前，张载熙和团队曾经做出过科学智能体Stella。去年，Stella上线后，服务了上千名科研用户，其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型，智能体落地更快、更容易接入现有研发流程，实现商业化。 不过，这条轻巧的路线，目前仍有局限。以大语言模型作为推理引擎，科学智能体在遇到蛋白质结构、核酸序列等数据时，会先将问题翻译为“自然语言”，再把文字指令交给模型执行。精细的三维结构和模态关系，在几次翻译转换中会出现“损耗”，智能体几十次交互也无法绕开误差。 博士期间，张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等，在多个细分领域达到SOTA。但他判断，单点能力仍是不够，未来AI4S行业会集体走向多模态。所以，科理新序的核心是做多模态长程推理基座模型。 他提出了“Science Token”概念，希望把小分子、核酸、蛋白质结构等科学数据，转化成模型统一的表征单元，不再经过人类语言的转译，让模型在原生科学模态中推理，完成科学任务。 短期，他们将聚焦商业化路径最清晰的生命科学，未来逐步拓展至材料、工程等科学领域。 谈起未来，张载熙认为AI4S一定会出现GPT时刻、Coding时刻，且这是一个可能超越Coding的市场；他也相信自己所带领的小小团队，有实力开发出“大一统”的科学底座模型，成为AI4S领域里对标DeepSeek、Anthropic的基座模型公司。 技术革命初期，路线没有收敛，创业者才有“以小博大”的机会。近日，我们和张载熙聊了聊，此时投入AI4S创业，他究竟想赌一个怎样的未来？ 对话（经编辑）： Part01 AI4S，媲美Coding的万亿市场 暗涌Waves：2019年，你21岁，选择了AI for Science作为博士研究方向，现在回头看很有先见之明。这个赛道从冷变热，你的体感是怎样的？ 张载熙：确实比较幸运，职业生涯转型刚好踩中了行业风口。 我读博阶段，这是一个非共识赛道，行业认知是“Science+AI”，AI是提升业务效率的附加算法工具，项目必须深度绑定具体药物管线，比如聚焦多肽药物，或只做蛋白质垂直模型。 现在AI4S朝着通用方向演进，市场普遍认为这个方向会迎来属于自己的“Coding时刻”。写代码赋予了人类在数字世界创造事物的能力；AI4S则是在变革人类底层科学探索、发现新知识的能力,市场价值可以比肩甚至超越Coding。 从Alpha Fold从1到4的迭代，可以清晰看到AI能力正迅速变强。需要被研究的科学问题没有巨变，但新算法让过去难以建模、难以预测的任务，具备了解决条件，更多科学模态的纳入，让模型能力更强。 暗涌Waves：Science其实是覆盖非常广的方向，现在创业投资的主流技术路线有哪些，技术路径上有收敛的趋势么？ 张载熙：客观说，现阶段的AI4S赛道噪声不小，AI4S从业者主要基于自己既往背景做布局，还没有在技术路线上形成共识，难以判定孰优孰劣。 首先是科学智能体，主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程，商业验证周期短，因此诞生了不少初创公司。 大厂也都在做，如Anthropic的Claude Science、OpenAI 的GPT-Rosalind。不过，他们的主战场还是Coding等更general的方向，科学方向属于占位式布局、浅浅试探。 第二是虚拟细胞。受Arc Institute相关工作和论文影响，虚拟细胞从去年起热度暴涨。理论上，它在电脑里模拟细胞受药物、基因编辑后的变化，能提前批量筛掉无效候选，压缩研发时间和成本。行业期待很高，发展速度也比较快。 第三就是我们选择的AI4S基座模型方向。这是一种“自下而上”的路线，聚焦底层分子相互作用，从分子机制推导疾病、基因调控网络等上层现象。 暗涌Waves：去年你们上线了科学智能体Stella，据说反馈也不错，为什么没有选择这条更轻巧的路线？ 张载熙：Stella去年上线后，服务了上千名科研用户，七成以上来自斯坦福、普林斯顿等名校和顶级实验室，MIT的张峰教授也使用过。 但我们发现，科学智能体范式有个根本性问题： 它本质上是把科学问题翻译成自然语言让模型理解，再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联，会在翻译过程中丢失。 这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程，但只要底层推理还基于文本完成，这个瓶颈就一直在。 暗涌Waves：可以举一个智能体做不出来的例子么？ 张载熙：比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转5度，形成氢键或者其他分子相互作用，这高度依赖3D空间的精细推理设计。 如果用智能体做，就是让大语言模型输出文本指令，再调用RF diffusion这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息，工具输出结果又要转成字符串、截图，再反馈回大语言模型，智能体读得云里雾里，好像对，又好像不太对，只能继续迭代。 就这个步骤，我们尝试了很多智能体，反复交互过几十遍，浪费了大量Token，结果是跑了一堆用不了的东西。根源就是，没有原生的科学模态推理能力。 Part02 小天才的大梦想：多模态科学底座模型 暗涌Waves：所以你认为必须开发AI4S基座模型？有了基座模型，可以解决“跨模态翻译”问题？ 张载熙：既然翻译会产生损耗，就不翻译了，让模型直接在原生科学模态空间内，做针对多模态科学数据的长程推理（Chain of Science Tokens）。这一基座模型，也是我们公司的核心产品。 我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态，开发了离散Token化方案，把各类科学信息转化为统一的Science Token输入模型，不再依赖人类自然语言做抽象中转，更贴近科学本质。 模型训练分预训练、mid-training、后训练三个阶段：其中，预训练建立多模态生命科学表征，mid-training学习从序列到结构、功能和细胞表型的跨层规律，后训练重点增强长程推理能力。 AI4S基模训练框架（图源：科理新序） 暗涌Waves：这种长程推理，跟既往垂直小模型解决单点任务，有什么不同？ 张载熙：比如做酶设计，不再一步出结果，而是像人类科学家一样分步推理：先搭建酶的活性中心，它决定催化功能的核心区域；再搭建蛋白质支架，把活性中心撑起来；最后补充侧链、微调细节。 这套长链条推理能力，是传统垂直模型、工具调用智能体不具备的。 暗涌Waves：把各类科学信息转换成“大一统”的Science Token，听起来更性感，但小分子、核酸、蛋白质等数据结构差异很大，为什么你们团队可以做？ 张载熙：Science Token首先要解决的，是让模型读懂不同科学模态。 过去，围绕小分子、核酸、蛋白质、复合物和跨模态文本，我们分别做过相应的基座模型。从数据收集、模型搭建到训练，完整地走过。因此，团队知道每类科学数据应该怎样编码，不同模态之间又该如何对齐。 同时，做Stella、BioClaw等智能体时，我们积累了大量长链条推理数据，也摸索了通过后训练增强推理能力的方法。 另外，干湿闭环也很重要。Stella除了计算和算法模块，也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中，跑通过干湿闭环案例。因此，也清楚AI 应如何对接真实科研任务、连接自动化实验设备。 模型进化，需要主动获得大量高质量数据。干湿实验闭环，可以支撑我们持续获取训练数据、持续迭代。 暗涌Waves：从目前的探索结果来看，这个基座模型的能力如何？ 张载熙：在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上，已取得不错效果。 我们对这个结果不是很惊讶，毕竟科学系统本身就是复杂多模态体系，如果能把多模态信息全部纳入模型，从全局视角做设计搜索，自然更容易得到更优解。 目前，我们在探索下一代模型训练方式，比如尝试AI for AI，Recursive的训练范式，挖掘科学内在规律、拓展更多模态，或提升模型参数量，以此强化长程科学推理能力。我们期待沿着这个方向，能实现AI4S基座模型的ChatGPT时刻。 Part03 以Science Token为商业模式 暗涌Waves：从定价和商业化上看，Science Token会带来新的商业模式吗？ 张载熙：是的。不过，Science Token和文本Token的定价逻辑不一样，后者定价主要参考算力和电费成本，但Science Token除了考虑这些基础成本之外，还要衡量它背后的科学价值。有些领域，比如小核酸，数据非常稀缺，对应的Token价值自然更高，定价要体现实际的业务价值。 我们希望成为AI4S领域对标DeepSeek、Anthropic的基座模型公司，探索以Science Token作为计费单元的商业模式。 暗涌Waves：用Science Token计费，理想的买方是谁、具体用在什么场景？ 张载熙：比如药企。当模型能力足够强之后，我们不需要花大力气做BD，绑定单条管线做交付。抗体管线、多肽管线、小核酸管线，各类任务都可以承接。 这时候计价单元就可以基于“消耗了多少Science Token解决这个药物设计问题”。就像Coding，不会按代码行数或模块来定价，客户信任模型能力，直接调用服务，消耗多少Token就付多少费用。这能省去大量BD个案的谈判工作。 暗涌Waves：如果这个模式能实现，它也会成为AI4S基座模型企业通行的商业化路径吗？ 张载熙：Science Token还是我们提出的独有概念；至于衡量长链条科学推理数据质量的标准，及其计费标准，在全行业都没有成熟方案。我们和一些AI大厂交流时，他们也没太想清楚这件事。所以它还是一个非常早期的商业想法，需要行业共同推动形成共识。 暗涌Waves：从一级市场视角，我们能看到不少投资机构和资金在涌入，但这个方向目前的融资声量跟大模型、具身相比，还差得很远。你觉得大家的分歧在哪里？ 张载熙：市场上存在两种极端心态，都可能造成投资决策犹豫。 一部分投资人认可AI4S万亿市场，相信AI科学平权，希望每个人都能释放想象力参与科学探索，他们的怀疑点在于：现阶段的技术能力，能不能把这件事做成。另一部分人则把AI4S市场看得比较小，觉得客户只有高校师生和PI，付费能力弱。 既往，市场对垂直模型具备清晰认知，但投资人对“大一统”的科学基座模型评判标准更严苛。因为他们觉得Harness加垂直领域小模型，足够解决科研需求。从用户端，很多科研人员虽向往更智能化的基座模型，但受惯性影响，习惯了调用工具化专项模型，这也是个矛盾点。 暗涌Waves：怎样的投资机构更愿意押注于AI4S基座模型？ 张载熙：一些投科技的市场化基金，及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的“历史技术债”，就像“屎山代码”一样：药企内部集成上百个小模型，每个环节信息传递都有损耗，维护成本极高。 因此，他们从系统工程的逻辑判断，AI会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。 投资人的共识性要求是：必须快速迭代模型，抢占领头羊位置。团队配置上，我们已经把过去学术界和部分工业界大厂做AI4S基模研发的核心人才聚过来了，技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单，但投资人觉得，短期内不需要过度在意这点，优先把模型能力做出来更重要。

点击小程序查看报告原文 北京时间今天凌晨结束的9月FOMC上，美联储如期加息25bp，将基准利率升至3.75%~4%，是继2023年7月加息周期结束、2024年9月开启降息和2025年9月继续降息三次后，美联储的首次加息。 我们最早在7月FOMC点评中就提出，当前环境和1997年“预防式加息”有类似之处（《如何才能“预防式加息”？》），8月Jackson Hole沃什转鹰后又提示，从维护美联储信誉角度，9月最好加息（《沃什转鹰意味着什么？》、《如果加息会发生什么？》）。 加息后，美元站上100、10年美债小幅走高至5%，黄金微跌，美股科技微跌、传统股票因受利率影响更大跌幅更多，如地产银行。市场整体反应不大，更多在敏感的美元和传统股票上，这与我们在（《如果加息会发生什么？》）中提示一致：短暂的加息或降息更多是提前计入，除非连续加息（三次甚至以上）。市场的问题往往是事前因为害怕加息的影响而回避加息问题不做准备，却又在看到加息无可避免后过度担心加息后的冲击。实际上，我们认为加息不是坏事，不加息也未必是好事。 图表：会议后CME利率期货仍隐含年内再加息1次预期 资料来源：CME，中金公司研究部 那么，走到这一步后，市场关注的焦点在于，美联储加息一次够吗？对市场后续有和影响？我们在本文中将聚焦于此做出分析。 此次加息的特点：高度预期的加息，中性加息 首先，此次加息是一次高度预期的加息：1）CME利率期货隐含的9月加息概率已高达93%；2）5%的10年美债扣掉70bp的期限溢价，余下4.3%的利率预期隐含了至少两次加息；3）主要华尔街投行都预计9月加息。 图表：会议前CME利率期货隐含9月加息概率高达93% 资料来源：CME，中金公司研究部 图表：当前5%的美债利率隐含70bp的期限溢价，余下4.3%的利率预期隐含至少两次加息 资料来源：Bloomberg，中金公司研究部 图表：会议前主要华尔街投行都预计9月加息 资料来源：The Wall Street Journal，Nick Timiraos，中金公司研究部 其次，这是一次整体中性加息：1）加息25bp，完全符合市场预期，沃什表态维持与上次基调一致。8月Jackson Hole沃什转鹰后，8月非农、PPI和CPI又接连超预期，迫使沃什兑现鹰派承诺。对沃什而言，此次加息已是“箭在弦上不得不发”。沃什此次讲话与8月Jackson Hole会议表态基本一致：重点强调当前的通胀水平依然高于目标，且美联储的工作重心仍是价格稳定。 图表：8月非农新增就业16.2万大超预期 资料来源：Haver，中金公司研究部 图表：8月整体CPI符合预期，但核心CPI环比超预期，导致核心CPI同比几乎持平上月 资料来源：Haver，中金公司研究部 2）“点阵图”预计2026年还有一次加息，2027年持平，部分缓解市场对超预期鹰派的担忧。虽然点阵图的参考意义因沃什拒绝给出自己的预测而大打折扣，但依然是一个市场关注的参照。剩余18名委员的利率预测中值显示，2026年利率“中位数”升至4.125%，较6月“点阵图”的中位数3.875%多出一次加息预期，意味年内预期还有一次加息，这个与市场广泛预期的加息两次一致；2027年中位数持平，这少于CME利率期货此前预期的总计4次加息。 图表：点阵图2026年利率中位数4.125%，隐含年内还有1次加息，2027年持平 资料来源：美联储，中金公司研究部 图表：9月会议上美联储上调2026年通胀和增长预测、下调失业率预测 资料来源：美联储，中金公司研究部 美联储加息一次够吗？不存在连续且大幅加息的基础，除非油价失控 在这次已经高度预期的加息之后，美联储是否会连续且大幅加息？从本次会议的表态及当前基本面角度看，不存在连续且大幅加息的基本面基础（三次甚至以上），除非后续油价失控。高利率本身也将逐步传导到金融条件，从而抑制经济增长，这成为阻碍继续大幅加息的“反身性”因素，如当前美国30年抵押贷款利率已经逼近7%。 首先，从本次会议沃什的表态来看，沃什依然回避对未来利率走势做出前瞻指引，在新闻发布会上的基调也是延续Jackson Hole会议上认为美联储工作重心依然是价格稳定的表态，并没有太多超预期的鹰派内容[1]。 其次，从美国自身经济基本面角度，高利率也会对传统需求形成抑制，甚至压制AI投资，阻碍美联储连续加息，形成利率的“反身性”。目前美国经济K型分化，当前利率走高将反过来压制传统需求，从“反身性”角度抑制大幅加息。事实上，美国传统需求已受到高利率的抑制，尤其是利率敏感的地产和投资。8月ISM制造业PMI从7月高点55.6回落至54.6，成屋销售也在高利率抑制下再度回落。作为重要增长引擎的AI，由于龙头ARR的放缓和自由现金流逐步开始转负，对外部融资依赖度也在增加。在需求侧面临瓶颈的背景下，如果融资成本大幅抬升，也将削弱资本开支的意愿，进而影响整体增长。换言之，加息反而导致无法加息太多。 图表：8月美国ISM制造业PMI回落至54.6 资料来源：Haver，中金公司研究部 图表：近期利率的走高推动地产数据再度回落 资料来源：Haver，中金公司研究部 图表：除微软、Meta外的云厂商二季度自由现金流已经转负 资料来源：FactSet，中金公司研究部 图表：当前云厂商19.9%的加权ROIC高于WACC的9% 资料来源：FactSet，中金公司研究部 除非油价大幅失控。我们测算，若油价中枢维持在100美元以上甚至更高，那么CPI将无法继续走低，将给美联储带来更大压力，这也同样会给11月将面临中期选举的特朗普更大压力。我们测算，若油价三四季度中枢降至80美元，CPI同比会在年底回落至3.0%左右。 图表：我们预测若油价中枢不超过100美元，美国CPI同比年底大概率回落 资料来源：Haver，中金公司研究部 加息对市场影响？短暂加息往往是提前计入，市场通常“反着走” 我们此前多次提示，对市场而言，此次加息未必是坏事，而不加息未必是好事。 短暂的预防式加息，在“满足”市场对重塑美联储和美债信任需要的同时，影响更多是提前计入预期，所以市场往往“反着走”，兑现时反而是美债利率的高点和美股的低点，1997年格林斯潘加息一次如此，2024-2025的短暂降息同样也是如此（《如果加息会发生什么？》）。相反，只有持续大幅加息才会通过提高融资成本和收紧金融流动性对实际增长和金融市场造成更长期和大幅的冲击，典型如2022年俄乌冲突后为应对高通胀525bp的加息。因此，对于短暂的加息，扰动反而可以提供更好的买点。 回顾1990年以来历次加息周期的历史经验，加息初期对市场有扰动，但平均0-2个月内市场重拾涨势，预防式加息中影响更小。 我们复盘了1990年以来美联储6次加息周期：1）美债跌幅主要在加息前，预防式加息兑现后美债往往转为上涨，历次加息后美债平均下跌18天后（数据为1990年以来加息后表现中位数，下同）转为上涨，1997年预防式加息后长债利率很快见顶回落，2）美股在加息后会有扰动，但平均2月内反弹，预防式加息后反弹更快，标普平均在加息后59天下跌4.7%后、纳指平均在加息后68天下跌8.1%后重拾涨势，在1997年的预防式加息周期后反弹更快，标普下跌17天、跌幅6.5%后转为上涨，纳指下跌仅8天、跌幅3.8%后反弹。3）黄金同样如此，历次加息后平均82天下跌2.3%后转为上涨。4）美元涨幅更多在加息预期阶段，加息后并不必然大幅上涨，除非2022年那样连续大幅加息。5）AH股在历次加息后涨跌不一，更多受到国内基本面的影响，如1997年美联储预防式加息后，国内经济复苏叠加香港回归预期推动AH市场共同继续上涨。 图表：回顾1990年以来历次加息周期的历史经验，加息初期对市场有扰动，但平均0-2个月内市场重拾涨势，预防式加息中影响更小 资料来源：Bloomberg，中金公司研究部 从各类资产计入的未来一年加息预期来看，利率期货（3.0次）铜（1.6次）美债（1.0次）=美联储点阵图（1.0次）黄金（0.8次）道琼斯（0.1次）标普500（-0.5次）纳斯达克（-1.1次），这意味铜、美债和黄金计入加息预期较多。具体而言： 图表：当前铜、美债和黄金计入较多加息预期，权益市场相对乐观 资料来源：Bloomberg，中金公司研究部 ► 美债：先修复期限溢价，长端名义利率或逐步筑顶甚至回落，体现“赔率”和交易机会。当前长债利率已完全计入年内再加息一次的预期，假设美联储年内再加息1次，对应10年美债利率中枢约4.8-5%。美联储此次兑现鹰派承诺也将有助于稳固联储信誉，从而缓解长债期限溢价上行压力。 图表：若美联储年内再加息1次，对应长债中枢4.8~5% 资料来源：Haver，美联储，中金公司研究部 ► 美股：并不悲观，短期扰动或提供更好介入机会。我们在6月的年中展望里就进一步上调标普500点位至7800-8000（《“殊途同归”的K型分化》）。市场走到这一点位后的纠结震荡，除利率上行带来的流动性扰动外，更多因为AI需求侧放缓带来的回报不足担忧。整体估值并不贵，随着加息落地，如果AI产业发展有新催化，美股仍有上行空间，短期如果出现较大扰动也可以提供更好买点。 图表：基准情形下，我们年中上调2026年标普点位至7800~8000 资料来源：Bloomberg，中金公司研究部 ► 美元：短期受到加息带来的信誉以及利差提振，我们依然预计整体维持震荡格局。短期内，美元仍受到加息带来的美联储信誉以及利差因素提振，叠加美国经济仍具韧性，我们依然预计美元指数维持96~99区间震荡格局。 图表：我们预计到年底美元指数在96~99区间震荡，不至大幅走弱 资料来源：Haver，Bloomberg，中金公司研究部 ► 黄金：不加息的空间大于加息，目前更多类似上行空间不确定的看多期权。仅仅基于美债利率和美元的静态测算看，我们测算黄金支撑位在4200-4500美元附近。除非连续加息，黄金的下行压力相对可控，但上行空间也需要更多宏大的叙事。美联储不加息可以给黄金营造出信任丧失和去美元化的宏大叙事，而加息恰恰削弱了这一叙事，所以上行空间不如不加息时大，得等待更多叙事催化。 图表：我们静态测算，当前美元和实际利率支撑的金价大约在4200~4500美元/盎司 资料来源：Wind，中金公司研究部 图表：当金价超过5500美元，面临新旧体系分水岭的对抗，将会面临剧烈波动 资料来源：Haver，IMF，World Gold Council，UCGS，中金公司研究部 [1]https://www.federalreserve.gov/mediacenter/files/FOMCpresconf20260916.pdf Source 文章来源 本文摘自：2026年9月17日已经发布的《美联储加息一次够么？》 刘刚，CFA 分析员 SAC 执证编号：S0080512030003 SFC CE Ref：AVH867 项心力 分析员 SAC 执证编号：S0080526050001 SFC CE Ref：BXU271 杨萱庭 分析员 SAC 执证编号：S0080524070028 SFC CE Ref：BXS665 郝悦宁 联系人 SAC 执证编号：S0080125070024