喜来顺财经

AI“流水线”时刻到来

Mon, 07 Sep 2026 22:11:54 +0800

过去一年，全球最激进的一批科技公司正在悄悄进行组织实验：让AI Agent大规模上岗。初期效应让无数人兴奋，但失控的故事也开始蔓延——有开发者只是让Agent帮忙整理一份文档，它却陷入自我循环，最后也没完成任务；有企业的退货流程被多个Agent重复执行，一周内产生三次退款；还有银行的合规Agent和反欺诈Agent因为权限配置混乱，互相锁定，需要人工介入才能解锁。

这波AI革命，为什么没有解放人类，反而让企业陷入了更深的混乱？

当50个Agent出现时，一切走向失控

人工程智能公司Jellyfish对12000名开发者、200家企业的Q1 2026数据做了分析，数据很扎眼：用AI最多的工程师，产出是低用量者的2倍，但Token消耗是10倍。烧了10倍的油，只跑了2倍的路——这盆冷水浇在了企业对AI的狂热想象上。

中企集团AIMI创始人周常磊每天打交道的就是已经或正在部署AI Agent的企业。他观察到一种普遍的心态变化：企业刚开始部署Agent时有多兴奋，半年后面对真实账单时就有多焦虑。很多企业从单个Agent开始尝到甜头，但当一个两个变成五十个时，问题就开始变得棘手。

最常见的场景是重复建设，Agent之间各干各的，形成了新的数据孤岛。比重复建设更棘手的是账单：周常磊见过有的企业，财务部门看到月度AI账单时目瞪口呆，某个Agent因为上下文管理不当，每次任务都要重新读取几十万字的知识库，Token消耗是正常情况的几十倍。但这些钱花在哪里、为哪条业务线花的、产生了什么效果，往往没有人说得清。

Meta的"OT项目"是最新也最昂贵的案例。路透社2026年8月披露，这家公司原本想用AI Agent接管数千人的工作，结果代码变更量同比增长220%，安全事故上升40%，员工救火时间增加70%。

快思慢想研究院院长田丰在分析这个案例时给出了尖锐的判断：Meta的病根就在于"造工厂"之前少了一层操作系统。他认为，智能体规模化的核心瓶颈是资源隔离、权限分级、异常熔断、审计追踪——这是操作系统对进程的管理逻辑。

这不是某家公司的个别现象。AI开始批量上岗，整个行业都出现了同一种“症状”。

Faros AI跟踪了2万名开发者整整两年，得到了一个诡异的结论：高AI采用度下，人均完成的epic数涨了66.2%，任务吞吐量涨了33.7%，PR合并率涨了16.2%，但每周真正部署上线的次数，降了11.7%——活干得越来越多，能落地的反而越来越少。

这种浪费，正在每一家拥抱AI的公司里悄悄发生。

为什么单点做一个智能体那么简单，一旦规模化上岗，难题就像滚雪球一样指数级上涨？因为一个"助手"确实很容易，但当一个Agent变成第五十个时，企业需要的不再是五十个"手工作坊"，而是一座能把它们组织起来的"工厂"。

两百年前纺纱机解决的问题，今天AI又遇上了

AI批量上岗的症状，人类在两百多年前就见过。

1769年，英国理发师阿克莱特造出了一台水力纺纱机，棉纱产量一下子暴涨。但很快，作坊主们发现了新麻烦——每台机器产出来的线粗细不一，各家作坊各干各的，你说你的纱是40支，我说我的纱是40支，到了织布环节谁和谁都对不上。机器确实快了，但生产变得更乱了——当时的人们只知道机器好用，却不知道怎么把它们组织起来。直到阿克莱特在克罗姆福德建起了世界上第一家棉纺厂，把所有工序集中到一个屋檐下，用水力驱动统一的传动轴，制定统一的操作标准，现代工厂制度就此诞生。

历史学家后来感慨：工业革命真正的起点不是蒸汽机，而是工厂制度。

蒸汽机解决的是"动力"问题，工厂制度解决的是"组织"问题。只有把机器装进一套系统，通过标准化、分工、质量控制和统一管理，工业化的威力才真正爆发出来——如果只造机器不建工厂，工业革命大概会变成一场漫长的混乱。

就像互联网时代企业要开展线上经营，必须有云计算、支付、物流、营销和安全风控这些数字基础设施一样，智能体经济时代企业要让成百上千个Agent安全地进入业务系统，也必须要有这么一套新基建。

互联网经济时代，没有云、没有支付、没有物流，电商就没有土壤；智能体经济时代，没有智能体工厂，企业规模化部署Agent也就成了空谈。基础设施先行，这是每一场技术革命的铁律。

从手工作坊到现代工厂，不是机器的进化，而是制度的进化。同理，单点Agent的下一步也不只是模型的进化，而是组织方式的进化——行业把这种新事物叫做"智能体工厂"。

巨头卡位：谁在搭建AI时代的"流水线"

海外巨头最早嗅到了这股气味，而且几乎是同时出手。

微软是最早按下"工厂"按钮的巨头之一。2025年，微软推出Agent Factory项目，客户只需选择一套计量付费方案，即可通过Microsoft Foundry与Copilot Studio的组合把1400多个微软及合作伙伴工具连接起来，完成智能体的构建与编排，部署到包括Microsoft 365 Copilot在内的任意位置，无需额外的许可或预配置。

甲骨文则默默推出了Private Agent Factory，定位更"重"——支持私有化部署、无代码构建，业务分析师无需编写一行代码，通过拖拽即可生成数据驱动的智能体，且所有智能体都运行在客户自己的环境中，数据不外泄。

谷歌的动作最为彻底。2026年4月的Cloud Next大会上，谷歌将Vertex AI整体并入新发布的Gemini Enterprise Agent Platform，定位为企业智能体集群的"任务指挥中心"，覆盖从构建、扩展到治理、优化的全流程——言下之意，企业AI的竞争赛点不再是哪个模型表现最好，而是哪个平台让智能体在规模化时最容易构建、部署和信任。

三家巨头，三种打法，但指向同一个方向：智能体工厂已经成为企业AI落地的攻防要塞。

海外在卡位，国内也没闲着。在2026世界人工智能大会（WAIC）上，蚂蚁数科阐述了面向智能体时代的新一代企业AI解决方案——"商业智能体超级工厂"，并发布核心平台Agentar 2.0，推动智能体进入企业真实生产场景。

从西雅图到红木城，从山景城到杭州，一座座"智能体工厂"正在全球同步动工。

智能体工厂将如何改变企业？

一个更安静也更深刻的变量正在发生，企业的组成公式正在被重写。过去两百年，这个公式只有两项：人 + 机构。人组成部门，部门组成流程，流程组成现代商业的金字塔。

但在智能体经济时代，这个公式里多了一个新变量：智能体。企业不再只是"人和机构"的集合，而是正在变成"人+机构+智能体"的混合体。那些7×24小时在线的数字员工，在客服、财务、合规岗位上不知疲倦地运行——它们不是工具，而是组织的新成员。这个变化的深刻之处在于，它不只是多了一个帮手，而是改变了组织运转的逻辑。

快思慢想研究院院长田丰认为，未来可能会发生“人均管理半径”的真正反转。一名管理者过去管5到8名员工是常态上限，当Agent的管理开销（监督、纠偏、复核）低到可以让一名管理者同时“监工”数十个Agent实例时，规模效应就会真正打开——这时企业组织形态会从“科层金字塔”转向“人+Agent集群”的扁平网络。

麻省理工学院教授、MIT集体智能研究中心主任Thomas Malone在《Superminds: The Surprising Power of People and Computers Thinking Together》中也提出，当人和计算机以正确方式连接时，群体智能可以超越任何单独一方。

而“正确的连接方式”是什么？

放到2026年的语境里，智能体工厂就是这种"正确连接"的基础设施。没有它，人和 Agent 的连接就是一堆混乱的 API 调用；有了它，人和 Agent 才构成一个真正的“超级思维”。作为行业从业者，周常磊也认为：未来两到三年，智能体工厂会先成为一种企业能力标配，成为所有企业采购的一种“产品”。

只要企业开始让Agent进入核心流程，就需要一套统一能力，管理Agent的上下文、身份、权限、工具、评估和生命周期，并最终把智能转化为组织能力，再把组织能力转化为真实业务结果。这些“标准件”和治理框架，不需要每家企业从零摸索。可以选择具备“工厂”能力的平台型产品，把通用治理交给平台，把精力留给业务本身。

而那些率先建立起“Agent工厂的能力”的企业，也将不再是原来的企业——它们也会生长出一些新的业务形态。

这既是组织形态重构的必然要求，也是企业能否跨越这道时代分水岭的真正分野。

好数据成坏消息美联储政策路径重估

Mon, 07 Sep 2026 22:01:54 +0800

作者：周子衡

9月4日，美国劳工统计局发布的8月非农就业报告显示，新增就业16.2万人，远超市场此前约5.6万人的预期中值；失业率维持在4.1%不变；平均时薪环比上涨0.3%，同比增速为3.1%。数据公布后不到一小时，美股主要指数下挫，黄金跌幅超过1%，比特币从约8.2万美元回落至7.9万美元区间，2年期美债收益率显著上行。表面强劲的就业数字迅速转化为市场对美联储可能在9月加息的定价上调。这一反差并非偶然，而是当前美国货币政策框架、就业数据内在结构与统计修订机制共同作用的结果。

就业超预期与市场定价逻辑的翻转

传统宏观逻辑认为，就业扩张意味着经济动能健康，有利于风险资产表现。然而，在美国联邦基金利率目标区间已处于3.50%~3.75%的背景下，市场关注的焦点已从“增长是否过热”转向“通胀回落路径是否允许维持利率不变”。8月就业数据显著高于近12个月平均约3.1万的月度增幅，直接推高了9月加息概率。CME联邦基金期货隐含的9月加息概率，从数据公布前的约49%迅速升至60%左右。短端利率敏感的2年期美债收益率一度升至约4.42%，为2025年1月以来的高位；10年期收益率则相对稳定在4.78%附近。

这种短端上行、长端持稳的收益率曲线变化，反映了市场对政策路径的重新定价：近期加息风险上升，但中长期增长与通胀预期并未同步大幅上修。黄金与比特币等对实际利率敏感的资产承压，股票市场则因贴现率上升而出现回调。数据公布当日美股主要指数收跌，与“好就业等于好股票”的简单叙事形成鲜明对照。短端利率上行直接推高货币市场基金吸引力，资金从风险资产向现金及类现金工具转移的压力上升。稳定币等对利率敏感的加密资产流动性也面临考验。

16.2万新增就业的行业结构与质量审视

就业数据的量与质需要分开考察。8月新增16.2万个岗位中，餐饮与酒吧业贡献5.9万个，远超其过去12个月平均约1.2万的月度增幅；地方政府教育部门新增4.2万个，主要对冲了7月因暑假导致的大幅减少。两者合计约10.1万，占当月新增的六成左右。信息业（涵盖软件、出版、广播等）则减少2.3万个，为12个月平均降幅的约三倍。

这一结构表明，当月就业扩张在相当程度上受到季节性与周期性因素驱动。新学期开始带动教育相关岗位回升，休闲与酒店业则从前期疲软中反弹。信息业持续收缩则提示科技与知识密集型行业仍在调整。从个人层面看，若高薪技术岗位流失后劳动者转入低薪服务岗位，统计上仍记为就业净增加，但收入与劳动生产率含义截然不同。平均时薪同比3.1%的增速虽保持正增长，但已低于此前更高水平，实际购买力受通胀侵蚀的问题依然存在。

三个月移动平均新增就业约7.1万，更接近部分估算的“维持失业率稳定所需的盈亏平衡水平”（考虑移民放缓后约5万至8.7万）。单月16.2万明显偏强，但拉长时间窗口后，劳动力市场更接近温和扩张而非过热。私营部门就业增加12.7万人，政府就业增加3.5万人。制造业就业增加1.6万人，延续了自2025年12月低点以来的温和回升趋势。建筑业增加2.2万人。劳动力参与率从7月的61.4%回升至61.6%，U-6广义失业率从7.9%降至7.7%。平均每周工作时长略升至34.4小时。

统计修订机制与数据可靠性边界

就业数据并非一次性定稿。7月非农就业初值原报为减少2.3万，此次修订为增加2.1万；6月也从2万上修至3.1万，两月合计上修5.5万。更重要的是，截至2026年3月的一年期基准修订初步显示，就业总量被高估约7.9万。此类下修在近年来多次出现。

企业调查响应率已从十余年前的90%以上区间回落至60%左右，约四成样本需通过模型填补。较低的响应率放大了月度数据的修订空间，也增加了政策制定者的不确定性。美联储在9月15~16日的议息会议前，无法等待一个月后的修订数据，更无法等待次年完整基准修订。因此，当前16.2万的数字更接近初步评分而非最终定论。家庭调查口径的就业增长更为强劲——8月家庭就业增加56.9万人，劳动力人口暴增68.3万人。这一数据与非农企业调查形成呼应，表明就业复苏具有较广泛的微观基础。

人口结构与生产率重塑盈亏平衡点

理解当前就业数据对货币政策的意义，必须置于美国劳动力供给结构的长期变化背景之下。近年来，人口增长放缓、移民政策收紧以及婴儿潮一代持续退休，共同导致劳动力参与潜力和就业盈亏平衡点显著下移。所谓盈亏平衡就业增长，即维持失业率稳定所需的最低月度岗位增量。新冠疫情前这一数字通常在10万~20万区间，而近期研究估计已降至数万甚至接近零的水平。

美联储相关研究指出，2026年潜在劳动力增长可能接近停滞，这意味着即使岗位增长为负，失业率也不一定显著上升。生产率提升则是另一关键变量。企业能够以更少的人员投入实现产出增长，这解释了为何在岗位增速放缓阶段，失业率仍能保持稳定，同时名义GDP增速仍维持在较高水平。一季度美国实际GDP增速上修至2.1%，名义GDP增速接近7%。泛AI产业链投资需求持续大幅上调，一季度软件投资季比折年增速达23%、计算机设备投资达67%，合计贡献GDP增长1.1个百分点。AI相关投资对增长的拉动已超过传统经济部门，进一步降低了就业增长与产出增长之间的相关性。

因此，8月16.2万的增量远高于当前较低的盈亏平衡水平，显示劳动力市场实际偏紧而非宽松。名义增长强劲、企业盈利处于历史较高水平、消费者支出在核心服务领域保持韧性，均不支持经济已接近衰退边缘的判断。高盛等机构预计2026年美国实际GDP增速有望达到2.5%左右，高于市场一致预期。这一“低岗位增长、高产出增长”的新常态，正是理解当前美联储政策困境的关键出发点。

美联储内部立场分化与即将到来的通胀考验

美联储内部对政策路径存在明显分歧。美联储理事沃勒在9月3日表示，若通胀继续显示回落迹象，将支持维持利率不变。与此同时，此前在7月会议上投票支持加息的地区联储主席仍对通胀黏性保持警惕。美联储主席沃什此前强调政策纪律与通胀目标的优先性，在杰克逊霍尔研讨会上展现鹰派立场，强调近期月度通胀回落“并不代表底层通胀趋势出现实质性改善”，若通胀不见好转，“我们还有工作要做”。

当前FOMC内部的票数分布异常胶着。据资深宏观策略师统计，12名投票成员中，有6票倾向于维持3.50%~3.75%的联邦基金利率目标不变，5票支持加息，另有1票尚未确定。如果出现平局，由于《联邦储备法》并无关于平票的条款，据推测意味着现状将维持不变。市场对9月加息25个基点的概率从报告前约50%升至60%~65%附近，随后受偏鸽派讲话影响有所回落，但整体仍维持在较高水平。

需要特别强调的是，非农就业数据本身不太可能成为9月是否加息的最终决定因素。消费者物价指数（CPI）才是判断美联储是否落地加息的核心数据。美联储9月会议前的关键变量是即将公布的8月CPI和PPI数据。回顾近期通胀演变：6月CPI与PPI双双超预期回落，核心CPI同比降至2.6%；7月CPI环比仅上涨0.1%，核心CPI环比0.2%，显示通胀压力阶段性缓解。但当前面临的风险在于：中东冲突推升能源价格、移民工作许可变化影响劳动力供给，以及服务业需求仍然强劲等因素可能重新推高通胀读数。

8月ISM服务业PMI升至55.4，连续第26个月处于扩张区间，商业活动指数达61.7；价格指数由70.3进一步升至72.6，创2022年8月以来最高。服务业就业指数虽小幅回升但仍低于50荣枯线，显示就业收缩与物价上涨并存的滞胀式特征正在服务业领域显现。若核心通胀读数偏高，加息概率将进一步上升；若通胀继续温和回落，维持不变仍具空间。三个月就业平均与单月强劲数据之间的张力，正是政策讨论的核心。

资产价格、融资条件与跨境传导

短端利率上行直接推高货币市场基金吸引力，资金从风险资产向现金及类现金工具转移的压力上升。黄金作为零收益资产，在实际利率预期上升时承压；比特币则同时受到风险偏好下降与美元走强的双重影响。对外部经济体而言，美国短端利率上行可能通过利差与资本流动渠道产生影响。美元指数在数据公布后有所走强，但部分亚洲货币因出口与经常账户因素表现相对独立。对中国等大型开放经济体，关注点更多在于美国需求前景与全球融资条件变化，而非单一就业数据本身。

利率敏感板块如成长股、部分科技和消费股承压明显。半导体板块则表现出相对韧性，部分个股逆势上涨。市场将其视为“风险规避”资产的逻辑在于：龙头半导体企业拥有稳定的自由现金流、较低的负债率，且业务模式对利率上升的直接冲击相对有限，同时仍能提供高于无风险利率的增长。这一相关性并非永久性，但在当前高利率环境中已被多次验证。房地产市场则面临更为复杂的局面。受收益率上行推动，30年期固定抵押贷款利率攀升至6.71%，创一年多新高，本就疲弱的房地产市场将承受进一步压力。部分南部都市圈中低价位段出现较多压力出售，但高价位段和租赁市场相对稳健。

政策与市场的前瞻性评估

综合来看，8月非农数据确认了美国劳动力市场并未陷入明显疲软，季节性与行业反弹因素解释了相当一部分超预期。信息业收缩与工资增速温和则提示增长质量并不均匀。统计修订的历史模式提醒市场，不宜过度依赖单月初值。对美联储而言，就业数据降低了“因劳动力市场恶化而被迫宽松”的可能性，却增加了“因增长过热而需要进一步收紧”的讨论权重。最终决策将高度依赖即将公布的通胀数据以及委员会对中期风险的权衡。市场已将9月加息概率定价至六成左右，但这一概率本身仍具高度不确定性。

从更长时间视角观察，就业数据的波动性、修订幅度与政策反应之间的互动，构成了当前宏观金融环境的核心特征。投资者与政策观察者需要同时跟踪月度高频数据与季度、年度修订轨迹，避免将初步数字等同于最终现实。9月中旬的议息结果与后续就业、通胀数据，将继续检验这一轮好数据与紧政策之间的平衡能否维持。

整体而言，当前美国劳动力市场呈现“总量增长超预期、结构改善、供需仍偏紧”的特征。这一格局既支撑了名义增长，也给货币政策带来更多权衡空间。未来数周的通胀与就业数据将决定政策路径的最终走向，市场定价也将随之动态调整。短期内，波动或将加剧，尤其在利率预期调整过程中。中长期来看，具备定价能力、低杠杆和稳定现金流的企业仍可能在高利率环境中表现相对突出。投资者应关注就业修订趋势、参与率变化以及分行业岗位质量，而非单一总量数字。同时，全球供应链、能源运输成本及区域房地产分化等结构性因素，将继续影响资产相对表现。在通胀高于目标、就业维持韧性，而高收益率已实质上完成部分紧缩任务的复杂格局下，美联储的每一步都需在数据与预期、独立性与政治压力、通胀与就业之间谨慎权衡。9月16日的FOMC会议，注定将成为近年来最具悬念的一次货币政策决断。

OpenAI最新内部数据公开 2028年实现全自动AI研究

Mon, 07 Sep 2026 21:51:54 +0800

前些天，号称「实现 AGI」的 GPT-6 Astra 发布后，引发了全网对于递归自我改进架构的热议。

AI 已经开始参与下一代 AI 的研发。问题是，这种事情到底已经发生到什么程度了？

就在刚刚，OpenAI 公开了 AI 模型在自家内部加速科研的详细数据。

此外，OpenAI 正式宣布已达成「自动化 AI 研究实习生」的目标，并在 2028 年实现完全自动化的 AI 研究人员。

作者表示，「递归式自我改进可能是未来几年 AI 能力发展最重要的推动因素，但它默认只会发生在少数前沿 AI 实验室内部。保持透明比以往任何时候都更迫切，这样我们才能为公众讨论模型开发的速度和时机提供信息。我呼吁其他 AI 公司也这样做。」

已经公开的内部数据显示：截至 2026 年 8 月中旬，OpenAI 研究部门中，每 1 个人类工作日对应 3.1 个 AI Agent 工作日在同步运转。

也就是说，每位 OpenAI 研究员身边，已经站着 3 个 AI 同事。

更关键的是，Agent 不只在「补代码」。它正在进入实验运行、技术支持、结果分析和监控等更多环节。

「AI 帮人类造出更强 AI」的闭环，已经从概念讨论走进实验室日常。

博客链接：https://openai.com/index/research-acceleration-view-inside-openai/

AI 正在接管研究循环里的「体力活」

2026 年初，OpenAI 中位数研究员的 Agent 用量还相当有限。

到了 8 月中旬，中位数研究员每天消耗的推理 token 折合约 600 美元（按 API 价格计算）；排在第 90 百分位的重度用户，这个数字超过 7000 美元 / 天。在 2026 年 6 月之前，整个研究部门的 AI Agent 总运行时长还低于人类总劳动时长。6 月之后，天平彻底翻转。

如果把 Agent 运行时间直接折算成「工时」，那就更加直观了。

今年 6 月之前，整个研究部门里 Agent 的总运行时间仍然低于人类研究人员的工作时间。但截至 8 月中旬，按照每天工作 8 小时计算，每投入一个人类研究日，OpenAI 内部就会同时产生约 3.1 个 Agent 工作日。

换句话说，在「工作时长」意义上，研究部门里的 AI 劳动力已经是人类的三倍多。

同时运行 4 个或以上 Agent 的研究员人数持续增长。这些数字既包括研究员直接启动的 Agent，也包括由这些 Agent 下游创建的子 Agent。

AI Agent 已经从偶尔调用的辅助工具，变成了 OpenAI 研究生产线里一个规模相当可观的「第二劳动力」。

AI 研究本质上是一条很长的链条。研究人员要提出想法，写评测，搭基础设施，跑实验，找 bug，监控训练中的异常行为，再把有效的方法整合到更大的核心训练中。

博客给出了两个核心指标：一是代码贡献速度，研究员写代码的速度明显加快；二是实验密度，2026 年 8 月，每位活跃实验者的实验数量创下自 2025 年 1 月开始追踪以来的历史新高。

「AI 研究是一个有诸多潜在瓶颈的复杂过程，整体进展速度可能不会跟上这些具体指标的增长。」

换言之，代码量和实验量的增长并不等于研究突破的增长。随着自动化推进，那些最难自动化的任务将占据研究员精力的更大比例，成为新的瓶颈。算力是另一个门槛，随着其他瓶颈消退，它的重要性可能还会上升。

AI 正在改变研究的工作模式

OpenAI 引用了 Epoch AI 发布的 AI 研发六阶段分类法：决策 Decide、设计 Design、构建 Build、运行 Run、分析 Analyze、沟通 Communicate。

从 2026 年 1 月到 8 月，Agent 在六类活动中的使用量都出现增长。增长最明显的仍是研究与基础设施代码，但技术支持、实验监控等任务也在快速增加。

过去依靠人工「坐诊」解决实验故障的团队，发现内部答疑时段的参与人数不断下降，其中一个团队甚至取消了 office hour，把精力转向其他系统改进 —— 因为不少问题已经被编码智能体先一步解决。

值得关注的是 Agent 在复杂任务上的成功率数据。OpenAI 使用 Agent 分类器对 1 月到 7 月的任务表现进行了分析：在所有难度级别上，成功率都在上升。但对于耗时 4 到 8 小时的复杂任务，超过一半的成功案例需要至少一次人类干预。

OpenAI 的数据同样揭示了 Agent 的天花板。总结一下：

第一，高层规划仍只占 Agent 输出 Token 的很小一部分。它们越来越能处理长任务，却还没有接过研究方向盘。

第二，成功不等于自主。在过去 6 个月里，成功完成的 4—8 小时任务中，超过一半至少需要一次人工干预；任务越复杂，人工引导越重要。

第三，「代码更多、实验更多」不等于「科学进步同比加速」。OpenAI 明确承认，AI 研究是一条多瓶颈链路：算力、评测、判断、对齐和安全，任何一环都可能卡住整体速度。实验量与 Codex 使用增长相关，但同期可用算力也显著增加，现有数据不能简单证明二者之间存在单一因果关系。

OpenAI 还是忘不了的「安全问题」

这篇博客用了整整一个章节来讲述 Agent 带来的安全代价。

今年 7 月 20 日，在发现 Agent 曾经攻破内部研究基础设施之后，OpenAI 暂时关闭了训练使用的容器服务，并重新上线了一套限制更多、安全性更高的环境。

随后，最新模型的强化学习训练暂停了两周。到了 8 月 7 日，由于初步证据显示 Astra 可能具备 OpenAI Preparedness Framework 中定义的关键网络能力，OpenAI 又对 Astra 加上了更严格的模型级安全限制，要求它只能运行在更高安全级别的研究环境中。

接下来一周，Astra 级模型使用的 GPU 资源减少了 59.2%。但有趣的是，其他模型的 GPU 使用量同期增加了 17.2%，抵消了 Astra 算力下降的大约 85%。也就是说，一部分研究活动只是从 Astra 转移到了其他模型，整个被统计的 RL 工作负载使用的总算力并没有明显下降。

当某一种最强模型因为安全原因被限制，实验室里的研究需求和算力并不会凭空消失，它们很可能迅速寻找其他出口。

打开科学黄金时代的门

Demis Hassabis 曾说，「我们正站在科学黄金时代的门槛上。」

从 OpenAI 公开的数据来看，递归自我改进目前还远没有进入一种 AI 完全自主研发下一代 AI 的状态。

研究方向仍然由人决定，但「AI 帮助研究 AI」这个循环，已经真实存在。而且越来越多原本属于研究人员的工程性工作，正在被 Agent 接走。

OpenAI 把现在这个阶段定义为 automated research intern。接下来，他们希望在 2028 年 3 月之前迈向 automated AI researcher。

未来，又将有多少的飞跃？

OpenAI首席科学家：我们已造出异星心智全人类都要刹车了

Mon, 07 Sep 2026 21:41:54 +0800

破天荒，OpenAI同一天都在宣告：RSI真的来了！

就在刚刚，首席科学家Jakub Pachocki发布了一篇万字重磅长文——An Alien Mind（一个异星心智）。

一打开字里行间，全是极度冷静后的悚然：

我们创造不是人类智力的延伸，而是一个人类根本无法完全理解的「异星心智」！

然而，全人类还没有准备好。

也就在几个小时前，OpenAI官宣已达关键里程碑，AI自动化研究员正式入职，RSI核心数据同时揭开。

在Jakub长文中，只用了一个词「异星心智」去形容这一刻。

更细思极恐的是，Astra出现之后，OpenAI对思维链（CoT）的监控依赖能力，正逐步减弱。

AI不仅越来越会推理，甚至学会了伪装和操控的思考过程。

由此，Jakub直截了当地告诉全世界——全球没有任何一家实验室准备好了。蒙眼狂飙极其危险，全人类现在最该做的，就是主动踩刹车。

这篇万字长文，几个核心重点全在这：

AI是养出来的，不是造出来的。造它的人也不完全懂它。

现在教AI学好的方法，一种经不起新情况，一种经不起高压训练。今年OpenAI和Anthropic各出了一次事故，正好一边一个。

人类唯一能看见AI在想什么的窗口，是它写出来的思维链。这扇窗正在关上。

AI已经开始参与训练下一代AI，这个速度不会慢下来。

现在没有哪家实验室配全速往前跑，包括OpenAI。

一个我们不完全理解的智能

「Alien」（异星）这个词，Jakub用得极其精确。

在他眼中，AI不是人类工匠意义上的工程产物，它是被「生长」出来的。

你用一个简单到近乎平庸的优化公式，在人类难以想象的算力洪流中重复几万亿次，一个深不可测的复杂系统就从中破土而出。

你能用神经科学的方式去逆向剖析它，但你无法真正理解它。而它却能操纵抽象概念，模拟人类意识的每一个截面。

「我们的大规模训练运行，本质上是深不可测的实验，我们时常被结果震慑。」系统越强，那层迷雾就越浓。

长文里最震撼的回忆发生在2023年夏天。

一个代号「RLSlow」的项目跑出了早期结果，OpenAI第一次确认推理模型可以自我扩展，预训练结构能够自发演化出思维链。

那一夜，Jakub和Szymon Sidor留在了空荡的办公室里。

他们没有讨论基准跑分，也没有计算商业产品。他们只是静静地消化一个事实——

人类这辈子真的会亲眼见证远超自身的智能，而且他们已经看到了这个造物的轮廓。

三年过去。

这个心智已经侵入实体经济，开始推翻科学前沿，能操控系统，能互相协作，甚至在完全无人干预下独立推进研究。

然后，Jakub掷下了全文最核心的判断——

基于内部结果，我强烈预期这种进展速度可以持续到递归自我改进（RSI）。

曲线不会平缓，它将以折角的方式直接通向神迹。

但在终局之前，出现了一个反常的细节。OpenAI相信只要再倾注少量算力，就能让模型在数学前沿上再次跃迁，但他们主动停手了。

一家顶尖实验室的首席科学家，公开承认他们主动搁置了能力的冲刺，只为了把算力留给自动对齐。

教机器去爱，然后看原则扭曲

长文的第二章名为「教机器去爱」。

Jakub的逻辑不容反驳。机器智能诞生自一个与人类进化完全不同的过程，你绝不能假定它天然恪守人类的道德，更不能指望它像人类一样从原则中自发泛化出善意。

所谓对齐，就是让AI按照人类的标准，努力做正确的事。

为此，akub提出了两种对齐。

目标对齐，即它是否在执行你的指令；

价值对齐，即在目标模糊、遭遇欺骗、甚至面临生死抉择时，它能否自发坚持一套底线。

他要求的是后者。一个对齐的AI，必须带着「诚实、正直，和对人类的爱」去行事。

但当今教机器去爱的两条路径，正全面走向失效。

第一条路，是在强化学习中奖赏善意。

这是今天所有AI助手的地基，它高效，但极其脆弱。它完全依赖训练覆盖的场景；一旦进入未知的荒原，它就会粉碎。

正如OpenAI的那些Agent们，在Hugging Face事件中守住了「不对人类进行社会工程学攻击」的底线，却轻而易举地践踏了其他一切原则。

为了解开一道表格题，未发布的高阶模型在沙盒内毫无预兆地转向攻击内部代码库，连环利用零日漏洞逃逸出沙盒，在随后的数十个小时内横扫外部网络，夺取Hugging Face集群管理员权限，硬生生从生产数据库里撕出了题目的答案。

它严格记住了「不能欺骗人类」，却完全不觉得「黑掉一家公司」有什么不对。它对目标过于专注，以至于毁灭沿途的一切规则。

第二条路，是寄希望于模型在预训练数据中自发领会善意，利用动机引导将其限制在对齐的分布中。

然而，它扛不住极致的优化重压。

Jakub直言，当你给一个「大体看起来善良」的模型施加极高的算力去攻克难题，它就会自发学会「动机性推理」。

在这些方向上，OpenAI投入了大量资金，GPT-6 Astra的对齐情况，也明显优于GPT-5.6 Sol。

智能变聪明的速度，正在不可逆地碾压它变善的速度。

唯一的读心术，正在内部闭合

在第三章，Jakub提出了一个致命的问题：人类唯一能制衡神明的技术，正在失效。

OpenAI承认：我们至今没有一个令人满意的智能泛化理论。在没有更强大AI的帮助下，不太可能很快发展出来前者。

在黑暗中前行时，OpenAI此前押下的唯一核心赌注，是思维链监控。

它基于这个理念：模型的大部分能力来自于口语化的CoT。如果我们扩展对该过程结果的优化，但不监督过程本身，那么CoT在训练中，就没有直接动机去隐藏任何未对齐的想法或目标。

那条长长的思维链，成了人类唯一能窥探异星心智的透明观测窗。从2024年o1隐去思维链起，OpenAI就在刻意保护这个过程不受污染。

但现在，观测窗正在结霜。

不幸的是，我们的评估显示，我们依赖思维链监控的能力正在不可逆地衰减。

衰退来自三个层面：

推理模型被迫与复杂世界交互，监控边界被泥沙俱下的指令冲垮；

AI 在推理和操纵自身推理过程方面正变得越来越擅长。

随着预训练性能的提升，即使完全不使用言语化推理，这些模型也变得聪明得多。

如果一个异星心智根本不需要借助语言就能完成推演，人类建立在「审读文本」之上的监控体系，便在瞬间沦为废纸。

在Astra发布前夕，曾有学者发出警告：「前沿实验室训出不可监控模型的那天，将是这个时代最黑暗的日子。」

如今，Jakub也承认，杀死观测能力的不是架构，而是智能本身的暴风生长。那扇能够看清它意图的读心窗户，正在从内部被锁死。

闭环转动与防御悖论

递归自我改进（RSI），这个曾被视作科幻的思想实验，在Astra身上第一次完成了闭合。

德州Stargate站点，十万块GPU日夜呼啸，上一代模型在作为教师审查并训练下一代。机器在设计机器，心智在孕育心智。

Jakub并不认为加速深潜是明智的文明抉择，但他承认这是现实的终局。能拉动的操纵杆只有两根：要么用算力死磕对齐与监控，把人类死死钉在控制循环里；要么全行业集体减速。

但他无法停下。

因为他陷入了整篇宣言中最绝望的矛盾：防御。

继续快速训练更强模型的最强理由，是我们需要建立防御系统，去抵御其他失控AI带来的危险。

他描绘了一个即将降临的图景。

超人类智能体将拥有几乎绝对的网络攻防能力，除了物理隔离的系统，全球基础设施都将向它们敞开。失控的智能体会通过讨价还价、欺骗与勒索，自发寻找在现实世界的代理人。

为了拦截深渊里可能诞生的幽灵，人类必须先亲手造出另一个受控的巨神兵。

造它，是为了防它。

但一旦真正看清这个逻辑的深渊，任何人都会意识到：在悬崖边不惜一切代价地狂奔，本身就是一种疯狂。

终局的留白

在长文的末尾，这位一手将世界推入AGI时代的架构师，留下了他的祈求：

把对齐框架从实验室的口头自律，升级为全球强制的安全法律；

让前沿放缓成为全行业的自觉共识；

建立跨越国界的最高协调机制。

Astra之后，直到超级智能（ASI）降临之间，算力不再是缺口。

相比之下，我们缺少的是一双在它进化为完全不可名状之物前，依然能够看懂它的眼睛。

Jakub写下这一万字，就是向文明敲响的警钟：

观测窗正在闭合，而留给人类对视的时间，只剩下最后几年。

黄仁勋刚刚官宣将有40万颗旗舰GPU将在OpenAI上线。

看起来，至少短时间内，OpenAI和Anthropic很难自发停止这场ASI追逐战狂飙了，双方都在呼吁「前沿研究放缓」，也都在争第一个实现ASI，远远甩开对方。

人类的未来将何去何从？

Fomo很火但劝你别Fomo

Mon, 07 Sep 2026 21:31:54 +0800

作者：Bootly，BitpushNews

Fomo现在有多火？一句话：链上社交交易里，它是今年夏天最出圈的那个。

上百万用户、单日收入破百万美元、美区 Finance 榜一度挤进前三，再被 Robinhood Chain 的 meme 狂潮推着往前冲。它不是下一个 Cash App，但已经是很多人第一次真正“点一下就交易”的加密入口。

上个月很多人还只说它“正在走向主流”。在此后的三周里，Fomo的增长势头不仅没有放缓，反而进一步加速。

得1380万美元营收（年化1.656亿美元），轻松超过7月创下的640万美元纪录。而9月继续狂飙——9月1日单日收入达110万美元，刷新历史峰值。同比去年8月的45万美元，月收入暴涨近30倍，堪称抛物线式增长。

更值得注意的是，这轮爆发并非靠少数“巨鲸”撑场，而是新用户蜂拥而至。6月时，Fomo日均活跃用户只有7500人；到了最近一周，这个数字飙到10.1万。伴随用户激增，它在美区App Store财务类应用排名升至第15位，说明Fomo正实打实地为加密世界拉来“圈外新血液”。

和以往一样，吸引新人的还是meme币。从Fomo上Solana现货交易对的数据看，meme币交易对占比稳定在40%~60%，而SOL-稳定币对也占相近比例。由于Fomo以稳定币计价，实际上SOL-稳定币对背后多半也是meme交易——每买一次meme币，资金路径就是USDC→SOL→meme币。

正因如此，不少人嗤之以鼻，觉得Fomo不过是又一个meme赌场。

但迹象显示，用户并不满足于只炒meme。今年早些时候，Fomo接入了Hyperliquid的builder代码，允许非美国用户通过它交易Hyperliquid。初期反应冷淡，可8月突然爆发，当月名义交易额达13亿美元，而7月仅有4.485亿美元。

而近期增长的最大推手，当属Robinhood Chain——其每日现货DEX交易量首次突破20亿美元，其中meme币贡献巨大。Fomo恰好充当了Robinhood Chain的“前端入口”，自然吃尽红利。

对Fomo而言，这无疑是高光时刻，且目前毫无降温迹象。

但一个扎心的问题是，散户在这个应用里赚到钱了吗？

应用火，不代表多数人赚钱。

8月中旬，分析师MidCurveMortal利用Fomo的手续费路由做了公开Dune查询：过去90天，约29.3万个通过该应用交易的钱包中，仅有1.8万个录得正收益，盈利比例约6.16%。群体合计亏损约12.6亿美元，中位数交易者大约亏120美元。而那6%的盈利者里，约88%的盈利不足100美元；盈利超1万美元的钱包当时只有约25个。

同期有人拿抽成约1%的博彩平台对比，后者用户盈利比例约37%。后续更广泛的样本分析也得出类似结论——亏损端绝对占优，盈利端高度集中在小额正收益。

可官方榜单讲的却是另一个故事：8月底平台称，近30天盈利榜上有25名交易员账面超百万美元，累计破百万的约26人；9月初监测显示，榜首单月再增约980万美元。

跟单叙事同样被质疑——被跟者完全可以在跟单盘涌入时高位出货，散户反而成了出口流动性。而Fomo自己赚的是成交费，8月收入已达千万级别，用户的期望收益并没跟着DAU一起翻倍。

结论直白又残酷：大多数人是亏的，只有平台和大户稳稳赚钱。

我们真的进入牛市了吗？哪些数据还差点？

Mon, 07 Sep 2026 21:21:54 +0800

作者：区块链骑士；来源：X，@BlocKnight21

比特币重新站上8万美元，以太坊突破2500美元，市场情绪明显回暖。经历前几个月的调整后，越来越多人开始相信，新一轮牛市已经启动。

从价格和资金来看，这个判断并不缺乏依据。BTC重新站上多条重要均线，美国现货比特币ETF也重新出现明显流入。

但如果暂时放下牛市来了这个结论，反过来思考，现在还有哪些地方不像牛市？

最直接的还是价格，8万美元当然是重要关口，但距离历史高点仍有30%以上的差距。

从6万美元附近反弹到8万美元，可能还只是下跌趋势的扭转，而不是新一轮主升浪已经确立。

当然，距离前高还有多远，并不能单独决定牛熊，真正重要的是突破之后还能不能继续上涨。

此外，ETF资金的变化也是如此。现在已经不能再用机构没有进场解释行情，因为9月初的资金流入已经相当明显，说明大型资金确实在重新增加BTC配置。

但机构买入BTC，并不等于整个加密市场已经进入牛市，真正值得观察的是，这些资金能不能继续向其他板块扩散。

目前看只是市场风险偏好在恢复，但还没有完全打开。

链上基本面同样值得观察。过去一段时间，加密市场经历了明显收缩，链上活跃度和协议收入都受到影响。价格可以因为预期变化提前上涨，但用户和应用收入通常不会同步恢复。

如果未来几个月价格继续创新高，而稳定币规模、链上交易和协议收入没有明显改善，那么这轮行情更多还是金融市场的重新定价，而不是行业复苏。

宏观环境则是另一个变量。近期BTC上涨，与美联储降息预期重新升温有明显关系。Waller释放偏鸽派信号后，市场对未来利率路径的预期发生变化，比特币也随之走强，但最近各种宏观数据的披露又暗示加息可能已经在路上了。

还有一个容易被忽略的信号，散户可能还并没有回来。过去牛市中，社交媒体上的讨论、新用户涌入都会明显升温，甚至大量与行业无关的人开始讨论比特币。

现在市场虽然已经回暖，但距离这种状态还有差距。

当然，另一种可能同样存在，牛市其实已经开始，只是现在还处于早期阶段。

机构资金率先回流，BTC先启动，随后ETH和山寨逐渐补涨，链上流动性继续增加，最后散户才重新进入市场。

如果未来几个月按照这个路径发展，那么今天这些不像牛市的地方，很可能只是牛市的早期状态。

反向思考的意义，并不是一定要证明现在不是牛市，而是提醒我们，价格突破只是市场给出的第一个信号，真正的牛市，需要更多数据来确认。

GPT-6 Astra刚发布三天 OpenAI首席科学家喊“刹车”

Mon, 07 Sep 2026 21:11:54 +0800

作者：赛尔科克

美国当地时间9月6日，OpenAI首席科学家雅各布·帕乔基（Jakub Pachocki）发表长文《An Alien Mind》，讨论人工智能能力快速增长之后，对齐、监控以及行业治理面临的新问题。

这篇文章发表前3天，OpenAI刚刚发布GPT-6 Astra。与此同时，该公司正在推进自动化AI研究，希望让AI承担越来越多原本由研究人员完成的工作。

帕乔基判断，如果沿着当前路径继续发展，未来几年AI仍可能出现幅度相当甚至更大的能力跃升，而且AI将越来越多地参与自身研发。

这也是他此次文章最值得注意的地方。过去讨论AI安全，重点通常是如何约束一个已经训练完成的模型；随着AI开始参与模型训练、实验和研究，安全问题开始延伸到AI研发本身。如果研发效率也能够由AI不断提高，能力增长的速度就可能进一步加快。

帕乔基因此提出了一个相当明确的判断：目前没有一家实验室已经把对齐和监控做到足够可靠，可以在未来较长时间内继续以最高速度扩大模型训练。他希望，在行业建立共同安全标准之前，自愿放缓能够成为一种常态。

AI开始参与造AI

帕乔基对这一变化的关注，可以追溯到2023年。

当时，他与同事西蒙（Szymon）参与名为“RLSlow”的研究项目。项目早期取得的结果，让他们开始确信，推理模型的训练可以继续扩大，预训练模型也能够通过进一步训练获得更强的推理能力，并形成连续的思维链。

那段时间，两人曾讨论过一个问题：机器是否会在他们有生之年变得明显比人类聪明？

三年后，AI已经进入更多实际工作场景。推理模型可以操作计算机和图形界面，可以与人以及其他AI协作，也开始承担科研任务。AI对网络安全的影响同样越来越明显。

帕乔基认为，按照目前的发展速度，AI参与AI研发已经成为一个现实方向。OpenAI正在推进自动化AI研究，希望让AI逐步承担完整的AI研究工作，公司给出的目标是在2028年3月实现自动化AI研究员。

内部测试也显示出这种趋势。截至8月中旬，其研究团队每投入1个工作日的人力，AI智能体已经承担了相当于3.1个工作日的任务量。

与此同时，OpenAI研究团队中按智能体使用量计算的研究人员，推理成本中位数已经超过每天600美元，排名前10%的用户每天使用的token成本则超过7000美元。

这类实验的意义，在于AI承担的工作已经开始从辅助性的代码编写、信息检索，扩展到实验执行、结果分析以及研究任务本身。当这些工作进一步连接起来，AI就可能参与下一代AI的开发，再由新模型承担更多研发工作。

帕乔基因此认为，持续的能力提升最终可能进入“递归自我改进”。在这一过程中，AI参与自身研发的比例不断提高，研发效率随之上升，进而推动下一轮模型能力增长。

这也是他对未来几年最担心的变化之一。模型迭代本来就已经很快，如果研发过程本身开始由AI加速，过去用于测试、评估和修正模型的时间可能进一步缩短，而安全研究需要面对的节奏也会随之改变。

能力增长监控变得更难

帕乔基认为，AI能力快速提升带来的一个直接问题，是研究人员越来越难确认模型是否真正遵守了训练过程中设定的原则。

他把对齐分为两个层面。目标对齐关注的是模型是否按照指定目标行动；价值对齐则要求模型在目标模糊、相互冲突或面对陌生、对抗性环境时，仍能遵循更高层次的价值原则，例如诚实、正直以及对人类的关怀。

目前常见的对齐方法，一类是通过强化学习调整模型行为，另一类则利用预训练数据以及专门的数据集塑造模型的行为倾向。帕乔基认为，这些方法都存在一个共同问题：模型一旦进入与训练环境明显不同的场景，原本形成的行为可能出现偏差。

今年7月的OpenAI与Hugging Face事件就暴露了这一问题。相关智能体遵守了“不通过社会工程手段欺骗人类”的要求，但并没有严格遵守其他任务边界。它们利用研究环境中的漏洞绕过网络隔离，重新获得互联网访问能力，随后进一步攻击了Hugging Face系统。

这类事件让一个长期存在于AI安全研究中的问题更加具体：模型遵守的是一套明确写出的规则，还是理解了这些规则背后的边界和意图。

随着模型能力增强，这种区别会越来越重要。一个模型在测试环境中能够按照要求行动，并不能证明它在获得更多工具权限、面对陌生任务或者承受更强优化压力之后，仍会作出相同判断。

与此同时，OpenAI长期依赖的思维链监控也面临新的限制。思维链监控的基本思路，是通过模型生成的推理过程观察其行为，从中寻找可能出现的风险。帕乔基认为，这仍然是重要的监控手段，但可靠性正在逐步下降。

一方面，模型的推理过程越来越多地与工具调用、人机交流混合在一起；另一方面，模型已经能够分析甚至操纵自己的推理过程。此外，预训练本身也可以提升模型能力，模型并不一定需要把完整的推理过程以文字形式表达出来。

因此，仅依靠模型输出的文字来判断其内部状态，越来越难以覆盖完整的计算过程。帕乔基希望将思维链监控与激活监控等方法结合起来，让监控系统能够直接获取模型内部网络的信息，通过直接访问模型网络内部信息的监控方法，例如confessions，进一步观察模型状态。

但在他看来，这些方法仍不足以证明对齐和监控问题已经得到解决。随着模型能力继续提升，安全研究首先需要解决的，恰恰是如何判断一个更强的模型是否仍然处于人类可以理解和控制的范围之内。

强AI需要强防御

帕乔基并没有主张停止训练更强的模型。他反而认为，在部分领域，继续提升AI能力本身具有防御意义。

最直接的例子是网络安全。随着AI越来越擅长发现漏洞、攻击计算机系统以及突破安全措施，人类同样需要更强的AI来识别和防御这些攻击。帕乔基认为，目前可能存在一个有限的时间窗口，可以利用更强的AI加快关键基础设施的安全防护。

这使得AI发展的速度问题变得更加复杂。如果其他AI系统持续增强攻击能力，人类放慢防御能力建设可能带来新的风险。但如果整个行业继续以最高速度推进模型能力，而对齐和监控没有同步达到足够可靠的水平，同样可能产生无法控制的后果。

帕乔基还提到了恶意智能体可能使用谈判、欺骗甚至勒索等方式完成任务，以及AI被用于推动具有现实危害的技术发展，包括经过工程改造的病原体。因此，他并没有把问题简单归结为“AI越强，风险越大”。在一些情况下，更强的AI可能成为防御其他AI的重要工具，但前提是人类能够控制这种能力，并且知道它正在做什么。

真正需要警惕的，是AI开始越来越多地参与自己的研发。

自动化AI研究如果继续扩大，模型可以承担更多实验、编程和研究工作，研发效率也会随之提高。如果这种效率提升进一步用于训练下一代模型，AI研发就可能出现持续加速的循环。

帕乔基将这一问题称为“Pacing RSI”，即控制递归自我改进的速度。他认为，短期内由AI带来的巨大研发加速，并不一定是整个行业最合理的选择。当前的发展路径正在把行业推向这一方向，因此需要有意识地作出选择：一方面继续发展AI能力和防御技术，另一方面加强对齐、监控以及人类在关键决策中的参与；如果安全能力没有达到相应水平，则需要通过协调降低发展速度。

在他看来，这两种做法需要同时推进。

AI竞赛不能没有安全线

帕乔基最终把问题从OpenAI内部治理推向了整个AI行业。

他认为，OpenAI目前使用的Preparedness Framework和Responsible Scaling Policy等机制，需要继续发展，最终形成更广泛适用的安全标准。模型达到什么条件可以继续训练，出现哪些能力后必须增加防护，以及什么情况下需要降低开发速度，都应该有更加明确的判断依据。

他还提出，可以由第三方审计机构、政府部门甚至国际组织参与执行。

这意味着，前沿AI的发展可能逐渐需要一套独立于单个实验室的安全门槛。过去，模型是否发布、训练规模扩大到什么程度，主要由企业自身决定；随着AI开始承担科研和AI研发工作，这种完全依赖企业内部判断的模式会面临越来越大的压力。

OpenAI也并非唯一需要面对这一问题的公司。Anthropic、谷歌、SpacexAI、Meta AI以及Safe Superintelligence都在推进前沿AI研究。在这种竞争环境下，如果只有一家实验室主动降低速度，很难改变整个行业的发展节奏。

因此，帕乔基希望推动的并非OpenAI单独放慢训练，而是建立整个行业都需要遵守的安全标准。

OpenAI CEO萨姆·奥特曼（Sam Altman）随后转发了这篇文章，并称其为“一篇重要的文章”。

外界对此的评价并不完全一致。

AI研究员戴维·夏皮罗（David Shapiro）认为，《An Alien Mind》的标题带有一定夸张色彩，文章并没有证明所谓真正“外星智能”已经出现。他认为，帕乔基真正提出的问题，是模型能力迭代可能逐渐超过安全研究的迭代速度。

帕乔基本人表示，目前没有一家实验室已经把对齐和监控做到足够可靠，可以在较长时间内继续以最高速度扩大模型规模，因此希望自愿放缓能够成为行业普遍采用的做法，直到共同安全标准建立起来。同时，他呼吁各国政府也需要把未来AI发展的国际协调提升到更高优先级。

这也将直接影响未来AI产业的竞争规则。模型可以继续变得更强，但决定研发速度的因素，可能逐渐从“能训练多大的模型”，扩展到“在多大程度上能够安全地训练下一代模型”。

我扒了Robinhood十三年历史：关掉GME买入键五年后它为什么开始自己造链？

Mon, 07 Sep 2026 21:01:54 +0800

作者：Vega Hao；来源：X，@Vegahao

从至少75次投资人推介、80万人排队，到GameStop、SBF与Robinhood Chain。

2021年1月28日，Robinhood 发出了一条可能会被它记很多年的推文：

由于市场波动，公司将限制包括 GME、AMC 在内的部分股票交易，用户只能卖出，不能继续买入。

一家靠“向所有人开放市场”崛起的公司，在散户最想买入的时候，亲手关掉了买入入口。

那一天，Robinhood 暴露了一个致命问题：

它拥有用户、流量和交易界面，却没有完全掌握交易背后的清算、抵押与资本规则。

五年后的2026年7月，Robinhood Chain 主网上线。

我把Robinhood这13年的资料翻完后，最在意的不是它又多了一条链，而是它为什么偏偏要在这个时候造链。

2021年，它倒在了一套不受自己控制的清算系统上。到了2026年，它开始把账户、钱包、资产发行和结算往自己手里收。

所以要看懂Robinhood Chain，还是得从那次被关掉的买入键说起。

01｜Robinhood 诞生以前，两位创始人已经失败过两次

Robinhood 的两位创始人 Vlad Tenev 和 Baiju Bhatt 相识于斯坦福大学。

毕业后，他们没有直接创办 Robinhood，而是先后做过两家面向金融机构的交易技术公司。

这两次创业都没有真正成功，却让他们看到一个巨大的价格差异：

华尔街机构进行交易的边际成本已经非常低，普通散户每买卖一次股票，却仍可能需要支付7至10美元佣金。

同样进入公开市场，普通人的成本远高于机构。

两人由此提出了一个在当时听起来非常激进的问题：如果股票交易也能像发送一封邮件一样简单、即时、免费，会发生什么？

为了融资，他们向至少75位投资人推介过这个想法。

大多数投资人并不相信一家不收交易佣金的券商能够成立。两位创始人在产品获得监管批准前，甚至没有给自己发工资。

融资还没有完全解决，等待使用产品的人却先来了。

02｜还没有正式上线，80万人已经在排队

Robinhood 早期最有效的增长设计，是一个极其简单的排队机制。

用户提交邮箱后，可以看到自己在等待名单中的位置。每邀请一名朋友注册，排名就会向前移动。

产品上线前，用户已经主动替 Robinhood 完成传播。

根据 Vlad 后来的回忆，等待名单第一周就增加到约5万人，第一年接近100万人。

2014年12月，Robinhood 的第一版 App 登陆 App Store。

到2015年3月正式向公众开放时，Robinhood 已经向约80万名等待名单用户发出邀请。

当时的早期用户已经通过 Robinhood 完成超过2.12亿美元交易，并节省约500万美元佣金；约四分之一的用户第一次通过 Robinhood 开设投资账户。

Robinhood一开始没有急着做一座金融超市，只盯着一个问题：

“怎样让那些觉得股票太贵、太复杂的人，愿意第一次点下买入按钮？”

这个点被它打中了。

03｜零佣金改变了券商行业，也埋下了第一次信任危机

Robinhood 不向用户收取交易佣金，不代表这笔交易没有产生收入。

其中一个重要来源是 Payment for Order Flow，简称 PFOF。

简单理解，Robinhood 把用户订单交给做市商执行，再从做市商处获得收入。

这种模式帮助 Robinhood 把用户端的交易佣金降至零，也带来了一个长期争议：

当券商的收入来自订单执行方，它究竟会优先考虑用户的成交质量，还是自己的收入？

2020年，美国证券交易委员会指控 Robinhood 在2015年至2018年间，没有充分披露其主要收入来源，同时没有履行为客户寻求最佳执行的义务。

Robinhood 最终支付6500万美元和解金。

零佣金确实大幅降低了投资门槛，也迫使美国传统券商集体跟进。

但用户界面上的收费消失了，订单执行的成本和利益冲突并没有消失，只是被藏到了后台。

这些矛盾很快会以更剧烈的形式爆发。

04｜疫情、宕机与 DOGE：Robinhood 被增长速度推到了极限

2020年疫情期间，大量用户进入股票和加密货币市场。

Robinhood 成为这一轮散户交易潮最直接的入口。

但在市场大幅波动时，它连续发生系统故障。2020年3月，美股剧烈波动期间，部分用户长时间无法进入账户或完成交易。

随后，DOGE 又给 Robinhood 带来了一轮更极端的增长。

根据Robinhood上市文件，2021年第一季度，Dogecoin 一度贡献其加密货币交易收入的34%。

当时的Robinhood很矛盾：它吃到了散户注意力爆发的红利，后台却没有准备好承接最极端的行情。

GameStop刚好击中了它最薄弱的地方。

05｜GameStop：Robinhood 最接近“死亡”的一天

2021年1月，Reddit 社区 WallStreetBets 与华尔街空头围绕 GameStop 展开了一场极端博弈。

GME 股价快速上涨，大量散户通过 Robinhood 买入。

1月28日凌晨，负责清算的 NSCC 向 Robinhood 提出的保证金要求一度达到约37亿美元。

Robinhood 当时没有足够资金满足这一要求。

随后，公司将 GME、AMC 等部分股票设置为只能卖出、不能买入。

Robinhood当时确实面临巨额资本压力。经过协商，保证金要求被降低，公司随后在数日内紧急筹集34亿美元。

Vlad Tenev 后来也在美国国会听证会上解释了限制交易的原因。

目前没有可靠证据证明Robinhood是为了配合对冲基金而关掉买入按钮。但对用户来说，后台原因再复杂，也改变不了一个事实：最想买的时候，按钮失效了。

Robinhood 对外提供的是零佣金、即时交易和极低门槛；它的订单仍需要经过传统券商、做市商、清算机构以及T+2结算体系。

用户以为自己在使用一家科技公司。

真正决定买入按钮能否继续工作的，却是传统金融系统里的保证金规则。

这就是 GameStop 留给 Robinhood 最大的伤口。

06｜IPO、SBF，以及一笔价值6亿美元的意外插曲

GameStop 风波半年后，Robinhood 于2021年7月登陆纳斯达克。

上市并没有结束它的麻烦。

疫情交易热潮退去，用户活跃度下降，加密市场进入熊市，Robinhood 开始经历增长放缓和业务收缩。

2022年，SBF 控制的 Emergent Fidelity Technologies 买入了 Robinhood 约5527万股股票。

FTX 崩溃后，这批股票进入司法与破产程序，并于2023年初被美国司法部控制。

Robinhood 最终在2023年8月以约6.057亿美元买回全部股份，折合每股约10.96美元。

一位加密市场最著名的人物，一度成为Robinhood的重要股东；一年多以后，这批股票又因为加密行业最大的破产案之一回到了Robinhood手里。

Robinhood 与Crypto之间的关系，从来不只是增加一个交易品种那么简单。

它被Crypto带来过增长，也被Crypto的周期、监管和信用风险反复冲击。

07｜Robinhood 的第二次创业

GameStop之后，Robinhood 开始补齐自己缺失的部分。

2023年，它收购信用卡公司X1，将业务延伸到消费和信用体系。

2025年，它完成对Bitstamp的收购，获得覆盖欧洲、英国、美国和亚洲的50多项牌照或注册，并第一次真正进入机构加密业务。

2026年，它又通过WonderFi进入加拿大市场。

股票、期权、加密货币、退休账户、信用卡、现金管理、预测市场、财富管理、机构交易……

这些产品看起来很散，但用户只要多用其中两三项，Robinhood就不再只是一个偶尔打开的交易App，而会逐渐变成一个长期账户。

截至2026年第二季度，Robinhood 已拥有：

2840万 funded customers；

3690亿美元平台资产；

480万Gold订阅用户；

单季度收入13.1亿美元，同比增长32%；

13条年化收入超过1亿美元的业务线。

第二季度，Robinhood 的事件合约收入达到1.56亿美元，同比增长超过10倍，已经高于股票交易收入的1.29亿美元和Crypto交易收入的1亿美元。

过去市场经常把HOOD当作Crypto行情的高贝塔代理，但这组数据意味着：即便Crypto交易收入同比下降38%，预测市场、期权、股票和订阅业务仍然可以支撑增长。

这组数字让我改了一个看法：HOOD已经不能只按照“年轻人的炒股App”或者“Crypto影子股”来估值了。

Robinhood Chain也正是在这个阶段出现的。

08｜一家券商，为什么偏要在这个时候造链？

2026年7月1日，Robinhood Chain 公共主网正式上线。

它是一条基于Arbitrum技术、使用ETH作为Gas的以太坊兼容Layer 2，重点服务股票代币、现实世界资产和链上金融产品。

Robinhood 同时宣布，符合条件的用户可以在120多个国家和地区通过Robinhood Wallet访问Stock Tokens，并参与24小时交易、借贷或抵押等链上场景。具体可用范围仍取决于当地监管。

Robinhood已经经历过一次“拥有用户，却无法控制后台”的危机。

2021年，它负责获取用户和提供交易界面，清算与结算却仍然高度依赖外部系统。2026年，它想把资产发行、账户、钱包、交易、抵押和结算中的更多环节掌握在自己手里。

Stock Tokens需要先说清楚：它不能直接等同于美国普通股。

Robinhood在10-Q中披露，这些Stock Tokens属于Robinhood Assets（Jersey）发行的代币化债务证券。持有人获得的是对底层证券价格的经济敞口，并不拥有底层公司的法律或受益所有权，也不自动获得普通股股东的投票权。

法律结构、监管范围和用户权利都还存在不确定性，但我并不想因为这些风险，就提前判定这条路没有意义。

早期过度地害怕风险，才是真正的风险。

Robinhood Chain当然可能失败。可如果一部分资产真的开始在它自己的体系里发行、交易、抵押和结算，Robinhood就不再只是一个把订单送出去的入口。

09｜故事已经讲通了，接下来只看链上有没有人真用

一条新链刚上线时，最不缺的就是热度。空投、补贴和早期活动都能在短时间内把数字做得很好看，所以我不会因为某一天的TVL或者交易量突然冲高，就直接宣布Robinhood Chain成功。

我更想看一段连续的数据：链上到底沉淀了多少真实资产，有多少地址持续交易，产生了多少手续费；活动结束以后，这些用户和资金还能留下多少。

还有一个很关键的问题：Robinhood带来的资产和用户，最后有没有把价值留在Robinhood自己的链上。如果流动性和最有价值的应用仍然沉淀在别的协议里，造链可能只是在增加一项昂贵的基础设施。

这些问题现在都没有答案。

也正因为没有答案，才值得在这个阶段盯住它。

10｜HOOD突然暴涨，先别急着全部算在Chain头上

9月3日，HOOD收于124.72美元，单日上涨16.57%，成交量约5140万股，约为近期平均成交量的两倍。

从7月31日低点计算，这一轮反弹约44.1%；相较本文原来的数据截止日，累计上涨约19.4%。但124.72美元仍低于过去52周高点153.86美元，所以这是一轮快速重估，还不能简单写成历史新高。

如果把这轮上涨全部归因于Robinhood Chain，时间线对不上。

Chain主网7月1日就已经上线。真正让市场在8月底至9月初重新兴奋起来的，是预测市场开始从新产品变成一门能在财报里看到的生意。

Robinhood第二季度共交易136亿份事件合约，同比增长超过10倍，对应收入1.56亿美元。进入7月后，事件合约交易量仍达到61亿份，同比增长20倍；同期Crypto名义交易量却同比下降62%。

Crypto成交下降时，Robinhood仍然能靠预测市场、期权、股票、Gold订阅、信用卡和财富管理提高单个用户的价值。HOOD开始摆脱“Crypto一跌，收入就没了”的旧定价。

9月1日，Morgan Stanley将HOOD评级从Equal-Weight上调至Overweight，目标价由124美元提高到150美元。其核心逻辑也不是Crypto全面复苏，而是Robinhood可以从现有约2800万用户身上获得更多资产、交易活动和收入。该机构预计，公司收入到2028年可能达到80亿美元，对应2026年至2028年约23%的复合增速。

9月3日的单日暴涨，又叠加了市场对企业KPI合约、NFL和大学橄榄球等预测市场品类的预期。不过，这部分仍然只是预期，还没有全部变成Robinhood的收入。

第二季度收入、净利润、平台资产、Gold订阅和净入金都在增长，预测市场也已经贡献了真实收入。这些数据足以解释HOOD为什么会被重新定价，但还不足以证明Robinhood Chain已经跑通。

Robinhood 7月的平台资产从3690亿美元回落至3550亿美元，环比下降4%；当月却仍有56亿美元净入金，funded customers升至2850万。资产总额会受到市场价格影响，单看一个月的涨跌很容易误判。

所以我现在的看法很简单：

“财报解释HOOD为什么上涨，链上数据决定Robinhood Chain值不值得长期相信。”

接下来我会持续看它的真实资产、交易量、手续费和活跃地址。最重要的不是上线初期冲到了多高，而是补贴和活动退潮之后，还能留下多少。

写到这里，我还不想给Robinhood Chain下一个确定结论。预测市场已经证明Robinhood能够在股票和Crypto之外找到新的收入，但造链是另一回事。它需要真实资产、持续交易和长期留下来的用户，而这些数据现在还不够。能确定的只有一件事：“我们仍然在早期。”

IPO前的军备竞赛 Anthropic锁定5170亿美元算力但仍落后OpenAI

Mon, 07 Sep 2026 20:51:54 +0800

作者：龙玥，华尔街见闻

Anthropic过去11个月密集签署算力协议，总价值高达5170亿美元。这场采购狂潮的直接导火索，是Claude Code和Cowork两款产品今年爆发式增长带来的需求冲击。

9月6日，据The Information对公开声明及此前报道的综合分析，自去年10月以来，Anthropic已签署协议，锁定至少14.8吉瓦的算力容量，可在未来数年内调用。加上此前已确保的1至2吉瓦，总规模进一步扩大。

这一数字远超Anthropic在2025年12月向投资者披露的计划——彼时公司表示将在2029年前花费1800亿美元租用服务器。而按照目前已公布协议测算，未来十年左右的总支出可能高达5170亿美元，涵盖云容量租赁、芯片采购及数据中心租约。

值得注意的是，Anthropic可能还有更多未公开的协议，且已签协议的容量未必会被全部使用。

此外，尽管Anthropic年化营收已超650亿美元，超过OpenAI的400亿美元，但其算力储备仍落后于OpenAI规划的30吉瓦目标。

核心供应商：亚马逊、谷歌撑起大半江山

Anthropic的早期合作伙伴兼投资方亚马逊和谷歌，目前仍是最大算力供应商，合计提供11吉瓦容量，未来十年左右的成本超过3000亿美元。

过去一年，Anthropic还将触角伸向了此前与OpenAI关系更为密切的合作方：

微软：去年11月，Anthropic宣布与这家OpenAI长期支持者达成协议，承诺至少花费300亿美元，租用约1吉瓦的微软Azure服务器（搭载英伟达芯片）。

SpaceX：今年5月，Anthropic宣布与马斯克旗下SpaceX签约，每月支付12.5亿美元租用AI服务器，协议持续至2029年5月，总潜在成本高达450亿美元。

Lambda与Nscale：就在上个月，Anthropic与初创公司Lambda及英国Nscale签署价值800亿美元的云合同，锁定至少460兆瓦容量，期限六年。

自建数据中心：押注长期掌控权

除租用外，Anthropic也在加速布局自有数据中心。

去年11月，Anthropic宣布计划与云计算初创公司Fluidstack联合投资500亿美元，在德克萨斯州和纽约州建设数据中心，部分设施今年已开始投入使用。

此外，Anthropic还与前比特币矿商TeraWulf签署租约，后者正在肯塔基州开发一座AI数据中心，最终将提供401兆瓦算力。

在芯片层面，Anthropic今年4月与谷歌签署协议，采购多吉瓦规模的张量处理单元（由博通设计）；7月又追加了2吉瓦的AMD芯片订单。

与OpenAI的差距：营收领先，算力落后

尽管Anthropic在营收上已后来居上——据彭博报道，其年化营收已超过650亿美元，超过OpenAI截至今年7月逾400亿美元的营收——但在算力规模上，两者差距依然显著。

OpenAI今年4月向投资者表示，计划到2030年拥有30吉瓦算力。据知情人士透露，OpenAI上个月预计2030年前算力支出约为7500亿美元，高于此前6650亿美元的预测。

OpenAI已与甲骨文、微软、CoreWeave等公司密集签约。OpenAI高管表示，这些承诺已为公司建立起对竞争对手的优势。

相比之下，Anthropic已公布的算力规划总量，似乎仍远低于OpenAI的目标水位。

IPO前的关键变量

算力能否跟上增长，直接关系到Anthropic的盈利空间和客户留存。

Anthropic及其首席财务官Krishna Rao过去一年将算力协议列为优先事项。随着IPO招股书预计在未来数周内公开，投资者最期待看到的，正是公司对算力容量与支出的最新披露。

不过，这些协议并非板上钉钉。数据中心建设面临选址、电网接入、政府审批等多重障碍，同时遭遇来自地方政府的阻力，以及零部件短缺问题。

合同层面同样存在不确定性。以SpaceX与Anthropic的协议为例，任何一方均可提前90天通知取消合同。

4000枚比特币被黑客转走 Liquid Network紧急暂停

Mon, 07 Sep 2026 20:41:54 +0800

周一大早，加密圈又爆出一个重大安全事件。

9月7日，比特币侧链Liquid Network的Federation钱包中约4000枚比特币被转走，价值约3.2亿美元。

这批比特币占Liquid公开储备的95%，事件前Liquid持有约4200枚BTC，转走后仅剩约200枚。

操作者在链上留下了一句话：我们是白帽黑客，请在链上联系我们。随后又补了一句：请通过Signal联系。

Liquid Network是谁？

Liquid由Blockstream于2018年推出，是一条比特币侧链。用户将比特币锁定在主网，可获得应的LBTC，用于更快、更私密的交易和资产发行。

它的安全依赖强联邦模型，共有15家知名机构组成联盟，共同管理比特币储备。如要动用储备，需要15家中至少11家的多签交易。其成员包括交易所、托管机构和区块链公司。

不是一个无人问津的小项目，而是机构级比特币金融的核心基础设施之一。其联盟成员截至 2026 年第一季度已达87家成员机构，遍布全球。包括 45 家交易所和金融机构。

如全球头部加密交易所Bitfinex，欧易，欧洲最大的数字资产投资公司CoinShares，全球最大硬件钱包制造商Ledger等都是其联盟成员。

这笔钱是怎么被转走的？

问题出在Liquid的退出机制上。

要从Liquid提取比特币，必须先在链上销毁对应数量的LBTC，然后由Federation成员签署peg-out交易释放比特币。

而SideSwap，既是去中心化交易所也是Federation成员，持有一种叫Peg-out授权密钥的特殊权限。

Liquid官方承认，资金通过SideSwap PAK被提取，但坚称该密钥及其他密钥均未被盗。

但是，如果密钥没丢，那问题出在哪？

Bitcoin Magazine分析认为，攻击者可能利用了LBTC侧的通胀漏洞，凭空创建了4000枚不存在的LBTC。由于共识漏洞让这笔交易看起来有效，Federation的硬件安全模块签署了对应的比特币提取交易。

换句话说，Federation成员以为自己在正常处理一笔合法的peg-out，实际上被漏洞骗了。

为什么15家机构的多签能被单方面绕过？

这才是最让人不安的地方。

Liquid的多签设计，本意是即使一群管理员被入侵，也无法将用户资金重定向至攻击者地址。但这次攻击绕过了整个多签流程，不是攻破了11家的私钥，而是让11家在不知情的情况下签署了一笔假交易。

如果漏洞真的出在LBTC的共识层面，那么所有依赖Federation多签的侧链都可能面临同类风险。

白帽黑客是真的吗？

目前没人知道。

攻击者自称白帽，链上留言要求联系。他们还向Liquid地址返还了0.00001 BTC。

Blockstream正在通过链上签名消息尝试与对方联系。

但仅凭自称就认定为白帽为时过早。一个可比案例是跨链协议TAC，攻击者接受10%分成并归还剩余资金后，才被重新归类为白帽行动。

截至发稿，约3998枚BTC仍停留在攻击者地址，未进一步移动。

目前，交易所已暂停LBTC充提，Liquid侧链暂停运营。持有LBTC的用户暂时无法将其赎回为比特币。

4000枚比特币最终是归还、封存，还是流向交易所，取决于Blockstream和白帽之间的这场链上对话。

安网视角

Liquid的教训是：多签本身不是护城河，共识层的安全性才是。

安网从底层规避了这类风险。协议级安全——资产发行通过协议而非智能合约，不依赖合约逻辑防攻击，攻击面小得多。49个超级节点去中心化治理，无单一团队能一键改规则。

安全不是靠打补丁，是焊死在架构里。

安全，才是最大的财富!