KeyFrame內部研究專用

22家保險托不住銀行,揭中共慢性金融危機 | 美科技巨頭直播砸場,怒批AI模型公司【財經漫談】

希望之聲TV·7月2日週四·28 min中文

三句話摘要

中國銀行股崩跌與慢性金融危機、美國AI公司商業模式風險,以及全球央行對AI威脅金融穩定的擔憂。 中國陷入慢性金融危機、美國AI產業商業模式失敗推助中國市場滲透、全球金融面臨AI系統性風險——這三股力量正同步改寫全球經濟版圖。 中國進入慢性金融危機階段:不同於美國銀行短期爆雷,中國金融危機表現為淨息差不斷收窄(商業銀行整體跌至1.4%,低於安全線1.8%達40基點)、不良資產壓力、股價疲弱。央行投入3000億元臨時救市仍未能止跌,反映系統風險已深度潛伏。

重點整理

重點
  • 1

    中國進入慢性金融危機階段:不同於美國銀行短期爆雷,中國金融危機表現為淨息差不斷收窄(商業銀行整體跌至1.4%,低於安全線1.8%達40基點)、不良資產壓力、股價疲弱。央行投入3000億元臨時救市仍未能止跌,反映系統風險已深度潛伏。

  • 2

    保險公司集體進駐銀行構成「奉旨形勢」:22家保險公司系統性地成為27家銀行大股東,本質是動用國民儲蓄填補金融漏洞,上演政府隱性救市,老百姓存款成為金融危機的緩衝墊。

  • 3

    上海經濟溫度遠低於預期:最富裕城市消費品零售額下降4.7%,耐用品消費大幅下滑(通訊器材跌34.1%),房地產投資下降3.9%、新開工下跌42%,但居民存款增速17.4%遠高於貸款增速6%,反映出「不消費、不投資、瘋狂存錢」的預防性儲蓄行為。

  • 4

    AI模型收費模式構成國安風險:企業為高額token成本所迫,將商業秘密、專有數據輸入模型用於AI服務,相當於花錢養對手,同時催生對低成本中國AI模型(DeepSeek、MoonShot)的需求,威脅美國AI產業領先地位及國家安全。

實用技巧與重點

乾貨
  • 中國經濟數據
  • A股銀行:42家上市銀行,僅7家上漲;板塊跌幅12.27%;市值縮水1.41萬億元
  • 淨息差:商業銀行1.4%(安全線1.8%);國有大行1.29%
  • 上海5月零售額:下降4.7%;家電音響下跌19.8%;通訊器材跌34.1%
  • 上海房地產:投資同比下降3.9%;新開工下跌42.7%;住宅新開工下降48.2%
  • 上海存貸:存款26.21萬億元(+17.4%);貸款13.49萬億元(+6%)
  • 保險公司:22家進駐27家銀行成為前十大股東(截至2026年Q1)
  • AI與美國政策
  • Palantir CEO Alex Karp在CNBC直播抨擊OpenAI、Anthropic的token計價模式
  • Token:按問題數量、難度、數據量等計算AI使用費用的單位
  • 企業成本壓力導致轉向Deep Seek、MoonShot等中國模型
  • Deep Seek遭Anthropic控訴違反授權
  • 地緣政治事件
  • 美國駐華使領館一個月內9次發布赴華風險警告,涉及社交媒體監控
  • 密魯法院推翻1月裁決,確認政府可監管中資潛開港(中遠海運港口公司營運)
  • 倫敦金屬交易所(LME)考慮允許銅在香港外部儲存
  • 日本AI戰略
  • 投資規模:2.3萬億美元
  • 目標:2040年前在18個領域部署超1000萬台AI機器人
  • 執行機構:Nayuta(日本國家隊,由經產省與NEDO委託成立)
  • 參與企業:軟銀、NEC、索尼、本田、富士通、樂天

結論

結論

中國陷入慢性金融危機、美國AI產業商業模式失敗推助中國市場滲透、全球金融面臨AI系統性風險——這三股力量正同步改寫全球經濟版圖。

完整解析

詳細

中國經濟正進入一種不同於美國短期銀行危機的「慢性金融危機」階段。A股銀行板塊上半年跌幅12.27%,蒸發1.4萬億元市值,但這不單純反映被科技股「抽血」,而是經濟基本面惡化的信號。淨息差持續收窄(商業銀行整體跌至1.4%,國有大行僅1.29%),壞賬壓力上升,央行被迫投入3000億元臨時救市,足以說明系統風險敏感程度已非常高。

最具代表性的是上海經濟溫度遠低於預期。這座最富裕城市5月零售額同比下降4.7%,耐用品消費大幅萎縮(通訊器材跌34.1%、家電音響跌19.8%),房地產更是崩潰式下滑(新開工跌42.7%、投資下降3.9%),卻出現存款激增(+17.4%)但貸款增速僅6%的詭異局面。這表明有消費能力的居民正陷入預防性儲蓄——寧可錢放銀行,也不敢花錢和投資。

更令人警惕的是22家保險公司系統性進駐27家銀行成為大股東,用國民儲蓄資金支撐銀行股價,卻依然無法阻止下跌。這已超越商業投資失敗的範疇,構成國有資產流失和政府隱性救市。本質上是用老百姓的錢填補金融系統的漏洞。

與此同時,美國AI產業面臨商業模式危機。Palantir CEO在CNBC直播中痛批OpenAI、Anthropic以高額token成本逼迫企業用商業秘密餵養AI模型,企業等於「花錢養對手」。被逼無奈的美國企業開始轉向成本更低的中國AI模型(Deep Seek、MoonShot),形成弔詭局面:美國AI公司的定價策略推高企業成本,反而加速中國AI滲透。這已升級為國家安全問題——一旦美國關鍵企業依賴中資AI模型,數據與主權都無法自主掌控。

全球央行也在密集討論AI對金融穩定的威脅。人工智能可能以超越高頻交易的速度操縱價格、製造泡沫,同時提升銀行系統的網路安全成本。與此同時,中國正悄悄擴大在全球商品定價中樞的影響力,倫敦金屬交易所考慮允許銅在香港外部儲存,相當於把全球工業金屬價格權逐步納入中共控制。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。