房东经济学

  新年好！今天聊聊火爆全网的DeepSeek和AI相关的投资观点（由于这件事，我的后台私信多到要炸了）。 最近国产大模型DeepSeek R1以其出色的表现和低廉的成本惊艳了世界，同时也给市场带来了大幅波动，很多人思考AI未来的发展路径是否被已经被颠覆，算力在未来是否可能过剩，这也导致本周一（1月27日）美国市场的暴跌。 经过一些了解和整理，今天我将以一个普通投资者和非从业者学习笔记的视角分享一下我的见解，也欢迎大家在留言区提出自己的见解或指出内容可能的错误。 （1）出色的模型与算法 根据DeepSeek公布的跑分现实，DeepSeek-R1在培训后阶段大规模使用强化学习技术， 在数学、代码、自然语言推理和其他任务上，其性能可与OpenAI o1正式版本媲美，但价格仅为o1的3%。 我不是AI从业人士，所以也研究和学习了一下，这里我将DeepSeek之所以能够实现低成本的逻辑用大多数非专业人士都能理解的话来简单介绍一下： DeepSeek R1大模型实现低成本训练和推理的核心思路，可以类比为“用更聪明的策略完成复杂任务”，他们主要从以下两个方面优化： 第一，在训练模式上， DeepSeek R1避开了传统监督微调（SFT）过程 ，这个过程原本是AI开发的标准步骤，通过引入标注好的数据来优化模型的指令跟随能力和应对具体任务的表现，被认为对提高推理能力至关重要。但DeepSeek跳过SFT转而选择依赖强化学习（RL）来训练模型， 简化了流程并可能提升模型在复杂任务中的表现。 再通俗些说， 传统方法就像教小孩学数学时先买习题册（SFT阶段），给大量标注好的例题，要求完全模仿标准答案；再请家教陪练（RL阶段），做题后由老师指出错误，调整解题思路 ；而 直接强化学习就像直接让孩子上考场（没有预先的例题背诵），每做错一道题，裁判立即用激光笔标出错误步骤（即时奖励信号） ，然后孩子通过不断试错，自己总结出最优解题策略； 第二， 传统大模型像全员待命的公司，每个问题都需要所有员工处理，效率低且耗电， 而DeepSeek采用了混合专家系统（MoE） ，相当于把员工分成多个“专家小组”，遇到问题时，只激活相关专家（如数学题只需数学组处理），其他小组休眠。这种设计大幅减少了单次计算量，降低了运行成本。 综合上述内容，你会发现DeepSeek无论在训练过程还是思考过程，都更接近人...

  最近，小红书来了很多美国客人，大家就生活对账之后，让两边的网友都大开眼界。 中国的网民感叹的美国的时薪高，更感叹这么高的时薪下居然还是很难存钱 - 原来美国的生活成本这么高。 这个世界上没有完美的国家，任何国家的普通百姓，包括中国人美国人，生活都不是轻轻松松的。而美国人对中国物价和服务的感叹，也打破了基于经济数字上对于中国的理解，可以说这样的线上互动和民间交流，对于增进中美了解和友好是大有好处的。 今天我们就以小红书对账作为切入点，分几部分聊一聊这件事背后有价值的信息，大体分为：中国优势资源、美国高收入的背后、中美经济差距、陈平不等式四个部分。 一、中国的优势资源 小红书对账这件事，恰好说明了我们在往期主题专门探讨过的内容，那就是中国优势资源： 在中国，哪些资源是最好的？ 中国的人力服务、水电网等公共服务、所有国产的汽车、房租等等都是性价比在线、且效率极高的。而且这些消费品类，绝大多数都是必选消费，所以即便中国6亿人月入1000，9亿人月入2000，绝大多数人也还是可以吃饱穿暖。 而这些优势资源，几乎又全都来自另外一大批勤劳的中国人： 比如我们享受到的包括快递、外卖等物美价廉的服务，本质来自于另一群国人起早贪黑但收入微薄的工作境遇。 又比如包括水电网和公共交通在内的服务，中国的价格可以说是全世界相同基础设施水平下最低的，没有之一。但这主要是因为各地对公共服务和基础设施的补贴，而补贴的资金大部分又来自于土地出让金，土地出让金则来自于千千万万六个钱包买房的普通人。 我们作为中国人，一方面要用好这些属于我们的优势资源，珍惜来之不易的经济发展成果与和平稳定的发展环境，感恩那些为我们付出的国人，另一方面又要巧妙地避开那些坑（参考往期主题： 经济下行期，怎样让生活更好？ ），这样我们的生活是可以过得很好的。 我认为小红书的对账，不应被当成输了或赢了的论据。我们做任何事是为了让自己过得更好，而不是为了赢。 过于在意赢和输，相当于把重点放在了对手身上，这显然是搞反了轻重缓急。 小红书的对账应当作为我们认识世界，祛魅一些光鲜事务的一个机会。 对于任何人任何国家，我们都应该祛魅，正如我之前一则主题:  两件大跌眼镜的事  中的论述， 即使是美国总统川普，即使是世界首富马斯克，都有非常低俗甚至见不得人的一面。 二、美国高收入群体真实状况 针对美国工作、美国...