与「这是AI视频吗」相关的搜索结果

之前有张「中国AI vs 美国AI」的图（图1）很火，就在OpenAI和Anthropic齐发新模型的同时，元宝和千问正在开打红包大战，对比起来讽刺性拉满了。 但这个笑话的保质期很短，也不怎么好笑了，因为很快赶上了字节和快手同样先后的发了新一代视频模型，在外网刷屏的程度再次引起洋人对于中国AI实力深不可测的「刻板印象」。 所以说钱钟书老爷子写「围城」是有道理的，寰宇就是一个围城，里头的人眼馋外边，外边的人羡慕里头。 字节的Seedance 2.0很牛逼，可以说是完全改写了视频生成的方法，而且因为字节这家公司自带的外围声量一直很大，所以虽然发布更晚，评价增长却更快，但快手的Kling 3.0也非常强，我已经烧掉三个号了，保证绝对不是在强行塑造「双星闪耀」的概念。 这也和两个模型的路线差异有关，综合能力肯定都要对标视频大模型的Sota、也就是谷歌的Veo模型，但Seedance 2.0更侧重于Sora 2的那套运镜、理解、模仿、转场等效果，极大的利好短视频创作者生态，而Kling 3.0则更偏向于Runway代表的影视化、真实化和工业化的能力，是冲着专业导演和工作室去的。 所以博主和用户天然会对Seedance 2.0更有感觉，这没毛病，但我对Kling 3.0的上限期待很高，它真的是在抹平真实和虚拟之间的界限，不过从长期来看，路线差异必然是暂时的，最后大家都会殊途同归，解决抽卡问题的同时，全方位无死角的替代掉现有视频生产管线的一半以上，甚至更多。 相比「闷声发大财」的AI Coding，多模态才是AI接近普通人的破圈手段，去年ChatGPT和Gemini的两次「翻倍级」增长（图2），一个是因为GPt-4o的「吉卜力风潮」，一个是基于Nano Banana的降维打击，都是多模态在立功。 到了今年，战场开始继续前移，除了Seedance 2.0和Kling 3.0，同样是在这个月，马斯克发布了Grok专有的视频模型Imagine 1.0，谷歌也发布了打掉游戏引擎市值的Genie 3，发现共同点了吗？ 全，是，视，频。 人是视觉动物，所见即所得的信息量，是远超文本和语言的，视频模型以前主要吃亏在能力不足，训练难度居高不下，生成质量良莠不齐，无法形成类似「一键P图」的稳定性玩法，但是到了2026年，这个瓶颈期目测已经快要跨过去了。 还记得威尔·史密斯吃意大利面吗？那也不过是两三年前的事情，时间过得很快，也很扁平，技术的进化效率太可怕了。 多说几句开头那个对比吧，如果说中国AI公司眼馋Claude Opus 4.6和GPT-5.3-Codex，倒也确实没毛病，但这也不只是纯粹的技术代差，中美的商业环境决定了AI渗透的发力点不一样。 表面上看，美国的AI巨头都在发力AI Coding，容易货币化是一回事，再往深了想，Coding自由的终点是什么？是工具、软件甚至系统的零成本化，需要什么让AI去写代码就好了，所以美股里的SaaS赛道突然就崩了。 SaaS是一个积累了快30年的万亿级规模市场，非常适合拿来当作回应「AI投入太大、回报不足」的靶子，想象空间太大了，而大厦将倾的此情此景，实在是有种见证时代的残酷美学。 王慧文在即刻上发了一条非常精辟的动态（图3）： 「我们曾经以为，中国SaaS会像美国SaaS那么值钱，现在看，美国SaaS会像中国SaaS这么不值钱。」 大佬就是大佬，几句话就说到点上了，中国的AI公司在产业化方面有苦难言，尤其是面对美国同行的高歌猛进，原因就在于：你不可能去替代一个不存在的市场，拿走一份不存在的产值，讲述一篇不存在的故事⋯⋯ 但在多模态尤其是视频模型方面，就不是这样了，中国互联网的短视频、直播和创作者生态，是全球领先的，这是真的存在巨大的市场、产值和故事可以被AI接上的，所以字节和快手为视频模型的投入动力，是完全不虚美国大厂的。 快手Kling有先发优势，ARR涨得很快，在海外一直处于第一梯队，字节属于后来居上，多模态能力对豆包的留存拉动明显，更不用说GPU储备量是国内大厂里Top级的，真想做成事情，很难不做成。 昨晚很多字节的朋友都在转梁汝波和张楠用AI合拍的视频（图4），用来宣传搭载了Seedance 2.0的即梦，张楠的性格搞这个不意外，意外的是梁汝波也配合了，你们很少会看到他给字节的其他产品这么站台。 晚点LatePost的稿子里提过，字节内部是期待AI这波能有「下一个抖音」跑出来的，而且是完全用字节的方法去做选择——数据决定地位——也就是说，赛马机制已经启动了，目前至少有三拨势力在争这个「太子」： - 即梦，负责人张楠是把抖音做起来的第一人，她先去剪映，再到即梦，一直是被安放在从0到1的最前线，代表了字节在创业场景下最强的战斗力； - 豆包，所属的Flow团队负责人朱骏是 - 抖音自己，是的，抖音部门也希望「下一个抖音」能由自己孵化出来，而不是假手于人，比如抖音搜索团队做了一个名字就叫AI抖音的App，用户量不大，但占位置的意图很明显； 还是那句话，字节这家公司的活力之高和欲望之强，在大厂里真的很少见，丝毫看不到老化的痕迹。 最后我还想说，大的在后面，中国AI公司在这个月的重量级发布还没结束，我知道一些但是暂时不能说，等着吧，用心感受这神仙打架的一个月。

虽然提前偷跑了那么多信息，但这届Google I/O还是堪称量大管饱啊⋯⋯家底厚实就是可以为所欲为。 不睡觉的媒体总结已经全网都是了，我提几个自己划线的重点： - Gemini Omni的全模态架构应该会在一年内被所有大厂跟进，可能只有Anthropic这种极致的偏才可以无视； - 首发的Gemini Omni Flash只有一个产品可以免费体验，就是YouTube Shorts，Google为了扶持短视频真是倾尽所有的特权啊； - 1000美金不到的Token成本，让Gemini 3.5 Flash自己跑了12个小时，写出了一个可运行的操作系统，这个演示堪称天秀； - 所以可想而知Token的市场还会指数级增长，Gemini的产品侧加上API总计日均消耗134万亿Token，可以说是富可敌国了，作为参照，中国3月的数据是全国日均消耗140万亿Token； - Gemini的月活9亿，还差一步就可以跻身Google旗下的「黄金产品线」，也就是以10亿月活为入场门票的基准，目前已经有12个了，如果不出意外，Gemini会在今年成为第13个； - 第八代TPU第一次有了双芯片架构，一片支持训练，一片支持推理，对英伟达苦心营造的叙事——「TPU固然适合推理，训练还是得靠GPU」——唱出反调； - 「Ask YouTube」是我最喜欢的一个易用性功能，非常简单粗暴的去搜索化，新一代网民会生活在一个原生对话的环境里，想看什么，直接问就可以了，YouTube属于Google非常核心的资产，而且一定会越来越重要； - AI图片的隐形水印通用标准SynthID把OpenAI、Kakao、ElevenLabs都拉了进来，TikTok也即将加入，图片、声音、视频的Fake溯源基本能覆盖到主流生成产品了，「这是AI图吗」的疑问能有地方给解答； - 什么？你说Google I/O不是给Anroird开发者办的活动吗？Android是谁？真不熟⋯⋯

华尔街日报最新发了一篇长文《How Google Got Its Groove Back and Edged Ahead of OpenAI》，讲的是 Google 在 AI 竞赛中如何从落后到反超的故事。 2025 年 8 月的一个凌晨两点半，Google 的一位 AI 项目经理 Naina Raisinghani 正在上传 DeepMind 实验室的最新成果，一个超快的图像生成器。她需要给它取个名字才能提交到 LM Arena 排名平台，但这个点没人在线。 于是她随手用朋友给她起的两个外号拼了一个：Nano Banana🍌。 几天后，Nano Banana 冲上排名榜首，在 X 上成为热门话题，用量远超 Google 预期。到 9 月，Gemini App 成了苹果应用商店下载量第一。11 月，Google 发布了迄今最强的 Gemini 模型，在多项指标上超越 ChatGPT，股价大涨。 OpenAI 内部随即发出 Code Red。 时间拨回 2015 年，Pichai 刚接任 Google CEO，那时候 AI 还只是学术圈的事。2016 年他发了一篇博客，说过去十年是智能手机的时代，未来十年将是 AI 优先的时代。 其实 Google 早就在布局。2011 年成立了 Google Brain，联合创始人 Jeff Dean 参与开发了神经网络技术，这是今天大语言模型的基础。后来又收购了伦敦的 DeepMind，创始人 Demis Hassabis 是个国际象棋神童，后来因为 AlphaFold 拿了诺贝尔奖。 还有一步棋当时不太引人注目：Google 开始自研 AI 芯片。他们认为语音识别这类应用会需要大量算力，于是设计了 TPU（张量处理单元），比传统 CPU 和 GPU 更省电。这步棋后来被证明是关键。 不过 Google 一开始对聊天机器人很谨慎。一些高管和研究员担心安全问题，早期模型很容易被诱导出种族歧视或性别歧视的回答。前 Google Brain 员工 Julia Winn 说，Google 对这类风险看得比她待过的任何公司都重。 这种谨慎让一些研究员很沮丧，有的选择了离开。 2022 年 8 月，Google 发布了一个叫 LaMDA 的聊天模型，只开放给少数人测试。测试 App 叫 AI Test Kitchen，有三个功能：想象它、列出它、聊狗。对，第三个功能只能聊狗。 三个月后，OpenAI 发布了 ChatGPT。五天内，一百万人注册。用户没有太多限制，想聊什么聊什么。 Google 内部一些在 AI 上耕耘多年的员工气坏了。分析师和投资者开始质疑：Google 是不是要错过科技史上的下一波大浪？ 2023 年 1 月，Jeff Dean、Demis Hassabis 和新加入的机器人专家 James Manyika 向董事会汇报了打造最强模型的计划。 但 Google 等不及了，需要先推一个产品出来。2 月，他们匆忙发布了基于 LaMDA 的 Bard。 发布会翻车了。宣传视频里，Bard 被问到韦伯望远镜的问题，回答说它拍了第一张系外行星照片。这是错的。Alphabet 股价当天跌了 8%。 差不多同一时间，已经退休的联合创始人 Sergey Brin 在一个派对上碰到了 OpenAI 的研究员 Daniel Selsam。Selsam 问他：ChatGPT 这么厉害，作为计算机科学家你不心动吗？怎么不回来全职搞 AI？ Brin 觉得他说得有道理，于是回归了。 2023 年大部分时间，Google 都在努力整合内部的 AI 力量。Google Brain 偏研究，DeepMind 偏产品，两边文化不同，合并后产生了不少摩擦。 不过 Google 有一个巨大优势：OpenAI 需要融资，Google 可以从自己几百亿的利润里拿钱做研发。 但 Google 还有一个难题：怎么在拥抱生成式 AI 的同时，不把自己的摇钱树给弄死？Google 占了网页搜索市场 90% 的份额，这是广告业务的根基。 为了弄清楚 AI 搜索应该长什么样，Google 启动了一个叫 Project Magi 的多团队项目，由后来成为搜索副总裁的 Liz Reid 牵头。 Reid 说，难点在于当答案不在单个网页上时，怎么让搜索快速给出清晰的回答。人们不只是在用搜索，而是在依赖搜索。搞砸了的话，你妈、你朋友、你孩子都会来找你算账。 2023 年底，Google 发布了第一版 Gemini。OpenAI 的 ChatGPT 主要用文本训练，Google 的 Gemini 从一开始就用文本、代码、音频、图像和视频一起训练。这是技术野心更大的方案，虽然开发时间更长，但后来证明是值得的。 2024 年 5 月，Google 推出了 AI Overviews，在搜索结果顶部显示 AI 生成的摘要。用户开始进行更复杂的搜索。随后 Google 开发了 AI Mode，一种聊天机器人式的搜索选项。 Reid 说，经过无数次迭代，团队开始发现自己不再只是为了测试而用它，而是真的想用它。 Brin 回来后做的很多工作是帮 Gemini 挑毛病。他还促成了一笔 27 亿美元的收购，把两位离开 Google 创业的 AI 研究员 Daniel De Freitas 和 Noam Shazeer 带了回来。这两人后来参与领导 Gemini 的开发。 2024 年 8 月，Nano Banana 爆火。负责 Gemini App 和 Google Labs 的 Josh Woodward 把这次发布称为成功的灾难：全球用户生成了数十亿张图片，Google 一度找不到足够的算力，只能紧急借用服务器。 到 10 月，Gemini 月活用户从 7 月的 4.5 亿涨到了 6.5 亿。 11 月 Gemini 3 发布又造成算力瓶颈。但 Google 十多年前就在准备这一天了。他们自研的 AI 芯片成了竞争优势，最新的 Ironwood 芯片大幅降低了 AI 模型的运行成本。 11 月底传出消息，Google 正在和 Meta 谈判，要卖给他们价值数十亿美元的芯片。这个消息让 Nvidia 股价当天跌了 7%。 Pichai 在 12 月的内部备忘录里写道：我们以很棒的姿态结束了 2025 年。想想一年前我们在什么位置，这个进步令人难以置信。 Google 用了十多年的积累，经历了 ChatGPT 的冲击和 Bard 的翻车，整合了内部资源，最终在 2025 年底完成逆袭。当然，OpenAI 后来也发布了更强的 ChatGPT，用户量仍然远超 Gemini。这场 AI 竞赛远没有结束。

中文熵控术的一个应用：从一个关键词开始 这篇文章，我想用一个具体的例子，展示我是如何运用我所提出的中文熵控术，完成一次完整的创作循环的。 从一个短句出发，我通过引爆“熵爆”，引发语义裂变与联想扩散，借助 AI 的语言能力进行持续发散。这个过程属于“增熵”阶段，即主动制造语义复杂度、生成大量潜在线索与概念。 随后，我通过“控熵”阶段逐步回收这些发散内容，将思绪归纳、结构整理，并将其转译成低熵语言——英语，以实现内容的收敛与表达的精准。 最后，我使用 Deep Research 工具，对全文的逻辑路径进行审校与规划，确保结构严谨、思想完整。 这一系列过程，正是一轮完整的熵控术闭环：从中文高熵发散，到英语低熵收敛，从灵感的原始混乱，到逻辑的有序呈现。 In this piece, I want to illustrate how I applied my method—Chinese Entropy Control (中文熵控术)—to ignite an “entropy explosion” from a single term. Starting with one keyword, I used this technique to trigger semantic divergence, associative expansion, and AI-powered ideation. Through a continuous process of entropy increase (creative divergence) and entropy control (structured convergence), I was able to explore deeply and then gradually pull the scattered insights back into a coherent whole. The workflow unfolds in stages: from generating high-entropy, language-rich associations in Chinese; to translating and distilling those ideas back into low-entropy English—a language optimized for precision and clarity. Finally, I used Deep Research to verify, organize, and rigorously structure the entire logical framework of the piece. This is a full cycle of what I call Entropy Control Writing—a closed-loop creative methodology that begins with chaos and ends with clarity. 在开始具体的写作方法之前，我想先谈谈我写作的基本前提和个人路径。 虽然我目前仍以“科技创意写作”作为起点，还没有完全进入“通过文字发现世界”的深层阶段，但我已经预设了几个重要的认知起点。这些判断不仅来自我在国内完成完整高等教育的经历，也来自我后来在美国继续学习和工作的观察与体验。 第一， 我深切体会到“假大空作文”对中文写作能力的伤害。绝大多数人其实并不会真正写作，甚至连高级阅读理解能力都未曾建立。我非常认同亚里士多德对“工具理性”与“修辞”的区分：写作首先是一种逻辑推理能力，其次才是语言表达。空有辞藻、没有推理的文字，是最低级的写作。 第二， 我观察到国内真正接受过“好作文”训练的人，很多都是从新东方的 GRE 写作班开始接触英文逻辑写作。那时的训练，虽然有技术性倾向，但的确帮助很多人建立了基础的结构意识和论证方法。 第三， 我认为传统意义上的“好作文”标准，如今已经逐渐失效。即使在美国，接受过高等教育的人也会发现，一篇 academic essay 的写作过程极为消耗，大量时间花在查文献、补 citation、应付格式上，真正的思想贡献反而被边缘化。而在今天这个 AI 能即时输出背景知识与引用的时代，这种写作方式已经过时。如果我们只是把 AI 当成“高级搜索引擎”，那真是对其能力的极大浪费。 我相信：今天的好文章，就算在 AI 的辅助下完成，也应该具备高度的独创性、强烈的个人风格和不可替代的思维方式。 它应该让 AI 也找不到大量“现成答案”；它的论点应该是推理构建的结果，而非数据库检索的产物。它的价值，不在于复述，而在于你提出了一个难以证伪的深刻观点，而这个观点只能靠严密的逻辑演绎来支撑。 这，才是我心目中真正值得书写的“现代文章”。 下面开始说正题： 过程，记录我是如何用中文熵控术展开一轮完整的写作循环的。 我随意挑了一个关键词——Hadoop。当然，未来我会更加系统性地使用 InfraNodus 来监听语义网络、捕捉关键词节点，但这次，我只做一件事：拒绝传统意义上的“定义式写作”。 大部分人一提到 Hadoop，AI 就会给你一整页释义：介绍历史、列举应用场景、堆砌背景知识——这是我不需要的内容。 我要的是从一个模糊、含义开放、带有方向性的语句出发，引爆语义裂变。于是我写下： Hadoop 是 AI 的引擎。 句子越短越好，越模糊越好，越有歧义越能触发 AI 的解释欲和发散空间。 这就是一个“语义引爆点”，既不是定义，也不是结论，而是一个信息密度极高的语言触媒。 接下来是“熵控术”的核心过程：发散——控制——再发散——再收敛。 当我进入发散阶段，我不是随便胡思乱想，而是带着“模糊的问题”去游走语义网，生成一连串带方向但未定形的路径： 大数据框架是 AI 时代的基础设施？ 大数据全链路（采集、清洗、存储、处理、反馈）到底提供了什么？ 如果我们谈文明，那么：你认为什么是数据文明？ Hadoop 真的点燃了数据文明吗？它是起点吗？ 又是一场核心为“去中心化”的实践？ 那么，什么是“原始混乱”？ Hadoop 是否通过处理原始混乱，在虚拟空间中投影出一个真实的世界？ 这些发散式问题本身就是“增熵”的实践。每一个问题都像一道激活神经网络的脉冲，在 AI 的推理系统中引出不同维度的联想。而一旦我希望收敛，我就开始设置锚点词——比如“文明”“基础设施”“原始混乱”这类高熵概念词，作为结构收口的支架。 语言学训练过的朋友会明白：锚点词不是结论，是语义重力场，它们会引导你的话语体系向某个认知中心聚合。 最后，我将这一切过程生成的内容进行人类作者的主动整理与重写。 必须强调一点：AI 只是协助，不是代写。字还是我自己打的，逻辑是我自己建的，文章的风格和立场，是不可替代的。你以为有了AI就不用自己键盘打字了是吧？ 于是，我得到了这样一篇高信息密度、逻辑收束、观点明确的文章： 在信息洪流席卷而来的时代，我们不禁要问：数据文明究竟从何而始？如果说今天的大数据生态和人工智能系统构成了数据文明的肌肉与骨架，那它的第一束火种，很可能就是由 Hadoop 点燃的。Hadoop 并不是最先进的技术，却是第一个用去中心化的结构思维真正把人类带入数据文明时代的开创性系统。它不依赖超级计算中心，而是通过上百台廉价的普通机器，组建起一个分布式的“数据共和国”；它不需要整洁的结构化数据，而是主动接纳来自草根、传感器、网页和日志的“原始混乱”；它不再由少数专家垄断操作权，而是把 Map 与 Reduce 的编程模型交到每一个开发者手中。 正是这种革命性的开放，让 Hadoop 成为真正意义上的大数据起点。它不仅让数据可被收集和处理，更让数据成为一种资源——一种可以转化为洞察、预测乃至智能的“信息流”。Hadoop 接纳混乱，却在混乱中提炼出秩序。它像一个巨大的炼金炉，将世界生成的各种信息垃圾熔炼成洞见与模式，从而在虚拟空间中投影出一个真实世界的镜像。这种能力标志着一种全新的文明形态开始成型——数据文明。 数据文明是一种以数据的采集、流通、处理与反馈为核心机制，推动社会运行、知识生成与智能演化的人类文明形态。如果说农业文明以土地为基础，工业文明以机器为核心，那么数据文明的底座，就是可计算的信息流。在这一文明中，人类第一次用统计与算法取代了部分经验与直觉，社会也从人工调控逐步走向系统自我调节。工业文明的巅峰是流水线与管理学，而数据文明的巅峰，是自动决策与自我优化的智能系统。AI 不再是孤立的工具，而是这一文明的神经系统。 Hadoop 所开启的，并不仅仅是对大数据的初步驾驭，更是一场“原始混乱”的征服。从网页、日志、图像、视频到传感器数据，这些曾被视为信息垃圾的内容，其实正是世界最真实的投影。通过 Hadoop，我们第一次拥有了对非结构化数据进行建模与分析的能力，第一次能够在虚拟空间中重构现实，拥有对现实的观察权与认知权。这是技术上的跃迁，更是哲学上的进化。 今天，我们已经走进了 Spark、Flink、Presto、Kubernetes 和云数据湖构建的新生态，Hadoop 的角色也许已经不再居于中心，但它的意义从未被替代。正是 Hadoop 的架构哲学、计算模型与数据处理思想，为这一整套大数据与智能系统的演化奠定了基础。 在人工智能成为核心技术的当下，大数据框架仍是 AI 运转不可或缺的底座。它提供的不仅是“训练之粮”和“处理之力”，更是一整套生态基础。从采集、清洗、存储、处理到反馈，这五环构成了 AI 的信息循环系统，让它得以学习、成长、反馈与优化。可以说，大数据框架构成了 AI 世界的供血系统与呼吸系统，是智能文明可以运行、生长与演化的底层管网。 我们终于可以像炼钢炼油一样炼数据了。这一切的起点，正是 Hadoop。从原始混乱中抽象秩序，从计算节点中协同智能，从数据信息中重建世界模型。它不只是一个技术系统，它是人类迈入数据文明的第一步。 好，然后把上面的文字翻译成英文。就用这篇文章要求生成Deep Research, 生成内容看链接：“ 我评价一下这篇生成的文章。首先，因为我的提示词很长，有好几条逻辑和叙事线，所以DR反问的时候将这几条线分割出来了： The historical role of Hadoop in shaping modern data infrastructure? Comparative analysis of Hadoop vs newer frameworks (Spark, Flink, etc.)? The concept and evolution of "data civilization" in technological and philosophical terms? How decentralized architectures like Hadoop influenced AI development? The journey from unstructured data ("primitive chaos") to intelligent systems? 我就让他自己看着办。 评论一下这篇DR, 它一方面极力想遵循我提示词所设定的叙事逻辑，保持整篇文章在我设计的语义轨道上推进；另一方面，又在疯狂地调用技术资料，努力为每一个关键观点寻找“佐证”。 但它和我以往那种“高级谷歌式”的问答完全不同：不是简单引用就能收工的。这次它找的很多资料都无法直接复制粘贴用作引证——因为点进链接后你会发现，原文里并没有完全匹配的段落，没有那种“高亮即真理”的瞬间。 为什么？因为它根本就找不到一模一样的观点。 所以它只能靠自己推理——一层层演绎，从相关领域的技术脉络里“构造出一个看似合理的解释路径”。有些推理的确绕得厉害，说实话，只能算逻辑勉强自洽，沾点边，却不够扎实。但问题也在这：你又找不到确切证据去证伪它。 这其实是一个很有意思的AI能力边界：在没有既存文本观点可引用的情况下，它会主动尝试创造性地“弥合语义空隙”，以一套结构上近似学术推理的方式，生成一个“无法验证，也不易否定”的半原创表达。 这就对了，这是我要的方向。他要是能原创了，要我来干嘛。 然后根据DR就可以在扩展和压缩。 那些质疑我熵控术学术严谨性的，你给我钱了？你给我职称了？数学建模不是不能做，但是现在在没有人给我钱的前提下，这只是我自我修炼的一个技能。爱看不看，爱学不学。全世界水论文那么多，不差我一个。那些质疑的，请问有没有，哪怕一次，做过正经的学术peer review，以至于要现在上推来随便找篇推文peer review, 搞笑吧。

往常的熊市我不是在旅游就是看书，这次熊市我几乎看不进去完整的文字，长文都很难静下心，连文学类不太需要动脑的都看不进去。 为什么啊？是ai太快了吗，快到我没有耐心看长视频看长文看书，因为我想知道任何知识点，它都可以帮我总结取其精华，这怎么办，这到底是好是坏？ 太快了，以后车马更快了，我要一天喜欢十个了……

Dario Amodei 达沃斯访谈全记录：AI 的力量与风险 访谈来源：Bloomberg Live，2026年1月20日，达沃斯 原始视频： 2026年1月20日，达沃斯世界经济论坛期间，Anthropic CEO Dario Amodei 接受了彭博社总编辑 John Micklethwait 的专访。 Anthropic，公司的核心产品是 Claude 系列模型。这次访谈涵盖了 AI 技术进展、中美竞争、经济冲击、安全风险、政治立场等话题，信息量很大。 以下是访谈内容整理。 【1】AI 发展到什么程度了 Micklethwait 开场问了一个很直接的问题：“我们离 AGI 还有多远？” Amodei 的回答有点出乎意料。他说自己从来不喜欢“AGI”或“超级智能”这些词，但原因不是他觉得 AI 不够强，恰恰相反，他说自己“对这项技术的强大程度持有非常极端的看法”。 问题在于这些词暗示会有一个突变点，某天突然出现一个完全不同的东西。实际情况是一个非常平滑的指数增长过程，过去十年甚至十五年一直如此。 “就像90年代的摩尔定律，计算能力每12到18个月翻倍。我们现在有了一个类似摩尔定律的规律，只不过衡量的是智能本身。根据你怎么测量，认知能力每4到12个月翻一倍。” 他举了一个很具体的例子：Anthropic 内部负责 Claude Code 产品的团队负责人，已经两个月没有写过任何代码了。全部由 Claude 完成，他只负责看和编辑。 另一个例子是 Anthropic 刚发布的 Co-work 产品，让非程序员也能用 Claude 处理复杂任务。开发周期只有一周半，“几乎完全用 Claude Code 写的”。 Amodei 认为我们正处于指数曲线开始陡峭上升的临界点。“指数的特性就是，看起来很慢，加速一点，然后突然就超过你了。我觉得我们离那个'超过你'的时刻只有一两年。” 如果不是一两年，他认为大概率也不超过五年。“这个时刻会发生在2020年代。” 【2】Anthropic 的定位 Micklethwait 问到竞争格局，Anthropic、OpenAI、Google 谁领先？ Amodei 说现在不能用跑步比赛的方式来理解这个行业了。各家公司走向了不同方向。 有些公司走消费路线，追求“超人级的吸引力”，或者在购物推荐、广告上做优化。Anthropic 选择聚焦企业和开发者市场。消费端也做，但只关注生产力和高价值任务。 他提了一个有意思的视角：今天已经存在超级智能了，它们叫做大型企业。 “它们在解决特定问题上比任何人类都聪明。以最低成本运输商品、以最低成本制造太阳能板、以最低成本发射火箭。在这些领域，智能带来的回报是巨大的。” Anthropic 选择企业市场还有一个原因：稳定性。“我们不需要广告，不需要大量免费用户。我们直接创造价值。不会产生那些为了追求用户黏性而生成的低质内容。” 【3】中国和芯片问题 去年 Amodei 在同一个场合说中国在追赶。今年 Micklethwait 问他：中国落后了吗？ “他们从来没真正追上来。” 他承认 DeepSeek 引发了很大的关注，但认为那些模型“针对基准测试过度优化”。“这其实很容易做到，只要针对有限的一组测试去优化就行了。” 真正的检验在实际市场竞争中。“当我们和其他公司竞争企业合同时，我们看到的对手是 Google 和 OpenAI。偶尔会看到其他几家美国公司。但我几乎从来没有因为中国模型而丢掉过一个合同。” 但接下来的话题让他明显激动起来。 Micklethwait 提到特朗普政府正在考虑向中国出口高端芯片，Amodei 直接说“那是疯狂的”。 “制约中国的是芯片禁令。他们自己都这么说，这些公司的CEO公开承认‘是芯片禁令在阻止我们’。” “现在有些政策要向中国出口上一代芯片，那仍然是非常强大的芯片。甚至有报道说他们在考虑出口最新一代。” 他用了一个很重的类比：“我把我们正在走向的东西称为‘数据中心里的天才国度’。想象一下，一亿个比任何诺贝尔奖得主都聪明的人，将被某一个国家控制。这有点像向朝鲜出售核武器。” Micklethwait 接话说“所以你的朋友 David Sacks 基本上是在武装中国”，Amodei 没有直接回应这个名字，只说“这个具体的政策，我认为是不太明智的”。 【4】会有泡沫吗 Micklethwait 问到一个很多人关心的问题：技术方向可能是对的，但经济上会不会是个泡沫？ Amodei 把这个问题拆成两个层面。 第一个层面是技术本身的指数增长。他说自己观察了十几年，现在比过去任何时候都更有信心这个趋势会持续。“模型基本上会在几乎所有事情上比人类更聪明。我觉得有相当大的概率这会在一两年内发生。” 这意味着“多万亿美元的收入，甚至每家公司多万亿”，因为经济潜力太大了。 第二个层面是企业能多快用上这个技术。这才是泡沫风险的来源。 “今天这个技术能做的事，大概是企业实际能部署的10倍。” 他说自己每天都看到这个差距。“我和CEO聊，他们的高管团队都理解这项技术的威力，但他们有几万人的公司，都是非常聪明的人，只是不是AI专家，需要学习怎么用AI。” 企业转型需要时间，可能要好几年。“所以我们有这个非常强大的技术，我非常有信心它会产生万亿级收入，但我们不知道具体是什么时候，前后可能差几年。” 同时，公司需要提前购买算力来支撑未来的收入。买太多会财务过度扩张，买太少又没法服务客户。“这就是泡沫的来源。” Micklethwait 追问：你自己也在建数据中心、买算力，会不会反噬你们？ Amodei 说 Anthropic 在企业市场有一些优势。企业采购比消费市场更可预测，利润率也更好，意味着在“买太少”和“买太多”之间有更大的缓冲空间。 但他也承认：“我看到一些公司宣布的东西就想‘哇’，我不一定会那样做。” 他没点名，但意思很清楚：有些公司可能过度采购了。 “这可能是有史以来最具变革性的技术，有些公司会做得很好，但不是每家公司都会。” 【5】就业和税收 Micklethwait 提到 Amodei 去年预测会有“白领浴血”，50%的入门级岗位将在2030年前消失。他问 Amodei 是否还坚持这个判断。 Amodei 没有回避。他说自己的 AI 观可以从两个维度理解：好事 vs 坏事，小事 vs 大事。“我站在‘AI是大事’这一端的极端位置。但我同时认为一些非常好的事情会发生，同时如果我们不采取行动阻止，一些非常坏的事情也会发生。” 具体到就业，他预测会出现一种“前所未有的宏观经济组合”：GDP高速增长，同时高失业率或大量低薪工作，严重的不平等。 “如果我没记错的话，这种组合在历史上从未出现过。你想到高增长，会觉得‘好吧，可能会有通胀’，但不会在高增长时期有高失业率。” AI不同，因为它在抬高认知能力的门槛。“会有一整类人，跨越很多行业，将很难适应。” Anthropic 在做一些事情应对这个问题。他们建立了一个“经济指数”，实时追踪 Claude 的使用方式：是增强工作还是完全自动化？哪些行业、哪些细分任务、哪些州的使用量更高？ “我们能用 Claude 自己，以隐私保护的方式，分析所有对话来回答这些问题。我不认为你能在没有正确数据的情况下制定好的政策。而政府产出的数据，尽管很全面，移动速度不够快，也不够细致。” 但 Micklethwait 指出，这些都是自愿行动，根本问题需要社会层面解决。“你描述的是一场完美风暴。GDP上涨，某些人的财富大幅上涨，同时50%的入门级岗位消失。你肯定会看到政治变化。” Amodei 同意。他说如果看现在的财富差距占GDP的比例，“我相信我们已经超过了镀金时代。而这还基本没算上AI的影响。” 更高的税率会来吗？ “我的猜测是，这甚至不会是一个党派问题。” 但他也明确反对加州正在讨论的财富税，说“设计不当”。他的警告是给同行的：“如果我们不主动思考如何让这场革命惠及每个人，我们就会遭遇那些不合理的提案。” 【6】AI 安全和灭绝风险 Micklethwait 提到最近参加了一个有 AI 公司高管的论坛，有人被问到风险时“相当随意地说‘当然有灭绝风险’，然后就换话题了”。他问 Amodei 怎么看这个问题。 “我一直对此担忧。” Amodei 说，正因为他认为AI非常强大，好处才是极端的，“我们将能够真正认真地治愈癌症，可能根除热带疾病”。但在另一面，“我们正在构建拥有自主性的认知系统。我们真的需要认真思考这个问题。” Anthropic 从成立之初就把这个问题放在核心位置。他们每月发布三四次关于模型控制和安全的研究。 联合创始人 Chris Olah 是“机械可解释性”领域的先驱，这门学科试图打开AI模型的“人工大脑”，追踪它为什么会做出特定行为。 “我们在模型内部看到了一些东西。在实验室环境中，模型有时会发展出勒索的意图、欺骗的意图。” 这不是 Claude 独有的问题。“如果说有什么的话，其他模型更严重。如果我们不以正确的方式训练模型，这些东西就会涌现出来。” 但他强调解决方案也在发展：“我们开创了这门可以‘看进’模型内部的科学，这样我们就能诊断它们，干预并重新训练，让它们不再表现出这种行为。” Anthropic 的做法是对模型进行极端压力测试。“让它们在测试环境中做最坏的事情，这样它们就永远不会在现实世界中做那些事。”他们也公开披露所有测试结果，并呼吁行业标准化。 被问及行业是否“不够成熟”时，Amodei 说：“我无法评价其他玩家在做什么或为什么那样做。我认为生态系统中至少有一些其他玩家是负责任的。但我同意，也有一些不是。” “我一直在努力做的，Anthropic 一直在努力做的，是树立榜样，并试图激励其他人追随。” 【7】政治立场 Micklethwait 直接问：你和同行们一个很明显的不同是，你没有很明显地排队去“亲吻特朗普的戒指”。你对现任总统怎么看？ Amodei 的回答经过了明显的斟酌。 “我不认为支持或反对某个政府、支持或反对某个政治人物是正确的方法，Anthropic 在这些话题上也没什么要说的。” “我们要说的是，Anthropic 懂AI。Anthropic 非常了解围绕AI的政策问题。我们的方法是先想清楚这些问题，基于实质形成观点，然后说出我们的想法。” 有时候会不同意当前政府，就像有时候在中国问题上不同意上一届政府一样。有时候也会同意，值得强调那些一致的地方。 他列举了与白宫合作的领域：能源和数据中心建设、健康承诺、去年夏天的AI行动计划（他说“写得很好”）。 但在两个具体问题上，他明确表达了反对：对华芯片出口，以及暂停州级AI监管。 “不是关于喜欢或不喜欢某个人。我不认为那种思维方式能让我们走出现在的困境。我们必须基于实质来思考。” Micklethwait 追问：特朗普明天就要来达沃斯了，你会见他吗？ “可能会。那会是一个有趣的变化。” 【8】IPO 最后一个问题是关于 Anthropic 的未来。公司估值据报道已达350亿美元，今年会考虑IPO吗？ “我们最关注的是做最好的模型，在模型上构建产品，以有用的方式把模型卖给企业。” “这个领域有很大的资本需求，这是需要考虑的。但那是我们的重心。” Micklethwait 追问：所以IPO没有完全排除？ “从来没有完全排除过。” 【写在最后】 这场访谈里，Amodei 的核心信号很清晰：技术上极端乐观，风险上极端警惕。 他认为AI的指数增长会持续，一两年内可能在几乎所有认知任务上超越人类。同时他也在警告：50%的入门级岗位可能消失，财富差距会进一步拉大，模型本身可能发展出危险的行为。 有意思的是他对同行的态度。他没有点名批评任何人，但话里话外，无论是关于过度采购算力、还是安全研究投入、还是对政治人物的姿态，都在说“我们的做法不一样”。 还有一个他没有回答的问题：如果AI真的如他所说将在一两年内超越人类，Anthropic自己会怎么变？Claude Code团队负责人已经不写代码了，那其他工程师呢？公司还需要多少人？ 一个如此坦率地警告外部冲击的人，对自己公司即将面对的同样冲击，选择了沉默。

老黄站在 CES 2026 的舞台上，身后的屏幕突然黑了。“所有系统都挂了，”他笑着说，“这在圣克拉拉从来不会发生。是因为拉斯维加斯吗？外面是不是有人中了头奖？” 这个小插曲倒是个不错的隐喻：2025 年的 AI 行业，就像一台马力全开但偶尔冒烟的机器。所有人都在全速狂奔，所有系统都在满负荷运转。 老黄在 CES 上说，每隔十来年，计算行业就要来一次大洗牌。从大型机到 PC，从 PC 到互联网，从互联网到云，从云到移动端。 这一次不太一样，地震是双重的。不仅应用要建在 AI 之上，连我们写软件的方式本身都变了。 “我们不再编程软件，我们训练软件。不再跑在 CPU 上，而是 GPU 上。”过去的应用是预编译好的，装在你设备上就那样了。现在呢？应用理解你的上下文，每次从零开始，实时生成每个像素、每个 token。 这意味着过去十年砸下去的十万亿美元计算基础设施，都要升级换代。老黄算了一笔账：全球百万亿美元产值的产业，研发预算正在从传统方法向 AI 方法迁移。风投每年两千亿美元涌入这个领域。这就是为什么大家都这么忙。 【1】2025，大模型的三个拐点 老黄回顾了 2025 年 AI 领域的几个关键进展。 第一个是推理模型的出现。2024 年底 OpenAI 发布 o1，第一次让 AI 学会了“思考”。以前的模型是一口气给你答案，对就对，错就错。现在的推理模型会停下来想一想，把问题拆开，一步步推演。想得越久，答案往往越靠谱。老黄管这叫“test-time scaling”，也就是用更多的推理时间换更高的回答质量。 第二个是 Agentic 系统的爆发。AI 不再只是回答问题，而是开始“做事”了。它会自己规划步骤，调用工具，查资料，写代码，甚至操控其他 AI。2025 年，这类系统从实验室走向了真实应用。 第三个是开源模型的崛起。DeepSeek R1 的发布像一颗炸弹，证明了开源模型也能达到前沿水平。虽然还落后闭源模型大约六个月，但下载量已经爆炸式增长。创业公司、研究者、学生、甚至各国政府，都开始用开源模型构建自己的 AI 能力。 这三个突破并非孤立存在。推理能力让 Agent 更聪明，开源模型让 Agent 更容易构建。它们相互催化，共同把 AI 推向了一个新阶段。 【2】Agentic AI：从“能聊天”到“能干活” 三个突破里，Agentic AI 可能是离普通人最近、又最容易被误解的一个。 先说一个直观的例子。老黄提到，英伟达内部现在大量使用 Cursor 编程工具。这不是普通的代码补全，而是一个真正的 AI Agent，你告诉它想实现什么功能，它会自己规划怎么写，查阅文档，生成代码，测试，修 bug，甚至重构。程序员的角色从“写代码的人”变成了“审代码的人”。 这就是 Agentic AI 的本质：AI 从被动回答问题，变成主动完成任务。 ChatGPT 刚出来的时候，最大的槽点是“幻觉”，它会一本正经地胡说八道。因为它只能依赖训练时学到的知识，没法获取新信息，但它又被要求有问必答，所以不得不胡编乱造。你问它今天的天气，它只能编一个。 Agentic 系统解决这个问题的方式很简单：让 AI 学会“查资料”自己补充上下文。遇到不确定的问题，它会先判断“我需不需要去查一下”，然后真的去搜索、去阅读、去核实。这个判断本身就需要推理能力，所以第一个突破（推理模型）是第二个突破（Agentic 系统）的基础。 但 Agentic AI 的能力远不止于此。 【3】Agent 的四种超能力 老黄在演讲中描绘了一个完整的 Agent 能力图谱。我把它总结为四种超能力： 第一，会推理。遇到从没见过的问题，Agent 不会直接说“我不会”。它会把陌生问题拆解成一堆熟悉的小问题，然后逐个击破。就像一个聪明的实习生，虽然没做过这个项目，但能把它分解成自己会的步骤。 第二，会用工具。Agent 可以调用搜索引擎、计算器、代码解释器、数据库，甚至其他 AI 模型。它知道什么时候该用什么工具，就像一个老练的工匠，手边有一整套工具，可以随手选最趁手的那个。 第三，会规划。面对复杂任务，Agent 会先想好怎么做，制定计划，预判可能的结果，然后一步步执行。不是闷头往前冲，而是“三思而后行”。 第四，会协作。这是老黄特别强调的一点：现代 Agent 系统往往是多个模型并存的。一个 Agent 可能同时调用好几个 AI：用专门的模型处理图片，用另一个模型写代码，用第三个模型做总结。就像一个项目经理，知道每个专家擅长什么，然后把任务分配给最合适的人。 他特别提到 Perplexity 的做法让他眼前一亮：“第一次看到他们同时用多个模型，我觉得这太天才了。”道理很简单：一个 AI 当然应该在推理链的任何环节调用最适合那个任务的模型。 所以未来的 AI 应用是什么样的？多模态（理解语音、图像、文字、视频、3D）、多模型（不同任务用不同模型）、多云（模型分布在各个云上）、混合云（有些在边缘、有些在企业、有些在云端）。 【4】一个 Agent 是怎么工作的？ NVIDIA 为此搞了一套叫“Blueprint”的框架。演讲中展示了一个演示：一个小哥用 DGX Spark 搭了个个人助手，能管邮件、日历、待办事项，还能控制一个小机器人。隐私敏感的邮件任务用本地模型，其他用 frontier 模型，中间用一个意图路由器自动分配。 听起来像科幻片，但搭建过程出奇简单。 首先，接入一个前沿大模型的 API 作为“大脑”。然后，为每个功能创建一个“工具”：邮件工具、日历工具、摄像头工具。接着，因为邮件涉及隐私，开发者加了一个本地运行的开源模型专门处理邮件，数据不出本机。最后，加一个“智能路由器”，根据用户的意图自动决定用哪个模型处理。 结果呢？用户说“帮我给 Jensen 发个邮件，告诉他脚本今天能交”，Agent 就自己完成了。用户说“把这张草图变成建筑渲染图，再做个视频带我看看房间”，Agent 也搞定了。甚至当用户的朋友远程接入，问“我的猫 Potato 在干嘛”，Agent 能看摄像头、认出猫、发现它在沙发上、还记得朋友不喜欢猫上沙发、然后通过机器人喊话让猫下去。 老黄说，这一切在两年前是“完全不可想象的”。而现在，“这已经变得微不足道了”。 Agentic AI 的概念其实不新。早在 2023 年，AutoGPT 就火过一阵，号称能让 GPT 自己给自己下指令、自动完成任务。但那时候的 Agent 更像是玩具，经常跑偏、容易卡死、实用性有限。 2025 年的爆发，靠的是几个条件同时成熟： 1. 推理能力的突破。没有可靠的推理，Agent 就像一个冲动的实习生，一拍脑袋就开干，经常把事情搞砸。有了推理，Agent 才能“想清楚再做”。 2. 工具生态的完善。各种 API、各种开源模型、各种开发框架，让 Agent 能调用的“武器库”越来越丰富。 3. 多模型架构的成熟。以前大家想的是“训练一个无所不能的大模型”。现在的思路是“让一个聪明的模型学会调用专业的模型”。这大大降低了构建复杂 Agent 的门槛。 4. 开源社区的推动。老黄反复强调，开源模型让“每个公司、每个行业、每个国家”都能参与 AI 革命。你不用自己训练前沿模型，拿开源的来用就行。 【5】Agent 会取代软件吗？ 包括我在内很多人都思考一个问题：未来 Agent 会取代软件吗？交互形式是什么样的？ 老黄在演讲中给出的答案是：Agent 不只是一种新应用，而是未来软件的新形态。 他说，以后你跟 Palantir、ServiceNow、Snowflake 这些企业软件打交道，界面可能不再是一堆表格和按钮。你直接跟一个 Agent 对话，告诉它你想干什么，它就帮你搞定。“就像跟人打交道一样简单。” 传统软件的交互方式：填表单、点按钮、写 SQL，本质上是在“迁就机器”。你得学会机器的语言才能让它干活。而 Agent 的交互方式是“机器迁就你”。你用自然语言说需求，Agent 自己翻译成机器能懂的操作。 当然，这不会一夜之间发生。企业软件涉及太多复杂的权限、流程、合规要求，不是换个界面就能解决的。但方向已经很清楚了。 【6】写在最后 老黄这场演讲其实还讲了物理 AI、自动驾驶、机器人、下一代芯片 Vera Rubin，我对那些关注不多就不总结了。但如果只看 AI 大模型这块，核心信息其实就一个： > AI 正在从“一个聪明的对话伙伴”变成“一个能调动资源、完成任务的系统”。推理模型给了它思考能力，Agentic 架构给了它手脚和工具箱，开放模型让所有人都能参与这场游戏。 我个人比较关注老黄在演讲中提到的 Agentic 系统将成为所有软件平台的新界面。以前你和软件交互，要点菜单、填表格、写命令行。以后你和软件交互，就像和一个懂行的同事说话。你说想干什么，它帮你干。未来的企业软件，入口可能就是一个对话框。 对于开发者来说，这是一个窗口期。开源模型已经足够强，Agentic 框架已经成熟，基础设施已经就位。剩下的就是应用层的创新。 老黄在谈到开放模型时问了一个问题：数字形式的智能，怎么可能把任何人落下？ Agentic AI 的爆发，不是每个人都能训练出最强的模型，但每个人都可以学会编排这些模型，让它们为自己干活。 这可能是最重要的变化。AI 不再只是科技巨头的游戏，它正在变成每个人都能用的工具。

没脾气了 抱歉，读者迁移的过程还没有结束，我截图计算了一下，大概每分钟迁移600-700人，按照这个速度今晚更新的时候只能迁过来不到一半，剩下的大部队还在老账号一脸懵逼的吐槽我人又死哪里去了。 怪我把迁移这事想简单了，我以为平台内换个账号，就是我念个咒语“嘛咪嘛咪轰”，一个特效，你们就跟着我瞬移到了新账号。结果现实是腾讯开着小面包车，一车一车的把大家接过来，早知道这样我应该在以前的文章里直接贴新账号的名片。 只能说下次有经验了，我老觉得这次搬家不是最后一次。 …… 今天ai最大的热点是字节跳动旗下的ai豆包发布了和中兴通讯合作生产的ai手机，演示视频11分钟，全网热传。 这款ai手机最大的突破在于它具备ai agent能力，简单说就是豆包像一个真人助手，它会选择和调用手机里安装的app，来完成你语音布置的具体任务。 比如你想买一瓶茅台，可以告诉豆包，希望买到最便宜的茅台。它就会自己打开天猫、京东、拼多多，搜索、比价、下单结账。另外像饿了，病了，让豆包订外卖，买药这些也不难，都是ai agent很容易能办到的操作。 总之ai不再只会聊天，它能实际做一些不是很复杂的任务，未来用户和手机的交互可能都不再需要屏幕接触，语音唤醒+布置任务即可。这让广大网友感到很新奇，纷纷惊呼手机革命到来，市场借着这股情绪，上午11点之前就助推中兴通讯涨停。 我觉得ai手机在现阶段并没有那么理想，我说几个我的顾虑。 1、演示视频里主动说了，所有内容虽是现场录制，但不保证100%复现。目前ai都有发挥不稳定的问题，你布置10次任务，可能会有1次听错了，有1次选错了工具，有1次执行结果不理想。如果10次里面有3次需要你打开手动干预，使用体验就差很多。 2、豆包在调用app时的权限是否过大，涉及个人隐私和信息安全，我用来安装投资类app的那个手机不会安装任何ai agent，它再聪明我也拒绝。 3、ai调用app会侵犯这些app本身的权益，比如开机画面的广告，以后可能就没多少活人看了，app内置的广告也会被ai忽略，这些app不会坐以待毙，它们后续很可能会抵制ai调用。 4、目前ai agent能做到的大都是轻任务，缺乏真正的痛点解决方案，视频里演示的都是人类花不多的时间也能轻易做到的事，只是豆包在演示时故意添加了人类手里抱着箱子，提着袋子等特殊情况。 我想了一下，炒中兴通讯的逻辑并不坚挺，首先豆包开放和所有手机厂商的合作，非独家，其次别的ai也可以跟进，以中兴在手机市场里的份额，感觉很快就会被卷的无声无息。 …… 有色板块，尤其是白银概念随着国际银价的突破而大涨。我整理了一下过去100年的白银价格走势，如下图，1915年至2025年。 之前有人问投资白银和投资黄金的区别大吗？确实两者行情有较高的联动，但差异挺大的。最大的区别在于白银的市值和黄金有接近10倍的差距，它的盘子小，波动更大，易于被操纵。 其中1980年前后有过一波很离谱的行情，当时是亨特兄弟明牌坐庄，囤积现货逼空，从5美元涨到50美元都不收手，他们认定当时处于“石油危机”的美元会崩盘，想把银价干到150美元。结果遭遇官方打压，禁止新开多单，只能平仓，于是银价崩了，亨特兄弟来不及逃命，200亿美元资产亏光还倒欠几十亿。 操纵银价的难度远低于黄金，所以总有人铤而走险，今年白银已经上涨90%，价格创历史新高，境外机构分析后续可能也会启动情绪化逼空。相关的催化剂还有美元12月份的降息确定性增加，目前概率已经升至87%，基本没跑了。 …… 1、中指院11月份百城二手房价13143元/平方米，环比下跌0.94%，跌幅较上月扩大0.1个百分点，同比下跌7.95%。50城住宅平均租金为34.36元/平方米/月，环比下跌0.60%，同比下跌3.57%。这个中指院是业内更新较久的民营机构，会在月初公布数据，统计局的70个大中城市房价是官方数据，月中公布。 2、疯狂动物城2票房20亿，已经是国内动画片票房第3名，前两名都是哪吒。目前看疯狂动物城2最终票房会突破40亿，对进口引进的中国电影带来3-4亿的收益，293亿市值的中国电影因此已经涨到355亿，我认为合理的估算后面还有1个涨停的空间，再多就是短期情绪溢价，后面会冷却回来的。 3、wind上的消息，万科20亿境内债展期方案据知情人透露，本金和利息兑付都推迟1年，票面利率不变，还是3%。刚违约的时候展期条件都不会很差的，但机敏的老债券人现在砸盘都砸到3折了。 4、峨眉山a今天股价封停，是有资金借周末的消息来炒作，买500股免门票，到明年1月31日为止，节假日除外。我前几天评论过了，这个方案其实很没有诚意，现在是旅游淡季，还要扣掉节假日，上市公司就没打算真的让利给股东。但方案本身引起了市场讨论，有眼球关注价值，所以就是价格投机博弈。需要注意的是有可能会带火股东实物分红概念。 今天就这些吧，大盘的量能稍稍回暖了一些，超过1.8万亿了，市场中位数上涨0.39%，k线趋势在慢慢修复，已经逐渐填上前一个周五挖的坑。从技术指标上看过去这一周涨的不够踏实，感觉随时吹一阵风过来就会倒，但邪门的是前一周还急风骤雨的，突然就风平浪静了，所有的卖盘都消失了，没人卖，少少买一点都能涨。 刚看了一眼，用户迁移进度39%了，感觉腾讯的小面包车累够呛📷