Emma的碎碎念 - 节目列表

一句话简介 给《未竟判断》办一场 baby shower，聊聊市场如何用贝叶斯更新、非共识观点和认知谦逊，改变了我理解不确定性的方式。 Show Notes 节目终于改名了。 这一期算是给《未竟判断》办的一场 baby shower：借着公布新名字，聊聊那些曾经进入候选名单、最后却没有被选中的概念——贝叶斯更新、有根据的猜测、不对称回报、非共识观点、认知谦逊和边际变化。 它们最初都是我在交易台上学到的市场语言，但做得越久，我越觉得，它们也逐渐变成了自己理解世界和处理人生不确定性的方式： 我们只能根据此刻掌握的信息，做出一个有根据的猜测；随着新证据出现，不断更新自己的判断；诚实地区分自己知道什么、不知道什么；寻找尚未被充分定价的分歧，以及值得承担风险的不对称机会。 所谓“未竟判断”，不是拒绝给出判断，而是承认任何判断都只是阶段性的。它记录的是此时此刻的先验，以及我们如何在新信息中不断修正自己、靠近真相。无论是宏观市场，还是快速变化的 AI 世界，都是如此。 本期聊到 00:00｜节目为什么终于改名了 从“Emma的碎碎念”到一个更能代表节目世界观的名字。 03:15｜贝叶斯更新：允许自己随时改变主意 判断不是立场宣言，而是基于现有信息形成的概率分布。新证据出现，就应该更新先验，而不是估值维护过去的自己。 09:18｜有根据的猜测：宏观本质上都是猜 没有人掌握完整信息。专业判断的区别，不在于是否“猜”，而在于你的猜测是否建立在充分的信息、经验和模型之上。 12:02｜不对称回报：判断正确还不够 同一个观点可以有很多种表达方式。真正重要的是，如何用有限的下行风险，换取足够大的潜在回报。 14:01｜非共识观点：你相信，而市场还不相信 共识往往已经进入价格。真正的交易机会，来自你和市场之间有根据的分歧。 16:04｜认知谦逊：知道自己的认知边界 既不要高估自己知道的，也不要低估自己真正掌握的。最危险的往往不是已知的未知，而是尚未进入情景分析的未知未知。 19:43｜边际变化：观点不一定需要非黑即白 很多判断不是彻底反转，而是在边际上变得更鹰、更鸽、更乐观或更谨慎。 22:32｜为什么最后选择“未竟判断” 我们仍然会给出判断，只是知道它远未完成。每一期节目，都是对当下思考的一次记录，也是下一次更新的起点。

AI 不会取代你，但可能会拿走你最喜欢的工作 如果 AI 可以完成你工作里的 80% 或者 90%，你过去花很多年积累的 expertise，还值钱吗？ 当分析、写作和 coding 都变得廉价，最后留给人的，会不会反而是办公室政治、反复沟通、处理例外和承担责任——这些很多知识工作者最不喜欢的部分？ 这期节目从 Luis Garicano、Jin Li 和 Yanhui Wu 的新书 Messy Jobs: The Work That AI Cannot Reach 出发，讨论 AI 究竟会怎样改变知识工作。 这本书不试图简单预测哪些职业安全、哪些职业危险，而是提供了一套理解 AI、工作与组织的框架： * 为什么一项 task 被自动化，不等于整份 job 会消失； * 为什么组织越使用 AI，authority 和 implementation 反而可能越重要； * 为什么 AI 可以把人迅速送到 80% 或 90%，最后一段却更依赖过去积累的经验； * 以及，我们应该怎样使用 AI，才不会把自己的专业肌肉和判断力一起外包出去。 节目后半部分，我也结合自己使用 AI 做宏观研究、写作和编程的经验，讨论哪些工作可以放心交给 AI，哪些能力必须继续留给自己训练。 开场｜比“AI 会不会取代我”更值得问的问题 00:00｜如果 AI 能完成你 90% 的工作，你过去的经验还值钱吗？ 与其把职业是否消失看成一个非零即一的问题，不如进一步追问： * AI 会怎样改变一份工作的内部结构？ * 哪些原本稀缺的能力会变得廉价？ * 当分析、写作和编程都可以被自动化，什么能力会变得更加稀缺？ * 我们应该怎样调整自己的职业规划？ AI 最擅长的，可能恰恰是知识工作者最喜欢的部分：分析、写作、编程和解决问题。最后留给人的，会不会反而是沟通、协调、办公室政治和承担责任？ 02:01｜为什么我会读《Messy Jobs》 《Messy Jobs》不是一份“安全职业排行榜”，而是一本从劳动经济学和组织经济学出发，解释 AI 如何改变工作结构的书。 它讨论的不是模型能不能完成某项 cognitive task，而是： * AI 能否独立交付最终结果； * 一份工作能否被拆成彼此独立的任务； * 为什么组织仍然需要人； * AI 落地后会产生哪些新的稀缺角色。 全书分为三个部分，第一部分已经在官网免费公开。David Autor 和 Alex Imas 等研究劳动力市场、组织和技术变化的经济学家也为它写了推荐。 第一章｜AI 能完成一个 task，不等于能取代一份 job 06:24｜Autonomy Threshold：AI 是辅助人，还是替代人？ 作者用 autonomy threshold 描述一种技术从“帮助人”变成“替代人”的边界。 如果 AI 生成结果以后，仍然需要一个人检查、修正、签字并承担责任，那么它仍然处于 assistance mode。它提高了人的 productivity，但人依然是流程中的 bottleneck。 如果 AI 可以独立交付一个 finished output，而且错误容易验证、修复成本也不高，这项 task 才真正跨过 autonomy threshold。 但这里最重要的区别是： AI 学会一项 task，不等于它已经学会了一整份 job。 10:28｜从“干净任务”到“混乱工作”：三层工作结构 第一层是相对独立、标准化、可编码且结果容易验证的任务，例如翻译、基础数据分析、标准化合同条款和部分编程任务。这些任务最容易被自动化。 第二层工作包含多种彼此关联的任务。医生就是典型例子：诊断只是工作的一部分，医生还需要理解病史、观察患者、与患者和护士沟通，并对最终决定承担责任。 AI 即使擅长其中一个环节，也很难独立完成整份工作。 第三层工作的核心不是信息处理，而是把一群相互依赖、目标却并不完全一致的人组织起来。 协调利益、争取预算、解决冲突、建立信任并推动方案真正落地，才是这类工作的主要价值。 15:24｜AI 既会放大专家，也会降低跨领域门槛 在已经熟悉的领域里，专家通常最先知道应该怎样使用 AI，也最有能力识别 AI 的错误。专业知识不会立刻失去价值，反而可能成为驾驭 AI 的前提。 与此同时，AI 也可能降低进入新领域的门槛。过去需要多年训练才能开始完成的任务，未来可能在 AI 辅助下更早开放给更多人。 因此，AI 对职业的影响是双向的： * 它可能降低旧技能的市场价值； * 也可能让过去无法进入的新路径变得可行。 第二章｜AI 越聪明，为什么组织仍然需要人？ 20:38｜“全 AI 公司”为什么没有想象中那么简单 很多事情没有发生，并不是因为技术能力不足，而是因为组织中存在大量： * tacit knowledge，即没有被写下来的隐性知识； * private information，即只被少数人掌握的信息； * conflicting interests，即彼此不一致的利益和目标； * 没有出现在正式流程中的实际权力结构。 每个组织里都可能存在一个“Lucy”：她的判断并不在 job description 里，却因为多年积累的经验、信誉和关系，成为某类模糊决策的实际担保人。 这些知识往往无法完整记录，掌握知识的人也未必有动力把它交给系统。AI 的推理能力再强，如果缺少关键 context，也无法得出真正可执行的结论。 27:18｜责任与程序正当性为什么仍然需要人 AI 可以提供建议，却无法像人一样被奖励、惩罚、解雇或追责。 组织需要人，不只是为了提高决策准确率，也因为一个不确定的决定最终必须由某个人承担责任。有时 manager 的存在，本身就是为了在结果失败时对组织负责。 此外，人们接受一个决定，未必只是因为它在技术上正确，也可能是因为不同意见被表达、冲突经过讨论、程序被认为公平。 决策过程本身会赋予结果 legitimacy，而这同样不是一个纯粹的计算问题。 30:25｜一个不太令人愉快的结论：AI 可能拿走知识工作者最喜欢的部分 很多知识工作者喜欢的是分析、写作、编程和解决问题带来的智力快感；不喜欢的则是反复沟通、协调利益、说服他人和办公室政治。 但 AI 最容易替代的，可能恰恰是前一类“干净”的智力工作。 最安全的工作，反而可能是销售、管理、协调、谈判、建立信任和承担责任。 问题因此不只是“我的工作是否安全”，而是： 未来安全的工作，是否仍然是我愿意做的工作？ 32:21｜AI Implementation：为什么推动 AI 落地会成为稀缺能力 AI 越强，企业越希望采用 AI；但真正推动 AI transformation，需要同时拥有三类知识： 1. Process knowledge 理解行业和具体工作流程，知道任务实际上是怎样完成的。 2. Technology knowledge 理解 AI 能做什么、不能做什么，以及系统应该如何设计。 3. Political knowledge 理解谁会从变革中受益，谁会失去权力，谁可能阻碍项目，以及怎样让掌握隐性知识的人愿意参与。 这也是 deployment、forward-deployed product 和 solution architecture 等角色越来越重要的原因。 真正困难的不是做出一个 demo，而是决定 what to build、what not to build，并让系统最终在真实组织中运行起来。 36:56｜AI 能做，人们却仍然愿意为“人”付钱的工作 有些工作得以保留，并不是因为 AI 无法生产同等质量的结果，而是因为产品的价值与“由谁完成”直接相关。 现场音乐、手工产品、高端服务、创作者内容和个人品牌，都包含真实性、身份、信任与共同体验。 即使 AI 能够生成相似的产品，人们仍然可能愿意为人的参与付费。 第三章｜AI 把人送到 90%，但最后 10% 才是专业能力 39:00｜AI 像直升机：它没有替你爬过前面的山 传统上，expertise 的形成像爬山。 人在完成前面 80% 的过程中，不仅生产了结果，也积累了背景知识、风险直觉、肌肉记忆和 mental model。 AI 像一架直升机，可以迅速把一个人送到距离山顶只剩 10% 或 20% 的位置。 但如果没有经历前面的攀爬，最后一段往往反而走不上去。 这会产生一种 knowledge deficit：你能生产出来的东西，已经超过了你真正理解和控制的范围。 42:46｜为什么 AI 很容易生成 80%，却难以完成最后 20% 无论是 vibe coding、研究还是写作，AI 都能迅速生成一个看起来相当完整的初稿。 但真正上线、形成原创判断或处理 edge cases 时，仍然需要长期积累的专业能力。 经验丰富的人曾经爬过这座山，因此可以利用 AI 加速；缺少基础的人虽然也能快速获得一个半成品，却可能不知道哪里出了问题，甚至不知道下一步应该问什么。 AI 也有另一面：它可以成为写作和编程过程中的伙伴，降低继续推进一件困难事情的心理成本。 它不一定让任务客观上更快，但可能让过程更加轻松，也让人更愿意继续尝试。 48:40｜你会停留在“完成 80% 的爽感”里吗？ AI 降低了制造半成品的门槛，但真正的差异在于，一个人是否愿意继续学习、补足知识，并把最后 20% 啃下来。 有人会不断生成原型，却始终无法把任何东西真正完成。 也有人会借助 AI 扩展自己的能力边界，逐渐获得完成最后 20% 所需的专业知识和肌肉记忆。 52:17｜Commodity Tasks 与 Star Tasks 并不是所有事情都值得做到 100%。 有些任务只需要达到 80% 或 90%，例如普通会议纪要、一次性的信息整理或只供自己使用的小工具。这些 commodity tasks 可以更多地交给 AI。 但有些任务的最后 10% 就是全部价值，例如关键客户沟通、重要演讲、核心投资判断、正式发表的文章或真正准备上线的产品。 这些 star tasks 需要人核实事实、理解逻辑，并完成最后的打磨。 AI 时代的一项重要能力，就是判断： 哪些任务可以停在 80%，哪些任务必须亲自做到 100%。 第四章｜哪些能力可以外包，哪些必须留在自己身上？ 54:14｜我会把什么交给 AI，什么一定留给自己？ 我判断一项工作是否应该交给 AI 时，会问自己： 完成这件事的过程，是否有助于维持我需要的肌肉记忆？ 在宏观研究中，寻找资料、清理字幕、整理格式和建立初步索引，都可以交给 AI。 但我不会在一开始就让 AI 替我判断什么最重要，也不会直接接受它对关键材料的压缩。 面对相同的公开信息，不同研究员会选择不同重点、赋予不同权重，并形成完全不同的交易判断。 判断什么重要，本身就是 alpha 的一部分。 59:02｜不要把自己最在意的能力外包出去 在真正重要的领域，我通常只分享自己已经听过、读过并能够核实的 AI 总结。 长期只阅读压缩后的内容，可能得到很多一次性的结论，却无法建立判断这些结论是否正确的能力。 对于需要长期积累的专业领域，主动接触原始材料仍然十分重要。 AI 可以像健身教练一样帮你准备器材、制定计划和纠正动作，但它不能替你举铁。 真正形成判断的 repetitions，仍然必须由自己完成。 1:01:38｜AI 总结是一种有损压缩 一份详细材料与几句话的总结，提供的并不是完全相同的信息。 压缩过程中被删除的背景、语气、前因后果和细节，可能会改变一个人最终形成的判断。 因此，真正重要的问题不是“要不要使用总结”，而是： * 这份内容可以承受多大程度的压缩？ * 哪些细节不能被删除？ * 这是只需要一次性了解的信息，还是需要形成长期 mental model 的领域？ 决定 compression threshold，本身也应该是人的判断。 结尾｜AI 时代，我们真正需要保留什么？ 1:07:52｜当 AI 学会了我现在会做的事情，人应该怎么办？ 对于已经在一个领域积累多年经验的人，过去形成的专业知识不会立刻消失。 AI 即使取代了工作中的大部分任务，这些人通常仍然最有可能理解剩下的 20%，并率先找到新的工作方式。 但这也意味着，人必须愿意继续学习和调整。 对于没有时间、精力或条件持续重新训练的人，AI 带来的压力会更加真实。 另一方面，AI 也可能降低过去难以进入的职业门槛，为人打开全新的方向。 1:11:27｜AI 时代真正稀缺的人类能力 未来更难被替代的能力可能包括： * 为不可预测的结果作出判断并承担责任； * 理解没有被写进数据和流程的隐性知识； * 与人建立信任； * 协调利益并说服他人； * 带领团队推动改变； * 在自己的专业领域持续形成比平均水平更深的判断。 这未必是一个轻松的答案。 AI 可能拿走知识工作中最“干净”、最令人愉快的部分，把更 messy 的部分留给人类。 但如果能够利用 AI 持续学习，同时不放弃真正重要的专业训练，我们仍然可以决定： 哪些能力交给 AI，哪些能力必须继续长在自己身上。 本期提到的书 《Messy Jobs: The Work That AI Cannot Reach》 作者：Luis Garicano、Jin Li、Yanhui Wu 官网及免费开放的第一部分： https://messyjobs.ai/

本期简介 上一期集中讨论了我研究完五个工作组之后的整体观察。这一期进一步逐组拆解：沟通工作组、资产负债表工作组、数据工作组、生产率与劳动力市场工作组，以及通胀工作组。 重点不只是成员“主张什么”，而是他们分别可能在工作组中承担什么功能、组内如何形成互补，以及这些看似方向明确的改革，在实际落地时可能面临哪些风险。 本期主要讨论： * 为什么沟通改革很可能指向减少前瞻指引、弱化点阵图； * 资产负债表组如何区分 QE、市场功能干预和流动性支持； * 实时私人数据为什么很有吸引力，同时也可能削弱政策透明度； * 生产率组为什么大概率会得出偏乐观的 AI 结论； * 通胀框架变得更灵活之后，为什么不能简单判断它究竟偏鹰还是偏鸽。 时间轴 00:00｜开场：第二集将逐组讨论五个工作组 上一期讲了整体判断，这一期进入成员和小组层面的具体分析。文字版文章包含更多资料和细节，播客则主要补充一些个人判断与吐槽。 沟通工作组 00:32｜沟通工作组的三位成员 沟通工作组由 Peter Fisher、Arminio Fraga 和 Mervyn King 组成。 三人的背景分别代表： * 美联储内部的政策执行与市场沟通经验； * 新兴市场央行建立信誉的经验； * 发达经济体央行应对高度不确定性的经验。 01:18｜Mervyn King：不确定性下不要制造虚假的确定性 King 对稳定统计模型和宏观预测能力持明显怀疑态度。 在未来无法被可靠预测的情况下，央行不应轻易承诺确定的政策路径，也不应通过前瞻指引向市场制造超出自身认知能力的确定性。 02:04｜Peter Fisher：过度沟通会阻碍价格发现 Fisher 认为，美联储不应为了压低市场短期波动而用大量前瞻指引约束自己。 如果央行不断替市场解释未来政策路径，市场自身的价格发现机制就会被削弱。政策沟通应更多保留不确定性，而不是试图管理每一次市场定价。 02:37｜沟通组最可能的改革方向 这一组最终很可能支持： * 减少前瞻指引； * 进一步缩短和简化政策声明； * 降低美联储管理市场预期的程度； * 弱化甚至取消点阵图。 取消点阵图并不必然意味着取消所有经济预测。更可能的变化是，不再公开每位官员对具体政策利率路径的预测，同时保留某种形式的工作人员或委员会经济预测。 03:24｜沟通组结论：方向明确，悬念相对有限 无论是成员背景还是既有表态，都与 Warsh 长期主张的沟通框架高度重合。因此，这可能是五个工作组中最容易预测结果的一组。 资产负债表工作组 03:33｜资产负债表组大概率支持更小的美联储资产负债表 这一组包括 Raghuram Rajan、Jeremy Stein 和 Karen Dynan。 整体方向很可能是： * 继续缩表； * 降低金融体系对央行流动性的依赖； * 缩短美联储资产组合久期； * 更清晰地区分货币宽松和市场功能干预。 04:05｜Raghuram Rajan：央行托底会制造流动性依赖 Rajan 的核心担忧是，如果央行持续提供流动性、反复救助市场，就会形成类似“Fed put”的预期。 金融机构一旦相信央行总会在压力中出手，就会缺乏降低杠杆、管理流动性风险和持有自有缓冲的动力。 04:32｜为什么适度的市场破坏可能是必要的 Rajan 的思想带有明显的“不破不立”色彩。 央行不应试图阻止所有机构失败，也不应消除所有市场波动。适度损失和波动可以约束风险承担，避免整个金融体系把央行支持视为永久性的公共服务。 05:18｜准备金需求为什么降不下来 银行之所以倾向于持有过多准备金，一个重要原因是使用贴现窗口、常备回购便利等央行工具仍带有明显污名。 银行一旦动用流动性工具，市场可能将其解读为经营困难。为了避免这种负面信号，银行宁愿长期保留大量闲置流动性。 05:52｜想降低准备金，就必须允许银行偶尔缺钱 如果希望银行减少过度充裕的准备金，就需要允许它们偶尔出现流动性短缺，并正常使用央行工具。 这意味着： * 接受更高的短期市场波动； * 降低使用流动性工具的污名； * 不再把任何流动性紧张都视为制度失败。 Rajan 整体上仍然明显偏向支持 QT，并对 QE 持强烈批评态度。 06:46｜Jeremy Stein：不要只看资产负债表的美元规模 Stein 认为，美联储资产负债表的影响不能只用名义美元规模衡量。 更重要的问题是： * 美联储持有了多少久期； * 从市场中移除了多少利率风险； * 对长期利率产生了多大影响； * 如何改变私人部门的资产配置。 07:34｜缩短久期可能比缩小名义规模更重要 美联储的大部分负债近似于隔夜负债，因此从资产负债管理角度看，资产端更多配置短期国债可能比持有大量长期债券更合理。 这意味着，未来改革可能包括： * 提高 Treasury bills 的占比； * 降低长期国债和 MBS 的占比； * 在不剧烈改变总规模的情况下，降低资产负债表的久期风险。 08:31｜区分 QE 和 market functioning intervention Stein 强调，美联储扩表至少有两种完全不同的目的： 第一种是 QE，即在利率接近零下限时，通过购买长期资产进一步放松金融条件。 第二种是市场功能干预，即在市场流动性枯竭、买卖双方无法正常交易时，由央行临时提供流动性。 这两类扩表不应被混为一谈。 09:01｜市场功能干预应保持久期中性 当美联储只是为了恢复市场交易功能而介入时，它不应顺便改变长期利率和风险资产价格。 Stein 因此提出，市场功能类干预应尽可能保持久期中性，甚至通过对冲方式抵消购买资产所带来的利率风险影响。 09:20｜美联储作为去杠杆过程中的临时交易对手 在市场流动性危机中，金融机构可能被迫去杠杆、平仓或出售资产。 美联储此时介入，本质上是在暂时接过市场无法承接的头寸。但这种介入的目的应是恢复交易，而不是自动转化为宏观宽松。 10:09｜Rajan 提供方向，Stein 负责操作设计 如果 Rajan 是资产负债表组的思想核心，那么他更可能提供支持缩表的理论理由。 Stein 则更可能负责回答： * 缩表具体如何执行； * 如何调整资产久期； * 如何区分市场救助和宏观宽松； * 如何降低操作过程中的金融稳定风险。 10:44｜Karen Dynan：实体经济与制度可行性的平衡者 Dynan 长期在美联储和财政部门工作，对美联储内部决策机制和实体经济传导都非常熟悉。 她并不是一位激进的美联储批评者，对 QE 的评价也相对中性。她可能在组内承担的角色是： * 评估缩表对家庭、企业和实体经济的影响； * 为资产负债表改革提供宏观政策依据； * 确保最终方案能够被美联储内部接受和执行。 11:38｜资产负债表组结论 这一组的组合非常完整： * Rajan 提供理论批判； * Stein 提供市场结构和操作框架； * Dynan 提供实体经济和制度经验。 因此，这一组很可能提出一套既支持缩表、又较容易落地的改革方案。 数据工作组 12:12｜为什么数据组可能是最容易让普通人共鸣的一组 Warsh 希望更多使用实时数据，而不是过度依赖滞后、频繁修正的传统官方统计。 后疫情时代，美国经济经历了移民、人口结构、供应链、关税和劳动力供给等大量结构变化，传统数据的及时性和稳定性都受到挑战。 13:18｜Doug McMillon：企业实时数据和产业网络 作为 Walmart 前 CEO，McMillon 熟悉： * 消费者交易数据； * 商品价格变化； * 库存； * 供应链； * 不同收入群体的消费行为。 他不仅了解 Walmart 自身的数据，也知道哪些企业掌握哪些类型的实时经济信息，以及这些数据如何被企业用于经营决策。 13:55｜Raj Chetty：把私人交易数据转化为公共指标 Opportunity Insights 长期处理企业、行政和交易数据，并将其转化为可持续更新、可公开讨论的经济指标。 私人数据通常是零散的交易记录，并不能直接成为宏观变量。它需要经过： * 清洗； * 加权； * 统计调整； * 样本代表性修正； * 方法论设计。 Chetty 的作用可能是把企业数据翻译为经济学家和政策制定者能够使用的指标。 14:35｜Kevin Murphy：把宏观问题转化为可测量的问题 Murphy 所代表的价格理论传统，强调使用经济理论指导实证分析。 他的作用可能是帮助工作组回答： * 美联储真正想知道的问题是什么； * 什么变量能够反映这一问题； * 应该收集什么数据； * 怎样的指标才具有政策含义。 15:29｜数据组三人的可能协作方式 一个可能的工作流程是： 1. Murphy 定义需要回答的经济问题； 2. McMillon 寻找合适的企业数据和数据提供方； 3. Chetty 将原始数据处理为可公开、可修订、可检验的经济指标。 从人员配置看，这是五个工作组中分工最直观的一组。 15:59｜美联储其实已经拥有大量私人数据 美联储并不是从未使用信用卡、薪资、零售或企业数据。 问题在于，市场通常不知道： * 美联储拥有哪些数据； * 如何处理这些数据； * 这些数据在决策中具有多大权重； * 它们何时会影响政策判断。 16:47｜ADP 数据是一个典型案例 美联储内部曾使用更细颗粒度的 ADP 私有数据，并通过内部模型进行处理。 在疫情期间，这类数据曾经非常重要。但市场往往只有在会议纪要或官员讲话中才知道它们已经影响了政策判断。 这暴露出一个核心问题：使用私人数据可能提高及时性，但也可能降低政策透明度。 18:19｜理想结果：处理后的新指标能够定期公开 一种理想方案是，工作组建立一套机制，将经过处理的私人数据持续发布，使市场能够理解： * 指标如何构建； * 历史表现如何； * 修正规律如何； * 美联储如何在政策中使用它们。 18:29｜现实难题：市场无法接触原始数据 企业不可能把每一笔 Walmart 交易、JPMorgan 信用卡消费或 Bank of America 客户数据都公开。 因此，即使美联储发布了统计后的指标，外部经济学家也很难独立复现和验证。 当新指标与官方数据冲突时，市场可能不知道该相信谁。 18:56｜实时数据的后验验证问题 新指标最大的困难是，它们在真正经历完整经济周期之前，很难证明其稳定性。 如果美联储立刻基于这些指标调整政策，却在两年后发现指标存在偏差，那么此前决策的合理性就很难重新评估。 19:19｜最大的风险：新数据沦为“先有结论，再找证据” 私人数据的灵活性很高，指标选择空间也很大。 如果缺乏透明的方法论和外部审查，新数据可能被用来支持主席原本已有的世界观，而不是挑战政策制定者的判断。 因此，实时数据的方向值得支持，但其透明度、可复现性和制度约束必须被认真设计。 生产率与劳动力市场工作组 20:01｜生产率组的三种视角 这一组包括： * 硅谷风险投资和技术前沿； * 大型企业内部的 AI 落地； * 经济增长与技术进步的宏观理论。 三人的功能互补同样非常清晰。 20:46｜Chad Jones：把 AI 转化为宏观增长框架 Jones 主要研究经济增长、技术进步和生产率。 他的核心判断与主流经济学相近： * AI 长期可能提高生产率； * 部分行业已经出现局部收益； * 但从技术突破到总量生产率兑现，需要更长时间。 21:46｜生产率提升往往比市场预期更慢 新技术需要经过： * 企业采用； * 工作流程重组； * 组织结构调整； * 互补资本投入； * 劳动力技能变化。 因此，即使 AI 在编程等任务上已经产生明显效果，也不代表宏观生产率会立即大幅上升。 22:24｜企业视角：AI 更可能改变任务，而不是立即消灭所有岗位 大型企业的真实落地经验通常比“AI 将取代所有工作”的叙事更克制。 更现实的路径是： * 一部分岗位被替代； * 一部分岗位被重新设计； * 更多工作的任务结构发生变化； * 企业逐步通过组织重构兑现生产率收益。 22:39｜这组大概率会得出偏乐观结论 从成员构成看，生产率组很可能最终支持： * AI 将提高长期潜在增长； * 技术进步可能扩大总供给； * 美国可能进入类似 1990 年代的生产率繁荣。 这一方向与 Warsh 和当前政府的政策叙事高度一致，因此目前看不到太多思想悬念。 通胀工作组 23:10｜通胀组三位成员都极具分量 这一组包括 N. Gregory Mankiw、Thomas Sargent 和 William White。 三人的共同点是，都认为当前通胀框架过于狭窄；但他们的理论传统和政策直觉并不完全相同。 23:36｜Mankiw 更接近主流，Sargent 和 White 更非传统 Mankiw 的观点相对制度化，也更接近现代央行主流框架。 Sargent 和 White 则更愿意从财政制度、信用周期、货币总量和长期金融稳定等角度重新解释通胀。 这使得这一组可能产生真正的思想碰撞。 23:58｜共同点：当前通胀框架过于短视 三人都在不同程度上质疑： * 央行是否应过度关注短期 CPI 或 PCE； * 是否必须在一至两年内机械地把通胀压回 2%； * 是否应忽略货币、信用、资产价格和财政约束。 White 更强调延长评估周期，不应将价格稳定简化为短期通胀预测。 24:25｜William White：通胀之外还要看货币、信用和金融周期 White 主张央行不能只预测 CPI 和 PCE，还应关注： * 货币供应； * 信贷增速； * 信用创造； * 信用利差； * 杠杆； * 金融周期； * 资产价格失衡。 这与当前以短期通胀数据为中心的框架存在明显差别。 25:00｜Sargent：不要把低通胀预期当作外生输入 Sargent 与合作者的一个核心观点是，通胀预期不是央行可以被动观察的外生变量，而是央行过去行为和市场对央行反应函数判断的结果。 低通胀预期可能恰恰来自市场相信央行最终会采取足够强硬的行动。 25:24｜低通胀预期为什么可能制造政策循环 如果央行因为通胀预期稳定而暂缓行动，私人部门又因此判断央行不会收紧，那么通胀可能变得更加持续。 最终央行反而需要采取更激进的行动。 因此，央行不能因为预期稳定就自动得出政策无需调整的结论。 26:06｜可信度本身可能比实际行动更重要 这一逻辑与 Warsh 反复强调的“美联储必须证明自己能够实现价格稳定”高度一致。 政策沟通的目标不是让市场精确猜到每一次行动，而是让市场相信央行最终会完成目标。 26:26｜2% 目标可能不变，但解释方式可能改变 当前政治和制度环境下，正式修改 2% 通胀目标的可能性较低。 但工作组可能改变的是目标的解释方式，例如： * 使用目标区间而非精确点位； * 允许通胀分阶段回到目标； * 区分短期偏离和长期价格稳定； * 更关注中期趋势，而非单月或单季数据。 27:04｜货币供给、信用和财政约束可能进入通胀判断 如果通胀被解释为货币、信用和财政共同作用的结果，那么政策工具也会发生变化。 缩表可能被视为抗击通胀的工具之一，而不只是利率政策的附属操作。 这会为政策提供更大的解释空间。 27:42｜为什么不能简单判断这套框架偏鹰还是偏鸽 更灵活的通胀框架既可以被用于解释偏鸽政策，也可以被用于解释偏鹰政策。 偏鸽的解读是： * 通过缩表限制货币和信用，可以减少加息需求； * 短期通胀偏离目标并不要求立刻收紧； * 可以允许通胀更缓慢地回归目标。 偏鹰的解读是： * 即使当前通胀不高，也应提前防范信用过热； * 不能因为通胀预期稳定而放松警惕； * 金融失衡出现时，应更早采取行动。 28:37｜唯一能确定的是：市场熟悉的通胀反应函数会改变 目前无法客观判断最终框架一定偏鹰或偏鸽。 更可靠的判断是，美联储可能会改变目前以短期通胀数据、预期和固定回归期限为核心的分析方法。 至于政策方向，仍将取决于当时具体的经济环境和主席如何运用这套框架。 总结 29:06｜研究之后，短期结论仍与市场共识相近 五个工作组的总体方向大致仍然是： * 更少的前瞻指引； * 更小、久期更短的资产负债表； * 更多实时私人数据； * 对 AI 和生产率偏乐观； * 对通胀目标采用更灵活的解释。 29:27｜半年内提交成果，执行难度仍然很高 即使工作组成员非常出色，半年内完成研究、形成共识并提出能够被委员会接受的方案，仍然是极具挑战性的任务。 最终有多少建议能够真正进入美联储制度和政策操作，仍然存在很大不确定性。 29:35｜真正值得关注的是中期框架变化 短期内，这些工作组未必会直接改变下一次或下几次利率决策。 但在未来数年，它们可能逐步改变： * 市场如何理解美联储； * 美联储如何解读数据； * 资产负债表在反应函数中的位置； * 财政和货币政策的边界； * 通胀和生产率的分析框架。 类似 2020 年 FAIT 框架的影响，这些变化可能在当下显得抽象，却在之后的政策周期中产生非常实际的后果。 30:05｜结尾

本期简介 美联储主席 Warsh 设立的五个工作组，究竟只是为了给主席已有的政策偏好提供理论背书，还是可能真正改变未来几年的美联储政策框架？ 这期节目基于我对工作组成员过往研究、公开言论和政策主张的集中梳理，分享几个整体观察：成员选择与 Warsh 的政策关切有多大重合，各小组内部如何形成互补，为什么货币总量、信用创造和财政政策重新进入视野，以及哪些改革可能短期落地，哪些更可能影响未来四至五年的美联储反应函数。 这不是一份对工作组最终结论的精确预测，而是一次对成员构成、思想来源和潜在政策含义的拆解。 时间轴 00:00｜开场：为什么花了整个周末研究这五个工作组 很多朋友都在问工作组意味着什么。市场的初步判断是，这些工作组大概率会服务于 Warsh 已经表达过的政策愿景，但真正研究成员背景之后，仍然能看到一些更细致、也更值得关注的线索。 01:44｜本期结构与收听指南 节目首先总结最重要的整体观察，随后再逐组讨论成员背景、代表性观点和可能发挥的作用。只想听结论的听众，可以重点收听前半部分。 02:40｜观察一：成员观点与 Warsh 的政策偏好高度重合 从通胀、沟通、资产负债表到生产率，各组成员过去的研究议题都与 Warsh 反复强调的问题存在明显交集。 包括： * 通胀持续性与央行可信度； * 对精确 2% 通胀目标的质疑； * 减少前瞻指引； * 缩短美联储资产组合久期； * 对 QE、流动性过剩和金融体系依赖的批评； * 相信 AI 和技术进步能够推高生产率、压低通胀。 03:02｜通胀组：Sargent、Mankiw 与 William White Sargent 强调政策承诺和央行反应函数会反过来影响私人部门通胀预期。低通胀预期不应成为央行自满的理由，而可能恰恰是市场相信央行会采取行动的结果。 Mankiw 和 White 则都对过于精确的通胀目标持保留态度，认为目标的实现时间和允许区间应保留一定灵活性。 这些思想都能在 Warsh 关于“重新证明美联储能够实现价格稳定”的表述中找到明显呼应。 04:33｜沟通、资产负债表与生产率组和 Warsh 的重合 沟通组成员长期批评央行在高度不确定的环境下提供过度精确的前瞻指引。 资产负债表组更倾向于缩小央行市场足迹、缩短资产久期，并重新审视 QE 对金融体系风险偏好和流动性依赖的影响。 生产率组则明显更相信 AI、资本开支和技术创新可能带来新的生产率繁荣。 05:56｜这些工作组是在给主席“找理论背书”吗？ 成员的选择确实容易让人产生一种印象：Warsh 先有了一套政策直觉，再邀请与自己思想接近的经济学家进行研究。 但这并不意味着成员缺乏独立性。组内成员的观点并不完全一致，很多人也拥有足够强的学术地位，不太可能只进行一场政策表演。 更准确的理解可能是：Warsh 邀请了自己长期关注、甚至受其影响的思想来源，让这些人围绕他认为最重要的问题展开研究。 07:23｜为什么市场很容易猜到工作组的方向 目前市场普遍预期的方向包括： * 更少的前瞻指引； * 更小、更短久期的资产负债表； * 更重视实时数据； * 对通胀目标的解释更具灵活性； * 更积极地讨论生产率、货币总量和财政政策。 这些判断并不是没有依据，而是可以直接从成员选择和既有研究中推导出来。 08:27｜观察二：每个小组的人员配置都经过精细设计 工作组并不是简单地把几个知名人物堆在一起。每个小组内部都有明显的功能互补：有人负责理论，有人熟悉数据，有人了解企业实践，也有人熟悉美联储内部的操作和政策传导。 08:45｜数据组：企业数据、公共指标与经济理论的组合 数据组大致包含三类能力： * 熟悉大型零售企业的消费者、价格和供应链实时数据； * 能够把私人部门数据加工成持续更新、接受检验的公共经济指标； * 能够把抽象的宏观问题转化为可测量、可实证检验的数据问题。 这使得数据组可能形成一条完整链条：先定义政策问题，再寻找合适数据，最后把数据转化为可以持续使用的指标。 11:44｜沟通组：发达经济体、新兴市场和美联储内部经验 Mervyn King 提供的是成熟央行如何在高度不确定的环境下表达政策判断。 Arminio Fraga 带来的则是新兴市场央行如何在财政约束和信誉不足的环境中重新建立可信度。 Peter Fisher 熟悉美联储内部运作、国债市场、政策执行和金融条件，能够将理论建议转化为美国制度环境下可操作的改革。 12:53｜资产负债表组：理论、市场微观结构与实体经济传导 资产负债表组同时覆盖： * QE、QT 和流动性周期的理论解释； * 美联储内部操作和市场微观结构； * 资产负债表政策如何传导到银行、家庭和实体经济。 这种组合意味着小组不仅会讨论资产负债表应当多大，也可能讨论资产久期、准备金制度、金融体系杠杆和流动性分配等更具体的问题。 13:55｜生产率组：技术前沿、企业落地与宏观框架 生产率组包括了解技术投资前沿的风险投资人、熟悉企业落地的科技公司高管，以及能够将微观技术变化转化为宏观生产率框架的经济学家。 这使得小组有能力同时回答三个问题：技术是否真实存在、企业如何采用，以及这些变化最终如何影响增长、就业和通胀。 14:53｜人员互补为什么重要 更均衡的人员配置，意味着工作组的成果更可能被 FOMC 和美联储内部接受。 如果成员全部偏理论，建议可能无法落地；如果全部偏实务，又可能缺乏统一框架。现在的组合明显试图同时解决思想可信度和操作可行性。 15:31｜观察三：货币总量、信用和“quantity variables”重新出现 过去几年，美联储分析更多集中于劳动力市场、通胀数据、预期和风险管理。但在 Warsh 的框架中，M2、货币供给、信用创造和资产负债表重新获得关注。 最新的美联储半年度《货币政策报告》中，也重新出现了对货币总量的讨论。 16:40｜QE 为什么容易、QT 为什么难 一种核心理论是：央行扩表向金融体系注入流动性后，金融机构会调整资产负债表、增加杠杆并创造更多信用。 随着时间推移，金融体系会围绕更充足的准备金和央行流动性形成新的均衡。此时再缩表，就不只是简单地撤回多余流动性，而会触发明显的紧缩效应和市场摩擦。 换句话说，由俭入奢易，由奢入俭难。 18:19｜货币总量会不会进入新的美联储反应函数 如果 Warsh 认为持续通胀的根源之一是过度货币扩张，那么降低通胀就不一定只能依靠提高利率，也可能包括持续缩表、减少金融体系中的货币和流动性。 这只是沿着其思想框架推导出的假设，但值得市场参与者进一步研究：资产负债表政策是否会被更明确地解释为抗击通胀的一部分。 19:31｜观察四：货币政策、财政政策与债务管理无法完全分开 工作组成员反复强调，实际经济中的货币政策、财政政策和政府债务管理并不像制度框架中那样容易切割。 传统美联储通常把财政政策视为一个外生输入，但 Warsh 和部分工作组成员似乎更愿意直接讨论财政路径如何约束货币政策，以及央行资产负债表如何改变政府整体债务期限结构。 20:45｜衡量美联储资产负债表不能只看名义规模 Jeremy Stein 的重要观点是，美联储市场足迹不能只用资产负债表的美元规模来衡量，更应该关注它从市场中拿走了多少久期和利率风险。 当美联储大量买入长期国债时，它实际上改变了财政部原本设计的政府债务期限结构。因此，QE 不只是货币政策问题，也涉及央行和财政部在债务管理上的边界。 21:45｜通胀能否脱离财政制度理解 Sargent 和 White 都强调，长期价格稳定不能脱离财政制度和政府预算约束来理解。 央行可以决定短期政策利率，但如果财政路径本身不支持价格稳定，货币政策的独立性、可信度和有效性最终都会受到限制。 22:09｜财政部可能成为更积极的政策参与者 工作组最终很难完全回避以下问题： * 哪些事务应由美联储决定； * 哪些事务属于财政部的债务管理； * 资产负债表究竟是货币政策工具还是政府债务结构的一部分； * 当美联储缩表时，财政部应如何配合。 这并不必然意味着美联储失去独立性，而可能意味着双方需要更明确地划分边界和协调机制。 23:37｜对 Fed watcher 和交易员意味着什么 过去最熟悉的分析框架是数据反应函数和风险管理。 但如果未来还需要同时跟踪货币总量、信用创造、财政路径、债务期限结构，并且前瞻指引减少，那么市场理解美联储所需的信息输入和反应函数都会变得更复杂。 这对交易员和美联储观察员而言，将是一个新的学习过程，也意味着更高的政策不确定性。 24:37｜观察五：五个工作组的政策落地速度并不相同 虽然五个工作组都重要，但沟通组和资产负债表组明显拥有更多熟悉美联储内部运作、政策执行和市场沟通的成员。 这说明 Warsh 可能更希望这两个领域尽快形成可以操作的制度改革。 25:19｜最可能短期落地的两个方向 沟通组和资产负债表组可能较快提出： * 如何减少或重新设计前瞻指引； * 如何调整美联储对不确定性的表达； * 如何定义合适的资产负债表规模； * 如何调整资产久期和市场足迹； * 如何改善缩表和流动性管理的操作机制。 26:08｜数据、生产率和通胀组更偏向中长期框架 相比之下，数据组、生产率组和通胀组更像是在为未来几年的美联储分析框架搭建理论基础。 它们未必会立刻改变未来一至两年的利率决策，却可能逐步改变美联储如何理解： * 实时经济数据； * AI 和生产率； * 通胀的来源； * 财政与货币政策的关系； * 货币政策传导机制。 27:27｜结论：短期市场影响有限，中期制度影响更值得关注 从短期市场角度看，工作组可能提出的很多方向已经基本被市场预期，因此不必过度担忧突然出现完全不同的政策路线。 真正重要的可能是中期影响。就像 2020 年的货币政策框架审查最终影响了之后的政策反应一样，这些工作组可能不会决定未来 18 个月的每一次加息或降息，却可能重塑未来四至五年的美联储政策框架。 29:13｜结尾：后续将逐组讨论成员与具体观点 这一期先集中梳理整体观察。后续节目将进一步讨论各工作组成员的研究、分歧和潜在政策含义。 相关阅读与资料索引 本期配套文章 工作组分析全文 本期节目对应的微博长文，集中梳理五个工作组的成员构成、政策倾向、组内分工，以及对未来美联储框架的潜在影响。同时分享了了解每位成员的具体资料。 https://weibo.com/2211358463/R8rwp4LCH 以下是我另外分享过的成员观点中文节选。 数据工作组 Kevin M. Murphy：价格理论 https://weibo.com/2211358463/R8p7X8Sc5 通胀工作组 Thomas Sargent：相关文章与核心观点介绍 https://weibo.com/2211358463/R8oKycsey 《处于十字路口的宏观经济政策：反思通货膨胀目标制》 Rethinking Inflation Targeting 作者：William R. White 发布日期：2026年6月3日 文章讨论传统通胀目标制的局限，包括是否应过度聚焦精确的短期通胀目标、金融和信用失衡是否应进入央行反应函数，以及财政与货币政策之间难以彻底分离的关系。 https://weibo.com/2211358463/R89Ch6NX2 《我对通胀的六个信念》 为 NBER“疫情时代及以后的通货膨胀”会议准备的发言稿 作者：N. Gregory Mankiw 来源：Journal of Monetary Economics Mankiw 在文中总结了自己对通胀目标、供给冲击、财政政策、央行可信度和政策灵活性的核心判断。这篇文章有助于理解他为什么可能支持一个比机械追求精确 2% 更具弹性的政策框架。 https://weibo.com/2211358463/R89shpCdd 沟通工作组 Peter Fisher 2017年相关表态节选 这组材料集中呈现 Fisher 对央行沟通、前瞻指引和政策不确定性的看法。他尤其关注央行是否向市场传递了超过自身认知能力的确定性，以及过度明确的沟通是否会削弱市场自身的价格发现功能。 https://weibo.com/2211358463/R8oDeFSE4 资产负债表工作组 Jeremy Stein 2026年5月在亚特兰大联储讨论会上的发言 Stein 讨论了如何衡量美联储资产负债表的市场足迹。他认为，仅观察资产负债表的名义美元规模并不足够，更重要的是美联储从市场中拿走了多少久期和利率风险，以及央行操作在多大程度上改变了政府整体债务的期限结构。 https://weibo.com/2211358463/R8jJx892y

Show Notes ❤️❤️❤️ 完整版 50 分钟已经在我专门做 AI 内容的新节目《Emma 想知道》上线啦, 之后所有跟硅谷朋友聊 AI 的对谈都会更新在那边。如果你想第一时间听到下一期, 来这里订阅 → https://www.xiaoyuzhoufm.com/podcast/6a16356b7db128d8f2fb2d3b 等你! ❤️❤️❤️ "我对人形机器人的付费意愿, 会比对 LLM 更多。" "曾经的自己: 不用 FOMO, 但也不要等待。" "AI 发展整体长期健康, 短期有些过热, 需要谨慎。" 【新节目Emma想知道】 这一波机器人, 跟十年前那波到底有什么不一样? 为什么 Alex 这次愿意相信它能跑出来? 家庭机器人和工厂机器人是两条路, 还是同一件事的两种切口? Alex 自己想买哪种? AI for Science 听起来很远, 它什么时候会真正影响普通人的生活? 在二级市场上, 有没有可以表达这个 view 的标的? 这是《Emma 想知道》"AI 投资趋势"三部曲的最后一集。Alex 跟我们聊他看好的两个远期方向: 机身智能 (尤其是家庭机器人) 和 AI for science。最后我们用一个闪电问答收尾, 问 Alex 整个 AI 周期健康不健康、他最担心的风险、给想出来创业的人一句话, 以及 2026 年世界杯冠军预测。 【时间轴】 🤖 这一波机器人会不一样吗? 00:06 十年前那波机器人融了那么多钱, 为什么没跑出来? 00:38 范式变了: 从"小模型拼接"到"一个大一统模型" 01:04 机器人在复刻 LLM 的发展路径: 更大模型 + 更好数据 + scaling law 01:43 机器人数据收集: 从硅谷"叠被子失业"的笑话说起 02:29 数据收集业务的分发逻辑: 有分发的公司, 最后都会回到卖数据这条路 🏠 工厂 vs 家庭: 两条商业化路线 02:56 工厂里的机器人 vs 进家做家政的机器人, 你更看好哪个? 03:25 技术上大家都想做人形机器人, 商业化要从容易验证的场景切入 03:34 类比 LLM: coding 之所以先跑出来, 是因为容易验证又有人愿意付费 04:34 家庭机器人几年内能像电影里那样自如吗? 04:45 "我对人形机器人的付费意愿, 比 LLM 更多" · 物理世界的需求一直没被满足 🧬 AI for Science: 药物 + 材料 05:29 Alex 看好的方向: 药物发现、材料科学、能源 05:39 为什么有些公司先做材料、再做药物: 监管难度不同 06:24 材料科学具体是在解决什么问题? 从星际航行到太空电梯 07:25 "二级市场上有什么 AI for Science 的好标的吗?" 07:38 减肥药算不算 AI 概念股? 一个非常 isolated 的 view 还没出现 07:59 一级市场两家值得关注: Isomorphic Labs 和 Chai Discovery ⚡ Lightning Round 08:25 AI 发展还健康吗? 08:38 最担心的一个风险 08:45 给那些在大厂考虑出来创业或转投资的人, 你想说什么? 08:54 最近值得推荐的东西 09:11 2026 年世界杯冠军是谁? 【这一期我们聊到的几个关键概念】 AI 1.0 到 AI 2.0 的范式变化 以前是"每个任务做一个小模型, 再用代码把它们拼起来"; 现在是"一个统一的大模型直接做各种任务"。这个变化让 scaling law 在机器人领域也开始生效, 更大模型、更好数据、更多算力可以系统性提效——所以这一波机器人, 在 Alex 看来, 跟十年前那波本质不同。 商业化先从容易验证的场景切入 Alex 把 LLM 的发展路径直接迁移到机器人: LLM 能做很多事, 但 coding 之所以先跑出来, 是因为它"容易验证 + 有数据 + 有人愿意付费"。机器人同理, 工厂、物流、家政是容易先跑出来的应用场景。技术路线是统一的 (人形机器人), 商业化是分场景的。 物理需求 vs 虚拟需求 Alex 一句反直觉的话: 他对人形机器人的付费意愿比对 LLM 更多。理由是过去十年大家都在疯狂满足虚拟世界的需求 (社交、视频、内容), 但物理世界的需求 (做家务、解决体力劳动) 一直没被满足。加上家庭机器人还自带"解决隐私问题"的卖点——就像当年自动驾驶 robotaxi 也卖过这个点。 监管壁垒的差异 同样是 AI for Science, 药物受非常严格的监管, 材料科学就要轻很多。Alex 观察到一些公司会"先做材料、再做药物", 路径上是绕监管的产物, 不是技术选择。这是一个判断 AI for Science 项目商业化节奏时容易忽略的变量。 【这一期提到的公司】 Isomorphic Labs · Google DeepMind 的 AI 制药拆分公司, AlphaFold 团队的商业化延伸 Chai Discovery · OpenAI 系出身的 AI 制药独角兽 【写在最后】 这是 Alex 三集对谈的最后一集。今天我们也同步上线这次对谈的完整版 (约一小时), 适合一口气听完整条思路的朋友。 Alex 答应做这个节目的常驻嘉宾, 所以他后面还会回来; 大家更感兴趣哪个方向, 欢迎在评论区告诉我。如果你身边有正在硅谷做 AI、做产品、做投资的朋友, 是你觉得 Emma 应该认识、应该聊一聊的, 也欢迎推荐给我。 谢谢三集都听完的你。下一期见。 【关于这个节目】 《Emma 想知道》是我的对谈类播客。每一期我都会请一位硅谷的朋友来聊聊他们正在看到、思考、好奇的事, 可能是 AI 投资, 可能是产品趋势, 可能是行业里的某个判断。 好奇心是这个节目唯一的主线。 本期嘉宾: Alex · 硅谷 AI 研究员、Anthropic / SpaceX / Stripe / Circle / Neuralink 早期投资人 如果你喜欢这一期, 欢迎在小宇宙订阅、点赞、转发! 有想听的话题或想推荐的嘉宾, 欢迎在评论区告诉我, 或者来微博找我聊。

Show Notes "未来美国的指数,可能就变成半导体指数了。" "AI 能力上来之后, 技术不会再成为唯一的护城河。" "经济的一部分, 其实可以靠 agent 自己来运转起来。" 新节目《Emma想知道》 Agent 不只是应用层的升级，它要承接的到底是什么? 为什么 Alex 说"如果 agent 起不来, 当前的 AI 周期可能就会有一个大调整"? 如果技术不再是 AI 公司的护城河, 那护城河是什么? Stripe 和 Circle 在为一个什么样的未来做准备? 这是《Emma想知道》的第二期, 也是"AI 投资趋势"三部曲的中集。上一期 Alex 抛出了他未来几年最关注的四个方向：半导体、agent、机器人、AI for science。这一期我们深入聊前两个: 为什么这两个板块是承接当前 AI 周期的核心, 以及 Alex 怎么把 agent 这件事拆成五层来看。 最后我们落到了两个具体的公司——Stripe 和 Circle,聊为什么 agent 经济不是另一个虚的概念, 而是已经有人在为它搭基建了。 订阅指路：https://xiaoyuzhoufm.com/podcast/6a16356b7db128d8f2fb2d3b 上集回顾：《EP1. 22年用15B估值押注 Anthropic的人是怎么想的》 【时间轴】 📊 半导体: 二级市场唯一值得看的板块 00:06 未来几年 AI 投资的四个方向 02:28 半导体: 基建需求叠加产能错配 03:14 现在估值贵不贵? 这波还能跑多久? 03:41 跷跷板逻辑: 半导体涨 → 通胀 → 加息 → 实际利率打回股市 🤖 Agent 不只是应用, 更是承接 AI 周期的关键 04:25 为什么 agent 不能只用"应用"的思维去理解 04:51 "如果 agent 起不来, 当前的 AI 周期就会有一个大调整" 05:35 Agent economy 到底是什么意思? 是不是华尔街之狼卖 penny stock 那套词? 06:08 脱手运行 (Human not in the loop): 一线 researchers 看到了什么? 08:21 智能体经济何时降临? Alex: 不是技术难点, 是认知难点 🔧 Agent 五层拆解 09:50 五个层次: infra / framework / security / app / economy 10:12 Agent infra: 从 GPU 提效到更高维度的 inference 优化 11:35 Agent security: 大厂 CSO 最头疼的事, 怎么分清这个请求是人还是 agent 🚧 现在最缺什么 15:33 最缺的是无代码构建智能体的工具: "让每个人都能自己装小龙虾" 17:15 为什么大部分人做不出好 agent? 要么简化产品, 要么提升自己提取知识的能力 18:18 理想的产品标准: 什么时候 agent 工具能像拍 TikTok 一样简单 19:54 Agent security 怎么投? "卖铲子"逻辑和复合型人才稀缺 🔮 落地: Agent Economy 与具体标的 21:33 Agent app 的护城河: "AI 能力上来之后, 技术不会再成为唯一的护城河" 22:32 Distribution, distribution, distribution 23:33 智能体经济 (Agent Economy) 不是 web3 词汇的堆砌, 它是对前四层的整合 24:00 类比: 抖音是怎么从短视频做成经济闭环的 25:15 Stripe 的视角: 从"人和人的支付"到"人和 agent 的支付" 26:41 agent 可能更愿意在链上支付? Circle 也是这块拼图 🔭 下期预告 27:16 下期内容: 家庭机器人 + AI for science 【这一期我们聊到的几个关键概念】 跷跷板逻辑 半导体股价和美联储政策之间的反身性循环: 半导体涨得越凶, 美股推得越高, 通胀压力可能会越大, 美联储越可能加息, 实际利率上行又会把股市打回来。 “脱手运行”（Human not in the loop） Alex 解释 agent economy 时反复强调的判断：未来 agent 可以在没有人介入的情况下自我运转,不管是供给端还是需求端。他认为这不是技术难点,而是认知难点；LLM 22 年出来的时候,我们也没想到现在能用它写这么多代码。 智能体（Agent）五层框架 Alex 把 agent 这件事拆成 infra → framework → security → app → economy 五层,按时间顺序推演。infra 解决推理效率, framework 解决怎么造 agent, security 解决人和 agent 怎么分辨, app 是垂直应用, economy 是把所有这些整合起来形成自发飞轮的终局。 技术不再是护城河 在 frontier 模型之外, AI 应用层的技术深度可能无法构成真正的护城河；任何一个好产品, 你让 AI 重写一遍其实并不费时间。真正的护城河是 network effect、数据飞轮、distribution。这也是为什么硅谷现在最常听到的词是"流量"和"分发"。 智能体经济（Agent Economy） Alex认为这不仅仅是炒作爆词, 而是对前四层的整合，它同时解决供给端(agent building / deployment / payment)和需求端(distribution)的问题, 形成自发的飞轮。他用抖音"流量 + 电商"的闭环做类比, 押注未来会出现一家能抓住这个闭环大部分价值的"万亿甚至十万亿级"公司。 【这一期 Alex 提到的公司】 * Stripe · agent 支付基建的早期布局者 * Emma提到的“agent commerce"发布会 * Stripe官方：《What is agent commerce?》 * Circle · agent 链上支付的另一块拼图 【下期 Emma 想知道】 这一次对谈我们一共聊了一个小时左右,拆成了上中下三集。明天上线最后一集, Alex 会跟我们分享他看好的两个远期方向: 为什么 Alex 觉得人形机器人的付费意愿可能比ChatGPT订阅更高? 家庭机器人和工厂机器人, 哪个会先跑出来? AI for science 这种听起来很远的事, 什么时候会真正影响到普通人的生活? 明天我们也会同步放出这次对谈大约一个小时的完整版。明天上线, 明天见。 【关于这个节目】 《Emma 想知道》是我的对谈类播客。每一期我都会请一位硅谷的朋友来聊聊他们正在看到、思考、好奇的事——可能是 AI 投资,可能是产品趋势,可能是行业里的某个判断。 好奇心是这个节目唯一的主线。 本期嘉宾: Alex · 硅谷 AI 研究员、Anthropic / SpaceX / Stripe / Circle / Neuralink 早期投资人 如果你喜欢这一期,欢迎在小宇宙订阅、点赞、转发!有想听的话题或想推荐的嘉宾,欢迎在评论区告诉我,或者来微博找我聊。

Show Notes "Anthropic 当时只有 15 个 billion 的估值。大部分投资人的思维都比较线性，但我比较想找这种非线性的变化。" "投资本身就是在某时某刻，抓住最主要的矛盾，然后去下注。" "Anthropic 是压中了 coding，OpenAI 是建了一个生态。" 【本期 Emma 想知道】 一个在金融行业做量化的人，怎么会在 2022 年底就 all in LLM？ 2023 年没人敢押 Anthropic 的时候，他凭什么用 15B 估值投了？ 站在 2026 年回看，御三家的格局怎么变了？他现在还会重做一遍同样的判断吗？ 这是《Emma 想知道》的第一期，也是"AI 投资趋势"三部曲的上集。我请到了我多年的朋友 Alex 做客：他既是硅谷大厂的 AI 研究员，也是 Anthropic、SpaceX、Stripe、Neuralink 这些公司的早期投资人。 我们从他的职业转型聊起，一路聊到他作为早期投资人最关键的几次判断，以及他对当下 AI 公司格局的最新看法。 新节目指路：https://www.xiaoyuzhoufm.com/podcast/6a16356b7db128d8f2fb2d3b 【时间轴】 🎙️ 开场 00:00 为什么我想做这个播客 01:26 Alex 自我介绍 · 量化 → 大厂 AI → 早期投资人 💼 从量化到 AI 02:25 从量化到 AI 是怎么发生的？ 03:58 "最近有个哥们儿从 J Street 去了 DeepSeek" 04:36 22 年底 all in LLM · 在推荐系统里看到 scaling law 的力量 05:44 ChatGPT 出来那阵硅谷的氛围 💰 早期投资判断 06:35 23 年开始投早期：SpaceX、Anthropic、Neuralink、Stripe 07:25 当时为什么敢投 Anthropic？ 08:03 15B 估值的 Anthropic vs 已经 90B 的 OpenAI · second best 策略 08:46 "投资本身就是抓住最主要的矛盾，然后去下注" 🔍 御三家格局 10:03 站在 2026 年看 OpenAI、Anthropic、Google DeepMind 10:54 一个有争议的判断：OpenAI 现在的性价比比 Anthropic 更好 11:21 OpenAI 的"生态位"到底是什么？ 12:19 Neolabs 还有机会吗？会不会出现下一个 OpenAI？ 🔮 下期预告 14:06 Alex 抛出未来四个投资方向 14:28 下期我们聊半导体和 Agent 【这一期我们聊到的几个关键概念】 Second Best 策略 当头部标的估值已经太贵进不去时，投同赛道的第二名。Alex 把它类比成"投英伟达之余也投 AMD”：市场份额扩张时，second 也会显著受益。这是他 23 年押注 Anthropic 的核心逻辑。 Scaling Law 的具象意义 模型越大、数据越多、GPU 越多，效果越好。Alex 在推荐系统里就已经验证过这套规律，并把这个判断直接迁移到了 LLM 上。"它是能直接转化成公司收益的”，这句话是他敢于 22 年底 all in 的底层信念。 线性思维 vs 非线性思维 大部分投资人是线性外推的，基于已有趋势预测未来。但真正的早期机会在非线性的范式转变里。Alex 说他押 Anthropic 时身边几十年的投资老炮都看不懂，但他抓住的是"LLM 早期 Anthropic 的人才不属于 OpenAI"这个主要矛盾。 错位主题（Neolabs 的机会） 在御三家成型的情况下，新一代 lab 的机会不在跟 OpenAI 抢同一个市场，而在押注下一代模型范式——比如 world model。这条路线现在还小，但 Alex 觉得有机会一下子爆发出来。 【这一期 Alex 提到的公司】 * Anthropic · 23 年用约 15B 估值投，second best 策略 * SpaceX · 22 年投，当时估值约 100B * Neuralink * Stripe 【下期 Emma 想知道】 Alex 在这期末尾给了我四个他正在关注的方向：半导体、Agent、机器人、AI for Science，按时间从近到远排列。下一期我们会深入聊前两个： 为什么 Alex 说半导体是当下二级市场唯一值得关注的板块？ Agent 经济到底是不是另一个 web3 式的概念炒作？ 为什么 Alex 说"技术永远不会再是 AI 公司的护城河"？ 明天上线，明天见。 【关于这个节目】 《Emma 想知道》是我的对谈类播客。每一期我都会请一位硅谷的朋友来聊聊他们正在看到、思考、好奇的事——可能是 AI 投资，可能是产品趋势，可能是行业里的某个判断。 好奇心是这个节目唯一的主线。 本期嘉宾：Alex · 硅谷 AI 研究员、Anthropic / SpaceX / Stripe / Neuralink 早期投资人 如果你喜欢这一期，欢迎在小宇宙订阅、点赞、转发！有想听的话题或想推荐的嘉宾，欢迎在评论区告诉我，或者来微博找我聊。

利率市场的风险偏好 实际利率和股市风险 Warsh！

本周美债复盘 & 展望 [00:39] DIRECTION | 过去一个月的方向 利率方向持续向上，无悬念。驱动双线并行：美伊战争/油价 + 美国经济基本面数据。两条线均指向右尾，未见任何左尾事件（劳动市场走弱、通胀低于预期、美伊握手言和）。全市场 payer 仓位极度拥挤（crowded）。方向无分歧，分歧在于"为何在这个时点突破关键点位"。 [04:03] FLOW | 周二—周三：数据强但未突破 CPI、PPI、Retail Sales 三连强，但 10Y 4.55 / 30Y 5.00 关键点位守住。10Y + 30Y 拍卖 tail 在正常区间（约 0.4bp），说明 real money 风险偏好未发生根本改变。周三下午出现大规模 futures block 买入，全线（2Y/5Y/10Y），其中 10Y 单午约 1,400K。Goldman color 确认：real money 大量买入。 → 判断：进入周四前，real money 子弹已打得差不多，而 fast money / CTA 的 short capacity 仍充足。 [09:35] TRIGGER | 周四：三重因素叠加 ① JGB 隔夜 sell-off（日本国内原因，buyer strike） ② Gilts sell-off（英国再换首相 + fiscal loose 风险） ③ Trump 接受采访发表升级言论，市场在通胀高敏感度背景下过度反应 结构性矛盾：买方（real money）仓满、无力接盘；卖方仍有空间继续加空。→ 突破 10Y 4.55 / 30Y 5.00。 [12:52] STOP-OUT | 周五：无人接刀 大规模 stop-loss 触发，利率急速拉升。同步观察到：长端短期波动率（upper right vol）↑、term premium ↑、MOVE index 开始上行。性质已从 domestic 基本面定价转变为 global sell-off。 [13:34] DIFF | 与前几次 sell-off 的三点不同 ① Curve 形态 本次出现明显 bear steepening（2s5s 、2s10s走陡）。前几次以 parallel move / bear flattening 为主，集中前端。5Y 开始动 = 市场开始定价加息周期开始，而非只是降息周期推迟。对长端压力更大。 ② Breakeven vs Real Yield 本次 breakeven 占比上升，real yield 相对贡献下降。Real yield 主导时长端上行节奏可控；breakeven 主导时价格反应更剧烈、波动性更高。本次 move 性质更 volatile。 ③ Cross-market 联动 过去几年大型 sell-off 鲜有纯 domestic 驱动。市场参与者持有大量 cross-market RV trades，溢出效应 self-fulfilling。下周 JGB / Gilts 走势是否企稳，是判断 UST 能否止跌的先行信号。 [21:53] VOL | MOVE 偏低之谜 Fast money 主流 trade：卖出后端短期波动率（6M-1Y 30Y swaption）去融资购买前端 payer（6M 2Y / 5Y swaption）。→ 后端 vol 被系统性压低 → MOVE index（10Y 权重 40% / 30Y 权重 20%）整体读数偏低，但并不代表市场平静。一旦后端 vol 解压（如周四周五），MOVE 将快速跳升。 [24:54] OUTLOOK | 风险情景 短期（下周）：风险偏向利率维持高位或继续上行。Real money 子弹已打得较多，外资无意买 UST，未来两周缺乏重磅数据，隔夜市场（JGB / Gilts）尚未企稳。 技术点位参考（10Y / 30Y）： * Base：4.60–4.65 / 5.15–5.20 * Extended：4.75 / 5.35 [28:01] 中期来看，利率下行的四种情景： ① 美伊握手言和 / 油价回落——payer 仓位极度拥挤，一旦触发将出现 massive rally，这也是一直在等的 dip buying 机会，但现在耐心越来越少。 ② 美联储超预期鹰派（insurance hike）——前端升、长端反跌，curve logic 下长端利率反而会走低。 ③ 美国经济数据突然走弱——小概率，且未来两周无重磅数据，暂不作为基准情景。 ④ JGB / Gilts 企稳回落——term premium + MOVE 随之回落，带动 UST 利率下行。 [34:10] 综合来看，上述四种情景短期内兑现的概率都不高。对应的，利率继续上行或维持高位的风险相对更大。个人策略是不追 sell-off，等 second leg——利率冲高遇阻或出现明确下行信号后再介入。中期（至9月）仍判断 10Y 将低于 4.5%，但承认短期风险偏上行。 五、美联储加息风险评估 [37:28] 加息概率上升，但尚不构成基准情景。当前不加息的前提：通胀预期未脱锚；能源价格尚未持续渗透核心通胀；无 wage inflation 螺旋（Atlanta Fed wage tracker / ECI 未见异常）。Fed core leadership（Powell / Williams / Jefferson）倾向于"更长时间观察"，policy works with a lag 的框架仍然主导。 基准判断：6月 SEP 可能上调 dot / 删除 cut guidance；7月加息概率低。Insurance hike（1–2次补偿性加息）概率上升，真正加息周期重启概率仍低。从某种角度说，去年12月最后一次降息本来就可能是多余的，现在讨论的 insurance hike 在一定程度上是补回那次。 [40:04] 劳动力市场好转，但不构成恶性正向循环。CES vs household survey divergence 持续；saving rate 已从 5%+ 降至 3.5%，消费更多靠财富效应而非工资增长，支持"非螺旋性复苏"假设。 关键监控指标（下周） JGB / Gilts 走势 · 2s5s curve ·initial claims的季节性· Term premium & MOVE index · 油价 / 美伊消息 · Real money flow color

老鲍的最后一次：一个美联储观察员的告别 🎙️ 节目简介 哈喽大家好，我是艾玛，祝大家五一劳动节快乐！ 随着4月29日杰罗姆·鲍威尔（Jerome Powell）作为美联储主席的最后一次 FOMC 记者会落幕，这期节目，我想从一个“美联储观察员”的视角，和大家聊聊我心中的老鲍。 很多朋友可能会问，既然都要换人了，为什么还要花一整期节目来复盘一位即将卸任的主席？其实，理解老鲍不仅是对过去的总结，更是为了应对未来：我们在老鲍时代建立的观察习惯与政策框架，正是我们用来对比、预测下一任新主席行事风格的最佳参考系。 在过去这四年多的高频观察里，他从一个没有经济学 PhD 背景的“非典型”主席，带领美联储经历了疫情、通胀、加息周期以及各种政治压力。节目里，我们会复盘他在机构管理上的智慧、货币政策执行上的得失，也会聊聊他为什么选择在现阶段留任理事。 这既是一期关于美联储政策框架的硬核探讨，也是我个人向这位陪伴了我观察员生涯、真实且有温度的长者的一次告别。 ⏱️ 时间轴 (Timestamps) 【机构管理大师：非典型主席的生存之道】 00:00 劳动节快乐！为什么想在老鲍最后一次 FOMC 会议后，专门做一期节目聊聊他？ 00:57 老鲍的“非典型”背景：普林斯顿政治系毕业、做过律师和私募，他如何在一众学术大牛中建立权威？ 03:02 “房间里最懂行的人”：选 Clarida 做副主席，用低姿态和集体智慧弥补专业短板。 04:54 兼听则明：推广“美联储倾听（Fed Listens）”与《褐皮书》，努力让普通人听懂美联储在做什么。 07:17 内部管理手腕：如何用尊重和充分沟通安抚鹰派，成为极少收获异议票的联储主席。 【政策执行复盘：框架与时机的得失】 09:50 特点一：数据依赖（Data Dependent）。密歇根大学的通胀调查，如何让美联储临时决定加息 75bp？ 12:58 特点二：风险管理框架（Risk Management Approach）。双重使命的取舍：不仅看距离目标有多远，更看偏离目标的“后果有多严重”。 17:00 争议框架的初衷：2020年新框架（FAIT）推出始末，以及从“充分就业”到“最大就业”概念转变背后的底层关怀。 20:43 执行层面的失误：对市场恐慌的担忧与对操作顺序的执念，如何导致扩表太久、加息太晚。 24:30 灵活与果敢：2022 年在 8 个月内激进加息 400 个基点，为了抗击通胀不得不承担 "Some pain" 的政策转向。 【政治压力与留任考量】 28:21 应对政治压力：面对来自特朗普的持续施压，老鲍如何凭借出色的关系构建能力获得两党支持。 30:41 为什么不彻底退休？解析鲍威尔留任美联储理事的现实考量与博弈，以及这对美联储独立性的意义。 【尾声：私人视角的告别】 35:00 鹰派同僚的客观评价：哪怕政策有失误，大家也明白那是集体决策，他已为美联储殚精竭虑。 37:41 真实的良师益友：看演唱会、弹尤克里里，以及他年轻时如何勇敢敲开“公共服务”大门的经历分享。 41:18 Thank you for your service：抛开功过，向这位真实、有品格的公共服务践行者道别。

🎧 本期节目简介 哈喽大家好，欢迎收听本周的《宏观早班车》，我是主播艾玛！近期市场交易难度堪称“地狱级”，本期节目我们将目光聚焦于近期备受瞩目的美联储准主席沃什（Kevin Warsh）的参议院听证会。 这不仅是一场关乎提名的政治博弈（堪比美剧真人秀！），更是窥探未来美联储货币政策框架、资产负债表走向、AI 生产力叙事，以及沟通机制“改朝换代”的绝佳窗口。跳出干瘪的媒体通稿，让我们一起硬核复盘沃什到底传达了哪些关键信号，以及未来市场需要适应的“新常态”。 ⏱️ 时间轴速览 00:00 - 01:46 节目开场与背景科普 近期市场缘何难以交易？美联储主席提名需要闯过哪几关？（参议院银行委员会与全院投票机制） 01:46 - 06:49 听证会背后的政治抓马 特朗普/DOJ 对鲍威尔的调查风波，如何激怒了共和党参议员 Tillis？这场“卡脖子”的投票僵局为何让听证会一拖再拖。 06:49 - 08:44 核心议题概览 带你画重点：市场交易员与媒体关注点的温差在哪？五个你必须记住的核心变化。 08:44 - 21:01 焦点一：沃什向特朗普承诺降息了吗？ 听证会变大型公关彩排。逐字解析沃什极其严密的法律措辞（“从未要求我预设、承诺或决定特定的利率路径”），以及市场对此偏向中立的解读逻辑。 21:01 - 33:28 焦点二：通胀框架的底层巨变 沃什为何不信任核心 PCE，转而拥抱“结尾均值（Trimmed Mean）”？硬核科普通胀数据的“左偏与右偏”效应（Skewness）。这种看似鸽派的框架转变，面临着哪些来自达拉斯联储等学术界的挑战。 33:28 - 42:17 焦点三：资产负债表（缩表）大揭秘 利率永远是首要工具！沃什对缩表（QT）的态度：规模要更小、久期要更短，但动作会“深思熟虑且缓慢”。打假警报：市场对“缩表换巨幅降息”的预期可能过于乐观。 42:17 - 47:20 焦点四：AI 与劳动力市场的宏观叙事 AI 投资带来的需求侧刺激（通胀）vs AI 赋能的供给侧爆发（通缩）。沃什对潜在产出增长的乐观态度，以及他想推翻旧数据、建立新指标体系的潜在不确定性。 47:20 - 52:09 焦点五：美联储沟通机制的“退回原点” 点阵图面临危机？新闻发布会可能从每年 8 次砍到 4 次？投资者需做好准备，重新适应一个像格林斯潘时代那样“话少、靠猜”的不透明美联储。 52:09 - 59:50 终局推演：后续流程与时间线 Tillis 下周三的投票态度成关键。如果提名卡壳，5月15日之后，鲍威尔是否会选择以“理事”身份继续留在美联储硬刚？未来几周宏观剧本全推演。 📚 拓展阅读 & 资料提及 达拉斯联储研究 (Dallas Fed): 关于结尾均值（Trimmed Mean PCE）在正偏态与负偏态下的前置/滞后性分析论文 - https://www.dallasfed.org/research/economics/2026/0416 克利夫兰联储研究 (Cleveland Fed): 2022年关于通胀指标可靠性的相关报告 - https://www.clevelandfed.org/publications/economic-commentary/2022/ec-202205-adjusting-median-and-trimmed-mean-inflation-rates-for-bias-based-on-skewness Warsh听证会当天的recap: https://weibo.com/ttarticle/p/show?id=2309405290482220794017 Miran的缩表计划当天的分析：https://weibo.com/ttarticle/p/show?id=2309405281700849778739

Emma的碎碎念 | AI会取代我的工作吗？一个可以实际操作的分析框架 AI时代最让人焦虑的问题。用任务模型、O型环理论、需求弹性三个经济学概念，搭出一套可以自己动手评估职业风险的框架，只是想给大家一个思考的起点。 章节目录 00:00 开场：为什么在财经节目聊这个话题 00:46 节目结构预览：三个部分的内容安排 02:21 【Part 1】任务模型：怎么拆解你的工作 03:54 衡量AI风险需要搞清楚的三件事 1. AI 在每个子任务上的完成度如何？ 2. 该子任务对我是"替代"还是"互补"？ 3. 任务与任务之间是加法关系还是乘法关系？ 05:16 可编码化程度：判断AI替代风险的核心变量 06:39 替代性 vs 互补性：AI和你的关系是抢饭碗还是帮你干活 1. 规则明确 + 高度重复 + 输入输出可预测 → 可编码化程度高 → AI 强替代性。 2. 需要情景判断 / 人际关系 / 法律责任 → 可编码化程度低 → AI 强互补性。 08:52 任务之间的关系：加法结构 vs 乘法结构 10:48 O型环理论（O-ring Theory）：什么是你工作中的关键节点 11:34 O型环的两层影响：守住关键节点≠不丢工作 13:45 "AI取代工作"的偷换概念：真正的冲击是产能放大后人变少了 14:35 需求弹性：最容易被忽略的变量 20:19 程序员的矛盾现象：为什么AI冲击大、岗位需求却在上升 22:13 非线性冲击的风险：需求弹性能保护你多久 23:09 替代速度的问题：技术能做到 ≠ 马上落地 25:41 可操作的自我评估框架 26:00 问题一：你工作中的O型环密度有多高 27:11 问题二：AI侵占了你的哪些子任务，是替代还是互补 28:37 问题三：你所在行业的需求弹性如何 29:05 问题四：替代发生的速度有多快，你还有多少窗口期 29:53 Open AI报告中的三类人类不可替代性 30:00 监管与问责的必要性：需要执照签字负责（律师、医生、会计师） 30:53 关系的必要性：为什么销售不容易被取代 31:10 物理的必要性：需要你这个人出现在现实世界中的任务 31:29 给每个子任务打分，落在三类里的比例越高 → 互补性越强，替代风险越低。 💡 行动建议总结 [25:41] 你现在可以做的四件事 1. 主动提高工作中 O 型环任务的比例 2. 将更多时间分配给互补型任务，而非替代型任务 3. 评估所在行业需求弹性，向弹性更高的方向转型 4. 趁组织还未完全适应 AI，率先成为"最懂 AI 的那个人" 32:47 结语与下期预告 ————————正片结束——————— 33:01 节目花絮：做这期节目的动机和思考 本期关键概念 任务模型（Task Model）：工作由一系列子任务组成，而非不可分割的整体 O*NET：美国劳工部职业信息数据库，将每个职业拆解为几十至上百个任务维度 可编码化程度：衡量一项任务能否被写成明确规则，程度越高AI替代性越强 O型环（O-ring）：工作中一旦失败会让整条价值链归零的关键节点任务 需求弹性：价格下降后需求量跟着扩大的程度，弹性越高受AI冲击越小 【延伸阅读】 《AI 职业转型框架：绘制 AI 对就业的短期影响图谱》by OpenAI https://cdn.openai.com/pdf/the-ai-jobs-transition-framework_report.pdf 《人工智能对劳动力市场的影响》 by Anthropic https://www.anthropic.com/research/labor-market-impacts 《预测人工智能对经济的影响》 by Forecasting Research Institute (Erza Karger et al) https://forecastingresearch.substack.com/p/forecasting-the-economic-effects-of-ai 下期预告 下半集将更偏财经视角：美国劳动力市场的结构性变化、美联储怎么看待这个问题，以及历史上每次技术革命对生产率和劳动力市场的影响。