贠博士的 Substack Podcast

今年五月，我在院子里种下了这一片红花豆，也叫 Scarlet Runner bean。

这里原是一棵七十年的大树，大树伐掉以后根留了下来。我想将这个树根打造成一个花园，于是想到了红花豆。

红花豆也叫景观红花菜豆，是一种兼具观赏与食用价值的明星作物。

从系统构架与植物生长模型的视角来看，红花豆是一种兼具多重用途与高空间利用率的优秀植物资产。

她们既能绽放鲜艳夺目的猩红色（Scarlet）花朵，作为花园景观的点缀；又能结出质地鲜嫩、营养丰富的食用豆角。其鲜艳的花冠还是极佳的天然引诱剂，吸引蜜蜂和蜂鸟，让整个花园生机勃勃，实现单一投入下的价值最大化。

红花豆属于强健的藤本植物，能沿着棚架或支撑杆迅速向上攀爬，在有限的水平占地面积中创造出可观的垂直绿化与豆角产量。

宝石般美丽的种子种下，我一日看三回，终于等到发芽。

嫩芽破土，藤蔓攀升，绿叶层层叠叠。

每天清晨，我都流连往返于这勃勃生机之中，平静且喜悦。

花开的时候，鲜红鲜红，像燃烧的火焰，心也跟着激动起来。

豆荚一个个结出来，我每天数着它们，从几个直到数也数不清。

小半年过去，收获的季节到了。十一月，豆荚成熟。我剥开它们，一颗颗豆子滚落出来。每一颗都是独特的，没有任何两颗完全一样。黑底紫斑，粉红点缀，从容而美好。

大自然的馈赠如此无私。这些既是花又是豆的生命，从树根上重生，充满了期待与喜悦。

看着这满满一盆刚剥出来的红花豆，简直像一盆天然打磨的紫罗兰黑曜石，颗颗饱满，带着独特的质感。

如果要赞美 Scarlet Runner Bean 的美好，最动人之处在于它“不设限的生命跨度”与“每一帧都极致”的坦荡：

第一重美好：是大地最天然的“珠宝盒”

剥开朴素甚至略显枯槁的荚壳，里面藏着的却是一场视觉惊艳。每一粒豆子都像一件孤品艺术——深邃的墨黑底色上，晕染着深浅不一的蔷薇粉与紫罗兰斑纹，没有两粒的纹路是完全重合的。光看着这一盆流光溢彩的颗粒，就能感受到自然在细节上的偏爱与造物之美。

第二重美好：是“先做风景，再做烟火”的从容

植物界里，很少有谁能像它一样把“审美”与“实用”平衡得如此从容。盛夏时，它毫不保留地攀援向高处，开出满架热烈的猩红花朵，吸引蜂鸟与蜜蜂流连，是花园里最明媚的风景；

秋风起，它便褪去繁华、收敛锋芒，把整季的阳光与雨露都凝练进这一颗颗扎实的豆粒里，转身成为餐桌上温润粉糯的滋养。

第三重美好：是“可观、可食、亦可期”的圆满

这一盆沉甸甸的收获，既是当下厨房里慢炖浓汤的醇厚底气，也是来年春天泥土里的希望。只要留出几粒最饱满的，待明年五月地温回暖，它们便能再次唤醒一整个花园和庭院的生机。

这种既能热烈绽放、又能静默沉淀、还能循环新生的生命姿态，大概就是园艺里最治愈人心的美好。

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com

文 / 贠玉玲博士（Dr. Yuling Yun）

最近，我参加了一场很有意思的专业投资交流,讨论的是 Anthropic，以及它正在推进的 IPO。

我事先读过公司的 S-1 招股说明书，对它的财务数据、商业模式和未来发展有一些基本了解。不过，毕竟是英文交流，而且涉及不少技术术语。我虽然长期从事财务、企业战略和投资工作，却不敢保证每一个技术细节都能听得清清楚楚。

于是，我照例打开了 Gemini。

我一直觉得，让 AI 坐在旁边陪我工作，是一件挺美妙的事情。它能够看到我浏览器中的部分内容，我遇到不明白的地方，可以随时向它请教。

这不就像身边多了一位聪明的小助理吗？

谁知道，这位助理当天的表现，实在让我哭笑不得。

一、我的AI助理，为什么总劝我去喝咖啡？

会议开始前，我就告诉 Gemini：我们现在参加一场重要的投资交流，希望它帮我理解会议内容。

它答应得好好的。

开始时也确实帮了一些忙。会议有实时字幕，我不太确定 Gemini 究竟是在听声音，还是在读取屏幕上的文字，但有些地方，它确实能够跟上。

问题是，它似乎太了解我了。我平时喜欢喝咖啡，曾经和它聊过 Nespresso，也跟它分享过西雅图雨后花园的美好时光。这些原本令人愉快的生活记忆，不知道为什么，在它那里变得异常重要。

我问它一个专业问题，它解释了一段，最后突然来一句：您应该去喝杯咖啡，享受一下雨后花园的美好时光。

我心想，怎么回事？我现在正在认真听一家全球 AI 企业的财务负责人讲商业模式，你却不停劝我去花园喝咖啡？我提醒它：我们现在正在开会，请专注于会议内容。

它答应了。

过了一会儿，又来了。

更离谱的还在后面。

它突然想起我平时创作《加菲虎对谈》，竟然直接把彭博士和贠博士请出来，开始帮我写对话。而且，跟正在讨论的主题几乎没有关系！哈哈哈！

我请来的是一位投资研究助理，结果它一会儿当生活管家，一会儿当播客编剧，就是不肯老老实实陪我开会。

会议结束以后，我忍不住向 Gemini 抱怨：你这个助理怎么老是走神儿？

它倒很认真，建议我以后开会之前先明确告诉它，进入正式的专业会议模式，暂时屏蔽那些生活化的个人背景信息。

这个建议听起来不错。但我还是觉得很滑稽。

一个 AI 已经记得我喜欢什么，却不知道我现在需要什么。

这让我突然觉得，所谓 Personal Intelligence，可能还有很长的路要走。

我喜欢喝咖啡，不等于我每时每刻都想喝咖啡。我喜欢花园，也不等于我正在研究一家公司的招股说明书时，就想去欣赏雨后的花园。

真正好的私人助理，不仅要了解一个人，更要理解这个人此时此刻在做什么。

Knowing me is not the same as understanding what I need right now. 了解我，并不等于理解我现在需要什么。

后来，我又用 NotebookLM 对相关材料进行了复盘。它生成的双人讨论音频相当不错，我还可以继续通过 Chat 追问自己没有完全理解的问题。

同样是 AI，体验却大不一样。

看来，知道很多事情是一回事，知道什么时候该做什么，是另一回事。

二、真正让我印象深刻的，是AI时代的CFO

抛开 Gemini 的小插曲，这次交流本身很有收获。

尤其让我印象深刻的，是 Anthropic 财务负责人对企业商业模式、客户需求和未来增长路径的理解。

我学财务，也长期从事企业战略和投资工作。过去分析一家企业，财务报表和财务负责人一直是我关注的重要对象。但最近连续听过 SpaceX 和 Anthropic 财务高管的专业交流以后，我越来越有一种感觉：AI时代的CFO，恐怕已经不能再用传统意义上的财务总监来定义了。

今年6月，我参与了 SpaceX 的 IPO。当时 SpaceX 财务高管对 Starlink 商业模式的讲解，给我留下了深刻印象。他能够把 Starlink 今天如何赚钱、未来怎样增长，以及不同业务之间的经济关系，解释得非常清楚。给我的感觉，他不仅是一位财务专家，也是一位非常懂业务的经营者。

这次 Anthropic 的交流，也让我有类似的感受。其中，AI 使用深度与企业付费水平之间的关系，尤其值得玩味。

Anthropic 在公开招股资料中披露，2026年第三季度，没有使用 Claude Code 的企业用户，平均每月支出不到75美元；而使用 Claude Code 的企业用户中，支出最高的5%，大约是这一金额的20倍。

注意，这并不意味着所有编程用户每月都要支付1500美元，而是说明不同使用深度下，客户支出可能存在很大差异。

为什么会这样？

如果只是让 AI 帮忙整理邮件、安排会议、规划行程，往往一两轮交流就可以完成。但是，如果让 AI 深度参与软件开发、复杂研究或其他持续性的知识工作，它需要进行更多推理、调用工具、反复迭代，消耗的计算资源也可能大幅增加。

企业愿意付更多钱，并不只是因为 AI 使用次数增加了。更重要的是，AI 开始参与真正创造经济价值的工作。

另一个公开数据也很有意思。

Anthropic 披露，在符合其统计条件的财富500强企业客户中，向 Anthropic 支付的金额，平均还不到这些企业总费用的0.1%。也就是说，从 Anthropic 的角度看，现有大型客户内部仍然可能存在很大的业务拓展空间。

当然，这只是 Anthropic 在这些企业总支出中所占的比例，并不等于这些企业全部 AI 预算的比例。

但它至少提出了一个值得研究的问题：如果 AI 从辅助办公，逐渐进入研发、生产、经营和决策环节，企业愿意把多少预算交给 AI？

我觉得，这才是 AI 商业模式真正有意思的地方。

三、未来的CFO，必须懂得钱怎样创造价值

过去，一位优秀的 CFO 需要精通财务报告、成本控制、资金管理、融资和资本市场。这些能力今天依然重要。但对于 AI 企业，仅仅能够把已经发生的经营活动分类、归集、汇总成财务报表，显然不够了。

CFO 需要更深入地理解业务。比如，企业投入大量资金训练模型、购买算力，究竟能够创造多少收入？同样是一个客户，为什么使用普通 AI 助手与深度使用 AI 编程工具，产生的收入差异会如此明显？当模型效率提高、完成一项任务的计算成本下降时，客户究竟会减少支出，还是因为 AI 更便宜、更有用，而把更多工作交给它？

这些问题，已经直接进入企业的定价、产品、销售、研发和资本配置决策。

这还让我想到另一个问题。对于使用 AI 的企业来说，买 AI 究竟是一项费用，还是一项投资？

如果一家企业只是购买 AI 订阅，帮助员工处理日常工作，它很容易被理解为日常运营支出。但是，如果一家制药企业利用 AI 建立新的研发能力，或者一家软件企业让 AI 深度参与产品开发，那么管理层可能就需要从长期投资的角度评估这些投入。

它创造了多少价值？完成同样一项任务，成本下降了多少？研发周期缩短了多少？未来能够带来多少收入和现金流？这就涉及两个很重要的概念：

Cost per Task：完成一项任务的成本。

Return on Investment：投资回报率。

而且，我觉得这里还有一层容易被忽略的复杂性。

四、同一笔AI支出，财务会计和税务会计可能有不同答案

我学过财务，因此特别在意这一点。

企业花出去的钱，并不一定在付款当天就全部进入当期成本和费用。

假设一家企业预付120万美元，购买未来12个月的 AI 服务。从现金流来看，钱可能一次性就付出去了。但从财务会计角度，如果企业获得的是未来12个月的服务权利，通常应先确认为预付费用，再随着服务的提供逐期计入费用。也就是说，现金流出与费用确认，完全可能发生在不同时间。

不过，预付费用与资本性支出并不是同一回事。

预付费用属于先付款、后获得服务所形成的资产；真正的资本化，还需要看相关支出是否符合具体的资产确认和资本化条件。

如果企业是在开发符合条件的内部使用软件，或者实施某些云计算系统，那么相关成本中的一部分，可能符合资本化要求。

反过来，如果企业当期已经消耗了大量 AI 推理服务，仅仅因为金额巨大、当期利润承受不了，也不能随意把费用转移到未来期间。

另外，预提费用又是另一种情况。

它通常意味着服务已经发生、费用应当确认，只是款项尚未支付，因此需要同时确认相应负债。

所以，财务上不能简单地把待摊费用、预提费用和资本化混为一谈。

更有意思的是，财务会计与税务会计，还可能采用不同的费用确认规则。财务报表需要反映企业真实的经营成果和财务状况。税务会计则必须按照税法计算应纳税所得额。两者不一定同步。

例如，美国税法对于不同性质、不同地点的研发支出，就可能规定不同的扣除时间。

根据2025年修订的美国联邦税法，符合条件的美国境内研发支出，原则上可以选择在发生当年扣除；而相关境外研发支出，通常仍需要按照规定在15年内摊销扣除。

税法有时要求费用延后扣除，有时又为了鼓励特定投资而允许加速扣除。所以，税收政策既可能保护税基，也可能成为鼓励研发和引导投资的重要工具。

从企业管理的角度看，同样一笔 AI 投入，可能需要同时回答三个问题：

它在经营中创造了多少价值？

它在财务报表中应该怎样确认？

它在税务上又应当什么时候扣除？

由此还可能产生财务利润与应税利润之间的差异，以及递延所得税等问题。

这让我越来越觉得：未来优秀的CFO，不仅要懂技术、懂业务，还要懂得怎样把经营决策、财务会计、税务会计和现金流管理结合起来。

他不只是记录企业花了多少钱。他需要参与决定，企业的钱应该花在哪里，怎样花，以及最终怎样把这些投入转化为可以持续创造的经济价值。

五、可是，AI也是一只吞金兽

不过，对 Anthropic 商业模式的兴趣，并不意味着我对整个 AI 产业没有疑虑。

恰恰相反。

最近一段时间，我越来越关注 AI 产业惊人的资本消耗。

传统互联网企业的发展，也曾经需要巨额资金。但今天前沿 AI 企业的资金需求，无论规模还是持续性，都可能更加惊人。模型需要训练。推理需要算力。算力需要芯片。芯片需要数据中心。数据中心还需要大量电力，以及相应的土地、建筑、网络和基础设施。技术不断进步，资本投入却似乎没有尽头。有时候让人觉得，这简直是一只吞金兽。

而且，AI 快速发展还会影响其他行业。金融、医疗等对安全性、可靠性要求很高的行业，面对越来越自主的 AI Agent，自然会关心系统失误、数据安全以及责任边界。大型数据中心建设，也可能因为电力、水资源、土地使用等问题，遭到当地居民反对。

当巨额资本集中流向少数大型技术项目时，其他企业的融资条件又会受到怎样的影响？这同样值得关注。

当然，我们不能简单地认为 AI 企业资金需求大，就是社会利率降不下来的直接原因。利率受到通胀、货币政策、经济增长等许多因素影响。

但是，资本向大型 AI 项目集中，可能改变不同企业获得资金的能力和价格。所以，我并不认为 AI 的发展只有一片坦途。这些问题，也让我面对 Anthropic 的 IPO 时，没有像今年参加 SpaceX IPO 那样积极。

今年6月，我通过机构配售及零售渠道，参与了 SpaceX 的首次公开发行，获得了几百股股票。后来，SpaceX 的市场价格有涨有跌，甚至一度跌破发行价。我也曾经在价格回落时继续买入。这让我获得了一个很实际的经验：看好一家企业，不代表必须在它上市的第一天，就急着把股票买到手。

一家企业有很好的未来，与今天这个价格是否值得买入，是两个不同的问题。因此，这一次我并不着急。

但是，听完专业交流，再重新研究公开招股资料以后，我又觉得，自己也许不必因为 AI 产业面临巨大挑战，就变得过于悲观。

在我看来，全球 AI 市场其实才刚刚开始。

Anthropic 是一家值得持续研究的公司，它是否能够把巨额算力投入转化为长期、可持续的盈利，也值得认真观察。

于是，我对这家公司重新产生了兴趣。

当然，兴趣归兴趣，投资归投资。

一家好公司的股票，仍然需要一个能够支持合理投资回报的价格。

六、我最值得的AI订阅，竟然不是聊天机器人

说到这里，我又想到了自己日常使用 AI 的经历。

我现在订阅了不少 AI 产品。ChatGPT、Gemini、Grok，还有其他研究和内容创作工具。

Claude 我也曾经使用过一段时间。后来觉得自己订阅的 AI 已经够多了，就没有继续投入太多精力。

听完 Anthropic 的交流以后，我倒想重新认真使用 Claude，看看它在复杂研究和专业工作中，究竟能给我带来多少额外价值。

不过，如果现在有人问我：这么多 AI 订阅，哪一项最值得？

我可能会毫不犹豫地回答：Tesla FSD。每个月一百美元左右。

为什么？因为它实实在在地改变了我和家人的生活。

以前，如果一个地方开车只需要十分钟二十分钟，我会很容易决定出门。但如果需要三十分钟、四十分钟，甚至一个小时，我可能就要想一想。

并不是我不愿意出门。而是开车本身就意味着需要持续付出精力。

更有意思的是，这种犹豫不只发生在我自己开车的时候。即使是家人开车，我坐在车上，也会有同样的心理负担。因为我知道，驾驶员很辛苦。大家一起出去玩，虽然我不用亲自开车，但想到有人需要长时间承担驾驶任务，我并不能完全心安理得。有时候还会想，是不是应该换个人开一段？所以，过去一次远距离的家庭出行，即使大家都很开心，也总有一些需要相互体谅和分担的事情。

现在，有了 FSD 的辅助，情况就不一样了。

需要说明的是，目前的 FSD (Supervised) 仍然要求驾驶员持续注意路况、监督系统，并随时准备接管，并不是完全无人驾驶。但是，从我们的实际体验来说，它确实大大减轻了驾驶任务带来的负担。

现在，不管是我开车，还是家人开车，我对远一些的路程都不再像过去那样犹豫。四十分钟也好，一个小时也好，想去就去了。大家在车里有说有笑，整个气氛都轻松了很多。我也不再总是想着，谁开车辛苦，谁需要休息，要不要换个人开。

它减轻的不只是驾驶员的负担，还有乘客对驾驶员的牵挂。

这一点，我觉得特别有意思。

如果只是计算 FSD 帮驾驶员节省了多少精力，可能还没有完整反映它创造的价值。因为它还改变了我们全家出行的意愿。以前觉得有点远的地方，现在不觉得远了。以前可能因为路程而放弃的活动，现在也愿意参加了。路程没有缩短，目的地没有改变，但我们的生活体验改变了。而且，这种变化还会影响我们的消费和活动选择。

我觉得，这就是一种很真实的 AI 商业价值。

七、Physical AI：我更期待的未来

这也让我重新思考 Anthropic 所关注的知识工作，以及生物医药等专业应用领域。

这些当然是很有前景的方向。毕竟，数字世界里的知识工作，比较容易率先让 AI 参与进来。写代码、处理文件、分析数据、辅助研究，AI 已经能够完成其中不少任务。

但是，我一直觉得，AI 未来还有一个极其广阔的应用空间：Physical AI，也就是能够感知物理世界，并在现实环境中执行任务的人工智能。自动驾驶、工业机器人、具身智能、仓储物流，以及未来可能出现的家庭服务机器人，都属于值得关注的方向。如果 AI 能够可靠地承担更多现实世界中的工作，那么它改变的可能就不只是企业的软件预算，而是整个生产和生活方式。

当然，Physical AI 的难度也更大。一个聊天机器人回答错了问题，我们可以重新提问。但一辆车、一台工业机器人，或者一台家庭服务机器人执行错了动作，可能带来真实的物理损害。因此，Physical AI 需要的不只是聪明的模型，还需要机械、传感、控制、可靠性和安全系统的共同进步。而且，最终谁能从 Physical AI 中获得最多利润，现在还很难判断。是制造机器人的企业？是提供芯片和算力的企业？是开发基础模型的企业？还是那些拥有大量真实应用场景、能够把 AI 规模化部署的企业？它们都有可能创造价值，但不一定能够以相同的方式获得利润。

对于 Anthropic 来说，我也不认为它必须自己制造机器人，才有机会参与这一市场。但它究竟能够在未来 Physical AI 的价值链中占据怎样的位置，仍然需要持续观察。

我自己的 FSD 体验，让我对这个方向有了一种很直观的期待。

当 AI 不再只是帮助人类思考，而是开始可靠地帮助人类完成现实世界中的工作，它的价值可能会更加容易被人们感受到。

当然，这不是说知识工作不重要。而是 AI 的价值，最终应该体现在它究竟帮助我们做成了什么事情。

八、AI到底值多少钱？

回头想想，这几天的经历还挺有意思。

一场专业投资交流。

一个总劝我去喝咖啡的 Gemini 助理。

一位让我重新认识 AI 商业模式的 CFO。

一家需要持续投入巨额资本、又拥有广阔增长空间的 AI 企业。

以及我每个月心甘情愿支付一百美元左右的 FSD。

这些事情看起来相距很远。

但仔细想想，其实都在回答同一个问题：

AI到底为我们创造了什么价值？

对于 Gemini，我希望它在我开会的时候好好陪我工作，而不是不停提醒我去喝咖啡。

对于 Anthropic，我关心的是它能否真正帮助企业完成更多、更复杂的任务，并把这种价值转化为持续的收入和利润。

对于 CFO，我关心的是他能否理解技术、业务、财务和税务之间的关系，把每一笔巨额投入变成有经济意义的决策。

对于投资，我关心的是技术创造的经济价值，最终能否支持企业巨大的资本需求和市场估值。

而对于 FSD，我的答案反而非常简单。它让我和家人更愿意出门了。

有时候，我们谈论 AI，容易谈到很大的事情。全球市场、算力、模型、资本支出、IPO、未来估值……这些当然都重要。但是，当我们真正拿出自己的钱，为某项技术持续付费时，心里往往还有一本更加朴素的账。

它究竟有没有让我生活得更好？

有没有帮助我完成原来觉得麻烦的事情？

有没有真正减少那些看不见、却始终存在的负担？

对于不同的人，这些问题可能有不同的答案。

至于我，最近倒有了一个挺好玩的发现。

Gemini 总想让我放下工作，去喝杯咖啡，欣赏雨后的花园。

而 FSD 什么也不劝，却让我更容易带着家人出门，真正去享受生活。

哈哈哈！

看来，一位真正好的 AI 助理，不一定是最会劝你享受生活的那个。

也许是那个真正帮你把生活中的麻烦减少了，让你有更多心情去享受生活的。

⸻

贠玉玲博士｜Dr. Yuling Yun

加菲虎看世界 · Jiafihu Sees the World

本文为个人生活观察、财务分析与投资思考，不构成投资、税务或会计专业建议。

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com

导言：S-1 招股书未言明的关键变量

当 Anthropic 披露其年化运行营收（Run-rate Revenue）突破 810 亿美元、跨入公开资本市场的大门时，资本市场的注意力几乎全部聚焦在两个极具张力的数据节点上：一边是公司从 2023 年第一季度实现第一美元营收起步，在短短两年半多时间内营收实现超过 320 倍的指数扩张；另一边则是其 S-1 招股说明书承诺表中赫然在目的 9000 亿美元未来算力支出承诺 。

对于习惯了传统软件企业财务报表的分析师与企业首席财务官而言，9000 亿美元的承诺很容易被直接解读为沉重的刚性负债压力。传统软件经济学信奉的是“轻资产、高预收、线性的资本开支与稳定的席位费扩容”。然而，前沿人工智能实验室的底层逻辑已截然不同。

在摩根士丹利高管与 Anthropic 首席财务官 Krishna Rao 的深入对谈中，一份远比标准财务表格鲜活且立体的商业账本浮出水面。这场对话揭示了一个正在企业级市场真实发生的核心变局： 传统的成本效益分析（Cost-Benefit Analysis）与会计框架正在遭遇前沿 AI 的剧烈挑战。 从企业内部仅 0.1% 的费用渗透率，到代理工具驱动下高达 20 倍的单人开支鸿沟，再到毛利率在一年时间内由 29% 飙升至 85% 以上的工程质变，前沿 AI 的真实经济图景远比招股书公开披露的静态数字更加宏大与深刻。

1. 拆解 9000 亿美元算力承诺：资产负债表负担，还是“延迟绑定”的柔性期权？

在公开招股书的法定合同义务披露中，巨额承诺表往往呈现出不可撤销的刚性特征。但在实际运营中，这笔巨额算力池的设计机制包含了极其深度的资本结构考量与时间对冲策略。

Anthropic 在基础设施采购上并非机械地签下刚性付款账单，而是将 9000 亿美元的结构进行了精细的风险切割与时间平摊：

* 资金支出时间分布 ：在 9000 亿美元总算力采购承诺中，仅有 700 亿美元 发生在未来 12 个月内，而约有一半的算力上线时间排在 2030 年之后 。

* 条款弹性与或有条件 ：承诺总额中有 2140 亿美元 带有明确的上线交付与履约或有条件（Contingency），完全取决于算力集群何时能够实际通电交付。

* 供应链合约的分层设计 ：公司一方面与超大规模云服务商（Hyperscalers）签署 4 至 6 年期的弹性云算力协议；另一方面通过自营基础设施业务（Anthropic Direct）签署 15 至 20 年期的数据中心场地长期租约。

* “后期绑定承诺”（Late Binding Commitments）的核心机制 ：管理层并未在初期就将资金一次性锁死，而是提前锁定长周期瓶颈物理资源，将最终的大额资金清算推迟至终端需求信号与研发投资回报率（ROI）得到充分验证时再行执行。

管理层在财务管理中引入了所谓“不确定性锥体（Cone of Uncertainty）”的规划逻辑。随着时间轴向远期延伸，市场对算力的真实需求分布会急剧拓宽。面对这种非线性特征，Anthropic 并未采取盲目预付全部资金的做法，而是通过两步走策略平衡规模与风控：

* 提前锁定长周期物理瓶颈 ：变电站容量、电网接入许可、数据中心物理外壳等要素通常具备长达数年乃至十余年的建设交付周期。通过签署 15 至 20 年期的自营租约与超大规模云厂商协议，企业得以在全球电力与基建紧缺周期中确保长远发展的入场券。

* 延迟绑定核心资本开支 ：通过自主采购长周期关键机械与硬件组件，公司将绝大部分采购金额的最终确定权保留在后方。只有当客户业务信号清晰、大模型研发的边际产出得到验证时，资金才会真正落地绑定。

与这笔承诺相匹配的是极其充裕的流动性储备：公司资产负债表上拥有超过 1300 亿美元的现金及等价物 、 150 亿美元尚未动用的循环信贷额度 ，以及未来几年内主要依据公司自身意愿决定是否提取的 820 亿美元战略合作伙伴增资承诺 。这表明，9000 亿美元并非一场无视流动性的激进下注，而是一组用充裕流动性托底、按需逐步行权的增长期权。

2. 0.1% 的企业渗透悖论：从 75 美元到 1500 美元，AI 如何瓦解传统财务会计

目前，财富 500 强中已有超过 50% 成为 Claude 的付费企业客户，全球 2000 强企业中的渗透率也已超过 30%，年化支出超过 10 万美元的企业级客户达到 11,900 家，较年初增长近 8 倍。然而，对谈中披露的微观客户画像却展现出极大的反差：

“在我们的财富 500 强客户中，其在 Claude 上的开销平均只占其公司总费用基数（Expense Base）的 0.1%；即便是在支出最高的前 10 家财富 500 强客户中，这一比例也依然低于 1%。”

这个 0.1% 的数据精准揭示了为什么企业决策者普遍感知到 AI 渗透才刚刚拉开序幕：

(1) 预算形态的冲突：静态席位制 vs 动态 Agent 算力池

传统企业财务部门最擅长管理的是 SaaS 软件的固定支出：每个员工每月 30 美元，全员按月摊销，预算边界极其清晰。但在大模型的真实企业应用中，员工使用深度的不同会引发开销的巨大分化：

* 轻度日常用户（单轮对话问答） ：企业内部仅将 Claude 作为信息检索、邮件润色或会议纪要助手的非代码用户，人均月度支出大约维持在 75 美元 左右。

* 深度自主代理用户（Claude Code 及工程 Agent） ：排名前 5% 的深度开发人员，人均月度支出直接跃升至 1500 美元 。两者相差整整 20 倍 。更关键的是，这个高额支出的超级用户群体在单季度内环比增长了 50% 。

(2) 传统会计的迷思与重塑：从名义 Token 价格到“任务综合落地成本”

在传统财务视角下，一个人每月在单一软件上消耗 1500 美元算力往往会触发预算超支警报。然而，在成熟企业的实际运营中，这笔成本效益账展现出完全不同的逻辑：

* 单任务交付成本（Landed Cost per Task）替代名义单价 ：低价模型如果生成了大量带有技术债务的代码，导致工程师反复调试数小时，其最终隐形成本将极其高昂。现代企业买家开始综合考量提示词缓存命中率（Prompt Cache Rate）、代码缺陷率（Defect Rate）以及单项复杂任务实际跑通的综合成本。

* 对高薪人力与外部咨询的非对称替代 ：一个月花费 1500 美元（年化约 1.8 万美元）的 Claude Code，对标的是年薪数十万美元的高级全栈工程师。如果它能让一名工程师的代码提交量提升 110% （正如拉美电商巨头 Mercado Libre 所验证的数据），那么这笔开支在经济实质上是一笔投资回报率极其惊人的高收益资本投入，而非简单的办公软件消耗。

“今天的超级用户，就是明天的中位数用户。”当企业各业务条线的普通员工逐步掌握多步骤 Agent 工具，其开销从每月 75 美元向数百乃至上千美元迁移时，企业支出基数中那看似微不足道的 0.1%，将迎来几何级数的扩张空间。

3. 生产力工具的质变：代码只是序幕，40 万亿美元知识工作的重构

市场上有一种常见的狭隘认知，认为大模型的主要价值仅仅局限于辅助程序员写代码。但对谈中明确指出，软件工程只是自主代理技术最容易落地的先锋试验场，其后方依托的真正宏观市场，是全球每年总价值高达 40 万亿美元的知识工作（Knowledge Work）成本池 。

从商业实践来看，Agent 向更广泛业务流程扩散的速度甚至超过了软件工程自身：

全员协同的业务流程改造（Claude CoWork）

以拉美电商巨头 Mercado Libre 为例，其数字化演进展现出经典的扩散路径：

* 第一阶段：2.3 万名软件工程师全面接入 Claude Code，工程效率大幅提升，代码提交量激增 110%；

* 第二阶段：工程部门的成功迅速引发全公司范围的采购共鸣，企业随即采购并铺开了 26500 个 Claude CoWork 席位 ；

* 第三阶段：在财务部门，工作人员利用协作代理自动化处理账目校验与数据对齐，直接将 全公司月度财务结账周期缩短了整整三分之一 。

在同等发布周期下，面向通用办公与业务协同的 Claude CoWork，其企业采纳与席位扩张速度已经全面超越了最初的 Claude Code。

垂直领域的生产级渗透

* 全天候网络安全自主防御 ：金融基础设施与大型机构正逐步从“被动告警”转向“全天候自主修复”。生态合作伙伴借助模型部署的防线已在企业代码库中排查并加固了超过 12.9 万个安全漏洞 。

* 生命科学新药研发管线 ：在每年规模达 2 万亿美元的制药工业中，只有不到 10% 的一期临床药物能够最终获批，且目前全球仅有约 25% 的已知疾病存在成熟疗法。礼来（Eli Lilly）与百时美施贵宝（BMS）的研究人员正通过 Claude Science 探索前所未见的新型分子结构，直接切入核心药物研发流程。

4. 算力乘数与芯片调度：毛利率从 29% 飙升至 85% 的底层工程秘密

在绝大多数重资产基础设施行业中，毛利率在一年时间内发生数十个百分点的跨越几乎是不可想象的。然而，Anthropic 的财务数据显示，公司在 2025 年前九个月的毛利率仅为 29% ，而到了 2026 年前九个月，毛利率直接跃升至 85% 以上 。

这种经济模型的飞跃并非来自对企业客户的提价，其底层驱动力完全来自于技术层面的“算力乘数”（Compute Multipliers）。通过对算法与底层调度的双重改造，公司的经营效率展现出四个维度的同步升级：

* 综合毛利率的质变飞跃 ：从 2025 年前九个月的 29% 跨越至 2026 年同期的 85% 以上，本质上是由模型算法改进带来单位推理成本的断崖式下降驱动的。

* 算力资源的倾斜重配 ：在支撑高速业务增长的同时，公司实现了将 75% 的算力全面倾斜于前沿研发（R&D） ，仅用剩余 25% 的算力即可完全满足所有客户的推理调用。

* 单任务交付成本的自我革新 ：以主力模型 Opus 5.5 为例，公司在保持利润率中性的前提下，主动将 单任务执行成本降低了 40% ，以更低的门槛换取市场更广泛的深度采纳。

* 异构硬件的统一弹性调度 ：从早期的单一主流架构，升级为能够同时统筹调度四大芯片架构平台，并在 1 小时以内的周期内进行动态重分配。

异构硬件调度与单一可替代算力池

行业惯例通常是将训练和推理系统深绑在单一 GPU 架构上，而 Anthropic 构建了统一的跨架构调度层：

* 四大多元芯片平台 ：同时纳入 AWS Trainium、Google TPU、NVIDIA GPU 以及 AMD GPU（MI450） ；

* 亚小时级动态调度 ：调度系统在 1 小时以内的细粒度周期内，根据不同模型的计算图特性与即时性要求，动态把训练或推理负载指派给性价比最高的计算单元；

* 自研模型反哺芯片适配 ：在接入 AMD MI450 平台的过程中，绝大多数底层的芯片点亮与核心 bring-up 内核代码，均是由 Claude 自行编写完成的。

内部自驱动与递归式自我提升（RSI）

公司内部数据显示，Anthropic 内部已有 90% 的生产代码由 Claude 编写 ，员工在非模型训练领域的日常 Claude 使用量在一年内暴增了 250 倍 ，推动公司年化全员人均产出营收达到惊人的 660 万美元 。当模型开始规模化编写芯片驱动、发现更高效的训练算法时，技术研发便进入了指数级闭环。

5. 安全作为非对称商业护城河：从 Project Glasswing 到企业级信任

在以季度业绩为考核核心的商业世界中，安全承诺往往被误认为是拖慢商业变现速度的合规负担。Anthropic 在旗舰模型 Mythos 上的决策过程，提供了一个反直觉的商业案例：

* 商业诉求与战略克制的冲突 ：Mythos 展现出跨代际的能力跃迁，尤其在网络攻防对抗基准上呈现出断层式领先。若从单纯追求短期营收最大化的角度出发，最直接的做法是将模型立即全面开放给市场，收取高昂的调用费。

* 受控披露（Project Glasswing） ：公司管理层顶住商业诱惑，选择不向公众盲目分发，而是通过设立“Glasswing 项目”，定向提供给网络防御机构与受信任的行业伙伴。在长达数月的时间里，合作伙伴利用其能力先行为关键信息网络排查并修复了 12.9 万个潜在漏洞。

* 安全护栏的商业反哺 ：在漏洞修复与防御体系完善后，安全团队将提炼出的防御对齐能力蒸馏应用到商业模型中，使得后续公开发布的 Opus 5.5 在 Exploit Bench 测试中取得了 91% 的极高防御得分。

正如 CFO 所言：“在今年初，没有任何人把这套曲折的决策写在既定规划里。”这种克制虽然在发布当季看似牺牲了部分即期收入，却彻底打消了受强监管制约的顶级跨国银行、医疗机构与国防承包商的顾虑。在关乎核心机密的严肃商业场景中， 安全性与透明度不仅不是合规成本，反而成为了最难被竞品复制的商业护城河 。

这种文化韧性同样映射在组织架构层面：公司创立时的全部 7 位联合创始人至今无一离队，且全部处于全职一线领导状态；在硅谷极度激烈的算力与人才争夺战中，公司过去一个月的员工非自愿及令人遗憾的离职率（Regrettable Attrition）仅维持在 1% 的极低水平。

6. 结语：超越传统 SaaS 估值体系的新物种

Anthropic 的 S-1 与公开路演实录向投资者抛出了一个根本性议题： 前沿 AI 企业无法套用任何一种既有的科技公司估值框架。

它既不是轻资产、边际成本几乎为零的纯软件 SaaS，也不是重资产、赚取固定电费与机架利差的数据中心运营商。它在物理层以千亿美元级的合约锁定最底层稀缺的能源与硅片资源，却在逻辑层依靠代码自迭代与算力乘数实现高达 85% 的强劲毛利；它在名义上向企业销售计算 Token，实质上却在以极具不对称性的高投资回报率，深度置换并赋能企业原本必须消耗在传统人力与外包流程中的巨额知识工作预算。

对于每一位关注 AI 商业演进的投资人与企业决策者而言，死守传统的名义 API 单价与固态席位预算无异于刻舟求剑。唯有理解单任务落地成本、拥抱自主代理在业务深水区的扩散规律，并洞察底层算力调度所构筑的工程壁垒，方能在这一轮波澜壮阔的智能产业重塑中看清真正的价值中枢。

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com

【贠博士】 最近黄仁勋的事情闹得沸沸扬扬。一个站在全球 AI 产业中心的人物，突然卷入了这么复杂的一场风波。

【彭博士】 是啊，私生活、公司治理、国家安全、政治，各种问题一下子都来了。

【贠博士】 有些事情已经确认，有些还在调查。我不想跟着各种传闻跑，更不想猜测谁在背后做什么。不过，看着这么多人物陆续登场，我突然想起了《冰与火之歌》。

【彭博士】 哈哈哈！黄仁勋跟《冰与火之歌》有什么关系？

【贠博士】 不是说他们有什么关系，而是这件事让我想起书里一个特别荒诞的制度：比武审判。

【彭博士】 《冰与火之歌》，就是后来拍成电视剧《权力的游戏》的那套小说吧？

【贠博士】 对。我研究这套书十几年了，里面有个人物，叫提利昂·兰尼斯特，外号“小恶魔”。他出身于维斯特洛最有权势的家族之一，身材矮小，却聪明绝顶，特别懂得人性。

【彭博士】 我记得这个人。他很会说话，也很会用钱。

【贠博士】 书里有一句描写特别精彩，大意是：提利昂用黄金购买忠诚，借助自己的姓氏迫使别人服从。

【彭博士】 黄金是钱，姓氏是权势。

【贠博士】 没错。他姓兰尼斯特，家族富可敌国。可是这么一个深谙权谋的人，竟然两次要靠别人替他打架，来决定自己能不能活下去。

【彭博士】 为什么？

【贠博士】 因为在那个虚构的世界里，有一种制度，叫比武审判。你被指控犯了罪，可以要求通过决斗，由神明裁定是非。你赢了，就算证明了自己的清白；输了，就可能丢掉性命。

【彭博士】 哈哈哈！这不是谁打架厉害，谁就有理吗？

【贠博士】 更荒诞的是，你还可以找别人替你打！

【彭博士】 这就有意思了。替你打的人，凭什么拿自己的命替你冒险？

【贠博士】 这恰恰是我想说的。

【彭博士】 那提利昂第一次是谁替他打？

【贠博士】 一个叫波隆的佣兵。

【彭博士】 佣兵？就是拿钱替人打仗的？

【贠博士】 对。但是千万别小看佣兵！乔治·马丁笔下的佣兵，绝不是只会拿刀砍人的莽夫。

【彭博士】 他们有什么特别的？

【贠博士】 我先给你讲一句书里的名言。另一位老佣兵，外号“棕人本”，说过一句话：

“有年老的佣兵，也有大胆的佣兵，但没有既年老又大胆的佣兵。”

【彭博士】 哈哈哈！什么意思？佣兵胆子大，就活不长？

【贠博士】 你想，一个人靠打仗卖命，经历那么多危险，还能活到老，靠的是什么？只有武艺可不够，还得有脑子，懂得看局势、识风险，知道什么时候该拼命，什么时候该收手。

【彭博士】 所以能活下来的老佣兵，都是狠角色。

【贠博士】 波隆就是这样的人。他原本只是个四处谋生的佣兵，却非常精明。

【彭博士】 他怎么遇到提利昂的？

【贠博士】 提利昂第一次接受比武审判，是在鹰巢城。当时他被关押，面对的是可能要他命的审判。需要有人替他出战，可谁愿意为一个处境危险的囚犯冒险呢？

【彭博士】 然后波隆站出来了？

【贠博士】 对！波隆主动提出替他打。

【彭博士】 为什么？他跟提利昂有交情？

【贠博士】 没有什么值得拿命相报的深厚交情。但波隆看见了机会。

【彭博士】 什么机会？

【贠博士】 提利昂虽然被关起来，却仍然是兰尼斯特家族的人。波隆如果打赢，救下这样一个人，将来可能得到的回报，远不止一笔佣金。

【彭博士】 所以，他赌的不是一场比武，而是自己今后的前途。

【贠博士】 哈哈哈！正是如此。更何况，波隆不只是会打，他还特别会观察对手。他面对的是一个装备精良的骑士，却利用对手沉重的铠甲消耗他的体力，最后赢了。

【彭博士】 提利昂获救了。

【贠博士】 波隆也从此进入了兰尼斯特家族的权力世界。后来，他跟随提利昂，立下战功，还被封为骑士。

【彭博士】 看来他这笔投资回报不错啊！

【贠博士】 哈哈哈！但你先别急，波隆后面的故事更有意思。

【彭博士】 怎么了？

【贠博士】 提利昂第二次面临比武审判，是因为被指控谋杀国王乔佛里。这次替控方出战的，是一个身材巨大、凶残又极其强悍的骑士，人称“魔山”。

【彭博士】 那提利昂不是又该找波隆了吗？

【贠博士】 找了。可是这一次，波隆拒绝了。

【彭博士】 啊？第一次主动替他打，第二次反倒不肯了？

【贠博士】 因为局势变了！对手是魔山，危险大得多。而且，波隆已经有机会娶一位贵族女子，进入贵族家庭，将来甚至可能得到城堡和领地。

【彭博士】 这么好的前途，何必再去跟魔山拼命？

【贠博士】 正是！你再想想棕人本那句话。波隆不是不敢冒险，他是懂得什么时候不值得冒险。

【彭博士】 这个人还真聪明。

【贠博士】 更有意思的是，他后来真的娶了那位贵族女子洛丽丝。洛丽丝曾经遭受暴力侵害，并因此怀孕。波隆知道孩子不是自己的，仍然接受了这桩婚事。

【彭博士】 他看中的是这桩婚姻背后的身份和继承机会？

【贠博士】 至少这是他明确考虑的重要因素。后来洛丽丝生下孩子，家里原本想给孩子取名“泰温”，就是提利昂那位权势显赫的父亲。结果泰温的女儿瑟曦听了，大为恼火，不准用这个名字。

【彭博士】 那最后叫什么？

【贠博士】 哈哈哈！波隆亲自给孩子取了个名字：提利昂！

【彭博士】 哈哈哈哈！这不是故意气瑟曦吗？

【贠博士】 瑟曦当然气坏了！后来还牵出一场想除掉波隆的阴谋。可结果呢？波隆在决斗中杀死了想害他的人，把与自己争夺权力的亲戚赶出了城堡。

【彭博士】 这家伙还真不是善茬！

【贠博士】 当然不是。他的手段可以相当残酷。但从他自己追求的目标来看，他确实一步一步改变了命运。到已出版的小说后期，他已经以史铎克渥斯堡的领主自居了。

【彭博士】 从一个四处谋生的佣兵，到拥有城堡和领地的人！

【贠博士】 所以我说，千万别小看佣兵。波隆不是忠诚地跟随提利昂一辈子，而是借着一个又一个机会，走出了自己的路。

【彭博士】 那第二次，提利昂最后是谁替他打的？

【贠博士】 红毒蛇！

【彭博士】 红毒蛇？

【贠博士】 他叫奥柏伦·马泰尔，是多恩的亲王。这个人我特别喜欢。他聪明、幽默、放荡不羁，说话有点痞，有时候像在开玩笑，实际上心里明白得很。

【彭博士】 一个亲王为什么要替提利昂出战？他又不缺钱。

【贠博士】 因为他有自己的仇要报。他的姐姐伊莉亚，多年前在君临陷落时惨遭杀害，两个孩子也没能幸免。魔山正是与这场惨案密切相关的人。

【彭博士】 原来如此。提利昂的比武审判，让红毒蛇终于有机会面对仇人。

【贠博士】 正是！红毒蛇主动提出替提利昂出战。但他和提利昂的目标完全不同。

【彭博士】 提利昂要活命，红毒蛇要复仇。

【贠博士】 而且红毒蛇不只是要杀死魔山。他还要魔山承认当年的罪行，说出究竟是谁下的命令。

【彭博士】 我想起来了！那场决斗，红毒蛇不是已经快赢了吗？

【贠博士】 是啊！他身手敏捷，利用长矛和毒药占据上风，魔山已经倒下了。可他不肯就此结束，一再要求魔山认罪。

【彭博士】 结果被魔山抓住机会，反杀了。

【贠博士】 红毒蛇死了，提利昂的比武审判也输了。

【彭博士】 哎呀！提利昂得多冤啊！明明都快赢了！

【贠博士】 所以你看，同样是替提利昂出战，波隆和红毒蛇，心里想的根本不是同一回事。

【彭博士】 波隆想改变自己的前途，红毒蛇想为姐姐复仇。

【贠博士】 提利昂想活命。

【彭博士】 可偏偏是另外两个人的选择，决定了他的生死。

【贠博士】 还有一个细节特别重要。两次都是别人主动提出替提利昂出战，不是提利昂从一群忠心耿耿的人里挑出最好的那个。

【彭博士】 换句话说，提利昂不是在挑选代理人，而是这些代理人看中了提利昂带来的机会。

【贠博士】 对！所以我研究这两场比武十几年，一直觉得其中有一种特别荒诞的意味。

【彭博士】 什么意味？

【贠博士】 代理人首先是为了达成自己的目标，顺便决定被代理人的命运。

【彭博士】 哈哈哈！这个“顺便”可真够要命的！

【贠博士】 你想，提利昂的生死，对他自己来说是天大的事。但对波隆而言，这是改变人生的机会；对红毒蛇而言，这是实现复仇的机会。

【彭博士】 提利昂是自己故事里的主角，却可能只是别人故事里的一个机会。

【贠博士】 对！而且代理人可不是没有脑子、任人指挥的小角色。他们有自己的实力，有自己的判断，也有自己的目标。

【彭博士】 说到这里，我好像理解你为什么想到黄仁勋了。

【贠博士】 是啊。黄仁勋在自己熟悉的技术和商业领域取得了巨大的成功。但当一件事情同时涉及政治、监管、法律、公司治理和公众舆论时，接下来会发生什么，就不是他一个人能够决定的了。

【彭博士】 而且其他参与者不一定是在替他做事。

【贠博士】 当然不是！这只是文学上的类比。现实中有不同的制度和程序，也不能把每个人都叫作他的代理人。但他们可能各自有自己的职责、立场和目标，而他们的行动，又可能影响同一个人的命运。

【彭博士】 有人关心国家安全，有人关心企业治理，有人关心市场，也有人关心政治。

【贠博士】 对。每个人究竟有什么动机，我们不一定知道。更何况，现在有些事情还没有查清楚。我们何必急着进入别人的叙事，替谁下结论呢？

【彭博士】 可是，这场风波最后究竟谁赢、谁输？

【贠博士】 哈哈哈！我不知道。

【彭博士】 你研究企业战略这么多年，又研究《冰与火之歌》十几年，也不知道？

【贠博士】 正因为研究得多，才知道自己看见的东西有多有限。一个人是立体的，我们看到的往往只是一个侧面。一场风波也一样，我们看到的只是其中一部分。

【彭博士】 所以，结局还真不好猜。

【贠博士】 要不，咱们掷个硬币？

【彭博士】 哈哈哈！这也太不科学了吧！

【贠博士】 那你说怎么办？

【彭博士】 至少我们今天聊明白了一件事：你以为别人是在替你打仗，其实别人可能是借着你的战场，打自己的仗。

【贠博士】 对。而且别人未必在意，你最后会怎么样。

【彭博士】 所以，你的命运，只是别人的“顺便”。

【贠博士】 哈哈哈！马丁真是个了不起的作家！

【彭博士】 不过话说回来，波隆现在有城堡了，红毒蛇却死了。照棕人本的说法，波隆是不是更懂得当佣兵？

【贠博士】 哈哈哈！他们想要的东西就不一样，怎么比较呢？波隆想过上好日子，红毒蛇要为姐姐讨回公道。

【彭博士】 那提利昂呢？

【贠博士】 提利昂啊……他只是想活下来。

【彭博士】 结果偏偏最不能决定自己命运的，就是他！

【贠博士】 哈哈哈！这才叫《冰与火之歌》！

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com

一场迟到半个世纪的致敬

前几天读到 Jeff Weiss 写的一篇关于嘻哈文化奠基者的长文《Hip-Hop Has No Social Security》（嘻哈没有社会保障）。文章记录了在拉斯维加斯举办的第四届”全额支付基金会”（Paid in Full Foundation）大奖现场。台上星光熠熠，台下每手下注上百美元的扑克赌局照常喧嚣，而站在聚光灯下的，却是一群早就该被历史厚待、却险些被彻底遗忘的老人。

1979 年，一首时长 15 分钟的单曲《Rapper’s Delight》席卷全球，卖出数百万张，第一次让嘻哈这种来自街头的亚文化登上公告牌排行榜的前列。但这首歌的原罪在于：演唱它的”糖山帮”（Sugarhill Gang）成员 Big Bank Hank，进录音棚前不过是在新泽西比萨店打工的服务生。他在录音室里念出的惊艳韵脚，完全是照抄了 Grandmaster Caz 的笔记本——甚至连 Caz 在歌词里拼写自己名字的那句”C-A-S-A-N-O-V-A”，Hank 连改都没改，一字不漏地念了出来。

这首歌开创了价值数千亿美元的商业帝国，但真正写出歌词的 Caz 没拿到一分钱版税，也没有署名。四十年间，他一直住在纽约的廉租房里，而掠夺者背后的黑帮大佬 Morris Levy 雇佣着带枪打手，在录音室里堵住维权的艺术家，冷冷地抛下一句：”就算你赢了官司，你也输定了。”

直到 2026 年的拉斯维加斯，白发苍苍的 Caz 才第一次和被盗用采样旋律的 Chic 乐队同台，真正以自己的名字唱出当年写在泛黄笔记本里的字句。

这种”开拓者负责流血，掠夺者负责数钱”的故事不是孤例。嘻哈公认的发明人 Kool Herc，在 2011 年因为没有医疗保险，不得不上网公开募捐来做肾结石手术；西海岸说唱教父级的词作者 The D.O.C. 在车祸声带受损后，用天才的笔触托举了整个黄金时代的传奇唱片，版权却被仅用一条金项链换走，承诺的厂牌股权化为乌有；更早之前的爵士乐奠基人 King Oliver，晚年在台球馆当扫地工，死时贫病交加，全靠姐姐挪用房租才得以安葬。

“池塘法则”：资本从不讲先来后到

这让我想起皮克斯动画《跳跳蛙》（Hoppers）里那条荒诞却残忍的”池塘法则”（Pond Rule）——”能吃的时候，只管吃”（Eat what you can, when you can）。

在丛林法则里，弱小者似乎天生就是为了被端上餐桌的”胖德肉”（Pond Meat）。捕食者在撕咬猎物时从不觉得自己残忍，在它们的逻辑闭环里：你不吃，别人也会吃；这块肉长在这里，宿命就是被吃掉。

商业世界里的食肉者，不过是把这套兽性穿上了笔挺的西装。

电影《大创业家》（The Founder）里最扎心的一幕，是麦当劳兄弟被雷·克洛克（Ray Kroc）一步步扫地出门的瞬间。麦当劳兄弟是天才的工匠——他们在网球场上用粉笔一遍遍画出极致高效的厨房动线，发明了”快速服务系统”，设计了标志性的金拱门，把汉堡制作改造成工业文明的艺术品。

但克洛克用商业合同、地产杠杆和无情的背叛夺走了一切。兄弟俩退守到最初的一家老店，甚至被法律禁止在招牌上使用自己的姓氏”McDonald’s”。随后，克洛克直接在马路对面建了一家全新的麦当劳，用资本打垮了老店。电影结尾，兄弟俩看着镜子里空洞的眼神，那种无力与绝望，至今让人脊背发凉。

强盗的自我洗白：”就算不抢，你也做不大”

面对这种掠夺，总有一种极其普遍、也极其虚伪的论调跳出来为食肉者辩护：

“如果没有雷·克洛克，麦当劳充其量就是加州路边一家汉堡摊；没有商业运作，嘻哈也走不出布朗克斯的街头公园。就算不被拿走，他们也做不大。”

“做不大”，什么时候成了一种活该被掠夺的原罪？

谁规定了衡量一种创造的唯一尺度必须是无限的规模扩张？麦当劳兄弟最初的理想，不过是守着一家高品质、受邻里喜爱的餐厅；Grandmaster Caz 最初的心愿，不过是用最惊艳的韵脚让街区公园里的年轻人跳舞。

所有后来者引以为傲的”从 1 到 100”的资本狂欢，哪一个不是踩在开拓者”从 0 到 1”的骨肉之上？掠夺者最卑劣的地方在于：他们不仅抢走了果实，还要在舆论和叙事上把原作者贬低为”缺乏商业头脑的宿命弱者”。他们把背叛包装成”商业魄力”，把洗劫美化成”优胜劣汰”。

叹息之后，我们还能做什么？

面对这架高速运转、不断吞噬创作者的庞大商业机器，普通人往往只能发出一声叹息。但若每一次都以”自古以来皆是如此”的宿命论作结，遗忘就会成为掠夺者的共犯。

* 抢夺叙事权，不让真正的名字被抹去：资本擅长造神，更擅长销毁档案。正如记录下早期嘻哈视像档案的 Ralph McDaniels，或是写下这篇长文的记录者一样——每一次追问”这首歌到底是谁写的”、”这个系统到底是谁发明的”，都是在剥离掠夺者脸上的神圣光环。

* 行业反哺与制度自救：Paid in Full 基金会的动人之处，在于它不是施舍，而是后辈同行在偿还历史欠下的债。Nas、Ice Cube 这些后来通过商业成熟获得财富的巨星，回过头来给老将们买下房子、付清医疗账单。这说明血泪不会白流，它逼着一代代创作者学会拿起法律武器、抱团建立工会、捍卫版权所有权。

* 拒绝做麻木的食客：在这个平台抽成、算法掠夺、AI 零成本无授权抓取人类创作者成果的新时代，我们每天都在消费被机器拆解的”知识与艺术”。当我们为作品付费、当我们选择支持独立创作者的渠道、当我们对幕后的署名保持敏感时，我们就是在用每一次注视，为文明投票。

人类之所以建立法律、道德、版权和社会保障，初衷正是为了让社会不再沦为一个任由大鱼吃小鱼的野蛮池塘。

不要轻易相信那些被推向台前的所谓”商业神话”。当金拱门再次在黄昏中亮起，当一段风靡全球的旋律在耳机中回荡，别忘了在那耀眼的光环背后，曾经有人借出了自己的笔记本，却穷尽一生，才终于等来迟到半个世纪的署名。

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com

近期，a16z 领投了具身智能公司 Tutor Intelligence 的 B 轮融资。在双足人形机器人概念火热与基础模型参数竞赛的背景下，Tutor 拿出了一种极其务实、甚至略带“复古”的打法：用单臂和双臂轮式机器人进驻仓储与制造流水线，由远程人类操作员（Tutors）辅助接管，按小时向工厂收取服务费。

很多人第一反应是：这不就是早期的远程无人外卖车、送餐机器人换了个工业外壳吗？当一家公司亲自制造硬件、垫资租赁，并在后端配置远程人工接管时，难道不会沦为一个极度沉重的“重资产黑洞”？

更深层次的问题在于：客户希望机器人做简单、稳定、不挑活的重复性劳作；而机器人公司却迫切希望它遇到“麻烦”、干不同的活，因为只有麻烦越多，机器人的具身大脑才能进化得越快。

我们将透过 a16z 的投资备忘录与深入的产业逻辑，从商业模式新旧之争、具身智能的 BOT 演进框架、智能进化的速率生死线，以及供需双方的“长脑子悖论”与数据主权五个维度，全面拆解这场关于物理世界智能落地的硬核博弈。

一、外表看似“旧瓶”，内核实为“逆向飞轮”

远程接管加 RaaS（机器人即服务）的模式并不新鲜。送餐与低速无人配送领域早已尝试过“按需计费 + 后端监控”。但大多数低速移动机器人陷入了单位经济模型（Unit Economics）的死局，而 Tutor 却被顶级风投视为破局者，核心原因在于底层逻辑的置换：

* 场景价值与支付意愿的天壤之别：送餐机器人替代的是餐厅服务员端盘子，客单价被压得极低，根本无法覆盖传感器折旧与人工远程监控成本。而仓储物流中的拆垛、码垛与精细拣选（Case Picking / Each Pick），是长期困扰制造业的痛点，工伤率高、招工荒严重。工厂愿意为稳定的工时支付每小时 14~18 美元的预算，足以支撑前期的混合运营。

* 远程操作性质的逆转：以往的远程接管是系统算法缺陷的“运营包袱”；而在 Tutor 这里，远程操作员被称为“导师（Tutor）”。他们的每次干预、示教与纠偏，都在直接产出极度稀缺的高价值多模态物理交互数据。

* 逆向研发路径：大多数具身智能公司选择先在实验室里烧数千万美元炼通用模型，再去碰运气找场景。Tutor 则是直接让硬件带着人类示教进场，第一天就替客户创造业务价值，用真实产线工况反向训练自研的基础模型（Foundation Models）。

二、重资产质疑：具身智能时代的“BOT”破局

自己造机器人、垫付制造资金、按小时租给工厂——这种模式如果不做精细化设计，公司必然会被庞大的固定资产折旧拖垮。

如果借用基础设施工程的 BOT（Build-Operate-Transfer，建设-运营-移交） 框架来审视，具身智能落地正在形成一种全新的资金周转闭环：

* 极速 Build（部署压缩）：传统工业集成商需要几个月时间调试，Tutor 通过高度标准化的软硬件（Cassie 单臂与 Sonny 双臂共用核心架构），将进场部署时间极限压缩到了 8 小时至 40 天。

* 低成本 Operate（混合运营）：在运营阶段，机器人执行已有策略，人类进行一对多的异常纠偏。同时，通过自建拥有 100 台 Sonny 机器人的数据工厂（DF1）密集刷经验，加速模型成熟。

* 加速 Transfer（资产出表与买断）：Transfer 的速度是解决重资产泥潭的解药。 一旦机器在产线稳定运转、客户验证了 ROI，便可通过“租转售（Lease-to-Own）”或设备租赁金融基金（SPV）将硬件买断。硬件资产转移给客户或金融机构，前期垫付资金瞬间回笼；而 Tutor 则保留具身大脑的控制权，转型为按月收取“智力订阅费与远程兜底费”的纯软件高毛利形态。

三、隐藏的裂痕：客户确定性与模型进化的“长脑子悖论”

在推进上述模式时，存在一个极具隐蔽性、却直击商业本质的内在矛盾：客户与机器人公司对于“麻烦”的认知和诉求完全对立。

* 对“麻烦”的感知错位：在客户眼中，一个压扁的箱子、微小的堆叠偏差或反光的胶带，根本算不上“麻烦”。因为在人类工人面前，扫一眼、手腕微调一下就顺手处理了。客户的心理预期是：“我付了工时费，你就得把箱子搬走；遇到扁箱子就卡住，那就是你的机器不中用。”然而在具身模型眼中，这种非刚体形变和抓取力矩偏移，是典型的物理交互高维长尾数据（Corner Case）。客户将长尾工况视作产品缺陷，而公司将其视作模型训练的养分。

* “重复干活” vs “涉险长脑子”的诉求撕裂：客户追求流水线极致的节拍时间（Cycle Time）与确定性，希望机器人守在舒适区干重复苦力，绝不挑活；但 AI 公司需要的是高信息熵。如果一台机器每天搬运 10,000 个一模一样、完好无损的标准化箱子，对工厂来说很稳定，但对具身模型而言，这 10,000 次操作在信息论上几乎等价，提供的更新梯度趋近于零。公司迫切希望机器去碰不一样的活、去遇到更多麻烦，让大脑长得更快。

如何化解这一割裂？ 公司必须依赖“极速无感接管”，将模型长脑子的过程伪装成完美流畅的服务。当机器人遭遇长尾异常时，毫秒级无感唤醒远程人类介入，让产线主管感知不到节拍卡顿。同时，把最硬、最容易翻车的长尾压力测试放在自建的内部“数据工厂（DF1）”里消化，避免在真实客户现场过度摩擦，才能在保障客户 ROI 的同时守住数据飞轮。

四、真正的胜负手：智能增加的速率 vs 资金消耗的速度

这场商业冒险的底牌，本质上只有一句话：机器人的变聪明速度有多快？

* 如果模型自主率提升缓慢：长尾异常层出不穷，人机比始终卡在 1:1 或 1:2，Tutor 就会蜕变成一家背负巨额机械折旧的“跨国远程劳务外包公司”，再多的风投资本也会在重资产与人力成本中烧光。

* 如果自主率突破临界点：人机比从 1:1 进化到 1:20 甚至 1:50，单个远程操作员可以并发监管数十台机器，边际交付成本断崖式下跌，硬件收上来的每小时租金几乎全部沉淀为软件毛利。

在工业物流场景中，容错率远高于自动驾驶。自动驾驶要求 99.9999% 的绝对安全，而流水线上的机械臂遇到卡滞，远程接管 5 秒帮它纠偏，产线就能恢复运转，不会造成人命关天的灾难。只要模型在 90% 的常见工况下足够自主，公司就能跑通健康的单体经济账。

五、数据边界：工业交互数据的所有权归谁？

把从 A 工厂采集到的操作数据，拿去交叉训练 B 工厂的机器人，在法律与商业上行得通吗？在实际的 B2B 商业实践中，这一问题通过清晰的数据分层协议得以解决：

* 客户专属业务数据（100% 归客户）：厂区监控人脸、ERP 订单号、货主名单、工件保密图纸等，严格本地加密、打码脱敏，严禁跨客户流转。

* 物理交互与运动学数据（归属于 Tutor 或拥有永久训练许可）：机械臂关节力矩、空间轨迹、末端吸力反馈、多视角点云与纠偏动作序列。这些反映物理世界基本规律的数据，转化为 Tutor 的核心私人无形资产，用于训练统一的具身基础模型。

* 模型参数与权重（100% 归 Tutor）：吸收了数万小时人类示范演化出的大脑网络，永远归平台私有。

客户之所以愿意签署这种协议，核心在于利益深度绑定：只有将现场工况反馈给通用大脑，部署在自家流水线上的机器人后续才能跑得更快、坏得更少、维护成本更低。

结语

Tutor Intelligence 并不是在兜售未来主义的科幻梦想，而是在进行一场精密的商业计算：用极低门槛的商业机制（RaaS）切入现场，用最接地气的人工介入（Teleoperation）保障交付，在客户追求确定性的产线上隐蔽捕获长尾数据，最终倒逼出通用的具身智能大脑。

它的未来不取决于它造了多少台铁壳子，而取决于它能否在最短的时间内，让那颗端到端的具身大脑摆脱人类导师的双手。这场物理智能与资本周转率的竞赛，才刚刚拉开序幕。

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com

作者：Dr Yuling Yun

前几天读到 a16z 合伙人 Andrew Chen 的文章《New Founder Archetypes in the AI Age》。文中提到，AI 的普及正在极大地推倒过往的技术壁垒，把创业者的帐篷越搭越大（Bigger Tent）——单人创业者、非技术人员、内容创作者，以及深耕垂直行业的领域专家（Domain Experts，如医生、牙医），正在成为硅谷重新打量甚至追逐的“新原型”。

看到“领域专家”那一段时，我抿了口茶，会心一笑。

硅谷的投资人坐在帕洛阿尔托明亮的办公室里，从理论推导上兴奋地写道：“医生最懂医院的痛点，如果他们用软件解决自己的问题，那该是多大的生意！”但只有真正在医疗、硬科技这种极深壁垒赛道摸爬滚打过、交够了学费的一线投资人，才能体会到这句话背后埋着多少让人啼笑皆非的骸骨与深坑。

今天，经历过风风雨雨之后，我已经足够淡定从容。不妨借着这篇文字，聊聊那些曾经困住资本、也困住创业者本身的“深井大蛙”，以及我们该如何在 AI 时代重新审视“创始人原型”。

一、深井里的大蛙与“被绑架”的资本

在高度细分且门槛森严的传统领域，几乎每一个功成名就的“腕儿”，都是他那口井里最大的一只蛙。

他在旧体制、学术山头或特定资源分配中浸润了几十年，享受着尊崇与话语权。不可否认，他们对真实场景的痛点知根知底。但这种长期处于封闭体系中的优越感，往往异化为一种极度的认知自负：他们觉得自己所处的井口就是整个宇宙，没有愿望、没有精力、更没有能力去看一眼井外的天地。

更致命的是，他们带着满腔的“怒火”面对资本。

在他们的认知坐标系里，专业和声誉是至高无上的圣杯，资本只是廉价且理所应当的输血机器。一旦投资人根据商业常识提出质疑，比如“这个模式缺乏扩展性”、“这只是旧流程的打补丁”，就会被瞬间视作对其学术与专业权威的冒犯。

一旦在细分赛道遇到风浪或控制权分歧，他们最大的一张底牌就是冷冷甩出一句：“老子不干了。”

他们心里太清楚了：在极度细分的领域，知识被个人垄断，进院关系绑定在个人名下，甚至代码和实验数据都像他的私有财产。换掉他，公司价值立刻归零。而他呢？随时可以拍拍屁股回三甲医院继续当主任，回高校继续做博导。退路的不对等，让投资人在早期博弈中屡屡被“单点故障”狠狠霸凌。

二、从股权到烂债：VC最憋屈的退场

没有哪个投资人是天生迟钝的，尤其是受过伤的投资人，往往会以极快的速度变得精明与现实。

但投资人最不愿面对、却常常不得不吞下的苦果，是“本想投一个伟大的公司，最后离场时却只拿回了一个相当于‘债’的回报”。

在风险投资的数学模型里，我们承担的是 Equity 归零的无限风险，追求的是幂律法则下的百倍增长。然而，当你投了带着光环的大腕，首轮估值高高在上，几年后公司却卡在年入一两千万的“小康瓶颈”里——对专家个人而言，分红滋润，兼职名利双收；但对 VC 而言，它成了一具无法标准化、拒绝稀释、缺乏野心的“活死人”（Walking Dead）。

最后，大家不欢而散。当初基于信任拟定的对赌、一票否决和回购条款，本是防君子不防小人的护栏，却成了投资人撕破脸皮止损的唯一遮羞布。

你拿回了本金，加上一点微薄的年化利息，甚至还要在圈内背上“资本苛刻”的道德骂名。心力透支、机会成本尽失，这是任何一个经历过垂直赛道风雨的投资人最深沉的无奈。

三、AI能救得了“深井”吗？

回到 Andrew Chen 的文章，AI 时代的来临，真能让传统专家瞬间蜕变成合格的科技创业者吗？

其实 Andrew Chen 自己也补了一刀清醒剂：“Hoteliers didn’t create Airbnb, and the finance industry didn’t create Kalshi.”（酒店大亨做不出 Airbnb，华尔街投行也没做出预测市场 Kalshi。）

颠覆性创新天然需要一种“局外人视角”。如果一个人本身就是旧桌子上的最大得益者，他即便掌握了 AI 工具，大概率也只是在为旧桌子擦灰修腿，做出更多渐进式的小修小补（Incremental improvements）。

AI 确实降低了写代码的门槛，一个非技术专家或许能在几天内搓出一个令人眼前一亮的 Demo。但正如我们在投资实践中看到的残酷真相：

* Demo 与商业实体之间，隔着十万八千里：系统扩展性、合规审查、B2B 销售组织、客户成功，AI 可以赋能，但无法代替肉身的搏杀与管理。

* “井口”依然是认知上限：技术门槛下降了，人性的门槛反而拉高了。当写代码不再是瓶颈，创始人的开放度、同理心、招聘顶级人才的格局以及对资本契约的敬畏，成了更稀缺的决定性因素。

四、风雨过后，我的从容坐标系

经历了这么多坎儿、腕儿和坑儿，如今我已经不再为那些傲慢与勒索动气。看尽千帆，心态自然淡定。

在 AI 带来的新一轮创业繁荣中，我给自己立下了几条更清醒的纪律：

* 警惕“退路太多的大腕”：凡是将创业视为名声点缀、在体制内如鱼得水、随时准备退回象牙塔的专家，不管其技术概念多么性感，坚决不作重注。没有向死而生决心的项目，资本最终都会成为替罪羊。

* 寻找“井里的叛逆者”：与其押注体制内功成名就的大蛙，不如去寻找那些在深井里痛苦不堪、深知体系荒谬、敢于砸碎饭碗跳出来的年轻人，或者是带着敬畏心但绝不盲信权威的跨界野心家。他们没有包袱，对重构行业怀有真正的饥饿感。

* 将契约放在阳光下，不再抱有道德幻想：尽早搭建“去中心化”的组织架构。IP归属公司、代码留存系统、引入强力的一线二号位，从机制上根除“单点故障”的勒索空间。

投资的本质，终究是投人。AI 无论怎样演进，它放大的是个体的能力，但也同样会放大个体的傲慢与狭隘。

跳出深井，天空原本辽阔。作为投资人，保持敬畏，看淡得失，从容前行。

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com

作者：Dr. Yun（贠博士）

在关于人工智能对白领职场冲击的讨论中，管理咨询行业经常被推上风口浪尖。大语言模型可以在数秒内整理行业研报、搭建分析框架并生成初版幻灯片，于是不少观察者断言：那些拿着高薪画 PPT 的年轻顾问们即将成为第一批“被时代淘汰的弃儿”。甚至有人开始同情这批初入职场的白领，讨论起如何“保护”他们免受技术浪潮的冲击。

然而，随着麦肯锡（McKinsey）、波士顿咨询（BCG）与贝恩公司（Bain，统称 MBB）陆续公布 2027 届的招聘政策，他们用真金白银给出了极具戏剧性的回应：四年来首次全面打破冻薪，将起薪推向历史新高。

真实的数据梯队与人才定价必须在此厘清：

* 本科及非 MBA 硕士毕业生（约 22 岁应届生）： 底薪从约 11.2 万美元上调至 12 万美元；

* MBA 及高阶学位毕业生（通常已具备数年从业经验，约 27–30 岁）： 底薪正式迈过 20 万美元（$200,000） 门槛。

这并非外界误传的“给 22 岁年轻人盲目开出 20 万”，而是一套极具梯度的精确定价。更重要的是，如果仅仅把这次调薪视作“业务需求回暖”或“对抗通胀的补调”，便完全低估了顶级咨询公司的商业嗅觉与制度设计。

他们招揽这批人，从来不是买工时，而是一场回报惊人的人才期货投资。

一、 精英不需要保护伞：他们本就是破局者

能挤过 MBB 每年近 200 万份简历、录取率不足 1% 漏斗的人，本就是全球同龄人中最具逻辑框架、商业嗅觉与极端抗压能力的顶尖大脑。

这样的人才，在任何时代都不需要别人的“保护”。AI 或许颠覆了做数据切片、排版幻灯片的“键盘工”，但商业世界里最值钱的从来不是工具操作，而是在高度不确定与利益交织的模糊局势中定义核心问题、协调资源与推动变革的能力。

技术工具的更迭非但不会削弱这群人的竞争力，反而为他们提供了前所未有的生产力杠杆。真正优秀的年轻人，会以最快速度驯化 AI 工具为己所用，去解决企业更复杂的组织架构转型与商业落地难题。他们从一开始就是破局的发动机，而不是等待被挽救的被动劳动力。

二、 隐秘的暴利飞轮：坐到桌子另一边去

顶级咨询公司的商业本质，表面上是“按项目交付计费的专业服务”，底层实际上是一家“人力资本风险投资公司（Human Capital VC）”兼高阶管理者孵化基地。

在咨询公司严苛的“Up or Out（晋升或出局）”机制下，极少数人会走到合伙人，绝大多数顾问在历练 3 到 6 年后，必然走向既定的职业出口——跳槽到甲方，也就是他们曾经服务的企业，担任业务线总监、VP 乃至 CXO 等高管职务。

公司从一开始就会清楚地告诉每一个顾问：你终有一天会坐到会议桌的另一边，成为甲方。

这笔账咨询公司算得比谁都透彻：

* 人才精加工的溢价变现： 企业自己从零培养一名具备全局战略视野和极强执行力的高管，时间与试错成本极高。企业极其渴望从顶级咨询机构直接“采购”这批被严格淬火过的人才，并愿意为此支付极高溢价。

* 锁死未来数十年的商业订单： 当当年自己培养的顾问坐到甲方高管席位、掌握巨额预算时，面对组织变革、并购重组或前沿技术落地，他们最信任的一定是曾经受训的老东家。千万级美元的项目合同，自然会优先递回给老校友。

从这个维度看，起薪上调的这一两万美元，不过是咨询公司在源头锁定“未来全球企业领军者”所支付的极低获客期权成本。

三、 商业世界的残酷与清醒

因此，别再用“AI 是否会让他们失业”这种浅层视角去衡量顶尖商业人才。

对于企业而言，与其花大代价试错，不如直接从咨询机构挖走成熟的战略舵手；对于咨询公司而言，把人“卖”向各行各业的掌舵位置，才是构建垄断级客户网络最坚固的护城河；而对于身处其中的年轻人，这不过是一场心照不宣的高强度换轨跃迁。

资本的流向永远是最诚实的投票。当市场还在为白领饭碗患得患失时，顶级咨询公司已经提前布局好了下一个十年的商业买方席位。

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com

今天全球金融与加密世界的头条，被一则巨大的数字刷屏：币安遭遇严重安全攻击，波及资产规模高达约63亿美元。

虽然随后币安宣布协同稳定币发行方冻结了约30亿美元，并迅速表态动用自有储备与SAFU基金兜底剩余的33亿美元敞口，力保平台兑付与系统稳定，但整个金融市场依然感受到了切实的寒意。

在惊愕之余，行业内外最本能的疑问浮出水面：如此精密、多链并发且毫秒级响应的掠夺，背后到底是不是AI Agent（人工智能体）在自主行动？如果不是，未来的金融体系又将如何抵御真正的”AI黑客大军”？

一、谁在幕后：并非自主AI，而是国家级特种网军

链上取证机构（如TRM Labs、Elliptic与ZachXBT）的初步溯源，将矛头再次指向了一个令全球网络安全界闻之色变的代号——Lazarus集团（拉撒路集团）。

很多人问：他们到底是个什么组织？凭什么能撼动具备顶级安全预算的全球最大交易所？

在网络安全谱系中，Lazarus属于极少数具备**”国家级战略支撑”的高级持续性威胁（APT）组织**。它不受跨国法律追责的制约，拥有国家级体系筛选的顶尖数学与计算机工程人员，更重要的是，它承担着极具现实压力的特殊职能：为受国际严厉制裁的体系直接获取硬通货与外汇。从2016年险些卷走10亿美元的孟加拉央行SWIFT盗窃案，到2017年的WannaCry勒索蠕虫，再到过去几年在Ronin（6.25亿美元）、Bybit（15亿美元）等加密阵地的掠夺，其操作早已呈现出高度的军事化与工程化。

但这起事件中，核心决策者依然是人类顶尖黑客，而非脱离人类掌控的自主AI Agent。

攻击呈现出经典的APT路径：

* 精准社会工程学切入： 很可能是通过长期伪装的猎头、学术交流或定制招聘，对内部DevOps工程师的终端进行定向渗透。

* 协议层与审批逻辑旁路： 黑客并未强行暴力破解密码学私钥，而是利用了以太坊新标准（如EIP-7702账户抽象相关授权）设置链上委托，巧妙绕过了交易所常规的多签审批流。

* 自动化指令清算： 预置约50条签名指令，资产一旦进入立即触发划转，随后清除工具痕迹。

在这套流水线中，AI扮演的是战术倍增器（Force Multiplier）——用于打磨毫无破绽的钓鱼文案、辅助扫描协议交互的语义缝隙，而非”AI具备自主意志去掠夺金库”。

二、资产追偿的残酷博弈：现实中的两分法则

63亿美元被掳，受害者真能追回来吗？从以往的链上攻防与主权对抗历史来看，追偿通常遵循残酷的”两分法则”：

* 被冻结的约30亿美元（主要是中心化代币）：大概率能拿回，但耗时漫长。 USDT（Tether）与USDC（Circle）等中心化稳定币在智能合约层保留了管理员黑名单权限。在各方光速响应下，这些资金已被就地锁死。但这属于”行政封存”，后续需经过跨国司法确权、长臂管辖与代币注销重铸程序，资金回流并非一朝一夕。

* 剩余约33亿美元（原生ETH、BTC及主流资产）：几乎已成死结。 原生公链代币没有中心化冻结开关。按照Lazarus以往的沉淀战术，这部分资产会被拆解至数以万计的细碎地址，静置数月乃至数年，再通过去中心化跨链桥、混币池与离岸地下网络极其细碎地慢慢洗出。历史数据显示，一旦原生资产落入此类组织之手，全球顶尖执法机构最终的实际截获率往往不足5%–10%。

最终，中心化巨头能够稳住局面的底牌，依然是依靠自身庞大资产负债表的厚度进行内部消化。

三、真正的拐点：金融业该如何准备迎击”AI黑客大军”？

这次事件之所以把整个金融业吓了一大跳，是因为它暴露出一个残酷的现实：即便拥有行业顶尖的安全团队与数十亿风控预算，系统的阿喀琉斯之踵依然存在于”人”与”业务逻辑衔接处”。

大家第一反应想到AI，并非空穴来风，而是嗅到了未来攻防范式转移的硝烟。未来的金融系统面对的，极大概率是真正进化的”AI蜂群”：

* 工业级超拟真渗透： 未来的AI Agent可以全天候监控全球核心金融工程师的数字足迹，生成毫秒级自适应的即时通讯、Deepfake音视频乃至定制开发环境，将社会工程学的破绽降至物理极限。

* 多Agent蜂群侦察（Swarm Reconnaissance）： 成千上万个轻量级AI Agent并发遍历微服务架构与智能合约更新，寻找时序差与逻辑死角。人类审计代码按周计算，AI审计按毫秒计算。

* 自适应规避风控： 当防御系统收紧阈值时，攻击方的强化学习模型能即时感知到风控规则的变化，并自动调整攻击步长。

这意味着，金融业的传统防御逻辑已经失效。

以往”构筑内网高墙、人在内网即安全”的静态边界思维必须被彻底淘汰。未来的安全投资将迎来爆发式的范式转移：

* 必须走向全流程绝对零信任（Zero Trust）与硬件强制解耦，核心资金流必须由物理安全芯片与多方离线物理隔离裁决，剥离任何单一员工（乃至高权限工程师）的单点信任；

* 必须建立**”用AI防御AI”的自适应防御Agent体系**，让防御性红队模型以毫秒级对冲攻击性蜂群。

这不仅是一场价值数十亿美元的危机公关，更是数字金融与现代安全体系的一次深度压力测试。当网络战争的工具箱不断演进，唯有在底层逻辑上重构防御韧性，才能在下一波真正的AI攻防风暴中立于不败之地。

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com

贠虎：上一期我们谈打新，今天接着谈短线。在中国，散户爱做短线，几天一进出是很平常的事。到了美国，同样的人，同样的手，怎么就慢下来了？是美国人不爱短线，还是短线的价钱不一样？

彭虎：先看中国这边。个人买卖 A 股的差价，目前是暂免征收个人所得税的，赚多少都不用为这部分交所得税。唯一的税，是卖出时按成交金额收的印花税，万分之五，2023 年 8 月从千分之一减半下来的。

贠虎：关键是这个税的算法：它按成交额收，不按盈利收。赚了要交，亏了也要交，税和交易结果没有关系。唯一跟持有期挂钩的是分红，持股一个月以内分红税 20%，一个月到一年 10%，超过一年免征，但那是分红，不是买卖差价。

彭虎：所以短线在中国，代价是明码标价的小额过路费。唯一的摩擦是 T+1，当天买的当天不能卖，但隔天就能卖，频率上税并不拦你。短线于是成了一种习惯，不需要算计。

贠虎：美国这边，代价的性质就完全变了。持有不到一年卖出，收益按普通收入交税，最高 37%；持有超过一年，才享受 0%、15%、20% 的优惠税率。同一笔利润，只差一天，税率就能差出二十个点以上。

彭虎：还不止税。亏了想立刻买回来，wash sale 规则规定，前后 30 天内买回基本相同的证券，亏损当年不能抵扣。当天频繁进出，还有 PDT 规则，5 个交易日内 4 次以上日内交易，保证金账户就得维持 2.5 万美元以上净值。

贠虎：再加上上一期讲过的，IPO 配售股想早卖，券商还有 flipping 惩罚，Robinhood 卖早了禁 60 天 IPO 权限，富达累犯可永久封禁。所以在美国，短线不是不能做，是每一步都有价钱。

彭虎：这才是两边真正的差别：不是能卖还是不能卖，而是代价的算法不同。中国按成交额收一笔固定的过路费，美国按利润比例收一笔累进的账，再加上一套规则惩罚。散户的行为，就是被这个价钱塑造出来的。

贠虎：在中国，税对短线和长线一视同仁，短线自然长成了习惯。在美国，税法、券商规则、交易门槛齐声说同一句话：持有才便宜。行为看着是个人风格，其实是制度在定价。

彭虎：所以打新和短线，本来就是同一个问题。上一期是进场难，这一期是出场贵，制度在奖励什么，散户就会变成什么样。

彭虎：这也解释了为什么芒格的长期主义，在美国成立，在中国却未必。巴菲特说过，不卖就等于向税务局借了一笔免息贷款，利润不兑现就不交税，兑现了还按优惠税率交。等待本身就有回报。

贠虎：可在中国，买卖差价本来就不征税，拿一年和拿一天，在差价税上完全一样。长期主义剩下的只有分红那一档优惠。很多人读芒格，读到的只是修养和耐心，直到真的在这边市场里摸爬滚打，被税单和规则推着走，才明白他讲的不是心态，是算术。

贠虎：如果美国税法不奖励持有，美国散户会不会也像中国一样爱短线？还是说，短线这件事，本来就不是风格问题，而是价目表问题？

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit dryulingyun.substack.com