元首会谈的“定性”逻辑与时间窗口博弈
本次中美元首访问之所以在确认上显得较为滞后，直至临行前才最终敲定行程，其背后隐含了双方此前进行了大量的框架性沟通与定性铺垫。这种“晚确认”并非行程不确定，而是为了确保双方在核心议题上的认知对齐。从最终结果来看，此次对话主要聚焦于定性层面的意见交换，而非具体的细节落实。唯一明确的定量成果是延续了去年吉隆坡达成的中美贸易协议中关于暂缓竞争手段加码的条款，将其延期至2026年11月。
这一时间节点的选择极具战略考量，直接覆盖了美国今年最重要的黑五至元旦购物季。对于中国外贸企业而言，虽然其季节性波动不如国内电商剧烈（大致呈现1:2:4或类似比例），但跨越整个购物季意味着贸易摩擦的暂时缓和，这对企业出口是明确的利好。此外，此次访问也服务于特朗普的中期选举政治需求，通过展现外交能力并达成如格陵兰岛协议等成果，巩固其“美国影响力”的政治叙事。
在具体的议程安排上，媒体曝光显示最核心的互动集中在小范围会谈与茶叙。这些仅有四至六人出席的高规格场合，才是敏感议题（如地区冲突、周边局势）真正交换意见的场所。而具体的贸易或AI磋商细节，则留待后续机制落实。这种安排也反映了对美国中期选举后国会构成可能变动的审慎态度——在政治格局未稳之前，顶层先达成“我知道你要什么、我也知道我要什么”的框架共识更为稳妥。
我猜可能这次就是大部分的主要内容集中在了小范围的会谈里面的一些关键问题的定性意见交换，定量应该没什么。
对于中国今年的外贸企业……因为它提前到一月十号，就是跨完了整个购物季，所以这个对外贸企业来看肯定是个好事儿。
AI发展的周期律：从能力上限到安全边界
在主席的演讲中，特别强调了人工智能必须在人类管控之下为进步做贡献。这一表态契合了当前AI发展阶段的内在逻辑：在资本市场的上行周期或泡沫期，市场关注的是能力上限的突破（如Agent、RAG等新名词的不断涌现）；而当技术开始落地应用并进入下行周期时，焦点必然转向安全边界与可控性。这与自动驾驶的发展轨迹如出一辙：早期泡沫期比拼的是技术路线和演示效果，而当事故频发、应用普及后，行业才被迫建立L2/L3等安全规范。
当前关于AI安全的讨论充满了噪音与分歧。一方面，有观点认为模型蒸馏等争议是出于增长放缓后的营销或施压手段；另一方面，包括黄仁勋在内的部分巨头反对以安全为由减缓模型进展。然而，从投资和技术本质来看，大模型作为数据驱动的黑盒系统，存在显著的“跷跷板效应”——优化某一能力可能导致其他方面失控。因此，在AI深入物理世界（如机器人、工业控制）之前必须引入白盒约束。数字世界的“穿模”（如六根手指）尚可容忍，但物理世界的不确定性可能带来人命关天的后果。未来AI的适用性将取决于其是否具备可理解、可解释且可调教的特性，即通过物理和数学规律划定清晰的能力边界。
从资本市场来看……在资本市场的上行周期，大家探讨的都是能力问题；等到发展到一定程度……在资本市场的下行周期，大家就要探索边界问题了。
可能人工智能在不同领域的应用当中，需要加越来越多的白盒……使得它有一部分最少是可理解、可解释和可调教的。
物理世界的白盒化需求与能力边界
当人工智能从数字世界走向物理世界，其应用场景不再局限于编程或图像生成，而是扩展到机器人、工业控制等与具体物理事物相关的领域。这种转变对AI提出了更严苛的要求：越接近物理现实，就越要求模型具备“白盒”特性，即明确的能力边界和可控性。在物理世界中，错误发生的容忍度极低，例如自动驾驶一旦出错可能带来严重后果，因此用户不仅希望AI解决问题，更希望其可控制且边界清晰。尽管自2022年底ChatGPT开启新一轮AI浪潮以来，模型能力在数字领域提升迅速，但在物理世界的普及仍面临挑战。目前AI应用多停留在办公、PPT生成等场景，尚未出现像早期ChatGPT那样能突破“早期使用者阶层”、让大众普遍感知到革命性效率提升的新应用。这种能力上限的快速迭代与应用普及的滞后形成了鲜明对比，使得确定AI在物理场景中的安全边界成为当前核心议题。
“你在希望它能解决的时候，你就希望它可控制，或者说最少你知道它的能力边界。那这在物理世界里就会更多的出现。”
高边际成本制约大规模普及
从投资视角看，AI与互联网存在本质区别：互联网的商业模式边际成本接近零，用户从一万增长到一亿时，新增服务成本极低；而AI目前的边际成本显著且难以迅速递减。每一次对话、任务执行都涉及模型对输入的理解、计算与输出，若用户反复追问或上下文复杂，成本会进一步增加。Meta发布的个人助理Muse因宕机和服务不可持续等问题暴露了这一短板，证明AI无法像互联网那样实现近乎零成本的扩张效应。因此，在应用普及的第一阶段，商业模式难以支撑普通大众的低价值需求。若模型公司需盈利，要么让高附加值用户（如编程、游戏开发）支付更高费用，但这不符合互联网早期“免费+广告”的逻辑；要么通过高单价广告覆盖成本，但AI的高边际成本使得广告变现难度极大。结论是：第一阶段普及将集中在高付费意愿或中高价值场景（如专业编程、特定游戏），而日常低价值需求将转向端侧模型。在手机或电脑本地运行的小模型可解决90%以上的日常需求，既降低了云端成本压力，又部分解决了隐私问题。
“人工智能最大的问题，最少在今天，它碰见的问题是它的编辑成本并不能显著递减，或者说并不能像互联网模式那样认为接近于零。”
基座模型的技术路线分歧与投资共识
关于大语言模型（LLM）是否为所有AI发展的唯一基座，业界存在技术路线的分歧。部分观点认为需在LLM基础上线性累加即可衍生出世界模型或物理模型；但更深入的探索显示，通往物理世界的AI可能需要跨越“半个道”，引入不同的结构、技术路线及学科能力（如物理定律、数学公式），而非仅依赖语言标注。具身智能领域正从早期的VLA/VLM（视觉-语言模型）向去“L”化方向演进，即减少纯语言标注的依赖，增加可解释的物理规律计算。2024年二季度前，机器人大脑模型讨论多偏向语言路径；此后共识逐渐形成：物理世界决策需更多依赖非语言的数学与逻辑过程。语言本身具有模糊性和降维特性，存在信息缺失，虽对人类知识传承至关重要，但非物理控制的唯一基础。在投资层面，早期VC对是否押注大模型存在分歧（如金沙江与激进新势力的不同选择），但随着头部公司上市及国资获利，财务投资人已达成“亡羊补牢”的共识：短期看，未上市的大模型标的（如Kimi）成为必投选项，以弥补此前错失的回报。尽管长期技术路线仍存不确定性，但短期投资逻辑已明确指向现有大模型资产。
“我最少不认为今天的大语言的基座模型形成的这个AI基模就应该是将来各种各样AI的基础模型。”
AI基础设施的“云化”宿命与成本竞争
关于是否应该投资大模型标的，市场分歧已基本消除。短期内，投资者倾向于追逐那些已经证明能赚钱且自己尚未获利的标的，这种“亡羊补牢”的心态驱动了当前的配置行为。从美国资本市场近期表现来看，那些构建了多层能力的公司（如谷歌、亚马逊、微软等）均超出了市场预期。这些巨头不仅拥有算力中心，还内部部署了基础模型或提供如Copilot等前端服务。国内阿里、字节和腾讯也呈现类似趋势。
基础模型的能力最终会走向“云化”，这一判断在年初的宏观漫谈中已提及。如果基础模型像2015年的云计算一样发展，单纯做一层（仅做模型）可能不足以生存。历史经验表明，当基础设施普及后，竞争将转向全链条能力。做云的人若能在模型迭代放缓时整合前端服务、用户数据及后端算力，将成为统一的服务商。在中国，这种竞争更为激烈，巨头们往往从IaaS（基础设施）到PaaS/SaaS（服务层）全栈布局，甚至向下延伸至芯片硬件制造。
一旦基础模型变成像云一样的通用调用服务竞争焦点将回归成本结构。这类似于十几年前的云计算，最终成为低毛利的基础设施生意。胜负手在于规模效应与纵向产业能力链条的结合：横向靠规模摊薄成本，纵向通过整合从具体服务、基础模型到AIDC（算力中心）乃至自研硬件的能力，来控制毛利率。因此，短期两年或许能获利，但若拉长至五年视角参考2015-2023年垂直云的发展轨迹，长期回报可能远低于预期。此外一级市场未上市模型公司的估值已超越二级市场最高市值公司，也反映了这种短期狂热与长期结构性压力的矛盾。
全球资金“蓄水池”逻辑与中美货币政策分化
近期美国加息25个基点，日本次日跟随，虽符合预期但美联储持续鹰派导致市场定价年内再加息。与此同时甲骨文（Oracle）因数据中心交付延迟及债券折价交易引发波动，这折射出AI资本周期的宏观关联。回顾《货币战争》等著作及历史周期，自货币脱离黄金约束后全球进入信用货币时代。央行通过量化宽松（QE）快速化解危机，导致全球债务总量极大幅度增长。由于实体经济增长赶不上货币增速资金涌入金融资产博弈推高资产价格，进而加剧贫富分化与社会矛盾。
我们将全球金融体系比喻为几个不同深度的“蓄水池”：最安静的是居民存款（类似平静的池子或堰塞湖），其次是债券/固收类资产，再次是风险资产（股票、房地产）及更激进的数字货币。金融资产的中短期波动主要由流动性驱动，尤其是大型公司的股价更多由预期和资金推动而非基本面突变。
分析资金流动需关注两个维度：一是水的总量增加与否（取决于央行是否“下雨”印钱）；二是水在池子间的运动方向。若总量未显著增加，资金会在风险偏好变化下迁移。以中国为例2024-2025年上半年居民存款显著增加，资金从高风险处流向最安全的存款池。尽管7-8月数据显示存款少增且部分向非银机构及固收理财转移（因定存利率差异及到期集中），但整体风险偏好仍低。中国央行行长潘功胜对8月数据的解读与我们的判断一致：中国经济结构正在向直接融资转换，目前直接与间接融资比例已达5:5。资金主要从存款池流向债券/理财池。
反观美国，国债利率提升意味着无风险收益率变高。从通俗角度理解成长股因需要长时间“烧钱”且依赖未来现金流折现，利率上升对其不利。因此资金会从高风险的股票池流向收益率变高且风险未显著增加的债券池，并从最跌宕起伏的资产中抽水。中美两国因利率水平不同资金流向呈现显著差异：中国是低利率环境下的防御性配置，美国则是高利率预期下的再平衡。
全球资金流动的“抽水”机制与周期长短判断
在理解利率变动对资产分配的影响后，我们需要引入第三个关键维度：全球资金的流动性分布动态调整。由于美元作为储备货币、交易货币以及流动性最强且使用范围最广的货币，美联储的升降息周期不仅调节美国国内三个“蓄水池”（现金、债券、股票）的水位，更具备从其他国家抽水的特殊能力。这种全球性的抽水效应由两个核心因素共同驱动：一是区域性冲突引发的恐慌情绪（如美以伊战争、俄乌战争等），促使资金流向具备避险功能的美国；二是美联储升息本身带来的无风险收益提升。当经济过热需要控制流动性时，美元资产收益率的提高会直接吸引全球资金回流。
判断这一过程是“短期波动”还是“长期单向流动”，取决于两个变量：首先是市场对升息周期的预期时长。若市场认为这是基于经济过热或调节国债利率的短期行为（如今年四五月份因换联储主席及地缘政治恐慌引发的短暂波动），资金流动将是双向且短暂的；若预期为持续一年以上的长期过程，全球资金将源源不断地单向流入美国。其次是各经济体“蓄水池”的剩余水量与堤坝高度。目前全球主要大经济体中，只有中国和日本保持低息。日本因汇率压力（日元兑美元跌至156-158区间）被迫跟随升息，但即便加息后汇率仍处低位；中国虽拥有巨大储蓄（水量充足），但由于资本管制及今年为应对挑战而实施的离岸/在岸资金出境管理规则（筑高堤坝），导致外部难以大规模抽取中国的水。鉴于此前全球并未经历典型的宽松周期（即未下过“大雨”蓄满水池），理论上可被抽取的水量有限。若市场普遍预期此次升息为短期行为，则主要引发短期的资金来回波动；若视为长期过程，才会造成持续性的全球流动性紧缩。
几乎只有美国能主要利用这个周期从别的国家的三个池子里抽水，因为它是储备货币、交易货币等等。
如果你认为它这一次的升息是一个基于经济偏热，还是一些调节长短期美国国债利率的短期行为……会有一些短期的波动；如果大家认为是长期，就会是单向的持续不断。
美国经济的结构性矛盾与蓝筹股的基本面困境
尽管市场存在对长期升息的担忧，但从基本面来看，此次升息更偏向短期行为。其核心依据在于美国蓝筹股表现出的增长乏力与结构性挑战。首先，传统消费巨头业绩承压：耐克被踢出标普500且股价大跌，麦当劳作为“刚需”代表也下跌30%（二季度增长仅0.8%，三季度预跌）。虽然耐克和Lululemon的部分挑战可归因于中国市场需求，但麦当劳已出售中国区业务，其业绩下滑真实反映了美国本土市场的疲软。相比之下，提供10美元以下套餐的Taco Bell和汉堡王等竞品仍保持增长，说明消费降级与平价需求崛起正在重塑市场格局。
其次，就业结构的变化揭示了财政压力。过去表现经济韧性的行业（如建筑、教育）中，医疗保健和政府相关岗位增加最快。然而，建筑行业因房贷利率在加息前已升至7%以上而退出高增长行列（买房需房价/租金预期涨幅超过8-9%才划算）。医疗保健和教育岗位的持续增加意味着政府需通过发行更多债务或借入资金来维持这些保障性行业的投入，这进一步加剧了财政负担。当前美国经济的“韧性”主要依赖科技投资带动的居民资产账面增值以及庞大的金融服务业（美国资本市场规模约为GDP的2.5倍，即75万亿对30万亿美元）。这种由金融和科技驱动的增长模式，使得经济在通胀推高必需品成本的同时，呈现出脆弱的结构性特征。
麦当劳没这个问题（指中国增长挑战），因为麦当劳的中国已经卖掉了，所以麦当劳的增长确实代表了美国为主体的市场本身。
今天美国的资本市场是美国GDP的正好两倍半，就是大概七十五万亿和三十万亿，大概这是整个美国增长的样子。
政策平衡的艺术：美债、美股与AI融资的博弈
在当前时点，美国决策层面临极其复杂的多重目标平衡。首要任务是保美债发行成本，若利率过高导致赤字滚动幅度扩大，将引发信用担忧；其次是保美股繁荣，特别是科技股的持续活跃是吸引全球资金、驱动金融与服务业增长的关键引擎；第三是在快速扩大赤字过程中维持美元强势以继续全球抽水。这种平衡极具挑战性，尤其是美债与美股之间的张力：若为保科技股而容忍高利率，将推高政府利息成本；反之则可能打击市场信心。
此次25个基点的加息对全球市场的传导机制清晰可见。以港股市场为例，作为离岸资产流动性敏感的风向标，其反应直接体现了国际资金在短期内的压力。市场此前已因预期加息而下跌，公布后如预期落地（未更激进），风险短暂释放；但美联储暗示“可能不止一次”的鹰派指引重新提升了预警，导致波动加剧。对于成长性公司（特别是AI算力中心）而言，风险更为显著：这些项目几乎全依赖借贷融资，其发行利率是在美联储基准利率基础上加上风险溢价。随着无风险收益率处于高位且十年期国债收益率未能迅速回落，高杠杆的AI投资面临融资成本上升的直接冲击。近期Oracle（甲骨文）债券在二级市场以九折交易，便是这一风险溢价的早期信号。最终，市场博弈的焦点在于：在美联储维持高利率以控制通胀与赤字的同时，成长性资产能否承受由此带来的估值压缩与融资约束。
美股当中的科技持续繁荣，是美国吸引全球资金，同时利用科技驱动金融、金融驱动服务业，来保证经济最少在一定程度上保持增长和活跃的方法。
今天有个最大的风险是美国在二季度开始……所有的成长性的公司，就这些做算力中心和做大规模AI投资的这些人的发行利率也必须往上提。
AI投资困境与负向循环
近期，新兴市场的汇率和资本市场受到了一定影响。若美联储提升利率，所有成长性公司——特别是那些进行大规模AI算力中心投资的企业——其发债利率必须随之上调。这是因为它们的融资成本是基于基准利率加上风险溢价计算的。目前，一个不利的信号已经出现：Oracle（甲骨文）的债券在二级市场以九折交易，这印证了之前的担忧。
最大的风险在于二季度。这是所有公司最害怕“错失AI”的季度，因此制定了激进的AI投资计划。然而现实是，各地算力中心的投建速度、硬件到位情况、配套电力资源以及资金筹措的成本与速度，都影响了原计划的执行。在Oracle的案例中集中兑现了其中至少三个问题：建设进度滞后、电力成本上升以及融资难度加大。
此外，上游包括存储在内的原材料相关成本递进传递至算力中心建设，加上发电设施涨价，使得整体建造成本高于预期。同时叠加发债成本的上升（因联储调节及发行不如预期），导致企业需要更长时间获得长债资金，且收入获取时间充满不确定性。正如Oracle所展现的，这些不利因素开始形成递进的负向循环过程。
历史周期对比与资金流向悖论
面对这种相互制约的现象，结论并非简单的“金融危机马上到来”，而是挑战何时出现。这一情形类似互联网周期。历史上美国经历两轮升息：第一次（1994-1996）伴随克林顿的信息高速公路建设，抽离了新兴经济体资金（导致亚洲金融危机），涌向美元资产；第二次短暂升息（1999-2000）刺破了互联网泡沫，同时抽走了欧洲避险资金。相比之下，当前预期的升息次数较少（2-3次），且持续时间未知。
回顾历史趋势，剧烈金融周期中少有两次大规模抽水。2022年的激烈升息抽走了疫情期间释放的历史最大规模流动性，至2025年已接近枯竭。此次不同之处在于：美债收益率压不下来，科技公司依赖高息发债，且全球缺乏大规模溃败的经济体供资金自由进出（日本除外）。若进入升息周期，后果严重：公司借贷成本急剧上升，二级市场剧烈波动。
这里存在一个资金流向的悖论。若持续升息，虽然牺牲部分经济增长并可能导致短期资本流出，但维持美元强势预期会吸引全球资金回流美国的“第三池子”（风险资产），补充量可能超过从股票流向债券的量，造成先跌后持续涨。反之，若预期持续降息，虽短期利好风险资产，但隐含美元疲软或经济需刺激，会导致之前抽入美国的全球资金流出至其他地区。此时，美国境内从债券池流向股票池的资金量，可能不及从风险资产池流出到全球其他地区的资金量，从而导致短期先涨后持续下降。这一逻辑的前提是预期需为中期（一年以上）且前期已充分抽水。
美联储两难与基础设施化收益挑战
特朗普反对美联储升息，其逻辑在于：若不升息且无特定区域事件（如石油危机波动或日本汇率问题），全球资金将在各国池子间基于短期动量流动，避免单边套息交易。日本因低息被抽水严重，面临《日本式衰退》中描述的困境：央行持有大量风险资产和国债，任何泡沫破裂都难以承受。
然而，美联储选择升息的核心原因并非单纯通胀挑战，而是美债收益率过高。这隐含市场要求更高的债务融资成本、美元信用中期不确定性以及通胀控制不利。美联储本意通过升息和强势美元指数（从99升至101）来吸引全球资金回流，以压低美债长中短期收益率，控制发债成本。但这一目的未达：一周后收益率回到升息前甚至更高水平。
原因在于科技公司的AI Capex几乎全靠发债。由于自由现金流为负，这些公司不仅抢占了美债的资金额度，还迫使自身债券收益率随债务利率中枢上升。例如，中大型互联网公司发债年化利率可能高达8%-10%以上（对比房贷7%+）。这解释了为何美债收益率无法压制。
最终，若AI基础设施化（类似云），其年化收益难以达到15%-20%的高门槛。基础设施类资产通常不具备如此高的回报率，这使得高成本融资与低预期收益之间的矛盾成为当前市场最大的结构性挑战。
基础设施化的收益悖论
投资者更倾向于认购传统债券，而非科技公司的债务。即便对于科技公司而言，其年化收益率也显著上升。一旦业务实现“云化”或基础设施化，虽然规模巨大如云计算一般，但很难维持高年化收益。 假设成本为十，要产生合理回报，年化收益率至少需达到15%以上。然而，基础设施类业务很难实现15%-20%的年化回报。这一逻辑链条环环相扣，构成了当前的核心矛盾。
一旦基础设施化……是不容易有高年化收益的
人民币汇率韧性的深层逻辑
全球范围内，仅中国与日本作为低利率经济大国，与美联储或美元收益率存在最大息差。尽管日元汇率大幅下跌，且大部分新兴国家货币在美元指数波动中显著贬值，人民币汇率却保持了相对稳定。虽然常将此归因于资本管制和外汇控制，但这仅贡献了一小部分原因。更关键的驱动力可能源于全球贸易结算、结构及方式的特殊性，而非单纯的行政管控。我们需要进一步探讨这种趋势在未来几年是否可持续。
其实，更多的可能是跟全球的贸易结算、贸易结构和贸易结算方式这些事儿有关