Loading...
TECHUB NEWS
2大涨的原因今天字节这边有两条重要的消息。 第一，是按彭博亿万富豪指数的信息，老板张一鸣身家突破 1000亿美刀 ，对应字节的估值是5500亿美刀左右（腾讯是5000亿美刀），成为亚洲首富，1000亿美刀啥概念呢，目前美的集团和比亚迪的总市值，都只有900多亿刀。 第二，是字节和中兴合作的 豆包手机 ，今天开始开售了，毛6000块左右，不过和刚出样机的那会儿不同，今天股市基本没交易这块，中兴的股价只涨了1cm（幸亏tm没涨，不然反弹又到头了）。 我对第二条信息比较感兴趣，因为AI发展的过程中，又好像回到了互联网打法的老路上来—— 谁掌握流量入口，谁就掌握一切 。 豆包手机肯定会是划时代的品种，就好像新能源的车机系统吊打油车一样，未来其他手机品牌肯定也会逐步深度和AI大模型进行融合内嵌，如果苹果这回还是搞不好的话，继续流失一波客户也是看得到的，因为用户习惯的变化一旦形成趋势后，就回不去了——而豆包手机的核心在于，豆包掌握所有的流量入口，口令是用户下达，但如何分解口令、分配流量，是大模型说了算，这是一种降维打击的模式。 而AI的另外一个和流量入口相关的案例，是最近很火的 workbuddy （注意，以上以下都不是广子）。 我自己目前使用的AI组合，是chatgpt+workbuddy，需要精细化的东西用前者，一般性的需求用后者，因为便宜管饱。 而Workbuddy的核心就在于，下图，他接入了所有的大模型后，自己成为了主流终端，然后通过“限时免费”等模式，“勾引”用户选择特定模型，从而完成流量的分配——只要它形成了用户粘性之后，就相当于捏住了其他大模型的蛋蛋，如果以后你想要分到更多的流量，可以，你在我的平台上降费嘛，而workbuddy自己找客户收的还是固定的订阅费，从而坐收差价。 我自己的gpt和workbuddy都接入了wind数据库，用下来的感觉就是： 卖方研究和买方研究这俩行业，走向人员收缩的时代，已经不可避免了。 AI大模型目前的第一大付费场景是coding，取代了大量的程序员，而下一个大的场景，可能就包括 金融 （claude和几个头部大机构已经在这么做了），因为都是标准化、数据驱动的行业，原来还怕各个数据终端卡着数据不给用，现在wind啥的卖API积分发现赚的更多，何乐而不为？ 对了，现在腾讯有workbuddy，字节有豆包手机，阿里有什么啊？嗯？ ...... 说回市场。 1、今天双创板块久违的大涨，双创50涨超3%， 原因是什么？ 我自己总结下来，主要是三块。 第一，基本面来看，昨天一早，工信部和发改委印发了《电子信息制造业发展“十五五”规划》，这是9月10号成的文，但下发是昨天，所以昨天科创板块就逆市涨了一些。 第二，市场逐步消化了今晚（或者说明天凌晨）美联储加息的利空，今天日韩也反弹，其中三星和海力士分别涨超2cm、4cm。 第三，昨天成交量创年内次低，情绪基本在底部区间了，触底反弹一下也正常。 大概如此，更多的我也编不出来了。 2、昨天和一些同业聊，大家形容 当前的市场是： 有种微微的死感。 对绝大多数的机构投资者来说，当前的市场，不敢加，也不敢减。 你要说加仓吧，等右侧也行啊，性价比还更高，海外目前不确定性这么高，心里还是打退堂鼓的。 你要说减仓吧，卖了之后买啥？ 所以现在最好的策略，就是趁市场反弹的时候，领导心情还可以，赶紧把国庆前三天的假给请了，这样就能过一个13天的超级假期了。 所以你看着吧，未来两周，金融机构在岗的人数会逐日递减，所以市场的成交量节前也很难起来。 短期看，节前还是看震荡。 3、However。 为什么咱们对市场， 至少对A股的观点，依然是积极拥抱优质股权？ 答案其实都在下面这张图里——这是今天星球里发布的，对A股核心资产的周度跟踪里的其中一张，目前A股的股权风险溢价，依然高于历史中位数，而近期下跌后，股权风险溢价已经来到了年内的最高点。 用人话说就是，情绪的低点，就是性价比的相对高点，也会是长期布局的好时机了（当然，都是长期视角）。 完整的分析，看今天下午的星球，下方二维码就是入口。 4、为什么我们此前反复说，从全球范围来看， A股大盘指数的安全边际，都是最好的（可以不加第一）？ 今天，高盛也回答了这个问题，直接贴图吧，下图。 做个对比，下图是美国、日本、英国、法国、德国、老中，六大主要经济体，今年10年国债的最低点、最新值的情况，以及上行幅度。 可以看到，这轮海外利率飙升的过程中，老中毫发无伤： 低利率、低波动，1个bp玩一周。 5、 海外高利率对咱们毫无影响吗？ 当然也不是。 主要是影响几个方面： 第一，压制风险偏好和情绪。 第二，海外算力链牵一发而动全身，影响最直接。 第三，如果利率居高不下，则影响海外需求，从而抑制国内出口动能。 第四，港股挨揍，AH溢价抬升，从而也会影响A股（同一个股票，港股便宜的令人发指的话，资金干脆就去买港股了）。 所以，影响的更多是短期性的、板块性的。 但是，长期投资，核心还是看A股主流资金背后的无风险利率的水平。 6、还有一个视角可以补充。 目前这种牛市船到中流的行情，投资者也比较关心， 增量资金，应该配置哪些方向？ 周末的时候，星球的嘉宾，私募老王，也谈了一些自己的想法，下图，包括雪球结构化、300和A500指增、全天候策略（本质就是多元资产），等等，对全文感兴趣的，可以看周末发布的星球帖子。 7、上周聊过，桥水的全天候，现在属于有钱也抢不到的地步，当然我之前也说，没必要神化一个单一策略，市场里没有常胜将军，但只要是基于 体系化、团队化的多元资产配置策略 ，在低利率时代，都可以高看一眼。 市场里有不少“类桥水全天候策略”产品，理财有，公募也有，而公募当中，事实上基本只有FOF才能做真正的多元资产策略， 这也是为何我们此前反复提到的，这一轮拥抱优质股权大时代的过程中，以多资产为核心理念的理财和公募FOF、以及基金投顾，是对投资者相对友好的品种之一。 比如下面这个，是此前喵行首发过的产品，看持仓，就知道是股、债、商结合的多元配置产品。 多元资产的优势，就是股票牛市能分一杯羹，而如果进入震荡市，则回撤控制、资产的负相关性等优势会更凸显，所以现在也是 银行渠道比较喜欢 的品种。 ...... 就聊这么多，如果想了解更多 多元资产 背后的深层次逻辑，看今天星球的一篇问答吧，几千字长文，就不贴了。3专访「AI投研精英孵化计划」学员 Crazyox —— 把投资判断变成可复盘的“证据积木”：AI 如何帮助个人投资者建立研究方法？撰文：Gandalf，Techub News 导语 AI 可以在几分钟内搜集资料、阅读财报、整理数据，甚至生成一篇看似完整的研究报告。但对投资者而言，信息获取变快，并不意味着判断自动变好。真正难以回答的问题往往是：当初为什么看好？后来哪些判断被事实验证，哪些只是碰巧赚钱？下一次又如何避免重复同一种错误？ Crazyox 曾长期从事法律工作，也做过作者，后来进入 Web3，并持续投入 AI 产品与自动化实践。法律训练让她习惯从一个结论反向追问：证据是什么？这是事实还是推断？是否存在相反证据？又有哪些新事实会推翻既有判断？ 这种证据思维，成为她发起「积木投研」的起点。她想做的不是一个替用户预测市场、输出买卖答案的 AI 工具，而是一套能够帮助个人投资者搭建研究框架、保存决策原点、跟踪证据变化、接受反证并持续复盘的系统。它更像一本“投研错题集”：记录的不只是买卖与盈亏，而是一个人如何思考，以及反复在哪里犯错。 核心观点 “信息会越来越便宜，但判断不会自动变得更好。” 在 Crazyox 看来，AI 最适合做的是提高研究和认知效率：整理资料、追踪新事实、找支持与反对证据、提示证据冲突；但最终的判断、证据权重与投资决策，必须由用户自己保留和承担。 “积木投研”的目标也不是提供一套不可质疑的标准答案，而是让用户从一个朴素的观点开始，将其拆解、验证、推翻或重建。用得越久，系统越不应只是产品发起人的方法论，而应逐步沉淀为用户自己的研究框架、投资错题集与认知历史。 从律师思维到投研错题集 TECHUB NEWS：请先介绍一下自己，以及为什么会发起「积木投研」？ Crazyox：我的经历比较跨界，做过很多年法律工作，也写过书，后来进入 Web3，现在主要从事 AI 产品和自动化，同时长期关注投资研究。 积木投研最早源自我自己的一个痛点。AI 已经能够很快搜资料、读财报、写研报，未来信息生产会越来越便宜；但真正困难的不是“能不能找到资料”，而是如何判断：我当初为什么看好？后来到底哪里对了、哪里错了？下一次能否少犯同样的错误？ 所以最开始，我只是想做一个“投资错题集”，后来才逐渐发展成积木投研。它不是替人预测市场，而是帮助用户搭建、验证、复盘和迭代自己的投资判断。 TECHUB NEWS：法律工作的习惯，如何影响你的投资研究方法？ Crazyox：律师有一种职业习惯：别人给出一个结论，我的第一反应通常是“证据呢？”接着会问，这到底是事实还是推断？证据来源是否可靠？有没有相反证据？哪些新事实出现以后，原来的结论会被推翻？ 后来我发现，法律和投资很相似，都是在信息不完整的情况下作出判断。法律训练带给我的，并不是不断找证据证明“我是对的”，反而是让我习惯追问：如果我是错的，我会错在哪里？ 这也是为什么，积木投研会把证据、反证与证伪机制放进研究流程。研究不是为了替已有立场找更多支持，而是要允许自己的观点被事实挑战。 留住决策的原点 TECHUB NEWS：什么是“投研错题集”？它与一般交易记录有什么不同？ Crazyox：传统交易记录通常记的是何时买入、何时卖出、赚了多少或亏了多少，更像一张成绩单。但学生做错题集，不是只记录考了多少分，而是弄清楚这道题为什么错。 积木投研希望做两件事。第一，为每一次重要投资决策留下一个原点。无论是买入、加仓、减仓，还是改变判断，用户都可以把这个决策标记在 K 线和时间轴上，同时保存当时的投资逻辑、核心驱动与证据。半年之后重新回看，用户能够回到当时的信息环境，问自己：如果只知道当时这些信息，这个决定做得怎么样？ 这有点像投资决策的“黑匣子”。它保留的不是今天根据结果重新整理过的解释，而是决策时真实的观点、依据与未知。 第二，每一轮研究和复盘都会形成报告，记录观点如何变化、证据是增强还是减弱、收益表现如何，以及最终可以如何归因。未来，这些报告也可以再被 AI 分析。 错题集真正积累的并不是“我买过哪些股票”，而是“我过去如何思考，以及我反复在哪里犯错”。 TECHUB NEWS：为什么记录原始判断，是做好复盘的前提？ Crazyox：因为人很容易用今天已经知道的结果，重新解释昨天的自己。所以系统会保存一个 T0，也就是决策原点。T0 记录的不是后来的解释，而是当时真实的观点、依据和未知；之后可以增加新事实，但不能改写最初判断。 这样过一段时间再复盘，才有机会区分：当时究竟是判断正确，还是后来恰好赚到了钱。没有原始判断，就没有真正的复盘。 用积木搭建研究框架 TECHUB NEWS：为什么叫“积木投研”？这些积木具体指什么？ Crazyox：很多普通投资者并不是没有观点，而是不知道如何研究自己的观点。比如有人觉得“AI 算力需求还会增长”，或者“存储行业进入上行周期”，接下来该研究什么？传统投研往往会给出一整套复杂模板，普通用户很容易因此放弃。 积木投研希望从一句最简单的问题开始：“你为什么看好？”随后，将一个观点拆成若干核心驱动因素，例如需求、资本开支、财报、现金流、扩产、价格、库存周期或市场份额。 再往下，每一个核心驱动可以挂载不同的 Skill，也就是研究方法积木，例如估值分析、AI 价值迁徙、稀释分析、杠杆风险等。整个逻辑可以概括为： 观点 → 核心驱动 → Skill 研究方法 → 证据 → 形成个人研究框架 之所以称为积木，是因为它不是固定模板。某个 Skill 不适用可以拆掉；发现漏掉一个关键驱动可以补上；如果整个框架被新事实证明有问题，也可以推倒重来。目标是让一个原本不熟悉系统化投研的人，也能从自己的一个观点出发，一块一块地搭出研究框架，并在真实市场中不断验证、拆除和重建。 TECHUB NEWS：从初步想法到可验证的投资论点，系统如何帮助用户验证？ Crazyox：主观投资很难的一点，是人的观点如何“回测”。假设选中一只科技股，一年上涨 30%，这能否证明研究能力很强？不一定。如果同期 QQQ 上涨 40%，这个 30% 的含义就不同了。 因此，积木投研会引入外部基准。研究科技股可以与 QQQ 比较，更广泛的美股可以与 S&P 500 或 SPY 比较，特定行业也可以与对应的行业 ETF 比较。它不只看绝对收益，还会看相对表现。 但收益只是一个维度。另一个关键维度是：当初支撑观点的证据，后来变强了还是变弱了？也就是说，系统同时观察研究逻辑是否被事实验证，以及结果是否跑赢相应基准。两者结合后，才有机会逐步区分研究能力、市场 Beta 与运气。 让 AI 寻找反证 TECHUB NEWS：如何处理支持证据、反方证据，以及 Skill 和证据的权重？ Crazyox：这里需要区分三个层次：核心驱动回答“什么决定我的判断”；Skill 回答“我用什么方法研究它”；Evidence，也就是证据，回答“事实到底是否支持它”。 目前我们不会给 Skill 预设固定权重。比如规定估值分析占 30%、库存周期占 20%，看起来很科学，但不同公司、不同阶段和不同投资逻辑下，同一种研究方法的重要性并不相同。Skill 是尺子，不是事实本身。 真正需要被区分权重的是证据。公司财报原文、已经兑现的收入，与市场传闻、管理层对未来的预测，不应有相同的证明力。AI 可以协助寻找证据、提示来源、查找反证和发现冲突，但最终由用户确认一条证据对自己判断的重要程度。 至于哪些 Skill 在长期中真正有效，我更希望让复盘结果告诉用户，而不是在一开始人为规定。这也是积木投研未来重要的一层：让研究方法本身接受长期检验。 TECHUB NEWS：新财报、行业数据或公司事件出现后，工具如何帮助用户回到研究逻辑，而不是跟着股价走？ Crazyox：核心只有一句话：不要让价格替你思考。 新的财报出现后，系统首先应该回到原来的核心驱动。比如最初看好一家公司，是因为相信资本开支最终会转化成收入和现金流，那么下一次财报就应检查：投入是否增加？收入是否兑现？现金流是否跟上？原有支持证据是在增强还是削弱？是否触发了此前设定的重审条件？ 而不是因为当天股价上涨 8%，就认定投资逻辑已被验证。价格变化不等于投资论点变化。系统真正持续追踪的，应是事实发生了什么，以及这些事实有没有改变原来的研究逻辑。 TECHUB NEWS：你希望 AI 成为“反方研究员”，主动挑战用户观点吗？ Crazyox：非常希望，而且我认为这可能是 AI 在投研里最有价值的角色之一。投资者很容易产生确认偏误：如果已经买入一家公司，AI 还每天按照既有观点找十条利好，它可能就成了高级版的信息茧房制造机。 所以，当我越相信一个东西时，AI 越应该攻击它。你认为需求会增长，AI 应去找需求走弱的证据；你认为公司有护城河，AI 应去寻找正在绕过这一护城河的竞争者；你认为管理层优秀，AI 应检查他们过去的承诺是否真正兑现。 我很希望积木投研具备“Attack My Thesis”的能力——攻击我的投资逻辑。它不是为了反对而反对，而是强迫用户看见自己最不愿意看的那部分证据。 复盘能力，而非标准答案 TECHUB NEWS：一项投资结论应该如何设置失效条件？ Crazyox：失效条件本质上是在回答：发生什么事实以后，我愿意承认原来的判断需要重审，甚至已不成立？ 例如，看好一家公司是因为预期收入和利润会持续改善，那么就应提前定义观察指标、验证周期、什么情况算成立，以及在什么条件下必须重新审视。如果收入增长，但毛利率或经营利润持续恶化，原来的核心驱动可能已经出现问题。 系统中的验证积木，会围绕“观察指标、成立条件、重审条件、验证周期”保存研究过程。之所以要在作出决策前就写下来，是因为一旦有了仓位，人很容易为自己找理由。先定义什么时候认错，再允许自己下注。 TECHUB NEWS：如果一项投资赚钱了，但研究逻辑其实错了；或者短期亏损了，但研究过程严谨，该如何评价？ Crazyox：不能简单地用“赚了等于判断对，亏了等于判断错”来评价。因此，积木投研尝试采用一个四象限归因框架：一条轴是原有证据在后续事实中变强还是变弱；另一条轴是最终结果是否跑赢对应市场基准。 当证据变强但没有跑赢基准时，未必是研究完全错误，可能是行业看对了但标的选错了，也可能是价格或时间的问题；当证据变强且跑赢基准时，重点是继续识别哪些核心驱动与研究方法值得复用；当证据变弱且结果也差时，应进入错题集，反思研究逻辑到底哪里出了问题；最值得警惕的是证据变弱却仍然赚钱，因为这可能只是市场整体上涨或情绪行情奖励了错误方法。 赚钱不等于看得准。投资中很危险的一件事，是用错误的方法赚到了钱。四象限希望尽可能把能力、运气与市场 Beta 分开，让复盘不止停留在“有没有赚钱”，而是进一步追问：这一次究竟是研究有效，还是市场刚好奖励了我？ TECHUB NEWS：参与「AI 投研精英孵化计划」后，你最希望验证什么？ Crazyox：我现在最想验证的已经不是 AI 能不能写研报——这件事并没有太大悬念。我真正关心的是，AI 能不能提高人的判断质量，而不只是提高信息生产速度。 其次，是这套“观点 → 核心驱动 → Skill → 证据 → 验证 → 复盘”的过程，能否让原本不熟悉系统投研的人真正用起来，让他们从自己的一个观点出发，逐步形成自己的研究框架。 最后是产品本身：哪些积木有用，哪些 Skill 有效，哪些设计应该拆掉重来。这也符合积木投研自身的方法——提出假设，接受反证；错了就改，失效了就拆。 结语 Crazyox 希望用户长期留下来的，不是一堆研报，也不是一套由产品规定的标准模板，而是三种更长期的资产：属于自己的研究框架、属于自己的投资错题集，以及一部由真实市场与持续复盘写成的个人认知进化史。 当用户使用得足够久，系统或许能从其历史判断中发现一些规律：研究某类公司时，哪些核心驱动或 Skill 更有效；哪些方法曾多次导致误判；在何种市场环境中，哪些证据更值得重视。届时，AI 的价值不再只是研究一家公司或整理一份资料，而是帮助用户回看和改进自己。 “用得越久，这套系统越不像我的积木投研，越像你的积木投研。”Crazyox 说。 未来，信息、研报和许多标准化分析能力都可能越来越便宜。但个人的判断能力不会自动产生。真正的投资能力，也许不是永远判断正确，而是越来越快地发现自己错了，越来越准确地理解自己为什么错，并让下一次判断比这一次更好。 编辑说明：本文根据 TECHUB NEWS 对 Crazyox 的采访终稿及采访提纲整理。文中关于「积木投研」的产品定位、功能机制、研究方法与后续设想，均以受访者表述及提供资料为基础。项目仍处于开发与验证阶段，文中内容不构成对任何证券、基金、资产类别或市场走势的推荐、预测或保证。 免责声明：本文仅作信息交流与投资研究方法讨论，不构成任何投资建议。证券、基金、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。文中提及的公司、指数、ETF、研究框架或案例仅用于说明方法，不构成买卖建议。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。4再读《北京法源寺》我第一次读李敖的小说是他写的第二本小说，叫做《上山，上山，爱》。当时我还在上初中，我知道很多读者已经到了为人父母的年纪，我只想说，你放在书架上的书，小孩子真的会读，而且真的会懂.... 那当然是一本非常牛逼的小说，于是我马上喜欢上了李敖，于是我开始寻找他写的第一本小说，那么我很快就在书架上找到了《北京法源寺》。 北京法源寺是一本李敖在坐牢时候构思的小说，他用了中国最传统的写作方法，用历史隐喻当下，他把对当时国民党的诸多复杂情感都灌注在这本小说里。介绍了清朝末年，梁启超，谭嗣同，康有为等人尝试变法的故事。从康有为年轻时候励精图变开始，到康有为晚年走到了革命的反面。介绍了梁启超追随康有为的故事，着重描写了谭嗣同慷慨一死的过程。描写了一个新角色大刀王五，让去留肝胆两昆仑到底说的是谁有了新的猜想。 很显然，李敖把自己放在了这些革命者的位置，探讨说在中国这片土地上，励精图变的艰难和阻碍。因为小说是在监狱中构思，李敖对谭嗣同的情感灌注更深。虽然他也知道自己可能更类似康有为的角色。 你看他写的第二本小说，上山上山爱，就知道李敖绝对更像康有为。 李敖根本没有尝试隐藏自己的观点，他的看法就明明白白写在书里，他觉得蒋介石就是西太后，然后改良没有前途只有革命才能推翻清政府。 前几天我在飞机上重读了一遍这本书，时光荏苒二十年，物是人非观感截然不同。 我想到的是今天Afd的崛起，DSA的崛起，以及诸多国家和地区的政治极化，以及建制派的日渐式微。我觉得这个过程是不可逆的，至少短期不可逆，因为就像清王朝从荣禄开始到康有为，不是没人改革，但所有人最后都失败了，李敖说的是对的，改良大多没有前途，但之所以改良没有前途，是因为这个过程注定是反复的，你会有很多前前后后的反复，因为你这是在体系内改革，你一定是拥有支持者和反对者，所以你必须照顾到双方的利益。 这就是今天美国，德国以及很多西方国家建制派日渐式微的原因，和康有为或者袁崇焕一样，清朝觉得康有为太激进，民国觉得康有为太保守。大部分时候改良派都是两边不讨好的。 所以第一，改良派必须有耐心有手段还得有支持，西太后不支持，光绪支持是没用的。80年代的改革开放反反复复看起来坎坷但其实反而是一条坦途。有时候进三退二是必须要做的。 然后第二，外部环境也很重要，我小时候读改革开放时期的很多报道，都忘不了一个前提条件就是世界的主流是和平与发展。在我10岁，20岁的时候，我其实体会不到这句话的重量，等到我30岁我才发现这是多么痛的领悟。 当时清王朝的外患不允许他慢慢改良，很多事情就是急着要做成的。 回到今天德国的AfD，美国的DSA，我觉得之后我会花更多时间去讨论这些事情，因为我当时在飞机上合上手机，我想到的就是 - 无论是魏德尔，还是纽约市长，他们都更像是一个革新者而不是改良者，他们的很多看法我觉得不能说没道理，但你无法指望他们去和建制派合作，甚至某种程度上，他们不能和建制派合作，因为他们的支持基础不够坚实，与建制派的合作会削弱他们的支持度 - 外部环境也不允许他们慢慢改良，无论是欧洲还是美国，都有迫在眉睫的诸多问题，没有时间去交给改良派做事。 中国历史上大部分成功的改良，都是悄悄进行润物细无声的，唐朝的两税制。大部分失败的改良，都成为了历史案例被记录。我觉得按照目前我们看到的情况，现在的世界轰轰烈烈，就不像是一个温和改良的时候。 对于投资来说，更多的波动，更多的左右摇摆，1970年代几年一个经济周期，都有可能发生。 对于个人来说我当时觉得很有意思，湖南人在曾国藩之前基本上很少走上政治舞台，在清末，湖南的很多学子，都有一种非常想搞个大新闻的心态，谭嗣同如此，陈天华也是如此。但其实说实话，这种选择实质性帮助不多。我很尊重，但毫无模仿的兴趣。 等到再往后，1890年代出生的那一批湖南学子，就理性很多，他们改革的热情更多，但更加圆滑，知道根据时代的变化进进退退，理想可能没有变化，手段可以说非常多变。我也想起了前段时间离世的朱总理，某种程度上，这位1920年代出生的湖南学子，同样有那一批湖南人的性格，坚定但圆滑，用改良的耐心做改革的事情。 李敖最后快意人生，你说不羡慕那肯定是假的，他当然也可以算是革命者，至少是文化领域的革命者，但我有时候觉得，他最后那些纵情，也是在失望之后的放纵，至刚者易折，有时候看起来最有信仰的人破灭信仰之后反而无所谓；谭嗣同的诗句中，去留肝胆两昆仑，当年赵氏孤儿的故事仿佛就在眼前，真正难做的是长期的事情。 很多朋友有时候都问我，在这个非常混乱的年代，看到越来越多的政治极化，到底该如何去看待自己的选择。我之前总觉得没有一个好回答。现在也许也没有，但我觉得应该理解这是一个两段的过程，在第一阶段，建制派和过去的秩序会被打破，在这个阶段要有相信新世界的勇气，也没有必要去相信原来的建制派。在第二阶段秩序会被重新建立起来，应该重新把之前鄙视的建制派做法再拿出来。我觉得这也许就是我们这一代人一定会经历的一个历史大拐点。5专访「AI投研精英孵化计划」学员小白 —— 从“看见价差”到“验证机会”：AI 如何重构链上投研工作流？撰文 ：Gandalf，Techub News 导语 在链上市场中，看到不同交易场所出现价格差异并不难；真正困难的是判断，这个价差能否在真实条件下被执行，并在扣除滑点、手续费、Gas、资金成本、路径与时间成本后，仍然留下可验证的结果。 计算机科班出身、2025 年毕业的小白，曾参与 DApp 开发，目前作为专注于 AI 与 Web3 交叉方向的独立开发者和 Agent 开发工程师，正在搭建 Arbitrage Dashboard——一个集市场观察、链上交易研究与套利机会分析于一体的可视化工作台。项目尝试将交易所行情、链上数据与交易记录集中到一个研究界面中，让用户不只“看见数据变化”，还能够追踪资金从哪里来、经过哪些路径、成本如何构成，以及一笔历史机会是否具有可复现性。 在他看来，AI 在链上投研中的作用不应是生成一段看似合理的分析，而应建立在真实数据和确定性计算之上，帮助研究者更快整理复杂信息、形成证据链，并排除那些表面有价差、实际上无法执行甚至会亏损的伪机会。 核心观点 “价差只能说明两个地方在某一时刻报价不同，并不代表这就是一个可以获利的机会。” Arbitrage Dashboard 的重点不是直接执行交易，也不是承诺发现套利机会，而是把“市场报价”“候选机会”和“经过验证的结果”明确区分开来。项目目前以只读研究与模拟验证为主要边界，帮助用户从发现线索走向核验条件，而不是把一个瞬时价格差直接包装成结论。 对小白而言，AI 最有价值的地方，不只是更快地找到机会，更是更快地回答：这笔机会为什么存在、哪些条件会令它失效，以及在扣除所有成本后，是否仍值得继续研究。 从真实痛点出发 TECHUB NEWS：先请你介绍一下自己，以及你正在开发的 Arbitrage Dashboard。 小白：我是小白。此前我在 Web3 领域参与过 DApp 开发，现在主要做 Web3 与 AI 交叉方向的独立开发，同时也是一名 Agent 开发工程师。 Arbitrage Dashboard 是一个面向链上研究的套利工作台。它希望把分散的市场数据和链上数据整理起来，形成可组合、可追溯的套利研究结论，让研究者或交易者尽量在一个工作台中完成所需的信息获取、路径梳理与机会验证。 这并不是要让系统替用户直接下单，而是希望减少研究过程中的信息切换成本：当用户看到一个价差时，能够进一步理解资金流向、交易路径、成本结构和可执行条件，而不是只停留在一个数字上。 TECHUB NEWS：为什么会将 AI 应用开发与 Web3 链上研究作为重点探索方向？ 小白：这两个方向与我的兴趣和技术背景相契合。Web3 中很多数据天然存在于链上，过去如果要研究一笔交易或一条资金路径，往往需要人工从不同页面中提取、比对和整理信息，成本很高。 AI 比较擅长处理复杂、分散和非结构化的信息，因此有机会协助研究者处理这些原本需要大量人工完成的工作。但我不希望 AI 只是生成一段读起来很合理的分析，而是希望它建立在真实数据和确定性计算基础上：通过获得足够上下文，帮助用户理解一个套利机会为什么存在、为什么可能无法执行，以及最终为什么可能无法形成利润。 把分散数据放进证据链 TECHUB NEWS：市场已经有行情软件、区块链浏览器和 DEX 数据平台。为什么还需要一个新的可视化工作台？ 小白：这源于我自己的研究痛点。验证一笔链上交易时，通常要在区块链浏览器、交易详情页、Token 转账记录、内部调用信息，以及不同协议页面之间反复切换。现有工具能够告诉用户发生了哪些数据变化，但很难在同一个页面直接回答几个关键问题：资金从哪里来？经过了哪些交易路径？总成本是多少？利润是否能核对上？这是否是一个可以复现的机会？ 页面之间不断切换本身就有成本，也会让研究过程变得碎片化。Arbitrage Dashboard 希望将这些信息按照交易和资金的逻辑组织在一起，形成一个有顺序、可回溯的研究工作台。可视化不是为了把数据做得更复杂，而是为了帮助人更快看清路径、成本与证据之间的关系。 TECHUB NEWS：从“发现价差”到“确认真实机会”，为什么仍然有很多困难？ 小白：如果随意打开两个 DEX，或者一个 DEX 和一个 CEX，往往都能发现某一时刻存在价格差。但价差只说明两个场所的报价不同，不代表用户能够以预期规模成交，也不代表最终能够赚钱。 还需要进一步验证多个条件：这笔交易会带来多大的价格冲击；两端流动性池是否有足够深度；手续费、Gas 费和资金成本如何计算；交易路径是否可行；如果涉及跨链，跨链时间会不会改变价格条件；账户容量是否足够；以及在竞争激烈的环境中，交易是否能够及时被打包并成功上链。 当这些条件和成本被逐一扣除后，许多表面上的机会可能已经变成亏损，或者根本不具备可执行性。因此，项目希望解决的不是“更快发现报价差”，而是“更系统地验证机会是否真实存在”。 报价、线索与验证结果 TECHUB NEWS：怎样通俗地区分市场报价、候选套利机会和经过验证的结果？ 小白：市场报价是最初级的信息：某个资产在不同平台或流动性池中，在某一时点显示出了不同价格。它可以是一个线索，但还不是结论。 候选套利机会，是在看到价差后，初步把交易方向、可能路径和潜在收益列出来。此时需要提出假设，例如从哪里买、到哪里卖、需要经过哪些协议或链路、预期规模是多少。 经过验证的结果，则必须把可执行条件逐项纳入计算和核验：实际可成交规模、滑点、流动性深度、手续费、Gas、资金成本、跨链或结算时间、交易竞争和路径风险等。只有这些因素都被审视过，才能判断一条线索是否仍具有研究价值。 这三者不能混为一谈。若把报价直接当成可实现利润，用户很容易忽略现实执行环境；若把候选路径直接当成已验证结果，就可能在看似有利的数字背后承担未被计入的风险与成本。 TECHUB NEWS：用户在 Arbitrage Dashboard 中，从发现线索到完成验证，理想的研究流程是什么？ 小白：首先，用户从交易所行情、资金费率、DEX 流动性等市场信息中发现可能存在的价差或异常信号；接着，将其作为候选机会，梳理可能的交易方向和交易路径。 之后，研究重点从“价格是多少”转向“是否能执行”：查看对应池子的深度和预期滑点，估算手续费与 Gas，分析资金是否需要跨链、跨链时间和路径会带来什么影响，并结合账户容量和竞争情况评估潜在限制。 如果研究对象是历史链上交易，还需要进一步追踪资金从何而来、经过哪些合约或协议、每一段路径产生什么成本、最终资金流是否与结果相匹配。只有当路径、成本、资金流与最终结果可以相互对应时，研究者才有机会形成更完整的证据链。 项目目前以研究与模拟验证为主，帮助用户理解和检验这些条件，而不执行真实交易。 AI 是研究助手，不是获利承诺 TECHUB NEWS：作为 Agent 开发工程师，你认为 AI 与 Agent 最适合在产品中承担什么角色？ 小白：AI 和 Agent 可以帮助做线索发现、数据整理、路径解释、信息比对和待验证假设的提出。面对大量链上交易记录、协议调用和市场数据，机器可以更快地协助把分散信息放到同一条研究路径上，并提示用户哪些数据尚未补全、哪些成本可能被遗漏、哪些地方存在冲突。 但最终目标不是让 AI 给出一个“肯定能套利”的答案，而是让它帮助用户建立基于真实数据和确定性计算的判断过程。尤其在链上环境中，数据来源分散、时效不同、交易条件变化很快，AI 更应当帮助用户识别不完整信息和伪机会，而不是把不确定性包装成过度自信的结论。 TECHUB NEWS：在链上投研中，AI 更重要的价值是发现机会，还是排除伪机会？ 小白：两者都重要，但对研究者而言，排除伪机会同样关键，甚至经常更具现实价值。市场中可以看到很多即时价差，但其中不少在考虑滑点、费用、链上拥堵、时间和竞争后已经没有利润空间。 如果 AI 只负责推送更多机会，而没有能力解释其可执行条件、风险和成本，用户的决策负担反而会更重。更有意义的工作流是：AI 协助发现线索，也协助提出反问和核验清单，把“看上去能做”尽可能转化为“为什么能做或为什么不能做”的清晰说明。 TECHUB NEWS：为什么项目选择以只读研究和模拟验证为边界，而不直接执行真实交易？ 小白：从报价差到真实交易之间存在很多动态条件。真实执行涉及资金、账户安全、交易时效、滑点、链上拥堵以及市场竞争等风险。对于一个研究型工具而言，先把数据、计算、路径和证据链做清楚，比直接把用户带入真实交易更重要。 只读研究和模拟验证的定位，也有助于让用户理解产品输出的边界：它提供的是研究支持和条件核验，而不是收益承诺或自动交易指令。通过先把“研究是否可靠”作为重点，项目希望在产品可信度、透明度和用户风险管理之间建立更审慎的基础。 结语 对小白而言，Arbitrage Dashboard 的价值不在于把瞬时价差包装成一个自动化获利故事，而在于把一条链上研究线索拆开来看：报价是否真实、路径是否可行、资金如何流动、成本能否核对、交易在现实环境中是否具有可执行性。 在 AI 与 Web3 加速交叉的背景下，链上数据并不天然等于清晰结论。AI 可以降低人工整理和跨平台核验的成本，但更重要的是帮助研究者建立证据链、识别缺失条件，并区分市场信号与可验证结果。 从“看见价差”到“验证机会”，中间并非只有技术连接，更包含对成本、流动性、时间、竞争和风险的逐项审视。对于仍处于开发和验证阶段的 Arbitrage Dashboard 来说，这种对研究边界的强调，也是其希望带给用户的核心价值：先把机会看清，再谈是否值得行动。 编辑说明：本文根据 TECHUB NEWS 对小白的访谈文本、会议摘要及采访提纲整理。文中关于 Arbitrage Dashboard 的产品定位、功能设想、数据研究流程与风险边界，均以受访者表述及提供资料为基础。项目仍处于开发与验证阶段，相关内容不构成对任何交易策略、数字资产、协议、交易平台或市场走势的推荐、预测或保证。 免责声明：本文仅作信息交流、技术讨论与研究方法说明，不构成任何投资、交易或套利建议。数字资产及相关产品价格可升可跌，链上交易还可能涉及智能合约、流动性、滑点、Gas、跨链、网络拥堵、交易对手及安全等风险。市场报价、历史交易记录、模拟结果和任何分析均不代表未来可实现的交易结果。读者不应仅依赖本文内容作出投资或交易决策，并应根据自身目标、财务状况、风险承受能力及适用法律审慎评估，必要时咨询独立专业意见。6教育最奢侈的“一人一解法”，即将变成日常作者 ｜ 李楠 微信 ｜ tqkm1510 1950 年代，关心教育的心理学家 Skinner 去看女儿的小学数学课，发现有人已经做完练习，有人仍然没听懂，老师只能在几十个孩子之间来回检查、纠错。 Skinner 由此想到，如果每个孩子的掌握程度不同，他们此刻得到的反馈和下一步学习任务也应该不同。他后来设计教学机器，希望机器至少能够根据学生的回答提供即时反馈、安排下一道题。这成为教育技术早期将个性化教学规模化的一次尝试。 但个性化教学的实践远比想象中更难。人力有限，高明的老师始终稀缺。即使是经验丰富的老师，也很难及时捕捉每个学生在每一个学习环节出现的细小困惑，更不用说随时为这些需求重新组织一次教学。 在各种尝试之后，以大模型为代表的新一代 AI，又给个性化教学打开了新的空间。 Alpha School 是个激进的例子。它主张学生每天上午依靠自适应学习软件和 AI 系统，用两小时完成数学、科学等核心学科，再用下午四个小时学习创业、编程等现实技能。AI 的一个重要作用，就是实时分析学生的学习状态，进而调整课程。 国内的教育平台同样在跟 AI 深度融合，其中最新的样本来自豆包爱学。它把“一人一解法”的个性化教学贯彻到产品的各种细节功能里，不仅让教学更适配每个学生的学习需求，还让学习过程更有意思。 1 让每次学习，都得到更有趣的指引 很多行业值得用 AI 重做一遍，很多课程值得用 AI 重学一遍。 5 月底，豆包爱学上线“豆包课堂”，把数学和古诗词的学习融入到了可互动的 AI 课程里。不过更有趣的是，豆包爱学还实现了游戏化课程定制，把自己的想法交给 AI，就能得到一门图文互动的专属课程。 比如把数学融合进商业实践，让用户可以具象化理解数学知识。在一个案例中，用户变身古代点心铺的小掌柜，上演“点心铺闯关记”——他要用上数学课的知识，在三天时间里，把一家快要关门的小店彻底救活。 第一关的谜题是“桂花糕为什么越卖越亏”。这里要搞懂成本和利润的关系，保证卖点心绝对不亏本。 第二关是备货问题。这里要学会比较不同备货数量可能带来的剩余或缺货，理解平均数能怎样帮助作出判断。 第三关是促销关卡。很多老板喜欢做买二送一的促销活动，但促销未必明智。这里要用比例、对比和利润计算，来判断促销活动的可行性。 而在最后，用户将迎来终极挑战。他要将三天学到的知识汇总成一份《小掌柜秘籍》，把定价算账、备货估算、促销判断中的思考和知识来一遍完整的回顾，由此成为一个生意上的小专家。 从成年人视角来看，这种游戏或许略显幼稚。但代入小学生视角，他在闯关互动中获得的心理满足远比传统的学习过程要强。而且这种互动课程不仅可以教会用户数学计算，还能在潜移默化中实现商业启蒙，一举多得。 大量教育研究已经表明，把知识嵌入具体的问题情境，不仅有助于提升学习兴趣，也更有利于训练知识迁移、问题解决和综合应用能力。对豆包爱学来说，AI 互动引导可以广泛定制生成。 除了豆包课堂，豆包爱学的“问答”页面同样可以提供个性化教学。打开其中的“学习模式”，输入各种想学习的主题，AI 就可以调用不同能力给出解答。 我试着在这里重温中学语文课。 首先是鲁迅的《从百草园到三味书屋》。豆包爱学先是给出了两个学习选项：要么从童年视角出发，跟着少年鲁迅的脚步去感受童年的自由与拘束；要么从成年视角出发，去看鲁迅藏在童趣背后的对教育、对自我的复杂回望。 我选了第一个视角。随后“豆老师”先把百草园的美妙之处一条条摘出来，然后抛出一个问题，让我想想自己的童年记忆里，有没有过类似“百草园”的小角落。显然，这是希望学生可以与鲁迅共鸣、共情，来增进对文章的理解。 我还尝试学习《红楼梦》中的诗词。“豆老师”先是指出曹雪芹作诗的特殊之处——并非为了写景而写景，而是做“人物的命运寓言+性格盖章”，之后则是给出三个不同难度的角度，来展开《红楼梦》诗词的教学互动。 整体而言，在“问答”中，豆包爱学会根据学生所掌握的知识水平和兴趣偏好，给出启发性的教学。 事实上，豆包爱学的“问答”是一个超级入口，除了以上针对性的互动引导，里面还整合了多种学习 Skill。在学习过程中，系统会根据具体情况，自动调用不同的 Skill，生成专属的学习工具。 小朋友要学习写字，它可以生成笔顺学习组件，以可视化的方式引导一撇一捺如何下笔。当学习数学时，它可以列出竖式，来清晰呈现除法题目该怎么解答。这些小场景在学习时极其高频，却没有被通用 AI 很好地解决。 更进一步，豆包爱学在问答互动过程中，会根据学习内容和学习进展，推荐相应的测验题目，来巩固学习成果。在随机的学习体验中，天文中的“月相”状态，历史中的长城作用，我也都重学了一遍。 此外值得一提的是，豆包爱学还引入互动网页的能力，强化个性化引导教学的效果。面对函数、几何等知识，AI 可以实时生成带动画和交互的学习页面。 总的来看，豆包爱学实现了对任意主题、任意知识点的个性化和趣味化的教学指引，并给出匹配用户需求的教学内容。 1 两条路线汇合，拓宽个性化教学边界 过去一年，AI 教育领域的主流产品都在持续推进个性化教学，而其中的探索大致可以分为两条路线。 一条路线侧重于让 AI 学会“教学”。去年 7 月，OpenAI 上线 ChatGPT Study Mode。一个学生拿着题目来求助，AI 会先问学生已经知道什么、卡在了哪里，再通过提示、追问、理解检查，一步一步往下走，避免一次性把答案全部端出来。 前文提到的 Alpha School 也是如此。它的核心能力之一，就是让系统更准确地判断学生现在会什么、不会什么，以及应该用什么节奏推进学习。 另一条路线则是侧重学习内容本身。Google 推出的 Learn Your Way，会根据学生的年级和兴趣重新组织教材内容，并进一步生成思维导图、音频课程和互动测验。同一个知识点，不同学生得到的材料可以有不同的难度、例子和呈现方式。 豆包爱学则把以上两条路线整合起来。它既会把同一个知识点组织成 AI 课程、互动网页、情境任务等不同形式，也会根据学生提出的问题、当前理解程度和学习偏好，来选择不同的切入角度，进而分步引导、即时追问。 而这种整合能够匹配不同学科、不同主题和不同学习环节，让个性化教学进入一种动态的“原子化”阶段：一方面，个性化教学的响应单位缩小到一次具体的学习需求；另一方面，这些教学内容和动作可以在需求出现之后即时生成，并随着学生的反馈继续调整。 当学生需要系统理解一个主题时，豆包爱学可以生成一门课；当学生只卡在对某个概念的理解，豆包爱学可以给出一种可视化解释；当学生想要确认学习效果是否扎实时，豆包爱学能立即推送测试链接。 这些指引不需要学生自己调 skill，也几乎不需要等待。这在以前几乎无法想象。 而以上种种引导几乎都可以由豆包爱学“问答”来提供，学习体验就更为便捷和流畅。 此时再回到开篇故事。 七十多年前，Skinner 设计教学机器，希望机器能够根据一次回答的对错，来决定下一道题应该是什么。今天 AI 能做到的，远比这位学者期待的要多。 而这种 AI 教育的演进在国内有更为现实的意义。一对一的个性化教学曾在国内风行，但它对多数人始终是一个奢侈的愿景。现在借助 AI，这种“一人一解法”的教学，终于有了真正普及的可能。 点个 “ 爱心 ” ，再走吧7分享一个大幅节省Codex额度的邪修方法，不要浪费了你的ChatGPT Pro会员。最近我的Codex额度，已经烧到我有点用不起的程度了。 大家可能都知道，我做了一个AI热点资讯产品，叫AIHOT。 然后我最近做的，基本都是关于AIHOT的底层优化，一个是尽可能降低成本，一个是系统底层的性能提升。 全是什么压模型API成本、压抓取成本、用算法替代模型、找过度设计、找性能瓶颈啥的，甚至最近因为突破了100万的月活，流量和请求费用已经到了我扛不住的地步了，又在疯狂的想办法，压缩流量传输，降低成本，都快把边缘缓存用到极致了。。。 然后我又为了做热度榜，把监控的信源加到了快2000个的量级，每天大模型的API的费用，也是几百块的烧。。。 所以，基本是一天一个200刀的Pro会员号，直接快干成日抛了，3个号轮着转，一个用完了切换另一个，继续做任务。 一边是AIHOT每天后端在疯狂烧钱，一边是为了优化AIHOT的烧钱而每天在Codex上疯狂烧钱，我感觉我自己每天好像起床就好像陷入了某种赛博循环，钱就跟流水一样哗啦啦消失了。。。 特别是我也不太懂代码，我只能当个产品经理，去规划流程架构，知道我的目标是什么，但是具体它要怎么实现？有没有一些能更加突破的方法能实现？你指望我这个愚蠢的人脑去想这个事，我肯定搞不定的，所以必须要有一个很强的大模型，根据我的需求和目标，调研完我们过去所有的日志数据，然后给一个很棒的开发的规划，后续我去执行才可以。 最近我是经常用GPT-6 Astra Max来分析和规划，甚至有两个降本的任务，我直接上了GPT-6 Astra Ultra，然后出完计划以后，用GPT-6 Astra 高来实施。 所以Codex额度不可能抗的住的，甚至额度消耗的很大头，是来自于前面的分析规划，用Ultra分析规划一次，我的200刀会员的周额度，直接能没10%。 穷则思变。 人一旦被额度逼到墙角，脑子就会异常活跃。 所以我就在想，我怎么最大化的去利用ChatGPT的网页版，因为大家都知道，ChatGPT的网页版有一个超强的模型，GPT-6 Pro，而且这个东西其实算ChatGPT Pro会员一个非常容易被忽略的隐藏福利。 因为它的额度是跟Codex分开的，并不消耗你的Codex额度。 200刀的Pro会员，一周有200次的Pro对话额度。 讲道理，这玩意一直是我心中极其好用的模型，7月份没有GPT 6只有GPT 5.6 Sol的时候，我就聊过，说这玩意的Review水平和深度，都极强。 但是GPT Pro模型一直有一个问题，就是没有办法看到我的真实的业务数据和场景，他可以通过插件的方式，链接我的Github，看到我所有的PR记录和实际的代码，但是他还是看不到我这么多月的所有的服务器日志记录，还有我真实的线上数据库。 如果你看不到这些东西，你怎么能去分析数据，然后推理找到一些底层突破，从而给我们一个真实的规划方案呢？ 就比如昨天到底进来了多少条数据，我们每天的高峰数据到底是多少。 某一个模型调用到底一天烧多少钱，分别烧在了什么地方，缓存命中率是多少等等。 所以本质上。 代码告诉AI，这套系统理论上应该怎么运行。 生产数据告诉AI，这套系统实际上是怎么运行的。 PR历史，则告诉AI，它为什么一路变成了今天这个屎山。 这就是过去GPT-6 Pro我用它做方案规划最大的痛点，它一切都只能根据我的现有代码进行推测，它没有办法根据我的真实数据进行分析回测。 于是我就一直在想办法怎么去解决这个事，我当然知道有各种各样的桥接方式，把GPT 6 Pro的额度拉到Codex本地里面，用它来去处理。 但是过去无数种的经验告诉我，这种方式是会有风险的，我不太想冒这种风险。 然后，我就想起了一个东西，MCP。 在网页版ChatGPT的聊天模式中，可以调用插件，但是不能调用Skill，而插件的底层，其实就是MCP。 那如果...把我的服务器，直接封装成MCP，然后变成一个插件，能跟Github插件一样，直接让GPT-6 Pro通过MCP协议，读取我的服务器所有数据，这样是不是就行了？？？ 说干就干，我直接给Codex发了一句话。 对，就这么一句话：“给 AIHOT 增加一个供 ChatGPT 使用的生产业务数据只读 MCP Server，让 GPT-6 Pro 能安全查询 AIHOT 所有服务器的真实数据。但是一定是最小权限、只读、可审计，不能影响生产性能，也不能暴露密钥和敏感数据。” 他自己就封装完了。 因为为了保护我们的服务器安全，所以我只给了只读的权限。他不能对我的服务器进行任何的操作，他只能读数据，但是不能操作数据。 同时也为了保护我们私有MCP的数据安全，他也提问了说，需要OAuth登录服务，那太简单了，因为我们用的是飞书，我过去在公司里面也直接开发了一整套的飞书的认证中心供我们同事使用，我直接就把飞书的鉴权给接进去了，只有我自己的飞书账号登录以后才能用。 然后过了大概半小时以后，Codex给我开发完了。 因为它强大的Computer use的操控能力，所以甚至，都给我上传好了，自己都做完了实验。 成了。 MCP是个好东西，真的，万物皆可MCP，你可以把你任何本地电脑上、服务器上的东西封装成MCP，然后做成你的私有插件，你就全部可以让GPT-6 Pro调用了，这个想象空间有多大，能做的事有多少，我相信大家的想象力一定比我丰富。 那接下来，再说一下怎么用，以及怎么跟Codex更好的协同。 打开我们的Codex，点击左上角的快速聊天。 吊起ChatGPT的聊天模式。 这时候就会在右下角给你弹一个窗，把模型选成GPT-6 Pro，点击+号，选择你自己的插件。 因为我既需要给数据也需要给代码和PR记录，所以我是同时调用我自己的插件和Github插件。 这个时候你就可以提出你的需求了。 比如我说，我希望继续降低成本。 他就会直接读取我们所有数据，开跑。 大概GPT-6 Pro思考推理了40分钟以后，终于跑完了，然后给我了一个非常详细的方案，我看了一下，质量真的极高。 这一次，如果你直接用GPT-6 Astra在Codex里去跑，我觉得周额度的10%是真的能干掉的，所以通过这种方式，真的就节省了周额度的10%，而且也是完全的符合OpenAI的所有规则，没有干任何出格的事情。 那有了这个方案之后，我们怎么扔到Codex里面，去直接执行呢。 方法也巨简单，你完全不需要把那个md文档和方案下载下来再上传之类的，你直接点击聊天窗口的添加到Codex。 你就会发现，这个对话，已经到你的Codex窗口上了。 接着，写一句执行的万能Prompt： “帮我验证，并且做掉这里面提到的所有值得做的优化，然后统一上线。” 我自己习惯在执行的时候，把推理等级开到“高”了，大家开到“中”也行，但是不建议用“轻度”，至少我自己觉得效果不是特别好，有时候来来回回的失败或者不验证，搞起来特别麻烦。 马上GPT-6 Sol大概率就上了，GPT-6 Sol上了之后，执行这块，我可能会无脑切换到GPT-6 Sol了，只有一些高难的任务我觉得我才会切换到GPT-6 Astra。 上面Prompt写好以后，直接发送，我也不知道过了多久，因为我直接睡觉去了。 起床一看，开发完了。 这个任务，最终好像也只花了我周额度的4%左右。 还是很爽的。 讲道理，GPT-6 Pro这么强，每周还给我200次额度，让它躺在那里吃灰，然后另一边一天烧一个Codex账号，我是真的觉得我扛不住。 只要你是Pro会员，不管你是100刀的（100刀的能每周用50次GPT-6 Pro额度），还是200刀的，都可以试试，把你的真实数据和业务，封装成MCP，让GPT-6 Pro去使用，应该能减少很多你的Codex token消耗。 同时，我还是要强调一下，这种遵守规则的MCP和插件调用的方式，99.99%不会有啥风险，更不会给你降智或者风控啥的，但是如果你去用一些三方的桥接插件，把GPT-6 Pro的额度反代出来用Codex来开发，如果被风控了，别找我= = 账号安全第一。。。 最后，总结一下这套工作流。 ChatGPT上的GPT-6 Pro通过MCP的方式把真实世界接入进来，进行详细分析做规划和架构。 然后Codex的GPT-6 Astra high负责具体的开发执行。 省钱省心又省力。 我只需要提需求和做决策就行了。 哦不对，我还要负责付钱。 。。。 AI啊。 真好玩。8以小博大，一家AI4S水下公司的野心「 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）： Part 01 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。 Part 02 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。 Part 03 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。9美联储加息一次够么？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：S008012507002410体验完 Livo，我想聊聊它暴露出的行业真相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A I 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
