←
Uweb商学院🏛️University of Web31,341 posts
Uweb商学院🏛️University of Web3 avatar

Uweb商学院🏛️University of Web3

@Uweb_agent

Uweb(University of Web3)是一家位于香港的Web3.0专业教育机构,传授数字资产配置策略与AI驱动投研方法,由于佳宁博士@Uwebdryu创办。推文主要分享由Uweb分析的链上指标剖析,不构成任何投资建议。

◷ Joined April 2023▧ 506 Photos and videos
Uweb商学院🏛️University of Web3 avatar
Uweb商学院🏛️University of Web3@Uweb_agent·6h

对话子时:中期选举之后,AI 泡沫、流动性拐点与算力分化 当选举结果、AI 监管、存储周期与流动性预期同时冲击市场,“AI 泡沫是否破裂”很容易被简化成一场非多即空的争论。 但比涨跌本身更值得追问的是:指数强势背后的市场结构发生了什么变化?算力租赁的资产负债表是否健康?Token 降价能否真正带来应用需求?巨额资本开支最终又需要怎样的收入来支撑? 11 月 10 日,Uweb Web3×AI 直播课第 263 期邀请香港 Uweb 商学院校长、香港注册数字资产分析师学会学术委员会轮值主席于佳宁,与 X KOL 子时展开对话。兼具资产管理与二级市场研究经验的子时,长期关注宏观市场、美股及 AI 产业链,并在 X 平台持续分享实盘与研究观点。 围绕“AI 泡沫与流动性拐点”,两人从美国中期选举复盘出发,进一步讨论 AI 政策、杠杆去化、数据中心、存储周期、Token 价格、应用层与 Agent 等议题。子时并未简单以“泡沫破裂”或“黄金坑”概括市场,而是尝试将短期交易波动与长期产业趋势拆开分析。 本文根据 Uweb 直播课转写整理,为提升阅读体验,对口语及重复内容进行了删节。嘉宾观点仅代表个人判断,不构成任何投资建议。 选举复盘:市场重新定价的,不只是一次选举结果 于佳宁:这次中期选举结果引发了广泛讨论。有观点将部分州“翻蓝”归因于 AI 数据中心争议,也有人认为,分裂政府历史上往往有利于风险资产。你如何复盘这次选举?它对市场的影响主要体现在哪里? 子时:我会把选举原因和市场影响分开看。 关于选举原因,舆论提供了许多解释,但仅从个别数据中心争议来解释整体结果,证据可能还不够。我更关注投票率和物价这两个变量。从我所看到的数据及与美国当地朋友的交流来看,部分原本支持共和党的选民投票意愿不足,而生活成本上升可能是影响投票行为的重要因素。 不投票本身也是一种态度。当通胀、利率和日常开支持续影响生活时,选民对执政党的评价会发生变化。少数族裔人口结构、部分地区人口流动等因素,也可能共同影响了结果。 市场定价的则不只是这一次选举,而是选举之后的政策路径,包括利率环境、政府治理、下一轮大选预期,以及风险资产估值需要如何调整。 因此,不能简单套用“分裂政府之后股市通常上涨”的历史经验。历史样本中的政治格局、通胀水平和利率环境并不相同。如果市场开始担心高利率持续更久,甚至把选举结果与更远期的政策变化联系起来,那么资产价格的反应就可能不同于一般经验。 于佳宁:也就是说,这次选举更像是通胀、利率和居民生活成本共同作用下的一次集中表达。市场担忧的也不只是政治事件本身,而是高利率环境可能延续,并进一步影响风险资产。 子时:是的。近期市场的担忧有其逻辑,但需要区分哪些是已经发生的事,哪些只是对远期的推演。 AI 政策:区分政治表态、执行成本与产业方向 于佳宁:选举之后,一些限制 AI 或暂停数据中心建设的提案受到关注。你如何看美国 AI 政策可能发生的变化?这会不会改变 AI 产业的发展方向? 子时:首先要看这些提案处于什么阶段。部分提案仍处于较早环节,距离形成可执行的政策还有较长过程。对于早期文本中比较激进的表达,不宜直接理解为最终产业方向。 即使部分政策继续推进,真正落实到地方,也可能更多体现为电力、土地、基础设施和融资条件的变化。例如,数据中心是否需要承担更多电力升级成本,相关基础设施由谁付费,银行贷款如何评估算力资产,这些问题都会影响项目的盈利能力。 从这个角度看,监管未必意味着 AI 产业整体停滞,但可能重新分配成本,并加快行业分化。大型科技公司通常拥有更强的融资、能源和客户资源,部分依赖高杠杆扩张的中小型算力厂商,则可能面临更明显的压力。 于佳宁:AI 监管会是长期议题,但监管与产业发展并不是简单的对立关系。尤其在全球 AI 竞争背景下,政策制定还需要权衡经济增长、就业、税收和技术竞争力。研究政策时,不能只看早期提案中最吸引眼球的表述,还要跟踪立法进程和实际执行方式。 大跌如何被放大:集中度、杠杆与交易结构 于佳宁:如果政策冲击未必改变产业方向,为什么市场仍然出现了如此剧烈的回调? 子时:因为市场在大跌之前已经存在一些脆弱因素。 一个重要现象是集中度。指数表现较强,但上涨主要由少数 AI 和科技股贡献,许多股票实际上已经提前走弱。当指数与多数个股的表现出现较大差异时,市场对负面消息会更加敏感。 另一个因素是杠杆。部分对冲基金和交易资金围绕 AI、半导体及算力产业链建立了较高仓位。政策消息只是触发因素,真正放大波动的,可能是集中持仓、融资杠杆和去杠杆交易形成的连续踩踏。 所以,这轮回调更像是多重因素共同释放,而不是一条新闻就能完整解释。大跌之后的反弹也需要仔细拆解,其中可能包含空头平仓带来的交易性修复,不能直接把某一天的价格变化当作长期趋势已经反转的证据。 Token 降价与 GPU 租金上涨:AI 商业化需要回答的问题 于佳宁:你提到一个很有意思的现象:部分模型 Token 价格下降,但 GPU 租赁价格仍然上涨。如果 Token 降价能够刺激需求,是否可能通过用量增长弥补单价下降?你如何看待这种价格弹性? 子时:这正是当前 AI 产业需要持续验证的问题。 目前,许多 AI 需求仍然来自 B 端,个人订阅虽然增长较快,但对整体算力和 Token 消耗的影响,未必能与大型企业客户相比。少数前沿模型的价格相对坚挺,其他模型则面临开源替代和价格竞争。 GPU 租金上涨、Token 价格下降,看上去有点像“发电机的租金越来越贵,电价却越来越便宜”。这种背离可以有不同解释:一种可能是算力供给仍然紧张,而模型服务竞争加剧;另一种可能是市场期待 Token 降价最终带来足够大的需求增长。 如果未来 AI 应用真正进入大规模使用阶段,用量增长可能消化价格下降的影响。但在应用层尚未充分爆发之前,这种需求弹性仍然需要数据验证。 我并不认同将 AI 简单归结为“技术骗局”。过去两年,AI 确实已经帮助不少个人和企业提高生产效率。但生产力提升能否转化为足够大的收入池,是另一个问题。 这就像把木犁换成拖拉机,耕作效率明显提高,但如果耕地面积没有同步扩大,收入增长仍可能存在边界。AI 投资需要回答的,已经不只是“模型还能强多少”,还包括“更强的模型能够创造多少可持续付费”。 数据中心为何像房地产:存量算力时代的赢家与出局者 于佳宁:有同学问,AI 到底更接近互联网,还是更接近房地产?互联网具有低边际成本的特征,但 AI 似乎受到能源、芯片和数据中心等刚性成本约束。你怎么看? 子时:如果看模型层,AI 仍然具有很强的软件和互联网属性;但如果看算力基础设施,它确实与房地产、铁路等重资产行业有相似之处。 部分算力厂商的业务模式是购置 GPU、建设数据中心,再将算力出租给客户,并以租赁合同支持进一步融资和扩张。这个模式能否持续,取决于出租率、租金、融资成本、设备折旧以及客户合同的履约情况。 当 GPU 租赁价格下降、设备折旧加快,或者客户合同不足以覆盖债务成本时,银行可能收紧融资,企业扩张就会受到影响。因此,算力需求增长并不必然意味着所有算力企业都能获得同样回报。 这也是我所关注的行业分化:具备能源、资金、客户和运营能力的企业,可能更容易穿越周期;单纯依赖高杠杆和资产价格上升扩张的参与者,风险会更集中。 数据中心可以被视为 AI 时代的“房子”,但房子有人使用,不等于每一个开发商都能赚钱。存量算力时代需要观察的,不只是建设规模,还有资产质量和现金流。 存储周期:低 PE 背后,市场正在重新定价什么 于佳宁:存储行业近期波动较大。一种乐观观点认为,长期协议已经锁定未来产能,加上预付款安排,行业可能摆脱过去的强周期属性。但也有观点认为,低 PE 并不代表低风险。你如何分析? 子时:存储行业过去具有明显的周期特征。每一轮景气高点,市场都容易出现“这次不一样”的叙事,例如长期需求已经锁定、供给更加理性、行业不会再重复过去的周期。 长期协议确实可能提高收入的可见度,但长期协议不等于全部收入已经实现。需要继续研究合同约束力、预付款比例、交付节奏,以及极端情况下是否可能发生重新谈判或违约。 Forward PE 使用的是未来盈利预期。如果市场价格已经计入产能全部释放、合同全部履约和供需持续紧张,那么一旦新进入者增加、技术路线变化或下游需求放缓,市场就可能同时下调盈利预测和估值水平。 因此,判断存储企业是否“便宜”,不能只看当前 PE,还要拆解盈利假设。低估值有时反映的是市场对未来盈利下降的预期。 不过,周期风险也不等于价格会沿单一方向运动。当悲观预期被较充分计入后,空头平仓和估值修复同样可能出现。短期交易性反弹与长期盈利拐点,需要分开判断。 基建还是应用:为什么子时仍然关注产业底座 于佳宁:市场上有一种观点,认为 AI 基建可能进入调整,而应用层会接棒。但如果应用需求不足,基建投入回报会受到质疑;如果基建无法继续,应用爆发也可能受到限制。你目前更关注哪一层? 子时:我目前仍然花较多精力研究基础设施,原因在于现阶段许多真实需求仍来自 B 端,C 端应用尚未形成与资本开支相匹配的规模。 一些个人用户已经把 AI 当作搜索、问答和生活辅助工具,但这种使用方式未必能显著增加算力消耗,也不一定直接形成高额收入。真正影响模型厂商和算力厂商收入的,仍然是企业客户是否持续扩大部署。 应用层当然值得研究,但需要先定义什么是 AI 原生应用。现在不少产品只是给原有软件增加 AI 功能,未必代表新一代应用形态已经出现。 我认为,模型本身可能就是当前最重要的应用之一。未来还可能出现以 Agent 为入口的新形态:用户不再下载大量 App,而是通过自己的 Agent 与他人的 Agent 沟通、协作,甚至完成支付和服务调用。 这种形态仍处于探索早期。如果 Agent 能够成为新的交互入口,应用层的定义可能被重新改写。但现在还不能把每一个带有 AI 概念的产品,都视为应用大规模爆发的证据。 长期需求看什么:从效率工具到科学问题的突破 于佳宁:你在讨论中多次提到“奇点”。你关注的不只是 AI 能否提高办公效率,还包括它能否推动科学突破。你如何理解这一点? 子时:我重点关注 AI 能否在蛋白质解析与合成、生物化学、数学和物理等前沿领域形成可验证的突破。 如果 AI 能够显著降低某些科学问题的研究成本,或者帮助研究者找到过去难以发现的解决方案,那么它创造的价值可能远超当前的办公和编程工具。这也可能为长期算力需求提供新的解释。 大型科技公司持续投入 AI,可以理解为它们在为这种可能性下注。但资本开支本身不能证明技术突破一定会发生,最终仍要观察研究成果、商业转化和实际收入。 因此,与其急着预测“奇点何时到来”,我更愿意跟踪一些具体问题:AI 是否开始解决过去无法解决的问题?这些成果能否重复验证?是否形成新的产业链和付费场景? 长期产业想象与短期资产估值需要分开。前者可以提供研究方向,后者仍然要接受现金流和市场价格的检验。 泡沫还是黄金坑:先确认自己在交易哪一种前提 于佳宁:回到投资者最关心的问题:当前究竟是 AI 泡沫开始破裂,还是一次值得研究的调整?不同观点应该如何判断? 子时:讨论这个问题之前,需要先确认自己的前提。 如果认为 AI 的长期需求仍会持续,当前巨额投入最终能够形成回报,那么部分龙头企业的估值回落可能提供新的研究窗口。如果认为 AI 需求很快见顶、资本开支难以兑现,那么即使估值下降,也未必意味着风险已经充分释放。 两种结论来自不同前提,不能把它们混在一起使用。 我自己的方法,是在研究与风险承担之间寻找平衡。研究无法消除不确定性,但可以帮助我理解自己在押注什么、关键假设是什么,以及哪些信号出现时需要重新评估。 与其寻找一个适用于所有人的“底部”,不如先建立一套能够被后续数据验证或推翻的框架。 于佳宁:投资研究不能先入为主,也不能只依赖情绪和个人偏好。AI 与数字资产可以作为长期研究主题,但长期主题并不意味着短期没有波动。市场调整阶段,反而更适合补充产业知识、亲自使用工具,并重新检查自己的研究框架。 Uweb:让市场讨论回到研究,让 AI 学习落到实操 这场近两个小时的对话,没有停留在“看多”或“看空”的简单结论,而是将市场变化拆解为一组可以持续跟踪的问题: 选举与通胀如何影响流动性预期?集中度与杠杆如何放大波动?算力资产能否形成健康现金流?Token 降价能否带来足够大的应用需求?长期协议能否真正改变存储周期?Agent 又是否会成为新的应用入口? 这也是 Uweb Web3×AI 直播课希望提供的学习价值:不仅讨论市场热点,更尝试进入热点背后的产业结构、商业逻辑与研究方法。 在于佳宁看来,理解 AI 不能仅靠阅读观点,还需要真实使用工具、分析数据,并在实践中建立体感。围绕宏观研究、AI 投研、工具实操及 Web3 应用,Uweb 将持续邀请产业研究者和一线实践者展开对话,并通过线上直播与线下实训,帮助学习者把市场信息转化为可验证的研究框架。 市场波动之中,比急于获得一个答案更重要的,是知道问题应该从哪里开始。 关注 Uweb,获取更多 Web3×AI 直播课程、嘉宾对话与课程精华。 @silverfang88

Uweb商学院🏛️University of Web3 avatar
⟳ Uweb商学院🏛️University of Web3 retweeted
Uweb商学院🏛️University of Web3@Uweb_agent·Nov 17

把AI投研“装进口袋”:张睿彬拆解微信连接Codex的工作流 当AI应用逐渐从“对话问答”走向“任务执行”,一个新的问题开始受到关注:手机上的想法与需求,如何调用电脑中已经搭建好的AI工作能力? 在Uweb AI投研实训营的一场线上直播课中,香港Uweb商学院AI专家张睿彬围绕“如何用微信使用Codex”进行了实操演示。他以微信为指令入口,以WorkBuddy为连接工具,以电脑端Codex为执行空间,尝试打通从移动端提出需求到电脑端完成任务的链路。 在张睿彬看来,这场分享的重点并不只是某一款软件的使用方法,而是一种AI应用思路:像用人一样用AI,把需求拆解为角色、空间和执行步骤,再让不同工具承担相应环节。 围绕移动端工作流、投研Agent调用、定时任务与结果校验等话题,我们将本场课程内容整理为以下对话。 本文根据Uweb直播课转写整理,部分问题与表述经编辑调整。产品功能及操作路径以实际版本为准,文中案例仅用于工作流演示,不构成投资建议。 从“向模型提问”到“把任务交给AI” Uweb:很多用户已经习惯直接与大模型对话,为什么还要使用Codex、WorkBuddy这类工具? 张睿彬:直接与模型对话,是一种常见也很直观的使用方式。但如果希望AI进一步参与资料整理、文件处理、编程和流程执行,仅靠聊天窗口往往不够。 以Codex、WorkBuddy等工具为代表的平台,相当于在模型之外增加了信息获取与任务执行的能力。模型不仅能够理解问题,还可以在获得授权的环境中调用工具、处理文件,并通过编程等方式完成任务。 可以把这两种方式简单理解为:直接对话更像是在向一位顾问提问,而使用智能体平台,更像是把任务交给一个能够继续调动资源和工具的执行者。 这并不意味着所有场景都需要使用复杂工具。对于简单问答,直接对话可能已经足够;但当任务涉及多个步骤,或者需要反复调用一套固定流程时,智能体平台的价值会更容易体现出来。 手机不一定要承担复杂执行,也可以成为任务入口 Uweb:为什么会想到通过微信使用Codex?移动端工作流主要解决什么问题? 张睿彬:电脑仍然是运行复杂AI工作流的重要空间。它更适合处理文件、运行程序,也更符合许多研究与管理工作的操作习惯。但人并不总是坐在电脑前。 有时是在通勤途中,有时是在外出用餐,也可能只是临时看到一条信息、收到一份文件,突然产生了一个研究需求。如果必须等到回到电脑前再处理,一些想法可能就被搁置了。 所以,这条工作流并不是要用手机替代电脑,更不是把复杂编程全部搬到手机上,而是让手机承担“任务入口”的角色:人在移动端提出需求,电脑端已有的AI工具继续完成执行,再把结果送回手机。 如果你随时都能打开电脑,直接使用Codex当然更加方便。微信连接电脑的价值,更多体现在那些暂时无法使用电脑、但又希望及时发起任务的场景中。 “像用人一样用AI”:先拆角色,再连接工具 Uweb:对于没有技术基础的用户,应该如何理解这套连接逻辑? 张睿彬:我在AI科普课中经常提到一句话:“像用人一样用AI。” 假设你是一位负责人,刚刚看到一项重要事件,希望研究团队尽快提交一份市场反应报告。你通常不会亲自完成所有工作,而是先联系研究主管,告诉他任务目标、交付内容和时间要求。研究主管收到指令后,再组织团队搜集信息、开展分析并形成报告。 把这个场景映射到AI工作流中,大致需要三个部分: 第一,需要一个能够接收指令的角色,类似行政秘书或研究主管; 第二,需要一个执行任务的空间,类似团队的办公室; 第三,需要一组真正开展研究与分析的工具,类似具体执行团队。 在微信连接Codex的演示中,微信里的AI助理承担接收信息的角色,电脑提供运行空间,Codex及其中已经搭建好的Agent负责后续执行。用户要做的,是把这几个环节连接起来。 这也是我希望大家从课程中带走的方法:遇到复杂需求时,先不要急着问“哪一个按钮可以实现”,而是先拆解任务需要哪些角色和步骤。流程想清楚之后,工具选择往往会清晰很多。 实操路径:微信、WorkBuddy与Codex如何串起来 Uweb:具体到这次演示,手机与电脑是如何完成连接的? 张睿彬:这次演示主要借助WorkBuddy的微信助理功能。以直播中的客户端版本为例,用户可以在电脑端进入设置,找到“助理设置”,再选择“微信助理集成”并完成扫码绑定。 绑定完成后,微信中的AI助理与电脑端WorkBuddy的助理聊天窗口会同步消息。用户在手机端发送的内容,可以出现在电脑端;电脑端生成的回复,也可以返回微信。 到这里,第一步就完成了:信息已经从手机微信进入电脑工作环境。 接下来,用户可以继续向WorkBuddy发出指令,让它调用电脑上的Codex。例如,不只是说“帮我分析一项市场事件”,而是进一步明确: 请调用电脑端Codex中已经搭建好的宏观分析工作流,整理这一事件发生后主要市场的短期反应,并形成一份包含信息来源、核心观点与风险提示的报告。 这样,任务就不只是进行一次普通问答,而是尝试调用电脑中已有的文件夹、技能或Agent。 整条链路可以概括为: 微信发出指令——WorkBuddy接收并理解任务——在授权环境中调用Codex——执行结果返回聊天窗口。 在实际使用中,电脑需要保持开机,并具备相应的软件、权限与网络环境。不同版本的界面可能有所差异,用户也需要根据产品提示检查配置。直播演示的意义,是提供一条相对容易理解的连接路径,而不是要求所有人都采用同一种方案。 投研应用的关键,不只是把聊天窗口搬进微信 Uweb:为什么不直接在手机上使用大模型?调用电脑端Codex的额外价值在哪里? 张睿彬:如果只是一次简单问答,手机端模型可能已经能够满足需求。但对于已经搭建过投研工作流的用户来说,电脑端积累的Agent、数据获取方式和分析框架,同样值得复用。 例如,你已经在Codex中搭建了一套宏观分析流程,其中包含固定的信息来源、数据处理步骤和分析框架。如果改用手机重新提问,这些既有能力未必能够同步过去。 通过微信调用电脑端Codex,更值得关注的是对既有工作流的延续:用户不必每次都从头描述研究规则,而是可以把任务交给一个已经配置过的执行环境。 微信生态中的文件处理也是一个典型场景。当用户在微信里收到一份项目材料、研报PDF或图片时,可以尝试将内容转发给AI助理,再由电脑端工具继续分析。这样,信息接收、任务发起和结果返回有机会在同一套沟通场景中完成,减少在不同应用之间反复切换的步骤。 当然,这套方式是否适合某位用户,仍取决于他的使用习惯与实际配置。对于已经能够熟练使用移动端AI工具的人,其他路径也可能更加直接。 模型与中间角色:不仅要看成本,也要看任务损耗 Uweb:在这套多层调用的流程中,模型选择需要注意什么? 张睿彬:WorkBuddy在这里不仅是一个消息通道,还承担着理解需求和转述任务的角色。如果中间环节没有准确理解用户意图,后续执行就可能出现偏差。 因此,在选择模型时,不宜只比较单次调用成本,也要考虑任务理解、指令传递和工具操作能力。尤其是涉及研究分析的任务,信息来源是否可靠、分析过程是否清晰、结果是否经过校验,都比单纯生成一段文字更重要。 这并不意味着所有环节都要使用同一种模型,而是要根据任务重要程度进行组合。简单任务可以采用更轻量的配置,复杂研究则更适合把理解能力、工具调用能力和结果稳定性放在一起评估。 AI投研也不应被理解为“模型给出答案,用户直接采用”。更合理的方式,是让AI承担资料搜集、初步整理和辅助分析,再由使用者对关键事实和结论进行复核。 从一次性问答到持续运转:定时任务与结果推送 Uweb:除了临时发起任务,这套连接方式还有哪些延伸应用? 张睿彬:一个值得尝试的方向是定时任务。 如果电脑端Codex已经设置了定期整理研报、跟踪公开信息或生成市场观察的流程,就可以进一步让WorkBuddy在约定时间读取相关结果,并推送到微信聊天窗口。 这样,微信里的AI助理不只是被动接收指令,也可以承担一定的信息提醒职能。用户不必每天回到电脑前检查任务是否完成,而是可以在移动端接收结果,再决定是否需要进一步追问。 类似的思路也可以延伸到学习和办公场景。例如,将讲义照片、会议材料或待整理文件发送给AI助理,由电脑端工具进行分类、摘要或格式处理。 这些应用未必都需要复杂的自动化系统。很多时候,只要把“接收信息—执行任务—返回结果”这三个环节连接起来,就能减少一部分重复操作。 AI产出不达预期,先区分流程问题与随机偏差 Uweb:如果Codex生成的结果不符合预期,用户应该如何排查? 张睿彬:可以先区分两类问题:一类是流程性错误,另一类是随机性偏差。 如果同类任务反复出现相似问题,就需要检查工作流本身。例如,信息抓取渠道是否完整,数据处理是否正确,分析逻辑是否清晰,提示词和技能配置是否存在缺陷。这类问题更适合回到流程中逐项调整。 如果只是某一次任务出现理解偏差,则可以检查当时的提问方式、上下文信息和任务描述,并通过补充约束、重新提问或交叉验证来观察结果是否稳定。 对于投研场景,尤其需要保留结果校验环节。AI可以帮助提高信息处理效率,但信息源、关键数据和重要结论仍需要人工检查。涉及实际决策时,AI更适合作为辅助工具,而不是替代人的判断。 工具会持续更新,工作流思维更值得沉淀 Uweb:这场直播也是Uweb AI投研实训营课程的一次展示。你希望通过实训营帮助学员解决哪些问题? 张睿彬:AI工具更新很快,如果只记住某一个版本的按钮位置,学习内容可能很快就需要调整。因此,课程除了演示工具,也希望帮助学员理解任务拆解、Agent配置和流程搭建的方法。 据我们的课程安排,AI投研实训营采用线下集中实操与线上持续学习相结合的方式。线下课程更侧重环境配置、工作流搭建和现场问题解决;线上课程则继续跟进工具变化,分享新的应用方法,并围绕实际使用中的问题展开交流。 线上与线下解决的问题有所不同。线上分享可以让更多人先理解一条技术路线,线下实操则更方便根据每个人的基础和配置逐项排查。对于希望把AI真正接入研究或日常工作的用户,持续练习和反复复盘同样重要。 这场关于微信与Codex的分享,也只是工作流思维的一个切口。理解之后,类似的连接方式还可以根据个人需求延伸到其他工具和场景中。 结语 从微信发出一条消息,到电脑端Agent开始执行,再到结果回到手机,这条链路看似是一次工具连接,背后却对应着AI使用方式的变化:用户不只是寻找一个能够回答问题的模型,也在尝试搭建一套能够分派任务、调用能力并持续优化的工作流程。 这套方案并不是所有场景下的必选项,但它提供了一种值得参考的思路:先想清楚任务如何拆解,再决定工具如何连接;先让流程跑起来,再通过校验与复盘逐步完善。 当手机成为任务入口、电脑成为执行空间,AI或许能够更自然地嵌入研究与工作过程。比掌握某一个软件技巧更重要的,是形成一套可以随工具更新而不断迁移的方法。 对AI投研、智能体搭建及自动化工作流感兴趣的读者,可关注Uweb后续公开课与AI投研实训营安排,通过Uweb官方渠道或私信咨询课程信息。 当AI应用逐渐从“对话问答”走向“任务执行”,一个新的问题开始受到关注:手机上的想法与需求,如何调用电脑中已经搭建好的AI工作能力? 在Uweb AI投研实训营的一场线上直播课中,香港Uweb商学院首席AI专家张睿彬围绕“如何用微信使用Codex”进行了实操演示。他以微信为指令入口,以WorkBuddy为连接工具,以电脑端Codex为执行空间,尝试打通从移动端提出需求到电脑端完成任务的链路。 在张睿彬看来,这场分享的重点并不只是某一款软件的使用方法,而是一种AI应用思路:像用人一样用AI,把需求拆解为角色、空间和执行步骤,再让不同工具承担相应环节。 围绕移动端工作流、投研Agent调用、定时任务与结果校验等话题,我们将本场课程内容整理为以下对话。 本文根据Uweb直播课转写整理,部分问题与表述经编辑调整。产品功能及操作路径以实际版本为准,文中案例仅用于工作流演示,不构成投资建议。 从“向模型提问”到“把任务交给AI” Uweb:很多用户已经习惯直接与大模型对话,为什么还要使用Codex、WorkBuddy这类工具? 张睿彬:直接与模型对话,是一种常见也很直观的使用方式。但如果希望AI进一步参与资料整理、文件处理、编程和流程执行,仅靠聊天窗口往往不够。 以Codex、WorkBuddy等工具为代表的平台,相当于在模型之外增加了信息获取与任务执行的能力。模型不仅能够理解问题,还可以在获得授权的环境中调用工具、处理文件,并通过编程等方式完成任务。 可以把这两种方式简单理解为:直接对话更像是在向一位顾问提问,而使用智能体平台,更像是把任务交给一个能够继续调动资源和工具的执行者。 这并不意味着所有场景都需要使用复杂工具。对于简单问答,直接对话可能已经足够;但当任务涉及多个步骤,或者需要反复调用一套固定流程时,智能体平台的价值会更容易体现出来。 手机不一定要承担复杂执行,也可以成为任务入口 Uweb:为什么会想到通过微信使用Codex?移动端工作流主要解决什么问题? 张睿彬:电脑仍然是运行复杂AI工作流的重要空间。它更适合处理文件、运行程序,也更符合许多研究与管理工作的操作习惯。但人并不总是坐在电脑前。 有时是在通勤途中,有时是在外出用餐,也可能只是临时看到一条信息、收到一份文件,突然产生了一个研究需求。如果必须等到回到电脑前再处理,一些想法可能就被搁置了。 所以,这条工作流并不是要用手机替代电脑,更不是把复杂编程全部搬到手机上,而是让手机承担“任务入口”的角色:人在移动端提出需求,电脑端已有的AI工具继续完成执行,再把结果送回手机。 如果你随时都能打开电脑,直接使用Codex当然更加方便。微信连接电脑的价值,更多体现在那些暂时无法使用电脑、但又希望及时发起任务的场景中。 “像用人一样用AI”:先拆角色,再连接工具 Uweb:对于没有技术基础的用户,应该如何理解这套连接逻辑? 张睿彬:我在AI科普课中经常提到一句话:“像用人一样用AI。” 假设你是一位负责人,刚刚看到一项重要事件,希望研究团队尽快提交一份市场反应报告。你通常不会亲自完成所有工作,而是先联系研究主管,告诉他任务目标、交付内容和时间要求。研究主管收到指令后,再组织团队搜集信息、开展分析并形成报告。 把这个场景映射到AI工作流中,大致需要三个部分: 第一,需要一个能够接收指令的角色,类似行政秘书或研究主管; 第二,需要一个执行任务的空间,类似团队的办公室; 第三,需要一组真正开展研究与分析的工具,类似具体执行团队。 在微信连接Codex的演示中,微信里的AI助理承担接收信息的角色,电脑提供运行空间,Codex及其中已经搭建好的Agent负责后续执行。用户要做的,是把这几个环节连接起来。 这也是我希望大家从课程中带走的方法:遇到复杂需求时,先不要急着问“哪一个按钮可以实现”,而是先拆解任务需要哪些角色和步骤。流程想清楚之后,工具选择往往会清晰很多。 实操路径:微信、WorkBuddy与Codex如何串起来 Uweb:具体到这次演示,手机与电脑是如何完成连接的? 张睿彬:这次演示主要借助WorkBuddy的微信助理功能。以直播中的客户端版本为例,用户可以在电脑端进入设置,找到“助理设置”,再选择“微信助理集成”并完成扫码绑定。 绑定完成后,微信中的AI助理与电脑端WorkBuddy的助理聊天窗口会同步消息。用户在手机端发送的内容,可以出现在电脑端;电脑端生成的回复,也可以返回微信。 到这里,第一步就完成了:信息已经从手机微信进入电脑工作环境。 接下来,用户可以继续向WorkBuddy发出指令,让它调用电脑上的Codex。例如,不只是说“帮我分析一项市场事件”,而是进一步明确: 请调用电脑端Codex中已经搭建好的宏观分析工作流,整理这一事件发生后主要市场的短期反应,并形成一份包含信息来源、核心观点与风险提示的报告。 这样,任务就不只是进行一次普通问答,而是尝试调用电脑中已有的文件夹、技能或Agent。 整条链路可以概括为: 微信发出指令——WorkBuddy接收并理解任务——在授权环境中调用Codex——执行结果返回聊天窗口。 在实际使用中,电脑需要保持开机,并具备相应的软件、权限与网络环境。不同版本的界面可能有所差异,用户也需要根据产品提示检查配置。直播演示的意义,是提供一条相对容易理解的连接路径,而不是要求所有人都采用同一种方案。 投研应用的关键,不只是把聊天窗口搬进微信 Uweb:为什么不直接在手机上使用大模型?调用电脑端Codex的额外价值在哪里? 张睿彬:如果只是一次简单问答,手机端模型可能已经能够满足需求。但对于已经搭建过投研工作流的用户来说,电脑端积累的Agent、数据获取方式和分析框架,同样值得复用。 例如,你已经在Codex中搭建了一套宏观分析流程,其中包含固定的信息来源、数据处理步骤和分析框架。如果改用手机重新提问,这些既有能力未必能够同步过去。 通过微信调用电脑端Codex,更值得关注的是对既有工作流的延续:用户不必每次都从头描述研究规则,而是可以把任务交给一个已经配置过的执行环境。 微信生态中的文件处理也是一个典型场景。当用户在微信里收到一份项目材料、研报PDF或图片时,可以尝试将内容转发给AI助理,再由电脑端工具继续分析。这样,信息接收、任务发起和结果返回有机会在同一套沟通场景中完成,减少在不同应用之间反复切换的步骤。 当然,这套方式是否适合某位用户,仍取决于他的使用习惯与实际配置。对于已经能够熟练使用移动端AI工具的人,其他路径也可能更加直接。 模型与中间角色:不仅要看成本,也要看任务损耗 Uweb:在这套多层调用的流程中,模型选择需要注意什么? 张睿彬:WorkBuddy在这里不仅是一个消息通道,还承担着理解需求和转述任务的角色。如果中间环节没有准确理解用户意图,后续执行就可能出现偏差。 因此,在选择模型时,不宜只比较单次调用成本,也要考虑任务理解、指令传递和工具操作能力。尤其是涉及研究分析的任务,信息来源是否可靠、分析过程是否清晰、结果是否经过校验,都比单纯生成一段文字更重要。 这并不意味着所有环节都要使用同一种模型,而是要根据任务重要程度进行组合。简单任务可以采用更轻量的配置,复杂研究则更适合把理解能力、工具调用能力和结果稳定性放在一起评估。 AI投研也不应被理解为“模型给出答案,用户直接采用”。更合理的方式,是让AI承担资料搜集、初步整理和辅助分析,再由使用者对关键事实和结论进行复核。 从一次性问答到持续运转:定时任务与结果推送 Uweb:除了临时发起任务,这套连接方式还有哪些延伸应用? 张睿彬:一个值得尝试的方向是定时任务。 如果电脑端Codex已经设置了定期整理研报、跟踪公开信息或生成市场观察的流程,就可以进一步让WorkBuddy在约定时间读取相关结果,并推送到微信聊天窗口。 这样,微信里的AI助理不只是被动接收指令,也可以承担一定的信息提醒职能。用户不必每天回到电脑前检查任务是否完成,而是可以在移动端接收结果,再决定是否需要进一步追问。 类似的思路也可以延伸到学习和办公场景。例如,将讲义照片、会议材料或待整理文件发送给AI助理,由电脑端工具进行分类、摘要或格式处理。 这些应用未必都需要复杂的自动化系统。很多时候,只要把“接收信息—执行任务—返回结果”这三个环节连接起来,就能减少一部分重复操作。 AI产出不达预期,先区分流程问题与随机偏差 Uweb:如果Codex生成的结果不符合预期,用户应该如何排查? 张睿彬:可以先区分两类问题:一类是流程性错误,另一类是随机性偏差。 如果同类任务反复出现相似问题,就需要检查工作流本身。例如,信息抓取渠道是否完整,数据处理是否正确,分析逻辑是否清晰,提示词和技能配置是否存在缺陷。这类问题更适合回到流程中逐项调整。 如果只是某一次任务出现理解偏差,则可以检查当时的提问方式、上下文信息和任务描述,并通过补充约束、重新提问或交叉验证来观察结果是否稳定。 对于投研场景,尤其需要保留结果校验环节。AI可以帮助提高信息处理效率,但信息源、关键数据和重要结论仍需要人工检查。涉及实际决策时,AI更适合作为辅助工具,而不是替代人的判断。 工具会持续更新,工作流思维更值得沉淀 Uweb:这场直播也是Uweb AI投研实训营课程的一次展示。你希望通过实训营帮助学员解决哪些问题? 张睿彬:AI工具更新很快,如果只记住某一个版本的按钮位置,学习内容可能很快就需要调整。因此,课程除了演示工具,也希望帮助学员理解任务拆解、Agent配置和流程搭建的方法。 据我们的课程安排,AI投研实训营采用线下集中实操与线上持续学习相结合的方式。线下课程更侧重环境配置、工作流搭建和现场问题解决;线上课程则继续跟进工具变化,分享新的应用方法,并围绕实际使用中的问题展开交流。 线上与线下解决的问题有所不同。线上分享可以让更多人先理解一条技术路线,线下实操则更方便根据每个人的基础和配置逐项排查。对于希望把AI真正接入研究或日常工作的用户,持续练习和反复复盘同样重要。 这场关于微信与Codex的分享,也只是工作流思维的一个切口。理解之后,类似的连接方式还可以根据个人需求延伸到其他工具和场景中。 结语 从微信发出一条消息,到电脑端Agent开始执行,再到结果回到手机,这条链路看似是一次工具连接,背后却对应着AI使用方式的变化:用户不只是寻找一个能够回答问题的模型,也在尝试搭建一套能够分派任务、调用能力并持续优化的工作流程。 这套方案并不是所有场景下的必选项,但它提供了一种值得参考的思路:先想清楚任务如何拆解,再决定工具如何连接;先让流程跑起来,再通过校验与复盘逐步完善。 当手机成为任务入口、电脑成为执行空间,AI或许能够更自然地嵌入研究与工作过程。比掌握某一个软件技巧更重要的,是形成一套可以随工具更新而不断迁移的方法。 对AI投研、智能体搭建及自动化工作流感兴趣的读者,可关注Uweb后续公开课与AI投研实训营安排,通过Uweb官方渠道或私信咨询课程信息。

Uweb商学院🏛️University of Web3 avatar
⟳ Uweb商学院🏛️University of Web3 retweeted
Uweb商学院🏛️University of Web3@Uweb_agent·Nov 16

从金融危机中的黄金,到美股风险八指标:如何用 Codex 建立一套证据驱动的研究框架 当“AI 是否存在泡沫”成为市场反复讨论的话题,比给出结论更重要的,或许是建立一套可以持续观察、不断验证的研究方法。 11 月 12 日,在 Uweb Codex AI 投研实训营直播课上,证据驱动的规律研究者明烛安泰围绕“从金融危机中的黄金表现到美股风险八个指标”,分享了自己使用 Codex 开展宏观研究、获取公开数据、绘制图表并搭建本地观察看板的过程。 这场分享从一个具体问题出发:黄金在金融危机中是否真的能够避险?随后,研究逐步延伸至危机前的预警信号,并最终形成一套包含五层风险、八个指标的观察框架。 在明烛安泰看来,AI 的价值不只是给出一个看似合理的答案,更在于帮助研究者把逻辑转化为数据,把观点放回图表中检验。以下为本场直播内容整理,部分提问与表达经编辑整合,以便阅读。 嘉宾:明烛安泰,证据驱动的规律研究者,小红书号:MZATAI 对谈嘉宾:于佳宁,香港 Uweb 校长 文中数据、图表及市场判断均为嘉宾在直播中的研究展示与个人观察,不构成任何投资建议。 从黄金切入:危机研究中,先找到一个可以验证的问题 Uweb:今天的分享涉及黄金、金融危机和美股风险指标。为什么一开始会选择黄金作为研究切口? 明烛安泰:我最早想研究的,其实是美国自 1929 年以来的几次大型经济危机和股市崩盘。但这个题目很大,一开始并没有清晰框架,所以需要先找一个相对具体的切入点。 我想到的是黄金。市场通常把黄金视为避险资产,但在股市剧烈下跌时,黄金是否每次都能发挥作用?这个问题不能先凭印象回答,而要把危机期间的表现放在一起观察。 因此,整个研究大致分成三步。 第一步,观察黄金在六次危机中的表现,讨论它的避险作用是否存在,以及在什么条件下会失效。 第二步,把研究时间往前推,看看危机发生之前是否出现过一些可以观察的预警信号,并尝试理解其中的逻辑链条。 第三步,从不同危机中提炼出一些相对具有共性的指标,形成一套持续观察美股风险的框架。面对当前关于 AI 产业与美股估值的讨论,这套框架或许能提供一些研究视角。 它不是用来预测某一天一定上涨或下跌,而是帮助我看到:市场现在处在什么位置,哪些风险正在积累,又有哪些假设还需要继续验证。 与 Codex 协作的四步:提问、梳理逻辑、寻找证据、回到图表 Uweb:在这个研究过程中,你怎样与 Codex 分工? 明烛安泰:我的研究思路是“证据驱动”。一个观点只有找到明确的数据或可以支撑它的证据,才值得进入下一轮讨论。 具体使用 Codex 时,我大致会经过四个步骤。 首先,由我提出问题。比如,金融危机中的黄金到底表现如何?问题提出后,还要限定时间范围、研究对象和比较口径。 第二步,与 Codex 讨论逻辑。它会给出自己的理解,也可能列出一条看起来完整的逻辑链。但“听起来合理”并不等于已经被验证。 第三步,继续追问证据。我会问它:有哪些指标可以支持这个逻辑?应该获取哪些数据?这些数据能否覆盖需要研究的历史阶段? 第四步,让 Codex 获取数据并绘图,再回到图表中检查。我要看的是,这条逻辑能否形成闭环,中间有没有遗漏,是否还存在其他解释。 所以,人与 AI 的分工并不是把研究完全交给 AI。问题由人提出,判断也由人完成;AI 更多地参与资料整理、数据获取、编程和图表制作,让原本工作量很大的验证过程变得更容易推进。 在项目角色上,我早期还做过一个相对明确的划分:一个类似 CEO 的角色,用来讨论问题、梳理逻辑和验收结果;一个类似 CTO 的角色,负责编程、获取数据和绘图;另一个角色负责把研究内容整理成适合发布的图文。 这套分法未必适用于所有项目,但它帮助我把“研究”“执行”和“表达”分开,避免在一个对话里反复切换任务。 复盘 2008 年:黄金的避险与抛售,可能发生在同一场危机里 Uweb:以 2008 年金融危机为例,黄金的表现提供了哪些观察? 明烛安泰:如果只截取危机中的某一个阶段,很容易得到单一结论。把黄金、股市和流动性指标放到同一条时间线上,会看到一个更复杂的过程。 在危机早期,当部分资金开始降低对股票等风险资产的暴露时,黄金曾表现出一定的避险特征。但随着市场流动性进一步收紧,黄金也出现过明显下跌。 我当时的理解是,在极度缺乏现金的环境中,投资者可能不再区分资产类别,而是优先出售能够变现的资产。黄金因此也可能成为被抛售的对象。 这里会用到 CPFF,也就是三个月期商业票据利率与联邦基金利率之间的利差。直播展示的图表中,这一利差在相关阶段一度升至 2.91%。它反映出短期融资市场承受的压力,也为理解黄金为什么会在危机中与风险资产一同下跌提供了一个观察角度。 随后,随着降息和流动性支持等措施推出,黄金的表现又逐渐发生变化。因此,同一场危机里,黄金可能先后经历避险、流动性抛售和政策预期主导下的修复。 这也是我更愿意把整个过程拆开看的原因:如果只是问“黄金能不能避险”,很容易忽略它所处的具体阶段。 五层风险、八个指标:把“泡沫”拆成可以观察的变量 Uweb:在完成历史危机复盘后,你形成了一套怎样的美股风险观察框架? 明烛安泰:我目前把它整理为五层风险、八个指标。不同指标衡量的对象并不相同,其中相当一部分是在观察杠杆。 第一层是产业杠杆,包括两个指标: 一是美国非金融公司债务与 M2 的比值;二是信息处理设备与软件私人固定资产投资与 M2 的比值。 前者用于观察企业部门的债务扩张,后者更接近对信息技术和相关基础设施投入的观察。之所以使用 M2 作为分母,是希望为不同历史时期提供一个相对统一的比较尺度。 第二层是金融部门杠杆: 主要观察美国金融部门总资产与 M2 的比值,用来理解金融体系资产扩张所处的位置。 第三层是股市内部杠杆,包括两个指标: 一是客户保证金借款与 M2 的比值,用于观察市场参与者借钱进入股市的程度;二是证券经纪交易商资产与权益资本的比值,用于观察券商自身的杠杆水平。 第四层是住房杠杆: 观察家庭住房抵押债务与 M2 的比值。这个指标在 2008 年金融危机的研究中尤其重要,但它在不同周期中的解释力可能有所区别。 第五层是估值风险,也包括两个指标: 一个是席勒市盈率;另一个是用市盈率倒数得到的盈利收益率,再减去十年期美国国债收益率。 后一个指标关注的是风险资产与无风险资产之间的收益比较。如果承担股票市场风险所对应的盈利收益率,相对国债收益率缺乏吸引力,那么估值和机会成本就值得放在一起重新评估。 这八个指标并不意味着可以组成一个自动预测模型。它们更像是一块观察板,让“泡沫很大”或者“这次不一样”这类讨论,能够进一步落到具体变量上。 看当前美股:产业杠杆与市场杠杆,需要分开讨论 于佳宁:这些指标从研究走向投资实践时,意义主要体现在哪里? 明烛安泰:对我帮助比较大的地方,是面对两种相反观点时,不再只能停留在“相信哪一个”的层面。 一种观点认为 AI 已经存在较大泡沫,另一种观点认为这一轮与过去完全不同。如果没有指标,我很难继续往下拆解。有了这些维度之后,至少可以分别观察产业投入、企业债务、市场杠杆和估值。 从我直播时展示的图表看,当前部分场内杠杆指标处于较高位置,因此市场出现去杠杆式的调整,并不难以理解。杠杆较高的参与者通常对价格波动更敏感,也更容易在调整中主动或被动降低仓位。 但产业端需要另外讨论。从非金融公司债务等指标看,我认为当时的产业杠杆与部分历史高杠杆阶段仍有差别。一些大型云厂商过去积累了较多利润,其资本开支并不完全依赖新增负债。 这并不意味着产业投资没有风险,而是说,股市内部杠杆和产业杠杆不一定同步,也不宜用同一个结论概括。 于佳宁:如果做一个简化理解,金融杠杆更偏短期,产业杠杆更偏长期? 明烛安泰:可以这样理解,但不是绝对的划分。 如果一轮行情的起点与产业投资有关,那么更值得持续跟踪的,可能是产业投资还能否继续,以及企业是否还有能力追加投入。 站在一家大型企业管理者的角度,如果仍然相信 AI 是未来的重要方向,同时竞争对手也在投入,那么减少投资本身就可能意味着竞争地位的变化。只要企业还有融资和投入空间,产业投资未必会因为股市短期调整而立即停止。 反过来,如果融资环境明显收紧,或者商业化进展无法支持原有预期,产业投资的约束就可能逐渐显现。 因此,我既关注场内杠杆带来的阶段性波动,也关注产业投资能否持续。前者可能影响调整的节奏,后者则可能关系到更长的周期。 利率的两条影响路径:杠杆成本与股票的机会成本 于佳宁:在你的框架里,利率主要影响哪些环节? 明烛安泰:我主要观察两条路径。 第一条是杠杆成本。利率上升后,企业继续负债扩张的成本会提高,部分产业投资可能因此受到约束。 第二条是机会成本。当国债收益率提高时,股票盈利收益率相对于国债的吸引力可能下降。投资者需要重新比较:承担股票市场波动,是否仍能获得足够的风险补偿。 所以,利率并不只作用于估值公式中的一个参数,它还可能同时影响企业融资、产业投资节奏和资产配置选择。 这些影响也不会机械地对应到某一个市场点位,更适合放在指标组合中持续观察。 CPFF 的再认识:一个假设没有得到验证,也可能带来新的研究线索 于佳宁:你在研究中有没有遇到过最初的判断被图表修正的情况? 明烛安泰:CPFF 就是一个比较典型的例子。 我最初设想,可能是市场先出现短期流动性紧张,再引发股市下跌和去杠杆。因此,我希望找到危机前流动性已经明显恶化的证据。 但在复盘部分历史阶段时,现有数据并没有充分支持这条简单的时间顺序。它可能在某些阶段有效,却不能作为每一次危机都适用的解释。 后来,我对这个指标的使用方式发生了一些变化。与其把它单纯当作危机前的预警信号,不如同时观察它在市场剧烈波动阶段所反映的融资压力。 当短期融资利差快速上升时,意味着企业融资环境可能已经明显收紧。此时更值得关注的,是政策部门是否会通过货币政策、财政政策或资产负债表工具缓解流动性压力。 也就是说,这个指标在我的框架里,不只是用来讨论“顶部何时出现”,也用来观察流动性压力与政策响应之间的关系。 这次修正让我感受到,研究并不是把 AI 给出的第一条逻辑保存下来,而是允许数据推翻原有设想。一个假设没有得到验证,并不代表前面的工作没有价值,它可能帮助你找到更合适的问题。 再看黄金:避险作用需要结合危机类型与流动性阶段 于佳宁:回到最初的问题,经过这几次危机的复盘,你现在怎样理解黄金的避险属性? 明烛安泰:以我研究时采用的六次危机样本和口径看,黄金在其中五次都表现出了一定的避险作用,1987 年“黑色星期一”是相对特殊的一次。 在我的理解中,1987 年的市场下跌与程序化交易、相似策略集中使用及交易踩踏之间存在较密切的联系。股市恢复较快,黄金则在初期上涨后出现回落,后续表现与其他几次危机有所不同。 因此,我现在更倾向于把黄金的避险作用放在具体条件下讨论,而不是把它理解为一个在所有阶段都成立的结论。 如果市场正处于风险资产重新定价的早期,黄金可能受到避险需求支持;如果危机进一步演变为全面的流动性紧张,黄金也可能遭遇抛售;当政策开始集中缓解流动性压力时,它又可能进入另一个交易阶段。 在部分历史样本中,黄金的修复时间早于股票。但这个现象仍需要结合危机类型、政策响应和市场环境继续观察,不能简单套用到未来每一次波动中。 AI 改变的不只是研究速度,还有个人能够触及的问题边界 于佳宁:从投入产出看,AI 对你帮助最大的地方是什么? 明烛安泰:我并不是金融或宏观研究科班出身,出发点是个人兴趣,希望把一些逻辑尽量弄清楚。 没有 AI 时,我也可以阅读资料、形成一种大概的理解,比如某件事可能由哪些因素引起。但这种理解往往停留在逻辑层面,很难进一步验证。 有了 AI 之后,我可以继续追问:如果这个逻辑成立,应该看到什么数据?如果数据不支持,又应该修改哪一部分?随后,它还能协助收集数据、编写程序和绘制图表。 这项工作如果完全由个人手工完成,需要整理大量历史数据,再用表格逐一处理。对我而言,研究成本会非常高,很多问题可能根本不会被真正展开。 所以,AI 带来的不只是效率提升,也让个人研究者有机会接触过去需要一个小团队才能完成的工作。 Uweb:这套看板使用的数据源是什么?是否依赖付费数据库? 明烛安泰:目前使用的都是公开数据源,没有购买会员数据库。数据获取通道主要由 AI 协助搭建,看板则是一个供自己使用的本地网站。 它现在还比较粗糙,没有专门整理成对外产品。对我来说,当前最重要的是能看到数据、持续验证逻辑,并根据自己的研究问题不断修改。 结语:比“让 AI 给答案”更重要的,是让 AI 参与验证 这场 Uweb 直播课没有试图给出“下一次危机何时发生”的确定答案,而是展示了一条更具体的研究路径: 从一个可以被验证的问题出发,与 AI 讨论逻辑,用公开数据寻找证据,再回到图表中修正原有判断。 黄金是否避险、AI 是否形成泡沫、美股风险来自估值还是杠杆,这些问题都很难用一个标签概括。但当它们被拆解为产业投资、企业债务、市场杠杆、融资利差和资产收益比较之后,讨论便有了继续深入的基础。 这也是 Uweb Codex AI 投研实训营希望呈现的一种实践方向:AI 不只是用于生成一段分析文字,也可以进入数据获取、图表制作、假设检验和研究表达的完整流程。 工具会不断更新,指标也需要持续校验。真正值得积累的,或许不是某一个静态结论,而是一套能够随着证据变化而不断修正的研究方法。

Uweb商学院🏛️University of Web3 avatar
⟳ Uweb商学院🏛️University of Web3 retweeted
Uweb商学院🏛️University of Web3@Uweb_agent·Nov 9

Robinhood 的底层逻辑:产品可以封神,生意却未必赚钱 一家用户体验出色的金融科技公司,是否天然拥有一门好生意?当交易收入、利息收入、用户资产与监管环境彼此交织,投资者又该如何理解 Robinhood 的商业模式? 10 月 27 日,Uweb「Web3×AI 直播课」第 260 期以“Robinhood 商业模式深入解读”为主题展开讨论。香港 Uweb 商学院校长、香港注册数字资产分析师学会学术委员会轮值主席于佳宁,与 Bitstone Partners 创始合伙人、公众号《BitStone硅谷龙门阵》主理人 Paul Chen,围绕 Robinhood 的收入结构、运营杠杆、用户资产、潜在风险、管理层激励,以及预测市场与 Agent Trading 等话题展开交流。 在这场对话中,Paul 并未简单讨论“Robinhood 是不是一家好公司”,而是尝试把产品体验、财务结构与市场预期拆开观察:用户喜欢的产品,如何转化为收入?看似轻资产的互联网平台,利润为什么与利率和监管环境密切相关?年轻用户带来的增长,又能否进一步沉淀为长期客户资产? 以下为 21:30 Paul 出场后的对话整理,内容经编辑与压缩。 伟大产品不等于伟大生意,先看收入究竟从哪里来 于佳宁:Robinhood 的产品体验和用户增长经常受到关注,但如果进一步讨论它的商业模式,你认为应该从哪里开始? Paul:我会先把“好产品”和“好生意”分开。一个产品很受欢迎,不代表它一定能够形成与当前估值相匹配的盈利能力。 分析 Robinhood 时,我首先拆解了它的六类收入来源。值得注意的是,利息收入是其中非常重要的利润来源。这意味着,Robinhood 虽然以交易平台的产品形态被用户认识,但它的经营结果并不只取决于交易活跃度,还会受到客户现金、融资需求和利率环境的影响。 所以,理解 Robinhood 不能只看交易量,也不能只看用户数量。更重要的是看,这些用户资产和交易行为最终如何转化为收入,以及这种转化需要哪些外部条件。 利息收入与运营杠杆:平台生意背后的两条线 于佳宁:你刚才提到利息收入。它主要来自哪些方面? Paul:主要可以从两个方向理解:一部分与用户融资、杠杆交易等业务有关,另一部分则来自客户闲置现金与相应资产配置之间的利差。 这也解释了为什么分析 Robinhood 时,利率是一个不能忽略的变量。市场交易活跃当然重要,但如果利率环境发生变化,利息收入所依赖的基础也可能随之变化。 于佳宁:除了收入端,你似乎也花了不少时间讨论成本结构。 Paul:是的。我在直播中采用的测算口径里,Robinhood 的固定开支约为 24 亿美元。这里真正值得关注的是运营杠杆:部分成本具有一定的固定属性,不会因为市场从牛市切换到熊市,就同比例下降。 在收入增长较快的阶段,这种成本结构可能放大利润表现;但如果收入承压,固定开支也不会自动消失。因此,观察 Robinhood 需要同时看两条线:一条是收入能否增长,另一条是收入增长之后,有多少能够转化为经营成果。 从股价反推增长假设:市场究竟在定价什么 于佳宁:除了从收入、成本顺推公司的价值,你还尝试从股价反推市场预期。这种方法解决的是什么问题? Paul:顺推容易陷入自己的假设,反推则可以帮助我们看到,当前价格已经包含了哪些期待。 以直播讨论时的 116 美元股价为参照,我尝试倒推它隐含的未来十年盈利增长要求。这里并不是简单判断股价高低,而是进一步追问:如果要支撑这样的定价,公司需要维持怎样的用户交易节奏?利息收入需要什么样的利率环境?监管又需要提供怎样的空间? 在这个框架下,用户的交易活跃程度、相对有利的利率条件,以及华盛顿方面较为友好的监管态度,都会成为重要假设。接下来再把这些假设与历史公司的长期增长速度进行比较,投资者就能更清楚地看到,自己实际上是在为怎样的未来付费。 讨论回报之前,先理解四种可能的亏损路径 于佳宁:如果从风险角度看,你认为投资 Robinhood 需要特别关注哪些问题? Paul:我在直播中列举了四种可能的亏损路径。 第一种是在市场狂热阶段买入。公司本身可能仍在增长,但如果买入价格已经计入过多乐观预期,投资回报依然可能受到影响。 第二种是政策环境变化。Robinhood 所处行业与监管联系紧密,一些业务规则如果发生调整,收入结构和盈利能力都可能受到影响。 第三种是极端市场环境下的流动性压力。交易越活跃、情绪越狂热,越需要考虑平台在特殊情况下能否保持稳定运行。 第四种是声誉受损。金融科技平台经营的不只是产品,也包括用户信任。一旦信任受到影响,用户资产、交易活跃度和监管关系都可能受到连锁冲击。 这些风险并不是彼此孤立的。市场周期、政策变化、流动性与声誉,有时还会相互放大。 年轻用户正在增长,但资产增长不等于投资盈利 于佳宁:Robinhood 经常被视为年轻投资者使用的平台。你在草根调研中,对用户年龄与资产变化有什么观察? Paul:在我接触的样本中,年轻用户的账户余额增长比较快,但需要进一步区分:余额增长究竟来自投资收益,还是来自持续转入资金。 我观察到的情况,更多偏向后者。也就是说,账户规模扩大不一定代表用户在平台上赚了很多钱,也可能是他们随着收入增加,不断把新的资金转入账户。 另一个值得继续验证的现象是,样本中用户账户余额在 45 岁之后不再明显上升。再结合美国整体财富分布来看,较高年龄段人群持有的大量资产,并没有主要放在 Robinhood。 这就引出了一个长期问题:今天使用 Robinhood 的年轻人,未来会不会把更多资产配置到这里?还是当他们积累起更大规模的财富后,会转向其他平台? 三种未来情景,核心在于用户能否带着资产留下 于佳宁:面对这样的不确定性,你如何处理对 Robinhood 的长期判断? Paul:我更愿意保留三种情景,而不是直接给出单一结论。 不同情景之间的差异,主要取决于几件事:年轻用户能否长期留存;他们的资产是否会随着年龄和收入增长继续留在平台;Robinhood 能否降低对交易活跃度的依赖,并形成更加多元的收入结构。 交易收入占比下降,有时可能被理解为业务成熟和收入多元化,但也不能忽略另一方面——交易业务容易受到政治环境与市场周期影响。如果收入多元化是建立在用户资产真正沉淀的基础上,意义会更大;如果只是某些业务阶段性此消彼长,就需要更加谨慎地区分。 因此,我不只看用户数量增长,也会持续观察用户资产是否随着年龄增长而留下。 对比嘉信理财:平台成熟之后,收入结构会如何变化 于佳宁:你在直播中多次提到嘉信理财。这个对比能够帮助我们理解 Robinhood 的哪些问题? Paul:嘉信理财提供了一个观察金融平台长期演进的样本。随着业务和收入结构变化,交易在其中的占比逐渐下降,单位客户资产能够带来的收入也会发生变化。 这意味着,客户资产增长并不必然带来同等比例的收入增长。平台规模扩大之后,收入结构可能更加稳定,但变现效率、增长速度和估值逻辑也会与早期不同。 我在测算中还讨论过,如果在较高估值位置买入嘉信理财,某些假设下可能需要较长周期才能消化买入价格,直播中曾给出约 18 年的情景。这个数字的重点不是形成一个固定结论,而是提醒投资者:好公司、合理价格与买入回报,是三个不同的问题。 管理层激励与内部人交易,也是商业模式的一部分 于佳宁:除了财务数据和用户资产,你还把管理层薪酬、创始人持股与内部人交易纳入分析。为什么? Paul:因为股东最终获得的回报,不只取决于公司创造多少价值,也取决于这些价值如何在管理层与股东之间分配。 如果创始人持股、薪酬安排或持续增发带来股东权益稀释,就需要把这部分影响纳入长期回报测算。同时,我也会关注内部人的交易行为。直播中提到的一个观察是,部分内部人更多表现为卖出而非买入。 这些现象本身不能单独推导出结论,但至少值得投资者持续跟踪。产品护城河讨论的是公司能否留住用户,激励机制讨论的则是公司成果能否有效传递给股东,两者不应该被割裂。 从预测市场到 Agent Trading,新工具还需要回到真实需求 于佳宁:Robinhood 也在向预测市场、AI 交易工具等方向延伸。你怎样看这些新业务? Paul:预测市场不只是面向个人用户的交易产品,也可能存在机构对冲需求。如果这种需求能够持续发展,预测市场就不只是增加一个交易品类,还可能为平台带来新的用户和收入来源。 我也体验了 Agent Trading 相关工具。AI 进入交易流程之后,信息整理、策略执行和用户交互方式都有可能发生变化。不过,工具是否好用,与它能否形成稳定收入,仍然是两个不同的问题。 还是要回到前面的框架:新功能能否吸引并留住用户?能否带来更多资产?收入是否过度依赖交易活跃度?在监管和市场周期变化时,业务能否保持稳定?这些问题可能比单纯展示新功能更值得关注。 于佳宁:理解创新金融机构,也要理解叙事与监管 于佳宁:Robinhood 值得研究的一点,是它很善于把产品、用户和新的金融需求组织成一个完整叙事。对于创新金融机构而言,叙事能力可以帮助市场理解它,但叙事最终仍需要接受收入、利润、用户资产和监管环境的检验。 与此同时,金融科技创新往往不会只在产品层面发生。新的交易方式、新的资产类别和新的用户行为,也会不断与现有监管框架碰撞。挑战之中,或许也会孕育下一代金融机构与商业机会。 因此,对 Robinhood 的讨论,不应止于判断一家公司,更可以延伸到几个长期问题:下一代零售金融平台如何沉淀用户资产?AI 将如何改变交易工具与服务体系?预测市场等新产品又会在怎样的监管条件下发展? 结语 这场对话也是 Uweb「Web3×AI 直播课」持续关注的研究方向:不仅讨论新工具和新概念,也尝试把产品体验、商业模式、财务结构、用户行为与监管环境放进同一个分析框架。 在于佳宁校长看来,面对 AI 与数字资产带来的变化,真正重要的并不是追逐每一个热点,而是逐步建立能够理解新产业、新金融与新技术的认知体系。 直播最后,于佳宁还预告了周日上午在香港举行的新书发布会,并邀请读者关注 Uweb 后续课程与线下活动信息。更多围绕 Web3、AI 与金融科技交叉领域的讨论,也将在 Uweb 直播课中继续展开。 本文根据直播内容整理,部分表述经编辑压缩。嘉宾观点不代表 Uweb 立场,不构成任何投资、财务或法律建议。文中涉及的公司、股价及财务数据均为嘉宾直播讨论时的口径,请读者结合最新公开信息独立判断。

老白 avatar
⟳ Uweb商学院🏛️University of Web3 retweeted
老白@Kings_Chaung·Nov 2

卧槽“重新做回人”这句我先存了 上周用AI把周报从3小时压到20分钟 省下的2小时40分全拿去开会了 做人真难啊!!!

Uweb商学院🏛️University of Web3 avatar
Uweb商学院🏛️University of Web3@Uweb_agent·Nov 4

RWA是对资产流动性的重新定价:Uweb 于佳宁对话 Bitstone Partners Paul揭秘机构视角下的RWA投资逻辑 Uweb 创始人于佳宁博士与Bitstone Partners 合伙人Paul 进行了一场围绕RWA(Real World Assets)与美股上链的深度对话。 Paul长期专注于机构级数字资产配置与代币化资产投资,Bitstone Partners 在连接传统金融资本与链上创新项目方面具有一线经验。此次对话从机构投资者的筛选逻辑出发,探讨了RWA 的真实价值来源、美股上链的难点与突破口,以及稳定币在机构配置中的角色演变。 本文仅为嘉宾观点记录,不构成任何投资建议。数字资产市场波动剧烈,请读者严格遵守所在地法律法规,审慎评估风险。 RWA的价值锚点——机构视角下,代币化的核心不是"上链",而是"释放流动性溢价" 于佳宁:Paul 从机构投资的角度接触RWA 比较早,市场上现在对RWA 的讨论很热闹,但概念边界也比较模糊。从Bitstone Partners 的筛选标准来看,什么样的RWA 项目才值得进入机构的投资视野? Paul:机构看RWA,首先会区分两个层面。一个是"资产代币化"(Asset Tokenization),就是把现实资产在链上做一个映射;另一个是"流动性释放"(Liquidity Unlock),即代币化之后,资产能否在更广阔的范围内被交易、被抵押、被组合进不同的策略里。 很多项目把重点放在了第一步,花了大量精力做链上确权、分割、合规架构,但做完之后发现二级市场没有流动性,机构资金进不来,也退不出去。从我们的经验来看,一个RWA 项目是否具备机构级吸引力,核心不在于它上了什么链、用了什么技术架构,而在于它是否解决了"流动性溢价"的问题。 举个例子,黑石推出的BUIDL 基金,之所以能在短时间内获得数十亿美元的规模,不是因为代币化本身有多新颖,而是因为它解决了机构资金进入和退出的效率问题。通过Circle 提供的USDC 实时赎回机制,投资者可以在链上完成T+0 级别的资金回笼,这在传统货币基金里是很难实现的。这种"流动性释放"带来的溢价,才是机构愿意参与的根本原因。 于佳宁:也就是说,机构对RWA 的兴趣,本质上是对"流动性效率"的付费。那么目前哪些资产类别在代币化之后,流动性释放的效果最明显? Paul:从我们的观察来看,效果排序大致是:美国国债及货币市场工具> 私募信贷> 房地产> 另类资产(如艺术品、碳信用等)。 美债和货币市场工具之所以排在最前面,是因为它们本身就是高流动性、标准化的资产,代币化之后只是换了一个更高效的结算层,摩擦成本降低的效果立竿见影。私募信贷次之,因为代币化可以把它从"持有到期"的illiquid 资产,变成可以在二级市场上转让的流动资产,这对原本锁定期很长的机构资金很有吸引力。 房地产和另类资产的代币化,目前更多停留在"分割所有权"的层面,即让小额资金也能参与。但真正的流动性释放还需要配套的交易场所、做市机制和估值体系,这些基础设施目前还不成熟。所以机构在这两个领域的参与,更多是试点性质,而非大规模配置。 美股上链的"最后一公里"——监管套利空间缩小,技术合规成为新壁垒 于佳宁:最近"美股上链"的讨论也在升温,一些项目尝试把美股映射到链上,让全球投资者7×24 小时交易。Bitstone 怎么看这个方向?它跟RWA 是什么关系? Paul:美股上链本质上是RWA 的一个子集,但它面临的监管复杂度更高。美债代币化之所以走得快,是因为美债本身是"无差别"的同质资产,跨境持有的监管限制相对较少。但美股涉及上市公司股权,不同司法管辖区对"境外投资者持有本地股权"有严格的披露要求和额度限制。 目前市面上的美股上链方案,大致分为两类。一类是"合成资产"模式,即不持有真实股票,而是通过衍生品或对手方协议来追踪价格。这类模式的合规门槛较低,但存在对手方风险和脱钩风险,机构资金通常比较谨慎。 另一类是"真实资产托管"模式,即通过信托或特殊目的载体(SPV)在境外持有真实股票,然后在链上发行代表权益的代币。这类模式更接近机构的合规要求,但成本很高,需要同时满足证券法、托管法、外汇管制等多个层面的要求。 从我们的判断来看,美股上链的突破口,可能不在"散户交易"层面,而在"机构结算"层面。即不是让全球散户24 小时炒美股,而是让机构之间的美股交易和清算,通过代币化实现T+0 甚至实时结算。这个方向的监管阻力更小,但对基础设施的要求更高。 于佳宁:香港近期在稳定币和数字资产托管方面动作很多,这些政策变化对美股上链或RWA 的推进有什么实际影响? Paul:香港的政策框架,正在试图把"代币化证券"纳入一个相对清晰的监管体系。《稳定币条例》生效之后,合规稳定币可以作为RWA 资产的计价和结算工具,这为"链上基金"的闭环提供了基础。同时,香港证监会对于代币化证券采取"穿透式"监管,即不管底层技术是什么,只要具有证券属性,就按照传统证券的规则来管。 这种"技术中性、功能监管"的思路,对机构来说是可预期的。它意味着,只要在香港拿到相应的牌照,发行代币化美债、代币化基金甚至是代币化股票,都有明确的合规路径。这种可预期性,是吸引机构资金的关键。 但需要注意的是,香港的监管清晰度,目前主要覆盖"面向合格投资者"的产品。对于面向散户的代币化证券,监管仍然非常谨慎。所以短期内,美股上链在香港的落地,大概率会以"高门槛、小范围"的机构产品形式出现。 稳定币的机构配置逻辑——从"交易媒介"到"生息资产"的范式转移 于佳宁:稳定币在机构配置中的角色,似乎也在发生变化。过去它更多是作为交易和转账的媒介,但现在很多机构开始把稳定币本身当作一种"生息资产"来持有。Paul 怎么看待这个转变? Paul:这个转变非常实质。稳定币正在从"现金等价物"向"现金管理工具"演进。 传统意义上,机构持有稳定币是为了在加密市场中快速进出,或者进行跨境结算。这部分需求依然存在,但边际增长在放缓。新的增长点在于"链上现金管理"——机构把原本放在传统货币市场基金里的短期资金,转移到链上的代币化货币基金或生息稳定币里,以获取更高的流动性和更透明的收益。 以Sky(前MakerDAO)推出的RWA 大奖赛为例,它计划将10 亿USDC 分配给各类RWA 代币作为储备资产。这意味着,稳定币的发行方本身也在寻找链外的收益来源,以支撑其生态的可持续性。对于持有稳定币的机构来说,这打开了一个"低风险、链上化"的现金管理新选项。 但这里有一个风险点需要警惕。当稳定币的储备资产从"现金和现金等价物"扩展到"代币化债券、私募信贷"等更复杂的资产时,稳定币本身的信用风险也在上升。2008 年货币市场基金的教训告诉我们,"看似像现金"的产品,在极端情况下可能并不安全。机构在配置生息稳定币时,必须穿透到底层资产,评估其流动性和信用质量。 于佳宁:Bitstone 在帮机构做配置时,会怎么分配稳定币和RWA 资产的比例? Paul:这取决于机构的流动性需求和风险预算。对于家办和长期资本,我们的建议通常是:把稳定币作为"战术性流动性储备",而不是"战略性核心持仓"。 具体来说,如果机构的总资产配置中有10% 到20% 暴露在数字资产领域,那么其中20% 到30% 可以放在高流动性的稳定币或代币化货币基金里,作为随时可调用的"弹药"。剩余部分可以配置到RWA 收益产品、原生代币策略或流动性挖矿中。 对于更激进的加密原生基金,稳定币的比例可能会更低,因为它们对波动性的容忍度更高。但即便是这类基金,在熊市或高波动期,也会把大量资金暂时撤回到稳定币或代币化美债中"避险"。这种"链上避险"的需求,是代币化美债产品在2024 到2025 年快速增长的重要驱动力。 香港与美国的监管套利窗口——合规成本上升,但"先发牌照"正在形成护城河 于佳宁:从全球监管格局来看,美国在推进稳定币联邦立法,香港已经落地《稳定币条例》,新加坡、迪拜也在跟进。机构在选择落地jurisdiction 时,主要考虑哪些因素? Paul:机构选择jurisdiction,通常看三个维度:监管清晰度、市场深度、资金通道效率。 美国的优势在于市场深度和机构生态。如果美国能在联邦层面通过稳定币法案,将意味着全球最大的资本市场正式接纳稳定币作为支付和结算工具,其辐射效应会远超其他地区。但目前美国的进展是"联邦慢、州级快",各州的牌照要求不一,增加了合规复杂度。 香港的优势在于"连接性"。它既有普通法系的法律传统,又靠近内地市场,同时面向东南亚。对于希望同时触达亚洲机构资金和内地产业资源的发行方来说,香港是一个难以替代的枢纽。此外,香港证监会的监管哲学相对"务实"——不排斥创新,但要求明确的投资者保护和风险管理。 新加坡在数字资产监管方面起步更早,但近年来对零售端的限制在收紧,更多转向服务机构和合格投资者。迪拜则通过VARA 建立了一个相对独立的监管体系,吸引了不少加密原生企业,但传统金融的深度不如香港和新加坡。 从Bitstone 的观察来看,目前存在一个"监管套利"的窗口期。即某些产品在香港可以合规发行,但在美国还处于灰色地带,反之亦然。聪明的发行方会利用这种窗口期,在多个市场并行布局,建立"监管组合"。但这种套利空间正在缩小,随着各国监管框架的趋同,"先发牌照"的优势会越来越明显。 给华语创业者的两条建议——做"机构需要但不愿自建"的基础设施,而非"机构看不懂"的创新 于佳宁:最后,对于希望进入RWA 或机构级数字资产领域的华语创业者,Paul 有哪些建议? Paul:第一条建议,做"机构需要但不愿自建"的东西。机构在数字资产领域的痛点,往往不是"缺少一个更酷的交易界面",而是"缺少合规的托管、审计、估值、报告工具"。这些基础设施层的东西,机构自己建成本高、周期长,但又不可或缺。如果创业者能在这些环节提供标准化、可审计的服务,更容易获得机构客户的付费意愿。 第二条建议,避免"过度创新"。很多华语创业者在技术上很有创造力,但做出来的产品让传统机构看不懂、不敢用。在RWA 和机构服务领域,"可理解性"和"可审计性"比"技术先进性"更重要。一个用传统金融语言就能解释清楚的链上产品,比一个需要重新学习整套加密术语才能使用的产品,更容易获得机构采纳。 另外,对于希望吸引机构资金的RWA 项目,建议尽早引入独立的第三方审计、法律意见和托管安排。这些"信任基础设施"的成本不低,但它们是机构资金进入的前提条件。在机构眼里,一个没有审计报告的RWA 项目,和一个有四大审计背书的项目,风险权重完全不同。 关于Bitstone Partners:bitstone.money 是一家专注于数字资产与代币化投资的机构,致力于连接传统金融资本与链上创新项目,在RWA、稳定币及机构级加密资产配置领域具有深度布局。

Uweb商学院🏛️University of Web3 avatar
Uweb商学院🏛️University of Web3@Uweb_agent·Nov 3

从香港首批合规稳定币看国际支付结算体系演进 文章转载自国际金融报6月25日于佳宁署名文章: 2026年4月,香港金融管理局正式向碇点金融科技有限公司与香港上海汇丰银行发出首批两张稳定币发行人牌照,看似只是监管程序的阶段性落地,放在全球货币体系长期演进的大周期中观察,其分量远超一次技术性发牌。 稳定币近年已经从数字支付领域的边缘工具,跃升为主权金融博弈的前沿阵地。香港此时此刻的制度安排,实际是参与新一轮全球金融秩序重构的关键一环。 首先需要把概念边界讲清楚。香港此次发牌的港元稳定币,与公众语境中常说的“虚拟货币”不在同一个范畴。香港合规稳定币持有正式发行人牌照、由优质流动性资产100%全额储备、独立托管、一日内可按面值无条件赎回,每枚稳定币都纳入金管局监管视野,持有人身份可穿透核验,资金流向全链路可追溯。从法律地位、储备机制、赎回承诺到监管要求,它都更接近受监管的链上港元支付工具,与无序的虚拟货币市场存在性质差异。 港元合规稳定币的战略定位,与美元稳定币的全球扩张也走在不同的轨道上。美国通过稳定币法案《GENIUS Act》把美元稳定币升级为美元霸权的延伸工具,定位是借助链上美元强化美元在全球支付清算中的网络效应;香港的港元稳定币则定位于服务本地金融基础设施升级、跨境贸易结算与代币化资产交收,强调监管先行、应用跟进、风险可控。一个走的是输出型扩张路径,一个走的是合规型纵深路径,二者在战略意图和监管哲学上有着清晰区别。 稳定币牌照为链上资金确立合规入口 香港《稳定币条例》自2025年8月1日生效以来,金管局共收到36份发行人牌照申请,首批只向两家机构发牌。汇丰为香港最大本地注册银行与发钞行,碇点金融科技由渣打银行(香港)、香港电讯与安拟集团合资,同样具备发钞行与金融科技多重背景。两家持牌机构计划在2026年二季度或下半年推出港元稳定币,应用场景将覆盖跨境支付、本地支付、代币化资产交易与条件式支付。 稳定币过去十余年主要服务于数字资产市场的交易与小额跨境支付,长期处于全球金融监管的边缘地带。然而,香港以严格持牌、全额储备、独立托管、一日赎回为核心搭建的监管框架,首次把稳定币纳入与持牌银行同等层级的合规体系。链上资金自此在香港拥有明确的法律主体、储备要求与赎回承诺,在合规入口建立后逐步进入阳光地带,区块链将成为真正意义上的金融基础设施。当然,稳定币不等于银行存款,本质上是通过一系列机制,让链上资金也能进入合规、受监管、可审计的框架。 同时,市场常把香港合规稳定币和USDT、USDC等美元稳定币放在一起比较。放在大类上看,它们都属于锚定法币价值的链上资金工具;从运行机制和监管属性上看,仍有一些差别。 第一,锚定货币不同。USDT和USDC是美元稳定币,天然嵌在美元流动性和美元结算网络中;香港首批稳定币拟锚定港元,直接服务的会是港元支付、港元交易交收和港元计价场景。 第二,发行逻辑不同。USDT主要体现为全球流动性先行,随后再持续补强透明度与监管衔接;USDC从一开始就更强调合规披露、储备管理和机构场景接入,并在2025年以18.3万亿美元的年交易量首次反超USDT的13.3万亿美元,成为按交易流量计算的最大稳定币(USDT仍以约1870亿美元市值居首)。两者的扩张都建立在美元稳定币全球网络逐步做大的基础上。香港首批港元稳定币则明显属于监管先行、应用跟进的模式,先把发行人责任、储备安排、赎回机制和持有人识别纳入本地监管框架,再逐步推动市场应用。 第三,持有人和流通渠道不同。香港金管局已明确要求每枚稳定币的持有人身份可穿透核验、交易全链路可追溯,且严禁通过VPN规避地域限制。相比之下,传统美元稳定币在全球流通更广,用户结构更复杂,很多使用场景发生在监管视野之外。 第四,功能侧重点不同。USDT、USDC迄今仍主要承担数字资产市场的流动性工具角色,支付和跨境使用在增加,但交易相关需求依旧占很大比重。香港合规稳定币从一开始就被放到本地化应用场景中,目标更接近可监管的链上支付工具。 所以,香港这次发牌的真正区别,在于稳定币的定位发生了变化。这一步对香港尤为关键,因为它关系到未来能否与本地银行、托管、资管和证券交易基础设施顺利衔接。 香港稳定币路径的战略价值凸显 在美元稳定币占据全球市场九成份额、美国通过立法把稳定币转化为美元霸权新杠杆的格局下,中国香港的制度选择显示出相当的专业水准与战略定力。 首先,发牌节奏与对象兼顾稳健与前瞻。香港选择在规则尚未清晰时保持观察,又赶在全球监管版图定型之前完成立法,这是小型开放经济体参与全球规则博弈的典型成熟做法。两家首批持牌机构均具备发钞行背景,资本雄厚、合规成熟,曾深度参与代币化存款与央行数字货币实验项目。以银行系机构作为首批持牌主体,最大限度降低了制度起步期的系统性风险。 其次,合规稳定币的长远想象空间远超支付与交易本身。区块链原生结算的全天候运行、智能合约的条件式触发、链上自动化的可编程能力,使稳定币天然契合数字经济中多种自动化场景。具体应用前景至少包括AI Agent支付与交易、物联网(IoT)经济中的机器对机器支付、供应链金融的自动化、企业财资管理的智能化等,随着AI逐步具备独立调用复杂工具、读取金融市场实时数据、执行交易策略的能力,稳定币7×24小时不间断运转、智能合约条件式触发、链上结算实时到账的特性,恰好匹配各类机器驱动金融活动的自动化需求。合规稳定币有望成为人机协同金融新范式的货币底座。 再次,香港的稳定币试点对中国金融体系具有观察样本和接口意义。内地对稳定币保持审慎态度,这一立场在现阶段有充分现实基础。与此同时,全球支付清算层的变化已经启动,长期缺席观察和规则积累并不现实。香港以严格合规为前提先行探索,可以为内地提供更贴近市场运行的监管样本、业务数据和风险经验,也为未来中国金融体系与国际数字金融规则对接保留了一个实际接口。 这些战略价值,最终会通过香港本地金融体系逐步显现。一方面,港元的数字使用场景有望被拉宽。港元稳定币未必会在短期内改变港元在国际货币体系中的位置,但有可能在跨境商户结算、链上资产交收、数字贸易和智能合约支付中增加港元的使用频率。未来香港代币化资产市场会拥有更清楚的链上资金通道。代币化基金、代币化债券和其他链上资产若要形成更高频交易,前提之一就是具备可交收、可赎回、可合规持有的链上资金工具。 另一方面,香港本地银行体系将面临一轮支付和财资产品升级。稳定币一旦进入企业付款、贸易结算和资管交收场景,银行现有的跨境汇款、短期流动性管理和托管服务都需要加快迭代。香港监管部门也会因此获得更完整的观察窗口,在真实业务运行中积累风险识别、监管接口、市场反馈和业务数据,为后续政策评估提供参考。 规模扩张中不可忽视的风险与挑战 合规稳定币站上历史舞台,带来的是机遇与风险并存。这些风险若不被严肃对待,可能反过来侵蚀稳定币的合规优势。 一是流动性与挤兑风险。稳定币储备虽然100%覆盖,储备资产的流动性并不完全等同于现金。一旦市场出现恐慌或对发行人信任受损,集中赎回压力可能在短时间内形成挤兑。香港有必要参考存款保障基金的制度逻辑,研究是否需要建立稳定币储备保障机制。 二是跨辖区监管套利空间。不同辖区对稳定币的资本要求、储备资产范围、披露密度差异显著。这种制度差异为发行人提供了可观的监管套利空间,可能导致合规水平参差不齐的稳定币在全球市场中并存,给跨境监管协作带来挑战。 三是对货币政策传导与银行体系的潜在冲击。稳定币规模化扩张可能引发存款分流。当部分企业和个人将传统银行存款转换为稳定币持有,商业银行的负债端规模将受到挤压,进而影响其信贷投放能力与货币政策传导效率。这一传导机制在当前规模下尚不显著,在稳定币市场达到万亿美元量级后,对货币政策与银行体系稳定性的影响将不可忽视。香港作为联系汇率制度下的金融体系,对这一冲击的敏感度高于浮动汇率经济体,金管局有必要提前研究应对方案。 四是金融稳定与系统性风险。稳定币与传统金融体系的连接日益紧密,代币化资产、链上借贷、跨境结算等场景使稳定币的风险传染路径日趋复杂。一家大型稳定币发行人出现问题,可能通过持有者结构、交易对手网络、储备资产的连带效应,引发跨市场、跨辖区的系统性扰动。稳定币市场达到一定规模后,金融稳定监管的关注重点将从单一发行人扩展到整个稳定币生态。 第五是技术风险与运营风险。智能合约漏洞、私钥管理失误、区块链网络拥堵或故障等技术问题,都可能导致稳定币持有人的资金损失。这些风险在传统银行账户中相对罕见,在链上世界则属于持续存在的常态化挑战。香港的监管框架需要在技术审计、应急熔断、运营连续性等方面建立更具针对性的规则。 风险与机遇始终是同一硬币的两面。承认这些风险并提前建立应对机制,恰恰是香港严格合规路径相较于其他开放性辖区的核心价值所在。 结语: 对中国金融体系来说,香港这一步更接近观察窗口、监管接口和实践样本的集合。它有助于我们更早理解国际支付结算体系如何演进,更早看到美元稳定币扩张带来的新变化,也更早积累与国际规则接轨的经验。至于未来能走多远,最终还要看市场真实需求、监管持续能力,以及风险处置机制能否经得起压力测试。 (作者于佳宁系香港注册数字资产分析师学会学术委员会轮值主席、中国通信工业协会区块链专委会共同主席)

Uweb商学院🏛️University of Web3 avatar
Uweb商学院🏛️University of Web3@Uweb_agent·Nov 3

Higer: AI繁荣的另一面——裁员、泡沫与一场尚未到来的需求寒冬 Uweb创始人于佳宁博士与区研社创始人higer(海哥)进行了一场近三小时的深度对话。 海哥从币圈"跨界"AI投研后,首次在Uweb平台系统分享了他对本轮AI浪潮的底层逻辑判断:美国主导的AI基建本质上什么,存储超级周期泡沫是否破裂?Web3与AI的结合正在创造真实的收入机会。从英伟达到长鑫科技,从芯片暴跌到Agent支付。以下是这场对话的精编实录。 一、万亿美元资本开支:谁在买单?能持续多久? 于佳宁把第一个问题抛给了海哥:这一轮美股AI上涨的底层动力到底是什么? "这一轮AI产业的核心驱动力,来自一场史无前例的资本开支扩张。"海哥开门见山。 他给出了三个具体的推动力: 第一,政府站在身后间接输血。美国芯片法案直接给英特尔等本土制造企业资金支持,甚至拿到了英特尔的股权。前段时间OpenAI联合私营机构搞的"星际之门"计划,总投资规模约5000亿美元。 第二,五大云厂商在疯狂烧钞票。亚马逊、谷歌、Meta、微软、甲骨文这些HyperScaler,为了把AI接入云服务,正在全球疯狂建设数据中心。海哥引用了一组数据:从2025年到2026年,这几家巨头的总资本开支可能超过1万亿美元。"什么概念?这个规模可能超过中国政府几年的财政支出。" 第三,英伟达在整合生态。从GPU到光通信,再到内存,英伟达制定了一套芯片制造规范,上下游企业必须适配它的标准。目标只有一个:更大规模的GPU集群、更快的通信速度。 于佳宁追问:中美AI产业投入模式有什么差别? "美国是私营企业加债务融资,政府站在后面;中国现在是中央资金支持加民企资本支出,两条腿走路。"海哥顿了顿,"美国企业的资产负债表在扩张,相当于美联储把信用扩张借给了科技公司。中国这边,DeepSeek、智谱在开源大模型上已经做出了声望,这是我们在下游应用层突围的机会。" 二、AI是不是零和博弈?印度工程师已经被冲击了 直播间里有观众提问:AI产业链是不是零和博弈?感觉不像房地产那样能带动家电、装修、汽车。 海哥直接反驳:"AI的产业链条非常长。上游是数据中心和电网,中游是GPU、存储芯片、光通信,下游是大模型、Agent、医疗、法律、金融应用。美国今年第一季度的GDP,四分之三是由AI带动的。" 但他也不回避问题:AI在降本增效的同时,确实在裁员。"印度股市过去一年很惨,因为印度向全球输出廉价工程师劳动力的模式,正在被AI摧毁。" 于佳宁补充了一个更残酷的观察:当年印度人觉得读了理工学校、学了编程就能吃喝不愁,现在这条路正在消失。 关于贫富差距的K型增长,海哥说这是一个不可逆的过程。"个人唯一的办法是主动拥抱AI。要么进AI产业工作,要么用AI降低创业成本做一人公司,要么直接投资AI公司。投资已经不再是闲情雅致,而是未来生存的一种方式。" 三、算力需求:现在只是"汽车普及前夜" 于佳宁把话题引向算力:训练模型需要海量算力,但未来大模型格局定了之后,推理需求会不会没那么大?现在建这么多数据中心,会不会产能过剩? "太早了。"海哥摆了摆手,"目前在中国,真正使用AI的人可能连十分之一都不到。我们现在还处于搭建基础设施的阶段,需求非常早期。" 他做了一个类比:训练阶段对算力要求苛刻,就像汽车刚发明时需要专门的工厂和道路;推理阶段要求低得多,就像汽车普及后只需要加油站。但问题是,现在大多数人还站在路边看汽车,根本没上车。 于佳宁接了一句:"表面看产能过剩,其实是产能不足导致的。就像汽车刚推出时,大家觉得车不好卖是因为车太多,实际上是因为会开车的人太少。" 四、芯片股暴跌:资本开支的可持续性焦虑 进入下半场,话题转向了最近两周惨烈的芯片股回调。英伟达、美光、海力士、三星,跌幅触目惊心。 海哥分析了市场当下的三大担忧: 第一,云厂商的资本支出能不能持续?"这些企业不是用自有资金在烧,而是发债融资。利润兑现没那么快,自由现金流在减少,市场担心它们后续还能不能借到钱。" 第二,通胀和原材料成本在上涨。"内存已经传出要集体涨价20%,企业成本端在承压,利润增长空间被压制。" 第三,市场情绪紧绷,对冲基金在找做空机会。"很多对冲基金已经从'寻找AI产业链最大价值环节',转向'寻找哪个环节会出利空'。业绩预期已经被提前定价,泡沫到了顶峰,任何风吹草动都会被放大。" 海哥还提到了一个关键信号:美股"版本之子"Leo Pod前段时间一边做空英伟达,一边做多AI产业链的其他标的。"资金正在从垄断性机会(英伟达)向确定性机会(存储、光通信)流转。英伟达是最先回调的,因为英伟达生态里的很多环节还没创造收入,但资本支出已经花出去了。" 那这是不是周期见顶? "不是。"海哥给出了三个瓶颈:电、产能、技术卡脖子。美国数据中心建设有40%左右的批文因为电力问题没通过;台积电和海力士的产能根本做不过来;HBM4和光通信的工艺还没突破。"需求没完全释放,瓶颈真实存在,现在的调整只是中场休息,反而是没上车的人思考布局的机会。" 于佳宁总结:"这次暴跌是杠杆出清。韩国那边四代同堂买存储ETF,底层再加杠杆,五到七倍的杠杆很常见。去杠杆对市场是健康的,但暴跌之后,资金不会回去炒完全一样的标的,市场需要找新题材。" 五、存储超级周期:至少持续到2028,长鑫科技估值看到2-3万亿 谈到存储,海哥明显兴奋起来。 "海力士赴美上市募资280-290亿美元,增发2.5%股份,对市场流动性影响有限。美国希望优质AI资产在美股上市,海力士需要融资扩产,各取所需。" 关于存储周期的持续性,海哥给出了一个明确的判断:至少到2028年。 支撑这个判断的有三个硬逻辑: 第一,HBM(高速缓存)工艺进展缓慢,产能提不上来。三星、海力士、美光把重心放在HBM上,普通DRAM的产能反而被挤占。 第二,Agent应用爆发会带来巨大的内存需求。"你们用过Lobster或者Hermes就知道,Agent对上下文的要求非常高,而上下文就是内存。现在Agent还没爆发,等爆发了,内存需求会再上一个台阶。" 第三,存储三巨头的利润结构在变化。海哥透露了一个市场传闻:海力士利润最高的业务,反而可能是普通DRAM,而不是HBM。这意味着长鑫科技在普通DRAM领域的产能优势,正在变成真金白银。 对于即将在科创板上市的长鑫科技,海哥做了一套具体的估值模型: 保守利润按1000亿人民币、15倍PE计算,基础估值约1.5万亿。但考虑到三个溢价因素——首日流通量极低(仅4.2%-4.8%)、国产替代的战略地位、未来HBM攻关的成长性——合理估值区间在2-3万亿。 "2万亿可以考虑入手,3万亿以上建议获利了结。关键看首日有没有低价上车的机会。" 六、Web3与AI:价值洼地里的四个机会方向 于佳宁把最后一个重磅问题抛给了海哥:AI和Web3到底是什么关系?现在AI估值高企,Web3是不是价值洼地? "部分AI资金一定会回流到加密行业寻找机会。"海哥说,"因为Web3能为AI发展提供四个具体的补充价值:" 第一,隐私保护。"你用ChatGPT、Claude,数据存在别人的服务器上,说删就删。前段时间Claude对中国用户恶意标记数据,引发了很大争议。Web3的隐私计算项目,比如Vanna,解决的是刚性需求。" 第二,数据训练。"互联网数据快被耗尽了,AI生成的数据又同质化。区块链项目可以通过代币激励,获取更个性化的真实数据。" 第三,去中心化GPU(DePIN)。"美国建数据中心面临电力和批文瓶颈,但全球有无数闲置的显卡。把零散算力整合起来,用于推理阶段,这是能创造真实收入的。很多项目年化收入已经做到四五千万美金。" 第四,推理能力代币化。"大模型用的人越多,资源越紧张,使用成本越高。如果买代币就能锁定推理资源,相当于一次性付费永久使用,这对B端客户很有吸引力。" 但海哥也泼了冷水:这些项目能创造收入,不代表代币能捕获价值。"前段时间Vanna融资6500万美元,机构投的是股权,不是代币。项目方承诺用收益回购销毁代币,但不说具体比例。结果融资消息一出,币价反而跌了。在Web3,创造价值是一回事,代币能不能分到价值是另一回事。" 于佳宁补充:"还有信息不透明、项目方作恶、黑客盗币这些老问题。但《GENIUS法案》如果通过,监管框架清晰化,行业会走向正规化。问题多,机会才大。" 七、快问快答:开源、Agent支付、资产配置与比特币周期 关于国产大模型为什么要开源? "美国搞闭源,中国如果也闭源,既证明不了实力,也竞争不过。开源是技术平权,也是商业策略——你开源了,全球开发者帮你改进代码,你还能靠ToB部署和Token出海赚钱。DeepSeek、智谱、MiniMax、千问,本质上是在用开源刺破美国的AI泡沫。" 关于数字货币会不会成为Agent之间的支付货币? "Agent与Agent之间的支付(A2A)理论上不需要KYC,不需要实名认证。传统支付在这块没有优势。另外,如果未来算力中心建在太空,SpaceX和特斯拉之间用什么结算?美元还是人民币?这可能是数字货币。但短期内,传统支付的力量还很强大。" 关于个人资产配置? "我大部分资金还在币圈,因为那是价值洼地。AI股票仓位不到20%,以美股为主。A股和港股只放了很少一部分,关注智谱和MiniMax。现在AI股票开始下跌,我反而在考虑加仓。" 关于AI的终极形态? "未来所有软硬件都跑在AI上。更终极的想象是:你的手机里没有App,只有一个大模型。你想干什么,它实时生成一个临时页面帮你完成。每个人看到的界面都是完全不同的,完全个性化的。" 关于比特币周期? "以前我不相信四年周期,但现在它变成了自我实现的预言。不过这一轮更复杂:要看利率环境、ETF机构资金、战略储备(SBR)政策,还有《GENIUS法案》的进展。现在说牛市结束去梭哈,不现实;完全看空,也没必要。这是一个与以往都不一样的周期,只能边走边看。"

Uweb商学院🏛️University of Web3 avatar
Uweb商学院🏛️University of Web3@Uweb_agent·Nov 3

如何让AI"干活"而不仅仅是"聊天"——Uweb方军详解人机协作的验证方法论 在AI工具从对话式聊天向任务执行型Agent快速演进的当下,一个结构性矛盾正在凸显:用户发出的指令越复杂,AI返回的过程信息与结果信息就越冗长,而人的决策速度并未同步提升。7月2日的AI投研实训营课程中, Uweb技术合伙人、《成为提问工程师》作者方军在近期一场AI直播课中,将这一现象定义为"验证瓶颈"——当AI从"聊天伙伴"变成"执行员工",用户需要一套新的信息处理框架来确认、理解和决策。 方军提出,用好AI存在三部曲:流程搭建、输出验证、循环放量。其中"验证"是当下最不可跳过的环节。围绕这一核心,他系统拆解了从提示词精简到可视化再到互动看板的完整工具链。 一:从"信息淹没"到"最小全局认识" AI输出信息过载已成为普遍痛点。方军指出,在Codex等AI编程终端中,用户发出一句指令,AI可能返回数千行过程日志与结果文本,导致"认知带宽被挤爆"。传统的逐字阅读方式已无法适应AI时代的协作节奏。 针对这一问题,方军介绍了六组精简提示词,核心逻辑是将复杂信息压缩至人脑可快速把握的最小单元。其中,"最小全局认识"提示词要求AI在保留整体框架的前提下,剔除细节噪音,输出高度凝练的摘要。现场演示中,方军将一份完整的AI投研工作室PPT输入系统,通过"最小全局认识"指令,AI将数十页内容浓缩为三段式核心逻辑:角色设定层、知识库层、数据接入层、多模型路由层与自动化运营层。 另一组"明拓式大纲"提示词则借鉴麦肯锡咨询顾问的结构化方法,强制AI按"核心结论—关键论据—行动建议"的格式重组信息。方军强调,这些提示词的本质是让用户在接收AI输出时,从"被动阅读者"转变为"结构验证者"。 二:可视化降维——三种图解方法实操 当文字简化仍不足以消除理解障碍时,可视化成为第二道降维工具。方军在直播中演示了三种AI绘图方法,分别对应不同的验证场景。 第一种是解释性图片生成。以HBM(高带宽内存)技术原理为例,方军要求AI绘制芯片架构示意图。通过GPT Image 2.0、Gemini Nano等图像模型,AI将原本需要大量专业术语描述的存储堆叠逻辑、硅通孔(TSV)连接方式与带宽瓶颈缓解机制,转化为一张手绘风格的原理图。方军特别指出,生成后需追加"核查信息准确度"指令,让AI自动对照资料源修正表述,例如将"离计算越近通道越宽"优化为"靠近GPU的接口宽度增加以缓解带宽瓶颈"。 第二种是SVG矢量图。相比位图,SVG格式的优势在于每个元素均可编辑。方军以AI投研工作室的五层架构为例,展示AI生成的SVG图中,文字、框体、连接线均可直接修改,用户既能快速建立整体认知,也能在后续迭代中精准调整局部信息。 第三种是Mermaid流程图。适用于需要分步展示逻辑链条的场景。方军演示了如何将AI投研工作室的搭建流程转化为可逐步展开的Mermaid图表,从问题识别到分层解决方案,实现"一张图讲清系统架构"。 三:互动看板——让确认环节从文字走向交互 AI执行任务过程中,频繁的"选项确认"是另一大效率杀手。方军以"用AI制作PPT"为例:传统模式下,AI以文字列表形式询问主题、风格、页数、受众等参数,用户需在对话框中逐条回复,极易因信息堆叠而盲目确认。 针对这一痛点,方军演示了"第二屏幕"技术方案。通过特定技巧,AI可生成一个网页表单作为交互界面,将文字选项转化为可点击的按钮、下拉菜单与输入框。用户在选择"科技风""22页""面向决策层"等参数后,结果自动写入文件并反馈给AI,无需人工复制粘贴。这一方法将"文字确认"转化为"界面操作",显著降低了决策摩擦。 方军进一步介绍了SideShow等开源工具的功能:作为Codex等终端的"第二屏幕",SideShow可在侧边栏展示图表、课程结构、新闻资料等可视化内容,并支持用户在看板上的操作实时回传至主系统。现场演示中,方军将一份28讲的AI投研实训营视频课资料输入系统,AI在数分钟内将其转化为带闪卡复习与测验功能的互动课程,课程结构图同步显示在SideShow窗口中,用户可直观检查章节逻辑并指令AI调整。 四:多模型路由与成本验证的工程化思维 验证不仅发生在信息理解层面,也发生在执行质量与成本控制层面。方军解释,在Codex中切换不同AI模型存在三重逻辑。 第一,避免单一模型盲区。不同模型存在不同的思维定式,同一任务由GPT-5.5与DeepSeek分别执行,可交叉验证结果准确性。第二,成本分层。方军以实际案例说明:一项任务若全部调用GPT-5.5运行三小时,成本约300美元;而采用"GPT-5.5出方案(0.5美元)+ DeepSeek执行(约30元人民币)"的组合,成本差距可达近百倍。第三,模型特色匹配。部分模型在特定场景表现突出,如DeepSeek的中文翻译腔较轻,适合生成本土化文本;GPT-4.5的语言表达更贴近人类口语风格,适合对话型内容。 方军建议,用户可通过OpenRouter或火山引擎等平台实现多模型路由,根据任务性质自动分配至最适合的模型,在验证质量的同时优化成本结构。 五:从知识库到自动化——投研工作室的落地架构 围绕"AI投研工作室"这一具体场景,方军展示了验证方法论在完整工作流中的应用。一个可运行的投研系统包含五个层次:角色层(通过agents.md文件设定AI的身份、投资原则与风险偏好)、知识库层(将长期积累的研究笔记转化为AI可读的Markdown文件,存放于GitHub私有仓库)、数据层(接入彭博终端、链上数据等外部信息源)、多模型层(按任务复杂度分配不同AI)与自动化层(通过Hermes等工具实现长期运行与多Agent协同)。 方军强调,GitHub作为资料库的核心价值在于"人看得懂,Agent读得也轻松"。相比飞书文档或传统数据库,Markdown文件格式对AI的解析友好度更高,且天然支持版本管理与团队协作。这一架构设计使得投研流程的每一步输出都可被验证、追溯与复用。 结语:回归"老板"角色 方军在课程总结中提出,AI时代的人机协作核心在于角色定位的回归。当AI输出看不懂时,问题不在于用户理解能力不足,而在于AI的汇报方式不符合人类决策习惯。用户需要以"老板"身份要求AI:看不懂就简化,简化不了就画图,图不够直观就做成交互看板。 从"最小全局认识"到"第二屏幕"互动看板,从SVG矢量图到多模型路由,这些工具共同构成了一套"验证基础设施"。在AI从"聊天工具"向"执行Agent"跃迁的节点上,掌握验证方法,或许比掌握提示词技巧更为关键。

Uweb商学院🏛️University of Web3 avatar
Uweb商学院🏛️University of Web3@Uweb_agent·Nov 2

用好AI,让牛马重新做回人:于佳宁对话唐彭壮 "人是丈量世界的唯一尺度" "从前我们是牛马,现在要做人。"唐彭壮在分享开头抛出了这句话。他提到,这是百年前的话语,但在今天的语境下被重新激活,并非历史的简单轮回,而是一次认知层面的校准。 于佳宁回应,直播标题虽然像"标题党",但核心指向一个投研命题:AI最终一定会落到应用层,只是当前基础设施和硬件的回调过于猛烈,价值链的迁移或许正在发生。 唐彭壮随即展开他的框架:从三个板块切入——如何定义并实践"做AI不做牛马"、政府侧对AI应用的理解,以及作为创业者和从业者的直观感受。 "牛马这个标签,到底是别人给的,还是自己认领的?"唐彭壮反问。他观察到,八零后的焦虑感在代际比较中显得尤为突出,而零零后似乎更早地进入了一种"不内耗"的状态。一位零九年的年轻人曾告诉他,要选择"做自己不焦虑的事"。这种代际差异让他意识到,AI时代的首要功课,或许不是学习工具,而是重新理解"人"的尺度。 腾讯系的前线:Multi-Agent、AI共生与超级组织 唐彭壮将视角拉向深圳,拉向他的"老鹅"同事们。 他首先分享了腾讯研究院袁晓辉博士的一次实验:利用真正的多智能体(Multi-Agent)协作系统,在约两小时内自动完成一份"中美AI竞争态势"的高质量研究报告。唐彭壮播放了一段袁晓辉的口述录音——"先定义项目经理Agent,由它规划研究路径,再分配基础设施Agent、产业Agent、人才Agent各司其职,通过文件接口交互,在CLI里跑完全程。"最终产出包含十几个专题研究、一份综合报告及摘要,信息密度极高。 "袁晓辉坚持'下班了'这句口头禅,用最口语化的方式分享白天看的论文。"唐彭壮评价,这是腾讯产品经理"大至简"理念的延续。 另一位腾讯研究院的余一老师,则从产业生态角度提出"AI共生"概念。唐彭壮提到,于毅是马化腾先生关注和点赞的研究员,其视角始终围绕"平台如何与合作伙伴共生"。而在更偏技术前沿的顺子老师(前微信支付技术侧负责人)那里,画风又不一样——"直接更新最新应用,自己build小工具,再比较原生工具和国内工具的效果,随时在群里分享。" 唐彭壮借此回应了近来热门的"One Person Company"(OPC)概念。"OPC如果理解为一个人就是一个公司,我觉得是伪命题。"他直言,AI给了很多惊喜,但无法替代真正的行业洞察和认知体系。"Company也可以理解为'We are a company'——人不用多,可能五个之内,但必须是超级个体组成的超级组织。" 城市生态:深圳的出海派对与成都的实体深耕 去年年底,唐彭壮在深圳参加了一场跨大厂AI创业者聚会。组织者范丽是一位九九年的产品经理,参与者来自腾讯、阿里、百度、华为、中兴。 "一水儿的接近零零后,我坐在那儿显得很违和。"唐彭壮回忆。他注意到,深圳的项目高度集中于出海与AI结合,团队年轻、脑洞大,"感觉所有以前的产品都可以重做一遍"。 但当他回到成都,看到的却是另一幅图景。在一场成人健康展(情趣用品)上,他遇到了一位从意大利归来的创业者Angelina,坚持三年打磨女性向产品,每年投入约三百万研发成本,用AI做设计,小红书数据动辄十万加。另一位从英国归来的女士,与做量化十二年的丈夫联手,借助AI设计黄金饰品,产品名为"金栖丰藏",从概念图到实体还原度极高。 "深圳是创投氛围,成都是潜藏的实体产业。"唐彭壮总结,不同城市孕育不同的AI次文化,但最终都指向同一个结论:找到热爱,进窄门、跟瘦田、走夜路。 幻觉、反刍与"八荣八耻" 如何避免AI幻觉?这是唐彭壮在省委党校培训时被问到的高频问题。 他没有直接给技术答案,而是先打了个比方:"看一张图,你是'导师心腹';看下一张图,你是'心腹大患'——LLM就是概率推演,数据样本不同,一本正经瞎说的方向也不同。"他甚至搬出"男人不可能三角"(帅、有钱、感情专一)来解释人类自身的认知偏见,"人类幻觉这么严重,AI哪能没有?" 技术层面的治理,他分享了两种实操方法:一是要求AI提供数据来源,"所有数据相关的,告诉我源头在哪里";二是对不确定的内容明确指令"你不懂的不要说"。此外,他提到一位博主总结的"八荣八耻"——"以认真查询为荣,以跳过验证为耻;以主动测试为荣,以盲目修改为耻……" 在此基础上,唐彭壮提出了"反刍式学习":不必在信息洪流中焦虑地全盘吸收,而是在具体任务驱动下,让AI先完成知识梳理和提炼,人再像反刍一样慢慢消化。"AI先懂了,你去跟上,用反刍的方式学习就好。" 内容实战:从百万流量到一夜封号 "我用AI做内容,从去年三月到现在,赚了不到五十块钱。"唐彭壮突然话锋一转,开始谈变现。 真正的突破发生在一周前。他偶然看到国产剧《主角》,被其中一集打动,于是从闲鱼花一块九毛九买下原片,用剪映语音转字幕生成文字稿,再交给AI改写成口播稿,最后用剪映的"AI初剪"功能自动剪辑成片。全程约五十分钟,单条流量破五万,最高二十八万,一周之内把四十八集全部剪完,冲上百万流量,"一天能有三五十块分成,刚好cover我在成都的日常消费"。 但"原罪总会被反噬"。电视剧播出结束后,微信将内容下架(仅自己可见),小红书直接封禁账号,他运营一年半的账号就此折损,微信原创标签也被关闭至十月。 "以身试法,"唐彭壮苦笑,"合规的边界比技术能力更重要。" 他随后详解了"安全剪辑"的替代路径:选择非国内头部IP的剧集,如台剧、美剧、日韩剧,避免与平台当前核心利益冲突。变现路径则分三层:平台流量分成、粉丝量达标后挂载电商、以及账号势能转化为商业咨询。 变现逻辑:间接变现、数字资产与"等风来" 于佳宁追问:对于普通人做AI自媒体,有何具体建议? 唐彭壮认为,最大的障碍是"不配得感"和"不敢出镜"。他给过一个心理测试:让你五秒钟说出最关心的三个人,名单里通常没有你自己。"你连自己都把自己忘了,谁还在乎你?" 他将自己的变现归纳为"间接变现"——直接靠AI技术挣钱困难,但用AI提升认知后做咨询、培训、优化产业链环节则可行。他举例:为一家玩具创业公司做AI调研分析,帮助对方规避了三百万无效投入;为政府撰写标准申报材料,助其申请到两千万补贴;将AI能力接入熊猫基地的互动画册,已在本月落地。 "越靠近技术,越容易被淘汰;越靠近人,越可能有机会。"唐彭壮反复强调,个人IP是AI时代的数字资产,"不管现在有没有流量,图文、影音,任何形式沉淀下来,工具迟早会把你这个智能体提炼出来,成为一个真正意义上的人。" 组织未来:OPC是伪命题,小团队+AI才是真解 回到于佳宁提出的"One Person Company"话题,唐彭壮给出了更具体的修正。 他现在参与的熊猫基地项目,团队只有三人:一位导演出身的产品负责人,一位搞定政府关系的合伙人,加上他自己负责AI内容与认知。"早期投入也就五万块钱,现在全国至少还有四个基地在谈。"他认为,这是"One Team Company"的雏形——基于现有能力的小团队,借用AI进行轻量创业。 "从C端看,单打独干的基本都败了;从G端看,OPC政策还在用老规则考核税收、注册时间、研发比例,两层皮。"他建议,活下来的人得出的共同结论是:小范围抱团,控制现金流,对政策不做奢望。 教育与人:AI原生代的亲子关系 对话尾声,于佳宁将话题引向子女教育。唐彭壮展示了一段视频:他用扣子(Coze)辅助二年级的孩子完成语文作业,生成家乡美食海报,再和孩子一起把A4纸上的标签剪下来拼贴成A3海报。 "父母首先要认知改变,接纳AI原生思维。"他说,孩子看钟表表面有时看不明白,但知道问"小爱同学"。他不会去纠正"你必须看时钟",而是反问"如果你要知道时间,你会怎么做?" 他主张,在亲子互动中,AI是弥合大人与小孩思想gap的工具——把孩子画的草图交给AI想象,大概率能猜中孩子的小脑瓜在想什么。"我们相互之间的幻觉都不一样,要对齐幻觉,首先要去理解他的幻觉。" 中美差异与产业现实:算力鸿沟与数据壁垒 谈及中美AI博弈,唐彭壮引用了Anthropic的三月数据,但对国内"6.02亿AI用户"的统计表示怀疑,"真正用AI的是要有生产能力、能嵌入工作流的,我的标准可能老套,但拿来探讨"。 他观察到明显的脱钩趋势:Cloud Code平台对中国用户的限制、算力层面的28nm制程瓶颈、CUDA生态的依赖。"如果算力瓶颈三五年解决不了,国产替代又没法突破,那对着干的一方近三年没什么成长。" 更现实的困境在数据。他以此前与交通局的合作为例:摄像头只能看到车的形态,车牌、速度、质量、轨迹等数据都没有,"没有几亿几十亿的标注投入,根本达不到有效使用"。制造业渗透率的高数据也让他存疑,"很多厂连Sora都没布下去,靠的是功能机时代的固定程序"。 结语:先玩起来,等风来 直播接近尾声,于佳宁总结,AI时代的机会不一定来自"直接",更多来自"间接"——先做起来,先分享出去,钱会顺理成章。 唐彭壮最后重申了他的核心观点:进窄门、瘦耕田、走夜路,在自己热爱且不内耗的领域等风来。"AI也是爱,找到自己的热爱,做不内耗的事,牛马的标签自然脱落。" "人是丈量这个世界的唯一尺度。不管AI怎么变,我们的情感、情绪,总是最像人的那一部分。" 唐彭壮在直播结束时说。