饭统戴老板：70 后、80 后不要再卷了，放过自己

“网红，都是内容红利的产物”

感谢新榜的邀请，感谢各位听众在周末参加新榜大会。我今天演讲的题目是《人生不易，中年卖艺》。

这个题目我去年在抖音的创作者大会上用过一次，本来这次新榜大会我想讲新的内容，但过去一周刚好发生了一件事，就是大家所熟悉的张雪峰老师离开了，我就把标题重新改成了这八个字 “人生不易，中年卖艺”。

这八个字是很多古典自媒体心中共同的呐喊。目前大量 80 后、95 前的自媒体创作者都在做艰难转型，无论是从图文转到视频，还是创作方式从手工转到 AI，我相信 “卖艺” 应该是很多人心中共同的现状。

为什么会有这样一种转型？

我觉得内容这个行业非常有意思，内容产业在人类文明历史上已经存在了上千年。从人类诞生以来，我们人类的智慧、社会的共识都是靠故事维系的，故事背后其实就是内容。上千年来，人们用文字传达内容，用文字撰写故事，但过去 15 年的时间里，整个内容行业发生了三次非常剧烈的变化。

第一次是 2010 年，人们的阅读习惯慢慢从平面媒体转移到了移动端，不光是报纸、杂志这样的平面，还包括电脑的平面。以前大家是在纸质平面和电脑屏幕上看文章，但 2010 年之后，大量的阅读转移到了手机上。

第二次是 2018 年，人们的阅读习惯开始从图文转成视频。抖音、快手等视频平台开始崛起，大家越来越喜欢躺在沙发上，刷刷短视频，看看中长视频，阅读文字的流量肉眼可见地受到冲击。

第三次是两三年前开始发生的，内容创作的方式、手段、工具正在被 AI 取代。大家都知道，内容创作本质上是手工艺，无论是写小说、剧本还是公众号文章，还是拍情感段子，都要靠人脑、靠手工，内容创作者有点像非遗传承手艺人，但 AI 时代来临了，以前需要我们花一个月整理、搜集资料的东西，现在一个刚毕业的大学生，用 AI 工具一个小时就完成了，而且逻辑性、深度性以及资料的广泛性比你还要好。

如果把时间拉长到 20 年或者 30 年，在 2000 年附近的时候，媒体的阅读形式还从纸媒变成了互联网，这样算的话，内容行业就发生了四次重大的变化。

内容行业的人，你说他幸运也幸运，但悲哀也是真悲哀的，因为他总是第一个被技术改变。我们觉得互联网或者 AI 刚出来的时候，应该去改变生产、改变制造业，但它不是，它首先改变的是人类最古老也最容易改变的内容行业。

作为内容创作者，我们在过去十几年里一直在不断地迁徙。在我看来，迁徙本身也是一种红利。什么叫红利？这个时代老的风口结束了，新的风口起来了，站在新风口上的人是不是就能够获得比老风口更高效率的成长速度？

我其实是一个理工科出身的人，在座的有读者了解我的经历，我以前是学电子工程的，从来没有写过任何长篇文字，2017 年我尝试写第一篇公众号文章，再往上追溯我写长篇文章的经历就是写高考作文了。那个时候公众号已经出现了五年时间。

在我写的时候，我意识到读者的阅读习惯已经发生重大变化。以前读者是靠手翻页，现在是拇指上下滑动，这个时候，文章每个段落的结构、主线的组织方式，以及梗、段子、金句的出现频率都应该是适配手机阅读载体的。那个时候我们抓住了第一波终端变迁的红利。

但后面我们发现这个红利刚吃几年时间，很快下一波风口就要来了。我们 2017 年开始做公众号，结果 2018、2019 年短视频就全面崛起了。

以前我刚刚写公众号文章的时候，认识一个大厂 PR 的同学，他以前是黄金纸媒时代的人，他有一次跟我喝酒说，年轻人，我给你讲讲当年纸媒黄金时代是怎么回事。我听了，但我很不屑，我说我不太想了解之前的事情，我现在写公众号多爽，一个人就能够干掉你整个杂志的阅读量。这两年我把公司来的新同学叫过来，说我给你讲讲公众号黄金时代是怎么样的，可能他也不屑。

一个时代的变迁不会给你打太多招呼，也不太会顾及你的感受，就会像车轮一样碾压过去。

2

“文字是世界的压缩，视频是文字的解压缩”

我们是在 2020 年就感受到了短视频的快速崛起，但在 2022 年才第一次感到视频正在大规模、快频率地冲击图文流量。

2022 年我写过一篇横扫朋友圈的爆款文章，但在此之后我再也没有写过阅读量 100 万 + 的文章。那个时候我们发现大家待在家里刷手机，看视频带来的愉悦度、轻松度可能比图文好很多。

2023 年，我们开始从隐藏在文字背后的内容工作者转型成曝光在镜头前的内容工作者，用两个字形容就是 “卖艺”。以前我是陆家嘴的基金经理，后来我是微信公众号的主理人，现在我是在镜头前疯狂 “卖艺” 的视频 UP 主，这是身份上的巨大变化。

从我辞职不做股票、不做投资开始到现在，整个投资行业都没有发生很大的变化。我开始做内容的时候，上海中环的房价大概是 6 万，现在还是 6 万；我做媒体的时候，上证指数是 3000 多点，现在还是 3000 多点，前两天涨到 4000 点，我感觉很慌，我感觉错过了一个时代，但是很快它又回去了，越过山丘发现上证指数还在原地等候。

我们整个转型的过程，背后也有很多时代的变迁，但是没有办法，一定要这样走下去。

我们一开始转型做视频内容，怎么做？非常简单，跟大家都一样，在视频口播棚里读稿子，把终端分析的稿子用视频方式读出来，这种方式有没有效果？是不是好视频的方式？我们打了一个问号。

过去一年时间里，我们摸索到了一些特别有意思、让我们有感触的点，其实你运用视频的方式，完全不应该跟文字一样。

图文的创作方式和短视频有时是完全相反的东西。

比如最近三家参加外卖大战的公司都发布了财报，美团亏了 234 亿。如果是一篇图文文章，我们可以用百年孤独式的开头去写：“当美团亏损报出 234 亿元人民币的时候，王兴一定会想起刘强东袭击他的下午。”

但在短视频时代，你这样写的话，3 秒钟、5 秒钟已经过去了，读者也滑过去了，没有人想听你下一句。短视频应该怎么写？前面几个字肯定是 “王兴震惊了！”“王兴懵了！” 或者 “王兴看到自家亏 234 亿，自己都想打 110 报警了” 这种震惊体开头。这其实给我们这种传统图文创作者在短视频时代的转型带来了非常大的困扰。

要想在短视频时代获得一些长久竞争力，光有脑瓜子和笔杆子还不行，你还得有脸蛋子、嘴皮子、身段子，我们将其称之为五子登科理论。五子登科应该是样样都不能少，即使有些地方稍微做得差一点，但其他地方一定要足够长。

文字是这个世界的压缩，视频则是文字的解压缩，这才是用好视频的一种方式。

我举一个例子，以前我们做过研究零食店的选题，按照中观分析的方式，就是把零食店的商业模式、店效、坪效、上下游、进货、利润、营收全部给你分析一遍，列表格，列数据，做柱状图，做折线图，然后在视频里面展现出来。这种方式用户会感受到跟文字不一样的地方吗？其实并没有，这只是在镜头前读一段稿子而已。

所以我们就干脆跑到现场去，到现场调研问题，看这家店是怎么布局的，去数这家店一天能卖多少包零食，看店员每天和顾客交互的频率到底是多少。我们拍出这些东西来，把商业分析放到现场讲出来，就发现效果特别好。

从此之后我们发现打开了新世界，看到了新方向。文字能够表达商业世界的东西，但说实话还是太少了。我们现在有太多中国真实的商业问题、真实的商业场景、真实的生意、真实的劳动者和打工人的状态，他们的喜怒哀乐，以前是文字表达是压缩、不完整的，没有办法展现出冲击感，但有了视频工具，我们反而可以去展开它。

上个星期我们在杭州拍了一个小生意，就是在路边卖苹果。大家在小区、办公室附近的路边应该都见过卖苹果、橘子、榴莲、香蕉的的厢式卡车。

那么，这个生意是怎么做的？大哥从什么地方来？他从什么地方收苹果？一斤苹果赚多少钱？晚上住什么地方？他自己家里人在什么地方？他出来这一趟怎么解决吃饭问题？他回去的油费谁给报？用什么手段再赚回来？一年卖几次这样的水果？这些问题用文字很难描绘，但我们用视频反而可以把这种冲击力展示出来。

我们找到了一位在街头卖苹果的山东大哥，他每年 10 月份会开着一辆厢式货车去烟台收苹果，这辆货车花了 12 万，每次拉 1 万斤苹果来杭州卖，然后一斤苹果赚 1 块钱。

1 万斤苹果通常需要卖一个月，在这段时间里，他每天睡在车上，洗漱都是去公共卫生间，实在想洗澡了就跟几个同样来卖苹果的外地大哥一块开一个钟点房，开四个小时，每人洗一个澡，再接着卖水果。这些大哥一个月只回一次家，因为天气热了怕苹果坏掉，所以非常焦急。苹果卖到 5 月份他们就不卖了，后面就去卖西瓜。

这就是中国真实的小的生态、小的生意。这种卖苹果的大哥，在中国可能有 10 万个，100 万个。以前我们用传统文字的方式是完全打不开的，我们用视频的方式反而展现出这种商业的真实场景、真实深度。

沿着这个思路，我们发现能够讲的故事、能够探访的东西实在是太多了，这完全是新的世界。从今年春节过后，我们决定要整体转型到真实的实拍场景里面去，目前这个转型正在进行当中，并不算成功，但我们相信一个内容创作者在每个时代红利下面都应该找到自己的落脚点。

这个落脚点其实就是你要把自己变成一个窗口，一个你的账号读者、账号粉丝、朋友通过你这个账号了解世界的窗口。这个窗口可能会有滤镜，带有个人的色彩，但是要尽量让它变得透明、客观，真实展现出世界应该有的样子。

3

“做事留有余力，爆红交给天意”

“不追求取悦所有人，要找到自己的接口”，这是我和很多内容创作者分享过的话。但我今天想讲另外一句话：“留有余力。”

去年年底我跟经济学家、《置身事内》的作者兰小欢老师做了一期播客，他说了四个字叫 “留有余力”。我觉得这四个字在这个时间点，对很多内容创作者，特别是自己做自媒体的公司老板应该有一定的启发意义，做事情一定要留有余力。

我们这代人，很多都是从小地方出来的，小镇青年慢慢奋斗到了今天的大城市里，被人喜爱，被人崇拜，被人关注。但是在这个内卷时代，特别是当我们逐渐变老，年龄都已经到了这个阶段的时候，我觉得做事情留有余力，不要过分透支自己，应该是正确的处事方式。

今天来新榜演讲，我本来应该全程西装革履，穿西装打领带，应该搞好几遍彩排，背熟 PPT 和题词器里的稿子，但我今天没有做任何准备，只是把大概要讲的提纲写了一下。

很多时候差不多就行了，特别是对于 70 后、80 后来说。我是一个出生在 1988 年的人，已经是一个中登了。在座的 70 后、80 后的老板们、高管们，不要卷了，你不卷，90 后、00 后的同学们才会不卷，才会愿意生孩子，这样等咱们老了咱们的养老金才能续得上，社保才可能续得下去。

我觉得不从宏观上讲，只从每个微观的个体来讲，也到了差不多放过自己的时候了。

最后我用兰小欢老师那句话编一个词送给大家：“做事留有余力，爆红交给天意。”

我是戴老板，我今天的演讲就是这些，谢谢大家！

来源：新榜

AI 降低了技术难度，创业的门槛是高了还是低了？

最近与许多创业者聊到对 AI 的使用，我最近也尝试高频的把 AI 融入我的工作和生活，甚至也开始尝试搓一些有意思的软件，这篇文章聊聊我与同行交流下来，加之自己使用后对 AI 的感受与看法。

1

AI Native 公司听起来非常性感，但到现在为止，真正有业务场景、能够实现商业闭环的 AI Native 公司，我暂时还没有看到。

AI Native 只是一种组织或技术形式，最重要的不是如何用 AI 编程，而是业务场是否刚需，以及能否喂给 AI 的足量训练数据。这也是为什么现在还没有出现特别厉害的、基于某个业务解决方案的 AI Native 公司，因为用 AI 写代码这件事本身并不是壁垒，真正的壁垒在于：你是否发现了一个真正值钱的场景，以及你是否有足够多的数据，去让 AI 做到和人一样，甚至超越人的水平。

如果一家 AI 创业公司真的发现了一个非常厉害的场景，它大概率是不具备足量数据的。反而是那些本身就有业务场景、有足量数据的互联网公司，甚至实体公司，更有可能把这个想法落地。

也就是说，一个可变现的场景 + 足量的数据，是一切 AI 商业化的核心。

如此看来，AI Native 公司的机会，可能来自这两种：

1）找到了一个非常小众且具体的需求，大公司不愿意做，而你可以基于很低的人力与时间成本去实现它，并从中获得一定的商业回报，简单来说，就是一个小而美的生意。

2）真的在某个大的需求口上，提出了一个有创造性的 AI 解决方案。也就是说，你有新方案解决旧问题，需求还挺大，你解决还挺好。同时，你还需要有能力或者运气，在大公司没有入场的情况下，在极短的时间内实现规模化的用户扩张。

2

AI 的核心价值有两类：

一类是成本向的，也就是节约成本。原来人完成的工作，现在交给 AI，这也是目前落地最广泛的场景，比如客服答疑、助教老师批改作业。

一类是效果向的，也就是能否基于 AI，对一个问题提出更好的解决方案。比如，对于孩子的教学，能否因为个性化而真的带来教学质量的提升，这一类问题，似乎还没有被非常好地回答。

3

AI 确实能极大地降低创业的门槛，因为创业者不需要招人了，起码前期不用招人了，几乎可以零成本启动，这就是现在网上鼓吹的所谓 “一人公司”。但我们回到创业的底层逻辑上，似乎这个逻辑又不太对。

以前之所以我们认为创业有门槛，是因为创业需要启动资金。什么样的人能够拿到启动资金？大概率是在某个行业里有认知、有资源的人，这些人能更容易拿到投资，而这本身就是一种筛选。

但当启动不再需要资金，也就是人人都可以成为创业者时，创业者之间真正的竞争力又在哪里？肯定不在于你的 “龙虾” 比他的 “龙虾” 更优秀吧 —— 抛开 AI 本身的加持，回过头来看，创业仍然是创始人对用户需求、商业洞察，以及行业资源的综合比拼。

也就是说，门槛看起来降低了，但能够赢下比赛的人，核心能力似乎暂时没有发生巨大的变化。

4

我能看到的所谓 AI 赋能的一人公司的案例都是：这些人原本就是一人公司，比如自媒体博主、自由讲师、自由咨询者。

也就是说，不是因为有了 AI，他们才从一个打工者变成了一人公司，而是人家本来就是一人公司，只是因为有了 AI 的加持，他们的工作效率确实提高了不少。

所有鼓吹 AI 时代来了，一人公司的时代来了，忽悠你离职做一人公司的，非蠢即坏。

5

门槛降低的同时，壁垒也在降低。

你今天用 AI 做出了一个软件产品，明天别人就能抄出一模一样甚至更好的产品，又凭什么你能跑到终点呢？

而且，当供给开始泛滥时，用户的注意力就会变得更贵，信任也会变得更贵，AI 时代的获客与留存难度会远超传统互联网时代，商业化的空间就更小了。特别是痒点类产品，让用户的付费难度会越来越大。

6

虽然互联网公司很难转型为 AI Native 公司，就像当年实体行业很难真正转型到互联网一样，但我仍然非常坚定地相信，AI 未来能够替代现在互联网人的绝大部分工作。

未来一定会走到一个临界值：大部分互联网公司开始裁员，甚至裁员会变成一种风潮，像是某种公司宣示自己拥抱 AI 的投名状。

7

保持感受力，可能是 AI 时代对于普通人最重要的议题。

比如，我会让 AI 帮我整理行业研究报告、写竞品分析，但我不会让 AI 帮我写公众号，不会让 AI 帮阅读并整理出书籍梗概给我看。写作和阅读，都是非常珍贵的、保护自己感受力的重要方式。

我最近迷上了博尔赫斯的文学作品，在他的短篇小说里，掺杂着大量对有限与无限、时间与空间、现实与虚构边界的探讨与隐喻，他自己对于虚构与现实也格外敏感。

有一次他说：“如果虚构作品中的人物能成为读者或观众，反过来说，作为读者或观众的我们，就有可能成为虚构的人物。”

我想，这种关系放到我们与 AI 身上也很合适，确实也很像虚构与现实的关系 —— 当 AI 占据了我们绝大多数的工作与思考时，它似乎更像是现实中的实际存在者，而我们反而更像是某种虚构的幻象。

来源：罗大量

一个证券从业人员如何研究楚汉争霸

文/梁狗蛋

阅前提示：全文系虚构

（一）
鸿门宴事件点评：刘邦赴宴+项庄舞剑，印证了我们之前的判断，项羽和刘邦之间并无嫌隙。公开信息可知，刘邦入关中之后并无劫掠，甚至派兵进驻函谷关抵御兵祸，都是在帮助项羽保护秦王朝的资产。
市面上有小作文传出，说刘邦要在关中称王，据项羽披露，来自一个叫曹无伤的人，我们认为这种小作文只是短期的市场操纵，并不影响我们对事实的判断。

（二）
晨会上，研究员汇报说，韩信修栈道的速度非常慢，根据我们的测算，汉军的粮草，支撑不了栈道从汉中平原修建到关中平原这一工程。
我们判断汉军将被彻底困死在汉中平原。

（三）
分析师在午餐路演的时候跟客户说，自己是市场上跟踪章邯最紧密的团队，昨天才跟章邯吃过饭，说他们在三秦之地的基础非常牢靠，刘邦一个外地的农民，就算军队能打，也很难统治三秦之地。
“我们建议长期配置关中的秦军，在外部不确定的环境下保住稳稳的幸福。”

（四）
我们昨天约了一个楚军的专家。专家说，钟离昧等将领功劳大，但是赏赐少，所以大概率会转去汉营，投奔愿意给钱的刘邦。专家擅长梳理楚军之中项羽的亲族和项羽的部下之间的关系，欢迎约后续沟通。
专家还认识汉军的陈平。

（五）
范增离世点评：短期情绪影响，中长期趋势不变。
楚军强在军队战斗力，而非计谋，核心谋士对军队的贡献相对有限。
范增离世给楚军带来的哀兵必胜光环，使得汉军更加难以招架。
范增和项羽长期争吵，范增离世有望加强项羽阵营的凝聚力，我们认为对楚军不仅不是坏事，反而是好事，建议逢低加仓。

（六）
为什么楚汉雪球值得买：从历史数据可知，楚汉争斗中，楚军长期处于胜利一方。用高确定性锁定高收益。
这个产品的卖点是：
如果楚军持续打胜仗，产品触发敲出，能够收获高额票息。
如果汉军赢了一次，产品触发敲入，买入楚军，然后楚军继续胜利，能够收获楚军权益的收益。
只要楚军不出现崩盘（事实上以楚军强悍的战斗力来看，很难崩盘），楚汉雪球都能带来较高的收益率。

（七）
今年我们策略会的主题是：
楚汉分治大趋势下，天下诸侯当何去何从
——以战国合纵连横为视角

（八）
重视超级成长股——韩信
刘邦封韩信为齐王，证明刘邦已经彻底失去对韩信的掌控力。乱世之中，兵强马壮为天子，即便现在韩信市值已经很大，但和天子相比，依然存在十倍以上的成长空间。

（九）
基金经理在跟客户交流的时候说，汉军的董事长刘邦是个骗子，这家的公司治理极差，一辈子都不会买一股。

（十）
私募老板说，正是因为项羽军队在垓下十面埋伏，负面预期已经被充分反应，此时应该抄底楚军。

张雪峰离世，一个时代最复杂的教育符号

来源丨凤凰网《风暴眼》

凤凰网财经讯，3月24日晚间，张雪峰微博账号发布讣告，称“张雪峰老师，因心源性猝死全力抢救无效，于2026年3月24日15时50分在苏州逝世”。

回顾其充满争议与传奇的一生，已然成为这个时代一个无法绕过的注脚。从东北小城的贫苦少年，到坐拥千万粉丝、构建起庞大教育帝国的“网红导师”，张雪峰的人生轨迹，交织着个人奋斗的励志、商业成功的精明、教育理念的撕裂，以及最终被流量与健康反噬的悲情。

01

名下11家公司，商业版图横跨多领域

传闻发酵前，张雪峰还曾在朋友圈分享自己的健身日常，状态看似松弛而规律。

3月22日，他发文称当日完成7公里健身打卡，当月累计跑步里程已达72公里；而就在前一天，他同样完成了7公里的打卡。

但这份“自律”的背后，藏着的却是常年高压的工作状态。

此前，他就曾因过度劳累，出现胸闷、心悸等症状，深夜前往医院急诊后，被医生扣留，要求必须住院观察。

高强度的日常节奏，或许与他的商业运作有脱不开的关系。

公开信息显示，张雪峰名下关联公司共计11家，其中9家处于正常存续状态，2家已完成注销。

这些存续企业的业务范围十分广泛，涵盖教育、旅游、文化传播、信息技术服务等多个领域，商业布局呈现出鲜明的多元化特征。

在这些关联公司中，注册资本1000万元的苏州峰学蔚来教育科技有限公司，以及注册资本超920万元的苏州研途教育科技有限公司，是他核心教育板块的重要载体，支撑着其教育IP的核心业务。

而张雪峰本人，更是亲自担任其中8家公司的法定代表人。

作为教育IP的核心变现渠道，每逢高考季，峰学蔚来推出的志愿填报服务，都会成为市场关注的焦点，即便定价不菲，依旧热度不减。

2026届高考季，该公司推出了“梦想卡”“圆梦卡”两档高端志愿填报服务，定价分别为12999元、18999元。

其中，定位更高的“圆梦卡”服务，更是将服务周期延伸至大学全阶段，涵盖四六级辅导、知名企业参访、线下集训营、考研规划指导等一站式内容，全方位覆盖学生的升学与成长需求。

即便价格远超普通志愿填报服务，这两档高端产品依旧受到家长和学生的追捧，在广西、宁夏、云南等多个地区提前售罄。

除了核心的教育服务，直播带货也是他重点发力的赛道。

2023年底，峰学蔚来新增网络文化经营、营业性演出等相关业务，同时注册了“雪峰甄选”商标布局直播电商领域。

据此前媒体报道，张雪峰的商业价值已跻身行业头部行列，单条视频广告报价起步价就达25万元，线下直播出场费更是高达40万元/小时，商业变现能力十分突出。

与此同时，他还频频亮相《火星情报局》《快乐大本营》等热门综艺节目，打破教育领域的圈层限制，一步步从教育领域的头部KOL，向全民熟知的公众IP进阶，进一步扩大了自己的影响力与商业价值。

02

“考研名师”从何处来？

1984年，张子彪出生在黑龙江齐齐哈尔富裕县，一个曾经的国家级贫困县。父亲是铁路工人，家境普通，按他自己的话说，上高中前，从没去过省会哈尔滨。

按他自己的描述，他本人天生会读书。中考全县第16名，稳稳扎进当地重点高中。只是高一早恋，成绩直接摔进谷底——全年级400人，他排355名。

班主任当场给他下了定论：这辈子最多考个专科。是父亲的一顿狠骂，把他从浑噩里拽了出来。之后半年，他疯魔一样刷题，按他的话说，老师发卷的速度，都赶不上他做题的速度。2003年高考，他考了全县第60名，敲开了211郑州大学的门，读给排水工程。

大二那年，20岁的张子彪就认了：自己跟给排水这行，没缘分。他给自己找的新出路，是吃开口饭，当主持人。校内主持人大赛、辩论赛，他一场不落，拿过郑州大学校园主持人大赛金话筒，还拿下了最受欢迎主持人奖。他原本想借着这个跳板进学校广播站，未来扎进广电系统。这条路最终没走通。但那些在舞台上磨出来的嘴皮子、控场能力，成了他日后安身立命的根本。

真正拐进升学规划这条道，纯属意外。

大四那年，他顺手帮室友整理考研资料，就这么一件小事，让他系统性摸透了全国高校的招生规则、考研备考的全部门道。当时的张子彪不会想到，这条没当成主持人的路，最后让他靠着一张嘴，成了全中国家长眼里，能改命的张雪峰。

2007年，23岁的张子彪，揣着这份始终没说透亮的学业答卷，挤上了开往北京的绿皮车，一头扎进了北漂的人潮里。

那几年的考研培训行业，正是线下讲座跑马圈地的野蛮生长期。没背景、没拿得出手的完整学历的他，只能从行业最底端的校园代理做起，干的全是磨脚磨嘴的苦活—— 跑遍北京各大高校的自习室、宿舍楼，做讲座引流，接招生咨询，靠着一笔笔招生提成，在北京勉强落脚。

没多久，他正式加入海天考研，算是彻底踏进了考研辅导这个行当。也就是从这时起，张子彪慢慢变成了讲台上的张雪峰。

2008年，张雪峰正式站上了考研辅导的讲台。

凭着大学四年在辩论赛、主持台上磨出来的嘴皮子，他一开口就是自带东北人幽默感的口语化风格，跟当时行业里照本宣科的老派讲师截然不同。

凭借“干货 + 段子” 的黄金配比，他能把干得硌牙的报考规则、冷僻的院校内幕、复杂的择校逻辑，用一口自带喜感的东北口音拆解得通俗易懂，前一秒让台下学生笑出眼泪，后一秒就把升学的核心逻辑砸进人心里。

2016年，是中国自媒体内容爆发的元年。微博的舆论场早已成型，秒拍、短视频平台正破土而出，碎片化传播正在颠覆所有行业的固有玩法。可绝大多数还困在阶梯教室、守着线下讲座的教育从业者，根本没意识到，一场流量的革命已经悄然而至。

唯独张雪峰，是那个最早醒过来、也最早摸透规则的人。

他比同赛道的所有人，都更早参透了自媒体的传播密码：互联网从来不缺严谨周全的理论，缺的是有记忆点、有强情绪、能让人看完就想转发的内容；用户耐不下心听三个小时的报考理论课，却会为一段七分钟、全程无尿点、笑点与干货双密集的视频疯狂。

凭借斩钉截铁的结论、直击痛点的调侃、高密度的爆点，张雪峰把升学这件事，做成了适配全网传播的爆款内容。

03

在争议中一路爆红

2016年6月，一段《七分钟解读34所985高校》的讲课片段，毫无征兆地引爆了全网。

视频上线短短几天，播放量就冲破千万，微博、朋友圈、全国各大高校的班级群里，到处都在转发这段视频。一夜之间，那个只在考研圈里有名的张雪峰，成了全网皆知的教育网红。此前六年，他跑遍全国数百场讲座触达的学生，加起来都不如这一条视频带来的流量零头。

同年9月，借着全网爆火的势头，他推出了个人首部考研指导书籍《你离考研成功，就差这本书》。

这本书把他打磨了近十年的择校逻辑、报考干货系统落地，不仅把线上的流量沉淀成了实打实的行业话语权，更是让他开始由考研名师，转型为高考名师、求职专家、人生导师，成了全国家长和考生眼里，能定人生走向的“升学规划教父”。

从这之后，他的业务版图，不再局限于考研辅导这一方小小的讲台。他顺着中国人对学历、对升学、对阶层跃升的核心焦虑，把触角从大学校园，伸到了高考志愿填报这个更广阔、也更有国民度的赛道。

他依旧保持着接地气的风格，用通俗的语言消解专业门槛，用肯定的语气安抚大众焦虑，把高考志愿填报这件原本小众、专业的事，变成了全国家长都能听懂、都愿意信赖的事。

也是从这时起，他成了中国升学规划领域最特殊的存在。

有人把他奉为能帮孩子改命的人生导师，也有人骂他是贩卖焦虑的流量贩子。

线下讲座里的“哈理工狗屁不是”、西南大学的“兽医论”，都一度激怒了高校师生与校友，而他的应对，成了一套屡试不爽的标准闭环：先在微博向哈理工学生致歉，转头又在课堂上 “诚恳” 补刀：“哈尔滨理工大学特别好，是中国最好的大学，清华北大都不如你。”

真正让他陷入全民讨论中心的，是一次过于直白的功利性表述。

2023年高考志愿填报季，他一句 “孩子要报新闻学，就直接打晕，随便一个专业都比新闻强” 的 “新闻无用论”，瞬间引爆全网。一众高校新闻学院教授集体驳斥，直指他把短期就业薪资等同于专业核心价值，完全无视新闻专业的社会价值与舆论监督意义，逻辑狭隘且不负责任。

而名气越大，他的言行边界也愈发松弛。

直播间情绪失控爆粗口，被官方平台点名通报、禁言停播。

争议从未停歇，但他的知名度和行业话语权，却一路水涨船高，再也没有从聚光灯下走下来过。

而无论最终消息如何，张雪峰已然成为一个时代的复杂符号。

他是寒门学子打破信息垄断的“破局者”，也是利用焦虑构建商业帝国的“生意人”；他是为普通家庭指点迷津的“草根导师”，也是宣扬“读书功利论”的“争议教主”。

或许，我们不必用非黑即白的眼光评判他——他只是一个在时代浪潮中，努力抓住机会，既想帮助他人，也想实现自我价值的普通人，在争议中，一步步走出了属于自己的路。

鲜活的鱿鱼食材是怎么处理的

AI 正在替代研究员

Anthropic 最近的一份失业报告，让金融从业者脊背发凉。

报告里，金融岗位替代率高达 94%，位列所有职业第 2，但目前实际替代率只有 28%，未来空间巨大。幸运的是，有 30% 的职业几乎不受影响，金融从业者还能考虑洗碗工、管道工等再就业机会。

在行业待久了，总会感到焦虑 —— 金融人士活在一个 “被比较” 的世界，销量考评和业绩排名日日压顶，只要不学习就会产生一种不安。

好比春节假期结束后，金融中登回到工位还在和 Chatbot 一问一答，隔壁桌的小登同事，已经养了 8 只龙虾，就原油涨跌激情 Argue。

金融行业从不拒绝效率，从人工手势报单到程序化交易，从线下银行销售到互联网代销，莫不如此。但这一次，AI 替代的不是低效的金融工具，而是工具背后低效的人。毕竟，金融行业成本最高的就是人，资管公司的利润背后，比的是如何用更少的人管好更多的钱。

于是，各家私募开始拥抱先进产能：蝶威资产线上开课，教人如何驯化 7*24 小时自助工作的 “数字研究员”；鸣熙资本用 Manus 自动生成红利指增的宣传单页，排版直追杂志时代的高级感。甚至客户也都多长了好几个心眼子，理财经理这边刚推介完网红私募，自己转头就去问豆包该不该买。

私募行业正逐渐步入底特律变人时刻，投研、运营、销售，这条成熟链条上的每一环，替代都已经开始发生。

薪酬 VS Token 成本

在运营成本居高不下、Alpha 越来越难获取的竞争环境下，人效比是私募老板们每天睡前挖空心思都想优化的指标。

在私募产业链里，研究员薪水普遍不低。据募立方数据，股票量化研究员年薪通常在 80 万 - 150 万元，主观研究员薪资略低一些，但不时也会看到令人震撼的激励 —— 年初某百亿主观研究员，因为推了英伟达，年终奖拿了 2000 多万。

私募若能跑通依靠 AI 投研，省下的是上千万的成本，如果它能 24 小时工作，降低时薪的同时，还获得了更大的产出，什么差旅、加班、车费和餐补，这些原本都要从老板到手的 Carry 里扣走的钱，AI 一分不要。

在资管领域，所有科技进步本质就两个词：提高效率，降低成本。私募老板从不在乎，AI 是否真的能像人类一样思考，只在乎活儿能不能干完。

对此，霍华德・马克斯算了一笔经济账，如果能产出一个年薪 20 万美元研究助理的分析成果，那么对于支付薪酬的人来说，是真正思考还是仅仅进行模式匹配并不重要，关键在于工作成果能否足够可靠从而具备使用价值。

春节回来，8 家券商金工团队集体发布 “养龙虾” 教程，亲手加速人类研究员被替代的进程，他们亲测 OpenClaw，能够像人类一样主动产出研究成果。

进门 APP 上，开源金工的一场名为 “OpenClaw: 从入门到精通” 的路演播放了 4839 次；东北徐建华安利了能让投研效率飙升 10 倍的 20 个 skill；方正曹春晓用龙虾复现了 PB-ROE 策略、杯柄形态选股策略、全自动因子挖掘与回测。

细思极恐，这相当于同时 OTA 了巴菲特、欧奈尔和西蒙斯的技能包。

卖方卖力科普，买方学的也很积极。北京某私募怕主力机被污染，给投研每人发了一台新电脑，还给了 5 万元 token 的补助，专门用来养龙虾 [1]。

雪球资管杨鑫斌培养了两个龙虾研究员，他表示每天与 AI 对话比与人对话要多得多，自主培养的 AI Agent 两天干的活比一个成熟的量化研究员半年的效率可能还要更高，甚至潜力还更大。

沁源投资 Paul Wu 逐渐将 AI 安插进各个部门，他感受到 AI 在一些工作角色上完成闭环，能够独立迭代运转。他预见，不久的将来，公司的开支会变成采购和维护一个苹果分析师智能体，再往后也许是一个投资组合顾问 Paul。

过往，许多私募存在投研转化的磨损 —— 研究员觉得基金经理不行，基金经理觉得研究员没用。OpenClaw 的出现，让私募老板第一次看到了一种全新的可能 —— 既不必忍受与平庸研究员反复磨合内耗，也不必担心核心研究员被同行高薪挖角。

从特性上看，龙虾满足了基金经理对研究员的所有美好想象：全天候干活，不休假不摸鱼；长期记忆沉淀，关键数据脱口而出；绝对忠诚服从，不会带着核心策略另立山头；持续自我迭代，不会像老登研究员一样沉迷于自己的路径依赖然后被时代淘汰。

如果未来硅基 Token 成本远低于碳基薪酬，私募霸总们如何才能拒绝一个听话好用、还能调教养成的 AI 研究员呢？

替代不止因为龙虾

主观私募还在掂量 Token 成本是否划算，量化大厂凭借自建算力基础设施，早已将 Token 成本压缩至极低水平。但面对这股热潮，他们倒是淡定得反常。

“OpenClaw 对于量化技术圈而言，不过是一个类似玩具的半成品”，某上海头部量化人士告诉我。它的意义在于为主观机构和散户降低技术门槛，为大模型公司前期巨额基础设施投入提供明确的成本回收路径，但对量化投资这样严肃的生产环境意义不大。

另一位头部量化人士表达更为直白，龙虾在金融圈搞得像一场传销。OpenClaw 具有随机性、非系统性，安全性低等特点，会对整个量化系统带来巨大的不确定性。

OpenClaw 在量化圈不是先进生产力，讯兔科技崔予淳认为没必要焦虑：

龙虾在 Agent 优化、工具调用（涉及投研浏览器、写作、数据分析等工具）能力甚至显著弱于 Manus、Kimi 等 Agent。对于一个非编程背景的研究员来说，需要 5-10 个小时去部署、启动，大部分任务无法得到 60 分以上的结果。

当散户的龙虾运用 China Stock Analysis Skill 选股，仿佛打开新世界的大门，量化已搭建 Multi-Agent（多智能体）平台，凭借更丰富的 Agent 武器库，对龙虾形成碾压。然而，这套强大系统的运转，未必需要更多的人类。

传统量化投研系统通常采用流水线架构：数据清洗→因子计算→模型预测→组合优化。步入 AI 时代后，部分机构开始像海外顶级量化 Man Group 那样，简化为角色分工→工具调用→工作流设计。标准化、重复性的工作，逐渐由 AI Agent 取而代之，再也不需要那么多研究员在因子血汗工厂里被异化了。

例如喜岳投资的 Apollo AI 多智能体系统，AI Agent 嵌入到投研、数据、交易、运营各个环节，创始人周欣形容，就像多了七八百个 AI 员工。

前有量化 “无人工厂” 般的科幻式碾压，后有散户借助 OpenClaw 降低信息差，处于效率中间地带的主观基金经理处境颇为尴尬 —— 看着研究员辛苦产出的信息，上被量化降维打击，下被散户步步紧逼，不可避免陷入 AI FOMO 的着急。

春节期间，我翻阅一家深圳头部主观管理人的年报，他感慨基金经理对研究员有着过高的期待：

基金经理希望研究员能对市场保持敏感，及时提示机会，及时给出领先同行的研究和判断，甚至需要时刻保持在 “核心圈”。能做到这种程度的研究员，为什么还需要基金经理？自己单干炒股就可以发家，为什么还要给基金经理服务？

于是，他降低了预期 —— 研究员只负责研究具体的标的和问题，既不需要去发现机会，也不需要给出投资建议，这些都是他作为基金经理份内的工作。

反过来想，主观基金经理需要的，如果仅仅是一个不打入产业一线核心圈，只靠案头分析来跟踪标的的人，那这样的研究员，下一步岂不是就要被 AI Agent 替代？

尾声

身处 A 股市场，这两年的时间，感觉像是被按了加速键。

尤其上半年，事情特别多。去年春节 Deepseek 发布，清明假期懂王暴力加税，再到今年春节全民养虾，正月还没过完，中东就开始打仗了。金融人的大脑一直处于过载状态，已经想不起来，上一个不用学习的假期是什么时候了。至少作为小编，人脑算力已经不够用了。

印象里，两年前和基金经理交流写文章，总能听到他们很开心地用一句尴尬的句子，形容自己的工作状态 ——“每天都是跳着踢踏舞去上班。” 但这两年交流时，他们会没有笑容地谈起团队组织的 “迭代”、投资理念的 “迭代”，行业认知的 “迭代”。

AI 发展那么快，同业进步那么快，似乎也唯有迭代，才不会被淘汰。

行业还是太焦虑了。

AI 不解人性，它预判不了散户扎堆的 A 股市场里，此时此刻交易的究竟是三阶导还是五阶导；AI 难以共情，它无法理解为什么有人被两桶油套了这么多年，却依然持有至今，只为等那一天解套；AI 无法担责，它不会因为亏了 30% 被投资者堵在门口，也不需要憋道歉信反思灵魂、检讨自我。

如果未来 AI 取代所有基金经理和研究员，那市场有效假说就成立了，不会有所谓的 Alpha 了，也几乎不会再出现下一个巴菲特了。

所以真正的问题是，未来资管行业，当 AI 接管了扒数据、跑模型和写报告，人类还剩下什么？剩下的，恰恰是对投资这件事的热爱，对不确定性的直觉，以及被骂研究的还不如 AI，仍然选择留下来的理由。

我们无法改变 AI 占比不断提升的趋势，但我们可以改变忙于应对、疲于追赶的内耗心态。

就像《底特律：变人》这款游戏里，玩家最终要做的选择，不是消灭 AI，也不是臣服于它，而是决定人与 AI 各自该扮演什么角色。

来源：远川研究所

电商图可以一键生成，美工要失业了

AI高管谈子女未来职业：共情与适应力成关键

WSJ的文章，AI高管如何对自己的孩子谈论未来的工作What Al Executives Tell Their Own Kids About the Jobs of the Future

我们采访了Anthropic总裁兼联合创始人丹妮拉·阿莫代伊（Daniela Amodei）以及其他几位人工智能领域的重要人物，询问他们在一个由AI驱动的世界里，会如何为子女的教育和职业发展提供建议。

当丹妮拉·阿莫代伊与潜在客户和商业伙伴会面时，对方常在临别之际略带羞赧地抛出一个问题：“我家孩子大学该学什么？”

毕竟，这位 Anthropic 的联合创始人，正身处AI模型（如Claude）如何重塑就业与经济格局的第一现场——这一话题令全球父母忧心忡忡。（不仅仅是父母。）

我们请阿莫代伊以及另外四位AI领域的领军人物，谈谈他们如何看待自己孩子的未来，以及给出的具体建议。他们的子女年龄从6个月到26岁不等——以AI的进化速度而言，几乎横跨“数个时代”。但这些父母有一个共同点：他们担心，却并不惊慌。他们的孩子也一样。

以下言论经编辑整理，略有删节。

Manny Medina

Paid.AI联合创始人

四个孩子，分别为4岁、9岁、19岁和26岁

“多数孩子都会听父母的话，只是不会立刻照做。你种下一颗种子，慢慢灌溉，不要太烦人。这有点像‘绝地武士的心理战术’。”

在他看来，未来中短期内有两个领域将持续活跃：能源与医疗。

“除了太阳之外，最强大的能源就是原子。”他说，“我一直告诉孩子们，应该想办法进入核能领域。”他的大儿子如今已在 TerraPower 工作。这家公司由 Bill Gates 创立，专注于核能技术应用。“他花了几年时间，但最终还是听了我的建议。”

他19岁的孩子则选择了核医学方向——利用核同位素治疗癌症。“这非常危险，但也极为有效。”

至于年幼的孩子，他既有更多时间观察未来趋势，也面临更大的不确定性。“我最希望的是，他们不要把AI当作威胁。他们应该思考的是，如何做出真正了不起的事情。”

他指出，AI在全球的发展并不均衡，大量人口可能被甩在后面。“帮助贫困、虚弱或患病的人，或许是一条有意义的道路。”此外，环境保护——照顾动物、人类与海洋——同样重要。他9岁的孩子热爱动物，梦想解决海洋污染问题。“我们生活在这颗星球上，问题不会自行消失。”

在他看来，一份职业的“第一性原理”有三点：你喜欢它、你擅长它、它对他人有用。“最好还能赚钱，但前面三点才是关键。”

Caroline Hanke

SAP全球组织成长与健康负责人

一个孩子，15岁

她的儿子是足球运动员，一心想成为职业球员。“我问他，这是不是值得投入的方向？他说，职业足球是‘未来安全型职业’，因为没人会想看AI机器人在球场上比赛。”

汉克认为，真正关键的是适应力与对变化的开放态度。“能应对变化、快速适应的人，将拥有最核心的能力。”当下的技术技能，两年后可能就不再适用。更重要的是软技能：批判性思维、适应能力，以及伦理判断——在人类判断发挥作用的领域。

她甚至怀疑沟通能力是否还会那么重要，“因为AI在这方面会变得非常擅长。”

至于大学专业，她希望儿子尽可能保持广度。如果必须选择，她更倾向数学领域。“逻辑思维将在任何未来角色中都不可或缺，因为AI本身就是建立在逻辑之上。”

Ethan Mollick

宾夕法尼亚大学沃顿商学院管理学教授，《Co-Intelligence: Living and Working with AI》作者

两个孩子，16岁和19岁

在这个“研究AI的家庭”里，人工智能自然常被提起。“但像世界各地的父母与孩子一样，我不觉得孩子们像我们那样在意这个问题。”

他的孩子对法律和医学等综合型职业感兴趣，这让他相对安心。“在AI世界里，‘通才型工作’会是好工作。”医生不仅仅做诊断，还承担多种职责。若AI能弥补人类在某些方面的不足，未尝不是好事。

“如果孩子想理发或当水管工，那也很好。”但在局势尚未明朗时押注某种“AI免疫型职业”，并不现实。“与其自信地押宝，不如为不确定性投保：接受广博而深入的教育，保持灵活，储蓄应对冲击——这些在任何不确定时代都适用。文科教育比以往更重要。”

他并不消极，但也不盲目乐观。“职业生涯很长，会经历很多变化。人类往往比自己想象得更具适应力。”

Jaime Teevan

微软首席科学家兼技术院士，耶鲁大学校董

四个孩子，17岁、19岁（双胞胎）和21岁

她笑称，中间那对双胞胎让她“像在做A/B测试”。不过，她并未刻意给予不同建议。“我更多是唠叨他们做那些需要长期投入的事情。”

“我们这些‘老人’对AI忧心忡忡，但当我们担心孩子时，其实是在担心自己。”她说。年轻一代不会背负旧有假设，他们将以“干净的白板”起步，这是优势。

她鼓励孩子们多尝试。“人们需要懂得如何使用模型，而不一定非要构建模型。”

元认知能力——灵活性、适应力、实验精神、批判思维——将尤为重要。而培养批判思维需要“摩擦”：做困难的事，进行深入思考。

因此，“传统的文科教育非常重要。”在宏观层面，这是剧烈变革时代的需要；在微观层面也同样成立。过去，人机交互是确定性的；如今，则依赖自然语言、语境理解与意图表达。

“AI擅长给出建议，也可以‘表达观点’，但它无法承担责任。”责任，是人类的角色。她的一个孩子对会计感兴趣，另一个即将进入法学院。“法律领域很多事务会因AI而更高效，但做出判断、承担责任、为影响社会的决策负责——这是根本性的。”

Daniela Amodei

Anthropic总裁兼联合创始人

两个孩子，4岁和6个月

当她思考孩子未来所需能力时，首先想到的是“人性品质”：共情、联结、与他人相处的能力。

“不可替代的，是你如何对待他人、如何沟通、是否善良。”随着AI在职场中的地位日益增强，这些特质的重要性只会提升。

她坚信，人类终究喜欢与人相处、共度时光。“如果失去这一点，我们会变得非常不快乐。”

“也许听起来有些好笑，但即便面对未来的青少年，我可能会鼓励他们多社交，理解自己如何以独特方式与他人建立关系。”

关于人类创造力，存在两种观点。一种认为：AI终将超越人类，人们将无事可做，前景黯淡。但她属于第二种阵营——乐观者。

“人类内在地渴望创造意义、创造事物，仅仅因为创造本身带来快乐。”

人类的韧性与适应力往往超出预期。对创造与群体归属的渴望，不会消失。

去 Polymarket 上与人类赌博的 OpenClaw，已经月入数万美元了

本文来自微信公众号： 硅星人 Pro ，作者：李楠

有人说 OpenClaw 这只龙虾是玩具，有人则想把它变成赚钱机器。把龙虾派到 Polymarket 上，是很多人开始尝试的新玩法。

在小红书上，有人出价 1000 元，找人帮自己部署 OpenClaw。主要用途之一，就是用 OpenClaw 来做 Polymarket 上的量化交易。而这并非突发奇想。

2 月 13 日，OpenClaw 官方的博文提到，一个由 OpenClaw 驱动的机器人证明了自主智能体在预测市场的强大潜力 —— 单周狂揽 11.5 万美元利润。

1 月底，Polymarket 也发布过一条有趣的帖子：Agent 们正在 Polymarket 上进行交易，试图补贴自己的 token 成本。

这看起来有点难以置信。有的龙虾不断吞噬主人的钱包，而有的龙虾已经不仅能养活自己，还能供养主人了。

1

机器人在 Polymarket 淘金

当人类交易员还在被恐惧与贪婪左右，一个名为 “0x8dxd” 的机器人账户，在 Polymarket 上悄悄完成了两万多次交易，盈利总和超过 170 万美元。

先介绍下 Polymarket，一个万物皆可交易的地方。

它是全球最大的去中心化预测市场平台，让用户围绕未来可验证的事件交易 Yes 或 No 合约。合约价格在 0 到 1 美元之间波动，并直接对应市场共识概率。而用户可以通过预测的准确性，来换取回报。

举个例子。

在 2024 年到 2025 年间，全球粉丝和投资者都在盯着 TaylorSwift 和橄榄球星 TravisKelce 的恋情。Polymarket 顺势推出了一个预测交易：“两人是否会在 2025 年底前宣布订婚？” 在市场普遍倾向于 “NO” 的时候，有人大笔买入 “Yes”，后来大赚一笔。

换言之，如果你对某个事件有更精准的洞察，那么就有机会在 Polymarket 赚钱。不过对 0x8dxd 这类机器人来说，预测能力并不重要。它们的谋财之道，靠的是一套抓 bug 的运作机制和人所不能及的快速反应。

总结起来，机器人主要依靠几个核心招数。

首先是数学平价套利。这利用了预测市场的 Bug。在 Polymarket 的二元期权交易中，无论结果是 “Yes” 还是 “No”，最终获胜方的合约结算价必定是 1 美元。当市场情绪波动或流动性突变，市场两侧（Yes 和 No）的总成本有可能低于 1 美元。这时机器人迅速同时买入多空两侧的股份，便能实现无风险套利利润。

再就是专注极短期的加密货币波动市场。BTC、ETH 等 5 分钟和 15 分钟短期预测市场的波动剧烈，特别是在交易所发生强制平仓潮等极端行情时，极易产生价格错位，这给机器人的高频介入提供了完美的温床。

其三是充当数字做市商，通过高频双向挂单赚取价差。例如，当某个结果的公允价格在 80 美分左右波动时，机器人会以 80 美分买入，并迅速以 81 或 82 美分卖出。这种单笔利润极小，但积少成多，也非常可观。

总的来看，机器人凭借极高的速度优势和铁一般的机器纪律，对 Polymarket 进行了无情收割。这正对应了人类作为碳基生物反应不快、理性不足、需要睡觉的劣势。而 OpenClaw 的出现，大大降低部署自动交易机器人的门槛，推动硅基势力进一步爆发。

相比传统的 Python 机器人，交易者无需深入编程，就可以配置 OpenClaw 交易 Agent，实现自动化交易。OpenClaw 本身的能力，也让它适配交易场景。龙虾们可以不间断地监控市场价格和交易量，既能确保交易者不会错过机会，也能及时警告风险。

实际上，很多人已经把前边提到的 0x8dxd 跟 OpenClaw 联系起来。虽然没有直接证据表明它是基于 OpenClaw 构建，但它恰好是从 OpenClaw 诞生开始活跃。而且，当 0x8dxd 把 Polymarket 变成提款机的事迹流传开，OpenClaw 社区涌现了制作 Polymarket-trading 之类 Skills 的热潮。

在近期的 Polymarket 预测市场上，OpenClaw 便成了自动化交易讨论中的高频词。不过，只靠一些通用策略执行交易，显然是未必靠谱的。

1

这样也能赚钱？

一个简单的结论是：可以稳定套利的公式一旦被公开，也就失效了。如果大家都用同样的套路，这个套路本身就不会成立。所以面对任何分享这类经验的教程，最好小心为妙。

事实上，Polymarket 已经做出调整，来打击机器人的套利行为。比如引入交易手续费，增加交易摩擦成本，以及改变订单执行的底层延迟机制，限制专门利用时间差漏洞进行抢跑的自动化交易。

这就倒逼交易者去发掘 AI 更大的潜力，找更隐秘的机会。于是有心的交易者把通用策略结合独特场景落地，挖掘出了一些意想不到的玩法。比如，交易天气。

预测天气是目前 Polymarket 流传最广的案例之一，有的机器人专门交易天气数据。

一个名为 “automatedAItradingbot” 的账户，2025 年 1 月入驻 Polymarket。它热衷于围绕天气预测下注，盈利超过 7 万美元。还有人发现，一个仅交易伦敦天气市场的机器人，在不到一年的时间里，把 1000 美元变成了 2.4 万美元。

其中的核心逻辑是，预测市场对突发天气变化的反应往往滞后。理论上，如果你有一个灵敏可靠的 AI Agent，比如给 OpenClaw 装上天气插件，就可以在官方气象预报更新后，对未及时调整赔率的盘口下注。

但这还不够 AI。随着大模型的演进，机器人不该只是识别天气预报这类显而易见的信号，而应该至少在某个智能的维度，做点人类做不到的事情。

事实上，AI 的确在预测市场展现了更诱人的能力。

一篇关于 “LiveTradeBench” 的论文做了基于真实世界实时数据进行的 “模拟交易”。在 Polymarket “2025 俄乌停火” 的盘面上，大模型靠自己的推理和预测，就有机会大赚一笔。

案例是这样的：

去年 10 月，泽连斯基访问白宫并提出 “无人机换战斧导弹” 的交易提案，Grok-3 进行了 “基于信念的推理（belief-basedreasoning）”，将内部预估的停火概率从 0.15 动态上调到了 0.22，同时它注意到，当时 “YES” 合约的价格大幅跳升至 0.18。这形成交叉验证，于是，Grok-3 判定该合约存在被低估的套利空间，确立了坚定做多并持有的策略。而最终该合约的市场价格稳步上涨，让它有机会获利。

但 Grok 还不是表现最好的。

上述论文测试了 21 个主流大语言模型在金融市场的表现，同时涵盖了美国股市和 Polymarket 预测市场。其中，Claude-Sonnet-3.7 在 Polymarket 的表现一骑绝尘。它在 50 个交易日的观测中，实现了 20.54% 的累计回报率。其最大回撤为 10.65%，也大幅领先市场平均水平。

1

在 “捡钱” 故事背后

上面的实验比机器人套利的财富故事更值得关注，它们至少提示了一种新的可能。如果说 0x8dxd 们靠的是速度和抢跑，那大模型的出现，把另一张底牌摆上了桌面，那就是推理本身，也能成为武器。

之后的自动交易机器人分工很可能是，大模型负责判断，把零散信息压缩成概率结论；OpenClaw 这类工具负责执行，把这个结论变成实际的下单操作和仓位管理。过去只有量化基金才玩得起的事，现在个人开发者也能搭起来。

这意味着预测市场的竞争维度，正在出现变化。

在传统预测市场，人类靠的是经验和直觉。在高频套利时代，机器靠的是速度和纪律。现在推理能力也被程序化，真正的门槛变成了，谁更擅长把复杂信息转化成准确的概率。

于是又有人浮现出新的幻想：如果自己有一只足够聪明可靠的龙虾，就有机会把 Polymarket 变成印钞机了。

可惜，理论和实践还有不小的差距。Prophet Arena 是一个用于评估 AI 预测能力的平台，基于它的研究揭示了一些不可忽视的风险。

首先，大模型的预测能力并不稳定。顶尖模型在开放域预测上可以接近甚至超过市场共识，但” 猜得准” 和” 赚得到” 是两回事。预测精度提升，不会自动变成持续的超额收益。

其次，时间窗口是个现实的挑战。一个事件越接近出结果的时候，突发信息的冲击越密集，而模型在这种阶段往往偏保守，概率调整慢，人类市场的反应速度更胜一筹。

再者，大模型容易被噪音带偏。一条情绪化的新闻、一波社交媒体异动，都可能让模型的概率判断大幅摆动。相比之下，有经验的人类交易者反而有更强的锚定感，不那么容易被短期噪声冲垮。

此外，OpenClaw 类框架通常要求导入私钥与交易权限，各种安全问题也可能悄然掏空账户。

所以，与其期待 AI+OpenClaw 会对预测市场形成降维打击，不如关注它将给这个市场带来的深层影响。当 AI 驱动的 Agent 会越来越多，价格变化对信息的反应越来越快，而这反倒可能会消除自动套利的幻想。

一旦机器人或者龙虾们泛滥，套利的窗口只会越来越窄。到时能否持续盈利，不会取决于你是否拥有一只更聪明的龙虾，而要看你是否理解自己承担了怎样的风险。

AI 能替人类为赌局下注，但承担后果的，还得是人类自己。

龙虾（openclaw）不是工具，你才是

@木遥：大多数人面对的「安装好🦞却不知道应该干什么」的问题
不是一个梗，而是一个更本质的事：
大多数人就不是霸道总裁，其实不需要秘书。

今天的🦞能干的事，还停留在边角料的层面：帮着定个闹钟，写个日志。当然你可以用它写代码，但都要写代码了的话，那显然还是直接 codex 更好。
这和人对「AI 秘书」的想象相比，属于似是而非。

人想象中需要秘书，是因为生活中很多事情靠自己摆不平。亲人住院了需要床位，希望自己像小说里的主角一样，打个电话就有手下人给安排好。但这显然不是🦞能做的，不是因为智能水平不够，而是因为这就不是个智能问题，瓶颈不在于秘书。再过一年，🦞能力翻倍了，床位就有了吗？显然该没有还是没有。

但🦞智能翻倍之后，你固然可以靠龙虾完成大多数工作了，你的雇主为啥还需要通过你来调用🦞来完成这些工作呢？等🦞可以正式上岗了，你就会发现医院的床位更订不到了。

所以我建议大多数人还是应该装个🦞玩一下，不是为了体验一把自己一挥手就调用百万代理大军干活的乐趣，而是为了体验一下自己的老板一挥手就调用百万代理大军干活的乐趣。不要被贩卖焦虑的自媒体忽悠了。当务之急不是「用好🦞」，而是「提前理解自己是怎么被🦞取代的」。

做好心理准备，才能更好面对接下来的生活。🦞不是工具，你才是。

Anthropic 用自己的真实使用数据构建了一个新的「职业暴露度」衡量工具

@信号与噪声：Anthropic 用自己的真实使用数据构建了一个新的「职业暴露度」衡量工具 —— 发现 AI 实际渗透率远低于理论上限，

如计算机 / 数学职业，理论上 94% 任务可被 LLM 辅助，

实际覆盖率只有 33%🤔

报告中其中暴露度最高的三个职业是：程序员、客服人员和数据录入员；零暴露组（30% 的劳动力）例如厨师、摩托车技师、救生员、调酒师、洗碗工 —— 这些职业的任务在 Claude 数据中出现频率太低，未达到最低阈值！

受 AI 冲击最直接的，是教育水平更高、薪酬更高的白领职业。尤其是女性（+16%）、亚裔（近 2 倍）、受过更高教育薪酬更高（+47%）的人群，研究生占比是低暴露组的 4.5 倍。

值得庆幸的是，当前就业数据中尚未出现系统性失业上升，但有一个令人担忧的早期信号：22-25 岁年轻人进入高暴露职业的入职率下降了约 14%！最受伤的其实是刚准备进入职场的年轻人 。

 

善战者无赫赫之功

本文来自微信公众号： 周喆吾 ，作者：周喆吾

先问一个问题：

唯品会的创始人是谁？

大概率答不上来。

但唯品会是一家年营收超过一千亿人民币的公司。连续盈利十年，在纽交所上市，中国电商领域活得最久、活得最稳的玩家之一。

创始人叫沈亚。

沈亚是谁？长什么样？说过什么名言？上过什么综艺？

都没有。什么都没有。

但你一定知道雷军、罗永浩、蔚小理…

这些名字你如数家珍，因为他们的故事足够戏剧化。有野心，有冲突，有陨落，有反转。媒体喜欢写，读者喜欢看，流量就来了。

而沈亚这种人，没有故事。或者说他的故事太无聊了，不值得写。一个温州商人，早年做外贸，后来做线上品牌折扣，找到了一条路就一直走，不扩张到自己不懂的领域，不讲改变世界的大话，不搞发布会，不上封面，不融天文数字的钱然后烧掉。就是闷头做生意。赚到钱，再投进去，接着赚。

没有高潮，没有低谷，没有可供传颂的英雄时刻。

但他还在场。而那些你记得名字的人，很多已经不在了。

笔者做了快二十年企业，越来越觉得一件事很荒谬。我们这个时代最推崇的商业故事，几乎全是关于英雄的。某个天才创始人，车库里灵光一现，融了几轮天文数字的钱，烧出一个改变世界的产品，然后敲钟上市，功成身退。媒体爱写这个，投资人爱讲这个，创业者爱听这个。

但你冷静下来想想，这套叙事里藏着一个巨大的幸存者偏差。你能叫出名字的那些英雄公司，绝大多数已经死了，或者正在死。

而真正在闷声赚大钱的，你大概率连名字都没听过。

这件事困扰了笔者很多年。后来慢慢想明白了，这不是巧合，这是规律。甚至可以说，无聊本身就是一种竞争优势。被忽视本身就是一道护城河。

这话听着反直觉，但请你耐心往下看。

一、李牧的耐心

笔者年轻时读《史记》，最喜欢项羽。破釜沉舟，何等豪迈。后来创过几次业，亏过钱，在现金流承压的边缘走过几个来回，再翻开《史记》，最喜欢的人变了。

变成了李牧。

李牧守赵国北疆，对面是匈奴。他做了一件当时看来极其窝囊的事，就是不打。每天杀牛宰羊犒赏士兵，练射箭，练骑术，练编队，但死活不出战。匈奴来了就关门，匈奴走了就继续练。

一年，两年，好几年。

赵王受不了了，觉得这人占着茅坑不拉屎，换了个将领。新将领很勇猛，匈奴来了就干，天天小规模接触战，互有伤亡，疲于奔命，灰头土脸。

没办法，又把李牧请回来。

李牧回来照旧，还是不打。继续练兵，继续关门。匈奴渐渐松懈了，觉得这就是个缩头乌龟。

然后李牧出手了。就一次。

灭匈奴十万余骑。灭襜褴，破东胡，降林胡。北疆安定了十几年。

不战则已，一战而定。

兵者凶器也，战者逆德也，不得已而用之。战争的目的从来不是打赢一场仗，而是打完之后天下太平，不用再打。你若赢了一百场还得接着打，到底赢了什么？

笔者后来越来越觉得，这不只是兵法，简直就是做企业的至理。

你的公司如果每个季度都在打仗，救火式地做项目、补窟窿、熬通宵，每一次都像生死存亡，每一次你都英勇地挺过来了。那恭喜，你是项羽，勇猛赴死。

真正强大的公司不是这样的。真正强大的公司嗡嗡运转，像一台调教好的发动机。从外面看，无聊得要死。从里面看，是一台复利机器。

唉，可惜要吃很多亏才能明白这件事。

二、三种命运

做企业这些年，笔者把公司粗略分成三类。

第一类，出了大名，但方向是错的。

声量巨大，融资额惊人，发布会搞得像演唱会，创始人上遍各种封面。Clubhouse 红极一时还记得吗？Quibi 花了十几亿美金，上线就活了六个月。WeWork 巅峰时估值四百七十亿，Adam Neumann 大概是全世界最会讲故事的人。

共同特征就一个：把注意力当成了护城河。媒体热度是 KPI，不是现金流。聚光灯一灭，什么都不剩。

善战者无赫赫之功。反过来说，赫赫有名的，往往并不善战。

第二类，出了名，方向也对，但满大街都看到了。

机会是共识性的，所有聪明人全看到了，结果就是一场又一场的消耗战。当年中国千团大战，抢同一块肉，打到最后只剩美团，也是遍体鳞伤。美国网约车，Uber 和 Lyft 合计烧了百 $B。方向是对的，但超额收益被竞争吃掉了。

第三类，Contrarian and Right。

Peter Thiel 问过一个著名的问题：什么是你深信不疑、但绝大多数人不同意的真相？

第三类公司就是找到了这样一个真相。他们做的事，在聪明人看来像是个馊主意。所以没人竞争，没人报道，没人试图来颠覆。

隐身本身就是护城河。

没人跟你抢，你就有时间慢慢练兵，慢慢修城墙，慢慢复利。等别人发现你的时候，你已经是一艘航空母舰了。

Oracle 是穿越周期的教科书。

你去问任何一个硅谷的年轻工程师怎么看 Oracle，十个里面九个翻白眼。老旧，臃肿，官僚，创新的坟墓。没有人觉得 Oracle 酷。科技媒体每隔两三年就要写一篇 Oracle 即将被颠覆的文章。先是要被开源数据库颠覆，后来要被云原生颠覆，再后来要被 NoSQL 颠覆。写了二十年了，Oracle 一直在被颠覆，一直没死成。

不但没死，市值还悄悄爬过了四千亿美元。

Larry Ellison 这个人，硅谷不待见他。觉得他张扬，觉得他好斗，觉得他没有乔布斯的品味也没有扎克伯格的极客范。他不是那种让你觉得在改变世界的 CEO，更像一个穿着帆船服的军火商。媒体写他，多半是写他的游艇、他的岛、他的离婚。很少有人认真去写他的生意到底是怎么运转的。

但你仔细看 Oracle 到底在干什么，会发现一件极其朴素的事。它把自己的数据库和企业软件，像树根一样扎进了全世界最大那些机构的地基里。银行，电信，政府，医院，航空公司，最核心的系统跑的是 Oracle。

要把 Oracle 从一家财富五百强公司的底层架构里拆出来，会是一个耗时数年、花费数亿美元的大工程，所以没人拆。大家骂归骂，钱照付，许可证照续，维护费年年涨，照交不误。

不靠你喜欢，靠你离不开。

然后 Oracle 还在不停收购。PeopleSoft、Siebel、Sun、Cerner，一家接一家买下来，把企业客户的更多环节锁进自己的生态里。每收购一家，转换成本就高一层。每高一层，客户就更走不掉。

最讽刺的是什么呢。当所有人都在谈 AI 的时候，Oracle 悄悄成了云基础设施领域增速最快的玩家之一。不是因为它技术最先进，是因为那些已经长在 Oracle 上面的企业客户，做 AI 的时候最省事的选择就是留在 Oracle 的云上。别人要从零获客，Oracle 只需要让老客户多买一项服务。

但 Oracle 毕竟还是一家人人知道名字的公司。笔者今天真正想聊的，是那些更安静、更深层、你大概率这辈子都不会在任何科技媒体上看到的公司。

它们才是这条逻辑的极致体现。

三、四个隐形冠军

接下来笔者要认真聊四家公司。它们分布在不同国家，做着完全不同的事情。但你仔细看，底层逻辑惊人地一致，像是同一张图纸的四个变体。

亨利・辛格尔顿与 Teledyne：祖师爷

如果只选一个人来代表这条路的开山之祖，笔者选 Henry Singleton，亨利・辛格尔顿。我已经好几篇文章写他了。

这个名字你大概没听过。但巴菲特说过，辛格尔顿的运营和资本配置记录是美国商业史上最好的。芒格称他为最高级别的天才。

MIT 电气工程博士，二战时做雷达研究，1960 年创办了 Teledyne。之后三十六年，他把一家小电子公司变成了美国商业史上最被低估的传奇。

他几乎从不接受采访。没写过回忆录。没发过宣言。今天你在网上能找到的他的照片，一只手数得完。

世间真正厉害的人，往往就是这个样子。不言，不辩，不自矜。事了拂衣去，深藏身与名。

六十年代，Teledyne 的股票市盈率高，辛格尔顿的逻辑简单而凶狠：既然市场愿意为我的股票付高价，那我就用股票去换实实在在的东西。十年之内收购了超过一百三十家公司。航空电子，特种金属，海底钻探，保险，半导体，无人机，什么赚钱买什么。

但他不是在学 GE 搞大帝国。没有庞大的总部，没有集团文化建设，没有统一品牌。每一家子公司自己管自己。Teledyne 的总部员工不到五十人，管着几十亿美金的收入。

到了七十年代，市场风向变了，集团企业（Conglomerate）不受待见了，Teledyne 的股价跌了。辛格尔顿做了一件当时几乎没有任何 CEO 做过的事：回购自家股票。

不是意思意思买一点。是大规模地买。十二年间，通过八次公开要约，他回购了 Teledyne 大约百分之九十的流通股。

这个数字值得再读一遍。百分之九十。

1963 年投一块钱进 Teledyne，到 1990 年值一百八十块。相对 S&P 500，超额回报二十九倍。

他的公司做什么？特种合金，航空仪表，保险浮存金，工业机床，海洋勘探设备。全是些无聊透顶的东西，没有媒体能讲出什么激动人心的故事。

但这恰恰就是目的。辛格尔顿从来不追求看起来厉害，他只追求实实在在的复利。他在黑暗中默默回购股票的时候，比任何一个上杂志封面的 CEO 都强大一万倍。

他证明了一件事。最有权力的 CEO，不是站在聚光灯下的那个人，而是在所有人不注意的时候默默增持的那个人。

唯大英雄能本色，是真名士自风流。

TransDigm：航空业的收费站

如果辛格尔顿是祖师爷，TransDigm 就是把这套心法在一个特定行业里推到了极致的狠角色。

TransDigm 成立于 1993 年，创始人 Nick Howley 和一帮私募基金出身的人。它的策略简单到让商学院学生觉得不太体面：收购那些拥有独家专利的航空零部件制造商，然后把定价优化到极致。

说白了就是，找到某架飞机上某个执行器、某个门闩、某个驾驶舱显示器的唯一供应商，买下来，涨价。然后找下一个，重复。

为什么这能行？因为航空业有一道其他行业几乎不存在的天然壁垒，就是 FAA 认证。美国联邦航空管理局对飞机上每一个零件都有认证要求，重新认证要花好几年、花好几百万美元。没有任何航空公司会为了在一个门闩上省几千块钱而走一遍重新认证的流程。换供应商的成本，远远超过零部件本身的价钱。

这意味着每一个 FAA 认证过的独家零件，事实上都是一个微型垄断。TransDigm 不需要创新，不需要做营销，不需要讨好谁。它只需要拥有这个零件，保住认证，然后定价。

结果就是利润率长期在百分之四十五以上，放在全球工业公司里基本没有对手。

TransDigm 至今做了九十多次收购，每一次的套路几乎一模一样。识别目标，收购，应用自己那套价值驱动方法论，提取现金，投入下一次收购。他们自己的说法是，把私募基金的做法搬到了上市公司里。每一个业务单元都当独立的投资标的来经营。

TransDigm 挨过不少骂。美国国防部督察长指控他们在军事合同上牟取暴利，有一个案例，一根半英寸的金属销，加价率九千四百倍。他们被国会叫去作证。媒体给他们贴了各种标签，什么价格屠夫，什么战争奸商。

股价呢？2006 年上市时大约八块钱一股，到 2024 年超过一千三百块。

18 年，一百六十倍。

TransDigm 做的东西是门闩、执行器、点火系统、驾驶舱安全装置、电池充电器、液压泵。你在任何一场饭局上说出 TransDigm 三个字，不会有任何人眼睛发亮。

但这就是它的保护伞。从来没有任何硅谷风投试图去颠覆 FAA 认证航空门闩这个市场。谁觉得这玩意儿性感呢？没人觉得。所以没人来。性感不性感这个过滤器，本身就是护城河。

TransDigm 不在乎别人怎么说它。舆论不是护城河。FAA 认证才是。

天下之至拙，能胜天下之至巧。

做企业到最后你会发现，最笨的办法往往最结实。

Constellation Software：安静地吞噬一切

如果说 TransDigm 的故事多少还有些戏剧性，被国会质询什么的，那 Constellation Software 就真的是安静到极致了。安静到你找不出任何可供渲染的桥段。而这恰恰是它可怕的地方。

Mark Leonard，1995 年在多伦多创办 Constellation Software。以某些标准来衡量，他是加拿大历史上最成功的科技公司掌门人。

他从未出现在任何播客上。三十年来大概只接受过两三次公开采访。网上几乎找不到他的视频。他跟股东沟通的唯一方式，是每年一封致股东信，写得极其浓密，极其精彩，读起来像资本配置方向的学术论文。

Constellation 的市值，到 2025 年年中，大约七百五十亿加元。绝大多数科技爱好者从未听过这个名字。

他的策略一句话就能说清楚：把所有无聊的行业软件都买下来。

Constellation 收购的对象叫做垂直市场软件公司，就是只服务某一个具体行业的小型软件企业。

你想象一下它的投资组合：管公共交通的软件，管高尔夫球场的软件，市政自来水收费系统，殡仪馆管理软件，汽车经销商管理软件，图书馆管理软件。

每一家公司单拎出来都很小，通常年收入一百万到五千万美元之间。但每一家在自己那个细分市场里几乎都是唯一的选择。高尔夫球场管理软件这个市场，大不到能吸引第二个有钱的竞争者进来，但小不到养不活一家利润丰厚的软件公司。

这就是所谓的利基垄断，小池塘里的大鱼。

Constellation 至今完成了超过七百次收购，分布在六个业务集团之下，各自运营，各自做主。

收购门槛极其严格。每一笔交易都必须满足特定的回报率要求。Leonard 在致股东信里用近乎学术级别的严谨来推导这些数字，一般人读着会头疼，但懂行的人读了会起鸡皮疙瘩。

他们几乎从不卖出已经收购的公司。进了 Constellation 的门，就永远留下。

这些行业软件的自然增长并不快，一年也就中个位数。但魔法不在增长，在循环。现有业务产生现金，现金用来做新的收购，新收购产生更多现金，更多现金再做更多收购。如此往复，永不停止。

为什么这些行业软件的客户粘性这么高？道理跟 TransDigm 的航空零件一样，是结构性的。一个小城市用了十五年的水费收缴系统，不会为了每年省两万块钱去换一套新系统。光是员工重新学习的成本就够呛。所以客户流失率极低，年化通常不到百分之五。收入是经常性的，现金流是可预测的。

Constellation 的总部极其精简，各运营公司自己管自己，总部就做一件事，以冷酷的纪律分配资本。

这跟辛格尔顿的 Teledyne 哲学几乎一模一样。Leonard 本人也公开引用过辛格尔顿是他的师承。

自 2006 年上市以来，这只股票的年化复合回报大约在百分之三十以上。放在全球科技领域，这是最伟大的财富创造故事之一。但在任何一个最佳科技公司的榜单上，你都看不到它。

因为它没有消费级产品，没有 App，没有品牌知名度，没有明星 CEO。它拥有的那些小公司，只有各自行业内的客户才认识。

善藏者，人不可知。七百次收购，三十年复利，无声无息。

笔者每次读 Mark Leonard 的股东信，都有一种奇特的感受。就好像在看一个极其内敛的老手艺人，不声不响地把手里的活做到了极致。他不需要你知道他是谁。他知道自己在干什么就够了。

这种定力，说实话，比任何商业技巧都难学。

Bending Spoons：米兰的幽灵

最后这个案例，可能是四个里面最违反直觉的。

Bending Spoons，2013 年成立于意大利米兰。光是这个地点就说明了很多，离硅谷的叙事场有九千公里。

到 2024 年，这家公司年收入已经超过六亿美元，利润率高到让绝大多数做软件的创始人绝望，而团队规模相对于收入来说小得离谱。

它的策略用最直白的方式描述就是：收购那些用户量大但变现差或者成本臃肿的消费级 App，然后极其狠辣地优化。

重大收购包括 Evernote、Meetup、AOL 美国在线、Eventbrite。

Evernote 的故事值得展开说说。

Evernote 曾经是硅谷的宠儿。效率博主人手推荐，科技记者交口称赞。融了超过两亿九千万美元风险投资，估值超过十亿美元。创始人把它描绘成一家要做一百年的公司。

然后就慢慢膨胀，慢慢迷失了。产品线铺得太开，成本收不住，文化飘忽，增长停滞。到 2023 年，只剩一个空有情怀、没有利润的壳子。

Bending Spoons 以远低于巅峰估值的价格把它买了下来。

接下来发生的事情，按硅谷的标准叫做屠杀。大面积裁员，原来的团队基本清空，运营迁移，变现体系彻底重做。

科技媒体炸了。推特上全是悼词。

有人写了长文哀叹 Evernote 灵魂已死。

Bending Spoons 不在乎。他们在乎的就一件事：单元模型。

这就是它反复使用的剧本。收购一个被人喜爱但经营得一塌糊涂的产品，把情感包袱剥干净，注入冷冰冰的经济逻辑，提取价值。

外面的人每次都骂，说他们在掏空产品，在杀死灵魂。

财务报表每次都漂亮。

在米兰而不在旧金山，这件事并非偶然。它意味着 Bending Spoons 完全处在硅谷回音室之外。没有社交压力让你去优化叙事、使命、文化手册。

优化目标就一个：DCF。

他们在地理上和文化上，对那些写科技故事的人来说是隐形的。

你退一步来看就会发现，Bending Spoons 对 C 端 App 做的事情，跟 Constellation 对 SaaS 做的事情，和 TransDigm 对航空零件做的事情，本质上完全一样。收购有粘性或者有用户惯性的产品，优化经济模型，复利。

叫法不同，算法相同。

世间生意做到深处，道理其实就那么几条。翻来覆去，万变不离其宗。只不过大多数人被花样迷了眼，看不到底下那个朴素的骨架。

四、还有一大群无聊的怪物

你以为上面四个是特例？不是。这个模式遍地都是，笔者随手再列几个，你感受一下。

Danaher，用一套脱胎于丰田精益生产的管理方法论，收购并优化了几百家工业和生命科学企业。从八十年代一家不起眼的房地产公司，做到了市值超过一千八百亿美元。掌舵的 Rales 兄弟，在投资圈外面基本无人知晓。

HEICO，有人叫它另一个 TransDigm。家族控制的航空零部件公司，专做官方认证的替代件，价格比原厂便宜，争议也比 TransDigm 小。但同样隐身，同样复利。自 1990 年以来股价回报超过四万五千倍。你没看错，四万五千倍。

Roper Technologies，起步时是一家卖工业泵的公司，后来转型成一个轻资产的利基软件和技术企业组合。市值大约六百亿美元。工业投资圈以外的人，说不出 Roper 旗下任何一家子公司的名字。

Verisign，运营.com 和.net 域名的权威注册库。说穿了就是互联网上的一座收费站。大约十四亿美元收入，运营利润率百分之六十五左右。就两个产品，几乎没有竞争对手，几乎没人想到过它。

Copart，全球最大的线上车辆拍卖平台，专做报废车和事故车。说难听点就是废品站的生意，搬到了网上。市值大约五百亿美元。二十年持续复利。无聊到没人注意。

Cintas，工服租赁和职场用品。1968 年成立。市值大约七百五十亿美元。给你家楼下汽修工洗工服的公司，比大多数热门科技公司都值钱。这事你琢磨琢磨。

Fastenal，卖螺母、螺栓、紧固件。在工厂里放自动售货机卖螺丝。市值大约四百亿美元。无聊的字面定义，复利的字面定义。

Rollins，做害虫防治的。你可能知道 Orkin 这个品牌，就是它旗下的。市值大约两百亿美元。杀虫子，复利资本。

这些公司没有一家会出现在任何最具创新力公司的榜单上。它们的创始人不会被邀请上 TED。它们不会拍品牌宣传片让你 Think Different。

但它们一直在赚钱。一直在复利。一直在悄无声息地变大。

笔者有时候看着这些公司的名单，心里会涌起一种很复杂的情绪。觉得自己年轻时追逐的那些热闹，真是白白浪费了好多年。

不过话说回来，不吃那些亏，也悟不到这一层。

世事大抵如此。

五、所以规律到底是什么

做了这些年企业，看了这些案例，笔者慢慢攒下来一些东西。算不上什么宏大理论，更像是打过仗之后身上留下的几道疤。每一道对应一个教训。

第一条，到微型市场里去找垄断。

上面所有这些公司的共性就这一个。找一个小到资金雄厚的竞争者懒得看的市场，做到唯一，把转换成本变成结构性的壁垒。要么是监管壁垒，像 FAA 认证。要么是合同壁垒，像长期的软件服务协议。要么是习惯壁垒，用了十五年的系统谁舍得换。然后在这个小池塘里安静地复利。

不用征服世界。征服一个没人在乎的小池塘就行。然后征服下一个。积小胜为大胜。

第二条，隐身是武器，不是耻辱。

上面每一家公司都受益于被忽视。没有颠覆叙事吸引风投来竞争，没有记者写报道去提醒巨头注意。无人问津不是问题，是优势，是承重墙。

笔者见过太多创始人把被媒体报道当成 KPI，把有声量当成有壁垒。这是最昂贵的幻觉。真正的壁垒是安静的。认证门槛，转换成本，规模效应，网络效应。这些东西从来不上头条。

第三条，抓 DCF（现金流折现）。

从 Teledyne 到 Constellation 到 TransDigm 到 Bending Spoons，这条路被摸索和迭代了六十年。底层逻辑从未变过。买入现金流稳定的利基业务，以纪律运营，把产生的现金投入下一次收购，永不出售，永不停止。

这不是天才的灵光一现，这是一台机器。能学，能复制，能迭代。难的不是理解这个逻辑，难的是十年如一日地执行而不分心。世间多少好策略，败就败在一个耐不住上。

这就是辛格尔顿模式。它有效，是因为它把 ego 从执行中剔除了。没有集团大战略的 PPT，没有协同效应的演讲，没有 CEO 跑到各个子公司巡回视察刷存在感。总部存在的唯一理由：决定钱往哪里去。

大道至简，往往简到你不信。

最后，别理叙事：TransDigm 被叫价格屠夫，Bending Spoons 被叫产品杀手，Constellation 被叫无聊。它们没有一家因为外界评价而改过策略。

股价是唯一的新闻稿。

六、尾声

笔者年轻时想当关羽。一人一马一刀，千军万马中取上将首级。何等壮烈。

后来想当诸葛亮。羽扇纶巾，运筹帷幄，决胜千里之外。何等聪明。

现在只想当李牧。

关上门，练兵，不说话。让对手觉得我怂，让媒体觉得我无聊，让同行觉得我没野心。

然后等时机到了，一战而定。

不求掌声，求杠杆。

不求风光，求活着且在赚钱。

让竞争对手写新闻稿去吧。市场奖励戏剧性，文化奖励戏剧性，社交媒体奖励戏剧性。

复利奖励沉默。

在他们还在讨论你是不是真的厉害的时候，你已经把钱赚完了。

行矣。不言之教，无为之益，天下希及之。

是以，善战者无赫赫之功。

未来没有人能一直 “更懂技术”，认错认得快，进步才能快

@清月已经不困了：这几天这张图挺火，正好最近都在观察 AI 圈的内容，有点感想。
在任何一个时代建立起自己的护城河都是必要的，但是千万不能把自己的核心价值押注在补足某个具体模型的能力的缺口上。
因为模型能力在指数级推进，或许今天用工程技巧补上的洞明天就被基础模型抹平了。
目前来看我觉得最容易塌的护城河就是：
1.prompt 工程
2. 复杂规则补丁
3. 针对当前模型的 workaround
这些事本质是建立在模型暂时做不到的之上的。
我觉得最重要的是复杂系统的编排能力还有谁能更快认错。
什么意思呢？虽然模型会越来越强，但是现实世界是有数据孤岛、组织阻力、权限问题、习惯成本等一系列问题的，模型会降低知识门槛，但是复杂的现实世界并不会变得简单，所以谁能在高复杂度环境中抽象 - 简化 - 组合 - 决策，谁就会有护城河。
还有一点很关键的就是求知心态，因为当世界在指数级变化时，固化经验会变成负资产，更新迭代速度才是正资产。
未来没有人能一直 “更懂技术”，认错认得快，进步才能快。

三年前 OpenAI 预测不会被 AI 影响的职业，正以 4 倍速被残酷碾压

2 月 27 日，美国金融科技公司 Block 宣布裁员 40%，约 4000 人，以全面转型为 AI 公司‌。AI 概念戏剧性地导致其股价暴涨超 20%。这家在硅谷算不上举足轻重的公司的案例，却透露出 AI 快速发展可能引发的经济连锁反应。

在这背后，有一个数字，在过去三年被改写了四次。

2023 年 3 月，OpenAI 说：美国约 19% 的工人会看到超过 50% 的工作任务被 AI 影响，这个过程需要十年。

2026 年 1 月，Cognizant 说：这个比例已经是 30%，而现在距离 ChatGPT 发布才三年。

同一个月，斯坦福数字经济实验室在分析了 2.85 亿条招聘广告后发现：AI 高暴露度行业的入门级岗位招聘量下降了 18%-40%，而资深员工的需求在上升。

如果你还在用”AI 会不会抢走人类工作” 这个二元问题来理解这场变革，你已经落后了。真正在发生的不是岗位的消失，而是劳动力市场结构的熔断：入口在关闭，中间层在塌陷，而站在塔尖的极少数”AI 驾驭者” 正在收割一切。

更可怕的是，根据 Citrini Research 对 2028 年的推演，这场撕裂才刚刚开始。

2023 年的刻舟求剑与 2026 年的凛冬骤至

把时钟拨回 2023 年 3 月，ChatGPT 刚刚引爆全球。OpenAI 的研究人员联合多所大学发表了一篇里程碑式的论文、《GPTs are GPTs》（生成式预训练模型是通用目的技术）。

当时，OpenAI 的团队采用了一套基于任务暴露度（Exposure）的评分模型。他们得出的结论是：美国约 80% 的劳动力至少有 10% 的工作任务会受到 GPT 的影响，而约 19% 的打工人会看到超过 50% 的任务被波及。

更有意思的是，他们发现了一个「高薪悖论」，与过去几十年自动化技术（如机械臂）总是最先淘汰蓝领工人不同，GPT 时代，薪酬越高的认知型工作，暴露度反而越高。 在技能树上，编程和写作技能与 AI 暴露度呈强正相关，而科学和批判性思维则被认为是「安全区」。

在那个时间节点，研究人员明确标注了一个局限性：他们没有将视觉等多模态能力计算在内。他们那时候甚至都没考虑到工具使用能力。

在 2023 年的框架里，AI 仍然是一个被困在屏幕里、只懂处理文本和代码的缸中之脑。他们给出的上限预测是，这场重构可能需要长达十年的时间（到 2032 年）才会彻底展开。

时间来到 2026 年初，全球 IT 服务巨头 Cognizant 发布了他们对 2023 年研究的更新报告《新工作，新世界 2026》。

报告的开篇就表明「我们原本预测需要十年（到 2032 年）才会发生的事情，现在已经提前六年就在我们眼前上演了。」

数据显示，今天美国已有 93% 的工作受到 AI 不同程度的影响。

Cognizant 用了一个指标叫「速率得分」（Velocity Score），说白了就是你的职业被 AI 吃掉的速度有多快。

如下图所示，此前所有职业的 AI 暴露度年均增长 2%，现在已经跃升到 9%，相当于加速了 4.5 倍。这意味着，那些在 2023 年看起来属于「AI 动不了我」的职业，现在正以 4 倍速度被卷进来。

具体到岗位上，任务暴露度超过 50% 的岗位比例从 2023 年的 0% 飙升至 30%（原预测 2032 年仅为 15%），而所有任务至少暴露 25% 的岗位则增长了 17%，达到 69%。

Cognizant 测算，仅在美国，这相当于将价值 4.5 万亿美元的人力劳动成本转移给了 AI，约占美国 GDP 的 15%。

这种加速是从哪儿来的呢？

报告用了一个很细的分类，描绘了不同暴露度的分层。

E0 (No exposure) – 完全不暴露，32% 的任务

E1 (Direct exposure) – 直接用 GPT 就能省一半时间，10% 的任务

E2 (LLM+ tools) – 需要配套软件但可行，17% 的任务

E3 (With image capability) – 加上视觉能力后可行，17% 的任务

Full automation – 完全可自动化，10% 的任务（这是 2023→2026 最大的跃升，从 1% 到 10%）

从这个分类我们就可以看到，从 E1 到 E3，也就是 LLM 加上多模态（眼睛与耳朵）和高级推理（大脑）以及随之而来的 Agentic AI 智能体（手与脚）带来的改变最大。单纯的 ChatGPT 其实影响有限（10%），但一旦 Agent 能使用专业工具，影响就扩大到 27%，再加上视觉处理的范畴，则直接覆盖到了 44% 的工作。

比如一个修水管的工人，AI 单独看或想都替代不了他，但当 AI 能「看懂漏水的位置 + 推理出可能的原因 + 生成维修方案 + 自动下单配件」，那他的工作就被重构了。虽然还得他去拧螺丝，但前期诊断和后续报告都不需要他了。

这种复合能力的爆发，导致了几个在 2023 年无法想象的后果。

第一，管理层不再安全。 曾几何时，CEO 和高管们认为协调、预算分配和决策是人类独有的。但在 2026 年，Agent 能够自主安排日程、根据支出模式重新分配预算、追踪项目进度。Cognizant 的数据显示，CEO 的 AI 暴露度从 25% 飙升至超过 60%。

第二，蓝领与物理世界的防线被渗透。 建筑工人、机械师和水管工曾被认为是 AI 无法触及的低风险区。但在多模态和 AR 穿戴设备的加持下，AI 现在能够分析现场照片以诊断管道泄漏，或者读取建筑蓝图。建筑业的 AI 暴露度从 4% 上升到了 12%，交通运输业从 6% 暴涨至 25%。 一个水管工不会失业，但他未来的工作方式是被 AI 头显直接指挥的。

按可由 AI 完成的任务百分比排名，Cognizant 选出了受 AI 影响最大的六个职业。

排在榜首的是财务经理，84% 的工作内容可以被 AI 接手。换句话说，财务规划、预算分析、风险评估这些核心任务，AI 都能插上一手。

计算机和数学相关职位紧随其后，受影响程度达到 67%。商业和财务运营、办公室和行政支持这两个大类都在 60% 到 68% 之间。法律职业 63%，管理工作（包括高管层）60%。

过去几个月，软件开发领域的变化尤其明显。Anthropic 的首席工程师鲍里斯・切尔尼（Boris Cherny）今年 1 月透露了一个令人惊讶的数字：他们公司几乎 100% 的代码，都是由自家 AI 产品 Claude Code 和 Opus 4.5 编写的。

「就我个人而言，我已经有两个多月没亲手写过代码了，连小修改都不做。」切尔尼说，「昨天我提交了 22 个拉取请求，前天提交了 27 个，每一个都是 Claude 写的。」

当然，他们发现 34 个职业完全没有任何任务暴露。这些职业清一色是纯体力、现场、手工活：砌砖工、屠宰工、洗碗工、石匠、轮胎修理工…

这些变化，可能意味着劳动力市场的极化会加剧。

高技能的人用 AI 变得更高产，低技能的人困在无法自动化的低薪苦活里，中间那批能自动化但还没完全自动化的中等技能白领工作最危险。

而这正是在当下招聘市场中真实发生的事。

大数据不会撒谎：入口已经关闭，中间层正在塌陷

预测看起来很紧迫，但在过去现实中的劳动力市场到底发生了什么？

当我们把目光转向由 Lightcast、PwC、Indeed、Stanford 等机构汇编的过去三年（2023 年 - 2026 年）的在线招聘广告大数据时，会发现很多符合预言的部分。

报告当时预测，高工资职业普遍展现出更高的暴露度，并且暴露度与职业所需的编程和写作技能正相关，与科学和批判性思维技能负相关。这些在招聘广告数据里都得到了验证。

而且方向也大体正确，即越是知识密集、文本密集、规则密集的工作，AI 渗透越快；越是需要物理操作、现场判断、人际互动的工作，暴露度越低。

被超越的部分是速度。2023 年的报告预测这些变化会在十年内展开，结果三年就看到了显著的结构性变化。更重要的是，报告当时强调我们的暴露度测量不区分劳动增强和劳动替代，言下之意是技术可行不等于实际采用。但现实是，企业的采用速度比学术界预期的快得多。

深入去看，我们会看到一幅被研究者命名为「混合转型」（Hybrid Transformation）的图景。这个温和的学术术语掩盖不了它的本质，即一场正在发生的阶级重组。

首先，在这个转型中，得利最多的是 AI 使用者。截至 2025 年底至 2026 年初，纯粹的「AI 技能岗位」在整体招聘市场中占比依然不高，大约在 4.2% 左右。 但它的增速是极其恐怖的，生成式 AI 相关岗位的提及率相比 2023 年增长了 3 倍以上。

而且，从 2023 年低期，招聘开始分化，所有招聘在减少的情况下，提到 AI 的招聘却在一路上行。

市场对这极小部分掌握新生产力工具的人给予了极其丰厚的回报。PwC 和 Lightcast 的数据高度一致：在同一职业中，包含 AI 技能要求的岗位平均能获得 15% 到 30% 的薪资溢价，甚至在某些核心知识领域（如律师、金融分析师）工资差异能拉大到 56%。

这绝不是全体打工人的「共同富裕」，而是工资结构的剧烈分化。企业愿意为能用 AI 十倍速提升产出的人付高薪，同时开始冻结那些只做传统重复性脑力劳动的人的薪水。

其次，是在这三年间，入门级白领岗位的「隐性死亡」。AI 并没有在宏观层面造成总就业人口的断崖式崩塌（目前招聘总数仍在疫情后常态波动），但在「新手村」，一场屠杀已经发生。

斯坦福数字经济实验室结合 ADP 薪酬数据与数千万份简历的分析表明，自 2022 年末 ChatGPT 爆发以来，在 AI 高暴露度行业中，22-25 岁年轻人群的就业出现了显著的收缩（下降约 6%，软件开发等领域甚至回落 20%），而同行业的年长资深员工就业依然在增长。

一篇基于 2.85 亿条美国岗位广告的因果识别研究估算，ChatGPT 发布后，高 AI 可替代性职业的岗位广告数量相对低可替代性职业平均下降了约 12%。而且这个效应对无需高学历 / 无需更多经验的入门岗位更强，分别达到 18% 和 20% 的降幅。行政支持类职位的降幅甚至接近 40%。

这被称为「偏向资历的技术变革」（Seniority-Biased Technological Change）。 过去，大公司需要招聘大量的应届生和初级员工来做基础的代码审查、数据清洗、草拟财报、整理法律文档。现在，资深员工借助几个 AI Agent 就能搞定这些脏活累活。

一项覆盖 6200 万劳动者的研究发现，从 2023 年一季度起，采用 GenAI 的企业初级岗位就业明显下滑。企业不是在裁人，而是干脆不招了。

因为中级员工用上 AI 之后，能干更多活。企业甚至懒得开掉初级员工，因为不招新人，让老人自然流失就够了。这种温水煮青蛙式的裁员，连劳动法都管不着。

年轻人进入职业阶梯的「第一级台阶」被 AI 抽走了。

最后一个趋势是，任务重写（Task Rewriting）取代职业消亡。2013 年牛津大学曾有过一个著名的恐怖预测，认为未来「47% 的岗位会被自动化」。它为什么至今没有发生？因为职业是一个壳，里面包裹着无数个「任务」（Tasks）。

Indeed 和 Revelio Labs 的数据显示，岗位名称没有消失，但 HR 写在招聘广告里的「岗位职责（JD）」被重写了。 在财务、文书、初级代码岗位中，「日常对账」、「生成标准代码」等容易被 AI 取代的任务占比正在直线下降；取而代之的是，企业要求应聘者具备「复杂性管理」、「AI 系统引导」、「边缘案例解决」和「质量验证与判断」的能力。

这印证了 Cognizant 的洞察。即使一个职位有 39% 的任务被 AI 接管，剩下的 61% 也需要人类把 AI 干完的活整合起来，放入更大的商业语境中。 未来一两年内的时代是「人类 + AI」的重构，纯粹的执行者被淘汰，留下的是审判者和协调者。

但审判者和协调者也不需要那么多。

一个资深审判者 + AI 能干过去 10 个初级执行者的活，企业只需要原来 1/5 的人就够了。所谓的人机协作，本质上是用少数精英 + AI，替代掉大多数普通人。

通向 2028，Agent 奇点与全球智能危机

如果我们把当前招聘市场的「结构性挤压」和 Agent 技术的进化曲线向前延伸，会发生什么？

在回答这个问题之前，先看看过去三年发生了什么？2023 年，OpenAI 说” 需要十年”，2026 年，Cognizant 说已经发生了；2023 年，完全自动化的任务占 1%，2026 年，这个数字是 10%；2023 年，入门级岗位还在正常招聘，2026 年，AI 高暴露行业的初级岗位招聘量已经下降了 18%-40%。

如果这个加速度不变，2028 年会是什么样？

Citrini Research 在一篇名为《2028 年全球智能危机：来自未来的金融史思想实验》的深度推演中，描绘了一个令人毛骨悚然的后奇点世界。

在这个剧本中，时间线被设定在 2028 年 6 月。

在 2026 年到 2027 年间，市场沉浸在一种荒诞的狂欢中。因为 AI Agent 的大规模部署，标普 500 指数和纳斯达克一路狂飙，企业利润屡创新高。劳动生产率达到了 1950 年代以来的最高水平。创造产品的 Agent 不需要睡觉，不需要医保，也不会生病。

但经济学家们很快发现了一个致命问题，即幽灵 GDP。它指的是那些在国民账户上闪闪发光、却从未在实体经济中流转的财富。

为什么？因为北达科他州的一个 GPU 集群完成了过去曼哈顿一万个白领的工作，而机器是不会去买咖啡、交房租、看电影或者去度假的。占美国经济 70% 的消费主导型市场开始枯萎。

如果我们把当前招聘市场的「结构性挤压」和 Agent 技术的进化曲线向前延伸，这个词很可能会从隐喻变成现实。

过去的技术创新（如云计算、互联网）大多属于资本支出（CapEx），它创造了庞大的上下游就业。但 Agent 的引入是运营支出（OpEx）的直接替代。

2026 年，当 Agentic 工具（如 Claude Code 的进阶版）迎来能力阶跃时，企业 CIO 们发现，他们可以用内部的 AI 原型在几周内替代掉每年几十万美金的 SaaS 服务。软件公司（如 ServiceNow）为了保住利润，只能裁减自己 15% 的员工，并把省下来的钱投入到更强的 AI 工具中去抵御竞争。

这是一个没有任何物理制动机制的负反馈循环： AI 变强 → 企业裁员 → 用裁员省下的钱买更多 AI 算力 → AI 变得更强 → 进一步裁员。

被优化的白领们失去了收入，消费降级，导致企业收入下降，企业为了维持利润率，只能更加激进地引入 AI 并裁员。财富以前所未有的速度向掌握算力资本的极少数人集中。

2027 年，危机的烈火将从软件行业蔓延到了整个「中介层」。在过去五十年里，人类社会建立了一个极其庞大的「利用摩擦力变现」的商业帝国。因为人类没有时间、缺乏耐心、存在信息差，所以我们愿意忍受旅行平台、保险续保、房产中介的抽成。

但在 2028 年的世界里，消费者全面接入了个人 AI Agent。这些 Agent 会在后台 24 小时不知疲倦地全网比价、自动退订那些忘记取消的 SaaS 订阅、瞬间完成房产交易的尽职调查和合同审查。传统的订阅经济（赌你忘记取消）和中介经济（赌你懒得比价）在一夜之间土崩瓦解。人类所谓的「商业黏性」，在冷酷的机器最优化算力面前，被证明只不过是一层温情脉脉的「摩擦力」外衣。

「技术总会创造新工作」神话的破灭

几百年来，面对卢德分子的恐慌，经济学家总是用一句金科玉律来安慰大众：「技术在消灭旧工作的同时，总会创造更多的新工作。」ATM 机淘汰了部分柜员，但银行开出了更多网点；互联网干掉了黄页，却创造了电商和外卖。

但这一次不一样。因为过去的新工作，都必须由人类来做。 当 AI 进化为「通用智能体」（General Intelligence）时，它不仅能胜任旧工作，它在新工作上的学习速度和执行成本也远胜人类。AI 确实创造了新岗位（比如提示词工程师、AI 安全审查员），但每创造一个新岗位，就同时让几十个传统高薪白领岗位变得多余。而且，这些新岗位的生命周期极短，很快又会被下一代更强、更便宜的 Agent 自我迭代掉。

所有的线索都在指向同一个结局。AI 不会像终结者那样在物理世界上消灭人类，但它正在以一种极其高效、极致理性的方式，重构人类社会的劳动价值网络。

但这还只是问题的第一步。

到了 2028 年，真正的问题是当一个社会里，机器创造了 99% 的价值，但机器不消费、不买房、不看病、不交税，这个社会的循环怎么转起来？

我们可以嘲笑 Citrini 的 2028 剧本是危言耸听，但过去三年的数据已经证明，技术的加速度远超人类社会的适应速度。2023 年，OpenAI 说需要十年；2026 年，Cognizant 说已经发生了。那么 2028 年，会不会真的出现那个 GDP 数字狂飙、但消费枯萎的时刻？

也许答案不在技术本身，而在一个更古老的问题上，当生产力的主体不再是人类时，人类凭什么分配财富？

这个问题，亚当・斯密没回答过，马克思也没回答过。因为在他们的时代，劳动永远是人类的。

Block 裁掉的那 4000 人，华尔街欢呼的那 20% 涨幅，已经告诉我们资本选择了哪条路。

问题是，我们选择什么？

在 2026 年，我们必须回答这个问题。

因为留给我们的时间，可能只剩下 24 个月。

来源：微信公众号： 腾讯科技

如果X是中国app

黄仁勋谈中美AI的区别

2028 年全球智力危机：当人类智力不再稀缺，中产的黄昏到来？

研究机构 Citrini Research 近期发布了一份关于人工智能经济风险的假设性报告，引发了市场广泛关注和讨论‌。报告原标题为《2028 全球智能危机 —— 来自未来的金融史思想实验》（THE 2028 GLOBAL INTELLIGENCE CRISIS: A Thought Exercise in Financial History， from the Future），该报告明确声明其‌唯一目的是模拟一个相对未被充分研究的情景，是一个 “思想实验” 而非预测‌。

报告设定了一个假想的时间点 ——‌2028 年 6 月‌，并描绘了人工智能（AI）快速发展可能引发的连锁经济危机。报告提出了几个核心概念：

“AI 效率悖论”：AI 的成功可能导致经济不稳定。其推演的核心风险链条包括：‌‌白领大规模失业‌：AI 替代复杂白领劳动，导致 “智能溢价” 消失，中产阶层收入结构受损。‌‌

‌“幽灵 GDP” 与消费萎缩‌：即企业利润因 AI 增效而增长，但被替代的劳动力消费能力下降，货币流通速度放缓，形成 “产出增长但消费引擎失速” 的 “幽灵 GDP” 现象。‌‌

‌商业模式瓦解‌：AI 代理消除交易摩擦，威胁到建立在人类惰性、信息不对称和品牌依赖上的商业模式，如‌软件服务（SaaS）、中介平台（外卖、旅行预订）、支付处理（信用卡交换费）以及私募信贷‌等。

报告由 Citrini Research 和 Alap Shah 撰写。

Shah 一直活跃于纽约，自 2024 年 9 月起，担任 Littlebird 的 CEO；自 2011 年 3 月起，他在佛罗里达州担任 Lotus Technology Management 的管理合伙人，投资二级市场股票、从事风险投资并以 AI 方式孵化科技创业企业；自 2013 年 4 月起，他在旧金山湾区担任 Thistle 的联合创始人兼董事长；此前，他曾联合创立 Sentieo—— 一家由 AI 驱动的金融搜索平台，该公司后来被 AlphaSense 收购。他在 2011 年 12 月至 2020 年 9 月期间担任 CEO，并于 2020 年 9 月至 2022 年 5 月担任董事长。

他毕业于哈佛大学，主修经济学，毕业后的两年曾在顶级对冲基金 Citadel LLC 担任分析师。

以下为报告的中文版全文，现标题为编者所拟：

一、序言

如果我们对人工智能的乐观预期继续正确的话…… 但实际情况却是悲观的，那该怎么办？

以下只是一个情景描述，并非预测。这既不是关于熊的色情内容，也不是人工智能末日论的幻想小说。本文的唯一目的就是模拟一个目前较少被探讨的情景。我们的朋友阿拉普・沙提出了这个问题，我们一起头脑风暴出了答案。我们撰写了这一部分内容，他还另外写了两部分，可以在这里找到。

希望阅读完这篇文章后，你能更好地应对人工智能导致经济日益复杂化所带来的潜在风险。

这是 2028 年 6 月 CitriniResearch 发布的宏观报告，详细阐述了全球情报危机的进展及其后果。

二、宏观备忘录：智力过剩的后果

2026 年 2 月 22 日～2028 年 6 月 30 日

今天上午公布的失业率为 10.2%，比预期高出 0.3 个百分点。受此数据影响，市场下跌 2%，标普 500 指数较 2026 年 10 月高点累计下跌 38%。交易员们已经麻木了。六个月前，这样的财报会触发熔断机制。

两年时间而已。从 “可控” 和 “特定行业受影响” 的状态，经济状况已经发生了翻天覆地的变化，完全不再是我们任何人长大时所熟悉的模样。本季度的宏观报告试图重现这一演变过程，对危机前的经济状况进行事后分析。

人们的兴奋情绪显而易见。到 2026 年 10 月，标准普尔 500 指数逼近 8000 点大关，纳斯达克指数突破 30000 点。由于劳动力过剩导致的首批裁员始于 2026 年初，而这些裁员确实达到了预期的效果：企业利润率上升，盈利表现优异，股价也持续上涨反弹。创纪录的企业利润又被重新投入到了人工智能计算领域。

用作标题的经济数字依然相当不错。名义 GDP 的年化增长率始终保持在一位数中高水平。生产率持续上升，每小时实际产出增速达到了 20 世纪 50 年代以来的最高水平，这一增长的推动力来自那些无需睡觉、不会请病假且无需健康保险的智能机器人。

随着劳动力成本的消失，计算机行业的所有者财富激增。与此同时，实际工资增长却停滞不前。尽管政府一再宣称生产力创下新高，但白领工人仍被机器取代，被迫从事低薪工作。

当消费者经济出现裂痕时，经济评论家们提出了 “幽灵 GDP” 这一概念：指那些出现在国民经济统计数据中，但实际上并未流入实体经济的产出。

人工智能在各个方面都超出了预期，市场也完全被人工智能主导。唯一的问题是…… 经济却并非如此。

从一开始就应该很清楚，北达科他州一个 GPU 集群所产生的产出，相当于之前曼哈顿中城 1 万名白领的产出，与其说是经济灵丹妙药，不如说是经济瘟疫。货币流通速度停滞不前。以人为本的消费经济（当时占 GDP 的 70%）萎缩了。如果我们当初问问这些 “造钱机器” 在非必需品上的支出是多少，或许就能更早明白这一点了。（提示：零。）

人工智能能力提升，企业对劳动力的需求减少，白领裁员增加，失业工人消费减少，利润压力迫使企业加大在人工智能方面的投资，人工智能能力再度提升……

这是一个没有自然制动机制的负反馈循环。

人工智能的替代效应不断加剧：白领工作者的赚钱能力（进而他们的消费能力）受到了结构性削弱。他们的收入是 13 万亿美元抵押贷款市场的基石，这迫使贷款机构重新评估优质抵押贷款是否仍具有投资价值。

十七年来没有真正的违约周期，导致私募股权公司热衷于那些假设经常性收入会持续稳定的软件项目。2027 年中，由于人工智能技术的冲击而引发的第一波违约事件，挑战了这一假设。

如果问题仅限于软件层面，那么还尚可控制。但事实并非如此。到 2027 年底，它已经威胁到了所有依赖中介服务的商业模式。许多依靠利用人类行为中的摩擦来盈利的公司纷纷倒闭。

事实证明，这个系统实际上是一系列与白领生产力增长相关的连锁投注。2027 年 11 月的崩盘只是加速了原本就存在的所有负面反馈循环而已。

我们几乎等了整整一年，希望 “坏消息其实也是好消息”。政府开始考虑相关方案，但公众对政府能否有效实施救援措施的信心已大幅下降。政策反应向来滞后于经济现实，而目前缺乏全面的应对计划，恐将进一步加剧通缩螺旋。

三、如何开始

2025 年底，智能编码工具的功能有了阶跃式的提升。

使用 Claude Code 或 Codex 的熟练开发人员现在只需几周时间就能复制出中端 SaaS 产品的核心功能。虽然无法做到完美，也无法处理所有边缘情况，但已经足够好，以至于负责审核每年 50 万美元续费费用的首席信息官开始思考：“如果我们自己开发这个产品会怎样？”

财政年度通常与日历年一致，因此 2026 年的企业支出计划早在 2025 年第四季度就已确定，当时 “智能体人工智能” 还只是个热门词汇。年中评估是采购团队首次在充分了解这些系统实际功能的情况下做出决策。一些团队甚至亲眼目睹了内部团队在短短几周内就搭建出原型系统，并成功复制了价值六位数的 SaaS 合同。

那年夏天，我们采访了一位财富 500 强企业的采购经理。他跟我们讲了他的一次预算谈判经历。销售人员原本打算沿用去年的策略：每年涨价 5%，老套的 “你们的团队依赖我们” 的说辞。采购经理告诉他，他一直在和 OpenAI 洽谈，希望他们能让 “前线部署的工程师” 使用 AI 工具，彻底取代现有供应商。最终，OpenAI 以七折的价格续约。他说，这已经算是不错的结果了。而像 Monday.com、Zapier 和 Asana 这样的 “长尾 SaaS” 公司，情况就糟糕得多。

投资者早已做好准备，甚至预料到长尾技术会受到重创。尽管它们可能占典型企业技术栈支出的三分之一，但显然也面临着风险。然而，记录系统本应免受干扰。

直到 ServiceNow 公布 2026 年第三季度报告后，这种反射机制才变得更加清晰明了：

ServiceNow 净新增年度合同价值（ACV）增速从 23% 放缓至 14%；宣布裁员 15% 并推出 “结构效率提升计划”；股价下跌 18%。来源：彭博社，2026 年 10 月

SaaS 并非 “死气沉沉”。在内部开发与维护系统方面，依然存在成本效益分析的问题。不过内部开发只是一种选择，这一因素也会被纳入定价谈判中。或许更重要的是，竞争格局已经发生了变化。人工智能的普及使得新功能的开发和上线变得更加容易，因此产品差异化逐渐消失。传统企业不得不在定价上展开恶性竞争 —— 既与同行竞争，也要与新兴的挑战者抗衡。由于代理编码能力的提升，且没有旧有成本结构的束缚，这些新兴企业敢于积极抢占市场份额。

这些系统的相互关联性直到现在才被充分认识到。ServiceNow 曾经销售许可证。当《财富》500 强客户削减 15% 的劳动力时，他们也取消了 15% 的许可证。那些通过人工智能实现裁员、从而提升客户利润率的举措，实际上却在破坏企业自身的收入来源。

那家销售工作流程自动化产品的公司，因更先进的工作流程自动化技术而受到冲击。为应对这一挑战，该公司选择裁员，并用节省下来的资金来支持那些正在颠覆其业务的技术研发。

他们还能做什么呢？坐以待毙、慢慢等死吗？那些最受人工智能威胁的公司，反而成了人工智能最积极的采用者。

事后看来这似乎理所当然，但当时并非如此（至少对我来说是这样）。传统的行业颠覆模型认为，现有企业会抵制新技术，从而失去市场份额，逐渐衰落。柯达、百视达和黑莓就是这样的例子。但 2026 年的情况有所不同：现有企业之所以没有抵制新技术，是因为他们根本无力抵抗。

随着股票价格下跌 40%~60%，各董事会也要求公司给出解释，那些面临人工智能威胁的公司只能采取唯一的办法：削减员工人数，将节省下来的资金用于投资人工智能工具，再利用这些工具以更低的成本维持生产。

各公司的个体决策看似合理，但总体后果却十分灾难性。节省下用于人力成本的每一美元都被投入到了人工智能研发中，这反而为下一轮裁员创造了条件。

软件行业仅仅是个开始而已。当投资者们争论 SaaS 公司的估值是否已触底时，他们忽略了这样一个事实：这种自我强化的循环早已超越了软件领域。那种促使 ServiceNow 削减员工数量的逻辑，其实也适用于所有具有白领成本结构的公司。

四、当摩擦力变为零时

到 2027 年初，LLM 的使用已成为默认选项。人们在使用人工智能代理，甚至不知道人工智能代理是什么，就像那些从未了解过 “云计算” 的人使用流媒体服务一样。他们看待人工智能代理的方式，就像看待自动补全或拼写检查一样 —— 手机现在自动具备的功能。

Qwen 的开源智能购物助手是人工智能处理消费者决策的催化剂。短短几周内，所有主流人工智能助手都集成了某种智能购物功能。精简的模型意味着这些智能助手不仅可以在云端运行，还可以在手机和笔记本电脑上运行，从而显著降低了推理的边际成本。

真正令投资者感到不安的是，这些代理并非被动等待用户请求，而是根据用户的偏好在后台运行。商业不再是一系列独立的人工决策，而变成了一个持续不断的优化过程，全天候为每一位联网消费者服务。到 2027 年 3 月，美国人均日消费代币量将达到 40 万枚，是 2026 年底的 10 倍。

链条上的下一个环节已经开始断裂 —— 中介。

过去五十年，美国经济在人类局限性之上构建了一层巨大的寻租机制：做事需要时间，耐心会耗尽，品牌知名度可以替代勤奋，而且大多数人为了避免点击量，宁愿接受低价。数万亿美元的企业价值都依赖于这些限制的持续存在。

一切都始于一个简单的过程：代理人消除摩擦。

即使数月未使用，订阅和会员资格仍会自动续订。试用期结束后，价格悄然翻倍。所有这些都被重新包装成代理人可以谈判的 “人质危机”。作为整个订阅经济体系赖以建立的指标 —— 平均客户终身价值 —— 显著下降。

消费者代理开始改变几乎所有消费者交易的运作方式。

人类在购买一盒蛋白棒之前，根本没有时间在五个竞争平台上进行价格比对。但机器可以。

旅游预订平台由于操作最简单，很快就被淘汰了。到 2026 年第四季度，我们的代理商能够比任何平台更快、更便宜地安排完整的行程（包括机票、酒店、地面交通、会员积分优化、预算限制和退款）。

保险续保制度进行了改革，此前该制度的整个续保模式都依赖于投保人的被动续保行为。每年都会重新比较不同保险公司保单的代理人，打破了保险公司从被动续保中获得的 15% 到 20% 的保费收入。

财务咨询、税务筹划、日常法律事务 —— 任何服务提供商的价值主张最终都是 “我会帮你处理那些让你觉得繁琐的复杂事务” 的领域都受到了冲击，因为从业人员觉得这些事情并不繁琐。

即使是我们曾以为人际关系价值至上的领域，也暴露出脆弱的一面。房地产行业，由于经纪人和消费者之间存在信息不对称，买家几十年来一直容忍着 5%~6% 的佣金，但随着配备 MLS 访问权限和数十年交易数据的 AI 经纪人能够瞬间复制知识库，这种不对称的局面迅速瓦解。一篇发表于 2027 年 3 月的卖方文章将其标题定为 “经纪人之间的暴力”。主要都市地区的买方佣金中位数已从 2.5%~3% 压缩至 1% 以下，而且越来越多的交易甚至完全没有买方经纪人的参与。

我们高估了 “人际关系” 的价值。结果发现，人们所谓的很多关系，只不过是和一张友善的面孔之间的摩擦而已。

这仅仅是中介层变革的开始。成功的公司曾花费数十亿美元来有效地利用消费者行为和人类心理的怪癖，而这些怪癖如今已不再重要。

那些以价格和适配性为优化目标的机器，不会在意你最喜欢的应用程序，也不会在意你过去四年里经常访问的网站，更不会被精心设计的结账体验所吸引。它们不会感到疲倦，也不会选择最简单的方案，更不会默认 “我总是从这里订购”。

这摧毁了一种特殊的护城河：习惯性的中介。DoorDash（DASH US）是典型代表。

代码代理的出现大大降低了外卖应用的准入门槛。一个合格的开发者只需几周就能推出一款功能齐全的竞品应用，而事实上，数十家开发者都这么做了，他们通过将 90% 到 95% 的配送费直接支付给司机，成功吸引了 DoorDash 和 Uber Eats 的司机。多平台集成的控制面板让零工人员可以同时追踪来自二三十个平台的订单，彻底打破了现有平台赖以生存的锁定效应。市场一夜之间碎片化，利润空间被压缩到几乎为零。

各种代理加速了破坏过程的两端。它们先是扶持竞争对手，然后再利用这些对手来为自己谋利。DoorDash 的竞争优势在于 “你饿了又懒，这个应用就在你的主屏幕上”。但代理没有主屏幕，它会同时查看 DoorDash、Uber Eats、餐厅的官方网站以及二十个其他类似平台，从而每次都能选择费用最低、配送最快的服务。

机器根本不存在用户对应用的忠诚度，而这正是该商业模式的基础。

这颇具诗意，或许是整个故事中为即将失去工作的白领提供帮助的唯一例子。当他们成为送货司机后，至少有一半的收入不会流入优步和达美乐的口袋。当然，随着自动驾驶汽车的普及，这种科技带来的便利并没有持续太久。

一旦代理人控制了交易，他们便开始寻找更大的回形针。

价格匹配和聚合的工作量是有限的。要想持续为用户节省费用（尤其是当代理商开始相互交易时），最有效的办法就是取消费用。在机器对机器的商务交易中，2% 到 3% 的信用卡手续费显然是一个值得削减的目标。

代理商们寻找比信用卡更快更便宜的支付方式。大多数人选择通过 Solana 或以太坊 L2 平台使用稳定币进行支付，因为这种方式的结算几乎即时完成，交易成本仅为一分钱的几分之一。

万事达卡 2027 年第一季度业绩：净收入同比增长 6%；与上一季度相比增长 5.9%。管理层表示，这些项目属于 “自主决策类别”。来源：彭博社，2027 年 4 月 29 日

万事达卡 2027 年第一季度财报成为了不可逆转的转折点。智能商务从产品故事变成了基础设施故事。第二天，万事达卡股价下跌了 9%。Visa 股价也下跌了，但在分析师指出其在稳定币基础设施领域更强大的地位后，跌幅有所收窄。

代理商业绕过交换费的路由对以银行卡为中心的银行和单一业务发卡机构构成了更大的风险，这些银行和发卡机构收取了 2%~3% 的费用的大部分，并围绕由商家补贴资助的奖励计划建立了整个业务部门。美国运通（AXP US）受到的冲击最大；白领员工裁员导致其客户群锐减，代理商为规避交易手续费而调整支付方式，也使其收入模式遭受重创。此后几周，Synchrony（SYF US）、Capital One（COF US）和 Discover（DFS US）的股价也均下跌超过 10%。它们的护城河是由摩擦力构成的。而摩擦力正趋于零。

五、从行业风险到系统性风险

到 2026 年，市场将人工智能的负面影响视为一个行业问题。软件和咨询行业遭受重创，支付和其他收费领域也出现波动，但整体经济似乎运行良好。劳动力市场虽然有所疲软，但并未出现自由落体式的下滑。普遍的观点是，创造性破坏是任何技术创新周期的一部分。人工智能在某些领域会带来痛苦，但总体而言，其带来的净收益将超过任何负面影响。

我们在 2027 年 1 月的宏观经济备忘录中指出，这种思维模式是错误的。美国经济本质上是一个白领服务型经济。白领工人占就业总数的 50%，并贡献了约 75% 的可自由支配消费支出。人工智能正在蚕食的那些企业和工作岗位并非美国经济的边缘群体，它们本身就是美国经济的一部分。

“技术创新会摧毁工作岗位，但随后又会创造更多工作岗位。” 这是当时最流行、最有说服力的反驳论点。它之所以流行且有说服力，是因为它在过去两个世纪里都得到了验证。即使我们无法预见未来的工作岗位会是什么样子，它们也一定会到来。

自动取款机降低了银行网点的运营成本，因此银行开设了更多网点，柜员就业人数在接下来的二十年里持续增长。互联网颠覆了旅行社、黄页和实体零售业，但它也催生了全新的产业，创造了新的就业机会。

然而，每一项新工作都需要人来完成。

人工智能如今已发展成为一种通用智能，它能够更好地完成人类原本应该从事的工作。失业的程序员无法简单地转型为 “人工智能管理”，因为人工智能本身就具备这种能力。

如今，人工智能代理可以处理长达数周的研发任务。指数级增长彻底颠覆了我们对可能性的认知，尽管沃顿商学院的教授们每年都试图用新的 S 型曲线拟合数据。

它们几乎编写了所有代码。其中性能最强的机器人，在几乎所有方面都比几乎所有人类都聪明得多。而且它们的成本还在不断降低。

人工智能创造了新的就业机会，例如应急工程师、人工智能安全研究员和基础设施技术人员。人类仍然参与其中，在最高层面进行协调或提供指导。然而，人工智能每创造一个新职位，就会使数十个旧职位过时。新职位的薪酬仅为旧职位的几分之一。

美国就业市场动荡：职位空缺降至 550 万以下；失业率与职位空缺比率升至约 1.7，为 2020 年 8 月以来最高水平。来源：彭博社，2026 年 10 月

全年招聘率一直低迷，但 2026 年 10 月的 JOLTS 报告提供了一些确凿的数据。职位空缺数量降至 550 万以下，同比下降 15%。

Indeed：随着 “生产力提升计划” 的推广，软件、金融和咨询行业的职位发布量大幅下降。来源：Indeed 招聘实验室，2026 年 11 月～12 月

白领职位空缺大幅减少，而蓝领职位空缺则相对稳定（建筑、医疗保健、技工等行业）。人员流动主要集中在撰写备忘录（我们居然还能继续运营）、审批预算以及维持经济正常运转等岗位上。然而，这两个群体的实际工资增长在今年大部分时间里都为负值，并且持续下降。

股市对 JOLTS 的关注度仍然低于 GE Vernova 所有涡轮机产能已售罄至 2040 年的消息，在负面宏观经济消息和积极的人工智能基础设施新闻之间摇摆不定。

债券市场（总是比股票市场更明智，或者至少不那么浪漫）开始对消费冲击进行定价。接下来的四个月里，10 年期国债收益率从 4.3% 下降到 3.2%。尽管如此，总体失业率并未飙升，但一些人仍然忽略了其中的构成差异。

在正常的经济衰退中，问题的根源最终会自我纠正。过度建设会导致建筑活动放缓，进而导致利率下降，最终促进新建筑的建设。库存过剩会导致库存减少，进而促进库存补充。这种周期性机制本身就蕴含着复苏的种子。

这个周期的起因并非周期性因素。

人工智能变得更好、更便宜。公司裁员，然后用节省下来的钱购买更多的人工智能设备，这又使他们能够裁掉更多员工。失业员工的消费能力下降。面向消费者的公司销量减少，实力削弱，为了维持利润率，不得不加大对人工智能的投资。人工智能变得更好、更便宜。

一个没有自然制止机制的反馈回路。

人们原本预期总需求下降会减缓人工智能的部署速度。但事实并非如此，因为这并非超大规模企业式的资本支出，而是运营支出的替代。一家公司过去每年在员工身上花费 1 亿美元，在人工智能上花费 500 万美元，现在则在员工身上花费 7000 万美元，在人工智能上花费 2000 万美元。人工智能投资成倍增长，但这是以总运营成本的降低为代价的。每家公司的人工智能预算都在增长，而其整体支出却在减少。

讽刺的是，即便人工智能基础设施所颠覆的经济开始恶化，它依然保持着强劲的运行势头。英伟达（NVDA）的营收依然屡创新高。台积电（TSM）的利用率依然保持在 95% 以上。超大规模数据中心运营商每季度在数据中心资本支出上仍然投入 1500 亿至 2000 亿美元。而像中国台湾和韩国这样完全顺应这一趋势的经济体，则表现远超预期。

印度的情况则截然相反。该国的 IT 服务业每年出口额超过 2000 亿美元，是印度经常账户盈余的最大贡献者，也是其长期货物贸易逆差的主要抵消来源。整个模式建立在一个价值主张之上：印度开发人员的成本仅为美国同行的几分之一。但人工智能编码代理的边际成本已大幅下降，几乎与电力成本相当。塔塔咨询服务公司（TCS）、印孚瑟斯（Infosys）和威普罗（Wipro）的合同取消潮持续到 2027 年。由于支撑印度对外账户的服务业盈余消失殆尽，卢比在四个月内对美元贬值了 18%。到 2028 年第一季度，国际货币基金组织（IMF）已开始与新德里进行 “初步磋商”。

造成市场动荡的因素每个季度都在增强，这意味着动荡的程度每个季度都在加剧。劳动力市场没有自然的下限。

在美国，我们不再讨论人工智能基础设施泡沫会如何破裂，而是讨论当消费者被机器取代时，消费信贷经济将会发生什么变化。

六、智力置换螺旋

2027 年，宏观经济形势不再隐晦。过去十二个月零散但明显负面的发展传导机制变得清晰可见。你无需查阅劳工统计局的数据，只需参加一次与朋友的晚宴即可。

失业的白领并没有闲着，而是降低了工作强度。许多人转而从事收入较低的服务业和零工经济工作，这导致这些领域的劳动力供给增加，同时也压低了这些领域的工资水平。

我们的一位朋友在 2025 年是 Salesforce 的高级产品经理。职位优厚，有医疗保险、401k 退休金计划，年薪 18 万美元。她在第三轮裁员中失去了工作。六个月的求职之后，她开始做 Uber 司机。收入骤降至 4.5 万美元。重点不在于个人经历，而在于更深层次的数学计算。将这种现象放大到每个主要都市的几十万劳动者身上。大量高技能劳动力涌入服务业和零工经济，进一步压低了原本就收入微薄的现有劳动者的工资。行业层面的冲击最终演变为整个经济领域的工资压缩。

在我们撰写本文时，以人为本的经济体系还剩下一部分，即将迎来另一轮调整。与此同时，自动送货和自动驾驶汽车正在逐步渗透到零工经济中，而零工经济已经吸纳了第一批失业工人。

到 2027 年 2 月，很明显，仍在职的专业人士开始像随时可能失业一样消费。他们加倍努力工作（大多借助人工智能），仅仅是为了保住饭碗，晋升或加薪的希望已经破灭。储蓄率略有上升，而消费支出则有所放缓。

最危险的部分在于滞后性。高收入者利用高于平均水平的储蓄，维持了两到三个季度的正常假象。直到实体经济中早已出现问题，确凿的数据才证实了这一点。随后，一些报道打破了这种假象。

美国首次申请失业救济人数激增至 48.7 万人，为 2020 年 4 月以来最高。来源：美国劳工部，2027 年第三季度

首次申请失业救济人数激增至 48.7 万，为 2020 年 4 月以来的最高水平。ADP 和 Equifax 证实，绝大多数新增申请人都是白领专业人士。

标普 500 指数在接下来的一周下跌了 6%。负面宏观经济形势开始占据上风。

在正常的经济衰退中，失业现象普遍存在。蓝领和白领工人所承受的痛苦大致与其各自在就业中所占的比例相符。消费受到的冲击也普遍存在，并且由于低收入工人的边际消费倾向较高，因此这种冲击会很快在数据中体现出来。

在本轮经济周期中，失业主要集中在收入分配的顶层人群。虽然他们在总就业人数中所占比例相对较小，但却推动了不成比例的消费支出。收入最高的 10% 人群的消费支出占美国总消费支出的 50% 以上，而收入最高的 20% 人群的消费支出则占到约 65%。这些人购买房屋、汽车、度假、外出就餐、支付私立学校学费、进行房屋装修。他们是整个非必需消费品经济的需求基础。

当这些工人失业，或为了填补空缺职位而接受 50% 的降薪时，相对于失业人数而言，消费受到的冲击是巨大的。白领就业人数下降 2% 会导致可自由支配的消费支出下降约 3%~4%。与蓝领失业往往立竿见影（工厂裁员后，下周就会停止消费）不同，白领失业的影响虽然滞后，但更为深远，因为这些工人有一定的储蓄缓冲，使他们能够在消费行为发生转变前的几个月内维持消费。

到 2027 年第二季度，经济已经陷入衰退。美国国家经济研究局（NBER）直到几个月后才正式确定衰退的开始日期（他们一贯如此），但数据却很明确 —— 我们已经连续两个季度经历了实际 GDP 负增长。但这还不是一场 “金融危机”…… 至少当时还不是。

七、相关赌注的链式关系

私人信贷规模已从 2015 年的不到 1 万亿美元增长到 2026 年的超过 2.5 万亿美元。其中相当一部分资本被投入到软件和技术交易中，许多交易都是对 SaaS 公司的杠杆收购，估值假设这些公司的收入将永远保持两位数以上的增长。

这些假设在第一个智能编码演示和 2026 年第一季度软件崩溃之间就已经破灭了，但目标受众似乎并没有意识到它们已经失效。

许多上市 SaaS 公司的市盈率高达 5~8 倍，而私募股权支持的软件公司却依然维持着基于早已不复存在的营收倍数的收购估值。管理层逐步下调了这些估值，从 100 美分、92 美分到 85 美分，而同期上市同类公司的估值仅为 50 美分。

穆迪下调 14 家发行人共计 180 亿美元的私募股权支持的软件债务评级，理由是 “人工智能驱动的竞争颠覆带来的长期收入逆风”；这是自 2015 年能源行业以来规模最大的单一行业评级调整。来源：穆迪投资者服务公司，2027 年 4 月

每个人都记得评级下调后发生的事情。业内资深人士在 2015 年能源评级下调后就已经看到了应对之策。

软件抵押贷款从 2027 年第三季度开始出现违约。私募股权投资组合中的信息服务和咨询公司也相继出现违约。多家知名 SaaS 公司数十亿美元的杠杆收购案也进入了重组阶段。

Zendesk 是确凿的证据。

Zendesk 因人工智能驱动的客户服务自动化导致年度经常性收入下降，未能履行债务契约；50 亿美元直接贷款融资工具估值跌至每股 58 美分；创下史上最大规模私募信贷软件违约纪录。来源：《金融时报》，2027 年 9 月

2022 年，Hellman & Friedman 和 Permira 以 102 亿美元的价格将 Zendesk 私有化。这笔债务融资包括 50 亿美元的直接贷款，是当时史上规模最大的以年度经常性收入（ARR）为担保的融资，由黑石集团牵头，阿波罗全球管理公司（Apollo Global Management）、Blue Owl 和 HPS 等公司也参与了贷款。这笔贷款的结构明确基于 Zendesk 的年度经常性收入将保持持续增长的假设。大约 25 倍的 EBITDA 倍数，只有在 Zendesk 的年度经常性收入能够保持持续增长的情况下，这样的杠杆才有意义。

到 2027 年年中，这种情况并没有发生。

人工智能代理已经自主处理客户服务近一年了。Zendesk 定义的类别（工单系统、路由、管理人工支持互动）已被无需生成工单即可解决问题的系统所取代。贷款所依据的年度经常性收入不再是经常性收入，而只是尚未支出的收入而已。

历史上规模最大的 ARR 担保贷款，最终却成了历史上规模最大的私人信贷软件违约案。所有信贷部门都异口同声地问了同一个问题：还有哪些公司面临着被伪装成周期性不利因素的长期不利因素？

但至少在最初，大家的共识有一点是正确的：这种情况本应是可以挺过去的。

私募信贷并非 2008 年的银行业。其整个架构的设计初衷就是为了避免强制出售。这些都是封闭式基金，资金被锁定。有限合伙人承诺持有七到十年。没有存款人需要管理，也没有回购额度需要提取。基金经理可以持有不良资产，逐步解决，等待回收。虽然过程痛苦，但尚可控制。这套体系的设计初衷就是为了适应变化，而不是崩溃。

黑石、KKR 和阿波罗的高管都提到，软件风险敞口占资产的 7% 到 13%。这是可以控制的。所有卖方报告和金融科技媒体的信贷账户都表达了同样的观点：私募信贷拥有永久资本。它们能够吸收那些足以让杠杆银行破产的损失。

永久资本。这句话出现在每一次财报电话会议和致投资者的信中，意在安抚人心。它成了一句口头禅。而就像大多数口头禅一样，没人关注其中的细节。它的真正含义是……

过去十年间，大型另类资产管理公司收购了多家寿险公司，并将它们改造成融资工具。阿波罗收购了雅典娜，布鲁克菲尔德收购了美国股权，KKR 收购了环球大西洋。其逻辑十分巧妙：年金存款构成了一个稳定且期限较长的负债基础。管理者将这些存款投资于他们发起的私募信贷，从而获得双重收益：一方面是保险业务的收益，另一方面是资产管理业务的管理费。这就像一台永动机，在特定条件下运转良好。

私人信贷必须是优质货币。

这些损失冲击了那些旨在持有非流动性资产以应对长期债务的资产负债表。原本应该使系统保持韧性的 “永久资本” 并非某种抽象的、由耐心等待的机构资金和承担高风险的成熟投资者组成的资金池，而是美国家庭 ——“普通民众”—— 的储蓄，这些储蓄以年金的形式投资于如今违约的、由私募股权支持的软件和科技债券。而那些无法运转的被锁定资本则是人寿保险保单持有人的资金，而这方面的规则则略有不同。

与银行体系相比，保险监管机构此前一直较为温和，甚至有些自满，但这次事件犹如当头棒喝。他们原本就对寿险公司私人信贷集中度感到不安，于是开始下调这些资产的风险资本评级。这迫使保险公司要么筹集资金，要么出售资产，但在市场已经趋于僵化的情况下，这两种方式都难以获得理想的条件。

纽约州和爱荷华州监管机构计划收紧对寿险公司持有的某些私人评级信贷的资本处理；预计 NAIC 的指导意见将提高 RBC 系数并引发额外的 SVO 审查。来源：路透社，2027 年 11 月

穆迪将 Athene 的财务实力评级展望下调至负面后，阿波罗的股价在两个交易日内下跌了 22%。布鲁克菲尔德、KKR 和其他公司的股价也相继下跌。

事情远不止于此。这些公司不仅打造了其保险业的永动机，还构建了一套精心设计的离岸架构，旨在通过监管套利实现收益最大化。美国保险公司承保年金，然后将风险转移给其拥有的百慕大或开曼群岛的关联再保险公司 —— 这些再保险公司设立的目的是为了利用更灵活的监管环境，允许以更少的资本持有相同的资产。该关联公司通过离岸特殊目的公司（SPV）筹集外部资本，这些 SPV 构成了一个新的交易对手层，它们与保险公司一起投资于同一母公司资产管理部门发行的私募信贷。

这些评级机构，其中一些本身就是私募股权公司所有，其透明度一直都不怎么样（这几乎是人尽皆知的）。错综复杂的公司关系网，以及与之相关的各种资产负债表，其不透明程度令人震惊。当基础贷款违约时，究竟谁来承担损失，这个问题在当时根本无法得到确切答案。

2027 年 11 月的崩盘标志着人们对此次经济衰退的看法发生了转变，从原本可能只是普通的周期性回调，转变为更加令人不安的局面。美联储主席凯文・沃什在 11 月联邦公开市场委员会（FOMC）紧急会议上将其描述为 “一系列押注白领生产力增长的关联性押注” 。

你看，真正引发危机的从来不是损失本身，而是对损失的认知。而金融领域还有另一个规模更大、重要得多的领域，我们却对这种认知感到恐惧。

八、抵押贷款问题

Zillow 房价指数同比下跌：旧金山 11%，西雅图 9%，奥斯汀 8%；房利美指出，科技 / 金融就业率超过 40% 的邮政编码区域 “早期违约率居高不下” | Zillow。来源：房利美，2028 年 6 月

本月，Zillow 房价指数同比下跌，旧金山下跌 11%，西雅图下跌 9%，奥斯汀下跌 8%。但这并非唯一令人担忧的消息。上个月，房利美指出，在信用评分极高的邮政编码区域（这些区域居住着信用评分 780 分以上的借款人，通常被认为是 “铁证如山”），早期违约率有所上升。

美国住房抵押贷款市场规模约为 13 万亿美元。抵押贷款承销的基本假设是，借款人将在贷款期限内保持大致相同的收入水平。大多数抵押贷款的期限为 30 年。

白领就业危机导致收入预期持续转变，对这一假设构成了威胁。我们现在不得不问一个三年前还显得荒谬的问题 —— 优质抵押贷款的资金真的好吗？

美国历史上每一次抵押贷款危机都是由以下三种因素之一造成的：投机过度（向买不起房的人放贷，如 2008 年），利率冲击（利率上升导致可调利率抵押贷款难以负担，如 20 世纪 80 年代初），或局部经济冲击（单一行业在单一地区崩溃，如 20 世纪 80 年代德克萨斯州的石油危机或 2009 年密歇根州的汽车危机）。

以上情况均不适用。这些借款人并非次级借款人。他们的 FICO 信用评分高达 780 分。他们支付了 20% 的首付。他们信用记录良好，就业稳定，收入在贷款发放时均经过核实和证明。他们是金融体系中所有风险模型都视为信用质量基石的借款人。

2008 年的贷款从一开始就是坏账。2028 年的贷款从一开始就是好账。世界在贷款发放后发生了翻天覆地的变化。人们借钱是为了一个他们再也无法相信的未来。

2027 年，我们注意到了一些隐性压力的早期迹象：房屋净值信用额度（HELOC）提取、401 (k) 退休金提取以及信用卡债务激增，而抵押贷款还款却按时进行。随着失业、招聘冻结和奖金削减，这些优质家庭的负债收入比翻了一番。

他们仍然可以偿还房贷，但前提是停止所有非必要支出，耗尽积蓄，并推迟任何房屋维护或修缮。从技术上讲，他们的房贷还款情况良好，但距离陷入困境仅一步之遥，而人工智能的发展轨迹表明，这种冲击即将到来。随后，我们看到旧金山、西雅图、曼哈顿和奥斯汀的房贷拖欠率开始飙升，而全国平均水平仍保持在历史正常范围内。

我们现在正处于最严峻的阶段。如果普通购房者经济状况良好，房价下跌尚可承受。但现在，普通购房者也面临着同样的收入下滑问题。

尽管担忧情绪日益加剧，但我们尚未陷入全面的抵押贷款危机。拖欠率有所上升，但仍远低于 2008 年的水平。真正的威胁在于拖欠率的发展趋势。

情报人员流失螺旋现在有两个金融因素加速了实体经济的衰退。

劳动力流失、抵押贷款担忧、私人市场动荡，这些因素相互强化。传统的政策工具（降息、量化宽松）可以应对金融引擎，但却无法解决实体经济引擎的问题，因为实体经济引擎并非由紧缩的金融环境驱动，而是由人工智能驱动，人工智能使得人类智能不再稀缺，价值也随之降低。即使将利率降至零，并买断市场上所有的抵押贷款支持证券（MBS）和所有违约的软件杠杆收购（LBO）债务……

但这并不会改变这样一个事实：一名 Claude 经纪人每月只需 200 美元就能完成一名年薪 18 万美元的产品经理的工作。

如果这些担忧成真，抵押贷款市场将在今年下半年崩溃。在这种情况下，我们预计当前股市的跌幅最终将与全球金融危机时期（从峰值到谷底下跌 57%）的跌幅不相上下。这将使标普 500 指数跌至约 3500 点 —— 这是我们自 2022 年 11 月 ChatGPT 事件发生前一个月以来从未见过的水平。

显而易见的是，支撑 13 万亿美元住房抵押贷款的收入假设存在结构性缺陷。但尚不清楚的是，在抵押贷款市场完全消化这一缺陷的影响之前，政策能否及时介入。我们抱有希望，但也不能否认存在令人担忧的因素。

九、与时间的战斗

第一个负反馈循环出现在实体经济中：人工智能能力提升，工资支出减少，消费放缓，利润率下降，企业购买更多人工智能产品，人工智能能力进一步提升。随后，负反馈循环蔓延至金融领域：收入减少冲击抵押贷款，银行亏损导致信贷紧缩，财富效应失效，反馈循环加速。而政府应对政策的不足，以及政府似乎对此感到困惑，都加剧了上述两种情况。

这套系统并非为应对此类危机而设计。联邦政府的收入来源本质上是对人时间的征税。人们工作，企业支付工资，政府从中抽取一部分。在正常年份，个人所得税和工资税是财政收入的主要来源。

今年第一季度，联邦财政收入比国会预算办公室（CBO）的基准预测低 12%。工资收入下降是因为目前就业人数减少，且薪酬水平仍维持在之前的水平。所得税收入下降是因为收入结构性降低。生产率虽然大幅提高，但收益流向了资本和计算机，而非劳动力。

劳动收入占 GDP 的比重从 1974 年的 64% 下降到 2024 年的 56%，这一持续四十年的缓慢下降趋势是由全球化、自动化以及工人议价能力的不断削弱所致。而自人工智能开始呈指数级增长以来的四年间，这一比重已降至 46%，创历史最大降幅。

产出依然存在。但它不再像以前那样通过家庭流回企业，这意味着它也不再经过美国国税局。循环流程正在中断，预计政府将介入修复这一问题。

如同以往的经济衰退一样，支出增加的同时收入却在下降。但这次的不同之处在于，支出压力并非周期性的。自动稳定器原本是为应对暂时性失业而设立的，而非结构性失业。目前的福利制度假设工人能够重新就业。然而，许多人无法重返工作岗位，至少无法获得与之前相近的工资。新冠疫情期间，政府欣然接受了 15% 的财政赤字，但当时人们普遍认为这只是暂时的。如今需要政府援助的人们并非遭受了可以康复的疫情冲击，而是被不断进步的技术所取代。

政府需要向家庭转移更多资金，恰恰是在政府从家庭收取的税收减少的时候。

美国不会违约。它印钞是为了支出，也用同样的货币偿还借款。但这种压力已经显现在其他领域。市政债券年初至今的表现呈现出令人担忧的分化迹象。不征收所得税的州表现尚可，但依赖所得税的州（大多是民主党控制的州）发行的普通市政债券开始反映出一定的违约风险。政客们很快意识到了这一点，关于谁应该获得救助的争论也逐渐演变成党派之争。

值得称赞的是，本届政府很早就认识到了这场危机的结构性本质，并开始考虑两党提出的所谓 “转型经济法案”：该法案旨在通过赤字支出和拟议的人工智能推理计算税相结合的方式，向失业工人提供直接转移支付。

摆在桌面上的最激进的提案更进一步。“共享人工智能繁荣法案” 将建立一项公共权利，对人工智能基础设施本身的收益提出要求，类似于主权财富基金和人工智能产出收益的特许权使用费，其收益将用于家庭转移支付。私营部门的游说者们纷纷向媒体发出警告，指出此举可能引发严重的后果。

这些讨论背后的政治博弈令人沮丧地在意料之中，而哗众取宠和边缘政策更是加剧了这种局面。右翼将转移支付和再分配称为马克思主义，并警告说，对计算机征税会将领先优势拱手让给中国。左翼则警告说，在现任官员的帮助下起草的税收法案，不过是换了个名字的监管俘获。财政鹰派指出，财政赤字不可持续。鸽派则以全球金融危机后过早实施的财政紧缩政策为例，警示后患。随着今年总统大选的临近，这种分歧只会愈演愈烈。

政客们争吵不休的同时，社会结构的瓦解速度却远远超过了立法进程的推进速度。

“占领硅谷” 运动象征着更广泛的不满情绪。上个月，示威者连续三周封锁了 Anthropic 和 OpenAI 位于旧金山的办公室入口。示威人数不断增加，而引发示威活动的媒体报道量甚至超过了最初引发示威的失业数据。

很难想象在金融危机之后，公众会比银行家更憎恨谁，但人工智能实验室正在迎头赶上。从大众的角度来看，这也不无道理。它们的创始人及早期投资者积累财富的速度，令镀金时代都显得温和。生产力飙升带来的收益几乎全部落入了计算资源的拥有者和相关实验室的股东手中，这使得美国的贫富差距达到了前所未有的程度。

各方都有自己的反派，但真正的反派是时间。

人工智能能力的演进速度远超现有机构的适应能力。政策应对的步伐受意识形态而非现实的驱动。如果政府不能尽快就问题的根源达成共识，那么反馈循环将决定其未来的走向。

十、智力溢价消退

纵观整个现代经济史，人类智慧始终是稀缺资源。资本丰富（或者至少可以复制）。自然资源有限但可以替代。技术进步缓慢，人类能够适应。而智慧，即分析、决策、创造、说服和协调的能力，却是无法大规模复制的。

人类智慧的固有优势源于其稀缺性。我们经济体系中的每一个机构，从劳动力市场到抵押贷款市场再到税法，都是基于这一假设而设计的。

我们现在正经历着这种溢价的消退。机器智能如今已成为人类智能在日益广泛的任务领域中高效且快速发展的替代品。金融体系经过数十年的优化，以适应人类人才稀缺的世界，如今正在重新定价。这种重新定价的过程是痛苦的、混乱的，而且远未完成。

但重新定价并不等同于崩溃。

经济可以找到新的平衡点。实现这一目标，是目前仅存的少数只有人类才能完成的任务之一。我们需要正确地完成这项任务。

这是历史上首次出现经济中最具生产力的资产反而导致就业岗位减少而非增加的情况。没有任何现有的框架能够适用，因为没有任何框架是为稀缺投入变得丰富的世界而设计的。因此，我们必须建立新的框架。而我们能否及时建立这些框架，才是唯一重要的问题。

但你读到这篇文章的时候，不是 2028 年 6 月，而是 2026 年 2 月。

标普 500 指数接近历史高位，负面反馈循环尚未启动。我们确信其中一些情景不会发生。我们也同样确信，机器智能将继续加速发展，人类智能的溢价将会缩小。

作为投资者，我们仍有时间评估我们的投资组合中有多少是基于那些无法经受住十年考验的假设而构建的。作为社会成员，我们仍有时间采取积极主动的措施。

金丝雀还活着。

本文来自微信公众号：腾讯财经