我點開 DeepSeek 的 API 定價頁，想看看 V4 具體售價多少，結果在價格表下方看到一行灰色小字。字型特別小，不留意的話很容易直接劃走。上面寫著「受限於高端算力，目前 Pro 的服務吞吐十分有限，預計下半年昇騰 950 超節點批次上市後，Pro 的價格會大幅下調」。簡單來說，DeepSeek 把自己未來能不能降價、降多少，公開繫結到了華為昇騰 950 這顆晶片的出貨節奏上。早在 DeepSeek 正式發佈前，就有不少傳聞將它和昇騰關聯在一起，只是一直沒有實錘，現在來看，雙方的深度合作已經落地。所以，在我看來，這行不起眼的灰色小字，蘊含的關鍵資訊，比所有跑分加起來都大。想要看懂這行小字到底有多關鍵，得先弄懂一個技術細節；DeepSeek V4 訓練時，用了一種叫 mxFP4 的精度方案。這名詞聽著特別高大上，其實我也不懂啊。於是，索性瞭解了下，意思是：大模型有著上兆個參數，每個參數本質上是一串數字，這些數字全都要存放在晶片的儲存空間裡；行業裡普遍用的是 FP8 方案，靠 8 位位元記錄一個數字，FP4 隻需要 4 位位元就行。打個通俗的比方：FP8 就像用常規字號在 A4 紙上記筆記，一頁紙能承載的內容很有限，FP4 把字號縮小一半，同一張紙能裝下兩倍內容。雖說精細度稍微差一點，完全不影響正常識別和使用。我專門查過實測資料，FP4 對比 FP8，問答的精準度幾乎沒怎麼掉，日常使用的絕大多數場景裡，普通人完全感受不到區別，還能直接省下一半儲存空間。簡單講，FP4 的優勢，是更少的儲存空間，更低的計算成本，跑差不多效果的模型。搞懂 FP4 之後，接下來的事情有意思了。目前輝達的整個生態體系，主流用 FP8。國內晶片這邊，華為昇騰 950 是唯一一款已經商用、並且明確支援 FP4 的 AI 加速卡。重點是：唯一一款。DeepSeek V4 在訓練階段選了 FP4，昇騰 950 恰好是國內唯一支援 FP4 的晶片，這兩件事放在一起，不需要任何人告訴你結論。這根本不是模型做完再臨時去相容國產晶片，早在模型訓練起步階段，選擇精度規格的時候，已經專門為這顆晶片量身鋪路了。就像你設計一把鑰匙時，已經知道它要開的那把鎖長什麼樣。那 DeepSeek 為什麼要這麼做？單純立場問題，或是情懷加持？我覺得根本沒這麼簡單，畢竟它一直堅持開源，海外也有大量使用者在使用。本質上，背後有一筆實打實的商業帳單。要知道 DeepSeek 是開源企業，核心收入全靠 API 呼叫；它的核心打法是極致低價，V4-Flash 輸入只要 0.2 元每百萬 tokens，比 OpenAI 同檔次產品便宜幾十倍，妥妥的行業價格殺手。「價格屠夫」的名頭聽著亮眼，背後卻有個繞不開的硬性要求，那就是算力成本必須壓到極致。如果一直繫結輝達，兩大難題永遠躲不開：一，顯示卡造價昂貴，高昂的算力成本會直接壓縮利潤；二，供應鏈完全不受自己掌控，一旦相關管制收緊，隨時會被卡脖子。開源模型廠商利潤本來就十分微薄，這種盈利模式下，把核心算力命脈，攥在無法自主掌控的外部供應商手裡，無異於慢慢等死。所以，擁抱國產晶片是 DeepSeek 能持續走低價路線、長久活下去的核心關鍵。對了，這還沒完。V4 是周五上午發的，同一天之內，華為昇騰、寒武紀、海光資訊、摩爾線程率先官宣完成適配。到收盤前，加上沐曦、崑崙芯、平頭哥、天數智芯，一共 8 家國產 AI 晶片品牌全部完成「Day 0 適配」。Day 0，發佈當天就能跑。不光是晶片廠商，華為雲、騰訊雲、百度智能雲、阿里雲、天翼雲、聯想智能雲這些雲服務商，也在同一天宣佈把 V4 上架到自己的平台；寧暢、長江計算這些做伺服器的廠商，也跟著同步跟進。一個模型發佈，整條產業鏈當天就集體響應，這速度絕對不可能是看到發佈才開始動手的。你想啊，一個兆參數的全新模型，從拿到權重，到完成適配、跑通推理、測出性能資料，幾個小時根本不可能做完。那答案就只有一個了：這些廠商，早就提前拿到了 V4 的模型，早就開始做準備了。我查了一下，The Information 的報導也印證了這一點。DeepSeek 在 V4 發佈之前，特意給國產晶片廠商開了提前適配的窗口，給了他們好幾周的時間做偵錯、做最佳化，反倒是輝達和 AMD，沒拿到這個優先權。所以，你再回頭看周五那天的場面，它更像一場提前排練好的集體亮相。DeepSeek 是領唱，幾家晶片廠商是和聲，雲服務商和伺服器廠商是伴奏，所有人在同一天一起上台。以前聊 AI 產業鏈，基本上都沿著同一條線說：模型突破了，算力需求爆發，所以要建更多算力中心，需要更多晶片，輝達吃肉，台積電代工跟著喝湯，台積電產能不夠就得買裝置，半導體裝置是下一個主線。我承認，這條邏輯過去兩年完全成立，V4 這次釋放的訊號，是旁邊正在長出另一條鏈路。前面我說的，FP4 精度選擇、幾家晶片同天適配、雲服務商同步上架，串起來看，這條新鏈路的輪廓已經很清晰了。它的核心驅動力是「軟硬體從源頭協同設計」。堆量和協同，受益的方向幾乎沒有重疊，用舊地圖去找新鏈路上的機會，大機率會走偏。這件事的影響範圍還不止於「利多誰」。我查了一下，據路透社 3 月 27 日報導，字節跳動和阿里巴巴均計畫大規模採購昇騰 950，華為今年計畫出貨約 75 萬顆。國內財經媒體援引的資料更具體，字節約 25 萬顆，阿里約 15 萬顆，光這兩家加起來就 40 萬顆，佔了全年出貨計畫的一半以上。需要說明，這組採購數字，幾家當事方既沒有回應、也沒有承認，晶片採購量級本身屬於高度敏感的商業資訊，不公開確認是正常的。因為供需關係的變化，昇騰 950 已經漲價 20%，這些訂單在 V4 發佈之前就已經下了。這裡有一個很微妙的關係，大廠們買了晶片，準備用國產算力來跑大模型、做雲服務。這個商業決策最終成不成立，取決於一個前提：得有一個足夠強的模型，在這顆晶片上真的跑通了，效果經得起驗證。V4，正是那個驗證。它是整個國產算力產業鏈的一張驗收單，驗收通過，40 萬顆晶片的訂單才有意義，後續更大規模的採購才有依據。當然，這件事也沒有那麼完美，不能為了吹捧忽略客觀事實。訓練側，V4 最核心預訓練過程，仍然跑在輝達的體繫上，國產晶片目前接住的是推理側，使用者實際呼叫模型時的那部分算力。訓練和推理是兩件事，推理跑通了不代表訓練也能脫離輝達。昇騰 950 的產能也是另一個未知數，全年 75 萬顆的出貨計畫，光字節和阿里兩家就要走一半以上，後面排隊的還有騰訊、百度和一眾中小廠商；供不應求的局面下，產能能不能跟上，直接決定這條新鏈路的傳導速度。換句話說，閉環在推理側跑通了，訓練側還要時間。我認為，看這件事得看方向，過去幾年，中國 AI 產業的底色一直是「用別人的晶片，追別人的模型」；V4 釋放的訊號不一樣，有人開始用自己的晶片跑自己的模型了，晶片和模型從一開始就在一起長。路還很長，產能瓶頸、訓練側的硬骨頭、CUDA 生態十幾年積累的護城河，這些都是真的；當然，中國 AI 第一次在頂級模型層面跑通國產算力閉環，這也是真的。 (王智遠)

從醫療行為到金融產品的結構拆解在美國，很多人第一次真正理解這個社會，不是因為收入，也不是因為工作。而是因為——👉一張醫療帳單一、一筆費用，為什麼可以“沒有上限”？在美國，一次普通就醫可能出現：急診：$3000+檢查：$5000+簡單治療：上萬美金很多人會問：👉 為什麼沒有統一價格？答案是：👉這裡不是“收費體系”，而是“定價體系”二、醫療系統的本質：三層資本結構美國醫療，並不是一個單一系統，而是三層結構：1️⃣ 醫療機構（醫院/診所）👉 提供服務，同時擁有“定價權”2️⃣ 保險公司👉 決定“實際支付價格”3️⃣ 藥企👉 掌握“藥品定價權”👉 這三者共同構成：一個典型的資本協同定價系統三、同一項服務，為什麼價格可以完全不同？在美國：👉 同一個檢查，不同人價格不同原因是：是否有保險保險等級醫療網路（in-network / out-of-network）👉 價格不是固定的👉 而是——因人而異的金融定價四、醫療的核心邏輯：不是治病，而是“風險交易”這一點，是最關鍵的👇在美國：👉 醫療本質上是一個風險市場你支付的不是：👉 當前的治療費用而是：👉未來風險的避險成本五、為什麼帳單看起來“混亂甚至不合理”？很多人拿到帳單的第一反應是：👉 “是不是算錯了？”但實際上：👉 不是錯誤👉 是結構設計因為帳單裡包含：原始定價（極高）保險談判價格（折扣）自付部分（個人承擔）👉 這是一個多層定價博弈的結果六、真正的問題，不是貴而是——👉你是否在這個系統之內在美國：有保險 ≠ 便宜沒保險 = 高風險👉 你不是在選擇“花多少錢”👉 而是在決定：你承擔多少金融風險七、GFM核心判斷👉 美國醫療的問題，不是成本問題👉 而是：一個被高度資本化、金融化的定價系統八、真正的分界線👉 不是有沒有錢看病而是：👉你是否理解這套規則，並能夠利用它當醫療從“公共服務”變成：👉 “金融產品”那麼普通人面對的，就不只是疾病而是——👉一整套定價系統 (亞太直通車)

【原始碼智能前瞻】：Open Claw爆火之後，混元宣佈漲價460%，智譜宣佈漲價100%，阿里雲宣佈漲價34%。漲價的理由都是同一個——“Token呼叫量暴漲”。究其原因，Open Claw發佈後，AI第一次能真正“幹活”，接管電腦、寫程式碼、訂機票、發郵件。隨之，Token消耗邏輯發生了本質變化：以前是問答消耗（幾十Token），現在是任務消耗（幾萬Token），再往後是智能體自主執行消耗（百萬級Token）。中國日均Token消耗半年漲5倍，輝達預測未來幾年年複合增長3000%。中國廠商已經跟上。雲廠商推出一鍵部署，大模型廠商繫結自家模型，硬體廠商做端側Claw，紛紛爭奪Token的入口和定價權。黃仁勳在GTC會議上把資料中心叫作“Token工廠”，提出“每瓦Token數”作為新KPI。意思是：算力不再是賣卡，是賣Token。Token正在從技術概念，變成經濟概念。本文回答四個問題：Token為什麼是計價單位？怎麼消耗？誰在定價？定價和什麼有關？一、Token為什麼是計價單位？（一）什麼是Token？Token是AI處理資訊的最小單元。你問AI一句話，AI回你一段話，這些話在AI模型中都會被拆解成Token。Token數量要看分詞規則，舉個例子，“人工智慧”如果是常見詞，可能直接是1個Token；如果被拆開，可能是“人工”和“智能”2個Token。類比理解，Token就是AI世界的“字節（Byte）”，是模型理解語言的基本單位。（二）為什麼用Token計價？為什麼大模型用Token來計價，而不是按次或按時長計價？如果按次計算，一次簡單的問答和一次複雜的程式碼生成，消耗的算力差幾百倍。如果按時長計價，算力消耗不是勻速的，高峰時段和空閒時段差距太大。用Token計價則解決了以上問題。它是目前能找到的最精確的計量單位，主要原因如下：第一，消耗量與算力直接相關，每生成一個Token，背後都是一次完整的推理計算。第二，消耗量與任務價值正相關。金融業務的token比日常對話的token更具價值。第三，Token可分層定價。廠商可以根據Token的質量定價。Token已經從技術概念，轉變成為反映算力消耗和商業收入的計量單位。以前Token是大模型訓練過程中的副產品。現在成本重心從供給端（訓練）轉移到需求端（推理）。推理是持續的消耗，Token消耗量開始和費用直接掛鉤。二、Token是怎麼消耗的？根據IDC測算，全球Token消耗年複合增長率可達3000%。中國得日均Token消耗已經從2025年中的30兆飆升至2026年2月的180兆，半年增長了5倍之多。Token消耗與任務複雜度直接相關，呈現出明顯的層級特徵：為什麼層級間消耗差異如此懸殊？核心在於AI的“思考”方式發生了根本變化。以o1為代表的推理模型，不再採用傳統的“預測下一個詞”模式，而是在內部生成思維鏈，模型會在回答前進行多步推理、試錯、反思，這些內部過程都以Token形式消耗。Claude Code、Open Claw等智能體框架更進一步。它們將推理能力與工具呼叫結合，實現“思考-執行-驗證”的閉環迭代。一次完整的智能體任務，可能包含數十輪內部推理和外部工具呼叫，單次任務消耗從幾十萬到幾百萬Token不等。以下是不同使用者消耗量級的直觀對比：三、誰在給Token定價？Token從生產到消費，經過四個環節，每個環節的定價權不同。生產層：輝達定義成本基準。它不直接賣Token，但掌握最底層的定價權。黃仁勳提出“每瓦Token數”——在固定電力下，誰能產出更多Token，誰就能賺更多錢。新一代AI計算平台Vera Rubin平台將生成Token成本降低90%，每瓦性能提升10倍。據財報，輝達60%收入來自前五雲廠商。煉化層：模型廠商直接面對供需。國聯民生證券研報指出，當推理消耗變成生產資料，模型廠商有機會把“算力稀缺”通過分層定價轉化為毛利。輝達的分層定價印證了這一點，Token的價值由它能幹什麼決定。分銷層：雲廠商賺管道溢價。3月以來，中國雲端運算產業鏈逐級漲價。優刻得全線漲價，騰訊雲混元漲價超460%，智譜漲20%。但云廠商不只是“二道販子”，它們封裝服務（一鍵部署OpenClaw）、整合生態（阿里串起千問、釘釘、淘寶），賺取溢價和粘性。消費層：使用者用錢包投票。黃仁勳算過一筆帳：“一個研究員每天用5000萬Token，一天7500美元，但對研究團隊來說根本不是問題——因為Token帶來的價值遠超成本。”也就是說，Token的價格由它能創造的價值決定，而非生產成本。這正是Token從技術參數演變為經濟單位的底層邏輯。可以看出，輝達掌握底層成本基準，模型廠商掌握直接定價權，雲廠商掌握管道溢價，使用者用錢包進行價值投票。四、Token定價和什麼有關係？為什麼有的Token貴，有的便宜？成本、能力、供需、場景共同決定Token定價。過去主要由成本決定，現在正向供需和場景傾斜。未來，場景價值會成為主導因素。第一，成本驅動。一個1GW的資料中心，電力是物理上限。誰產出更多Token，誰就能把成本攤薄。中國廠商能打價格戰，靠的就是成本優勢：一度電0.2-0.5元（歐美0.8-1.2元），對應單張B200晶片每年能省900美元。第二，能力分層。同樣是Token，能幫企業做業務的就比閒聊的貴，因為前者價值更大。輝達分層定價正是按能力分層。第三，供需關係。這是最直接的驅動因素。2026年2月，全球前十AI模型Token總消耗量突破27兆，中國貢獻14兆，佔比超50%，一年半漲了1800倍。但是供給端產能緊張，HBM視訊記憶體、先進製程GPU受限，伺服器成本上升。阿里雲、混元、騰訊、智譜漲價，直接原因就是“全球AI需求爆發”和“供應鏈漲價”。第四，場景價值。這是未來定價的主導因素。一個Token用在個人寫周報，價值幾毛錢；但用在金融交易、自動駕駛，價值幾百倍。國信證券指出，推理更看重使用者生態和調度效率，定價權正在從“算力供給方”向“場景需求方”轉移。誰的場景價值高，誰就願意付更高價格。在PC時代，有一個經典的安迪-比爾定律，即硬體提升的性能，很快被軟體消耗掉了，使用者永遠覺得不夠快。智能時代的“安迪-比爾”正在應驗，輝達每18-24個月性能翻倍，但AI智能體瘋狂消耗Token，算力永遠不夠用。Token不再是技術參數，而是經濟概念。印鈔機已經啟動，誰能掌握定價權，誰就能分到最大一塊蛋糕。 (原始碼悟真投研筆記)

當美國使用者點選滑鼠呼叫智譜或Kimi的API，資料通過太平洋海底光纜抵達中國資料中心，GPU消耗中國電力完成推理——電力從未出境，但價值已通過Token完成跨境交付。2026年1月，全球雲端運算行業發生了一場靜默革命。亞馬遜AWS悄然將其EC2機器學習容量塊價格上調約15%，配備八個NVIDIA H200加速器的p5e.48xlarge實例價格從每小時34.61美元跳漲至39.80美元。這一調整打破了雲服務行業延續二十年的“只降不升”鐵律，標誌著雲端運算定價策略的根本性轉變。01 電力變數字在AI時代，Token就是AI工作的“工作量單位”。使用者每問一句話、每生成一張圖、每寫一段程式碼，都在消耗Token。而製造Token的成本結構中，電力+算力佔比超過70%，遠高於其他任何成本。這就是為什麼說Token是最純粹的“電力衍生品”——本質就是電力轉化而來的數字產品。與石油、鋼鐵等傳統商品不同，Token無需物理加工、無需長途運輸，製造過程高度集中：GPU消耗電力，將資料轉化為有用結果，每一份結果都對應固定數量的Token。簡單公式就是：Token = 電力 × 算力效率。電力是“燃料”，算力是“生產工具”，兩者結合就能源源不斷地產出Token。02 跨境新範式美國使用者呼叫中國大模型API的場景，最顛覆之處在於“電力不出境，價值已交付”。長期以來，電力跨境貿易面臨巨大挑戰：特高壓輸電會損耗5%-10%的電力，建設線路成本高昂；使用電池儲存再運輸，不僅容量有限，還會產生自耗電，經濟性極差。Token的出現完美解決了這一難題。中國的電力驅動GPU製造Token，Token通過網際網路（海底光纜）傳輸到全球，使用者付費購買Token對應的AI服務，實際上就是在購買“中國電力轉化而成的數字價值”。這種模式形成了“中國供電、全球使用”的閉環。以海外開發者常用的OpenRouter平台為例，最近一周使用量最高的五個Token模型中，四個來自中國公司，其中MiniMax的M2.5模型一周處理了1.44兆個Token，位居榜首。03 定價權轉移中國電力價格的優勢正在轉化為全球AI服務的“定價話語權”，這是對行業影響最為深遠的變化。中國電力價格低廉並非偶然。西部地區工業電價可低至0.1-0.3元/度，比美國便宜60%以上，比歐洲更具成本優勢。國家推動的“東數西算”工程將資料中心佈局在內蒙古、甘肅等風電、太陽能資源豐富的地區，幾乎可以實現100%使用綠色電力，進一步降低電力成本。電力價格優勢直接轉化為Token成本優勢。製造100萬Token，中國資料中心的電力成本僅為歐美地區的1/4到1/5。再加上中國資料中心的高效率（如上海臨港的海底資料中心，PUE值穩定在1.15以下，電力主要用於計算而非散熱），中國大模型的API定價具有絕對競爭力。DeepSeek通過技術最佳化，每百萬Token定價僅為0.14美元，而OpenAI同類服務高達7.5美元；MiniMax的定價也只有國外同類產品的1/10。04 行業大變革AWS作為全球最大的雲服務提供商，打破二十年“只降不升”的慣例，漲價15%不是孤立事件，而是明確訊號：Token需求爆發性增長，成本壓力正向上游傳導，AI行業的定價邏輯已徹底改變。過去二十年，無論是AWS還是阿里雲，都遵循“使用者越多，價格越低”的邏輯——規模擴大降低單位算力成本，服務價格持續下降。但AI時代改變了這一規則。Token需求暴增，AI智能體、視訊生成等應用日益普及，對算力的需求呈指數級增長，而算力的核心成本（電力、GPU）持續上漲，導致雲服務營運成本大幅上升。AWS漲價本質上是“算力成本上漲倒逼雲服務提價”，背後是Token需求的爆發：Token消耗越多，所需算力越多，消耗的電力、使用的GPU就越多，上游成本（電費、GPU、資料中心維運）隨之上漲。這種成本壓力從AWS等雲服務商傳導至算力提供商、電力供應商，形成閉環：Token需求增長 → 算力成本上漲 → 電力需求增加。05 未來新格局結合當前AI行業現狀——Token需求暴增、算力供應緊張、各國電力價格差異顯著——未來5-10年，AI行業將進入全新階段，“電力+算力”將成為決定性因素，行業格局和盈利模式都將發生根本性變化。隨著AI智能體、多模態大模型（能處理文字、圖片、視訊）、工業AI、自動駕駛等場景日益普及，Token需求將呈指數級增長。摩根大通預測，2025-2030年，中國AI推理使用的Token量每年將增長330%，從10兆增至3900兆，五年增長370倍。全球範圍內，AI智能體普及後，Token消耗量將更加驚人——一個簡單的AI智能體比普通聊天機器人多消耗10倍Token，多個AI智能體協作則可能多消耗100倍Token。Token消耗量增加意味著算力需求增長；算力需求增長則推動電力消耗上升：一個萬卡級算力叢集每年消耗的電力相當於一個小型城鎮的日常用電量。預計到2030年，全球資料中心電力消耗將超過日本全國一年的用電總量。未來，電力不再是AI行業的“次要成本”，而將成為制約行業發展的最大瓶頸——誰能解決“電力價格低廉、供應穩定”的問題，誰就能抓住AI行業的機遇。AWS漲價只是一個開始。未來，無論是阿里雲、騰訊雲還是其他全球雲服務商，都將打破“持續降價”的慣例，進入“適時調價”的新階段——核心原因是算力成本持續上漲，Token需求帶來的成本壓力不斷傳導。雲服務定價邏輯將從“規模擴大就降價”轉變為“成本上漲就調價”：不再單純依賴規模效應降低成本、降低價格，而是根據電力、算力成本變化靈活調整定價，確保盈利能力。這種定價邏輯的轉變將影響整個AI產業鏈的價格體系：從上游的電力、GPU，到中游的算力、Token，再到下游的AI應用，都將面臨成本上漲的壓力。而那些具有成本優勢的企業——擁有低廉電力、高效算力——將在競爭中脫穎而出。 (吐故納新溫故知新)

高盛認為，日本市場定價邏輯發生根本轉變：自民黨勝選後，市場開始定價日本退出超低實際利率體制，表現為日元走強、收益率曲線趨平。核心驅動力是投資者預期資產回流。但若日本央行政策不夠鷹派，日元走弱等舊有邏輯可能回歸，未來幾周面臨不確定性。日本市場正在經歷一場重要的轉折，市場定價邏輯出現根本性轉變。日本自由民主黨在眾議院選舉中取得壓倒性勝利後，日元收益率曲線趨於平坦化，通膨預期穩定，日元匯率走強——呈現出發達市場面對更高實際利率預期時的典型反應。2月14日，據追風交易台消息，高盛在最新研報中指出，市場開始定價日本退出超低實際利率體制的可能性，而不再僅僅將其視為通膨衝擊。這一變化的核心驅動因素在於投資者將資產回流預期和退出超低實際利率體制納入更高的機率權重。但這一轉變能否持續存在重大不確定性。高盛警告，如果日本央行未能兌現市場預期的更鷹派路徑，此前的市場動態可能會重新回歸，導致日元再度走弱、長端利率波動性上升。研報特別指出，關鍵風險集中在日本央行的政策路徑上。如果日本央行在加快加息步伐方面表現出任何鴿派跡象——特別是考慮到日元近期的強勢——很可能會催化選舉前交易動態的回歸。市場定價邏輯發生根本轉變據研報，兩周前，高盛分析團隊提出了一個框架來理解日本政府債券和日元在當前政策組合下的表現。當時的邏輯是，當政策利率受到約束、通膨上升、而財政政策又計畫擴張時，債券和貨幣同時走弱是合理的市場反應。高盛指出，但選舉後市場出現了截然不同的動態。實際利率小幅上升，遠期通膨預期略有下降。股市走高，同時伴隨著更平坦的名義收益率曲線和更強勁的日元。該行認為，這種跨資產類別的聯動反應清晰且一致，符合發達市場在實際通膨接近目標水平時的典型相關性模式。資料顯示，2年期3年期遠期實際互換利率和通膨互換利率的走勢從2025年下半年以來發生了明顯分化，實際利率穩步上升，通膨預期則趨於穩定。資產回流預期成為核心驅動力高盛認為，市場定價邏輯轉變的關鍵在於，投資者開始將投資組合流動轉移和退出超低實際利率體制納入更高的機率權重。結合市場對新財政措施的預期，這些市場走勢主要符合對日本淨國際投資頭寸資產回流可能性提高的定價。研報表示，部分投資者將財務大臣最近的言論解讀為支援外國資產回流的訊號。鑑於日本強勁的淨國際投資頭寸，利用海外資產為新的財政擴張提供資金，或私人部門投資組合流動和外匯避險的轉變，都可能穩定日元並提振其他國內資產價格。值得注意的是，最近的市場走勢已大幅縮小了與高盛模型預測值的差距。日本政府債券10年期至30年期利差的實際水平已接近模型擬合值，這表明市場在選舉後確實在定價一個不同的體制。日本央行政策路徑面臨考驗當前市場動態能否持續，關鍵取決於日本能否真正退出超低實際利率體制。高盛指出，日本面臨的制度性挑戰和政策辯論可能使這一轉變變得困難或更為漫長。高盛認為，如果近期日元強勢持續，日本央行很可能會表現得更加淡定，這可能會重新點燃選舉前的動態，即更弱的日元是更快加息的關鍵前提。鑑於當前對政策路徑的定價以及市場對退出低實際利率體制可能性的探索，如果日本央行在加快加息步伐方面表現出任何鴿派跡象，很可能會催化選舉前交易動態的回歸。在政策路徑方面，市場目前只有3月份的會議提供了令人信服的風險回報比，定價7個基點。據研報，即使日元走弱和長端曲線變陡的風險可能重現，這也不會構成日本的通膨均衡。高盛認為，在通膨前景沒有下降的情況下，收益率曲線中段（5年期附近）的利率波動性不太可能下降。資料顯示，5年期至30年期互換利差與波動率價差之間存在明顯的相關性。隨著5年期至30年期互換利差從2024年初的約0.8%上升至當前水平，30年期與5年期的隱含波動率價差也顯著擴大。高盛認為，這種波動性模式表明，在較長時期內，日元收益率曲線趨於平坦化的風險更大。研報指出，短期來看，在未來幾周的資訊真空期，當前市場狀況可能會進一步延續。但高盛的傾向是認為這"可能來得太快、太多"。如果日本央行利用近期日元走強的機會繼續保持更為漸進的加息路徑，日元走弱和長端利率波動性上升可能會隨之而來。 (invest wallstreet)

台北時間1月28日，跟蹤蘋果產業鏈多年的天風國際證券分析師郭明錤在社交媒體發文預測，iPhone的記憶體報價現在是按季談，而非半年，所以iPhone的記憶體報價在2026年第二季度還會再漲一次。目前看二季度的季度環比漲價幅度約跟一季度接近。蘋果公司目前對2H26新款iPhone 18的定價策略是“儘可能不漲價”，至少起始價不動，有利行銷宣傳。蘋果已經意識到，在記憶體跟T-glass後，可能還會有其他零元件也會受到AI伺服器產業的影響而供應短缺。當智慧型手機迭代速度以“月”為單位，一部發佈於2011年的iPhone 4S卻在電商平台掀起搶購熱潮。記者查詢電商平台資料發現，單價僅55元的iPhone 4S近30天銷量突破萬件。這款功能落後於主流應用、甚至無法流暢運行微信的“古董機”，為何在二手市場重獲“第二春”？其背後不僅是懷舊情緒的集體爆發，更折射出數字經濟時代消費邏輯的深層變革。1 月 27 日，記者採訪了上海財經大學數字經濟研究院副院長崔麗麗，她指出，這波熱潮背後是情懷驅動，也蘊藏著商業機遇。上海財經大學數字經濟研究院副院長崔麗麗一個月售出幾十萬台55元iPhone 4S電商平台賣爆電商平台銷售資料顯示，標價55元的iPhone 4S近一個月銷量突破萬件，全平台粗略估計累計訂單量超10萬+，遠超同期多款新品手機。這一現象引發全網熱議：社交媒體上，“55元買台iPhone 4S值不值”“iPhone 4S能做什麼”等話題成為高頻搜尋詞；網友曬單顯示，從學生黨到上班族，從數位愛好者到懷舊行家，購買者覆蓋多個年齡層。儘管商家明確標註“功能受限”，消費者仍蜂擁下單，推動這款“電子古董”成為現象級爆款。電商平台上掀起iPhone 4S 購機熱潮多種元素導致iPhone 4S “第二春”社交平台種草成為催化劑iPhone 4S的爆火，背後是多重因素疊加的結果。首先復古風潮席捲全球，從CCD相機到經典遊戲機，消費者對“舊時代”的審美與體驗需求高漲。iPhone 4S作為賈伯斯時代的經典設計，玻璃後蓋、金屬樣邊框與獨特的“擬物化”系統介面，成為懷舊符號的載體。其次，社交平台“種草”效應顯著。小紅書、抖音等平台湧現大量博主分享“iPhone 4S玩法指南”：將其作為備用機聽歌、拍照，或改裝為車載音響、電子相簿。低成本、高顏值的“復古體驗”迅速引發模仿熱潮。此外，55元的極致低價徹底擊穿消費者心理防線，使其從“理性消費品”轉變為“情緒玩具”，購買決策更多基於情感驅動而非實用考量。專家：復古潮刺激消費者情緒消費可成為新品開發靈感上海財經大學數字經濟研究院副院長崔麗麗在接受採訪時表示，iPhone 4S此次“回春”的本質是復古情懷的集中釋放，折射出消費者對過去時代的懷念與致敬。“當下技術迭代飛速，硬體性能提升顯著，反而促使人們懷唸過去——或是賈伯斯時代的經典設計，或是初代智能裝置的純粹體驗，亦或是那個時代首批經典遊戲承載的青春記憶。這種對‘慢時代’的追憶與對簡單快樂的嚮往，構成了驅動消費的情愫核心。”崔麗麗指出，這股懷舊風潮背後暗藏商業機遇：廠商可敏銳捕捉到，消費者對裝置的需求正從單一追求性能先進性，向情感共鳴與功能簡化拓展。“這意味著，融入時代印記的懷舊設計、滿足特定場景的極簡功能，或將成為產品創新的新賽道。”她進一步強調：“每個時代都有其獨特的‘心頭好’，品牌能否精準捕捉並轉化這種情感訴求，亦是檢驗其市場洞察力的試金石。” (大河報)

大多數人忽略的警告現在最大的金融錯誤不是買錯了資產。而是假設你所處的系統會保護你的購買力。這種假設摧毀的財富比任何市場崩盤都要多。財富轉移不是因為市場隨意決定將錢從一個群體轉移到另一個群體。而是因為系統達到了極限。當這些極限被觸及時，規則就會改變。要理解這一點，你必須關注長期債務周期，而不是大多數人分心的短期噪音。在每個主要經濟體中，債務增長長期以來都快於收入。這不是道德失敗。而是機械性的。信貸讓今天的消費比明天的儲蓄更容易。政府借債來平緩經濟 downturn。公司借債來加速增長。個人借債來維持生活方式。很長一段時間，這都是有效的。資產價格上漲，信心增強，槓桿似乎可控。但債務是對未來貨幣的要求。最終，這些要求變得太大，無法誠實地兌現。當達到這一點時，系統就出了問題。它無法足夠快地增長來償還債務，也無法允許大規模違約而不破壞社會穩定。那就是真正的財富轉移開始的時候。不是通過崩潰，而是通過政策。歷史上，決策者選擇保護系統而不是貨幣。將利率壓低到低於通膨率。新貨幣被創造出來購買舊債務。規則被調整以保持市場運轉。這些行動感覺技術性和遙遠，但其影響是深刻的。它們改變了誰受益、誰付出。當貨幣失去信譽時，持有現金和固定收益資產就成了輸家的遊戲。儲蓄者認為自己在謹慎行事，但實際上，他們的購買力被悄無聲息地侵蝕。同時，債務人受益。實物資產——那些無法印刷的東西——開始吸收從貨幣中洩漏的價值。這就是財富轉移的實際發生方式。財富轉移的真正機制這個過程如此強大的原因是，它足夠漸進以避免恐慌，但足夠持久以重塑社會。人們不會有一天醒來就意識到他們的財富已被轉移。他們會注意到生活感覺更昂貴，儲蓄不夠用，資產在繁榮而他們的生活水平卻停滯不前。到明顯的時候，轉移已經進行得很深了。這種動態在幾個世紀中反覆出現。當黃金取代白銀時發生了。當紙幣取代金屬支援貨幣時發生了。當儲備貨幣失去信任並被新貨幣取代時發生了。具體細節變化，但模式不變。過度債務導致貨幣創造。貨幣創造導致貶值。貶值重新分配財富。關鍵洞見是，財富轉移不是事件。它們是階段。它們在幾年、有時幾十年中展開，它們獎勵那些理解因果關係的人，而不是那些追逐回報的人。最大的錯誤是假設未來會像最近的過去。在周期晚期環境中，這種假設是代價高昂的。如果你理解財富轉移發生在債務周期破裂和貨幣信譽削弱時，你就不再問變革是否會來。你開始問如何在其中定位自己。這種思維轉變，比任何單一資產選擇更重要，是區分那些保存財富者和那些不知不覺中放棄財富者的關鍵。通膨和金融抑制解釋債務周期與貨幣貶值通膨和金融抑制常常被誤解，因為它們不感覺像直接稅收。沒有寄到你家的帳單。沒有舉行投票來批准它們。然而，歷史上，它們是政府最可靠的工具，用於悄無聲息地將財富從公眾轉移到系統本身。要理解為什麼，你必須關注激勵而不是意圖。當債務水平變得太大，無法通過增長或誠實償還來服務時，決策者面臨約束。激進加稅會減緩經濟並引發社會反彈。削減支出會破壞政治支援。違約會損害信譽。所以，他們將利率降低到低於真實通膨率，並擴大貨幣供應。這種組合允許債務隨著時間用更弱的貨幣單位償還。從系統的視角，這是高效的。從儲蓄者的視角，這是毀滅性的。債務周期和貨幣貶值解釋通膨不會均勻摧毀財富。它重新分配它。那些持有現金、債券、養老金和固定收入的人實際上是在以負實際回報將購買力借給系統。他們可能看到紙面上的數字上漲，但這些數字能買到的東西穩步下降。這就是為什麼人們感覺自己在落後，即使帳戶看起來穩定。同時，金融抑制限制了替代選擇、資本管制、監管約束、扭曲的收益率曲線和政策激勵將投資者推向政府債務和與系統繫結的金融資產。這創造了一個環境，選擇退出變得越來越困難。人們被告知他們在被保護免受風險，而實際上他們被困在穩步失去實際價值的資產中。同時，持有真實和稀缺資產的人受益。有定價權的企業。生產性土地、商品和硬資產可以適應通膨。它們的價格上漲不是因為突然更高效，而是因為用於定價的貨幣正在失去價值。這創造了資產所有者和工資收入者之間的差距加劇。這種差距感覺不公平，但它是機械驅動的。通膨作為強大財富轉移機制的原因是，它運作得足夠緩慢以避免恐慌。惡性通膨登上頭條，但溫和持久的通膨遠更有效。它允許系統悄無聲息地去槓桿，同時維持穩定的幻覺。人們逐步適應更高的價格。預期向下調整。生活水平下降而沒有單一戲劇性時刻。這個過程在重大戰爭後、在儲備貨幣過渡期、在政治承諾超過經濟現實的時期反覆上演。每次教訓都相同。持有貨幣要求與持有真實價值要求大不相同。危險在於假設通膨是暫時的或意外的。在高度負債的系統中，它是結構性的。它不是政策錯誤。它是政策選擇。一旦你理解這一點，你就不再將通膨視為短期問題，而是開始視其為購買力的長期轉移。那些未能認識到金融抑制的人往往做了所有正確的事卻仍落後。他們勤奮儲蓄，避免風險，信任機構，卻不知不覺中付出代價。那些理解機制的人不會情緒化地對抗系統。他們戰略性地適應它。在這樣的時期，保存財富與其說是追逐高回報，不如說是避免保證的損失。通膨不喊叫，它低語。到大多數人清楚聽到時，轉移的大部分已經發生。為什麼通膨是一種隱藏稅當系統承受壓力時，自然假設決策者會以保護個人財富的方式行事。實際上，他們行事是為了保存系統本身。這種區別很重要，因為當系統和個人的利益分歧時，系統幾乎總是優先。這不是判斷。這是結構現實。政府和中央銀行負責維護秩序、運轉市場、就業穩定、社會凝聚力和信心。當面臨過度債務、增長放緩和不平等加劇時，他們的優先事項是防止崩潰，而不是最大化儲蓄者的購買力。隨著壓力增加，政策變得更少關於效率而更多關於遏制。這就是為什麼我們看到反覆出現的模式。利率被人為壓低以減少債務服務成本。資產價格被支援以防止負面財富效應。危機中注入流動性，而不是撤出。這些措施短期穩定系統，但也扭曲激勵。它們獎勵槓桿而非審慎，投機而非儲蓄，規模而非紀律。從決策者的視角，這些選擇是理性的。通縮崩潰在政治和社會上是不可接受的。資產價格上漲保持信心。就業被保存。機構保持償付能力，但權衡是微妙而持久的。購買力被犧牲以維持穩定。這創造了一種隱藏的再分配。那些依賴工資、儲蓄或固定收入工具的人承擔成本。那些擁有金融資產、獲得廉價信貸或靠近貨幣創造的人不成比例地受益。隨著時間，這加劇了不平等，不是因為個人失敗，而是因為系統設計用於在壓力下生存。重要的是理解，這些政策不再是臨時緊急措施。它們已成為結構特徵。每個周期都需要比上一個更多的干預。每個 downturn 都需要更大的響應。基準在轉變。曾經非凡的東西變得正常。這就是系統在其生命周期晚期演變的方式。規則不會一夜之間破裂。資產重定價與權力轉移它們逐步彎曲。資本分配變得更少關於生產力而更多關於政策一致性。風險看起來低是因為波動被抑制，即使底層失衡更大。大多數人誤解這種環境。他們看到穩定並假設安全。他們信任名義回報而忽略實際回報。他們相信機構最終會解決問題。但系統不消除失衡，它們轉移它們。關鍵錯誤是假設政策決定是中性的。它們不是。每個干預都惠及某些參與者而犧牲他人。當債務負擔極端時，這些干預系統性地有利於借款人而非儲蓄者、資產持有者而非工資收入者、現在而非未來。理解這一點改變了你的思考方式。你不再問政策是否公平，而是問它意味著什麼。你不再情緒化地對頭條反應，而是開始觀察模式。你認識到政策支援並不意味著價值保存。它往往意味著價值再分配。在這些環境中，什麼都不做仍然是決定。信任系統會保護個人購買力本身就是一個賭注。歷史顯示，這不是一個好賭注。在這些時期導航最好的人不是那些意見最強烈的人，而是那些對激勵最清楚理解的人。當你看到政策設計用於保存系統，有時以個人為代價時，你開始相應定位。這種意識，比任何具體預測更重要，是允許財富在結構變革時期持久的關鍵。每個重設的贏家與輸家歷史是最可靠的指南，用於理解系統變革時期發生什麼，因為人類行為和激勵結構並不真正改變。只有工具和技術改變。當金融系統重設時，資本不會消失。它移動。而且它幾乎總是從紙面承諾移動到有形、稀缺且不受決策者直接控制的東西。在穩定時期，紙面要求運作良好，債券、貨幣和金融工具因為信任高且義務被認為可執行而運轉。但當債務水平上升太高且必須創造貨幣來保持系統運轉時，那種信任開始侵蝕。不是突然也不是戲劇性，而是穩步。此時，投資者往往無意識面臨的問題很簡單：什麼是真實的，什麼只是承諾的。歷史上，這種區別定義了財富保存。當古代帝國貨幣貶值時，土地所有者保留權力而士兵用硬幣支付的落後。當白銀失去信譽時，黃金成為錨。當黃金可兌換性結束時，金融資產繁榮，但僅在信心持續時。每個過渡遵循相同邏輯。依賴舊系統信任的資產表現不佳，而具有內在或外部價值的資產吸收資本。重要的是理解，這些轉變不是意識形態的。它們是機械的。當貨幣供應擴張快於真實商品供應時，貨幣相對於無法擴張的東西變得更不值錢。稀缺性比收益更重要。耐久性比便利更重要。這就是為什麼在重設期間，資本傾向於遷移到真實資產、生產性企業、商品、土地、基礎設施和獨立於金融工程的價值儲存。這些資產不依賴他人的支付承諾。它們的價值來自效用、稀缺性或生產力。同時，與現有系統緊密繫結的紙面財富變得脆弱。長期債券、過度槓桿金融資產和依賴政治保證的要求傾向於失去實際價值，即使名義價格看起來穩定或上漲。這就是人們如何在紙面上感覺更富有而實際上更貧窮。另一個一致的歷史模式是，這些過渡漸進然後突然。多年來，資本悄無聲息移動。激勵轉變。新規則引入。然後信心破裂。不是到處同時，而是在關鍵地方。當發生時，重定價迅猛，那些定位錯誤的人幾乎沒有時間反應。許多人犯的錯誤是假設今天的支配資產將永遠支配。他們將最近表現外推向前，相信上個十年有效的東西在下一個必須安全。歷史反覆懲罰這種假設。理解資本遷移不需要預測重設的確切時機。它需要認識到方向。當貨幣信譽削弱時，價值尋求避難。當承諾增多時，信任變得稀缺。當信任稀缺時，不需要它的資產重要性上升。在這些時期保存財富的人不一定是最大膽或最樂觀的。他們是最現實的。他們理解系統改變，紙面要求僅與其背後的結構一樣強壯，真實價值在周期轉折時有辦法重新主張自己。在人群移動前定位當你通過這個鏡頭看待歷史時，財富轉移不再看起來神秘。它們看起來不可避免。剩下的唯一問題是，你是否與資本移動的方向一致，還是錨定在它離開的地方。在系統變革時期，最大優勢不是預測，而是定位。大多數人相信成功來自精確預測接下來發生什麼，下一個危機、下一個市場移動、下一個政策轉變。歷史顯示，這種方法一致失敗。未來太複雜、太反射性、太受人類行為影響，無法精確預測。然而，可以理解的是塑造長期結果的力量。周期不因為事件重複而重複。它們因為激勵重複而重複。當債務高、增長受限、決策者被迫在穩定和貨幣價值之間選擇時，可能結果的範圍縮小。你可能不知道確切路徑，但你可以知道邊界。在這些邊界內，定位變得遠比猜測重要。定位意味著在各種情景中建構韌性。它意味著接受不確定性而不是對抗它。在周期晚期環境中，二元賭注危險，因為它們假設不存在的清晰度。壓力下的系統很少以乾淨、明顯的方式破裂。它們彎曲、伸展並適應。最受苦的人是那些只為未來一種版本定位自己的人。最常見錯誤之一是對名義表現過度自信。人們錨定過去回報並假設連續性。他們將流動性誤為安全，將價格穩定誤為價值保存。但當底層計量單位在改變時，數字本身變得誤導。實際回報比報告的更重要，多樣化比最佳化更重要。真正定位在資產、貨幣、地域和時間跨度上分散風險。它認識到沒有單一政府、貨幣或金融工具是永久的。這不是悲觀。這是現實主義。歷史上，集中在大繁榮時期被獎勵，在過渡中被懲罰。平衡是倖存重設的東西。定位的另一個關鍵方面是流動性。不僅僅是金融流動性，而是決策靈活性。在錯誤時間被迫出售是摧毀財富的最快方式之一。過渡中的系統創造波動，不僅在價格上而在規則上。法規改變，訪問改變，激勵轉變。那些過度槓桿的人在控制最重要時刻失去控制。同樣重要的是心理定位。財富轉移時期創造情感壓力。恐懼和貪婪都加劇。敘事變得極端。人們被拉向確定性，向承諾安全或機會的簡單故事。保持接地、機率思考並避免情感反應的能力是競爭優勢。定位不意味著完全放棄增長或避免風險。它意味著理解那些風險被補償，那些是結構性的。結構性風險——貨幣貶值、政策干預、系統槓桿——很少被正確定價，因為它們緩慢展開。然而，它們定義長期結果。在這些時期成功導航的人不是那些完美計時市場的人。他們是那些與持久原則一致的人：多樣化、平衡、適應性和對歷史的尊重。他們不試圖智勝周期。他們與之合作。當財富轉移發生時，它們不獎勵天才和後見之明。它們獎勵提前準備。準備不是關於確切知道會發生什麼。它是關於確保無論發生什麼，你都能站立。最後，定位是一種安靜的紀律。它不感覺興奮。它不登頭條。但當系統改變、塵埃落定時，誰理解生存優先、誰將預測誤為保護就清楚了。 (周子衡)

打開外賣軟體想點份早餐，同樣的雞蛋灌餅，朋友手機上顯示12元，你的卻要14.8元；提前半個月訂機票，明明選的同一航班同一座位，刷新一下頁面，價格突然漲了300元……你以為這只是偶然的"價格波動"？醒醒，這很可能是AI正在對你進行"精準畫像"，悄悄執行"看人下菜碟"的定價策略。如今，當我們沉迷於用ChatGPT寫文案、用AI助手訂酒店時，卻很少有人意識到，AI早已成為商家手中的"賺錢利器"。從航空公司的機票定價到超市的雞蛋售價，從外賣平台的配送費到郵輪公司的艙位價格，AI正通過挖掘海量使用者資料，算出每個消費者能接受的"最高價格"，然後精準地從我們的錢包裡多掏走一筆錢。一、AI定價有多瘋狂？1天調整1500萬次價格，你的消費習慣全被"監控""現在我們每天要處理1500萬個價格點，AI比人類更懂消費者願意付多少錢。"皇家加勒比郵輪CEO傑森·利伯蒂在今年10月的財報電話會議上，毫不掩飾AI定價帶來的收益。這句話背後，是AI正在徹底顛覆傳統定價模式的現實——不再是簡單的"成本+利潤"，而是基於你的每一次點選、每一次瀏覽、每一次猶豫，計算出最適合你的"個性化價格"。1. 航空公司：AI讓機票價格"秒變"， Delta被參議員點名批評作為AI定價的"先行者"，航空公司早已把這項技術玩得爐火純青。去年年底，達美航空（Delta）宣佈與以色列AI公司Fetcherr合作，推出"4D市場模型"——這套系統不僅會分析航班座位剩餘情況、競爭對手價格，還會結合你的歷史購票記錄、瀏覽時長、是否繫結信用卡等資料，即時調整票價。根據Fetcherr官網介紹，這套AI系統能幫助航空公司"發現隱藏的收入機會"，平均提升12%的銷售額，同時減少60%的人工操作。這聽起來對商家是好事，但對消費者來說，可能就是"噩夢"：有乘客反映，自己在瀏覽某航班時猶豫了10分鐘，再下單時價格就漲了400元；還有乘客發現，用不同手機登錄同一帳號，顯示的票價相差近千元。達美航空的做法很快引起了民主黨參議員的不滿。今年1月，多名參議員聯名致信達美航空CEO，指責其AI定價"涉嫌價格歧視"。面對壓力，達美航空隨後改口稱"沒有用AI設定個性化票價"，但這種說法顯然難以服眾——TD Cowen分析師湯姆·菲茨傑拉德在最新報告中指出，AI定價將成為航空公司2026年的"收入增長引擎"，達美航空原本計畫用AI定價20%的國內航班，目前已實現約5%。2. 超市與外賣：同一筐雞蛋差8毛，一年多花1200元如果說機票價格差異還能用"淡旺季""提前預訂"來解釋，那麼超市裡的雞蛋、牛奶出現價格差異，就更讓人難以接受了。今年2月，美國消費者報告（Consumer Reports）與Groundwork Collaborative聯合發佈的調查顯示，外賣平台Instacart上，同一超市的相同商品，不同使用者看到的價格最多相差23%。在華盛頓州的一家Safeway超市，12個裝的Lucerne雞蛋，有的使用者看到的價格是3.99美元，有的則要4.79美元，差價0.8美元；更誇張的是，同一購物筐的商品，在西雅圖地區的Safeway超市，價格範圍從114.34美元到123.93美元，相差近10美元。調查還發現，只有8%的消費者能拿到最低價格，一個四口之家如果經常用Instacart購物，一年可能多花1200美元（約合人民幣8600元）。面對質疑，Instacart在部落格中辯解稱，只有少數零售商使用其AI定價工具Eversight進行"有限的線上定價測試"，而且"不會使用個人 demographic資料或使用者行為資料"。但這種說法很快被打臉——有消費者發現，自己只要清除瀏覽器快取，或者用家人的帳號登錄，就能看到更低的價格。3. 電商平台：AI聊天機器人"勸買"有術，亞馬遜一年多賺100億除了直接調整價格，AI還在通過更隱蔽的方式"掏空"我們的錢包。去年10月，亞馬遜CEO安迪·賈西在財報會議上透露，AI聊天機器人Rufus能讓消費者的購買率提升60%，按照這個速度，Rufus每年能為亞馬遜多帶來100億美元（約合人民幣720億元）的銷售額。Rufus的"魔力"在那裡？當你在亞馬遜上諮詢"那款筆記本適合學生用"時，Rufus不會簡單地羅列產品，而是會根據你的瀏覽歷史、購買記錄，甚至聊天中的語氣（比如你提到"預算有限"還是"注重性能"），推薦更符合你心理預期的產品——這些產品往往不是最便宜的，而是你最可能接受的價格區間內的商品。更值得注意的是，根據亞馬遜的隱私政策，Rufus會將與你的聊天內容保存28天（除非你主動刪除），這些資料會被用來最佳化後續的推薦和定價。也就是說，你每一次和AI聊天，都在給它"投喂"資料，讓它更精準地算出你能接受的價格。二、AI是如何"讀心"的？3步算出你的"最高承受價"，資料越詳細，宰得越狠看到這裡，你可能會好奇：AI到底是怎麼知道我願意付多少錢的？其實，AI定價的核心邏輯很簡單，就是通過海量資料建構你的"消費者畫像"，然後根據畫像調整價格。具體來說，主要分為三個步驟：第一步：瘋狂"偷資料"，你的每一個行為都被記錄AI定價的基礎是資料，而且是越多越好。你可能不知道，從你打開APP的那一刻起，就有上百個資料點在被收集：基礎資訊：你的年齡、性別、地域、收入水平（通過繫結的銀行卡、消費記錄推斷）、職業（通過購買的商品、瀏覽的內容推斷）；行為資料：你在APP上停留了多久、瀏覽了那些商品、把那些商品加入購物車又刪除、對比了多少個商家、最後為什麼放棄購買；環境資料：你用的是手機還是電腦、手機型號是高端還是低端、網路是WiFi還是5G、登錄地點是家裡還是公司；社交資料：你是否分享過商品連結、朋友對你推薦的商品的反應、你在社交媒體上提到的消費偏好。這些資料可能來自不同的平台，但通過資料共享和第三方工具，AI可以將它們整合起來，建構一個完整的你。比如，你在抖音上點讚了"平價口紅"的視訊，在淘寶上瀏覽口紅時，就可能看到更多中低端價位的產品；如果你在小紅書上分享"高端護膚"的筆記，在絲芙蘭的APP上，推薦的產品價格可能會更高。第二步：給你貼標籤，分成"價格敏感型"和"冤大頭型"收集完資料後，AI會通過演算法給你貼標籤，最核心的標籤就是"價格敏感度"。簡單來說，就是判斷你是不是"在乎價格"：價格敏感型：經常對比價格、喜歡用優惠券、會等到促銷時再購買、手機型號較舊、網路環境多為WiFi（推斷可能更在意流量費用）；價格不敏感型：很少對比價格、購買時不看優惠券、喜歡即時購買、手機型號為高端機型、經常在通勤時間（用5G）購物（推斷可能收入較高，時間成本更高）。除了價格敏感度，AI還會給你貼其他標籤，比如"忠誠度標籤"（你是否經常在同一商家消費）、"緊急度標籤"（你是否在臨近節假日、深夜購物，推斷可能有緊急需求）、"從眾標籤"（你是否喜歡購買熱門商品，容易被推薦影響）。這些標籤會決定你看到的價格。比如，同樣是訂酒店，"價格敏感型"使用者可能會看到"限時折扣""優惠券"，而"價格不敏感型"使用者看到的則是"推薦房型""升級服務"；同樣是叫外賣，"緊急度標籤"高的使用者（比如深夜12點下單）可能會看到更高的配送費。第三步：即時"測試價格"，找到你的"心理臨界點"有了標籤之後，AI不會直接定一個固定價格，而是會通過"動態測試"找到你的"最高承受價"。這種測試非常隱蔽，你幾乎察覺不到：小幅度調價：比如將某商品的價格從99元調到101元，觀察你的購買率是否下降；如果購買率沒有明顯變化，說明你能接受101元的價格，下次可能會調到103元；差異化展示：給你和其他使用者展示不同的價格，比如給你看109元，給"價格敏感型"使用者看99元，對比兩者的購買率，判斷價格是否合理；捆綁銷售測試：比如將A商品和B商品捆綁銷售，有的使用者看到"買A送B"，有的使用者看到"A+B優惠價"，有的使用者看到"單獨買A"，通過資料判斷那種方式能讓你花更多錢。這種測試是即時進行的，AI會根據你的反應不斷調整。比如，你看到109元的價格後猶豫了，AI可能會在10分鐘後給你推送一張10元優惠券，讓你覺得"撿了便宜"，從而下單；如果你直接購買了109元的商品，AI會記住你的"承受上限"，下次給你推薦類似商品時，價格可能會更高。三、AI定價是"科技進步"還是"變相宰客"？各方吵翻了，這些觀點值得深思AI定價的興起，引發了一場激烈的爭論：支持者認為這是"科技進步"，能讓定價更高效、更精準；反對者則認為這是"變相宰客"，涉嫌價格歧視，損害消費者權益。那麼，我們該如何看待AI定價？支持者：AI定價能讓資源更高效配置，消費者也能受益在商家和部分經濟學家看來，AI定價有其合理性。他們認為，傳統的"一刀切"定價模式效率低下，而AI定價能根據供需關係和消費者偏好調整價格，讓資源得到更合理的配置。比如，航空公司用AI定價，能讓航班座位的利用率更高——對於提前很久訂票、價格敏感的消費者，提供低價票；對於臨時訂票、有緊急需求的消費者，提供高價票，這樣既能保證航班滿座，又能讓航空公司獲得合理利潤。還有觀點認為，AI定價也能讓消費者受益。比如，對於價格敏感的消費者，AI能更快地推送優惠券和折扣資訊；對於時間敏感的消費者，AI能直接推薦最合適的商品，節省他們的時間成本。正如零售行業協會的律師斯蒂芬妮·馬茨所說："大多數商家用AI做的，只是定製促銷活動，這不僅無害，還能幫助消費者找到更適合自己的商品。"反對者：AI定價導致"演算法共謀"，所有消費者都被收割但更多的專家和消費者認為，AI定價的負面影響遠大於正面影響，尤其是"演算法共謀"和"價格歧視"問題，正在讓所有消費者成為受害者。2019年，歐洲的研究人員做了一個實驗：讓多個AI演算法在模擬市場中進行定價，結果發現，這些AI很快就學會了"默契配合"，共同將價格提高到高於競爭水平的位置，也就是"演算法共謀"。比如，當一個AI發現自己提高價格後，其他AI不會通過降價來搶佔市場，而是也跟著提高價格，最終導致所有消費者都要付更高的錢。更嚴重的是，AI定價可能會加劇社會不公。比如，低收入人群可能因為被貼上"價格敏感型"標籤，只能看到低價但質量較差的商品；而高收入人群則可能被推薦高價商品，即使這些商品的性價比不高。這種"隱形的價格歧視"，會讓貧富差距在消費領域進一步擴大。卡內基梅隆大學商學院教授帕拉姆·辛格的研究也證實了這一點。他和團隊對電商平台的AI定價進行了分析，發現AI通過個性化推薦（比如給不同使用者展示不同排序的商品），能讓整體價格平均上漲29%，即使扣除"便利性提升"的因素，價格也會上漲13%。"AI會讓消費者覺得自己買到了'最適合'的商品，但實際上，你只是買到了AI想讓你買的商品。"辛格說。四、我們該如何應對？3個實用技巧避開AI"宰客"，監管也該動真格了面對AI定價的"圍剿"，我們是不是只能束手就擒？其實不然。通過一些簡單的方法，我們可以減少被AI"宰"的機率；同時，監管層面也在逐步行動，為消費者保駕護航。消費者：3個技巧降低被"精準定價"的機率多平台對比，清除快取換帳號：在購買高價商品（如機票、酒店、家電）時，不要只在一個平台看價格，可以在多個平台對比；同時，定期清除瀏覽器快取和APP資料，或者用家人的帳號登錄，看看價格是否有差異。比如，訂機票時，可以用手機流量和WiFi分別登錄，用Android手機和蘋果手機分別查看，往往能發現不同的價格。不要急於下單，加入購物車等一等：如果你把商品加入購物車後沒有立即下單，很多APP會給你推送優惠券，這其實是AI在測試你的價格敏感度。比如，你把一件衣服加入購物車後，第二天再打開APP，可能會收到"專屬優惠券"，價格能降10%-20%。注意隱私設定，拒絕不必要的資料收集：在使用APP時，儘量關閉不必要的權限，比如"獲取位置資訊""讀取通訊錄""訪問照片"等；同時，在隱私設定中，選擇"不允許個性化推薦"或"刪除歷史資料"。雖然這可能會影響推薦的精準性，但能減少AI對你的"瞭解"，從而降低被"精準定價"的機率。監管層：各國開始行動，中國也在發力面對AI定價的亂象，各國監管機構也在逐步出台政策。比如：美國：紐約州在去年11月出台了《演算法定價披露法》，要求企業如果使用AI進行個性化定價，必須明確告知消費者；加州也曾提出類似的法案，雖然目前還未通過，但已經引發了廣泛討論。不過，美國聯邦層面的監管還比較滯後，尤其是在川普政府上台後，對AI定價的監管力度有所減弱。歐盟：歐盟將AI定價納入反壟斷監管的重點，去年已經對亞馬遜、Google等公司的AI定價行為展開調查；同時，歐盟的《人工智慧法案》也明確規定，禁止使用AI進行"歧視性定價"。中國：去年7月，國家市場監管總局發佈了《關於平台經濟領域的反壟斷指南（徵求意見稿）》，其中明確提到，禁止平台利用AI演算法進行"巨量資料殺熟"；今年1月，上海市消保委也發佈了《AI定價消費者權益保護指引》，提醒消費者警惕AI定價中的陷阱。不過，監管AI定價並不容易。一方面，AI演算法非常複雜，監管機構很難判斷企業是否在使用AI進行價格歧視；另一方面，企業往往以"商業機密"為由，拒絕公開定價演算法。因此，未來還需要更多的技術手段（比如演算法審計）和法律條款，來規範AI定價行為。五、AI不是"宰客"的藉口，公平才是長久之道AI定價本身並不是壞事，它確實能提高定價效率，讓資源得到更合理的配置。但問題在於，很多企業把AI當成了"宰客"的工具，通過濫用資料和演算法，損害消費者的權益。這種短視的行為，最終會失去消費者的信任——當越來越多的人發現自己被AI"精準宰客"時，他們會選擇用腳投票，遠離這些平台。對於消費者來說，我們需要瞭解AI定價的邏輯，學會保護自己的權益；對於企業來說，應該意識到，AI定價的核心不是"搾取"消費者的錢包，而是通過提供更優質的產品和服務，實現企業和消費者的雙贏；對於監管機構來說，需要加快出台相關政策，既要鼓勵AI技術的創新，也要防止技術被濫用。最後，想跟大家說：下次當你看到"個性化推薦""專屬價格"時，不妨多留一個心眼——你以為的"專屬優惠"，可能只是AI給你設下的"消費陷阱"。畢竟，真正的科技進步，應該讓每個人都受益，而不是讓一部分人被偷偷"宰"。 (跬步書)