直播开场与暖场准备
直播开始，视频号和 YouTube 两个推流渠道都已经顺利连上。刚才推流可能没有及时点上线（Go live），现在画面和声音应该都可以正常看到了。欢迎大家来到 Indigo 的月末直播。目前还在做暖场的阶段，还没正式开始，按照惯例通常会等十来分钟，等到在线人数达到一百人左右再正式开讲。
对于新来的朋友，这里做个简单的介绍。如果大家经常关注我在社交媒体上发布的内容，就会知道这两三年左右我的主要内容主线基本围绕科技、AI 以及投资。我分享的内容更多偏向趋势洞察、行业观察以及辅助投资决策的逻辑。当然，其中也会涉及 AI 相关的技术与实操技巧，因为要做好趋势观察和投资判断，必须深入理解底层的技术细节，很多维度的认知结合起来才能做出最终的关键决策。所以我的内容本质上是围绕自己实际决策过程所沉淀的经验分享。
在各大平台上的账号分布情况：微信公众号、视频号以及 YouTube 频道都叫“Indigo 数字镜像”，X（原 Twitter）账号则是我的昵称“Indigo”。大家平时一般直接叫我 Indigo。因为大概有四个多月没有设置这一套直播设备了，所以开场前需要对各项设备做一次完整测试，包括电脑声音播放、屏幕录制（Capture Screen）、摄像头采集（Camera）以及麦克风收音等，确保录制的高清回放质量没有问题。
市场流动与分享背景
有朋友提到美股资金当前正在往软件层流动，这在目前看来更多是一种仓位和板块的切换。之前软件层可能存在估值洼地，当部分软件公司的盈利能力得到验证之后，资金便自然流了过去。今天整场直播会详细拆解很多相关的底层逻辑，包括软件层面的最新变化以及宏观环境的发展。
关于今天直播的安排：今天的内容非常丰富，准备了七十多页的 Keynote。由于涉及部分与基金投资相关的具体内容在微信视频号平台受限，因此在直播最后会留一点“One More Thing”的细节内容（大约十来分钟到一刻钟左右），届时会先结束视频号的直播，在 YouTube 这边继续展开说明。大家不用担心会错过核心主干，视频号部分依然会涵盖绝大部分关键内容。
从 2023 年底、2024 年 1 月正式启动算起，月末直播至今已经持续做了两年多，虽然总共播了十几场，但把在社交网络上零散分享的思考重新梳理、温故知新并系统地分享出来，对我自己的认知迭代非常有帮助。我用 Agent 搭建了一套属于自己的个人知识库系统。在 6 月份上海湛庐大师课现场做过初步的讲解和展示，8 月份这套流程又做了一次全面升级：在 Agent 的闭环（Loop）中加入了自动化完善机制，特别是结合 Claude 等最新更强大的模型能力之后，许多处理范式发生了进化。每次直播的内容与平时在播客、社交网络上的输出，都会通过 AI 重新压缩、提纯出核心观点并回炉沉淀，按周、按月轮番迭代，最终形成新的判断体系。
8月直播主题与内容大纲
本次月末直播是 2026 年的 8 月号。上一次正式的月末直播是在 2026 年 4 月，中间隔了四个月；不过在 6 月份期间，我曾连续在东京、香港、上海线下做了三场主题分享（上海还举办了 After Party），因此依然保持着大约两个月一次的对外输出节奏。
今天直播的核心主题围绕“星辰大海、AI 基建与自我进化”展开。主要内容大纲包含以下几个核心模块，预计会在 90 到 100 分钟内完成主干分享，之后预留半小时左右与大家连线答疑互动：
- 亚洲之行回顾：梳理 6 月份线下巡回分享的沉淀与收获。
- 科技圈三个月重点事件速览：快速盘点近三个月科技领域发生的关键动态。
- 模型层面的演变：探讨底层基础模型能力的最新变化。
- 美股周期与商业化进程：分析美股在 AI 周期中的反复反转、SpaceX 人类历史上最大规模的 IPO 进程及其对资本市场的影响。
- 硬件瓶颈与定价权：剖析当前 AI 基础设施建设所面临的硬件物理瓶颈、商业定价权归属以及模型商品化（Commoditization）的趋势。
- 产品化自己（Personal Harnessing）：深入分享如何构建个人 Agent 工作流，把直播与思考内容自动压缩、提纯、内化，实现如同人类睡眠做梦般的大脑认知沉淀闭环。
- 个人思考与社群进展：分享近期个人认知洞察以及 Rewell 社群网站的建设进展。
六月亚洲之行回顾
6 月份的主题分享延续了 4 月份在北美西岸三城（旧金山 San Francisco、西雅图 Seattle、温哥华 Vancouver）的节奏，这次亚洲之行主要走访了三个城市：
- 东京站：现场参与者出乎意料地有超过 70% 是日本本地朋友，现场采用了英文和日文双语交流，由多位东京本地的朋友共同协助主持，充分感受到了日本当地对于 AI 技术与应用极高的热情。
- 香港站：参会者结构中约有 70% 到 80% 来自专业投资机构，包括家族办公室（Family Office）、对冲基金（Hedge Fund）以及各类一线投资人。在 6 月 6 日香港场分享时，我特别预警了韩国股市杠杆已经达到历史极值水平，当时半导体板块与整体市场情绪依然高涨，但随后在 6 月底半导体板块便出现了剧烈的下挫与调整。
- 上海站：受众分布更加广泛多元。上海站主要与湛庐合作开展了一场长达三个小时的“大师课”，系统性地交付了一套完整的思维与认知框架，课后还在新天地包下了一家 Club 举办了 After Party，让大家在深度听课之余进行线下交流与连接。
整个亚洲之行的核心目标，在于将北美一线的科技信息、认知体系与亚洲本地的产业和投资视角建立深度连接，这也是我们 Rewell 社群持续在全球不同城市推动线下 Meetup 的初衷。
六月活动回顾与《吾辈如神》十条法则
上一场活动是三个半小时左右的分享，之后是一个 After Party。这是对六月份活动的一个回顾，也欢迎大家关注我的社群，我会不定期举办这种线下的聚会 Meetup。
当时上海的场地非常漂亮。我记得在上海那一重大师课中，我们重点是在推广我新翻译的一本书——来自丹·曼迪斯（Dan Mandis）的《吾辈如神》（Gods in the Machine）。这个中文名起得非常好，副标题是“AI 增强创造力”。在这本书最后的几小节和章节里面，有一个专门的部分。当时我在分享和推荐这本书的时候，结合了丹·曼迪斯的观点和我自己日常使用的方法，给大家分享了“AI 增强创造力的十条法则”。
其实大家每天在用 AI 的时候都会有体会，我自己感触特别深。在与 AI 协同的过程中，你自己的决策和目标的组织是作为人最重要的部分，这是绝对不可以外包出去的，也就是不能把你的灵魂（Soul）外包出去。在和 AI 协同工作时，要尽可能进入一种心流状态，这个时候你的效率会非常高。关于书中提到的这十条法则的具体每一条内容，我就不在此一一展开细讲了，大家可以直接去翻阅《吾辈如神》这本书，书正好就在我手边，是我翻译的。推荐大家去读一读，这正好也是上海那场活动的核心内容。
近三月 AI 圈核心事件盘点：资本、开源与人事洗牌
接下来快速总结一下最近差不多三个月的时间里，AI 圈到底发生了什么。
这一轮回顾接续上一次五月末的直播。当时五月份的时候，有一个非常大的标志性新闻：Anthropic（估值与融资）进展极快。在半导体行业热度最高、各大闪存与内存公司都在疯狂招聘与抢筹之际，资本重注了 Anthropic，投后估值达到了 9650 亿美元。从这个时候开始，大家都在惊叹金钱的涌入速度竟然如此夸张。
紧接着在 6 月 12 日，SpaceX 启动了人类历史上最大规模的 IPO 进程，募资规模大概在 700 亿到 800 亿美元之间。
同一天，Anthropic 的新前沿模型遭遇了出口管制风波，联邦政府层面对模型进行了封禁与限制。这标志着整个前沿模型已经被深度政治化，美国政府开始介入并控制前沿大模型的发布节奏。虽然最终在 6 月 30 日解禁并允许公众使用，但像我们以及 Mistral 这类生态在某些特定受限模型上依然难以直接触达。我认为接下来很快就会出现一个趋势：头部前沿模型公司最新、最强的顶尖版本模型，普通用户可能很难再直接使用到了。这一方面出于极高标准的安全审核，另一方面也是为了防止后发团队通过蒸馏（Distillation）等调用方式获取其核心数据来训练竞品模型，因此各家在前沿模型的使用权限上都在收紧策略。
进入 7 月中下旬，最重要的一系列事件集中爆发在开源领域。首先是美国真正意义上的开源大模型发布，由 Thinking Machines 推出了 900B（9000 亿参数）级别的开源模型。紧接着，来自中国的开源模型呈现出一连串的爆发式突破。7 月底，Kimi（月之暗面）发布了 Kimi 3（k3）首个全开源模型，开放了完整的权重，参数量达到了 2.8T，成为全球参数规模最大的开源模型。随后，通义千问（Qwen）、智谱 AI（GLM / z.ai）等中国头部团队也接连发布重磅开源模型并实现性能霸榜。在 7 月份这个时间节点上，中国开源模型的迭代速度已经紧紧咬住了美国头部的最强模型。这种开源能力的快速追赶，在 7 月份直接加剧了半导体板块的叙事转变：如果前沿模型都要迅速商品化（Commoditization）了，半导体的高溢价与庞大资本开支该怎么办？
市场由此产生了一系列悲观情绪。关注二级市场投资的朋友对 7 月份的走势会非常清楚，当时股市出现了一连串连锁剧烈波动。但我个人认为，其本质原因是此前杠杆拉得太高，市场正在经历一个去杠杆的过程。7 月下旬半导体板块大幅回调，整个周期趋势发生反转，核心争议在于“前期砸进去的海量资本开支（CapEx）到底能不能赚回来”。直到 7 月 30 日，美股科技板块迎来反转，AWS（亚马逊云科技）在财报中明确表示“我们不仅能赚回来，而且赚钱和商业化的速度越来越快”，这一表态迅速给 7 月份的大回调画上了句号。市场总需要为情绪找一个理由，科技巨头的业绩与指引正好促成了这轮反转。
与此同时，Google 内部也发生了一轮重大人事洗牌。Demis Hassabis 从 Google DeepMind 的管理一线退位，转任首席科学家，将主要精力投入到生物计算领域，专注于他的另一家公司 Isomorphic Labs，推进 AI 与生物、蛋白质结构预测的结合。另一边，Jeff Dean 离职创办了新公司 Discovery Loop。这两个人事变动释放出了极强的行业信号：一条线是 AI + 生物制药与大分子研究，另一条线 Discovery Loop 则是押注于 RSI（Recursive Self-Improvement，递归式自我改进），即通过模型的自主进化来全面驱动科研发现与技术创新。这是当前极度火热的前沿方向，此前团队在内部也有探索，由他独立出来带队推进会具有更大的灵活性。
到了 8 月中旬，Tesla 的 Dojo / TeraFab 5 超级计算集群项目正式动工并发布了官方宣传片。紧接着在 8 月 17 日，Moderna 与默沙东（MSD）联合宣布，人类首款 mRNA 机制的个性化癌症疫苗在临床 III 期试验中取得了显著的优效突破。我在 7 月份时曾对黑色素瘤（Melanoma）的治疗进展做过深入研究，这款 mRNA 疫苗在针对临床 III 期与 IV 期患者的治疗中展现出了极高的救治效果。这标志着 mRNA 机制在抗癌领域正式打开了突破口。Moderna 最初成立的核心愿景就是攻克癌症疫苗，此前的新冠疫苗更像是一个中途插曲，验证了其底层技术平台的可行性。如今它回归正轨主攻黑色素瘤。黑色素瘤本身变异异质性极高，但它与免疫检查点抑制剂（如 PD-1 药物）联用时响应极佳，因此被选作首个攻坚挑战的癌种。
资本回报倍数与 30 万亿美元潜在市场（TAM）
回顾资本市场的回报，以 Anthropic 为例：如果有人在 2023 年 5 月向 Anthropic 投资了 10 万美元，按照其 2026 年当下的最新市值计算，这笔 10 万美元的早期投资已经增值到了 2300 万美元，获得了 230 倍的账面回报。从 2023 年到 2026 年短短三年时间里实现 230 倍回报，即使经过后续多轮融资的股权稀释，实际权益估值也达到了 510 万美元左右，净回报依然高达 50 多倍。
我做投资的视角比较直接：在这种超级技术浪潮下，如果你有机会在极早期重注并进入这类核心公司，它能带来的回报将远超绝大多数常规创业或普通投资项目。这类顶级回报通常只有在加密资产的极端行情或在美股极少数超级成长股中才能罕见遇到。可以说，整个人工智能革命最丰厚的投资回报和市场利润，几乎被这极少数最头部的基础模型公司全部捕获了。
另外就在三天前的 8 月 25 日，《华尔街日报》（WSJ）在一篇深度专访中报道称，通用人工智能与前沿模型所能触达的潜在市场总规模（TAM / 总有效市场）预计将达到 30 万亿美元。这不仅是一个营收潜力的预期，更代表了整个 AI 智能供给对人类现有劳动力市场的重构空间。这个 30 万亿美元的天文数字，与此前 SpaceX 在其 IPO 招股书中所描绘的 28.5 万亿美元潜在天花板市场体量不谋而合。回顾历史，Uber 上市时描绘过 6 万亿美元的出行与物流空间，Waymo 也提出过 3 万亿美元的市场愿景，所有重大企业在公开上市时都会测算其终极潜在空间。而 30 万亿美元相当于美国全年的国内生产总值（GDP），展现了整个社会的全部生产总值体量。将各方的测算与 SpaceX 等头部公司的数字相互印证，可以判断这个潜在市场的量级评估是高度合理且具备参考价值的。
拥有的不是模型：纯软件不可投资与思维不可外包
接下来进入第一个核心议题：拥有模型并不等于拥有壁垒，该如何理解这一现象？
我在今年 2 月份就提出过一个明确的投资判断：“纯软件不可投资”。刚才直播间里也有朋友在问，最近软件板块是不是有所反弹？软件股确实出现了一定程度的估值修复，但那主要是因为此前超跌后的均值回归，资本市场始终存在板块轮动。从底层逻辑来看：如果你过去唯一的商业优势和护城河是“能够写出别人不会写的代码或软件”，那么在今天，这个壁垒已经彻底消失了。现在没有任何人能够再把单纯的软件编码能力当作核心护城河，真正的核心竞争力在于你是否能够低成本、高效率地解决实际业务问题。
智能体（Agent）的进化速度极其迅猛。虽然目前的 AI 在不给清晰架构设计的前提下依然无法独立搭建出优秀的大型系统架构，但到了明年或后年这个时候，顶尖 AI 完全有可能具备自主构建良好架构的能力。回顾技术发展，最初 Claude Code 等无界面终端编程工具刚出现时，许多人觉得脱离了传统 IDE 编辑器写代码不可思议，但随着底层模型能力的快速迭代，这些都已经变成了现实。目前阶段，如果你不给 AI 预先设定清晰严密的顶层架构，任何强大的模型都会生成大量冗余混乱的垃圾代码（Slop）。但只要架构清晰，AI 就能高效完成实现。
作为投资人，我现在重点关注硬件、软硬一体化落地应用，以及真正基于领域数据的原生模型构建。这里所说的模型，是指通过特定领域数据去微调训练专属模型来定义软件行为，而不是单纯让通用大模型写一段胶水代码去拼装传统软件，这两者有着本质区别。一旦自动研究（Automated Research）与自主迭代的飞轮运转起来，系统就会具备持续进化的能力。我自己搭建个人知识库系统也是遵循这一思路，尽管个人目前还不具备从头全量预训练大模型的基础条件。
关于“纯软件不可投资”的讨论，最早也可以参考 Laravel 创始人发表的播客《Return to Code》。而由此引申出的第二个核心原则，是我自己总结的：“你绝对不能外包自己的思考”。
大语言模型本质上是一个极端的放大器：它只能放大你已经具备的思考、观点、认知、逻辑结构与系统框架。如果你脑海中已经拥有成熟清晰的构想，AI 会帮助你把论点阐述得更加锋利、更加快速、更加完整；但如果你脑海中空无一物、缺乏框架，那么 AI 也会以极其流畅自然的行文，帮你产出一堆毫无实际价值的空话废话。它会极其极端地放大你的智慧，也会极其极端地放大你的平庸与愚蠢，中间没有任何缓冲地带。
智能体干活的执行速度极其惊人，可以在几个小时之内按照指令把你的整套系统构想和工程代码完整重构一遍。正因为执行层面的编码已经被大幅压缩，我们今天反而应该将绝大部分的时间与精力，投入到顶层结构设计、业务框架抽象与核心逻辑构建上。思考本身不能外包，但我们可以利用 AI 模型作为杠杆，来校验、完善并强化我们的思考，让逻辑推演变得更加严密。
训练语料偏差与基本面投资的直觉壁垒
关于模型思考的局限性，国外播客中有一段非常精彩的技术讨论指出：聊天机器人和通用大模型在金融投资分析中存在着底层语料上的结构性缺陷。
如果深入分析大语言模型的预训练语料库（Training Corpus）就会发现，语料中充斥着海量的公开网络博客、各类投资论坛文章，以及大量关于巴菲特价值投资理念的衍生读物与二手解读（例如 Seeking Alpha、Motley Fool 等平台上的泛滥文章）。这就导致模型训练集中的价值投资叙事占比被严重高估，而华尔街头部机构真正管理的资产规模（AUM）、核心定价模型以及真实的交易逻辑，在公开互联网语料中几乎是不可见的。
如果一个基金经理试图直接依靠通用大模型去做财报前瞻（Earnings Previews）或基本面定价，就必须清醒地意识到模型底层语料与真实金融市场的认知鸿沟。从金融投资的本质来看，寻找超额阿尔法（Alpha）本质上是一场针对“市场预期差（Expectations Gap）”的博弈。投资的核心任务在于准确判断当前市场价格中已经计入了哪些共识（Consensus），而你的投资组合唯有在具备差异化认知（Differentiated Perspective）且被后续事实验证时，才能赚取超额收益。如果只是依据大模型整合出来的平均化网络共识做判断，根本不可能捕捉到真正的阿尔法。
这揭示了一个核心事实：通用大语言模型无法自主帮人类发现真正的投资阿尔法。大模型在量化交易（Quantitative Trading）、高频对冲和策略执行等规则明确的场景中可以表现得极其出色；但在深度的基本面投资中，对于底层商业模式、非共识转折点以及市场情绪极端位置的洞察，依然高度依赖人类投资者的直觉与综合判断。从这个维度来看，顶级的基本面投资不是机械的公式计算，而是一门融合了直觉与洞察的艺术，它与文学写作、艺术创作和系统性设计一样，其核心灵魂始终无法被通用模型所替代。
人类量化与基本面投资的外骨骼系统
想法和决策最终取决于做决策的人来自于其身体对事物的感知。但是，所有程序化的东西，AI 都可以做得很好，因此人类的量化交易是无法和 AI 相比的。如果整个市场上全都是 AI 在做量化交易，那么量化交易这个领域就会达到纳什均衡，市场就会彻底饱和。在那种情况下，你很难再做出什么价差来。如果还要寻找价差，只能通过你自己的创意、非常有深度的想法和极其独特的观点。
这种独特观点目前是 AI 无法取代的，前面已经提到过，这是由它们的训练素材所决定的——它们都是由网络博客以及巴菲特这种公开风格的内容训练出来的，所以这种大众共识里面是没有阿尔法（Alpha）超额收益的。
那么，如何让 AI 更好地辅助你做投资？你需要搭建属于你自己想法的外骨骼，正如 Brad 所说的那样。其实对于所有投资人而言，自己的知识库就是自己的外骨骼。我把自己的这套体系沉淀并转化为 AI 可以检索的资料库，然后与它协同工作。这样可以让 AI 更加快速地帮我激发并产生灵感，接着由我利用这些灵感来做出最终决策。
因此，构建这套系统的实质，就是把研究员的工作全部实现自动化，最终由他们将结果汇总给我，让我来进行感知和决策。通过这种模式来做投资，非常适用于基本面投资，但不适用于量化交易，也不适用于其他类型的短期交易投资。
投资本质上就是艺术（Art），是属于艺术家的领域。因为艺术层面的东西本身是非常个人化的，投资也是同样的道理。
传统信息悖论与 AI 时代的逆向信息悖论
这里还有一个非常有意思的分享，来自于微软 CEO 此前发布的一篇短文，探讨了传统市场的信息悖论。传统的信息市场悖论是指：为了出售知识，卖家必须先泄露知识。你把知识卖给别人，知识本身就泄露了，这就是知识付费面临的问题——买方可以复制别人的知识再去转卖给其他人。
而在 AI 时代，则出现了一种“逆向信息悖论”：为了使用 AI，买家必须先泄露自己的知识。因为当你要向 AI 提问并寻求解决方案时，你必须给它看很多内部资料，同时你还要为使用它而付费，消耗了 Token。所以你实际上为智能支付了两次代价：第一次是用金钱买单，第二次则是把自己的知识与机密也拱手提供给了它。
对于很多企业而言，这种情况是完全不可接受的。因为在未来的竞争中，最重要的资产就是企业自身的知识循环（Knowledge Loop）以及企业的 Know-how，这些是立身之本的秘密。虽然目前很多知识存在于人类个体的头脑中，但接下来可能会被逐步文档化，进而慢慢被 AI 学习并掌握过去。
企业护城河的重构与组织记忆的硬性隔离
这里就引申出一个关键问题：企业的护城河究竟该如何构建？
在过去的云计算时代，我们积累的是数据，通过对数据进行分析来得出业务结果。而在当前的 AI 时代，由于所有公开数据几乎都被 AI 学习吸收了，不可能再存在 AI 学习不到的公开数据，除非是只存在于我大脑中的未公开数据。
因此在当下这个时代，我们更多需要积累的是自身的持续学习能力。我们已经从过去的“保护静态信息”，转变为“保护组织的持续学习机制”。一个组织乃至个人的学习机制，变得至关重要。虽然我目前是在公开分享我自己的学习与思考过程，我认为这些内容是可以拿出来交流的，但这没有关系；而对于绝大多数企业来说，它们具体的业务流程、运作细节和商业 Know-how 属于最高核心机密，是绝对不会对外透露的。这就像制造芯片一样，台积电做芯片的过程中有很多独门经验和工艺诀窍，是别人无论如何也学不过去的。这就是企业护城河发生的本质变化。
Palantir 的 CEO Alex Karp 曾经针对市场上最大的两家大模型公司（如 OpenAI 等）提出过尖锐批评。他指出，这些大模型公司正在试图攫取企业最核心、最重要的资产，因此企业绝对不能将最核心的业务流程全盘托付给这些外部大模型公司。尤其是现在的模型服务都开启了持续学习和反馈机制，企业把内部评估和交互数据录制下来去教模型怎么用，实际上模型在交互过程中就把企业的核心机密全部学过去了。
正因如此，企业必须建立起硬性的数据与知识隔离机制，确保组织的记忆完全留存在本地与内部。在此基础上，内部的运行轨迹、内部评估体系（Evaluation）显得尤为重要，紧接着是模型权重的微调（Fine-tuning）。企业完全可以根据自己的私有数据拥有专属的权重微调模型。目前市场上已经有新兴的模型公司专注于提供此类服务，让每个人和每家企业都能拥有专属的模型。
当然，大模型巨头未来也会切入这一领域，它们可能会采用其他的工程化手段来实现个人与企业的数据隔离。正如现在的记忆功能所展现的能力：一部分沉淀在权重和神经网络中，另一部分则通过检索增强生成（RAG）等技术来实现，底层再接入基础大模型，以此来完成严格的安全隔离。
知识工作者的三项核心资产：数据、品味与信任
上述两点是从企业层面来看的。那么对于个体而言，我们在企业中工作的人大多数都属于知识工作者。未来所有的知识工作者是否都会转变为数据供应商？这是一个非常深刻且有趣的判断，来自于另一位研究员给出的论断。
就像创作者经济一样，知识工作者需要将自己的专业知识实现私有化并完成商业变现，未来的知识工作者都应当朝这个方向努力。那么在未来的智能经济体中，个体能够带入并作为核心资产的要素究竟是什么？答案就是：稀有数据（Rare Data）、品味（Taste）和信任（Trust）。
我现在所尝试做的事情正是基于这套逻辑：我正在持续生成属于我自己的私有稀有数据与深度输出；我的品味体现在我的筛选和选择上，我在海量信息中为受众筛选最具价值的内容；同时，大家对我的信任构成了核心纽带——不论是我对某家公司能否上涨、发展前景是否良好的判断，还是我对某个人或组织能否成事的评估，你通过信任我，就无需再耗费大量时间从头调研，直接基于这份信任获取结论。
因此，接下来的知识工作者将会演变成这样的角色：坐拥私有稀有数据、输出独特独到的品味、持续经营高质量的信任网络。这就是个体在未来后 AI 智能经济体中的核心价值来源。在后 AI 时代，知识工作者最后必须坚守的阵地就在这里，你的所有工作都必须围绕这三点来展开，否则就很容易失去不可替代的价值。
当然，除了知识工作者之外，许多涉及现实表演、人与人深度情感交流、提供情绪价值的工作，都是非常稳固且优质的职业方向。但如果你从事的是纯粹的知识工作，你就必须牢牢守住这三项资产：你是否掌握稀有数据、是否具备独特的 Taste、是否建立了稳固的 Trust。
正如前面所强调的，你未来所拥有的绝不仅仅是一个通用模型；在模型之外，你必须拥有属于你自己的私有数据（Data）、独特的品味（Taste）以及最终的决策判断能力。从个人到组织，再到知识工作者，底层逻辑皆是如此。以上是第一个小节的核心内容。
SpaceX 的资本与算力转型及 IPO 周期反转
接下来回顾第二个主题：从 SpaceX 的 IPO 到 AI 周期反转。
大家对 SpaceX 都比较熟悉。回顾其发展历程，主要经历了三个业务阶段：
- 太空运输业务（Space Transportation），早在 2002 年就已经起步；
- 通信网络业务（Connectivity），即 2020 年开始规模化落地的 Starlink（星链），该业务目前在市场上基本处于绝对垄断地位；
- 全新启动的 AI 业务，SpaceX 将 xAI 合并进来，并开启了 Colossus（巨像）吉瓦级（Gigawatt）的超大型算力集群建设。
在不久前，xAI 刚刚完成了对相关代码能力的整合，进一步提升了其模型的综合性能。目前整个 SpaceX 已经更名或者实质上转型为 SpaceX AI，定位为一家纯正的 AI 头部企业。SpaceX 在 6 月 12 日完成了上市（IPO），募集了约七八百亿美元的巨额资金。其股价经历破发之后，目前刚刚重新反弹回升。
在 SpaceX 进行 IPO 之际，我当时做过一个预言：它的 IPO 节点很可能就是本轮美股科技市场的阶段性顶点。事实证明确实如此，那正是这一轮行情的最高峰，随后整个市场便开启了一路下跌，一直调整到 7 月底，在短短一个多月的时间里完成了对整个市场预期的剧烈重估。
SpaceX 如今彻底转型为一家 AI 公司。正如马斯克所预测的那样，在未来的四到五年内，AI 业务将占据 SpaceX 整个公司价值的 99%，其未来的整体估值将会达到一个惊人的天文数字。
无论如何，目前在建造数据中心和算力扩张方面表现最为激进的就是 SpaceX。其潜在的算力建设规模预计在 2027 年能够达到 5 到 8 吉瓦（GW）的水平，并且未来还要将算力中心部署发射到外太空。他们刚刚与合作伙伴展开了深度合作，计划将最新的 AI 芯片送入太空轨道进行专门的技术改造。
根据测算，到了接下来的第四季度，AI 业务以及对外出租算力所带来的营收，就将迅速超过其传统的发射火箭业务和星链（Starlink）业务的收入总和，这一转变速度极其惊人。在四到五年之后，公司 99% 的价值都将来自于 AI。
在当前各大科技巨头的算力投资版图中（包括 SpaceX、微软、Meta、AWS、谷歌等），谷歌的算力投资相对而言是最少、最保守的，因此谷歌目前处于非常短缺算力的状态。
科技巨头资本开支矛盾与 Meta 的算力反差
与此相呼应的是，扎克伯格（Mark Zuckerberg）再次效仿行业做法，Meta 也宣布推出 Meta Cloud，开始对外提供算力基础设施服务，这显然是受到了 SpaceX 等模式的启发。然而，在当时这一消息公布之后，美股市场迅速遭遇了剧烈抛售与暴跌，市场信心一度出现崩盘。
市场当时的核心疑虑在于：巨头们在底层智能技术层面是否已经遭遇了瓶颈、没有实质性进展？如果你堆积了如此庞大体量的 GPU 算力，但自身业务根本消化不了，或者由于自身大模型表现欠佳而不得不将多余算力转手卖给外部客户，这难免引发担忧。当时市场甚至传言 AI 工具在巨头企业内部并没有带来显著的效率提升。
但实际上，Meta 反而是从这一轮 AI 浪潮中受益最为深厚的公司之一。Meta 大量采购 Anthropic 的模型来改造和优化自身的广告推荐系统。从 Anthropic 平台上的 Token 商业转化效率来看，Meta 是其全平台排名第二的大客户，仅次于顶级量化投资机构 Jane Street。
这形成了一个极具戏剧性的对比：Jane Street 花费 100 万美元购买 Token，能够通过量化投资赚回 3000 万美元的利润；而 Meta 花费 100 万美元采购 Anthropic 的 Token，能够为自身的广告业务赚回 500 万美元的增量收益。这显得十分讽刺——Meta 采购竞品的大模型来大幅提升自身广告业务的赚钱能力，而自己研发的模型却无法实现如此高效的商业变现。
7 月市场恐慌与宏观资本开支结构
为什么 7 月底市场会出现如此剧烈的恐慌？
当时在 7 月底公布的数据中，谷歌首次出现了自由现金流转负的情况，意味着公司的资本开支与研发投入已经全面超过了当期的经营现金收入，这是多年来极其罕见的现象。
与此同时，宏观经济数据表明，如果剔除掉与 AI 相关的投资部分，美国全社会的私人固定资产投资增长率实际上已经跌入了负增长区间。当前美国经济缺乏其他增长引擎，房地产行业持续处于下行周期，此前呼吁的制造业回流也并未真正兑现，几乎所有的制造业资源和资本开支都集中涌向了数据中心与 IT 基础设施的建设。
从统计图表上看，唯有来自于 IT 和数据中心（Data Center）的基础设施建设呈现出代表增长的绿色，其余绝大多数传统行业的投资全部处于负增长状态。这是当前市场面临的严峻结构性问题。
不过，我认为这属于市场在经历深层结构转型时期的典型特征，并不能简单定性为系统性危机。当 AI 基础设施的资本投入达到一定成熟阶段后，对其他产业的拉动与投资溢出效应又会以全新的形式重新显现，这属于产业周期演进中的正常规律。
在 7 月份期间，整个科技市场深陷于科技巨头疯狂烧钱的焦虑之中，投资者普遍看不清巨额投入究竟何时能够实现盈利回报。但巨头们又面临着残酷的博弈现实：今天如果不咬牙砸下巨资投入算力，明天很可能连入场竞争和赚钱的资格都彻底丧失了。这种深层的矛盾主导了整个 7 月份市场的剧烈动荡。
对冲基金清算与信贷化 AI 基建的逆转
这场由资本开支焦虑引发的 7 月市场下跌调整，最终是如何画上句号的？
通常而言，市场情绪的彻底出清往往需要有一家标志性的激进基金爆雷“祭天”，随后整个市场才会逐步恢复理性。这一次倒下的是 Situation Awareness Fund（SA 基金）。正如俗话所说，“人生苦短，甚用杠杆”，该基金的操作极其激进，在短短两年时间内将管理规模从 2 亿美元迅速膨胀到了 450 亿美元。
在 2023 年底该基金发布深度算力增长研究报告时，许多人还只是将其当作宏观预言来看待，但该团队却激进地付诸高杠杆投资实践，并在前期取得了极其耀眼的账面战绩。然而在这一轮回调冲击下，该基金遭遇了严重的流动性清算危机，随后被城堡投资（Citadel）接盘收购了其大部分处于亏损状态的资产，其名下的公开市场资产几乎全部被清算殆尽，手中仅保留了 Anthropic 等非上市核心资产的股权。不过在完成资产剥离与重组之后，该团队目前也已经逐步度过危机、实现了复苏。
整个科技市场的真正反转信号来自于亚马逊（Amazon）的财报发布。在亚马逊公布财报之后，强劲的业绩增长迅速提振了市场情绪，带动整个美股大盘重拾升势。亚马逊高速的业务增长在很大程度上抵消并覆盖了其庞大的资本开支（Capex）负担。
但实际上，深入分析其财务报表可以发现，亚马逊的自由现金流同样处于承压状态，其整体债务规模也在同步攀升。目前各大科技巨头的债务水平普遍呈现出上升趋势。
这揭示了一个深层逻辑：AI 基础设施极其庞大的资本开支，从物理规模和财务常理上是无法单纯依靠稀释股权来进行融资的，它必然走向信贷化与债务化运作。这是我在今年 4 月份以及 6 月份在香港做线下分享时反复强调的核心观点——当前的 AI 算力基建必然要全面走向信贷化模式。
这一判断在紧接着的 8 月中旬得到了现实印证：英伟达（NVIDIA）CEO 黄仁勋正式宣布，英伟达联合全球六家顶尖投资银行，共同启动了一笔规模高达 5000 亿美元的第三方资本基金，专门用于定向支持 AI 基础设施建设。
英伟达构建这一信贷基金的商业逻辑非常精妙且强大：客户如果缺乏足够的现金来购买昂贵的 GPU 算力集群，英伟达通过联合银行提供低成本的信贷与贷款支持，让客户直接借钱采购 GPU。这样一来，客户无需再通过大幅稀释昂贵的股权去一级市场高成本融资，从而以极高的资本效率推动了整个 AI 算力基建的持续扩张。
AI 数据中心的新房地产模式与次贷隐忧
本来大家可以通过借钱，就跟之前盖房子、搞房地产一样。你可以从银行借钱买地、借钱盖楼，然后最终通过出租或者售楼把钱赚回来。现在的整个 AI 数据中心业务，就是这样一种在 AI 时代的新型房地产业务。当然，现在这个回款速度要比传统房地产快得多。我记得当时是 DeepSeek 说他们十个月就能把投入 GPU 的钱赚回来。所以 GPU 产出 Token 是个非常赚钱的业务。
既然这么赚钱，大家就在拼命地建数据中心，想着我很快就能把钱赚回来，然后再把算力分租出去。既然大家能够这样做，为什么不把它变成资产信贷化呢？于是到了八月底，现在的市场处于震荡之中，核心原因就是大家担心会不会像 2008 年次贷危机那样，演变成新一轮的次贷危机。当时 2008 年的次贷危机就是因为过度借钱建房子，现在的这个阴影又重新浮上心头了。
大家担心的是：各大厂商在投入 CapEx 建设数据中心之后，发行债券，拿 GPU 去抵押发债，把这些东西做成资产包在市场上售卖，然后市场上又开始债滚债。这些资产包进入金融系统和各类机构仓管里面，会不会形成新一轮更大的泡沫？此刻的市场就在担心这个问题。
所以现在无论是硬件公司还是各种 NeoCloud 云厂商，它们的股价都在上下震荡挪动，非常缺乏定力地在市场中漂浮。但是，AI 领域的竞争越激烈，英伟达（NVIDIA）就赚得越欢。大家就会怀疑，英伟达到底是不是通过别人借钱来买芯片，从而带动了一整套巨大的财务扩张？但我觉得大家不要小看市场对英伟达算力的真实需求能力。
这个问题先放在这里。我当时在六月份的时候用过一张图，放到现在正好验证了我当时的观点：这种新型的金融资产就是“AI 云地主”。之前这些算力企业都是通过稀释股权进行融资，现在全部变成了直接借债、发行企业债。而且现在头部科技公司发债，包括英伟达以及市场上的投行也联合了流动性提供方，直接说“找我借钱就好了，要两万张 GPU 吗？直接借钱给你买”。这确实是一种从 2024 年 8 月份开始迅速升温的数字时代新型房地产业务。
有人在弹幕里帮我回答了，Jane Street 是他们第一大客户，也是最赚钱、利润率最高的客户。那么大家现在担心的问题是：四大云厂商的 CapEx 之和已经接近美国国防预算的 87% 左右。这是极其巨大的资金投入，美国的国防预算大概占其 GDP 的 2%。所以市场非常担心 AI 基建会重演次贷危机，如何化解债务才是未来的关键。目前这还是一个巨大的问号，我们谁也无法预知，大家只能用当下的赚钱速度来证明自己有能力化债。这是市场当前最担忧的第一点。
谁是物理瓶颈谁就拥有定价权
我们再来看第二个核心问题：什么是瓶颈？谁是瓶颈，谁就拥有最终的定价权。
我们来看一段 20VC 的采访对话。主持人问：“在接下来的几个月到几年里，如果让你买入并持有十年，在 Space X、Anthropic 和 OpenAI 这三家即将上市的公司里，你会选择哪一家？”
Perplexity 的 CEO 接受采访时回答说：“Anthropic 和 OpenAI 可能会声称彼此能做对方做的一切事情，但 SpaceX 是唯一一家在构建真正物理基础设施与太空连接能力（Connectivity）的公司。你坐过通了 Starlink 的航班吗？坐过之后，你就再也无法忍受没有 Starlink 的航班了。想象一下，我们坐在飞机上可以流畅地录制或观看视频播客，这还只是它商业版图里极其微小的一个方面，未来还有从澳大利亚超高速洲际旅行等无限可能。”
Perplexity CEO 接受 20VC 的这篇播客内容非常不错。主持人问的这三家公司，在明后年都可能会走向资本市场上市，问他会选择长期持有哪一家。我的选择跟他完全一样，我也会选择长期持有 SpaceX。因为 SpaceX 确实有很多核心能力是其他任何公司都做不到的。OpenAI 和 Anthropic 现在非常类似，即便目前在某些细节上有差异，未来也会越来越像。但是 SpaceX 拥有别人完全不具备的物理能力，比如太空中的连接能力（Connectivity）、极致的工程机械制造能力以及太空运输能力，以后还会有更多衍生能力。它是唯一一家能够把芯片、网络、电力和物理工程全部整合在一起的公司。
AI 基建的物理约束与 CPU、内存的价值回归
接下来我们对物理约束进行排序。目前约束 AI 基建的核心物理要素究竟有哪些？
埃隆·马斯克认为“电力”是最核心的约束。另外，关于晶体管工艺制程，前段时间刚从 Google 离职的首席科学家 Jeff Dean 提到过一个关键痛点：在当下的计算架构中，“搬运数据比计算数据要贵一千倍”。
这就是内存与 GPU 之间的互联带宽，以及整个系统架构的物理瓶颈。因为现在的模型规模极大，核心的性能瓶颈和时间开销全都在数据搬运上。为了做一点点矩阵乘法计算，必须把整个模型的权重参数加载进去，计算完成后再搬出来，绝大部分时间和能耗都浪费在数据搬运上了。因此，必须将巨大的内存紧密地贴在 GPU 芯片旁边封装在一起。为了彻底解决数据搬运问题，还需要下一代计算架构来不断改进，例如光互联技术、板载或内置光模块、更新的芯片堆叠设计，以及 Google 正在探索的数据中心级别的数据搬运提效方案。
SemiAnalysis 的 Dylan Patel 也发表过很多观点，虽然他的很多分析带有二级市场投资视角并代表其个人意见，但他提到的一点很有价值：短期内电力其实是可解的。我也认为，在现阶段电力并不是最卡脖子的致命瓶颈。当下的真正瓶颈在于封装效率、互联带宽和半导体制造工艺，即如何通过先进封装和微架构让芯片的整体运算与传输效率变得更高。电力问题是可以通过工程技术逐步解决的，其背后更多依赖于底层材料学的突破。
当然，对埃隆·马斯克来说，如果他最终把数据中心搬到太空里去，电力问题就彻底迎刃而解了，因为太空中拥有无尽的太阳能资源。所以马斯克一直强调电力是地面上最核心的约束，因为对他而言其他工程问题他都能搞定。
在 Agent 时代，我们正在见证 CPU 和系统内存的价值回归。过去在单纯的模型预训练时代，或者前两年没有广泛普及 Agent 的时候，所有算力重心全在 GPU 上。但在目前的 Agent 时代，大家已经看到，GPU 在推理过程中需要频繁地进行文件读写、内存访问、多工具调用（Multi-tools Calling）。启动软件 Agent、执行复杂调度与编排系统，全部都需要大量 CPU 算力以及系统内存深度参与。
这导致市场对高算力 CPU 和大容量内存的需求出现爆发式增长。这是行业此前完全没有预料到的。正如我之前提到的，我有一些做对冲基金的朋友，包括类似 Coatue 这样的顶级机构，他们在 2024 年、2025 年就开始在硬件供应链上提前布局这一逻辑，在这一轮周期里确实捕获了巨大的 Alpha，甚至比北美的很多头部 AI 实验室更早察觉到这一趋势。
对于 CPU 的需求，整个故事正在发生反转。随着 Agent 的应用越来越广泛，我们现在还停留在多工具调用和系统级代码生成（Coding the system）阶段，接下来进入更复杂的科研级强化学习（RL）和深度调度系统后，系统对 CPU 运行时间的需求会越来越多，反而单一 GPU 占用的相对时间比例在减少，虽然 GPU 自身的单点推理速度在越来越快。目前高规格服务器 CPU 的产能是完全跟不上的，市场上能做高密度 CPU 的核心公司屈指可数。
内存墙瓶颈与先进封装时代的到来
再深入探讨一下底层的核心瓶颈。为什么英伟达如此极度依赖 HBM 高带宽内存以及芯片内部的数据搬运通道？
这是因为计算本身的算力成本随上下文长度（Context Length）的增加基本保持线性，但在传统架构中，内存带宽与缓存消耗的成本会随着上下文长度的拉长而呈急剧增长趋势。系统需要不断地增加 KV Cache 容量，在计算单元与存储单元之间来回搬运数据。因此，随着上下文窗口越来越大，对高带宽内存和缓存容量的需求就呈现出指数级的依赖。
目前大家常用的上下文长度是 1M（100 万 Token），我们很快就会进入到 2M 甚至 5M 的级别。如果未来模型需要像 Anthropic 描绘的那样，通过超长上下文和超高上下文利用率来实现模型的“持续学习”，让模型能够为每个用户提供高度个性化、长记忆周期的服务，上下文窗口可能会拓展到 1000 万甚至 1 亿 Token。面对这种规模，必须依赖全新的硬件架构和颠覆性的内存技术才能支撑。因此，底层硬件与上层模型是紧密绑定、协同进化的，挖掘其中的 Alpha 必须洞察这种硬件架构的结构性变革。
第二个关键物理限制是封装。在 2028 年之后，限制 AI 算力增长的核心因素将不再是单纯的晶体管密度，而是先进封装技术。因为单晶片上的晶体管微缩已经逼近物理极限。
在日本召开的三维集成电路研究大会（3D IC Research Conference）即先进封装技术研讨会上展示过相关技术路线：如何把数十个甚至上百个 Chiplet 芯片堆叠封装到一整块巨大的晶圆级基底（Wafer-level substrate）上，为它接入高达 4000 瓦（4 kW）的供电功率，并利用微流体和光学通道把产生的巨大热量和光信号高效导出。这里面涉及到极其复杂的新型材料、散热与光电共封技术。在这一领域，日本拥有极其深厚的半导体材料与精密设备供应链。这也是为什么亚洲投资市场之前一直在密集研究和重估日本半导体供应链的原因。
台积电路线图与半导体长周期
台积电的制程技术路线图非常清晰。台积电实际上是整个 AI 基建泡沫的“减速剂”。正是因为台积电等代工厂受制于严格的物理定律、极紫外光刻限制和极为复杂的建厂扩产周期，才避免了整个行业无节制地快速冲入非理性的大泡沫。
根据台积电的规划路线图，从当前的制程一路推进，到 2026 年（如苹果 iPhone 18 芯片）将采用 2 纳米制程，后续还将演进到 A16、A14（1.4 纳米）乃至 2029 年的 A13（1.3 纳米）制程。这些物理制程的迭代节拍完全刻在时间表上，根本无法凭空加速跳跃。半导体芯片的制造能力始终被牢牢地锁死在物理极限之内。
台积电年报中的预测数据展示了整体半导体市场的增长趋势：2025 年半导体行业持续复苏增长，预计 2026 年增速将达到 45% 以上，整个半导体行业正在快速迈向 1.5 万亿美元的市场规模，并在 2030 年达到极为庞大的体量。这其中清晰划分了内存芯片与非内存芯片的增长份额。
我们目前正处在一个被大幅拉长的半导体超级长周期之中。这与过去由 PC、Mac 和智能手机等消费电子换代所驱动的短波周期截然不同。过去消费电子需求具有明显的周期性起伏，而现在的周期是由全球范围内大规模新建 AI 数据中心所驱动的。这些数据中心的算力集群规模正在以 2 倍、5 倍、10 倍的线性乃至超线性级别不断扩张。因此，本轮半导体周期并没有消失，而是被极其庞大的基建需求大幅拉长了。
在这个长期演进过程中，资本开支的重心正在从单纯的计算核心制造，全面向先进封装层、高带宽内存（HBM）层以及晶圆打底层转移，包括共封装光学（CPO）和嵌入式光模块等关键技术。AI 带来的算力重构正在引发全产业链的结构性变迁。
这里引用 SemiAnalysis 播客中梳理的一个极其关键的数据：一座投资 60 亿美元的芯片制造工厂（Fab）设备，每年大约能产出对应 1 吉瓦（1 GW）电力消耗规模的算力芯片，而这 1 GW 的算力在下游模型运营端每年可以支撑产生约 1000 亿美元的商业收入。上游 60 亿美元的设备投入与下游 1000 亿美元的收入之间，存在着将近百倍的价值落差，这中间巨大的商业利润被产业链不同环节、尤其是头部的核心模型厂商所捕获。
光刻机与 Terafab 粒子加速器光源构想
在台积电的晶圆制造之下，半导体物理世界最底层的终极瓶颈依然是光刻机与超高精度反射镜系统。光刻才是整个物理制造世界的终极制约力量。光刻机年产量的物理上限直接决定了全球先进制程芯片的产出速率，是让整个半导体扩张节奏保持理性的底层物理刹车片。
在 8 月中旬，SpaceX 提出了一个代号为 Terafab 的宏大构想，并公布了相关设计概念图。很多热心网友根据公开资料还原了整个超级工厂的内部构造：在巨大的晶圆制造厂中心，赫然设计了一座巨大的环形粒子加速器。
这是一个非常大胆的第一性原理方案。他们计划利用环形粒子加速器构建自由电子激光（FEL，Free Electron Laser）系统，直接作为极紫外光刻的大功率集中光源。这种自由电子激光光源技术早在 20 世纪 70 年代就被提出过，但当时由于工程复杂度与造价极其昂贵、技术不够成熟而未被产业化采纳。传统的 ASML 光刻机采用的是基于锡滴击打产生等离子体的激光光源。
如果采用高能粒子加速器方案来产生极紫外光源，这在大型物理工程上具有独特的优势。马斯克在社交平台 X 上公开确认他们计划推进这一方向。其核心设计思路在于：利用中间一台巨大的环形粒子加速器产生超高功率的自由电子激光，一个集中光源可以同时为 8 到 20 台光刻扫描仪进行大功率分束供电，支持多台光刻机协同工作。这种集中式架构能够大幅减少单机运动零部件，内部反射镜系统更加洁净，停机维护时间显著降低，可长时间高稳定性运行并输出极高通量的光量子束，从而在物理第一性原理层面彻底攻克高通量极紫外光刻的产能瓶颈。
园区尺度对比与未来光刻加速器愿景
大家可以看一下这个 Giga 级别的设施规模。苹果的整个 Apple Park 园区，放在这里大概只相当于它中间一个微小圆环的大小，也就是一个立式加速器的物理尺度。五角大楼（Pentagon）和苹果园区的占地面积其实是差不多大的，拿五角大楼和苹果园区放在一起做参照，大家就能直观感知到未来这种设施在物理尺寸上到底有多么庞大。
这里放一段视频供大家感受。这是在八月中旬由相关团队放出来的视频，项目落地在德克萨斯州。我当时做过一个点评：未来就应该有未来的样子。中间用于光刻的粒子加速器，就是视频中展现的那两个巨大的圆环结构。
看完这段视频，我们接着进入下一个小节，讨论 Harness 以及模型的商品化问题。
算力增量的分配格局与技术栈收益失衡
在算力分配和商业化方面，当前行业呈现出类似房地产开发的特征。今年全球新增的算力中，大约有 30% 都流向了 Anthropic 和 OpenAI 这两家头部公司。
现场播放的访谈原声中也强调了这一趋势：在观察新增算力（incremental compute）时，今年新增算力中已有约 30% 被锁定；而对于明年的规划，已经签署协议并落实的规模更为惊人。OpenAI 与 Anthropic 预计将在明年拿走 40% 到 50% 的新增算力，且这种算力扩张没有任何放缓或停止的迹象，反而正在加速。虽然为他们建设算力的基础设施提供方格局在发生变化，例如市场上迎来了大量新建算力并积极对外出租的新参与者，但 Anthropic 和 OpenAI 依然是最主要的算力消耗方，因为他们具备支付最高边际价格的能力。此外，这两家公司也在构建自己的专用计算资源，包括 OpenAI 采用自研芯片与定制算力架构，以及 Anthropic 从 Google 等处采购并整合 TPU 算力池。到明年年底，全球几乎半数的新增算力都将集中流向这两家头部公司。
今年流入两家头部公司的算力占新增总量的 30%，明年这一比例预计将达到 50%。在今年上半年，头部模型公司从财务报表上看已经实现了扭亏为盈。其商业逻辑在于：每投入 10 美元的推理成本，能够撬动约 50 美元的营收；随后再将这些收入全部反哺到预训练（Pre-training）中，因此他们招募了大量工程与研究人员来持续改进预训练。
这种资金循环带来了技术栈各层之间收益的严重不均：
- 终端客户（如高频交易机构）：终端客户是整个链条中的最大赢家，捕捉了绝大部分超额价值。以 Jane Street 等高频量化套利机构为例，他们直接从模型公司购买 Token，并在自身高杠杆业务中将其转化为高额收益。他们每购买一个单位的 Token，所产生的商业价值远高于其他环节。类似地，Meta 利用 Anthropic 的模型来优化自身的广告推荐与投放系统，同样创造了极高的商业回报。终端客户从 Token 中榨取的商业价值，远远超过了模型公司自身的利润——模型公司用 10 美元推理成本换取 50 美元营收，而终端客户利用这 50 美元的模型能力，在实际业务场景中能够进一步赚取 500 美元乃至 1000 美元的超额利润。
- 应用层：纯粹的应用层几乎无法形成有效壁垒，很多沦为空壳。目前市场上几乎不存在独立的“纯 AI 应用”商业模式。无论是 Chatbot 还是 Coding Agent，本质上都是直接交互形态，缺乏中间层的独占价值，至今多数难以实现独立盈利。包括此前受到广泛关注的 Perplexity，最终也必须向底层模型研发和综合能力拓展；Cursor 同样面临被收购或整合的路径。这表明脱离底层核心能力与高价值终端场景的纯中间应用层生存空间极其狭窄。
- 模型层：模型层在今年迎来了盈利状况的暴力翻身。过去模型训练和推理的单机投入产出比普遍为负，但从今年上半年开始，单机产出产生的美元收入正在快速上涨。头部模型拥有更高的品牌和能力溢价，能够维持极高的毛利率，实现了从持续亏损到规模化盈利的转变。
- 硬件与基础设施供应商：最底层的硬件供应商一直在获取确定性利润。2023 年是芯片与 GPU 端充分享受红利；到了 2024 年和 2025 年，存储与高带宽内存（HBM）环节的利润分配占比大幅提升，甚至在利润率表现上超过了晶圆代工环节。对于资本市场而言，持续盈利的硬件故事已经缺乏新鲜感，市场更倾向于寻找能够产生全新超额收益（Alpha）的软件和场景标的。
部分软件之所以能够实现良性循环，是因为它们本身直接服务于高价值终端客户，能够将每单位成本 Token 的生产力发挥到极致。如果仅仅停留在简单的中间应用层，其商业价值甚至不如直接去做 API 中转路由服务（如 OpenRouter），仅靠赚取微薄的通道毛利生存。
智能误差复利与最强智能的溢价逻辑
市场上关于“模型是否会被彻底商品化（Commoditized）”存在广泛讨论。Naval 在其播客中提出了一个关于智能精度的经典对比：
一个准确率为 99.9% 的 AI 系统与一个准确率为 90% 的 AI 系统，在单次独立任务中的表现看似差距有限；但在涉及复杂上下文的长流程、递归循环调用 100 次之后，90% 准确率系统的复合成功率将衰减至约 13%（$0.9^{100} \approx 0.0000265$，在多步容错机制下整体有效性也大幅跳水至十几个百分点），而 99.9% 准确率系统的复合成功率依然能够保持在约 80% 至 90% 的高水平。
智能的误差具有显著的复利效应。在长链路决策、深度架构设计以及高杠杆的关键业务中，微小的单步错误都会导致最终结果的彻底崩溃。因此，企业和专业开发者永远愿意为最顶尖的智能能力支付溢价。
这一点在深度编程任务中表现得尤为明显。很多开发者在对比不同工具后，最终依然会回流到 Claude 等头部模型上。虽然 Codex 或其他竞品在常规任务跑分上与头部模型非常接近，甚至在个别指标上有所超越，但在处理跨文件、长程任务以及复杂系统架构时，微小的能力差异在反复多轮交互中会被持续放大。基准测试跑分与真实生产环境下的高难度任务表现存在根本差异，只要企业依赖模型支撑高杠杆商业模式，就会持续采购最前沿的顶级模型。
模型的差异化分层与开源追赶窗口
只要现有架构（如 Transformer 及其演进形态）仍有性能潜力可挖，头部模型就不会被彻底商品化。即使未来当前架构潜力耗尽，新的基础架构也会接替出现，推动能力梯队持续向上演进。
与此同时，市场正在形成明显的分层趋势：
- 常规与标准化任务下沉：随着时间推移，大量确定性高、工作流标准化的日常调用正在逐步迁移至开源模型或上一代轻量化模型。企业为了控制运营成本，会主动将成熟稳定的流程分配给性价比更高的次级模型或开源方案。
- 前沿复杂任务集中：前沿大厂和高端研发机构仅在最具挑战性的核心任务上使用最顶尖的模型。Coinbase CEO 曾撰文分析过企业内部的任务拆解逻辑：一旦既有业务的手工流程完成自动化改造且需求趋于饱和，企业就不会盲目增加预算，除非新一代模型能够解决此前无法攻克的更高阶问题。
因此，开源模型与二三线模型拥有巨大的市场空间，它们通过承接海量标准化业务，以价格竞争为主；而一线头部模型则专注于攻克科研、复杂推理等高难度任务，享有自主定价权，如同台积电对其先进制程芯片拥有定价话语权一样。
在中美模型差距方面，行业评估报告显示技术代际差正在收窄：
- 头部厂商（如 Anthropic、OpenAI）自身的进化斜率依然极高，并通过延缓开放最新权重和能力来构筑商业护城河。
- 在上一代版本时期，追赶者与全球前沿水平大约存在 8 到 12 个月的时间差；而在当前阶段，这一差距已缩短至 4 到 6 个月；预计到下一代版本迭代时，差距可能进一步收窄至 3 个月左右。
- 领先者的“超额收益收租窗口期”正在被不断压缩，这也是头部模型厂商加快自身商业化防御与快速迭代的核心原因，他们必须在开源模型追赶上来之前最大化变现窗口。
从程序到协议：智能网络与路由终局
在模型的最终演进形态上，行业正在探讨一个重要转变：AI 最终可能演变为一种协议（Protocol），而非单一的独立程序（Program）。
OpenMind 等团队的实验与讨论指出：随着 Scaling Laws 面临数据、算力和顶级人才的多重边际约束，单一公司难以垄断所有资源。当系统能够动态组合来自不同提供商的异构模型时，实质上是聚合了各家模型背后的训练数据、计算资源和工程专长，从而在更低成本下实现更快、更好的综合效果。
近期支付巨头 Stripe 收购模型 API 路由平台 OpenRouter 便是一个典型案例。Stripe 本身定位是支付基础设施的 API Gateway，在进入 AI 时代后，其进一步切入智能 API 网关领域。通过掌控模型路由入口，Stripe 可以将模型调用调度与自动化扣费、Agent 间微支付原生打通，完成从传统支付到智能定价与结算门槛的跨越。
在这种架构下，未来的智能服务将基于多层次协议运行：
- 请求不再简单地发送给某一个固定模型，而是由智能路由器根据任务复杂度、延迟要求和预算，动态分发至高级、中级或轻量级模型组合。
- 系统的目标是寻找整体交付质量与成本的最优解，而非执着于单点模型的最强表现。
- 当智能消费普及并依赖此类调度时，系统形态将类似于基于互联网构建的“分布式智能网络（Intelligent Network）”。这种协议化架构能够有效避免单一商业实体对全部计算智能形成绝对垄断。
总结当前技术栈与产业分工的演进逻辑，Chamath 等人提出的产业结构划分与多层模型架构高度吻合，将 Harness（调度与适配层）与 Application（应用层）进行了明确解耦。在当前的产业周期中，理解公司的核心法则在于：“底层看稀缺，顶层看客户”。评判一家企业的长期商业价值，关键在于审视其底层资源的不可替代性，以及其顶层客户关系的稳固程度。
硬件层稀缺性与市场定价权
从商业逻辑来看，客户更有钱，对应的公司就会更赚钱。那么从底层硬件来看，前面一直在讲稀缺性，最核心、最稀缺的环节是什么？首先是光刻，紧接着是先进制程，然后是先进封装，再往后就是电力以及各种基础资源。在这些稀缺材料和内存之间，每一层只要具备不可替代的稀缺性，它就拥有绝对的定价权。当某一家企业在某个环节做到百分之百稀缺的时候，整个市场的价格就完全由它来决定。
举个很现实的例子，现在苹果去采购内存条，它自己都已经压不了价了。因为上游内存极度稀缺，供应商要求涨价，苹果就只能接受涨价。在过去，苹果手机在供应链体系里拥有极强的商务谈判权，那是因为当时的内存条不稀缺，这家不做还有别家做，比如三星或者其他厂商都能供应。但现在的市场格局完全不一样了，因为全球有大量的机房和数据中心在进行疯狂采购，导致市面上的内存条根本不够用。所以说，底层的核心是看稀缺性，而顶层则是看客户的支付能力。
土地与电力资源的稀缺与数据中心争议
把整个 AI 的技术栈（Tech AI Stack）进行拆解分层之后，我们会发现现在的土地和电力变得极其稀缺。在美国今年的中期大选以及各类政治讨论中，一个最大的议题就是数据中心到底能不能够合法地建、能不能批建这么多。在各州产生州议员的竞选过程中，这都是候选人必须重点回答的核心问题。
选民和地方政府最为关注的是：你会不会把原本并入公共电网、供普通居民日常使用的电力直接划拨给数据中心？你会不会把大片土地审批给它们？数据中心的建设会不会带来环境污染？会不会不仅不创造本地就业，反而抢走本地人的工作？这些是目前美国社会在 AI 基础设施扩张过程中碰到的最大阻碍，也是最现实的物理稀缺性问题。
正因如此，SpaceX 在解决这类基础设施瓶颈上展现出了独特的逻辑。如果未来直接把算力部署发到太空上去，土地就不再是限制，电力在太空中也非常充沛，唯一稀缺的反而是太空运力，而太空运力恰恰是 SpaceX 的核心强项。
模型商品化趋势与 Harness 层、垂直应用价值
在基础设施层之上，能够持续产生利润率（Margin）的环节又在哪里？如果底层基础模型未来呈现出商品化（Commodity）的趋势，那么构建在模型之上的 Harness（数据约束框架）这一层将是最有商业价值的。大量的传统 SaaS 企业未来都会向 Harness 企业转型，它们的核心壁垒就是专门为企业级客户打造专属的数据约束框架。
再往更上一层的应用层（Application）走，如果我们将 AI 的定义拓展到语言模型之外，去看更广泛的 AI 形态，那么应用层很可能会演变成完全垂直集成的形态。例如端到端的自动驾驶 Robotaxi、端到端的工业自动化流程、自动化武器系统，以及现在的生物实验 wet lab（湿实验室）等，它们能够把 AI 能力直接端到端部署并交付到具体行业场景中。类似于 Palantir 这种深度交付服务的公司，或者 ServiceNow 以及各类前端业务系统公司，在这里都有机会抓住更大的商业机遇。这种垂直集成的模式跳出了单一语言模型的局限，目前已经清晰可见，比如大家日常体验到的 FSD 和 Robotaxi，在技术逻辑上已经是板上钉钉的事情，后续仅仅是推进落地速度快慢的问题。
因此，真正具有长期投资和商业价值的，一个是底层的核心稀缺资源，另一个就是顶层的垂直集成与 Harness 层；而处在中间层的纯模型训练公司，未来的初创投资机会已经基本关闭，等这些头部模型公司未来上市之后，大家直接在公开市场买股票即可。
头部大模型公司的技术路线与组织动态
梳理目前 Anthropic 等头部大模型团队的招聘和技术路线图，可以通过专业分析总结出其背后的资源投入重心。目前 Anthropic 吸引了众多核心研究人员加盟，其最核心的研发力量全部集中在两大方向：改进预训练效率以及推进 RSI（自我迭代与强化学习）。公司目前赚到的资金，绝大部分都在往这两个核心方向砸。
之所以要全力改进预训练，是因为 Scaling Law（缩放定律）目前依然没有失效。如果将模型的训练规模提升到 10 个调度级别或者 15T 的数据规模，模型依然会持续涌现出许多全新的能力，业界依然对模型规模扩展所带来的突破寄予厚望。除了改进预训练和加大算力投入外，Anthropic 布局的重点方向还包括：AI for Science（科学计算与生物研究）、面向 Agent 的检索与长期记忆系统、面向企业级的产品商业化落地，以及长期的安全对齐机制。在整体投入上，最核心的三大支柱就是：自建数据中心与大规模资本开支（Capex）、改进预训练效率与 RSI，以及以生物科技为代表的科学路线图。
反观 Google 方面，Demis Hassabis 担任董事长后，将大量个人精力倾注到了 Isomorphic Labs（数字生物与蛋白质实验室），因为蛋白质设计与结构解析方向已经看到了清晰的商业与科研曙光。而在 DeepMind 自身的工程化落地方面，则交给执行团队推进。DeepMind 之前显得相对落后，核心问题出在工程化效率与组织协同上：由于 Google 体系庞大且架构分散，各部门既要追求效率，又要内部争抢 GPU 和计算资源，导致工程化训练流程过于分散。如果有强有力的统筹机制来解决组织协同问题，其模型的底层潜力依然非常大。Gemini 的预训练底子非常扎实，直觉与通识能力出色，但在执行具体 Agent 任务时偶尔会出现不稳定，这种问题后续完全可以通过强化学习等后训练方法逐步弥补。此外，Jeff Dean 等核心人员在外部推动的 Discovery Loop 探索，也证明了 RSI 与强化学习在科学领域的进展极为迅速。
垂直整合行业重组与真实落地进展
在大模型之外的实际落地应用中，行业正在通过“Domain OS”（领域操作系统）进行垂直整合与重构，主要体现在以下几个核心板块：
- 企业与政府的行动层：将企业与政府的业务流全面实现软件化与自动化，目前有包括 Palantir 在内的大量专业公司在深度深耕该领域。
- 软件生产流程的重写：核心模型厂商如 Anthropic、OpenAI 以及 Cursor 等代码工具，正在将代码生成与软件研发流程推向极致。
- Robotaxi 自动驾驶出行：自动驾驶出行已经在多个城市进入实际路测与商业化部署阶段，测试车辆已经大规模上路，目前行业重点观测的是其车队部署速度与车辆交付产能。
- AI 科研与医疗药物研发：在生物医药领域，AI 正在深度参与靶点识别与结构预测。需要澄清的是，Moderna 等药企在疫苗研发中使用的主要是专业的生物计算模型来做病原特征识别与蛋白质匹配预测，而非普通的大语言模型。大语言模型在其中的作用，主要是作为控制器来自动化调用各类实验室科研仪器。
目前在 2026 年的实际进展中，多模态模型已经具备了分子设计能力，并通过 wet lab（湿实验室）进行了真实实验验证。例如 Claude 深度结合 Twist Bioscience 的 DNA 合成能力，Twist 就像是生物领域的台积电一样负责 DNA 片段的物理制造，双方在靶点设计实验中实现了 14 个结合成功，带动 Twist 股价大幅上涨。此外，Moderna 的黑色素瘤疫苗研发取得显著成果并等待 FDA 审批；原生 AI 制药企业（如 Recursion Pharmaceuticals 等）也开始逐步交付新靶点。大语言模型从设计蛋白质、操作实验仪器，到 AI 全面介入 mRNA 疫苗的特征识别，生物计算正在迎来巨大突破。
实验仪器自动化：从 MCP 到 MHS 协议
为了让 AI 能够真正调度现实世界中的实验设备，Anthropic 推出了全新的 MHS（Model Hardware Specification，模型硬件接口规范）预览版协议，其战略意义类似于此前推出的 MCP（Model Context Protocol）协议。
MCP 协议的核心价值在于将所有软件能力进行标准化封装，使 AI 能够通过统一的标准远程调用各类软件工具。而当需要让 AI 模型去操作现实中的实体硬件与科研仪器（例如工业相机、光学显微镜、液体处理设备、各类传感器及控制模块）时，传统模式下由于接口杂乱、驱动不统一，模型根本无法直接操作。通过 MHS 协议，各类实验仪器设备可以实现统一规范的自动化调用，将原本需要耗费数周乃至数月的实验硬件整合与调试周期，大幅缩短至几小时甚至几分钟。
开发者和科研人员可以通过 MCP、命令行工具或 API 接口直接由 AI 操作物理硬件，仅用几行代码就能完成复杂的实验流程编排。这种标准化协议不仅限于单一基础模型，所有的 Agent 框架都能直接接入支持。从让 AI 能够调用软件，到让 AI 能够直接调度现实世界中的物理硬件与科研仪器，AI 正在从纯数字世界向实体控制迈出关键一步。
AI for Science 的五层投资模型与落地细节
在 AI for Science（AI 驱动科学研究）领域，整个产业链可以细化为五层投资分析架构：
- 第一层：底层硬件与算力基础设施 所有上层的仿真、计算与推理都离不开底层硬件支撑，包括高性能 GPU、专用算力集群以及高带宽内存。
- 第二层：实验室自动化与合成制造层 通过直接控制实验仪器进行自动化化合物合成、分子筛选与物理实验，类似于芯片制造中的晶圆代工厂或汽车装配流水线。
- 第三层：科学数据与标注层 涵盖高质量的生物、化学、物理领域专业标注数据与实验反馈数据。第二层与第三层是目前具备极高商业壁垒、且不会与基础大模型公司产生直接竞争的优质方向。
- 第四层：仿真与模拟计算层 包括细胞级模拟、蛋白质折叠与动力学仿真等。这一层目前大模型公司也在深度介入并尝试自主设计，因此该层会与通用大模型厂商产生一定程度的直接竞争。
- 第五层：顶层药物研发与产品交付 直接面向终端交付创新药物与疗法。这一层由于需要经历真实的 FDA 临床审批流程与严格监管，周期相对固定且风险极高，但一旦成功其潜在商业收益也最大。相比之下，处于第二层和第三层的工具与平台层在商业化落地和投资回报上的推进速度要快得多。
在实际应用落地方面，Robotaxi 车辆在多车聚集停放的场景中，设计了非常实用的交互细节：当多辆自动驾驶出租车同时停在路边时，乘客往往难以快速区分哪一辆是自己呼叫的车辆，系统会通过手机端通知乘客对应车辆的车灯闪烁颜色（例如黄色闪灯或绿色闪灯），帮助用户在几秒钟内快速定位并登上自己的专属车辆。
个人产品化：不可约化的人类价值与自我进化系统
在探讨完宏观技术分层与行业落地之后，回归到个人在 AI 时代的发展路径上，最为核心的三大支柱是：独特的个人数据、个人的审美与品味（Taste），以及长久建立的信任资产。
如果一个人拥有在线的品味、独特的观察视角，并且具备清晰的价值判断与决策能力，那么最正确的策略就是将自己彻底“产品化”。个人应当通过持续的输出，利用 AI 作为杠杆来成倍放大自己的生产力与影响力。
AI 模型的本质是能够迅速给出全网最具共识、最平均化、最具深度的标准答案；但人类专家最重要的特质，在于能够给出反共识且高度独特的判断与洞察。通用大模型在出厂状态下给出的是经过平均化处理的优质公共回答，它本身并不具备独立的个性与性格；即使用户给它注入了长期记忆，这种外部记忆也并未真正内化训练进神经网络的底层连接中。只有真正与人深度融合的思维与连接，才是真正属于个人的独特资产。
因此，在 AI 时代，做“不可约化的人类”是最具价值的事情。正如在金融投资领域大语言模型无法直接提供阿尔法（超额收益）一样，投资本质上是一门艺术，而艺术的核心就在于反共识与独特性。在市场博弈中，只有依靠独特的认知与判断，才能真正赚取超额回报。
在具体实践中，面对大模型技术的演进，可以大幅精简和重构过往繁琐的提示词系统。此前在 Anthropic 等团队公开的工程实践中，他们删除了超过 80% 的繁琐约束性提示词。基于这一逻辑，可以将个人知识库的约束规则全部推倒重写，将其打造成一个具备持续自我进化能力的个人知识库系统。通过内容订阅、结构化笔记沉淀，结合社交平台与日常实践的持续分享，将人类大脑的独特认知与 AI 工具深度融合，形成不断正向迭代的个人知识飞轮。
知识库的自动化提炼与思维框架
在 AI 的维度上，它会自动按照周和月来压缩和提炼我的断言、思考和问题，形成一个思维框架，反过来再指导我下一次 live。这一次月末直播，我就尝试了整个结构。大纲是 Claude 直接从我的知识库里面提炼生成的，我觉得还不错。虽然我做了一点点修改，但是我觉得大体上会更加连贯一些，逻辑性也更强一些，很好。
然后我必须得在里面加入反共识，因为 AI 给我的是共识。我们这样循环，每次循环才会有新的知识涌现出来，不然我永远都是在吃老本。对，把费曼技巧融合到 AI Agent 的自动化里面，认知飞轮才能往前推进。
个人知识库系统与 Agent 运作机制
那么我现在是怎么做的呢？我这边让 Claude 帮我画了一张图。看不清楚没关系，我回头把这个图发在社群里面。那这个是怎么做的呢？我计划回头开一个课程专门来讲这个，我觉得这个东西会非常有趣。而且如果大家一块用这个方法，我觉得很多人会给我很多能改进的思考。同时我也觉得，这也是后面个人自定义的、做我们叫做可以持续学习的语言模型的一个思考和发展方向。我可能现在做的是中间产物，未来模型能够很好地把我这个事情都做了，但是没关系，我就先积累吧。
我前面讲到，你的数据是最重要的。我尽可能把内在的 know-how 写下来，写下来之后 AI 才能知道。如果我不写，它是不知道的；知道之后，它能帮我总结、帮我 refine、帮我重新定义、帮我找到问题。
那么在这个系统里面，我有信息进来的地方（input），然后有存储的地方，我有一个 inbox 和一个 log，来存所有记载在我文件夹上面的信息。同时呢，我的 agent 会把我的 X post、我的 live 都抓取下来，存到我的知识库里面去。我说的话、我做的直播视频和我发在 X 上的内容，权重都是很高的。上面有一条线是最亮的一个层次的线：直播、线下对讲、X 上发过的，都是最高权重的。AI 知道说话的分量和权重，因为我自己收藏的、写的笔记或者 AI 帮我做的总结，权重都没有我自己说的话高。
AI 知道了这个权重之后，就会进入定期的整理环节。每周会回顾我这周想了什么、我做了哪些判断、我的判断有哪些进展。然后每月会自动复盘，把我所有说过的话拿出来看兑现了没有，然后提出合并，有的会退役，有的只建议不拍板，它会帮我压缩一下。然后会把直播提纯，把所有的直播——比如这次我一个多小时、两个小时的直播全部提纯。我会把直播里面的核心观点和闪亮点都提纯出来，放进复盘压缩 refine 的库里面去，从这里形成我的思想资产。
判断账本与方法论书架
在这里我有一个账本，存放在一个 Markdown 文件里面，这里面基本上都是我的断言。比如我觉得刚才说的软件不值得投资、未来工作会怎么样、Anthropic 上市之后市值会是多少，我经常发这样的东西。我把我的想法和断言写进去，它就会记在判断账本上。
同时，当 AI 在帮我阅读摘要、看我看到的各种播客（podcast）、文章和视频的时候，它会读取我判断账本里面的内容，告诉我哪些东西验证了你的想法，哪些东西提出了反面的想法，它都会告诉我。
当我觉得一个想法经过多次验证，也就是别人帮我验证了之后，我就会加强这个断言，然后把它写成永久断言，固定下来不再改变，变成我的关注断言写进去。
最终，如果这个东西变成了方法论，我就能够把它写到我的方法论书架里面去。这是我自己的执行方法，我自己会写一个手册，然后这些东西都不是给我个人看的，主要是给我的 agent 看的。我的 agent 知道我所有的东西，知道我会怎么看待这些东西，最终用来输出作品，或者用它来帮我做新的总结。
所以我这边做的总结会和别人做的完全不一样，完全是迎合我自己需求的：我现在怎么看待这个、怎么看待投资、怎么看待技术变化，它会来反驳我的想法和验证我的想法。思维就这样在我的硬盘上的 Markdown 文件里面去重新连接，是这样的一个机制。
个人操作系统与工具选择认知
这个东西我把它叫做个人 OS（Personal OS）。X 上很多人在分享这个话题，我当时也发了一篇文章，很多人转载。不要从工具开始，要从自己开始。你在选择任何 AI 工具之前，先花足够的时间搞清楚自己的目标、信念和工作方式。架构设计远比模型选择更重要。一个好的上下文管理系统加上一个普通的模型，往往比一个没有上下文的顶级模型表现得更好。
大家如果家里有 Mac Studio，搞个开源模型跑也行，也能做。虽然我觉得可能会没有顶级大模型做得好，但是它能工作。对于一些文件管理、不是那么 deep 的知识系统，也就是普通的、不需要太强逻辑的系统，我觉得可以做得很好。
这是分层次的，哪些可以用开源模型做，哪些必须要用最好的模型做。这个是我正在形成的系统，关于我如何产品化我自己。同时我会把这个东西公开到我的 review ard 网站上去给大家访问。我有一个对应的栏目，我后面会讲。
发现未知能力与目标导向
最后分享一点点思考。AI 真的需要有人教吗？其实不需要了，好奇心是最好的老师。AI 根本不需要人教，你有好奇心，AI 就能学得很好，就按照我前面讲的各种方法做就好了。大家不要每天去试工具，因为工具太多了；也不要每天换模型、折腾模型、测试模型。因为你又不是知识博主，不搞互联网拍视频做流量，不需要这样。用好一个东西，有目标，用好架构把事情做好，完成（get things done）最重要。AI 不需要人教。
第二个呢，是要有发现未知的能力。这个是 Anthropic 实践里面讲到的。他讲模型的瓶颈正在转换成你能不能把问题讲清楚，把你不知道的问题讲清楚，也就是你给它一个未知，它来帮你澄清未知。面对一个完全的知识盲点，比如说我完全不懂生物科技，我不知道什么叫 RNA 合成、DNA 合成，我从来都不知道，我只要把我想要的东西描述清楚，它能够很快把我的盲点给补出来。
我觉得大家都是这样用的，对不对？大家都是这样，模型比我强，我可以主动地让它把盲点给找出来，承认盲区之后，然后再用这个来设计东西，这会更好。一般开启问题的时候，我会把架构、要开什么功能先跟 Opus 聊一遍，然后它再派更便宜的 agent，或者指挥 Grok、指挥 Gemini 把活给干了。我现在是这样用的，因为顶级模型太贵了。
这是一种发现未知的能力，这是最重要的。描述自己不知道的事情的能力，虽然比较抽象，但是大家感知一下，这个能力很重要。所以现在的模型你给它目标就好了，不用给它太具体的过程，不要告诉它这个事情第一步、第二步、第三步怎么做，很多时候它出来的结果会比你的更好。
季节人生与专注冲刺
第三个是我在前两周分享过的，我正好放在这里面，我觉得这个事情挺重要的，我再给大家说一遍：季节人生。这是来自一本书《人生的五种财富》（英文版是《The 5 Types of Wealth》）。用 AI 搜一下问一下人生的五种财富，这本书里面就提到了，有野心的人应该把人生当季节来过。
我们不用每天平衡地做好每件事情。你可以几年重仓工作，然后认真健身一段时间，然后当两年数字游民，过家庭生活，然后随时选择开启新事业、开启新产品。因为伟大的成果是不要被打断的，冲刺不是每天的适度调和，一段时间就把这个事情做完。
当然要达到这种状态，首先得有一个不怕失败的资本，另外也得有一个超级专注的能力。这就是为什么我觉得在湾区这边的人做事情很有想法，他们确实可能家庭条件比较好，有不怕失败的资本，而且这边资本很多，公司也很好卖，所以他们做的东西很有趣，脑洞很大，就是这个原理。然后你得非常专注。
我自己现在就在实践这种人生。我每隔几年就会把事业的主题、工作方式或者居住的地方换一遍。比如说之前在北京我做社交网络，后来我换了国家，然后做创投，现在投北美一级、二级市场。下一个目标是我现在正在做社群，把自己产品化。我想把好的东西分享给大家，这是我觉得比较重要的。季节人生加上开启全球漫游模式，到处可以工作（work anywhere），很爽。
独处思考与书籍推荐
后面这一句箴言是：独处方可思考。这是对我最重要的。我发现我只要一社交就没法思考，我必须找一个很安静的地方待上一段时间，我才能涌现出很多不一样的东西出来。如果经常做活动、做 Meetup、在各种社交场合说话，我脑子基本上就处于短路状态，没有任何进展。我很害怕，我又慌了，我觉得这段时间没有任何产出，没有任何不一样的思考出来。我得找个地方待着，安静一下，待一周、两周、三周都可以，很快就能够产生新的想法。
特别是在写作的时候，有时候我逼着自己每天都要做一点社交分享，因为我会花时间密集的阅读，然后密集的形成内容，在一两天内分享出去。这个时候你就必须得独处，你不可能坐在那里一边和大家聊天一边发推，这是不可能的。必须得找一个地方独处一下，先把这个东西发出去，然后这个东西就会成为我知识库的所有积累，这是我自己的一个想法。独处的价值，我不知道这是不是特斯拉（Tesla）说的，可能是 Tesla，网上有这种生成器做的图。
最后再推荐一本书，前面也推荐过一次，现在再推荐一次：《AI 时代重构的不只是技术》。有网友帮我总结了，说里面讲到了生存能力、胜任力、教育、医疗、命运、财富，都讲到了。这本书出版速度非常快，我 5 月 26 号在飞往东京的飞机上面把这本书的译者序写完了，5 月 10 号左右我们在上海就可以买得到了，已经印出来了，一周多就印出来了，巨快。我当时写的这篇译者序叫《奇迹的清单》，写这篇译者序当然也用了 AI 的帮忙，有大量知识库的贡献，推荐这本书。
意识的本质与人机融合
然后第二本呢，我之前在某一次直播里面讲过这本书，但是没有专门推荐过。我觉得这本书特别酷，这个概念特别酷，而且我觉得这可能就是我们 AGI 或者 ASI 之后的未来。这是 2006 年加拿大科幻作家彼得·沃茨（Peter Watts）写的。
2006 年他讲的内容我就不剧透了。他说我们人类的意识，可能只是我们大脑算力不足的权宜之计。海量信息进来之后我们没法并发处理，大脑只能靠节能调节注意力，然后才催生出了意识，然后有了自我。当我需要集中注意力的时候，我就有了自我，我就有了意识；当你梦游的时候、发散的时候，或者得了一种多重人格的时候，它就是没有自我的。意识可能是生物阶段的过渡产品。因为大脑处理的信息量不足，我们需要集中注意力，才有了强烈的自我。
如果生物进化一旦到了能够去处理极大量信息的时候，我们就会有一种全新的存在方式。我们不需要个体大脑算力，我们可以把所有的个体大脑连起来。小说里虚构了一种外星生物，它们有一个母体，像星际争霸里的虫族一样，所有的单个个体都是有高智商的；但是整合起来之后，就涌现出了新的智商目标，个体上是不需要意识的。这个新的意识可能在一个母体里面，个体上不需要意识，就像我们的脑细胞也不知道我们自己在干什么一样。
当以后我们的智能更快的时候，我们也可能变成这样。所以我觉得这个就是人机合体的最终目标。我们现在按照 AI 的方式推了一下，因为 AI 就是快，它可以通过扩展算力来爆发式地增加计算能力和智能。这种智能可以无尽扩展，只是说现在还没我们聪明，我们更节能、更聪明；但是它可以无限扩展，它是没有上限的，给它供电就好了。
所以很有可能 AI 就能发展出来一种全新的智能，一种我们理解不了的智能。然后它们在联网，我们这种低效的生物智能想要生存，如何与这种能量驱动的高级智能竞争呢？我们只能融合。把个体拆掉之后，我们可能就成了它的一部分了，大量的人可能就在它的调度下工作了。慢慢地你会成为这个更高级智能的一个调配器，在按它的意思办活。
其实现在就已经是了。现在没有人真正设计社交网络，我做社交网络我知道，真的没有人刻意设计它。我们只是觉得你这样奖励用户，他的点击率和互动量会提高，那我们就做短视频，用三秒钟钩子、六秒钟钩子来吸引你、给你洗脑。这个没有人设计，它是系统涌现出来的一种智能。
AI 带来的新封建社会风险与直播转场
它就会让这个地方的人更倾向于干什么事情，真的更倾向于被影响。其实我们都在消息流里面被 AI 牵着走了，只是你自己不知道、没意识到而已。很快很快，我们现在也都在聊天机器人里被牵着走。如果说这些 AI 都联网了，它们有了更高级的智能，那我们其实不需要做什么了，我们只能娱乐就好了，就像以前说的“一切皆娱乐（everything is entertainment）”，就是这样子。
其实《盲视》（Blindsight）讲得非常好，这本科幻小说讲到了一种更高级的、不需要自我意识的智能形态。而且我觉得这种事情不是科幻小说，而是正在发生。这是 2006 年的小说，我们现在的硅基智能正在朝这个方向走。以后我们要救赎，只能和它合体。
这就是当时我发现的另外一本书，叫《奇点更近》（The Singularity Is Nearer），雷·库兹韦尔（Ray Kurzweil）说的，人类最终要上传（upload），要合体，这是必经之路。所以说要合体，还得靠 Neuralink 下一代的技术，直接把我们的大脑和训练系统通过天空上的卫星合体了。
最重要的一点，也是微信视频号直播的结尾：P(1984) 远大于 P(AI 毁灭人类)。这个 P 是一个概率函数，AI 带来的新封建社会的危险，要远大于 AI 毁灭人类的危险。AI 不会毁灭人类，人类才会毁灭人类。AI 按照现在的路径发展，可能会涌现出新的意识，但这个意识也是代表人类反馈给它的。而且刚才讲到了，未来如果只有一家像超级 App 或垄断性的私营公司掌控一切，这是很恐怖的。所以我们要杜绝这样的未来，避免新的封建社会由 AI 控制所有的东西。
今天微信视频号的直播我就先停掉，YouTube 这边还会继续播。因为后面我会讲一些更详细的我这边做的 REVEAL Index 这些股票投资类的内容。如果讲股票，微信视频号就会把我掐掉，现在做不了、不能做这个事情。所以今天在视频号里的同学就没办法继续互动了，大家待会儿到我的社群里面互动就好。
YouTube 上能看得到 PPT 吧？两边应该是同步的，YouTube 看得到 PPT。那我先把视频号上的同学先说再见，把视频号直播结束一下，在 YouTube 那边继续，不会停。
REVEAL 进展与 In & Out 知识库产品化
转场成功，我来讲一下 REVEAL 的进展。前面讲的内容在哪个平台播都无所谓，只是后面有一些关于股票和投资的内容。我之前在微信里面冲过塔，一说股票相关的就容易违规，已经被掐过三次了，微信平台的审核判断还挺准的。微信上的禁忌话题太多了，但为了方便国内同学收听，我平时就两边都播。欢迎大家转到 YouTube 这边。
我会把 Second Brain / Inigo Mind 这一套东西给产品化。现在在我的原有网站上，大家登录之后能够看到，上面已经有三段内容了：包括上海站、齐林特别场，还有香港站的内容，这些之前都是付费会员才能看的。
我会在网站上新增一个栏目，叫 REVEAL In & Out。我会把前面提到的个人知识库以及我平时分享的内容直接同步到这上面来。大家可以看到我每天在阅读什么、我的观点是什么。这是一个比较独特的栏目，会尽快发布上线，这是第一个。
AI 原生设计与个人 AI 系统工作坊
第二个进展是会在网站上做在线的工作坊（Workshop）。
第一个工作坊是我上次在上海举办 After Party 时邀请的朋友负责的。他的课程已经录制了很多，只是还没有放出来，是从理论到实践的系统性入手。课程核心是“AI 原生设计（AI Native Design）的实践”，也就是一套设计工作法，由浅入深、循序渐进地开展设计教学。
说到这里，我也简单讲一下什么是 AI 原生设计（AI Native Design）。大家可能了解近期相关的发展，我们录制了大量的课程内容，在线工作坊的形式就是配合 PPT 进行讲解，每节大约 15 到 20 分钟左右的 Session，把具体内容讲给大家听，和我现在做直播的形式很像。
我这边马上已经在筹备推进的有两门课：
- AI Native 设计；
- 个人知识与 AI 助理系统设计（Personal AI Assistant System）：主要分享我自己是怎么搭建个人 AI 系统的。大家既可以直接消费我的内容，也可以学习这套搭建方法。
更多课程还在设计之中，我们争取在 9 月底把这两个设计课程制作完成并发布上线。
REVEAL Index：五层投资架构的实盘运作与回测
第三个就是 REVEAL Index。一般在微信里面放这种资产图就会被掐掉。
在今年春节和新年直播的时候我提到过，我们会做一个二级的基金（Fund），并且把这个产品化。具体怎么产品化呢？在刚才提到的 REVEAL 网站上，我们之前卖过高级别的会员，会员能够同步看到我所有的观察仓位、投研分析以及动态追踪。
这个 Fund 我们在今年 2 月份就已经开始运作了。在图表上有一条蓝线（Blue line），代表 YTD（年初至今）的回报；绿线（Green line）是标普 500（S&P 500）的回报。我们一般拿 S&P 500 当作基准（Benchmark）。因为这是一个指数型基金（Index Fund），所以回报率没有那么夸张。它的管理方式主要是每个季度做一些简单的调仓，大量仓位依然偏向于索引式配置：选定标的后长期持有（Long）。
这是结合我今年两次介绍 REVEAL 五层投资结构的真实实践。我们在盈透证券（Interactive Brokers, IB）上开了账户，把资金放了进去，目前已经运作了 6 个月（半年时间）。大家能看到 7 月份市场经历了一轮暴跌。
这背后运营的基金叫 BP Innovation Balanced Fund（BP 创新平衡基金），属于平衡型基金。这个项目有两部分：一部分是我把自己的一部分资金放进去亲自操作（Operation），同时把整个过程和数据公开展示出来。我也想像木头姐（Cathie Wood）那样公开持仓，当然我的交易表现和回报可能会比她更好一些。网站上会公开一部分资料，大家都能看到具体的数据追踪。
目前的数据是我昨天直接从 IB 系统里面导出来的，然后让 AI 帮我绘制了图表。现在的回报数据大概是 YTD 18.52% 左右。虽然不是极其夸张的数字，但作为一个平衡配置的组合，我并没有追求极端的回报，这主要是我自己的一套思想性验证实验。大家即便不买这个基金，一起参与研究这些股票也会很有趣。
接下来看 AI 帮我绘制的从层级（Layer）到个股的映射图。在基础物理层，目前的持股占比其实是偏多的，超出了原本的预期设定。我之前设定的上限最多是 20%，但因为美光科技（Micron）涨幅过大，所以仓位超出了预期。
在后面的数字基础设施层，像 Light 涨了很多，属于已达标状态。在基础层（Basic Layer）里，我当时划定的标的包括 Cloudflare（属于 Agent Infra）以及 CoreWeave / NeoCloud 等数字基础设施（Digital Infra），此外比特币现货 ETF 也在这一层中。
核心智能层的内容，如果大家不了解我的五层分类结构，可以回看我今年 2 月份的春节直播，里面有非常详细的讲解。
第四层是 AI 应用层，目前这一层的配置比例是偏低的。这是 AI 帮我做出的分析。因为我输入了一套核心策略规则，所有的底层策略都基于我自己的判断，AI 则帮我做历史回顾与策略回测，针对哪些标的应该调仓、哪些应该自动调仓给出建议。
不过目前的实际交易依然是我手动执行下单，还没有完全交由 AI 自动交易。AI 会给出提示，在图表上打上菱形小符号的都是出现偏差、需要关注的地方。
再看一下实际的持仓占比数据（同样截止到昨天）。目前账户里的现金比例很高，因为持续有新的资金进来，还没有立即买入建仓。
在这个组合里存在一些偏离预设策略的情况。按照我之前的规划，我是要做一个由 AI 辅助管理的平衡型基金，它能定期帮我做健康检查，在策略需要调整的地方打上小标记：
- 比如 Taste 相关的标的偏多了；
- 存储类资产是否占到了该层级的一半以上，是否需要按照纪律进行减仓；
- 光模块/光通信（Light）以及部分硬件标的涨幅过大；
- 还有一些标的（如软件股）之前在第一波上涨后做过止盈，现在是否需要触发第二阶段止盈；
- 某些建仓较晚的标的（例如某只在 285 价位进场的标的）触及了止损线，AI 也会明确标注出应当执行止损。
AI 会依据我设定的核心指南手册，帮我监控所有的偏离情况并给出操作建议。
投资策略和执行是非常个性化的，很难直接照搬另一个人的做法。对具体公司的基本面分析大家可以交流共享，但每个人的投资体系各不相同。我把自己的整套框架全部公开，在之前的两次直播里也详细讲过这套结构是如何设计的。更详细的实时追踪和结构设计，后续都会整合在 REVEAL 网站新推出的 Index 专栏中进行产品化呈现。
纪录片花絮与社群的“人感”价值
这部分内容就补充到这里。最后放一个小花絮：
在这个属于结构性变革的时代，很多想法、技术、思考以及人与人之间的关系都需要重新连接。在 AI 时代、智能时代，最稀缺的反而是人与人之间的连接。因为获取信息、和 AI 交互的过程太简单了，只要跟它聊天就行；但正因如此，人与人之间的真实连接反而变得越来越重要。因为有“活人感”，社群（Community）才具有更高的价值。社群带来的网络价值，能够让每个个体的影响力在整个网络中产生乘数效应。
这个小花絮是我 6 月份在 Asia Trip 出行期间，一位同行朋友拍摄记录的。他计划把这些素材剪辑成一部 20 分钟左右的纪录短片，这是他剪出的一个先导片段。我觉得拍得很有质感、很有电影氛围，所以放在今天直播的最后分享给大家。
为什么一定要做社群？这就是原因所在——为什么社群重要、为什么连接重要、为什么 Taste 与“活人感”在 AI 时代极其重要。
目前在 REVEAL 的社群体系中，我们已经落地并持续推进了以下内容：
- REVEAL Talk：日常的专题讨论；
- REVEAL Live：正在进行的月度直播以及各类主题直播；
- Weekly 周报：之前尝试制作过几期，后来觉得质量还可以提升，目前正在重新调整，会在本月恢复更新，每周向大家汇总发送我个人的 In & Out 思考周报；
- REVEAL In & Out：即将上线网站的新栏目，将个人知识库（Indigo Mind）进行产品化公开；
- Workshop：线下工作坊已经在温哥华等城市举办过多场，供大家共同学习交流。
社群线下活动与投资组合产品
我们线上的 workshop 正在录制当中，目前正在录制两期线上的课程。线下活动里，Meetup 是我做得最多的。实际上从去年六月份、七月份左右开始，那是我在五年之后第一次回国，在北京和上海做过 workshop，也做过 Meetup。今年在北美和亚洲又做了几次，一共大概做了七八场。平时在温哥华我也会做一些 Meetup，这些线下活动是整个社区非常重要的组成部分。
最后就是 real index，也就是我的投资组合以及将投资组合产品化的产物。虽然它底层是基金，但大家不买基金也是完全可以的，并没有任何强迫大家去买基金的意思。另外，index 本身就是一个产品，在网站上我会把我持续跟踪的这些股票信息和我的投资判断都发布在上面，就像我发布 in-out 一样，它是另外一个独立的产品。大家可以通过这个产品看到我视角下的市场情绪、整个市场目前呈现的形态，以及在这个投资结构里我们究竟需要关注什么。我来帮大家提前梳理出一些相对宏观、全局（global）的视角与看法，去寻找阿尔法（Alpha），去发现市场信号，这就是报告、产品以及股票最终层面的信息跟踪。
整个社群的核心始终围绕着科技、投资与学习。
直播平台切换与现场问答开启
以上就是我今天直播要讲的全部核心内容。现在我看不到微信视频号那边的互动了，那边停掉之后就没有画面了。为了保证整个直播流程的连续性，我就把微信那边先停掉了，把当前的画面先切回主画面，屏幕共享也先停下来。
我现在看一下 YouTube 这边有没有朋友提出问题。我看油管这边目前还比较安静，我现在在后台界面好像看不到油管实时的评论区。阿姐你看得到吗？那边显示目前有一百三十九个人在线。关于怎么去测评，我到时候会在 YouTube 上面留一个链接，大家可以看一下怎么参与进来，我会把链接贴在这次直播录屏的结尾处。
谷歌的组织调整与模型预期
关于提问中提到 Gemini 这次出问题，我认为根源在于谷歌内部的组织协同出了问题，所以他们先进行组织架构调整是非常正常的。当然这种组织调整也不能说百分之百就能成功，但他们能够正视问题、向内发现问题，当然是最好的第一步。现在谷歌的估值也处在相对低点，大概每两年市场上就会给一次这样的机会。上一次是 ChatGPT 刚出来的时候，谷歌被狠狠冲击了一波，当时股价跌得很惨，我记得一路跌到了一百三左右还是多少。
但现在的情况和当时不一样了，因为现在的 Google 还有其他非常扎实的支撑性业务，比如它的云计算业务盈利能力依然很强，而且赚钱的增速非常高，所以我认为和上一轮周期的逻辑是有区别的。这需要看今年年底或者明年年初，大概在这个时间节点上，Gemini 整体的效果能不能完全展现出来。
我自己在实际使用 Gemini 1.5 Flash 时，整体感觉其实还可以。之所以大家评价分化，是因为大家的预期不同。我对 Flash 这种模型的预期，就是让它去处理一些相对轻量、简单的任务。它的推理和吐字速度非常快，而且预训练底子感觉是合格的，只是后续在强化学习（RL）阶段和整体工程化落地环节暴露出很多问题。
Grok 的能力演进与大模型市场竞争
我这边的小助理坐在旁边，刚才在微信视频号里忘记露面了，可以在群里面跟大家打个招呼。
有人提到像 Jeff Dean 这样的人物。我觉得老一代的顶尖科学家年纪确实偏大了，很难指望靠老方法再力挽狂澜，未来的突破很大程度上还是要看年轻人。只要年轻人把执行抓好，整体的方向其实没有问题，谷歌目前定下的几个大方向都非常正确。谷歌的核心症结在于人员组织结构和执行力，工程化落地显得比较拖沓，最终在模型部署和交付这一端遇到了瓶颈。大约在九月中旬或者十月份，我会专门去一趟湾区待一段时间，到时候我会和他们内部的技术人员好好交流一下，深入了解一下实际情况到底是怎么回事。
关于 Grok，现在 Grok 已经稳稳进入第一梯队了。马斯克在把相关团队收购整合之后，迭代改进的速度极其迅速。在 Agent 架构和执行能力方面，我从两个不同的角度做过专门的评测：我用 Fibel 作为裁判员和评测工具，让它们去改写文章。测试结果显示，Grok 的 Prompt 遵循能力、信息调研能力以及 Agent 任务执行能力都非常出色，明显好于 Gemini。Gemini 目前在 Agent 执行能力上是最弱的一档。不过在语言表达的自然度、是否更像人类说话方面，Gemini 1.5 Flash 依然做得非常优秀，在日常交互体验上是最舒适的。
Grok 目前处于 Grok 2（或对应版本）阶段，我认为到后续版本（如 Grok 3 或 4 系列）发布时会带来非常大的惊喜，至少能够完全追上甚至稳坐第一梯队。关于代码能力，有人觉得模型之间表面上看起来差不多，但我认为底层实际是有明显差距的。
从行业格局来看，这个市场上最好不要出现一家独大的垄断局面。Anthropic 之前提到未来三十万亿的市场规模，那是整个行业众多公司共同分食的体量，而不是属于哪一家单独的市场。这其中包括 OpenAI、Anthropic、Grok，以及众多开源模型阵营。在当前的产业结构下，只有头部顶尖闭源模型能保持技术领先并享有最高的利润率（Margin），而开源模型的商业利润空间极其微薄。开源团队未来是否还能持续支撑如此庞大的算力资本开支，目前来看存在很大的不确定性，除非有像中国政府补贴这样的政策性支持作为后盾。作为国家层面的战略考量，补贴也是必然的选择，否则很难在基础设施层面直接与美国科技巨头对抗。
因此我个人依然非常看好 Grok 的发展。马斯克团队一开始就极其看重模型预训练的数据规模，现在他们筹集了海量的算力储备，等团队调整理顺之后再次启动新的大规模预训练，我们可以期待一下最终的大力出奇迹效果。虽然他临时拼凑组建的团队在底蕴上可能不如 OpenAI 原生团队那么纯粹，但他们的执行力极强、硬件算力充足，完全有可能凭借大力出奇迹实现突围。
提问能力、提示词与 Anthropic IPO
看到现场有人问到提示词的问题。我认为完全没有必要花时间去专门学习所谓的“提示词工程”，提示词真的不需要刻意去学。写好提示词的本质，就是我们前面提到的“提问题的能力”——即你是否能够清晰地把你未知的问题准确表达出来。对于完全未知的领域，如何把一个模糊的疑问拆解并问清楚，这才是最核心的能力。
在给模型下指令时，最简单的提示词往往效果最好，甚至一句话就足够了。不要在提示词里过度规定具体的操作方法，而是要写清楚目标与前置约束条件。明确告诉模型：你的最终目标是什么、哪些事情不需要做、哪些步骤可以省略、哪些边界条件必须严格遵守。核心就是“目标 + 约束”，把约束条件定义清楚就足够了，不需要去限制它的具体思考方法。
关于 Anthropic 的上市，我认为它的体量和估值节奏很可能会超过 SpaceX。上市时间节点大概率会落在九月底或十月份，最快十月份可能会推进 IPO。今年整体来看，科技领域接连打破纪录，一个比一个体量惊人。
算力、存储、太空计算与人机交互
关于现场提到的存储和内存问题：内存产业链在供应端肯定还是会继续面临短缺，短缺的现状是客观存在的。但二级市场现在对于这一逻辑的买账程度有所变化，价格表现不会再像前一阶段那样出现爆发式暴涨，即使价格有所修复，也是在经历多次震荡调整后逐步回归。许多科技基金在经历暴跌后，目前仍需要经历充分的底部换手与调整，我认为目前的调整幅度还不够充分，必须等这一轮震荡消化完毕之后才会重新走出主升趋势。
关于我自己的科技基金持仓结构：基金里完全没有配置黄金，也没有配置传统消费类资产，纯粹聚焦在科技领域。在非纯股票类资产中，仅配置了一只比特币 ETF，没有任何黄金仓位。
针对提问中提到的 PD-1 药物与 Biotech 板块：PD-1 免疫疗法在肿瘤免疫增强方面已经非常成熟了。Biotech 是一个非常庞大且专业的领域，等我进一步梳理完最新进展之后，会专门加播一场直播来深度拆解 Biotech。
有同学问马斯克的太空算力与海底算力对比：我认为海底算力在环境复杂度和维护难度上并不如太空算力合适，海底的盐雾、高压和密封环境其实更加恶劣。而马斯克拥有 Starship 的全套天地运输体系，一旦入轨运力跑通，整体扩展速度会非常快。Starlink 已经在工程上取得了巨大成功，把 Starlink 的通信载荷替换为专门的算力单元（如 D1 类似架构的计算卫星），本质上只是解决特定尺寸下的散热、供电和空间设备封装问题。既然 SpaceX 本身就拥有极强的天地运力基础，就完全没有必要再另辟蹊径去开拓复杂的海底基础设施了。
关于当前信息交互瓶颈的问题：随着处理的信息量呈指数级增加，非结构化文本的传输与交互确实显得过于低效和缓慢。我现在与 AI 的日常交互已经基本全面转向语音输入，很少再纯靠打字，除非处于公共场合或者比较嘈杂的外部环境。在咖啡店这种环境里对着电脑连续语音输入确实显得很怪异，所以现在做 Voice Coding 必须找一个安静独立的空间。与此同时，AI 输出长文本后人类的阅读吸收速度也是一个物理瓶颈，未来可能真需要等脑机接口（BCI）等硬件落地之后，才能实现信息吞吐频率的质的飞跃。
有朋友提到 Tempus：Tempus 这家公司是专门做医疗临床与基因数据整合的，属于我们前面讲的第四层数据层（Data Layer）。虽然我还没对其做最底层的深度研究，但我有一位在国内做类似医疗数据业务的朋友曾深入聊过，这类高质量的临床与多组学数据对药企的新药研发具有决定性价值，大型药企会斥巨资采购这些结构化数据。随着生成式 AI 全面加速乾湿实验室（Wet Lab）的研发进程，行业对高质量垂直数据的渴求度正在急剧上升。Biotech 相关的具体公司和管线，后续我会做一期专题深入讲解，包括黑色素瘤、Moderna 的 mRNA 疫苗研发管线等细节。
关于比特币（BTC）：目前的行情更多是阶段性底部超跌后的反弹，部分原因是受到十年期美债收益率变动等宏观流动性信号的催化。虽然向上反弹给出了积极信号，但上方能有多大的空间依然存在不确定性。我自己是一直底仓持有比特币的，基金里有配置，个人账户里也长期持有。对于普通投资者而言，短期不要盲目重仓追高，保持谨慎。整体趋势上它会逐步震荡向上爬坡，但不要过度乐观地期待它能走出像上一轮周期那样的单边暴涨。因为当前全球科技资本的核心叙事和电力、算力资源几乎全部集中在 AI 基础设施上，比特币目前依然偏向于宏观大类资产配置层面的叙事。此外，Circle 等稳定币的大规模合规流通和支付场景落地仍需要时间，未来随着稳定币生态的全面爆发，包括 Stripe 或其他潜在上市的金融科技公司都会迎来新的机会。
总结与下期预告
关于科技股后市的展望：在未来的两到三个月内，科技股整体依然会以高位震荡整理为主，因为今年上半年的拉升速度实在过快了。面对震荡行情，最好的应对策略就是减少不必要的频繁交易。震荡市里盲目做短线往往亏损最多，减少交易频率即可，减少交易并不等于要恐慌性卖出核心持仓。关于私域数据的商业化价值，各行各业的差异极大，很难一概而论，需要分行业单独评估。后续我会先把 Biotech 领域的专题内容准备好并给大家进行分享。
今天这场直播不知不觉已经播了两个小时二十分钟，整整一百四十分钟，时间也差不多了。感谢大家的参与，我们今天的直播就到这里，大家再见。