阅读

2000年以来美国共557家商业银行倒闭，其中只有28家不是在周五关闭的。周五是美国联邦存款保险公司（FDIC）偏好的银行关闭日，且倒闭前收购方通常已经安排妥当。这意味着现代银行倒闭极少由存款挤兑等市场力量触发，而是遵循监管者的关闭决定。作为对照，在1865至1935年联邦存款保险制度建立之前，银行倒闭日期在一周中几乎均匀分布——研究者认为，那时储户和股东通常自己决定了关门的时机。

但这里有一个容易被忽略的循环：监管者关闭银行的依据是账面资本（CET1比率），而账面资本本身又部分由监管检查所制造。研究者发现，银行在监管现场检查前后修订此前提交的财报（call report）的概率急剧上升；在一家银行倒闭前的五年中，其股权资产比通常下降8个百分点，其中近3个百分点来自检查触发的亏损确认修订。换言之，监管者通过检查迫使银行把潜在亏损写入报表，报表数字恶化后，监管者再依据同一数字决定关闭。CAMELS评级中，资本子项与账面资本机械相关，而管理子项则允许监管者行使裁量权——对资本充足率较高的银行，综合评级更接近管理评级；对资本严重不足的银行，综合评级几乎等同于资本评级。

研究者利用2008年金融危机期间的一个自然实验进一步验证了因果方向：在财务状况相同的条件下，被分配给'更严格'监管检查员的银行确认了更多亏损、报告了更低的账面资本，倒闭概率因此上升。更严格的监管确实降低了FDIC的处置成本，但也导致信贷供给在短期内收缩。这构成了一个核心权衡：严格监管可以遏制'赌一把翻身'的投机行为、避免僵尸银行错配信贷，但可能以在信贷条件本已疲弱时进一步收紧供给为代价；宽松监管则可能保全信贷但推高最终处置成本。存款保险制度削弱了储户纪律，使这一权衡更加突出。

研究者明确声明其分析完全是实证性的，并未就'最优监管严格程度'作出规范性判断。结论的适用边界也值得注意：自然实验样本限于2008年危机时期，且'严格监管者'的定义依赖于对相同财务状况给出更差CAMELS评级的检查员——这一差异可能部分反映主观判断而非客观标准。对投资者而言，这篇研究的价值在于提供了一个可操作的判断框架：当观察到某家银行的财报修订频率异常上升时，这不仅是资产质量恶化的信号，也可能是监管者正在主动制造关闭条件的过程。

a16z合伙人Raghu Raghuram、Martin Casado和Jamie在2026年11月2日发布的投资信中，用前Netscape首席执行官Jim Barksdale的一句话作为论点起点：真正重要的是让主线保持为主线。他们认为机器人行业当前的争论大多围绕训练数据、模型架构和硬件类型展开，但主线只有一条——让机器人完成人类任务。Tutor Intelligence正是围绕这条主线设计的公司，这也是他们领投其B轮的核心原因。

大多数机器人公司的路径是先构建一个通用模型，再寻找应用场景。合伙人指出，这需要大量前期数据采集和资本投入，才能建立哪怕一个基础模型。Tutor Intelligence走了相反的路：先找到真实需求和具体场景，在还没有机器人大脑的情况下就把硬件投入生产环境，由人类遥操作员（他们称之为tutor）远程操控机器人完成工作。合伙人称这些操作员技术娴熟到客户能从中获得真实价值，却无法分辨自己看到的是员工完成的工作还是tutor完成的工作。

每一次真实场景的部署都在产生数据。Tutor从这些部署数据中反向构建模型，使机器人逐步获得自主能力。合伙人指出，每一台投入工作的机器人都让下一台更智能、更便宜、更容易部署。模型训练的数据不再是实验室里预先采集的通用样本，而是客户实际生产环境中真正需要的操作数据。

在商业模式上，Tutor采用按小时计费而非传统机器人行业动辄数百万美元的前期采购加实施费用。合伙人认为这将资本支出转为运营支出，打开了中小制造企业的市场——美国大量制造业正是以中小规模存在——同时也服务了部分最大的物流公司。据投资信披露，Tutor的机器人已在美国部分最大的制造和物流网络中运行，计划到2027年底合同覆盖超过1000台机器人；过去12个月中，近三分之一接收Tutor机器人的客户是已在使用Tutor的现有客户在安装更多机器人；部署实施时间低至8小时。

Tutor目前有两款机器人：Cassie为单臂，处理箱拣选和码垛/拆垛工作流；Sonny为双臂，灵巧度更高，服务电商履约中的逐件拣选。两款机器人共享同一个模型，这是Tutor在模型、硬件和数据采集上垂直整合的一部分。合伙人认为这种全栈能力使Tutor能向更通用的机器人方向演进。

需要指出的是，以上所有运营数据——部署时间、客户复购比例、合同机器人数量目标、操作员与人类难以分辨的说法——均来自Tutor Intelligence自报和a16z作为领投方的转述，未经独立验证。投资信本身也附有免责声明，称a16z未独立核实其中信息。合伙人的论点核心在于路径选择的逻辑：先部署后建模能否持续产生优于先建模后部署的数据质量和商业速度，仍需在更大规模部署中检验。

NBCUniversal媒体集团董事长Matt Strauss在2026年11月2日The Verge Decoder播客访谈中，罕见地公开了该公司评估内容版权投入的具体方法。他的核心公式并不复杂：客户终身价值等于平均单用户收入乘以用户流失前的留存月数。但Strauss强调，真正困难的是将这个公式嵌入一个组合框架——把每一部内容视为投资组合中的不同资产，分别评估它驱动获客、参与、频率还是留存，而不要求每部作品独立盈利。

他将这种方法比作共同基金："有些内容可能是亏损领先者，但它在组合的其他部分增加了价值。"这正是NBCU在WWE合约到期时做出的决策逻辑。六年前Peacock上线时，Strauss团队选择引入WWE，原因有三：每月一次的高潮赛事能建立打开应用的习惯、庞大的节目库提供内容厚度、而WWE的可触达市场经过测算后被认为有足够渗透空间。关键判断是：用WWE获取的订阅者，其终身价值能否覆盖版权成本。

当续约费用大幅上涨时，NBCU没有被迫跟进。Strauss说他们计算的是另一个问题：如果不续约，能保留多少订阅者？答案是大部分——因为WWE观众已经被习惯化到了其他内容上，他们喜欢《速度与激情》系列，喜欢《黄石》，喜欢平台上其他节目。于是NBCU放弃高价续约，只保留了一个小得多的WWE节目包，把省下的资金重新分配到组合的其他部分。

这个案例揭示了Strauss对内容支出的整体思路：不是"这部作品值不值这个价"，而是"这部作品在组合中承担什么角色，如果撤掉它，用户会流向哪里"。他坦言WWE粉丝喜欢《速度与激情》这一点最初是假设，需要测试验证——"我们有假设，但必须检验这些假设。"

Strauss在2019年就提出过一个判断：流媒体市场将从"大解绑"走向"大再捆绑"，最终会复制有线电视的经济结构——广告加订阅的双收入流、面向家庭全成员的广泛内容、捆绑定价。他当时说Peacock不是为赢得流媒体战争而建，而是为战争之后的增长而建。到2026年，他描述的市场现实确实接近这个预测：几乎所有流媒体都推出了广告层，Peacock百分之八十的订阅者在广告层上，广告收入中来自流媒体和体育的比例从六年前的约百分之三十上升到接近百分之六十。

需要指出的是，这是Strauss本人对其决策框架的描述。我们能看到他如何思考、他选择了什么案例来说明，但无法独立验证这一方法是否在所有决策中都一致执行，也无法确认WWE案例是否具有代表性而非选择性呈现。他预测"一年后Peacock将成为美国分发最广的流媒体之一"，这属于尚未实现的判断。

对关注媒体公司的投资者而言，Strauss的阐述提供了一个可检查的视角：当一家媒体公司高价续约或放弃某项内容时，其决策逻辑是"这部作品本身能否覆盖成本"还是"它在组合中的角色是否可以被替代"。后一种思维方式意味着公司更关注用户习惯的迁移路径和单位经济，而非单纯的内容支出规模。Peacock第三季度实现2.61亿美元EBITDA、同比改善4.7亿美元，Strauss将其归因于这种组合运营方式——但归因本身仍是公司自述。

Anthropic 准备上市时，最吸引注意力的数字之一不是收入，而是“40 万亿美元”。韩国媒体 The Core 编辑 김송현 在 2026 年 11 月 2 日的分析中指出，Anthropic 在美国证券交易委员会提交的 S-1 中称，全球知识劳动者执行工作的经济价值去年已超过 40 万亿美元。这个说法并没有被 Anthropic 明确称为“总体可服务市场”，但文章认为，它实际上把 AI 可能提升的生产率价值变成了投资叙事中的事业机会。

这里真正值得拆开看的是市场定义的变化。过去企业通常按自己卖什么来定义市场：例如围绕当前销售的产品和服务的支出规模来估算。Anthropic 的路径不同：它把 AI 可以替代或增强的人类工作本身作为起点。开发、研究、会计、法律、办公室工作等知识劳动的经济价值被纳入潜在市场，AI 公司出售的不再只是模型调用或软件席位，而是进入企业工作流的执行能力。

The Core 将这一变化与以往上市公司比较。Snowflake 等公司更多围绕现有产品支出估算市场；Airbnb 和 Uber 则把服务连接的经济活动纳入市场；SpaceX 在上市相关讨论中给出的市场机会中，AI 占比很高。Anthropic 的 40 万亿美元之所以显得更激进，是因为它把“人类劳动价值”本身作为市场边界。边界越大，故事越容易显得宏大，但也越容易掩盖一个关键区别：经济价值创造不等于企业收入捕获。

文章用一个简单例子说明这一区别：如果 AI 帮助企业每年节省 100 亿韩元成本，企业为 AI 服务支付的价格可能远低于 100 亿韩元，节省的成本中相当一部分可能变成采用 AI 的企业利润或回馈给客户。因此，即便 AI 对全球经济的累计影响很大，Anthropic 能从中获得多少收入，仍取决于定价、竞争、客户预算和转换成本。The Core 也引用 IDC 的预测，称 AI 解决方案和服务投资到 2031 年可能给全球经济带来 22.5 万亿美元累计影响，但这同样是宏观生产率口径，不是 Anthropic 的订单簿。

从 S-1 分析披露的经营数字看，Anthropic 的增长确实很快。文章称，Anthropic 2025 年收入为 45.85 亿美元，2026 年第一季度收入达到 47.31 亿美元，已超过 2025 年全年；第二季度收入为 115.55 亿美元，上半年合计 162.86 亿美元，约为去年同期的 14 倍。与此同时，上半年仍有约 6.93 亿美元经营亏损，但亏损率已从去年同期的约 184% 降至约 4%，第二季度 GAAP 经营利润约 9.74 亿美元，经营利润率约 8.4%。

更关键的是成本结构。The Core 指出，Anthropic 的算力与基础设施成本占收入比例从 2025 年上半年的 201% 降至 2026 年上半年的 55%，第二季度进一步降至 48%。这说明收入增长快于算力成本增长，是 AI 服务经济性改善的信号。但生成式 AI 与传统软件不同：每次用户提问都会产生推理成本，因此不能只看毛利率，还要看整体算力、研发和免费用户支持成本如何分摊。

Anthropic 的长期风险来自基础设施合同和竞争边界。文章称，S-1 分析显示 Anthropic 七项主要算力相关合同合计约 6370 亿美元，其中约 4310 亿美元具有最低支出或租赁性质，约 2060 亿美元与供应量和条件挂钩。这些多年合同不是立即支付的确定负债，但如果容量扩张快于客户需求，成本压力会提前出现；如果算力供给不足，又可能限制收入增长。AI 市场很大，不等于企业能同时把规模、利润和资本效率都做好。

产品采用也支持这一判断。The Core 称，2026 年第三季度不使用 Claude Code 的企业客户月均支出低于 75 美元，而使用 Claude Code 的客户中，支出前 5% 的金额约为其 20 倍。这意味着 Anthropic 的增长不只来自模型 API 调用，而来自 AI 更深入地进入开发、企业流程和任务执行。它正在从卖模型能力，转向卖企业工作流的执行平台。

因此，投资含义不是“40 万亿美元市场很大，所以 Anthropic 一定值得高估值”。The Core 提醒，若以 1.5 万亿美元估值、25 倍净利润计算，需要约 600 亿美元年净利润；假设净利率为 20% 至 24%，则年收入需要达到约 2500 亿至 3000 亿美元。即便当前增长很快，这也是需要时间验证的规模。对读者而言，真正需要跟踪的是 Anthropic 能否在快速扩张中把收入转化为可持续利润，并把人类劳动价值叙事转化为客户愿意长期支付的工作流收入。

Alphabet第三季度交出了一份看似矛盾的成绩单：总营收1276亿美元，同比增长约25%；谷歌云收入翻倍至307亿美元，营业利润率升至36%。然而业绩公布次日，股价暴跌约13%，市值单日蒸发约5000亿美元，创下上市以来最大单日跌幅。市场惩罚的不是增长本身，而是两个同时出现的结构性问题：AI基础设施投入使自由现金流首次转负，而AI搜索产品本身的变现能力低于它所替代的传统搜索。

先看现金层面。Alphabet第三季度经营现金流为423亿美元，但同期资本支出飙升至约514亿美元，自由现金流录得90.7亿美元赤字，超出市场预期。公司维持全年资本支出指引1950亿至2050亿美元，绝大部分投向数据中心、服务器、网络及自研TPU芯片。明年投入预计仍将维持高位。这是一个典型的先投入后收获结构：收入在增长，但现金流出在收入之前。

真正让市场不安的是第二层问题。第三季度谷歌搜索广告收入约633亿美元，同比增长12%，增速较前一季度放缓。首席商务官Philipp Schindler在财报电话会上承认，AI模式（AI Mode）产生的搜索在变现水平上仍低于传统搜索。这一表态将长期存在于投资者心中的隐忧变成了管理层确认的事实：谷歌正在用AI重新定义自己的核心广告产品，而新产品的赚钱能力尚未跟上。

机制并不复杂。传统搜索的变现模型高度成熟——用户输入关键词，结果页上方展示相关广告，购买意图明确的搜索词对广告主价值极高。AI搜索则给出一个整合后的完整答案，广告该放在哪里、放多少、如何不损害用户体验，目前没有清晰解法。更关键的是，AI回答本身需要消耗算力，这进一步压缩了单位搜索的利润空间。

这就构成了一个两难：不扩大AI搜索，用户会被ChatGPT、Claude等对话式产品分流；扩大太快，则直接侵蚀自己利润率最高的广告收入。The Core编辑김유민在分析中将这一处境概括为AI搜索的悖论——防御性扩张与自我蚕食同时发生。

市场之所以对Alphabet和Microsoft给出截然不同的反应，在于两者承受的压力结构不同。Microsoft同样在AI数据中心投入巨资，但第三季度资本支出与融资租赁合计452亿美元，低于市场预期，自由现金流仍维持186亿美元正数。更重要的是，Microsoft没有一条与Alphabet搜索广告同等权重的核心收入线正在被自己的AI产品直接改写。

Meta的对比则揭示了另一种AI策略路径。Meta第三季度广告收入同比增长26%，远超谷歌的11%。排除向Apple等外部支付的费用后，两家公司的广告收入规模已接近。MoffettNathanson等机构将Meta的Reels早期变现困难与Google当前处境类比：Reels上线初期确实拖累广告增速，但Meta随后通过算法优化将用户时长转化为收入。不过这个类比有一个关键差异——Meta用AI提升现有广告系统的效率，Google面对的则是AI改变广告系统运作方式本身。

对AI产业投资者而言，这组数据指向一个判断框架：AI竞赛的赢家未必是技术推进最快的公司，而是能在维持存量业务盈利性的同时完成新变现模式切换的那一个。广告市场整体增速有上限，Madison and Wall已指出当前两位数增长难以长期维持。当Google、Meta、Amazon的AI资本支出都依赖广告现金流来支撑时，广告增速的任何放缓都会同时放大投资压力与转型焦虑。

这一机制的适用边界同样需要标明。单季度自由现金流转负可能反映投资节奏而非长期盈利能力恶化；Schindler的表态是承认当前差距，并非确认永久性结构损伤；Reels类比提示变现差距存在被技术迭代弥合的可能。但无论弥合速度如何，AI扩张与广告变现之间的张力已成为Alphabet估值叙事中不可回避的核心变量。

美国在线社区Reddit正在关闭它维持了约二十年的大门。首席执行官Steve Huffman宣布，未来几个月将在美国以外的部分国家试点强制登录，此前无需注册即可浏览的帖子将要求用户先建立账户。全球推广时间表和未登录用户点击帖子链接时看到什么界面，尚未确定。Huffman承认，作为一个长期重视开放互联网的人，这对他个人也是一次重大转变，但他强调这是平台与业务所必需的决定。

推动这一决定的首要力量是AI企业的数据采集。Reddit上积累了大量用户撰写的产品评测、生活经验和专业讨论，这些内容对需要学习真实人类语言与经历的AI公司极具价值。问题在于部分企业和自动化工具未经许可大规模抓取帖子。Reddit已对Anthropic和Perplexity提起诉讼，指控其未经授权访问数据，并限制了旧版Reddit（Old Reddit）的访问。Huffman称，未授权数据访问大多发生在未登录状态下，限制非会员访问能让自动化爬取更难实施——这是公司自身的判断，实际效果尚待观察。

但Reddit并非要切断与AI公司的数据关系。2024年，Reddit已与OpenAI和Google签订帖子数据访问授权合同。策略的核心区分在于：未授权抓取被封锁，正式合同下的数据供应继续。曾经对所有人免费开放的用户对话，正在变成AI企业需要付费才能获取的商业资产。

这一转变与Reddit的收入结构变化同步。公司2026年第三季度财报显示，通过搜索引擎的流量显著下降，尤其是未登录用户和网站访客的减少最为突出。Huffman透露，10月以来搜索引擎带来的访问平均每周减少超过一百万次。AI搜索服务的扩散可能是原因之一——过去用户在Google搜索后直接访问Reddit帖子获取答案，如今AI综合多个网站信息后直接在搜索结果或聊天界面给出回答，减少了访问原始页面的必要性。不过Reddit自己并未将流量下降完全归因于AI搜索。

更关键的经济事实是：Reddit的收入并不均匀依赖所有访客。据公司披露，App用户和登录日活用户贡献了整体变现的百分之八十以上。相比匿名访客，登录用户更容易被精准投放广告，也更可能反复回访平台。对Reddit而言，维护登录核心用户群的商业价值已远超单纯扩大访客规模。强制登录因此同时服务于两个目标：阻止未授权数据外流，以及将更多用户转化为可变现的登录身份。

作为平衡措施，Reddit计划重新开发App的私密浏览模式，在限制数据抓取的同时保留一定的匿名体验。公司表示只需确认登录状态，无需验证用户真实身份。但这一政策能否真正改善用户体验仍不确定——如果通过搜索偶然进入帖子的新用户觉得登录流程麻烦，可能反而抑制新增流量。

Reddit的案例不是孤例。AI企业利用互联网公开信息训练模型，内容平台则试图守住自身数据的经济价值，这一张力正在重塑互联网的访问规则。曾经免费开放的网络空间，一部分正通过登录门槛和商业合同变成需要付费进入的区域。

在将强化学习应用于现实世界时，直接利用预先收集的数据集而不进行环境交互是一个关键挑战。然而，标准的离策略强化学习方法往往因为数据集与学习到的策略之间的分布偏移而导致价值高估，特别是在处理复杂和多模态数据分布时。针对这一问题，加州大学伯克利分校和谷歌研究院的研究人员提出了“保守Q学习”（Conservative Q-Learning, CQL）算法。该算法的核心思想是学习一个保守的Q函数，使得在该Q函数下策略的期望值低于其真实值，从而防止因分布外动作导致的过度乐观估计。

CQL通过在标准贝尔曼误差目标上增加一个简单的Q值正则化项来实现这一目标。这种方法不仅可以在理论上证明能产生当前策略价值的下界，还能被整合到具有理论改进保证的策略学习过程中。在实际应用中，CQL只需在现有的深度Q学习和演员-评论家实现基础上添加不到20行代码即可实施。实验表明，在离散和连续控制领域，CQL显著优于现有的离线强化学习方法，通常能使最终回报提高2到5倍，尤其是在从复杂和多模态数据分布中学习时表现更为突出。对于希望在不与环境交互的情况下从静态数据中学习有效策略的研究者和工程师来说，《Conservative Q-Learning for Offline Reinforcement Learning》这篇发表于2020年的论文提供了一个稳健且易于实现的解决方案。

在1977年的伯克希尔·哈撒韦致股东信中，沃伦·巴菲特深入探讨了衡量管理层经济绩效的正确标准。他批评了大多数公司将“创纪录”的盈利简单定义为每股收益（EPS）的新高。巴菲特指出，由于企业通常会逐年增加其权益基础，如果一家公司权益资本增加了10%，而每股收益仅增长5%，这种管理表现并不值得特别关注。他认为，更合适的衡量标准是净资产收益率（Return on Equity Capital）。在1977年，伯克希尔基于期初权益资本的运营收益率为19%，虽然每股收益增长了37%，但期初资本也增长了24%，这使得每股收益的增长显得没有表面那么令人印象深刻。这一观点强调了投资者应关注资本的使用效率，而非仅仅关注绝对利润数字的增长。

此外，巴菲特在信中阐述了保险业务的经营哲学，特别是关于“顺风”与“逆风”的重要性。他提到，在保险业中，即使犯了一些重大错误，整体业绩仍可能相当令人满意；而在纺织业中，即使是非常优秀的管理，平均结果也只能是微薄的利润。这揭示了一个核心投资原则：选择处于有利行业环境（顺风）中的企业，比单纯依赖卓越的管理能力更为关键。他举例说明，1976年全行业大幅提价以抵消1974-75年的灾难性承保结果，使得1977年成为受益的一年。然而，他也警告说，随着通胀和社会通胀导致成本每月上升约1%，如果费率不能以同等速度上涨，承保利润就会收缩。因此，识别行业周期的转折点并据此调整策略至关重要。

最后，巴菲特讨论了通过股票间接持有优质企业的优势。他以对Capital Cities Communications的投资为例，指出直接购买该公司拥有的资产可能需要两倍于股市投资的成本，且无法提供同等水平的管理。通过非控股的股票投资，伯克希尔可以获得优秀管理带来的经营成果，同时避免承担控制责任。这种“不控股权益”的策略允许投资者在不干预日常运营的情况下，享受由杰出管理层创造的长期价值。这一理念挑战了传统上认为控制权必然带来更好结果的假设，展示了在适当价格下，少数股权投资可以是获取高质量商业回报的有效途径。

例如，假设一位投资者正在评估两家科技公司。A公司过去五年每股收益年均增长15%，但其净资产规模扩大了20%；B公司每股收益年均增长8%，但净资产仅扩大2%。根据巴菲特的逻辑，尽管A公司的EPS增长更快，但B公司的资本使用效率更高，其净资产收益率的提升更能反映管理层的真实经济绩效。投资者应警惕那些通过大量增发或留存收益堆积资本来推动EPS增长的公司，转而寻找能在较小资本基数上产生较高回报的企业。

对于希望理解价值投资底层逻辑的读者，重读《伯克希尔·哈撒韦1977年致股东信》具有极高的参考价值。它不仅澄清了财务指标的选择误区，还提供了关于行业周期判断和股权结构选择的深刻见解。建议从信中关于“净资产收益率”和“保险承保周期”的部分开始阅读，这两部分最能体现巴菲特早期投资哲学的成熟形态。