美元利率、避险需求与资金流向#

　　资本周期是这样来的，这个非常少见和特别，在我讲这句话之前呢，我先给你看看今年我们是怎么来的，这个是个非常简单的，不是有，今年是个非常，我这放了一个美元指数，就美元指数就是美元自己作为一个本身的一个强和弱的表现，那今年过去一年以来的这个美元指数受什么影响，你们从常规的经济常识，不需要经济学，大概知道说美国政府只要一表现出要升息或者实质上升了它的息，就是美联储升了息，基本上美元就变得比较强势，这个咱就可以理解，因为所有美元以美元计价和计息的东西就应该会随之可能会有价格的上涨，或者可能收益就会上涨。大概这是美元指数和你知道的那个美联储升息的关系。

　　好，那这里面还有另外一件事情，你也知道，这个也很重要，虽然最近这几年有很大变化。我们也都知道说从就是从所谓叫四五年的布雷顿森林，这个需要一点点经济学，我们不用管了。就是从美元挂钩黄金和 1971 年美国脱钩黄金之后，就脱钩黄金之后经过了 70 年代，又挂到美元上，挂到美元上就跟今天最重要的产油国家沙特有关系。好，那这不重要，结论是你也知道美元是今天的叫储备货币和交易货币中的主要部分。储备货币也许它现在大概到了四五十，交易货币就在全球计价的各种各样的交易环境当中，它本来是占三分之二，在过去几年到今天大概退到了 50%，但你也知道它仍然是最主要的交易货币。

　　好，我把这两个特性讲完了之后，你就知道说美元赋予了一个流动性最强特征的货币，这个我想你可以理解。

　　那所以除了升息降息，还有什么事会影响美元？还有一件事就是当全球出现了一些风险状况，比如说打仗了。如果你还有印象，可能你们不关心经济，就是说在 2020 年疫情仍然在全世界爆发的那个四月份，全球所有的资产任何一种全部都下跌，唯一上涨的只有美元。原因是因为你可以理解当时大家不知道世界会怎么样，所以他为了保护自己的财产，就把所有的资产都变成最容易流通且到处可用的货币，我想你大概能理解这个道理了。好，这是为什么一旦发生了全球风险因素的时候，都会发生美元指数的上涨。

　　好，那在这两个因素下，美元凑巧在它需要变强的时候，可能既发生了全球的风险因素，还给人了升息的实质或预期，这两件事同时发生的话，会产生个什么现象？会产生全球非常多的钱想持有美元。在这种情况下，如果你又凑巧不想只持有现金，你就需要美元买入美元计价的资产，来再博取一些现金之外的收益，我想我讲明白了。好，所以今年你看到的所有这些变化，跟刚才我们讲的这件事有很大关系，我只解释为什么今年你会变成这样。那一会儿我们来讲这个跟 AI 最大周期的关系，因为今年有一个特殊，有几个特殊事件。

　　第一个特殊事件是在今年的二月底发生了最重要的风险因素是什么？是美伊战争，所以很多钱就要开始避险。然后凑巧今年四月份还发生了一件事，因为五月份要换美联储主席，如果你还记得的话，事实上最后五月份换了，然后大家原来的预期美元从 24 年开始降息，然后降到了今年一季度末的时候，等换美联储主席这个消息被确认之后，大家又开始预期新来的美联储主席会让美元升息。如果你还有一点点国际经济信息关注的印象，在五月份讨论最多的，然后这个是个很重要的转变，因为同时发生了两件事，第一件事就是出现了全球风险因素，第二件事就出现了避险需求，第二件事出现了美元突然一下从弱势就要降息，就是从那个前面那个掉下来那部分要转向升息预期，这是个很大的拐点。那于是在发生的情况就是二季度的时候，大家的全球非常多的钱就开始转换流向，当然这个是你看到了一轮，你经历信心满满的什么都 AI 都涨的那一轮，四五六月大概来源之一是全球的钱发生了流动方向和方式的变化。

　　那接下来为什么会有变化？大家发现说没升息，那并且美伊战争看起来不像想象中那样一打，就像委内瑞拉那样一搞就搞完，看起来是个长期扯皮的过程，大家的风险避险因素在淡化，两件事同时变弱了，然后于是钱又开始到处配置，那在这种情况下就发生了我们的七八月的事。

　　然后再往下就是你知道的大家都体会到的九月下旬的事发生了啥？它真的升了一次息，那它真的升了一次息之后，于是钱又回流了一部分短期的美元，所以又有了一部分资产价格和美元计价资产价格的波动，这大概是今年你在非常短周期里经历的流动性变化，中国不在其内，因为中国有资本管制，所以中国跟这个原因稍微不同，我们今天不在这讨论中国了。好，那我解释完这件事之后，我们就回来看最重要的时间点发生了什么事情。

　　最重要的时间点呢发生了这样几件事情，这个因为我嗓子辣，我们在新东方。经常经历最令人难忘的时刻，也不知道是教室管理员故意的还是无意的，突然就讲着讲着课会发生停电，没有麦克风。然后于是有当年很多催人泪下的场面，是老师拿着一根小蜡烛走到教室中间，愣用嗓子跟大家吆喝，然后这个被每个同学深深铭记作为非常大的动力和刺激来学习英语。当然我们也不知道这些事故是有意的还是无意的。那我主要是想过去讲那张图，当然我也可以稍微大点我的嗓子来讲。这个嗓子还是今天保护一下。就是年纪大了，

疫情后的货币扩张与全球资本重配#

　　这个我们都知道有个巴菲特指数，你也知道有巴菲特指数，为什么是巴菲特指数呢？就是当一个国家一个经济体的资本市场的规模是这个经济体比如说 80%，这个经济体规模的 80% 到 20%，也有说 80% 多到 100% 多的东西。这个好，哎，可以，嗓子疼了。那这句话的意思是你把全世界看成是一个经济体，就是看成是一个国家。那这个的数是说在二零在疫情发生之前，大概全球作为一个国家来看，它符不符合巴菲特指数，就是它的资本市场全球的所有资本市场总值和全球的 GDP 就是经济的规模，是不是在那个零点八到一点二之间？那当然这里面还给了一个美国资本市场的市值占比，那那个时候美国的资本市场，美国的 GDP 大概是二十万亿出头，二十万亿二三四万亿。好，那已经算比较高了，因为在美国代表全球资本市场嘛，所以高一点可以接受。

　　这个呢很多人不理解什么叫全球央行扩表，全球央行的扩表呢跟我们常说的印钱最相关，但央行印的呢叫基础货币，就是央行印的是那个最底下那一层钱，所以这个钱在经济的流通当中会发生很多次的叠加，就是我们讲的叫货币乘数。就比如说我把这个钱印出来之后，不管是买了国债还是买了其他的 M B，就是其他的企业债，或者说不管是给了财政部还是给了某些特定的对象，或者银行，我给完你之后你拿到的这个钱就是央行印出来的这个钱。你就会拿它去接着，不管是存还是贷还是用，然后被你接受钱的那个方，他也不会立刻把你给他的钱全用掉，或者他用掉了，他也是给了第三方。那他拿到这个钱，他会接着存一部分，用一部分，然后那他存下来的这部分就被接着拿去再循环，我们叫货币派生，就是简单来讲，央行印出来的钱，跟你事实上在经济里体会到的那个规模是有差别的，我们叫一个乘数。那个乘数如果是美国这样很靠资本市场的稍微低一点，但是如果是像中国这样非常靠银行贷款的，是高一些，因为它循环的频率高，或者叫循环的倍数高，所以大概会到五六。

　　好，那这句话的意思是，主要央行扩了十多万亿美金的钱，在不到一年的时间里，就是在疫情发生的美国叫无上限量化宽松的四月到年底，十多万亿，这十多万亿在之后我们讲到的乘来乘去，就是在里边绕来绕去，大概它会变成四五，我们保守来讲四五十万亿，激进来讲五六十万亿美金。好，五六十万亿美金大概是我们历史上所积累过的广义货币的差不多三分之一多，历史上就是人类历史上所积累的所有货币的大概四分之一到四分之一强，大概这个范畴，在八个月的时间，就是在八个月的时间，我们好，因为那个是抗疫，就全球都用来刺激经济，就央行都扩表，就央行都印钱或者叫放水来刺激经济，这是 2020 年发生的事。那但是这一次是一个没有节制的事，是一个人类从来历史经济历史上没人见过的事，是在八个月的时间印出了过去所有过程当中四分之一三分之一或者说四分之一多的钱，你大概理解，这就是没有人见过，没有人见过这么多钱，坦率来说。

　　那这些钱发生了之后，当时美国也处在到处就是这个，当然你从体会上来看，2020 年到 2021 年初之间，全球的资本市场都很好，为什么都很好？全球的股市都很好，包括中国，如果你们有人那时候就炒股的话。为啥？因为钱多呀，那钱多的东西当然就要涨价了，那你从这个意义上来讲，各种资产的价格当然也有人在那个时候买个房子吧，就当然这个可能稍微这个挑战大一点，对，所有资产都上涨，而且那个时候因为有疫情，你还没有办法做叫国际的交通，就是你想把钱往外投，你都不太敢投，因为第一你也去不了，第二你也不了解，而且你也不知道其他国家的疫情到什么程度了，你大概能理解。所以钱都窝，就是这是从来没有出现过这笔钱，这笔钱在那一年里都窝在了各个国家里头，大概就这样。

　　好，然后过了 21 年之后来到了 22 年，22 年发生了好几件事，如果你凑巧记得的话，正好美国说要控制通胀，因为当时通胀已经，当然通胀这件事的发生也可以理解，为什么全球都通胀？因为钱太多了。那好，说是要控制通胀，所以从 22 年开始美元干啥？叫激烈加息，因为它是 22 年的五六七三个月分别加了五十七十五和七十五，加了 2%，我们叫两百个基点，在三个月加了两百个基点的利息，就是从零，因为无上限量化宽松是从 2020 年的四月份一把降到零，然后从 2022 年的五六七三个月从在三个月之内一把从零回到了二，大概我们就要开启了激烈的加息周期。

　　好，这是第一句话，这个加息周期选的非常特别，为什么这么讲？因为在 2022 年的二月份发生了一件事，是什么？俄乌战争。好，这个时候你把所有的因素全凑齐，这是一个巨大的全球风险事件，在疫情之后，同时叠加上了一个激烈的美元升息预期。同时加上了二零到 21 年全世界，因为 2021 年经过 2020 年的印钞之后，大家就开始那个货币乘的过程，就是那个钱就开始派生了，于是在 2022 年同时发生了这两件事之后，全球风险事件和激烈美元升息之后，就发生了一系列非常巨大，从来没有人见过的资本周期。如果你从只从经济学审视，不考虑 AI 的问题，这是没人见过的，因为第一这是两个极端事件，第二个更极端的是之前印钱的量规模和速度是没人见过的。

　　好，这三件事叠加在一块，然后当时凑巧还出现了一些我们权且认为是凑巧，不是美国在其中掺和。凑巧出现的事情是那一年我们在非常挑战的做最后一年的疫情防控，就对经济影响巨大无比。好，那一年俄乌战争在经历了二月到三月大家发现一时也停不了之后，欧洲就变得很麻烦，欧洲为什么变得很麻烦？对，然后不不是那个时候还不主要是出血，如果你还记得那个时候还有一些新闻说一些发达这个欧洲资本主义国家。同时在他们的暑假，就是在他们的夏天开始准备砍木头生柴，那不是这个砍木头这个取暖嘛。就是好好能源是所有基础工业生产的底层，像这个统一，刨去民生问题。那当然顶层还有一个战争带来的安全问题，就它 concern 当时这个战争会打成什么样，多影响欧洲，不知道。所以显然欧洲这件事就变成了你不太敢投资，我相信你可以理解。因为供应链也有问题，就生产也有问题，能源也有问题，国家安全也有问题。那中国当时也有中国的挑战，当然其实我们在嘴上可以讲中国那时候还有一个巨大的不确定性事件，当时是我们要做一次这个十月份要做一次对中国最重要的政治事件的这个大会，是吧？好，那所以说这些事儿都碰巧发生在了这两个地区。

　　那全球的经济是怎么分布的呢？全球的经济大概美国占四分之一，然后中国和欧洲大概各占 20% 出头。那这三个地方加起来凑巧是全世界经济构成的三分之二。那所以说在这个时候最大的两个经济部分，最大的两个经济部分，一个是欧洲，一个是中国，最大的两个经济部分你都不能太，你大概都不太愿意配置资产资金了，我刚才解释了。然后又回过头来记得，回过去是凑巧碰上了全世界人类历史上最多的一次钱。那凑巧又碰上了 22 年的二季度开始升息，就是刚才我讲美联储开始五十、七十五、七十五，从来没有过的叫激烈升息。这所有的事叠加在一块儿，你是个常识意义上的聪明成绩好还能有时间听讲座的北大学生们，你也知道这时候会发生个什么事儿。

　　全球从来没有出现过的这么多的钱，他们就开始进行重新配置，它怎么个重新配置？它只能往美元和美元计价资产，因为那是刚才讲的所有要素的极限值。我大概讲清楚。好，那于是呢，

　　今天当然美国比这个再高一些，今天全球我们名义 GDP，名义 GDP 就是含了通胀，大概是一百万亿出头，我们的全球资本市场市值大概已经来到了一百四十多万亿。那这个已经严重超过了，你看 2019 年那个巴菲特指数，你把全球看成一个经济体，当然这一百四十万亿是美金市值的资本市场，主要发生在了它这，那它一个国家现在就占了超过七十万亿美金的市值。好，我大概把这些事儿怎么发生的给你讲清楚。

资产上涨的叙事与流动性变化#

　　但是这里边有个非常重要的问题，这是我去年的报告。那这里边有个非常重要的问题，非常重要的问题是就跟中国你现在炒股票一样，就是说这些公司估值大幅度上涨，就是或者叫股市大幅度上涨，比如说美股的市值翻了一倍，那股市大幅度上涨，一般没有任何投行或经济学家说这是钱多的吹的，他没有人会这么说，他一般会把它归因到一些特定的驱动事件和原因，就是你要给股票上涨找个理由。好，四五六升息，二月份开始战争，四月份发现俄乌战争常态化，七八月份资金开始回配重配，就是刚才我们讲就这些因素套息，因为你是全球这么多钱，你想把这几十万亿，因为乘出来大概大几十万亿的钱，你想一把塞到一个地方去，应该也塞不过去，你大概需要个比较长的过程去重配。

　　那刚才这些事件发生了之后就开始重配，开始重配就意味着资产价格开始上涨了，资产价格要开始上涨的时候，不能平白无故的涨，必须找一个叙事，于是凑巧非常合理赶上了，在 2022 年的十一月份出了件事儿，是什么？好，来了。那所以说这两件事情就互相成就了一个没有人见过的资本周期加技术周期。好，这跟你今年的股票收益还没完呢，好，这就完了。

　　好，这是美元指数，就其实我画了十年，原因就是让你看一下它两个的相关性，但这里边唯一有特殊一点，这是这是一年，这个还有我还放了个十年的。七年的，那这边就大概 2022 年就是这玩意，就是那个就是俄乌战争加升息的那件事儿。那，

　　我其实本来想说一下 24 年，对，美国本来是从这儿开始，这附近开始降息，本来降息它应该一路垮的，你知道降息为什么会垮？因为你的美元计价的资产的付息水平开始下降，当然这个时候通常降息就是要刺激经济，所以你隐含它可能经济也出了点挑战，所以这个时候钱就开始往外跑，你大概能理解。好，那所以跟大家想的经济学的常识不一样，就是说升息升息确实会给经济降温，但是对于美元来讲有个非常特殊的事情，是你升息的时候能不能抽到全世界的血或者水。如果你因为利息上涨所造成的这些什么融资成本上升这些问题，小于你把美元变强以后从全球能抽水过来的水的量，那这个时候你资产价格还会再爬坡。

　　反过来是一样的问题，降息虽然能刺激经济增加流动性，但如果你降息的时候大家的预期对配置的预期改变，钱开始大量的往美国以外配的时候，你有可能因为降息所刺激的流动性增加，还不如那个钱往外跑的速度快。我大概讲明白了，那所以这不是每一次升降息都跟美国央行预期的结果一样。

　　那九月份你经历了股市这一次的升息，抽到血了吗？抽到了，因为每一次美国发生这样的事的时候，最典型的例子除了美元计价资产之外，就是叫新兴国家，发展中国家的汇率和资本市场是否经历了一次巨大的波动和下跌。你可能关心你可能没关心，在今年的四月份和今年的十月份，我们周边当然你说 A 股也跌了，但是人民币汇率没跌，这是另外一个这个故事很长，我们今天也没时间讲。但是你要如果关心一下，你会发现周围的印度，或者周围所有重要的新兴国家，大概都出现了要保卫汇率还要保卫资本市场的问题。如果你关心过去三周的新闻，那这大概是最后一次抽短血，但这一次跟以前不一样，是因为这一次全球并没有在 2023 年以来全球并没有大规模的制造出超级流动性。我不知道我是不是讲清楚，就你还能抽到一点血，但是应该抽不到像 22 年到 23 年那么大规模的血，因为那是全世界人类历史上从没有过的一次印钱。

　　再往下会怎么样，你就从我刚才讲的这些啰啰嗦嗦的话里再往后猜你的投资就好，我不能保证它能行和不能行，这只是一个过程和道理。这个就讲太多泡沫我就不管了。现在在什么阶段？其实刚才我的话已经告诉你为什么今年会出现这么多跌宕起伏的现象，就在你的股票持仓里。也包括如果凑巧有人有幸和不幸的买了什么两倍什么海力士这种股票的，理解，你在今年看见的叙事，在过去的三个月或者是四个月。

周期尾部的资金需求与波动#

　　我们大概现在在这个位置，就在这个阶段。就是因为我刚才给你解释了，就是你从九月份来看已经能看出来，包括四五月份，就是现在你能从全球抽到的水没那么多了。那我要问的是为什么全球能抽到的水没那么多？就是因为没有那么多钱可以供你随意调配和流动。

　　那你要从美国来看，它出现了一些特定现象，就是我不知道你们有没有多少人关心经济问题，就是比如说在过去的九月份讨论最多的是美债高企，收益率高企。然后同时在这个基础上，如果你凑巧持有一些美国科技股的话，你会发现科技股的这些 AI capex，叫 AI 的数据中心投入，借钱的利率也升得比较快。好，那我把你这句话给你翻译一下，就是今天所有人都想要钱。第一个问题是美股需要钱，第二个问题是美股的科技巨头也需要钱，因为你也知道，就是连谷歌从二季度末开始，它的自由现金流也是负的，就是它拿进来的钱已经不够它烧出去的数据中心的钱。

　　那就意味着，但是这个原来是反向的，原来这些超级大公司超级赚钱的时候，如果你是这些大公司的 CFO，你每年赚回来的那个几千亿或者几百亿美金，你拿去干啥？回，你也得去做理财，你理财就提供了各种各样金融产品，包括美债的一些主要一些购买者，哎，我想你大概也可以理解。

　　那现在的问题是你也没就地主家也没钱了，你还得借钱，因为你也得去融资建数据中心，然后美债也需要大规模融资，因为你也知道美债是在作为一个国家债务，美国大概长这样，它每年的财政收入大概是五万多亿美金，你也知道它现在的美债规模突破了多少？四十万亿，就是一个一年年收入五百块钱的人借了四千块钱的债，欠了，对，大概就这么个状况。那所以美债也需要重复的循环融资，因为这个国家债是没有人说这个借完了之后就连本带息都给你付清了，它基本都是借新的来还旧的，对吧？那你也需要重复的去不停的增加债务规模，还需要循环融资，所以你也需要钱。当然全球各地都需要钱，而且股市涨到了一定规模之后，它涨得越来越高之后，它需要推高的钱就越来越多，为啥？

　　就跟我打个最难的比方，就跟你的房地产是一样的。你说这个小区有一千户一千栋，你说这个小区的平均房价上涨不是靠一套上涨，它是大概这个月一下就买了十五套，所以认为这个十五套大概算个均值，平均价格上涨，你可以理解。那股市也是一样，就说你需要把这些有一些买卖的筹码的交换，好，我们说我们把它买盘大于卖盘，就把这个价格推高了，对吧？那你越往上推，第一单价变高了，这没问题。第二个问题是，你就跟你的房，你拿房地产想一下行，就是你这个小区这个楼单价涨到一定程度之后，就总有人要卖。那这个时候你要放进去的钱不仅要支持那个单价，还要大于把那个卖出来的那些人。但你越往上推，想卖的人就越多，我想大家理解了。所以这些事情你往上推都需要更多的钱，但是你从过去就这两次短暂的年内观察来看，大概可能可供抽血的，或者抽水吧，我讲我老讲血，因为太血腥了，抽水的量不够，就是抽不太多了，但是需要钱的地方变多了。就是不管是股市、债市还是这些 AI，

　　好，所以你观察到了一个很神奇的现象，就是虽然看起来科技在过去的两个月好像很红火，但是如果涨了 A 概念就不涨 B 概念，这 B 就得跌，涨了 B 之后 A C 就得跌。比如说涨了存储，这些芯片就得跌，或者光就得跌，涨了光之后这个英伟达就要跌，就是大概或者说这些数据中心的这些超大互联网公司就要跌，那大概就是这么个过程。就是因为就是没有足够多的钱把所有的这些概念，就这些 AI 概念都往上推，所以那个钱就在里面短跑，就是你要有一些可还有流动性的位置在里面跑来跑去的做配置，就是做短线的配置和套利或战略大概理解。当然这个时候美元也需美债也需要钱，所以美债也需要钱，所以升息对他来讲也是被迫的，因为虽然现在利息已经很高了，但是因为利息高对他来讲将来要还的成本就变得很高了，这你可以理解，因为你的发债平均成本也变高了。好，但是还是需要钱。

　　那接下来会发生的事情我就不知道，接下来发生的事情是这几种事，第一个问题是这个尾部，就这个资本周期的尾部会持续波动，就刚才你经历的八九十这三个月大概就长这样，这件事还会持续多久我不知道。如果凑巧发生了一个黑天鹅，不管是什么，今天有好几只在等着。有的你认为利好的事对美国来讲可能也是，就美国的东西可能也是黑天鹅。比如说假定你真的把俄乌战争停了，假定真的把俄乌战争停了，对美国不一定是好事，你知道为啥？对，因为可能欧洲大概就会大家就会回配，然后新兴市场尤其是中国，因为中国也受俄乌战争的拖累。因为你如果还记得的话，在 2022 年四月，就是那个时候所有的武器都用在了中国身上。就说 2022 年四月所有的外媒，我假装我也是听别人说的外媒，都在说中国因为支援俄罗斯会受到全球制裁，如果你还记得这个事件的话。那就说那所以说新兴国家也会被重配，并且能源供给会稍微稳定一些，那这个对美国来讲不一定是的好事，因为这就意味着钱会重新做配置，而不只是由于避险配置在美元资产。

　　好，那所以如果黑天鹅发生了的话就是这样，当然黑天鹅发生了之后，或者从全球突然一下抽风也可能是这样。但以今天的经济环境来看，最上面那个概率是最低的，就今天没有什么道理大家突然一下全球开始印钱，因为除了中国以外全球都面临到增长问题，所以应该没有央行在这个时候会进行大规模的放水刺激。

　　好，那所以你的股票怎么办，你就自己看着办。我刚才给你解释的最重要的一个结论希望你记住，就是以我有限的一家之言的观察，我们经历了一轮，把 AI 先放一边，我们经历了一轮人类，那你们我讲的呢就是说，以我这个半百的年纪也没有经历过的资本周期，这是人类历史上最大的目前为止最大的一次资本周期。好，大到什么程度呢？

从互联网泡沫看估值与长期协议#

　　美国的 M2，广义货币。好，上一次美国的泡沫大家印象最深刻的不是金融危机，大家印象最近被类比最多的是拿这次 AI 的资本周期去跟谁比？去跟互联网泡沫比。互联网泡沫里面最后估值最高的是谁？没有没有没有，你净瞎说，那样互联网泡沫上哪有七姐妹，那时候七个里边连俩都没凑齐，连仨都没凑齐，对，你还没有办法，对，那个那轮估值最高的是谁？思科，为什么是思科？在 99 年之前热的都是 dot-com，99 年最后一年半热的就是思科，最最就一直在涨的，就是还能涨到更高点，就是思科，为什么是思科？因为大家觉得说其实那个周期也一样，也发生了这个全球事件和美元升息，好，这我们先不管，就跟这次周期是一样。

　　But anyway，the conclusion 是为什么是思科最后一轮？是因为大家觉得这些 dot-com 泡沫再大，最最早美国从克林顿 90 年代开始提出要建信息高速公路，互联网要普及，不管 dot-com 谁生谁死，最早你得干啥？你得铺光纤做交换机，这个是你不能免，所以最后思科最高，思科最高，高到多少呢？高到六千亿美金的市值，也是极限。然后美国那个时候的 M2，跟今天的广义货币相比，大概正好差了八倍左右。就是钱比今天少了八倍。当然你说今天美国还吸引了全球超级多的钱，刚才我讲，那个时候还全球的钱跟今天相比就有一毛，今天全球的钱多了，美国钱也多了，M2 多了八倍，比 2000 年。那今天市值最高的是什么？多少？差不多六万亿，正好十倍。六千亿和六万亿大概正好十倍。美国境内的钱多了八倍，还有点别人的钱。我这句话并不是说六万亿就是最顶的顶部，还远的不要，但最少是个维度。结论大概是这样。

　　所以好，那我再先跟你讲清楚这件事你大概理解了，就这个 AI 周期引人关注的原因，是因为它叠加了一次从来人类没有见过的资本周期，我们见过非常多资本周期，从书里，但是这一次的规模是空前。当然这句话有个隐含的非常不幸的含义是，什么？如果下来，可能也是空前。好，你的股票怎么办，你自己看着办。我不是吓唬你，我只是说你，我们从理解两件事的关系呢来看，你把它两件事像做理科生一样，你把两件事放在一起去叙事，是一个简单方法，但它不是这件事发生的逻辑。大概这是我的。

　　好，那有人说今天所有的 AI 公司都有长期协议，都供不应求。不好意思，我给你举两个反例。第一个有个人写了好几本战争的书，但其实都跟经济有关。有个人叫余盛，我是最近才推荐给我同事看。因为他写了芯片战争、手机战争和光伏战争，如果你去看芯片战争和光伏战争，你就会发现这两个周期性的行业，在他们的每一次到顶的时候，100% 这个市场上全是长协，超过三年以上的长期购买协议和供不应求，没有任何一次是例外。那所以长协和供，好，我再给你举一个最近的例子，在互联网泡沫破的时候，没有人觉得中国。因为像思科这样的公司，还有最后顶着泡沫上的最后一个是北电，跟思科类似，电就是也包括光缆，这叫万机。好，那当时这些最大的基础设施投资商手里分别握有了两百多亿到六百亿美金的长期合同。你难道不想问问这些合同最后咋办吗？非常不幸，这些合同最后 70% 多都没有执行，要不然别人果断放弃，要不然这公司没了。就是当年的这些光缆，光或者叫交换机加光缆的基础设施场景。这个你从历史上，你去问问你的大模型，简单回答就能得到刚才我讲的这个例子。那现在咋办？

技术普及为何需要多个周期#

　　这是一个投，这是一个一级市场，我们的叙事逻辑，在一个技术周期的时候，大家愿意先投谁的故事，就谁能讲一个最最有想象力的故事。第二个阶段大家去投谁能把这个故事变成是最有想象力的应用。当然这里边有一个问题，就是如果这个应用是最有想象力的，通常意味着什么？它就很难落地。如果泡沫接近尾声或破了，会怎么办？对不对？不管一、二级市场最后都会这样。只是我们今天只是知道，我们拿中国的具身智能机器人来举例子，你只是知道今天我们过了这儿，对不对？你还没有把握我们会不会到这儿，那历史上的每一次证明都是这样，肯定会过了那个就到三，但只是非常不幸的时候，不幸的是到了三的时候，三已经没有了估值泡沫。因为这时候已经是资本市场周期的尾部或下跌阶段。所以虽然但是每一个大的周期都需要，看我后边能不能继续画。哦，没有

　　好，那每一个大的技术周期，就是对人类影响力越大的技术，不管是当年的蒸汽机、电或者是互联网，每一个大对人类影响大的技术趋势，没有任何一个是只过了一次周期。就是每一个对人类影响越大的事情，它最后就要在这个一二三一二三里边走好几轮，每一轮都是个技术加应用的扩散过程。你大概能理解，就你想想互联网就知道，或者移动互联网也行了。

　　那所以说今天有个非常不幸的事实是，这个对今天学技术的同学的信仰，信念有一点影响。如果我们在这一个资本周期就把 AGI 做完了，这句话的意思通常意味着什么？这个 AGI 肯定不太低。如果他真的想有很厉害的能力和影响力和应用范围，他最后一定要过好几个周期，因为每次是靠这个周期来投入技术研发，靠这个周期就掉下来的这个周期，碎掉的这个周期，让它在应用里生根发芽，有人把它用起来，并且证明真的有人用。为什么叫证明真的有人用？因为你要让他付钱，你才证明是真的有人用。所以每一个周期，每一个技术的普及大概要过两三次，要过三四五个这样子。

　　我举一个你最近你可能没有印象还是没印象，如果你有印象的话，2021 年有个中国最惨的男人是谁？是咱们的校友。不是，哎呦，好尴尬。但是这会儿也不惨，但是 2022 年因为双减，2021 年八月份，哎年初的时候有一个最惨的，叫中国最惨的男人，李斌，李斌是谁？蔚来，新能源车加智驾在过去的十年里，从 2015 年开始爆火，在二，在过去的十年里大概也过了三个这样的周期。如果你还有印象，2021 年就在合肥投他钱的那一次，他被称之为了那年中国最惨的男人，过一年半之后他就春风得意了，因为新能源车整体在中国的渗透率接近了 50%，在新车里，但是现在已经过了 50%，当然大家还出口，所以中国在 2025 年变成了出口型大国。好，那你大概知道，这我给你举个最近的循环，那这是新能源车，那

　　那其实自动驾驶的周期还没完，上一次比较惨的时候是在 2021 年同年，后来这个自动驾驶又小火了一下，当然自动驾驶开始火的时候是二零 14 年。好，那现在自动驾驶的这个火和泡沫破和泡沫还大概看起来最少还要再过一个周期，因为我们才走到了 L3。好，最后不得不说，全世界最会讲故事的。资本市场的上市公司创始人是谁？马斯克，太厉害了，手里六张牌，哪张不行就用另外一张。特斯拉因为有上海工厂的时候，就在 2018 年被看空的时候，有上海工厂，说你还行了，然后特斯拉就行了。特斯拉行了之后，特斯拉开始在慢慢中国电动车起来之后，特斯拉的故事就转成了 FSD，就是那个自动驾驶。然后自动驾驶现在开始优势不大的时候，就转成了机器人，在两年前，然后机器人没有 deliver，这个特斯拉的故事就先放一边，换了个别的故事，因为毕竟到了 AI 时代，所以就开始 AI 了，然后就有 X 加 AI，然后那个时候碰上了他收购的 Twitter 不行，虽然 Twitter 帮他取得了很大的政治筹码，所以 Twitter 就跟 X AI 这个合并起来变成了一个新公司。

　　然后现在合并了那个新公司变得也不太好了，所以他就又出来了一个新的 AI 概念是什么？在去年。就是把 SpaceX 和这个 AI 放一块变成叫啥？太空算力。太空算力这件事短时间不好 deliver，所以最近的一个新动力是啥？是吧？特斯拉和 SpaceX 在合并。

　　就是你理解是说，因为你理解我是这个学校里唯一优秀的，就是在当时上学的时候唯一优秀的就是打拖拉机，对不对？所以就是这一手六张牌，就是看怎么组合能把自己搞得很好。我开玩笑，他是伟大的企业家，但我只是讲从叙事上来讲还是非常厉害。但也要受资本市场的影响。这个里面只是跟你对比了一下，跟两千年相比是很相似的，非常不幸。好，那边也做了分享。

从智谱、大数据到大语言模型#

　　那我们投得起的时候，非常不幸的是在二零二就在大模型发生之前一年半，我去看了智谱。2021 年，然后智谱当时的估值是五亿不到，那我们投得起人民币。好，你猜它为什么叫智谱？因为它那个时候做知识图谱。好，为什么我们没投？第一，我们为什么去看？是因为那个时候出来了个 BERT，如果你们，他团队里有人对自然语言处理有点理解，有点这个感觉，有点这个意向，Google 做了一个不同的技术路线。我说既然有这样一些新的事儿，我们去看看自然语言处理有没有一些新模式，然后因为这个原因看到了智谱。然后一看到智谱在做知识图谱，那时候还不 BERT 呢，那 BERT 都不 BERT，那做知识图谱。

　　然后他做的，我们当时没投，其实觉得人还挺聪明，但是没投呢，后来这讨论来讨论去，最主要的原因是因为他做的商业模式当时是科技情报分析。明白了。对，就是给不同各种不同需求，尤其当然是一些政企用户来定制一些，就来提供一些特定的对于信息的集中式的抽取和检索。并且归类。那当时觉得这个商业模式可能太小，然后犹豫来犹豫去就没投了。所以我基本可以靠谱的说，最少在 22 年底之前投智谱的人，应该主要往光明了说是投人。往我阴暗的小心理上说是确实运气好。因为那个时候的事跟今天确实没，或者确实从那个时候连不到今天这根线。

　　好，那我讲智谱只是为了只是为了发挥一下我阴暗的小心理，说我们没投着好给自己找借口，就容易。那你回过头来看大模型是怎么走到今天的，如果你可知道大模型，我在我还有一个另外非常残酷的事情，我也可以跟你分享。

　　我是中国最早投大数据的，从 2010 年开始。然后投了几个非常重要和著名的大数据公司，其中还有两个上市了，我就不讲太具体，当然我自己做的那软文也算，后来就明略也算个大数据公司。那在那个时候大数据的时候，我们有两个很好的朋友，他们也非常重要和著名这个方向的人才，一个叫朱伟岳，就一个，还有艾伦伟，他们非常非常资深的这个美国的这个这个华人大数据专家。那他们跟我建议了两次，分别说你应该去见一下张一鸣，因为是在 2012 年的时候，二零 13 年的时候。那后来我说没关系，毕竟投了那么多大数，好几个大数据公司，人家不用见了。然后真的是因为这个，然后因为张小沛和朱伟岳都跟他很熟，都跟他非常非常熟，那艾伦伟就说，这我把我的痛苦讲出来你也高兴一下。

　　那我刚才跟你讲的意思是，我们在之前经历了一轮大数据的周期，如果你还有印象。当然那个时候还有一个坑了很多人的概念，由马老师提出来叫数据中台，那个数据中台最后一个公司都没跑出来。那嗯除此之外，在二零 14 年我们还延续，二零 13 年我们还延续了一个跟他相关的事情叫人脸识别，还出来了四小龙。好，那我刚才跟你讲 AI 的原因，当然还有刚才我讲的 BERT，当然你也知道 2017 年有个 Transformer 嘛，我讲所有这些话的原因是这个大模型不是突然一下蹦出来。他之前经历了这些大数据，就经历了一些基础设施技术类的积累。好，没问题。

　　如果你再往前推，我们今天叫刚出来的时候叫大语言模型，大语言模型在大家发明的一个词，我跟你说我在我们在最近投 AI 的时候非常痛苦的一件事，在过去一年半，是他每三个月给你搞个新词。就是说，所以我经常跟我们同事讲，我说我们从追时髦的角度要不要投名词，投吧。就这些什么，不管是做什么 RSI，但是还有 GEV 什么 RNS 什么，就 A 叫叫什么或者 A 什么，就大家在每三个就在 AI 里头就特别发现的一点，其实它后来今天叫 FDE，就是说特别烦的是它其实并没有那么多的显著差别，但是它一定得搞个名词，然后在跟别人交流的时候，如果你不讲这个名词，就显得你特别不专业。真的这个很难，对不对？就是

文本数据与机器人数据的差别#

　　好，我们叫它大语言模型，大语言模型在形成所谓的 scaling law 之前，它借助最多的除了刚才我讲的基础设施技术之外，那个 scaling law 里边最重要的事它有什么？它有数据。互联网的文本数据是从哪来的？最重要了。互联网的文本数据是通过我们普及了键盘，尤其是鼠标和互联网的基础设施，电脑，网络和 PC 应用之后，在过去的三十年里头，由全世界这么多消费者一起在互联网上创造出来。这句话你同意吗？这些事情是什么？是你今天模型除了算力和技术能力的变迁提升之外，最重要的来源。

　　今天大家很着急去探索 AI 模型的上限，但是在很多领域，除了技术和能力一会我们来讲之外，还有一些别的挑战是什么？今天有两个问题。真的没有同学做高质量。

　　我们在机器人里发现了，这个机器人在最泡沫的时候出现了无数多做大脑的公司。大家会有这么多做机器人大脑的公司，说明一个什么问题？有一家公司叫 Unit。我知道。这句话这个东西是海面中间一个问题。说明机器人的脑子现在不太 work。

　　好，那我要问你的是机器人的脑子，你从刚才我们讲的简单的历史叙述，还可以讲很多很多跟历史有关的事儿，就跟大模型有关历史有关。但是你从过往的同类比来推，有俩问题出现了。第一个问题是含有高精度空间或者叫维度数据、维度信息的这些数据怎么样？没有积累过。我又回到刚才我的上一页，互联网的文本数据是从哪来的？是你把一种新的传感器，或者叫做键盘，或者叫做鼠标，加上一个 personal device 叫 PC，这三加上互联网的基础设施带宽，各类连接，普及了到消费者足够多当中，他们用了足够长的时间，创造出了在语料层面，或者在词和词的关系层面，几乎所有可能的多样化搭配。你再问问，理解。好，今天我们发现机器人的脑子在控制机器人的时候不太 work 的一个原因，是因为你之前没有积累过这么多空间带精度和维度，甚至状态改变的特征，你没有过。

　　那我今天要问的是为什么没有过？没有。因为你没有在消，就我这么讲，你在互联网上论坛上写字儿的时候，你在创作你的东拼西凑的硕士论文的时候。你有想象过说我有意在一定要为大模型将来的大模型做语料贡献，你是这么想的吗？应该是。我把这句话再重新讲一遍的话，你就可以理解说那些数据是从哪来的？是我把创造和诞生这类数据的传感器怎么着？普及了，便宜了，并且它们开始对你有用了，所以你才创造了数据。没问题吧？

　　好，我们因为没投这类公司，所以你允许我用阴暗的小心理再打个比方。我们很早以前，这是我在大概四年、三年前的这个，就是这个逻辑是在三年前讲我们 LP 年会的时候。哦，by the way 你们都很珍贵，这是这其中的大概前一半所有的部分都是我从我们的去年 LP 年会上摘出来的原版，就给我们的老板们汇报的。出界了好，那后一部分是新的，是在今年的 LP 年会上。我们预期了好，那我们回过头来讲，就是说把领导把我刚才讲的给忘了。没有投这个公司。没有投这个公司，对对对对对。你了解我今天的小心眼，对不对？

真实数据采集、仿真与因果关系#

　　我们知道数据如此重要，我们没有投什么，没有投数采，没有投真人的数采。但这里我有可能我们 miss 到了一些很好的机会，像我非常有幸的 miss 到了智谱和这几千头繁育。那非常不幸的 miss，我说但我们没投，为什么没投呢？是因为我给你打个比方，我觉得他们是有用的，但是就像说我要为了做一个语言大模型，我今天做这样一个事情，因为语料数据不够，所以我干啥？写书。所以我找了一万个人在全世界帮我写各种各样他的小作文，供我训练成大模型。我们先不考虑其他可能会有的成本结构和需求和泡沫破裂以后的这些变化，数这个数据变，我大概给你举个例子就怎么样。

　　但我又回到我的原始数据和原始例子上，我们从 scaling law 的角度上来讲，你 train 出语言模型，大语言基座模型的那些语料是个海量的，包含了超多 diverse，就是词和词之间各种关系的高，各种高维关系搭配可能性的这些语料。我不知道我这讲明白吗？如果今天你要处理的事情在复杂度上的，就是在高维空间的关系上比语言，比词和词之间还高维，这句话就意味着你需要啥？你需要量级级别增加的数据。你雇一万个人写作文可能不能，我大概讲明白。

　　这里边还有一个问题，你在看 WAIC 的时候它有个问题，那个机器人不管是烤面包还是干啥的时候，烤面包老是指向了各地公司。就是 AI 小新，因为我们投了公司，所以我经常考虑到底，就是说他在抓住东西的时候，他就抖不说，就是他这个东西还老抓不住，就是他要反复的尝试，咱们要抓住之后，这边有个什么小问题你知道吗？就是我们也都知道这个从逻辑意义上来讲，语言是个就是今天的大语言模型是个概率模型。但是今天你要解决的物理世界的绝大多数很多问题是个什么问题？是个确定性的因果关系，它有绝对约束条件，它没有零点五，它只有零和一。我不知道我这讲清楚。好，这所以今天还出来的第二个问题是这个问题，就是除了这么多维度的数据都没有之外。用概率模型能不能掌握一个准确的因果模型，或者谈复杂因果关系？因为你今天的物理的绝大多数底下都搁在了物理上。像我当时学化学，化学到今天也仍然不容易，我们今天都讲化学仍然是一半理科一半文科，对吧？一半靠懂，一半靠背。那我化学毕竟还是讲，虽然我已经离开化学界三十多年，非常有幸的离开了化学界。那嗯对，要不然这个这个怎么会有，要不然就真是污染了化学界。那但是，比如说我们抓这个东西，它不存在一个可能抓起来或差不多抓起来的，你能理解我意思吗？就是说好，那

　　所以这个在很多今天我们探索到物理世界领域的时候出现了非常多新机会，也出现了非常多新事件，包括在 AI for Science 也出现了非常多又一堆名词的创业概念和创业公司。那原因是因为今天我们左边缺了数据，右边我们还不确定原来的模型架构，或者叫原来我们统计上这个概率模型到底能不能 work on 因果关系，或者叫绝对关系占比高的这些 case 或者这些需求。如果它是个纯数字事件没问题，就是它是个做了一个 3D 影像或者 3D 可互动的数字世界，就只在 digitize 这个层面问题还好，问题就在于说到了物理世界的时候，你是没办法把手穿过这个桌子的，虽然我也很想这么做。那这就会出现了我们不确定的另外一些问题，或者叫另外一些模型可能面临的变化，不管是架构上还是能力上，还是方法论上的挑战，除了数据之外。这个我刚才讲了，好，我幸亏在这写，我把我的阴暗心理都写出来了。那

　　我们说这是一种方法，今天我们看见第二种方法就是用纯更物理的方法来生成仿真数据，因为这样的话可以大幅度的降低数据生产成本，跟用真人写作文相比。当然它还有一些 sim to real 的替代，那或者叫批量使用合成作文，当然这是两种今天已经看见的解决方案。

　　今天如果你凑巧像我一样，因为要做非常对我很有意思，但对大家无聊和催眠的这个重要播客，对，我在我还有个三十几万粉丝的播客，那就是叫这个，嗯，我的播客叫什么来着？高能量，高能量，你知道我要做宏观卖吗？

应用落地与模型路线的探索#

　　在过去的你们又没听那个，这本来是明天要录，这是中午要录。就说在过去的两个月，中国的政策变动趋势最大的方式是它开始在所有，包括最近连着两周有各有一个中办和国办，就两办一块出的关于促进科技创新的文件。那中国从大概两三个月以前差不多，它所有的这些鼓励科技创新的事情，如果你去读它的政策，或者说你关心一下它的政策的话，它的导向全都变成了应用驱动，就是一定找落地，就是除了跟前沿技术有关的。

　　好，那这里边就出现了一个问题，很多场景中国是非常适合落地，我们可以讲，一会我们再讲。但一到落地的时候就到了现实世界，一到了现实世界，就有很多非数字世界的，刚才我们讲到的约束环境、约束条件出现。所以在这个时候，也许很不容易，第一模型能完全外延到这些问题，刚才我解释了。第二，这些问题怎么解决，也短期可能不容易收敛，就是会有无数多的分支和可能性，今天大家都知道，我们也在这些方向上尝试和探索是可以。

　　这是我们讲的三个方法。你今天看见曾经很热的第一件事是这个，大家说做 zero shot，什么是 zero shot？没数据直接做，这是我称之为叫用魔法打败魔法，我说我就愣做模型能不能绕过数据，我不是很确定，但我从刚才的技术演变历史上来看，我觉得可能不容易。

　　这是我们基于这个周期，我讲这是从来没有过的技术加资本周期。在这个周期里，刚才在门口吃饭，在庭院吃饭的时候，刚才有个朋友问了，有个在校这个同学问我，我就说可能大家对短期技术能力做了高估，高估的原因是因为这些成功的 AI 公司被给予了过高的估值，过高的估值是从哪来的？我刚才解释了，因为你被给予了过高的估值，所以大家总觉得这个能力的上限可以无限扩展，并且不断被趋近，我觉得可能不一定。这是第一种方法。这是第二种方法，这个出现了很多变迁。

　　这个我觉得是很有意思的事情，就是说大家在不同层面上加算，不管是加算子，甚至在底层改结构的方法来想融入这些有绝对关系，或者叫绝对，哎，不是相对关系，因为相对关系是我这个词后面可以搭好几个词都表达同一个意思。那我要搭一个绝对，就是我要想把它想办法把物理，就是拥有绝对关系的事情放进去变成一种新的模型，我们看见了很多不同的尝试。

　　那最后这件事是更，就是甚至我们也看到了，并且我觉得其实还有点意思，在不同场景下，因为我刚才讲的模型没有收敛，他在尝试换架构，做一些不一定是 Transformer 架构的模型来解决一些特定的能力和问题，我觉得未必不行，虽然我肯定没有能力说他一定能行。

　　我这句话的意思是模型最后会顺着一个架构演变吗？我觉得不一定，原因是因为我又回到了资本市场，在一个共识形成，2022 年十一月份以来，在对 AI 共识形成那个过程非常漫长，就是在那个时候你应该认为，直到 23 年底可能大部分人都还不太相信这件事，虽然他觉得很热了解了，但他不一定相信。但是你也知道这句话是反着的，共识一旦开始被形成，尤其有财富推动效应，共识被形成的时候大家会习惯怎么样？大家会习惯从这个动量上迈出去，就是他 agree 的时候是很难，但一旦 agree 了之后再分开来也很难。但是你要问我，我只是从刚刚讲，你还记得我最先开始说了一句话，任何一个技术要普及，它要经过很多周期，而且它就从自动驾驶来看，经过不管是白盒黑盒，就是不管是有规则的还是纯数据，大家在里边也折腾了好几遍。我只拿自动驾驶这个相对简单的 AI 场景，在物理世界 AI 场景，那我刚才这句话的意思是最后也许不一定是一条路，或者不一定是这条路线的直线延长线，这是我的结论。所以今天这个事儿大概应该很少有人看在这个维度上。

短视频与 AI for Science 的数据来源#

　　好，我给你打一个什么样的比方？听说最近还挺高的。又谈起来了，伤心了。今日头条那时候还不太对，而且还有争议，因为它从各个就是它抓的那些，它聚合那些别人写出来内容，就有很多版权争议。今日头条到什么时候变得比较稳定？抖音是更早，大概七八年。

　　好，那我问你为什么会有抖音和快手？这是一个，因为我原来不是在开始投过 B 站跟奶盖当董事，B 站最大的变化就在我走了以后，你看多杰他们在我走了以后，他们就这么弄一场。那 B 站最大的变化是 2015 年，就正好我离开 IDG 就创建这个基金的时候，因为那个时候正好在这个 3G 网络成熟到 4G 网络过渡阶段，推了一个你们肯定知道，你们现在可能还在看东西，那时候开始推一个梦。一个梦嘛，它是有包月的，然后正好在那个暑假前拼命推，于是在那一个暑假里面，B 站变化最大的是出现了比较快增长，一度到了 20% 多的在线视频。以及在此之前那些用户都是把 B 站漏到了后台，就漏到了本地，然后再录回来嘛。好，那这不说了。

　　我刚才回到我刚才的问题，为什么会有抖音和快手同时出现在 2016 年之后的中国迅速发展？因为你把一种传感器，放到了对消费者有用且他爱用的东西上。你把什么放在了什么上？你把光学可变焦摄像头做到了又好又便宜，且把它放到了手机上，于是产生出了海量的视频数据，于是他对视频数据做了不需要关键词，因为没有物理键盘没法输入，所以他做了不需要关键词的推荐引擎。

　　一千块三毛五人民币，一一刀。对，对于一美元的，那这不是比靴子还还贵。嗯？但是不是比靴子还那个还贵很多？高清可变焦光学摄像头，至少是 90%。就是放到了消费者手里，并且他觉得对他有用，他开始大范围的制造视频。这两个的区别是什么？所以还有一条路径是什么？在解决刚才的问题上。

　　就像刚才你问我说设备，如果你是 to B，这也是一种设备，对于 AI for Science 来讲，AI for Science 今天吃实验缺很多，大家都缺资料，其实可能既缺资料又缺特定设备。

　　我再给你打一个比方，我拿你的设备给你打个比方。生物学在我们上这个生物学在我上大学的时候，是真的 100% 的天坑。因为那些那时候北大生物学系在九年代初，我是 91 年上学，在九年代初招了最大的学生，但是毕业是绝对找不到工作。在九年代中后期绝对找不到工作。我们上生物的时候，那个时候叫细胞生物学，然后分子生物学，到你们今天变成了基因组学。好，今天有 AlphaFold，我们往前推是因为什么？冷冻电镜和电子衍射显微镜这两个高精度设备解出了蛋白质结构，供你学习的基础数据。蛋白质结构再往前，在 AlphaFold 的你从基因序列上就可以猜出它的结构，再往前还需要一类更大规模的数据是什么？基因组数据。对，你需要基因组学数据，基因组学数据再往前需要怎么产生？需要赛诺菲或者需要 Illumina 二代开始，就需要二代基因测序仪的，我不知道我讲清楚。你往前 back track 这一串东西是这么来，然后只是在这个节点上数据够用的时候，叠加上了技术和算力够用，你才解出了今天两个后得到了诺贝尔奖。我大概，

　　所以说在今天你想要解决的任何模型，在数字世界之外的其他问题的时候，这些复杂的问题的更复杂的问题的时候，除了刚才我们讲到的从概率模型能不能解出绝对的因果这个问题，或者要有绝对约束的这些关系能力之外，这个模型结构之外，还有一类问题就是我们说的数据问题。但数据问题你也知道，你是越难的数据，你雇人写作文可能是越难的，我不知道是不是讲明白。所以最后最大量的数据是来自于把什么？把传感器普及开来。

影石、大疆与智能硬件#

　　好，我今天再给你讲这个话的最后两个小故事。好，说在二零 14 年的时候。演员吗？你问你问。到二零 13 年底的时候，我忘了，我 2011 年投的，你看二零 13 年底还 14 年忘了，反正那时候我投了你十三个零，那个时候他就一个人，然后找我们也花了二十分钟，因为他要的价格很便宜，便宜到你令人发指。

　　这两千万人民币。哇。投了四百万人民币，那四百万即便跌成今天这样，大概也值一百亿，对吧？嗯，不到一百八十亿。好，那，这不管了，就说，

　　我后来去跟刘靖康讲，就说，当然其实大疆也一样，从那个时间节点来看，你知道他们成功的底下有个非常重要的因素是什么？台风。你投了。partially 正确，是因为是因为从 08 年以后中国的精密制造和智智能手机升级这两件事，使得摄像头变成了又好又便宜又小。所以结合他当时会的图像拼接技术，就变成了后来的什么？全景相机，和你今天用的所有各种各样手持相机类的东西。

　　好，这句话跟我刚才讲的那些事有什么关系？这句话意思是你把一个特别，因为他跟你聊的，你把一个特别的传感器，随着技术进步做成了又好又便宜，然后这个传感器叠加上我的技术，合成了一个新的产品。这个产品解决了一些新的需求，于是这类数据和这类产品就开始大量产生和大量。如果你去回溯大疆，没有任何差别。你去回溯任何一个智能硬件的产品发展过程，也没有任何差别。如果你去回溯 Illumina 的这些事情，也没有差别。他们大概都是同样的路径，就是你要把某类高精度的传感器变成了商业，或者叫 to B 或者 to C 可及的水平，又小又高精度又高，且还好便宜。在这种情况下，它就得到了不同层级的普及。

　　传感器这件这句话，传感器这个事儿是干什么用的？什么叫传感器？把信息变成什么？变成数据。所以你可以想见人类将来要解决的所有这些大模型要解决，经过几个周期之后要解决的问题，还有一个可能的前提是什么？你将来身上和周边会有。无数的传感器，它们以什么产品形态出来，今天很难猜，但是这句话一定要发生，做不赚钱的东西。所以这还有一个投资方向，就这个。所以我们也投了这个事儿。最后我只是讲。

中国如何通过应用推动技术演进#

　　最后一个对你来讲，对我来讲叫又红又专，虽然我可以非常自豪或自卑的告诉你，我是我们那一届北大，文理生加起来两千多人里，唯三的没入过团的。即使经过了军训也没有，所以我讲这些又红又专的话，肯定不是因为我有政治追求，因为我完全追求不了政治，从大学的时候起，我都是被鼓励的落后分子，因为我们在军训的时候最好玩的事情是，我有两次非常大家觉得惨痛，我觉得当时很高兴的，是因为军队非常讲究政治分野，所以我们每个礼拜一的下午集合完了之后，说今天过团组织生活，党员和非团员出列，然后我就和三个党员一起出列。然后周五下午过党的组织生活，非党员出列，我和一百多个团员一块出列。所以我不入，我都不需要参加这些社团。所以你可以知道我肯定讲这些事，

　　但是中国在过去的十几年的所有的技术竞争当中，不管是自动驾驶、人脸识别、大数据，大数据最后出了一个所谓叫 OceanBase，就是这个这个最老的数据库。中国在每一次这样的技术浪潮里面，在过去十几年非常典型的特点，就是我们在从零到一的时候都是在追，但只是一旦到了应用层，因为技术发展永远是这样的一迭代，就是第一个阶段是个原创阶段，就技术的自我演进阶段，第二个阶段是技术靠应用推着走。就是落地在具体的东西里边来让技术演进，中国每一次都是在第二件事上能变化。你要有印象，中国最后的最近的一次，就是这里面有很多学习演技。

　　在 2013，我在 IDG 当就后来管早期投资的时候，唯一一个没有推过去的项目是这个旷视科技，在二零 13 年的年初，那个时候它的估值是八千万美金，我说我想投，我觉得那就那当时他们那个议题都还在，你就说我觉得挺有意思，这个方向很有意思。后来为什么很有意思呢？我说因为就刚才我跟你讲那个话，随着摄像头的普及，图像数据会变得极其多。当时有非常简单的三步推理，图像数据变多了之后，图像数据会像文本一样需要一个搜索引擎，因为文本是经历了先。门户网站就我你不用分了，直接帮你分好类。再经历了纯垂直门户，垂直门户的时候，就是门户不够用了，我就把一个大类单辟出来给你分好，用编辑给你弄好。再往下不够用，信息文本数据太多了，你怎么办？你怎么 organize 这个数据？就用搜索引擎。那我说你就可以猜，这个我说我可以猜，随着摄像头的普及，最后图片数据也会这样，所以说我们要投人脸识别。

　　好，那给我的 idea 推过去，他们觉得小孩太年轻了，不同意，估值太高了。然后他们为了就他们觉得我说的话很有道理，所以他们请了汤晓鸥，汤晓鸥老师，汤晓鸥老师去世了，应该表示非常大的尊重，请汤晓鸥老师来给我们做一个 presentation，给 IDG 做了 presentation，因为他是科大的，因为 IDG 有几个合伙人是科大的。做完 presentation 之后就讲一下整个人脸识别的事，然后讲完了以后他们让我去跟他老，就大家一块坐那吃饭聊天，后来我就跟汤晓鸥老师讲了，说他的学生，因为其实他学生，说他的学生创建了公司，经过了三年四年的发展，现在已经到了八千万美金。然后汤晓鸥一听有点不爽，说那我也要做一个这样的，我比他们强，我是他老师。然后但是估值肯定不能低于八千万美金，所以按照一点三亿美金的天使轮估值。这是商汤的来源。

　　But anyway 不重要，那人脸识别在 2016 年之前，几乎在技术行业，包括在学校里，大家都觉得人脸识别在技术上中国人追不上美国。好，但是你到 2016 年之后，到今天当然很显然，你几乎在所有东西上都用人脸识别。什么公司，那我们更频繁，什么公，所以你有时候经常在人多的时候很傻，因为张嘴什么这，因为它不能准确识别 face，所以说要你一个动态的。好吧，anyway 就说，嗯，

　　我们在运用推动人脸识别的过程当中，你们是做学术的，在 2017 到 18 年之后，被就是这个跟这个图像识别相关的学术期刊上基本上，我们不说绝大多数，最少有半壁江山被中国人夺了。这大概就是应用，当然你今天在自动驾驶也快走到这一步了。那所以 AI 最后到了应用，就像我们讲从三个月以前开始推应用，我们的政策开始驱动应用，美国可能要市场化的泡破了以后，应用才开始起来。那我们是用政策先驱动一下， but anyway 到了应用的时候中国就开始反超，

　　但是中国到了应用之后为什么中国应用好，是因为中国的场景多，加上有政策，加上产业链环节多，产业链链条长，所以它的应用窗口多，就是可能会用得到的地方多，简单来讲，就产业链的复杂度比较高，完整度也比较高。嗯。哎，我怎么往前倒？

边际成本与按 token 收费#

　　什么 common sense 问题呢？非常多人大家今天就觉得这一轮的 AI 最终会超过上一轮的互联网。我想也许在经历了几个周期之后，但今天的 AI 或大模型应用有一个非常大的挑战，非常大的跟互联网上时代不一样的事情是什么？今天的 AI 服务的单人服务成本，跟互联网时代的单人服务成本相比，是没，它不是 marginal cost。就它不是边际几乎为零的，你的每一个单人对大模型对 AI 的服务，它都需要把你前前后后算一遍。如果你凑巧像我一样是个话痨，他得把你就这个问题过刚才提的所有东西的上下文再算一遍。所以你要是个话痨，你还尤其被扣分。对，已经超过了。如果出现了第二个话痨，他还得再算一遍。

　　互联网大部分是基于数据库或静态数据，所以它的 marginal cost 除了有点边际和并发的问题之外，就有点有边际成本和并发之外，它基本上你可以认为它的边际成本，如果不是零，最少是非常低的，是在增加从服务一万个人到服务一百万个人。AI 肯定不是。今天的 AI 肯定不是，我不知道你同不同意，至少今天的云端模型肯定不是。

　　如果这个总会有一天，可能很快，总有一天这个市场一旦泡沫破了，会需要基座模型立刻赚钱，会需要基座大模型公司立刻不亏损，这句话怎么正确？然后会发生什么？你就只能按 token 收钱。如果按 token 收钱，不知道今天你把大模型当搜索引擎用这件事你愿不愿意，每个问题花一分钱。你愿不愿意大模型给你加载不止十倍的广告量？十倍可能都不一定够，你已经觉得百度很烦了，虽然是北大校友的企业，这些加广告他觉得。那今天的服务成本，单人服务成本远高于搜索引擎，那你可能加十倍的广告都不够。那我问你怎么办？

　　这个问题是你先从 common sense 上来讲，我讲的这个问题在中短期，我们往长远放，在一年之内会不会出现？它的单季度盈利没有披露所谓叫损益口径上盈利的细则，所以还不知道。而且你也知道它的九月份的月环比增速都掉到了低单个位数环比。

　　而且我觉得 coding 是一个真实应用。就是刚才他们有人问我说，你看今天语言模型解决的所有问题，今天大模型解决了确定解决的问题，自然语言对话相关的。是。coding。和数学。它们都是符号语言体系。它们都是符号表达的语言体，或者叫符号表达体系，你要理解。语言只是逻辑，自然语言只是逻辑弱一些，因为它有很多意思多意思是非。你从自然语言抽象出来的形式逻辑，就是亚里士多德讲的这个，因为逻辑最难就是三段论，对不对？你从自然语言抽象出来的形式逻辑，就已经是有更严密和严谨的逻辑关系了，有问题吗？嗯，作为一个语言表达体系，这个子体系下面有编程，这是为了给计算机看的形式语言体系。有数学，这是为了给数学家们看的符号形式语言体系。我不知道我是不是讲清楚了，你就会发现大语言模型在这一类问题，在这一类问题，在这个符号语言体系问题上是 work 的。我不知道能不能解释清楚。

算力、能源与 token 输出#

　　好，那回到这个 token，如果迟早要收钱，每个按 token 收钱，那将会咋办？你作为投资人，你就要想这个问题。就假定有一天到，不管是三个月后还是也许两年后，怎么办？怎么会发生？What will happen next？这是投资人问题。If it happens，如果它注定发生，而不是 if。就

　　有一些特殊的地方可能就会投资会变好，比如乌兰察布。这乌兰察布可以，因为它是半他基础设施钱，但是最终中国肯定在这个问题上，这是另外一个有意思创业方向，但没有项目，就说我觉得最终可能中国 token 就大规模出来，因为本来到最后变成了基础设施的时候，一旦变成了基础设施，就有一个另外一个问题，任何一件事情一旦成了基础设施，有另外两句话，第一。基础设施变成是一个超大规模，就它因为它是基础设施，水电煤，它变成超大规模的时候，它一定不能是高毛利。要不然上面长不出东西来。

　　然后这个算力的可能最后的基础设施竞争确实是能源。就其实尤其是人均能源，但变成能源竞争的时候，它就变成了就说你今天看这个世界争端的，你觉得美国起伏老去搞中东原来是一样的。今年放松了中东，是因为它是全世界二零 14 年 2024 年变成全世界最大的石油生产国，石油天然气生产国和石油天然气输出国。那 anyway 就说能源原来在我们，我有另外一个宏观问题还是讲这个能源的事，but anyway，原来在油气煤的时候是很难跨国运输，并且容易区域性丰富被掌握的。这是为什么怀璧其罪，就为什么中东俄乌出这些乱七八糟的事。那变成了电的时候就显然输送成本低了很多。嗯，但是电你想跨国去卖可能挺难的。如果变如果还是能源，本质上都是能源，如果最后变成了 token。就改变了财富格局嘛，财富。token 可能就不涉及运输了。好，没关系，这是讲乌兰察布，我顺便扯一句。

　　但是最后回到这个问题，如果 token 开始收钱，就只能在对应付得出 token 价格的价值服务上做 AI 取代，这你同意吗？同意。比如说 coding 是其中可能一个。好，那还有可能其他的，我们不知道，或者可以这么探讨。

端侧模型与消费者使用习惯#

　　第二种方法，消费者，我是个普通消费者，我用 AI 就拿这把搜索引擎用，你要告诉我一分钱一下，我肯定不干。但我还是想用 AI 来搜索，因为这样方便，我可以问一句话，不用去挖空心思讲那一句话怎么配，嗯，怎么给切成几个关键词。而且我还想用语音输入，那我怎么办？对，就是用端侧，就是所以最终的问题是消费者一定要保留应用使用习惯，但是要免费。那怎么才能免费？就是要下放到端侧，最少要端云协同。

　　我跟我们同事解释这个道理的时候，我说我给你打个很简单的比方，我今天在这给你讲，今天所有人的生活当中，全世界所有的发达国家发展中国家的应用当中，最普及的 AI 应用是什么？是智能，是自动驾驶，智能驾驶，它不叫自动驾驶，智能驾驶，就是有足够多人用过了。自动驾驶如果是个云端模型，刨去这些响应速度、安全、没有网这些带来的问题之外，假定今天我们都用云端大模型，你的自动驾驶应该是这样使用的，在一个没有车的道路上行驶，正常匀速，不变道，不变速，没问题。突然前方有辆车，说要超一下车就取一分钱。要碰见个红灯停一下，还是闯过去碰见黄灯闯过去就取一毛钱。要换个道就取两分钱。那这个大概就是使用方式，虽然我讲的绝对化了，但你理解大概就是这个实际情况。

　　那你的今天用的 AI 就是端侧模型，它只是在你把车放那的时候，它跟云端做一些模型和数据层面的交互或者叫更新。带着这样，那这个大概会在假定要求 token 收钱之后，会是个商业模式。这为啥你应该从常识上就能推测，事实上今天已经在这么用了。你我这么讲，如果自动驾驶变成是每一个单独决策的云端 action，就每帮你算一次，收你一次钱，你大概就不用了，这比雇个司机可能都便宜。投过一堆公司，我就讲跟我们家都北大的，这个我知道。

北大科技成果转化与投资案例#

　　这是我们投过的公司。这都是北大的公司，我们有个最近半年投的，这边有些已经很贵的公司了。这是我们最近半年投的。还投了中汽五辆。我们当时，我们当时在投。那个深核是那个陈天明老师的，那个他原来在英伟达做图像模型的。

　　那我们在投那个溯明开物的时候，溯明开物做了一个谁也搞不懂怎么用的东西。他做了一个就是用主动光打在一个这个对象上，然后通过来通过摄像头来捕捉，就有点像事件相机，来捕捉这个动态光影光斑的变化，来知道你跟这个相对位置关系。好，这个在我们内部讨论的时候，这件事他做的那个深核智能做的是那个做结构光，就是他把结构光在用模型 train 成了在维度精度，就精度维度上，就是在叠加毫米或者说毫米级别，加上高反，所有这些场景都能够准确的还原出来，再作为一个结构光相机。然后再用结构光的就在精确深度的信息在 train 它的 RGB 相机，就是说我不知道是不是讲清楚，如果你不是做技术，你不用管。他 anyway 他就是做了一个带高精度维度信息的 3D 这个影像数据，大概就是这么一个东西。

　　好，那溯明开物就是刚才我讲那个是那个石海金老师的那个。那个就是他做的事情，刚才我讲就是那个打一个频闪的这个，不管是可见还是不可见光，然后用它的能拍到的情况来知道你跟这个物体之间的相对关系和距离和角度等等这些。那个还好办，3D 信息，我说 2D 转 3D，2D 信息变成 3D 信息，并且 3D 带精度，就是除了能语义分割还带精度，就带具体的尺寸信息。

　　这些数据在将来到物理世界当中会极其有用，这个我想你能明白，刚才我解释过。他做的事儿在我们讨论的时候都大家都不明白他是干什么，不是，大家明白他是干什么，大家想不出他有什么用。然后我自己也问了我自己半天，我也问了他们半天，他们也想不出来。后来我们就我说我就当做这类数据最后一定会有用。来投，我们就忍了。原因我还可以解释，最终你需要非常多个不同类别，带不同维度的数据，才能使得这个维度上的技术能力或者模型可以被训练出来，理解这个技术维度的事，这会讲的很清楚。是这样。

　　然后因为一是因为，但虽然叫拟投资，是因为北大现在突然在八月份调严了技转实缴，所以他们其实都那边有好几个项目已经融了两轮以上了，钱已经就是已经估值挺高了，但是就是还没技转，因为就是可能还是北大有些政策变了。

　　那个安纳智芯当时我们也讨论半天，因为它居然是做模拟芯片。这是有另外很长的逻辑，我就不解释了，那个是做 AI 就是 AIDD，就是跟制药有关的。

分享收尾与推荐阅读#

　　这书你也不用管。这书这书是最近一期的，因为我每一期在红客班男人，在每大概一个月都会推荐两三四本书，所以他们 too much，所以这只是个例子，所以 too much。朱威敏他们也看的书。作为一个在新东方当过一届老师的人，不知道说什么。

　　对，那个是小宇宙上那个我办个案的那个，就我做播客的那个。本来做播客的主要原因是因为可以不用露脸，我比较讨厌露脸。那嗯后来 B 站找我们很多次，让我们做点 B 站直播，所以我们把这放成放 B 站了。欢迎各位。今天来跟大家分享的，抱歉超了点时间，就大概是这样。那个非常感谢各位耐心，你们有睡着的和写作业的，都是来参加这个会的。

　　今天真的特别特别精彩，我自己听着都特别过瘾。我其实，我觉得我知道我们是同级的，没准几年前，可能五六年前才知道我们是同级的，是吧？对呀，以前都不知道我们是同级的。哦，那幸亏不知道。哇，幸亏不知道这个，真的真的。

　　所以对你同级的陌生的同学一定要善良一点，一定要善良一点。然后那个我刚才说了，我们的丰叔是周期之王，对不对？大家说是不是？那掌声大家来，感谢丰叔。他后面还有一个简单的 panel。

　　你们有感兴趣加入我们被投企业或者来我们这实习的，这是我们这个同事，咱也是顺便推荐一下，就刚才搬凳子那个。这是我们的 H H H H 二零八。对对对，微信写在上面。

如何看待这一轮 AI 泡沫#

　　那那个，我就先第一个问题，这个正好聊到泡沫，丰叔觉得那个安卓这个这种有好处，有多大的泡沫？

　　如果有，我觉得显然是泡沫的。我觉得就说。就是他已经从就是也许就看他发行了，就说嗯你要问的问题是他真实的价值值多少钱，他的真实价值值多少钱这件事他没有，就他很难准确评估，因为你只能放在一个资本周期里，他如果钱多的时候投的公司贵，钱少的时候投的公司便宜。你要问我，我觉得泡沫破了以后，按照历史惯例，非常不幸，按照历史惯例，每一轮里边的带最具代表性的公司上市的时候，或者是已经过了这一轮泡沫刚过不久，或者就是这些。

　　你觉得呢？

　　我还得从人才和这个现实这个阶段来看，因为今天其实大家也有很多师兄师姐，然后包括自己也在这个技术公司干活，就是我们叫数据仔对吧，就是造环境的数据仔，就大家在干这个活，你会发现基本上你用这个 Office V 五和用这个 Copilot 是完全不同的体验。你这个做 RL，你投这个，进入这个比赛。那有什么？有一个东西到 C 呢，就是说从技术角度我们看到的这个事情是在。你有很不方便，就是解开安全 CVE 的这个数据呢，你是可以三倍甚至四倍价格卖出去的，就是原价的三倍、五倍。如果说这样的话是泡沫的话，那其实可能就是从现状来看，应该跟实际情况还是有点相反。

　　然后第二点的话就是，因为我做了一个人才的这个预测的一个东西嘛，就是我会追踪像 X、 LinkedIn 每天这人才的流动和变化。然后我们最近看到其实就是 SOP 的最近半年的这个人才流动，在公开渠道，它是流那个流入是流出的这个四倍左右，就是这么夸张的一个比例，就所有的公司。前一段时间我举一个很有代表性的例子，就是大家不是开始关注安全嘛，然后美国最头部的这种独立安全公司叫安提克，还有叫福斯贝尔。因为这个受关注是因为蒸馏也好，或者说这个就是说这个模型的这个破安全的能力越来越强，你会看到这些头部的安提克很多的人员就进入了这个 SOP 这个，如果是从这两个去看它这个事情。

　　好，一个是从宏观的角度，一个从微观，我觉得都挺好哈。

　　那个我插一句话，哎，那个对你提醒我一个我忘了讲的事，讲事，就是假定因为假定资本市场周期要求到头要求大模型公司赚钱，基模公司还会注定发生的一件事情叫开源节流，这很容易想象。嗯，如果基模公司除了开源就充分收钱之外，它要节流，就意味着它对数据采购以及对研发不计成本的投入，还人才就会有变化。就我不是要讲你的生意问题，我主要是要讲说当这件事发生开源节流发生的时候，可能烧卡就变得不那么容易，因为你如果对研发的投入和数据的补给成本采买两件事都减速的话，你想烧，并且对数据中心的大规模补给成本投入也减速的话，你大概想烧卡就不那么容易了，就是大家的或者叫代际差，或者叫时间差，模型跟模型之间的就会不太一样，跟今天不太一样。因为那是追求的，要有利润是吧？

数据业务与算力供给#

　　那第二个问题是就是你们两位从各自的视角看一下，现在在 AI 的各个子赛道里面，哪些是被高估的，哪些是被低估的？

　　我先讲吧，我觉我从这个实际客观情况来讲，就是其实数据这个业务其实还是被低估的，然后美国有一个特别有名的一个叫巴图的布利斯，这里面有所有的这个相对头部的，无论是最深的数据。有哇，还有像原来做图像、做医疗、做 CAD 这种数据的这些厂商，实际上他对这个数据的潜能和订单的需求量是完全没有释放的。

　　然后还有第二个的话就是，NeoCloud，就今天如果你在，就这个世界上拿到卡的资源，然后拿到机房的资源，无论是卡拉奇在日的，除了包括你在马来西亚，这个融合这种地方，你只要能拿到卡，你就纯赚钱。

　　因为昨天我有一个朋友是那个今年四月份泄露这个康康维这个源码的收藏翻，他一天昨天生成了一点八万亿的这个，就一点八，three 点四亿的，就 open up 是三分之一，他只用了六十四张硬盘。然后他他做的是这个，他是提供四点一，他是幺幺七。然后你就算一下这个价格，因为这个价格其实现在来看这个价格是 50% 的毛利。对，就你就算了，因为这个其实还是，就只要你有，最后，在座各位同学。

　　【此处录音缺失，以下接第二段录音。】

　　美国的很多企业，它都是接了 Salesforce，什么 HubSpot 这样的系统。你就可以理解为你在这个中国，你用飞书，或者你这那，你那工作流都要上腾讯平台，用它的东西全自动的把你的东西给生成出来，而且一个环节二十万美元，就特别简单。

　　那么现在就已经进化到这样的一个阶段。

AI 人才流动与个人职业选择#

　　他们到了下一个问题，这个肯定是善君擅长的，也是我觉得所有人特别关注的，就大厂 AI Lab 和大公司之间人才的真实流向是什么？这个善才做了一些准备的。对对对，我有一个视频，然后我不知道稍微旁边可以，但是我把那视频准备好，试一下。直接点双击就好。一千五，一千五。是哪个？都是。对对对。对对对，都挺棒的。

　　AI SWAT 追踪 AI 大牛的去向。谁离开了 OpenAI？谁加入了 Anthropic？谁拿到了大结果？天降佳人。集体出走。跳槽。自立门户。天才少年。每一次跳槽都有出处。点开一条，看看他们是谁。找大牛，上 Zill。

　　对，这个，我想跟大家分享一点是啥呢？就是我为什么 24 年我从这个通义出来，因为那个时候其实从 23 年开始，我就感觉我的工作已经没有什么价值。

　　北上深杭三万个 AI 岗位在哪儿？北京。对对对，就是因为从那个时候，其实 23 年下半年的时候，其实我们原来大家觉得特别有价值的就是说，因为我不知道有多少同学是深造这个写代码的，因为我们当时是在 Hugging Face 的这个 Transformers、PEFT、DeepSpeed 上面去改。对，然后就觉得哎，我能搞定一些几千行代码，然后这些文件，我就觉得还自己还挺厉害。但是从 23 年下半年，其实微软的那个 Copilot 就已经能解决很多这个问题。然后那个时候其实我在内部，然后就跟我这些同事们，当然是很多同事也现在出来创业，对，就聊一个问题，我说这时候你要是说上大学，他也能干。我说这时候可以。就是说白了，今天本质上就在座各位，其实把你放到 DC 上待一个月，你其实啥基础没有，你也可以干。只是今天这个环境就是变得很恶劣了，所以其实有一个词儿在。完全很火，这个叫那个 network，就是裙带关系变得更重要了。所以在这个时代，其实如果说你想要很着急的去说，OK，我今天必须要进到这个企业里面当去做 post training，比如去智谱或者去 MiniMax，DeepSeek 之类的拿到这个门票，那你可能更多的精力除了在做你自己的这个事情之外，你可能还要考虑到哎我个人品牌怎么 building public，就做很多这样的事情，就不只是闷头就说哎呀只要我多发了几篇顶会就有了，然后我的价值就怎么怎么得到体现。因为今天 arXiv 的投稿量已经六万篇了，没有人能看明白，就里面这方向都已经这个差值的已经没有人能看懂了，那这个时候就靠的这个 trust 是这样一个情况。

　　那我觉得新生的这个机会也很多，比如说 AI 诞生，比如说科技行业，比如说安全，就刚才我提到的 VTR，像 Goodfire 在国内最近也有一些安全公司，包括做 AI for Science 公司，其实这样的公司小公司也特别多，最近 F 二 B 刚收购了一个艺人公司，就是他就是做生物医药什么这种。

　　就是说我觉得今天这个时代其实可以抛去一切，或者说你认为很重要的这种外部的这些指标，或者说所有的这个 hierarchical 的东西，你就关心你自己最重要的东西。如果这个东西你没有，说白了就是很多人可能我觉得在 AI 的这个时代或者前 AI 时代被互联网变成空心人了，我觉得这个时候其实反而，与其你盲目的去说哎呀我要刷一些指标，可能说更重要是找到你喜欢的东西。我觉得这样的话其实在这个时代你去联系很多人是别人愿意给你机会，对吧？对，这个是我的看法，我觉得机会还是很多，大家可能就是去大厂 frontier labs 这个路径会被这个看到。

未来十二个月关注的投资方向#

　　好，最后一个问题，是丰叔的，这应该也是涉及到各位要创业的，就是未来十二个月里面，你会重点关注什么方向？嗯。

　　我们其实在这个，因为我们是早期投资，所以其实刚才那个半年北大投的已经比较明显了，就是说你从最初的来讲，其实我们有在投一些有就像刚才讲的有 AI 再往后的一些必然要解决 action 的问题在里面，当然要从技术上，而不是从商业模式上。第二个问题是要投一些新的数据类型的产生方法，就像刚才讲的，可以给大家做产品介绍。还有就是进到一些具体的领域，就像大家今天都投 AI for Science，我们因为有很好的 AI for Science 的 legacy，因为是晶泰和一台的这个，系他人天然投资人，他们有上市，那嗯。

　　AI for Science 其实是难投的，因为就是刚刚讲既有模型问题又有数据的问题，又有最后你卖什么，到底是卖什么的。我觉得卖服务和卖模型应该是难的，所以它最后去要 deliver 一些 product，所以这里有一些商业模式上的思考和挑战。

　　那总而言之就叫 AI 在不同行业的应用，AI 自己在发展的过程当中需要定义它的边界，不管这个边界是安全还是别的。然后第三件事情是我觉得会有一些变动的模型，和会有很多端上的机会，就像刚才讲，就是大家如果一旦下来之后，消费者和应用的习惯是要保留的。对，嗯。

token 收费、开源生态与中转服务#

　　这直接跟就业有关，大家就，答案是不会那么简单的。就是说 token 大模型公司要开始收钱的时候，它只是会使得它把免费的，就叫范围或者叫额度或者叫这个部分变得更收敛一些，并不是说今天比如说一万个 token 一分钱就变成了一万个 token 一百块钱，这没有可能，就是说它不是那么简单的。但是至于人力的问题，就你们问他。

　　哎，对，我来解释一下这个东西，就是它因为只要有开源模型的生态，这个事儿不会发生。我给你举个例子，智谱的官方销售你去找他，他对你是八五折，那比如说对我这种大客户可能是七五折。但今天我跟你讲，因为它的模型是开源的，你会发现有一些人部署到国外平台的 AI 或者 Fireworks，他会给你四折，还带发票。就说白了，只要这个东西只要是开源的，总有人会给你搬平了，所以你完全不用担心这个。就是说除非你用的是贵的。

　　下一个问题。

　　嗯，这是个挺好的问题，但是这个不好回答。就是说今天你能非常准确的看见它是个赚钱的生意。但是你 consider 刚才我们讲的假定，这个资本环境的变化会约束导致基模之间发生很多变化，去基模这个生态发生很多变化，那 token 中转站会怎么能变成一个更好的 sustainability，就更好持续性更好的，而不是纯靠价格套利的事情，或者商业模式，是一个我觉得今天我们看见了一两个有意思的探索，但我们 so far 没有捅破。我觉得这是个一定有的方向，因为长线刚才我讲，长线里面极其重要，我觉得最终一定发生的事，就是中国一定会变成最大的以前对投，就是能源输出国，因为我们是卖不了煤电。也只能卖今天的光伏和发电机，但是我们也不能卖电，当然像周边东南亚国家卖一些，但是最终当你的稳定下来的 token 的终极成本构成当中，刨去折旧大家相对同质化或者异构化的赚利之后，有个很大的这个能源占比的话，中国会在这两个生产要素上有很大的长期有很大的优势，所以最终变成了一定会卖能源，就是一就是某种 form 的能源，所以最终这件事会变得很大，今天这件事很生意，因为是非常非常高买低卖导向，就是非常叫价格这个套利这个取向，今短期看的很清楚是个生意，不好投，能赚钱，长期是个非常大的事儿，但是中间有个过渡阶段是我今天看不清。

　　OK，好，下一个。先看到几位可以咖啡。你是肯定特别 favorite 女生提问。好的，下一个女生千万别别只问我，我先，好，谢谢。

中国能否出现 Palantir 这样的公司#

　　李老师，你刚才提到了对 S B A 也提到了，就是第二阶段第二层面的这个进展是吗？我比较感兴趣的是公司叫 Palantir，它在美国的 PE 是一百六十六倍吧，是最高的，我想问在中国有没有可能出现这样的企业？

　　坦率来说比较难，我把大家的，我们先略过大家各自在 to B 企业上中美之间的构成不同，因为这个有非常简单的事情，这在我们原来投很少的 SaaS，原因是因为我说不是 SaaS 在中国不灵，是因为嗯就就我们叫 to B 收软件服务的钱，原因是因为美国在产业链结构上只剩了比较少的，但是很高附加值的这些产业链环节，这我想大家能理解，当然金融也其中之一。好，那所以说在这些类型的产业链里，最主要的工作方式和提效就是做管理，因为你管的是高附加值人群，就像你管芯片设计公司一样，就是假定全中国全是新药研发公司和芯片设计公司，打个比方，那因为它是高附加值，它是高人力附加值和高附加值，所以主要就是管好他们，那并且美国的互联网或者叫软件加互联网普及的时间比中国长，它的产业链的剩的环节少，但是附加值高，所以这两件事叠加使得它的 to B 软件生态是好的，中国的问题是因为很长的产业链，其中有一半以上是中低附加值，或者叫中等附加值产业，那对他们来讲。它主要问题未必是一个高教育水平的单人高附加值高的管理问题，我不知道我大概解释清楚没有。

　　最后一个问题，你问帕兰提尔，我们今天看帕兰提尔和 SpaceX，这个不作为你炒股的目标，但它们两个本质上是有军工属性的公司。军工是共和党最主要和油气是最主要的 sponsor，就是这个支持者。如果你等十一月四号中选结束，如果共和党同时丢两院，就是众议院和参议院两院同时丢，现在一个九十的概率，一个六十。如果同共和党同时丢两院，we will see about，加上资本周期到头，再往下看半年或九个月或者三个月，这两个太偏共和党特色的公司会怎么样？嗯，这不构成你炒股卖空和买空的目标，我只是告诉你这是一个宏观如何和微观做连接的观察角度。

　　北大男生的机会了，哎。

如何建立历史视角与投资判断#

　　我先说一下丰叔，然后我想主要问一下你一个方法论的问题。您刚才讲的过程中很多时候用到了类比，尤其是和历史的类比，比如说您拿 AI 周期和过去两千年的互联网泡沫的类比。如果想类似的话，我可以把我们消费和日本三十年前的这个情况做类比，也可以拿比如说很借资本周期和当初石油危机时候的情况做类比。然后尤其是说到获得当下共识的时候，但是对于我这种 07 年出生的人来说，这些事情我都没有经历过。

　　那你一下瞧不起人，我也没那么老。

　　我想问的是，我们该如何在现在获得那些曾经的历史，而且是没有经过现在修饰的历史？

　　我觉得你这个问题我应该这么回答，我是今天变成我今天能讲这些内容的绝对不是，我在三年四年以前都没有搞清楚，刚才讲到 22 年那个资本大超大周期的事，我是大概到 24 年才明白过来。这个明白的过程就像历史积累的过程，我原来在做 IDG 说的法说的时候，我也不太看宏观经济，虽然当年也投了很多著名公司。这些是在我身上发生的过程，是你做出了错误的判断，除了你把它归咎于你投了一个不灵的创始人这个很容易的责任之外，你回过头去想的问题是，我到底有哪些问题没想到，以至于我做了的错误判断，投这个人的问题。那这个就会让你不停的想办法去找比当时你看到的范围更大的影响因子，那是我是这么被 push 到这个路上，就是你在找方向，你在做判断的时候，因为我要为全基金找方向。那我也什么方向都看，那我也不可能把什么方向都搞，我顶多是个五分之一平均数在这个方向。那你的问题是要在你有限懂的层面能够去找到在，就跟今天大模型一样，你要在隐空间里有想办法做一些高维关系，就是你是不断的被 push 到了越来越高维的隐空间上，然后用这个方法在相当于映射回你的这个不能叫低维，就映射回到你当前维度的空间上来看这个问题，大概就是这样，就我的过程就是，我大概做投资这十六七年，十八九年大概都是这样。哎，这个。

如何发现 AI 消费端需求#

　　我想问一下李老师，就是 AI 在这个消费端应用的商业模式，不管是企业还是消费者，都没有搞清楚自己的需求，就像苹果手机的出现，其实带乔布斯的前瞻性一样，但我们普通人生活中发现这个需求。

　　first of all，乔布斯肯定有前瞻性，和那个叫什么，beta，什么。对，现实，一堆现实，他们有 beta，就大家认为就是，你要如果就是说随便看一些乔布斯的就是写手机历史的书，他最早走到今天之前要经过，先经过苹果和 iPod，和 iPod 的整个音乐商店，才到，当然还加上那些硬件其他的这样。

　　但 to 你的 conclusion，就是 to 你的问题，就是 conclusion 是这样，我们先把消费硬件那些事儿放一边，肯定会产生很多新的消费硬件，因为新的传感器，而新的传感器又因为已经普及的一些东西被成本大幅度改善了，比如说今天 2D 转 3D 有很多，有很多的不同的应用在用高斯，不同的消费硬件在用用那个激光摄像头，但激光摄像头就是 LiDAR，100% 是被新能源车搞下来的，就是我的意思他们是个非直线的线性关系，就是是新能源车的普及带来了传感器的降低，传感器降低加上别的需求变成了一种新的应用形态，新的硬件形态，就我大概这是第一个问题。

　　第二个问题在消费者端，在 to C 这件事上，我怀疑，我没有把握，我只能怀疑，是我们今天回过头来看中国的零售业态跟美国和历史上，刚才他问日本，跟所有人都是不一样，最大的不一样是我们在零售增长的时候，就那样两千年之后，在零售开始需求快速增长的时候，中国赶上了一次互联网普及。但中国没有普及信用卡，这几句话的夹角出现了我们的电商跟美国长得全不一样，而且渗透率很高，这你能理解。第二个问题，我们支付宝变成了金融，而不是 PayPal，因为 PayPal 是邮件注册支持信用卡支付。你能理解我意思吗？好，那你到今天来看，中国最大的 beta 在 C 上肯定是服务行业。不管它是生产性服务，就是新药研发，新零售。还是普通吃喝玩乐，就叫服务行业，这已经非常明显了。从政策上看也是这样，从经济上看也是这样，从中国的经济发展阶段，就人均 GDP 一万多美金来看也是这样。那所以中国的服务要发展，服务大多数服务行业原来最大的挑战叫人均服务成本很难下来，虽然人均收入会上去。因为制造业企业的工资只占制造业今天 single digit，大概是三到七，但任何一个服务业的成本，不管是吃喝玩乐还是芯片还是新药研发，大概人力资源成本都占公司收入的最少 20% 多到甚至 40%。所以你在不调产业结构，只把制造业换服务业，就跟美国一样，你大概也能得到人均收入提高，在一个 GDP 构成里面。

　　好，服务业的第二个特点是，我刚才其实在那个上面要讲，后来没讲，就是因为时间不够，就是服务业的绝大多数服务业的特点，吃喝玩乐是一，绝大多数的高附加值服务业的特点是它是专业知识驱动。就刚你可以举各种各样的，对吧？就比如金融、教育这些什么都是健康，而专业知识以自然对话的形态驱动的专业服务业，我只是觉得理论上应该最适合语言模型来介入。而语言模型介入之后最有可能解决的问题是服务业很难降低人均成本的问题和规模化。然后在中国今天的贝塔是，它很有可能借助中国凑巧有一个服务业无论如何要快速发展的贝塔，维持就像二十三年前的淘宝出现的时候，中国的消费零售行业本身就要发展，只是 happen to be 赶上了那个时候的互联网。我不知道，我大概。

普通人的 AI 使用与劳动力技能迁移#

　　这位同学。嗯，那个就是随着这个 AI 时代的这种会费或者这种会员制这种形式的频繁出现，AI 这个本身这个模型和这个语言模型怎么能和一个付不起会员费的这些老百姓，甚至说是一些实体经济这些制造业的工人或实体经济的这些相关的员工怎么能够结合起来，能够促进中国的实体经济的发展？

　　非常好的问题。我觉得第一就说这里面涉及到两个问题，是不是有劳动力技能的迁移问题？我觉得多多少少会有。就劳动力技能的迁移的意思就是说，我们用一个主动的方法打个比方，是因为今天有了足够多的外卖小哥，足够多外卖需求和专车需求。所以你把你把工厂的制造业农民工转了一部分农民工叫制造业的工人转了一部分到城市服务业，这是我往好的主意，但是肯定也有被动，就是在 AI 进入各个环节之后，这是一个这是回答问题的一个方面。

　　回答另外一个问题，回答问题另外一个方面，回到刚才我那个问题，就是说在一个技术普及的过程当中，老百姓，因为中因为绝大多数国家面对都是同样的问题，就是说他既想用，且是不一定是高附加值的用途。他既想用上，又不一定是高附加值的用途，不一定是高价值的需求，这两件事的夹角最后就只能变成新的尽量便宜类型的东西。当然我们刚才讲的不管是把它 format 成智能硬件，还是把它 format 成端侧的解决方案，端侧解决方案我们可以理解，就像你们都没经历过，我们经历过，就像就或者就像刚才讲 B 站的问题是一样的，没有移动梦网的包月流量计划之前，只有不到 10% 的 B 站用户是在线视频，大家都是在网上看到自己想看的视频之后把它缓存到本地，那那你说消费者怎么解决想看 B 站，他就只能在端侧解决，我不知道我是不是大概讲明白。

　　就是说最终这些不是高附加值，高附加值比如说用到 AI 或者 science 上，你替代了一部分 PhD，那确实高附加值，就像我们当时投 DIM 的，但如果用到老百姓身上，他不是这样的，他不能按 token 逐个给你付钱，那你就要顺着他的需求，因为他是代表大多数人的需求。除去刚才我们讲的被迫进行劳动技能转移的这部分，这也是社会的技术发展周期里比较不幸的一个方面，但是一定也会是一个方面，这是硬币的两面。

　　好，下一个问题。来吧，你是咱们创业的同学。

大模型幻觉、安全治理与能力边界#

　　我很关心这个大模型的这个安全领域这个幻觉这个问题，我想请教一下这个老师，你认为特别是国内大部分公司，能不能够攻克大模型幻觉这个问题，或者把这个幻觉降到一个可接受的范围。

　　你这个问题问到我们现在比较敏感的一个在投的项目的问题，所以我还不能拿这个项目给你举例。嗯，我重述一遍我们在投我在看这个项目的时候的一些抽象思考来，就是或者我换一些具象的问题哈，就比如说我给你打个比方，今天 AI 制作数字化内容，比如说红毯，就 AI 制作数字化内容，比如说短视频小片子，不是那种小片子，就是就是。那随着多模态，就随着 C D S 这样的模型变得越来越 powerful，你可以认为 AI 内数字化内容会无处不在。它产生的速度比人还快，这你能同意对不对？

　　好，所以最后就是说不管是 B 站还是 C 站，还是这个头条，就所有这些视频公司，你知道都有很大的超大的一个团队在一个不是很贵的城市里做这个审核，对吧？那我们往外推，假定这些数字化内容极大幅度的开始出现，你显然不可能用人来做审核，这你同意？

　　好，那这个时候它就 potential 了有安全问题了。不管是跟我们国家制度相关的安全问题，还是跟其他问题相关的安全问题，比如毒害青少年之类。那这个时候就得用技术来解决技术。

　　那这个解决的过程是叫做以我一直说今天在大基模上，大家所有人最关注的都是基模上限能力和外延的变化，就所有这些突破，所以什么 RSI 以及所有这些事。但是很快，大中国和美国都一样，美国是因为一些政党博弈的原因，比如说民主党非常 favor 就安全治理的问题。那好，那我们国家其实已经，你从我这个应该政治上正确，对，你从习近平在中美元首会谈中的白宫晚宴的讲话稿很短。这是第二段，第一段是讲国际和中美，第二段就讲这个，他讲的前提我非常的，不是，我非常支就是非常的这个。respect 然后。大意就是我不能背书背坏背原子那波地震嘛，对，那地震没录过它，就说嗯

　　大意是说 AI 应该在人类的管控下造福于人类这两句话。那我说接下来有一个很重要的方向，就大家要定义出或者要知道模型的边界，instead of 它的上限。

　　比如说今天自动驾驶最大的挑战是，你知道它能做什么，所有它不能做的事情你都叫 corner case，你叫它 corner case 是因为你事先不知道它不能做这个。我能解释清楚这个，所以说白了是你不知道今天不管是 L 几哪一个自动驾驶模型，你不知道它的边界条件，这件事迟早会变得重要。

　　好，最后两个问题哈。嗯。

通缩、房地产与经济预期#

　　稍微补充，就是您刚才讲那个消费领域可能还是有一些机会，但是我们看到现在中国就是属于全球化的那一个输出的国家吧，就是你可以看到这些数据都不太好，而且现在人们因为 AI 的一些应用可能还担心自己失业，所以储蓄率也比较高。我想问一下什么时候能走出这个通缩的困境，然后它这个拐点是什么？就是它会发生什么条件，所以能走出通缩。

　　非常好的问题，我用很快的角度回答。第一个问，我们在今年的二月份开始算出了通缩，叫连续三个月 CPI 为正，名义就是，经济学意义上定义的通缩。那这是第一句话。当然今天我们相比于全世界肯定是没有通胀，因为我们都是在一和一附近的 CPI，就是涨幅。那，而且 PPI 还快过 CPI，那这 PPI 快过 CPI 其实你某种意义上，这只是一个理解，我给你解释第二个问题，是我们用，因为今年中国的外贸超级高增，你也看到，我们用给全世界做规模化生产的能力，把规模化生产所诞生的成本优势体现出来。因为你是一个国家供全世界，当然全世界诟病你产能过剩，但是你只有一个国家供应大多数很多产品给全世界。但是你知道制造业是有非常明显的规模效应。好，这个规模效应回到一个内卷市场就变成了你今天看到的价格问题。就因为你不是用中国市场训练中国的规模效应，你是用世界市场得到一个规模效应，用它来在中国竞争还内卷。不知道我是不是大概讲明白了。

　　所以什么时候走出去我并不知道，但是我猜测中国要解决这个循环的问题，要先稳住房地产，因为这是中国居民端资产负债表里边 60% 出头的资产构成。然后在这个房地产的价格企稳之后，它会随着刚才我们讲的 CPI 已经不负了之后，缓慢进入正循环和正预期，但正预期一般晚于正循环。

　　这个问题，来，第二位。哦，峰哥我刚才关注到您投了。哈哈哈。人家还再想来，谢谢。

年轻人还有哪些创业机会#

　　我关注到您投的像企业绝大多数都是技术转化企业，就它背后有成熟的实验室，而且有巨量的科研资金支持。那您觉得就是对于我们这个教室里的一些学生，我们现在创业还有什么机会吗？

　　非常好的问题，我在这个 VC 里边原来他们叫丰叔的原因，是因为我在 2011 年投了 B 站之后，我发起了一个活动，叫做 90 后的创业者们。因为当时我在 2012 年，2011 年底我们在内部做 B 站的时候，我们那个时候基本不知道那玩意念 B 弹幕还是弹。我们的 IC 里面除了我算年轻的，当时都比我年纪再大一轮，所以大家完全不能理解为什么在看不见视频的时候看闪字。

　　好，所以当时我说我们把它做了一件事情，所以后来才有了什么刘靖康联盟，这才有了映客三六零联盟，包括徐力源，就是那个这样，他要创业那个，做那个拼接什么的。就是那时候这一大堆 90 后的创业者，就今年我们家这青科在年会上邀请回去 host 一个零零的后拍嘛，我就去问，就是你们那么大好，他们能做什么？为什么当时投他们？是因为他们当时是个互联网的微博后来理解，我们那个 90 后互联网生存报告，我忘了，应该 13 年，就那研究报告写的，就是他们是互联网 native 的一代，就是从初中开始用，所以他们有一些使用习惯跟后用互联网的成年人是不一样的。好，那他们有一些对生活习惯的观察，不管你是脸萌，就是是废墟，脸萌就是多列，还是这个刘靖康是他做什么极限运动什么户外运动这些，全景相运动这些，他们的这些事，他其实当时的 90 后里边还有一个这么一个，有一个造谣的孙宇晨。因为这里面在国内的，他一手跟数字货币相关的事情是我帮他搞定，因为他要做 ripple ripple 中国的代理。

　　那这些人是在那个时候叫互联网 native，今天大家强行的给我要去 host 的 00 后的拍呢，说他们叫 AI native，我说也许他们更 AI，但是应该他不太 native，因为 native 要从中学时候算起。

　　但你说回到你的问题，说为什么年轻人能做，我们那个时候就一直在讲，说 90 后的那拨人你只能做属于你自己生活方式的东西。嗯，就你说郭列做脸萌，当然你说孙宇晨做数字货币，就说这个嗯刘靖康做全景相就做户外运动这些极限运动这些事儿，这个这个徐逸就 bishi，做 B 站，因为那个陈睿说他把我们拉进去，他一开始开始的时候后来做。他们做的事情是他们自己的生活的一部分。

　　一旦年轻人去做成熟商业模式，我其实有一点点存疑，今天有一些非常年轻的提案，二十岁出头要去解决非常 serious 的科学的，某些方向模型创业，我不觉得会那么容易。

　　好的，那就今天的课结束，非常感谢大家。