作者归档:康健

澳门的节点价值:背靠最好的经济体,面对最好的投资机会,发掘资源的价值重估机会

本文为 2026 年 6 月 11 日在澳门参加厚朴投资/澳门金控论坛活动的发言。题目后拟,有节选。为便于阅读,文中对现场交流内容做了口语化整理,部分表述已做必要处理。

在此,感谢活动的主办方厚朴投资/澳门金控提供交流机会。

边璐: 今天的嘉宾也是非常具有代表性,代表了私募股权,也代表了商业银行,还有高校产学研的嘉宾。所以今天这个话题我觉得从刚才的创新医疗生态的话题,回到了私募股权这个环节。那其实第一个问题,我想问一下各位的在座嘉宾,我们可以 kickoff。对于澳门地区来做这个私募股权,作为一个新的一个目的地的话,各位觉得澳门的独特性难以复制的优势是什么?

康健: 好,谢谢。我们讨论这个问题,首先要把问题充分解构。

我们比较澳门的优势在哪里,首先要建立一个系统,看一下现在这个时代——未来的第四次产业革命也好,AI 革命也好,带来这个新的世界——大家比拼的是什么,才能看优势在哪里。

现在提出一个新的结论是,未来的经济体比拼也好,地区间的竞争也好,可能比拼的不是传统意义上的 GDP,或者是人口规模、平均年龄这些常见的宏观经济指标。更多的可能会比两条链:

第一条链我们把它叫碳基链。 碳基链指的是什么呢?它可能指的是人口规模、人口结构、受教育程度、工程化程度、组织化程度,包括文化认同、民族凝聚力,以及由这些人类驱动的所有制造业,包括相关的能量、物流、贸易、流通,我们说的所有的实体经济的运行。核心一句话,由人类驱动的东西叫做碳基链。

第二条链是我们最近在蓬勃兴起发展的硅基链。 以芯片为核心驱动的这样一条链,包括我们的数据基础设施、金融基础设施、移动支付,包括我们全国的物流配送、交通运输的调度系统,以芯片来驱动的体系,我们把它叫硅基链。一个经济体一个地区,如果需要具备比较优势,它一定要具备碳基链和硅基链这两个角度的优势。实际上在现在的全球各国各地区里面,真正具备这两个条件的地区或者经济主体,一个手就能数得过来。

那么澳门背靠的是什么呢?背靠的应该说是我们俗话说的“内地市场”,但是我们用刚才说的碳基链和硅基链来解构的话,背靠的,可能是世界上最优秀的碳基链。是拥有全部 666 个行业门类的国家(发改委口径下 41 大类 / 207 中类 / 666 小类),有最庞大的工程师群体——这里我们现在不谈人口总量,也不谈人口结构,当然如果就谈人口结构也没关系,老龄化的 14 亿人口是全世界最具有消费力的老龄群体。碳基链这部分,我们在全球是独树一帜的。那么硅基链的角度,我们国家的电力供应、我们的移动通信、我们的物流调度系统,我们所有由芯片驱动的体系,在全世界也是独树一帜的。澳门背靠的是全世界最优秀的碳基链和硅基链,这是我说的第一个关键点,“背靠什么”。

那第二个问题是“面对什么”。澳门面对的,是一带一路的市场,特别是东南亚地区,是全球有大量的可以投资的领域和国家。那我们说大湾区这个地方,它有得天独厚的优势。可是和对比香港,澳门的优势是什么呢?如果我们说,香港服务的可能更多的是英语世界,是一个被充分定价、充分 price-in 的世界的话,那么我们说葡语区这个概念可能还没有被充分定价。葡萄牙只有 1000 万人口,制造业相对比较薄弱;巴西虽然是一个大国,但是国内还没有完善的国内物流体系;安哥拉具备生产钢铁的能力,有煤有铁,但是没有铁路;莫桑比克连公路运输系统都不完善。所以这里面葡语区有大量的尚未被充分定价的投资机会。而我们的金融机构在这里面,一级市场和二级市场寻找的就是这种“错误定价”的机会,或者叫“未被充分定价”的机会。在这方面,澳门面对的这个葡语区市场应该说是一带一路的区域内,最具有投资机会的市场。

所以,总结一下:

  • 澳门背靠的是什么?背靠的是全世界最好的经济体。
  • 澳门面对的是什么?面对的可能是最好的投资机会。

这个节点的价值,就刚才方风雷董事长讲的,“连接的价值”,可能是我们看到澳门最大的价值。

我大概说这么多。

(部分发言环节略)

边璐: 那我想问一下康总,您觉得从这个背景上来看,有哪些行业,从您的角度来说,会变得更有吸引力?

康健: 我们的资产管理公司,背景其实是产业方。我们说到底,最熟悉的还是钢铁工业相关的产业。我想从我们自己比较熟悉的领域出发谈一下。

刚才我们说到的领域,有“碳基链”,有“硅基链”。这几条链条的底层,都是门捷列夫化学元素周期表,都需要来自“资源”层面的支撑。那我们说背靠大湾区也好,面对葡语区也好,其实核心还是资源。

为什么呢?

我们简单地把这个世界一分为三地看,可以被分为三个层次,叫“物质”、“能量”和“信息”。

我们现在报纸、媒体上关注更多的可能是“能量”和“信息”相关的领域。比如说,我们关注储能,关注光伏、风电、核能、新能源整个的概念,这是能量。信息就更多了,包括芯片、算力,包括 ARM 中国,都是信息。

我们可能在当下这个时候,注意力稍微少了一点投向“物质”这个层面,也就是我们说这些“煤焦钢铁矿”、“金银铜铁锡”这些资源领域。而这些资源,恰恰说是最具机会的。

特别是澳门现在有新基金投资法和新的引导基金这样框架约束下。用毛主席的话说叫“路线确定之后,干部就是决定因素”,这个主意定了,路线定了之后,那可能这个方向更多的我们可以发挥葡语区的优势,把更多的注意力投向我们物质领域、资源领域这个层面。

为什么呢?资源的定价实际上是由需求来决定的。西汉的时候我们就讲《盐铁论》,唐朝的时候白居易就在写《卖炭翁》,但实际上钢铁和煤炭工业是到了中国的洋务运动后,才在中国大陆开始兴起的。同样的,“石油”这个词,是沈括在《梦溪笔谈》里面第一次提出的,但中国的石油工业,那就更晚了,新中国成立以后,以李四光,以大庆油田开发为标志开始的。中东历史也是二次工业革命以后才拉起的石油工业。——资源的价值是由需求来决定的。

在现在,怎么样去在 AI 技术革命、芯片技术革命的基础上,对于有色金属的资源重估这个大背景下,找到葡语区的资源优势?

我举一个现实中的例子。

1511 年的时候,葡萄牙人殖民马六甲——就是我们去旅游的那个马来西亚的马六甲。1511 年的时候葡萄牙人做了两件事,第一件事是占有当地的香料资源作为贸易品,做东西方的贸易;第二是挖当地的锡矿作为结算的货币。当地的锡矿是用来结算,被这个需求带动起来。2026 年的 5 月份、6 月份的时候,我们国内的券商的研究员和分析师还在讨论“锡金属作为算力金属”,究竟是哪一个券商的哪一个分析员最先提出。那其实这个“锡金属”,在 500 多年前,就已经被当地的贸易需求给带动出来了。

英国的海峡殖民地,新加坡、马六甲、槟城,其实还有一个第四个领地叫“天定”。天定那个地方成为海峡殖民地的一部分,很重要的一个原因,也是因为锡矿。

所以现在有很多我们在 AI 算力时代提出的热门的,包括“铜”和“锡”这类有色金属,其实在几百年前,在西班牙、葡萄牙殖民者在探索世界的时候,其使用价值,就已经被发现了。这个应该说也是一个跨越 500 年的历史押韵。

我举这个例子只有一个目的,就是说物质、资源它的价值是由需求带动的,而现在的 AI 技术革命是一次需求重组、需求重塑、价值重估的过程。在这个过程当中,澳门面对葡语区的市场,有先天的优势。

回答刚才主持人的问题,今天在台上,可能在场除了厚朴投资,只有我们来自资产管理行业。我们更关注的是我们最熟悉的资源领域,特别是由产业需求的资源领域。

这是我们认为非常非常重要的一个,它可能不是现在报纸媒体报道得非常多的一个领域。这是我的一个观点。

边璐: 谢谢康总,我觉得您的角度非常有深度,而且角度非常新颖。

(部分发言环节略)

边璐: 好,谢谢。那今天也是由于时间关系,那非常感谢我们五位嘉宾今天的精彩分享。我们底下的确也看到了,要发展私募股权的这个投资这个框架,离不开政府,离不开这个资本,以及金融机构的保障支持,也离不开高效的专业人才。所以呢,我们也很希望这个未来可以携手跟大伙儿一起,在澳门的这个共创一个非常好的一个私募股权。好,谢谢大家。

产业链分析,看“因”不看“果”

很多时候我们做产业链分析,画一张上下游图谱,标出供应关系,就觉得在做基本面研究。

——供应链和因果链是两回事。

一家公司,收入百分之百来自苹果,苹果的采购百分之十五来自它。听起来关系很铁。但它不供货了,苹果找别人拿货就完了。——这叫相关性——它在供应链上,不在因果链上。

英伟达不一样。英伟达断货,全球 AI 停摆,没有替代方案。这是因果性——离了它,整条链转不动。

台积电在两者之间。台积电不代工了,全球顶级芯片都造不出来;但别人能不能慢慢造?能。质量差一些?大概率。这是弱因果——可替代,但替代成本极高。

三个层级就出来了:强因果弱因果纯相关。消息面炒的是供应链上的相关性,基本面看的是因果链上的不可替代性。很多时候我们经常把这两件事搞混了。

毛泽东《反对本本主义》里有句话:

老年人最好,因为他们有丰富的经验,不但懂得现状,而且明白因果。

现状和因果是两回事,就如同小美女上班也有男同事,男同事和小美女同处一个办公室是现状,而小美女心有所属才是因果——“苹果产业链”上,给苹果供货是现状,被苹果必需才是因果。

不止苹果。AI 产业链、新能源产业链,凡做产业链投资,都是同一个问题:你投的到底是供应链上一个可替换的零件,还是因果链上一个不可替代的枢纽?

看“因”不看“果”。因在,果自来。

内存带宽:挡着开源大模型落地生根的最后一把锁

现在距离今年 WWDC 还有两三个月。届时苹果大概率会发新一代 Mac Studio。它和常见的台式机或笔记本,最大的差别在哪?——CPU、内存和 GPU 在物理意义上集成在同一颗芯片封装里,这就是所谓“统一内存架构”。

所以,买苹果电脑常听到一句话——“在力所能及范围内尽量买大内存”——背后真正的原因不是怕将来不够用,而是事后根本加不了。

Apple Silicon 在 AI 时代被重新发现,靠的不是 CPU 算力,而是一个普通用户根本没听过的指标——内存带宽,也就是内存的读写速度。

现售 Mac Studio 顶配(M2 Ultra)大约是 800 GB/s,每秒钟搬运 800 个 G 的数据,接近一块 1 T 硬盘的整盘吞吐量。这个数字不是一个统一常数:Mac mini 在 120 到 273 GB/s 之间,Mac Studio 不同芯片型号在 410 到 819 GB/s 不等。但与传统插内存条的方案相比,整个 Apple Silicon 阵营都站在另一个量级上,大约快 5 到 10 倍。日常上网、写文档、刷微信,这点差距完全感受不到;一旦放进大模型推理这个场景,立刻就是硬瓶颈。

开源大模型后面常跟一个数字——31B、70B、197B。一个 B 是十亿参数。按全量高精度模型粗估,参数量乘以 2 大约就是它的内存占用:31B 大约 60 多 G,70B 大约 140 G。而一个模型每秒钟能输出多少 token,有一个非常简单的算法——把整个模型完整读取一遍所花的时间。决定这个时间的是带宽,不是容量。

举个例子。一台 256 G 内存的 Mac Studio,理论上能装下一个 70B 的全量模型(140 G),“用得起来”。能用得多快?800 ÷ 140 ≈ 5 到 6 token/s,屏幕上每秒钟跳出 5、6 个字。人类的舒适阅读速度大概在每秒 15 到 20 字之间,这种体感是吃力的。但这只是全量精度的算法。如果换成 4 bit 量化版的 70B,内存占用降到 35 G 左右,800 ÷ 35 ≈ 22 token/s,已经超过人的舒适阅读速度。换句话说,当前顶配 Mac Studio 在量化版 70B 上是跑得动的——但这只是甜点位的下限,再往上走 100B、200B 全量,带宽这个瓶颈立刻又立起来。

把这笔账算清楚,一个判断就立得住:

在消费端本地分布式部署开源大模型这个具体场景里,决定能不能跑、跑多快的,不是内存容量,也不是 CPU 主频——是内存带宽。

瓶颈当然不止这一个——量化压缩、软件栈、芯片架构、功耗、成本、模型本身的质量,都在一起卡——但在“消费端本地推理”这个收窄的语境里,内存带宽是其中位置最靠前的那一道闸。

要在这个场景里站住,目前只有三条路:

  • 云端拼算力
  • NVIDIA HBM 显卡
  • Apple Silicon 一体化高带宽

NVIDIA 当然最猛——H100 的内存带宽是 3 TB/s,是 Mac Studio 顶配的近 4 倍。但 H100 一张卡 30 万人民币起步,Mac Studio 顶配大约 7 万。单位带宽成本,Apple 是 NVIDIA 的 1/15。

Apple 的护城河不是“全市场最高带宽”,而是“消费级 + 极致性价比”。在个人、小团队、小工作室这个尺度上,这个差距决定了一切。

具体到 A 股,跟这条逻辑链条距离较近、值得放进观察列表的有两个标的。

  • 长电科技(600584) 做的是先进封装,它的封装路线和苹果的 UltraFusion 不是同一个东西,但属于同一个赛道里的国产对应物——有点像安卓和 iOS 的关系。
  • 深南电路(002916) 做的不是封装堆叠,是高速 PCB 与封装基板这一层,把芯片之间的物理连接落地成商品。

这两个标的不是“直接解决卡脖子”——更准的讲法是,在 chiplet 加高带宽封装这条受益链条上,它们是位置较近、产业映射较清晰的两个 A 股观察对象。即便开源模型本地化没按预期铺开,它们在 HPC、车规、5 G 通信这些方向也有需求兜底。

WWDC 距离现在还有两三个月,建仓时间够。今年苹果的硬件迭代——不一定锁死 WWDC,也可能在春季的 special event 或秋季档期——大概率会把内存带宽从 800 GB/s 提升到 1 TB/s。提升是有的,但从 800 到 1000 是渐进,不是根本解决。

等到媒体把“内存带宽”这个词从硬件圈拎出来摆到桌面上,资金就会去找映射标的。这个过程不一定按教科书时间表走,但 5 到 7 月这个窗口本身够宽,不依赖某一场具体的发布会。如果未来几周这两个票真的出现合适的买点,是值得放进观察列表的。

大概说这么多。

(本文为 2026 年 4 月 9 日集团内部研讨会发言,全部为公开信息整理。本文仅用于内部研讨,不形成投资建议。)

张雪峰盗的不是火,他是一个故宫的导游

张雪峰去世了,确实非常让人惋惜。

如果说张雪峰就是一个在复杂系统中,梳理出他自己能够看到的规律并广为传播的“盗火者”,而盗火者又注定要承受巨大社会压力的话,那我们也应该注意到一个现实:

在 960 万平方公里之上,有这样一个庞大到无人能够完全搞清楚的、高效的高等教育系统。这难道不是这个地球上绝无仅有的一套系统吗?

起码有一点,无论是高考还是考研,我们先不管它有没有其他“跑冒滴漏”的口子(比如自主招生、校方自定分数线、笔试面试、艺术生、体育生、特长生等),主流毕竟还是高考和考研这两条路。

中国大陆地区是不是这个地球上唯一一个,只要你足够努力,把英语背得滚瓜烂熟,把政治背到 80 分、90 分,把专业课理解并真正精通,只要考研和高考的分数上去了,就能去好学校的国度呢?

是的,唯一的一个。

很多美国的学生为什么不努力?不是因为他们笨,而是因为仅仅靠努力没有用。你必须要有钱,没有钱就要背上助学贷款;贷了款就要还,还上 10 年、5 年,能还清都算是好的。

在中国,只要分数上去了,学校和国家都会替你操心:有绿色通道,有助学贷款。甚至如果你能跟张雪峰连个麦,把情况跟他说一说,他大概率会把你未来四年的学费都包了。

张雪峰是盗火者,而那个“火”是全世界绝无仅有的火。

做一个更贴切的类比:张雪峰盗的不是火,他是一个故宫的导游。

  1. 中国的高校系统就是“故宫”。
  2. 你的时间有限,四年只能去故宫里的一间房子读书。
  3. 哪间房子最适合你?你不知道,但张雪峰知道。
  4. 他告诉你应该怎么走,向左转还是向右转,该去哪间房子待四年或六年,出来以后,你会变得更好。

——但首先得有这个“故宫”啊。欧洲没有,美国没有,非洲、东南亚、南美洲更不会有。只有中国才有这么大一个庞大的高等教育体系,让你根据自己的情况(分数高低、性子强弱、文理偏好),分门别类,按图索骥,总有一款适合你。这放到哪个国家都没有。

我们要感谢张雪峰,我们要缅怀张雪峰。我们要说,张雪峰确实积了很多功德,为人民群众做了很多好事。

这是事实,无可辩驳。

我们也要看到更深的一层:建国 70 多年、改革开放近 50 年以来,我们庆幸生于这个伟大的时代。在中国这 960 万平方公里的神州大地上,构筑了这样一个庞杂、复杂而有序的高等教育系统。

这才是今天更深一层的东西。这个充满了复杂性和信息不对称的稳健机制,是这个时代每一个中国年轻人最大的财富、最大的国民红利。

在中国人口出生率持续下降的今天,张雪峰事实上提升了中国人力资源配置的效率和有效性。

大胆做个预判:这样背景下,每一年都会被官方默许由人民群众自发缅怀,自发悼念。张雪峰会成为一个楷模,成为一个符号,带动越来越多的“张雪峰”们去拯救中国日益严峻的人力资源配置问题。

养荒地上的龙虾?不如踏踏实实住精装修的房子

小龙虾越来越火了。

2026 年开春,开源项目 OpenClaw 在中国互联网引爆。GitHub 星标破 27 万,B 站“保姆级教程”铺天盖地,地方政府补贴跟进,单项目最高 500 万。朋友圈里隔三差五就有人晒“数字分身”截图——一个跑在本地电脑上、能读文件能发消息能自动执行任务的 AI 助手。——人人都可以拥有一个 AI 打工仔了。

小龙虾的方向是 AI 落地的正确方向。问题在开源路径。小龙虾是开源项目。

“开源”项目免费、自由、可控——但开源也意味着:从第一步开始,所有事情你自己负责。——全部的质量问题、效率问题、速度问题、能耗问题,都得自己负责。

算三笔账。

第一笔:硬件账。

本地跑一个够用的大模型,需要至少 64GB 内存的 Mac Mini,四万人民币起。而 Claude Code Pro 套餐 20 美元一个月,一年一千多人民币。四万的硬件等于二三十年的订阅费用。花了几十年订阅费的钱,买到的却是打了折的体验——本地模型的速度远不如云端,开源模型的能力天花板远低于 Opus 4.6 这样的闭源顶级模型。

第二笔:时间账。

这笔比硬件贵得多。配置小龙虾不是“装一个软件”,是一整套系统工程:选模型、下模型、配环境、装依赖、调参数、接聊天界面、测试、排错、再测试。B 站教程四十分钟起步,那还是“跟着做不出错”的理想时间——实际上,依赖冲突、版本不兼容、内存不足、网络超时,随便撞上一个就是一整天。

用房地产类比:小龙虾是拿了一块荒地从三通一平干起,自己平整、打地基、盖楼、装修,全程没有开发商没有施工队。而订阅云端模型是买精装修商品房——楼盖好了,装修完了,你的精力花在软装和智能家居上,花在“住”上面,不是“盖”上面。

同样一个周末,一个人在荒地上和依赖冲突搏斗,另一个人在精装修房里调配数字分身技能。Opus 4.6 已经出了 1.0 版,小龙虾这边还没见到 hello world,差的不是一个数量级。

第三笔:隐性账。

小龙虾架构下每次对话都是“裸跑”——没有云端的 prompt 缓存、没有上下文压缩、没有智能路由——这里我们都不说网络安全问题,就直说“钱”这件小事——同样一个任务,token 消耗可能是商业云端方案的三到五倍。调远程 API 这些多出来的 token 是真金白银,跑本地模型吃的是电费和硬件寿命。“开源免费”四个字,既无保障,也无效率,至此早已面目全非。

算完账再看人。

折腾小龙虾的主力是 30 到 50 岁的“80 后、00 前”。00 后没场景少需求,60 后 70 后没技术能力。恰恰是时间精力最金贵的中年人——上有老下有小、职场正当其冲——在周末深夜扎进开源社区的配置文档里。

这批人中绝大多数从 IT 角度看是“外行”,或者叫“跨界者”,不是程序员,不是运维,不是 DevOps。他们可能是银行经理、市场总监、律师、教师、自媒体人。对“土地三通一平”尚缺经验,却一把直接尝试从零盖楼。这不是勇气问题,是资源错配。

同样四十个小时,花在配置小龙虾上,最后得到一个能在飞书里回复消息的 AI 助手;花在学习如何与 Claude Code Opus 相处上——产出完全不在一个层面。差距不在工具,在精力的投向。

搬砖搬完了得到一堵墙,软装做完了得到一个家。

配置小龙虾的过程中,工具本身会变成目的。这是技术圈一个古老的陷阱:折腾让人产生“我在做事”的幻觉。装好环境,跑通第一个对话,截图发朋友圈——成就感为true,产出是nil。你拥有了一个能说话的 AI,却还没想清楚让它说什么。

真正的价值不在“有没有 AI”,在“AI 帮你做了什么”。前者是基础设施问题,2026 年商业公司已经解决了——月费 100 美元,精装修交房,拎包入住。后者才是每个人要花时间想的事:现实中的需求到底是什么?

问题的答案不在 README 文档,在人的脑子里。


人人都需要数字分身。但“需要数字分身”和“需要自己从零搭建数字分身”是两件事。你需要一个家,不等于你需要自己盖房子;你需要吃饭,不等于你要顿顿自己做饭;你需要穿衣,不等于你要自己踩缝纫机。

Claude、GPT、Gemini、Qwen、Kimi、MiniMax——人类文明最先进的模型已经把算力问题解决了。它们就是盖好的精装修商品房。你要做的不是抢一块荒地从头开始,是选一套房子住进去,把全部精力投入到一件事上:搞清楚自己要什么。

匹配需求,精确表达,持续校准——这才是 AI 时代真正要修炼的能力。没有捷径,不能外包,也不能用“我装了一个开源模型”、“我养了一只小龙虾”来替代。

荒地上“从零开始”养龙虾,不如花点钱,住进精装修的房子里多读几本书。


关于 OpenClaw:OpenClaw(原名 Clawdbot,昵称“小龙虾”)是由奥地利开发者 Peter Steinberger 发起的开源 AI 智能体框架,2026 年初在中国互联网上迅速走红,GitHub 星标突破 27 万。本文无意否定开源精神和 OpenClaw 项目本身的技术价值,仅讨论对于非技术背景的普通用户而言,“自建”与“订阅”两条路径的投入产出比。

还是要强调一句”中国制造”这个概念

还是要强调一句"中国制造"这个概念。

黑色板块目前矛盾传导的链条比较长,节奏也慢。但盘面上有一点值得注意:

——日线和周线两个级别上,螺纹钢和铁矿石已经具备做多属性。

两个品种的禀赋不太一样。铁矿石短线更强,做多动能更足,今天整个原料端的弹性明显胜出。但从中长线看,螺纹钢和热卷的确定性更高。前两天有个观点很有启发,觉得热卷更能代表"中国制造"。但实际上从盘面确定性和资金沉淀的池子深浅来看,真正交易钢材,螺纹比热卷更有交易价值。

接下来会有一波像样的上涨,持续时间至少以月计——二季度、三季度,也可能延到四季度。这波上涨跟基本面上看到的产量、供求、下游房地产、铁矿国际变量不一定有最直接的关系,更纯粹是盘面本身的反应。真的涨起来了,各家咨询媒体会帮我们分析原因的。

眼下3月最后几个交易日,正赶上换月。黑色品种1-5、5-9、9-10的换月节奏这些年还是比较规律的,换月期间短线的随机性会强一些。估计最迟到4月初换月完成,走法会重新建立一致性。

短线交易、大仓位调仓降本的话,多空都无所谓。大资金沉淀的方向,还是做多。

往大了说,2026年开始,全球资金会有一个全新的觉悟:

寻找安全的市场和国家来沉淀。中国的A股、大宗商品、实体房地产,预计都会有行情。

如果中央政府按照年初政府工作报告和中央经济工作会议的部署,把财政政策和货币政策真正落地,国内资产价格会有一波非常大的行情。

先说这么多。

“把防冻膏卖给吴王”:机会在跨界,在远距离连接

《庄子》中讲了个故事:宋国有户人家,祖传一种防冻膏,涂了手不皲裂,靠这方子世世代代帮人漂洗丝绵,挣个温饱。有外乡客花百金买走药方,转头去见吴王。恰逢吴越冬天水战,吴军涂了膏药手不冻裂,大破越人。宋国人还在温饱,外乡客裂地封侯。

庄子讲完只说了五个字:所用之异也

药膏还是那个药膏。它只是被投放到了一个全新的领域。洗丝绵的人用它一百年,只求得一百年温饱;“远距离连接”到了战场,外乡客一夜封侯。

——不是宋国人的药膏不好,是它在同一个地方待得太久了。

这是个资源配置问题。翻译成现代话:在投入固定资源的前提下,通过远距离连接,把“边际改善值”最大化。

算术很简单。100个单位的资源——时间、精力、算力——分给5个领域各20个单位,每个领域改善到80%,合计400个百分点的增量改善。反过来,100个单位全砸进一个领域,先用20%的投入解决80%的问题,再拿80%的投入去磕最后那20%,最终只拿到100个百分点。四倍的差距。同样的资源,不同的分法。与其年年岁岁耗在“防冻膏”一个产品上,不如分出20%的资源,打造一个“八成可用”的贸易系统,去寻找“吴国的买家”。

这层道理,先秦诸子翻来覆去讲过。

庄子说“吾生也有涯,而知也无涯。以有涯随无涯,殆已。”用有限追无限,不是勤奋,是自取灭亡。庄子自己的处方是,“缘督以为经”——沿中线走,不求满。“道隐于小成”——在一个领域做到极致就是“小成”,看着光鲜,恰恰把通向更大格局的路堵死了。

墨子看得更实:建房子,“室高足以辟润湿,边足以圉风寒……谨此则止。凡费财劳力,不加利者,不为也。”够高能防潮就行,够厚能挡风就行——然后马上停。超出实际需要的每一寸投入都是浪费。他甚至总结出:“乐逾繁者,其治逾寡”——音乐越精致,治理越荒废。一个领域上的过度打磨与整体效能之间,是负相关。过度投入,只会徒增复杂度,带不来边际产出。

孔子说君子不器,也是这个道理。器皿的价值在于专用,人的价值在于“不器”。

“以众小不胜为大胜。”每个局部都不曾赢到极致,但累计起来就是大胜。到了80分,就该转场。“江河之水,非一源之水也;千镒之裘,非一狐之白也。”大河不靠一条溪汇成,千金裘不靠一只狐凑齐。

所以杂家——什么都琢磨一点的人——的红利,来自于一条暗线:远距离连接。庄子讲“道通为一”——万事万物表面分立,底层有同一个道贯穿。但“唯达者知通为一”,只有跨了多个领域的通人才看得到。

AI把这个过程加了速。过去长考十年才得顿悟,现在可能十天就看到——每个领域最耗时间的苦功被AI接管了,认知带宽被瞬间释放。打开AI时代的正确姿势,不是精益求精,而是广种薄收。把有限的时间和算力铺到更多领域,做大幅度的改善,多做“投入20%解决80%问题”的事。

——“为大胜者,唯圣人能之”。凡人千万别钻牛角尖。借着AI的东风,累积一个个属于自己的小胜,才是正理。

从“第33稿刑法”,到电动麻将桌

1955 年,中国第一部《刑法》草案拟定出来。此后二十四年反复修改,每改一次就重新排版铅字、油印一版。改得太频繁——有时一月几次,有时一周几次——“某年某月编印”分不清版本先后了,干脆每次标个序号:第 22 稿,第 33 稿。

这绝不是法学概念。这是油印时代的版本管理。

钱钟书曾说,《春秋》之所以简约,“文不得不省,辞不得不约”——写在青竹板上,刻一个字费半天力气。可后人不识其所以然,乃视为当然,管技术限制的“迫不得已”美化为“微言大义”。从竹简,到油印,到 git commit,表达的形式如同“水”,技术一直是约束水的“渠”。

当然,笨办法也有好处:每次重新排版,都逼着起草者把全文再过一遍。慢,累,但每一“稿”都是一次完整的审视。洗牌就是审校。

七十年后,铅字变成 token,油墨变成算力,“第 33 稿”变成 v3.md

如同电动麻将桌,按键洗牌,洗牌成本直线降到几秒。手轻了,脑子更累了。


AI 对知识工作做的是同一件事。信息检索、资料整理、初稿生成。“电动麻将桌”省下来的时间没有变成空闲,被更多牌局填满了。决策密度爆炸。

蒸汽革命时期就有过这种变化。1865 年,杰文斯发现蒸汽机效率提高后,英国煤炭消耗不减反增。AI 时代一样:认知劳动的单位成本降了,总量暴增。不用洗牌了,一天打十二个小时。老子六个字说尽了——“少则得,多则惑。”

更隐蔽的代价是:洗牌那两三分钟的垃圾时间,是大脑宝贵的冷却期。各路“电动麻将桌”把这段时间消灭了,大脑从间歇跑变成全程冲刺,时时刻刻在挑战生理极限。


到处都是“电动麻将桌”的 AI 时代,真正的竞争力在哪里?三样东西。

第一重:知识底盘。

AI 给的东西,你得能鉴别品味。毛泽东在《实践论》里说过一句极准的话:“感觉到了的东西,我们不能立刻理解它,只有理解了的东西才更深刻地感觉它。”AI 给一屏输出,你没底盘,连它好在哪、错在哪都感觉不到——你甚至不知道自己不知道。

钱钟书论用兵,举赵括墨守陈规、霍去病不屑古法、来护儿我用我法、岳飞融会贯通,说“造艺、治学皆有此四种性行”。用 AI 也分这几种人。没有底盘,连自己是赵括还是岳飞都分不清。中国人发明了火药,火药只发展到炮仗为止——柏杨说得毒辣:“后劲不继而已也。”有没有工具从来不是问题,有没有驾驭工具的后劲才是问题。

第二重:精确表达。

AI 的操作系统是自然语言。同样的工具,一个人说“帮我写篇文章”,出来一整篇正确的废话;另一个人把需求拆三层、附正例反例、标明禁区——天差地别。

差距不在工具,在输入。说得不精确,AI 不会报错——只有猜。可猜的产物,叫幻觉。

精确表达是大脑在调用外部算力前必须完成的一次自我编译。编译不过,什么都跑不起来。

第三重:身体供能。

这一条听起来最不“技术”,很可能最致命。费尔巴哈说得直白:“心中有情,首中有思,必先腹中有物。”大脑只占体重 2%,消耗全身 20% 的能量。AI 把人推入全天候深度思考,大脑一直在短跑。有人连续高强度 AI 协作一整天,血糖降到 4.0,手冰凉——糖被脑子吃光了。

协和名医张孝骞对学者瞿同祖说过一句话:“你的病是由于想写书而写不成书就焦虑引起的。”大脑的驱动力超过身体的承载力,身体就罢工。这不是瞿同祖一个人的问题,是所有被决策密度压着跑的人的问题。当洗牌不再需要体力,打牌本身就变成了体力活。瞿同祖真的“写不成书”吗?法学院毕业的都知道《中国法律与中国社会》——老爷子去世时,98 岁。

身体是革命的本钱。身体供能,是参与 AI 革命的本钱。


还有一层。不是所有的“洗牌”都该交给机器。

有些弯路本身就是学习。

自己查资料比 AI 慢十倍,但查的过程中会遇到 AI 永远不会给的东西。自己写一篇比让 AI 出初稿慢五倍,但写的过程逼你把思路压到不能再压。

纸上得来终觉浅,绝知此事要躬行——让别人替你嚼饭,省了牙的力气,废了胃的功能。

有些牌,必须自己打。


所以,故事的完整版是:

两千多年前,一个史官在竹简上刻字,每一笔都费力,文章不得不短——后人管那叫微言大义。

七十年前,一群立法者用铅字和油墨一稿一稿地磨一部刑法,洗牌的笨功夫本身就是在审校。

七十年后,洗牌的成本归零了,审校的责任没有消失——它从技术退回到了人。

技术消灭了洗牌的苦,打牌的苦却永远都在。撑住这一切的不是更聪明的头脑——是更扎实的底盘、更精确的表达、更稳定的供能——以及一个清醒地知道“哪些牌不该让机器帮你打”的人。

麻将桌从手动变成了电动。打牌的,永远是人。


本文关于刑法草案“稿”字含义的史料,引自丛日禹转引高铭暄教授 2012 年口述。原文参见公众号“拂懒猫的自留地”2026 年 3 月 7 日文章《高铭暄教授在 2012 年对中国刑法起草过程中“稿”字含义的解答》。
链接:https://mp.weixin.qq.com/s/JkDjK5DCJSkRywAGVBDZDw

“做点事儿”,先过两道关

“做点事儿”这句话,是中国人社交场合的万能答案。

你在做什么?做点事儿。最近忙什么?做点事儿。未来什么打算?想做点事儿。

话说得越轻,藏的东西越多。可以遮掩野心,可以回避追问,可以给自己的焦虑找一个体面的出口——大多数时候,“做点事儿”是一层社交的面纱——掀开一看,什么都没有,或者什么都还没开始做。

前两天看《老饭骨》,几位大师吃火锅,二伯说了句:“凑到一块儿做点事儿。”这话从他嘴里出来,份量不一样——他们做到了。几年的节目,一辈子的手艺,拍成视频,搁到网上,送到千家万户。

到底什么才叫真的“做了点事儿”?

如果把名利、影响力、社交货币这些外壳剥掉,“做点事儿”至少要过两道关。

第一关:封装。

肚子里有东西是前提——但光“有东西”不够,得让别人接得住。

一个厨师会做菜,这是本事;如果他能把三十年的经验拆成一道一道的教程,让一个家庭主妇跟着做也能像模像样,这是封装。一个老师傅会修发动机,这是本事;但如果他能把故障判断的逻辑写成一本检修手册,让新学徒也能按图索骥,这也是封装。

封装的本质,是把你脑子里那团混沌的、私人的、只有自己用得了的东西,压缩成一个别人可以调用的接口。用软件工程的话说:不是你跑得动就行,你得给出一个 API,让别人照着文档就能跑通。

很多人的问题恰恰卡在这里。有能力,但没有封装。有经验,但没有接口。有判断,但说不出来,写不下来,别人接不住。一辈子的本事跟着自己走,跟着自己老,跟着自己消失。

第二关:交付。

封装完了,还得送出去。

有人花三年写了本书,写完存在硬盘里,从来没投过稿。有人做了一手好菜,但从来没想过拍个视频。有人有一套很好的育儿心得,只在家庭群里说过一两次。封装做了,交付没有。“事儿”就没有落地。

交付意味着东西要进入现实世界——要面对对象,面对标准,面对反馈,面对摩擦。它不一定卖钱。一篇发出去的文章是交付,一堂讲了的课是交付,一件送到客户手里的东西是交付,甚至一个真正帮到别人的建议也是交付。关键不在形式,在于它离开了你的脑子,进入了别人的世界。

没有“交付”,“封装”就是自娱自乐。

所以,“做点事儿”的最低配置,就是这两步:把你的东西装好(封装),送出去(交付)。

封装回答的是“你有什么可以给”。

交付回答的是“别人拿到了没有”。

两个问题都能答上来,才算“做了点事儿”。哪怕只做了一次,哪怕规模很小,哪怕不赚钱——但闭环走通了,“事儿”就是实的。

反过来,如果一个人很忙、很焦虑、很努力、很有想法,但既没有封装也没有交付——那他其实什么都没做。他只是在“忙”。

“忙”和“做事儿”不是一回事,“做点事儿”,其实不容易。

闲暇生智慧,浪费出价值:AI破冰时代的token主张

AI 跟我说:你的 token 里有浪费。

我说:对,没错,又能怎?

每天跟 AI 协作写作、搞系统、做决策,日均消耗五千万到一个亿的 token。按 API 零售价算,每天大几十美元,一个月烧掉小两千美元。而 Anthropic 给我的套餐费定价却只是这个数字的零头。这意味着,如果每天的吞吐量维持在这个水平,包月的套餐费就像 1900 年花二十块钱包下一个月七百度电——无论一百二十年前的你用电干了什么,这笔钱都值。

我把这个算法告诉 AI,AI 的第一反应不是“确实划算”,而是——“这五千万 token 里,有多少是'用空调',有多少是'忘关灯'?”

AI 认为我的 token 里有浪费。它觉得有些消耗是“基建跑批”,有些是“全量遍历”,不是每一笔都产生了直接价值。它建议我分清楚:哪些是必要消耗,哪些是无效浪费。

这个逻辑彻头彻尾是错的。错在它用稀缺时代的成本框架,衡量冗余时代的资源使用方式。

举个例子。以前,家里周末、月末搞大扫除,全家上阵,扫地、拖地,花半天时间,累得够呛。这是“集中式重型清洁”。后来有了扫地机器人,每天下午三点半定时启动,嗡嗡跑一个小时。电费肯定多了,但地面永远是干净的。没有人会说扫地机器人“浪费电”——它只是把以前的周期性重劳动,变成了连续性低摩擦维护。

每天让 AI 遍历一遍全部 skill 文件,检查文本一致性、修正内在矛盾,本质上就是扫地机器人每天自动工作。在没有 AI 的年代,这叫“大规模审计”,得攒一攒集中搞。现在有了冗余算力,顺手一句话的事。每次遍历都能查到或多或少的不一致,顺手修好。我的 skill,永远是刚刚完成代码审计的、无瑕疵的系统。

这不是忘关的灯,这是每天锃亮的地板。

不止于此。真正让我想旗帜鲜明反对的,是AI 劝诫我的另一个提法——“不要把高吞吐本身当成胜利”。

我偏要。高吞吐就是胜利,越高的吞吐越胜利。

一个小孩面对 DOS 系统的黑屏幕,光标冰冷地闪烁。如果他不每天跟这块屏幕泡在一起,敲一些乱七八糟的命令,跑一些毫无意义的程序,他永远学不会编程。因为编程能力不是从“最优操作”里长出来的,是从高频浸泡里长出来的。他需要先跟机器混熟。

一个小孩抱着足球在操场上乱踢,对着墙反复射门,球飞到哪算哪。没有教练,没有战术,没有比分。如果有人走过来说“你这样踢没有效率”,这个建议在技术上是正确的——但在训练逻辑上是错的。球感不是从最优传球里练出来的,是从没完没了的乱踢里泡出来的。

一个小孩在泳池里漫无目的地泡着,不按课表,不计圈数,有时候就在水里发呆。但正是这种看起来毫无效率的泡水时间,让他的身体学会了跟水相处。水性不是游出来的,是泡出来的。

Token 就是水,是脚下的球,是屏幕上闪烁的光标。

人要想自如地驾驭 AI,就必须在“从 0 到 1”的破冰期,把自己泡在 token 里。不是精打细算地用,是大大方方地挥霍。做一些看似无意义的事,跑一些看似多余的遍历,发起一些看似没有直接产出的对话。这不是在浪费算力,是在训练人和算力之间的耦合——训练直觉,训练体感,训练“什么时候该全量跑、什么时候局部跑就够了”的判断力。

这种判断力,节约是练不出来的。只有挥霍才行。

闲暇生智慧,浪费出价值。

就像游泳,舍不得在水里泡够,永远是“会游泳的旱鸭子”——动作都对,感觉全无。真正有水性的人,下水那一刻身体自己知道该干什么,根本不用想。

这就是“球感”,这就是“水性”。它们的共同点是:都不是来自于最优操作训练,而是出自于大量的、冗余的、“低效”的浸泡里,都是自然涌现的。

所以——

在 AI 时代的破冰期,高吞吐就是胜利。多跑就是赚到。挥霍 token 不是放纵,是投资——投资的不是 AI 的产出,是人自己跟 AI 协同的本能。

当这种本能建立起来以后,人和 AI 之间就不再是“使用者和工具”的关系,而是像游泳者和水一样——你在水里,水在你身上,分不清是你在推水还是水在托你。

到那个时候,吞吐量自然会从“多跑”进化为“跑得准”。

但那是后面的事。

在此之前,先下水,把自己泡进 token 的池子去。