前言 点击付费阅读，解锁市场最强音，把握投资机会！ 券商研报信息复杂？机构调研数据过时？屡屡错失投资机会？那是你不会挖！想知道哪份研报有用？什 么时候该看？《研报金选》满足你！每日拆解热门产业链或核心公司，快市场一步的投研思维+严苛的 研报选择标准+几近偏执的超预期挖掘，游资私募都在用！ 【今日速览】 ① AI 算力升级催生材料"新红利"， 5 年市场空间暴增 156% 、复合增速 20.7% ！海外主导格局 松动，两家国内厂商加速突围； ② 20 倍用户基数 + 陡峭需求曲线！大模型商业化下一站，这些公司有望吃掉万亿"办公红利"； ③AR眼镜迈向大众终端，出货年增111%，光波导成关键胜负手； ④三 大指标全线领跑，绿色船舶订单份额再提升，船舶板块迎来轮动机会。 ...

中央气象台 10月23日18时 发布暴雨蓝色预警： 预计， 10月23日20时至24日20时，江苏东南部、 上海、 浙江中东部、福建东北部以及台湾岛中北部等地部分地 区有大到暴雨，其中，上海东部、浙江东北部、台湾岛中北部等地部分地区有大暴雨(100～180毫米)。 上述部分地 区伴有短时强降水（最大小时降雨量20～30毫米，局地可超过40毫米）。 中央气象台10月23日18时继续发布台风蓝色预警： 今年第 30 号台风"蔷琵"（强台风级）的中心今天（ 23 日）下午 5 点钟位于台湾省台北市东 偏 南方向约 18 5 公 里的洋面上，就是 北纬 2 4.2 度，东经 123. 1 度，中心附近最大风力 14 级（ 45 米 / 秒），中心最低气压为 950 百帕， 七级风圈半径 350-500 公里，十级风圈半径 150-210 公里，十二级风圈半径 80-90 公里。 预计，"蔷琵"将以每小时 5- 1 0 公里的速度向西 偏 北方向 缓慢 移动，逐渐向台湾东北部靠近，强度缓慢减弱， 不排除 23 日夜间到 24 日早晨擦过台湾岛东北部沿海的可能； 24 日上午移入东海南部后，转向偏北方向移动， 并于 25 ...

文章核心观点 - OpenAI正在重新定义Codex的边界，AI正从一个被调用的能力变成一个承接工作的系统，AI价值单位从Token、模型调用和单次回答升级为任务完成与工作成果 [1] - 钛动科技发布行业首个Pro Agent——Navos Pro，以Professional、Proactive、Profitable三大核心属性构建产品内核，推动AI成为企业全球化增长与生产力变革的核心引擎 [2] - 从Chatbot到Agent再到Pro Agent，背后演进的底层哲学本质上是“工作发起权的转移” [10] - 钛动科技核心战略为“只做结果导向（Result-Driven）的AI for Work”，从AI for Growth切入并率先验证商业价值 [15][19] - AI的演进正从“Language（语言生成）”跃迁至“Action（行动执行）”，进入真实工作场景参与专业任务 [29] 一、Codex演进与AI范式迁移 - 今年6月Codex周活跃用户突破500万，知识工作者的增长速度超过开发者群体3倍 [1] - 10月Codex与ChatGPT Work的合计活跃用户达到4000万 [1] - 曾主导Codex的Tibo Sottiaux开始负责OpenAI核心产品与平台，覆盖ChatGPT、Codex、API、智能体基础设施及企业产品 [1] - 过去软件等待人来操作、AI等待人来提问，人负责定义问题、拆解步骤、切换工具并拼接结果，新一代Agent系统正在尝试接管这条链路 [1] - 英伟达CEO黄仁勋提出“Useful AI has arrived, and it is profitable”（有用的AI已经到来，而且能够创造收益） [1] - 在真实业务中，AI执行任务只是第一步，还需要理解专业场景、主动发现机会，并以实际业务结果检验行动是否有效 [4] 二、TGC 2026科技增长大会与Navos Pro发布 - 以“AI is Profitable”为主题的TGC 2026科技增长大会于10月23日在广州举行 [2] - 国际AI先驱Kevin Knight在会上展开重磅分享，预测AI下一步跃迁 [2] - 钛动科技正式发布行业首个Pro Agent：Navos Pro，以Professional、Proactive、Profitable三大核心属性构建产品内核 [2] - Navos Pro将专业业务理解、主动机会发现与商业回报验证贯通于同一Agent [2] 三、Navos Pro三大核心能力 - Professional（专业理解业务）：深度解析品牌定位、产品卖点、目标客群与业务目标，持续沉淀品牌知识和业务记忆，让AI真正理解品牌生意 [8] - Proactive（主动发现机会）：7×24小时追踪市场、投放、商品与达人数据，主动识别增长机会、生成策略并推动执行，同时由人保留最终决策权 [8] - Profitable（实现商业增长）：以GMV、ROI、利润等真实业务指标检验策略与执行效果，让AI的产出与商业增长直接挂钩 [8] - 三大模块形成闭环协同：专业认知为决策锚定业务语境，主动机制驱动业务链路持续推进，结果指标为全部行动提供反馈标尺 [7] - 该机制已在出海营销场景跑通完整链路：Navos Pro通过品牌知识与业务记忆理解企业需求，结合市场、投放、商品及达人数据发现增长机会，再以实际业务指标评估策略效果 [7] 四、Pro Agent的行业意义与商业验证 - 对于出海企业，可将分散在市场研究、创意生产、达人合作与广告投放中的工作串联起来，并根据实际效果调整后续策略 [10] - Navos Pro让AI不再局限于某个环节的效率提升，而是围绕企业增长目标推动多个环节协同运转 [10] - 从Chatbot到Copilot，AI逐步从回答问题走向辅助执行，但工作目标与任务发起仍主要由人掌握；Pro Agent则需要在明确的业务目标与授权边界内主动感知变化、识别机会并推动任务持续执行 [10] - 钛动科技作为ChatGPT Ads全球首批官方技术合作伙伴，已在首批客户实测中验证商业价值：助力某出海品牌营销成本大幅下降，ROI提升至原来的2.5倍 [11] - 钛动与腾讯WorkBuddy达成生态合作，推动垂直专业营销能力与通用大模型平台深度互补 [11] - 用Pro Agent重塑营销并非钛动科技布局的终点，而是将AI能力从营销场景推向更广泛企业生产力的起点 [12] 五、AI for Work万亿蓝海与企业生产力衡量 - 数字化浪潮呈现约每6年一轮的生产力产业大周期：2012年移动互联流量时代重塑“链接”，2018年企业级SaaS席位制时代重塑“流程”，2024年拉开序幕的AI时代正重塑“企业生产力” [14] - 钛动科技将“AI for Work”应用方向概括为三部分：AI for Growth、AI for Innovation和AI for Administration，分别对应企业长期持续投入的营销和销售、编程和产品开发、管理三笔费用 [15] - “结果导向”与单纯提升效率的区别在于：AI工具帮助员工节省时间固然有价值，但判断其是否真正改善企业经营，还需观察营销投入能否带来更多转化、研发工作能否更有效推进、组织运行能否更高效 [17] - 据统计，这是一个规模高达数万亿美元的全新蓝海 [18] - 钛动科技选择从AI for Growth切入，原因在于营销具有相对明确的预算和反馈指标，一次广告投放后可观察获客成本、用户转化和投入回报变化并据此调整策略 [19] - 围绕出海增长，AI可参与市场洞察、创意制作、达人营销、广告投放与效果优化，企业可测试不同方案、比较实际表现、根据市场反馈调整投入 [19] - 钛动科技将继续把自身AI能力迁移至AI for Innovation与AI for Administration，推动企业AI生产力的系统性重塑 [19] - 钛动科技将核心能力归纳为三部分：先进算法、海量闭环数据以及工程化Harness [19] 六、AEE企业生产力评价框架 - 李述昊提出用于理解AI时代“企业生产力”的框架AEE（Agentic Enterprise Effectiveness） [21] - AEE = Number of Agents × Active Agent Adoption × Output Quality，即将企业拥有多少Agent、Agent的实际使用频率以及Agent的产出质量放在一起考量 [21] - 该框架强调企业不能只看部署了多少AI工具，还需观察员工是否真正使用它们以及最终产出的工作是否符合业务要求 [21] - AI for Work的关键不在于把AI放进更多工作环节，而在于让它真正参与工作并持续检验工作结果 [21] 七、钛动科技三大核心能力支撑 - 算法层面（以小博大）：通过后训练、强化学习与持续学习提升模型在营销专业任务中的表现；钛极32B参数问答推理模型在SuperCLUE广告营销专业大模型评测中以85.82分位列第一 [24] - 27B参数视觉语言模型在出海营销视频理解评测中以86.43分与阿里千问并列第二，探索以更低参数规模兼顾专业效果与推理成本 [24] - 数据层面（构建业务闭环）：沉淀覆盖电商、游戏、文娱、本地生活等领域的企业与产品经验，并连接ChatGPT、Meta、Google、TikTok等主流媒体API，让真实业务数据与投放反馈持续反哺模型和策略优化 [24] - Harness层面（将经验转化为可执行工作流）：通过Skill将营销知识、工具调用与执行规则工程化，覆盖创意、广告投放、数据诊断和达人营销，并按美妆、电商、游戏等业务需求灵活组合，让Agent从单点任务执行走向多环节协同 [24] 八、Kevin Knight演讲：从Language到Action - Kevin Knight的演讲《From Language to Action: The Next Leap in AI》从技术演进角度提出五个问题：AI如何走到今天、如何运作、发展是否加速、什么推动下一次飞跃、AI将如何改变人类 [23] - Kevin Knight曾在南加州大学任教26年，担任美国计算语言学协会（ACL）主席，是ACL Fellow、AAAI Fellow，长期研究机器翻译、自然语言生成与语言智能 [26] - 其领导过的研究团队汇聚多位优秀研究人员，包括Transformer论文第一作者Ashish Vaswani，前OpenAI研究副总裁、现Google DeepMind研究副总裁Barret Zoph也曾接受其研究指导 [26] - 曾联合创办机器翻译公司Language Weaver，担任滴滴自然语言处理首席科学家，目前担任Threeven Labs CEO [26] - 当前AI的“自主工作时长”正在持续拉长，技术迭代并没有放缓而是在加速深入复杂流程 [26] - 预判AI未来应用场域将全面渗透至生物医药研发、高复杂度商业决策、具身机器人乃至完整企业的自动化运营 [26] - 相较于空泛的技术威胁，当下更值得警惕的是“认知外包（Cognitive Offloading）”风险——人类在习惯大模型辅助的过程中不知不觉将底层思考、批判与审美判断交付给算法，导致核心思维能力退化 [27] - 人机协同的核心前提是人类必须保持独立思考与战略判断的能力，随时做好重塑自我的准备 [28] - 技术的下一次跃迁不只是让AI能够思考，而是让AI能够行动、学习并创造价值，从“Language（语言生成）”跃迁至“Action（行动执行）”，成为帮助人类分担高负荷复杂任务的专业工作伙伴 [29] 九、AI for Work技术路线与行业竞争 - 从Kevin Knight提出的Language to Action，到Navos所探索的Pro Agent设计思路，再到Harness工程化与AEE评价框架，一条值得持续观察的技术路线正在逐渐清晰 [32] - 模型能力为Agent提供基础，任务编排与工具调用让模型能够进入真实工作，专业数据和反馈机制帮助系统适应具体场景，结果评价则为判断其实际价值提供依据 [32] - 长链路任务的可靠性、复杂环境中的状态管理、工具调用的安全边界、真实业务数据的质量以及投入产出的可验证性，仍是规模化部署必须面对的问题 [32] - AI for Work的竞争不应只被理解为模型能力的延伸，而更像是一场围绕企业工作系统展开的工程化竞争 [33] - 当AI从回答问题走向执行任务，真正的技术挑战不再只是让模型给出更好的答案，而是让整个系统以可控的成本、足够的可靠性和可验证的结果完成一项真实的工作 [33]

文章核心观点 - 大模型强化学习中Rollout是算力开销最昂贵的环节之一，将Rollout从BF16压缩到FP4可显著降低计算与显存开销，但训练端与Rollout端面对接近数值时可能因FP4离散量化边界落到不同码点，微小数值误差被放大为策略偏差并导致训练崩溃 [2] - 阿里千问联合俄亥俄州立大学研究团队提出TRACE，核心思路不是分别提高训练端和Rollout端的量化精度，而是直接减少两条低精度执行路径之间的差异，用Rollout侧真实FP4量化结果反向指导训练侧舍入方向 [2] - TRACE在Qwen3.5-35B-A3B、Qwen3.5-122B-A10B、Qwen3.8-Flash-Next、Qwen3.8-2.4T-A95B四个MoE模型上，可在联合FP4 W/A与FP4 KV Cache Rollout设置下将最终性能拉回BF16 Rollout附近，128K输出长度下rollout解码吞吐最高提升5.4× [2] FP4 Rollout导致RL训练崩溃的机理 - 低精度Rollout的吸引力直接：rollout阶段通常占据RL大量时间，轨迹长度扩展至数万甚至数十万token时，低精度计算和低精度KV Cache能显著降低成本，FP4相比FP8更激进也意味着更大潜在加速空间 [5] - 现有方法通常关注量化后的值离原始高精度值有多近，即分别降低训练路径和Rollout路径的量化误差，但TRACE作者指出这并不等价于降低两条路径之间的差异，两个值都可各自量得很准却仍被量化到不同码点 [6] - 论文给出直观例子：训练侧激活为60.24、Rollout侧为59.76，原本只差0.48，经相同global scale和block scale后归一化值分别变成2.51和2.49，因恰位于舍入边界两侧，一个被量化到3、一个被量化到2，最终差异被放大到24 [7] - 对MoE模型而言这类偏差尤其棘手，数值变化还可能影响router分数和专家选择，使训练策略与生成轨迹对应的策略进一步偏离，实验中所有baseline方法包括普通FP4 QAT、QaRL和QUADS都出现训练后期奖励与测试分数明显下滑甚至崩溃 [7] - 在Qwen3.5-35B-A3B上，FP4 QAT/QUADS/QaRL出现性能下降，TRACE保持稳定并逐步和BF16持平 [8] TRACE核心设计一：Rollout引导的量化感知训练 - TRACE第一个设计是Rollout-Guided Quantization-Aware Training，Rollout阶段系统记录FP4 routed expert激活和FP4 KV状态对应的量化结果，后续训练阶段这些信息直接参与训练侧fake quantization的舍入决策 [11] - 对于训练侧某个待量化值，TRACE仍只在相邻两个FP4 E2M1码点之间选择，但不再机械使用标准round-to-nearest（RTN），而是优先选择距离Rollout侧实际码点更近的候选值 [11] TRACE核心设计二：紧凑量化信息缓存 - 直接保存完整Rollout量化结果并不便宜，信息需经历GPU→CPU、CPU缓存、磁盘写入/读取再在训练时回到GPU，长轨迹、大batch和异步RL都会放大存储与通信压力 [12] - 作者统计发现超过99%的训练/rollout量化不一致只相差一个相邻FP4 codebook entry，因此Rollout侧无需传完整低精度值，保留少量mantissa信息加scale通常就足够告诉训练侧应朝哪个方向舍入 [12] 实验效果 - 在Qwen3.5-35B-A3B的RL任务上，TRACE平均分达75.3，对照BF16 Rollout为74.9、普通QAT为59.6、QaRL为58.6、QUADS为68.8，尤其在HMMT25上TRACE从QUADS的59.0提升到70.0 [14] - 分项成绩：TRACE在Live Code Bench为66.4、AIME24为86.3、AIME25为78.5、HMMT25为70.0、本科平均75.3；BF16对应为67.1、83.8、81.3、67.5、74.9；QAT为55.1、70.7、63.4、49.2、59.6；QaRL为54.1、73.3、57.9、49.2、58.6；QUADS为60.4、80.5、75.4、59.0、68.8 [15] - 保存完整指导信息会因通信开销严重拖慢Rollout，采用紧凑缓存后TRACE吞吐基本贴近原生FP4 Rollout，8K输入、128K输出时解码吞吐相对BF16 Rollout最高提升5.4× [16] - 端到端来看，联合FP4 Rollout的RL step time中TRACE仅产生约7.4%的额外开销 [16] 模型在RL中适应FP4的现象 - 训练早期FP4执行仍会带来性能损失，但只要train-rollout discrepancy被控制住，模型会逐步适应低精度执行环境 [18] - 在Qwen3.5-35B-A3B的HMMT25曲线上TRACE约在120个RL step后追上BF16，在Qwen3.8-Flash-Next上类似追平出现在约240 step，说明低精度不一定只能被看作训练中的静态噪声，若训练与生成使用一致、可学习的低精度环境，策略本身可能通过RL更新逐步适应数值约束 [20] - 最终FP4 policy质量方面，先用BF16 Rollout完成RL再事后量化，Vanilla NVFP4、4over6和H-Scale平均分分别为70.4、71.0和71.4，而TRACE从训练过程中就使用联合FP4 Rollout，最终FP4 policy平均分达75.3 [20]

AI 圈又有一件看起来很技术、实际上相当关键的事。 今天，Linux基金会旗下的 Agentic AI Foundation（AAIF）一口气迎来四个新的托管项目： 编辑｜Red Panda 四家公司的四项基础设施入驻AAIF，Agent生态正在从各自造轮子走向争夺公共标准。 Anthropic贡献 Agent Skills，OpenAI贡献 Open Responses，Hugging Face贡献 OpenEnv，阿里贡献 OpenSandbox。 覆盖 AI Agent 从获得技能、调用模型，到训练、执行任务的多个关键环节。这也是四个已有项目，被纳入同一个中立治理框架。 至此，AAIF 托管的项目总数从成立之初的 3 个增加到了 10 个。基金会成立还不到一年，会员组织数量也已经达到 305 家。 看起来只是一次开源项目捐赠，但往深了看，事情没那么简单。 当 AI Agent 开始真正干活，行业争夺的就不只是模型能力，还有 Agent 之间共同遵守的规则。 AAIF 的新项目 四个项目，到底有什么用？ 这四个项目分别在解决 Agent 做事过程中的四个问题。 Agent Skills ：让 Agent ...

文章核心观点 - 天孚通信公告董事会审议通过回购方案，拟使用自有资金以集中竞价方式回购股份 [1] - 回购资金总额不低于1亿元且不超过1.5亿元，回购价格不超过350元/股 [1] - 回购股份将全部注销并减少注册资本 [2] - 实施期限为股东会审议通过后6个月内，该议案尚需提交股东会审议 [2] 回购方案要点 - 回购方式为集中竞价，资金来源为自有资金 [1] - 回购资金总额下限为1亿元，上限为1.5亿元 [1] - 回购价格上限为350元/股 [1] - 回购股份全部用于注销并减少注册资本 [2] - 实施期限为股东会审议通过后6个月内 [2] - 议案尚需提交股东会审议 [2]

文章核心观点 - 中东局势升温推动国际油价大幅上涨，布伦特原油一度冲上每桶114美元，美原油突破每桶100美元，持续攀升的油价令美联储加息预期进一步升高，对黄金表现形成压制 [1] - 现货黄金盘中击穿4000美元/盎司，最低跌至3986.49美元/盎司，逼近年内最低点3942.43美元/盎司，年内表现一度从最高上涨29.7%转为下跌超7% [1] - 黄金年内价格波动剧烈，现货价格从最高5598.75美元/盎司一路跌至最低3942.43美元/盎司，最大回撤逼近三成，市场对未来走势存在较大分歧 [9][4] 黄金价格与零售市场表现 - 10月23日现货黄金盘中击穿4000美元/盎司，最低探至3986.49美元/盎司，截至北京时间18:52微跌报4024.61美元/盎司 [1] - 首饰金最新报价在1206元/克左右，相比8月25日1410元/克左右的价格，不到2个月下跌超过200元/克 [3] - 10月23日周大福报价1208元/克，周生生和六福报价1206元/克，相比8月25日1410元/克下跌约200元/克 [6] 油价与货币政策对黄金的传导机制 - 地缘政治消息令市场担忧中东能源供应进一步中断，油价维持高位，能源冲击推高主要经济体通胀水平，倒逼政策制定者上调融资成本 [5] - 黄金本身不产生利息收益，更高利率会削弱其吸引力，冲突持续越久各国央行维持紧缩货币政策的时间可能越长 [5] - 交易员静待10月美联储议息会议，据CME“美联储观察”，10月维持利率不变概率为92.8%，累计加息25个基点概率为7.2%；12月维持利率不变概率为19.5%，累计加息25个基点概率为74.8%，累计加息50个基点概率为5.7% [5] - 美债收益率依旧处于高位，叠加美元走强、加息预期犹存，黄金大概率持续承压，金价若反弹很可能遭遇新一轮抛售 [5] - 随着美债收益率不断攀高，不生息的黄金吸引力有所下降 [5] - 地缘冲突没有缓和迹象，通胀担忧依然存在，继续推升美债收益率，持有黄金的机会成本明显上升，资金回流美元资产，短期内黄金仍存在压力 [7] 央行购金行为变化 - 哈萨克斯坦央行正从全球最大的黄金买家之一转变为黄金卖家，将减持约3%的黄金储备，转向投资美债 [6] - 哈萨克斯坦是全球第八大黄金生产国，自去年2月停止出售黄金后，该国央行黄金储备规模已增至386吨 [6] - 目前黄金储备占比约为78%，比例偏高存在风险，储备组合已近乎单一资产配置，目标是在今年年底将黄金储备占比降至75% [6] - 本次减持计划中，一半通过出售黄金相关期权实现，另一半通过出售实物黄金完成 [6] 机构对黄金未来走势的看法 - 韩国大信证券指出，美国长期国债替代需求可能长期存在，但近期流动性环境未必有利于资金持续流入黄金，预计明年金矿供应周期可能与较高政策利率叠加，限制价格上行空间，2027年第二季度油价的基数效应可能为黄金带来阶段性反弹机会，但金价接近既往峰值时应谨慎看待后续空间 [9][10] - 汇丰下调金价预测，预计2026年黄金均价为每盎司4490美元，低于此前预测的4560美元；将2027年黄金均价预测由每盎司4925美元下调至4825美元，理由是预期美国将进一步加息以及油价上涨可能在短期内对黄金构成压力 [10] - 美国银行看好黄金，认为2027年黄金名义均价为每盎司4813美元，第二、第三季度均价预测均为5000美元，同时将实际利率上升和美元持续走强列为价格下行因素 [10] - 瑞银财富管理维持对黄金的中期积极观点，认为随着市场下修对美联储加息的预期，金价有望在临近年末时重拾动能并延续至2027年 [10] - 瑞银指出，美国实际收益率和美元汇率双双走升提高了持有黄金的机会成本，导致金价近期走弱，但金价对实际利率的敏感度已下降，表明结构性需求提供的缓冲作用强于以往周期 [11] - 瑞银预计央行年度黄金购买量在750吨至1000吨之间，为金价提供重要的结构性支撑，短期内金价或再次测试每盎司4000美元附近的支撑，逢低买入的结构性需求预计将在该水平形成底部支撑 [11] - 瑞银认为金价回落至4000美元附近可视为加仓机会，对于偏好实物资产的投资者，在充分多元化的投资组合中配置中个位数比例的黄金较为适宜 [11]

记者丨 周潇枭 编辑丨陈洁 10 月 23 日，财政部举行前三季度财政收支情况新闻发布会。 财政部数据显示，前三季度，全国一般公共预算收入 17.23 万亿元，同比增长 5.1%。其中， 全国税收收入 14.07 万亿元，同比增长 6.1% ；非税收入 3.16 万亿元，同比增长 1.2%。 长，31 个省份中有 28 个省份收入增长。 出品丨 21 财经客户端 21 世纪经济报道 编辑丨曾静娇 SFC （财政部发布会现场图，拍摄：周潇枭） 财政部国库司副司长马宏兵回应 21 世纪经济报道记者提问时表示，今年以来，各级财政部门 推动更加积极的财政政策发力提效，充分发挥存量政策的效果，及时谋划推出增量政策，深入 推进财政科学管理，持续提高财政资金的使用效率，为完成全年经济社会发展目标任务提供坚 强的保障。财政运行总体平稳， 财政收支呈现以下五个特点。 一是财政收入平稳增长。 前三季度，全国一般公共预算收入 17.23 万亿元，同比增长 5.1%， 增幅比上半年提高 0.4 个百分点。主要是我国经济运行总体平稳，延续向新向优态势，同时， 价格上行、股市活跃、外贸增势强劲等因素也有力地支撑了财政收入的增长。 二是税 ...

记者丨 周潇枭 编辑丨陈洁 10 月 23 日，财政部举行前三季度财政收支情况新闻发布会。 （财政部新闻发布会现场图，拍摄：周潇枭） 9 月 29 日，财政部等部门对外宣布将于 2026 年 10 月 1 日起在全国范围内实施居民购房贷款贴 息政策，以减轻新购买首套住房家庭的商业性个人住房贷款利息负担。 出品丨 21 财经客户端 21 世纪经济报道 编辑丨曾静娇 SFC 21 SFC 悦 读 · 智 能 权 威 o 0 6 更多精彩 扫码点击 财政部金融司副司长李楠在发布会上表示，这项政策重点支持进城务工人员等新市民、新就业 大学生等青年人，以及城镇工薪家庭等刚需群体，新购中小套型、较低价位的首套住房，新 房、二手房均纳入支持范围，对符合条件的住房贷款给予期限不超过 5 年的贴息支持，减轻房 贷利息负担，助力更多群众住有所居。贴息资金总规模不设上限，实行据实结算，应贴尽贴。 李楠表示，政策发布后，依托一揽子政策工作机制，第一时间指导各地加快推进实施，全面推 行免申即享、贴息资金按月抵扣。从运行情况看，政策落地平稳，成效初显。据经办银行反 映，这段时间不少家庭看房购房办理贷款，普遍认为贴息政策实打实减轻了月供负 ...

文章核心观点 - 蒂尔认为当前AI恐慌是被“过度决定”的现象，反乌托邦科幻场景（《终结者》《黑客帝国》《大都会》）深植人心，但追问原因远比确认事实复杂 [9] - 公众把99%的精力用来害怕AI毁灭人类，却在恐惧中盲目呼吁“全球集中监管”；企业的二选一从来不是圣人与恶魔，而是有破坏力但能打破边界的狂人（马斯克、乔布斯）与把系统推向窒息的合规官僚 [16] - 平庸的无能比带有争议的创造力更具破坏性；毁掉人类文明的往往不是激进的技术，而是被恐惧裹挟后的停滞 [5][16] - 蒂尔的价值排序极其明确：良善（Good）胜过邪恶（Evil），但邪恶（Evil）强于平庸低能（Bad） [39] - 停止创新同样伴随致命风险，停滞等同于慢速自杀 [32] AI反弹的根源与有效利他主义思潮 - 蒂尔认为AI反弹将大幅拉动经济增长，但会以极具破坏性和颠覆性的方式呈现，目前局势不明确，谁都说不准赢家与输家 [9] - 达里奥、埃隆和山姆公开讨论末日图景，某种程度上迎合了这种说法或自己也半信半疑，或手下有大批员工深信不疑 [10][11] - 埃隆对AI风险深信不疑至少十年；德米斯·哈萨比斯创办DeepMind被谷歌收购后约一年，埃隆和山姆联手创立OpenAI，最初是一家纯粹的“反谷歌”公司，底层逻辑是技术太重要太危险，绝不能被单一巨头垄断掌控 [13][14][15] - 埃隆大概在2018年退出OpenAI；2020年前后创立Anthropic的核心团队从OpenAI出走，想把风险议题拔高到绝对核心位置 [17] - “有效利他主义”（EA）思潮在那个圈子里已暗中流淌太多年，主张用最有效方式使用资源以产生最大社会积极影响 [18][19] - 2000年代硅谷东湾伯克利、奥克兰一带思想氛围极具创造力，类似激进“新无神论者”沙龙，这批未来主义者反复聚焦AI可能以远超公众预期速度到来 [21] - 关键推演：不需要基础算法神迹般质变，几乎纯粹是硬件堆叠问题——一旦拥有足够强大的芯片和算力集群，大模型大规模涌现就成了物理层面必然 [21] - 蒂尔直斥Anthropic是“赌对了一件惊天大事的神经质邪教”，该思潮很多派系极度神经质甚至带有狂热宗派色彩，但他们在最核心战略预判上确实赌对了 [4][22][23] - 历史上没有哪个狂热宗教能做出Anthropic这样成功的商业实体——一个宗派短短几年打造一家公开上市时估值可能逼近两万亿美元、跻身全球前列的超级巨头 [23] - 蒂尔对有效利他主义者的最强肯定：在核心演进节拍上，他们确实赌对了通用智能就在拐角处这一宏大事实 [24] - 图灵测试的基准是机器不需要真正“变成”人，只需在交互中彻底骗过你，让认知输出上无法分辨差异；这将引发巨大社会震荡并催生经济学拷问：对全人类劳动力而言，AI到底是互补要素还是彻底的替代性清洗 [25] 劳动力重塑与垄断格局 - AI将大幅提升全要素生产率，成为经济体系中极其强劲的抑制通胀力量；只要技术没有被极少数寡头极端垄断吸收，中位数人群境况最终都会改善 [26] - 类似19世纪卢德运动，某些特定行业遭遇残酷洗牌，但阵痛过后人力从低效劳役中释放出来，转向生产力更高、维度更广阔的领域 [26] - 过去两百年技术创新史中，商业机构自身捕获的技术红利占比极小，绝大部分技术果实最终溢出给终端消费者与宏观经济 [26] - 软件和互联网是反常特例，见证了一批近乎天然垄断的超级平台，获取天文数字般资本收益，公众因此合情合理地对AI产生同样戒备 [27] - 蒂尔考察项目时最喜欢问“你们凭什么能形成垄断”，但拿着顶级前沿模型来融资的团队在“如何构筑绝对垄断壁垒”上商业逻辑脆弱得不堪一击 [28] - 格局时刻剧烈颠覆：2010年代初DeepMind拔得头筹，随后OpenAI凭借Transformer换道超车，接着奥特曼疯狂堆砌算力、锁定芯片，眼下Anthropic似乎抢占更具进攻性的身位，谷歌、Meta及马斯克的xAI咬得极紧，开源生态全面铺开 [28] - 几家核心玩家之间是疯狂至极、你死我活的殊死白刃战，与外界想象中“坐地收租的安稳垄断”相差十万八千里；只要行业无法形成绝对垄断，技术红利就注定以极快速度外溢并普惠全社会 [28][29] - 大众真正焦虑并非源自垄断，而是源自极高的不确定性与颠覆性——原本预期每年稳拿3%工资涨幅，现在变成可能暴涨10%也可能直接腰斩 [29] 全球化与硬核技术 - 全球化本质是劳动力市场差价套利：当别国工人薪水只有本土5%时能买到廉价日常用品，但随着套利被吃干抹净，迅速沦为一场零和博弈，重创本土实体产业 [30] - 真正技术变革的核心逻辑是“以更少的资源创造指数级的增量”，提升的不是冷冰冰的GDP总额，而是实打实的人均可支配财富 [30] - 过去几十年核心症结在于互联网体量根本不够大，在虚拟世界搞得天翻地覆，但对现实物理世界改造微乎其微 [31] - AI势能远超当年互联网，很可能是打破半个世纪技术停滞、大幅拉动人均生产力跃迁的唯一硬杠杆 [32] - 蒂尔认为把全人类灭绝概率定在5%到10%明显夸大得离谱，哪怕高于零点几个百分点的概率都嫌太高 [32] - 即便西方巨头内部也承担极高容错成本，内部风控机制严密程度远非官僚机构可比；监管机构根本看不懂前沿体系，更谈不上有效监管 [32] - 科技巨头高管主动向政客递话“求求政府快来监管我们”，本质是金蝉脱壳的公关遁词；扎克伯格曾确立官方口径“我们渴望强监管”，蒂尔直斥“他们根本不是想监管你，只是想在镜头前冲你咆哮宣泄，抓个替罪羊大加挞伐” [33] - 巨头高管呼吁监管更是说给内部员工听，潜台词是把安全恐慌逆转为崇高使命感，是极其高明的心智动员 [33] 创始人vs官僚与苹果案例 - 现代商业世界只有两类物种，呈现极其冷酷的“双峰分布”：一类是富有个人魅力、行事离经叛道、带有破坏性但能移山倒海开拓新边疆的狂人；另一类是只会墨守成规、窒息一切创造力的乏味官僚机器 [34] - 创始人执掌企业的替代选项从来不是纯洁的圣人，而是手握MBA文凭、背靠畏首畏尾合规董事会的平庸官僚 [34] - 蒂尔称“后乔布斯时代的苹果毫无革命性”，苹果没有做出哪怕一件具有革命性的新事物 [4][35] - 所有一线科技巨头中，苹果研发支出占营收比重断崖式垫底，而砸在股票回购上的资金规模空前庞大，已彻底退化成运行平稳、毫无生气的超级“价值股” [35] - 蒂姆·库克堪称“反乔布斯”——毫无个人魅力、将运营合规做到极致的职业经理人；智能手机是乔布斯留下的不可思议遗产，产品定型后剩下不过是长达十五年的供应链放大与品牌收割 [35] - 蒂尔坚信从人类文明演进尺度衡量，马斯克或乔布斯对世界的真实贡献远胜一万个蒂姆·库克 [35] - 比尔·盖茨沉迷于“美德炫耀”，埃隆·马斯克极其热衷“恶德表态”；在虚伪世界里敢于坦承自身缺陷的真小人反而比满嘴仁义道德的人更具诚实品格 [37] - 语义学上“好”（Good）的反义词是道德维度的“邪恶”（Evil）还是能力维度的“低劣/平庸/无能”（Bad）：狂飙超跑极其耗油但绝不会被骂“恶毒的车”，东德生产的破烂汽车动不动半路抛锚才叫彻头彻尾的“烂车” [38] - 2000年代干细胞研究论战中保守派痛批“邪恶的科学”但最终惨败，全社会心态是“只要它能切实攻克绝症、创造巨大善果，就绝不可能是纯粹的邪恶”；一旦被定性为“平庸拙劣”就会被彻底抛弃，若仅被扣上“道德争议”帽子往往却能凝聚海量资本 [40] 物理世界回归与人类终极价值 - 人类社会进步在1970年代前后发生剧烈失速断层：虚拟“比特（Bits）世界”取得惊世骇俗狂飙，但物理“原子（Atoms）世界”近乎止步不前 [41] - 传统工科全线陷落，机械、航天、化工沦为性价比极差的专业，因为物理世界试错背负沉重繁文缛节，再也没有石破天惊的突破发生 [41] - 蒂尔最大期许是希望AI成为强劲破局催化剂，重新激活整个沉寂已久的生命科学与物理工程 [41] - 吉拉尔洞见：人类往往过分夸大机器本身的自主性，真正致命症结永远隐藏在操纵技术背后的人性深处；审视AI乱局最核心维度是拷问科技巨头创始人内心最深处的欲望动因 [42] - 马洛笔下浮士德是三流学术造假者、毫无真才实学的“低劣之徒”（Bad），万劫不复坠入地狱；歌德笔下浮士德行使的力量固然充斥“邪恶”，但用这股力量探寻绝对真理、移山填海、开辟实体工业基建，最终灵魂得到神圣救赎 [42] - 埃隆、达里奥、奥特曼、扎克伯格的人格特质深刻塑造未来世界，这绝非无关紧要的八卦 [43] - 乔姆斯基学派断言语言是人类独一无二禀赋并统治学术界几十年，直到2022年大模型横空出世这一神话被彻底击碎；如今人性终极堡垒只剩“意识”（Consciousness） [44] - 蒂尔不认为AI具有主体意识，也绝不相信它未来能拥有意识；人类截然不同于机器的绝对维度在于拥有主观有意识的体验 [45] - 若人类灭绝殆尽，即便超级计算机能精准测算日落所有物理波长与光谱数据，宇宙中也再没有任何存在能真正体会到那一抹晚霞的震撼之美 [45] - 人类本质上是高度“关系型”生物，生命中最厚重、最不可剥夺的部分是在家庭内部、团队协作中、文明共同体里人与人之间激荡碰撞出的爱与联结 [46] - AI的真正价值在于把人类从流水线工厂枯燥无味的机械劳役中彻底解脱出来，赋予充裕闲暇与尊严去深耕人际间的温情与崇高意义追求 [46]