Loading...
Loading...
放弃百万美金年薪，牛津兄弟想训出「华尔街AI分析师」「自研模型，冲向交易金字塔尖。」
文｜孙小雯 海若镜
编辑｜海若镜
做AI金融模型创业前，子辰已是年薪百万美元的“金领”，凭借在顶级投行练就的交易嗅觉，赚钱对他来说不算难事。
创业的起心动念，源于一场AI交易大赛Alpha Arena。2025年底，DeepSeek、GPT、千问等大模型都下场参赛，也让子辰发现：通用大模型已经进化出一定的独立判断能力。也许未来，他引以为傲的投资决策能力，也能被大模型复现。
与其恐慌，不如下海去搏一搏风浪。他找到正在Meta从事模型研究的方正，两人一拍即合，开启了名为FreeRide的AI创业航程。「暗涌Waves」独家获悉，FreeRide AI近日完成数百万美元种子轮融资，投资方为L2F光源创业者基金。
在还没有Demo时，就拿到融资，关键有两点：一是选择的方向，二是创始团队的履历和潜能。从牛津大学数学系毕业后，子辰先后在伦敦和香港的摩根士丹利、摩根大通、华泰国际等机构工作，从事复杂衍生品交易，曾担任高级交易主管。
方正的履历则更为复合。牛津大学物理系毕业后，他先后在瑞银、Evercore、麦格理资本等机构，处理欧美区域的投行投资业务。因为感知到AI在金融行业的巨大潜力，他又回到剑桥大学攻读计算机科学博士，并参与到Meta、Oracle等大厂的AI模型训练和AI系统的研究。
两人开始探索：大模型已初具决策智能，但要让AI拥有“华尔街交易员”级别的能力，还有多少座山要翻越？
第一座绕不开的是“数据”。文本、代码可以被海量采集，但真正影响金融交易的高质量经验，往往只存在于一线从业者的大脑里。即便能采购诸多类型的数据库，但怎么判断数据价值、权重，进而转化为真实世界里的决策智能，仍有鸿沟。
而且，金融交易数据天然高噪声，现有大模型围绕coding智能体，适配出的长流程模式很难直接迁移。
架构层面，金融交易任务往往依赖极高维度的逻辑分析，很多任务不是定点、单向的求解路径，仅靠常规模型训练方法难以突破，还需要引入专门的系统学习架构。
即便金融专业模型掌握了应有的专业知识与能力，金融市场瞬息万变，只有让AI能够自主学习、自我进化，才可能捕捉到真实市场信号。
这些路障，也让他们理清了技术路线：做AI金融交易大脑，必须自训专业的垂直模型底座，同时做自进化Agent。基于在金融行业沉淀的经验，调整接入通用大模型的参数权重，进化出更有实操经验的LLM底座，先让AI成为有2-4年工龄的初级员工；再通过自进化Agent，让模型能够适应实时多变的金融交易。
自研模型，无疑是昂贵且艰难的。但子辰、方正认为，这是冲上金融“金字塔尖”的必经之路。一旦跑通，垂直模型进入塔尖的华尔街投行和一线基金，参与衍生品定价、复杂投资研究及决策，未来将能辐射更广的金融市场，甚至成为普通人的交易“副驾”。
在他们看来，模型大厂和互联网平台的确拥有更多算力与资源，但却很难偏离当前AI发展主线，聚焦于金融这一细分场景。未来AI系统，或许更像一个交响乐团：通用大模型，与一群专业模型合作，完成复杂任务。
除训练金融专业模型以外，两人在2026年发表论文，初步验证Agent在高噪声、高变化金融领域自进化的可行性。这一“会寻找Alpha的研究员”机制，在沪深300市场中测验，经过1600步进化后，将生成因子的IR中位数从1.6提高到3.9。这个表现不俗，在传统量化领域，IR大于1.0就可称为优秀因子。
技术初验后，接下来FreeRide将从衍生品定价等专业任务切入，做出金融专业人士可用的模型，再拓展到更广泛的金融任务。
以下是「暗涌Waves」与FreeRide联合创始人张子辰、沈方正的对话（经编辑）：
Part01
AI交响乐团：
通用模型带一群垂类
暗涌：通用模型能搭Agent和Harness，为什么还要自己训练底层模型？
子辰：我们还是要用第一性原理去解决智能问题。现在Agent和Harness的架构越来越复杂，但如果你不掌握底层模型权重，上层设计地再精妙，也会面临一些风险，比如通用模型无法满足特定场景的任务质量。
另一方面是，以后机构会有自己的Agent，但这个Agent用哪个模型去驱动？现在的通用大模型不一定适合，我们希望做出一个更适合金融场景的模型，让这些Agent有机会用到FreeRideAI模型。
我们对比过GPT、Claude、DeepSeek、千问、MiniMax和智谱。在衍生品定价这类问题上，它们的确懂很多基础知识，但更像一个很好的实习生。你来投行实习，给出这样的回答，我觉得是OK的；但作为正式员工就不达标，因为你的答案过于肤浅，理论没有结合实际市场经验。
暗涌：投资人怎么看金融垂类模型，担心被通用模型吞掉吗？
子辰：感觉几个月以前，大家还在担心通用模型可以吞噬一切，但最近这一个月开始有变化。
通用大模型有几个限制，包括在专业领域的性能、成本和速度。对于特定专业，模型规模不一定是越大越好，最终形式可能是通用大模型与一系列专业模型合作完成任务。
现在的通用模型，在编程垂类已经做得非常好，但在金融、医疗等专业领域仍需要垂类模型。因为金融领域的一些实操经验，网上搜不到，书里也不会有。一个科技工作者很难复刻垂直领域里的顶尖能力。
方正：与其叫垂类模型，叫专业化模型可能更准确。与通识教育类似，现代AI在早期训练中打下的广泛知识基础，但若想像专业人士一样在特定领域独当一面，必须有高度专精的知识与职场技能培养。
暗涌：怎么确定金融模型该学什么？
方正：如果把模型训练比作“炼丹”的话，首先要知道这个“丹”是给谁吃的、解决什么问题。正因为我们团队在伦敦、纽约、香港等国际金融中心拥有丰富的专业经验，我们知道金融机构和专业人士需要AI模型做什么，就能反过来判断它应该具备什么能力、需要什么样的数据。
暗涌：买大量的商业金融数据库，来训练金融专业模型，是必须的？
子辰：确实需要采购数据库。但真正的经验是两点：第一，找到这些数据；第二，判断它们的价值和权重。同时面对100个数据，哪一个更重要？怎么把这些数据变成对决策有帮助的东西？决策思维链是怎样的？这些经验既往只存在于很小的金融圈，大家不会把它记录并公开出来。
比如期权定价的某一个参数，特定情况下怎么选，互联网语料和文献材料很少。但有一线交易实操经验的团队知道什么对、什么错，现有的数据里哪个权重应该更高、哪个应该更低。
如果只是把数据丢给模型专家，说“我有这些数据，你帮我去训吧”，最后的智能程度会非常低。就像经理让一个初级分析师分析问题，他直接把数据怼过去，那经理肯定会问：“我要你干什么？”
暗涌：只靠小圈子的经验，数据量够么？
子辰：首先，我们团队有能力从真实场景出发，针对需要解决的问题将相应的训练数据量放大。
另外，除了金融圈内的经验，我们还在做一件更有意思的事情，就是创建“模拟经验”的生成机制。它有些像AI斯坦福小镇，可以模拟人类的行为，各个角色在AI世界里交互。我们希望利用已有经验，用AI把数据量做大，去模拟更多有价值的经验。
暗涌：有具体的例子吗？
方正：关键技术细节，现阶段还不太方便透露太多。
但举一个例子，比如论文揭示的STAR机制，该机制处理的原始数据规模很小，而且全是有限、离散且信息与噪声高度浓缩的数值。
即便如此，我们仍然看到其中可以推导出有价值的观察结果，进而在后续阶段指导状态判断与决策行为。虽然应用于自进化和传统的后训练有所不同，但它印证了金融市场中很多信息可以被有效提取，并且作为信号推动AI系统与模型的整体迭代优化。
暗涌：金融领域现有的Benchmark怎么样，你们的垂类模型表现如何？
方正：现在金融领域的Benchmark并不是非常理想。比如去财报里找一些数字，本质上还是信息检索；或者是简单的计算，实质是把通用任务放到金融场景里。
我们也看到近期有一些Benchmark找专业人士标注，例如看一个问题需要从哪些角度思考的评测。但很多做得还比较粗糙，有些不是业内真正会考虑的问题。
子辰：我们不会盲目打榜。金融太大了，一个评测集可能只有小几百个问题。税务、会计、零售金融的问题跟机构金融的问题放在一起，各自覆盖面会比较狭窄。我们会针对性地判断，哪些Benchmark更适合我们。
Part02
自进化Agent：
即时感受市场变化
暗涌：为什么既要训练模型，又要让Agent自进化？
方正：它们是相辅相成的。由于通用模型在金融任务上的能力限制，只做Agent进化仍有效率和效果的瓶颈。与此同时，如果只做模型，那金融市场变化非常快，模型无法实时根据市场动态调整。
如果直接让通用大模型在金融任务上试错和进化，就像把基础能力不错的“高中生”送到华尔街，他成长为国际顶尖机构专业人士的进度，远不及直接引进具备扎实专业知识、高适应力的名校毕业生。训练金融专用模型，就是输出“AI金融名校生”。
我们希望Agent能够持续感知市场的变化，像人一样，慢慢沿着职业阶梯往上走。
暗涌：STAR自进化机制挖掘Alpha，和常见的Alpha挖掘有什么不同？这套机制会怎么用到产品里？
子辰：很不一样。一般大家会规定方向直接找Alpha。但我们的设计是让Agent进化成为一个很会找Alpha的研究员。
STAR加入了一个元认知模块，可以修改研究员的提示词、记忆、工具和研究流程。搜索时，也不只挑当前得分最高的个体，它会优先扩展能产生更强后代的谱系。论文里较少的进化步骤和成本，就将生成的因子使用的算子数量翻了将近7倍。
这些我们没有告诉它，都是它自主进化出来的。
反映到产品里，我们可以让用户定义自己想进化的方向。比如我现在有一个什么样的想法或者策略，你能不能通过STAR这套机制帮我进化，看看多少代之后会变得更好？这个是我们有机会做成“AI研究员”的能力之一。
暗涌：但论文的实验环境很简单，距离真正帮助机构做投资决策还有多远呢？
子辰：STAR这篇论文的核心目标并非优化单个Alpha因子，而是演化一个具备自主提炼能力系统的“Alpha研究员”。作为研究员，它能够综合市场现状、凝练思维框架、历史经验记忆及高阶数学算子工具，协同输出适配策略的量化因子。
这个世界上没有恒定的财富密码。
培养能够整合策略框架、经验与数学工具的研究型Agent，比单纯优化因子更具现实意义，也更契合人类研究员的工作逻辑。模型提出的因子，虽可通过不同样本及回测中的IC、IR和夏普比率等指标进行评估，但要将因子转化为最终的投资决策与收益，仍需历经投资组合构建、风险控制及交易执行等环节——这正是专业金融机构的标准运作流程。
现在机构大部分已经有自己比较成熟的机制，我们刚开始想做的是先融入进去。比如我给你一个好的Factor，你自己还有很多Factor，可以把它加进去做组合构建。
暗涌：怎么判断Agent给出的分析判断够不够专业？
方正：这里可以有很多方法，其中一种是将“高难度验证”转化为“低难度验证”。根据场景不同可以有很多具体实施细节，但其核心目标一致，即通过转换成正确性判定标准，简化整体验证流程。
不过，各种验证方法都无法完全取代行业最顶尖专家的重要性。我们有一个非常大的专家团来支持，他们是华尔街最顶尖的金融机构里的资深从业者，普遍有十几年、二十几年工作经验。
子辰：我举个例子。比如你问它怎么定价一个期权，普通的答案可能是看股票价格、波动率、股票的借款利率和股息率，这些都是教科书上能看到的东西。
但我们希望它能考虑到更多。比如这样的定价方式是否有对行业和同板块的分析，是否考虑到对未来事件的预测、对股票和行业未来资金流的分析等等。如果一个AI模型告诉我期权应该怎么定价，把这几点都说到了，我才觉得它在金融场景中是专业的。
Part03
未来之路
暗涌：FreerideAI首先想服务谁？他们最大的痛点是什么？
子辰：首先当然是希望金融机构和金融专业人士能满意。如果能做到，说明它达到了很高的智能水准。之后可以推广给更多普通人，这也是未来我们也想做的。
目前的问题是，大家根本不放心真的让AI协助投资决策。比如你问DeepSeek，明天该不该抄底？它会跟你说很多，看起来很专业，但有些回答存在AI幻觉，有些回答像教科书只给出概念。在专业的人看来，其实并不可用。
暗涌：现阶段，你们希望模型达到什么水平？什么时候能看到初步产品？
方正：近期要达到外资投行或者顶级对冲基金初级员工的能力，也就是有2到4年工作经验的员工水平。
随着模型训练越来越厉害，进化机制匹配得越来越好，再慢慢提高经验年限。当然，一开始是我们重点训练的场景和专业领域内，之后再逐步扩大事情的边界。
子辰：我们计划Q4推出初步Demo，到时候就可以看到一些特定场景的预演。衍生品定价是其中一个，未来还会逐渐泛化，扩展到二级市场交易、一级市场的投研等等。
暗涌：现在有密集接触投资人吗？什么时候准备启动下一轮融资？
子辰：最近主要在密集做产品研发和模型训练，等下个月Demo出来之后，再开始见一些投资人，准备融下一轮。
排版｜郭栩君
图片来源｜Unsplash
Lam Research：买入夏季回调（评级上调）引言
今年 5 月初，我曾对 Lam Research Corporation（LRCX）截至 3 月季度的业绩进行分析，并得出结论：公司增长强劲，利润率也在持续扩张。不过，当时我认为，公司对中国市场潜在风险的敞口较大，而且其溢价估值似乎已经充分反映了稳健的基本面，因此我当时保持了相对谨慎的态度。
【原文图片位置：评级历史（Seeking Alpha）】
在那次更新发布后，Lam Research 股价迎来了一轮不错的上涨，但自 6 月底见顶之后，股价已经出现了相当明显的回调。7 月底，这家芯片设备巨头公布了截至 6 月季度的业绩。今天，我们将看看这些数据，以及 Lam Research 计划如何进一步强化自己的竞争优势。最终，这篇文章的目标是判断，这轮夏季回调是否值得买入。
增长正在加速
【原文图片位置：Lam Research 收入增长走势图（YCharts）】
从 Lam Research 2026 财年 6 月季度的营收表现来看，很明显 AI 带来的顺风正在发挥作用，而且目前很可能还在进一步增强。公司实现总收入 67.2 亿美元，同比增长 30%，这意味着收入增速进一步加快。
Lam Research 更习惯报告环比变化，而如上图所示，环比增速同样没有令人失望。事实上，相比 3 月季度，公司收入增长 15%，这是过去几年中幅度最大的单季度环比增长之一，而且领先幅度相当明显，因此可以看到非常强的行业顺风。Lam Research 的收入还比分析师预期高出 5,093 万美元，这进一步说明公司实际业务活动强于市场预期。
另一个反映当前需求强劲的指标是库存周转率，公司库存周转率从 3 月季度的 2.9 次提高至 3.0 次，而去年同期仅为 2.4 次。这说明公司的产品并没有长时间积压在库存中。
存储业务顺风非常明显
【原文图片位置：存储业务收入结构（Lam Research June Quarter Slides）】
进一步观察公司的收入结构，可以明显看到存储业务一直是 Lam Research 的重要增长驱动力。考虑到目前存储市场供应有多么紧张，这并不令人意外。如右图所示，在 2026 财年 6 月季度，存储业务占公司系统收入的 46%，高于上一季度的 39%，也高于去年同期的 41%，这是一个非常清晰的信号，表明芯片制造商正在积极采购设备，以扩大存储芯片生产能力。有意思的是，DRAM 占系统收入的比例环比实际上略有下降，但同比依然明显提高，这说明数据中心对存储的消费需求仍然强劲。鉴于许多存储芯片厂商都在专注于提高长期产能，我认为未来几个季度乃至未来数年，存储业务都会继续为 Lam Research 提供顺风。因此，如果未来存储业务占收入的比例继续提高，我并不会感到意外。
中国市场风险正在下降
【原文图片位置：Lam Research 按地区收入构成（Lam Research June Quarter Slides）】
在上一篇文章中，我认为中国市场正成为 Lam Research 越来越大的风险。但在 6 月季度，这一风险似乎已经有所缓解。如右图所示，6 月季度公司有 26% 的收入来自中国，相比上一季度的 34% 和去年同期的 35% 都出现了明显下降。这意味着公司对于一个存在较高地缘政治和监管风险市场的依赖程度正在降低。更值得注意的是，Lam Research 在减少对中国市场依赖的同时，还能够加速整体收入增长，这一点非常令人印象深刻。这也说明，中国以外市场对公司设备的需求到底有多么强劲。不过，投资者仍然应该留意一些持续存在的风险。正如上图所示，中国依然是公司的第二大地区市场，因此 Lam Research 仍然可能受到美国出口管制，或者中国政府政策变化的影响。
强劲的利润率
【原文图片位置：Lam Research 利润率表现（Lam Research June Quarter Slides）】
除了强劲增长之外，Lam Research 在 2026 财年 6 月季度也交出了非常优秀的盈利表现。首先，公司非 GAAP 毛利率无论环比还是同比都有所扩张。在 3 月季度，公司报告的非 GAAP 毛利率为 49.9%，而去年同期为 50.3%。很明显，业务组合对毛利率改善发挥了重要作用。无论环比还是同比，公司客户支持相关收入及其他业务的增长速度，都快于系统收入，而前者本身天然就具有更高利润率。此外，毛利率的增长也可能反映出公司在供应紧张市场中的强大定价能力。
对于非 GAAP 营业利润率，如上图所示，公司在 6 月季度实现了 38.4%，明显高于上一季度的 35.0%，也高于去年同期的 34.4%。这一扩张幅度甚至比毛利率还要更加显著，因此 Lam Research 对营业费用的控制可以说非常优秀。在利润端，公司实现调整后 EPS 1.82 美元，同比增长 37%，而且相比分析师一致预期高出 8.10%，表现非常强劲。因此，目前盈利能力显然不是投资者需要担心的问题。
另一个值得关注的变化是，公司股票回购规模出现了相当明显的下降。在 3 月季度，公司回购了价值 7.96 亿美元的股票，而 2025 财年 6 月季度回购金额达到 13.07 亿美元。但在今年 6 月季度，公司只回购了 2.46 亿美元股票。这可能意味着，公司认为当前自身股价已经有些偏贵，如果继续回购，可能反而侵蚀股东价值。稍后我们会更详细地看看公司的估值。
财务展望
【原文图片位置：Lam Research 2026 财年 9 月季度指引（Lam Research June Quarter Slides）】
对于 2026 财年 9 月季度，公司预计收入约为 81 亿美元，这一数字远超市场一致预期，并意味着同比增长 52%。这将比 6 月季度已经相当亮眼的增长进一步显著加速。到了这个阶段，虽然仍有一些人担心半导体繁荣可能很快结束，但实际情况看起来恰恰相反，行业顺风似乎仍然在增强。
对于非 GAAP 毛利率，公司预计将达到 52.0%，高于去年同期的 50.6%。因此，客户支持相关收入的增长可能继续跑赢其他业务，同时公司的定价能力也应该继续保持强劲。与 6 月季度类似，9 月季度营业利润率的扩张速度预计也将快于毛利率扩张，因此公司费用纪律仍然会持续。在利润端，公司预计 EPS 将达到 2.15 美元，同比增长 71%，这再次说明盈利能力完全不是目前需要担心的问题。
如果把时间维度拉得更长，投资者还能看到更多积极信号。首先，公司强调，CY2027 及之后的业务环境“极其出色”。公司表示，“客户已经公布了多个持续数年的新晶圆厂项目时间表。”这进一步强化了行业顺风具有持续性的逻辑。此外，在财报电话会议上，执行副总裁 Bettinger 提到，公司未来几年目标是把毛利率提升至 50% 中段区间，把营业利润率提高到 40% 中段区间。因此，Lam Research 最好的日子很可能还在后面。
投资创新
毫无疑问，Lam Research 长期最核心的竞争优势之一就是创新。在一个半导体性能如此重要的世界里，谁能在技术上领先竞争对手，谁就能够长期推动客户采用并持续扩大市场份额。最近的一些进展表明，Lam Research 正在进行相当大规模的投资，通过创新进一步强化自己的竞争优势。
今年 8 月中旬，公司宣布，未来五年将向其研发实验室网络投资 30 亿美元。在新闻稿中，CEO Tim Archer 表示：
在 AI 时代，创新速度极其迅猛，这要求芯片采用新的架构、不同的材料，以及以纳米级精度制造的复杂结构。我们提高整个研发流程速度的能力，已经成为决定性竞争优势。
这与我上面刚刚表达的观点是一致的。需要指出的是，这些研发投资绝不是某个遥远的长期目标，而是公司现在就正在加大投入。就在几天前，Lam Research 为位于 Oregon 州 Tualatin 的研发中心举行了奠基仪式。COO Sesha Varadarajan 表示：
我们新的 Oregon 先进实验室预计将进一步强化公司的专业能力，并增加数万平方英尺具有高度价值的洁净室空间，从而帮助我们与客户进行更加紧密的合作，同时增强全球实验室网络的专业能力和覆盖范围。
除了提升自身创新能力并强化竞争优势之外，我认为这些投资和承诺也再次说明，管理层对未来 AI 顺风的持续性和耐久性非常有信心。
当前风险收益比已经变得具有吸引力
【原文图片位置：Lam Research 前瞻市盈率走势图（YCharts）】
6 月底时，Lam Research 的前瞻市盈率还在 70 倍以上。此后股价有所回调，但需要明确的是，估值倍数的大幅下降同样是由市场不断上调增长预期推动的。目前前瞻市盈率已经下降至 31.87 倍，低于我上一篇更新文章中看到的 45.25 倍。我认为，对于投资者来说，当前风险收益比已经变得具有吸引力。
今天的分析已经表明，公司收入增长正在加速，而且利润率正在改善。库存周转率表明市场需求依然稳健，而存储业务显然已经成为公司业务增长的重要催化剂。中国依然是投资者需要关注的重要风险，但公司对这一市场的依赖程度已经有所下降。此外，随着 9 月季度指引表现强劲，同时公司继续投资创新，我认为 Lam Research 最近一段时间的业务前景已经显著增强。
自我上一篇更新文章发布以来，Lam Research 股价上涨了大约 13%，因此再次强调，估值倍数收缩主要还是因为市场不断上调盈利目标。不过，即使股价已经上涨，当前风险收益比似乎仍然变得更好了。截至本文撰写时，Seeking Alpha 显示 Lam Research 的前瞻非 GAAP PEG 只有 1.19 倍，甚至比 IT 行业中位数略低。对于一家我们所熟知的 AI 革命关键推动者来说，我认为这样的估值意味着机会。
总结
过去 52 周 Lam Research 股价已经上涨超过 200%，毫无疑问，有一些投资者会认为自己已经错过了这轮上涨。不过，经过今天的分析，我认为，从当前位置出发，公司股价仍然有很大概率继续跑赢市场。总结来看，自我上一篇更新文章发布以来，Lam Research 的基本面和业务前景总体上都变得更强，而风险则有所下降。与此同时，估值已经回落，因此在我看来，风险收益比已经明显转向有利于多头。对于那些一直等待首次建立仓位，或者希望在现有仓位基础上继续加仓的投资者来说，我认为自 6 月底以来的这轮股价回调创造了一个不错的建仓机会。因此，我将 Lam Research 的评级上调至“买入（Buy）”。
豆包工作今日上线：字节AI办公的"独立军团"，到底能不能打？昨天刚写完TRAE和扣子并入豆包的消息，今天"豆包工作"就正式落地了。官网已经开放下载，电脑版可直接安装，也能在最新版豆包电脑版里切换使用。新用户登录就送30天订阅权益。
一天都没多等，字节这波是组织调整和产品发布踩着同个鼓点往前推。问题是——这个被字节寄予"AI主干业务"厚望的产品，到底是个什么东西？能不能跟腾讯WorkBuddy掰手腕？
不是聊天框，是"数字打工人"
先说清楚豆包工作跟普通AI助手的本质区别。你给它一个目标，它自己拆任务、调工具、操作电脑，最后把成品文件扔到你桌上。不是给你一段文字让你自己复制粘贴，而是指令进、成果出。
能力分三层：
第一层是生成和编辑。写方案、整理纪要、做调研报告、处理表格数据算基本功，PPT、文档、表格都能直接产出。亮点是"指哪改哪"——生成的文档里哪块不满意，直接框选那一段改，不用整篇重来。还能生成图片、视频、网页甚至简易应用，背后接的是Seedream 5.0 Pro和Seedance 2.5。
第二层是电脑操作。授权之后它能直接开浏览器搜资料、填表单、跨软件搬数据、用专业软件处理文件。长时间跑的任务可以丢给云电脑，你本地关机它照样跑。出门在外用手机就能远程给电脑派活。这部分能力主要来自TRAE团队在桌面端Agent摸爬滚打一年多的积累。
第三层是多智能体协作。平台上已经有100多个"工作伙伴"——UI设计师、HR招聘助手、数据分析师、短剧策划师等等。你可以拉几个AI组个"工作小队"，比如做调研报告时让数据、研究、设计三个Agent分工并行，最后汇总成稿。这套技能+连接器+工作伙伴的生态框架，底子是扣子（Coze）的Agent开发平台。
200多个技能、10多个连接器（飞书、钉钉、企业微信、腾讯会议、邮箱等），覆盖面已经相当广。
真正的杀手锏：飞书十年数据喂出来的"企业大脑"
但以上这些，WorkBuddy也能做，阿里千问办公也能做。豆包工作真正的差异化在一个地方：飞书。
用飞书账号登录后，豆包工作能在你权限范围内读取飞书里的聊天记录、文档、会议纪要、日程——这些不是你手动喂给它的，而是企业天然沉淀的工作上下文。它知道你们项目讨论到哪了、上次会议定了什么、文档里谁提了什么意见，基于这些真实信息来干活，而不是靠你一句话重新描述背景。
干完的活还会回写飞书，沉淀成可复用的企业知识。用得越多，它越懂你的业务。飞书里原来的"豆包企业版"入口也已经升级成了豆包工作。
说白了，飞书十年攒下的企业协作数据——组织架构、文档知识库、会议决策链——正在被拆成豆包可以调用的一个个能力模块。飞书从一个独立产品变成了豆包的"企业大脑"。这是腾讯用腾讯文档+企业微信也在做的事，但飞书在产品深度和知识沉淀密度上有自己的优势。
安全方面也下了功夫：全链路Agent安全防护，继承飞书权限体系，个人数据和企业数据隔离，是国内首批通过办公智能体能力与云端基准测试双项认证的产品。
68块钱一个月，贵不贵？
定价直接亮牌：
68块的标准版对标WorkBuddy的付费档，价格不算离谱。但有个现实问题：Agent跑复杂任务的Token消耗是普通问答的10到90倍，一次网页抓取加表格生成可能就干掉平时一周的问答量。重度用户额度够不够用，得实际跑起来才知道。
从媒体实测反馈看，轻量任务——周报、纪要、单表分析、图文排版——一次过的概率不错；但多表公式、精细排版、复杂GUI操作还是会翻车，需要人工兜底。财务建模、法律合同这类零容错场景，现阶段只能当辅助不能当主力。
结语：四张牌桌，谁的咬合更紧？
豆包工作上线，AI办公正式进入四强对线：腾讯WorkBuddy、字节豆包工作、阿里千问办公、百度（文库+网盘）。
四家牌面都不弱。腾讯有社交关系链和企业微信生态，阿里有钉钉的组织架构和云算力，百度有搜索入口和文档资产，字节有豆包3.82亿月活的C端流量池+飞书企业数据+扣子生态框架+火山引擎云基础设施。
QuestMobile数据显示，今年6月豆包以3.82亿月活位居AI原生App第一，是第二名千问1.67亿的两倍多。这意味着豆包工作不需要冷启动——豆包里已经习惯用AI处理文档、查资料的用户，就是现成的转化池。
但入场券只是入场券。执行能力打平之后，下一轮拼的是谁的AI能嵌进用户的数据、业务流程和工作习惯里，让用户换不掉你。字节用两个月走完了组织整合、能力收拢、品牌独立三步，速度确实快，可流量和整合速度能抢到身位，不能替它跑完后半程。
品牌认知要靠时间沉淀，付费意愿要靠真实交付换，复杂任务的稳定性还要一个版本一个版本磨。对字节来说，豆包工作上线不是终点，是真正考试的开始。
英伟达七连跌，为啥华尔街在抛售硅谷Alan Walker · 写于香港中环
2026 年 8 月 25 日
中环，早上七点半。美股收盘三个半小时。
隔壁桌两个做港股科技的在争一件事：英伟达连着跌了七天，是不是 AI 的故事讲完了。
这个问题问偏了。今年以来费城半导体指数整体涨了约七成，美光涨 213%，超威涨 142%，而英伟达只涨了约 7%，在费半成分股里垫底。钱没有离开 AI，钱只是离开了英伟达。
股价七天连跌，通常不是因为哪一天出了坏消息。真正的顺序几乎总是反过来的：大资金先做决定，价格随后反映，理由最后被写出来。下面前五段讲的是资金和人，后三段才讲盘面和财报。
先把四个数摆出来
208.48 美元 - 8/24 收盘
−7.5% - 七连跌累计
+7% - 年内涨幅（费半垫底）
18 倍 - 远期市盈率
01
先走的是谁
这轮七连跌的第一天，是 8 月 14 日。
同一天，美股二季度 13F 持仓报告集中披露——按规定，管理规模超过 1 亿美元的机构，要在季度结束后 45 天内 交出美股持仓底牌。6 月 30 日往后数 45 天，正好是 8 月 14 日。
那天市场看到了什么：
二季度机构对英伟达的操作
桥水 - 减持 17.62%。同期科技股全面减仓：谷歌 −33.81%、微软 −34.39%、亚马逊 −53.85%；半导体里美光减持 92%，几近清仓。
段永平 H&H - 减持 54.63%（756 万股）。同期加仓拼多多 26.71%，重新买入阿里巴巴，清仓台积电。
高毅 - 减持 72.41%。同期大举买入美光科技、闪迪。
景林 - 清仓。美股整体持仓骤降四成。
贝莱德 - 仍是第一大重仓，持仓市值 3886 亿美元。前五大增持全部来自半导体：美光、超威、应用材料、迈威尔、科磊。
13F 是后视镜——它反映的是 6 月 30 日的仓位，不是今天的仓位。但它把一件事挑明了：这些钱在这轮下跌开始之前 两个月 就已经在走了。
8 月 14 日之后价格才开始连着跌，不是因为这些机构那天在卖，而是因为市场那天才知道他们早就在卖。
通俗解读
不是先跌、然后大资金割肉。是大资金早在四五月份就一点点减掉了，八月中旬账本 被迫公开，剩下的人才发现自己是船上最后一批。发现之后开始往门口挤，才有了这七天。
02
主动的走完了，被动的走不了
看那张表里最反常的一行：贝莱德。
英伟达仍是贝莱德的第一大重仓股，持仓市值 3886 亿美元。同时它二季度前五大增持标的全部来自 半导体，其中美光增持幅度最大。它在英伟达、博通、美光、超威等十只半导体股票上的投资总规模超过 1 万亿美元。
贝莱德这类机构的绝大部分持仓是指数基金和 ETF。指数里英伟达占多少权重，它就必须持有多少。它不是不想卖，是 不能卖。
于是市场里出现了两类完全不同的股东：
被动 / 指数 - 按权重被动持有，只在资金申赎和成分调整时买卖 → 基本不参与定价，锁住大量流通股
主动 / 对冲基金 - 按判断加减仓，可以清仓 → 实际决定边际价格
英伟达五万亿美元市值，被动持股 的比例极高。真正每天决定价格的，是剩下那部分主动资金。而那部分主动资金，在二季度已经做完了减仓动作。
再看卖方那一栏：82 位分析师，只有 3 位给持有、1 位给卖出，平均目标价隐含超过 50% 上行空间。
这句话通常被当成利好，其实它是 仓位信号。当所有人都在推荐买入，意味着愿意买的人基本都已经买了。边际买家没有了。
通俗解读
一只股票要涨，需要有新的人愿意接。现在的情况是：想买的早就买满了，能卖的都卖过一轮了，剩下最大的那批股东是不看价格的指数基金。这种结构下，只要有一点点净卖出，价格就要往下找买盘，而且要找很远。
03
基金经理算的不是你那笔账
散户看英伟达，看的是"这公司好不好"。基金经理看英伟达，看的是"这个季度它能不能帮我 跑赢同行"。这是两笔完全不同的账。
把今年的成绩单摆出来：
年内表现
美光科技 - +213%
超威半导体（AMD） - +142%
费城半导体指数 - +71%
英伟达 - +7%（成分股垫底）
假设你管一只科技基金，考核标准是跑赢费城半导体指数。你把三成仓位放在英伟达，今年到现在，这三成仓位让你落后基准 60 多个百分点。
这时候你面前有两个选择。继续拿着，赌它财报后补涨——如果对了，你追回一点；如果错了，年底你的排名会很难看，而且很难解释"为什么全市场半导体都在涨，你偏偏重仓那只不涨的"。或者，把英伟达减掉，换成美光、超微，跟上基准。
对个人职业生涯来说，第二个选择明显更安全。这不是对英伟达的判断，是对自己饭碗的判断。
高毅二季度减持英伟达 72.41%，同时大举买入美光和闪迪；贝莱德把英伟达留在第一大重仓不动，但新钱全部加到美光、超威、应用材料上——这是同一个动作的两种做法。
通俗解读
基金经理最怕的不是亏钱，是 别人赚钱的时候自己没赚。英伟达今年只涨 7%，隔壁美光涨了两倍多，拿着英伟达的人每天都在被"我是不是站错队了"这个念头折磨。抛售的直接动机是这个，不是看空 AI。
举个例子
段永平二季度减持了英伟达 54.63%，但他 7 月 23 日公开说过，还是想持有足够多的英伟达，并且准备用"卖 put"的方式在低位加回来。同一个人，既在减仓，又在等着买回。这说明减仓这个动作本身，未必等于看空——它常常只是 价格和仓位的管理。
04
最大的那个买家闭嘴了
还有一个很少被提到、但对这七天解释力很强的因素。
英伟达在截至 4 月底的季度新增 800 亿美元股票回购授权，取代苹果成为美股 最大的单一回购方。同期它一个季度的自由现金流约 485 亿美元，股息从每股 1 美分提到 25 美分。
回购是什么？是一个不看价格、每天定量在市场上买入自己股票的买家。对一只被大量被动资金锁仓、主动流通盘有限的股票来说，这个买家的存在感非常强。
但公司在财报发布前有一段 静默期，期间通常暂停自主回购。8 月 26 日盘后出财报，往前推，最近这几周正好落在这个窗口里。
所以这七天里发生的事情是：主动资金在减，被动资金不动，而市场上最大、最不讲价的那个买家，暂时不在场。
价格没新闻也能连着往下走——因为托着它的那只手，暂时松开了。
通俗解读
一个菜市场里，平时有个大买家每天固定来扫货，价格就掉不下去。他休假两周，卖的人还是那些卖的人，价格自己就往下滑了。等他回来，价格又能稳住。这跟菜好不好吃没关系。
05
七天是怎么连起来的
一天下跌是消息，七天连着跌是 机制。
大资金先动，只是第一步。让它变成一条 连续下滑的曲线，靠的是后面几层自动跟进：
第一层，量化和趋势策略。市场上有相当一批资金是按规则做的：动量策略看过去六个月的收益率排名，波动率目标策略看实现波动率来决定仓位。英伟达过去六个月的收益率越走越平，波动率 却不低，这两类模型会自动调降仓位。它们不看市盈率，不看财报，只看价格和波动。
第二层，风控线。很多机构对单一持仓有回撤规则。5 月 14 日的收盘高点是 235.74 美元，跌破 10% 是一个被广泛使用的触发位。8 月这几天股价正好跌穿这条线，一批止损和减仓指令被机械地打出去。
第三层，自我强化。今天的卖出，让明天的"过去六个月收益率"更难看；更难看的排名，又 触发 更多模型减仓。这条链条不需要任何新的坏消息，就能自己走上七八天。
第四层，跟风的人。看到连跌四五天，原本没打算动的持有人开始怀疑"是不是有我不知道的事"。尤其在财报前，宁可先卖了看看。
通俗解读
第一批人是想清楚了才走的。第二批是电脑按规则自动走的。第三批是看见前面两批在走，怕来不及才走的。真正做判断的只有第一批，后面全是跟。七连跌这种形态，八成是这么来的。
06
技术面：8 月 24 日那根线
讲完资金，再看 盘面。8 月 24 日这一天，走势本身写得很清楚。
8 月 24 日日线
昨收 - 214.72 美元
今开 - 215.53 美元（高开）
最高 - 215.59 美元
最低 - 207.25 美元
收盘 - 208.48 美元（跌 2.91%）
成交量 - 1.35 亿股，约为日均成交量的 1.26 倍
高开近 1 美元，全天没再碰过开盘价，收在接近全天最低的位置，成交量放大到日均的一倍以上。这是很典型的一根 卖压主导 的日线：早盘的每一次反弹都被用来出货。
再往外看几个位置：
5 月 14 日的收盘高点 235.74 美元，是这轮回撤的起点，也是所有还在套牢的人的心理锚。208 美元下方，200 美元是一个整数关口，习惯上会有承接。而 207.72 美元 这个价位，在近五日走势里已经被反复触碰。
技术面上唯一确定的一件事是：连续七根阴线之后，短期均线全部压在价格上方，任何反弹都会先撞到一片套牢盘。要真正扭转，需要一根 放量的、带缺口的阳线 —— 而这种线，通常只有事件才能打出来。
通俗解读
图形上现在的样子是：上面全是被套的人等着回本走人，下面没有明显的托。这种结构里，小涨会被卖压吃掉，只有大消息能一次性把上面的卖单全清掉。8 月 26 号的财报，就是那个可能的大消息。
07
基本面：三个让人犹豫的数
资金先走，总得有个由头。基本面 上有三处地方，是过去半年被机构反复拿出来讨论的。
第一，利润的成色。10-Q 披露，某季度约 580 亿美元净利润里，有 134 亿美元来自所持上市公司 股权的未实现浮盈。剔除这一块之后，正常化净利润对应的市盈率从 18 倍升到接近 60 倍。而 2026 财年，英伟达用于投资活动的现金净额是 −522 亿美元，上一财年还只有 −204 亿美元。它一边卖芯片，一边给买芯片的人投钱，投出去的股权涨了又计回利润里。每一步都合规，但四步是同向的：好的时候一起好，转向的时候一起转。
第二，客户的结构。三家直接客户合计贡献 54% 的营收。更关键的是增量来源：2027 财年一季度数据中心收入 752 亿美元，超大规模客户 379 亿（环增 40 亿），其他云客户 374 亿（环增 89 亿）。增长最猛的那一栏是 新云厂商 —— 它们大多靠融资和债务活着，其中不少还拿过英伟达自己的投资。而现在 30 年期美债收益率在 5.27% 附近，2007 年以来最高，交易员定价的是年底前还要再加一次息。融资越贵，这批客户越难受。
第三，成本的位置。2027 财年一季度毛利率 74.9%，环比降了 0.1 个百分点。瑞银拆解显示，下一代 Vera Rubin 平台里内存占整机成本 62%，上一代 Grace Blackwell 是 53%。二季度 DRAM 合约价环比涨 58% 到 63%，NAND 涨 70% 到 75%。它已经把 1450 亿美元的供应承诺签了出去，原材料为 Vera Rubin 大幅备货。另外，中国的数据中心计算收入这一栏现在是零，上年同期还有 46 亿美元，公司在指引里明确写明"不含中国"。
通俗解读
这三件事单独拎出来，都不足以让一只增速 96% 的股票下跌。但对一个已经赚了很多、正在考虑什么时候落袋的基金经理来说，它们提供的是"卖出的理由"——人做决定的时候，往往是先有了想卖的冲动，再去找一个说得过去的理由。这三个数就是那个理由。
08
8 月 26 号盘后看三行
美东时间 8 月 26 日盘后，英伟达发布 2027 财年第二季度业绩。市场共识营收约 920 亿美元、调整后每股收益 2.09 美元，同比增长约 96%，公司此前指引 910 亿。
920 亿超不超，其实不是重点。真正会改变机构仓位的是三行：
毛利率 - 74.9% 之后是走平还是继续下滑。这一行决定 内存涨价最后由谁承担。
客户结构 - 超大规模客户与其他云客户的环比增量各是多少。这一行决定增长的钱稳不稳。
库存与供应承诺 - 1450 亿美元承诺本季怎么变。这一行决定公司对明年有多确定。
另外还有一个技术性的点：财报之后，静默期结束，那个 800 亿美元的 回购授权 会重新开始买。最大的买家回到场内，本身就是一股托底的力量。
把整件事收拢成一句
华尔街抛售的不是英伟达这门生意——数据中心业务 2026 财年做了 1937 亿美元，客户还在排队，82 个分析师里 78 个在喊买入。
华尔街抛售的是英伟达在自己组合里的那个位置。
当这个位置涨得比同行慢、当账本被迫公开、当最大的买家暂时离场、当模型按规则自动减仓——卖出就发生了，而且和公司好不好没有太大关系。
钱先走，理由后到。这是市场大部分时候的样子。
—— 写于中环，2026 年 8 月 25 日清晨
事实核查附录
一、事实与市场数据
· 8/24 收报 208.48 美元、跌 2.91%；七连跌累计 −7.5%，为 2022 年 9 月以来最长；较 5/14 高点 235.74 美元回撤超 10%。（界面新闻（宋佳楠）；华尔街见闻，2026-08-25）
· 8/24 昨收 214.72、今开 215.53、最高 215.59、最低 207.25、成交量 1.35 亿股，约为日均量 1.26 倍。（第三方行情终端；成交量倍数为终端统计口径）
· 年内涨幅约 7%，费半成分股垫底；远期市盈率约 18 倍，创近年新低。（华尔街见闻，2026-08-25）
· 82 位分析师中 3 持有、1 卖出；平均目标价隐含逾 50% 上行；三个月盈利预测上调 13%；FY2027 利润预期 2280 亿美元。（华尔街见闻，2026-08-25）
· 桥水二季度减持英伟达 17.62%，谷歌 −33.81%、微软 −34.39%、亚马逊 −53.85%；博通 −28.19%、超威 −58%、泛林 −40%、应用材料 −48%、美光 −92%。（2026 年二季度 13F 文件，经新浪财经统计）
· 贝莱德二季度前五大增持全部为半导体（美光、超威、应用材料、迈威尔、科磊）；英伟达仍为第一大重仓，持仓市值 3886 亿美元；十只半导体股合计超 1 万亿美元。（同上）
· 段永平 H&H 二季度减持英伟达 54.63%（756.31 万股）、谷歌 C −46.88%，清仓台积电与 CRWD，加仓拼多多 26.71%；组合总市值 191.01 亿美元。（H&H 2026 Q2 13F，2026-08-14 披露）
· 段永平 7 月 23 日表态希望持有足够多的英伟达，并考虑以卖出 put 的方式于低位加仓。（公开表态：本人公开发言，经媒体转述）
· 高毅二季度减持英伟达 72.41%，大举买入美光、闪迪；景林清仓英伟达，美股持仓降约四成。（2026 年二季度 13F，经时代周报等媒体统计）
· 13F 申报截止日为季度结束后 45 天（对应 2026-08-14）；本轮七连跌起始于 2026-08-14。（SEC 规则；起始日由 8/24 往前推七个交易日推得）
· 新增 800 亿美元回购授权，取代苹果成为美股最大单一回购方；季度自由现金流约 485 亿美元；股息由 0.01 美元提至 0.25 美元。（公司披露；华尔街见闻）
· 年内 AMD +142%、美光 +213%、费城半导体指数 +71%。（2026 年 7 月媒体统计口径，非 8/24 最新收盘数据）
· 10-Q 披露约 580 亿美元净利润中 134 亿来自持有上市股权未实现浮盈；剔除后正常化市盈率升至接近 60 倍。（公司 10-Q；正常化市盈率为第三方测算口径）
· FY2026 投资活动现金净额 −522 亿美元（上一财年 −204 亿美元）。（公司 2026 财年年报）
· 三家直接客户合计贡献 54% 营收；FY27Q1 数据中心收入 752 亿美元，超大规模客户 379 亿（环增 40 亿）、其他云客户 374 亿（环增 89 亿）；毛利率 74.9%（环比 −0.1pct）；供应承诺 1450 亿美元。（公司 FY2027 Q1 财报，2026-05-21）
· 30 年期美债收益率约 5.27%，2007 年以来最高；交易员定价 2026 年底前完成一次 25bp 加息。（Investing.com；新浪财经引路孚特（LSEG），2026-08-24）
· FY27Q1 中国数据中心计算收入归零（上年同期 46 亿美元）；Q2 指引 910 亿美元不含中国。（公司财报与业绩说明会）
· Q2 FY2027 财报 8/26 盘后发布；共识营收约 920 亿美元、调整后 EPS 2.09 美元、同比约 +96%。（市场共识：Investing.com，2026-08-24，为卖方预期非公司指引）
二、第三方拆解 / 机构预测
· Vera Rubin 内存成本占比 62%（上代 53%）。（瑞银物料清单，经媒体转述，为估算值）
· 2026 Q2 DRAM 合约价环比 +58%~63%、NAND +70%~75%。（TrendForce，为预测值非最终成交价）
三、作者推论与判断（非事实）
· "13F 披露日与连跌起点重合"仅为时点观察，本文未主张两者存在因果关系。
· "财报前静默期暂停自主回购，导致最大买盘缺席"——基于美国上市公司通行的回购静默惯例推断，英伟达未就本期回购执行安排作专门披露。
· 动量策略、波动率目标策略、单一持仓回撤风控线导致的机械减仓，"三批卖家"的分层描述——基于机构投资通行做法的分析判断，非特定机构披露。
· 技术面关于均线压制、套牢盘、200 美元整数关口的描述——基于公开行情的形态分析，不构成交易建议。
四、重要提示
本文为独立分析，不构成投资建议。文中第三方数据（13F 统计、瑞银物料清单、机构测算口径等）均已标注来源与性质，不代表相关公司官方口径。转载请注明出处。
—— Kea
去美元化交易我完全可以胜任一家国际投行的分析师，有没有兄弟给我介绍个工作，我也能写研报，每天一份不带重样的。
前天我就说了比特币这次可能不一样了，身体力行的梭哈了，一切都是马前炮。
花旗和野村都出研报了，说这次比特币的暴涨主要是3个因素：1.贝森特加大长期国债回购规模到40亿美元；2.川子喊单；3.底部筹码充分换手。
后面两个因素都没那么重要，都是这些分析师为了凑字数加上去的。
真正上涨的原因就只有一个：去美元化交易.
贝森特加大长期国债回购规模到40亿，40亿美元对我这种普通人来说当然很多，对于美债规模来说就是九牛一毛了，对在读这篇文章的你来说那更是是微不足道了。
作为对比，前几天SK海力士不是想让股票止跌嘛，于是出了一个回购销毁计划，金额是多少呢？40万亿韩元，大概就是286.2亿美元。
美债规模是40万亿美元，贝森特想用40亿美元撑住美债价格，这不是搞笑吗？可以完全把贝森特当初嘴炮了。
所以去美元交易就这样自然而然的发生了。
而比特币黄金等，天然就是美元的替代品，做空美元/做多黄金/做多比特币是相似的交易策略表达，比特币作为波动PRO MAX的品种，选择做多它也就很好理解了。比特币反弹至8万美元区间……分析师称“确认低点还为时过早”比特币（BTC）近期反弹至约8.2万美元水平，但分析认为，现在判断市场底部已确认还为时过早。加密货币分析师CryptoCon将当前走势解读为“熊市旗形”，并表示若通道上轨再测试失败，则很可能再次下跌。
CryptoCon通过X平台表示，比特币（BTC）仍处于看跌模式之中。他解释说，当前价格正处于再次测试通道上轨的区间，市场参与者在此位置很容易判断“现在是否已见底”。但他指出，本次熊市旗形已持续86天，而自2021年11月以来最长的一次持续了100天，因此现在断言趋势逆转还为时过早。
据他观察，迄今为止共形成了7个熊市旗形，而比特币（BTC）通常在第二次主要上轨测试后出现向下破位的情况。近期反弹至8.2万美元的“ relief rally（安抚性反弹）”也可能是在这一走势中出现的反弹。CryptoCon预测，根据历史模式，“底部”可能要到今年年底才会出现。恐惧与贪婪指数也已重回中性区间，他认为这一局面正与之前的周期相似地重复出现。
另一位加密货币分析师Dr. Profit则声称，比特币（BTC）已进入“牛市陷阱”的最后阶段，而这是强劲下跌的起点。他表示，计划在比特币（BTC）触及8.3万至8.5万美元区间时保持多头仓位，随后增加空头仓位以应对后续下跌。此前他曾预测，比特币（BTC）的低点很可能在今年年底形成，在此之前可能会跌至5万美元水平。
根据CoinMarketCap数据，截至撰写本文时，比特币（BTC）交易价格在8.09万美元左右，近24小时呈下跌趋势。尽管出现短期反弹，但主要分析师仍警告波动性扩大和进一步回调的可能性，关于比特币（BTC）底部位置的争论预计将持续一段时间。
文章摘要 by TokenPost.ai
🔎 市场解读
尽管比特币反弹至8万美元区间，但分析认为其仍处于“熊市旗形”看跌模式内
在通道上轨测试区间，投资者容易形成底部预期，但若测试失败，则存在进一步下跌的可能性
根据历史模式，底部形成可能推迟至今年年底
💡 策略要点
短期反弹可能是安抚性反弹，需警惕追高买入
8.3万至8.5万美元区间是主要阻力位，在该区间判断趋势方向至关重要
部分分析师建议配合做空策略以应对下跌，市场可能进入波动性扩大区间
📘 术语解释
熊市旗形：下跌趋势中短暂反弹后再次下跌的持续形态
牛市陷阱：看似上涨但随后引发强劲下跌的陷阱区间
再测试：再次接近主要阻力或支撑位以确认是否突破的过程
恐惧与贪婪指数：将市场投资情绪数值化的指标，用于判断周期
💡 常见问题解答 (FAQ)
Q.
说比特币底部尚未来临是什么意思？
尽管近期出现反弹，但市场结构仍处于下跌趋势中。这意味着价格可能再次下跌，在更低的水平形成底部。
Q.
为什么熊市旗形形态很重要？
熊市旗形是经常出现的下跌趋势持续信号。特别是在通道上轨测试失败后，往往会引发强劲下跌，因此投资者将其视为重要的转折信号。
Q.
在当前区间投资最需要注意什么？
应避免将短期反弹误解为趋势反转。由于主要阻力位的方向性选择可能性较高，相较于盲目追高，考虑波动性扩大的保守应对策略更为重要。
TP AI 注意事项
使用基于TokenPost.ai的语言模型总结了文章。可能存在遗漏主要内容或与事实不符的情况。
机构 SemiAnalysis 分析师 Dylan Patel 深度采访：AI 算力产业链前瞻撰文：美股投资网
1. AI 的普及从根本上改变了哪种商业逻辑?
过去 = 想法很廉价 + 落地执行非常困难。
现在 = 想法满天飞且廉价 + 落地执行极其容易（通过 AI）。
这意味着 → 只有真正高质量的想法，才配得上投入算力去执行。用大白话总结就是，执行力不再是护城河，资本和团队的重心必须转移到「如何选择正确的想法」以及「如何销售 AI 产出的结果」上。
2.企业疯狂购买 AI Token 的驱动力是什么? 如果不跟进会有什么后果?
核心驱动力 = 效率的极度杠杆化。例如一个人花几千美元买 Token，就能在几周内干完以前百人团队一年的活（如芯片逆向工程分析、全美电网建模）。
结果 = 产生「幽灵 GDP」（Phantom GDP），即实际产出大幅增加但成本骤降，导致传统 GDP 统计失真。
如果不跟进 → 必然面临降维打击。如果你不消耗更多 Token 去创造并捕获超额价值，你就会沦为「AI 时代的永久底层」，很快会被动作更快的同行完全商品化并淘汰。
3. 当前 AI 算力的供给瓶颈到底卡在哪里?
表面上看 = 英伟达 GPU 供不应求，且旧卡使用寿命在大幅延长（从 5 年延至 7-8 年），推高了云厂商的毛利。
深层瓶颈 1 → 内存（DRAM）：产能扩充极慢，新增绝对供给要到 2028 年才能就绪，这意味着内存价格还会再翻两到三倍。
深层瓶颈 2 → CPU：强化学习环境的评分机制和大量 AI 生成的代码运行需要极多 CPU，导致 CPU 完全脱销。
深层瓶颈 3 → 台积电（TSMC）与边缘材料：台积电资本支出在 2028 年可能飙升至 1000 亿美元，而铜箔、PCB 玻璃纤维等不起眼的边缘供应链也已经全部满载，全行业都在靠「天价预付款」抢产能。
4. 大模型层的竞争格局和 Token 经济学呈现什么趋势?
现状 = Anthropic 凭借 Opus 4.7 和内部的「Mythos」模型暂时领先，甚至通过限制释放节奏来控制风险，利润率极高（72%）。
算力争夺 = Anthropic 受限于算力总量，而 OpenAI 通过疯狂融资和囤积算力（联合微软、甲骨文等）试图用算力规模弯道超车。
核心结论 → Token 需求远超基础设施的承载能力。即便二线、三线大模型厂商，也会因为头部算力不足而「卖断货」。基本上就代表，只要你能造出优质 Token，市场就能全盘吃下。
5. 为什么预测短期内会出现大规模的反 AI 抗议?
起因 = AI 带来的巨大商业重组会让普通人感到恐惧，大众会倾向于将长期存在的社会问题归咎于 AI。
催化剂 = AI 巨头（如 Sam Altman 和 Dario）的公众沟通策略极差 + 频繁渲染「AI 将改变世界/取代工作」的宏大叙事，加剧了普通人的焦虑感。
美股投资网应对建议 → 行业必须停止渲染未来的恐怖能力，转而展示 AI 在当下的正面赋能作用，否则公众的愤怒很快会被政客或网红武器化，引发大规模抵制。
Dylan Patel 人物背景：
研究机构 SemiAnalysis 的首席分析师（Dylan Patel）深度拆解 GPU（尤其是 Nvidia）
分析 AI 算力供需（谁缺芯片、谁在囤货）
跟踪产业链（ASML 设备 → 台积电 → 云厂商 → OpenAI 等
当分析师还在等待周期底部 市场已经在改写规则撰文：方到
「底部尚未到来。」
这是当前市场中最容易被接受的一种判断。分析师 Benjamin Cowen 基于历史周期给出的路径依然清晰——比特币通常在峰值之后约一年触底，由此推算，本轮周期的低点更可能出现在 2026 年末。
这套逻辑之所以成立，是因为过去的周期总是沿着同一条路径展开：情绪在顶部被放大，杠杆随之堆积，最终在流动性收缩中完成出清。
但当前市场的问题，并不在于时间，而在于这条路径本身是否仍然完整。
这一轮周期，并没有出现与以往相当的散户狂热，也没有形成同等规模的杠杆积压。价格在高位完成，却没有经历情绪的极端释放。
当市场进入调整阶段时，缺少足够的「被迫卖出」，也就很难触发熟悉的流动性坍塌。
这也是为什么，一边在讨论底部未到，另一边价格却始终在七万五至七万八区间维持韧性。
市场并没有拒绝下跌，而是缺少下跌的条件。
这种变化，让周期开始变形。过去的底部往往由剧烈出清形成，而现在更可能通过时间与结构的消化逐步完成。价格不再快速下探，而是在区间中反复调整。
与此同时，比特币第一次被放入更复杂的宏观环境中定价。
在地缘冲突与能源价格波动的背景下，它既没有完全跟随风险资产下行，也没有表现为传统意义上的避险工具，而是在震荡中保持相对稳定。
这更像是一种测试。
市场正在验证，比特币是否仍然完全受自身周期约束，还是已经开始具备在外部冲击中独立运行的能力。
如果周期仍然主导一切，那么宏观变量只会放大原有趋势；但当前的表现说明，价格正在逐步脱离单一的内部逻辑，开始受到更广泛因素的影响。
更深层的变化，发生在持有结构。
过去比特币的价格主要由交易行为决定，而现在，越来越多的筹码进入企业资产负债表与机构配置体系。
这些资金的特点，是持有周期更长，退出成本更高。
当市场中的筹码不再频繁流动，价格也不再依赖剧烈波动完成再平衡，而是通过更缓慢的调整逐步修复。
这同样改变了收益的来源。过去依赖波动获取收益，而现在更多来自配置本身。极端行情的触发条件被抬高，价格重心则逐渐稳定。
在这样的环境中，「底部是否到来」这个问题开始变得不再关键。因为底部本质上依赖一次明确的情绪反转，而当前市场，正在失去形成这种反转的结构条件。
回到七万八这个位置。它不只是一个价格区间，更像是两种逻辑的交界。一边是仍然沿用历史经验等待底部的交易者；另一边是已经开始按照资产配置重新定价的资金。
分析师的判断依然有效，但它所依赖的前提正在变化。市场没有否定周期，只是在重新定义周期。
References
Benzinga 报道
Benjamin Cowen 观点整理Circle股价上涨，分析师评估及机构投资者关注背景股价暴涨背后：分析师评级与机构投资者关注
Circle股价上涨得益于Freedom Capital分析师将投资评级上调至"持有(Hold)"。华尔街专家目前对Circle给出的平均目标价为127.24美元，较当前价格意味着约27%的上涨空间。
分析师意见分布为："强力买入(Strong Buy)"1份，"买入(Buy)"9份，"持有(Hold)"11份，"卖出(Sell)"3份，显示市场参与者观点存在分歧。市值约259.1亿美元的Circle，股价同时高于50日移动均线94.86美元和200日移动均线92.82美元，维持技术面积极信号。
第四季度业绩大幅超越市场预期
支撑Circle股价上涨的是稳健的业绩表现。公司第四季度每股收益(EPS)录得0.43美元，超出市场共识预期的0.25美元达72%。营收同比增长76.9%，达到7.7023亿美元。
分析师预计当前财年全年每股收益为0.84美元，这表明Circle的USDC稳定币业务在加密货币市场持续保持稳定增长态势。
内部交易与机构投资者动向
首席产品技术官(Chief Product & Tech. Officer) Nikhil Chandhok于4月21日根据Rule 10b5-1交易计划，以每股104.00美元出售1万股，套现总计1,040,000美元。
与此同时，机构投资者的兴趣正在上升。DekaBank Deutsche Girozentrale在第四季度新买入11,700股(价值约928,000美元)，Vanguard则持有558万股(价值约7.396亿美元)，成为主要股东。
监管环境改善动向与USDC应用拓展
Circle与Coinbase、Ripple等100多家加密货币企业共同向美国参议院提交联名信，敦促通过CLARITY Act。
此外，Pornhub转向USDC支付的消息表明，Circle的合规支付基础设施正被各行业领域采纳。
成交量下降背景下关注价格波动
最近交易日Circle成交量约为723万股，但在此前暴涨期间，成交量仅为209万股，较平时日均成交量1.508亿股减少80%。
当日最高价103.62美元，最低价97.90美元，日内波动幅度达5.8%，显示Circle股票仍保持高波动性。
TokenPost AI注意事项
基于TokenPost.ai语言模型对文章进行了摘要。正文主要内容可能被遗漏或与事实存在差异。
对话彭博 ETF 分析师：比特币 ETF 持有者为何在 50% 暴跌中没有抛售来源：Coin Stories
整理：Felix, PANews
彭博资讯高级 ETF 分析师 James Seyffart 再次做客《Coin Stories》，深入剖析 ETF 领域的最新动态：从比特币 ETF 持有者在 50% 跌幅中出人意料的「钻石手」策略，到摩根士丹利推出自有比特币 ETF 的里程碑式决定。
主持人：有一阵子没涉及 ETF 这个话题了。不如从比特币开始，比特币 ETF 目前的情况如何？
James：单纯谈论资金的流入和流出可能没那么令人兴奋，但我认为偶尔为你和听众做个阶段性回顾是有好处的。近一年前，我们大概在 2025 年 4 月（或早些时候）经历了暴跌，从那时的低点一直到 10 月 10 日，大约有 250 到 300 亿美元流入了比特币 ETF，表现得非常出色。但是从 10 月 10 日开始，大约有 90 亿美元流出了。当时媒体都在谈论这件事，好像世界末日了一样，说资金在大规模逃离。但如果你退一步看，就会发现在之前的几个月里资金流入了超过 250 亿美元，90 亿美元流出不是什么大问题。资金有进有出，ETF 本来就是这样运作的。你希望看到的是长期趋势向上。所以从 2 月 23 日到 3 月下旬，实际上有相当大的一笔资金流入。很多流出已经逆转，大概有 20 到 25 亿美元左右的资金又回流了。虽然不是所有的流出都逆转了，但情况已经稳定下来，价格也变得更稳定了，我们几乎每周都在创下更高的低点。所以比特币 ETF 表现得非常好，它们很好地应对了这种情况，市场上没有任何脱节现象。购买行为仍在发生。我们从 13F 文件中得知，第四季度有一些投资顾问和对冲基金在抛售。我认为这与基差交易有很大关系，所以我刚才提到的一些资金流出，可能与价格走势几乎完全无关。它更多是因为基差交易：即当你做空期货并买入现货时，你能获得一种无风险收益，之前很多嘉宾都谈论过这点。但我想强调的是，如果一种资产下跌了 50% 以上，而资金流出（90 亿美元）还不到刚推出头两年总流入资金的 15%，这真的是非常棒的。所以最后发生的情况是：OG 们卖出了比特币，而比特币 ETF 的持有者反而是真正的「钻石手」，他们非常坚决地持有着。
主持人：这正是我想要重点探讨的。因为我看到你和 Eric Balchunas 都发推说过，本来大家没指望投资者能经受住高达 50% 的这种回撤，但在 ETF 的世界里他们做到了，坚持持有而不是抛售。
James：是的。我们在 ETF 推出时就说过，很多不看好 ETF 的人会觉得「持有者将是软弱的，一有风吹草动就会抛售」。但事实是，如果你是一个 ETF 持有者，你大概率不是被人推销才买了这个 ETF 的。你是主动去了解什么是 ETF，去了解底层资产是什么，然后才做出的决定。通过了解，你明白了这个资产在历史上曾多次经历过 70% 到 80% 的回撤。而且像 Vanguard 的投资者们，他们每两周就会把钱固定投入投资账户，很多人只是为了达到一个设定的资产配置目标。在 ETF 推出前我们就讨论过，如果是 1%、3% 或 5% 的配置会怎样？ 这不像比特币主义者那样占到净资产的 80%。对于这些 ETF 持有者，这只是他们投资组合的一小部分。所以如果只有 3% 的仓位，即使下跌了 50%，虽然有点心疼，但没什么大不了的，他们不会抛售逃离。我认为目前正在发生的事实是：人们反而会在重新平衡投资组合时加仓。如果你的目标是 5% 的配置，腰斩后变成了 2.5%，当你在季度或年度进行投资组合再平衡时，你会再次买入回到 5% 的配置。反之在上涨时也一样。随着比特币 ETF 重要性的增长，这就是我们将看到价格波动趋于平缓的原因之一。理论上，你应该不会再看到极端的见顶狂热，也不应该看到彻底的崩盘。这就是目前发生的情况，我们没有看到跌破 4 万美元的 70%回调，也没有看到极端的见顶狂热。基本上每个人都这么说，但我想你在 ETF 中看到了这一点，且有充分理由让它发生。
主持人：你能分享一下谁在购买并持有这些 ETF 吗？我们在大学捐赠基金和养老基金中看到了它，听说 IBIT 是哈佛大学的最大持仓？
James：是的，这些 13F 文件你只能看到股权持有量。幸运的是由于 ETF 属于该报告标准的范畴，我们可以看到谁持有 ETF，但我们只能看到多头头寸。对冲基金是 ETF 的大用户群体，但从净值来看它们往往是做空的。所以我得提醒一下，我们不知道哈佛捐赠基金具体情况，但他们确实持有很大比例。耶鲁大学也持有这些资产，包括以太坊。最大的买家依然是投资顾问、财富顾问和经纪交易商，也就是通常有顾问帮他们理财的中高等收入普通人。尽管如此，13F 能显示的还是有限。在 2025 年 9 月底，我们知道的持有者比例大概只有 27%。甚至在第四季度看到对冲基金和顾问有些许流出，现在这个数字降到了大约 25% 以下。这说明我们只知道约四分之一的持有者身份，这也意味着绝大部分是由散户通过 Robinhood 或 Schwab 等经纪平台持有的，或者是不需要提交 13F 文件的国际机构在持有。至于机构方面，大多数是投资顾问，在 13F 层面他们就是机构。
主持人：ETF 获批的有 11 支对吧？现在表现如何？而且摩根士丹利马上就要入场了？
James：是的，现在可能已经有 12 支了。你还可以算上期货产品、带有期权上限的缓冲产品以及备兑看涨期权产品，比特币相关的产品已经形成了一个完整的子生态系统，且都表现良好。很多人说怎么可能有这么多产品，但这取决于流入的资金量，即使最小的也有几亿美元资金并在盈利。至于排名，贝莱德的 IBIT 在交易量、资产、资金流入等各项指标上都遥遥领先。排在后面的有 Vaneck 的 HODL、Bitwise、富达的 FBTC 等，所有这些基金都运作良好。对于 ETF 来说，主要看它有没有吸纳资金、资产规模够不够以及产品是否盈利，目前全都在发生。
然后你提到摩根士丹利将要推出比特币 ETF，这影响很大。回想 2017 年的口号是「做多比特币，做空银行」，而现在全美最大的银行之一即将推出比特币 ETF。摩根士丹利以本品牌名义发行 ETF 非常罕见，他们拥有「自带资产」，其平台上客户有超过六万亿美元资产。当客户问起比特币并想将其纳入投资组合时，既然他们可以自己做而不用把钱让给别的发行商，他们自然就在积极推进。尽管有些比特币支持者觉得银行在同化他们曾经想颠覆的东西，但这绝对是一件大事。
主持人：你认为这是所有大型银行开始进入这个领域并发行自己 ETF 的开端吗？
James：老实说，当摩根士丹利同时申请比特币、以太坊和 Solana 的 ETF 时，我感到很惊讶。他们入局很晚，并且目前看来产品没有差异化，只是另一个现货产品。市场上已经有其他正在申请的产品旨在提供独特的比特币玩法，比如前面提到的备兑看涨期权方面的东西。还有将之与碳信用额度结合的，这是为了迎合那些担心比特币挖矿带来问题的机构，我们不需要深究这个话题，但你能理解为什么机构会想要那种产品。
从目前申请文件来看，它似乎就是另一个普通的现货比特币产品。相对而言没什么差异化，至少我没看出来，我也不怕被指正。所以他们在这个阶段进入这个领域挺有意思的，但就像我说的，因为他们有自带客户的优势。我认为其他银行不一定会照做。摩根士丹利规模特别大。但我也是带了补充前提的，我本来也没想到摩根士丹利会推出这个。
主持人：实物赎回方面是不是发生了变化？
James：好问题，这正变得越来越重要。在头几年发行人想要实物赎回（用比特币换 ETF 份额，反之亦然）是不被允许的，现在允许了。之前你不得不走「现金创建」流程。里面有一大堆不必要的资金流转步骤，因为当时在这些 ETF 里做市的特定银行和做市商是不允许接触加密市场的。所以他们必须通过现金流转，并且必须拥有能处理这些现金的子公司。ETF 本身必须出去购买比特币，通常是通过某个主经纪商交易台，比如 CoinDesk 或某些其他服务商。
主持人：而现在可以采用我们刚刚讨论的模式了。
James：是的，产品效率变得超高。如果在美国购买 IBIT 或 FBTC，价差只有几美分，且几乎没有交易费，这对 ETF 效率来说意义重大。现在他们正在接入实物市场。目前只有授权参与商，也就是大银行能做，但比如 VanEck 有一款黄金产品，只要散户达到一定持有量，就能把黄金直接送到家门口。所以未来几年内，我毫不怀疑只要你在比特币 ETF 里有 1 万到 2 万美元，只要被白名单批准，他们就会直接把比特币发送到你的钱包地址。不像黄金那么重，比特币瞬间就能发送。由于发行商间的竞争，这在未来可能会成为一种比在中心化交易所获取比特币敞口更便宜、更高效的方式。
主持人：有一点我想问，这些 ETF 发行商大多使用同一个托管机构，这难道不是某种风险吗？
James：是的。Coinbase 托管了 Michael Saylor 的大部分比特币，也托管了大约 2/3 或 3/4 的 ETF 比特币。虽然现在有很多申请在试图分散托管人，比如贝莱德选了三家质押提供商，BitGo 和 Gemini 也分别是某些公司的托管人，但归根结底，仍高度集中在 Coinbase 上。所以你看到的这些 ETF 持有量的数据，很大一部分都在 Coinbase 的金库里。但这就是「林迪效应」，你在市场上存在的时间越长，就越被信任，发行商仍在这个过程里选择他们。这确实是我在关注并且略感担忧的事情。
主持人：很多比特币支持者对黄金作为通胀对冲和货币贬值的表现优于比特币感到失望。黄金 ETF 的资金流动情况如何？
James：之前谈到 10 月到 2 月期间比特币 ETF 的资金流出，而黄金在这期间则截然相反，资金如洪水般涌入黄金 ETF。金价也涨破了 5000 美元。但讽刺的是，现在方向反转了，大量资金正从黄金流出，但情况和比特币一样，之前流入的资金远比过去几周流出的要多。过去 8 个月，比特币和黄金的资金流动几乎是负相关的。因为这段时间比特币的表现非常贴近软件股。当初比特币跌破 6 万美元时，没人逢低买入，大家都在观望，直到跌到底部横盘时资金才重新进入。黄金也是一样，人们现在正在撤出。这是因为人们倾向于卖出涨了的东西、比如由于伊朗事件你想持有现金，你会卖掉跌了 50% 的资产，还是卖掉赚了 50% 的资产？显然是后者。这就是市场向均值回归的现象。
主持人：最大的黄金 ETF 是什么？
James：GLD。它是道富银行与世界黄金协会合作的 SPDR Gold Trust，但他们还有GLDM，那是一个迷你版，管理费用要便宜得多。然后还有贝莱德的 IAU，以及迷你便宜版本 IUM。但它们做的都是同样的事情，通常就是把黄金保存在伦敦的某个金库里，仅此而已。
主持人：它们在规模和流动性上与比特币 ETF 相比如何？
James：流动性差不多。但黄金 ETF 规模要大得多。第一个黄金 ETF 是在 2004 年推出的，它让人们首次能进行长期的黄金配置，并带来了一波持续到 2011 年的牛市。在 2024 年 12 月，比特币 ETF 的总规模曾极速逼近黄金 ETF，只差了几十亿美元。但随着随后比特币被抛售，而黄金在 2025 年经历了价格飙升和资金涌入的「双重利好」，现在黄金 ETF 的规模几乎是比特币 ETF 的两倍了。
主持人：你认为比特币还能追上来吗？
James：我们的观点是比特币 ETF 最终会超过黄金 ETF 规模，但目前看起来不太好说。人们购买比特币 ETF 的原因有很多种：有人看重它是「数字黄金」或分散风险工具，有人认同 Michael Saylor 的数字资产信用叙事。相比之下，黄金的用例很单一（分散投资工具和货币贬值对冲）。同时，市场目前也将比特币当成「风险增长型资产」在交易。所以比特币在投资组合中可以作为追求流动性增长的「提味辣酱」，所以我觉得它们终究会追上黄金的，只是当下走势恰好相反。
主持人：大家都知道比特币在投资组合中占比较小。但我发现，原来几乎没人持有黄金。投资顾问目前的黄金配置比例很低。你认为这种情况会改变吗？会逐渐增加到 3-5% 的配置吗？
James：是的。黄金的问题在于很多顾问觉得它只是块「宠物石头」，没有持有的理由。但我认为这确实会改变，特别是因为我们正在走向一个多极化世界。有很多研究显示，如果将 60/40 投资组合中的债券换成黄金，长期收益结果几乎一样。有人抱怨黄金在通胀飙升时没涨，是因为黄金与比特币一样，短期内和通胀的相关性几乎为零，不属于短期避险工具。它是一个长期的防货币贬值工具，因为它的低相关性，它是一个出色的分散风险资产。比特币与其他传统资产的相关性大约只有 0.2 到 0.3，非常适合分散风险。由于市场一直非常波动，贵金属的回调看起来甚至都有点像数字资产，尤其是白银。
主持人：是的，你能退一步谈谈对整个大盘市场的看法吗？因为股市表现强劲，但私募信贷方面却出现了影响估值的震荡。你认为未来 6 到 12 个月会怎样？
James：市场上总是有人在提示各种地缘政治和 AI 替代的危机，这很容易显得他们很聪明。但我是一个长期的多头，底层逻辑是大家每天都在努力工作改善世界，所以我的资金依然配置在股票和风险资产上。至于私募信贷，市场上公开交易的业务开发公司（BDC）目前正以超过 20% 的折扣在交易，这说明大家非常担忧。无风不起浪，私募信贷中已经存在真实的欺诈行为。而且私募信贷严重偏向软件行业，随着 AI 使新软件的开发成本趋近于零，大家担心这些软件公司的贷款将无法偿还。市场正在对私募信贷的严重问题进行定价，这些锁定期产品的流动性极差，一旦你想退出，根本拿不出钱来。希望投资顾问们在卖这些产品时充分说明了这种非流动性的风险。
主持人：我还想问一下那些衍生出来的比特币相关产品，比如 Strategy 的数字信贷。你认为未来我们会看到包含这些永续优先股工具的 ETF 吗？
James：是的，现在市场上已经有优先股 ETF 了，也有少数投资于数字资产财政公司股权和债务的 ETF。虽然资金流入还不是很多，但如果这个赛道持续增长，它们最终很可能会被打包进专注于加密和比特币资产负债表公司的 ETF 中去。
主持人：我们正处在一个大家都很紧张的混乱时期，地缘政治危机、害怕被 AI 取代等等，你最密切关注什么，想让大家知道些什么？
James：我正在密切关注人们把钱投向哪里。讽刺的是，我们看到市场在极大地走向多元化。去年大家都在讨论科技七巨头（MAG 7），但实际上自 2025 年第三季度以来它们表现一般。表现更好的是小盘股、实体资产和国际股票。所以我想说，多元化极其重要。
此外，过去 6 个月以来几乎没有什么是真的能用来对冲或者呈负相关的：比特币跌了，黄金跌了，债券也没有起到分散作用。唯一能起到分散作用的只剩下现金了。这就是「对冲手段的消亡」，除了去操作极其复杂的期权衍生品，普通人大概只能靠保持多元化的投资组合以及持有部分现金来应对了。「自研模型，冲向交易金字塔尖。」 文｜孙小雯 海若镜 编辑｜海若镜 做AI金融模型创业前，子辰已是年薪百万美元的“金领”，凭借在顶级投行练就的交易嗅觉，赚钱对他来说不算难事。 创业的起心动念，源于一场AI交易大赛Alpha Arena。2025年底，DeepSeek、GPT、千问等大模型都下场参赛，也让子辰发现：通用大模型已经进化出一定的独立判断能力。也许未来，他引以为傲的投资决策能力，也能被大模型复现。 与其恐慌，不如下海去搏一搏风浪。他找到正在Meta从事模型研究的方正，两人一拍即合，开启了名为FreeRide的AI创业航程。「暗涌Waves」独家获悉，FreeRide AI近日完成数百万美元种子轮融资，投资方为L2F光源创业者基金。 在还没有Demo时，就拿到融资，关键有两点：一是选择的方向，二是创始团队的履历和潜能。从牛津大学数学系毕业后，子辰先后在伦敦和香港的摩根士丹利、摩根大通、华泰国际等机构工作，从事复杂衍生品交易，曾担任高级交易主管。 方正的履历则更为复合。牛津大学物理系毕业后，他先后在瑞银、Evercore、麦格理资本等机构，处理欧美区域的投行投资业务。因为感知到AI在金融行业的巨大潜力，他又回到剑桥大学攻读计算机科学博士，并参与到Meta、Oracle等大厂的AI模型训练和AI系统的研究。 两人开始探索：大模型已初具决策智能，但要让AI拥有“华尔街交易员”级别的能力，还有多少座山要翻越？ 第一座绕不开的是“数据”。文本、代码可以被海量采集，但真正影响金融交易的高质量经验，往往只存在于一线从业者的大脑里。即便能采购诸多类型的数据库，但怎么判断数据价值、权重，进而转化为真实世界里的决策智能，仍有鸿沟。 而且，金融交易数据天然高噪声，现有大模型围绕coding智能体，适配出的长流程模式很难直接迁移。 架构层面，金融交易任务往往依赖极高维度的逻辑分析，很多任务不是定点、单向的求解路径，仅靠常规模型训练方法难以突破，还需要引入专门的系统学习架构。 即便金融专业模型掌握了应有的专业知识与能力，金融市场瞬息万变，只有让AI能够自主学习、自我进化，才可能捕捉到真实市场信号。 这些路障，也让他们理清了技术路线：做AI金融交易大脑，必须自训专业的垂直模型底座，同时做自进化Agent。基于在金融行业沉淀的经验，调整接入通用大模型的参数权重，进化出更有实操经验的LLM底座，先让AI成为有2-4年工龄的初级员工；再通过自进化Agent，让模型能够适应实时多变的金融交易。 自研模型，无疑是昂贵且艰难的。但子辰、方正认为，这是冲上金融“金字塔尖”的必经之路。一旦跑通，垂直模型进入塔尖的华尔街投行和一线基金，参与衍生品定价、复杂投资研究及决策，未来将能辐射更广的金融市场，甚至成为普通人的交易“副驾”。 在他们看来，模型大厂和互联网平台的确拥有更多算力与资源，但却很难偏离当前AI发展主线，聚焦于金融这一细分场景。未来AI系统，或许更像一个交响乐团：通用大模型，与一群专业模型合作，完成复杂任务。 除训练金融专业模型以外，两人在2026年发表论文，初步验证Agent在高噪声、高变化金融领域自进化的可行性。这一“会寻找Alpha的研究员”机制，在沪深300市场中测验，经过1600步进化后，将生成因子的IR中位数从1.6提高到3.9。这个表现不俗，在传统量化领域，IR大于1.0就可称为优秀因子。 技术初验后，接下来FreeRide将从衍生品定价等专业任务切入，做出金融专业人士可用的模型，再拓展到更广泛的金融任务。 以下是「暗涌Waves」与FreeRide联合创始人张子辰、沈方正的对话（经编辑）： Part01 AI交响乐团： 通用模型带一群垂类 暗涌：通用模型能搭Agent和Harness，为什么还要自己训练底层模型？ 子辰：我们还是要用第一性原理去解决智能问题。现在Agent和Harness的架构越来越复杂，但如果你不掌握底层模型权重，上层设计地再精妙，也会面临一些风险，比如通用模型无法满足特定场景的任务质量。 另一方面是，以后机构会有自己的Agent，但这个Agent用哪个模型去驱动？现在的通用大模型不一定适合，我们希望做出一个更适合金融场景的模型，让这些Agent有机会用到FreeRideAI模型。 我们对比过GPT、Claude、DeepSeek、千问、MiniMax和智谱。在衍生品定价这类问题上，它们的确懂很多基础知识，但更像一个很好的实习生。你来投行实习，给出这样的回答，我觉得是OK的；但作为正式员工就不达标，因为你的答案过于肤浅，理论没有结合实际市场经验。 暗涌：投资人怎么看金融垂类模型，担心被通用模型吞掉吗？ 子辰：感觉几个月以前，大家还在担心通用模型可以吞噬一切，但最近这一个月开始有变化。 通用大模型有几个限制，包括在专业领域的性能、成本和速度。对于特定专业，模型规模不一定是越大越好，最终形式可能是通用大模型与一系列专业模型合作完成任务。 现在的通用模型，在编程垂类已经做得非常好，但在金融、医疗等专业领域仍需要垂类模型。因为金融领域的一些实操经验，网上搜不到，书里也不会有。一个科技工作者很难复刻垂直领域里的顶尖能力。 方正：与其叫垂类模型，叫专业化模型可能更准确。与通识教育类似，现代AI在早期训练中打下的广泛知识基础，但若想像专业人士一样在特定领域独当一面，必须有高度专精的知识与职场技能培养。 暗涌：怎么确定金融模型该学什么？ 方正：如果把模型训练比作“炼丹”的话，首先要知道这个“丹”是给谁吃的、解决什么问题。正因为我们团队在伦敦、纽约、香港等国际金融中心拥有丰富的专业经验，我们知道金融机构和专业人士需要AI模型做什么，就能反过来判断它应该具备什么能力、需要什么样的数据。 暗涌：买大量的商业金融数据库，来训练金融专业模型，是必须的？ 子辰：确实需要采购数据库。但真正的经验是两点：第一，找到这些数据；第二，判断它们的价值和权重。同时面对100个数据，哪一个更重要？怎么把这些数据变成对决策有帮助的东西？决策思维链是怎样的？这些经验既往只存在于很小的金融圈，大家不会把它记录并公开出来。 比如期权定价的某一个参数，特定情况下怎么选，互联网语料和文献材料很少。但有一线交易实操经验的团队知道什么对、什么错，现有的数据里哪个权重应该更高、哪个应该更低。 如果只是把数据丢给模型专家，说“我有这些数据，你帮我去训吧”，最后的智能程度会非常低。就像经理让一个初级分析师分析问题，他直接把数据怼过去，那经理肯定会问：“我要你干什么？” 暗涌：只靠小圈子的经验，数据量够么？ 子辰：首先，我们团队有能力从真实场景出发，针对需要解决的问题将相应的训练数据量放大。 另外，除了金融圈内的经验，我们还在做一件更有意思的事情，就是创建“模拟经验”的生成机制。它有些像AI斯坦福小镇，可以模拟人类的行为，各个角色在AI世界里交互。我们希望利用已有经验，用AI把数据量做大，去模拟更多有价值的经验。 暗涌：有具体的例子吗？ 方正：关键技术细节，现阶段还不太方便透露太多。 但举一个例子，比如论文揭示的STAR机制，该机制处理的原始数据规模很小，而且全是有限、离散且信息与噪声高度浓缩的数值。 即便如此，我们仍然看到其中可以推导出有价值的观察结果，进而在后续阶段指导状态判断与决策行为。虽然应用于自进化和传统的后训练有所不同，但它印证了金融市场中很多信息可以被有效提取，并且作为信号推动AI系统与模型的整体迭代优化。 暗涌：金融领域现有的Benchmark怎么样，你们的垂类模型表现如何？ 方正：现在金融领域的Benchmark并不是非常理想。比如去财报里找一些数字，本质上还是信息检索；或者是简单的计算，实质是把通用任务放到金融场景里。 我们也看到近期有一些Benchmark找专业人士标注，例如看一个问题需要从哪些角度思考的评测。但很多做得还比较粗糙，有些不是业内真正会考虑的问题。 子辰：我们不会盲目打榜。金融太大了，一个评测集可能只有小几百个问题。税务、会计、零售金融的问题跟机构金融的问题放在一起，各自覆盖面会比较狭窄。我们会针对性地判断，哪些Benchmark更适合我们。 Part02 自进化Agent： 即时感受市场变化 暗涌：为什么既要训练模型，又要让Agent自进化？ 方正：它们是相辅相成的。由于通用模型在金融任务上的能力限制，只做Agent进化仍有效率和效果的瓶颈。与此同时，如果只做模型，那金融市场变化非常快，模型无法实时根据市场动态调整。 如果直接让通用大模型在金融任务上试错和进化，就像把基础能力不错的“高中生”送到华尔街，他成长为国际顶尖机构专业人士的进度，远不及直接引进具备扎实专业知识、高适应力的名校毕业生。训练金融专用模型，就是输出“AI金融名校生”。 我们希望Agent能够持续感知市场的变化，像人一样，慢慢沿着职业阶梯往上走。 暗涌：STAR自进化机制挖掘Alpha，和常见的Alpha挖掘有什么不同？这套机制会怎么用到产品里？ 子辰：很不一样。一般大家会规定方向直接找Alpha。但我们的设计是让Agent进化成为一个很会找Alpha的研究员。 STAR加入了一个元认知模块，可以修改研究员的提示词、记忆、工具和研究流程。搜索时，也不只挑当前得分最高的个体，它会优先扩展能产生更强后代的谱系。论文里较少的进化步骤和成本，就将生成的因子使用的算子数量翻了将近7倍。 这些我们没有告诉它，都是它自主进化出来的。 反映到产品里，我们可以让用户定义自己想进化的方向。比如我现在有一个什么样的想法或者策略，你能不能通过STAR这套机制帮我进化，看看多少代之后会变得更好？这个是我们有机会做成“AI研究员”的能力之一。 暗涌：但论文的实验环境很简单，距离真正帮助机构做投资决策还有多远呢？ 子辰：STAR这篇论文的核心目标并非优化单个Alpha因子，而是演化一个具备自主提炼能力系统的“Alpha研究员”。作为研究员，它能够综合市场现状、凝练思维框架、历史经验记忆及高阶数学算子工具，协同输出适配策略的量化因子。 这个世界上没有恒定的财富密码。 培养能够整合策略框架、经验与数学工具的研究型Agent，比单纯优化因子更具现实意义，也更契合人类研究员的工作逻辑。模型提出的因子，虽可通过不同样本及回测中的IC、IR和夏普比率等指标进行评估，但要将因子转化为最终的投资决策与收益，仍需历经投资组合构建、风险控制及交易执行等环节——这正是专业金融机构的标准运作流程。 现在机构大部分已经有自己比较成熟的机制，我们刚开始想做的是先融入进去。比如我给你一个好的Factor，你自己还有很多Factor，可以把它加进去做组合构建。 暗涌：怎么判断Agent给出的分析判断够不够专业？ 方正：这里可以有很多方法，其中一种是将“高难度验证”转化为“低难度验证”。根据场景不同可以有很多具体实施细节，但其核心目标一致，即通过转换成正确性判定标准，简化整体验证流程。 不过，各种验证方法都无法完全取代行业最顶尖专家的重要性。我们有一个非常大的专家团来支持，他们是华尔街最顶尖的金融机构里的资深从业者，普遍有十几年、二十几年工作经验。 子辰：我举个例子。比如你问它怎么定价一个期权，普通的答案可能是看股票价格、波动率、股票的借款利率和股息率，这些都是教科书上能看到的东西。 但我们希望它能考虑到更多。比如这样的定价方式是否有对行业和同板块的分析，是否考虑到对未来事件的预测、对股票和行业未来资金流的分析等等。如果一个AI模型告诉我期权应该怎么定价，把这几点都说到了，我才觉得它在金融场景中是专业的。 Part03 未来之路 暗涌：FreerideAI首先想服务谁？他们最大的痛点是什么？ 子辰：首先当然是希望金融机构和金融专业人士能满意。如果能做到，说明它达到了很高的智能水准。之后可以推广给更多普通人，这也是未来我们也想做的。 目前的问题是，大家根本不放心真的让AI协助投资决策。比如你问DeepSeek，明天该不该抄底？它会跟你说很多，看起来很专业，但有些回答存在AI幻觉，有些回答像教科书只给出概念。在专业的人看来，其实并不可用。 暗涌：现阶段，你们希望模型达到什么水平？什么时候能看到初步产品？ 方正：近期要达到外资投行或者顶级对冲基金初级员工的能力，也就是有2到4年工作经验的员工水平。 随着模型训练越来越厉害，进化机制匹配得越来越好，再慢慢提高经验年限。当然，一开始是我们重点训练的场景和专业领域内，之后再逐步扩大事情的边界。 子辰：我们计划Q4推出初步Demo，到时候就可以看到一些特定场景的预演。衍生品定价是其中一个，未来还会逐渐泛化，扩展到二级市场交易、一级市场的投研等等。 暗涌：现在有密集接触投资人吗？什么时候准备启动下一轮融资？ 子辰：最近主要在密集做产品研发和模型训练，等下个月Demo出来之后，再开始见一些投资人，准备融下一轮。 排版｜郭栩君 图片来源｜Unsplash
