gpu技术壁垒,技术壁垒数据,pbat技术壁垒高么,技术壁垒影响

如果把时钟拨到2023年底，当我们回过头来看今年科技界最激动人心的大事件，ChatGPT的横空出世无疑会占据一席之地。就像几年前大家被谷歌AlphaGo点燃对人工智能的热情一样，人们对ChatGPT的热情只多不少。

并且，AlphaGo其实只是虚晃一枪，并没能带来很多的实际应用，而ChatGPT不一样，商业应用速度异常迅速，超过了大部分的预期。OpenAI很快推出了GPT-4，微软很快将相应模型接入其搜索、office全家桶等各条业务线；谷歌以Bard仓促应战，并与其搜索业务深度绑定，褒贬不一；国内的百度以文心一言快速跟进，目前已经有数十万家企业在排队接入文心一言；阿里巴巴发布的通义千问，同样得到数十万企业的热情回应。

人们对于这类AI应用的热情可见一斑。

实际上，正如数据猿先前发布的文章《含泪控诉人类科技史上的三个顶级“渣男”！》，人工智能、可控核聚变、元宇宙这三个领域的每一次突破，都将极大的挑动人类敏感的神经，都能引发一波全民追捧热浪。

然而，外行看热闹，内行看门道。作为一个专业媒体，数据猿并不满足于报道浮在行业表面的热点新闻，而要试图去挖掘隐藏在冰山底下的秘密。

在我们看来，虽然现在ChatGPT已经成为万众瞩目的明星，但它却只是摆在台面上的“提线木偶”，真正隐藏在幕后操控这一切的幕后大佬另有其人。

一言以蔽之：ChatGPT只是表面的喧嚣，大模型才是刺破AI的那柄尖刀。

所以，要搞清楚目前的状况，应该把更多的注意力放在底层的大模型上，而不是停留在ChatGPT上。正如上一轮AlphaGo引发的AI浪潮，其底层驱动力是深度学习技术的突破。

接下来，我们就来深入分析一下大模型，试图搞清楚大模型跟以往的机器学习、深度学习模型有什么不一样；大模型这么厉害，那它到底是如何工作的。

大模型是深度学习技术的进化版

人工智能已经发展了几十年了，整体朝着机器学习、深度学习、大模型的进化方向发展。

人工智能是一种广义的概念，指的是使机器能够表现出人类智能的任何技术。机器学习是实现人工智能的一种方法，它通过让机器从数据中学习，自动发现数据中的模式和规律。深度学习是机器学习的一种特殊形式，它使用深度神经网络进行学习和预测。

大规模预训练模型是一种机器学习模型，使用大量数据进行预训练，并在后续任务中进行微调。这种模型通常采用深度学习技术，可以自动从数据中提取特征和模式，从而进行各种任务，例如自然语言处理、图像识别、语音识别等。目前最著名的大规模预训练模型之一是 GPT系列。

大规模预训练模型可以被看作是深度学习技术的一种进化和扩展，大规模预训练模型通常也使用了以往深度学习模型的一些技术，如卷积神经网络、循环神经网络等。通过预训练加微调的方式，大规模预训练模型在处理大规模数据和多个任务方面具有很强的能力，成为了当前人工智能领域的一个重要研究方向。

因此，大模型、深度学习、机器学习、人工智能的关系可以用下图来表示：

数据猿制图

深度学习技术可以视为大模型的地基之一，大模型发展也跟深度学习技术的突破息息相关。2012-2018年，深度学习技术在默默发展，2018年OpenAI推出GPT模型为分水岭，大模型的发展进入加速阶段。各个科技巨头都开始狂炼大模型，一方面是在核心算法上进行探索，另一方面就是的不断提升参数规模――大模型领域的“暴力美学”。

当然，除了美国，中国在大模型领域是跟的最紧的，百度、腾讯、阿里巴巴、华为等也诞生了不少成果。

其中，百度在这个领域的积累最深，这也是百度能在中国率先推出对标ChatGPT的文心一言产品的原因。

接下来我们试图从技术角度，来探讨一下大模型产业发展的核心逻辑。

全新的训练模式：预训练+微调

同样是深度学习技术，为什么大模型能表现的如此惊艳，它有什么不一样呢？

以往的深度学习模型通常需要从头开始训练，需要大量的标注数据和计算资源。而大规模预训练模型则采用了一种更加高效的训练方式，即预训练加微调。预训练是指在海量数据上进行无监督学习，使得模型学到更加通用的特征和表示。在预训练完成后，可以在不同的任务上进行微调，使得模型能够适应具体的任务。

可以发现，大模型的训练有两个关键的步骤，即预训练+微调。通过预训练，来获得一些通用特征，并提升模型泛化能力。

在大规模预训练模型中，通用的特征和表示指的是一些基本的语言或图像特征，这些特征是在模型在大规模数据上无监督学习时自动学习到的。

这些通用的特征和表示具有一定的抽象性，可以在不同的任务中被重新利用，从而使得模型可以更加高效地学习新的任务。这就像是学生在学习不同的科目时，会学到一些基本的学习方法和技巧，比如如何理解概念、如何思考问题、如何进行逻辑推理等等。这些基本的学习方法和技巧可以被应用在不同的科目中，帮助学生更加高效地学习和掌握知识。

目前大模型的泛化效果已经相当不错，比如在自然语言处理领域，大模型如GPT-4在多个NLP任务上均取得了出色的表现，表明大模型在泛化方面已经取得了很大的进展。未来的突破重点可能在于进一步提高模型的泛化能力，比如在数据增强、对抗训练等方面继续探索创新方法。

相比之前的深度学习模型，大模型之所以能够实现更好的泛化能力，关键在于大模型具有更多的参数和更丰富的特征表示能力。大模型在预训练阶段就能够学习到大规模数据的特征表示，这些通用的特征能够被迁移应用到各种不同的任务中，使得大模型能够更好地适应新的任务，从而提高了泛化能力。

关于泛化能力，可以把它比喻成一个人的适应能力。如果一个人只是在自己家里待着，很少接触外面的世界，那么他可能很难适应到新的环境中去。但是如果一个人经常外出旅行，接触不同的文化和环境，那么他的适应能力就会更强，无论面对何种情况，都能够迅速适应。同样地，一个模型的泛化能力越强，也就意味着它对于不同的数据集都能够有很好的适应能力。

举个例子，假设你是一个学习者，正在学习如何区分不同种类的水果。传统的深度学习模型可能只能学习到一些基础的特征，比如颜色、大小等，但是如果遇到一些特殊的水果，比如火龙果、杨桃等，模型可能就无法正确识别。这就好比你只是学习了苹果、香蕉等常见水果的特征，但对于火龙果、杨桃这类非常规的水果，你可能无从下手。但是，如果你使用了一种大规模预训练模型，就好比你已经学习了各种不同种类的水果的特征，并且可以将这些特征迁移到新的水果上。这样，即使你遇到了一些之前没见过的水果，也可以根据它们的特征正确地识别它们。

自监督学习，数据“爆炸”的引信

从上面的分析可以发现，足够多的数据，是大模型实现泛化的重要基础，只有模型“见多识广”了，遇到以前没见过的情况才可以从容应对。

事实上，大模型之所以能取得如此惊艳的表现，有一个关键的突破，就是训练数据集的扩大。

数据猿对比了机器学习模型（以随机森林模型为例）、传统深度学习模型和大模型的训练数据集规模。发现大模型的训练数据集规模要比传统深度学习高几个数量级，至于更传统的机器学习模型就更没有可比性了。

既然训练数据集规模越大模型的表现越好，那为什么以前不把数据集规模做大呢？不是不想，是不能。传统深度学习模型的训练数据，大多是标注数据，对数据进行标注是一个费时费力的过程，这极大的限制了数据规模。

要打破数据标注的桎梏，自监督学习技术闪亮登场了。

自监督学习是一种无需人工标注数据的机器学习方法，它通过利用数据自身的内在结构，训练模型来学习数据的特征表示。其核心思想是在未标注数据上构建模型，并从数据中自动发现模式和结构。自监督学习已经在计算机视觉、自然语言处理、语音识别等领域中得到广泛应用。

自监督学习的核心技术包括预测任务的设计、数据增强方法和模型架构的设计：预测任务的设计是指在未标注的数据上构建一些任务，让模型通过这些任务来学习数据的特征表示。数据增强方法则是通过对未标注数据进行一些变换和扰动，生成新的数据来扩充训练集，提高模型的泛化能力。模型架构的设计则是指选择合适的网络结构和优化算法，使得模型能够从未标注数据中学习出有用的特征表示。

具体来看，实现自监督学习的具体过程包括以下几个步骤：

收集未标注数据集。未标注数据集的选择和收集对于自监督学习的效果至关重要，需要根据具体任务选择适合的数据集。

设计预测任务。预测任务的设计需要根据具体任务选择合适的目标和方法，如图像分类、图像重构、图像补全等。

数据增强。数据增强可以提高模型的泛化能力，可以通过图像旋转、裁剪、变形等方法来扩充数据集。

构建模型。模型的选择和设计需要根据具体任务选择适合的模型架构和优化算法。

模型训练。使用未标注数据进行模型训练，通过优化损失函数来学习数据的特征表示。

模型评估。对训练好的模型进行评估，包括特征表示的质量、模型的泛化能力和任务性能等指标。

需要指出的是，自监督学习技术已经有超过20年的发展历史。

冰冻三尺非一日之寒，虽然看起来ChatGPT是突然爆火的，但其核心的大模型技术却是经过了多年的发展，一点点突破之后。从深度学习到大模型，从标注数据训练到基于自监督学习的非标注数据训练，技术的发展就像一场接力赛，然后在最近达到了一个临界点。

十年大模型无人问，一朝ChatGPT天下知

我们不仅要看到表面的热闹，也要看到产业背后的发展脉络和逻辑。只有掌握产业的底层密码，才能真正融入时代的浪潮，而不只是当一个吃瓜群众。

ChatGPT爆火之后，中国有大量的公司想要搭上这趟快车，纷纷高调宣布自己已经或者即将推出对标的产品。

当我们关注ChatGPT时，视角应该放在GPT，而不是Chat！

中国公司能否推出对标ChatGPT的产品，核心也在于底层大模型的突破，而不是推出一个跟ChatGPT“长得像”的对话式AI产品。

文：一蓑烟雨 / 数据猿

朱民谈美联储降息警示 美联储监管格局对世界影响

2023年5月20日-21日，以“坚定信心，高质量金融发展服务中国式现代化”为主题的2023清华五道口全球金融论坛在京成功召开。在论坛的“清华五道口全球金融论坛高端对话暨未来已来――全球领袖论天下”上，国际货币基金组织原副总裁、中国人民银行原副行长朱民与桥水基金创始人瑞・达利欧，共同就美国地区银行业发展形势、美联储货币政策、GPT的影响等话题展开了深入讨论。

关于美国地区银行业形势，朱民认为，硅谷银行本身并不是系统性风险，但硅谷危机的本质却是系统性风险。瑞・达利欧表示，这不仅仅是一个地区银行问题，它将影响一些有不良资产负债错配的机构，这是一个资产负债表类型的问题。至关重要的是，央行要有平衡利率和货币紧缩的政策，这样利率才能高到足以补偿通货膨胀，并向债权人支付不足的回报。关于美联储的货币政策，瑞・达利欧认为，阻碍控制通货膨胀的因素有两个，一是美联储和其他央行的行动本质上是央行承担了债务，在资产负债表方面发生了财富转移；二是效率低下，包括与去全球化相关的全球供应链所存在的效率低下问题等。关于技术问题，朱民提出，在短期内GPT通过了工具测试，正在进入AGI，这是现在的通用智能，这是一件好事，但也有潜在的风险。瑞・达利欧认为，技术将对我们生活的各个方面产生巨大的影响。接受这些变化的企业，可能会发生革命性的变化，也可能具有巨大的竞争优势。

（图为瑞・达利欧与朱民展开对话）

关于美国地区银行业形势，朱民认为，硅谷银行本身并不是系统性风险，但硅谷危机的本质却是系统性风险。因为这基本上是宏观形势、长期变化、宽松的货币政策和美联储加息等因素导致的本质管理不匹配，任何人都很难调整资产负债表。

瑞・达利欧表示，这个问题目前影响到了许多银行，但问题远不止于此，因为我们所处的环境是短期利率保持在极低的水平，银行等实体以短期利率购买政府债券时，这意味着许多实体、甚至中央银行也将面临巨大的损失。因此，这不仅仅是一个地区银行问题，它将影响一些有不良资产负债错配的机构，这是一个资产负债表类型的问题。至关重要的是，央行要有平衡利率和货币紧缩的政策，这样利率才能高到足以补偿通货膨胀，并向债权人支付不足的回报。否则，他们会出售债券，因为相对于通货膨胀来说，利率太低了，他们会卖掉债券。另一方面，相对于债务人来说，利率可能如此之高，以至于债务人很难偿还债务，面临着严重的供需失衡。

关于美联储的货币政策，瑞・达利欧认为，自量化宽松开始以来，每次购买量都比之前更大，这是一个信号。当开始看到央行的资产负债表再次扩张时，这是一个信号，表明下一阶段的宽松困境何时到来。为什么通货膨胀很难控制？美联储和其他央行的行动本质上是这些央行承担了债务，并将资金交给了人们。现在，家庭部门的资产负债表状况相对较好，因为政府中央银行和中央政府的资产负债表状况不佳，这属于在资产负债表方面发生了财富转移。另一个阻碍控制通货膨胀的因素是效率低下，包括与去全球化相关的全球供应链所存在的效率低下问题等。

关于技术问题，朱民提出，在短期内GPT通过了工具测试，正在进入AGI，这是现在的通用智能，这是一件好事，但也有潜在的风险。瑞・达利欧认为，技术将对我们生活的各个方面产生巨大的影响。我们将面临巨大的波动，因为这种颠覆性技术将应用于许多不同的业务和领域。接受这些变化的企业，可能会发生革命性的变化，也可能具有巨大的竞争优势。当然，市场是所有领域的集合，任何行业都将在市场中受到影响。

以下为朱民、达利欧发言速记。

美国地区银行业发展形势

朱民：大家早上好，热烈欢迎大家来到清华五道口全球金融论坛。我们非常荣幸能邀请瑞・达利欧与我们就全球金融形势、流动性市场、货币政策和其他一些问题进行对话。

我想瑞不需要任何介绍。大概今天会场里的每个人都读过瑞的书。他的第一本书是《原则》。这本书在中国非常受欢迎。然后，他很快出版了关于巨额债务危机的第二本书。此外，他还出版了第三本书，这本书也很重要，是关于如何应对不断变化的世界秩序。我想很多人都非常仔细地阅读了这本书，并且经常引用他的书。他也是桥水基金的创始人，桥水基金是世界上最大的对冲基金。但最重要的是，瑞是中国的朋友。在过去的40年里，我想瑞至少访问过中国100多次。今年三月，我在中国发展高层论坛见到了瑞。几周前，我们在北京再次会面。所以瑞经常来中国，非常关注中国的经济和宏观形势，也经常提供非常有用的建议。瑞，非常感谢你今天早晨接受邀请，与我们一起讨论这个非常重要的话题。我们非常高兴能听到你的声音。再次感谢。

达利欧：这是我的荣幸。

朱民：我想从关于美国地区银行业形势的话题开始，在硅谷银行危机之后，进而是签名银行、第一共和银行和其他银行机构。我们都曾参加了在中国发展高层论坛的演讲。我对这些问题的看法是，我认为硅谷银行本身并不是系统性风险，但硅谷银行引发危机的本质却是系统性风险。因为这基本上是宏观形势、长期变化、宽松的货币政策和美联储加息等因素导致的管理不匹配。任何人都很难调整资产负债表。现在，我不知道你是否同意我的观点，这意味着什么？你认为区域性银行整体正趋于稳定吗？这带来什么样的危机？或者你是否认为这仍然是美国银行业乃至全世界国家风险的关键？

达利欧：我认为重要的是要认识到这是一个普遍存在的问题，影响的不仅仅是银行业。这个问题目前影响了许多银行，因为许多银行购买了政府债券。但其实许多实体都购买了政府债券。而且，这里指的不仅仅是购买美国政府债券的美国实体，还有因为货币政策而购买欧洲债券的欧洲实体。日本人因为货币政策而购买日本债券等等。因为我们所处的环境是短期利率保持在极低的水平，这样实体就可以借款，而这些实体包括银行、保险公司、养老基金等许多机构。他们可以以短期利率借款并购买政府债券。因此，我们正在处理的情况是一个更大的问题，它影响到一些不同于以往的实体。

现在，它影响到了一些区域性银行、非区域性银行，甚至保险公司。它影响很大。我只想明确的是，当他们基于短期利率购买政府债券和融资，他们建立起头寸。想想看。在欧洲，几乎在美国、甚至日本，你怎么能以负利率购买政府债券并期望赚钱。你知道答案吗？答案是以更负的利率借款，以创造正利差，这个利差是央行提供的。大量交易使这些债券的价值下降了。借款的资金成本大幅上升，这也是现在存在的问题。这样的机制中，会发生什么？其中一些是按市场计价的，还有一些没有按市场计价。这意味着许多实体，甚至中央银行，也面临巨大的损失。

如果他们不把它们推向市场，那意味着什么？让我们明确这一点。这意味着他们有很多债券，他们不想继续这样做。这将对未来的债券需求产生影响。首先，如果利率保持不变，在这样的控制下，他们将面临财务问题。他们会有这些损失，但它们会在一段时间内分散，这将受到系统性投入资金的保护。换句话说，中央银行提供了更多的支持，因此你会看到资产负债表增加。

但这也意味着，他们对这些债券和政府债券的需求将大大减少，因为他们的债券太多，而且有损失。这会产生供需问题，因为政府有发债的需求。如果你以美国为例，或者以其他国家为例，当他们有巨额赤字时，他们必须大量出售并为这些赤字融资。

谁将购买债券？那些债券的购买者不会再想持有更多。不是银行，也不会是国外投资者。这就造成了供需问题。如果我们看到这一进展，下一步将是，这将向所有人发出一个信号，即美联储的资产负债表和央行的资产负债将再次增加，因为往往会采取印钞的方式来购买这些债券。

因此，我想明确一点，这不仅仅是一个区域性银行的问题。它影响了一些有不良资产负债错配的机构，但不会影响那些没有这种错配的机构。世界已经获得了杠杆化的长期金融资产。换句话说，这不仅仅是债券，还有其他金融资产，以低廉的利率借钱并购买这些金融资产。这是一个资产负债表类型的问题。这与经济问题不同。相信我们稍后会讨论这个问题，我敢肯定，家庭部门的状况并不糟糕，所以这是一个资产负债表问题。

朱民：瑞，你说得很清楚。实际上，你们把这个问题分为三个方面。第一个问题是区域银行问题。第二个问题比区域银行更大，它包括所有的银行业和金融业。因为正如你在过去提到的那样，许多金融系统都按照这种零利率运行。但他们的管理也很值得关注，因为这种情况和人们对债券的需求会减少。因此，这使得财政部出售债券更加困难。这是否意味着债券价格将在短期内进一步推高？

达利欧：也许央行将不得不介入并购买更多这些债券。

朱民：再次购买。

达利欧：是的。这种特殊的动态就是问题所在。当你有很多债务，而一个人的债务是另一个人的资产。至关重要的是，央行要有平衡利率和货币紧缩的政策，这样利率才能高到足以补偿通货膨胀，并向债权人支付不足的回报。否则的话他们会出售债券，因为相对于通货膨胀来说，这太低了，他们会卖掉债券。另一方面，利率可能如此之高，以至于债务人很难偿还债务。这就是我们的处境。

我们面临着严重的供需失衡。如果我们有一个自由的债券市场，而中央银行并没有像他们那样购买债券。他们进来买了很多债券，因为没有供需平衡。他们想降低成本，并想要提供补贴，这是我们经历过的。他们陷入了困境。因此，现在很难将利率保持在足够高的水平，既能让债权人受益，又不会伤害债务人。因此，我们看到他们必须降低信贷需求。但如果你保持这个利率，比如说实际利率为1%或1.5%。那么这将产生非常紧缩的信贷条件，这将意味着增长放缓或没有增长。我们正在适应这样一种环境，在这种环境中，他们试图在所有这些债券损失的情况下找到平衡水平，所以债券不是好的资产。

朱民：这真是观察整个过程的一个新的观点。

达利欧：很抱歉打断你。这种动态对于我们来说也许是新的，但它在历史是重复循环发生的。我只想说，在历史上并没有新奇的地方，政府陷入了太多的债务，然后印发更多货币。在历史往复中可以找到很多例证，政府没有足够的钱，却想花更多的钱。他们所做的就是印刷更多的货币。他们有太多的债务。数千年来，这种动态总是在各国反复发生。

美联储货币政策

朱民：这能回到你的基本理论上来。一切都是机械性的重复。这是有趣的观点。一次又一次地重复。统计数据显示，银行业大约有20%的余额是债券资产，这20%中，大约8%是持有到期的，12%是可供出售的。所以还有很大一部分。你说，美联储必须像以前那样选择用资金购买这些债券。这意味着，美联储再次陷入量化宽松货币政策。我记得就在几天前，你写了一篇文章，说联邦政策到目前为止还没起到有效的作用，因为他们没有控制通胀。在某种程度上，增长也是一种韧性。现在，当美联储改变政策时，市场和经济增长的动态将发生多大变化。

达利欧：纵观历史，有这样的循环周期，有三种类型的货币政策，我称之为货币政策一、二和三。货币政策一是当他们改变利率以影响供求平衡时，他们创造了平衡。当这种做法不再奏效时，因为通常情况下会达到零利率，而无法降低固定利率。历史上一直存在着供需失衡。我称之为货币政策二，即中央银行印钞并购买债券来弥补供需失衡。上一个周期是始于1933年，在货币体系中一直延续到1945年。所以这样的事情发生了一次又一次。所以我们采取了所谓的量化宽松政策。但量化宽松的问题是，当你只是控制供需时，除了不平衡之外，用于购买债券的钱都流向了债券持有人。这些债券的持有人出售这些债券，并购买其他金融资产，资金不会慢慢流入那些需要资金的人手中。所以有了货币政策三，货币政策三是这些大周期中的第三种货币政策，即中央政府，它有能力选择拨款或征税，与中央银行合作调配资金。例如，当我们遇到新冠肺炎问题以及其他问题时，量化宽松政策希望资金不是流向债券持有人的手中，而是那些需要的人手中，无论他们是失业的人，还是状态不佳的人等等。因此，这项政策是由中央银行管理赤字，由中央政府将赤字货币化。这就是我们在这个循环中所处的位置。这种长期债务循环在历史上反复出现。我在我的书里讨论过不断变化的世界秩序的原则，以及应对重大债务危机的原则。但这就是我们现在所处的情况。

朱民：你特别提到美联储正在收紧政策。但现在，由于债券需求和供应的变化，可能会再次出现宽松政策。这会发生吗？

达利欧：是的。在市场上，有些事情让人感到惊讶。有人会说，预计央行不会再次开始购买债券。其他大多数人会说什么？另一种量化宽松政策？（没错。）顺便说一句，自量化宽松开始以来，每次购买量都比之前更大。这是一个信号。当你开始看到央行的资产负债表再次扩张时，这是一个信号，表明下一阶段的宽松困境何时到来。那时候，我会把这个信号看作是我们在处理，然后控制通货膨胀，我们必须看看发生了什么，为什么通货膨胀很难控制？所以把问题分解来看。

美联储和其他央行的行动本质上是这些央行承担了债务，并将资金交给了人们。现在，家庭部门的资产负债表状况相对较好，因为政府通过中央银行和中央政府的资产负债表状况不佳，因此在资产负债表方面发生了财富转移。因此，是什么导致了通货膨胀？通货膨胀的原因是什么？当其他东西都在下跌时，上升的是什么？是补贴。因此，如果你看看补贴，它的增长速度比通货膨胀快。

因此，我们的家庭部门的资产负债表相对较好。而且收入增长相对较好。因此，通货膨胀率保持在4.5%-5%水平，你知道4%到5%的范围，而且不太可能下降。无论如何，我们都有2%的目标通胀率。在问题解决之前，它不会下降那么多。这就是为什么要坚持下去。另一个阻碍通货膨胀下降的因素是效率低下。（好吧，这很有趣。）与去全球化相关的全球供应链问题所存在的效率低下，以及随之而来的效率低下――因为现在我们正处于更大的冲突局势中，这意味着自给自足比效率更重要。

在这种环境下，我们的环境是全球效率更低，再加上相对较高的补贴问题，使通货膨胀居高不下。

因此，央行，尤其是美联储，正处于这种特殊情况。家庭部门的资产负债表收入相对较好。（美联储）资产负债表的损失是严重的。通货膨胀是粘性的。这意味着他们必须保持相对较高的货币政策，但这不会缓解局势。因此将会出现供需问题。

朱民：你描述的情况非常生动。你提到了几个关键问题。第一个问题是，补贴指数仍然很高。每个人都知道，通货膨胀最令人担忧的是通胀-工资曲线问题。如果补贴提高得太高，那么我们担心这是否会导致工资增长过快。我们看到后果。我认为这是真正的担忧。

达利欧：这也是一个和政治相关的问题。我们将迎来2024年的选举。当你限制人民的购买力时，会怎么做？为了对抗通货膨胀，必须限制购买力，并产生削弱效应，而这是在一段时间内出现的，因为有很多内部冲突，这会让事情变得困难。

朱民：是的，我认为这是一个非常政治敏感的问题。你还提到了另一个重要问题。没有多少人谈论这件事。你所说的全球地缘政治风险，实际上会导致每个人的产能增加，生产率降低，我听说你的意思是，这是一种长期的通胀压力。你提到通货膨胀是粘性的，如果我没听错的话，在4%到5%的时候会是粘性的。现在，如果通货膨胀率是4%或5%，就会保持这种状态。那么利率呢？我认为美联储的处境非常艰难。

达利欧：这在很大程度上取决于实际情况。是的，你所说的正是事实。我担心的是，如果出售债券，情况可能会更糟。换句话说，债券的总供应量将等于必须融资的赤字带来的新供应量。现在，如果出售债券，因为供需平衡需要中央银行介入并印制更多的货币，那将是一个非常困难到危险的情况。这是我们最需要注意的事情。这就是我认为没有得到足够重视的潜在风险。

朱民：非常重要的一点。事实上，我认为这是在不久的将来非常危险的情况。我听说你提出了一个非常有趣的观点，你说，由于通货膨胀率在4%到5%之间，美联储不想保持如此高的利率和保持紧缩的货币政策。但他们做不到。因为供求关系引发了市场问题。因此，这可能会改变所有的动态。这是一个非常大的问题。但从根本上讲，这些事情，通货膨胀、利率政策，对经济增长有多大影响？你认为美国和世界在未来12个月的增长如何？

达利欧：我认为货币政策必须保持不变，这意味着实际利率将接近1%。沿着这个思路思考，有可能不完全是这样，但差不多在这个区域左右。我预计，这将使增长率下降到0%到1%之间。换句话说，我认为这是一种新的平衡。什么是平衡？均衡将以接近1%的实际利率实现。如果你有1%的实际利率，你可能会有一些波动，但增长率相对缓慢。因此，如果债券供需状况保持相对有序的情况下，保持0-1%的实际增长，以及0到1%的实际利率。如果它变得无序，那么供需问题就越严重，通胀和增长之间的权衡就越糟糕。

朱民：瑞，这是非常重要的一点。如果你认为通货膨胀在4到5之间是粘性的，那么实际利率将是0到1%。因此，增长率将大致下降到0-1%。所以这是一个停滞，是吗？

达利欧：是的。我认为停滞是一种相对来说几乎是机会主义的情况。我们也在进行一场技术革命。我们不能在谈论所有事情的时候都不考虑这一点。正如我所提到的，在整个历史中，我们必须关注五种主要力量。我对此进行了研究，发现有五种主要驱动力。过去500年里，引起我注意的三大力量，第一是我们所谈论的债务水平和货币。第二是贫富之间的内部冲突程度，如果贫富差距达到很大的程度，就会引发内部政治冲突，这与贫富差距非常相关。第三是地缘政治。换句话说，世界是如何运转的？它会有效率吗？我们会有冲突吗？这将如何运作？然后，当我学习了500多年的历史时。我还看到，第四种因素就是自然行为。干旱、疫病实际上颠覆的文明和帝国比其他任何事情都多。因此，我们不能忽视大自然的行为。所以这是一股强大的力量。最后的第五种因素是人类对技术的学习和发展。在一段时间内，这就是提高生活水平的原因。

当我看到这个世界是什么样子的时候，我看到了这五个驱动因素，我在一一研究。就像我刚才描述的那样，这个货币问题是不确定性。内部冲突是不确定性，它与政治和经济有关。国际地缘政治问题是不确定性，因为效率低下。大自然的行为不能算不确定性，因为事情没有进一步改善。事实上，如果我们仔细观察，我们将进入一个厄尔尼诺时期。这意味着你可能会遇到更多的天气干扰。这不是一件好事。这就是所有共同的问题。前四种影响是不确定的，令人担忧，尤其是这些因素同时出现的时候。第五是技术。我们现在正在经历一场前所未有的技术革命，人工智能等等。这肯定干扰现有的社会秩序。我们将进入一个受干扰的时期。这是积极的干扰还是消极的干扰，必须拭目以待。时间会证明一切。

然而，风险不在于技术本身。而是在于人们对人工智能技术的使用。例如，如果它被用来互相争斗，互相诋毁。这将是一个可怕的影响。如果它被用来提高生产力等等，这可能是一个非常大的积极影响。这就是我看待这五大因素的方式，我认为你必须看看这五种力量才能理解目前的局势。

从某种意义上说，我认为在接下来的两年里，你会看到一个非常混乱的环境。因为我们有债务问题，这会削弱经济增长。在政治选举年到来之际，在发生重大国际冲突之际。然后我们当然知道，人工智能在这段时间内肯定会造成影响。他们将以重要而令人震惊的方式发生改变。所以我认为在接下来的2年或3年里，你会看到非常大的变化。

GPT的影响

朱民：这些都是非常大胆的预测。在你的理论中推动周期和历史发展的五大主要因素。正如你所提到的，四个是非常有问题的，目前技术方面尚清楚，对吧？我认为这也是非常重要的一点。显然，我们将讨论ChatGPT，或者说GPT。有人说，如果GPT出了问题，它可能会非常不利。用你的话说，如果它被用来相互争斗，它可能真的会以错误的方式具有破坏性。我认为这也是另一个令人担忧的问题。

但在短期内，GPT通过了图灵测试，GPT正在迈向AGI（通用人工智能）。这是一件好事，但也有潜在的风险。但你看到这个ChatGPT还是GPT，或者彭博GPT，从根本上改变金融行业，改变你的桥水基金公司一样。

达利欧：是的，它会在很多重要方面改变一切。我从桥水基金开始，几乎所有投资方法不仅仅是做出决定，而是停下来思考我做出决定的标准，把这些写下来并转化为算法。我们已经做了25年了，并使用它来建立一个思考和沟通的系统，它实际上是正确的，能沟通和做出决定，就像创建一个计算机国际象棋游戏，然后在旁边下棋一样。这种动态的过程非常棒。这就是我们取得成功的原因。现在，沿着这个思路，当我们进入 “生成式人工智能环境”，这种新型的智能时，每一个维度都将涉及到几乎每个人都将与之合作、处理几乎所有的决策。当然，对于我们的决策，我个人和其他人都在处理。我该如何衡量？我会和它谈谈，因为我们有很多原则。我现在写了很多原则，它们非常具体，你把这些东西放在一起，以这种能力。我会和它聊天，我会用这种方式做出指示。但每个人都会以自己的方式去做。这一变化是一个根本性的变化。

我见过非常复杂的计算机程序通过这项技术进行分析，找出编程中的错误在哪里，他们会在编程中找到错误并迅速做出反应。这就是一个例子。因此，这将产生非常非常大的影响，不仅对金融市场，而且对所有方面都将产生非常巨大的影响。

我认为它令人兴奋的一点是，与许多人工智能不同。（普通人工智能）没有理解问题，它只是数据挖掘。你把过去发生的事情放进电脑，它会分析过去的模式，并告诉你结果。但它并没有告诉你背后的逻辑。所以，如果未来与过去不同，那就会出现问题。因为你无法理解。事实并非如此。你可以深入探讨“为什么”。你可以和它交流，为什么会这样？你不仅能得到答案，还能让它理解问题。我认为，这将对我们生活的各个方面产生巨大的影响。

朱民：但影响会有多大，尤其是对金融市场的影响。我的意思是，我可以把类似你运营公司的整个逻辑灌输给GPT，对吧？你了解标准，在没做出真实决定之前你都不会有损失。机器进行训练，然后进行推演。这会使市场竞争更激烈吗？这是否意味着未来市场的利润率会更低？

达利欧：首先，我们将面临巨大的波动。原因是，这种颠覆性技术将应用于许多不同的业务和领域。但我们可以说企业会接受这些。这意味着每一家企业几乎都可能以我们真正不理解的方式发生革命性的变化。往日的决策模式将被超越。那些打磨出最好的工具并实现最佳运用的公司将具有巨大的竞争优势，悬念只在于方法而已。因此，这将改变公司，改变他们的财务状况。他们将成为更具颠覆性的新公司，而技术正是基于此。想想开放人工智能本身是如何产生的。突然间，这件事让我们措手不及。现在每个人都在这样做。

对几乎所有企业的影响都将与此类似，发生非常大的变化。因此，具有非常大的不确定性，更大的波动性，以及那些知道如何很好地使用它的人，相对于那些不知道如何很好地利用它的人来说，他们将处于巨大的竞争优势。如果你知道如何好好使用它，你将比不知道如何好好利用它拥有巨大的优势。这在所有领域都是一样的，在市场上也是一样的。当然，市场是所有领域的集合，任何行业都在市场中。因此，市场本身将反映这一点。然后市场的方法，如何利用它来应对市场，都会受到它的影响。