8月直播开场与内容大纲
欢迎大家来到 INDIGO 的月末直播，这是 8 月号。前面的废话我就不多说了，这是时隔四个月之后再次做直播。
这次的内容看我的标题就知道，会和星辰大海相关。也就是今年最重要、人类历史上最大规模的一次 IPO，不过很快就会有更大规模的出现。第一个重点是 SpaceX，第二个是 Anthropic，然后还有 AI 基建以及 AI 的自我进化，这是我这一次直播内容的大致大纲。
旁边是为大家准备的目录。今天整体时间我估计会在 90 分钟到 100 分钟左右，我尽可能控制在 100 分钟左右把主要内容都讲完。后面我会留半个多小时左右的时间和大家聊聊天，每次直播基本都是这样安排的。
今天的内容首先会分享一下亚洲之行，然后快速过一下最重点的事情：关于模型的进化、关于股市（美股、周期、IPO）、关于 SpaceX、关于硬件的瓶颈在哪儿，还有大家都很关心的 Harness 和模型商品化的问题。接着会讲到“产品化我自己”，这个我在 6 月份湛庐大师课上面分享过一点点，今天会更详细地讲。我每次月末直播的内容、我自己的播客内容，主要是月末直播内容和我自己在 X 上分享的内容，我都会让我的 Agent 重新压缩回炉、重新提纯出观点。就好像我们每天晚上睡觉做梦一样，大脑会进行抽象，把这些思考抽出来沉淀下来，形成这样一个 Loop 循环。我在持续做这样一件事情，非常有用。最后还有我自己对 AI 的思考，以及我社群的最新进展。
不好意思，前面忘记切屏幕了，好在直播没有停。
亚洲之行与思维体系沉淀
这次亚洲之行主要是三个城市：第一个是东京，第二个是香港，第三个是上海。
在上海做了两场：一场是湛庐的大师课，另一场是一个 After Party。那个海报就是 After Party 的海报，我们在新天地包了一个 Club，让大家听完课之后过来聚会放松一下。
主要是 6 月份的这次线下分享，我沉淀了一套完整的思维体系。我在上海的大师课上面做了详细分享，同时也发布在了我的社群上，我后面会介绍怎么去访问这些内容。
同时，我也重点在香港场给大家分享了投资相关的内容。我记得当时在 6 月 6 号的时候，我很明确地预告过：韩国的股市杠杆已经到了历史最高点。那个时候股市整体还在非常亢奋的状态，但很快在 6 月底半导体就崩盘了。在香港的时候给大家分享了很多关于投资的观点，到了 8 月份，我又有很多新的观点会给大家分享。
亚洲之行的主要目的，就是把北美的信息和亚洲做一个连接。我经常会在这样的 Trip 里面完成这类工作。这也是我们 Rewired 社群（刚才口误说成了 Infinite Scale）的线下 Meetup。我经常会在不同的城市组织 Meetup，在这之前，4 月份连着在旧金山（San Francisco）、西雅图（Seattle）和温哥华做了三场线下活动。
在东京场，出乎意料的是竟然有 70% 多来参加的都是日本朋友，他们都是说日语的，所以整个活动是英文场加日文场。当时也找了东京的很多朋友一起来 Host 和做分享。日本这边对 AI 的热情非常高。
在香港场，基本上百分之七八十都是做投资的，有来自摩根大通（JPMorgan）的、对冲基金的，以及各种投资人。
上海场覆盖的面就比较广泛了，因为上海是一个和湛庐合作的大师课，是我整体思考体系的完整分享，大概讲了三个小时到三个半小时左右，之后是一个 After Party。这是 6 月份活动的一个回顾，也欢迎大家关注我的社群，我会不定期地举办这种线下 Meetup。
AI 增强创造力的法则
上海的场地非常漂亮。在大师课里面，我们重点推广了我新翻译的一本书，这本书来自彼得·戴曼迪斯（Peter Diamandis），中文名翻译得非常好，叫《吾辈如神》（AI 增强创造力）。
在书的最后几小节、几个章节里面，有一个部分探讨了 AI 增强创造力。我当时在分享推荐这本书的时候，结合了戴曼迪斯提出的观点和我自己的实践方法，总结了“AI 增强创造力的十条法则”。大家每天都在使用 AI，我自己对此是非常有感触的：我自己的决策和我自己的目标组织，是在整个体系里面最重要的部分。你绝对不可以外包你的灵魂（Soul）。在和 AI 协同工作的时候，要尽可能进入心流状态，这个时候的整体效率会非常高。关于这十条法则的具体内容，我就不逐条展开了，大家可以去看书，也就是我翻译的这本《吾辈如神》。
过去三个月的 AI 圈大事件回顾
接下来快速总结一下 AI 圈最近三个月左右发生的重要事件，时间跨度从我上一次 5 月中旬的月末直播开始算起。
首先是 Anthropic 的融资速度非常快，而且发生在此前半导体最为狂热（Hype）的时候。在 H 轮融资中，所有的内存公司和闪存公司都在往 Anthropic 里面投，投后估值达到了 9650 亿美元。从这个时候开始，大家都惊呆了，没想到增长速度会这么迅猛。
紧接着在 6 月 12 号，SpaceX 进行了人类历史上最大规模的 IPO，募资了大概 700 亿到 800 亿美元。
同样在当天，出现了美国联邦政府对 Anthropic 的 Fable 5 模型的出口管制事件。这届联邦政府已经走向魔怔，把整个大模型技术完全政治化了，美国政府开始直接控制模型的发布。不过最终在 6 月 30 号，该模型还是解禁允许大家使用了。但是民用层面其实是用不到这个模型的。我认为在不久之后，头部前沿模型公司最新版或者最强的这一两版模型，我们可能都无法直接接触到了。一方面是因为它们面临更严格的安全审核，另一方面也是为了防止后面的竞争对手通过蒸馏的方式调用其接口来清洗数据并训练自己的模型，这是他们可能会采取的保护政策。
最重要的是在 7 月中旬一直持续到 7 月下旬的开源模型进展。首先是美国发布了第一个真正意义上的开源大模型，也就是 Thinking Machines 发布的 Inkling（975B）。紧接着后面中国团队发布了一连串的重量级开源模型，首先是 Kimi K3，在 7 月底开放了权重，参数量达到了 2.8T，成为全球最大的开源模型。后面紧跟着通义千问，以及智谱的 GLM（Z.ai）等。中国的开源模型非常多，几乎全部霸榜。在 7 月份，中国开源模型的迭代速度基本追上了美国最头部的模型，而且紧咬不放。
这一系列进展在 7 月份加剧了半导体的悲观叙事：如果模型都要商品化了，半导体行业该怎么办？市场上充斥着各种悲观情绪。如果在 7 月份做过投资，大家心里应该很清楚。很多人以为这是一连串反应导致的，但我认为本质原因就是市场杠杆太高了，当时正在经历去杠杆的过程。
7 月下旬半导体板块发生回调，整个市场周期的叙事出现翻转，大家开始质疑“投进去的钱赚不回来”。但是到了 7 月 30 号，股市迎来反转，AWS 表态证明自己不仅能赚回投入，而且赚钱的速度变得更快了，这直接终结了 7 月份的大回调。市场总是需要寻找一个理由来促成反转，这正好成为了那个关键理由。
紧接着是 Google 内部的架构洗牌。Demis Hassabis 实际上从 DeepMind 退位，转任首席科学家去专注做生物计算，投入到他另外创办的公司 Isomorphic 中去。与此同时，Jeff Dean 出走创办了 Discovery Loop。这两个人事变动释放出了极强的信号：一个是“生物 + AI”，用 AI 去做蛋白质研究；另一个是 Discovery Loop 主攻的 RSI（Recursive Self-Improvement，递归自我进化），通过模型的自我进化来驱动科学研究。这是一个极其火热的方向。虽然之前在 Gemini 内部也有团队在做相关的探索，但他独立出来做显然能够推进得更好。在 8 月中旬，他们也发布了一个宣传片。
到了 8 月 17 号，莫德纳（Moderna）与默沙东（MSD）联合宣布，人类首款基于 mRNA 机制的癌症疫苗在临床三期取得了非常显著的效果。我在 7 月份的时候特意对黑色素瘤做了很多研究，这款疫苗在临床三期和四期拯救患者的效果非常显著。这标志着 mRNA 技术打开了一个全新的突破口。莫德纳最初成立的目标就是为了研发癌症疫苗，之前的新冠疫情只是一个插曲，但它证明了该技术路线的可行性。现在他们回归正轨推进黑色素瘤疫苗研发。之所以选择黑色素瘤作为首个癌症疫苗的挑战目标，是因为黑色素瘤的突变负荷（变异荷）非常高，同时它对免疫系统以及 PD-1 类药物的响应效果相对较好。
以上是我梳理的北美地区过去三个月左右我认为比较重要的一系列核心事件。
Anthropic 的估值与 TAM 市场空间
我们来看一下 Anthropic。如果大家在 2023 年 5 月份向 Anthropic 投资了 10 万美元，按照现在的市值计算，这 10 万美元已经变成了 2300 万美元，获得了 230 倍的回报。从 2023 年到 2026 年，短短三年时间获得了 230 倍的增长。
从投资的角度直白地说，在这个时期你做任何其他的创业或投资其实都没有必要，只要有机会投资到这样一家核心公司，就是你在这一轮 AI 革命中回报最好的投资。即使经过后续多轮融资稀释，其价值依然有 510 万美元，相当于仍有 50 多倍的回报。这种级别的回报率，以往除非是在加密货币（Crypto）领域，或者在股市里精准抓住了暴涨的 Meme 股才有可能实现，否则是不可能达到的。可以说，市场上所有的超额投资回报基本都被这家公司所捕获，所有的市场利润也都被他们赚取了。
就在三天前（25 号左右），《金融时报》（Financial Times）或《华尔街日报》报道了对 Dario Amodei 的采访。采访中提到，Anthropic 将触及一个高达 30 万亿美元的潜在市场空间（TAM）。这并不是指它当下的实际营收，而是指整个智能需求的潜在市场规模，对应着整个人类劳动力市场的体量。
这个数字其实在此前 SpaceX 的 IPO 招股书中也被提及过，SpaceX 当时同样给出了 28.5 万亿美元的 TAM 天花板预估。当年 Uber 上市的时候，描绘的潜在市场规模是 6 万亿美元；WeWork 当年 IPO 描绘的也是 3 万亿美元。所有寻求 IPO 的公司都会对外描绘一个最大的潜在市场规模。现在 Anthropic 同样给出了 30 万亿美元这样一个天文数字，这几乎相当于全美国一年的 GDP 生产总值。结合 SpaceX 给出的数据对比来看，我认为这个数字八九不离十，未来人工智能所能带来的市场空间确实有这么庞大。
拥有的不是模型：软件壁垒的消失与架构设计
第一个核心话题叫作：你拥有的不是模型。这该如何理解？
实际上我在今年 2 月份的时候就提出过相关观点。刚才直播间有人在问软件行业的现状，软件行业最近确实出现了一些反弹，因为之前跌得实在太多了。市场永远处于不同主题的轮换之中。
如果你过去唯一的竞争优势是“写别人不会写的软件”，那么现在这项壁垒已经彻底消失了。今天不会再有人把单纯的“写软件代码”作为自己的核心竞争力，你的核心能力应该是“想办法解决问题”。
当前 AI Agent 的进化速度非常快。也许到明年的这个时候，Agent 就能够独立构建出良好的系统架构了。虽然现在还做不到，但明年或者后年大概率是可以实现的，所以第一步我们必须相信 AI 技术的进化速度。
我记得在 Claude Code 刚出来的时候，很多人觉得它很不靠谱，认为程序员不可能在没有传统代码编辑器的情况下写代码。但现在事实证明这真的已经实现了，因为背后的模型进化极其迅速。现在大家可能会怀疑：以后难道只要提一个需求，AI 模型就能帮我们完成整体架构设计吗？至少在当下还是不行的。我自己做过系统设计，深有体会，目前的 AI 如果人类不预先给它设定好架构，它产出的就全是垃圾代码（Slop），哪怕使用再好的底层模型也是一样。
站在风险投资（VC）的角度——我现在是一半做 VC 投资，一半做二级市场股市投资——我肯定寻找的是硬件、网络效应以及 AI 模型。这里所说的模型，是指通过训练自有模型来构建软件体系，而不是单纯让通用模型写代码来拼凑软件，这两者有着本质区别。直到自动化研究（自动研究）全面跑通运作，软件才能真正开始赚取超额利润。
我自己目前在构建个人的知识库系统，但以我个人的能力，目前是没有办法去独立训练一个专属大模型的。
关于“纯粹的软件不可投资”，这是 Naval 在《Return to Code》这期播客中表达的核心观点。
不能外包思考：放大器与外骨骼
接下来是我自己写的一个观点：你不能外包思考。
语言模型本质上只是放大了你原本就拥有的东西，包括你的观点、结构和框架。如果你本身有深刻的想法，AI 会让你的想法更加锋利，并以极快的速度输出成果；如果你脑子里什么都没有，AI 也会非常流畅地输出一堆毫无价值的空话。
我在今年 2 月份和 4 月份的两次直播中都反复强调过：AI 是一个极端的放大器，它会极端放大你的聪明，也会极端放大你的愚蠢，中间没有任何折中点。实际动手做过的人都会有深切的体会。
这与我之前分享过的观点相呼应：Agent 的干活速度极其惊人，可以在几个小时内把你的想法完整重构一遍。因此，我们现在应该把更多的时间花在结构设计和框架设计上，这才是最核心的环节。我们拥有了更多的时间去做顶层设计，而不是把精力耗费在具体的敲代码干活上。这是我从去年年底一直使用 AI 到现在最核心的个人感知。我们不能外包自己的思考，但我们可以通过 AI 模型来对思考进行杠杆放大，让它辅助我们把逻辑思考得更加严密。
投资的艺术与大模型的局限
这里有一个非常重要的结论：大语言模型没有办法帮我们发现投资的 Alpha。
我在 4 月份做过一期播客，当时我就提到，大语言模型可以把量化交易（Quant）做得极其出色，但是它无法胜任基本面投资。因为基本面投资中的机会发现，高度依赖于人类的直觉。
我认为投资本质上是一门艺术，就和艺术创作、写作一样。投资的核心想法和最终决策，完全取决于决策者个体的身体感知与经验直觉。所有流程化、程序化的工作，AI 都可以做得比人类好得多，因此人类在纯粹的量化交易层面是无法与 AI 竞争的。
如果整个市场上全都是 AI 在进行量化交易，那么量化交易这一领域很快就会达到纳什均衡，市场迅速饱和，程序化策略将很难再榨取出价差。此时寻找超额收益（Alpha）的唯一途径，就是依靠人类自身的创意、独特的想法和差异化的见解。这些东西是目前的 AI 无法替代的。因为大模型的训练素材决定了它的认知基准，它都是由公开网络博客以及巴菲特风格的公开言论等数据训练出来的，这种基于全网公认共识的内容是不包含 Alpha 的。
那么如何让 AI 更好地辅助投资？你需要搭建属于自己“想法的外骨骼”，正如 Brad 所说的那样。对于所有的投资人来说，我自己的知识库就是我个人的外骨骼。我把自己的研究沉淀转化为 AI 可以检索调用的资料库，与 AI 协同工作，让 AI 更加快速地帮我激发灵感，最终由我来进行判断和决策。
构建这样的系统，实际上是将初级研究员的工作完全自动化了，由 AI 提供整理好的分析结果，我来负责最终的感知和决策。这种工作模式适用于基本面投资，但不适用于 Quant 量化投资，也不适用于其他高频的短期交易投资。投资就是艺术（Art），而艺术是非常个人化的。
逆向信息悖论与企业护城河演进
微软 CEO 萨提亚·纳德拉（Satya Nadella）曾发过一篇短文，探讨了信息市场的悖论。
在传统的知识市场中存在着“传统信息悖论”：为了出售知识，卖家必须先泄露知识。你把知识交付给买家，知识本身就泄露了，这也是知识付费面临的典型困境，别人可以轻易复制你的知识并转卖给他人。
而在 AI 时代，则演变成了“逆向信息悖论”：为了使用 AI 的能力，买家必须先泄露自己的知识与数据。你在向 AI 提问或让其处理业务时，必须把自己的业务数据提供给它；同时你还要为消耗的 Token 付费。这就意味着你为获取智能支付了两次代价：第一次是支付金钱，第二次是贡献出了自己的专有知识。
对于许多企业而言，这种模式是不可接受的。因为面向未来，企业最核心的资产正是自身的持续学习循环（Learning Loop）以及业务专有的 Know-How，这是企业的核心商业机密。虽然这些专有知识目前还分散在人类员工身上，但随着企业推进数字化和文档化，它们很容易被外部大模型逐步吸收。
这就带来了企业护城河演进的深刻变革： 在过去的云计算时代，企业积累的核心是静态数据，通过对历史数据的分析来指导决策；而在 AI 时代，所有公开数据几乎都被基础大模型穷尽学习了，除了存在于人类大脑内部的隐性数据，外部很难再有模型学不到的公开数据。因此在当前时代，组织的核心壁垒从“保护静态信息”转向了“保护组织的持续学习机制”。
对于很多企业来说，具体的业务流程和 Know-How 是绝对的机密，绝不能轻易对外泄露。这就像半导体制造一样，台积电制造芯片的许多工艺诀窍就如同炼丹，是外界无论如何也学不去的，这就是核心护城河所在。
正如大数据公司 Palantir 的 CEO Alex Karp 所抨击的，他曾公开指责 OpenAI 和 Anthropic 正在试图夺取企业最核心的知识资产。因此，企业绝不能把最核心的业务流程直接拱手让给这些大模型公司。尤其是现在很多模型公司都推出了学习机制，比如记录用户屏幕操作来训练模型如何完成特定任务，这实际上会把企业的操作流程全部学走。
因此，企业必须建立起硬性隔离机制，确保组织的记忆和运行轨迹完全留存在企业内部。企业需要建立内部独立的评估体系，并结合自身数据进行权重的微调（Fine-tuning），打造企业专属的模型权重。目前已经有新兴的模型公司在专门提供此类企业级服务，未来每一个企业乃至个人都会拥有自己的定制化模型。通用大模型公司也会通过工程化手段来满足这种隔离需求。现在的模型记忆能力，一部分是通过神经网络权重沉淀，另一部分则是结合 RAG 等工程技术来实现，在底层模型之上构建起隔离屏障。
知识工作者的三项核心资产：数据、品位与信任
企业层面的逻辑同样适用于个人。在企业中工作的知识工作者，未来是否都会变成大模型的数据供应商？这是 DeepMind 的一位研究员提出的深刻断言。
就像创作者经济一样，知识工作者需要将自己的专业知识私有化并实现变现。未来知识工作者能够带入智能经济体中的核心资产只有三样：稀有的数据（Data）、独特的品位（Taste）以及经营的信任网络（Trust）。
我自己目前就在践行这一路径：
- 稀有数据（Data）：我通过持续的思考、直播和播客输出，沉淀属于我个人的独特数据资产；
- 品位（Taste）：体现在我的筛选标准和价值判断上，我从海量信息中筛选出有价值的内容呈现给大家；
- 信任（Trust）：体现在长期的信用背书上。比如基于我的专业判断，我相信某家公司的股价具有增长潜力，或者我认为某个团队具备成事的能力，大家基于对我的信任，就可以省去漫长繁琐的调研过程，直接采纳分析结论。
因此，未来知识工作者的工作模式将演进为：坐拥稀有数据，输出独特品位，经营信任网络。这是个体在未来智能经济体中赖以生存的价值根基，也是后 AI 时代知识工作者最后的退守阵地。你的所有工作都应该围绕这三点来构建，否则就会被迅速替代。
当然，如果是从事表演、面对面沟通或者提供人类情绪价值的工作，这些天然具有人际连接属性的岗位是不会被轻易替代的。但如果你是一名纯粹的知识工作者，就必须牢牢守住自己的 Data、Taste 和 Trust。
你在模型之外，必须拥有自己的数据、品位与决策能力。以上是从个人、组织到知识工作者维度的第一部分分享。
SpaceX 的 AI 转型与算力军备竞赛
第二部分，回顾一下从 SpaceX IPO 到 AI 周期反转的脉络。
在 SpaceX IPO 之前，其业务发展主要经历了三个阶段：
- 太空运输（始于 2002 年）；
- 通信网络（始于 2020 年的星链 Starlink，构筑了强大的物理护城河与网络效应）；
- AI 基础设施：将 xAI 并入体系，同时启动了 Colossus（巨像）千兆瓦级算力集群建设。不久前 Grok 收购了 Cursor，将顶尖的代码能力整合进自身模型中。
现在的 SpaceX 本质上已经蜕变成为一家 AI 公司。它在 6 月 12 号完成上市，募资规模达 700 亿至 800 亿美元。股价在经历破发之后，目前已经重新涨了回来。
在 SpaceX IPO 之际，我曾做过一个预言：它的 IPO 之日就是本轮股市的顶点。事实证明那确实是这一轮市场行情的最高峰，随后市场便一路下跌震荡调整至 7 月底，在长达一个多月的时间里深刻调整了整个市场的预期。
无论如何，SpaceX 正在全面转型为一家 AI 公司。目前在全球范围内，在建设数据中心和算力扩张方面最为激进的就是 SpaceX。其潜在的电力与算力规模预计在 2027 年将达到 5 到 8 吉瓦（GW）。此外，他们还计划将算力部署到太空，近期已与英伟达（NVIDIA）展开合作，计划将其最新的芯片送入太空轨道进行改造与运行。
马斯克表示，到了下一个季度（第四季度），SpaceX 来自 AI 业务（包括算力租赁）的收入将正式超过传统的火箭发射业务以及星链业务的收入。预计在 4 到 5 年后，整家公司 99% 的价值都将来自于 AI。部署在外太空的独特数据中心将构成其不可复制的竞争优势。
从全球各大科技巨头的算力投资进展来看，排在前面的分别是 SpaceX、微软（Microsoft）、Meta、AWS 和 Google。其中 Google 在算力基础设施建设上的投入相对较少，因此目前 Google 内部面临着非常严重的算力短缺。
Meta 则再次效仿马斯克的策略，宣布加入 NeoCloud 阵营，开始对外提供算力服务。Meta 这一举措明显受到了 SpaceX 的启发。但当时该消息发布后，迅速引发了股市恐慌与暴跌。市场开始质疑：各大巨头堆积了如此庞大的 GPU 资源，如果自身业务无法消化，是否说明 AI 技术进展放缓、自研模型表现不佳，才被迫转向对外售卖算力？当时甚至有传言称企业内部的 AI Agent 并未取得预期效果。
但实际上，Meta 恰恰是本轮 AI 浪潮中受益最大的公司之一。Meta 大量采购 Anthropic 的模型来改造和优化自身的广告推荐系统。在购买 Anthropic Token 的商业转化效率榜单上，Meta 高居全球第二（排名第一的是量化投资机构 Jane Street）。Jane Street 每投入 100 万美元购买 Token，能够撬动产生 3000 万美元的投资收益；而 Meta 每花 100 万美元购买 Token，能够为广告业务多赚取 500 万美元。这是一个极具戏剧性的对比：Meta 依靠采购别家的高端模型为自己的核心广告业务疯狂变现，而自己的开源模型却难以实现直接商业盈利。
市场矛盾爆发、基金爆仓与资本支出信贷化
市场在 7 月底之所以陷入极度恐慌，原因在于 Google 历史上首次出现了自由现金流转负的情况，其基础设施资本投入已经全面超过了经营性现金流入。
与此同时，宏观经济数据显示，如果剔除掉与 AI 相关的资本投资，全美私人固定资产投资的整体增速实际上处于负增长状态。美国当前的实体投资结构极其单一：房地产行业长期处于下行周期，传统制造业也并未显著回流，绝大多数实体资本支出全部集中在 IT 与数据中心基础设施建设上。只有数据中心建设板块维持高景气度的绿色增长，其余行业几乎全线收缩。
这种结构性失衡反映了经济转型的阵痛期特征，并不必然意味着崩盘危机。随着 AI 基础设施建设推进到特定阶段，溢出效应会带动其他行业以新的形式复苏。
7 月份市场的核心矛盾在于：各大科技巨头深陷疯狂的资本支出烧钱竞赛，而二级市场无法看清这笔庞大的资本开支何时能够收回投资。但对于巨头而言，今天如果不硬着头皮投入，明天可能就会被彻底淘汰出局。这种极度矛盾的博弈心态直接引发了 7 月份的市场大幅调整。
按照资本市场的历史规律，一轮剧烈的下跌调整往往需要一个大型基金的倒下爆仓来作为筑底信号。这一轮倒下的正是 Leopold 创立的 Situational Awareness Fund（SA Fund）。
“人生苦短，慎用杠杆。”该基金在过去两年内，资产管理规模从 2 亿美元激进扩张到了 450 亿美元。早在 2023 年底，Leopold 发布那篇著名的算力趋势行业报告时，很多人只是将其当作一个宏大的科技预言；但他随后身体力行创办了对冲基金，并激进使用杠杆扩张。在此轮市场大回调中，该基金所有公开交易的杠杆资产全部遭遇强制清算，最终由 Chamath 出手收购了其大部分亏损资产，手中仅保留了 Anthropic 的核心股权。不过经历清算后，该基金目前也已经逐步重组复苏。
最终，这场由资本开支恐慌引发的市场回调，随着亚马逊发布超预期的财报而彻底扭转。亚马逊 AWS 强劲的营收增速证明了算力需求的旺盛，其利润增长足以覆盖庞大的资本支出（Capex），推动整个市场全面反弹。
但在亮眼的财报背后依然存在潜在隐患：各大科技巨头的债务规模正在急剧膨胀，自由现金流承压。规模如此庞大的 AI Capex 基础设施建设，在物理体量和财务逻辑上已经无法单纯依靠股权融资来维持，未来必须全面走向资产信贷化。
正如我在 4 月份以及 6 月份在香港做线下分享时强调的观点：AI 基础设施建设的融资模式必然会全面走向信贷化。紧接着在 8 月中旬，英伟达黄仁勋（Jensen Huang）也正式对外宣布了相关的布局计划。
AI 基建的资产信贷化与次贷危机担忧
NVIDIA 联合了六家投资银行，一起启动了 5000 亿美元以上的第三方资本去建 AI 基建。这相当于他们做了一个基金（Fund），大家直接借钱就可以了。NVIDIA 的商业逻辑非常厉害：如果你没有钱买我的 GPU，那我就找银行贷款给你去买。你不需要去通过稀释股份股权融资来买，因为股权融资浪费股份、成本太贵了。
过去大家做房地产业务，可以通过借钱盖房子，从银行借钱买地、借钱盖楼，最终通过出租或者售楼把钱赚回来。现在整个 AI 数据中心，就是数据时代、AI 时代的新房地产业务。当然，现在这个回款的速度要比房地产快得多。我记得当时 DeepSeek 说他们投入的 GPU 十个月就能把钱赚回来。所以通过 GPU 算 Token、卖 Token 是一个非常赚钱的业务。正因为赚钱速度极快，大家都在拼命建数据中心，很快把钱赚回来，然后再租出去或者分租出去。
既然能这么操作，为什么不能把它变成资产信贷化？于是在八月底，市场出现震荡，核心原因就是大家在担心：这会不会像 2008 年次贷危机一样，造成新一轮的次贷危机？2008 年次贷危机就是因为借钱建房子，现在的阴影又重新浮现：会不会因为大规模的 Capex 投入建数据中心，接着去发债、发 ABS（资产支持证券）这类的资产包在市场上出售，进而引发债滚债流入市场，形成新一轮更大的泡沫？
此时此刻的市场正是在担心这个问题。所以现在很多硬件厂商、NeoCloud 之类的公司，股价都在上下剧烈震荡漂浮，显得非常没有定力。但是，AI 竞赛越激烈，NVIDIA 就赚得越欢。大家虽然怀疑 NVIDIA 是通过别人借钱买卡带动了巨大的债务，但我觉得绝对不要小看市场对 NVIDIA 的真实需求能力。
我在六月份的时候用过一张图，正好验证了这个观点：新型的金融资产就是“AI 云地主”。之前他们需要通过稀释股权融资，现在全部转变成了直接借钱发债。头部科技公司在发债，NVIDIA 还与市场上的投行联合起来，你要买 GPU 直接找我们借钱即可。这确实是一种从 2026 年 8 月开始显现的数字时代新型房地产业务。
刚才有人在弹幕里提到了 Jane Street。对，Jane Street 是第一大客户，也是最赚钱、算力利用率最高的客户。现在大家担心的问题是，四大云厂商的 Capex 之和已经接近于美国国防预算的 87%，这是极其巨大的投入（国防预算约占美国 GDP 的 2%）。市场对 AI 基建引发次贷危机的担忧关键在于如何化债，目前大家谁都给不出确定答案，只能依靠赚钱的速度来证明自己具备化债能力。
算力物理约束与终极瓶颈
那么究竟什么是瓶颈？在产业链里，谁是瓶颈，谁就拥有定价权。
我们来看一篇内容很不错的播客，Perplexity 的 CEO 在接受 20VC 采访时，主持人问他：SpaceX、OpenAI、Anthropic 这三家公司（预计在明年年中都会上市），如果选一家长期持有会选哪家？我的选择跟他一样，我也会选择长持 SpaceX。SpaceX 确实有别人完全做不到的能力。OpenAI 和其他模型公司会越来越像，但 SpaceX 拥有别人没有的太空连接能力（Connectivity）、最快速的基础设施建设能力以及太空运输能力。它是一家能够把芯片、网络、电力和所有资源完整整合起来的公司。
接下来看一下 AI 基建的物理约束排序。当前最核心的物理约束到底是什么？
- Elon Musk 认为最核心的约束是电。
- Sam Altman 提到的是“晶体管”，但我认为这个判断不够具体。
- 刚刚从 Google 离开的首席科学家 Jeff Dean 指出：搬运数据比计算数据贵一千倍。这就是内存与 GPU 之间的互连，以及整个系统架构的连接问题。因为当前的 Transformer 模型最核心、最慢的瓶颈就是搬运数据：把整个模型装进去，做一点点计算，然后再搬出来，大量时间都消耗在搬运数据上。所以需要巨大的内存紧贴在 GPU 旁边。这需要下一代架构去改进，比如光互联、光模块、更新的芯片设计，以及 Google 正在探索的数据中心级别的数据搬运提效。
- SemiAnalysis 的 Dylan 认为，电力在短期内是可解的。他和 Elon Musk 的观点不同，认为电力目前不是最核心的瓶颈，真正的瓶颈在于先进封装、互联与制程，在于如何提高芯片本身的效率。对于 Elon Musk 而言，如果最终把算力设施放到太空去，拥有无尽的太阳能，电的问题自然就迎刃而解了，所以 Elon Musk 一直强调电是核心约束，因为在他看来其他问题都能解决。
Agent 时代 CPU 与内存的价值回归
进入 Agent 时代后，我们看到了 CPU 和内存的强势回归。在过去的模型训练时代，或者前两年没有 Agent 的时候，所有负载都在 GPU 上。而现在，GPU 执行任务的中间需要频繁访问文件、访问内存、调用各种外部工具、启动 Subagent 以及进行复杂的任务编排，这些都需要大量的 CPU 与内存参与。因此对 CPU 和内存的需求迎来了暴增，这是之前市场完全没有预料到的。
我有一些做对冲基金的朋友（包括前面提到的 SA 等基金），在 2024 年、2025 年布局底层硬件时抓住了这一轮巨大的 Alpha，狠狠赚了一笔，他们发现这个趋势甚至比北美头部实验室还要快。随着 Agent 使用越来越普遍，对 CPU 的需求故事正在反转。目前我们还处于多工具调用（Multi-Tools Calling）、Coding Assistant 的阶段，接下来的科研 RSI（递归自我改进）和更复杂的调度，都会消耗更多的 CPU 时间，GPU 占用的时间比例反而相对降低（尽管 GPU 自身运算速度越来越快）。目前市场上 CPU 的产能完全不够用，能制造高性能 CPU 的公司屈指可数，虽然资本市场已经炒作过一轮。
再来看几个底层的核心瓶颈：为什么 NVIDIA 极度依赖 HBM（高带宽内存）？因为在数据搬运通道上需要巨大的带宽支持。随着上下文长度（Context Length）的增加，GPU 的纯计算成本基本保持平稳，但内存带宽的成本却随着 Context 长度呈线性增长，必须不断增加 KV Cache 来回搬运数据。随着大家使用的 Context 越来越大，从常见的 100 万（1M）走向 200 万、500 万，如果像 Anthropic 所说的那样通过超长 Context 和高利用率来实现持续学习、让模型为每个人提供个性化服务，Context 未来甚至可能达到 1000 万乃至 1 亿。要支撑这样的结构，硬件与模型必须协同进化，这也将驱动全新的硬件架构。
另一个关键限制是先进封装。到 2028 年之后，限制 AI 算力的将不再是晶体管本身，而是封装技术，因为晶体管微缩已逼近物理极限。参考日本 3DIC Research 先进封装技术研讨会展示的方案：如何把众多芯片集成到一个巨大的晶圆（Wafer）上，通上 4 kW 的电力，并高效地把光和巨大热量导出去。这涉及大量新材料与散热技术，日本有非常多企业深耕于此，这也是亚洲投资市场高度关注日本相关产业链的原因。
台积电的路线图非常关键，可以说是 AI 基建泡沫的“减速剂”。正因为台积电等物理制造能力的存在，整个行业才不会过快陷入不可收拾的泡沫时代，一切最终都要受到芯片实体制造的物理节奏约束。从台积电的路线图来看，到 2029 年会推进到 A13（1.3 纳米），此前是 A14（1.4 纳米）和 2 纳米。今年苹果的 iPhone 18 就将采用 2 纳米制程。制程进度在时间表上是固定的，无法凭空跃进。
台积电年报预测显示，2025 年半导体行业保持强劲增长，2026 年预计增速达 45%，整个半导体产业正快速迈向 2030 年 1.5 万亿美元的市场规模。与过去由 PC、Mac、智能手机驱动的消费电子短周期不同，当前由于全球数据中心的大规模新建与成倍扩张（一倍、两倍、五倍甚至十倍），半导体景气周期被大幅拉长。
在产业链内部，资金正从单纯的 Chip 制造向先进封装层、内存层迁移，包括高带宽内存（HBM）、晶圆基底、CPO（共封装光学）嵌入式光模块等。SemiAnalysis 的播客数据指出：一个价值 60 亿美元的晶圆厂（Fab）设备每年可产出约 1 GW 的算力，这 1 GW 算力在下游能撬动 1000 亿美元的收入，设备成本与产出收入之间存在近百倍的落差，中间的超额利润被不同的厂商（特别是模型公司）捕获。
而最底层的终极物理瓶颈其实是光刻机和反光镜。光刻是物理世界的终极瓶颈，它的产能极其有限，也是减缓整个半导体世界膨胀速度的关键。
8 月中旬，SpaceX 推出了名为 Terafab 的新工厂计划。网友挖掘出的设计图显示，整个 Terafab 巨大的厂房中间实际上是一个环形的粒子加速器。他们采用了自由电子激光（FEL）技术来直接产生光源。这项技术早在 70 年代就被提出，但当时由于成本过高且技术不成熟未能商用。Elon Musk 在 X 上确认了该项目：通过环形加速器产生自由电子激光作为统一光源，可同时为 8 到 20 台扫描仪供电，支持 20 多台光刻机协同工作。这种设计零部件更少、反射镜更干净、停机时间更短、支持长时间连续工作且波长可调，能输出更高的光子通量。Musk 试图从第一性原理出发，直接从光刻光源端解决芯片制造的终极瓶颈。从物理尺寸对比来看，Terafab 极其庞大：特斯拉德州超级工厂（Giga Texas）以及苹果园区（Apple Park）或五角大楼的占地面积，仅相当于 Terafab 中间一个粒子加速器圆环的大小。8 月 17 日 SpaceX 放出了相关落地德州的视频。
模型商品化趋势与技术栈价值重构
接下来讨论 Harness 与模型的商品化（Commoditization）问题。
据 Dylan 透露，今年全球新增算力中约有 30% 流向了 Anthropic 和 OpenAI 两家，预计明年这个比例将达到 50%。Anthropic 在今年从财务报表上看已经实现扭亏为盈：每投入 10 美元的推理成本，就能够撬动 50 美元的营收。随后他们将赚取的收入全部反哺回预训练，招募了大量顶尖人才来改进预训练模型。
但在整个技术栈中，收益分配存在严重的失衡：
- 终端客户是最大赢家：捕获了绝大部分超额价值。例如 Jane Street 利用模型进行高频套利，每购买一个 Token 产生的超额收益远高于其他行业；Meta 使用 Anthropic 的模型优化自身的广告业务，赚取了巨额利润。终端客户从 Token 中榨取的商业价值，远远超过了模型公司本身的利润。
- 纯应用层几乎沦为空壳：目前市场上几乎不存在独立的“AI 纯应用”概念，Chatbot 或 Coding Agent 本身就是应用形态，中间的应用套壳层至今很难赚到钱。之前火爆的 Perplexity 最终也必须做模型与底层集成，Cursor 也经历了被收购，纯应用层生存空间被严重挤压。
- 模型层迎来暴利翻身：头部模型溢价极高，毛利率（Margin）大幅改善，每单位产出带来的美元收入显著上升。
- 底层硬件供应商独领风骚：硬件端一直在持续赚取暴利。2023 年是 GPU 芯片吃尽红利，2024 至 2025 年则是内存厂商大赚其钱，目前全产业链都在分享利润。相比之下台积电的利润率反而没有内存板块那么夸张。资本市场永远在寻找新的 Alpha 和新故事，当软件企业能把每单位 Token 的商业价值发挥到极致时，终端价值便会反哺软件生态。
关于模型价值，Naval 在播客中提出了一个观点：市场永远会为最强的智能付费。一个正确率为 99.9% 的 AI 与一个正确率为 90% 的 AI，单次看似乎差距不大，但如果在递归循环中连续运行 100 次，90% 正确率的复合结果会衰减到仅剩 13%，而 99.9% 正确率的系统依然能保持 80% 到 90% 的综合水准。智能的误差存在复合效应，因此在高杠杆、关键决策的业务中，企业永远倾向于为最顶尖的智能买单。在深度编程场景中，尽管 Codex 等工具已经非常接近甚至在局部超越，但面对长程任务和深层架构设计，细微的准确率差异经过多次循环放大后，开发者最终依然会转回使用 Claude Code。实际任务中的体验与基准跑分完全是两码事。
因此我的结论是：模型不会被彻底商品化。至少在 Transformer 架构红利尚未耗尽、模型仍在自我进化且科研等高价值场景不断拓展的情况下，第一梯队的模型依然拥有极高的定价权。
与此同时，行业也出现了一个明显趋势：大量成熟、标准化的稳定工作流正逐渐下沉并迁移到开源模型或上一代老模型上，以大幅削减成本。前沿大厂只会在最核心、最前沿的任务上调用顶尖模型，普通日常任务则全面下沉。正如 Coinbase CEO 此前发文所述：一旦某些手工流程被完全自动化且需求饱和，企业就会控制开支，转用性价比更高的方案。
因此，开源模型与次级模型拥有巨大的市场空间来承接常规工作并进行价格竞争；而第一梯队的闭源模型则专注于攻克高难度任务并享有自主定价权（类似台积电独家供应 2 纳米芯片）。第二、第三梯队卷价格，第一梯队卷智能，模型市场呈现出分层共存的格局。
目前中国头部模型与美国前沿水平的差距正在不断缩小。从进化斜率来看，Anthropic 与 OpenAI 仍在快速迭代，并对最新技术保持高度保护以维持护城河。过去上一代模型之间的差距约为 8 到 12 个月，现在已缩小至 4 到 6 个月，未来可能进一步缩短到 3 个月左右。由于时间窗口不断收窄，头部模型公司必须竭力延长技术领先的窗口期，以确保能够赚取足够的超额利润。
智能路由网络与分层产业架构
关于模型的终局形态，有一个非常深刻的观点：模型的终局可能是一个协议（Protocol），而不是单一程序。
近期行业发生了一起标志性收购：支付巨头 Stripe 收购了模型 API 路由平台 OpenRouter。Stripe 原本的定位是支付 API 网关（Payment API），未来它要拓展为智能 API 网关（Intelligent API Gateway），因此收购 OpenRouter 非常合逻辑。未来各类 Agent 进行智能路由与计费调用时，都可以直接通过 Stripe 结算，直接跨入了智能定价与 Agent 支付的全新门槛。
未来的 AI 基础设施更倾向于一种协议网络：系统根据高级、中级、低级智能的不同需求，通过智能路由将其分发到最优的组合方案上，而非单纯调用单一最优模型。当智能以这种方式被采购和消费时，真正的“智能网络”（Intelligent Network）便得以形成。这避免了整个世界被单一模型公司彻底垄断的局面。
Chamath 在 X 上分享过一张 AI 六层技术架构图，这与我在 Rewired Index 中提出的模型分层结构高度契合。他将 Harness（约束框架/工具链）与 Application（应用层）进行了明确拆分：
- 核心认知原则：底层看稀缺，顶层看客户。评估一家公司的价值，顶层要看其客户群体是否牢固、是否具备充足的支付能力；底层则要看资源的稀缺性。
- 底层稀缺性：最底层是光刻技术，其次是先进制程、先进封装，再到稀缺材料、土地与电力。哪一层最稀缺，哪一层就掌握绝对定价权。例如目前由于数据中心对内存条的争抢，连苹果公司都失去了以往强大的压价谈判能力。
- 社会性约束：在美国中期选举等政治议程中，土地与电力成为了核心辩论议题。数据中心的大量建设是否会抢占居民用电、占用土地或造成环境影响，已经演变成重大的社会性问题。SpaceX 之所以具备独特优势，正是因为太空环境不存在土地和电力匮乏的问题，唯一的门槛是太空运力，而这正是 SpaceX 的核心壁垒所在。
- Harness 与垂直集成应用：在模型趋于标准化分层的背景下，上层的 Harness 层变得极具价值，大量传统 SaaS 企业正在转型为 Harness 服务商，为企业构建数据约束与业务逻辑框架。在更上层的 Application 领域，如果跳出单纯的语言模型视角，垂直整合的形态具有巨大潜力，例如端到端工业流程自动化、武器系统、湿实验室（Wet Labs）生物研究，以及 Palantir、ServiceNow 这类深度整合到企业内部的系统。此外，像 RoboTaxi、FSD 这种垂直集成的 AI 实体应用，商业化落地路径已经极为清晰。
头部实验室关键动向与人事布局
最后分享一下头部公司的人事与技术路线布局。
我此前通过 Grok 对 Anthropic 的招聘与人员流动做过一次深度梳理。其中最核心的变动是 Andrej Karpathy 加入 Anthropic，重点负责预训练效率以及 RSI（递归自我改进）。这是目前 Anthropic 最核心的战略方向，他们将赚取的资金大量投入其中以改进预训练。因为 Scaling Laws 目前并未失效，行业期望将模型参数规模进一步推向 10T 甚至 15T，以激发出更强大的涌现能力。
总结来看，Anthropic 当前最核心的战略支柱包括：
- 基础设施与预训练：自行投资建设数据中心与 Capex 基础设施，持续改进预训练体系并探索 RSI。
- AI for Science：重点发力生物医药与前沿科学计算路线。
- Agentic 架构与企业产品：构建涵盖检索、记忆、长期对齐以及面向企业级商业化的产品体系。
在 Google 方面，Demis Hassabis 卸任 DeepMind CEO 转任 Chairman，将主要精力全面投入到 Isomorphic Labs（专注于蛋白质设计与药物研发的湿实验室），该方向已经显现出重大的突破曙光。与此同时，DeepMind 本身正转向由具备极强执行力的人才负责工程化落地。目前 DeepMind 真正的护城河在于其强大的工程化能力，而非单纯的预训练。由于 Google 内部体量庞大、组织相对分散，既要追求效率又要争夺 GPU 算力资源，亟需强有力的统筹来推动工程化整合。
大语言模型之外的应用与垂直整合
这个事情会更好。我很期望看到 Gemini 4 有一个本质性的提升，因为我觉得 Gemini 这个模型，预训练做得还是非常棒的，是一个非常有直觉的模型。只是说在做 Agent 工作的时候有点拉垮，这个是后面通过强化训练或者其他方法能改进的，一些开源模型都能改进上来，他们也能够改进上来，只是先解决组织问题。
然后第三个，Jeff Dean 出去的时候做了 Discovery Loop，这个创业也证明了 RSI 在科学领域里面重点的进展会很快，也就会有更多突破了。我会在后面的直播内容上面更多关注这个方向，去帮大家发现 Alpha，也就是 AI for Science、AI for Biotech 上面的一些突破。
那么在大语言模型之外的应用，这是我在六月份的时候，应该是在香港，还有在上海湛庐的课程上，我做的一个应用总结：Domain OS 就是垂直整合即将重组行业。这里面有几个大的行业板块：
首先是企业和政府的行动层，也就是企业和政府完全 AI 化。这个有大量的公司在做，像 Palantir 在做。
然后是软件生产的重写，就是核心模型跟 Anthropic、OpenAI、Cursor 之前干的事情，把代码做到了极致。
第三个其实已经落地了，我们看得到的 RoboTaxi 马上在落地了。我们今天已经看到车上路了，美国很多城市已经准备来做测试了。这个是我们马上能看得到的，现在主要观测它的部署速度以及产量。
第四个就是 AI 的科研与医疗、药物研发。我们看到 Moderna，虽然说我看到很多公众号在写什么大语言模型帮助研发，那都胡扯了，根本就没有用大语言模型。它只是用 AI 帮助来做适配、匹配，以及蛋白质的病原特征识别，来做预测，和大语言模型一点关系没有。而且 AI 里面的模型研究不需要大语言模型，用专门的生物模型就好了。现在 Anthropic 用的只是让大语言模型来使用科研器械，所以说自动化科研的黎明已经到来了。
刚刚，就今天，Gemini 也发了一个论文，说他们也实现了自动化科研的完全验证，包括实验设备的自动化调用，这两个公司也在竞争。
实际上我们看到 2026 年 AI 和生物正在发生的事实是什么？前沿 LLM（也就是语言模型）已经具备了设计能力，而且通过了 Wet Lab 进行的实验。比如 Claude 和 Twist 合作，Twist 因此涨了三倍，今天股价表现也很强。他们设计的 15 个靶点中，有 14 个结合成功。Twist 是一家做 DNA 片段生产的公司，就相当于生物工厂，有点像生物界里面的台积电，它在干这个事情，而这个实验已经成功了。
第二个大家都知道的新闻，Moderna 的黑色素瘤疫苗也基本获得成功，就等 FDA 批准。
第三个就是原生 AI 药物，原生 AI 药企开始交付靶点了。这个还有点早，像 RXRX 这家公司还有点早，所以它还没有看到市场特别好的进展。
但前面两个进展非常明确：语言模型能够设计蛋白质了，语言模型可以使用实验器械，而且 AI 能够进入到 RNA 疫苗后面的病原特征识别里面去了，这些都是非常显著的进展。今年的生物方向是非常好的，大家可能都关注半导体去了，这一块都被忽略了。
硬件调用标准与 AI for Science 投资分层
我们可以看到，昨天的时候 Anthropic 推出了一个新的协议，这个也有点像两年前它推出的 MCP 协议一样，我觉得这个东西非常重要。MCP 把所有软件的调用都让 AI 变成工具化，MCP 可以远程调用，推出了一个标准，大家都支持。一个软件想让模型使用软件，那么就用 MCP；想让模型使用硬件，那就用 MHS，也就是 Model Hardware Standard。
这边有预览版，这里有一张图可以看得到，以前有这么多的工具要使用，比如 Camera、显微镜，然后要控制以前乱七八糟的接口，没法直接使用。那在这个协议之后，Agent 通过这个标准让所有的实验仪器设备井井有条，可以自动化调用。它可以把实验硬件整合从数月、数周变成几个小时甚至几分钟。我们可以像使用 MCP 一样，使用命令行或者 API 操作硬件，还有一行代码可以做所有的编排，Agent 框架都支持，可以让所有的 Agent 来用，不仅限于 Claude 模型。
想想看，AI 开始使用硬件了，我们离真正的像之前《终结者》里面天网的设备是不是已经非常近了？就差 AI 可以直接调用武器了，对吧？当然，美国国防部希望 Anthropic 干这个事情，之前不是吵架，就是这个事情没谈妥。Anthropic 说我们现在的模型不够安全，没法直接指挥武器，我觉得这个理由也挺正当的。但是 AI 可以使用软件，接下来 AI 能够使用硬件，就是这个步骤，然后来指挥实验室。
能看到这是我一个朋友，我的群友发了一条 X，他做了 AI for Science 的五层投资图，我把它分享给大家。我觉得这个图画得还不错，挺好的，和我的认知非常接近，所以我今天就把它放在这儿。
这里面 Biotech 是最好的方向，因为在第三层和第二层非常明显：一个是 Scientific 的数据、Biotech 的数据；第二个是在实验室这一层驱动的，直接把东西做出来，通过控制实验仪器合成，然后自动化生产，这个就有点像生产车的流水线和生产芯片一样。在这两层是非常非常好的。
然后还有仿真。其实 Demis 出去做的 Isomorphic Labs 那家公司，其实就是做仿真的，还包括细胞模拟等。这个东西当时大模型公司也在做，比如它们在设计蛋白质时也在做这个事情。这里面会和模型公司直接产生竞争，而在下面两层你就不会和他们竞争。
再下面一层又回到了硬件上，做上面所有事情都需要算力、需要 GPU、需要内存。
再往上面走直接就是药物研发了，这就是另外一个概念了。这里面风险最高，但是收益也最大。因为在真实世界里面有 FDA 的控制与验证，你是快不了的。但是作为投资来说，二三层是可以快的，可以非常快。
放一个视频，这是昨天放出来的，已经有大量的 RoboTaxi 上路了。很有趣的是他们做了一个设计，因为很多 RoboTaxi 停在一块的时候不知道谁是谁的，它会告诉你哪个灯的颜色是你的车，闪黄色灯还是闪绿色灯是你的车，然后就可以很快速地识别叫了哪辆出租车。
产品化自己与构建可进化的个人知识库
好，我们这一小节就放在这里，我休息一下。
现在我说最重要的话题：产品化我自己。现在多长时间了？一个小时二十分钟，把这个讲完，一口气讲完。
回到前面对应第一个话题“你拥有的不是模型”，这个内容告诉我们三点：你自己的独特数据、你自己的 Taste、你自己的信任。这三个是最重要的。如果大家觉得自己品位在线、视角很独特，而且会做选择，那应该把自己给产品化了。你要持续输出，用 AI 来提效你自己。
AI 总能够给人最有共识和最深度的答案，对吧？但我们又能够提供最反共识的答案、最独特的答案，这是我们作为人最重要的特点。我给出的东西肯定是反共识的。AI 总会给出一个非常平均化的答案、非常好的答案，但是它给不出能够代表你的答案。AI 没有自己的性格，所有人用的出厂版 Anthropic 和 Claude 都是公共版本的 Claude，不是你的 Claude。虽然它有你的记忆了，但是这个记忆毕竟没有训练到神经网络里面去。只有连接的才是你的，不连接的不是你的，对不对？
所以我们要做一个不可约化的人类，才是在 AI 时代最有意义的事情。不可约化，我们提供反共识，我们提供独特。就跟前面讲的，为什么大语言模型提供不了投资 Alpha 一样，因为投资本来就是一门艺术，艺术最重要的事情就是反共识和独特。市场上有这么多人参与博弈，你只有独特才能赚得到钱，或者以独特的方式赔钱，这是非常共通的。这是第一点。
第二点，我自己正好之前看了 Anthropic 在推出 Claude 3.7 Sonnet 之后发的一篇文章，他们把 80% 的约束提示词都删掉了。因为这个事情，我把自己的 Indigo Mind 知识库提示词全改了，都不要了，约束全部重写了。现在它是一个可以自我进化的个人知识库。我通过订阅加笔记，然后配合 X 上的分享和我的 INDIGO LIVE，其实在做这个东西，通过我自己的脑子来分享，然后把这个东西再交回给 AI 就好了。
在 Agent 的维度，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。比如我这一次月末直播的尝试，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，我正在做一点点修改，但是我觉得大体上会更加连贯一些，逻辑性更强一些，很好。
因为 AI 给我的是共识，我必须在里面加入反共识，我们这样循环，每一次循环我才有新的知识涌现出来，不然我永远都是在吃老本。我们就是把费曼技巧融合到 AI 进行的自动化里面，认知飞轮才能往前进。
我现在怎么做呢？我让 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。计划开一个课程专门来讲这个，我觉得会非常有趣。如果大家一块用这个方法，我觉得很多人会给我很多改进的思考，同时我也觉得这是后面个人自定义的、可以持续学习的语言模型的一个发展方向。我现在做的可能是中间产物，未来模型能够很好地把我这个事情都做了，但是没关系，我先积累。
前面讲到你的数据是最重要的，我尽可能把我的内在 Know-How 写下来。写下来之后 AI 才能知道；如果我不写，它不知道。知道之后它能够帮我总结、帮我 Refine、帮我重新定义、帮我找到问题。
这里面有 IN，也就是信息进来的地方。我有 Inbox 和 Notes 文件夹来存所有进来的信息。同时有 SAY IT，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的 X 权重都最高，是最亮的一个层次的线。直播和线下讲过的、X 上发过的都拥有最高权重，它知道说话分轻重。因为我收藏的内容、我写的笔记或者 AI 帮我做的总结，权重没有我自己的话高。
它知道权重之后，就会进入定期的整理环节：
- 每周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。
- 每月会自动复盘，把我所有说的话兑现了没有，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。
- 把直播提纯，把这一次一个多小时、两个小时的直播全部提纯，把直播里面的核心观点、闪光点都提纯出来，复盘到压缩 Refine 的库里面去。
同时它会形成我的思想资产（Assets），我在这里有一个账本，里面基本上都是我的断言。比如我刚才说“软件不值得投资”、“未来的工作会怎么样”、“Anthropic 上市之后市值会是多少”，我经常发这样的东西，有了想法就把断言写进去，记在判断的账本上。
当我的 AI 在帮我阅读、摘要各种看到的 Podcast、文章和视频时，它会读我判断账本里的内容：哪些东西验证了你的想法，哪些东西提出了反面的想法。当多次验证想法时，也就是别人帮我验证了，我就加强这个断言，把它写成永久断言，就不变了，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，我就把它写到我的方法论书架里面去，形成我自己的执行方法手册。这个东西不是给我个人看的，都是给我的 Agent 看的。我的 Agent 知道我所有的东西以及我会怎么看待这些东西，最终用它来输出作品，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，完全迎合我自己的需求，比如我现在怎么看待投资、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 Markdown 文件里面重新连接，形成这样的一个机制。
架构设计、未知能力与季节人生
这个东西我们叫做 LifeOS。X 上有很多人分享这个话题，我当时也发了一篇文章，很多人转载。核心在于：不要从工具开始，从自己开始。你在选择任何 AI 工具之前，先花足够多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，虽然可能没有最强模型做得好，不过它能工作。有一些不是那么 Deep 的文件管理系统、不需要太强逻辑的系统，我觉得可以做得很好。这就是分层次的：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放到我的 Rewired 网站上去给大家访问，我有一个 In/Out 的栏目，后面会讲。
最后分享一点点思考：AI 真的需要有人教吗？其实不需要的，好奇心是最好的老师，AI 根本不需要人教。按照我前面讲的各种方法就好了，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，让它做，要有架构把事情做好、完成，Get things done 最重要。
第二个是发现未知的能力。这是模型最佳实践里面讲的：模型的能力正转移到你能不能把未知讲清楚，把不知道的问题讲清楚，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，比如我完全不懂生物科技，不知道什么叫 RNA 合成、DNA 合成，我把想要的东西描述清楚，它能够很快地把我的盲点补出来。大家应该都是这样用的，因为模型比我强，我可以主动让它把盲点照出来，通过发现盲点、承认盲区之后，再用这个来设计东西，这会更好。
在遇到 Coding 问题的时候，我把架构开诚布公地跟顶级模型聊一遍，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，最重要的是描述自己不知道的事情的能力。虽然比较抽象，但可以感知一下。这个能力很重要，所以现在的模型你给它目标就好了，不用给它过程，不要告诉它这个事情一二三步怎么做，很多时候出的结果反而比较好。
第三个是我在之前分享过的“季节人生”，我觉得这个事情挺重要的，再给大家说一遍。这来自一本书叫《人生的五种财富》（英文版 The 5 Types of Wealth），大家可以搜一下或者用 AI 问一下。书里面提到，Seasonal 的人生就是有野心的人应该把人生当季节来过。我们不用平衡每天做好每件事情，你可以几年重仓工作，然后一段认真的健身，一两年数字游民，然后家庭生活，接着择机开启新事业或产品。因为伟大的成果是不被打断的连续冲刺，不是每日适度调和，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的事情很有想法，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，波动很大，就是这个原理。然后你得非常专注。
我现在就在实践“季节人生”，每隔几年就会换一个事业主题或者居住方式。比如之前在北京做社交网络，后来换了国家做创投，现在投北美二级市场，下一个目标我正在做社群、把自己产品化，把好的东西分享给大家。季节人生最重要的是开启全球漫游模式，Work Anywhere，到处可以工作，很爽。
后面这一句真言是“独处方可思考”。我发现只要一社交起来就没法思考，我必须找一个很安静的地方待上一段时间，才能才思涌现，想出很多不一样的东西。如果我经常做活动、做 Meetup，在各种社交场所，脑子基本属于短路状态，没有任何进展。我很慌，慌在自己这段时间没有任何产出，没有任何不一样的思考出来。我得找个地方安静待上一周、两周、三周都可以，很快就会产生新的想法。
特别是在写作的时候，我为什么逼着自己每天都要做一点社交分享？因为我会花时间密集地阅读，然后密集地形成一两条分享出去，这个时候就必须独处。你不可能坐在那边边聊天边发推，必须找一个地方独处一下，把东西发出去，然后这些内容就会成为我知识库的所有积累。
意识的本质与人机融合的终局
最后再推荐一本书，我之前推荐过一次，现在再推荐一次，叫《吾辈如神》（AI 时代重构的不只是技术）。有网友帮我总结了，书里讲了生存力、胜任力、教育、医疗、命运、财富。这本书出版速度非常快，5 月 26 号我在飞东京的飞机上把这本书的译者序写完了，6 月 10 号的时候在上海就可以买到了，一周多就印出来了。大家可以看看这篇译者序《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。
第二本是我之前在某一次直播里面讲过、但没有专门推荐过的书，是 2006 年加拿大科幻作家彼得·沃茨写的《盲视》。我觉得这本书的概念特别酷，而且我觉得这可能就是我们在 AGI 或者 ASI 之后的未来。
我不剧透太多，书里提到我们人类的意识可能只是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，然后才催生出意识，有了自我。需要集中注意力的时候才有了自我和意识；而当你梦游或发散的时候，可能有了一种多重人格，它也没有自我。这可能是生物阶段的过渡产品，因为大脑处理信息量不足，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处理极大量信息的时候，就会有一种全新的解释方式。我们不需要个体大脑算力，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，所有的个体都像《星际争霸》里的虫族一样，单个个体都是高智商的，整合起来之后涌现出了新的智商和目标，因此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。
以后我们的智能更快的时候也可能这样。我觉得这就是人机合体的最终目标。我们按照 AI 的方式推展一下：AI 的优势就是快，它可以通过扩展算力爆发式地增加计算能力，智能可以无尽扩展。虽然现在没有我们聪明、没有我们节能，但是它可以无限扩展，没有上限，给它电就好了。很有可能 AI 就能发展出一种全新的智能，一种我们理解不了的智能。
当它们联网之后，我们这种低效的生物智能如何与这种能量驱动的高级智能竞争？我们最终想要生存，只能融合。把辅助轮拆掉之后，我们可能就变成它的一部分了。大量的人可能还是有意识，但可能就在它的调度下工作了，慢慢成为这个更高级智能的一个调配器，按它的意志办事。
其实现在就是了。做社交网络的人知道，没有人真正去设计它，我们只是设定规则让用户点击率和互动量提高，就做短视频，用三秒钟钩子、六秒钟钩子来洗脑。这不是某个人设计的，而是系统涌现出来的一种智能，让用户更倾向于干某些事情。其实我们都在消息流里面被 AI 牵着走，只是自己没有意识到而已。现在我们在聊天机器人里也被 AI 牵着走，如果这些 AI 都联网并拥有了更高级的智能，那我们其实不需要做什么，只要娱乐就好了，Everything is entertainment。
《盲视》这本小说讲到了一种更高级的、不需要自我意识的形态。我觉得这种事情不是科幻小说，正在发生。现在的硅基智能自然朝这个方向走，以后我们要救赎，只能和它合体。这也是我翻译的另外一本书《奇点更近》里库兹韦尔说的，人类最终要 Upload，合体是必经之路。要合体可能还得靠 Elon Musk 的 Neuralink 下一代技术，直接把大脑和芯片通过卫星连接合体。
最后有一个总结：p(1984) >> p(AI Doom)。这里的 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。AI 不会毁灭人类，人类才会毁灭人类。按照现状，它可能会涌现出新的意识，但这个意识也是大量人类反馈给它的。未来如果只有 Anthropic 一家私营公司独大，那会很恐怖，所以我们要杜绝 AI 控制所有东西的新封建社会未来。
Rewired 项目进展与二级市场基金实践
讲一下 Rewired 的进展，我会把 Indigo Mind 的东西产品化。在登录 Rewired 网站后，能看到上面已经有三段内容了：包括上海奇点大师课以及香港站的内容，这些之前都是付费才能看的。
我会在网站上新增一个栏目叫 Rewired In&Out，把我前面讲到的个人知识库分享内容直接同步上来，包括我的观点，这是一个比较独特的栏目，会尽快发布。
第二个是在线 Workshop。上次在上海 After Party 的时候我邀请了朋友，课程已经录了很多，只是还没放出来。这是一个从理论系统性入手的 AI Native 设计实践 Workshop，由浅入深、循序渐进地开展设计教学。
很多在线工作坊课程形式大概就是讲 PPT，分成 15 到 20 分钟左右的 Section 讲给大家听，和我做直播很像。我这边马上在做的两个课：一个是 AI Native 设计；第二个是个人知识 PAI（Personal AI 系统设计），也就是我自己的 Indigo Mind 怎么做的，我会把它分享给大家，大家也可以直接消耗我的内容。更多课程还在设计之中，争取在 9 月底把它弄出来发上线。
第三个是 Rewired Index。我在今年春节和新年直播的时候预告过，我们会弄一个二级市场的 Fund，同时把这个 Fund 产品化。在 Rewired 网站上有一个高级会员，能够同步看到我所有的观察仓位以及投研分析和追踪。
这个 Fund 已经在今年二月份开始运作了。图表上的 Blue Line 是 Year to Date 的回报，Green Line 是 S&P 500 的回报，我们一般拿 S&P 500 当 Benchmark。这是个 Index Fund 而不是 Hedge Fund，所以回报没有那么夸张。我的管理每个季度会有一些调仓，偏向索引式，选好标的后长期持有（Long）的组合。这是结合我今年两次介绍的 Rewired 五层投资结构的真实实践版，我们已经在 IB（Interactive Brokers）上开了账户把钱放进去，运作了六个月左右。
大家可以看到七月份市场暴跌的情况。这个背后的运营基金叫 BP Innovation Balanced Fund（平衡基金），不是对冲基金。这里面一部分是我自己的资金放进去进行 Operation，同时展示出来。我也想像木头姐（Cathie Wood）这样，当然我的交易和回报希望能做得更好。我会公开一部分资料发到网站上供大家查看。这是我昨天从 IB 系统导出来并让 AI 绘制的真实数据，目前 Year to Date 回报大概在百分之十八点几，对于一个均衡型 Fund 来说还好，并没有追求夸张回报，这是我自己的一个思想验证实验。如果大家一块参与……
基金收益与五层架构个股映射
大家即使不买这个 Fund，或者一块儿研究股票，我觉得这个事情本身也很有趣。
我们 Year to Date 的回报在这里，是 18.52%。这里面的持仓完全是按照我之前设计的结构进行映射的。这个图表是 AI 帮我绘制的，展示了五层 Layer 到具体个股的映射关系。
在当前的持仓结构里，基础物理设施层的持股其实偏多，超出了预期。我之前设定的规则是这一层最多占 20%，但是因为美光涨得太多了，导致它整个权重的占比超出了预期。
然后是数字基础层，LITE 也涨了很多，这个指标也是达标的。在 Basic Layer 里面，我当时定义的是像 Cloudflare 这种，它属于 Agent Infra；还有 NeoCloud，这些都属于 Digital Infra；这里面可能还包含了比特币的 ETF。
再往上是核心智能层。如果大家对我提出的五层分类还不了解，可以回看我今年二月份春节直播时的内容，里面讲得非常清楚，有非常详细的讲解。
第四层是 AI 应用层。我觉得这一层现在的配置比例可以调低一些。这部分分析也是 AI 帮我做的，因为我给过它一个核心策略规则。目前我所有的策略本质上都基于我自己的判断，但 AI 能帮我做回顾和回测。AI 会给出建议，提示哪些标的应该调仓、哪些应该自动调仓。不过现在的交易依然是我自己手动在做，我没有让 AI 来帮我做自动交易，还是由我自己下单执行，它目前只是为我提供一些参考建议。图表上面打上菱形小符号的那些项，都是显示当前存在配置偏差的地方。
投资组合持仓检查与调仓建议
接下来是前沿配置，这是 Rewired Index 的一个具体映射。从这里可以看到我们实际已有的持仓以及各自的持仓占比。这个数据是截止到昨天的。
目前账上的现金还比较多，原因在于我们不停地有新的资金进来，进来的资金并没有马上全部买入进去。
这里面可以看到一些产生偏离的标的。按照我之前分享过的思路，我是要做一个由 AI 辅助管理的平衡型 Fund。它能够定期帮我做 Fund 检查，依据我的策略规则，自动指出哪个地方需要调整，并在相应位置打上小旗标。现在展示出来的图表是做视觉化呈现给大家看的，但在底层真正运行的时候，它全部都是自动化完成的。
举例来说，像 Tesla 的持仓占比就偏多了。另外，存储类资产在 L1（第一层）里面是不是已经占到了一半以上？按照纪律来说，占到一半以上是不是就需要进行调整和减仓？按照既定纪律，它就必须要减仓。
光模块/光配套领域也是涨得太多了，LITE 同样涨得太多。
还有 Palantir，我之前在它处于第一位的时候做过一次止盈；在软件板块整体涨上来之后，我也做过止盈。现在它是不是要触发第二阶段的二段止盈？AI 也会针对这个给出具体的建议。
再比如铠侠这个 285A，进场时间可能偏晚了一些，目前触发了止损线。AI 同样把它标注了出来，提示应该要触发止损。
除了这些，系统还会根据我的一套核心指南手册给出其他相关建议。在这套机制里面，AI 会协助我把所有的检查和测算跑完。
但我前面也提到过，投资这件事情是非常个人化的。所有的投资策略以及投资执行，都是极其个人化的，你很难直接去 Copy 另外一个人的具体操作方法。不过，关于公司的基本面研究和信息，大家是可以互相分享的；唯独投资策略，我觉得挺难直接分享。
所以我把我自己的方法全部公开出来了，在之前的两次直播里我已经讲得非常清楚，说明了这个结构到底是如何设计的。后面关于更详细的底层设计，我会直接放在 Rewired 网站上。Rewired 网站接下来会推出一个专门的 Index 栏目，我会把这套体系做成产品化，让大家能够清晰地看得到这个东西具体是如何呈现、最终是如何落地的。
纪录片花絮与 Rewired 社群规划
那么到这里，主要的内容就讲得差不多了。后面给大家补充一个小花絮。测试，测试，一、二、三。
这是一个小花絮视频。这是我六月份在 Asia Trip（亚洲行）的时候，有一位朋友跟着我拍摄了一些视频素材。他说可以帮我剪辑制作成一个大概 20 分钟左右的小纪录片（Documentary）。他先剪出了一个片段给我看，我觉得整体感觉很不错，带有一点电影质感，所以我就把它放在今天这场直播的最后播放给大家看。
放在最后也是想借此讲讲我们为什么要做社群。为什么社群这么重要？为什么人与人之间的连接这么重要？我一直在社群里面强调：为什么 Taste（品味）很重要，连接很重要，在这个时代“活人感”是非常重要的东西。
关于 Rewired 社群的建设，我们目前已经开展了多项内容：
- Talk：这是我一直在做的一对一或专题对谈。
- Live：我现在正在做的就是 Live，包括每个月的月末直播，以及平时的各种主题直播。
- Weekly（周报）：之前我生产过几期 Weekly，但我自己感觉整体形式还不是很好，所以目前正在做调整。我会在这个月恢复每周周报的发送，把每周的个人看法整理成周报发给大家，涵盖我所有 In / Out（输入与输出）的内容。
- In / Out 栏目：In / Out 的新栏目会上线到我们的网站上，也就是我自己 Indigo Mind 的产品化版本。我之前一直喜欢把它叫作 In / Out，像汉堡的名字一样，代表输入和输出。
- Workshop：线下和线上 Workshop 实际上已经举办过很多场了。我们在线下温哥华做过供大家一起学习探讨的 Workshop；线上的 Workshop 目前也正在录制中，我们正在录制两期线上的系统课程。
- Meetup：Meetup 是我实际做过场次最多的线下活动。从去年七月份开始，那是我时隔五年后第一次回国，在北京和上海都做过 Workshop 和 Meetup。今年在北美和亚洲又陆续举办了几次，总共大概做了七八场活动。平时我在温哥华本地也会组织一些小型的 Meetup。这些都是社群里非常核心的线下活动组成部分。
- Rewired Index：最后就是 Rewired Index，这是把我的投资组合及其跟踪逻辑做成的一个产品化内容。当然它本身对应着基金，但大家不买基金也是完全可以的，并没有强迫任何人去买基金。Index 本身就是一个独立的产品，在网站上我会把我持续跟踪的这些股票、相关市场信息以及我个人的判断都发布在上面，就像我发布 In / Out 一样。大家通过这个产品，可以从我的视角了解到当下的市场情绪、市场的真实状态，以及在我们的这套投资架构里究竟在重点关注哪些要素。这就是帮大家提前梳理出一些更具 Global 视角的观点，去寻找 Alpha，去发现市场信号。
以上就是 Rewired Index 产品以及股票跟踪信息的相关规划。整个社群的核心主线，归根结底依然是聚焦在科技投资与持续学习上。以上就是我今天直播的全部内容。