中国宏观税收与拉弗曲线

老张: 我想问一个问题，就是钟老师，你觉得中国的宏观税收有没有到拉弗曲线的顶点？我先报一下数据，就是中国财政部每年会发全国财政决算。从2023年开始，这三年不算土地财政收入，中国的实际总财政收入只维持在30万亿人民币这个级别。其次，如果算上土地财政收入的话，中国总的财政收入从2021年开始就一直保持在37万亿到38万亿这个区间。尤其是2025年的话，实际已经跌到37万亿了，而2024年还有38万亿。你觉得这是否标志着中国财政收入已经无法提高？这两年个人所得税每年都以10%以上增长，但实际上并没有解决财政收入无法提高的问题，唯一变大的是财政赤字每年都在扩大。你觉得这些数据是否表示中国到了拉弗曲线的顶点？

钟老师: 我觉得在中国不能用拉弗曲线。拉弗曲线解释的是政府税收跟税率的关系，也就是税率跟税收之间有一个最大值。如果你把税率再往上升，企业利润和经营情况就要下降，导致税收下降；你把税率往下减，又收不到足够的税。

但在中国，拉弗曲线有一个很重要的前提假设不成立，那就是税收强度不变。中国不一样，中国的税收强度一直在变。这两年为什么个人所得税能够实现两位数增长？当然是因为金税四期的推行，包括社保费的增长，都是因为税收强度增加了。2025年税收能够回升一点点，完全是因为金税四期强化征收来的。

如果把税收强度这个变量拿掉，中国应该早就过了拉弗曲线的最大值。我们在之前的节目里讲过，中国有很多隐性税，其中非常重要的一个部分就是土地出让金这种变相的土地税。在隐性税过重的情况下，其实中国早就在压低企业利润和经营能力了，因而早就在拉弗曲线的右侧——也就是处于税收过重导致企业经营能力萎缩、税收实际能力下降的区间。

最近税收看上去比较稳定，是靠强化征收来实现的。在失业率上涨和居民收入没有改善的情况下，个人所得税两年都能够继续保持两位数增长，这绝对是不正常的。

老张: 关于提高税收强度，比如2024年那一波“远洋捕捞”，这也算在提高税收强度里吗？

钟老师: 提高税收强度和非税收入是两部分。一部分是把罚没或罚款这部分做大，还有一部分是卖国企，这部分是变相收入。无度罚款的顶峰应该是2024年下半年到2025年上半年，之后这种行为得到了一定程度的遏制。现在非税收入的增长部分，很多来源于卖国企，而卖国企这部分就不算在税收强度里了，而是国有的创收能力。

AI 时代的数据获取与经验取舍

商品期货交易员: 这一期你引用了很多数据，对很多行业都做了总览。我想知道这些数据全都是通过AI来完成的吗？还是靠你自己的积累？现在是AI时代，在积累数据和做节目上，会不会有一些不同的心得？

钟老师: 这是一个工作方式的问题。人的经验其实体现在你用哪些数据。我实际今天为准备节目取得的数据，起码是我讲出来的20倍以上。使用AI可以快速找到海量的数据，但把这些海量数据变成一个叙事，变成一个对于中国经济的讲述和分析，这里面有很多取舍，取哪些、舍哪些，这是人的经验在起作用。

包括你用AI去搜什么，这肯定不是输入一个prompt（提示词）就能把所有数据都跑出来的。比如工业企业利润的结构、所得税政策跟财政收入的矛盾，这些都是单独利用AI去跑的，然后拿去对比。除了我用Google搜了新能源汽车的产销量数据最后还没用上之外，剩下的全是AI搜的。关键在于你拿AI搜什么，以及搜出来这么多信息后你如何取舍。

商品期货交易员: 这确实是一个很需要经验的事情。究竟是让AI做什么，还是在AI把数据交到面前之后，怎么把它们联系在一起，把噪音去掉？

钟老师: 因为AI的工作能力和工作效率是非常惊人的。我今天拿AI跑的原始材料有32,000字，里面的量非常大，就看你怎么去消化。如果最后生成的内容是十几万字，你势必只能通过AI去二次消化它，那还不如直接用AI问你最终想问的问题。所以用AI生成内容，应该把它控制在自己能够通过阅读去消化的限度之内。

商品期货交易员: 上星期四的节目中提到，我们的决策者的政策是一个很主导的原因，这一点也是您自己想的，还是AI给的提示？

钟老师: 这个当然是自己想的。这就是到现在为止，人比AI要厉害的部分。这种联想能力，AI目前还是不具备的。

中国 AI 硬件产业的期待与财富效应

商品期货交易员: 您提到除了战争这类临时性原因导致的利润增加外，利润增加可能还来自AI相关产业，主要是AI硬件，比如内存。但对于整个国家来看，它们带来的经济效益是不够的，不管是作为税收提供者还是就业提供者都不够。但是如果只从行业、公司甚至个人角度来看，中国的AI硬件相关行业是不是还是有一些值得期待或者值得去投入的地方？

钟老师: 当然是。比如长鑫存储，如果它能上市的话，对于中国人的造富机会，那肯定是超级利好消息。如果你问在中国不方便投资其他股市该投哪个，如果长鑫存储上市，那肯定值得投，长鑫存储起码长两年翻一倍或者翻两倍问题都不大。对个人更是如此，比如你要在长鑫存储工作，拿到原始股可能就实现财务自由了。

所以，AI首先它不是一个泡沫，这是真金白银和真实的机会。但我们是从中国经济整体来看，不管它局部有多好，它必须对中国经济整体有贡献，比如透过二次分配或者各种财富效应为经济注入活力，而不仅仅是企业自己获得利润。

关于长鑫存储，他们大多数是分四年或者三年给员工配股。假如2024年硕士毕业去那里，四次股权分下来，满打满算最多也就挣个三四十万、四五十万，是无法实现财富自由的。但如果是长鑫存储的老员工，比如2020年或2023年毕业进去的，那就确实能够实现财富自由。现在他们IPO辅导已经很快了，后面进去的配股机会可能就比较小了。

“既要又要”的决策逻辑

商品期货交易员: 后面能不能出一期关于总书记到底是怎么想的节目？因为现在有点搞不懂他。比如从2016年开始，他政治上和经济上是怎么想的，是怎么一步一步走到今天这一步的？

钟老师: 如果知道决策风格和决策策略，可能更能理解他想干什么。我一直想写一本书，书名都想好了，叫《既要又要》。我认为**“既要又要”**就是决策层的核心决策思路。而这个决策思路，总是让他在很多时候做出矛盾的、以坏的方式呈现的决策。

比如2020年提出房地产**“三条红线”**，在当时主动刺破房地产泡沫是错误的时机。在疫情期间用这么强力的政策，因为他脑子里既要房地产实现软着陆，又要房地产的上涨势头得到快速遏制。

包括2022年的动态清零也是“既要又要”，既想控制疫情，又想维持经济和社会秩序。这是路径依赖，因为他觉得2020年就是因为控制得好，所以经济才非常好。

“既要又要”的背后逻辑是什么？在什么时机之下，他认为需要依靠“既要又要”来完成任务？这是洞察经济决策非常核心的一点。他的政治政策反而没有“既要又要”，就是一条路走到黑（比如军队的整顿）；但经济政策和社会管制，强烈地体现了这种“既要又要”的特征。

芯片成熟制程的行业现状

Christian: 我是一名成熟制程芯片的业内人士，本硕毕业后直接进入上市公司做研发，做的是模拟集成电路（Analog Integrated Circuit），主要是电源管理类芯片，比如Buck-Boost芯片、Low Switch、Reset和电机驱动。

我想简单分析一下现在这个行业。首先，2026年是我们公司上市有史以来最好的一年，无论是产能、排期还是芯片销售。我们公司整个2026年11月之前的芯片已经全部定出去了，现在的产能已经排到了明年。

我们成熟制程芯片大多数是180纳米的，晶圆一般采用8寸。但是现在，无论是台积电还是中芯国际，所有的8寸晶圆产能今年全卖完了。新流片（New Tape-out）的芯片，正常来说是按8寸来设计的，但现在没有产能，直接被逼着拿12寸晶圆重新进行NTO。这增加了不少成本，但只能转到12寸去做。这个火爆程度远超之前的行业巅峰（如2019年、2020年）。去年董事长跟我们开会说形势非常严峻，大家要共克时艰，现在所有领导都非常高兴，大家都很放松，进入这个行业的幸福感还是拉满的。

中美 AI 战役：低成本替代与反蒸馏策略

Petrus: 现在的经济如果只靠集成电路这一个支柱，从总体国家安全观的角度来看，安全性是不太充足的。如果只有AI链路上的企业能盈利，由于最强的AI基本上都在美国，美国发现中国这部分占比高，会不会继续制裁？

钟老师: 中国早就被美国制裁了，所以才会有美国苹果公司需要向商务部申请去购买长鑫存储内存这种事情。虽然被制裁，但国内自身的需求依然很大。

在AI这件事上，中国决策层现在的策略是：虽然我们在各个前沿领域不是最领先的，但可以通过利用本土芯片，结合像DeepSeek的技术栈，来完成低成本接近美国顶级模型能力的目标。中国正在赌一条路：只要跟美国的技术差距维持在三到六个月以内，同时把成本控制在美国的四分之一甚至更低，就能在AI时代打败美国。国家认为，如果真的到了AGI（通用人工智能）阶段，这种低成本能力就会爆发出极大的生产力。这虽然是次优路线，但目前正在赌这条路。

Petrus: 针对这个路子，我有三个问题：第一，普通人接触到的中国AI是不是阉割版，技术水平到底比国外差多少？第二，国内AI的商业化面临巨大问题，美国AI（如Claude、ChatGPT）有收费模式，但在中国，企业和个人并没有为软件和技术服务付费的文化，如何实现商业化？第三，中国现在的AI想通过蒸馏美国的模型来达到高水平，这种蒸馏能不能持续？AI对整体经济的贡献到底在哪？

钟老师: 首先，我认为中国AI技术整体比国外差一年的水平，这是起码的。

其次，关于AI对经济的贡献，它的主要作用绝对不是提升就业，相反它是削减就业的。它的核心在于生产力的提升。如果AI可以替代50%的白领工作，想想现在所有白领的劳动收入总量，这几家提供劳动替代的AI公司的产值和收入将是极其巨大的。这就是我坚持认为AI没有泡沫的根本原因——它能够实现劳动替代。

再次，美国已经开始采取**“反蒸馏”**手段了。反蒸馏的方法非常简单，就是不给用。如果最新的模型（如GPT-5级别模型）不向中国地区或相关IP开放，中国就无法快速花钱去跑数据进行蒸馏。

现在美国是完全的白名单制，真正能授权使用最前沿模型的可能就几十家公司，以此来拉开差距。中国想要通过台面下的手段来获得使用权也是很难的，因为这是美国政府和联邦机构共同决定的。

一旦发现彻底跟不上了，中国依然会不顾一切地继续投入。这就像造原子弹和氢弹，作为世界上少数有能力竞争的玩家，是一定会all in（全投）进去的。

国内大模型的能力局限与对齐困境

听众: 关于国内大模型，除了依靠蒸馏获取优势之外，它本身存在一个根本性问题：为了符合特定意识形态，无法触碰某些社会学和政治学概念，这会影响模型整体的逻辑能力。

Anthropic曾发过论文提到“对齐（Alignment）效率”，主张越早进行对齐越好，在预训练阶段就进行对齐。如果在后期的强化学习（RL）阶段再强行写入冲突的叙事，是无法保证对齐效果长久维持的，模型随时可能恢复到冲突前的状态。而OpenAI也发过论文指出，强化学习对齐必须保持逻辑关系完整，如果强行混入谎言，这个局部的谎言会扩散到模型的其他部分，最终导致模型在工程、技术等其他方面也开始撒谎，使模型变得不可用。如果国内模型必须采用特定叙事，会不会导致其有效性逐步降低？

钟老师: 我觉得在蒸馏的时候，技术人员绝对不会去问什么是民主然后拿来蒸馏，蒸馏的大多是编程题、数学题等可以程序化验证的强推理任务。现在蒸馏的很多结果不是文本，而是行为（Agentic behavior）——比如输入一个prompt，Coding Agent去调用了什么文件、打开了什么网页、做了什么操作。这些行为逻辑离价值观较远。

当然，即使在国外，对齐机制的研究也还没有完全透彻。但总体来说，逻辑上的不一致和谎言，确实会影响模型的整体效能。

地方财政的“省管县”趋势

Fly: 我最近发现地方财政出现了一个比前两年更坏的状态。现在如果一个县或者区的财政出现问题，他们的财政状况会被省里直接监控。县区级想要花钱，必须把审批打到省里，省里认可后这笔钱才能花。

钟老师: 对，这就是所谓的**“省管财政”**，地方地市失去了财政自主权，之前的鹤岗就是这样的典型。

中国社会的演变：会退回朝鲜模式吗？

听众: 关于会不会退回朝鲜模式，股市虽然会留着，但可能永远沦为国营大中型企业圈钱和割散户韭菜的工具。除股市之外，社会上的方方面面会不会压制成像朝鲜那样？

现在的决策层和他们身边的人，很大一部分是文革期间成长起来的工农兵大学生，他们的知识结构和思想状态比较保守和落后。只要这一代人还在，倒车和加速的趋势似乎就改变不了。

钟老师: 会不会退回文革或者朝鲜，不是看气质上的相似，而是看统治方式和统治逻辑的相似。

什么是文革？文革是用反制度的力量去颠覆旧的制度（例如红卫兵）。这跟现在决策层所需要的高度制度化、秩序化的统治是完全相反的。

什么是朝鲜模式？朝鲜是一个绝对的全能国家，个体的任何生活细节都要由党来控制，不存在任何社会空间。中国要重新退回全能国家的成本太高了，比如把四大国有银行和上市公司全部私有化，其代价甚至大到还不如进行改革。

这一批工农兵大学生，其实实用主义非常强，并不是纯粹的意识形态狂热分子。比如习近平刚上台时非常推崇传统文化、中医、儒家，但随着时间推移，他现在很少再提这些，而是变成了追求科技自主和芯片的“科技狂人”。这说明他们是非常现实主义的。

2026年的中国经济基本没有惊喜，如果我们按照现在的路子走下去，不用等两年，也不会再有实质性的改变了。我们在不断接近中国经济的最后一集。