Finance gurus make a lot of calls. I check them. 🧾 15 年一级投资从业，重度信息洁癖 分享金融、科技、地缘干货
Joined April 2017
- Tweets945
- Following849
- Followers4.3K
- Likes681
Pinned Tweet
有人找我要刚刚发的报告
一共两篇，我都放进群里。
需要的自己进来看👇
t.me/+_rqnRYhR_cE3NDU1
群里偶尔分享一些我认为重要的地缘、科技和宏观信息。
不荐股，不带单，不收钱。
所以资本开支增速确实开始放缓了
Deep|LLM: Enterprise AI Adoption Survey (Vol. 6) - In Our Sample: AI Spending Growth Expected to Slow; Routine Work Shifts to Lower-Cost Models
AI spending growth is expected to slow at most companies in this sample. The fintech group’s spending growth is expected to slow after a rapid initial AI rollout. At the pharmaceutical group, better model selection and procurement terms are expected to curb spending growth. Spending growth at the pharmacy and health insurance group is expected to remain broadly steady.
Claude-based workflows can replace specialist software for feature engineering. The subprime auto lender’s in-house workflow lets its team direct the search for variables, require explanations of their business meaning and account for compliance constraints. With that workflow meeting its needs, the lender plans to cancel or not renew a specialist tool costing ~$80K-100K a year.
Matching models to tasks can cut AI spending even as token use rises. After training, some teams at the fintech group roughly halved AI spending while using more tokens. The pharmacy and health insurance group’s expert estimates that better routing and model choice could reduce API costs by 20%-30% for the same workload; its automatic router is still under evaluation.
Some companies tie additional AI funding to expected cost savings, revenue gains or less manual work. The brewing group asks business owners to explain expected cost savings or additional revenue and whether they will commit to changing workflows and reducing headcount after full implementation. At the pharmacy and health insurance group, proposals to scale a use case must explain how it will reduce manual processing, handling time or rework.
Most companies in this sample have not adopted Fable for routine production; one interviewed company reports using Astra for cross-system commercial analysis. Cost, a lack of recurring tasks that justify it, and data-retention terms constrain broader Fable adoption. The mega brewing group uses Astra to combine market strategy, brand plans and financial information with customer-pricing information.
Self-hosted open-weight models already handle about half of API calls at one interviewed company. The pharmaceutical group has incorporated model downloading, scanning, verification and tuning into its internal process. Its expert roughly estimates model-use costs to be ~90% lower than with external APIs. These workloads avoid external per-token charges but still incur internal deployment and operating costs.
Detailed Report
fundaai.substack.com/p/deepl…
🚨对冲基金Great Hill Capital董事长海耶斯（Thomas Hayes）最新表示，关注人工智能（AI）抛售潮的投资者可能找错了方向，他们没有找到市场下一个重大走势。他认为，未来六个月内，标普500指数将出现“巨大的牛市”。他还断言，推动该指数创下历史新高的大型科技公司并非永远的赢家。相反，海耶斯押注于除科技七巨头以外的其余493家公司。海耶斯认为人工智能仍然具有现实意义。而近期抛售的原因在于投资机会正在发生变化。他认为，下一阶段的繁荣可能会惠及那些利用人工智能降低成本、提高生产力并扩大利润率的公司。那些斥资数十亿美元打造芯片、模型和数据中心的公司赢得了第一阶段的胜利。
前 Plaid CTO 做的 AI 报税软件，第一年营收就做到了接近 100 万美元，他却直接把项目砍了，因为在 AI 时代，长太慢的公司会被巨头直接碾死。
a16z 今天发了合伙人 Alex Rampell 和这位创始人 Jean-Denis（Town CEO）的对谈，几个要点：
1. 为什么一年营收近 100 万美元的业务，在 AI 时代不值得做了？
他离开 Plaid 后做中小企业 AI 报税工具，第一年营收略低于 100 万美元，预计第二年能做到 250 万到 300 万美元。在 AI 之前这算很不错的生意，但在 AI 之后拿不到风投规模的回报。因为报税一年才卖一次，没法做成日活产品，也没有口碑裂变；而在你慢吞吞抢份额的时候，手握渠道优势的老牌巨头用同样的 AI 技术给自己老客户做自动化，速度比你快得多。
2. 砍掉报税后转做什么，怎么让原本不用 AI 的小老板用起来？
他们在报税客户里发现，大家大量时间花在约会、会前准备、回常规邮件上，于是趁着 Opus 4.5 出来、智能体自主能力变强，转头做了跑在邮箱和日历上的工作助手 Town（连 a16z 创始人 Ben Horowitz 用了都主动去找合伙人安利，最终促成投资）。
他认为 AI 在硅谷之外还没普及，是因为普通店长没空自己折腾提示词，产品体验不能只是一个聊天框，必须直接替用户把活干了。比如美国的餐厅老板每个月都会收到批发商发来的几千上万种食材报价表，平时根本没精力挨个比价；Town 每月花 1 美元跑一次自动比价，12 个月里有 11 个月没发现异常，但只要有 1 个月抓到某家涨价 20% 到 30% 并提醒换供应商，就能帮餐厅省下几百上千美元。
3. 为什么不学大模型大厂派驻场工程师（FDE），怎么防备被大厂吃掉？
现在大模型实验室流行派驻场工程师去大企业定制软件，大企业一年花 500 万美元请 OpenAI 的人驻场看着很美，但他认为模型越强，这种重人工的模式反而越差，用 AI 自动生成定制软件才更容易扩张。
面对既当供应商又当对手的 OpenAI 和 Anthropic，他认为大中型企业不该绑死在一家大厂身上：一是谁也不知道未来三五年哪家模型最强、会不会涨价，Town 保持中立，随时切当时最好的模型；二是大厂派人驻场定制是为了增加转换成本把客户锁死，而 Town 让企业自己完全拥有积累的业务记忆和上下文，随时可以在一天内搬走，并且绝不用客户数据训练模型。
4. 当人眼不再看网页，亚马逊的 700 亿到 800 亿美元广告生意为什么危险了？
Alex 提到现在智能体流量已经远超人类流量，打破了互联网过去的默契（比如雅虎免费给你看股价，你贡献眼球看广告）。当智能体直接替人办事，那些靠聚合供应链加收广告费的平台就危险了。
Jean-Denis 认为，除了逛街挑乐高这种人自己享受逛的过程，像买卫生纸这种纯要效率的事，人根本不想看广告。以前只有时间多、钱少的人才会花两小时找优惠券或用比价网站，有钱没时间的人懒得弄；现在智能体让有钱人也能零时间成本自动比价、把信用卡的羊毛薅干。过去聚合供应链很值钱，是因为人的注意力有限；现在人的注意力可以被自动化替代，单纯聚合供应链的生意大大贬值，亚马逊如果只知道封杀智能体，可能会丢掉一大块广告江山。
当大模型本身的差距越拉越平，巨头砸几千亿最后到底靠什么赢？思维链（Chain of Thought）论文共同作者、谷歌 DeepMind 研究副总裁纪怀新（Ed H. Chi），在最新一期《硅谷坐标》播客里聊了他的判断，几个核心要点：
1. 当模型能力趋同，谷歌的护城河在哪？
纪怀新认为，所有经济问题最终都归结为"能力除以成本"（Capability over Cost）。他感觉模型能力正有一点点开始商品化（commoditize），当最好和最差的模型差距变小时，价值创造会往两头跑：一头是应用层的用户体验与粘性，另一头是底层 Token 工厂的成本控制。
这正是谷歌的全栈（Full Stack）优势：从应用、服务、大模型，一路往下到芯片开发和底层的能源控制，谷歌拥有成本最低的 Token 生产能力。如果大家只看短期，比的是质量和准确率；但按 5 到 10 年的周期算账，在同等能力下把成本压到最低，可能才是最重要的护城河。
2. 开源靠"思维链"追平闭源，差距还会继续缩小吗？
未必。他指出，开源模型此前能紧咬闭源，核心原因之一正是利用了他合著的思维链（CoT）论文的方法，把大模型的思考模式发掘出来，通过蒸馏去复制推理过程。
但现在有两个变化：第一，大厂正在做大量工作把思维链"藏起来"，降低被拷贝的可能；第二，多模态能力（如目前很多模型表现还很糟糕的视觉推理）很难靠蒸馏复制。部分能力确实会因蒸馏而商品化，但断定所有能力都会被追平还不够成熟。
3. 为什么不全部押注"超大模型"？
旧金山湾区的不少科技从业者信奉"软件吞噬世界"，认为只要做出超级大模型（Ultra-sized model）把编程和软件做好就能通吃。但纪怀新个人并不希望未来全靠超大模型，因为运算能耗实在太高。
这也是为什么 DeepMind 近期密集发布偏小型的模型：在手机端应用、个人化和通用助理等场景，实际上需要的是小模型。大模型负责拔高推理上限（三年多前 CoT 还在解小学生算术，准确率仅 33%，今年最大的模型已经在解纳维-斯托克斯方程这类千禧年大奖难题），而大模型与小模型之间的资源分配，目前在所有大厂内部都是一道难题。
4. 个人通用助理离真正落地还有多远？
虽然 2026 年初以来行业在探索帮人订机票、买东西的通用助理（如近期硅谷讨论较多的 Instinct、Muse Spark），但他认为目前仍处于非常初期的阶段。
消费级产品的真正护城河是用户体验，而用户对助理犯错的容忍度极低，只要犯一次严重错误（比如拿到信用卡乱买东西、订错机票），信任就会崩塌。他提出了一个"祖母测试（Grandma Test）"：哪天连你奶奶都指着机器人骂"你为什么这么笨"，说明大众对它的期望已经极高，通用助理的时代才算真正到来。他预测未来 6 到 12 个月内，行业会把通用助理与 AI 搜索（如谷歌 AI Mode）之间的边界与交互界面摸得更清楚。
5. 面对存储芯片短缺，AI 的"记忆（Memory）"研究卡在哪？
针对当前 DRAM、NAND 及硬盘（HDD）的供应链短缺，他从计算机科学角度指出，内存（Memory）和计算（Computation）是可以互相转换的：有长远投资规划的公司可以用计算去替代一时的内存短缺，或者通过改变神经网络设计（如 Kimi 的 Delta Attention）来降低内存需求。
目前模型记忆研究真正的瓶颈有两个：一是 Transformer 架构下最大的上下文窗口（Context Buffer）大概在 1M 到 2M token，这在他看来完全不够；二是学界还没把"记忆"想清楚，往往只把它当成存取机制（Retrieval）。从人类认知来看，记忆其实是一套指导 AGI 运转的动态程序，核心是"排序（Ranking）"和主动遗忘，即在具体场景下挑出最重要的信息，而绝非把所有东西一拥而上地塞进来。
掌管摩根大通约 20 年的董事长兼 CEO 杰米·戴蒙认为，网络安全现在是遥遥领先的最大风险，而且还在继续上升。他今天在纽约新总部接受《华尔街日报》41 分钟专访，几个要点：
1. 为什么网络安全比战争意外升级还危险？
通信光缆这类基础设施一旦被破坏，可以切断一整个国家，而这些流量卫星替代不了；大银行防护相对好，但供水、部分交通、小银行、供应商和一些科技公司存在薄弱环节。
* 攻击者来自国家、恐怖分子、内鬼和犯罪团伙，未来还可能面临 1000 个 AI 智能体持续攻击的局面，不过强 AI 模型也能帮他们找出约 20% 的漏洞。
2. 美国经济和通胀接下来怎么走？
美国经济现在相当强，企业利润在增长、失业率低，但通胀已经持续五年且很黏，政府赤字、全球重新扩军、贸易重组和医疗成本都会继续推高通胀。
建数据中心需要雇人，还得消耗钢材、服务器、道路和水泥，所以 AI 投资现在可能有一点通胀，之后才可能有通缩效果。
3. 摩根大通怎么应对衰退和市场大跌？
戴蒙不预测衰退哪天来，摩根大通的做法是把各种风险分析到死，准备好承受加息、降息、通胀、滞胀，以及股市跌 40%、信用利差扩大两三倍等极端情景。
4. 他怎么看中国和关键供应链安全？
他明确说中国不是敌人，摩根大通在中国有业务，他希望中国发展得好；但美国不该把稀土、芯片、原料药这类关键供应全押在任何一个国家身上。
当年外包生产省下的钱很少，比如一块磁铁省 5 美分、一辆车省 10 美元，却丢掉了继续推进技术和知识产权的能力，而中国提前做了战略规划。
5. 摩根大通自己真金白银投了什么？
正在推进"安全与韧性计划"，预计带动远超 1.5 万亿美元融资，含 100 亿美元直接投资，覆盖 29 个行业，并增配银行人员对接约 4500 家企业，愿意投比平常更早期、风险更高的公司。
笑死，AI 把间谍的饭碗也抢了！007彻底没活路了。 如今满街的摄像头加上AI分析，直接判了特工的死刑。
这是澳大利亚秘密情报局前局长尼克·华纳亲口承认的现实。在一场由CNN记者彼得·伯根主持的论坛上，他和英国军情六处前局长约翰·索尔斯同台对谈。两个前情报头子聊起老本行，华纳感叹这行越来越难。索尔斯看得很透，他们当局长之后冒出来的新技术，帮了防守方，坑了进攻方。守好自家地盘容易多了，派人去敌对国家潜伏、接头、行动，难上加难。
线下腿脚被捆住，线上的刀子却快了。索尔斯警告，今年网络攻击的威力正在猛涨。更让人捏把汗的是军情五处负责人的担忧，AI可能帮恐怖组织造出生物毒素，哪怕概率不高，一旦撞上就非常危险。而在地面上，索尔斯认为现在最激进的情报人员可能是俄罗斯人，正在欧洲搞混合战，袭击平民和民用基础设施，顺手干扰选举。
曾任驻伊朗大使的华纳还翻出一桩旧事。1994年，伊朗现任最高国家安全委员会秘书跟他说，和美国开战不可避免。华纳说对方算准了结局，只算错了时间。他甚至引用加拿大歌手莱昂纳德·科恩生前的诗句发问，我们是不是已经到了后美国时代？当被问及伊朗战争会如何结束，华纳留下一句冷冰冰的判断，视频放评论区。
法国大学生把全月的生活费摊在地毯上。房租、话费、网费、吃饭。一沓一沓数。数最后，手里只剩下 7.20 欧元。小伙子对着镜头苦笑，说自己还算宽裕。
疫情过去6年了，根据官方调查里，自报经济困难严重或非常严重的学生比例，从 2020 年的 20% 涨到了如今的26%。而年轻人这笔紧巴巴的小账，对应的正是法国失衡的国家大账。
就在前天，10 月 17 日，法国全境 55 万人走上街头。这波抗议最初在 9 月由学生发起。起因是：高校缺老师、教室破旧、设施老化。到了这个周末，工会和黄背心汇合进来，诉求直接变成了抗议物价和生活成本。一天下来近 2,400 人被捕，约 1,500 家商铺受损。
年轻人和工薪层觉得日子紧，伸手向政府要补贴、要投入。但翻开法国政府的账本，国库比大学生的口袋还要空。
法国的公共债务已经到了 3.6 万亿欧元，占到 GDP 的 119%。今年的财政赤字预期刚刚被迫从 5.0% 上调到 5.4%。在债市上，法国 10 年期国债收益率已经逼近 4.9%，借钱的成本越来越高。
政府没钱可发，只能反过来砍开支。刚刚拿出来的 2027 年预算案里，直接塞进了 540 亿欧元的紧缩计划。公务员薪资要冻结，养老金涨幅也得压在通胀线以下。
长达几十年的高福利模式走到今天，终于支撑不住了。宏大的财政危机落到普通人头上，从来不需要复杂的经济学名词。它就是一个大学生交完房租和网费后，手里剩下的那 7.20 欧元，和周末不得不去打的那份零工。
大的还在后头？预言了2008年金融危机、特朗普和新冠疫情的《第四次转折》作者 Neil Howe ，判断当下这场大动荡会持续到 2030 年代中期，最激烈的金融崩溃、政治洗牌和大国冲突都在未来 10 年集中摊牌。
他今天上 Thoughtful Money 播客，几个要点：
1. 为什么危机高潮在未来 10 年，普通人现在该防什么？
按他的周期理论，每次第四次转折最剧烈的冲突都在尾声，上一次前半场是大萧条，高潮是二战。他认为现代人成年、从政和退休推迟，世代交替变慢，本轮动荡会延续到 2030 年代中期；他预计明年 3 月初出版的新书就聚焦未来 10 到 15 年的实操应对。
他认为最大威胁是基础设施断网。现在打仗不用核武，靠针对工控系统的伏特台风等网络攻击、无人机或误差 10 码内的东风 27 等常规精确导弹，瘫痪几个节点就能断电断气。大城市依赖每日异地补货，断电 48 小时超市就会断粮水；前 20 大城市若断电 3 周死亡率极高，就像俄军在马里乌波尔先断水电致死 2 万人。进攻武器远比拦截系统便宜，10 到 20 马赫且能机动变轨的高超音速滑翔载具极难防御。他认为俄乌和中东冲突像二战前的西班牙内战和诺门罕战役，只是大国在测试新武器，输不起的正面决战还没开场。
他已搬去西弗吉尼亚深山种了八九百棵果树以实现基础设施独立。他指出高收入蓝州关系围着钱转、邻里不相识；低密度红州乡村以时间与互助为货币，熟人社区的凝聚力才是生存关键。
2. 政治动荡向何处发展：为什么各国都在选强人，极左暴力会帮到谁？
他认为战后制度老化叠加贫富分化，底层觉得常规途径改不了现状，只能选人形拆迁锤式的强人砸碎官僚体系，川普和勒庞都是这种需求的产物。
他判断美国的民主社会主义成不了气候，在密歇根等蓝州初选都是减分项，因为他们不学 1950 年代自由派民主党人坚决反共，拒绝与党内痛恨美国的列宁主义者切割。历史上左翼诉诸街头暴力反而把选民推向极右翼：法国梅朗雄号召烧学校、赖掉银行债务，只会帮勒庞大胜；1920 年代末德国共产党忙着攻击温和左派社会民主党，结果让纳粹坐大并把共产党关进监狱杀掉一半。
他说过去十几年欧洲吸纳外部移民比例约千分之三，略低于美国的千分之四，只是同化失败助长了另类右翼。欧洲真正的死结是各国重拾民族主义后，欧盟外交防务一票否决，一盘散沙无法抗俄；除非像美国 1860 年代那样打场内战选出主导者，否则经济体量再大也没用。
3. 危机时期财富怎么保命：政府会怎么收割有钱人，他的基金怎么配？
他说进入全面危机后收益和损失都会社会化：穷人上战场，富人购买力被加税、高通胀和金融抑制强行征用。二战末期美国联邦政府直接出资建厂、按成本加成给企业主结算，掌握了制造业略超一半的资本；南北战争时也直接接管了全美铁路。危机中政府会把利率压在通胀之下，强迫富人、银行和保险公司买国债买单。
他在 Hedgeye 参与管理第四次转折主题 ETF，主持人称代码为 HEFT，打法分三块：
• 防回撤与波动拖累：美股席勒市盈率 CAPE 高达 40 多倍，历史显示此后十年平均回报为负，20 世纪美国曾出现 4 次长达 10 到 20 年的通胀调整后零回报期。他强调长期看几何平均回报，剧烈波动会吞噬收益，比如韩国部分微芯片 3 倍杠杆基金算术日均回报好看，入场实亏 20%。因此基金效仿巴菲特囤现金，配 CTA 趋势跟踪，买深度虚值看跌期权防暴跌。
• 防通胀与金融抑制：不做多固收债券甚至偶尔做空，改用大宗商品期货和贵金属平衡组合。他说过去一个半世纪大宗商品期货表现优于政府债券，尤其在通胀期。
• 押注转折期主题：多空策略配国防、政府入股战略企业等国有化产业，在 AI 板块快进快出。
